CN106485267A - 高温环境下材料低周疲劳应变幅的光学测量方法 - Google Patents

Abstract

本发明涉及一种测量高温环境下材料低周疲劳应变幅的光学测量方法，通过两步整像素搜索算法，即利用PSO算法获得最佳初始估计值附近的点，并结合BBGDS算法快速获得最佳初始估计值。然后利用IC‑GN亚像素搜素算法快速获得目标点在变形图中的亚像素位置。该算法与传统DIC相比，大大减少了计算所消耗的时间，能够稳定的跟踪到目标点，跟踪速度可以达到100帧/秒，满足低周疲劳试验过程中对应变的实时监测。

Description

高温环境下材料低周疲劳应变幅的光学测量方法

技术领域

本发明涉及一种高温环境下材料低周疲劳应变幅的光学测量方法，属于光电检测领域。

背景技术

汽车发动机、高压蒸汽锅炉、汽轮机等设备中的许多材料都要求一定时间或者长期在高温环境下工作，这些设备在工作过程中除承受一定的静载荷之外，还承受着动载荷作用，如频繁的启动停车、较大范围内的温度波动等，材料通常会发生低周疲劳破坏。高温低周疲劳性能测试需要试验机进行等幅应变控制，并由高温陶瓷引伸计实时进行应变测试，然而陶瓷引伸计受其自身标距的限制，对所测试的材料尺寸具有相应的要求。光学测量方法可以在不改变被测试材料表面力学性能的情况下对试样表面高温变形进行非接触式实时测量，并且可以适用于不同尺寸的试样。

数字图像相关技术(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学测量技术，作为一种代表性的非干涉全场光学测量方法，DIC已经被广泛应用于高温变形测量。传统的DIC需要在试验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信息。该方法适用于高温环境下的静态力学性能测试，但对于高温低周疲劳性能的测试，传统DIC比较耗时和繁琐。

发明内容

本发明的目的在于针对已有技术的不足，提供一种高温环境下材料低周疲劳应变幅的光学测量方法。该方法既能保持传统DIC的测量精度，又能对应变进行实时测量。

为达到上述发明目的，本发明的构思是：针对高温低周疲劳性能测试，本发明提出了一种基于DIC的实时光学引伸计，在试验过程中可以做到对应变的实时监测。传统DIC算法的整像素搜索是利用逐点搜索法，该算法拥有较高的计算速度，但计算效率相对较低。本发明对传统DIC算法进行了优化，提高了其整像素搜索算法的计算速度，使得DIC可以做到实时测量应变。该方法可以广泛应用于各种材料的高温低周疲劳性能测试，具有重要的工程应用前景。

根据上述发明构思，本发明采用的技术方案如下：

1)利用微粒群优化算法(PSO)在采集到的数字图像中进行初步整像素搜索，获得最佳初始估计值附近的点，并将该点记为d₀；

2)将PSO算法中获得的点d₀的坐标值作为起始搜索位置，通过基于块的梯度下降搜索法(BBGDS)快速获得最终的初始估计位置d₁；

3)以d₁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，快速定位到目标点在变形图中的亚像素位置；

4)重复利用步骤1)至步骤3)的算法并结合多核并行计算技术，对多个点进行实时跟踪，同时计算各点的位移值。并计算相应的应变值。

所述步骤1)中PSO算法是由美国深灰心理学家Kennedy和电气工程师Eberhart在1995年提出的一种基于模拟鸟类或者鱼类觅食机制的种群智能算法。该算法可以应用于DIC的整像素搜索中，假设P_i表示第i个像素的当前位置，v_i表示第i个像素的当前速度，pbest_i表示第i个像素搜索过的最优位置，gbest表示像素群搜索过的最优位置。DIC是针对一系列连续采集的图像进行处理，相邻图像间的像素位移比较小，因此在搜索过程中首先在目标图中生成m个初始的像素点和随机速度，将上一幅图的目标位置作为下一幅图的中心位置并在中心位置生成3×3个像素微粒，为保持像素群的多样性，在剩余的搜索区域中随机的产生其余的像素点，如图2所示。在二维空间中，像素群分别根据等式(1)、(2)来更新自己的速度和位置。像素最优位置的优劣是通过所优化问题的目标函数，即DIC中的相关函数C(3)来决定的，在相关函数C中，相关系数C设定为0.75，一旦全局相关系数gbest大于或等于C，迭代立即停止。

p_id(t+1)＝p_id(t)+v_id(t+1) (2)

式中，d＝1,2,w为惯性权重，c₁，c₂为加速常数，其中c₁＝c₂＝2，r₁，r₂是均匀分布于[0,1]的随机数。为了控制像素向搜索空间[P_d,min,P_d,max]过度的移动，微粒速度设置为在[V_d,min,V_d,max]范围。惯性权重w根据公式(4)更新：

其中，G_max为最大截止迭代数；假如微粒更新后的速度v_i>V_max或v_i<V_min，则令v_i＝V_max或v_i＝V_min；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；

所述步骤2)中BBGDS算法是一种常常被用于视频编码中的基于块匹配的快速运动估计搜索算法，其搜索速度非常快，但如果直接运用于数字图像相关中，由于搜索的区域相关系数往往存在多极值，容易导致在搜索过程中容易陷入局部最优。结合PSO算法中获得的目标位置d₀，把该坐标值作为BBGDS算法的起始搜索位置，在d₀位置附近安排了8个像素点，首先比较包括其在内的9个像素点的相关系数，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个像素点，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，如图3所示。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)中所述的IC-GN亚像素迭代算法可以在获得整像素点d₁的基础上快速定位到目标点在变形图中的亚像素位置，IC-GN通过优化相关函数：

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；和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；和p＝(u,u_x,u_y,v,v_x,v_y)是变形参数，迭代过程中变形参量的增加量为Δp＝(Δu,Δu_x,Δu_y,Δv,Δv_x,Δv_y)；W(ξ；p)为形函数描述了目标子域的变形量：

其中p＝(u,u_x,u_y,v,v_x,v_y)^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：

其中Δp＝(Δu,Δu_x,Δu_y,Δv,Δv_x,Δv_y)^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：

其中，是参考子域的梯度：

H是6×6的Hessian矩阵：

其中是Jacobian矩阵：

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，可以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：

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，该算法的基本原理和流程如图4所示。

所述步骤4)中多核CPU目前广泛地应用在计算机模拟的各个领域。基于多核并行计算有许多的编程模式—MPI，OpenMP和TBB。在低周疲劳试验中，试样的轴向应变可以根据公式(13)计算得到

ε＝(l₁-l₂)/l＝Δl/l (13)

其中l是试件轴向两点(1#,2#)或者(3#，4#)之间的距离，Δl是两点之间拉伸或压缩的变形，如图5所示。因此在动态数字图像相关测量系统中至少需要同时监测两个点的位移值。在本发明中利用C++语言并结合OpenMP编程模式，将上述搜索算法在多核计算机中运行，便可以达到实时的多点同时跟踪的目的。

本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著技术进步：

本发明通过两步整像素搜索算法，即利用PSO算法获得最佳初始估计值附近的点，并结合BBGDS算法快速获得最佳初始估计值。然后利用IC-GN亚像素搜素算法快速获得目标点在变形图中的亚像素位置。该算法与传统DIC相比，大大减少了计算所消耗的时间，能够稳定的跟踪到目标点，跟踪速度可以达到100帧/秒，满足低周疲劳试验过程中对应变的实时监测。

附图说明

图1是本发明的光学测量方法程序框图。

图2是PSO算法中初始像素分布。

图3是BBGDS算法搜索步骤示意图。

图4是IC-GN搜索算法基本原理和流程图。

图5是DIC实时跟踪的目标点在试样截面图上的分布。

图6是DIC实时跟踪计算得到的试样在低周疲劳过程中的轴向应变。

图7是发动机缸盖试样的高温低周疲劳寿命曲线。

具体实施方式

本发明的优选实例结合附图详述如下：

实施案例一：参见图1，本高温环境下材料低周疲劳应变幅的光学测量方法，其特征在于操作步骤如下：

1)利用微粒群优化算法PSO在采集到的数字图像中进行初步整像素搜索，获得最佳初始估计值附近的点，并将该点记为d₀；

2)将PSO算法中获得的点d₀的坐标值作为起始搜索位置，通过基于块的梯度下降搜索法BBGDS快速获得最终的初始估计位置d₁；

3)以d₁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，快速定位到目标点在变形图中的亚像素位置；

4)重复利用步骤1)至步骤3)的算法并结合多核并行计算技术，对多个点进行实时跟踪，同时计算各点的位移值；并计算相应的应变值。

实施案例二：参见图1～图5，本实施例与实施例一基本相同，特别之处在于：

1)PSO算法是由美国深灰心理学家Kennedy和电气工程师Eberhart在1995年提出的一种基于模拟鸟类或者鱼类觅食机制的种群智能算法，该算法可应用于DIC的整像素搜索中，假设P_i表示第i个像素的当前位置，v_i表示第i个像素的当前速度，pbest_i表示第i个像素搜索过的最优位置，gbest表示像素群搜索过的最优位置；DIC是针对一系列连续采集的图像进行处理，相邻图像间的像素位移比较小，因此在搜索过程中首先在目标图中生成m个初始的像素点和随机速度，将上一幅图的目标位置作为下一幅图的中心位置并在中心位置生成3×3个像素微粒，为保持像素群的多样性，在剩余的搜索区域中随机的产生其余的像素点；在二维空间中，像素群分别根据等式(1)、等式(2)来更新自己的速度和位置；像素最优位置的优劣是通过所优化问题的目标函数，在相关函数C中，相关系数C设定为0.75，一旦全局相关系数gbest大于或等于C，迭代立即停止。

2)BBGDS算法是一种常常被用于视频编码中的基于块匹配的快速运动估计搜索算法，其搜索速度非常快，但如果直接运用于数字图像相关中，由于搜索的区域相关系数往往存在多极值，容易导致在搜索过程中容易陷入局部最优；结合PSO算法中获得的目标位置d₀，把该坐标值作为BBGDS算法的起始搜索位置，在d₀位置附近安排了8个像素点，首先比较包括其在内的9个像素点的相关系数，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个像素点，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。

3)IC-GN亚像素迭代算法可以在获得整像素点d₁的基础上快速定位到目标点在变形图中的亚像素位置，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，可以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，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。

4)多核CPU目前广泛地应用在计算机模拟的各个领域，基于多核并行计算有许多的编程模式—MPI，OpenMP和TBB；在低周疲劳试验中，试样的轴向应变可以根据公式(13)计算得到，因此在动态数字图像相关测量系统中至少需要同时监测两个点的位移值，利用C++语言并结合OpenMP编程模式，将上述搜索算法在多核计算机中运行，便可达到实时的多点同时跟踪的目的。

实施案例三：采用本发明提出的实时数字图像相关法监测发动机缸盖试样高温低周疲劳时的轴向应变，获得发动机缸盖材料的应变疲劳寿命曲线。本方法在一台四核的台式计算机上运行(Inter(R)Core(TM)i5-3470 CPU主频3.20GHz，安装内存(RAM)为4GB)，高温疲劳试验在MTS(1.5T)疲劳试验机上运行。根据本发明提供的测量方法，实施过程为：

1)将发动机缸盖试样安装在MTS(1.5T)疲劳实验机上，试样表面喷有散斑，方便DIC采图测量，在侧面用卤素灯进行补光。利用高温炉加热试样至300℃并保温30-60min，待试样充分膨胀后进行高温低周疲劳试验。

2)采集到清晰稳定的试样图片后，以加载前的图像(未变形的图像)作为参考图，并在参考图中选取两对应变点作为被监测的目标点，将这两对目标点分别记为1#，2#，3#和4#，利用计算机CPU的四个核分别进行跟踪，两对目标点分布如图5所示。

3)试验机0.5Hz的加载速度进行三角波循环加载。计算机通过上述提出的整像素搜索算法：PSO算法和BBGDS算法找到跟踪点的整像素最佳估计值，然后利用IC-GN亚像素搜索算法跟踪到目标点在变形图中的亚像素位置，并根据公式(13)分别计算出1#点和2#点的应变值、3#点和4#点的应变值，将这两对点的应变值的平均值作为试样在高温低周疲劳过程中的轴向应变。

4)在试验过程中，动态DIC测量方法可以实时跟踪计算试样的轴向应变，如图6所示。

5)重复步骤1)至4)，对18个不同的试样进行试验并提取它们的轴向应变值，绘制出发动机缸盖材料的应变疲劳寿命曲线，如图7所示，该寿命曲线可以用来很好的预测发动机缸盖材料在高温环境下的低周疲劳寿命。

Claims (5)

1.一种高温环境下材料低周疲劳应变幅的光学测量方法，其特征在于操作步骤如下：

1)利用微粒群优化算法PSO在采集到的数字图像中进行初步整像素搜索，获得最佳初始估计值附近的点，并将该点记为d₀；

2)将PSO算法中获得的点d₀的坐标值作为起始搜索位置，通过基于块的梯度下降搜索法BBGDS快速获得最终的初始估计位置d₁；

3)以d₁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，快速定位到目标点在变形图中的亚像素位置；

4)重复利用步骤1)至步骤3)的算法并结合多核并行计算技术，对多个点进行实时跟踪，同时计算各点的位移值；并计算相应的应变值。

2.根据权利要求1所述的高温环境下材料低周疲劳应变幅的光学测量方法，其特征在于：所述步骤1)中PSO算法是由美国深灰心理学家Kennedy和电气工程师Eberhart在1995年提出的一种基于模拟鸟类或者鱼类觅食机制的种群智能算法，该算法可应用于DIC的整像素搜索中，假设P_i表示第i个像素的当前位置，v_i表示第i个像素的当前速度，pbest_i表示第i个像素搜索过的最优位置，gbest表示像素群搜索过的最优位置；DIC是针对一系列连续采集的图像进行处理，相邻图像间的像素位移比较小，因此在搜索过程中首先在目标图中生成m个初始的像素点和随机速度，将上一幅图的目标位置作为下一幅图的中心位置并在中心位置生成3×3个像素微粒，为保持像素群的多样性，在剩余的搜索区域中随机的产生其余的像素点；在二维空间中，像素群分别根据下列的等式(1)、等式(2)来更新自己的速度和位置；像素最优位置的优劣是通过所优化问题的目标函数，即下列的DIC中的相关函数C(3)来决定的，在相关函数C中，相关系数C设定为0.75，一旦全局相关系数gbest大于或等于C，迭代立即停止，

p_id(t+1)＝p_id(t)+v_id(t+1) (2)

$C\left(p\right)=1-\underset{i=-M}{\overset{M}{\&Sigma;}}\underset{j=-M}{\overset{M}{\&Sigma;}}{\{\frac{f(x_i,y_j)-\stackrel{\&OverBar;}{f}}{\sqrt{\underset{i=-M}{\overset{M}{\&Sigma;}}\underset{j=-M}{\overset{M}{\&Sigma;}}\&lsqb;f(x_i,y_j)-\stackrel{\&OverBar;}{f}\&rsqb;}}-\frac{g(x_i^{\&prime;},y_j^{\&prime;})-\stackrel{\&OverBar;}{g}}{\sqrt{\underset{i=-M}{\overset{M}{\&Sigma;}}\underset{j=-M}{\overset{M}{\&Sigma;}}{\&lsqb;g(x_i^{\&prime;},y_j^{\&prime;})-\stackrel{\&OverBar;}{g}\&rsqb;}^2}}\}}^2---\left(3\right)$

式中，d＝1,2,w为惯性权重，c₁，c₂为加速常数，其中c₁＝c₂＝2，r₁，r₂是均匀分布于[0,1]的随机数，为了控制像素向搜索空间[P_d,min,P_d,max]过度的移动，微粒速度设置为在[V_d,min,V_d,max]范围；惯性权重w根据公式(4)更新：

$w\left(i\right)=0.9-\frac{i}{2\&CenterDot;G_{\max }}---\left(4\right)$

其中，G_max为最大截止迭代数；假如微粒更新后的速度v_i>V_max或v_i<V_min，则令v_i＝V_max或v_i＝V_min；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。

3.根据权利要求1所述的高温环境下材料低周疲劳应变幅的光学测量方法，其特征在于：所述步骤2)中BBGDS算法是一种常常被用于视频编码中的基于块匹配的快速运动估计搜索算法，其搜索速度非常快，但如果直接运用于数字图像相关中，由于搜索的区域相关系数往往存在多极值，容易导致在搜索过程中容易陷入局部最优；结合PSO算法中获得的目标位置d₀，把该坐标值作为BBGDS算法的起始搜索位置，在d₀位置附近安排了8个像素点，首先比较包括其在内的9个像素点的相关系数，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个像素点，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所述的高温环境下材料低周疲劳应变幅的光学测量方法，其特征在于：所述步骤3)中所述的IC-GN亚像素迭代算法可以在获得整像素点d₁的基础上快速定位到目标点在变形图中的亚像素位置，IC-GN通过优化相关函数：

$C_{ZNSSD}\left(\mathrm{\&Delta;}p\right)=\underset{\mathrm{\&xi;}}{\&Sigma;}{\{\frac{\&lsqb;f(x+W(\mathrm{\&xi;};\mathrm{\&Delta;}p))-\stackrel{\&OverBar;}{f}\&rsqb;}{\mathrm{\&Delta;}f}-\frac{\&lsqb;g(x+W(\mathrm{\&xi;};p))-\stackrel{\&OverBar;}{g}\&rsqb;}{\mathrm{\&Delta;}g}\}}^2---\left(5\right)$

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；和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；和p＝(u,u_x,u_y,v,v_x,v_y)是变形参数，迭代过程中变形参量的增加量为Δp＝(Δu,Δu_x,Δu_y,Δv,Δv_x,Δv_y)；W(ξ；p)为形函数描述了目标子域的变形量：

$w(\mathrm{\&xi;};p)=\left[\begin{array}{ccc}1+u_x& u_y& u\\ v_x& 1+v_y& v\\ 0& 0& 1\end{array}\right]\left(\begin{array}{c}\mathrm{\&Delta;}x\\ \mathrm{\&Delta;}y\\ 1\end{array}\right)---\left(6\right)$

其中p＝(u,u_x,u_y,v,v_x,v_y)^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：

$w(\mathrm{\&xi;};\mathrm{\&Delta;}p)=\left[\begin{array}{ccc}1+{\mathrm{\&Delta;u}}_x& {\mathrm{\&Delta;u}}_y& \mathrm{\&Delta;}u\\ {\mathrm{\&Delta;v}}_x& 1+{\mathrm{\&Delta;v}}_y& \mathrm{\&Delta;}v\\ 0& 0& 1\end{array}\right]\left(\begin{array}{c}\mathrm{\&Delta;}x\\ \mathrm{\&Delta;}y\\ 1\end{array}\right)---\left(7\right)$

其中Δp＝(Δu,Δu_x,Δu_y,Δv,Δv_x,Δv_y)^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：

$\mathrm{\&Delta;}p=-H_{6\&times;6}^{-1}\&times;\underset{\mathrm{\&xi;}}{\&Sigma;}\{{(\&dtri;f\frac{\&part;W}{\&part;p})}_{6\&times;1}^T\&lsqb;f(x+\mathrm{\&xi;})-\stackrel{\&OverBar;}{f}-\frac{\mathrm{\&Delta;}f}{\mathrm{\&Delta;}g}\left(g\right(x+W\left(\mathrm{\&xi;};p\right))-\stackrel{\&OverBar;}{g})\&rsqb;\}---\left(8\right)$

其中，是参考子域的梯度：

$\&dtri;f=(\frac{\&part;f(x+\mathrm{\&xi;})}{\&part;x},\frac{\&part;f(x+\mathrm{\&xi;})}{\&part;y})---\left(9\right)$

H是6×6的Hessian矩阵：

$H_{6\&times;6}=\underset{\mathrm{\&xi;}}{\&Sigma;}\&lsqb;{(\&dtri;f\frac{\&part;W}{\&part;p})}_{6\&times;1}^T\&times;(\&dtri;f\frac{\&part;W}{\&part;p})\&rsqb;---\left(10\right)$

其中是Jacobian矩阵：

$\frac{\&part;W}{\&part;p}=\left(\begin{array}{cccccc}1& \mathrm{\&Delta;}x& \mathrm{\&Delta;}y& 0& 0& 0\\ 0& 0& 0& 1& \mathrm{\&Delta;}x& \mathrm{\&Delta;}y\end{array}\right)---\left(11\right)$

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，可以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：

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。

5.根据权利要求1所述的高温环境下材料低周疲劳应变幅的光学测量方法，其特征在于：所述步骤4)中多核CPU目前广泛地应用在计算机模拟的各个领域，基于多核并行计算有许多的编程模式——MPI，OpenMP和TBB；在低周疲劳试验中，试样的轴向应变可以根据公式(13)计算得到

ε＝(l₁-l₂)/l＝Δl/l (13)

其中l是试件轴向两点(1#,2#)或者(3#，4#)之间的距离，Δl是两点之间拉伸或压缩的变形；因此在动态数字图像相关测量系统中至少需要同时监测两个点的位移值，利用C++语言并结合OpenMP编程模式，将上述搜索算法在多核计算机中运行，便可达到实时的多点同时跟踪的目的。