基于机器视觉变形监测方法研究

IIPAGEPAGEI前言随着城市快速的发展，人们生活水平的提高，城市用地紧张。摩天大楼、跨海大桥、海底隧道等大型重大基础设施的数量不断增涨，变形监测涉及到整栋建筑结构从“出生”到“保养”，包括工程施工阶段，后期维护阶段等，变形监测要伴随整栋建筑的一生。变形监测是保障重大基础设施安全运行的核心技术手段，它涉及到人的财产安全和生命安全，对整个社会的正常运转具有重要作用。变形监测当中，传统的变形监测应用不够灵活、成本高，有时还要在变形体上安装传感器，还会破坏建筑物的表面等多方面的劣势。而机器视觉技术在变形监测中，用的是一种非接触式测量方式，并且机器视觉变形监测在精度高、实时性、自动化程度高等方面具有明显的优势。因此本文利用智能手机结合机器视觉系统，做机器视觉变形监测方法的研究。在机器视觉变形监测方面很多学者做了多方面的研究。Lee等利用参照物，使用单目相机对变形体进行静态监测中对象及的位置进行修正，通过数字图像处理技术对柔性桥梁进行实时位移测量。李进喜等聚焦于实际工程施工中，并且提出一种颜色阈值匹配结合霍夫变换的，基于轻量级机器视觉的算法。叶肖伟和董传智对基于计算机视觉的结构位移监测做了详细的综述。李尚明等针对深基坑的变形监测研究，建立了一套基于机器视觉的，深基坑变形监测系统，根据相机的成像原理，通过计算相机的理论精度。时梦杰等在对雾天环境下机器视觉的边坡监测研究中，提出了一种结合暗通道先验(DCP)的边坡监测方法。许孝臣，薛磊磊针对大坝表面GNSS变形监测中所产生的劣势，利用机器视觉技术对大坝表面进行变形监测的研究，通过分析标靶与相机的距离，计算相机的摄影距离对监测精度的影响。本文对基于相机镜头产生畸变的影响，采用Matlab当中的相机定标算法模块进行相机定标。根据相机成像原理，相机的测量精度与焦距、摄影距离等元素有关，因此在相机定标后对相机的精度进行检定。本实验应用的设备为iPhone12ProMax，iPhone12ProMax拥有超广角、广角、长焦三种摄像镜头，因此分别对三种不同焦距的镜头进行定标。在实验设计阶段及实验实施环节，作者设计了测量两标靶之间距离的对照实验，此实验中的对照组为卷尺测量的相对距离，卷尺的测量距离测量精度为1毫米。实验组为相机采集变形体的相片确定两标靶之间的相对距离，对于一定焦距的摄像镜头，摄影距离的远近影响着相机测量的精度，即摄影距离越远，手机摄像精度越低，因此对于一定焦距的镜头选择合理的摄影距离进行相片的拍摄，例如，iPhone12ProMax中的超广角镜头，在摄影距离2m处的测量精度为1.25mm，因此大于2米处进行手机摄影测量时可以将卷尺所测的距离作为对照组，即当作真实值来处理。将采集的相片用机器视觉系统进行特征提取和像元距离的计算，其中应用圆查找对圆形几何标靶进行特征提取，核心算法为霍夫变换和直线拟合。将图像中得到的像元距离根据距离计算公式，计算实际距离，以对照组所测得的相对距离为依据进行精度评定。得出实验结论：当镜头焦距一定时，手机采集相片的精度随着摄影距离的增大而降低；使用短焦距镜头拍摄影像时（以焦距为2.24mm的摄像镜头为例子），摄影镜头镜头在2m～5m的摄影距离范围内测量误差最大，但在超过5m处的摄影距离误差反而小，原因在于相机像元平面不变，距离越近采集的标靶影像在图像上所占据的像元格越多，即累积差越大。机器视觉变形监测具有灵活、便捷、成本低多方面的优点，在实际变形监测当中可以进行实时的动态变形监测，大大降低了人工成本，提高了变形监测的工作效率，进一步保障了变形监测的安全。PAGEPAGEI1绪论1.1研究背景1.1.1研究背景变形监测是保障重大基础设施安全运行的核心技术手段。随着全球城市化进程的快速发展，摩天大楼、跨海大桥、海底隧道等大型复杂的城市建筑的数量不断增涨，并且国际桥梁与结构工程协会（IABSE）统计数据显示，2023年全球在役大型基础设施中约23%已进入老化期，每年因结构变形引发的安全事故造成的直接经济损失超1200亿美元。传统变形监测技术为接触式测量手段，如应变片、光纤光栅（FBG）传感器等，虽具有较高测量精度，但在实际应用具有很多明显的缺陷，施工成本高，传感器布设需破坏结构表面，监测点如果布置过于密集会造成安装成本过高，例如悬索桥变形监测，整座桥若布置FBG传感器，成本费用将会高达300万元；稳定性差，在复杂环境适应性差，并且在强电磁干扰、高温高压等监测场景中，测量的数据接收不稳定，还会存在数据失真风险；缺乏动态全场监测能力，在风载、地震等瞬态荷载下，难以去捕捉建筑结构的变形状态。2021年6月24日，美国佛罗里达州瑟夫赛德镇的尚普兰大厦（ChamplainTowersSouth）南楼发生局部坍塌，造成98人死亡。这座12层海滨公寓建于1981年，坍塌前已存在严重结构老化问题，但未得到有效监测与干预，整体建筑结构载荷能力已经崩溃，最终造成了大量的人员伤亡和大量的经济损失。图1.1美国尚普兰大厦坍塌事故Fig.1.1TheCollapseAccidentofChamplainTowersintheUnitedStates图1.2虎门大桥Fig.1.2HumenBridge2020年5月5日，广东虎门大桥悬索桥桥面在自然风风速为10～16米/秒条件下发生明显风振，震动幅度将近半米。紧接着第二天，虎门大桥又一次产生振动。此次风振是虎门大桥运行二十多年以来第一次出现的振幅将近半米的现象，大桥产生风振的主要原因：低风速环境下，水马堵塞了原本流线型钢箱梁的通风孔，破坏了桥梁的空气动力学特性，导致风通过时形成周期性脱落的漩涡（卡门涡街），与桥梁固有频率发生共振但是短期内不影响桥梁结构安全，但长期需保持监测。深圳赛格大厦于2021年5月18日发生多次明显震动，引发公众对超高层建筑安全性的关注。经过技术调查与专家论证，赛格大厦发生振动的主要原因是其顶部的细长桅杆在特定风速下发生涡激共振，其振动频率达到2.12赫兹，与大厦的高阶弯扭组合模态频率一致，从而带动大厦主体结构发生振动。图1.3深圳赛格大厦Fig.1.3ShenzhenSEGPlaza针对上述问题，可以了解到建筑物的变形状态预示着建筑物整体的是否安全，是否具有危险性。在建筑施工当中，我们常常要对建筑物沉降、倾斜等因素做静态变形监测。但是遇到复杂的大型建筑结构（摩天大楼、跨海大桥等），不仅要对其进行静态变形监测，还要对其进行动态变形监测，尤其是当受到不可控的自然环境时，如台风、地震等，动态变形监测就变得尤为重要。