增强型三维位移监测:将KAZE检测器与数字图像相关技术相结合,实现无需特定场景的抗干扰分析
《COMPUTERS IN INDUSTRY》:Enhanced three-dimensional displacement monitoring: Integrating the KAZE detector with digital image correlation for scenario-free anti-disturbance analysis
【字体:
大
中
小
】
时间:2025年12月31日
来源:COMPUTERS IN INDUSTRY 9.1
编辑推荐:
提出基于改进三维数字图像相关法的鲁棒双目立体视觉方法,解决相机运动和低相关质量问题,创新自校准框架与特征引导子集构建策略,实验验证在翼模型加载测试中显著优于传统方法。
余珊珊|张健|何晓园
江苏科技大学土木工程与建筑系,镇江212100,中国
摘要
本研究提出了一种基于改进的三维数字图像相关性的鲁棒双目立体视觉方法,以应对具有挑战性的测量条件,包括相机运动和较差的相关性质量。为了减轻由相机运动引起的误差(这些误差会扭曲双目系统的外部成像几何形状并产生错误的位移测量结果),引入了一种灵活的自校准方法。该方法采用逆深度参数化坐标框架来克服传统技术中固有的平面约束。为了解决由于纹理稀疏、表面反射和透视差异导致的较差相关性问题,开发了一种基于特征的子集构建策略。该方法强调关键灰度特征,并结合基于M估计器的相关性标准,有效排除具有异常灰度变化的子集。通过翼模型加载测试的实验验证表明,所提出的方法在捕捉全面变形场方面具有优越的能力,显示出比现有方法显著的改进。
引言
结构的三维(3D)位移和变形数据对于机械分析至关重要。双目立体视觉技术因其非破坏性、动态监测能力和相对于传统传感器的全场测量优势而被广泛采用。通过利用预校准的立体视觉系统参数和连续图像中的匹配点对坐标,可以准确重建结构的3D位移和变形。
立体视觉的有效性取决于两个关键因素:精确的相机校准和鲁棒的图像匹配。然而,传统的校准和匹配方法通常需要适应恶劣的测量环境(例如,低光照强度、遮挡或大尺度变形)。下面,我们总结了在解决这些限制方面的最新研究进展和挑战。
立体视觉系统中相机的运动会引入参考坐标系统的扰动,导致虚拟目标在帧间发生位移(Miller等人,2007年;Xu等人,2023年)。为了解决这个问题,研究人员开发了使用惯性测量单元(IMU)的方法(尽管受到成本和漂移的限制(Feng等人,2020年;Sabato,2019年;Bottalico等人,2023年)和基于图的技术。虽然基于特征匹配的方法(Merras等人,2023年)具有适应性,但基于斑点的方法(Cappello等人,2020年;Shao等人,2016年;Heikkinen和Schajer,2024年)通过模式识别提供了更高的准确性。然而,现有的斑点匹配技术依赖于平面约束(Herrera等人,2016年),这限制了它们在复杂3D测量环境中的有效性。因此,当前的解决方案在精度、环境适应性和计算复杂性之间面临权衡。
为了解决现有方法的局限性,我们提出了一种新的校准框架,该框架将基于特征的技术与归一化图像域中的 bundle adjustment 结合起来。此外,引入了一种使用刚性特征对的尺度转换策略——作为虚拟尺子——以提高在动态测量环境中的适应性。
本研究利用数字图像相关性(DIC)进行立体视觉图像匹配,因为其具有精度优势(Wang等人,2025年;Schreier等人,2000年)。然而,相机之间的视角差异,加上不均匀的照明和表面反射,导致图像对中的灰度分布不同,从而降低了匹配性能。为了解决这个问题,研究人员提出了两种主要的提高DIC鲁棒性的方法:
