一種基于拼接圖像的試驗梁撓度測量方法

梁 棟，馬傳奎，劉晨景，劉 佳，李 琦

（河北工業(yè)大學a.土木與交通學院，b.電子信息工程學院，天津 300401）

實驗室內(nèi)測量框架、梁等結構變形是一種常見工作.對于這種近距小尺度結構位移的測量目前主要有接觸式和非接觸式位移傳感器兩種測量系統(tǒng).采用接觸式傳感器測量結構變形需要在被測結構附近選取一個固定測量參考點，同時要求其觸桿直接接觸在被測元件上，因此只能得到個別點位的變形信息.非接觸式傳感器主要包括激光多普勒測振儀（Laser Doppler Vibrometer，LDV），LDV 可以為橋梁的振動和變形監(jiān)測提供精確的位移測量結果，但測量成本相對較高，同樣需要一個固定的平臺作為參考.由于這些傳統(tǒng)方法的局限性，基于計算機視覺的測量技術因其簡單、經(jīng)濟的特點成為一種很有前途的結構響應非接觸式測量工具.

利用數(shù)字圖像相關計算位移、撓度和應變的光學測量技術在80 年代后期被南卡羅萊納大學的一組研究人員引入到實驗力學中［1］.如今，各種視覺傳感器已被開發(fā)并應用于位移監(jiān)測，包括廣泛使用的數(shù)字圖像相關（Digital Image Correlation，DIC）［2-3］，模板跟蹤［4］，方向碼模板匹配（Orientation Codesbased template Matching，OCM）［5］，方向梯度直方圖［6］，光流法［7］，特征跟蹤［8-10］等.

基于視覺的測量技術最早是模板匹配技術.Ye 等［2］提出了一種基于數(shù)字圖像處理技術的結構位移測量方法，預先選定一個模板并與包含有目標點的原始圖像進行歸一化互相關運算，當相關運算結果出現(xiàn)最大值時，達到最佳匹配，該位置即為目標點在原始圖像中的位置.S?adek 等［3］所提出的方法允許將變形后的圖像由放置在任何位置的攝像機捕獲.通過單映射的方法消除了結構圖像的透視畸變.利用二維DIC 方法可以對校正后的圖像進行空間疊加，并計算出結構的變形曲線.Guo 等［4］提出了一個高速攝影機系統(tǒng)來實現(xiàn)位移的實時測量.為了處理計算機捕獲的圖像，在計算機視覺領域引入Lucas-Kanade 模板跟蹤算法.此外，提出一種改進的逆合成算法（Inverse Compositional algorithm，IC），以減少原算法的計算時間.Feng 等［5］介紹了一種不需要目標板的結構動態(tài)位移遠程實時測量的視覺傳感器系統(tǒng)——方向碼模板匹配（Orientation-Code Matching，OCM），以亞像素分辨率精度執(zhí)行，通過雙線性插值對獲得的方位角進行插值.Luo 等［6］指出基于強度的模板匹配算法（DIC 等）難以在弱光條件下準確跟蹤低對比度自然目標的結構位移，因此，利用基于梯度相似度匹配算法（PQ-HOG）來處理低光照條件下的低對比度特征.

然而，模板匹配適用于識別平行移動的對象，識別對象在圖像中的形狀或位置發(fā)生變化，模板匹配法就無法識別.此外，在結構的某些局部位置，可用特征點并不豐富，無法找到足夠的模板進行撓度的測量.因此學者們提出了一種特征跟蹤的方法，該方法能夠有效檢測和匹配穩(wěn)定特征.該過程一般包括檢測、描述、匹配和凈化（或過濾）4 個步驟.Feng 等［8］對基于計算機視覺的民用基礎設施的檢測方式進行了概述，提出基于特征點的匹配同時具有幾何（平移、旋轉和比例）不變性和光度不變性.Lydon 等［9］利用計算機視覺技術進行位移計算，研究橋梁在活載作用下的結構狀態(tài)，通過在ROI 區(qū)域內(nèi)搜索特征點以縮短用時，SURF 實現(xiàn)特征提取，KLT（Kanade-Lucas-Tomasi）跟蹤器來確定檢測到特 征 的 移 動.Yu 等［10］通 過SURF 特 征 檢 測 符 和BRISK 特征描述符對特征進行描述，利用KNN 匹配特征點并進行匹配結果的提純，最終得到主梁的撓度變化.