从变形监测的安全性、实时性等方面考虑，本文聚焦于机器视觉变形监测方法的研究，为提高变形监测系统的环境适应性、灵活性及可靠性。结合智能手机轻便灵活等优势和计算视觉图像处理软件两方面，梳理一套机器视觉变形监测方法。能让工程技术人员快速获取在事发事故发生之前获取建筑物的一场变形，快速有效的对危险进行预警，对保障人民群众生命财产安全具有重大意义。1.1.2技术演进脉络早在2007年蓝章礼等便提出了一种基于激光和视频二者结合的桥梁二维位移测量监测系统，通过计算激光光斑的中心坐标位置变化来测量桥梁的竖直和水平位移，并且应用到了实际的变形监测当中。蓝章礼团队的研究不仅解决了传统监测技术应用花费高、精度不够高的等劣势，还为桥梁的安全评估提供了高效、可靠的技术手段，具有重要的工程应用价值。2000-2010年还处于对机器视觉变形监测的探索阶段，在这个阶段当中机器视觉变形监测方法主要依赖于传统的图像处理技术，如边缘检测、模板匹配等。这些技术方法在简单的技术结构当中可以得到很好的效果，但对复杂环境的适应性较差。2010年代开始了多视点与高精度测量阶段，随着计算机硬件性能的提高和图像处理算法的不断优化，多视点测量方法和高精度测量技术逐渐兴起。这些方法通过多个视角的图像数据融合，提高了测量的精度和可靠性。2020年代，深度学习与智能算法逐渐深入到工科类的研究当中，例如遥感科学与技术、地理信息工程等学科当中，同时深度学习技术的不断深化与发展也为机器视觉变形监测提供了新的可能。基于深度学习的图像匹配算法和目标识别算法现在已经能够自动提取图像特征，并且随着算法的不断优化，提取的特征点更加准确，精度也更高。赵芳等提出了一种基于单目视觉和近红外靶标的竖直变形监测方法，这种方法通过在被测结构上安装近红外靶标灯，采用市场内红外标靶自动识别方法和基于被测目标思安真实羊角的弹幕视觉标定计算方法，实现了高精度的竖直变形监测。2020年代之后，城市现代化进程和智慧城市的不断发展，人们生活质量不断提高，对社会基础设施保障的要求也不断提高，时动态监测和预警技术得到了快速发展，这样使得机器视觉变形监测更多的应用到各个方面，机器视觉监测能够实时获取结构的变形数据，并进行动态分析和预警。机器视觉变形监测技术广泛应用在桥梁、隧道、建筑物等大型基础设施的安全监测当中。例如，在宁波地铁隧道的变形监测项目中，通过机器视觉深度学习技术实现了精密实时动态形变识别测量，能够实时监测隧道的变形情况，并进行预警。1.2国内外研究现状1.2.1国内研究状况当前，工程应用当中主要的变形测方法有传统光学测量仪器测量方法、大地测量监测法、GNSS（GlobalNavigationSatelliteSystem）测量方法、三维激光扫描仪测量方法（Three-dimensionalLaserScanningTechnology，TLS）、干涉雷达（InterferometricSyntheticApertureRadar，INSAR）测量方法、机器视觉变形监测方法等。大地测量变形监测，主要是测绘人员到外业，使用测绘仪器去对地表或者地表构筑物等进行变形监测。传统的光学测量仪器在早期使用的是经纬仪、水准仪等仪器对变形体进行校对、位移量等变形监测，现在随着仪器设备智能化数字化的发展，全站仪逐渐替代传统光学测量仪器，被频繁应用到工程变形监测当中。但是大地测量变形监测有很明显的劣势，需要人工操作，工作量大且效率低。GNSS变形监测方法是利用卫星与地面接收机，对地球表面特征点进行采集和定位。工程施工中最常用的就是GPS-RTK实时动态连续检测系统，工程测量人员手持RTK，或者这在变形体上安装传感器，对建筑结构进行其位移变形等的测量。但是GNSS安装成本较高，而且若受到建筑物遮蔽或者信号不好的环境，施工测量就无法再进行下去。三维激光扫描技术，利用三维激光扫描仪或者激光雷达，对近地面的地表或者建筑物等进行激光扫面，采集的数据信息是面形体的空间三位坐标点，采集的密集点会形成点云，会对采集的点位信息进行分析，形成三维模型。三维激光扫描技术不需要再变形体上安装传感器，大大减少了施工成本，但是三维激光扫描技术测量局限性比较明显，数据处理量大成本高。干涉雷达技术就是利用合成孔径干涉雷达进行变形监测，雷达技术根据遥感平台的不同，可以分为近地面遥感和航空遥感。基于雷达的变形监测可以全天侯，不受天气的影响，且监测范围广泛，远可监测大片水体、林地，近可观测建筑物的结构变形。但是使用雷达进行变形监测，其仪器成本较高，图像处理复杂。机器视觉变形监测技术是利用相机对目标物进行连续的相片采集，或者利用摄像头对变形体进行实时的监测。内业当中对采集来的相片进行一定的处理，主要有特征点的提取和特征点的匹配，依据相机成像原理，有像素距离计算实际距离等。近年来国内对机器视觉变形监测的研究已经颇多，对于机器视觉的研究算法也越来越丰富，复杂程度也越来越高。采集数据的设备应用上也很丰富，传感器的种类也多种多样，例如，数码相机、无人机搭载的相机、工业相机等。许多学者在机器视觉方面也进行了很多的研究。李进喜等聚焦于实际工程施工中，并且提出一种颜色阈值匹配结合霍夫变换的，基于轻量级机器视觉的算法，对型钢梁变形进行监测[1]。此研究通过RGB转换HSV空间得到颜色阈值结合进行霍夫变换识别,能够同时对多个目标靶点的位置信息进行实时的变形监测。并且证明在合理的温度范围内，桥梁的变形保持安全性的情况下，于一定的精度和稳定性方面，这种算法可以满足工程要求[1]。时梦杰等在对雾天环境下机器视觉的边坡监测研究中，提出了一种结合暗通道先验(DCP)的边坡监测方法，这种算法有效的克服了在雾天情况下图像质量低下的情况，在不同等级雾天影响的状况下，这种算法的实际应用效果较好[2]。许孝臣，薛磊磊等针对大坝表面GNSS变形监测中所产生的劣势，利用机器视觉技术对大坝表面进行变形监测的研究，通过分析标靶与相机的距离，计算相机的摄影距离对监测精度的影响，结果表明机器视觉技术完全可以提高监测质量的技能精度和稳定性等[3]。杨军杰等在对铁路变形监测，视觉自动化监测技术中，研究了一种基于数字化近景摄影测量，非接触式的变形监测方法，试验结果表明，850nm的铝箔片可以大大降低太阳光照所带来的误差，并且所研究的这个系统具有全天候、自动化、精度高、非接触等优点[4]。李尚明等针对深基坑的变形监测研究，建立了一套基于机器视觉的，深基坑变形监测系统，根据相机的成像原理，通过计算相机的理论精度[5]。