CN105043355B - 基于相似度判定准则的边坡微变形监测方法及监测*** - Google Patents

基于相似度判定准则的边坡微变形监测方法及监测*** Download PDF

Info

Publication number
CN105043355B
CN105043355B CN201510242170.5A CN201510242170A CN105043355B CN 105043355 B CN105043355 B CN 105043355B CN 201510242170 A CN201510242170 A CN 201510242170A CN 105043355 B CN105043355 B CN 105043355B
Authority
CN
China
Prior art keywords
moment
image
monitored area
analyzed
side slope
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510242170.5A
Other languages
English (en)
Other versions
CN105043355A (zh
Inventor
璧佃唉
赵谦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Dishan Shiju Technology Co ltd
Original Assignee
Xian University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN201510242170.5A priority Critical patent/CN105043355B/zh
Publication of CN105043355A publication Critical patent/CN105043355A/zh
Application granted granted Critical
Publication of CN105043355B publication Critical patent/CN105043355B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G01C11/06—Interpretation of pictures by comparison of two or more pictures of the same area
    • G01C11/12—Interpretation of pictures by comparison of two or more pictures of the same area the pictures being supported in the same relative position as when they were taken
    • G01C11/14—Interpretation of pictures by comparison of two or more pictures of the same area the pictures being supported in the same relative position as when they were taken with optical projection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于相似度判定准则的边坡微变形监测方法及监测***，其监测方法包括步骤：一、图像采集及同步上传：对监测区域的边坡表面图像进行采集并上传；监测区域分为K个待分析区域；二、图像接收及同步处理：对所接收的边坡表面图像同步进行处理，过程如下：201、初始采样时刻采集的边坡表面图像处理，计算出该时刻边坡表面图像的相似度；202、下一个采样时刻采集的边坡表面图像处理，计算出该时刻边坡表面图像的相似度；203、微变形发生判断；其监测***包括K个数字投影仪、K个图像摄取设备、图像采集设备和图像处理设备。本发明设计合理、实现方便且使用效果好，能对边坡微变形进行简便、实时、准确监测。