由上述分析可知，針對我國土木工程實驗中常用試驗梁，在傳統(tǒng)基于計算機視覺的撓度測量系統(tǒng)中，相機固定在某一位置，視野固定，無法獲取試驗梁整體的撓度等信息.為此，本文作者設計了一種圖像連續(xù)采集系統(tǒng)，可得到試驗梁的連續(xù)多張圖像，通過具有篩選機制的PCA-SIFT 技術進行圖像拼接，獲得試驗梁全景圖像，利用簡化AKAZE 及改進RANSAC 算法，跟蹤結構自然特征，并進行曲線擬合，得到該試驗梁在各級荷載作用下的撓度曲線，實現(xiàn)撓度測量.

1 圖像連續(xù)采集裝置

本文提出的基于拼接圖像的試驗梁撓度測量方法，主要包括兩個部分：1）基于自行走支架的圖像連續(xù)采集裝置；2）基于拼接圖像的撓度測量方法.本節(jié)主要介紹圖像采集裝置.

1.1 研究對象

常用的簡支試驗梁為矩形截面，截面尺寸為20 cm×30 cm，兩支點間梁長約180 cm，相機距離梁表面的距離約為35 cm，每張圖像的視野約38 cm，采集的每張圖像包含足夠的重復區(qū)域用于圖像拼接.

1.2 圖像連續(xù)采集系統(tǒng)

為采集全梁圖像，本文設計了一種圖像連續(xù)采集裝置，由控制器、自行走支架、工業(yè)相機及電源構成，如圖1 所示.該裝置分別利用PLC、USB接口數(shù)據(jù)線進行自行走支架的行走狀態(tài)控制和相機的拍照控制、供電及圖像傳輸.自行走支架裝置包括行走系統(tǒng)、距離移動系統(tǒng)和高度調(diào)節(jié)系統(tǒng)，實現(xiàn)工業(yè)相機在左右、前后、上下方向上的位置調(diào)節(jié).該自行走支架裝置的前后、上下方向的調(diào)節(jié)皆由手動完成，在左右方向的移動通過計算機對PLC 發(fā)送指令進行控制，從而達到工業(yè)相機與結構間保持安全距離、沿主梁方向的定距移動和獲取連續(xù)圖像的目的.

圖1 自行走支架裝置Fig.1 Self-propelled support device

自行走支架與主梁平行放置，微調(diào)相機的高度和與主梁的距離，使相機視野范圍覆蓋梁高.本文簡支試驗梁的兩支點間梁長約180 cm，故設置自行走支架的移動速率為5 cm/s，單次移動時間為3 s，為了穩(wěn)定相機每次自行走支架停止移動10 s后，相機再自動拍照，一次拍照完成后，支架繼續(xù)移動.通過12 次移動與多次拍照過程，逐步獲得整個試驗梁的圖像，整個試驗梁拍攝時間為156 s.本文的實驗環(huán)境為：CPU 為Intel（R）Core（TM）i7，1.8 GHz，8 G 內(nèi)存，操作系統(tǒng)為Windows10，軟件平臺為Python3.6 64 bit；所用工業(yè)相機的分辨率為3840×2880.計算機控制界面見圖2.

圖2 計算機控制界面Fig.2 Computer control interface

1.3 圖像數(shù)據(jù)集的獲取

按照視野要求，自行走支架平行放置在使相機距試驗梁35 cm 的位置，進行圖像采集，相鄰兩次采樣圖像間包含12 cm 的重復區(qū)域，圖片重疊區(qū)域所占比重為31.6%. 采集的部分局部圖像見圖3.

獲取試驗梁的全景圖像后，進行圖像拼接和撓度無接觸測量，見圖4.

圖3 具有重復區(qū)域的三張連續(xù)圖像Fig.3 Three consecutive images with a repeating region

圖4 基于拼接圖像的試驗梁撓度自動測量方法流程圖Fig.4 Flow chart of automatic measurement method for test beam deflection based on mosaic images

2 圖像拼接

本文采用一種優(yōu)化PCA-SIFT 的圖像拼接算法［11］.該算法在對圖像利用SIFT 算法提取特征點的同時，在構建的DoG 尺度空間中利用Harris 算法對梁體裂縫和梁底邊緣處的關鍵點進行提取，再對這兩種算法得到的特征點進行匹配，淘汰多余特征點，進而實現(xiàn)多幅圖像間的特征點匹配，完成對全梁圖像的精確拼接，具體步驟見圖5.