此基于机器视觉的变形监测系统应用到黄木岗交通枢纽，实际的预测误差不超过百分之六[5]。杨娜等聚焦于古建筑的整体变形，以及局部变形监测，提出了一种基于机器视觉的古建筑变形监测系统，研究表明在偶然荷载下，有没有标靶，其建筑物的结构变形误差都小于8%，而在长期有标靶的情况下，结构变形误差下雨4%[6]。张邵贺等针对传统人工变形监测方法，不能够满足对于交通结构需要高精度和实时性强的需求，提出一种尺度不变特征变换（Scale-InvariantFeatureTransform,SIFT)算法，基于SIFT算法的机器视觉轨道交通变形监测方法，和传统变形监测方法相结合，提高了变形监测的总体测量精度。值得一提的是，SIFT算法能够很好的提取特征点的信息，提高整个轨道交通结构变形监测系统的实时性、自动化程度等[7]。陈波等[8]对于大坝表面人工接触式变形监测所存在的施工成本高、检测频率低等问题，提出了一种融合时空特征，对于大坝表面位移监测非接触式的智能检测方法，实验不同的图像算法对测量精度的影响，发现，基于曲面你和的STC追踪算法较其他目标算法，精度底稿了48%。洪成雨等[9]基于机器视觉的地下装配式车站监测评估研究，找寻地下装配式车站沉降的变化规律，设计了一套试验方案，将实测数据与室内计算结果进行对比，建立了一套可靠度高的多尺度安全评级方法。叶肖伟和董传智[10]对基于计算机视觉的结构位移监测做了详细的综述。从摄像设备选择、标志物选择、相机标定、特征提取、目标追踪、监测影响因素方面对基于计算机视觉的变形监测进行了全方位的论述。并对于研究现状进行了简单总结。胡园园等[11]对于机器视觉去采取基坑实时的图像信息，利用坐标转换及像素比例算法，对采集来的图像中的像素点位进行匹配计算，验证了机器视觉技术可以像传统变形监测一样，进行工程上的变形监测，而且机器视觉变形监测系统精度更高，自动化程度也更高。1.2.2国外研究状况国外对机器视觉变形监测的研究主要集中在高精度测量和实时动态监测方面，且使用的变形监测方法涵盖了传统的光学测量仪器、GNSS、三维激光扫描、大地测量和机器视觉等测量方法。传统测量方法方面，Ehrhart等[12]，针对需要大量人工需要的变形监测，所存在的成本高、效率低等问题，使用了图像辅助全站仪（ImageAssistantTotalStation，IATS），利用此方法对桥梁的变形进行了测量，并且有一定的测量精度。GPS监测法，因其受到环境场地的限制，需要在变形体上安装大量的变形监测传感设备，且还会受到信号遮蔽等问题的影响，许多研究人员，已经可以研究出在非理想环境下进行变形监测的测量也能达到较好的精度级。国外在对三维激光扫描（Three-dimensionalLaserScanningTechnology，TLS）监测和大地测量监测等方面也有颇多研究和创新。Abbas等[13]，对三维激光扫描仪应用在在植被覆盖边坡上的难度较大，且设备成本高、经济性能差等方面的劣势。聚焦分析了地面激光扫描仪在边坡监测中的精度问题，分析了限制其目标识别效果的主要原因。Marek等[14]，面对应用大地测量手段所固有的测量不够自动化等问题，提出使用无人机对滑坡进行倾斜摄影测量，并进行了三维重建。国外在机器视觉变形监测方面的研究开始的比较早，在上世纪60年代，Roberts已经研究将地球物理表面实际的景象，通过计算机结合一定的算法，转换成供计算机可以理解计算的图形，然后再进行特征提取与特征匹配。现代学者对于机器视觉也做了多方面的研究。Lee等[15]利用参照物，使用单目相机对变形体进行静态监测中对象及的位置进行修正。Sestras等[16]提出了一种多种方法融合的变形监测方法，结合无人机、GIS和大地测量边等测量方法，对罗马尼亚某一地区进行变形监测的实验。1.2.3机器视觉在变形监测中的应用随着机器视觉技术的越来越成熟，机器视觉变形监测技术也更多、更广泛的应用到实际工程当中，这其中包括了，交通枢纽、大坝边坡、隧道施工和深基坑施工等方面都逐渐应用机器视觉变形监测系统。2016年，HyungchulYoon[17]等人研究出一种消费级录像机GoProHero3Blackedition，此相机能够对非标靶处的对象进行目标识别，并且还能够对图像进行处理。并且还和其它智能手机进行了对照试验，并验证了此相机能够进行变形监测的有效性。2019年，深圳地黄木岗下交通枢纽在建设过程阶段，对大倾角V型柱、车站顶板位移和大型刚梁挠度等的变形监测，都采用了机器视觉变形监测系统进行实时的监测。机器视觉系统检测精度达到公众要求精度，且精度更高，能够进行实时、连续的变形监测，保障了施工过程中的安全性，同时也提高了施工的效率。2025年3月，中国电建水电开发公司桃源水电站，首次应用机器视觉变形监测系统，该由2000万有效像素智能工业相机组成了“数字瞳孔”监测网络，可智能识别10对有源靶标，并且通过嵌入式图像识别和自主运算，系统精确计算图像中监测部位靶标位置，通过对比位置变化，实现工程的高精度相对变形监测。桃园水电站引入的机器视觉系统融合了“数字图像+人工智能”技术，实现了对水工建筑物毫米级变形全天候精准监测，相比传统人工监测，该系统以机器自动识别取代人工观察，显著提升了水工建筑物安全监测的效率与精准程度，有效避免了人工操作失误和人为干预的影响。1.3研究内容及设计路线1.3.1研究内容本文主要的研究内容如下：第一章：为本文绪论。主要介绍了机器视觉变形监测的研究背景，从国内外两方面，详细论述了国内外学者对于机器视觉技术的研究状况和未来发展，机器视觉技术在实际工程施工中的应用，最后阐述了本文的总设计路线。第二章：介绍了相机成像原理及智能手机。本章主要对相机的成像原理做了阐述，说明智能手机镜头成像原理与相机类似，同时还阐述了智能手机镜头的组成部分。第三章：介绍了相机的标定及相机精度的计算方法，介绍的相机镜头的畸变，几种定标方法，并对对张正友相机定标方法做了具体了阐释。然后，用Matlab对本文所使用的图像采集设备进行了相机的定标,利用核心公式计算相机精度。第四章：介绍了智能手机变形监测的实验设计、图像数据处理以及对结果的分析和精度评定。1.3.2设计路线本文按照按照以下设计路线进行研究（图1.4）。图1.4设计路线Fig.1.4Designtheroute1.4本章小结本章就论文的研究背景和研究内容进行了论述。