CN105258642A - 基于数字图像相关的实时光学引伸计测量方法 - Google Patents

基于数字图像相关的实时光学引伸计测量方法 Download PDF

Info

Publication number
CN105258642A
CN105258642A CN201510644895.7A CN201510644895A CN105258642A CN 105258642 A CN105258642 A CN 105258642A CN 201510644895 A CN201510644895 A CN 201510644895A CN 105258642 A CN105258642 A CN 105258642A
Authority
CN
China
Prior art keywords
delta
search
pixel
points
particle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510644895.7A
Other languages
English (en)
Other versions
CN105258642B (zh
Inventor
张东升
吴�荣
刘斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201510644895.7A priority Critical patent/CN105258642B/zh
Publication of CN105258642A publication Critical patent/CN105258642A/zh
Application granted granted Critical
Publication of CN105258642B publication Critical patent/CN105258642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Processing (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及一种基于数字图像相关的实时光学引伸计测量方法,步骤如下:首先利用两步整像素搜索法快速准确的定位到目标点的整像素位置:第一步通过一种改进的粒子群优化算法(PSO)初步定为到最佳初始值附近的位置d0,第二步利用基于梯度下降搜索法(BBGDS)在d0附近搜索到最佳的初始估计值d1。然后以d1作为反向合成高斯牛顿(IC-GN)亚像素搜索法的初始值进行迭代,从而迅速的搜索到目标点的亚像素位置。最后结合多核并行计算机技术,实现了多点的实时的位移和应变测量。本方法能达到约100帧/秒的处理速度并且与传统的数字图像相关具有等效的精度。