Description

基于相似度判定准则的边坡微变形监测方法及监测***
技术领域
本发明属于微变监测技术领域，尤其是涉及一种基于相似度判定准则的边坡微变形监测方法及监测***。
背景技术
边坡表面微变形的监测及实时报警至关重要，如露天煤矿边坡表面微变形进行监测的微变监测及实时报警关乎到矿工生命安全的大事。实际对边坡表面微变形进行监测时，主要是对因沉降产生的岩体裂变进行监测。目前，用于检测边坡表面微变形的仪器或方法有：全站仪、收敛仪、光纤传感技术等，上述检测技术各具优势，但也均不同程度地存在缺陷和不足，如：采用光纤传感技术进行边坡微变形检测时，将光纤植入到边坡内部是非常困难的，而且检测的灵敏性需根据边坡属性进行建模分析；采用全站仪与收敛仪进行边坡微变形检测时，测量前做大量工作，包括设置观测点，架设棱镜设备等，并且在测量过程中每次只能对一个观测点的三维数据进行采集，需要逐点采集边坡表面到仪器的距离，对一面不平整的边坡数据采集时工作量较大，需花费很长时间，而且很难做到实时、智能监测。
近年来，图像处理技术与3D重建技术取得了快速发展。在图像处理领域，经验模态分解(EMD)方法是一种具有自适应时频分辨能力的信号分析方法，而二维经验模态分解(BEMD)方法是经验模态分解(EMD)方法的进一步推广，且其是一种不依赖于基函数的数据驱动的自适应方法，近几年二维经验模态分解(BEMD)方法也广泛用于图像多尺度分析。
由于光学测量方法具有非接触、精度高等优点，因此其被广泛应用于三维测量领域。在三维测量领域，动态、实时的三维测量是研究的难点。目前，被广泛应用的光学三维测量方法有结构光投影法、立体视觉法、激 光扫描法、激光干涉法、飞行时间法等。其中，激光扫描法由于耗时较长，一般难以用于动态物体扫描；激光干涉法和共聚焦法对环境要求苛刻，设备复杂昂贵，一般用于特定行业的精密测量；而适用于动态实时监测的3D测量方法，主要有ToF、全息成像法、结构光法和立体视觉法几类。
针对现有边坡微变形监测方法存在的缺陷和不足，如能将3D重建方法与图像处理方法相结合，应用于边坡微变形监测，便能有效解决现有边坡微变形监测方法及对应的监测设备存在的监测难度大、费工费时、不能实现实时监测、监测效果较差等问题。另外，现有边坡微变形监测方法及对应的监测设备还存在监测结果不准确的缺陷，如边坡上一块岩石因松动而掉落时，因此时边坡表面并未出现微变形，若此时进行报警则很有可能产生虚警。
综上，现如今缺少一种设计合理、实现方便且使用效果好的基于相似度判定准则的边坡微变形监测方法及监测***，能对边坡微变形进行简便、实时、准确监测。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于相似度判定准则的边坡微变形监测方法，其方法步骤简单、设计合理且实现方便、使用效果好，能对边坡微变形进行简便、实时、准确监测。
为解决上述技术问题，本发明采用的技术方案是：一种基于相似度判定准则的边坡微变形监测方法，其特征在于该方法包括以下步骤：
步骤一、图像采集及同步上传：采用图像采集设备且按照预先设定的采样频率f，对监测区域的边坡表面图像进行采集，并将各采样时刻所采集的边坡表面图像同步传送至图像处理设备；
所述监测区域为边坡坡面上需进行微变形监测的区域，所监测区域划分为K个待分析区域，K个所述待分析区域均为正方形且其大小均相同；其中，K为正整数且K≥2；所述边坡表面图像由K个区域图像组成，K个 所述区域图像分别为K个所述待分析区域的图像；
