抗環(huán)境光照影響的邊坡變形攝像監(jiān)測(cè)方法

王壽旭, 馬沁巍*, 郭海旭, 邢同振

(1.北京理工大學(xué)宇航學(xué)院， 北京 100081； 2.中國(guó)礦業(yè)大學(xué)(北京)力學(xué)與建筑工程學(xué)院， 北京 100083)

邊坡是指自然或人工形成的具有一定坡度的坡面，是人類工程活動(dòng)中最基本的地質(zhì)環(huán)境之一，也是工程建設(shè)中最常見的工程形式[1]。邊坡上的土體或者巖體，受河流沖刷、地下水活動(dòng)、雨水浸泡、地震及人工切坡等因素的影響，在重力作用下，沿著一定的軟弱面整體地或者分散地順坡向下滑動(dòng)的現(xiàn)象稱為滑坡?；率且环N極具破壞性的地質(zhì)災(zāi)害，據(jù)統(tǒng)計(jì)在中國(guó)地質(zhì)災(zāi)害發(fā)生比例中占50%以上[2]，造成了重大的財(cái)產(chǎn)損失和人員傷亡，因此滑坡災(zāi)害防治刻不容緩。對(duì)滑坡災(zāi)害進(jìn)行預(yù)防雖可以使用人工到現(xiàn)場(chǎng)觀測(cè)的方式，但是需要耗費(fèi)大量成本，僅能夠用于高速公路、隧道橋梁等重要工程，對(duì)于中國(guó)眾多的邊坡而言遠(yuǎn)遠(yuǎn)不夠。因此，通過傳感手段，對(duì)邊坡的變形進(jìn)行實(shí)時(shí)監(jiān)測(cè)并判斷其狀態(tài)是更為行之有效的手段。

目前，邊坡變形監(jiān)測(cè)方法主要分為接觸式和非接觸式兩類：接觸式測(cè)量的典型代表是儀器監(jiān)測(cè)法和全球定位系統(tǒng)(global positioning system，GPS)監(jiān)測(cè)法。儀器監(jiān)測(cè)法是在邊坡上打孔后埋入一定數(shù)量的電學(xué)傳感器(如測(cè)斜儀[3]、位移計(jì)[4]等)，測(cè)量出邊坡位移、角度[5]、應(yīng)力等參數(shù)，其優(yōu)點(diǎn)是系統(tǒng)簡(jiǎn)單、成本低廉、測(cè)量精度較高，但是布設(shè)工作量大，量程有限，且一旦發(fā)生大位移，滑動(dòng)儀器容易受損，無(wú)法開展二次測(cè)量；GPS監(jiān)測(cè)法是在邊坡上設(shè)置測(cè)站，測(cè)站通過接收衛(wèi)星信號(hào)并分析獲取自身的三維坐標(biāo)，之后計(jì)算變形。該方法可以進(jìn)行自動(dòng)化、全天候連續(xù)監(jiān)測(cè)，但是在實(shí)際測(cè)量中，定位結(jié)果受到衛(wèi)星星歷誤差、接收機(jī)鐘差等多重因素的影響[6-7]，測(cè)量分辨率低。為解決此問題往往需要對(duì)長(zhǎng)時(shí)間獲取數(shù)據(jù)進(jìn)行平均來壓制噪聲，時(shí)間分辨率不足。更為重要的是，以上兩類方法均需要在危險(xiǎn)的邊坡上進(jìn)行作業(yè)，在實(shí)際使用過程中受到很多的限制，因此研究者又開發(fā)出了多種非接觸測(cè)量方法。非接觸測(cè)量的典型代表是全站儀和邊坡雷達(dá)。全站儀通過測(cè)角和測(cè)距綜合計(jì)算獲得邊坡上特征點(diǎn)的三維坐標(biāo)，測(cè)量精度較高但是只能進(jìn)行單點(diǎn)測(cè)量[8-9]。邊坡變形存在空間上的強(qiáng)非均勻性特征，因此更需要的是全場(chǎng)測(cè)量方法以獲得邊坡變形的全貌。邊坡雷達(dá)使用電磁波對(duì)坡面進(jìn)行掃描，獲得干涉圖像，分析相位變化獲取邊坡變形，覆蓋范圍廣泛，可連續(xù)觀測(cè)，但在坡體表面起伏較大或植被覆蓋嚴(yán)重時(shí)容易出現(xiàn)相位失相關(guān)現(xiàn)象，且雷達(dá)信號(hào)在大氣條件(溫度、濕度、氣壓)影響下會(huì)產(chǎn)生相位差[10-12]，使得測(cè)量精度嚴(yán)重下降。

