基于数字图像相关的实时光学引伸计测量方法
【技术领域】
[0001] 本发明为一种基于数字图像相关的实时光学引伸计测量方法，属于光电检测领 域。
【背景技术】
[0002] 在实际的材料实验和工程应用中，常常需要对材料或者构件进行位移和应变测 试，常用的实验的方法是利用机械引伸计或电子应变片进行测量。机械引伸计需要在试验 的过程中装夹在试样表面，而电子应变片则需要和待测试件紧密贴合。不仅操作复杂，更 主要的是实验中的标准试样其尺寸往往较小，这就使得在装夹引伸计的时候很容易造成薄 片金属试样的破坏，或者应变片很难粘接、或者粘接不牢，从而导致所测得的实验数据不准 确。
[0003] 为此，近年来研究者引入了一种非接触的光学测量方法一一数字图像相关技术 (DIC)来测量试样的位移和应变。DIC是一种基于现代数字图像处理和分析技术的新型先 进光测技术，传统DIC的做法是在实验的整个过程中对被测物体采集大量的图片，再通过 分析这些变形前后物体表面的数字图像来获得被测物体表面的变形（位移和应变）信息。 它相比传统的机械或电子引伸计，具有非接触、对环境和隔振要求低、测量范围广以及自动 化程度高等诸多优点。然而在实际的材料试验和工程应用领域，有一些材料实验和工程应 用需要对目标物体长时间进行监测，比如长周期寿命失效测试、振动分析、实时控制实验设 备等。如果运用传统的DIC方法，测试过程中就需要采集大量的图片，测试结束后对数字图 像的后处理也是非常的耗时和繁琐，这就导致传统的DIC方法不再适用该领域的应用。
[0004] 于是，一个基于DIC的实时光学引伸计的发明显得尤为重要。要做到真正的实时 监测，就需要对传统的DIC算法进行优化，不断提高其计算速度。传统的DIC技术的整像素 搜索常常是利用逐点搜索法，该算法计算精度较高，但是效率极低，无法满足实时测量的要 求。为减少这个阶段的搜索时间，许多学者提出了一些算法，比如：爬山法，十字搜索法等。 这些方法大大减少了整像素的搜索时间，但是它们通常只适用于在搜索区域内没有多峰值 存在的情况。然而在实际的应用中，多峰的情况是很常见的，这就使得这些算法的应用受到 了很大的限制。
【发明内容】
[0005] 本发明的目的是针对现有技术存在的缺陷与实验和工程中的迫切的应用，提出一 种基于数字图像相关的实时光学引伸计测量方法，既能保持传统DIC算法的精度，又能实 时测量应变并显示其应变曲线。
[0006] 为达到上述目的，本发明的构思是：
[0007] 本发明提出了一个快速的两步整像素搜索法，再利用最近迅速发展起来的反向合 成高斯牛顿（IC-GN)亚像素搜索法，使得DIC技术能够实时的跟踪目标点，并且与传统的NR 算法拥有同等水平的精度，最后再结合多核并行计算机技术，真正实现了对被测物实时的 多点跟踪和应变测试。
[0008] 根据以上发明构思，本发明采用的技术方案如下：
[0009] -种基于数字图像相关的实时光学引伸计测量方法，操作步骤如下：
[0010] 1)首先利用改进后的粒子群优化算法，即PSO算法进行初步的整像素搜索，定位 到最佳初始估计值附近的点，将该点定义为d。；
[0011] 2)利用基于梯度下降搜索法，即BB⑶S，在d。附近搜索到最佳初始估计值d 1;
[0012] 3)以Cl1作为初始估计值，运用反向合成高斯牛顿算法，即IC-GN法进行亚像素迭 代，快速定位到目标点在变形图中的亚像素位置；
[0013] 4)针对多个检测点，重复利用步骤1)至步骤3)的算法并结合多核并行计算机技 术，对这些点进行实时跟踪，并同时计算其对应的位移值。
[0014] 所述步骤1)中粒子群优化算法是一种基于模拟鸟类或者鱼类觅食机制的种群智 能算法；鸟群或者鱼群被抽象为没有质量和体积的微粒，每个微粒都有各自的位置和速度， 它们根据各自的飞行经验和群体的社会经验来动态地调整飞行轨迹，直到找到目标；通常 用P 1表示第i个微粒的当前位置，V i表示第i个微粒的当前速度；而pbest i表示第i个微 粒搜索过的最优位置，gbest表示种群飞过的最优位置；微粒位置的优劣是通过所优化问 题的目标函数来决定的，在优化过程中首先产生m个微粒并随机的初始化每个微粒的位置 和速度，在D维的解空间上，微粒群分别根据公式（1)、（2)来更新自己的速度和位置：
[0015] vid (t+1) = wvid (t) +C^1 [pbestid-pid (t) ] +c2r2 [gbestd-vid (t) ] (I)
[0016] pid (t+1) = pid (t)+vid (t+1) (2)
[0017] 式中，t表示当前种群代数，d = 1,2, ···，0, w为惯性权重，C1, c2为加速常数，ri，r2 是均匀分布于[0, 1]的随机数；为了控制微粒向搜索空间[Pdi_，Pdi_]过度的移动，微粒速 度设置为在[V 4_，V4niaJ范围，当粒子群优化算法用于数字图像相关技术整像素搜索时，搜 索空间D = 2 ;相关函数作为优化的目标函数，每个微粒的新的位置表示目标图像中的像素 位置，如公式（3):