所述图像采集设备的采样时刻，记作th，th＝t1+(h-1)×Δt；其中，h为正整数且h＝1、2、3、…，t1为所述图像采集设备的初始采样时刻，Δt为所述图像采集设备前后相邻两次采样的时间间隔且Δt＝1/f；
步骤二、图像接收及同步处理：所述图像处理设备接收到图像采集设备各采样时刻所采集的边坡表面图像后，对所接收的边坡表面图像同步进行处理，过程如下：
步骤201、初始采样时刻采集的边坡表面图像处理：采用图像处理设备对初始采样时刻图像采集设备采集的边坡表面图像进行处理，包括以下步骤：
步骤2011、边坡表面图像存储：对当前接收到的边坡表面图像进行存储，并对该边坡表面图像的采样时刻t1进行记录；
步骤2012、高程信息获取：调用图像处理模块对步骤2011中接收的边坡表面图像进行处理，获得所述边坡表面图像上各像素点的高程数据，且所获得的所述边坡表面图像上各像素点的高程数据为t1时刻所述监测区域的高程信息；
所述监测区域的高程信息包括K个所述待分析区域的高程信息，每个所述待分析区域的高程信息均包括该待分析区域的区域图像上各像素点的高程数据；
t1时刻所述监测区域的高程信息包括t1时刻K个所述待分析区域的高程信息；其中，t1时刻编号为k的待分析区域的高程信息，记作Xk(t1)；k为所述待分析区域的编号，k为正整数且k＝1、2、…、K；
步骤2013、高程信息存储：对步骤2012中所获得的t1时刻K个所述待分析区域的高程信息，进行同步存储；
步骤2014、相似度计算：根据公式(1)，计算得出t1时刻所述监测区域的图像相似度X1,2…K(t1)，其中 X1,2…K(t1)∈(0,1]；式(1)中，xk(t1)为t1时刻编号为k的待分析区域的高程平均值；
步骤202、下一个采样时刻采集的边坡表面图像处理：采用图像处理设备对下一个采样时刻图像采集设备采集的边坡表面图像进行处理，包括以下步骤：
步骤2021、边坡表面图像存储：对当前接收到的边坡表面图像进行存储，并对该边坡表面图像的采样时间tD进行记录；其中，D为正整数且D≥2；
步骤2022、高程信息获取：按照步骤2012中所述的方法，获取tD时刻所述监测区域的高程信息；
tD时刻所述监测区域的高程信息包括tD时刻K个所述待分析区域的高程信息；其中，tD时刻编号为k的待分析区域的高程信息，记作Xk(tD)；
步骤2023、高程信息存储：对步骤2022中所获得的tD时刻K个所述待分析区域的高程信息，进行同步存储；
步骤2024、相似度计算：根据公式(2)，计算得出tD时刻所述监测区域的图像相似度X1,2…K(tD)，其中X1,2…K(tD)∈(0,1]；式(2)中，xk(tD)为tD时刻编号为k的待分析区域的高程平均值；
步骤203、微变形发生判断：将步骤2024中计算得出的tD时刻所述监测区域的图像相似度X1,2…K(tD)，分别与tD时刻之前各时刻所述监测区域的图像相似度进行比较：当X1,2…K(tD)与tD时刻之前各时刻所述监测区域的图像相似度之间的差值均不大于ε时，说明从t1时刻至tD时刻所述监测区域未发生微变形，之后返回步骤202，对下一个采样时刻采集的边坡表面图像进行处理；否则，说明tD时刻所述监测区域发生微变形，所述图像处理设备控制报警单元进行报警，并对发生微变形的tD时刻进行记录；
其中，ε为预先设定的微变形报警阈值且ε＝0.01～0.1。
上述基于相似度判定准则的边坡微变形监测方法，其特征是：步骤 2012和步骤2022中进行高程信息获取时，调用图像处理模块且均按照三频彩色条纹投影三维测量方法，获取所述边坡表面图像上各像素点的高程数据；步骤一中所采集的边坡表面图像为所述监测区域的变形彩色条纹图；
步骤一中进行图像采集及同步上传之前，先采用图像处理设备生成彩色条纹图，该彩色条纹图的RGB三个颜色通道分别由低、中和高三种载频的正弦条纹生成；之后，再将所述彩色条纹图经数字投影仪的RGB三个彩色通道同时投影至所述监测区域上；然后，采用图像摄取设备拍摄所述监测区域的变形彩色条纹图；
步骤2012和步骤2022中进行高程信息获取时，过程如下：