近景攝影測(cè)量是利用圖像采集設(shè)備遠(yuǎn)距離獲取邊坡圖像，之后對(duì)圖像進(jìn)行處理和分析，識(shí)別和定位邊坡圖像中特征點(diǎn)坐標(biāo)，進(jìn)而計(jì)算變形的技術(shù)[13-14]。該方法不需要在坡面上布設(shè)傳感器，維護(hù)成本低，能夠?qū)崿F(xiàn)全場(chǎng)測(cè)量，可準(zhǔn)確定位危險(xiǎn)位置，適用于各類型邊坡的變形觀測(cè)，是目前新興的邊坡變形監(jiān)測(cè)技術(shù)。中外學(xué)者在此方面開展了廣泛的研究和應(yīng)用工作：如Ohnishi等[15]使用數(shù)字相機(jī)從各個(gè)方向拍攝的邊坡圖像，重建了邊坡體的三維形貌，但其并未開展變形測(cè)量應(yīng)用；Matori等[16]使用類似方法開展了歷時(shí)330 d的野外觀測(cè)，獲得了邊坡變形演化過程；Travelletti等[17]用數(shù)字相機(jī)觀測(cè)了阿爾卑斯山脈某處邊坡的變形，并首次指出環(huán)境光照變化是影響測(cè)量精度的最核心因素。事實(shí)上，在長(zhǎng)期野外測(cè)量中會(huì)不可避免地遇到由于太陽(yáng)照射方向發(fā)生改變而引起的光照變化的情況，進(jìn)而影響圖像的灰度一致性。而圖像又是變形分析的唯一基礎(chǔ)數(shù)據(jù)，圖像灰度受到影響必然會(huì)導(dǎo)致分析精度的下降。Travelletti等雖然發(fā)現(xiàn)了光照變化會(huì)對(duì)測(cè)量精度造成影響的問題，但并未提出相應(yīng)的解決方法。隨著邊坡變形監(jiān)測(cè)從定性觀察到定量監(jiān)測(cè)需求的轉(zhuǎn)變，對(duì)測(cè)量精度的要求不斷提升，上述問題已經(jīng)成為阻礙該方法進(jìn)入大規(guī)模實(shí)際測(cè)量應(yīng)用的主要障礙。因此迫切需要對(duì)環(huán)境光照引起的變形測(cè)量誤差、對(duì)測(cè)量精度的影響規(guī)律和抗光照影響的變形分析算法開展深入系統(tǒng)的研究工作，這對(duì)開展土木交通等其他野外攝像測(cè)量應(yīng)用同樣具有重要意義。

現(xiàn)從環(huán)境光照的物理過程出發(fā)，研究光照變化引起的圖像灰度變化機(jī)理，分析總結(jié)光照變化特征及其對(duì)圖像灰度的影響規(guī)律，發(fā)展一種基于灰度梯度的強(qiáng)魯棒性邊坡圖像變形分析算法，最后通過室內(nèi)和野外實(shí)驗(yàn)驗(yàn)證該算法的有效性。

1 光照變化對(duì)傳統(tǒng)算法精度的影響分析

基于圖像的變形測(cè)量方法通過跟蹤變形前后圖像(分別稱為參考圖像和變形圖像)中同一點(diǎn)的移動(dòng)，來獲得變形信息(圖1)，其關(guān)鍵在于精確匹配到參考圖像與變形圖像中對(duì)應(yīng)點(diǎn)的位置。常用的匹配方法是基于灰度特征的匹配方法，該方法假設(shè)在變形過程中圖像的灰度具有不變性(灰度不變假設(shè))[18]，以相關(guān)函數(shù)為度量，搜索變形前后圖像中最相關(guān)的點(diǎn)。相關(guān)函數(shù)的一種常見定義方式[19]為

