CN103743356A - 建筑物多点实时视频测量方法及测量系统 - Google Patents

Abstract

本发明提供一种建筑物多点实时视频测量方法及测量系统，该方法包括使用摄像头对建筑物进行连续拍摄；图像采集模块按照预设的时间间隔采集拍摄图像；在图像上锁定至少一个图像目标点；以变形前的图像为参考图像，在参考图像中取以图像目标点为中心的矩形区作为参考图像子区，在变形后图像中按照预定义相关函数搜索，寻找与参考图像子区的相关系数为最值的目标图像子区，以确定参考图像子区位移；根据相关参数获得参考图像的像面位移与建筑物物面位移之间的比例关系，得建筑物各点位移曲线；通过显示模块显示位移曲线。无需在被测建筑物上安装发光装置或配合目标；并且可以同时计算一幅图像中的多个目标位置，实现远距离、多个被测点动态同步测量。

Description

建筑物多点实时视频测量方法及测量系统

技术领域

本发明涉及建筑物测量技术，尤其涉及一种建筑物多点实时视频测量方法及测量系统。

背景技术

现有的建筑物变形通常使用经纬仪、水准仪、百分表等仪器来测量，下面以桥梁的挠度测量为例进行说明。

挠度是评价桥梁安全性的重要指标，直接反映桥梁结构形变是否超出危险范围。日前常用的挠度测量方法有经纬仪、水准仪、百分表等，已广泛用于桥梁施工现场检测及验收鉴定中，但这些廉价、结构简单的测量方法只适用于桥梁短期、人工测量，存在费时费力、使用不便、实时测量困难等不足。因此，一些新型的挠度测量方法，如，测量机器人、倾角仪、GPS（GlobalPositioning System，全球定位系统的简称）、激光图像法、连通管法、光电成像法等逐渐应用于大型桥梁结构挠度监测中，可实现长期自动测量。

在这些新型的挠度测量方法中，在实际应用中，也存在着这样那样的问题，如，需接触式测量，需在被测桥梁上安装光电发射装置、或光电接收装置、或棱镜、或贴反光膜、测量精度不高、测试时仪器需靠近被测桥梁、无法实现多点动态同步测量等。

发明内容

本发明提供一种建筑物多点实时视频测量方法，用于克服现有技术中的缺陷，实现建筑物非接触、远距离多点实时测量，大大降低建筑物多点动、静态测量的难度和工作量，提高测量效率。

本发明提供一种建筑物多点实时视频测量方法，包括以下步骤：

步骤1，使用摄像头对建筑物进行连续拍摄，并将拍摄图像存储于存储模块中；使用测距仪测量摄像头成像像面到所述建筑物之间的距离；

步骤2，图像采集模块按照预设的时间间隔采集存储在所述存储模块中的图像；

步骤3，在所述图像采集模块采集的图像上锁定至少一个图像目标点；以变形前的图像为参考图像，在参考图像中取以所述图像目标点为中心的矩形参考图像子区，在变形后的图像中按照预定义的相关函数进行搜索，寻找与参考图像子区的相关系数为最大值或最小值的以图像目标点为中心的目标图像子区，以确定参考图像子区的位移；

步骤4，根据所述摄像头自身的参数、安装参数以及上述摄像头成像像面到所述建筑物之间的距离，获得参考图像的像面位移与建筑物物面位移之间的比例关系，进而得到所述建筑物上与各图像目标点对应的实际目标点随时间变化的位移曲线；

步骤5，通过显示模块显示上述各实际目标点的位移曲线。

本发明提供的建筑物多点实时视频测量方法，采用数字图像相关方法，通过处理建筑物结构变形前后被测点表面的数字图像直接获得位移和形变信息，这里的被测点根据建筑物成像后在图像采集模块采集的图像中选定即图像目标点，被测物体变形前后的两幅数字图像，即变形前的参考场和变形后的变形场；在变形前的图像中，取以所求图像目标点（x，y）为中心的矩形子区即模板，在变形后的图像中通过一定的搜索方法，并按相关函数来进行相关计算，寻找与模板的相关系数C为极值的以（x’，y’）为中心的矩形区域以确定目标点的位移。其中，相关系数C是刻画参考场f(x，y)和变形场g（x’，y’）在某种条件下相似程度的函数；由于该方法中被测点表面的灰度信息通过自然光照明直接获得，所以无需在被测建筑物上安装发光装置或配合目标；并且可以同时计算一幅图像中的多个目标位置，实现远距离、多个被测点动态同步测量。