通過篩選出對拼接精度要求高的區(qū)域內(nèi)的特征點作為拼接依據(jù)，使得在該細微區(qū)域內(nèi)的拼接效果大大提升，提高匹配速度.另外，特征提取過程均在DoG 尺度空間中進行，能夠消除圖像間因尺度不同而造成的拼接錯位問題.

圖5 圖像拼接流程圖Fig.5 Flow chart of image Mosaic

3 基于拼接圖像的撓度測量方法

針對上述拼接得到的全梁圖像，本文提出了基于簡化AKAZE 和自適應RANSAC 的特征跟蹤方法，并通過對大量特征點進行信息整合，得到基于拼接圖像的試驗梁撓度測量方法.該方法的具體步驟見圖6.

步驟0：提取拼接圖像中感興趣區(qū)域（Region Of Interest，ROI），即梁體邊緣區(qū)域；

步驟1：提取特征，通過簡化AKAZE 算法進行特征檢測，BRIEF 算法描述特征；

步驟2：特征匹配，利用KNN 匹配將步驟1 提取的特征點粗匹配并通過改進的RANSAC 對匹配點對提純；

步驟3：相機標定，利用尺度因子將像素單位轉換為工程單位；

步驟4：曲線擬合，根據(jù)特征點的位移擬合試驗梁撓度曲線；

步驟5：根據(jù)撓度曲線計算各位置處撓度數(shù)值.

圖6 基于拼接圖像的撓度測量方法流程圖Fig.6 Flow chart of deflection measurement method based on Mosaic image

3.1 特征提取

AKAZE 特征檢測和BRIEF 特征描述結合提取特征點，KNN 和RANSAC 用來進行特征點的匹配和提純，同時，針對撓度測量圖像的特點，對AKAZE 特征檢測算法和RANSAC 匹配提純算法進行簡化和改進.

1）簡化AKAZE 特征檢測.

相機與被拍攝物體表面之間的距離變化是影響撓度測量精度的重要因素.本文在采集圖像時嚴格控制自行走支架的位置，且撓度的測量基于拼接后圖像，更加弱化了尺度因子變化帶來的影響，因此提出了一種簡化AKAZE 算法.

AKAZE 算法通過非線性擴散濾波器構造尺度空間［12］，用流動函數(shù)的散度來描述圖像亮度L在不同尺度的空間變化.經(jīng)典的非線性擴散方程如下

式中：div與?分別表示散度和梯度；L為圖像亮度矩陣.c(x，y，t)為傳導函數(shù)，使擴散適應于圖像局部結構.t是尺度參數(shù)；?Lσ為原始圖像L經(jīng)過高斯平滑濾波后的梯度圖像.在各向異性擴散中，圖像梯度大小控制各個尺度的擴散過程.利用快速顯示擴散數(shù)學框架（Fast Explicit Diffusion，F(xiàn)ED）來求解得到圖像L非線性尺度空間為

式中：I為單位矩陣；A(Li)為圖像Li的傳導矩陣.

簡化AKAZE 算法的尺度空間只需構建一個Octave 組，組內(nèi)含有5 層，AKAZE 中各層均采用與原始圖像相同的分辨率.因此本文中組內(nèi)層的索引s與高斯濾波的尺度參數(shù)σi有如下映射關系

式中：σo為初始尺度參數(shù)；O為尺度空間的組數(shù)；S為每組的層數(shù).

由于非線性擴散濾波作用于時間序列上，需將以像素為單位的尺度參數(shù)σi映射到以時間為單位的尺度參數(shù)ti，公式如下

非線性尺度空間構建完成后，采用Hessian 矩陣進行特征點提取，把采樣點的響應值與同層的8 個鄰域點及上下相鄰層的2×9 個鄰域點比較判斷是否為最大值，然后將二維二次函數(shù)擬合到3×3 像素鄰域內(nèi)Hessian 響應的行列式上，求出其最大值，得到關鍵點的精確定位.

2）BRIEF 特征描述符.

基于被檢測特征的尺度和坐標，利用特征描述符進行描述，目前具有浮點型和二進制兩種特征描述符.本文采用對存儲空間的需求小，生成速度快的二進制描述子—BRIEF 特征描述子［13］.在特征點鄰域內(nèi)隨機選取256 點對（p，q），并比較這些點對的灰度值I，若I(p)＞I(q)，則編碼為1，否則編碼為0，形成一個二進制編碼，即特征描述子.

