一种基于自适应窗口匹配的裂缝提取方法与流程

1.本发明涉及材料测试技术领域，尤其是涉及一种基于自适应窗口匹配的裂缝提取方法。


背景技术：

2.在材料测试领域，在投入使用之前，常常需要通过各种测试性实验来测量材料的结构特性和安全系数，其中包括拉伸测试、压缩测试和冲击测试等。尤其，作为基本建筑材料的混凝土材料与人类活动和生活密切相关，因而有必要对混凝土材料进行严格的结构测试。
3.在外部压力下，混凝土石柱裂缝的出现严重影响了其使用过程中的可用性和耐久性，这是因为它属于一种脆性结构材料，因此，通过混凝土石柱压缩实验对混凝土石柱结构进行安全评估和力学分析是非常有价值的，在混凝土石柱材料的压缩试验中，裂缝测量可以进一步帮助技术人员更为准确地评估材料性能，但是现有的裂缝参数量测方法往往通过影像中灰度梯度突变来识别，这将导致裂缝提取精度差。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自适应窗口匹配的裂缝提取方法。
5.本发明的目的可以通过以下技术方案来实现：
6.一种基于自适应窗口匹配的裂缝提取方法，包括以下步骤：
7.1)构建视频测量网络，获取在钢筋混凝土柱的裂缝扩展实验中混凝土石柱破坏过程的序列影像；
8.2)采用基于纹理方差的自适应窗口匹配方法进行序列影像的跟踪匹配；
9.3)根据立体标定和三维重建获得混凝土石柱表面的序列三维点云，通过对三维点云进行时空分析，得到测量时段内任意时刻的位移场和应变场，完成裂缝提取。
10.所述的步骤1)中，视频测量网络包括两台工业相机、影像采集卡、磁盘阵列、同步控制器和上位机，并且由两台工业相机形成双目系统，以会聚拍摄的形式记录混凝土石柱的整个形变过程，影像采集卡和磁盘阵列用以实时存储形变过程的序列影像，同步控制器用以使两台工业相机同步采集序列影像。
11.在钢筋混凝土柱的裂缝扩展实验中，采用散斑模具生成散斑图案，通过散斑模具上随机布置的椭圆生成椭圆散斑点。
12.所述的该散斑点的尺寸为20mm。
13.所述的步骤2)具体包括以下步骤：
14.21)在序列影像处理前指定散斑区域，并在散斑区域内以设定的步长选取目标点，并通过控制采样间隔控制目标点数量；
15.22)进行立体匹配，建立左右影像中的目标点的同名对应关系，在匹配过程中，先
指定一对同名点作为种子点，然后通过自适应的搜索窗口将种子点的相邻点进行一对一匹配；
16.23)进行影像序列跟踪获得每个目标点的序列影像坐标。
17.所述的步骤22)中，采用从粗到精匹配方式进行立体匹配，具体包括：
18.粗匹配过程通过归一化互相关确定目标点的整数像素位置；
19.精匹配过程通过最小二乘匹配确定目标点的亚像素位置。
20.所述的步骤22)中，搜索窗口的大小根据目标影像块的纹理方差确定，通过设定纹理方差的阈值约束搜索窗口的大小，当该搜索窗口中的纹理方差大于阈值时，窗口大小则停止扩张。
21.所述的纹理方差d(i)的表达式为：
[0022][0023]
其中，i(i,j)为目标影像块中影像坐标(i,j)的灰度值，为目标影像块的平均灰度值，目标影像块的窗口尺寸为(2n 1)
×
(2n 1)像素。
[0024]
所述的步骤3)具体为：
[0025]
31)通过立体标定获得相机的内外方位参数，具体为：
[0026]
采用高精度棋盘格标定板获取相机的内方位参数，并考虑高阶次径向镜头畸变和切向镜头畸变参数提高内方位参数的精度；
[0027]
两台相机同步采集标定板影像，通过各相机和标定板之间的空间平移和旋转变换得到相机的外方位参数；
[0028]
32)进行三维重建获取混凝土石柱表面的序列三维点云，具体为：
[0029]
在获得同名影像点的二维坐标后，采用前方交会算法计算该目标点的三维坐标，进而得到混凝土石柱表面的序列三维点云，并根据序列三维点云的坐标差获得全部目标点的三维位移数据；
[0030]
33)根据目标点的初始坐标和形变坐标计算得到主应变参数，并根据目标点的坐标差得到混凝土石柱表面的差分位移场，基于差分位移场确定裂缝宽度和位移，完成裂缝提取。
[0031]
所述的步骤33)中
[0032]
根据初始坐标和形变坐标之间的仿射变换方程，通过未形变和已形变位置上的四对顶点建立八个线性方程并解析得到仿射变换方程的仿射参数，进而得到梯度张量f和左柯西
‑
格林形变张量b，左柯西
‑
格林形变张量b中的矩阵r对应特征向量为主应变方向，其最大特征值的平方根则为主应变ε。
[0033]
与现有技术相比，本发明具有以下优点：
[0034]