本发明还提供一种建筑物多点实时视频测量系统，该系统包括：

摄像头，固定在支架上，用于连续拍摄建筑物的图像；

所述支架，用于支承和固定所述摄像头；

测距仪，用于测量所述摄像头成像系统到所述建筑物之间的距离；

存储模块，与所述摄像头连接，用于存储摄像头拍摄的图像；

图像采集模块，与所述存储模块连接，用于按照预设的时间间隔采集存储在所述存储模块中的图像；

目标图像位移获取模块，在所述图像采集模块采集的图像上锁定至少一个图像目标点；以变形前的图像为参考图像，在参考图像中取以所述图像目标点为中心的矩形参考图像子区，在变形后的图像中按照预定义的相关函数进行搜索，寻找与参考图像子区的相关系数为最大值或最小值的以图像目标点为中心的目标图像子区，以确定参考图像子区的位移；

实际目标点位移获取模块，与所述测距仪连接，根根据所述摄像头自身的参数、安装参数以及上述摄像头成像像面到所述建筑物之间的距离，获得参考图像的像面位移与建筑物物面位移之间的比例关系，进而得到所述建筑物上与各图像目标点对应的实际目标点随时间变化的位移曲线；

显示模块，与所述建筑物目标点位移获取模块连接，用于显示上述各实际目标点的位移曲线。

本发明提供的建筑物多点实时视频测量系统，通过摄像头对建筑物连续拍摄，拍摄的图像存在存储模块中，通过图像采集模块按照拍摄顺序对图像进行采集，以采集的第一幅图像为参考图像，并在参考图像中选定与建筑物上被测点对应的点作为图像目标点，并在参考图像中取以图像目标点为中心的矩形区作为参考图像子区，通过预先在目标图像位移获取模块的程序中设定相关函数，即可在采集的第二幅图像中搜索到与参考图像子区的相关系数为最大值或最小值的目标图像子区，从而可以确定第一幅图像中参考图像子区的位移；再以第二幅图像为参考图像，再通过上述相关函数，即可在采集的第三幅图像中搜索到与第二幅图像中参考图像子区的相关系数为最大值或最小值的目标图像子区，从而可以确定第二幅图像中参考图像子区的位移；依次循环，可以获得最后第N幅图像中参考图像子区的位移；如果依次在参考图像中选定多个图像目标点，并取多个图像目标子区，则程序可同时运行，即可同时根据相关函数搜索确定参考图像子区的位移；实际目标点位移获取模块根据已知参数可以获得参考图像的像面位移与建筑物物面位移之间的比例系数，将上述参考图像子区的位移均乘以上述比例系数即可获得建筑物上与各图像目标点对应的实际目标点的位移；继而可得以每次采集图像的时间为横坐标、以实际目标点的位移为纵坐标的位移曲线；被测点即实物目标点表面的灰度信息通过自然光照明直接获得，所以无需在被测建筑物上安装发光装置或配合目标；并且可以同时计算一幅图像中的多个目标位置，实现远距离、多个被测点动态同步测量，提高了测量效率。

附图说明

图1为本发明实施例提供的建筑物多点实时视频测量系统的结构示意图；

图2为变形前后图像子区的示意图；

图3为程序迭代流程图。

具体实施方式

如图1-3所示，本发明实施例提供一种建筑物多点实时视频测量方法，包括以下步骤：

步骤1，使用摄像头对建筑物进行连续拍摄，并将拍摄图像存储于存储模块中；使用测距仪测量摄像头成像系统到建筑物之间的距离；

步骤2，图像采集模块按照预设的时间间隔采集存储在存储模块中的图像；

步骤3，在图像采集模块采集的图像上锁定至少一个图像目标点；以变形前的图像为参考图像，在参考图像中取以图像目标点为中心的矩形参考图像子区，在变形后的图像中按照预定义的相关函数进行搜索，寻找与参考图像子区的相关系数为最大值或最小值的以图像目标点为中心的目标图像子区，以确定参考图像子区的位移；

步骤4，根据摄像头自身的参数、安装参数以及上述各参考图像相对于目标图像的位移获得参考图像的像面位移与建筑物的表面位移之间的比例关系，进而得到建筑物上与各图像目标点对应的实际目标点随时间变化的位移曲线；

