IIPAGEPAGEI前言隨著城市快速的發(fā)展，人們生活水平的提高，城市用地緊張。摩天大樓、跨海大橋、海底隧道等大型重大基礎(chǔ)設(shè)施的數(shù)量不斷增漲，變形監(jiān)測涉及到整棟建筑結(jié)構(gòu)從“出生”到“保養(yǎng)”，包括工程施工階段，后期維護階段等，變形監(jiān)測要伴隨整棟建筑的一生。變形監(jiān)測是保障重大基礎(chǔ)設(shè)施安全運行的核心技術(shù)手段，它涉及到人的財產(chǎn)安全和生命安全，對整個社會的正常運轉(zhuǎn)具有重要作用。變形監(jiān)測當(dāng)中，傳統(tǒng)的變形監(jiān)測應(yīng)用不夠靈活、成本高，有時還要在變形體上安裝傳感器，還會破壞建筑物的表面等多方面的劣勢。而機器視覺技術(shù)在變形監(jiān)測中，用的是一種非接觸式測量方式，并且機器視覺變形監(jiān)測在精度高、實時性、自動化程度高等方面具有明顯的優(yōu)勢。因此本文利用智能手機結(jié)合機器視覺系統(tǒng)，做機器視覺變形監(jiān)測方法的研究。在機器視覺變形監(jiān)測方面很多學(xué)者做了多方面的研究。Lee等利用參照物，使用單目相機對變形體進行靜態(tài)監(jiān)測中對象及的位置進行修正，通過數(shù)字圖像處理技術(shù)對柔性橋梁進行實時位移測量。李進喜等聚焦于實際工程施工中，并且提出一種顏色閾值匹配結(jié)合霍夫變換的，基于輕量級機器視覺的算法。葉肖偉和董傳智對基于計算機視覺的結(jié)構(gòu)位移監(jiān)測做了詳細的綜述。李尚明等針對深基坑的變形監(jiān)測研究，建立了一套基于機器視覺的，深基坑變形監(jiān)測系統(tǒng)，根據(jù)相機的成像原理，通過計算相機的理論精度。時夢杰等在對霧天環(huán)境下機器視覺的邊坡監(jiān)測研究中，提出了一種結(jié)合暗通道先驗(DCP)的邊坡監(jiān)測方法。許孝臣，薛磊磊針對大壩表面GNSS變形監(jiān)測中所產(chǎn)生的劣勢，利用機器視覺技術(shù)對大壩表面進行變形監(jiān)測的研究，通過分析標(biāo)靶與相機的距離，計算相機的攝影距離對監(jiān)測精度的影響。本文對基于相機鏡頭產(chǎn)生畸變的影響，采用Matlab當(dāng)中的相機定標(biāo)算法模塊進行相機定標(biāo)。根據(jù)相機成像原理，相機的測量精度與焦距、攝影距離等元素有關(guān)，因此在相機定標(biāo)后對相機的精度進行檢定。本實驗應(yīng)用的設(shè)備為iPhone12ProMax，iPhone12ProMax擁有超廣角、廣角、長焦三種攝像鏡頭，因此分別對三種不同焦距的鏡頭進行定標(biāo)。在實驗設(shè)計階段及實驗實施環(huán)節(jié)，作者設(shè)計了測量兩標(biāo)靶之間距離的對照實驗，此實驗中的對照組為卷尺測量的相對距離，卷尺的測量距離測量精度為1毫米。實驗組為相機采集變形體的相片確定兩標(biāo)靶之間的相對距離，對于一定焦距的攝像鏡頭，攝影距離的遠近影響著相機測量的精度，即攝影距離越遠，手機攝像精度越低，因此對于一定焦距的鏡頭選擇合理的攝影距離進行相片的拍攝，例如，iPhone12ProMax中的超廣角鏡頭，在攝影距離2m處的測量精度為1.25mm，因此大于2米處進行手機攝影測量時可以將卷尺所測的距離作為對照組，即當(dāng)作真實值來處理。將采集的相片用機器視覺系統(tǒng)進行特征提取和像元距離的計算，其中應(yīng)用圓查找對圓形幾何標(biāo)靶進行特征提取，核心算法為霍夫變換和直線擬合。將圖像中得到的像元距離根據(jù)距離計算公式，計算實際距離，以對照組所測得的相對距離為依據(jù)進行精度評定。得出實驗結(jié)論：當(dāng)鏡頭焦距一定時，手機采集相片的精度隨著攝影距離的增大而降低；使用短焦距鏡頭拍攝影像時（以焦距為2.24mm的攝像鏡頭為例子），攝影鏡頭鏡頭在2m～5m的攝影距離范圍內(nèi)測量誤差最大，但在超過5m處的攝影距離誤差反而小，原因在于相機像元平面不變，距離越近采集的標(biāo)靶影像在圖像上所占據(jù)的像元格越多，即累積差越大。機器視覺變形監(jiān)測具有靈活、便捷、成本低多方面的優(yōu)點，在實際變形監(jiān)測當(dāng)中可以進行實時的動態(tài)變形監(jiān)測，大大降低了人工成本，提高了變形監(jiān)測的工作效率，進一步保障了變形監(jiān)測的安全。PAGEPAGEI1緒論1.1研究背景1.1.1研究背景變形監(jiān)測是保障重大基礎(chǔ)設(shè)施安全運行的核心技術(shù)手段。隨著全球城市化進程的快速發(fā)展，摩天大樓、跨海大橋、海底隧道等大型復(fù)雜的城市建筑的數(shù)量不斷增漲，并且國際橋梁與結(jié)構(gòu)工程協(xié)會（IABSE）統(tǒng)計數(shù)據(jù)顯示，2023年全球在役大型基礎(chǔ)設(shè)施中約23%已進入老化期，每年因結(jié)構(gòu)變形引發(fā)的安全事故造成的直接經(jīng)濟損失超1200億美元。傳統(tǒng)變形監(jiān)測技術(shù)為接觸式測量手段，如應(yīng)變片、光纖光柵（FBG）傳感器等，雖具有較高測量精度，但在實際應(yīng)用具有很多明顯的缺陷，施工成本高，傳感器布設(shè)需破壞結(jié)構(gòu)表面，監(jiān)測點如果布置過于密集會造成安裝成本過高，例如懸索橋變形監(jiān)測，整座橋若布置FBG傳感器，成本費用將會高達300萬元；穩(wěn)定性差，在復(fù)雜環(huán)境適應(yīng)性差，并且在強電磁干擾、高溫高壓等監(jiān)測場景中，測量的數(shù)據(jù)接收不穩(wěn)定，還會存在數(shù)據(jù)失真風(fēng)險；缺乏動態(tài)全場監(jiān)測能力，在風(fēng)載、地震等瞬態(tài)荷載下，難以去捕捉建筑結(jié)構(gòu)的變形狀態(tài)。2021年6月24日，美國佛羅里達州瑟夫賽德鎮(zhèn)的尚普蘭大廈（ChamplainTowersSouth）南樓發(fā)生局部坍塌，造成98人死亡。這座12層海濱公寓建于1981年，坍塌前已存在嚴重結(jié)構(gòu)老化問題，但未得到有效監(jiān)測與干預(yù)，整體建筑結(jié)構(gòu)載荷能力已經(jīng)崩潰，最終造成了大量的人員傷亡和大量的經(jīng)濟損失。圖1.1美國尚普蘭大廈坍塌事故Fig.1.1TheCollapseAccidentofChamplainTowersintheUnitedStates圖1.2虎門大橋Fig.1.2HumenBridge2020年5月5日，廣東虎門大橋懸索橋橋面在自然風(fēng)風(fēng)速為10～16米/秒條件下發(fā)生明顯風(fēng)振，震動幅度將近半米。緊接著第二天，虎門大橋又一次產(chǎn)生振動。此次風(fēng)振是虎門大橋運行二十多年以來第一次出現(xiàn)的振幅將近半米的現(xiàn)象，大橋產(chǎn)生風(fēng)振的主要原因：低風(fēng)速環(huán)境下，水馬堵塞了原本流線型鋼箱梁的通風(fēng)孔，破壞了橋梁的空氣動力學(xué)特性，導(dǎo)致風(fēng)通過時形成周期性脫落的漩渦（卡門渦街），與橋梁固有頻率發(fā)生共振但是短期內(nèi)不影響橋梁結(jié)構(gòu)安全，但長期需保持監(jiān)測。深圳賽格大廈于2021年5月18日發(fā)生多次明顯震動，引發(fā)公眾對超高層建筑安全性的關(guān)注。經(jīng)過技術(shù)調(diào)查與專家論證，賽格大廈發(fā)生振動的主要原因是其頂部的細長桅桿在特定風(fēng)速下發(fā)生渦激共振，其振動頻率達到2.12赫茲，與大廈的高階彎扭組合模態(tài)頻率一致，從而帶動大廈主體結(jié)構(gòu)發(fā)生振動。圖1.3深圳賽格大廈Fig.1.3ShenzhenSEGPlaza針對上述問題，可以了解到建筑物的變形狀態(tài)預(yù)示著建筑物整體的是否安全，是否具有危險性。在建筑施工當(dāng)中，我們常常要對建筑物沉降、傾斜等因素做靜態(tài)變形監(jiān)測。但是遇到復(fù)雜的大型建筑結(jié)構(gòu)（摩天大樓、跨海大橋等），不僅要對其進行靜態(tài)變形監(jiān)測，還要對其進行動態(tài)變形監(jiān)測，尤其是當(dāng)受到不可控的自然環(huán)境時，如臺風(fēng)、地震等，動態(tài)變形監(jiān)測就變得尤為重要。從變形監(jiān)測的安全性、實時性等方面考慮，本文聚焦于機器視覺變形監(jiān)測方法的研究，為提高變形監(jiān)測系統(tǒng)的環(huán)境適應(yīng)性、靈活性及可靠性。結(jié)合智能手機輕便靈活等優(yōu)勢和計算視覺圖像處理軟件兩方面，梳理一套機器視覺變形監(jiān)測方法。能讓工程技術(shù)人員快速獲取在事發(fā)事故發(fā)生之前獲取建筑物的一場變形，快速有效的對危險進行預(yù)警，對保障人民群眾生命財產(chǎn)安全具有重大意義。