一、本发明的自适应窗口匹配方法能够有效地探测出局部细微形变，进而确定裂缝位置，提高裂缝识别精度。
[0035]
二、本发明应用完整的视频测量技术精确的描述了从原始序列影像到后续位移场和应变场结果这一过程，符合现实且提取准确。
附图说明
[0036]
图1为目标点位选取过程图。
[0037]
图2为立体序列影像处理流程图。
具体实施方式
[0038]
下面结合附图和具体实施例对本发明进行详细说明。
[0039]
实施例
[0040]
建筑材料的精确形变测量一直是材料测试领域的研究热点，本发明提出了一种基于自适应窗口匹配的裂缝提取方法，包括以下三个主要步骤：
[0041]
1)利用两台高精度工业相机记录混凝土石柱的整个破坏过程；
[0042]
2)基于自适应窗口匹配策略，获取散斑影像序列中跟踪点的精确影像坐标；
[0043]
3)采用摄影测量分析方法得到混凝土石柱在任何时刻下的三维空间形态，并且通过对点云进行时空分析来进一步计算出混凝土石柱表面的位移场和应变场，完成裂缝的提取。
[0044]
在本发明实施例中，详细描述了实验实现过程和数据处理过程，实验结果证明了所提出的视频测量方案的可行性和有效性。
[0045]
本发明的主要技术内容如下：
[0046]
1、相机网络构建
[0047]
在近距离摄影测量中，作为非接触技术的摄影测量可以通过计算目标点的三维空间坐标来确定目标对象的空间形态变化。双目视频测量方法主要包括视频测量系统网络搭建、影像数据采集与存储、立体影像序列处理和形变参数估计等步骤。
[0048]
视频测量网络主要由工业相机、影像采集卡、磁盘阵列、同步控制器等组成。其中，凭借高稳定性和抗干扰能力的突出优点，工业测量相机作为主要硬件已广泛被使用于不同领域，包括自动光学工程、机器视觉工程和工业测量等。对于小范围立体观测，两台工业相机可以形成一个双目系统，以会聚拍摄的形式记录目标对象的整个形变过程。影像采集卡和磁盘阵列可以帮助工业相机实时存储影像序列。此外，同步控制器的作用是使联测相机能够同时采集影像序列。这一条件是摄影测量分析的重要前提，因为在摄影测量中需要同名影像以计算目标对象的三维空间信息。最后，立体影像序列处理算法和形变参数计算是本发明的重点，这部分内容将在随后的部分中详细阐述。
[0049]
2、散斑影像制作
[0050]
通常，由于材料本身只具备少量的纹理特征，致使被测表面的自然纹理不适合高精度测量，因此，在被测表面上生成散斑图案可以通过增加纹理信息来提高匹配精度，往往需要将黑色和白色哑光涂料喷涂在材料样本的表面上以增加纹理信息，然而，由于散斑喷涂的随机性，很难控制被测表面上的散斑纹理分布，散斑影像不均匀可能会导致在目标点的支持窗口中缺少纹理的问题。
[0051]
在测量钢筋混凝土柱的裂缝扩展实验中，由于测量面积相对较大，因此难以进行有效的随机散斑喷涂。通过设计散斑模具以生成适当的散斑图案。在该模具中，随机的椭圆形成各类散斑点。此外，在制作散斑模具之前，需要设计散斑尺寸，通常，椭圆散斑的长轴长度在影像空间中约为10
–
20像素，基于公式(1)，实际的椭圆形散斑尺寸可以被大致推算，在
本例中，散斑斑点被设计为大约20mm。
[0052][0053]
3、自适应窗口匹配策略
[0054]
在影像序列处理之前，应先指定散斑区域和目标点，根据参考影像中的散斑分布范围，可以将目标点的确定过程视为均匀采样过程，通常，可以将一台相机在初始帧中捕获的影像视为参考影像，如图1所示，在该散斑区域中，以一定步长l选择目标点，通过控制采样间隔可以控制目标点数量，当采样间隔变小时，目标点的数量将增加。
[0055]
立体匹配的目的是建立左右影像中的目标点的同名对应关系，该步骤还可以为后续跟踪点提供初始坐标，在立体匹配中，采用了从粗到精的匹配策略，粗匹配过程可以通过归一化互相关(normalized cross correlation，简称ncc)确定目标点的整数像素位置，精匹配过程是通过最小二乘匹配(least
‑
square matching，简称lsm)确定目标点的亚像素位置，lsm是一种鲁棒的亚像素级匹配算法，其匹配精度可高达0.01像素。此外，lsm还可以克服由对象的运动和形变引起的影像失真，对于自动化匹配过程中，首先需要指定一对种子点，然后根据提供的搜索窗口将其相邻点一对一地匹配起来，详细的匹配过程如图2所示。
[0056]
影像序列跟踪的目的是获得每个目标点的序列影像坐标，与立体匹配类似，lsm也可用于目标跟踪匹配中的影像坐标计算，每个跟踪点在第i 1帧中的搜索窗口可以通过其在第i帧中的位置和搜索半径来确定，如前文所述，目标点在第0帧中的初始位置已通过立体匹配来提供。