3.2 特征點匹配

在特征點匹配階段，首先用基于海明距離的K鄰近算法（KNN）進行粗匹配，將最近鄰和次近鄰比率的閾值設為0.7.粗匹配后仍存在錯誤匹配，因此采用改進的隨機取樣一致性算法（Random Sample Consensus，RANSAC）對粗匹配結果進行純化.

RANSAC 算法［14］能夠從一組包含噪聲的數(shù)據(jù)集中估算數(shù)學模型，分為3 個階段：1）抽樣建模，隨機選取若干個樣本生成待檢驗模型；2）模型驗證，將所有匹配點對帶入上述待檢驗模型，并根據(jù)內(nèi)點的判定誤差閾值統(tǒng)計內(nèi)點個數(shù)；3）獲取最優(yōu)模型，重復1）～2）階段，經(jīng)過數(shù)次迭代后，比較每次迭代所得模型的內(nèi)點數(shù)，選出內(nèi)點數(shù)目最多的模型.

經(jīng)典的RANSAC 算法每抽取一次樣本并建立模型后，需對樣本集中所有的樣本進行逐一檢驗，效果受隨機抽取樣本的影響較大，且計算參數(shù)時的迭代次數(shù)根據(jù)經(jīng)驗確定，存在計算量大、運算時間長的問題［15］.本文在抽樣建模階段前，根據(jù)海明距離匹配誤差對匹配點對進行升序排列，排在前面的匹配點對，匹配結果好，因此在匹配后海明距離較小的前30%組匹配對中隨機選取8 個隨機樣本生成待檢驗模型，并在前70%組匹配對中進行預檢驗，誤差小于判定閾值70 的視為內(nèi)點，并根據(jù)內(nèi)點數(shù)確定迭代次數(shù)，內(nèi)點率與迭代次數(shù)之間的關系為

式中：ω表示內(nèi)點率，即內(nèi)點數(shù)與數(shù)據(jù)集總數(shù)之比；k為迭代次數(shù)；p為置信概率，本文中取99.99%，迭代次數(shù)上限設為700（經(jīng)過反復試驗，迭代上限設為700，能夠得到滿足精度要求的測量結果）.通過限制隨機取樣點的范圍，并進行預檢驗，提高了待檢驗模型的精度，采用自適應的迭代次數(shù)，大大提高RANSAC 算法的運行效率.

以上為本文提出的優(yōu)化特征跟蹤方法，即采用簡化尺度空間的AKAZE 算法與BRIEF 算法結合進行特征點提取，并對KNN 粗匹配結果利用具有預檢驗且迭代次數(shù)自適應的RANSAC 算法進行匹配提純，從而實現(xiàn)特征跟蹤，獲取試驗梁特征點處的撓度信息.

利用本文所提出的算法與經(jīng)典算法（AKAZE、SIFT、SURF 分別與RANSAC 結合的算法），以試驗梁3/4 位置處的圖像為例進行比較［16］，表1 可以看出本文所提出的算法在用時較短的情況下剔除了較多的誤匹配點，圖7 中特征匹配結果散點坐標圖反映了特征匹配效果圖在加載后效果圖由左到右的撓度變化.

表1 4 種算法匹配結果Tab.1 Matching results of four algorithms

圖7 本文算法局部匹配效果展示Fig.7 Display of local matching effect of the algorithm in this paper

3.3 相機標定

相機標定是一種確定相機內(nèi)部和外部參數(shù)的方法，用于記錄結構的運動，消除鏡頭畸變效應，并為像素單位到工程單位的轉換提供比例因子.計算機視覺中常采用黑白棋盤進行相機標定，如張正友標定法［17］.在本文中，測量任務是結構的豎向撓度，可將相機標定方法進行簡化，即尺度因子法［18］.當相機光軸與結構平面垂直時（α=0），尺度因子的計算式為

式中：D為結構平面內(nèi)選定物體的尺寸；d為其在圖像平面的對應像素數(shù).本文在試驗梁梁長范圍內(nèi)隨機選取8 個點位分別計算尺度因子，最終選取上述8 個點位的平均值.在步驟3 中通過該尺度因子將像素單位轉換成工程單位，獲得以毫米為單位的撓度值.

