论文部分内容阅读
本文研究基于机器视觉的桥梁底部的三维重构和缺陷检测方法。通过对多视图几何原理的分析，确定使用双目摄像头作为传感器获取立体图像对，用多视图几何完成三维点坐标的求解，从而实现桥梁底部三维重构。通过对桥梁裂缝特征的分析，依次采用高通滤波加强裂缝区域，Radon变换提取裂缝特征，Adaboost-RVM算法对裂缝进行分类，从而完成桥梁裂缝缺陷检测。主要研究内容包括：基于SIFT方法的关键点检测：分析双目摄像头拍摄桥梁底部的图像特点，得知双目摄像头从不同角度进行拍摄从而使得两幅图像的灰度不同，也会因为角度不同而使得两幅图像发生相对形变，分析几种常用的角点检测方法并对其性能进行实验，最终确定使用SIFT方法检测关键点并生成关键点特征描述向量，该方法生成的特征向量具备光照和旋转不变性，能适应双目摄像头中图像发生的灰度变化以及形变。基于BBF改进的k-d tree算法的关键点匹配：在关键点匹配环节，通常有两种关键点匹配方法，灰度相关匹配直接根据图像灰度进行匹配，对光照和旋转很敏感，而基于特征的匹配则是计算关键点局部特征相似度，从而具备光照和旋转不变性。因此采用基于特征的匹配，用BBF改进的k-d tree算法搜寻图像中每一个关键点特征对应的最近邻，从而获取每一个关键点对应的匹配点。基于RANSAC算法的不良匹配去除：单独使用特征进行匹配会产生不良匹配，RANSAC算法能在包含异常数据点的数据集中确定数据集的实际模型并将异常点去除，因此采用RANSAC算法估计基本矩阵F的方法去除不良匹配点。基于多视图几何的匹配点三维坐标计算：结合摄像头标定的参数，用多视图几何的方法建立线性方程组，将匹配点的三维坐标计算出来，并用点云的方法表示桥梁底部的三维形状。基于Radon和RVM-Adaboost的桥梁裂缝缺陷检测：桥梁裂缝的特点是裂缝处灰度变化剧烈，裂缝形状为线型特征的组合。针对裂缝处灰度变化剧烈，采用高斯高通滤波突出裂缝区域；根据裂缝的线型特征，用Beamlet变换完成裂缝区域的分割，并用Radon变换最大值及其对应的角度作为裂缝的特征；随后将RVM作为Adaboost的弱分类器组合成RVM-Adaboost分类器，用裂缝样本对其训练，从而完成裂缝的分类。