[0057]
在传统意义上，目标影像块的窗口大小往往是通过实验经验来确定的，而且窗口尺寸通常设定足够大以包含足够的纹理信息，但是在实际的实验过程中，窗口尺寸将对实验结果的准确性产生重要影响，小匹配窗口由于纹理信息缺失将导致不匹配问题，当影像窗口包含一些细微的形变时，较大的匹配窗口将使形变结果变得平滑，以上两种情况都会对影像匹配的准确性产生很大的影响，由此，在本发明中，通过基于纹理方差的匹配策略来计算合适的目标窗口大小。
[0058]
在本实验中，基于目标影像块的纹理方差确定窗口大小，纹理方差可以反映灰度值和平均值之间的偏差，因此，该纹理特征可以表示影像块的信息复杂性，根据公式(2)，当影像纹理信息增加时，纹理方差将变大。当匹配窗口的尺寸变大时，影像纹理信息将增加，因此，在计算过程中，纹理变化的阈值σ可用于约束每个目标点的窗口大小，当该窗口中的纹理方差大于设置的阈值时，目标窗口大小将停止扩张。
[0059][0060]
公式(2)为纹理方差公式，在上式中，目标影像块的窗口尺寸为(2n 1)
×
(2n 1)像素；i(i,j)是影像块中影像坐标(i,j)的灰度值；是影像块的平均灰度值。
[0061]
4、三维重建
[0062]
在本发明中，采用高精度棋盘格标定板计算立体相机的内方位参数，该类标定方法具有灵活性、可靠性和低成本的优点，为了获得这些高精度的内方位参数，应当进一步考
虑高阶次径向镜头畸变和切向镜头畸变参数。然而，不同于现有的单相机标定，立体相机标定还需要确定每个相机的外部方向参数。因此，联测的相机应同步采集标定板影像，通过各相机和标定板之间的空间平移和旋转变换，计算出立体相机的外方位参数，此外，应注意标定后的相机在实验过程中保持稳定不动。在随后的数据处理中，每当获得任何同名影像点的二维坐标之后，便可以通过前方交会算法计算该目标点的三维坐标，如公式(3)所示，共线条件方程可以通过一系列数学变换得出：
[0063][0064]
在上述公式中，(x,y)表示相应点的校正影像坐标；f是相机像距；(x
s
,y
s
,z
s
)作为外方位的线参数以表示透视中心的三维空间坐标；(a1,a2,a3,b1,b2,b3,c1,c2,c3)是旋转矩阵的元素，由三个外方位的角度元素组成；(x
a
,y
a
,z
a
)是目标的未知空间坐标，通过精确的立体标定，每台工业相机的内外方位参数已被视为已知值，对于一对同名点，可以建立四个线性方程式来求解三个未知数。在此计算过程中，可以通过线性最小二乘法直接计算三维重建中的最终坐标结果。
[0065]
作为最基本的结构动力学参数，可以通过对初始坐标和后续坐标的坐标差来获得全场目标点的三维位移。
[0066]
5、主应变计算
[0067]
可以基于初始坐标和形变坐标来计算主应变参数，根据定义，每个规则网格中的四个目标点可用于计算主应变，初始坐标和形变坐标之间的仿射变换方程可以表示如下：
[0068][0069]
在规则网格中，可以使用一个网格中的四个目标点来计算仿射参数，在未形变和已形变的位置上使用四对顶点可以建立八个线性方程以解析六个未知的仿射参数，因此该过程可应用最小二乘算法来计算最佳结果。
[0070]
在获得仿射参数之后，可以通过下面的公式形成梯度张量f：
[0071][0072]
因而，左柯西
‑
格林形变张量可定义如下：
[0073]
b＝f
·
f
t
＝v
·
v
t
＝r
·
λ
·
r
t
[0074]
根据定义，主应变可从矩阵v的特征值计算而得，可以通过v
·
v
t
的特征值的平方根来进一步解算，矩阵r中对应的特征向量为主应变方向，通常，最大特征值的平方根称为主应变ε，则有：
[0075][0076]
其中，λ
max
为最大特征值。
[0077]
综上，本发明提出了一种基于自适应窗口匹配的裂缝提取方法，用以获取混凝土石柱材料在压缩试验下的裂缝，首先采用两台工业相机组成一个双目视频测量网络，以记
录整个混凝土石柱破坏过程，在随后的数据处理中，在序列影像跟踪匹配中提出了基于纹理方差的自适应窗口匹配策略，基于精确的立体标定和三维重建，获得混凝土石柱表面的序列三维点云，通过对三维点云的时空分析，得到任意时刻的位移场和应变场，进而提取裂缝，相比于现有方法固定大小的搜索窗口，本发明采用了自适应的搜索窗口，搜索窗口的大小根据目标影像块的纹理方差来确定，通过设定纹理方差的阈值约束搜索窗口的大小，有效的提高了匹配的准确性。