着重分析了变形监测的主要的应用方法，总结了国内外应用智能手机进行变形监测的研究现状。用工程建设中变形监测多种经典案例，总结了传统变形监测手段在实际工程应用的弊端，以及智能手机应用于变形监测中的优势，以此为出发点，构思了本文的研究思路和技术设计路线，并指明了论文的研究方向。2相机的成像原理2.1相机成像原理相机按照成像原理可以分为数码相机、胶片相机和特殊成像相机，现在市面上的主流相机为数码相机，但是随着智能手机摄像头的不断发展，智能手机还有便携轻便灵活等优点，智能手机的应用越来越广泛。相机的成像原理从光学与光电能量转换的角度来说，可以进行以下解释：当光线通过镜头时，镜头会将光线聚焦到相机的成像平面上。此时镜头的作用就是将空间中的实际物体投影到像平面上并形成一个倒立的实像。相机收集到光后需要将光信号转换成电信号，通过传感器上的CMOS（互补金属氧化物半导体）或CCD（电荷耦合器件）进行光电转换。图2.1是简单的相机成像原理图。图2.1相机成像原理图Fig.2.1Cameraimagingschematic从几何层面来看，相机成像如果忽略镜头畸变带来的影响，实际就是一个光学成像过程，可以理解成光的直线传播原理。总的来说就是通过一系列的矩阵变换，将空间物体的点变换成图像上的一个像元点，实际上就是将实际的三维坐标投影到像平面坐标。图2.2相机坐标系与世界坐标系Fig.2.2Cameracoordinatesystemandworldcoordinatesystem如图2.2，图中为摄影中心，以为坐标原点，镜头光轴与平行，做与垂直的平面，有轴与轴，建立相机坐标系。若将世界坐标系中的点(,,)转换到相机坐标系当中，需要经过旋转参数和平移参数将点变换到相机坐标系中，设世界坐标系中的(,,)转换到相机坐标系下为（,,)，两个坐标点之间的关系可以写为，以下矩阵变换公式：（2.1）根据相机的针孔成像成像原理，可以将相机坐标系中的点变换到像平面坐标，此时形成的是一个二维平面坐标，设此时由相机坐标中的转换到像平面上的坐标点为，两者坐标的变换公式为：（2.2）最后，还需要将像平面坐标变换成像素坐标，因为在做数据处理时处理的内容为像素，所以还要再进行一步坐标变换，设由像平面坐标变换到像素坐标系中的坐标点为，即变换公式为：（2.3）其中，为像平面和摄影机光轴穿过的原点，，为两方向的焦距，由此可以得到由世界系坐标点到像素平面坐标系的转换，转换公式为：（2.4）为了后文叙述方便，另上式中：（2.5）（2.6）智能手机的成像原理与相机的成像原理基本相同，对于智能手机的成像原理在这里就不在过多的阐述。但是智能手机相较于普通相机具有不能灵活的进行调焦的缺点，因此智能手机会装有多镜头，为了实现“调焦”的功能，智能手机的优点也很明显，他设计更加紧凑，集成了多种先进的技术，将便携性和高性能能够协调的很好。2.2智能手机镜头2000年9月，夏普推出全球第一款搭载摄像头的手机J-SH04，随后过去十几年内，有多款配有摄像功能的手机逐渐进入市场，但是早期的智能手机像素低，照片成像不清晰，技术不够成熟，应用功能也不够健全。随后几年智能手机摄像头得到了快速的发展，2007年苹果公司推出了搭载200万像素镜头的智能手机，在这一时期智能手机的镜头像素越来越高，图像也越来越清晰。2011年，LG公司推出了全球首款双摄手机P925，双摄手机区别于早期单摄相机，单摄相机只有一个摄影方向，也就是通过后置摄像头进行拍摄，而P925在搭载后置摄像头的基础上又搭载了前置摄像头。2015年以后手机市场如雨后春笋般，在摄像头不仅局限于“双摄”，“多摄”摄像头逐渐成为手机市场的主流，例如iPhone12ProMax智能手机镜头由超广角、广角和长焦镜头集成，可以实现用不同焦距的镜头拍摄影像。前文中，作者已经提到智能手机的摄像头相较于普通数码相机来说，不具备调焦功能，但是智能手机多镜头的配置模式，可以弥补智能手机调焦功能的不足。但是2022年5月索尼公司发布了Xperia1IV，是一款有连续光学变焦功能的智能手机，自此标志着连续光学变焦的智能手机开始市场化。随着人们对智能手机摄像头功能的不断增长，以及技术的进步，智能手机摄像头的功能也越来越丰富，视频的分辨率已经从以前的1080P已经提高了4K级别，后置摄像头也有了超广角和长焦镜头。2.2.1智能手机摄像模组摄像头模组主要由镜头(Lens)、音圈马达(VCM、红外滤光片(IR-cutFilter)、图像传感器(Sensor)、柔性印制电路板(FPCB)等部分组成。镜头的作用是将光线汇聚到图像传感器上；音圈马达是完成摄像头的自动对焦；红外滤光片能够滤除人眼的非可见光；图像传感器实现光电转换，将光信号转换成电信号；柔性印制电路板对其他部分起到将摄像头模组与主处理器连接起来的作用，并进行数据传输。图2.3摄像模组图Fig.2.3Cameramodulediagram2.3本章小结本章主要阐述了相机的成像原理，并指出了智能手机的镜头的成像原理与相机的成像原理基本相同。本章还介绍了，智能手机镜头的发展和智能手机摄像头的组模。智能手机的摄像镜头像素越来越高，多摄像头成为主流。3相机标定及精度的计算3.1畸变镜头镜头畸变（Distortion）指的是物体通过镜头成像时由于镜片的折射率、曲率等参数的影响，导致光线在通过镜头的过程中发生折射、散射，从而产生畸变。实际上就是图像相对于真实图像间产生了一些变形，使所成的物像产生失真，但是往往却不影响像的清晰度。根据镜头畸变误差物理模型摄像头的畸变类型主要分为两大类，分别是径向畸变（RadialDistortion）和切向畸变（TangentialDistortion）。径向畸变是由于镜头的光学特性导致的，主要表现为图像中心与整个图像边缘相比，二者的放大倍数不同。径向畸变进一步进行划分又可分为桶形畸变（BarrelDistortion）和枕形畸变（PincushionDistortion）。图3.1是径向畸变产生的原理图。图3.1径向畸变产生示意图Fig.3.1Schematicdiagramofradialdistortiongeneration枕型畸变是画面向中间“收缩”，通常在使用长焦镜头或变焦镜头的长焦端时较为明显，这种畸变表现为图像中心区域放大倍数较大，边缘区域放大倍数较小，导致图像边缘向内收缩，形成一个类似于枕头形状的变形，如图3.2所展示的就是枕型畸变。