Video stabilization and motion magnification for vision-based vibration measurements

This thesis aims the evaluation of motion magnification techniques in different video acquisition configurations: fixed, mobile, and drone-based cameras. While the traditional approach assumes a static point of view, the use of mobile cameras requires the introduction of a preliminary motion stabilization process before applying motion magnification. In laboratory tests, analyses were conducted under controlled conditions to compare different stabilization strategies and motion magnification algorithms, selecting reliable methods for the camera configurations. The ROI-exclusion Feature-Matching stabilization approach proved to be the most effective since it preserves the local vibrations of the structure while simultaneously compensating for the global motion of the camera. For motion magnification, the Learning-based with Butterworth temporal filter approach was selected to amplify the structural dynamics within a frequency band, limiting the amplification of artifacts. Subsequently, the developed method was applied to a real structure, that is a fire escape subjected to an impulsive load, to validate its effectiveness in different video acquisition configurations. In each configuration, the first vibration mode of the structure was identified, confirming the robustness and reliability of the experimental process. Quantitative displacement and frequency measurements were extracted using machine-vision techniques. The results demonstrate that vibration analysis based on mobile-camera video acquisitions, such as industrial cameras and drones, once appropriately stabilized and amplified, represents a non-invasive and reliable solution for large-scale structural monitoring.

Il lavoro di tesi è basato sulla valutazione delle tecniche di Motion Magnification in diverse configurazioni di acquisizione video: telecamera fissa, mobile e montata sul drone. Se l’approccio tradizionale assume un punto di vista statico, l’impiego di telecamere mobili richiede l’introduzione di una fase preliminare di stabilizzazione del moto prima di applicare motion magnification. In laboratorio, le analisi sono svolte in condizioni controllate per confrontare diverse strategie di stabilizzazione e algoritmi di amplificazione del moto, selezionando dei metodi affidabili per le configurazioni della telecamera. L’approccio di stabilizzazione basato sul Feature-matching con l’esclusione della ROI strutturale si è dimostrato il più efficace poiché preserva le vibrazioni locali della struttura compensando simultaneamente il moto globale della telecamera. Per la motion magnification è stato selezionato l’approccio Learning-based con applicato il filtro temporale Butterworth per amplificare la dinamica strutturale all’interno di una banda di frequenza, limitando l’amplificazione di artefatti. Successivamente, la stessa metodologia viene applicata a una struttura reale, ovvero una scala antincendio sottoposta a un carico impulsivo, per validare l’efficacia nelle diverse configurazioni di acquisizione video. In ciascuna configurazione, il primo modo di vibrare della struttura viene identificato, confermando la robustezza e affidabilità del processo. Le misure quantitative di spostamento e frequenza sono state estratte mediante tecniche di visione artificiale. I risultati finali dimostrano che l’analisi delle vibrazioni basata su acquisizioni video effettuate con camere mobili, opportunamente stabilizzate e amplificate, rappresenta una soluzione non invasiva per il monitoraggio strutturale su larga scala.