Description

基于数字图像相关的实时光学引伸计测量方法
技术领域
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
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。
为此,近年来研究者引入了一种非接触的光学测量方法——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。
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
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。
为达到上述目的,本发明的构思是:
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。
根据以上发明构思,本发明采用的技术方案如下:
一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:
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d0
2)利用基于梯度下降搜索法,即BBGDS,在d0附近搜索到最佳初始估计值d1
3)以d1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;
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。
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Pi表示第i个微粒的当前位置,vi表示第i个微粒的当前速度;而pbesti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:
vid(t+1)=wvid(t)+c1r1[pbestid-pid(t)]+c2r2[gbestd-vid(t)](1)
pid(t+1)=pid(t)+vid(t+1)(2)
式中,t表示当前种群代数,d=1,2,…,D,w为惯性权重,c1,c2为加速常数,r1,r2是均匀分布于[0,1]的随机数;为了控制微粒向搜索空间[Pd,min,Pd,max]过度的移动,微粒速度设置为在[Vd,min,Vd,max]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):
C ( p ) = 1 - Σ i = - M M Σ j = - M M { f ( x i , y j ) - f ‾ Σ i = - M M Σ j = - M M [ f ( x i , y j ) - f ‾ ] 2 - g ( x i ′ , y j ′ ) - g ‾ Σ i = - M M Σ j = - M M [ g ( x i ′ , y j ′ ) - g ‾ ] 2 } 2 - - - ( 3 )
式中f(xi,yj)和g(x’i,y’j)分别是全局坐标(xi,yj)的参考图和目标图的灰度值;分别是两个子域的平均灰度值;
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3×3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CT=0.75,一旦全局的相关系数gbest大于或等于CT,迭代立即停止,其核心步骤如下:
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;
b)根据公式(1)和(2)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:
w ( i ) = 0.9 - i 2 · G m a x - - - ( 4 )
其中,Gmax为最大截止代数;假如微粒更新后的速度vi>Vmax或vi<Vmin,则令vi=Vmax或vi=Vmin;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;
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;
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d0=(u0,v0),否则返回到步骤b)。
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d0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d1=(u1,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。
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:
C Z N S S D ( &Delta; p ) = &Sigma; &xi; { &lsqb; f ( x + W ( &xi; ; &Delta; p ) ) - f &OverBar; &rsqb; &Delta; f - &lsqb; g ( x + W ( &xi; ; p ) ) - g &OverBar; &rsqb; &Delta; g } 2 - - - ( 5 )
其中,f(x)和g(x)是分别是全局坐标x=[x,y,1]T的参考图和目标图的灰度值;分别是两个子域的平均灰度值;ξ=[Δx,Δy,1]T是计算的子域的局部像素坐标; &Delta; f = &Sigma; &xi; &lsqb; f ( x + W ( &xi; ; &Delta; p ) ) - f &OverBar; &rsqb; 2 &Delta; g = &Sigma; &xi; &lsqb; g ( x + W ( &xi; ; p ) ) - g &OverBar; &rsqb; 2 ; p=(u,ux,uy,v,vx,vy)是变形参数,迭代过程中变形参量的增加量为Δp=(Δu,Δux,Δuy,Δv,Δvx,Δvy);W(ξ;p)为形函数描述了目标子域的变形量:
W ( &xi; ; p ) = 1 + u x u y u v x 1 + v y v 0 0 1 &Delta; x &Delta; y 1 - - - ( 6 )
其中p=(u,ux,uy,v,vx,vy)T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;Δp)表示参考子域的形函数增量矩阵:
W ( &xi; ; &Delta; p ) = 1 + &Delta;u x &Delta;u y &Delta; u &Delta;v x 1 + &Delta;v y &Delta; v 0 0 1 &Delta; x &Delta; y 1 - - - ( 7 )
其中Δp=(Δu,Δux,Δuy,Δv,Δvx,Δvy)T是迭代过程中变形参量的增加量;
因此,通过最小化公式(5)得到Δp的解为:
&Delta;p = - H 6 &times; 6 - 1 &times; &Sigma; &xi; { ( &dtri; f &PartialD; W &PartialD; p ) 6 &times; 1 T [ f ( x + &xi; ) - f - - &Delta;f &Delta;g ( g ( x + W ( &xi; ; p ) ) - g - ) ] } - - - ( 8 )
其中,是参考子域的梯度:
&dtri; f = ( &PartialD; f ( x + &xi; ) &PartialD; x , &PartialD; f ( x + &xi; ) &PartialD; y ) - - - ( 9 )
H是6×6的Hessian矩阵:
H 6 &times; 6 = &Sigma; &xi; [ ( &dtri; f &PartialD; W &PartialD; p ) 6 &times; 1 T &times; ( &dtri; f &PartialD; W &PartialD; p ) ] - - - ( 10 )
其中是Jacobian矩阵:
&part; W &part; p = 1 &Delta; x &Delta; y 0 0 0 0 0 0 1 &Delta; x &Delta; y - - - ( 11 )
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:
W(ξ;p)οW-1(ξ;Δp)→W(ξ;p)(8)
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。
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:
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
图1是本发明方法实现的流程示意图。
图2是粒子群优化算法的流程图。
图3是基于梯度下降搜索法的搜索步骤示意图。
图4是反向合成高斯牛顿亚像素搜索法的基本原理和流程图。
图5是实施例中的金属薄片试样的尺寸示意图(单位mm)。
图6是实施例中的四个目标点在图像中的分布示意图。
图7是实施例中的平均应变-时间曲线。
图8是实施例中的金属薄片试样的应变-疲劳寿命曲线(E-N曲线)。
具体实施方式
本发明的优选实例结合附图详述如下:
实施案例:采用数字图像相关法实时监测金属薄片试样的应变,获得金属的应变-疲劳寿命曲线(E-N曲线)。本方法运行在一台四核的台式计算机上(Inter(R)Core(TM)i5-3470CPU主频3.20GHz,安装内存(RAM)为4GB)。根据本发明提供的测量方法,测量过程为:
a)将金属薄片试样(图5)固定在疲劳实验机上,试样表面具有天然散斑(图6),可方便用于DIC测量。
b)以加载前的图像(未变形的图像)作为参考图,并在参考图中选取4个位置作为被监测的目标点,这4个点被标记为#1,#2,#3和#4,其在图像中的位置分别为p1,p2,p3,p4,分布如图6所示。
c)利用试验机的位移控制对试样进行频率为2Hz正弦的循环加载。测量过程b)中的四个点分别分配到计算机CPU的四个核中进行跟踪,利用提出的PSO算法进行粗略的整像素搜索,其中m=20,Gmax=5,CT=0.75,c1=c2=2,P1,min=-15,P1,max=15,P2,min=-10,P2,max=10,Vd,min=-0.5×(Pd,max-Pd,min),Vd,max=-Vd,min,得到位置分别为记为d01,d02,d03,d04(如图1)。
d)利用基于梯度下降搜索法(BBGDS)在d01,d02,d03,d04附近搜索到最终的初始估计值分别为记为d11,d12,d13,d14(如图1)。
e)以d11,d12,d13,d14分别作为初始估计值,利用反向合成高斯牛顿算法(IC-GN)进行亚像素迭代,能快速的定位到各目标点在变形图中的亚像素位置s1,s2,s3,s4(如图1)。
f)这四个点中,通过跟踪点#1,#2计算出应变跟踪点#3,#4计算应变其中p1p2,p3p4分别表示点#1,#2和点#3,#4在参考图中x方向的像素长度,同样s1s2,s3s4分别表示点#1,#2和点#3,#4在变形图中x方向的像素长度。然后计算这两个应变的平均值并把ε作为最终x方向的应变值。
g)在测量过程中,不断的重复步骤(c)至(f),即可实现金属试样的实时应变测量,图7为实时的测试中其中一段ε-时间曲线。
h)重复步骤(a)至(g),对25个同样的试样进行测量并提取它们稳定时的应变值,从而绘制出该金属试样的应变-疲劳寿命曲线(图8),进而能很好的对该金属材料的疲劳寿命进行预测。