1.1.2技術(shù)演進脈絡(luò)早在2007年藍章禮等便提出了一種基于激光和視頻二者結(jié)合的橋梁二維位移測量監(jiān)測系統(tǒng)，通過計算激光光斑的中心坐標(biāo)位置變化來測量橋梁的豎直和水平位移，并且應(yīng)用到了實際的變形監(jiān)測當(dāng)中。藍章禮團隊的研究不僅解決了傳統(tǒng)監(jiān)測技術(shù)應(yīng)用花費高、精度不夠高的等劣勢，還為橋梁的安全評估提供了高效、可靠的技術(shù)手段，具有重要的工程應(yīng)用價值。2000-2010年還處于對機器視覺變形監(jiān)測的探索階段，在這個階段當(dāng)中機器視覺變形監(jiān)測方法主要依賴于傳統(tǒng)的圖像處理技術(shù)，如邊緣檢測、模板匹配等。這些技術(shù)方法在簡單的技術(shù)結(jié)構(gòu)當(dāng)中可以得到很好的效果，但對復(fù)雜環(huán)境的適應(yīng)性較差。2010年代開始了多視點與高精度測量階段，隨著計算機硬件性能的提高和圖像處理算法的不斷優(yōu)化，多視點測量方法和高精度測量技術(shù)逐漸興起。這些方法通過多個視角的圖像數(shù)據(jù)融合，提高了測量的精度和可靠性。2020年代，深度學(xué)習(xí)與智能算法逐漸深入到工科類的研究當(dāng)中，例如遙感科學(xué)與技術(shù)、地理信息工程等學(xué)科當(dāng)中，同時深度學(xué)習(xí)技術(shù)的不斷深化與發(fā)展也為機器視覺變形監(jiān)測提供了新的可能?；谏疃葘W(xué)習(xí)的圖像匹配算法和目標(biāo)識別算法現(xiàn)在已經(jīng)能夠自動提取圖像特征，并且隨著算法的不斷優(yōu)化，提取的特征點更加準(zhǔn)確，精度也更高。趙芳等提出了一種基于單目視覺和近紅外靶標(biāo)的豎直變形監(jiān)測方法，這種方法通過在被測結(jié)構(gòu)上安裝近紅外靶標(biāo)燈，采用市場內(nèi)紅外標(biāo)靶自動識別方法和基于被測目標(biāo)思安真實羊角的彈幕視覺標(biāo)定計算方法，實現(xiàn)了高精度的豎直變形監(jiān)測。2020年代之后，城市現(xiàn)代化進程和智慧城市的不斷發(fā)展，人們生活質(zhì)量不斷提高，對社會基礎(chǔ)設(shè)施保障的要求也不斷提高，時動態(tài)監(jiān)測和預(yù)警技術(shù)得到了快速發(fā)展，這樣使得機器視覺變形監(jiān)測更多的應(yīng)用到各個方面，機器視覺監(jiān)測能夠?qū)崟r獲取結(jié)構(gòu)的變形數(shù)據(jù)，并進行動態(tài)分析和預(yù)警。機器視覺變形監(jiān)測技術(shù)廣泛應(yīng)用在橋梁、隧道、建筑物等大型基礎(chǔ)設(shè)施的安全監(jiān)測當(dāng)中。例如，在寧波地鐵隧道的變形監(jiān)測項目中，通過機器視覺深度學(xué)習(xí)技術(shù)實現(xiàn)了精密實時動態(tài)形變識別測量，能夠?qū)崟r監(jiān)測隧道的變形情況，并進行預(yù)警。1.2國內(nèi)外研究現(xiàn)狀1.2.1國內(nèi)研究狀況當(dāng)前，工程應(yīng)用當(dāng)中主要的變形測方法有傳統(tǒng)光學(xué)測量儀器測量方法、大地測量監(jiān)測法、GNSS（GlobalNavigationSatelliteSystem）測量方法、三維激光掃描儀測量方法（Three-dimensionalLaserScanningTechnology，TLS）、干涉雷達（InterferometricSyntheticApertureRadar，INSAR）測量方法、機器視覺變形監(jiān)測方法等。大地測量變形監(jiān)測，主要是測繪人員到外業(yè)，使用測繪儀器去對地表或者地表構(gòu)筑物等進行變形監(jiān)測。傳統(tǒng)的光學(xué)測量儀器在早期使用的是經(jīng)緯儀、水準(zhǔn)儀等儀器對變形體進行校對、位移量等變形監(jiān)測，現(xiàn)在隨著儀器設(shè)備智能化數(shù)字化的發(fā)展，全站儀逐漸替代傳統(tǒng)光學(xué)測量儀器，被頻繁應(yīng)用到工程變形監(jiān)測當(dāng)中。但是大地測量變形監(jiān)測有很明顯的劣勢，需要人工操作，工作量大且效率低。GNSS變形監(jiān)測方法是利用衛(wèi)星與地面接收機，對地球表面特征點進行采集和定位。工程施工中最常用的就是GPS-RTK實時動態(tài)連續(xù)檢測系統(tǒng)，工程測量人員手持RTK，或者這在變形體上安裝傳感器，對建筑結(jié)構(gòu)進行其位移變形等的測量。但是GNSS安裝成本較高，而且若受到建筑物遮蔽或者信號不好的環(huán)境，施工測量就無法再進行下去。三維激光掃描技術(shù)，利用三維激光掃描儀或者激光雷達，對近地面的地表或者建筑物等進行激光掃面，采集的數(shù)據(jù)信息是面形體的空間三位坐標(biāo)點，采集的密集點會形成點云，會對采集的點位信息進行分析，形成三維模型。三維激光掃描技術(shù)不需要再變形體上安裝傳感器，大大減少了施工成本，但是三維激光掃描技術(shù)測量局限性比較明顯，數(shù)據(jù)處理量大成本高。干涉雷達技術(shù)就是利用合成孔徑干涉雷達進行變形監(jiān)測，雷達技術(shù)根據(jù)遙感平臺的不同，可以分為近地面遙感和航空遙感?；诶走_的變形監(jiān)測可以全天侯，不受天氣的影響，且監(jiān)測范圍廣泛，遠可監(jiān)測大片水體、林地，近可觀測建筑物的結(jié)構(gòu)變形。但是使用雷達進行變形監(jiān)測，其儀器成本較高，圖像處理復(fù)雜。機器視覺變形監(jiān)測技術(shù)是利用相機對目標(biāo)物進行連續(xù)的相片采集，或者利用攝像頭對變形體進行實時的監(jiān)測。內(nèi)業(yè)當(dāng)中對采集來的相片進行一定的處理，主要有特征點的提取和特征點的匹配，依據(jù)相機成像原理，有像素距離計算實際距離等。近年來國內(nèi)對機器視覺變形監(jiān)測的研究已經(jīng)頗多，對于機器視覺的研究算法也越來越豐富，復(fù)雜程度也越來越高。采集數(shù)據(jù)的設(shè)備應(yīng)用上也很豐富，傳感器的種類也多種多樣，例如，數(shù)碼相機、無人機搭載的相機、工業(yè)相機等。許多學(xué)者在機器視覺方面也進行了很多的研究。李進喜等聚焦于實際工程施工中，并且提出一種顏色閾值匹配結(jié)合霍夫變換的，基于輕量級機器視覺的算法，對型鋼梁變形進行監(jiān)測[1]。此研究通過RGB轉(zhuǎn)換HSV空間得到顏色閾值結(jié)合進行霍夫變換識別,能夠同時對多個目標(biāo)靶點的位置信息進行實時的變形監(jiān)測。并且證明在合理的溫度范圍內(nèi)，橋梁的變形保持安全性的情況下，于一定的精度和穩(wěn)定性方面，這種算法可以滿足工程要求[1]。時夢杰等在對霧天環(huán)境下機器視覺的邊坡監(jiān)測研究中，提出了一種結(jié)合暗通道先驗(DCP)的邊坡監(jiān)測方法，這種算法有效的克服了在霧天情況下圖像質(zhì)量低下的情況，在不同等級霧天影響的狀況下，這種算法的實際應(yīng)用效果較好[2]。許孝臣，薛磊磊等針對大壩表面GNSS變形監(jiān)測中所產(chǎn)生的劣勢，利用機器視覺技術(shù)對大壩表面進行變形監(jiān)測的研究，通過分析標(biāo)靶與相機的距離，計算相機的攝影距離對監(jiān)測精度的影響，結(jié)果表明機器視覺技術(shù)完全可以提高監(jiān)測質(zhì)量的技能精度和穩(wěn)定性等[3]。楊軍杰等在對鐵路變形監(jiān)測，視覺自動化監(jiān)測技術(shù)中，研究了一種基于數(shù)字化近景攝影測量，非接觸式的變形監(jiān)測方法，試驗結(jié)果表明，850nm的鋁箔片可以大大降低太陽光照所帶來的誤差，并且所研究的這個系統(tǒng)具有全天候、自動化、精度高、非接觸等優(yōu)點[4]。李尚明等針對深基坑的變形監(jiān)測研究，建立了一套基于機器視覺的，深基坑變形監(jiān)測系統(tǒng)，根據(jù)相機的成像原理，通過計算相機的理論精度[5]。此基于機器視覺的變形監(jiān)測系統(tǒng)應(yīng)用到黃木崗交通樞紐，實際的預(yù)測誤差不超過百分之六[5]。楊娜等聚焦于古建筑的整體變形，以及局部變形監(jiān)測，提出了一種基于機器視覺的古建筑變形監(jiān)測系統(tǒng)，研究表明在偶然荷載下，有沒有標(biāo)靶，其建筑物的結(jié)構(gòu)變形誤差都小于8%，而在長期有標(biāo)靶的情況下，結(jié)構(gòu)變形誤差下雨4%[6]。張邵賀等針對傳統(tǒng)人工變形監(jiān)測方法，不能夠滿足對于交通結(jié)構(gòu)需要高精度和實時性強的需求，提出一種尺度不變特征變換（Scale-InvariantFeatureTransform,SIFT)算法，基于SIFT算法的機器視覺軌道交通變形監(jiān)測方法，和傳統(tǒng)變形監(jiān)測方法相結(jié)合，提高了變形監(jiān)測的總體測量精度。