第一种是将深度学习模型集成到DIC工作流中(Niu等人,2025年)。基于深度学习的DIC框架消除了对相关性标准和迭代计算的需求,提高了计算效率(Gao等人,2024年)。Yang等人(2022年)引入了DisplacementNet和StainNet进行端到端变形预测,而Wang等人(2022年)将卷积神经网络应用于3D DIC,实现了与传统方法相当的实时性能。尽管有这些进步,深度学习在处理灰度分布差异时仍存在困难,这可能会影响相关性质量。
第二种是使用特征追踪方法来提高DIC的效果。这些技术使用显著的兴趣点初始化DIC以推导变形参数(Zhou和Chen,2013年)。Cabo等人(2019年)使用加速的鲁棒特征(SURF)改进了DIC,而Pan(Pan,2009年)将SURF与可靠性引导的位移跟踪(RGDT)结合用于自动种子点选择。尽管已经应用了二值鲁棒不变可缩放关键点(BRISK)(Kumar等人,2021年)和尺度不变特征变换(SIFT)(Yang等人,2020年),但它们的性能对于复杂图案来说仍然不理想。值得注意的是,KAZE——一种非线性尺度空间算法——在特征检测和匹配方面表现出优越的可靠性(Kumar,2022年;Prasad等人,2025年;Li等人,2025年),在各种场景中的表现优于SIFT、SURF、BRISK和ORB。'KAZE'这个名字来源于日语中的“风”,象征着像空气流动一样的非线性扩散过程。
我们提出了一种基于KAZE的3D DIC框架,其中KAZE识别特征点来构建灰度子集。这些子集指导逆复合高斯-牛顿(IC-GN)算法计算具有强灰度梯度的区域的变形参数。此外,还结合了一种鲁棒的M估计算法(Conceio,2022年;Kim和Lee,2023年)来减轻异常灰度变化的影响,减少立体匹配中的低相关性误差。
本文的其余部分组织如下:第2节介绍了所提出方法背后的原理,包括自校准技术(第2.1节)和立体匹配(第2.2节)。第3节提出了与第2节中概述的目标相一致的实验测试。第4节讨论了一个涉及翼模型的案例研究。最后,第5节总结了所提出方法的优势,并提出了未来改进的建议。
节选内容
使用3D DIC的改进变形测量方法原理
本研究提出了一种基于DIC的改进3D变形测量方法,具体解决了两个关键挑战:(1)由相机运动引起的测量误差;(2)在复杂变形场景中的次优相关性质量。方法论框架和工作流程在图1中系统地进行了介绍。
测量过程从使用具有已知几何尺寸的参考板(例如,高精度棋盘)的校准阶段开始。
验证实验
验证实验从两个不同的角度评估了改进的3D DIC技术:开发的自校准方法的可行性(第3.1节)以及针对斑点图像较差的KAZE导向DIC方法的亚像素匹配性能(第3.2节)。
应用于翼模型的负载测试
所提出的方法被应用于一个静态负载测试中,该测试涉及一个皮肤翼模型,以评估其在垂直集中载荷作用下的上表面变形。测试设置如图11所示,包括一个反应框架、一个分布梁和一个加载框架。翼模型的一端被固定,而通过从下表面悬挂重物施加静态集中力。传统的点型传感器往往无法捕捉到全面的变形数据。
结论
本研究解决了3D DIC方法在恶劣测量条件下遇到的两个关键挑战:由于相机运动导致的错误位移以及由于斑点质量低导致的立体匹配失败。主要创新包括:
(1)提出了一种灵活而有效的自校准方法,将KAZE特征与bundle adjustment 结合起来,以补偿由于相机运动引起的测量误差。具体来说,引入了归一化图像域来克服平面的限制
作者声明
我们根据审稿人的评论对手稿进行了重大改进。语言和逻辑得到了改进。关于所提出方法的原理,强调了在校准过程中如何选择匹配特征点对。
CRediT作者贡献声明
何晓园:撰写 – 审稿与编辑,监督。张健:资源,调查。余珊珊:方法论,资金获取,概念化。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了江苏省创新创业博士项目[编号:JSSCBS20221290]和江苏省自然科学基金[编号:SBK2024046294]的财政支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号