步骤5，通过显示模块显示上述各实际目标点的位移曲线。

本发明提供的建筑物多点实时视频测量方法，采用数字图像处理方法，通过处理建筑物结构变形前后被测点表面的数字图像直接获得位移和形变信息，这里的被测点根据建筑物成像后在图像采集模块采集的图像中选定，即图像目标点，被测物体变形前后的两幅数字图像，即变形前的参考场和变形后的变形场；在变形前的图像中，取以所求图像目标点（x，y）为中心的矩形子区即模板，在变形后的图像中通过一定的搜索方法，并按相关函数来进行相关计算，寻找与模板的相关系数C为极值的以（x’，y’）为中心的矩形区域以确定目标点的位移。其中，相关系数C是刻画参考场f(x，y)和变形场g（x’，y’）在某种条件下相似程度的函数；由于该方法中被测点表面的灰度信息通过自然光照明直接获得，所以无需在被测建筑物上安装发光装置或配合目标；并且可以同时计算一幅图像中的多个目标位置，实现远距离、多个被测点动态同步测量。

作为上述实施例的进一步地改进：

如图2、图3所示，步骤3包括以下步骤：

步骤31，在图像采集模块采集的图像上锁定至少一个图像目标点，若图像目标点在（x₀,y₀）；

步骤32，以变形前的图像为参考图像，在参考图像中取以图像目标点（x₀,y₀）为中心的矩形区作为参考图像子区；变形后的图像为目标图像，假设参考图像子区中的各点（x，y）与变形后的目标图像子区中各点（x',y'）按照如下函数关系一一对应：

$x^{\′}=x_0+\mathrm{\Δx}+u+\frac{\∂u}{\∂x}\mathrm{\Δx}+\frac{\∂u}{\∂y}\mathrm{\Δy},$

$y^{\′}=y_0+\mathrm{\Δy}+v+\frac{\∂v}{\∂x}\mathrm{\Δx}+\frac{\∂v}{\∂y}\mathrm{\Δy},$

其中，u，v分别为参考图像子区中心在x，y方向的位移值，（Δx,Δy）为点（x，y）到参考图像子区中心（x₀,y₀）的距离，u_x,u_y,v_x,v_y为目标图像子区的位移梯度；

步骤33，预定义相关函数为C_f,g(p)，其中p=(u,u_x,u_y,v,v_x,v_y)^T，令相关函数C_f,g(p)的梯度为0，从而获得待求变形参数矢量p，进而获得u，v值。

作为上述实施例的进一步地改进：

步骤32中的参考图像子区大小为(2M+1)×(2M+1)；其中M为局部位移场中各数据点的局部坐标；

步骤33中的相关函数如下：

$C_{f,g}\left(p\right)=\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\left[\begin{array}{c}\frac{f(x,y)-f_m}{\sqrt{\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}{[f(x,y)-f_m]}^2}}\\ \frac{g(x^{\′},y^{\′})-g_m}{\sqrt{\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}{[g(x^{\′},y^{\′})-g_m]}^2}}\end{array}\right]$

其中；

$f_m=\frac{1}{{(2M+1)}^2}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{y=-M}{\overset{M}{\mathrm{\Σ}}}\left[f(x,y)\right],$

$g_m=\frac{1}{{(2M+1)}^2}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{y=-M}{\overset{M}{\mathrm{\Σ}}}\left[g(x^{\′},y^{\′})\right],$

上述公式中，f(x,y)是参考图像子区的灰度函数，g(x',y')是目标图像子区的灰度函数，f_m是参考图像子区的灰度平均值，g_m是目标图像子区的灰度平均值；

对相关函数C_f,g(p)的一次偏导数进行计算：

令：

$\▿C_{f,g}\left(p\right)=0$

由上式获得待求变形参数矢量p，从而获得u，v值。

本实施例中使用归一化最小平方距离相关函数，该相关函数实际上可从最常用的标准协方差互相关函数推导得到，与其他相关函数相比，该相关幻术的相关峰是全场唯一且尖锐，因而能更准确地寻找到整个搜索区域的相关函数极值，并且相关函数的抗干扰性与其他相关函数相比，它对目标图像子区灰度的线性变换不敏感，如对图像目标子区的灰度函数做如下线性变换：

g'(x',y')=a×g(x',y')+b

则a，b均为常量系数，按上述相关函数计算的相关系数值维持不变，即不影响像面位移的计算结果。

作为上述实施例的优选方式：

对步骤33中的相关函数的一次偏导数采用Newton－Raphson迭代法进行优化求解，并以整像素位移搜索结果为迭代初值，当待求变形参数矢量P使变形前后图像子区灰度最为相似时，目标函数取得最小值，此时其灰度梯度为0：