步骤i、背景消减及颜色解耦：将图像采集设备采集的变形彩色条纹图中含高频条纹的颜色通道与含中频条纹的颜色通道相减，得到高、低频复合的条纹图，再用二维经验模式分解BEMD进行分解，分离高、中载频分量；同理，将所述变形彩色条纹图中含中、低频率分量的颜色通道相减，得到中、低频复合的条纹图，再用二维经验模式分解BEMD分解得到中、低载频分量；
步骤ii、相位解调：用二维短时傅立叶变换解调，得到的高、中和低各载频分量包裹相位；
步骤iii、相位展开：用变精度去包裹算法按低、中和高载频分量依次完成包裹相位展开，得到高频载频项的展开相位，由此展开相位恢复所述监测区域的高度。
上述基于相似度判定准则的边坡微变形监测方法，其特征是：步骤203中所述图像处理设备控制报警单元进行报警后，调用高程信息比较模块，对从t1时刻至tD时刻K个所述待分析分析区域的高程平均值分别进行比较，并根据比较结果，得出tD时刻发生微变形的待分析区域；之后，所述图像处理设备输出tD时刻发生微变形的待分析区域的编号；
其中，从t1时刻至tD时刻K个所述待分析区域的高程平均值的比较方 法均相同；对从t1时刻至tD时刻任一个待分析区域的高程平均值进行比较时，将tD时刻该待分析区域的高程平均值分别与t1时刻至tD-1时刻中各时刻该待分析区域的高程平均值进行差值比较。
上述基于相似度判定准则的边坡微变形监测方法，其特征是：步骤203中所述图像处理设备控制报警单元进行报警之前，所述图像处理设备还需调用伪变形判断模块，对tD时刻所述监测区域发生的微变形是否为伪变形进行判断，过程如下：
步骤I、连续监测：按照步骤2021至步骤2024中所述的方法，对tD+1时刻至tD+E时刻图像采集设备采集的边坡表面图像进行处理，并计算出各时刻所述监测区域的图像相似度X1,2…K(tF)；其中，F为正整数且F＝D+1～D+E；其中，tD+E-tD+1＝ΔT，ΔT为预先设定的连续监测时间；E为正整数且
步骤II、伪变形判断：将tD+1时刻至tD+E时刻中各时刻所述监测区域的图像相似度X1,2…K(tF)，分别与tD时刻之前各时刻所述监测区域的图像相似度X1,2…K(th)进行比较：当X1,2…K(tF)与tD时刻之前各时刻所述监测区域的图像相似度X1,2…K(th)之间的差值均大于ε时，说明tD时刻所述监测区域发生的微变形为真变形，此时所述图像处理设备控制报警单元进行报警；否则，说明tD时刻所述监测区域发生的微变形为伪变形。
上述基于相似度判定准则的边坡微变形监测方法，其特征是：步骤I中ΔT＝2s～3min。
上述基于相似度判定准则的边坡微变形监测方法，其特征是：步骤203中所述图像处理设备控制报警单元进行报警后，进入步骤三；
步骤三、初次发生微变形后持续监测，包括以下步骤：
步骤301、下一个采样时刻图像处理：按照步骤2021至步骤2024中所述的方法，对tM时刻图像采集设备采集的边坡表面图像进行处理，并计算出tM时刻所述监测区域的图像相似度X1,2…K(tM)；其中，M为正整数且M≥D+1；
步骤302、微变形发生判断：将步骤301中计算得出的tM时刻所述监 测区域的图像相似度X1,2…K(tM)，分别与tD时刻至tM时刻中各时刻所述监测区域的图像相似度进行比较：当X1,2…K(tM)与tD时刻至tM时刻中各时刻所述监测区域的图像相似度之间的差值均不大于ε时，说明从tD时刻至tM时刻所述监测区域未发生微变形，之后返回步骤301，对下一个采样时刻采集的边坡表面图像进行处理；否则，说明tM时刻所述监测区域发生微变形，所述图像处理设备控制报警单元进行报警，并对发生微变形的tM时刻和从t1时刻至tM时刻所述报警单元的报警次数进行记录，之后进入步骤四；
步骤四、下一次发生微变形后持续监测，包括以下步骤：
步骤401、下一个采样时刻图像处理：按照步骤2021至步骤2024中所述的方法，对tN时刻图像采集设备采集的边坡表面图像进行处理，并计算出tN时刻所述监测区域的图像相似度X1,2…K(tN)；其中，N为正整数且N≥n，其中n为正整数且tn时刻为tN时刻之前所述监测区域最后一次微变形的发生时刻；