[0019] 式中Hx1Jj)和g(x' D y' J分别是全局坐标（X1Jj)的参考图和目标图的灰度 值；7和^分别是两个子域的平均灰度值；
[0020] 为了获得快速的收敛，对搜索策略做了两方面的改进：首先，通常来说在两个连续 的目标图像中，它们之间的像素位移比较小；基于这一点，并没有随机的去产生初始像素的 位置，而是自定义这些初始位置；这些初始像素点被分为两个部分：第一部分，把上一幅图 的目标位置作为下一幅图的中心位置，并且在中心位置生成3X3个微粒，第二部分，为了 保持种群的多样性，在剩余的搜索区域中随机的产生其余的微粒；其次，设定一个值得信赖 的相关系数C t= 0. 75, 一旦全局的相关系数gbest大于或等于C τ，迭代立即停止，其核心步 骤如下：
[0021] a)按照上述改进的策略在目标图中的搜索区域内产生m个初始的像素点和随机 的速度；
[0022] b)根据公式⑴和⑵更新所有微粒的速度和位置，其中C1= C2= 2,惯性权重 w根据公式（4)更新：
[0024] 其中，Gmax为最大截止代数；假如微粒更新后的速度V ;>￥_或V XVmin，则令Vi = Vmax 或\=^_;假如微粒更新后的位置坐标超出了搜索区域，则令其等于距离搜索区域最近的 边界坐标值；
[0025] c)对于每一个微粒，如果其当前的相关系数大于pbest，则升级pbest，同样的，如 果当前的全局的相关系数大于gbest，则升级gbest ;
[0026] d)判断是否满足gbest大于或等于设定的相关系数阈值Ct或者达到最大截止代 数；如果满足则终止迭代；然后输出gbest和它对应的像素坐标d。= (u。，V。)，否则返回到 步骤b)。
[0027] 所述步骤2)利用基于梯度下降搜索法，快速准确的定位到初始估计值，在步骤1) 得到的d。位置附近安排了 8个点，首先比较包括其在内的9个点的相关系数，如果最大相 关系数在这9个点的中心点，则停止搜索并输出中心点对应的位移矢量(I 1= (u D V1);否则 以最大相关系数的点为中心在其附近重新分配8个搜索点，并且比较这9个点，以此重复， 直到最大相关系数出现在中心位置或者迭代次数大于3次为止；为了节省时间，在搜索过 程中，被计算过的点不需要再重新计算。
[0028] 所述步骤3)利用反向合成高斯牛顿算法，即IC-GN法进行亚像素迭代，准确快速 的得到变形后的亚像素位置；IC-GN通过优化相关函数：
[0030] 其中，f (X)和g(X)是分别是全局坐标X = [X，y, l]1^^参考图和目标图的灰度值； /和?分别是两个子域的平均灰度值；1=[八\八3^，1^是计算的子域的局部像素坐标；
是变 形参数，迭代过程中变形参量的增加量为Δρ = (Au, Aux, Auy, Δν, Δνχ, AVy) ;W(C ;ρ) 为形函数描述了目标子域的变形量：
[0032] 其中p = (u, ux, uy, V, vx, vy)τ是变形参数，u, V分别表示X, y方向的位移参数，其 余的表示位移梯度；而W( ξ ; Δρ)表示参考子域的形函数增量矩阵：
[0034] 其中Δρ = (Au, Aux, Auy, Δ v, Δ νχ, Δ Vy)T是迭代过程中变形参量的增加量；
[0035] 因此，通过最小化公式（5)得到Δ p的解为：
[0037] 其中，F/是参考子域的梯度：
[0039] H 是 6X6 的 Hessian 矩阵：
[0043] 在此IC-GN算法中，得到Hessian矩阵不依赖变形的子域，在每次迭代中Hessian 矩阵都是相同的，因此IC-GN方法只需要计算一次Hessian矩阵，有效地减少计算时间；因 此在每次迭代中，模板f需要不断的更新，且变形参数的更新方式是乘以形函数的增量矩 阵的逆，即：
[0044] W( ξ ;p) 〇 W 1 ( ξ ; Δ p) - W( ξ ;p) (8)
[0045] 按照此方式不断的重复迭代，直到满足迭代要求，最后输出变形子域的亚像素位 移参数P。
[0046] 与现有技术相比，本发明具有如下显而易见的突出实质性特点：
[0047] 本发明实时跟踪的点数与计算机的CPU的核心数量有关，也即CPU核心数量越多， 跟踪的点数也就越多。本发明提出的算法能够非常稳定跟踪到目标点，即使由于环境的干 扰使得在跟踪期间某一帧或者几帧跟踪出错，本发明也能很快的重新跟踪到正确的点。而 且跟踪的速度平均能达到约100帧/秒，能够满足大多数的实时位移和应变测量要求。
【附图说明】
[0048] 图1是本发明方法实现的流程示意图。
[0049] 图2是粒子群优化算法的流程图。
[0050] 图3是基于梯度下降搜索法的搜索步骤示意图。
[005