Claims (4)

1.一种基于数字图像相关的实时光学引伸计测量方法,其特征在于,操作步骤如下:
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d0
2)利用基于梯度下降搜索法,即BBGDS,在d0附近搜索到最佳初始估计值d1
3)以d1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;
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。
2.根据权利要求1所述的基于数字图像相关的实时光学引伸计测量方法,其特征在于,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Pi表示第i个微粒的当前位置,vi表示第i个微粒的当前速度;而pbesti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:
vid(t+1)=wvid(t)+c1r1[pbestid-pid(t)]+c2r2[gbestd-vid(t)](1)
pid(t+1)=pid(t)+vid(t+1)(2)
式中,t表示当前种群代数,d=1,2,…,D,w为惯性权重,c1,c2为加速常数,r1,r2是均匀分布于[0,1]的随机数;为了控制微粒向搜索空间[Pd,min,Pd,max]过度的移动,微粒速度设置为在[Vd,min,Vd,max]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):
C ( p ) = 1 - &Sigma; i = - M M &Sigma; j = - M M { f ( x i , y j ) - f &OverBar; &Sigma; i = - M M &Sigma; j = - M M &lsqb; f ( x i , y j ) - f &OverBar; &rsqb; 2 - g ( x i &prime; , y j &prime; ) - g &OverBar; &Sigma; i = - M M &Sigma; j = - M M &lsqb; g ( x i &prime; , y j &prime; ) - g &OverBar; &rsqb; 2 } 2 - - - ( 3 )
式中f(xi,yj)和g(x’i,y’j)分别是全局坐标(xi,yj)的参考图和目标图的灰度值;分别是两个子域的平均灰度值;
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3×3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CT=0.75,一旦全局的相关系数gbest大于或等于CT,迭代立即停止,其核心步骤如下:
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;
b)根据公式(1)和(2)更新所有微粒的速度和位置,式中c1=c2=2,惯性权重w根据公式(4)更新:
w ( i ) = 0.9 - i 2 &CenterDot; G m a x - - - ( 4 )
其中,Gmax为最大截止代数;假如微粒更新后的速度vi>Vmax或vi<Vmin,则令vi=Vmax或vi=Vmin;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;
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;
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d0=(u0,v0),否则返回到步骤b)。
3.根据权利要求1所述的基于数字图像相关的实时光学引伸计测量方法,其特征在于,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d0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d1=(u1,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。
4.根据权利要求1所述的基于数字图像相关的实时光学引伸计测量方法,其特征在于,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:
C Z N S S D ( &Delta; p ) = &Sigma; &xi; { &lsqb; f ( x + W ( &xi; ; &Delta; p ) ) - f &OverBar; &rsqb; &Delta; f - &lsqb; g ( x + W ( &xi; ; p ) ) - g &OverBar; &rsqb; &Delta; g } 2 - - - ( 5 )
其中,f(x)和g(x)是分别是全局坐标x=[x,y,1]T的参考图和目标图的灰度值;分别是两个子域的平均灰度值;ξ=[Δx,Δy,1]T是计算的子域的局部像素坐标; &Delta; f = &Sigma; &xi; &lsqb; f ( x + W ( &xi; , &Delta; p ) ) - f &OverBar; &rsqb; 2 &Delta; g = &Sigma; &xi; &lsqb; g ( x + W ( &xi; , p ) ) - g &OverBar; &rsqb; 2 ; W(ξ;p)为形函数描述了目标子域的变形量:
W ( &xi; ; p ) = 1 + u x u y u v x 1 + v y v 0 0 1 &Delta; x &Delta; y 1 - - - ( 6 )
其中p=(u,ux,uy,v,vx,vy)T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;Δp)表示参考子域的形函数增量矩阵:
W ( &xi; ; &Delta; p ) = 1 + &Delta;u x &Delta;u y &Delta; u &Delta;v x 1 + &Delta;v y &Delta; v 0 0 1 &Delta; x &Delta; y 1 - - - ( 7 )
其中Δp=(Δu,Δux,Δuy,Δv,Δvx,Δvy)T是迭代过程中变形参量的增加量;
因此,通过最小化公式(5)得到Δp的解为:
&Delta; p = - H 6 &times; 6 - 1 &times; &Sigma; &xi; { ( &dtri; f &part; W &part; p ) 6 &times; 1 T &lsqb; f ( x + &xi; ) - f &OverBar; - &Delta; f &Delta; g ( g ( x + W ( &xi; ; p ) ) - g &OverBar; ) &rsqb; } - - - ( 8 )
其中,▽f是参考子域的梯度:
&dtri; f = ( &part; f ( x + &xi; ) &part; x , &part; f ( x + &xi; ) &part; y ) - - - ( 9 )
H是6×6的Hessian矩阵:
H 6 &times; 6 = &Sigma; &xi; &lsqb; ( &dtri; f &part; W &part; p ) 6 &times; 1 T &times; ( &dtri; f &part; W &part; p ) &rsqb; - - - ( 10 )
其中是Jacobian矩阵:
&part; W &part; p = 1 &Delta; x &Delta; y 0 0 0 0 0 0 1 &Delta; x &Delta; y - - - ( 11 )
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:
W(ξ;p)οW-1(ξ;Δp)→W(ξ;p)(12)
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。
CN201510644895.7A 2015-10-03 2015-10-03 基于数字图像相关的实时光学引伸计测量方法 Active CN105258642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510644895.7A CN105258642B (zh) 2015-10-03 2015-10-03 基于数字图像相关的实时光学引伸计测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510644895.7A CN105258642B (zh) 2015-10-03 2015-10-03 基于数字图像相关的实时光学引伸计测量方法