$\▿C\left(p^{i+1}\right)=\▿C\left(p^i\right)+\▿\▿C\left(p^i\right)(p^{i+1}-p^i)=0;$

为赫斯矩阵，对赫斯矩阵进行简化：

为相关函数的一阶梯度向量，

为相关函数的二阶梯度向量，pⁱ为迭代值。

迭代公式如下：

$p^{i+1}=p^i-\frac{\▿C\left(p^i\right)}{\▿\▿C\left(p^i\right)};$

收敛公式如下：

∣pⁱ⁺¹-pⁱ∣≤ε；

首先将迭代值pⁱ代入上述迭代公式进行计算，得出pⁱ⁺¹；然后将pⁱ、pⁱ⁺¹

代入上述收敛公式进行计算，判断是否收敛，如果满足则输出待求变形参数矢量p，转入下一图像目标点进行迭代；如果不满足收敛公式，则再次

pⁱ⁺²  pⁱ⁺¹  pⁱ⁺²

返回上述迭代公式计算，然后将、代入上述收敛公式进行计算，再次判断是否收敛，如果收敛则输出待求变形参数矢量p；如果不满足收敛公式，再次迭代，止到输出待求变形参数矢量p。计算流程参见如图3。

由于数字图像记录的是离散的灰度信息，在利用相关函数进行搜索时窗口的平移只能以整像素为单位来进行，因此获得的位移只能是像素的整数倍。但是实际上位移值一般不恰好为整像素，尤其当测量距离较远时，结果常常为几分之一甚至几百分之一像素。由于变形初值估计只能获得比较粗糙的解，为提高数字图像相关方法的测量精度，采用Newton－Raphson方法进行亚像素位移测量，该方法不仅考虑参考图像子区中心位置的变化，而且考虑参考图像子区形状的变化（正应变、剪应变、转动及其组合），更复合实际的变形情况。

在上述实施例的基础上：

步骤4包括以下步骤：

步骤41，在二维数字图像测量系统中，由摄像头像元大小w、传感器幅面尺寸s、摄像头焦距f、通过支架安装后摄像头的垂直仰角α、水平夹角β、实际目标点在图像中的成像位置（x，y）以及实际目标点与摄像头成像像面的实际距离d，获得实际目标点在像面与物面的比例系数：

K(X,Y)=k[w,s,f,α,β,(x,y),d]；

步骤42，若像面位移为：[u(x,y),v(x,y)]，物面位移为：

[U(X,Y),V(X,Y)]，则像面位移与的物面位移比例关系如下：

u(x,y)=KU(X,Y)，v(x,y)=KV(X,Y)；

由步骤3可得像面位移值，由步骤41可得在像面与物面的比例系数；进而获得物面位移值；

步骤43，根据物面位移值获得各实际目标点的随时间变化的位移曲线。

如图1所示，本发明实施例还提供一种建筑物多点实时视频测量系统，该系统包括摄像头1、支架2、测距仪3、存储模块4、图像采集模块5、目标图像位移获取模块6、实际目标点位移获取模块7和显示模块8；

摄像头1，固定在支架2上，用于连续拍摄建筑物10的图像；摄像头1可选用工业照相机或工业摄像头；

支架2，用于支承和固定摄像头1；

测距仪3，用于测量摄像头成像像面到建筑物10之间的距离；

存储模块4，与摄像头1连接，用于存储摄像头1拍摄的图像；

图像采集模块5，与存储模块4连接，用于按照预设的时间间隔采集存储在存储模块4中的图像；

目标图像位移获取模块6，在图像采集模块5采集的图像上锁定至少一个图像目标点；以变形前的图像为参考图像，在参考图像中取以图像目标点为中心的矩形区作为参考图像子区，在变形后的图像中按照预定义的相关函数进行搜索，寻找与参考图像子区的相关系数为最大值或最小值的目标图像子区，以确定参考图像子区的位移；

实际目标点位移获取模块7，与测距仪3连接，根据摄像头1自身的参数、安装参数以及上述摄像头成像像面到建筑物之间的距离，获得参考图像的像面位移与建筑物物面位移之间的线性比例关系，进而得到建筑物上与各图像目标点对应的实际目标点随时间变化的位移曲线；

