在现代桥梁运营领域，结构健康监测领域近年来取得了显著进展，研究人员对其在确保桥梁安全和高效管理方面的关键作用寄予了厚望[1]，[2]。值得注意的是，结构健康监测系统已在全球许多长跨度桥梁中得到广泛应用，在日常数据采集、灾害预防和结构完整性综合评估中发挥着重要作用[3]，[4]。在这些系统中，桥梁环境振动测试已成为有效监测桥梁动态特性的常用方法。与环境振动测试不同，桥梁环境振动测试利用风、地震活动和车辆荷载等自然激励源来捕捉桥梁的动态响应[5]，[6]，[7]。通过对环境振动测试数据的分析，可以确定结构的关键动态特性，如振动自然频率和结构配置[8]。
智能视觉技术的进步使得光学测量方法在工业应用、医学诊断和交通监测等多个领域得到广泛应用，展现了其显著的能力[9]，[10]，[11]，[12]。特别是基于光学系统的非接触式测量技术，由于其成本较低且维护性更好，因此在环境振动测量中受到了广泛关注。然而，光学测量的精度从根本上受到像素大小的限制，而像素大小又取决于光学设备的分辨率。由于像素大小通常相对较大，从图像分析方法得出的位移精度往往无法满足工程要求。
为了解决这些限制，研究人员提出了一些方法。一种直接的方法是提高光学设备的分辨率，但这会显著增加成本。作为一种更具成本效益的替代方案，一些学者将相机安装在桥梁的关键位置，如跨中、塔顶或缆绳上，这些位置对于分析动态特性至关重要[13]，[14]，[15]。这种方法可以减小像素大小，提高精度，但会将监测范围限制在特定的桥梁部分，从而影响数据的完整性[16]。
为了扩大监测范围，提出了相机矩阵方法。该方法使用多个相机，每个相机覆盖桥梁的特定区域，然后将数据汇总以获得桥梁位移的完整图像[17]，[18]。虽然这种方法解决了范围问题，但它增加了系统的成本和复杂性，需要仔细校准相机之间的参数，这可能会使部署变得复杂。
另一种方法是在桥梁上附着具有独特几何图案和颜色的标记，以便于图像处理。然而，这些标记可能会改变桥梁的几何形状。在Tian[19]和Zhang[20]的研究中，标记的大小超过了桥梁梁的高度；而在Guzman-Acevedo[21]的研究中，标记的大小与悬索桥缆绳的直径相当。这样的改变可能会影响桥梁的空气动力稳定性，特别是在长期监测中带来空气动力风险[22]。
深度学习的出现为基于视觉的监测方法带来了新的机会[23]。一些研究采用了编码器-解码器架构，将深度神经网络应用于图像卷积和清晰度增强，从而提高了监测精度[24]。然而，这些数据驱动的方法通常存在固有的局限性：它们的高精度严重依赖于大量标注数据和复杂的模型训练过程。在真实桥梁环境中获取大规模、高质量的训练样本成本高昂。更重要的是，这些模型通常涉及大量参数和高计算复杂性，导致部署成本和能耗较高。因此，尽管它们在理论上具有巨大潜力，但由于计算需求高和对专用硬件的强烈依赖性，它们的实时性能、成本效益以及在资源受限且需要长期连续运行的实际桥梁监测场景中的广泛应用受到了严重限制。
随着深度学习的兴起，一些研究人员通过应用深度神经网络进行图像卷积和清晰度增强来提高监测精度。虽然这种方法可以在不预先标记数据的情况下实现大面积监测，但其高昂的计算需求限制了其在资源受限环境中的实时应用和实际可行性。因此，尽管具有潜力，但其对硬件和能源的广泛需求限制了其在实际桥梁监测项目中的广泛应用。
为了解决现有方法的局限性，我们提出了一种创新的亚像素模型，用于长跨度桥梁结构的实时、广范围位移跟踪。该方法在计算效率和高的分析精度之间取得了良好的平衡。值得注意的是，该算法在不影响桥梁空气动力稳定性的前提下实现了这些改进，从而解决了当代光学测量技术中的关键挑战。我们的模型首先通过单个相机捕获桥梁振动视频，然后通过边缘矩和梯度分析在亚像素级别提取结构响应。进一步结合了混合CNN和LSTM网络对位移时间历史进行残差校正，大大提高了模型的鲁棒性。在运行过程中，系统以每秒30帧的速度实时处理视频流，确保与成像硬件无缝同步，以便进行连续分析。我们方法的关键特点包括：利用智能分割和关键帧处理在实时约束下提高图像分析效率；结合亚像素边缘检测和残差校正来准确跟踪无标记情况下的桥梁振动；以及利用迁移学习实现对桥梁甲板上多个任意关键点的同步监测，同时保持精度的一致性。该模型显著提高了结构健康监测的实际适用性，特别适用于安全和运营效率至关重要的长跨度桥梁。
本文的结构如下：第2节详细介绍了数据集的实验方法。第3节介绍了所提出模型的架构和方法。第4节展示了测试程序后的实验结果。第5节通过使用Sobel算子和基于高斯的基线模型进行了比较分析，以证明模型的优越性，并通过箱形梁桥案例验证了其泛化能力。