3.4 曲線擬合

目前基于計算機視覺的撓度測量系統(tǒng)中，僅能得到某一位置處的變形信息，具有一定的信息局限性，因此在本文中，利用特征跟蹤獲取的結構長度范圍內(nèi)的大量特征點信息，通過曲線擬合的方法，得到該試驗梁在荷載作用下的較為精確的撓度曲線，即步驟4，從而對結構安全狀況進行準確描述，還可得到該結構在任一位置的撓度變化值.撓度曲線一般是連續(xù)光滑的曲線，并且在荷載作用下，可采用多項式來擬合撓度曲線［19］.

本文采用最小二乘法來進行多項式的擬合［20］，通過最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配.

4 撓度測量效果評估

本文采用測量速度和精度兩個標準對本文算法和AKAZE-BRIEF、AKAZE、SIFT 算法進行比較.

4.1 試驗設計

為得到梁體在不同變形情況下的多組圖像，按照2.1 節(jié)中所述放置研究對象及信息采集裝置，由作動器施加荷載，施加方式見圖8，梁底四分點處放置百分表，梁頂荷載受力點距支點位置45 cm（兩個四分點位置處），所施加荷載值分別為0、86、160 和225 kN，共計拍攝4 組圖像.

圖8 荷載施加方式Fig.8 Load application mode

對每組采集完的圖像序列進行拼接處理，得到像素為39783×2880 的拼接全景圖像，用來全梁撓度的檢測.圖像上傳速度受其大小的影響，為加快采集速度，另將采集圖像壓縮后儲存，拼接得到24864×1800 的壓縮拼接圖像，與原圖拼接圖像一同進行測量速度和精確度的比較.

4.2 測試速度

使用處于2 種不同荷載值下的全景圖像及其壓縮圖像來驗證本文提出算法和AKAZE-BRIEF、AKAZE、SIFT 分別 與RANSAC 結 合 的 算 法在 時間上的優(yōu)越性.

試驗梁撓度測量時間可以分為5 個階段［20］：1）特征點檢測用時；2）描述符計算用時；3）特征點匹配用時；4）匹配提純用時；5）擬合曲線用時.結果如圖9 和圖10 所示.

圖9 荷載值為160 kN 時各階段用時結果圖Fig.9 Time consumption at each stage when the load value is 160 kN

圖10 荷載值為225 kN 時各階段用時結果Fig.10 Time consumption at each stage when the load value is 225 kN

由圖9 可以明顯看出，4 種算法中SIFT 算法耗時最長，原圖處理時間分別為66 和65 s，本文所提出的方法用時較短，原圖處理時間分別為38 和35 s，與SIFT 算法相比分別縮短了42%、48%，尤其在特征描述、匹配提純階段，用時快速下降，且具有較多的特征匹配數(shù)量.在壓縮圖像中，本文方法用時更短，分別為24 和23 s.因此，本文算法具有較快的測量速度.

4.3 精確度的表達

結構撓度測量要求有足夠的精確度，對作動器施加不同荷載得到的試驗梁變形圖像，利用本文算法和AKAZE-BRIEF、AKAZE、SIFT 算法對壓縮后的圖像進行撓度測量，此時尺度因子s=0.165 295 mm/pixel，并將基于拼接圖像的測量結果與實際測量結果進行分析.為了量化其精度，使用均方根誤差（RMSE）進行誤差分析［5］

式中：n為數(shù)據(jù)集的數(shù)量；Ai和Bi分別為由視覺傳感器和百分表測得的撓度數(shù)據(jù)，百分表放置在試驗梁四分點位置.結果見表2.

從表2 可以看出本文提出的算法對壓縮后的圖像進行撓度值測量具有較高的精確度，明顯優(yōu)于另外三種算法，因此對壓縮后的圖像進行撓度測量速度更快，誤差較小，具有可行性.

表2 實驗室測量誤差分析Tab.2 Laboratory measurement error analysis

5 結果與分析

5.1 拼接結果

對試驗梁相繼施加0、50、100、150、200、225 和250 kN 的豎向荷載，利用連續(xù)圖像采集裝置獲得了試驗梁照片，拼接前、后圖像見圖11，可以看出裂縫及梁體底緣均實現(xiàn)了較完美拼接.圖12 為將全梁范圍內(nèi)圖像全部拼接完成后得到的全景圖像.

為驗證圖像拼接的必要性，現(xiàn)對225 kN 荷載下采用的單張圖片和拼接圖像撓度測量效果與百分表測量結果進行比較，單張圖像測量采用與拼接圖像相同的尺度因子.選取跨中及四分點位置處的3 張圖像進行撓度的測量.3 種撓度測量方式的比較結果見圖13.