显示模块8，与建筑物目标点位移获取模块连接，用于显示上述各实际目标点的位移曲线。

上述存储模块4、图像采集模块5、目标图像位移获取模块6、实际目标点位移获取模块7和显示模块8可以通过集成在计算机20上。

本发明提供的建筑物多点实时视频测量系统，通过摄像头对建筑物连续拍摄，拍摄的图像存在存储模块中，通过图像采集模块按照拍摄顺序对图像进行采集，以采集的第一幅图像为参考图像，并在参考图像中选定与建筑物上被测点对应的点作为图像目标点，并在参考图像中取以图像目标点为中心的矩形区作为参考图像子区，通过预先在目标图像位移获取模块的程序中设定相关函数，即可在采集的第二幅图像中搜索到与参考图像子区的相关系数为最大值或最小值的目标图像子区，从而可以确定第一幅图像中参考图像子区的位移；再以第二幅图像为参考图像，再通过上述关函数，即可在采集的第三幅图像中搜索到与第二幅图像中参考图像子区的相关系数为最大值或最小值的目标图像子区，从而可以确定第二幅图像中参考图像子区的位移；依次循环，可以获得最后第N幅图像中参考图像子区的位移；如果依次在参考图像中选定多个图像目标点，并取多个图像目标子区，则程序可同时运行，即可同时根据相关函数搜索确定参考图像子区的位移；实际目标点位移获取模块根据已知参数可以获得参考图像的像面位移与建筑物物面位移之间的比例系数，将上述参考图像子区的位移均乘以上述比例系数即可获得建筑物上与各图像目标点对应的实际目标点的位移；继而可得以每次采集图像的时间为横坐标、以实际目标点的位移为纵坐标的位移曲线；被测点即实物目标点表面的灰度信息通过自然光照明直接获得，所以无需在被测建筑物上安装发光装置或配合目标；并且可以同时计算一幅图像中的多个目标位置，实现远距离、多个被测点动态同步测量，提高了测量效率。

作为上述实施例的进一步的改进：

目标图像位移获取模块包括图像目标锁定模块、目标图像子区获取模块和参考图像子区位移获取模块；

图像目标锁定模块，用于在图像采集模块采集的图像上锁定至少一个图像目标点；

目标图像子区获取模块，以变形前的图像为参考图像，在参考图像中取以图像目标点（x₀,y₀）为中心的矩形参考图像子区；以变形后的图像为目标图像，建立参考图像子区中各点（x，y）与目标图像子区中各点（x’，y’）之间一一对应的函数关系：

$x^{\′}=x_0+\mathrm{\Δx}+u+\frac{\∂u}{\∂x}\mathrm{\Δx}+\frac{\∂u}{\∂y}\mathrm{\Δy},$

$y^{\′}=y_0+\mathrm{\Δy}+v+\frac{\∂v}{\∂x}\mathrm{\Δx}+\frac{\∂v}{\∂y}\mathrm{\Δy},$

其中，u，v分别为参考图像子区中心在x，y方向的位移值，（Δx,Δy）为点（x，y）到参考图像子区中心（x₀,y₀）的距离，u_x,u_y,v_x,v_y为目标图像子区的位移梯度；

参考图像子区位移获取模块，预定义相关函数为C_f,g(p)，其中p=(u,u_x,u_y,v,v_x,v_y)^T，令相关函数C_f,g(p)的梯度为0，从而获得待求变形参数矢量p，进而获得u，v值。

预定义相关函数为：

$C_{f,g}\left(p\right)=\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\left[\begin{array}{c}\frac{f(x,y)-f_m}{\sqrt{\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}{[f(x,y)-f_m]}^2}}\\ \frac{g(x^{\′},y^{\′})-g_m}{\sqrt{\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}{[g(x^{\′},y^{\′})-g_m]}^2}}\end{array}\right]$

其中；

$f_m=\frac{1}{{(2M+1)}^2}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{y=-M}{\overset{M}{\mathrm{\Σ}}}\left[f(x,y)\right],$

$g_m=\frac{1}{{(2M+1)}^2}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{y=-M}{\overset{M}{\mathrm{\Σ}}}\left[g(x^{\′},y^{\′})\right],$