桶形畸变（BarrelDistortion）的画面呈桶形膨胀状，通常在使用广角镜头或变焦镜头的广角端时较为明显。这种畸变表现为图像中心区域放大倍数较小，边缘区域放大倍数较大，导致图像边缘向外凸出，如图3.3。图3.2枕型畸变Fig.3.2Pillowdistortion图3.3桶形畸变Fig.3.3barreldistortion径向畸变可通过多项式模型来描述，以下为其的核心公式：（3.1）其中，为原始图像坐标系中的像素坐标，并以图像中心为原点。为校正后的像素坐标。，为像素点到图像中心的距离。径向畸变系数，通常由相机标定获得。切向畸变（TangentialDistortion）由于相知制作不精细等原因，镜头与传感器平面安装偏差引起，使像素点沿切线方向发生了位移。其数学模型为：（3.2）其中，为原始图像坐标系中的像素坐标，为校正后的像素坐标。为切向畸变系数，用来描述镜头与传感器平面之间的倾斜误差，，为像素点到图像中心的距离。由此可知，若将两种畸变都去除，可以用以下多项式来表示：（3.3）3.2相机标定相机标定就是确定相机内部参数和外部参数，内部参数是确定焦距、主点坐标、像素尺度等参数，外部参数是确定相机在世界坐标系下的姿态,最终目的是为了建立起图像像素坐标与世界坐标之间的关系。通过相机标定，可以消除相机成像过程中产生的畸变，提高图像测量的精度和准确性，为后续的计算机视觉算法提供更加准确的基础数据。定标方法主要有三种：传统标定方法，这种方法需要制作标定板，如棋盘格、圆形图案等。通过拍摄标定物在不同位置和姿态下的图像，利用图像中特征点的像素坐标和其在世界坐标系中的真实坐标，建立方程组，求解相机的内外参数，这种方法精度较高，但需要人工制作和摆放标定物，操作相对复杂，而且对拍摄环境有一定要求。还要自标定方法，这种方法不需要专门的标定物，而是利用相机在运动过程中拍摄的多幅图像之间的几何关系来进行标定。自标定方法通常基于对极几何、三焦张量等理论，通过提取图像中的特征点并进行匹配，计算出相机的参数。这种方法相对于传统方法更为简便、灵活，但精度较低，并且还需要较高质量的图像以及匹配点。近年来，随着深度学习技术的发展，也出现了一些利用机器算法来完成相机标定方法，例如OpenCV、Matlab等计算机软件，都有现成的算法去进行相机的定标，其中OpenCV里的相机定标，就是基于传统定标方法张正友相机定标所研究的相机定标的算法。通过计算机，只需要向软件内输入拍摄的相片，然后通过计算机自动计算定标的内部参数。3.2.1张正友相机标定方法张正友相机标定方法是一种经典的相机标定方法，由微软亚洲研究院的张正友教授提出。张正友相机标定方法在计算机视觉的多个领域都有广泛的应用，如三维重建、增强现实、自动驾驶等。张正友相机标定方法的基本原理是基于平面模板进行标定。假设世界坐标系中的一个平面与相机成像平面之间存在一种特定的映射关系，通过拍摄多张不同姿态下的平面模板图像，利用图像中的特征点（通常是棋盘格的角点）来建立这种映射关系，进而求解相机的内部参数和外部参数。图3.4相机标定中的坐标转换Fig.3.3CoordinateConversioninCameraCalibration张正友定标方法的主要步骤：准备一个知道尺寸的标定板，一般是黑白相间的棋盘格图案。将标定板固定到墙面上，距离标定板一定距离拍摄图像，从不同的摄影角度用待标定的相机拍摄至少30张图像。确保在拍摄过程中，标定板能够覆盖相机的视野范围，并且相机的拍摄角度和姿态足够丰富，以获取足够的信息用于标定。提取特征点，对拍摄的每张图像，使用图像处理算法提取出棋盘格角点的像素坐标。这些像素坐标将作为后续计算的输入数据。计算单应性矩阵，对于每一张图像，通过求解图像平面上的角点坐标与世界坐标系中对应角点坐标之间的单应性矩阵，来建立两者之间的映射关系。单应性矩阵可以通过最小二乘法等方法进行求解。求解出相机内、外部参数，利用多个单应性矩阵之间的约束关系，构建关于相机内部参数的方程组。通过对方程组进行求解，可以得到相机的内部参数，如焦距、主点坐标、像素尺度等。在求解过程中，通常会使用到矩阵分解、奇异值分解等数学方法。在已知相机内部参数的基础上，根据单应性矩阵和内部参数，可以进一步计算出每张图像对应的相机外部参数，包括旋转和平移参数，从而确定相机在世界坐标系中的位置和姿态。上述（3）（4）（5）这三步的解算过程，可以通过Matlab或者其他具有相机定标算法的软件来实现。张正友相机标定方法与其他相机标定方法相比有明显的优势，第一，精度较高，该方法通过建立平面模板与图像之间的映射关系，能够有效地利用平面模板的几何信息，从而获得较高的标定精度。在实际应用中，对于大多数相机和拍摄场景，张正友相机标定方法能够满足一般的精度要求。第二，操作简便，相比于一些传统的相机标定方法，张正友相机标定方法不需要使用复杂的标定设备，只需要一个简单的平面标定板即可进行标定。而且，拍摄过程相对灵活，不需要严格控制相机和标定板的位置和姿态，降低了标定的难度和成本。第三，通用性强，该方法适用于各种类型的相机，包括针孔相机模型和一些近似针孔模型的相机。无论是普通的数码相机、手机相机还是工业相机，只要满足一定的成像条件，都可以使用张正友相机标定方法进行标定。3.2.2智能手机的标定虽然已知智能手机的出场参数，但是由于手机在拍摄过程中会受到自然环境、人为误差、手机零件老化等因素的影响，实际在拍摄过程中，智能手机相机的像素、焦距等参数与出场的标定参数会有不同，因此在进行目标变形体的采集之间要先对相机进行标定，本实验采用的是张正友相机标定方法，此种方法操作简单易上手，并结合Matlab所提供的现成算法进行智能手机的标定，以下是本实验的智能手机定标流程：本文设计了两个棋盘格，规格分别如下：0.684m×0.342m的18×9棋盘格，136个角点，方格边长38mm，如图3.5所示。(a)18×9棋盘格样图(b)18×9棋盘格实体图图3.518×9的棋盘格Fig.3.5A18×9checkerboardpattern0.342m×0.342m的9×9棋盘格，64个角点，方格边长38mm，如图3.6所示。(a)9×9棋盘格样图(b)9×9棋盘格实体图图3.69×9的棋盘格Fig.3.6A9×9checkerboardpattern距离棋盘格一定距离，拍摄至少40张棋盘格不同方向角度的照片，采集完图片后，输入到Matlab当中，如图3.7为Matlab相机标定时的界面，应用Matlab当中的CameraCalibrator模块去进行相机的定标。