步骤402、微变形发生判断：将步骤401中计算得出的tN时刻所述监测区域的图像相似度X1,2…K(tN)，分别与tn时刻至tN时刻中各时刻所述监测区域的图像相似度进行比较：当X1,2…K(tM)与tn时刻至tN时刻中各时刻所述监测区域的图像相似度之间的差值均不大于ε时，说明从tn时刻至tN时刻所述监测区域未发生微变形，之后返回步骤401，对下一个采样时刻采集的边坡表面图像进行处理；否则，说明tN时刻所述监测区域发生微变形，所述图像处理设备控制报警单元进行报警，并对发生微变形的tN时刻和从t1时刻至tN时刻所述报警单元的报警次数进行记录，之后进入步骤五；
步骤五、一次或多次重复步骤四，对所述监测区域进行持续监测。
上述基于相似度判定准则的边坡微变形监测方法，其特征是：步骤302中所述图像处理设备控制报警单元进行报警之前，所述图像处理设备还需调用伪变形判断模块，对tM时刻所述监测区域发生的微变形是否为伪变形进行判断，过程如下：
步骤I-11、连续监测：按照步骤2021至步骤2024中所述的方法，对 tM+1时刻至tM+E时刻图像采集设备采集的边坡表面图像进行处理，并计算出各时刻所述监测区域的图像相似度X1,2…K(tF1)；其中，F1为正整数且F1＝M+1～M+E；其中，tM+E-tM+1＝ΔT；
步骤II-12、伪变形判断：将tM+1时刻至tM+E时刻中各时刻所述监测区域的图像相似度X1,2…K(tF1)，分别与tD时刻至tM时刻中各时刻所述监测区域的图像相似度进行比较：当X1,2…K(tF1)与tD时刻至tM时刻中各时刻所述监测区域的图像相似度之间的差值均大于ε时，说明tM时刻所述监测区域发生的微变形为真变形，此时所述图像处理设备控制报警单元进行报警；否则，说明tM时刻所述监测区域发生的微变形为伪变形；
步骤402中所述图像处理设备控制报警单元进行报警之前，所述图像处理设备还需调用伪变形判断模块，对tN时刻所述监测区域发生的微变形是否为伪变形进行判断，过程如下：
步骤I-21、连续监测：按照步骤2021至步骤2024中所述的方法，对tN+1时刻至tN+E时刻图像采集设备采集的边坡表面图像进行处理，并计算出各时刻所述监测区域的图像相似度X1,2…K(tF2)；其中，F2为正整数且F2＝N+1～N+E；其中，tM+E-tM+1＝ΔT；
步骤II-22、伪变形判断：将tN+1时刻至tN+E时刻中各时刻所述监测区域的图像相似度X1,2…K(tF2)，分别与tn时刻至tN时刻中各时刻所述监测区域的图像相似度进行比较：当X1,2…K(tF2)与tn时刻至tN时刻中各时刻所述监测区域的图像相似度之间的差值均大于ε时，说明tN时刻所述监测区域发生的微变形为真变形，此时所述图像处理设备控制报警单元进行报警；否则，说明tN时刻所述监测区域发生的微变形为伪变形。
上述基于相似度判定准则的边坡微变形监测方法，其特征是：步骤302中所述图像处理设备控制报警单元进行报警后，调用高程信息比较模块，对从tD时刻至tM时刻K个所述待分析分析区域的高程平均值分别进行比较，并根据比较结果，得出tM时刻发生微变形的待分析区域；之后，所述图像处理设备输出tM时刻发生微变形的待分析区域的编号；
其中，从tD时刻至tM时刻K个所述待分析区域的高程平均值的比较方法均相同；对从tD时刻至tM时刻任一个待分析区域的高程平均值进行比较时，将tM时刻该待分析区域的高程平均值分别与tD时刻至tM-1时刻中各时刻该待分析区域的高程平均值进行差值比较；
步骤402中所述图像处理设备控制报警单元进行报警后，调用高程信息比较模块，对从tn时刻至tN时刻K个所述待分析分析区域的高程平均值分别进行比较，并根据比较结果，得出tN时刻发生微变形的待分析区域；之后，所述图像处理设备输出tN时刻发生微变形的待分析区域的编号；