上述公式中，f(x,y)是参考图像子区的灰度函数，g(x',y')是目标图像子区的灰度函数，f_m是参考图像子区的灰度平均值，g_m是目标图像子区的灰度平均值;

对上述相关函数C_f,g(p)的一次偏导数进行计算：

令：

$\▿C_{f,g}\left(p\right)=0$

由上式获得待求变形参数矢量p，从而获得u，v值。

作为上述实施例的优选实施方式：

目标图像子区获取模块还包括：优化处理模块；

优化处理模块用于对相关函数的一次偏导数采用Newton－Raphson迭代法进行优化求解，并以整像素位移搜索结果为迭代初值，当待求变形参数矢量P使变形前后图像子区灰度最为相似时，目标函数取得最小值，此时其灰度梯度为0：

$\▿C\left(p^{i+1}\right)=\▿C\left(p^i\right)+\▿\▿C\left(p^i\right)(p^{i+1}-p^i)=0;$

为赫斯矩阵，对赫斯矩阵进行简化：

为相关函数的一阶梯度向量，

为相关函数的二阶梯度向量，pⁱ为迭代值。

在上述实施例的基础上：

实际目标点位移获取模块中摄像头自身的参数包括：摄像头像元大小w、传感器幅面尺寸s和摄像头焦距f；

摄像头安装参数包括：支架安装后摄像头的垂直仰角α和水平夹角β；

在二维数字图像测量系统中，实际目标点在图像中的成像位置（x，y），摄像头成像像面到建筑物之间的距离即实际目标点与像面的实际距离d，则实际目标点在像面与物面的比例系数为：

K(X,Y)=k[w,s,f,α,β,(x,y),d]；

若像面位移为：

[u(x,y),v(x,y)]，

物面位移为：

[U(X,Y),V(X,Y)]，

则像面位移与的物面位移比例关系如下：

u(x,y)=KU(X,Y)，v(x,y)=KV(X,Y)。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种建筑物多点实时视频测量方法，其特征在于，包括以下步骤：

步骤1，使用摄像头对建筑物进行连续拍摄，并将拍摄图像存储于存储模块中；使用测距仪测量摄像头成像像面到所述建筑物之间的距离；

步骤2，图像采集模块按照预设的时间间隔采集存储在所述存储模块中的图像；

步骤3，在所述图像采集模块采集的图像上锁定至少一个图像目标点；以变形前的图像为参考图像，在参考图像中取以所述图像目标点为中心的矩形区作为参考图像子区，在变形后的图像中按照预定义的相关函数进行搜索，寻找与参考图像子区的相关系数为最大值或最小值的目标图像子区，以确定参考图像子区的位移；

步骤4，根据所述摄像头自身的参数、安装参数以及上述摄像头成像像面到所述建筑物之间的距离，获得参考图像的像面位移与建筑物物面位移之间的比例关系，进而得到所述建筑物上与各图像目标点对应的实际目标点随时间变化的位移曲线；

步骤5，通过显示模块显示上述各实际目标点的位移曲线。

2.根据权利要求1所述的建筑物多点视频测量方法，其特征在于：

所述步骤3包括：

步骤31，在图像采集模块采集的图像上锁定至少一个图像目标点，若图像目标点在（x₀,y₀）；

步骤32，以变形前的图像为参考图像，在参考图像中取以图像目标点（x₀,y₀）为中心的矩形区为参考图像子区；变形后的图像为目标图像，假设参考图像子区中的各点（x，y）与变形后的目标图像子区中各点（x',y'）按照如下函数关系一一对应：

$x^{\′}=x_0+\mathrm{\Δx}+u+\frac{\∂u}{\∂x}\mathrm{\Δx}+\frac{\∂u}{\∂y}\mathrm{\Δy},$

$y^{\′}=y_0+\mathrm{\Δy}+v+\frac{\∂v}{\∂x}\mathrm{\Δx}+\frac{\∂v}{\∂y}\mathrm{\Δy},$

其中，u，v分别为参考图像子区中心在x，y方向的位移值，（Δx,Δy）为点（x，y）到参考图像子区中心（x₀,y₀）的距离，u_x,u_y,v_x,v_y为目标图像子区的位移梯度；

步骤33，预定义相关函数为C_f,g(p)，其中p=(u,u_x,u_y,v,v_x,v_y)^T，令相关函数C_f,g(p)的梯度为0，从而获得待求变形参数矢量p，进而获得u，v值。