圖11 試驗梁圖像Fig.11 Mosaic image

從圖13 可以看出，使用百分表測量撓度，只能獲得測量點位置處的撓度值；基于單張圖像的撓度測量，只能得到該圖像覆蓋范圍內(nèi)的變形信息，兩者皆具有局限性，且由于每張圖像間尺度因子的不同，測量誤差較大，需對不同的照片進行尺度因子的調(diào)整才能達到理想效果；基于拼接圖像的測量方法在拼接過程中使用DoG 尺度空間，使其具有相同的尺度因子，減小誤差，且拼接位置處亮度的變化不會對結果產(chǎn)生影響.其測量誤差結果見表3.

5.2 撓度測試結果

利用基于拼接圖像的撓度測量方法測量，結果見圖14.

從圖14 可以看出，基于拼接圖像的撓度測量方法所得的變形曲線與實際變形形狀相似，能夠方便地得到荷載作用下的撓度曲線表達式.將跨中及四分點處的撓度與百分表的測量結果進行對比，如表4 所示最大誤差為7.83%，平均誤差為4.02%，隨著荷載值的增加，誤差也逐漸減小.

圖13 單張圖像與拼接圖像撓度測量效果對比Fig.13 Comparison of deflection measurement results between single image and mosaic image

表3 單張圖像與拼接圖像撓度測量誤差Tab.3 Deflection measurement error of single image and mosaic image

圖14 撓度測量結果Fig.14 Deflection measurement results

5.3 像素率對撓度測量的影響

本文中相機拍攝圖片的像素值是確定值，相機與試驗梁表面之間的距離變化會影響拍攝的試驗梁在整張圖像中的像素率占比，從而影響撓度測量的精度.本文試驗梁截面尺寸為20 cm×30 cm，按照獲取試驗梁最優(yōu)像素率的要求，使相機視野范圍要覆蓋梁高，從而得到試驗梁最大像素率占比圖像.因此，本文中自行走支架平行放置在使相機距試驗梁35 cm 的位置，進行圖像采集.圖15 展示了本文相機距試驗梁不同距離采集圖像情況下，使用本文方法對試驗梁撓度測量平均誤差的影響.

表4 本文算法撓度識別結果誤差Tab.4 Error of deflection identification results of the algorithm in this paper

圖15 拍攝距離對撓度測量平均誤差的影響Fig.15 Effect of shooting distance on average error of deflection measurement

從圖15 可以看出，基于拼接圖像的撓度測量方法所得的變形曲線與實際變形的平均誤差，隨著相機拍攝試驗梁圖像的像素率的變化而改變.因此，對梁構件的截面拍攝時，按照相機視野范圍要覆蓋梁高的要求，使梁高充滿整個拍攝范圍，更有利于后續(xù)圖像拼接時的特征點匹配，使梁撓度測量平均誤差更小.

6 結論

傳統(tǒng)的接觸式撓度測量方法僅能獲得試驗構件典型特征點的變形，本文提出的基于圖像連續(xù)采集系統(tǒng)的拼接圖像撓度測量方法，為實驗室內(nèi)測量框架、梁等結構的整體變形檢測提供了一種新思路.主要結論如下：

1）圖像連續(xù)采集系統(tǒng)采用自行走支架裝置，使得工業(yè)相機實現(xiàn)與結構間保持合適距離、沿主梁方向的定距移動.

2）采用具有篩選機制的PCA-SIFT 圖像拼接技術，可獲得試驗梁的高質(zhì)量全景圖像.拼接處的亮度變化不影響后續(xù)的撓度測量.

3）采用優(yōu)化特征跟蹤方法，使簡化尺度空間的AKAZE 算法與BRIEF 算法結合提取特征點，并對KNN 粗匹配結果利用具有預檢驗且迭代次數(shù)自適應的RANSAC 算法進行匹配提純，從而實現(xiàn)特征跟蹤，相較經(jīng)典算法可縮短用時40%，多剔除誤匹配點對占總樣本數(shù)的31%.

4）利用特征跟蹤獲取的大量特征點位置和變形信息進行曲線擬合，從而得到試驗梁在荷載作用下的精確撓度曲線，平均誤差為4.02%.對獲取圖像進行壓縮處理，在保證精度的情況下，加快了測量速度.