其中，从tn时刻至tN时刻K个所述待分析区域的高程平均值的比较方法均相同；对从tn时刻至tN时刻任一个待分析区域的高程平均值进行比较时，将tN时刻该待分析区域的高程平均值分别与tn时刻至tN-1时刻中各时刻该待分析区域的高程平均值进行差值比较。
同时，本发明还公开一种结构简单、设计合理、投入成本低且使用操作简便、使用效果好的基于相似度判定准则的边坡微变形监测***，其特征在于：包括K个分别布设在K个所述待分析区域上方的数字投影仪、K个分别对K个所述待分析区域的图像进行摄取的图像摄取设备、对所述监测区域的边坡表面图像进行采集的图像采集设备和与图像采集设备相接的图像处理设备，K个所述图像摄取设备均为CCD摄像头且其均与图像采集设备相接，K个所述数字投影仪均与图像处理设备相接；K个所述CCD摄像头分别布设在K个所述待分析区域上方。
上述***，其特征是：所述数字投影仪和CCD摄像头分别位于所述待分析区域的两侧上方。
本发明与现有技术相比具有以下优点：
1、所采用的边坡微变形监测方法步骤简单、设计合理且实现方便。
2、采用三频彩色条纹投影三维测量方法获取边坡表面图像上各像素点的高程数据，所获得高程数据的精度高且图像处理速度快。同时，图像采集范围大，能根据实际需要，并结合监测区域的大小，对待分析区域的 数量K进行相应调整，实际操作非常简便。因而，本发明通过将监测区域划分为K个待分析区域，在保证监测精度的前提下，能满足不同大小监测区域的监测需求。
3、采用相似度判定准则进行边坡微变形监测，数据处理量小且数据处理速度快，监测精度高，对边坡微变过程进行精确监测，测量精度能达到0.1mm左右；并且，监测速度快，能在2秒内完成各时刻的边坡微变形监测过程。
4、使用效果好且监测结果准确，能如边坡上一块岩石因松动而掉落时的边坡伪变形进行识别，避免虚警，因而具有监测结果准确、可靠性高、能实现实时、动态监测等优点，推广应用前景广泛。
5、所采用的边坡微变形监测***结构简单、设计合理、设备安装布设方便且使用操作简便、使用效果好，投入成本较低。
综上所述，本发明设计合理、实现方便且使用效果好，能对边坡微变形进行简便、实时、准确监测。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为采用本发明进行边坡微变形监测时的方法流程框图。
图2为本发明边坡微变形监测***的电路原理框图。
附图标记说明:
1—图像处理设备； 2—图像采集设备； 3—数字投影仪；
4—CCD摄像头； 5—报警单元。
具体实施方式
如图1所示的一种基于相似度判定准则的边坡微变形监测方法，包括以下步骤：
步骤一、图像采集及同步上传：采用图像采集设备2且按照预先设定 的采样频率f，对监测区域的边坡表面图像进行采集，并将各采样时刻所采集的边坡表面图像同步传送至图像处理设备1。
所述监测区域为边坡坡面上需进行微变形监测的区域，所监测区域划分为K个待分析区域，K个所述待分析区域均为正方形且其大小均相同；其中，K为正整数且K≥2；所述边坡表面图像由K个区域图像组成，K个所述区域图像分别为K个所述待分析区域的图像。
所述图像采集设备的采样时刻，记作th，th＝t1+(h-1)×Δt；其中，h为正整数且h＝1、2、3、…，t1为所述图像采集设备的初始采样时刻，Δt为所述图像采集设备前后相邻两次采样的时间间隔且Δt＝1/f。
步骤二、图像接收及同步处理：所述图像处理设备1接收到图像采集设备2各采样时刻所采集的边坡表面图像后，对所接收的边坡表面图像同步进行处理，过程如下：
步骤201、初始采样时刻采集的边坡表面图像处理：采用图像处理设备1对初始采样时刻图像采集设备2采集的边坡表面图像进行处理，包括以下步骤：
步骤2011、边坡表面图像存储：对当前接收到的边坡表面图像进行存储，并对该边坡表面图像的采样时刻t1进行记录；
步骤2012、高程信息获取：调用图像处理模块对步骤2011中接收的边坡表面图像进行处理，获得所述边坡表面图像上各像素点的高程数据，且所获得的所述边坡表面图像上各像素点的高程数据为t1时刻所述监测区域的高程信息；