值得一提的是，SIFT算法能夠很好的提取特征點的信息，提高整個軌道交通結(jié)構(gòu)變形監(jiān)測系統(tǒng)的實時性、自動化程度等[7]。陳波等[8]對于大壩表面人工接觸式變形監(jiān)測所存在的施工成本高、檢測頻率低等問題，提出了一種融合時空特征，對于大壩表面位移監(jiān)測非接觸式的智能檢測方法，實驗不同的圖像算法對測量精度的影響，發(fā)現(xiàn)，基于曲面你和的STC追蹤算法較其他目標(biāo)算法，精度底稿了48%。洪成雨等[9]基于機器視覺的地下裝配式車站監(jiān)測評估研究，找尋地下裝配式車站沉降的變化規(guī)律，設(shè)計了一套試驗方案，將實測數(shù)據(jù)與室內(nèi)計算結(jié)果進行對比，建立了一套可靠度高的多尺度安全評級方法。葉肖偉和董傳智[10]對基于計算機視覺的結(jié)構(gòu)位移監(jiān)測做了詳細的綜述。從攝像設(shè)備選擇、標(biāo)志物選擇、相機標(biāo)定、特征提取、目標(biāo)追蹤、監(jiān)測影響因素方面對基于計算機視覺的變形監(jiān)測進行了全方位的論述。并對于研究現(xiàn)狀進行了簡單總結(jié)。胡園園等[11]對于機器視覺去采取基坑實時的圖像信息，利用坐標(biāo)轉(zhuǎn)換及像素比例算法，對采集來的圖像中的像素點位進行匹配計算，驗證了機器視覺技術(shù)可以像傳統(tǒng)變形監(jiān)測一樣，進行工程上的變形監(jiān)測，而且機器視覺變形監(jiān)測系統(tǒng)精度更高，自動化程度也更高。1.2.2國外研究狀況國外對機器視覺變形監(jiān)測的研究主要集中在高精度測量和實時動態(tài)監(jiān)測方面，且使用的變形監(jiān)測方法涵蓋了傳統(tǒng)的光學(xué)測量儀器、GNSS、三維激光掃描、大地測量和機器視覺等測量方法。傳統(tǒng)測量方法方面，Ehrhart等[12]，針對需要大量人工需要的變形監(jiān)測，所存在的成本高、效率低等問題，使用了圖像輔助全站儀（ImageAssistantTotalStation，IATS），利用此方法對橋梁的變形進行了測量，并且有一定的測量精度。GPS監(jiān)測法，因其受到環(huán)境場地的限制，需要在變形體上安裝大量的變形監(jiān)測傳感設(shè)備，且還會受到信號遮蔽等問題的影響，許多研究人員，已經(jīng)可以研究出在非理想環(huán)境下進行變形監(jiān)測的測量也能達到較好的精度級。國外在對三維激光掃描（Three-dimensionalLaserScanningTechnology，TLS）監(jiān)測和大地測量監(jiān)測等方面也有頗多研究和創(chuàng)新。Abbas等[13]，對三維激光掃描儀應(yīng)用在在植被覆蓋邊坡上的難度較大，且設(shè)備成本高、經(jīng)濟性能差等方面的劣勢。聚焦分析了地面激光掃描儀在邊坡監(jiān)測中的精度問題，分析了限制其目標(biāo)識別效果的主要原因。Marek等[14]，面對應(yīng)用大地測量手段所固有的測量不夠自動化等問題，提出使用無人機對滑坡進行傾斜攝影測量，并進行了三維重建。國外在機器視覺變形監(jiān)測方面的研究開始的比較早，在上世紀(jì)60年代，Roberts已經(jīng)研究將地球物理表面實際的景象，通過計算機結(jié)合一定的算法，轉(zhuǎn)換成供計算機可以理解計算的圖形，然后再進行特征提取與特征匹配?，F(xiàn)代學(xué)者對于機器視覺也做了多方面的研究。Lee等[15]利用參照物，使用單目相機對變形體進行靜態(tài)監(jiān)測中對象及的位置進行修正。Sestras等[16]提出了一種多種方法融合的變形監(jiān)測方法，結(jié)合無人機、GIS和大地測量邊等測量方法，對羅馬尼亞某一地區(qū)進行變形監(jiān)測的實驗。1.2.3機器視覺在變形監(jiān)測中的應(yīng)用隨著機器視覺技術(shù)的越來越成熟，機器視覺變形監(jiān)測技術(shù)也更多、更廣泛的應(yīng)用到實際工程當(dāng)中，這其中包括了，交通樞紐、大壩邊坡、隧道施工和深基坑施工等方面都逐漸應(yīng)用機器視覺變形監(jiān)測系統(tǒng)。2016年，HyungchulYoon[17]等人研究出一種消費級錄像機GoProHero3Blackedition，此相機能夠?qū)Ψ菢?biāo)靶處的對象進行目標(biāo)識別，并且還能夠?qū)D像進行處理。并且還和其它智能手機進行了對照試驗，并驗證了此相機能夠進行變形監(jiān)測的有效性。2019年，深圳地黃木崗下交通樞紐在建設(shè)過程階段，對大傾角V型柱、車站頂板位移和大型剛梁撓度等的變形監(jiān)測，都采用了機器視覺變形監(jiān)測系統(tǒng)進行實時的監(jiān)測。機器視覺系統(tǒng)檢測精度達到公眾要求精度，且精度更高，能夠進行實時、連續(xù)的變形監(jiān)測，保障了施工過程中的安全性，同時也提高了施工的效率。2025年3月，中國電建水電開發(fā)公司桃源水電站，首次應(yīng)用機器視覺變形監(jiān)測系統(tǒng)，該由2000萬有效像素智能工業(yè)相機組成了“數(shù)字瞳孔”監(jiān)測網(wǎng)絡(luò)，可智能識別10對有源靶標(biāo)，并且通過嵌入式圖像識別和自主運算，系統(tǒng)精確計算圖像中監(jiān)測部位靶標(biāo)位置，通過對比位置變化，實現(xiàn)工程的高精度相對變形監(jiān)測。桃園水電站引入的機器視覺系統(tǒng)融合了“數(shù)字圖像+人工智能”技術(shù)，實現(xiàn)了對水工建筑物毫米級變形全天候精準(zhǔn)監(jiān)測，相比傳統(tǒng)人工監(jiān)測，該系統(tǒng)以機器自動識別取代人工觀察，顯著提升了水工建筑物安全監(jiān)測的效率與精準(zhǔn)程度，有效避免了人工操作失誤和人為干預(yù)的影響。1.3研究內(nèi)容及設(shè)計路線1.3.1研究內(nèi)容本文主要的研究內(nèi)容如下：第一章：為本文緒論。主要介紹了機器視覺變形監(jiān)測的研究背景，從國內(nèi)外兩方面，詳細論述了國內(nèi)外學(xué)者對于機器視覺技術(shù)的研究狀況和未來發(fā)展，機器視覺技術(shù)在實際工程施工中的應(yīng)用，最后闡述了本文的總設(shè)計路線。第二章：介紹了相機成像原理及智能手機。本章主要對相機的成像原理做了闡述，說明智能手機鏡頭成像原理與相機類似，同時還闡述了智能手機鏡頭的組成部分。第三章：介紹了相機的標(biāo)定及相機精度的計算方法，介紹的相機鏡頭的畸變，幾種定標(biāo)方法，并對對張正友相機定標(biāo)方法做了具體了闡釋。然后，用Matlab對本文所使用的圖像采集設(shè)備進行了相機的定標(biāo),利用核心公式計算相機精度。第四章：介紹了智能手機變形監(jiān)測的實驗設(shè)計、圖像數(shù)據(jù)處理以及對結(jié)果的分析和精度評定。1.3.2設(shè)計路線本文按照按照以下設(shè)計路線進行研究（圖1.4）。圖1.4設(shè)計路線Fig.1.4Designtheroute1.4本章小結(jié)本章就論文的研究背景和研究內(nèi)容進行了論述。著重分析了變形監(jiān)測的主要的應(yīng)用方法，總結(jié)了國內(nèi)外應(yīng)用智能手機進行變形監(jiān)測的研究現(xiàn)狀。用工程建設(shè)中變形監(jiān)測多種經(jīng)典案例，總結(jié)了傳統(tǒng)變形監(jiān)測手段在實際工程應(yīng)用的弊端，以及智能手機應(yīng)用于變形監(jiān)測中的優(yōu)勢，以此為出發(fā)點，構(gòu)思了本文的研究思路和技術(shù)設(shè)計路線，并指明了論文的研究方向。2相機的成像原理2.1相機成像原理相機按照成像原理可以分為數(shù)碼相機、膠片相機和特殊成像相機，現(xiàn)在市面上的主流相機為數(shù)碼相機，但是隨著智能手機攝像頭的不斷發(fā)展，智能手機還有便攜輕便靈活等優(yōu)點，智能手機的應(yīng)用越來越廣泛。相機的成像原理從光學(xué)與光電能量轉(zhuǎn)換的角度來說，可以進行以下解釋：當(dāng)光線通過鏡頭時，鏡頭會將光線聚焦到相機的成像平面上。此時鏡頭的作用就是將空間中的實際物體投影到像平面上并形成一個倒立的實像。相機收集到光后需要將光信號轉(zhuǎn)換成電信號，通過傳感器上的CMOS（互補金屬氧化物半導(dǎo)體）或CCD（電荷耦合器件）進行光電轉(zhuǎn)換。圖2.1是簡單的相機成像原理圖。圖2.1相機成像原理圖Fig.2.1Cameraimagingschematic從幾何層面來看，相機成像如果忽略鏡頭畸變帶來的影響，實際就是一個光學(xué)成像過程，可以理解成光的直線傳播原理?？偟膩碚f就是通過一系列的矩陣變換，將空間物體的點變換成圖像上的一個像元點，實際上就是將實際的三維坐標(biāo)投影到像平面坐標(biāo)。