3.根据权利要求2所述的建筑物多点视频测量方法，其特征在于：

步骤32中的参考图像子区大小为(2M+1)×(2M+1)；其中M为局部位移场中各数据点的局部坐标；

步骤33中的相关函数如下：

$C_{f,g}\left(p\right)=\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\left[\begin{array}{c}\frac{f(x,y)-f_m}{\sqrt{\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}{[f(x,y)-f_m]}^2}}\\ \frac{g(x^{\′},y^{\′})-g_m}{\sqrt{\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}{[g(x^{\′},y^{\′})-g_m]}^2}}\end{array}\right]$

其中；

$f_m=\frac{1}{{(2M+1)}^2}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{y=-M}{\overset{M}{\mathrm{\Σ}}}\left[f(x,y)\right],$

$g_m=\frac{1}{{(2M+1)}^2}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{y=-M}{\overset{M}{\mathrm{\Σ}}}\left[g(x^{\′},y^{\′})\right],$

上述公式中，f(x,y)是参考图像子区的灰度函数，g(x',y')是目标图像子区的灰度函数，f_m是参考图像子区的灰度平均值，g_m是目标图像子区的灰度平均值；

对上述相关函数C_f,g(p)的一次偏导数进行计算：

令：

$\▿C_{f,g}\left(p\right)=0$

由上式获得待求变形参数矢量p，从而获得u，v值。

4.根据权利要求3所述的建筑物多点视频测量方法，其特征在于：

对步骤33中的相关函数的一次偏导数采用Newton－Raphson迭代法进行优化求解，并以整像素位移搜索结果为迭代初值，当待求变形参数矢量P使变形前后图像子区灰度最为相似时，目标函数取最小值，此时其灰度梯度为0：

$\▿C\left(p^{i+1}\right)=\▿C\left(p^i\right)+\▿\▿C\left(p^i\right)(p^{i+1}-p^i)=0;$

为赫斯矩阵，对赫斯矩阵进行简化：

为相关函数的一阶梯度向量，

为相关函数的二阶梯度向量，pⁱ为迭代值。

5.根据权利要求1-4任一所述的建筑物多点视频测量方法，其特征在于：

所述步骤4包括以下步骤：

步骤41，在二维数字图像测量系统中，由摄像头像元大小w、传感器幅面尺寸s、摄像头焦距f、通过支架安装后摄像头的垂直仰角α、水平夹角β、实际目标点在图像中的成像位置（x，y）以及实际目标点与摄像头成像像面的实际距离d，获得实际目标点在像面与物面的比例系数：

K(X,Y)=k[w,s,f,α,β,(x,y),d]；

步骤42，若像面位移为：[u(x,y),v(x,y)]，物面位移为：

[U(X,Y),V(X,Y)]，则像面位移与的物面位移比例关系如下：

u(x,y)=KU(X,Y)，v(x,y)=KV(X,Y)；

由步骤3可得像面位移值，由步骤41可得在像面与物面的比例系数；进而获得物面位移值；

步骤43，根据物面位移值获得各实际目标点的随时间变化的位移曲线。

6.一种建筑物多点实时视频测量系统，其特征在于，该系统包括：

摄像头，固定在支架上，用于连续拍摄建筑物的图像；

所述支架，用于支承和固定所述摄像头；

测距仪，用于测量所述摄像头成像像面到所述建筑物之间的距离；

存储模块，与所述摄像头连接，用于存储摄像头拍摄的图像；

图像采集模块，与所述存储模块连接，用于按照预设的时间间隔采集存储在所述存储模块中的图像；

目标图像位移获取模块，在所述图像采集模块采集的图像上锁定至少一个图像目标点；以变形前的图像为参考图像，在参考图像中取以所述图像目标点为中心的矩形区作为参考图像子区，在变形后的图像中按照预定义的相关函数进行搜索，寻找与参考图像子区的相关系数为最大值或最小值的目标图像子区，以确定参考图像子区的位移；

实际目标点位移获取模块，与所述测距仪连接，根据所述摄像头自身的参数、安装参数以及上述摄像头成像像面到所述建筑物之间的距离，获得参考图像的像面位移与建筑物物面位移之间的比例关系，进而得到所述建筑物上与各图像目标点对应的实际目标点随时间变化的位移曲线；