圖1 圖像變形分析原理示意圖Fig.1 Schematic diagram of image deformation

(1)

然而在邊坡監(jiān)測(cè)中，受光照變化的影響，各個(gè)時(shí)刻的圖像灰度將發(fā)生變化，導(dǎo)致灰度不變假設(shè)失效，造成圖像失相關(guān)，引起變形分析誤差。為了直觀地展示光照變化對(duì)傳統(tǒng)匹配方法變形分析精度的影響，本文對(duì)此過程進(jìn)行了模擬。依據(jù)式(2)為圖像施加一個(gè)灰度變換，模擬光照變化引起的散斑圖灰度變化，結(jié)果如圖2所示。

圖2 散斑圖對(duì)比Fig.2 Contrast of speckle patterns

fO=kfn(x,i)+G0，i=1,2,…,N

(2)

式(2)中：N為圖像列數(shù)；fn(x,i)為原圖灰度；fO(x,i)為調(diào)整后圖像灰度。此處，k=0.003，G0=0.5。

表1 誤差對(duì)比Table 1 The errors of contrast

從表1可以看出，光照變化會(huì)對(duì)變形分析精度產(chǎn)生較大的影響。觀察相關(guān)函數(shù)分布的主峰頂點(diǎn)可以發(fā)現(xiàn)，當(dāng)為圖像施加光照影響后，主峰的位置會(huì)發(fā)生一定的偏移，從而造成定位發(fā)生誤差，如圖3所示。

圖3 相關(guān)函數(shù)分布曲面Fig.3 Surface of correlation function distribution

在野外真實(shí)測(cè)量條件下，環(huán)境光照更加復(fù)雜，對(duì)灰度的影響更加劇烈，可能會(huì)對(duì)測(cè)量精度造成更加嚴(yán)重的影響。圖4展示了野外同一天不同時(shí)刻拍攝到的圖像，在此過程中，邊坡并未發(fā)生變形。按照上述方法，將10:00的圖像作為參考圖像，將17:00的圖像作為變形圖像，計(jì)算二者間的相對(duì)變形量，按照理論位移為0像素，實(shí)測(cè)值與理論值的平均絕對(duì)誤差和標(biāo)準(zhǔn)差如表2所示。

圖4 野外真實(shí)邊坡圖像Fig.4 Slope image in the field

表2 誤差對(duì)比Table 2 The errors of contrast

由表2結(jié)果可知，計(jì)算得到的兩個(gè)方向的位移誤差更大，原因在于光照的變化使得圖像灰度匹配出現(xiàn)了失相關(guān)現(xiàn)象，而導(dǎo)致計(jì)算錯(cuò)誤(圖5)。綜上分析可知，光照變化對(duì)灰度匹配的方法具有嚴(yán)重的影響，造成變形計(jì)算誤差，因此，灰度特征并不適合作為邊坡圖像的匹配特征，需要選取一種新的抗光照變化的特征并發(fā)展相應(yīng)的匹配算法，進(jìn)而精確地計(jì)算出邊坡的變形。

圖5 相關(guān)函數(shù)分布曲面Fig.5 Surface of correlation function distribution

2 抗光照影響的變形分析方法

2.1 方法原理

通過第2節(jié)的分析可知，野外測(cè)量中所獲得的邊坡圖像會(huì)被動(dòng)疊加上一個(gè)光強(qiáng)場(chǎng)，導(dǎo)致圖像灰度發(fā)生變化。設(shè)原圖像灰度分布為I(x,y)，由于邊坡表面存在凹凸、裂隙等特征，材質(zhì)紋理均不一樣，因此拍攝到的圖像灰度分布顯示出隨機(jī)性特征。當(dāng)光照條件發(fā)生變化時(shí)，相當(dāng)于在原來的灰度分布基礎(chǔ)上增加另一個(gè)非線性變化，即灰度分布f(x,y)，則光照變化后的灰度分布為I′(x,y)=I(x,y)+f(x,y)。