圖2.2相機坐標(biāo)系與世界坐標(biāo)系Fig.2.2Cameracoordinatesystemandworldcoordinatesystem如圖2.2，圖中為攝影中心，以為坐標(biāo)原點，鏡頭光軸與平行，做與垂直的平面，有軸與軸，建立相機坐標(biāo)系。若將世界坐標(biāo)系中的點(,,)轉(zhuǎn)換到相機坐標(biāo)系當(dāng)中，需要經(jīng)過旋轉(zhuǎn)參數(shù)和平移參數(shù)將點變換到相機坐標(biāo)系中，設(shè)世界坐標(biāo)系中的(,,)轉(zhuǎn)換到相機坐標(biāo)系下為（,,)，兩個坐標(biāo)點之間的關(guān)系可以寫為，以下矩陣變換公式：（2.1）根據(jù)相機的針孔成像成像原理，可以將相機坐標(biāo)系中的點變換到像平面坐標(biāo)，此時形成的是一個二維平面坐標(biāo)，設(shè)此時由相機坐標(biāo)中的轉(zhuǎn)換到像平面上的坐標(biāo)點為，兩者坐標(biāo)的變換公式為：（2.2）最后，還需要將像平面坐標(biāo)變換成像素坐標(biāo)，因為在做數(shù)據(jù)處理時處理的內(nèi)容為像素，所以還要再進行一步坐標(biāo)變換，設(shè)由像平面坐標(biāo)變換到像素坐標(biāo)系中的坐標(biāo)點為，即變換公式為：（2.3）其中，為像平面和攝影機光軸穿過的原點，，為兩方向的焦距，由此可以得到由世界系坐標(biāo)點到像素平面坐標(biāo)系的轉(zhuǎn)換，轉(zhuǎn)換公式為：（2.4）為了后文敘述方便，另上式中：（2.5）（2.6）智能手機的成像原理與相機的成像原理基本相同，對于智能手機的成像原理在這里就不在過多的闡述。但是智能手機相較于普通相機具有不能靈活的進行調(diào)焦的缺點，因此智能手機會裝有多鏡頭，為了實現(xiàn)“調(diào)焦”的功能，智能手機的優(yōu)點也很明顯，他設(shè)計更加緊湊，集成了多種先進的技術(shù)，將便攜性和高性能能夠協(xié)調(diào)的很好。2.2智能手機鏡頭2000年9月，夏普推出全球第一款搭載攝像頭的手機J-SH04，隨后過去十幾年內(nèi)，有多款配有攝像功能的手機逐漸進入市場，但是早期的智能手機像素低，照片成像不清晰，技術(shù)不夠成熟，應(yīng)用功能也不夠健全。隨后幾年智能手機攝像頭得到了快速的發(fā)展，2007年蘋果公司推出了搭載200萬像素鏡頭的智能手機，在這一時期智能手機的鏡頭像素越來越高，圖像也越來越清晰。2011年，LG公司推出了全球首款雙攝手機P925，雙攝手機區(qū)別于早期單攝相機，單攝相機只有一個攝影方向，也就是通過后置攝像頭進行拍攝，而P925在搭載后置攝像頭的基礎(chǔ)上又搭載了前置攝像頭。2015年以后手機市場如雨后春筍般，在攝像頭不僅局限于“雙攝”，“多攝”攝像頭逐漸成為手機市場的主流，例如iPhone12ProMax智能手機鏡頭由超廣角、廣角和長焦鏡頭集成，可以實現(xiàn)用不同焦距的鏡頭拍攝影像。前文中，作者已經(jīng)提到智能手機的攝像頭相較于普通數(shù)碼相機來說，不具備調(diào)焦功能，但是智能手機多鏡頭的配置模式，可以彌補智能手機調(diào)焦功能的不足。但是2022年5月索尼公司發(fā)布了Xperia1IV，是一款有連續(xù)光學(xué)變焦功能的智能手機，自此標(biāo)志著連續(xù)光學(xué)變焦的智能手機開始市場化。隨著人們對智能手機攝像頭功能的不斷增長，以及技術(shù)的進步，智能手機攝像頭的功能也越來越豐富，視頻的分辨率已經(jīng)從以前的1080P已經(jīng)提高了4K級別，后置攝像頭也有了超廣角和長焦鏡頭。2.2.1智能手機攝像模組攝像頭模組主要由鏡頭(Lens)、音圈馬達(VCM、紅外濾光片(IR-cutFilter)、圖像傳感器(Sensor)、柔性印制電路板(FPCB)等部分組成。鏡頭的作用是將光線匯聚到圖像傳感器上；音圈馬達是完成攝像頭的自動對焦；紅外濾光片能夠濾除人眼的非可見光；圖像傳感器實現(xiàn)光電轉(zhuǎn)換，將光信號轉(zhuǎn)換成電信號；柔性印制電路板對其他部分起到將攝像頭模組與主處理器連接起來的作用，并進行數(shù)據(jù)傳輸。圖2.3攝像模組圖Fig.2.3Cameramodulediagram2.3本章小結(jié)本章主要闡述了相機的成像原理，并指出了智能手機的鏡頭的成像原理與相機的成像原理基本相同。本章還介紹了，智能手機鏡頭的發(fā)展和智能手機攝像頭的組模。智能手機的攝像鏡頭像素越來越高，多攝像頭成為主流。3相機標(biāo)定及精度的計算3.1畸變鏡頭鏡頭畸變（Distortion）指的是物體通過鏡頭成像時由于鏡片的折射率、曲率等參數(shù)的影響，導(dǎo)致光線在通過鏡頭的過程中發(fā)生折射、散射，從而產(chǎn)生畸變。實際上就是圖像相對于真實圖像間產(chǎn)生了一些變形，使所成的物像產(chǎn)生失真，但是往往卻不影響像的清晰度。根據(jù)鏡頭畸變誤差物理模型攝像頭的畸變類型主要分為兩大類，分別是徑向畸變（RadialDistortion）和切向畸變（TangentialDistortion）。徑向畸變是由于鏡頭的光學(xué)特性導(dǎo)致的，主要表現(xiàn)為圖像中心與整個圖像邊緣相比，二者的放大倍數(shù)不同。徑向畸變進一步進行劃分又可分為桶形畸變（BarrelDistortion）和枕形畸變（PincushionDistortion）。圖3.1是徑向畸變產(chǎn)生的原理圖。圖3.1徑向畸變產(chǎn)生示意圖Fig.3.1Schematicdiagramofradialdistortiongeneration枕型畸變是畫面向中間“收縮”，通常在使用長焦鏡頭或變焦鏡頭的長焦端時較為明顯，這種畸變表現(xiàn)為圖像中心區(qū)域放大倍數(shù)較大，邊緣區(qū)域放大倍數(shù)較小，導(dǎo)致圖像邊緣向內(nèi)收縮，形成一個類似于枕頭形狀的變形，如圖3.2所展示的就是枕型畸變。桶形畸變（BarrelDistortion）的畫面呈桶形膨脹狀，通常在使用廣角鏡頭或變焦鏡頭的廣角端時較為明顯。這種畸變表現(xiàn)為圖像中心區(qū)域放大倍數(shù)較小，邊緣區(qū)域放大倍數(shù)較大，導(dǎo)致圖像邊緣向外凸出，如圖3.3。圖3.2枕型畸變Fig.3.2Pillowdistortion圖3.3桶形畸變Fig.3.3barreldistortion徑向畸變可通過多項式模型來描述，以下為其的核心公式：（3.1）其中，為原始圖像坐標(biāo)系中的像素坐標(biāo)，并以圖像中心為原點。為校正后的像素坐標(biāo)。，為像素點到圖像中心的距離。徑向畸變系數(shù)，通常由相機標(biāo)定獲得。切向畸變（TangentialDistortion）由于相知制作不精細等原因，鏡頭與傳感器平面安裝偏差引起，使像素點沿切線方向發(fā)生了位移。其數(shù)學(xué)模型為：（3.2）其中，為原始圖像坐標(biāo)系中的像素坐標(biāo)，為校正后的像素坐標(biāo)。為切向畸變系數(shù)，用來描述鏡頭與傳感器平面之間的傾斜誤差，，為像素點到圖像中心的距離。由此可知，若將兩種畸變都去除，可以用以下多項式來表示：（3.3）3.2相機標(biāo)定相機標(biāo)定就是確定相機內(nèi)部參數(shù)和外部參數(shù)，內(nèi)部參數(shù)是確定焦距、主點坐標(biāo)、像素尺度等參數(shù)，外部參數(shù)是確定相機在世界坐標(biāo)系下的姿態(tài),最終目的是為了建立起圖像像素坐標(biāo)與世界坐標(biāo)之間的關(guān)系。通過相機標(biāo)定，可以消除相機成像過程中產(chǎn)生的畸變，提高圖像測量的精度和準(zhǔn)確性，為后續(xù)的計算機視覺算法提供更加準(zhǔn)確的基礎(chǔ)數(shù)據(jù)。定標(biāo)方法主要有三種：傳統(tǒng)標(biāo)定方法，這種方法需要制作標(biāo)定板，如棋盤格、圓形圖案等。通過拍攝標(biāo)定物在不同位置和姿態(tài)下的圖像，利用圖像中特征點的像素坐標(biāo)和其在世界坐標(biāo)系中的真實坐標(biāo)，建立方程組，求解相機的內(nèi)外參數(shù)，這種方法精度較高，但需要人工制作和擺放標(biāo)定物，操作相對復(fù)雜，而且對拍攝環(huán)境有一定要求。還要自標(biāo)定方法，這種方法不需要專門的標(biāo)定物，而是利用相機在運動過程中拍攝的多幅圖像之間的幾何關(guān)系來進行標(biāo)定。自標(biāo)定方法通?；趯O幾何、三焦張量等理論，通過提取圖像中的特征點并進行匹配，計算出相機的參數(shù)。這種方法相對于傳統(tǒng)方法更為簡便、靈活，但精度較低，并且還需要較高質(zhì)量的圖像以及匹配點。近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，也出現(xiàn)了一些利用機器算法來完成相機標(biāo)定方法，例如OpenCV、Matlab等計算機軟件，都有現(xiàn)成的算法去進行相機的定標(biāo)，其中OpenCV里的相機定標(biāo)，就是基于傳統(tǒng)定標(biāo)方法張正友相機定標(biāo)所研究的相機定標(biāo)的算法。通過計算機，只需要向軟件內(nèi)輸入拍攝的相片，然后通過計算機自動計算定標(biāo)的內(nèi)部參數(shù)。3.2.1張正友相機標(biāo)定方法張正友相機標(biāo)定方法是一種經(jīng)典的相機標(biāo)定方法，由微軟亞洲研究院的張正友教授提出。張正友相機標(biāo)定方法在計算機視覺的多個領(lǐng)域都有廣泛的應(yīng)用，如三維重建、增強現(xiàn)實、自動駕駛等。張正友相機標(biāo)定方法的基本原理是基于平面模板進行標(biāo)定。假設(shè)世界坐標(biāo)系中的一個平面與相機成像平面之間存在一種特定的映射關(guān)系，通過拍攝多張不同姿態(tài)下的平面模板圖像，利用圖像中的特征點（通常是棋盤格的角點）來建立這種映射關(guān)系，進而求解相機的內(nèi)部參數(shù)和外部參數(shù)。圖3.4相機標(biāo)定中的坐標(biāo)轉(zhuǎn)換Fig.3.3CoordinateConversioninCameraCalibration張正友定標(biāo)方法的主要步驟：準(zhǔn)備一個知道尺寸的標(biāo)定板，一般是黑白相間的棋盤格圖案。將標(biāo)定板固定到墻面上，距離標(biāo)定板一定距離拍攝圖像，從不同的攝影角度用待標(biāo)定的相機拍攝至少30張圖像。確保在拍攝過程中，標(biāo)定板能夠覆蓋相機的視野范圍，并且相機的拍攝角度和姿態(tài)足夠豐富，以獲取足夠的信息用于標(biāo)定。提取特征點，對拍攝的每張圖像，使用圖像處理算法提取出棋盤格角點的像素坐標(biāo)。這些像素坐標(biāo)將作為后續(xù)計算的輸入數(shù)據(jù)。計算單應(yīng)性矩陣，對于每一張圖像，通過求解圖像平面上的角點坐標(biāo)與世界坐標(biāo)系中對應(yīng)角點坐標(biāo)之間的單應(yīng)性矩陣，來建立兩者之間的映射關(guān)系。單應(yīng)性矩陣可以通過最小二乘法等方法進行求解。求解出相機內(nèi)、外部參數(shù)，利用多個單應(yīng)性矩陣之間的約束關(guān)系，構(gòu)建關(guān)于相機內(nèi)部參數(shù)的方程組。通過對方程組進行求解，可以得到相機的內(nèi)部參數(shù)，如焦距、主點坐標(biāo)、像素尺度等。在求解過程中，通常會使用到矩陣分解、奇異值分解等數(shù)學(xué)方法。在已知相機內(nèi)部參數(shù)的基礎(chǔ)上，根據(jù)單應(yīng)性矩陣和內(nèi)部參數(shù)，可以進一步計算出每張圖像對應(yīng)的相機外部參數(shù)，包括旋轉(zhuǎn)和平移參數(shù)，從而確定相機在世界坐標(biāo)系中的位置和姿態(tài)。上述（3）（4）（5）這三步的解算過程，可以通過Matlab或者其他具有相機定標(biāo)算法的軟件來實現(xiàn)。張正友相機標(biāo)定方法與其他相機標(biāo)定方法相比有明顯的優(yōu)勢，第一，精度較高，該方法通過建立平面模板與圖像之間的映射關(guān)系，能夠有效地利用平面模板的幾何信息，從而獲得較高的標(biāo)定精度。在實際應(yīng)用中，對于大多數(shù)相機和拍攝場景，張正友相機標(biāo)定方法能夠滿足一般的精度要求。第二，操作簡便，相比于一些傳統(tǒng)的相機標(biāo)定方法，張正友相機標(biāo)定方法不需要使用復(fù)雜的標(biāo)定設(shè)備，只需要一個簡單的平面標(biāo)定板即可進行標(biāo)定。而且，拍攝過程相對靈活，不需要嚴格控制相機和標(biāo)定板的位置和姿態(tài)，降低了標(biāo)定的難度和成本。第三，通用性強，該方法適用于各種類型的相機，包括針孔相機模型和一些近似針孔模型的相機。無論是普通的數(shù)碼相機、手機相機還是工業(yè)相機，只要滿足一定的成像條件，都可以使用張正友相機標(biāo)定方法進行標(biāo)定。3.2.2智能手機的標(biāo)定雖然已知智能手機的出場參數(shù)，但是由于手機在拍攝過程中會受到自然環(huán)境、人為誤差、手機零件老化等因素的影響，實際在拍攝過程中，智能手機相機的像素、焦距等參數(shù)與出場的標(biāo)定參數(shù)會有不同，因此在進行目標(biāo)變形體的采集之間要先對相機進行標(biāo)定，本實驗采用的是張正友相機標(biāo)定方法，此種方法操作簡單易上手，并結(jié)合Matlab所提供的現(xiàn)成算法進行智能手機的標(biāo)定，以下是本實驗的智能手機定標(biāo)流程：本文設(shè)計了兩個棋盤格，規(guī)格分別如下：0.684m×0.342m的18×9棋盤格，136個角點，方格邊長38mm，如圖3.5所示。(a)18×9棋盤格樣圖(b)18×9棋盤格實體圖圖3.518×9的棋盤格Fig.3.5A18×9checkerboardpattern0.342m×0.342m的9×9棋盤格，64個角點，方格邊長38mm，如圖3.6所示。(a)9×9棋盤格樣圖(b)9×9棋盤格實體圖圖3.69×9的棋盤格Fig.3.6A9×9checkerboardpattern距離棋盤格一定距離，拍攝至少40張棋盤格不同方向角度的照片，采集完圖片后，輸入到Matlab當(dāng)中，如圖3.7為Matlab相機標(biāo)定時的界面，應(yīng)用Matlab當(dāng)中的CameraCalibrator模塊去進行相機的定標(biāo)。圖3.7Matlab相機標(biāo)定界面Fig.3.7Matlabcameracalibrationinterface調(diào)用相應(yīng)的模塊代碼可計算不同的相機參數(shù)，例如cameraParams.IntrinsicMatrix模塊可以計算相機內(nèi)參數(shù)：（3.4）結(jié)合圖3.4，3.4：，，單位mm/pixel；為相機的焦距，單位為mm；、分別代表單位像素格在、方向上的物理尺寸，單位為pixel；、為光學(xué)中心。Matlab輸入的矩陣參數(shù)結(jié)果如下：ans=1.0e+03*2.76760002.760101.62591.23580.0010同樣的也可以計算相機外參數(shù)、重投影誤差和畸變系數(shù)等。外參數(shù)矩陣：（3.5）式子：、為世界坐標(biāo)系到相機坐標(biāo)系的旋轉(zhuǎn)矩陣，如圖3.4中所示。作者利用Matlab及所采集的相片，對于兩種標(biāo)定板做了標(biāo)定結(jié)果的對比，拍攝距離標(biāo)定板2m，分別標(biāo)定iPhone12ProMax的超廣角、廣角、長焦鏡頭，見表3.1、表3.2、表3.3。表3.1MATLABCameraCalibrator超廣角鏡頭的標(biāo)定結(jié)果Tab.3.1CalibrationresultsofMATLABCameraCalibrator標(biāo)定板18×99×9相機內(nèi)部參數(shù)1560.91641.91558.91636.52015.62012.01542.11531.9平均重投影MeanerrorinPixel0.37110.3453畸變參數(shù)-0.02220.00420.0015-0.0012000000表3.2MATLABCameraCalibrator廣角鏡頭的標(biāo)定結(jié)果Tab.3.2CalibrationresultsofMATLABCameraCalibrator標(biāo)定板18×99×9相機內(nèi)部參數(shù)2838.63101.32835.23092.02033.32032.21497.01483.4平均重投影MeanerrorinPixel0.61900.6169畸變參數(shù)0.04890.1080-0.0804-0.1316000000表3.3MATLABCameraCalibrator長焦鏡頭的標(biāo)定結(jié)果Tab.3.3CalibrationresultsofMATLABCameraCalibrator標(biāo)定板18×99×9相機內(nèi)部參數(shù)6787.27436.66784.27412.71981.51989.81453.81497.0平均重投影MeanerrorinPixel1.14420.9527畸變參數(shù)0.05830.19430.53380.2232000000用Matlab進行相機焦距的標(biāo)定，實際物理焦距取和的均值，計算方法，以為例：（3.6）式子中，為實際焦距，為像元尺寸。作者對設(shè)備iPhone12ProMax進行相機焦距的標(biāo)定，標(biāo)定結(jié)果見表3.2。表3.4MATLABCameraCalibrator的焦距標(biāo)定Tab.3.4FocalLengthCalibrationofMATLABCameraCalibrator設(shè)備鏡頭標(biāo)定板總張數(shù)重投影平均誤差(pixels)投影距離標(biāo)定焦距iPhone12ProMax超廣角18×9400.37112m2.18386mm9×9410.34532m2.29488mm廣角18×9400.61902m4.82273mm9×9410.61692m5.264305mm長焦18×9401.14422m6.78585mm9×9410.95272m7.42468mm注：iPhone12ProMax的感光原件對于不同的鏡頭像元尺寸不同，超廣角鏡頭像元尺寸1.4微米，廣角鏡頭像元尺寸1.7微米。長焦鏡頭像元尺寸1微米。3.3智能手機相機精度計算3.3.1理論精度計算方法理論精度指不受外界影響下，如大氣折光、空氣和人為誤差等的影響下所計算出的精度，測量過程中相機并沒有發(fā)生任何變動，即認為相機是在理想狀態(tài)下所測量的精度。相機精度的核心計算公式：（3.7）上述公式中，為相機測量的精度，為相機焦距，為標(biāo)定板到相機的距離，為像元尺寸。3.3.2確定相機的精度根據(jù)上述計算相機精度的原理及核心公式，使用設(shè)備為iPhone12ProMax，智能手機測量精度檢定結(jié)果如表3.3所示。表3.5iPhone12ProMax超廣角鏡頭精度計算結(jié)果Tab.3.5Theoreticalaccuracycalculationresultsofsmartphones項目數(shù)據(jù)檢定距離/m123456測量精度（mm/pixel）±0.63±1.25±1.86±2.50±3.16±3.75注：超廣角鏡頭，標(biāo)定焦距2.24mm，像元尺寸1.4微米。表3.6iPhone12ProMax廣角鏡頭精度計算結(jié)果Tab.3.6Theoreticalaccuracycalculationresultsofsmartphones項目數(shù)據(jù)檢定距離/m123456測量精度（mm/pixel）±0.33±0.67±1±1.33±1.67±2.00注：廣角鏡頭，標(biāo)定焦距5.1mm，像元尺寸1.7微米。表3.7iPhone12ProMax長焦鏡頭精度計算結(jié)果Tab.3.7Theoreticalaccuracycalculationresultsofsmartphones項目數(shù)據(jù)檢定距離/m123456測量精度（mm/pixel）±0.1±0.41±0.68±0.95±1.08±1.22注：長焦鏡頭，標(biāo)定焦距7.41mm，像元尺寸1微米。結(jié)果分析，對于不同的攝像鏡頭，所對應(yīng)的精度不同，根據(jù)表可知，攝像鏡頭越長對應(yīng)的相機精度越高，攝影距離越遠精度越低。對于超廣角鏡頭的精度最低，超過兩米范圍內(nèi)，精度已經(jīng)超過1.25mm/pixel；廣角鏡頭比超廣角鏡頭焦距更長，廣角鏡頭在攝影距離3m時的精度為1mm/pixel；長焦鏡頭比超廣角、廣角鏡頭的焦距都要長，因此長焦鏡頭的精度最高，在超過5m攝影距離范圍，精度才超過1.08mm/pixel。因此得出結(jié)論，使用智能手機進行攝影測量時，鏡頭焦距越長精度越高，攝影距離越近精度越高。3.4本章小結(jié)本章主要介紹了相機定標(biāo)的原因、相機鏡頭的畸變產(chǎn)生的原因、鏡頭畸變的類型（主要包括徑向畸變和切向畸變）。接著又闡述了幾種相機定標(biāo)的方法，其中張正友是本文所采用的相機定標(biāo)方法，并對張正友相機定標(biāo)的原理做了進一步說明。然后用Matlab對本文使用的設(shè)備iPhone12ProMax進行定標(biāo)，應(yīng)用定標(biāo)后的參數(shù)對手機相機的精度進行計算，并對其結(jié)果做出分析。4智能手機變形監(jiān)測實驗及圖像處理4.1實驗設(shè)計方案及測量儀器概述4.1.2測量儀器概述實驗主要設(shè)備與材料：標(biāo)定變形體的標(biāo)靶、三腳架、智能手機和筆記本電腦、卷尺等，見表4.1。表4.1測量儀器Tab.4.1Measuringinstrument實驗設(shè)備作用三腳架用于穩(wěn)定手機，保證拍攝過程中手機位置固定。iPhone12ProMax變形體相片的采集，主要參數(shù)：廣角，像元尺寸為1.7μm。較大的像元尺寸可以在暗光環(huán)境下捕捉更多的光線，有助于提升照片的亮度和細節(jié)，減少噪點；超廣角，像元尺寸為1.4μm，能夠在拍攝寬廣場景時保證一定的進光量和成像質(zhì)量；長焦，像元尺寸是1.0μm，在長焦拍攝中也能較好地還原細節(jié)。筆記本電腦用于運行張正友相機標(biāo)定算法程序、圖像后期處理及數(shù)據(jù)分析軟件，如MATLAB。卷尺量算標(biāo)靶之間的相對距離4.1.1實驗設(shè)計方案為了驗證智能手機用于建筑結(jié)構(gòu)表面變形監(jiān)測的可行性。確定基于智能手機監(jiān)測變形的精度范圍，分析誤差來源。本文的實驗主要分為兩個部分，外業(yè)相片特征點采集，內(nèi)業(yè)相片信息的數(shù)據(jù)處理，將手機數(shù)據(jù)采集和VisionMaster圖像處理軟件二者結(jié)合，實現(xiàn)智能手機變形監(jiān)測?；诖?，建立一套適用于智能手機的建筑結(jié)構(gòu)變形監(jiān)測流程與方法。本文設(shè)計了以下實驗方案，如圖4.1。圖4.1實驗設(shè)計方案Fig.4.1Experimentaldesignplan已知卷尺的精度為1mm,本文中實驗當(dāng)中將卷尺測量的距離作為對照組，智能手機所測數(shù)據(jù)作為實驗組，因此對于智能手機要選定適當(dāng)?shù)木冗M行靶標(biāo)相對距離的量算。根據(jù)表3.5、表3.6、表3.7，對于不同的手機鏡頭所確定的攝影距離不同。4.2智能手機動態(tài)變形監(jiān)測數(shù)據(jù)采集4.2.1數(shù)據(jù)采集測量地點選定在一處平滑光潔的墻面，分別用標(biāo)靶標(biāo)定固定點A和移動點B。固定標(biāo)靶不動，變形點標(biāo)靶受自身重力影響會發(fā)生一定的位移，如圖4.2是A、B兩標(biāo)靶的位置，圖4.3是兩標(biāo)靶之間用卷尺測量的距離。圖4.2A、B兩標(biāo)靶之間的位置Fig.4.2ThepositionbetweentargetAandtargetB先用卷尺測得初始點位兩標(biāo)靶之間的實際距離作為A、B兩點之間的真值。然后再對A、B兩點的初始狀態(tài)進行相片的采集，每隔一米對初始狀態(tài)A、B進行智能手機的相片拍攝。并從距離兩標(biāo)靶2米處作為智能手機相片采集的起始位置，然后每增加1米的距離進行一次拍攝，共拍攝29張相片。以下是拍攝樣圖，圖4.3。4m6m8m10m10m圖4.3不同距離下智能手機的樣圖Fig.4.3Sampleimagesofsmartphonesatdifferentdistances初始狀態(tài)下的A、B兩點標(biāo)靶相對距離相機圖片采集完后，接著每個30分鐘再對兩標(biāo)靶之間的距離進行上述步驟重復(fù)測量，接著再測量不同時間下的第二組數(shù)據(jù)。4.2圖像處理4.2.1機器視覺系統(tǒng)機器視覺軟件是一種利用計算機視覺技術(shù)，將計算機與相機結(jié)合，使計算機能夠像人眼一樣“看”和“理解”圖像的軟件。它通過獲取圖像或視頻流，并借助算法和模型來分析、處理和理解圖像中的內(nèi)容，從而實現(xiàn)識別、測量和理解圖像中的對象、場景和動作。國際上比較知名的機器視覺軟件有OpenCV、HALCON、VisionPro等。OpenCV由英特爾公司發(fā)起并參與開發(fā)的一個開源的計算機視覺庫，OpenCV因為其免費開源，社區(qū)強大，如今已是全球最受歡迎的計算機視覺庫之一。它提供了多樣的圖像處理和計算機視覺算法，包括圖像濾波、特征提取、目標(biāo)檢測、圖像分割、立體視覺等，并且支持多種編程語言，如C++、Python、Java等，而且還能在不同的操作系統(tǒng)上可以能運行，具有高效性和跨平臺性。同時，伴隨著的OpenCV主要的缺點就是，應(yīng)用時需要操作人員有較強的編程能力。?？禉C器視覺軟件VisionMaster是?？禉C器人自主開發(fā)的機器視覺算法平臺，提供了千余個完全自主研發(fā)的圖像處理算子與多種交互式開發(fā)工具，支持多種圖像采集設(shè)備，能夠滿足機器視覺領(lǐng)域中定位、測量、識別、檢測等需求，并且還將算子包裝成為獨特的視覺工具，融入用戶自定義的檢測流程中，夠提供完全圖形化的交互界面，功能模塊直觀易懂，拖拽式操作方便用戶能快速搭建視覺方案。VisionMaster還可以通過使用VM算法平臺提供的控制和數(shù)據(jù)獲取接口來完成自定義開。VisionMaster與其他市面上的機器視覺軟件一樣，也配備高性能深度學(xué)習(xí)算法，它的深度學(xué)習(xí)算法提供圖像分割、分類、模板檢測、字符定位與識別，圖像檢索，異常檢測等算法模塊?，F(xiàn)如今，VisionMaster憑借其強大的功能、靈活的開發(fā)模式和高效的算法，已成為機器視覺領(lǐng)域的重要工具，廣泛應(yīng)用于工業(yè)自動化、智能制造、物流、安防監(jiān)控等多個領(lǐng)域。結(jié)合市面上各類圖像處理軟件，由于VisionMaster的交互界面圖形化以及擁有很多數(shù)量的模塊算子，易于處理采集的相片等優(yōu)點。本實驗采用?？礦isionMaster來做圖像分析。4.2.2算法模塊本文實驗當(dāng)中的算法選擇幾何圓做標(biāo)靶，因此在計算圖像中兩點的像元距離采用圓圓測量算法模塊，此算法由圖像特征提取和兩點距離計算兩部分組成。特征點的提取通過圓查找對圖像中的幾何圓進行特征點的提取，首先選擇感興趣區(qū)進行圓形檢測和測量，減少無關(guān)區(qū)域的干擾，提高檢測速度和準(zhǔn)確性。早期，霍夫變換是的一種以投票方案進行圖形擬合的算法，擬合是將圖像中的一些邊緣用數(shù)學(xué)方式來描述?；舴蜃儞Q圓檢測是基于圖像梯度實現(xiàn)的，分別對圓心的檢測和對圓心檢測，圓心檢測的原理是，圓心是圓周法線的交匯處，設(shè)置一個閾值，在某點的相交的直線的條數(shù)大于這個閾值就認為該交匯點為圓心。圓半徑確定原理是，圓心到圓周上的距離〔半徑）是相同的，設(shè)置一個閾值，只要相同距離的數(shù)量大于該閾值，就認為該距離是該圓心的半徑。當(dāng)圓心查找到就可以確定兩圓心的坐標(biāo)，通過兩坐標(biāo)點就可以計算兩點間的像元距離。4.2.3VisionMaster圖像處理數(shù)據(jù)處理的主要流程：將采集好的兩標(biāo)靶相片輸入到VisionMaster當(dāng)中，利用圖像處理算法在對已選圖片進行特征點提取和特征點匹配，本實驗當(dāng)中主要提取的是A、B兩點的圓形標(biāo)靶。特征點提取之后就可以用VisionMaster里的距離量算模塊計算兩點的像元距離，再然后根據(jù)原理公式計算出A、B兩點的實際距離，最后分析計算結(jié)構(gòu)，對根據(jù)由圖像計算的實際兩點距離進行精度評定。圖4.5是VisionMaster系統(tǒng)中圖像處理的設(shè)計方案，圖4.6是VisionMaster系統(tǒng)中的影像處理界面。圖4.4VisionMaster中圖像處理方案Fig.4.4ImageProcessingSolutionsinVisionMaster圖4.5VisionMaster中圖像處理界面Fig.4.5ImageprocessinginterfaceinVisionMaster4.2.4由像元距離計算實際距離的原理由像元距離計算實際距離的基本原理是基于相機的幾何成像模型（小孔成像原理），通過標(biāo)定參數(shù)將圖像中的像素距離轉(zhuǎn)換為實際物理距離。核心公式涉及相機內(nèi)參、物距與像素尺寸的比例關(guān)系。圖4.6相機成像原理圖Fig.4.6Cameraimagingschematic上圖中表示鏡頭焦距，單位mm；鏡頭與物體之間的距離；為圖像上的像元距離；為實際當(dāng)中的兩點距離。依據(jù)實際距離與像元距離的幾何關(guān)系，根據(jù)三角形相似原理，計算實際距離的核心公式為：（4.1）式中：為兩點間的實際距離；為圖像上的像元距離；為像元尺寸，單位mm/pixel；鏡頭與物體之間的距離；表示鏡頭焦距，單位mm。根據(jù)核心公式和圖像處理結(jié)果，可對初始狀態(tài)下圖像計算的距離與實際卷尺測得的距離進行對比，如表4.2。圖4.7是A、B兩標(biāo)靶之間的距離。圖4.7A、B兩標(biāo)靶之間的距離Fig.4.7ThedistancebetweentargetAandtargetB表4.2超廣角鏡頭第一期距離數(shù)據(jù)處理結(jié)果Tab.4.2VisionMasterInitialStateDistanceDataProcessingResults攝影距離m像元距離實際距離計算值mm誤差mm2548.575685.7187543.718753358.832672.8130.814268.837672.092530.09255214.946671.7062529.706256176.523661.9612519.961257151.882664.4837522.483758132.418662.0920.099118.318665.5387523.5387510106.657666.6062524.606251196.856665.88523.8851288.521663.907521.90751381.698663.7962521.796251476.367668.2112526.211251570.918664.8562522.856251666.852668.5226.521763.540675.112533.11251858.841661.9612519.961251955.979664.75062522.7506252052.208652.610.62151.043669.93937527.9393752247.228649.3857.3852345.384652.39510.3952444.837672.55530.5552541.945655.39062513.3906252641.429673.2212531.221252740.2678.37536.3752839.011682.692540.69252937.266675.4462533.446253034.793652.3687510.36875注：實驗中使用的拍攝設(shè)備為iPhone12ProMax，超廣角鏡頭的像元尺寸為1.4微米，焦距為2.24mm，由前文可知當(dāng)攝影距離大于2m時，iPhone12ProMax的廣角鏡頭精度要大于1mm，而選用的卷尺測量精度為1mm，所以此時選用卷尺測的A、B兩點的距離作為真實值，第一期數(shù)據(jù)卷尺所測A、B兩點的距離為642mm。表4.3廣角鏡頭第一期距離數(shù)據(jù)處理結(jié)果Tab.4.3VisionMasterInitialStateDistanceDataProcessingResults攝影距離m像元距離計算實際距離mm誤差mm4497.724663.63221.6325392.388653.9811.986327.586655.17213.1727279.038651.08866679.0886666678244.363651.63466679.6346666679217.726653.17811.17810197.416658.053333316.0533333311179.239657.209666715.2096666712164.755659.0217.0213150.805653.488333311.4883333314139.914652.93210.93215132.310661.5519.5516123.751660.005333318.0053333317115.721655.752333313.7523333318108.617651.7029.70219103.131653.16311.1632098.746658.306666716.306666672193.690655.8313.832288.485648.896.892384.88650.74666678.7466666672482.257658.05616.0562578.422653.516666711.516666672675.906657.85215.8522772.147649.3237.3232870.251655.67613.6762967.880656.173333314.173333333065.3116653.11611.116注：實驗中使用的拍攝設(shè)備為iPhone12ProMax，廣角鏡頭的像元尺寸為1.7微米，焦距為5.2mm，由前文可知當(dāng)攝影距離大于4m時，iPhone12ProMax的角鏡頭精度要大于1mm，而選用的卷尺測量精度為1mm，所以此時選用卷尺測的A、B兩點的距離作為真實值，第一期數(shù)據(jù)卷尺所測A、B兩點的距離為642mm。