显示模块，与所述建筑物目标点位移获取模块连接，用于显示上述各实际目标点的位移曲线。

7.根据权利要求6所述的建筑物多点实时视频测量系统，其特征在于：

所述目标图像位移获取模块包括：

图像目标锁定模块，用于在图像采集模块采集的图像上锁定至少一个图像目标点；

目标图像子区获取模块，以变形前的图像为参考图像，在参考图像中取以图像目标点（x₀,y₀）为中心的矩形参考图像子区；以变形后的图像为目标图像，建立参考图像子区中各点（x，y）与目标图像子区中各点（x’，y’）之间一一对应的函数关系：

$x^{\′}=x_0+\mathrm{\Δx}+u+\frac{\∂u}{\∂x}\mathrm{\Δx}+\frac{\∂u}{\∂y}\mathrm{\Δy},$

$y^{\′}=y_0+\mathrm{\Δy}+v+\frac{\∂v}{\∂x}+\frac{\∂v}{\∂y}\mathrm{\Δy},$

其中，u，v分别为参考图像子区中心在x，y方向的位移值，（Δx,Δy）为点（x，y）到参考图像子区中心（x₀,y₀）的距离，u_x,u_y,v_x,v_y为目标图像子区的位移梯度；

参考图像子区位移获取模块，预定义相关函数为C_f,g(p)，其中p=(u,u_x,u_y,v,v_x,v_y)^T，令相关函数C_f,g(p)的梯度为0，从而获得待求变形参数矢量p，进而获得u，v值。

8.根据权利要求7所述的建筑物多点实时视频测量系统，其特征在于：

所述预定义相关函数为：

$C_{f,g}\left(p\right)=\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\left[\begin{array}{c}\frac{f(x,y)-f_m}{\sqrt{\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}{[f(x,y)-f_m]}^2}}\\ \frac{g(x^{\′},y^{\′})-g_m}{\sqrt{\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}{[g(x^{\′},y^{\′})-g_m]}^2}}\end{array}\right]$

其中；

$f_m=\frac{1}{{(2M+1)}^2}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{y=-M}{\overset{M}{\mathrm{\Σ}}}\left[f(x,y)\right],$

$g_m=\frac{1}{{(2M+1)}^2}\underset{x=-M}{\overset{M}{\mathrm{\Σ}}}\underset{y=-M}{\overset{M}{\mathrm{\Σ}}}\left[g(x^{\′},y^{\′})\right],$

上述公式中，f(x,y)是参考图像子区的灰度函数，g(x',y')是目标图像子区的灰度函数，f_m是参考图像子区的灰度平均值，g_m是目标图像子区的灰度平均值;

对上述相关函数C_f,g(p)的一次偏导数进行计算：

令：

$C_{f,g}\left(p\right)=0$

由上式获得待求变形参数矢量p，从而获得u，v值。

9.根据权利要求8所述的建筑物多点视频测量系统，其特征在于：

所述目标图像子区获取模块还包括：优化处理模块；

所述优化处理模块用于对相关函数的一次偏导数采用Newton－Raphson迭代法进行优化求解，并以整像素位移搜索结果为迭代初值，当待求变形参数矢量P使变形前后图像子区灰度最为相似时，目标函数取得最小值，此时

其灰度梯度为0：

$\▿C\left(p^{i+1}\right)=\▿C\left(p^i\right)+\▿\▿C\left(p^i\right)(p^{i+1}-p^i)=0;$

为赫斯矩阵，对赫斯矩阵进行简化：

为相关函数的一阶梯度向量，

为相关函数的二阶梯度向量，pⁱ为迭代值。

10.根据权利要求6-9任一所述的建筑物多点视频测量系统，其特征在于：

所述实际目标点位移获取模块中摄像头自身的参数包括：摄像头像元大小w、传感器幅面尺寸s和摄像头焦距f；

所述摄像头安装参数包括：支架安装后摄像头的垂直仰角α和水平夹角β；

在二维数字图像测量系统中，实际目标点在图像中的成像位置（x，y），摄像头成像像面到所述建筑物之间的距离即实际目标点与像面的实际距离d，则实际目标点在像面与物面的比例系数为：

K(X,Y)=k[w,s,f,α,β,(x,y),d]；

若像面位移为：[u(x,y),v(x,y)]，物面位移为：

[U(X,Y),V(X,Y)]，则像面位移与的物面位移比例关系如下：

u(x,y)=KU(X,Y)，v(x,y)=KV(X,Y)。

Images