從信號(hào)角度上看，原圖像I的灰度在空間上的分布相對(duì)于光照而言是一個(gè)高頻信息，即光照后的圖像I′實(shí)質(zhì)上是在一個(gè)高頻信號(hào)I上疊加了一個(gè)低頻信號(hào)f(圖6)。對(duì)一個(gè)小子區(qū)而言，相當(dāng)于在原灰度分布上疊加了一個(gè)線性分布的光強(qiáng)變化，即一個(gè)線性信號(hào)。在此過程中，雖然灰度的絕對(duì)值發(fā)生了變化，但是其灰度梯度并未受到影響。因此，采用灰度梯度作為該子區(qū)的特征應(yīng)該能夠較好地消除光照的影響。

圖6 光照對(duì)灰度分布影響示意Fig.6 Influence of illumination on gray distribution

利用高斯差函數(shù)提取出圖像在頻域空間中的高頻信息，基于局部灰度梯度為每一個(gè)特征點(diǎn)分配一個(gè)主方向，并利用周圍像素生成一個(gè)特征向量，使得該特征點(diǎn)具有唯一性，不隨光照變化而變化，提高特征點(diǎn)的匹配率。

根據(jù)上述分析可知，消除光照影響算法的核心在于匹配時(shí)，不使用已經(jīng)受到光照影響的灰度分布作為特征量，而使用對(duì)光照不敏感的灰度梯度分布作為特征量。因此，需要對(duì)子區(qū)的灰度進(jìn)行變換。

設(shè)子區(qū)的灰度矩陣為I′，利用高斯卷積核對(duì)相鄰尺度空間做差分建立高斯差分(difference of Gaussian，DoG)金字塔,檢測(cè)局部極值作為整像素特征點(diǎn)[20-22]。DoG算子表示為

D(x,y,σ)=[G(x,y,kσ)-G(x,y,σ)]*I′(x,y)=

L(x,y,kσ)-L(x,y,σ)

(3)

(4)

式中：I′(x,y)為輸入圖像；σ為尺度空間因子；k為相鄰尺度空間因子比例系數(shù)。

將金字塔中的每一個(gè)極值點(diǎn)與它的8個(gè)鄰域值、對(duì)應(yīng)的上一層尺度鄰域值、下一層尺度鄰域值(共26個(gè)值)進(jìn)行比較，均大于或者均小于這26個(gè)值的極值點(diǎn)即為整像素極值坐標(biāo)點(diǎn)，且檢測(cè)到的特征點(diǎn)與尺度無(wú)關(guān)。

完成整像素特征點(diǎn)檢測(cè)之后，先確定特征點(diǎn)的方向和特征描述符，進(jìn)行整像素特征點(diǎn)匹配，最后確定特征點(diǎn)的亞像素坐標(biāo)，從而提高特征點(diǎn)坐標(biāo)的精度。具體方法如下：

(1)確定主方向。特征點(diǎn)的方向參數(shù)可由特征點(diǎn)的梯度大小m(x,y)和方向θ(x,y)表示，即

m(x,y)={[L(x+1,y)-L(x-1,y)]2+

[L(x,y+1)-L(x,y-1)]2}1/2

(5)

(6)

式中：L為輸入圖像的高斯卷積。

(2)建立特征點(diǎn)描述符。每個(gè)特征點(diǎn)具備3個(gè)信息：位置(x,y)，尺度m和方向θ，通過向量建立一個(gè)描述符來表示特征點(diǎn)，使其具備尺度、光照和視角的不變性。該描述符包含對(duì)該特征點(diǎn)有貢獻(xiàn)的周圍像素點(diǎn)，因此具有獨(dú)特性。

首先以特征點(diǎn)為中心，將鄰域坐標(biāo)軸旋轉(zhuǎn)到主方向，使其具備旋轉(zhuǎn)不變性；選取特征點(diǎn)周圍1616的區(qū)域，并將此區(qū)域分為44的子區(qū)域，每個(gè)子區(qū)域內(nèi)計(jì)算8個(gè)方向(0～360°劃分為8個(gè)方向區(qū)間，每個(gè)區(qū)間45°)的梯度累加和，生成128(448)維特征向量。通過對(duì)特征點(diǎn)周圍像素進(jìn)行分塊，生成具有獨(dú)特性的向量，且該向量在該區(qū)域圖像具有唯一性。