Publications (2)

Publication Number Publication Date
CN105258642A true CN105258642A (zh) 2016-01-20
CN105258642B CN105258642B (zh) 2018-07-13

Family

ID=55098428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510644895.7A Active CN105258642B (zh) 2015-10-03 2015-10-03 基于数字图像相关的实时光学引伸计测量方法

Country Status (1)

Country Link
CN (1) CN105258642B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105783735A (zh) * 2016-05-10 2016-07-20 中国科学技术大学 一种基于二维数字图像相关补偿算法的实时引伸计测量方法
CN106447729A (zh) * 2016-09-08 2017-02-22 中国科学技术大学 一种基于坐标变换的二维数字图像相关补偿方法及二维光学数字图像相关引伸计
CN106485267A (zh) * 2016-09-24 2017-03-08 上海大学 高温环境下材料低周疲劳应变幅的光学测量方法
CN111274673A (zh) * 2020-01-07 2020-06-12 上海索辰信息科技有限公司 基于粒子群优化的光学产品模型优化方法及系统
CN113192012A (zh) * 2021-04-15 2021-07-30 南京航空航天大学 基于改进遗传算法的组合式数字图像相关位移搜索方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102221341A (zh) * 2011-03-16 2011-10-19 中国人民解放军国防科学技术大学 基于随机并行梯度下降优化技术的快速数字图像相关测量方法
CN103913375A (zh) * 2014-02-14 2014-07-09 济南时代试金试验机有限公司 一种基于数字图像相关的拉伸试样形变测量方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102221341A (zh) * 2011-03-16 2011-10-19 中国人民解放军国防科学技术大学 基于随机并行梯度下降优化技术的快速数字图像相关测量方法
CN103913375A (zh) * 2014-02-14 2014-07-09 济南时代试金试验机有限公司 一种基于数字图像相关的拉伸试样形变测量方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
席涛: "二维数字图像相关加速方法与GPU高速实现", 《中国优秀硕士论文全文数据库信息科技辑(月刊)》 *
朱海梅,吴永萍: "一种高速收敛粒子群优化算法", 《控制与决策》 *
杜亚志,王学滨: "基于粒子群算法的整像素数字图像相关方法", 《计算机工程与应用》 *
禹晶 等: "《数字图像处理》", 30 September 2015 *
赵于前 等: "基于粒子群优化与梯度下降法的多模图像配准", 《光电子• 激光》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105783735A (zh) * 2016-05-10 2016-07-20 中国科学技术大学 一种基于二维数字图像相关补偿算法的实时引伸计测量方法
CN105783735B (zh) * 2016-05-10 2018-05-29 中国科学技术大学 一种基于二维数字图像相关补偿算法的实时引伸计测量方法
CN106447729A (zh) * 2016-09-08 2017-02-22 中国科学技术大学 一种基于坐标变换的二维数字图像相关补偿方法及二维光学数字图像相关引伸计
CN106447729B (zh) * 2016-09-08 2019-07-23 中国科学技术大学 一种基于坐标变换的二维数字图像相关补偿方法及二维光学数字图像相关引伸计
CN106485267A (zh) * 2016-09-24 2017-03-08 上海大学 高温环境下材料低周疲劳应变幅的光学测量方法
CN111274673A (zh) * 2020-01-07 2020-06-12 上海索辰信息科技有限公司 基于粒子群优化的光学产品模型优化方法及系统
CN111274673B (zh) * 2020-01-07 2021-02-23 上海索辰信息科技股份有限公司 基于粒子群优化的光学产品模型优化方法及系统
CN113192012A (zh) * 2021-04-15 2021-07-30 南京航空航天大学 基于改进遗传算法的组合式数字图像相关位移搜索方法
CN113192012B (zh) * 2021-04-15 2024-04-16 南京航空航天大学 基于改进遗传算法的组合式数字图像相关位移搜索方法

Also Published As

Publication number Publication date
CN105258642B (zh) 2018-07-13

Similar Documents

Publication Publication Date Title
CN105258642B (zh) 基于数字图像相关的实时光学引伸计测量方法
CN110046379B (zh) 一种基于空间-频率信息的结构整体损伤识别方法
WO2017031718A1 (zh) 弹性物体变形运动的建模方法
CN110532591B (zh) 基于dic-efg联合仿真分析裂纹尖端应变场的方法
Jensen et al. The use of updated robust reliability measures in stochastic dynamical systems
CN103776416B (zh) 一种基于应变传感器的天线结构变形的间接测量方法
Lam et al. Statistical detection of multiple cracks on thin plates utilizing dynamic response
CN112001110A (zh) 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法
CN106485267A (zh) 高温环境下材料低周疲劳应变幅的光学测量方法
CN106909738B (zh) 一种模型参数辨识方法
Balzani et al. Construction of statistically similar representative volume elements
CN111275744B (zh) 基于深度学习及图像处理的非接触振动频率测量方法
Ilg et al. Application of a full-field calibration concept for parameter identification of HS-steel with LS-OPT®
Karadogan et al. Potential use of machine learning to determine yield locus parameters
Valente et al. Parameter identification and shape optimization: An integrated methodology in metal forming and structural applications
CN117150838A (zh) 一种基于视觉信息与物理融合的裂纹损伤智能评估方法
Tiley et al. Quantifying the effect of microstructure variability on the yield strength predictions of Ni-base superalloys
CN112749470B (zh) 一种结构形变传感器布局优化拟合方法
Haas Prediction of Structural Reliability Through an Alternative Variability-Based Methodology
CN117892590B (zh) 一种基于裂缝智能识别和有限元反演的混凝土大坝损伤识别及安全评估方法
Levy et al. Physically-based data assimilation
US11656587B2 (en) Control apparatus, control method, and computer program product
Yang et al. A structural damage quantification method for HFR-video-based modal testing
Kovacs et al. A Jackknife Variance-based Stopping Criterion for Adaptive Verification of Integrated Circuits
Xuefei et al. Metal structure damage location pattern matching method based on virtual damage characteristics

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant