CN106441138B - 基于视觉测量的变形监测方法 - Google Patents
基于视觉测量的变形监测方法 Download PDFInfo
- Publication number
- CN106441138B CN106441138B CN201610892316.5A CN201610892316A CN106441138B CN 106441138 B CN106441138 B CN 106441138B CN 201610892316 A CN201610892316 A CN 201610892316A CN 106441138 B CN106441138 B CN 106441138B
- Authority
- CN
- China
- Prior art keywords
- mark
- camera
- connecting line
- deformation monitoring
- displacement
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 84
- 238000005259 measurement Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000006073 displacement reaction Methods 0.000 claims abstract description 58
- 235000012431 wafers Nutrition 0.000 claims description 27
- 230000000007 visual effect Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 14
- 239000003550 marker Substances 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000003014 reinforcing effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 13
- 238000013461 design Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000012937 correction Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 230000011514 reflex Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种基于视觉测量的变形监测方法，属于变形监测技术领域，包括以下步骤：设计变形监测的标志板，标志板为白色的底板和设置在底板上的四个黑色的圆片，圆片的边界不能相切或相交或重合，两个圆片的圆心连线为第一连线，剩余两个圆片的圆心连线为第二连线，第一连线和第二连线垂直相交；建立不同分辨率的特征轮廓模型；采集不同时间点的后续图像，精确提取后续图像上椭圆的中心坐标，即为标志点的坐标；计算标志点在后续图像中的位移，并对计算得到的位移进行校正处理，得到标志点的实际位移。该基于视觉测量的变形监测方法，操作简单、自动化程度高、成本低、精度高、数据处理简单、效率高。
Description
技术领域
本发明涉及变形监测技术领域，特别地，涉及一种基于视觉测量的变形监测方法。
背景技术
变形监测是使用专业的测量仪器与配套仪器对变形体的形状、大小及位置变化进行持续地观测，其对测量精度和可靠性要求非常高。目前常用的大地测量变形监测技术主要有全站仪、GNSS、水准测量等，这些技术具有精度高的优点，但成本较高；位移传感器等变形监测仪器需要在监测结构体上进行安装，施工难度较大。
视觉测量是一种非接触式测量方法，具有简便低廉的优点。随着数码相机技术的发展，普通数码相机的成像质量越来越好，为利用视觉测量技术进行精密测量提供了基础。目前，利用视觉测量进行变形监测主要有两种方式：一种是针对变形体的三维重建技术，该方式具有简便灵活、可以反映目标的整体形态及三维变形趋势等优点，是目前视觉变形监测的主要方式之一，但是当变形目标表面纹理简单、拍摄距离较远、拍摄角度过小时，三维重建精度会受到特征点数量不足、光线交会误差过大等因素影响；当变形目标范围较大或无稳定参考点时，三维重建也难以提供合理、可靠的变形监测成果。另一种是针对监测目标的视觉跟踪技术，常用于二维位移监测，根据观测条件及数据处理技术的不同，又可分为室内与室外测量两类；其中室内测量由于受光照、空气湿度等的影响，如隧道、矿井等环境，因此更加注重对图像的精细化处理，但是监测距离普遍较短，无法应用在大范围、远距离的变形监测中，因此常用于工业测量；室外测量主要针对大坝、桥梁和建筑物等变形体，需采用长焦镜头等设备，目前室外测量研究主要集中在高动态测量，例如利用笔记本电脑、摄像机、长焦镜头等设备，对大桥进行实时二维位移变形监测；利用摄像机对高层建筑的倾斜度进行实时监测等，都取得了较好的实验结果，但是这些应用的监测距离都没有超过20m，而且监测时间较短，忽视了长时间监测时环境以及相机等设备对测量精度的影响；同时监测点的识别完全基于标志点灰度与几何信息，而标志点成像范围太小会增加识别错误率，这也间接地限制了监测距离和监测范围。
随着近年来图像追踪技术的发展，目标追踪与识别的可靠性和精度得到很大改善，这有望改变现有追踪法测量技术的缺陷。
发明内容
本发明针对现有技术的不足，提供一种操作简单、自动化程度高、成本低、精度高、数据处理简单、效率高的基于视觉测量的变形检测方法。
为实现上述目的，本发明提供了一种基于视觉测量的变形监测方法，包括以下步骤：
(1)设计变形监测的标志板，所述标志板包括底板和设置在所述底板上的圆片，所述底板的颜色与圆片的颜色互为反差色，所述圆片的数量为4个，所述圆片的边界不能相切或相交或重合，其中，两个所述圆片的圆心连线为第一连线，剩余两个所述圆片的圆心连线为第二连线，所述第一连线和第二连线垂直相交；
(2)将步骤(1)中所述标志板固定在变形监测的待测物上，使所述第一连线处于水平方向，用相机采集所述标志板的初始图像，将所述初始图像定义为参考模板，用计算机从所述参考模板中提取标志板的特征轮廓，所述标志板上圆片的特征轮廓为椭圆形，并建立不同分辨率的特征轮廓模型；
(3)采集不同时间点的后续图像，精确提取所述后续图像上椭圆的中心坐标，即为标志点的坐标；精确提取标志点坐标的具体步骤为：
S1.将所述后续图像与所述步骤(2)中建立的特征轮廓模型相匹配，得到所述标志板的ROI并提取出来；
S2.利用各向异性扩散对ROI进行滤波；
S3.利用Canny边缘检测算子检测ROI的边缘；
S4.排除干扰，提取ROI的边缘坐标；
S5.将所述ROI边缘坐标代入椭圆的曲线拟合公式，计算得到椭圆的中心坐标。
(4)根据步骤(3)中所述标志点的坐标在后续图像中的变化，计算标志点在后续图像中的位移，并对计算得到的位移进行校正处理，得到标志点的实际位移。
优选地，所述步骤(1)中第一连线与第二连线的长度相等。
优选地，所述底板的颜色为白色，所述圆片的颜色为黑色。
优选地，所述步骤S4中排除干扰具体为：
A1.剔除非闭合环，所述非闭合环为边缘点集合的首尾像素点的距离超过1.5个像素的环；
A2.剔除非椭圆形的闭合环，所述非椭圆形的闭合环是指闭合区域的形状因子大于椭圆的形状因子的闭合环。
优选地，所述步骤(4)中，分别以所述初始图像和后续图像的左上角为坐标原点绘制坐标系，将所述后续图像的标志点的坐标与初始图像的标志点坐标求差，分别得到标志点在竖直方向和在水平方向的向量；分别计算所述第一连线和第二连线在标志板上的长度与在后续图像上的长度的比值，计算标志点变换矩阵，最后计算校正后的标志点位移，即可得到标志点的实际位移。
优选地，所述标志点的实际位移计算公式为：
其中，SFX＝LX/Sx，SFY＝LY/Sy，LX和LY分别表示所述第一连线和第二连线在标志板上的长度，Sx和Sy分别表示第一连线、第二连线在后续图像上的长度；所述标志点在竖直方向的向量为y＝[x2 y2]T，水平方向的向量为x＝[x1 y1]T；标志点的变换矩阵为其中，
优选地，所述后续图像的采集方式为：用照相机在1s～2s内连续采集3张～8张标志板的图像，分别精确提取每张图像中标志点的坐标，通过求平均值的方式获取此时间点的最终标志点坐标。
优选地，当照相机的视场范围内有静止不动的区域时，利用图像对齐技术对照相机的位姿偏移进行校正。
优选地，当照相机的视场范围内缺乏静止不动的区域时，采用建造观测墩、加固相机机身与镜头、使用电子快门线、定焦镜头、拍照时使用反光板预升模式的方法，减少照相机的位姿偏移。
本发明具有以下有益效果：
本发明的基于视觉测量的变形检测方法，以大范围、远距离的监测环境应用为目标，利用图像获取设备获取标志板的图像数据，以计算机视觉理论为基础，设计监测标志点，对图像数据进行处理，最终提取标志点的高精度坐标，对所监测标志点的位移进行实时探测与计算，同时针对视觉测量中的一些主要误差进行了有效地校正，该基于视觉测量的变形监测方法具有如下优点：
(1)本发明的基于视觉测量的变形检测方法，操作简单、自动化程度高，标志板设计合理，将标志板和图像获取设备分别固定在相应的位置，之后不再需要人为干预，自动识别标志点并计算位移；
(2)本发明的基于视觉测量的变形检测方法，成本低，当监测距离在200m以内时，相比其它监测仪器成本降低；
(3)本发明的基于视觉测量的变形检测方法，测量精度高，能够精确地提取标志点的坐标，进而计算标志点的位移，监测精度能够达到毫米级别；
(4)本发明的基于视觉测量的变形检测方法，数据均通过计算机进行处理，处理简单、效率高，数据获取与处理同步，具有实时性。
进一步地，步骤(1)中第一连线与第二连线的长度相等，使标志点的位移计算精度更高。
进一步地，分别得到标志点在竖直方向和在水平方向的向量；分别计算所述第一连线和第二连线在标志板上的长度与在后续图像上的长度的比值，计算标志点变换矩阵，最后计算校正后的标志点位移，即可得到标志点的实际位移，解决了空间目标到像平面的投影将不可避免地发生畸变，使图像上标志点的位移与实际位移产生偏差的问题，从而反映真实的位移数据。
进一步地，在同一时间点，用照相机在1s～2s内连续采集3张～8张标志板的图像，分别精确提取每张图像中标志点的坐标，通过求平均值的方式获取此时间点的最终标志点坐标，有效地削弱了气象条件改变引起的误差，提高了位移的探测精度。
进一步地，利用图像对齐技术对照相机的位姿偏移进行校正，有效地削弱了由于照相机震动而引起的测量误差。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的基于视觉测量的变形监测方法的流程图；
图2是本发明优选实施例的基于视觉测量的变形监测方法的圆片排布图；
图3是本发明优选实施例的基于视觉测量的变形监测方法的精确提取标志点坐标的流程图；
图4是本发明优选实施例的基于视觉测量的变形监测方法的图像实际位移示意图；
图5是本发明优选实施例的校正前后的变形监测模拟实验标志点位移趋势与误差统计图；
图6是本发明优选实施例的基于视觉测量的变形监测方法的标志点位移趋势图；
图7是本发明优选实施例的基于视觉测量的变形监测方法的变形监测模拟实验标志点位移趋势与误差统计图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
参见图1，本实施例的基于视觉测量的变形监测方法，包括以下步骤：
(1)设计变形监测的标志板，标志板为白色的底板和设置在底板上的四个黑色的圆片，圆片的边界不能相切或相交或重合，其中两个圆片的圆心连线为第一连线，剩余两个圆片的圆心连线为第二连线，第一连线与第二连线垂直相交。设计原理如下：
设标志点水平移动了ΔX，定位精度是mx，位移精度是mΔx，则定位精度与位移精度的关系为：
位移精度受相机曝光时间、光电转换效率、入射辐射频率、光照度、标志点边界长度等因素的影响，根据上式(a)，可以将位移误差公式表示为：
其中，mQ为相机光感应误差，当相机确定时，曝光时间、光电转换效率、入射辐射频率都为常数，统一将其表示为M，ΔE＝Evz-Evb，Evz为标志面光照度，Evb为标志背景光照度，则ΔE为标志点的光照度反差，l表示圆片边缘在横向和纵向的投影长度，Δx·ctgθ为常数，通过分析该公式，得到以下结论：位移探测误差受标志点光照度反差的影响，反差越大，精度越高；位移探测误差还受到标志板上圆片边缘的投影长度的影响，投影长度越长，精度越高。
因此，考虑所使用的黑白相机噪点少、景物边缘清晰的成像特点，将标志板颜色确定为反差较为明显且容易识别的黑色与白色，即底板为白色，圆片为黑色，在此基础上，尽可能增加标志板上圆片边缘的投影长度，如第一连线与第二连线的长度相等，此时四个圆心除第一连线和第二连线之外的四条连线，组成一个正方形，并且四个圆片的直径相同，设计标志板如图2所示。试验中，标志板的大小，主要取决于相机的成像质量、监测距离、规定的监测精度等。
(2)将步骤(1)中设计的标志板固定在变形监测的待测物上，使第一连线处于水平方向，用相机采集所述标志板的初始图像，将初始图像定义为参考模板，用计算机从参考模板中提取标志板的特征轮廓，标志板上圆片的特征轮廓为椭圆形，并建立不同分辨率的特征轮廓模型。
其中，图像采集分为两种方式：将图像保存在相机的缓存中，使用完毕后将数据导入电脑进行处理；或者利用USB、1394、Gige、BNC、camera link等相机接口，通过编写数据采集程序，直接把图像数据从相机传输到电脑上进行处理。
基于标志板形状匹配与KCF(Kernelized Correlation Filter)的多目标追踪，首先确定标志板的参考匹配模板，从参考模板中提取标志板的特征轮廓，并建立不同分辨率的轮廓金字塔模型。
(3)采集不同时间点的后续图像，精确提取后续图像上椭圆的中心坐标，即为标志点的坐标。具体步骤为：
S1.将后续图像与步骤(2)中建立的特征轮廓模型相匹配，得到标志板的ROI并提取出来，如图3a所示；
S2.利用各向异性扩散(Anisotropic Diffusion)对ROI进行滤波，它是一种针对灰度图像的滤波方法，其特点是可以有效的降低图像噪声，同时又不会去除一些显著部分，如图像边缘。设灰度图像像素矩阵为u，则滤波公式可以表示为：
对提取到的ROI进行处理，结果如图3b所示。
S3.利用Canny边缘检测算子检测ROI的边缘，如图3c所示；
S4.排除干扰，提取标志板的边缘坐标，具体步骤为：
A1.剔除非闭合环，所述非闭合环为边缘点集合的首尾像素点的距离超过1.5个像素的环；
A2.剔除非椭圆形的闭合环，所述非椭圆形的闭合环是指闭合区域的形状因子大于椭圆的形状因子的闭合环。
在提取到的图像边缘中，不仅仅包含椭圆边缘，同时还包含一些多余边缘，因此需要对边缘做进一步的处理，准确地提取椭圆边缘。考虑椭圆边缘特征，首先剔除非闭合环，如果边缘点集合的首尾像素点的距离超过1.5个像素，则认为不是闭合环并予以剔除。但是这样仍无法剔除一些闭合但不是椭圆的边缘，因此，结合圆形特征，计算圆形形状因子：
其中，F为闭合区域的面积，max为闭合区域中心点距离边缘点的最大值，C为形状因子，当C的值越接近1时，闭合区域的形状越接近圆形。本发明中，根据实际监测中相机拍摄角度及标志板圆片成像，设置合适的阈值(例如0.6)，最终选择出目标椭圆。如图3d所示。
S5.将ROI边缘坐标代入椭圆的曲线拟合公式，计算得到椭圆的中心坐标。
本实施例使用最小二乘曲线拟合方法寻找标志点的坐标，利用椭圆公式逼近圆特征。在平面坐标系中，椭圆公式为：
f(α,X)＝Ax2+Bxy+Cy2+Dx+Ey+F＝0 (e)
通过求目标函数的最小值来确定各个系数，再由极值原理，必有由此可得一个线性方程组，求取各系数的值。最后，通过以下公式求取椭圆的中心坐标，即标志点的坐标：
(4)计算图像中标志点的实际位移：
在实际监测中，相机对标志点可能不是正直摄影，因此空间目标到像平面的投影将不可避免地发生畸变，使图像上标志点的位移与实际位移产生偏差，从而无法正确反映真实位移。针对该问题，要对计算得到的位移进行校正处理。
如图4所示，LX和LY分别为标志点水平和竖直方向圆心的距离，单位为mm。以采集到的图像左上角为坐标原点，绘制坐标系，将提取的四个圆心分别记为A、B、C、D，坐标单位为像素。处理流程为：每提取一次圆心时，就将四个圆心坐标与初始坐标求差，得到水平方向位移量mx与竖直方向位移量my；计算BD方向向量x＝[x1 y1]T和AC方向向量y＝[x2 y2]T；计算标志点BD和AC方向圆心距离在图像上的长度，记为Sx和Sy，单位为像素；计算比例系数SFX＝LX/Sx，SFY＝LY/Sy；利用式(g)计算标志点变换矩阵：
其中，利用式(h)计算校正后的标志点位移dx、dy。
另外，相机在长时间监测过程中成像质量与位姿会受到外界环境变化与自身因素的影响，由此产生的测量误差会影响变形监测的精度，因此，需要对监测过程中的误差来源进行分析并加以改正。
一方面是气象误差与改正。
光线在空气中传播时会受到大气温度、气压、大气成分变化(特别是二氧化碳浓度变化)、密度、大气湿度等客观条件的影响，光线畸变会导致标志板上的圆片形状发生变化，进而导致标志点的坐标提取不正确，影响位移探测的精度。由于气象条件改变引起的误差具有随机性，目前还没有一个有效的误差改正模型。
针对变形监测的实际情况，可以将相机设置为连拍模式，在1s～2s的时间段内连续拍摄3张～8张图像。在这一时间段内，可以认为待测物是静止不动的，通过对连续拍摄的图像提取到的标志点坐标求平均的方式获取最终的标志点坐标，可以有效地削弱气象条件改变引起的误差。
另一方面是相机震动对精度的影响及改正。
相机在长时间拍照过程中，位姿并不能保证绝对不变，会受到外界环境，如风力作用、地面沉降等因素的影响，还受到相机自身反光板和快门机械运动的影响。当监测距离较远时，即便是轻微的振动，也会产生较大的测量误差。通过测量发现，当监测距离为75m时，相机姿态改变引起的误差在2mm～5mm，当监测距离为100m时，引起的误差超过10mm。
图像对齐(Image alignment)是一种基于像素灰度值的匹配技术，可以从具有一定程度重叠的两幅图像中发现对应关系，被广泛的应用于视频稳定和图像拼接中。一般情况下，由相机位姿的轻微变化产生的图像偏移在2到5个像素之间，因此，图像的仿射变换与相似性变换引起的误差可以忽略不计，主要考虑二维偏移引起的误差，平面内图像的位移可以表示为：
x′＝[I t]x～ (i)
其中，I是(2×2)的单位矩阵，t表示相对于x′的位移量，x～是形如(x,y,1)的齐次坐标或二维投影坐标。
利用图像对齐技术对相机位姿偏移改正的前提是相机视场范围内有一块静止不动的区域。在数据处理的过程中，通过对图像序列中该静止区域的匹配，可以找到任意两幅图像之间的偏差，由于该区域被认为是静止不动的，则计算得到的偏差即为相机位姿偏移引起的测量误差。
但是在实际测量中经常会受到树木遮挡、阴影变化和其它不可控因素的影响，又或者相机视场范围内缺乏静止不动的区域，上述算法就很难对相机姿态的偏移进行校正。所以，当视场范围内缺乏稳定可靠的静止区域时，可以通过采用建造观测墩、加固相机机身与镜头、使用电子快门线、定焦镜头、拍照时使用反光板预升模式等措施，最大可能地削弱相机位姿改变引起的误差。
通过模拟实验，对相机姿态校正效果及测量精度进行检验。分别在相距90m的两台脚架上安置单反相机与可移动式基座，基座上固定标志板，设定相机每隔五分钟拍摄一次，在每次拍摄间隔水平移动基座20mm。
对获取的影像序列做两次处理，第一次不做改正；第二次利用图像对齐技术进行改正，选取影像中某固定矩形区域作为匹配区域，计算每两幅影像某固定矩形区域偏差，由于认为某固定矩形区域是静止不动的，则计算得到的偏差即为相机位姿改变引起的误差，在测量结果中减去计算得到的偏差，最终得到改正后的位移测量结果。实验结果及误差如图5所示，左边一列为改正前与改正后的位移测量结果，右边一列为改正前与改正后测量误差统计结果，从图中可以看到，改正前最大测量误差达到3mm，但改正后测量误差一直稳定在1mm以内。
变形监测模拟实验使用的单反相机为佳能600d，设置拍摄图像大小为5184×3456，有效像素1800万，成像色彩为黑白，使用镜头焦距为135mm，同时使用电子快门线控制相机的拍摄。标志板为：正方形的白色底板，正方形的边长为30cm，四个圆片的直径相同，均为10cm，第一连线LX的距离等于第二连线LY的距离。实验场地选为两栋大楼，在其中一栋大楼楼顶放置三脚架，三脚架上安放单反相机底座，利用螺丝将相机固定在底座上；在另一栋大楼楼顶距离相机为75m的墙面上粘贴纸质标志板，用于静态测量实验；在距离相机为100m的位置摆放脚架，脚架安置在可移动式的基座上，在脚架上固定标志板，用于模拟变形监测实验。
(1)首先进行为期四天的静态测量实验，监测距离为75m，监测时间为9∶00～17∶00，相机拍摄间隔为6分钟，每次连续拍摄8张图像，利用位移监测软件对数据进行处理。位移变化趋势如图6所示，将四天的测量结果一一列举，横坐标为影像序列，单位为张，纵坐标为测量位移结果，单位为毫米，从四天的测量结果可以看出，测量误差一直稳定在1mm以内。
(2)进行为期3天的动态测量实验，监测距离为100m，设置相机拍摄间隔为8分钟，每次连续拍摄8张图像，在拍摄过程中，调整可移动式基座，使标志板水平移动10mm，总共移动两次，对图像数据进行处理，位移趋势与测量误差统计如图7所示，左边一列为位移测量结果，右边一列为测量误差统计结果，从图中可以看到，三天的测量误差一直稳定在2mm以内。
通过实际测量可以发现基于视觉测量的变形监测方法在远距离、长时间监测中可以达到毫米级别的监测精度，当监测距离为75m时，监测误差在1mm以内；当监测距离为100m时，监测误差在2mm以内。
本发明主要针对远距离、长时间变形监测的应用，提出了一种基于计算机视觉的二维位移变形监测方法，目前国内外主要将二维位移监测应用于建筑物的高动态测量，例如Jong Jae Lee和Masanobu Shinozuka利用笔记本电脑、摄像机、长焦镜头等设备，对大桥进行了实时二维位移变形监测，但是监测距离仅为20m，应用范围较小；国内学者秦良忠等人将其应用于建筑物高动态测量，监测距离可以达到100m，虽然监测精度能够达到毫米级，但是测量时间只有几百秒，没有考虑在长时间监测时环境以及相机自身对测量精度的影响。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于视觉测量的变形监测方法，其特征在于，包括以下步骤：
(1)设计变形监测的标志板，所述标志板包括底板和设置在所述底板上的圆片，所述底板的颜色与圆片的颜色互为反差色，所述圆片的数量为4个，所述圆片的边界不能相切不能相交不能重合，其中，两个所述圆片的圆心连线为第一连线，剩余两个所述圆片的圆心连线为第二连线，所述第一连线和第二连线垂直相交；
(2)将步骤(1)中所述标志板固定在变形监测的待测物上，使所述第一连线处于水平方向，用相机采集所述标志板的初始图像，将所述初始图像定义为参考模板，用计算机从所述参考模板中提取标志板的特征轮廓，所述标志板上圆片的特征轮廓为椭圆形，并建立不同分辨率的特征轮廓模型；
(3)采集不同时间点的后续图像，精确提取所述后续图像上椭圆的中心坐标，即为标志点的坐标；精确提取标志点坐标的具体步骤为：
S1.将所述后续图像与所述步骤(2)中建立的特征轮廓模型相匹配，得到所述标志板的ROI并提取出来；
S2.利用各向异性扩散对ROI进行滤波；
S3.利用Canny边缘检测算子检测ROI的边缘；
S4.排除干扰，提取ROI的边缘坐标；
所述步骤S4中排除干扰具体为：
A1.剔除非闭合环，所述非闭合环为边缘点集合的首尾像素点的距离超过1.5个像素的环；
A2.剔除非椭圆形的闭合环，所述非椭圆形的闭合环是指闭合区域的形状因子大于椭圆的形状因子的闭合环；
S5.将所述ROI边缘坐标代入椭圆的曲线拟合公式，计算得到椭圆的中心坐标；
(4)根据步骤(3)中所述标志点的坐标在后续图像中的变化，计算标志点在后续图像中的位移，并对计算得到的位移进行校正处理，得到标志点的实际位移。
2.根据权利要求1所述的基于视觉测量的变形监测方法，其特征在于，所述步骤(1)中第一连线与第二连线的长度相等。
3.根据权利要求1所述的基于视觉测量的变形监测方法，其特征在于，所述底板的颜色为白色，所述圆片的颜色为黑色。
4.根据权利要求1～3中任一项所述的基于视觉测量的变形监测方法，其特征在于，所述步骤(4)中，分别以所述初始图像和后续图像的左上角为坐标原点绘制坐标系，将所述后续图像的标志点的坐标与初始图像的标志点坐标求差，分别得到标志点在竖直方向和在水平方向的向量；分别计算所述第一连线和第二连线在标志板上的长度与在后续图像上的长度的比值，计算标志点变换矩阵，最后计算校正后的标志点位移，即可得到标志点的实际位移。
5.根据权利要求4所述的基于视觉测量的变形监测方法，其特征在于，所述标志点的实际位移计算公式为：
其中，SFX＝LX/Sx，SFY＝LY/Sy，LX和LY分别表示所述第一连线和第二连线在标志板上的长度，Sx和Sy分别表示第一连线、第二连线在后续图像上的长度；
所述标志点在竖直方向的向量为y＝[x2 y2]T，水平方向的向量为x＝[x1 y1]T；标志点的变换矩阵为
其中，
6.根据权利要求1～3中任一项所述的基于视觉测量的变形监测方法，其特征在于，所述后续图像的采集方式为：用照相机在1s～2s内连续采集3张～8张标志板的图像，分别精确提取每张图像中标志点的坐标，通过求平均值的方式获取此时间点的最终标志点坐标。
7.根据权利要求1～3中任一项所述的基于视觉测量的变形监测方法，其特征在于，当照相机的视场范围内有静止不动的区域时，利用图像对齐技术对照相机的位姿偏移进行校正。
8.根据权利要求1～3中任一项所述的基于视觉测量的变形监测方法，其特征在于，当照相机的视场范围内缺乏静止不动的区域时，采用建造观测墩、加固相机机身与镜头、使用电子快门线、定焦镜头、拍照时使用反光板预升模式的方法，减少照相机的位姿偏移。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610892316.5A CN106441138B (zh) | 2016-10-12 | 2016-10-12 | 基于视觉测量的变形监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610892316.5A CN106441138B (zh) | 2016-10-12 | 2016-10-12 | 基于视觉测量的变形监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106441138A CN106441138A (zh) | 2017-02-22 |
| CN106441138B true CN106441138B (zh) | 2019-02-26 |
Family
ID=58174892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610892316.5A Active CN106441138B (zh) | 2016-10-12 | 2016-10-12 | 基于视觉测量的变形监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106441138B (zh) |
Families Citing this family (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107152916B (zh) * | 2017-05-15 | 2019-07-19 | 中南大学 | 一种基于视觉测量的大气折光校正方法 |
| CN107121126B (zh) * | 2017-05-16 | 2020-08-14 | 华中科技大学 | 一种基于图像处理的路基沉降监测方法和系统 |
| CN107091614B (zh) * | 2017-05-16 | 2019-07-16 | 山东大学 | 一种隧道塌方落石全自动实时监测-预警系统与方法 |
| CN107194968B (zh) * | 2017-05-18 | 2024-01-16 | 腾讯科技（上海）有限公司 | 图像的识别跟踪方法、装置、智能终端和可读存储介质 |
| CN107036545B (zh) * | 2017-06-02 | 2019-06-25 | 中国水利水电科学研究院 | 一种坝体监测预警方法和装置 |
| CN107314747A (zh) * | 2017-06-23 | 2017-11-03 | 北京电子科技职业学院 | 一种非接触式微小距离测量系统 |
| CN107178054B (zh) * | 2017-06-30 | 2018-09-14 | 长乐巧通工业设计有限公司 | 一种多功能隧道清洗车的控制方法 |
| CN107560561B (zh) * | 2017-08-31 | 2019-11-01 | 长江存储科技有限责任公司 | 一种沟道槽翘曲度测量方法及装置 |
| CN107388980B (zh) * | 2017-08-31 | 2019-10-29 | 中南大学 | 一种双影像单目视觉变形监测系统与方法 |
| CN107817044B (zh) * | 2017-11-30 | 2023-08-22 | 安徽理工大学 | 基于机器视觉的板材振动的测量装置及方法 |
| CN109959335B (zh) * | 2017-12-22 | 2021-09-21 | 北京金风科创风电设备有限公司 | 测量塔顶位移的方法、装置和系统 |
| CN108052049A (zh) * | 2018-02-05 | 2018-05-18 | 江苏南通二建集团有限公司 | 一种建筑安全性监测报警装置 |
| CN108211363B (zh) * | 2018-02-08 | 2021-05-04 | 腾讯科技（深圳）有限公司 | 一种信息处理方法及装置 |
| CN109584310B (zh) * | 2018-11-26 | 2022-12-16 | 南昌航空大学 | 一种基于垂直度约束的大物体面形测量的拼接方法 |
| CN109612569B (zh) * | 2018-12-29 | 2021-04-09 | 中国计量科学研究院 | 一种激光干涉法低频振动校准的长冲程振动台导轨弯曲修正方法 |
| CN109767447B (zh) * | 2019-01-04 | 2021-03-02 | 腾讯科技（深圳）有限公司 | 一种模板匹配方法、装置、设备及介质 |
| CN109839073A (zh) * | 2019-03-06 | 2019-06-04 | 上海数久信息科技有限公司 | 一种基于视觉图像的隧道收敛变形检测方法及系统 |
| CN110514113A (zh) * | 2019-06-13 | 2019-11-29 | 杭州电子科技大学 | 一种基于单目视觉摄像头的滑坡裂缝监测方法 |
| CN111256607B (zh) * | 2020-02-19 | 2021-09-21 | 北京林业大学 | 一种基于三通道标志点的变形测量方法 |
| CN111452840B (zh) * | 2020-04-17 | 2021-12-24 | 华北理工大学 | 一种基于单目视觉测量技术的铁路钢轨爬行位移检测方法 |
| CN111623942B (zh) * | 2020-05-26 | 2022-03-08 | 东南大学 | 一种单向振动台试验结构模型位移测量方法 |
| CN112556975B (zh) * | 2020-12-07 | 2022-10-21 | 中国航天空气动力技术研究院 | 一种基于图像技术的电永磁铁响应时间测量方法 |
| CN113091622B (zh) * | 2021-02-22 | 2022-12-06 | 长沙银汉空间科技有限公司 | 一种大坝位移和倾角测量方法及系统 |
| CN113532473B (zh) * | 2021-06-17 | 2024-04-19 | 浙江工业大学 | 一种通过布置近场不动点的摄像测量误差抑制方法 |
| CN113139626B (zh) * | 2021-06-21 | 2021-10-15 | 浙江华睿科技股份有限公司 | 模板匹配方法、装置、电子设备及计算机可读存储介质 |
| CN113389202B (zh) * | 2021-07-01 | 2022-07-05 | 山东省鲁南地质工程勘察院(山东省地勘局第二地质大队) | 一种桩基工程钢筋笼防对位偏移的装置及方法 |
| CN113610782B (zh) * | 2021-07-21 | 2024-01-02 | 武汉理工大学 | 一种建筑物变形监测方法、设备及存储介质 |
| CN114184127B (zh) * | 2021-12-13 | 2022-10-25 | 哈尔滨工业大学 | 一种基于单相机无标靶的建筑物全局位移监测方法 |
| CN115096191B (zh) * | 2022-02-22 | 2023-06-06 | 中南大学 | 一种基于移轴相机的桥梁多点位移监测方法 |
| CN117606362A (zh) * | 2023-11-23 | 2024-02-27 | 湖南科天健光电技术有限公司 | 边坡位移的检测方法和检测系统 |
| CN117689258B (zh) * | 2023-12-12 | 2024-06-14 | 广东电网有限责任公司广州供电局 | 一种基于机器视觉的刀闸性能评估监管系统及方法 |
| CN118293816B (zh) * | 2024-06-04 | 2024-08-06 | 四川公路桥梁建设集团有限公司 | 一种基于视觉检测的钢箱梁施工微形变监测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1167918A1 (en) * | 2000-01-31 | 2002-01-02 | Omron Corporation | Visual displacement sensor |
| CN102721370A (zh) * | 2012-06-18 | 2012-10-10 | 南昌航空大学 | 基于计算机视觉的山体滑坡实时监测方法 |
| EP2703774A1 (en) * | 2011-04-25 | 2014-03-05 | National University of Defense Technology | Monitoring method and monitoring system of settlement of engineering buildings |
| CN103994724A (zh) * | 2014-05-13 | 2014-08-20 | 滕军 | 基于数字图像处理技术的结构二维位移及应变监测方法 |
| CN104597286A (zh) * | 2015-01-30 | 2015-05-06 | 黄河水利委员会黄河水利科学研究院 | 一种黄河凌汛期流凌速度测量方法 |
| CN105547160A (zh) * | 2016-01-08 | 2016-05-04 | 中铁第四勘察设计院集团有限公司 | 铁路构件位移监测系统和方法 |
-
2016
- 2016-10-12 CN CN201610892316.5A patent/CN106441138B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1167918A1 (en) * | 2000-01-31 | 2002-01-02 | Omron Corporation | Visual displacement sensor |
| EP2703774A1 (en) * | 2011-04-25 | 2014-03-05 | National University of Defense Technology | Monitoring method and monitoring system of settlement of engineering buildings |
| CN102721370A (zh) * | 2012-06-18 | 2012-10-10 | 南昌航空大学 | 基于计算机视觉的山体滑坡实时监测方法 |
| CN103994724A (zh) * | 2014-05-13 | 2014-08-20 | 滕军 | 基于数字图像处理技术的结构二维位移及应变监测方法 |
| CN104597286A (zh) * | 2015-01-30 | 2015-05-06 | 黄河水利委员会黄河水利科学研究院 | 一种黄河凌汛期流凌速度测量方法 |
| CN105547160A (zh) * | 2016-01-08 | 2016-05-04 | 中铁第四勘察设计院集团有限公司 | 铁路构件位移监测系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106441138A (zh) | 2017-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106441138B (zh) | 基于视觉测量的变形监测方法 | |
| CN112629431B (zh) | 土木结构变形监测方法及相关设备 | |
| US8441440B2 (en) | Position information detection device, position information detection method, and position information detection program | |
| JP2015203652A (ja) | 情報処理装置および情報処理方法 | |
| CN110889829A (zh) | 一种基于鱼眼镜头的单目测距方法 | |
| CN115201883B (zh) | 一种运动目标视频定位测速系统及方法 | |
| WO2022126339A1 (zh) | 土木结构变形监测方法及相关设备 | |
| Wang et al. | Error analysis and improved calibration algorithm for LED chip localization system based on visual feedback | |
| CN111131801A (zh) | 投影仪校正系统、方法及投影仪 | |
| CN109087360A (zh) | 一种机器人相机外参的标定方法 | |
| CN115717867A (zh) | 一种基于机载双相机和目标追踪的桥梁变形测量方法 | |
| CN114979469A (zh) | 一种基于机器视觉比对的摄像机机械误差校准方法及系统 | |
| CN113610782B (zh) | 一种建筑物变形监测方法、设备及存储介质 | |
| CN116091488B (zh) | 一种发动机摇摆试验的位移测试方法及位移测试系统 | |
| Fasogbon et al. | Calibration of fisheye camera using entrance pupil | |
| JP2001133225A (ja) | デジタルカメラを用いる寸法，形状の計測方法 | |
| CN113109259B (zh) | 一种图像的智能导航方法及装置 | |
| CN112468801B (zh) | 广角摄像模组的光心测试方法及其测试系统和测试标板 | |
| CN112686960B (zh) | 一种基于光线追迹的相机入瞳中心及视线方向的标定方法 | |
| CN112468800B (zh) | 广角摄像模组的测试方法及其测试系统 | |
| CN114964032A (zh) | 基于机器视觉的盲孔深度测量方法及装置 | |
| KR20150096128A (ko) | 모바일 플랫폼에 기반한 가상 카메라의 자동 캘리브레이션 방법 | |
| KR101703715B1 (ko) | 카메라 광중심 측정을 위한 영상 처리 장치 및 그 방법 | |
| CN114299153A (zh) | 一种超大电力设备的相机阵列同步标定方法及系统 | |
| CN112509035A (zh) | 一种光学镜头和热成像镜头的双镜头图像像素点匹配方法 |
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 |