图3.7Matlab相机标定界面Fig.3.7Matlabcameracalibrationinterface调用相应的模块代码可计算不同的相机参数，例如cameraParams.IntrinsicMatrix模块可以计算相机内参数：（3.4）结合图3.4，3.4：，，单位mm/pixel；为相机的焦距，单位为mm；、分别代表单位像素格在、方向上的物理尺寸，单位为pixel；、为光学中心。Matlab输入的矩阵参数结果如下：ans=1.0e+03*2.76760002.760101.62591.23580.0010同样的也可以计算相机外参数、重投影误差和畸变系数等。外参数矩阵：（3.5）式子：、为世界坐标系到相机坐标系的旋转矩阵，如图3.4中所示。作者利用Matlab及所采集的相片，对于两种标定板做了标定结果的对比，拍摄距离标定板2m，分别标定iPhone12ProMax的超广角、广角、长焦镜头，见表3.1、表3.2、表3.3。表3.1MATLABCameraCalibrator超广角镜头的标定结果Tab.3.1CalibrationresultsofMATLABCameraCalibrator标定板18×99×9相机内部参数1560.91641.91558.91636.52015.62012.01542.11531.9平均重投影MeanerrorinPixel0.37110.3453畸变参数-0.02220.00420.0015-0.0012000000表3.2MATLABCameraCalibrator广角镜头的标定结果Tab.3.2CalibrationresultsofMATLABCameraCalibrator标定板18×99×9相机内部参数2838.63101.32835.23092.02033.32032.21497.01483.4平均重投影MeanerrorinPixel0.61900.6169畸变参数0.04890.1080-0.0804-0.1316000000表3.3MATLABCameraCalibrator长焦镜头的标定结果Tab.3.3CalibrationresultsofMATLABCameraCalibrator标定板18×99×9相机内部参数6787.27436.66784.27412.71981.51989.81453.81497.0平均重投影MeanerrorinPixel1.14420.9527畸变参数0.05830.19430.53380.2232000000用Matlab进行相机焦距的标定，实际物理焦距取和的均值，计算方法，以为例：（3.6）式子中，为实际焦距，为像元尺寸。作者对设备iPhone12ProMax进行相机焦距的标定，标定结果见表3.2。表3.4MATLABCameraCalibrator的焦距标定Tab.3.4FocalLengthCalibrationofMATLABCameraCalibrator设备镜头标定板总张数重投影平均误差(pixels)投影距离标定焦距iPhone12ProMax超广角18×9400.37112m2.18386mm9×9410.34532m2.29488mm广角18×9400.61902m4.82273mm9×9410.61692m5.264305mm长焦18×9401.14422m6.78585mm9×9410.95272m7.42468mm注：iPhone12ProMax的感光原件对于不同的镜头像元尺寸不同，超广角镜头像元尺寸1.4微米，广角镜头像元尺寸1.7微米。长焦镜头像元尺寸1微米。3.3智能手机相机精度计算3.3.1理论精度计算方法理论精度指不受外界影响下，如大气折光、空气和人为误差等的影响下所计算出的精度，测量过程中相机并没有发生任何变动，即认为相机是在理想状态下所测量的精度。相机精度的核心计算公式：（3.7）上述公式中，为相机测量的精度，为相机焦距，为标定板到相机的距离，为像元尺寸。3.3.2确定相机的精度根据上述计算相机精度的原理及核心公式，使用设备为iPhone12ProMax，智能手机测量精度检定结果如表3.3所示。表3.5iPhone12ProMax超广角镜头精度计算结果Tab.3.5Theoreticalaccuracycalculationresultsofsmartphones项目数据检定距离/m123456测量精度（mm/pixel）±0.63±1.25±1.86±2.50±3.16±3.75注：超广角镜头，标定焦距2.24mm，像元尺寸1.4微米。表3.6iPhone12ProMax广角镜头精度计算结果Tab.3.6Theoreticalaccuracycalculationresultsofsmartphones项目数据检定距离/m123456测量精度（mm/pixel）±0.33±0.67±1±1.33±1.67±2.00注：广角镜头，标定焦距5.1mm，像元尺寸1.7微米。表3.7iPhone12ProMax长焦镜头精度计算结果Tab.3.7Theoreticalaccuracycalculationresultsofsmartphones项目数据检定距离/m123456测量精度（mm/pixel）±0.1±0.41±0.68±0.95±1.08±1.22注：长焦镜头，标定焦距7.41mm，像元尺寸1微米。结果分析，对于不同的摄像镜头，所对应的精度不同，根据表可知，摄像镜头越长对应的相机精度越高，摄影距离越远精度越低。对于超广角镜头的精度最低，超过两米范围内，精度已经超过1.25mm/pixel；广角镜头比超广角镜头焦距更长，广角镜头在摄影距离3m时的精度为1mm/pixel；长焦镜头比超广角、广角镜头的焦距都要长，因此长焦镜头的精度最高，在超过5m摄影距离范围，精度才超过1.08mm/pixel。因此得出结论，使用智能手机进行摄影测量时，镜头焦距越长精度越高，摄影距离越近精度越高。3.4本章小结本章主要介绍了相机定标的原因、相机镜头的畸变产生的原因、镜头畸变的类型（主要包括径向畸变和切向畸变）。接着又阐述了几种相机定标的方法，其中张正友是本文所采用的相机定标方法，并对张正友相机定标的原理做了进一步说明。然后用Matlab对本文使用的设备iPhone12ProMax进行定标，应用定标后的参数对手机相机的精度进行计算，并对其结果做出分析。4智能手机变形监测实验及图像处理4.1实验设计方案及测量仪器概述4.1.2测量仪器概述实验主要设备与材料：标定变形体的标靶、三脚架、智能手机和笔记本电脑、卷尺等，见表4.1。表4.1测量仪器Tab.4.1Measuringinstrument实验设备作用三脚架用于稳定手机，保证拍摄过程中手机位置固定。iPhone12ProMax变形体相片的采集，主要参数：广角，像元尺寸为1.7μm。较大的像元尺寸可以在暗光环境下捕捉更多的光线，有助于提升照片的亮度和细节，减少噪点；超广角，像元尺寸为1.4μm，能够在拍摄宽广场景时保证一定的进光量和成像质量；长焦，像元尺寸是1.0μm，在长焦拍摄中也能较好地还原细节。笔记本电脑用于运行张正友相机标定算法程序、图像后期处理及数据分析软件，如MATLAB。卷尺量算标靶之间的相对距离4.1.1实验设计方案为了验证智能手机用于建筑结构表面变形监测的可行性。确定基于智能手机监测变形的精度范围，分析误差来源。本文的实验主要分为两个部分，外业相片特征点采集，内业相片信息的数据处理，将手机数据采集和VisionMaster图像处理软件二者结合，实现智能手机变形监测。基于此，建立一套适用于智能手机的建筑结构变形监测流程与方法。本文设计了以下实验方案，如图4.1。图4.1实验设计方案Fig.4.1Experimentaldesignplan已知卷尺的精度为1mm,本文中实验当中将卷尺测量的距离作为对照组，智能手机所测数据作为实验组，因此对于智能手机要选定适当的精度进行靶标相对距离的量算。根据表3.5、表3.6、表3.7，对于不同的手机镜头所确定的摄影距离不同。4.2智能手机动态变形监测数据采集4.2.1数据采集测量地点选定在一处平滑光洁的墙面，分别用标靶标定固定点A和移动点B。固定标靶不动，变形点标靶受自身重力影响会发生一定的位移，如图4.2是A、B两标靶的位置，图4.3是两标靶之间用卷尺测量的距离。图4.2A、B两标靶之间的位置Fig.4.2ThepositionbetweentargetAandtargetB先用卷尺测得初始点位两标靶之间的实际距离作为A、B两点之间的真值。然后再对A、B两点的初始状态进行相片的采集，每隔一米对初始状态A、B进行智能手机的相片拍摄。并从距离两标靶2米处作为智能手机相片采集的起始位置，然后每增加1米的距离进行一次拍摄，共拍摄29张相片。以下是拍摄样图，图4.3。4m6m8m10m10m图4.3不同距离下智能手机的样图Fig.4.3Sampleimagesofsmartphonesatdifferentdistances初始状态下的A、B两点标靶相对距离相机图片采集完后，接着每个30分钟再对两标靶之间的距离进行上述步骤重复测量，接着再测量不同时间下的第二组数据。4.2图像处理4.2.1机器视觉系统机器视觉软件是一种利用计算机视觉技术，将计算机与相机结合，使计算机能够像人眼一样“看”和“理解”图像的软件。它通过获取图像或视频流，并借助算法和模型来分析、处理和理解图像中的内容，从而实现识别、测量和理解图像中的对象、场景和动作。国际上比较知名的机器视觉软件有OpenCV、HALCON、VisionPro等。OpenCV由英特尔公司发起并参与开发的一个开源的计算机视觉库，OpenCV因为其免费开源，社区强大，如今已是全球最受欢迎的计算机视觉库之一。它提供了多样的图像处理和计算机视觉算法，包括图像滤波、特征提取、目标检测、图像分割、立体视觉等，并且支持多种编程语言，如C++、Python、Java等，而且还能在不同的操作系统上可以能运行，具有高效性和跨平台性。同时，伴随着的OpenCV主要的缺点就是，应用时需要操作人员有较强的编程能力。海康机器视觉软件VisionMaster是海康机器人自主开发的机器视觉算法平台，提供了千余个完全自主研发的图像处理算子与多种交互式开发工具，支持多种图像采集设备，能够满足机器视觉领域中定位、测量、识别、检测等需求，并且还将算子包装成为独特的视觉工具，融入用户自定义的检测流程中，够提供完全图形化的交互界面，功能模块直观易懂，拖拽式操作方便用户能快速搭建视觉方案。VisionMaster还可以通过使用VM算法平台提供的控制和数据获取接口来完成自定义开。VisionMaster与其他市面上的机器视觉软件一样，也配备高性能深度学习算法，它的深度学习算法提供图像分割、分类、模板检测、字符定位与识别，图像检索，异常检测等算法模块。现如今，VisionMaster凭借其强大的功能、灵活的开发模式和高效的算法，已成为机器视觉领域的重要工具，广泛应用于工业自动化、智能制造、物流、安防监控等多个领域。结合市面上各类图像处理软件，由于VisionMaster的交互界面图形化以及拥有很多数量的模块算子，易于处理采集的相片等优点。本实验采用海康VisionMaster来做图像分析。4.2.2算法模块本文实验当中的算法选择几何圆做标靶，因此在计算图像中两点的像元距离采用圆圆测量算法模块，此算法由图像特征提取和两点距离计算两部分组成。特征点的提取通过圆查找对图像中的几何圆进行特征点的提取，首先选择感兴趣区进行圆形检测和测量，减少无关区域的干扰，提高检测速度和准确性。早期，霍夫变换是的一种以投票方案进行图形拟合的算法，拟合是将图像中的一些边缘用数学方式来描述。霍夫变换圆检测是基于图像梯度实现的，分别对圆心的检测和对圆心检测，圆心检测的原理是，圆心是圆周法线的交汇处，设置一个阈值，在某点的相交的直线的条数大于这个阈值就认为该交汇点为圆心。圆半径确定原理是，圆心到圆周上的距离〔半径）是相同的，设置一个阈值，只要相同距离的数量大于该阈值，就认为该距离是该圆心的半径。当圆心查找到就可以确定两圆心的坐标，通过两坐标点就可以计算两点间的像元距离。4.2.3VisionMaster图像处理数据处理的主要流程：将采集好的两标靶相片输入到VisionMaster当中，利用图像处理算法在对已选图片进行特征点提取和特征点匹配，本实验当中主要提取的是A、B两点的圆形标靶。特征点提取之后就可以用VisionMaster里的距离量算模块计算两点的像元距离，再然后根据原理公式计算出A、B两点的实际距离，最后分析计算结构，对根据由图像计算的实际两点距离进行精度评定。图4.5是VisionMaster系统中图像处理的设计方案，图4.6是VisionMaster系统中的影像处理界面。