為進(jìn)一步去除光照變化影響，對(duì)特征點(diǎn)描述符進(jìn)行歸一化處理。描述符向量為ξ=(ξ1,ξ2,…,ξ128)，歸一化后的特征向量為L(zhǎng)=(l1,l2,…,l128)，則

(7)

(3)特征點(diǎn)匹配。由于提取的大量特征點(diǎn)灰度分布比較相似，用尺度不變特征轉(zhuǎn)換(scale-invariant feature transform，SIFT)算法中的歐氏距離匹配容易出現(xiàn)誤匹配，因此采用相關(guān)系數(shù)來代替，并利用特征點(diǎn)主方向作為約束進(jìn)行初步粗匹配。

首先判斷兩幅圖像的特征點(diǎn)主方向差值絕對(duì)值是否小于給定的閾值T0，若小于T0，按照式(8)計(jì)算特征描述符的相關(guān)系數(shù)ρ，若兩個(gè)特征點(diǎn)之間的ρ大于閾值T1，則認(rèn)為是兩幅圖像的同名點(diǎn)。令T0=0.1，T1=0.7。

(8)

式(8)中：li和l′j分別為參考圖像和變形圖像的特征向量，n=128。

(4)確定亞像素特征點(diǎn)。在上一步驟中匹配得到的整像素同名點(diǎn)是以離散點(diǎn)做檢測(cè)，這一步驟中將尺度看作是連續(xù)的，對(duì)函數(shù)D(x,y,σ)在x0處泰勒展開來擬合為二次函數(shù)，得

(9)

將式(9)寫成矢量形式為

(10)

式(10)中：X為擬合之后連續(xù)空間下的插值點(diǎn)坐標(biāo)，設(shè)X′=X-X0；X′為X相對(duì)于插值中心X0的偏移量。式(10)可用偏移量表示為

(11)

對(duì)式(11)求一階偏導(dǎo)，令導(dǎo)數(shù)為零即可得到極值點(diǎn)相對(duì)于插值中心的偏移量為

(12)

(5)消除噪聲和強(qiáng)邊緣影響。當(dāng)檢測(cè)到的極值點(diǎn)在邊緣和受到噪聲干擾時(shí)，特征點(diǎn)會(huì)很不穩(wěn)定，利用邊緣上的點(diǎn)在橫跨邊緣方向上主曲率較大、在垂直邊緣方向上主曲率較小的特點(diǎn)，可消除這一影響。

主曲率可由Hessian矩陣得到

(13)

式(13)中：Dxx(x,y)、Dyy(x,y)和Dxy(x,y)分別為DoG圖像在x軸和y軸方向上的二階導(dǎo)數(shù)和二階混合偏導(dǎo)。由于像素點(diǎn)的主曲率和H(x,y)的特征值成比例，則令特征值α和β代表x軸和y軸方向上的梯度。為避免求解矩陣的特征值，計(jì)算兩個(gè)特征值的比值即可。

計(jì)算H矩陣的跡和行列式值，得

Tr(H)=Dxx+Dyy=α+β

(14)

(15)

令α>β且α=γβ，其中，γ>1，于是得到

(16)

式(16)表明結(jié)果只和兩個(gè)特征值的比例有關(guān)，當(dāng)兩個(gè)特征值相等時(shí)，式(16)最??；式(16)結(jié)果隨著γ的增大而增大，即兩個(gè)特征值的比值越大，表明在某一方向上的梯度越大，而另一方向上的梯度越小，這符合邊緣的情況。令γ小于某個(gè)閾值，即可剔除這些邊緣點(diǎn)。因此為了檢測(cè)主曲率是否在某個(gè)閾值γ之下，只需計(jì)算式為

(17)