所述监测区域的高程信息包括K个所述待分析区域的高程信息，每个所述待分析区域的高程信息均包括该待分析区域的区域图像上各像素点的高程数据；
t1时刻所述监测区域的高程信息包括t1时刻K个所述待分析区域的高程信息；其中，t1时刻编号为k的待分析区域的高程信息，记作Xk(t1)；k为所述待分析区域的编号，k为正整数且k＝1、2、…、K；
步骤2013、高程信息存储：对步骤2012中所获得的t1时刻K个所述待分析区域的高程信息，进行同步存储；
步骤2014、相似度计算：根据公式(1)，计算得出t1时刻所述监测区域的图像相似度X1,2…K(t1)，其中X1,2…K(t1)∈(0,1]；式(1)中，xk(t1)为t1时刻编号为k的待分析区域的高程平均值；
步骤202、下一个采样时刻采集的边坡表面图像处理：采用图像处理设备1对下一个采样时刻图像采集设备2采集的边坡表面图像进行处理，包括以下步骤：
步骤2021、边坡表面图像存储：对当前接收到的边坡表面图像进行存储，并对该边坡表面图像的采样时间tD进行记录；其中，D为正整数且D≥2；
步骤2022、高程信息获取：按照步骤2012中所述的方法，获取tD时刻所述监测区域的高程信息；
tD时刻所述监测区域的高程信息包括tD时刻K个所述待分析区域的高程信息；其中，tD时刻编号为k的待分析区域的高程信息，记作Xk(tD)；
步骤2023、高程信息存储：对步骤2022中所获得的tD时刻K个所述待分析区域的高程信息，进行同步存储；
步骤2024、相似度计算：根据公式(2)，计算得出tD时刻所述监测区域的图像相似度X1,2…K(tD)，其中X1,2…K(tD)∈(0,1]；式(2)中，xk(tD)为tD时刻编号为k的待分析区域的高程平均值；
步骤203、微变形发生判断：将步骤2024中计算得出的tD时刻所述监测区域的图像相似度X1,2…K(tD)，分别与tD时刻之前各时刻所述监测区域的图像相似度进行比较：当X1,2…K(tD)与tD时刻之前各时刻所述监测区域的图像相似度之间的差值均不大于ε时，说明从t1时刻至tD时刻所述监测区域未发生微变形，之后返回步骤202，对下一个采样时刻采集的边坡表面图像 进行处理；否则，说明tD时刻所述监测区域发生微变形，所述图像处理设备1控制报警单元5进行报警，并对发生微变形的tD时刻进行记录；
其中，ε为预先设定的微变形报警阈值且ε＝0.01～0.1。
实际使用时，可根据具体需要，对ε的取值进行相应调整。
公式(1)中，min{x1(t1),x2(t1),…xK(t1)}表示从x1(t1)、x2(t1)、…、xK(t1)中取最小值，max{x1(t1),x2(t1),…xK(t1)}表示从x1(t1)、x2(t1)、…、xK(t1)中取最大值；公式(2)中，min{x1(tD),x2(tD),…xK(tD)}表示从x1(tD)、x2(tD)、…、xK(tD)中取最小值，max{x1(tD),x2(tD),…xK(tD)}表示从x1(tD)、x2(tD)、…、xK(tD)中取最大值。
本实施例中，步骤2014中xk(t1)为t1时刻编号为k的待分析区域的区域图像上所有像素点的高程数据平均值，步骤2024中xk(tD)为tD时刻编号为k的待分析区域的区域图像上所有像素点的高程数据平均值。
本实施例中，步骤2012和步骤2022中进行高程信息获取时，调用图像处理模块且均按照三频彩色条纹投影三维测量方法，获取所述边坡表面图像上各像素点的高程数据；步骤一中所采集的边坡表面图像为所述监测区域的变形彩色条纹图。
步骤一中进行图像采集及同步上传之前，先采用图像处理设备1生成彩色条纹图，该彩色条纹图的RGB三个颜色通道分别由低、中和高三种载频的正弦条纹生成；之后，再将所述彩色条纹图经数字投影仪3的RGB三个彩色通道同时投影至所述监测区域上；然后，采用图像摄取设备拍摄所述监测区域的变形彩色条纹图；