图4.4VisionMaster中图像处理方案Fig.4.4ImageProcessingSolutionsinVisionMaster图4.5VisionMaster中图像处理界面Fig.4.5ImageprocessinginterfaceinVisionMaster4.2.4由像元距离计算实际距离的原理由像元距离计算实际距离的基本原理是基于相机的几何成像模型（小孔成像原理），通过标定参数将图像中的像素距离转换为实际物理距离。核心公式涉及相机内参、物距与像素尺寸的比例关系。图4.6相机成像原理图Fig.4.6Cameraimagingschematic上图中表示镜头焦距，单位mm；镜头与物体之间的距离；为图像上的像元距离；为实际当中的两点距离。依据实际距离与像元距离的几何关系，根据三角形相似原理，计算实际距离的核心公式为：（4.1）式中：为两点间的实际距离；为图像上的像元距离；为像元尺寸，单位mm/pixel；镜头与物体之间的距离；表示镜头焦距，单位mm。根据核心公式和图像处理结果，可对初始状态下图像计算的距离与实际卷尺测得的距离进行对比，如表4.2。图4.7是A、B两标靶之间的距离。图4.7A、B两标靶之间的距离Fig.4.7ThedistancebetweentargetAandtargetB表4.2超广角镜头第一期距离数据处理结果Tab.4.2VisionMasterInitialStateDistanceDataProcessingResults摄影距离m像元距离实际距离计算值mm误差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：实验中使用的拍摄设备为iPhone12ProMax，超广角镜头的像元尺寸为1.4微米，焦距为2.24mm，由前文可知当摄影距离大于2m时，iPhone12ProMax的广角镜头精度要大于1mm，而选用的卷尺测量精度为1mm，所以此时选用卷尺测的A、B两点的距离作为真实值，第一期数据卷尺所测A、B两点的距离为642mm。表4.3广角镜头第一期距离数据处理结果Tab.4.3VisionMasterInitialStateDistanceDataProcessingResults摄影距离m像元距离计算实际距离mm误差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：实验中使用的拍摄设备为iPhone12ProMax，广角镜头的像元尺寸为1.7微米，焦距为5.2mm，由前文可知当摄影距离大于4m时，iPhone12ProMax的角镜头精度要大于1mm，而选用的卷尺测量精度为1mm，所以此时选用卷尺测的A、B两点的距离作为真实值，第一期数据卷尺所测A、B两点的距离为642mm。表4.4长焦镜头第一期距离数据处理结果Tab.4.4VisionMasterInitialStateDistanceDataProcessingResults摄影距离m像元距离计算实际距离mm误差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：实验中使用的拍摄设备为iPhone12ProMax，长焦镜头的像元尺寸为1微米，焦距7.41mm，由前文可知当摄影距离大于5m时，iPhone12ProMax的角镜头精度要大于1mm，而选用的卷尺测量精度为1mm，所以此时选用卷尺测的A、B两点的距离作为真实值，第一期数据卷尺所测A、B两点的距离为642mm。由前文所讲的实验设计方案，每间隔30分钟，再次对两标靶进行相片的采集，共测得两组数据，表4.4为第二期数据处理结果。表4.5超广角镜头第二期数据处理结果Tab.4.5Thefirstphaseofdataprocessingresults摄影距离m像元距离计算实际距离mm误差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：实验中使用的拍摄设备为iPhone12ProMax，超广角镜头的像元尺寸为1.4微米，焦距为2.24mm，由前文可知当摄影距离大于2m时，iPhone12ProMax的广角镜头精度要大于1mm，而选用的卷尺测量精度为1mm，所以此时选用卷尺测的A、B两点的距离作为真实值，第一期数据卷尺所测A、B两点的距离为686mm。表4.6广角镜头第二期数据处理结果Tab.4.6Secondphasedataprocessingresults摄影距离m像元距离计算实际距离mm误差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：实验中使用的拍摄设备为iPhone12ProMax，广角镜头的像元尺寸为1.7微米，焦距为5.2mm，由前文可知当摄影距离大于4m时，iPhone12ProMax的角镜头精度要大于1mm，而选用的卷尺测量精度为1mm，所以此时选用卷尺测的A、B两点的距离作为真实值，第一期数据卷尺所测A、B两点的距离为686mm。表4.7长焦镜头第二期数据处理结果Tab.4.7Secondphasedataprocessingresults摄影距离m像元距离计算实际距离mm误差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：实验中使用的拍摄设备为iPhone12ProMax，长焦镜头的像元尺寸为1微米，焦距7.41mm，由前文可知当摄影距离大于5m时，iPhone12ProMax的角镜头精度要大于1mm，而选用的卷尺测量精度为1mm，所以此时选用卷尺测的A、B两点的距离作为真实值，第一期数据卷尺所测A、B两点的距离为686mm。由表4.2、表4.5的实验结果可知，第一期数据处理结果和第二期数据处理结果表明，超广角镜头测量的距离误差范围在3mm～44mm，误差范围主要集中在15mm～25mm区间内，测量误差大，且波动范围也较大。通过表4.2、表4.5分析，超广角镜头在2m～5m的摄影距离范围内测量误差最大，这里与前文分析的摄影距离越近精度越高的结论相悖，主要原因在于，当摄影距离越近时所采集的相片内容越具体，影像中的标靶所呈现的细节也就越多，即像元平面不变，距离越近采集的标靶影像在图像上所占据的像元格越多，如图4.8为远、近距离成像示意图。图4.8远、近距离成像示意图Fig.4.6Schematicdia