式(17)中：γ為經(jīng)驗(yàn)值，取γ=10。

2.2 室內(nèi)模擬實(shí)驗(yàn)驗(yàn)證

首先通過室內(nèi)模擬實(shí)驗(yàn)對(duì)算法有效性進(jìn)行驗(yàn)證。實(shí)驗(yàn)所用邊坡模型由高密度泡沫制成，大小為500 mm500 mm，在模型表面涂抹不同顏色和粘貼草粉模擬巖石和植被。通過導(dǎo)軌移動(dòng)模型，并使用百分表(MASTERPROOF 6420，精度± 0.01 mm)記錄移動(dòng)量。利用光源照射邊坡模型，并通過改變燈的位置和亮度來模擬現(xiàn)實(shí)中的不同光照條件，使用數(shù)字相機(jī)(MQ013MG-E2，分辨率：1 280像素1 024像素)采集邊坡模型運(yùn)動(dòng)過程圖，實(shí)驗(yàn)布置如圖7所示。

圖7 實(shí)驗(yàn)布置圖Fig.7 Experimental layout

實(shí)驗(yàn)過程中，移動(dòng)平移臺(tái)實(shí)現(xiàn)邊坡模型的平移，每次移動(dòng)1 mm；模型移動(dòng)的同時(shí)改變光源位置并調(diào)整光源的亮度，平移臺(tái)移動(dòng)10次，相機(jī)記錄每運(yùn)動(dòng)一次后的圖像，拍攝得到的圖像如圖8所示，圖中箭頭為平移方向。

圖8 不同光照條件下采集到的圖像Fig.8 Images acquired under different lighting conditions

統(tǒng)計(jì)拍攝得到的邊坡圖像的平均灰度變化，表示實(shí)驗(yàn)過程中光源的亮度變化，如圖9所示。結(jié)果表明，在實(shí)驗(yàn)過程中，光源的亮度隨模型的移動(dòng)，由低逐漸升高至最大亮度，然后亮度降低再逐漸升高，符合預(yù)設(shè)光強(qiáng)變化規(guī)律(太陽(yáng)在天空中的運(yùn)動(dòng))。

圖9 不同光照下圖像灰度變化曲線Fig.9 Gray change curve under different lighting conditions

根據(jù)本文算法對(duì)邊坡模型的位移進(jìn)行計(jì)算。以邊坡上棋盤格的角點(diǎn)的位移作為標(biāo)準(zhǔn)值，根據(jù)每次移動(dòng)匹配到的特征點(diǎn)坐標(biāo)，計(jì)算各個(gè)特征點(diǎn)位移的相對(duì)誤差。統(tǒng)計(jì)每次移動(dòng)中，不同相對(duì)誤差范圍內(nèi)特征點(diǎn)的個(gè)數(shù)，并與傳統(tǒng)SIFT算法作比較，結(jié)果如圖10所示。

從圖10可以看出，基于SIFT的特征點(diǎn)檢測(cè)能夠匹配到15～20個(gè)點(diǎn)，相對(duì)誤差小于15%；本文算法能夠匹配到的特征點(diǎn)數(shù)為90～100，每次移動(dòng)檢測(cè)得到的特征點(diǎn)的相對(duì)誤差能夠控制在小于10%，由此可以證明，利用本文算法是有效的。

圖10 每次移動(dòng)的統(tǒng)計(jì)相對(duì)誤差Fig.10 Statistical relative errors for each movement

對(duì)所有相對(duì)誤差取平均，得到每次移動(dòng)的平均相對(duì)誤差，如圖11所示。從圖11可以看出，本文算法的計(jì)算精度優(yōu)于SIFT算法，尤其是在初始位移量較小時(shí)，本文算法的精度遠(yuǎn)高于SIFT算法。SIFT算法的平均相對(duì)誤差大于14%，本文算法的平均相對(duì)誤差可以控制在小于6%。

圖11 每次移動(dòng)平均相對(duì)誤差對(duì)比Fig.11 Comparison of mean relative errors for each movement

3 應(yīng)用實(shí)例

3.1 系統(tǒng)搭建

為了驗(yàn)證本文算法在真實(shí)野外工況下的有效性，在河北省秦皇島市青龍滿族自治縣承秦高速路一側(cè)的邊坡搭建了一個(gè)邊坡變形監(jiān)測(cè)系統(tǒng)，現(xiàn)場(chǎng)如圖12所示。

圖12 觀測(cè)邊坡圖Fig.12 The slope image being observed

在邊坡的對(duì)面一側(cè)搭建觀測(cè)系統(tǒng)，安裝示意圖如圖13(a)所示，每隔14 m澆筑水泥底座，并打入螺栓與不銹鋼立柱緊密固定，保證穩(wěn)定性，立柱高2.2 m。選用四臺(tái)?？低暤谋O(jiān)控相機(jī)(型號(hào)：DS-2CD3T56WD-I3，分辨率：2 560像素×1 920像素)作為野外觀測(cè)設(shè)備，利用抱箍將相機(jī)固定，保證了相機(jī)對(duì)各類惡劣條件的適應(yīng)性。從山坡下的供電箱拉線至距離最近的立柱，利用網(wǎng)線為四臺(tái)設(shè)備供電和圖像數(shù)據(jù)傳輸，并將網(wǎng)線與光纖連接，接入高速公路的網(wǎng)絡(luò)系統(tǒng)，從而實(shí)現(xiàn)圖像的遠(yuǎn)程采集，現(xiàn)場(chǎng)安裝如圖13(b)所示。

圖13 觀測(cè)系統(tǒng)安裝圖Fig.13 Observing system installation image

3.2 測(cè)量結(jié)果

利用同一天不同時(shí)間采集到的圖像(圖14)驗(yàn)證本文算法。由于選取的是同一天的圖像，且天氣晴朗，無(wú)人為擾動(dòng)，因此可以認(rèn)為邊坡未發(fā)生變形，即兩幅圖像的相對(duì)位移為0。根據(jù)本文算法共匹配到1 839個(gè)特征點(diǎn)，如圖15所示，計(jì)算得到的x、y兩個(gè)方向的平均絕對(duì)誤差分別為0.337像素和0.271像素。

圖14 不同時(shí)間下的光照?qǐng)DFig.14 The slope images at different time

圖15 特征點(diǎn)檢測(cè)Fig.15 Feature points detection

從本文算法匹配到的特征點(diǎn)中隨機(jī)選取50個(gè)點(diǎn)，基于灰度匹配算法計(jì)算這些點(diǎn)的位移量，以0像素為理論位移求取絕對(duì)誤差，并與本文算法結(jié)果進(jìn)行比較，如圖16所示。本文算法的兩個(gè)方向絕對(duì)誤差的波動(dòng)在0.5像素，而利用灰度匹配算法計(jì)算得到的結(jié)果與理論值相差較大，無(wú)法用于邊坡變形的計(jì)算。

圖16 x、y兩個(gè)方向的絕對(duì)誤差對(duì)比Fig.16 The comparison of absolute errors in x and y directions

因此，本文算法檢測(cè)到的特征點(diǎn)數(shù)目足夠可以描述整個(gè)邊坡表面的位移情況，兩個(gè)方向的均值誤差均在0.3像素左右。根據(jù)相機(jī)分辨率和邊坡實(shí)際尺寸，可得到物面分辨率為1 mm/像素，故測(cè)量分辨率為0.3 mm，完全符合精度要求。

4 結(jié)論

為了解決野外邊坡攝像測(cè)量中光照變化對(duì)測(cè)量精度影響的問題，發(fā)展了一種抗光照的特征點(diǎn)提取與匹配算法，獲得了很好的效果。主要結(jié)論如下。

(1)將特征點(diǎn)周圍的局部灰度梯度的主方向作為特征量，結(jié)合匹配算法，實(shí)現(xiàn)了抗光照變化能力與匹配穩(wěn)定性的變形分析。

(2)通過野外邊坡實(shí)驗(yàn)驗(yàn)證了本文算法的可行性，與傳統(tǒng)算法相比匹配點(diǎn)數(shù)更多、測(cè)量精度更高。

本文算法為邊坡變形攝像監(jiān)測(cè)提供了一種新的手段，同時(shí)也可以有力支撐該方法在航空航天和土木交通等領(lǐng)域的應(yīng)用。在后續(xù)研究中，可將此方法擴(kuò)展至三維變形測(cè)量，研究不同位置和視角圖像(含不同光照變化特征)間的特征點(diǎn)匹配，進(jìn)一步擴(kuò)展本文算法的應(yīng)用范圍。