表4.4長焦鏡頭第一期距離數(shù)據(jù)處理結(jié)果Tab.4.4VisionMasterInitialStateDistanceDataProcessingResults攝影距離m像元距離計算實際距離mm誤差mm5980.971661.923751719.923751696801.101648.66477736.6647773287692.1653.80566811.805668028605.264653.456410311.456410269539.824655.656680213.6566801610480.765648.8056686.80566801611437.126648.90499336.90499325212403.571653.556275311.556275313373.186654.712280712.712280714345.156652.116599210.1165991915324.245656.366396814.3663967616302.775653.765182211.7651821917284.947653.724561411.724561418268.474652.163562810.1635627519255.726655.707692313.7076923120242.958655.75708513.7570850221230.208652.41133610.4113360322218.747649.45128217.45128205123209.616650.62995958.62995951424201.641653.088259111.0882591125193.546652.989203810.9892037826185.686651.52982469.52982456127178.586650.71821868.71821862328172.550652.010796210.0107962229166.136650.19487188.19487179530161.240652.793522310.79352227注：實驗中使用的拍攝設(shè)備為iPhone12ProMax，長焦鏡頭的像元尺寸為1微米，焦距7.41mm，由前文可知當(dāng)攝影距離大于5m時，iPhone12ProMax的角鏡頭精度要大于1mm，而選用的卷尺測量精度為1mm，所以此時選用卷尺測的A、B兩點的距離作為真實值，第一期數(shù)據(jù)卷尺所測A、B兩點的距離為642mm。由前文所講的實驗設(shè)計方案，每間隔30分鐘，再次對兩標(biāo)靶進行相片的采集，共測得兩組數(shù)據(jù)，表4.4為第二期數(shù)據(jù)處理結(jié)果。表4.5超廣角鏡頭第二期數(shù)據(jù)處理結(jié)果Tab.4.5Thefirstphaseofdataprocessingresults攝影距離m像元距離計算實際距離mm誤差mm2584.577730.7212544.721253383.113718.33687532.3368754283.835709.587523.58755225.6705196188.533706.9987520.998757159.532697.952511.95258141.665708.32522.3259125.498705.9262519.9262510111.736698.3512.3511101.658698.8987512.898751293.979704.842518.84251387.994714.9512528.951251480.237702.0737516.073751576.525717.42187531.4218751669.86698.612.61765.637697.39312511.3931251861.954696.982510.98251958.563695.4356259.4356252055.532694.158.152152.516689.27253.27252250.441693.563757.563752348.232693.3357.3352446.810702.1516.152545.16705.62519.6252641.598675.9675-10.03252741.078693.191257.191252839.824696.9210.922938.12690.9254.9253037.892710.47524.475注：實驗中使用的拍攝設(shè)備為iPhone12ProMax，超廣角鏡頭的像元尺寸為1.4微米，焦距為2.24mm，由前文可知當(dāng)攝影距離大于2m時，iPhone12ProMax的廣角鏡頭精度要大于1mm，而選用的卷尺測量精度為1mm，所以此時選用卷尺測的A、B兩點的距離作為真實值，第一期數(shù)據(jù)卷尺所測A、B兩點的距離為686mm。表4.6廣角鏡頭第二期數(shù)據(jù)處理結(jié)果Tab.4.6Secondphasedataprocessingresults攝影距離m像元距離計算實際距離mm誤差mm4525.203700.270666714.270666675417.585695.9759.9756345.911691.8225.8227295.373689.20366673.2036666678263.048701.461333315.461333339232.297696.89110.89110208.139693.79666677.79666666711191.266701.308666715.3086666712176.311705.24419.24413163.882710.155333324.1553333314149.796699.04813.04815140.103700.51514.51516132.127704.677333318.6773333317123.547700.099666714.0996666718116.718700.30814.30819110.513699.915666713.9156666720104.824698.826666712.8266666721100.203701.42115.4212295.064697.13611.1362391.470701.2715.272487.452699.61613.6162583.789698.241666712.241666672681.229703.984666717.984666672777.649698.84112.8412874.975699.766666713.766666672972.276698.66812.6683069.853698.5312.53注：實驗中使用的拍攝設(shè)備為iPhone12ProMax，廣角鏡頭的像元尺寸為1.7微米，焦距為5.2mm，由前文可知當(dāng)攝影距離大于4m時，iPhone12ProMax的角鏡頭精度要大于1mm，而選用的卷尺測量精度為1mm，所以此時選用卷尺測的A、B兩點的距離作為真實值，第一期數(shù)據(jù)卷尺所測A、B兩點的距離為686mm。表4.7長焦鏡頭第二期數(shù)據(jù)處理結(jié)果Tab.4.7Secondphasedataprocessingresults攝影距離m像元距離計算實際距離mm誤差mm51030.163695.11673419.1167341436857.723694.51255068.5125506077757.415715.506747629.506747648637.748688.52685562.5268556019573.440696.4858310.4858299610515.554695.7543869.75438596511466.517692.53535766.53535762512426.897691.33117415.33117408913399.177700.310526314.3105263214370.824700.612145714.6121457515345.661699.718623513.7186234816322.384696.10580310.1058029717302.135693.157227.15721997318286.865696.838056710.8380566819271.282695.59487189.59487179520259.583700.628879914.6288798921246.281697.962348211.9623481822233.246692.49824566.49824561423223.191692.7655876.76558704524214.428694.50364378.50364372525206.756697.557354911.5573549326198.142695.23508779.23508771927190.926695.68178149.68178137728183.728694.24885298.24885290129177.635695.19770589.19770580330172.108696.793522310.79352227注：實驗中使用的拍攝設(shè)備為iPhone12ProMax，長焦鏡頭的像元尺寸為1微米，焦距7.41mm，由前文可知當(dāng)攝影距離大于5m時，iPhone12ProMax的角鏡頭精度要大于1mm，而選用的卷尺測量精度為1mm，所以此時選用卷尺測的A、B兩點的距離作為真實值，第一期數(shù)據(jù)卷尺所測A、B兩點的距離為686mm。由表4.2、表4.5的實驗結(jié)果可知，第一期數(shù)據(jù)處理結(jié)果和第二期數(shù)據(jù)處理結(jié)果表明，超廣角鏡頭測量的距離誤差范圍在3mm～44mm，誤差范圍主要集中在15mm～25mm區(qū)間內(nèi)，測量誤差大，且波動范圍也較大。通過表4.2、表4.5分析，超廣角鏡頭在2m～5m的攝影距離范圍內(nèi)測量誤差最大，這里與前文分析的攝影距離越近精度越高的結(jié)論相悖，主要原因在于，當(dāng)攝影距離越近時所采集的相片內(nèi)容越具體，影像中的標(biāo)靶所呈現(xiàn)的細節(jié)也就越多，即像元平面不變，距離越近采集的標(biāo)靶影像在圖像上所占據(jù)的像元格越多，如圖4.8為遠、近距離成像示意圖。圖4.8遠、近距離成像示意圖Fig.4.6Schematicdia