步骤2012和步骤2022中进行高程信息获取时，过程如下：
步骤i、背景消减及颜色解耦：将图像采集设备2采集的变形彩色条纹图中含高频条纹的颜色通道与含中频条纹的颜色通道相减，得到高、低频复合的条纹图，再用二维经验模式分解BEMD进行分解，分离高、中载频分量；同理，将所述变形彩色条纹图中含中、低频率分量的颜色通道相减，得到中、低频复合的条纹图，再用二维经验模式分解BEMD分解得到中、低载频分量；
步骤ii、相位解调：用二维短时傅立叶变换解调，得到的高、中和低各载频分量包裹相位；
步骤iii、相位展开：用变精度去包裹算法按低、中和高载频分量依次完成包裹相位展开，得到高频载频项的展开相位，由此展开相位恢复所述监测区域的高度。
因而，本发明采用三频彩色条纹投影三维测量方法获取所述监测区域的高程数据，该三维测量方法基于BEMD的三频彩色条纹投影轮廓术，达到单幅图像拍摄下条纹相位的高精度解调和包裹相位可靠快速展开的目的，同时还能恢复被测物体的纹理信息，只需精确获取高频条纹载频项的展开相位，就能恢复出被测物体高精度的三维轮廓信息。所述数字投影仪3的RGB三个彩色通道同时投影至所述监测区域上后，所述图像摄取设备(具体是彩色图像摄取设备)从另一角度拍摄经所述监测区域高度调制的彩色变形条纹图(即所述变形彩色条纹图)。其中，背景消减、颜色解耦和相位展开是该三维测量方法的关键技术，是影响精度和可靠性的主要因素。采用彩色条纹投影与立体视觉融合的三维传感方法，以测量动态复杂物体。三频彩色条纹投影三维测量方法是一种双向融合机制，即先用三频彩色条纹的相位分布指导双目立体视觉全局匹配，反过来，再利用双目条纹灰度图局部多特征的精细匹配校正初始相位失真，这种失真来源于反射率噪声、形状突变以及条纹的非正弦性，最终用立体视觉求解空间点位置坐标，还原被测物体准确高度信息。实际使用时，该三维测量方法能简便、快速获取所述监测区域的高度信息，并且精确度高。
实际使用时，也可以采用其它基于图像处理的三维测量方法获取所述监测区域的高程数据。
本实施例中，所采用的三频彩色条纹投影三维测量方法为2012年01月18日公开的公开号为CN102322822A、专利号为201110225971.2且发明名称为《一种三频彩色条纹投影三维测量方法》的发明专利申请文件中公开的三维测量方法。
其中，相似度判定准则是指根据图像相似度的大小及变化情形进行边坡微变形监测。将任一时刻所述监测区域的高程信息看作一个模糊集合，根据模糊数学理论，2个模糊集合间的相近程度可用相似度(也称贴近度)来衡量。
本实施例中，步骤2014和步骤2024中计算得出的所述监测区域的图像相似度的取值范围为(0,1]，当图像相似度的值近似为1时，表示被测边坡表面(即所述监测区域)近似平整，此时所述监测区域上的所有像素点具有最大的相似度；当图像相似度的值接近于0时，表示被测边坡表面具有最小的相似度。
本实施例中，步骤203中所述图像处理设备1控制报警单元5进行报警后，进入步骤三；
步骤三、初次发生微变形后持续监测，包括以下步骤：
步骤301、下一个采样时刻图像处理：按照步骤2021至步骤2024中所述的方法，对tM时刻图像采集设备2采集的边坡表面图像进行处理，并计算出tM时刻所述监测区域的图像相似度X1,2…K(tM)；其中，M为正整数且M≥D+1；
步骤302、微变形发生判断：将步骤301中计算得出的tM时刻所述监测区域的图像相似度X1,2…K(tM)，分别与tD时刻至tM时刻中各时刻所述监测区域的图像相似度进行比较：当X1,2…K(tM)与tD时刻至tM时刻中各时刻所述监测区域的图像相似度之间的差值均不大于ε时，说明从tD时刻至tM时刻所述监测区域未发生微变形，之后返回步骤301，对下一个采样时刻采集的边坡表面图像进行处理；否则，说明tM时刻所述监测区域发生微变形，所述图像处理设备1控制报警单元5进行报警，并对发生微变形的tM时刻和从t1时刻至tM时刻所述报警单元5的报警次数进行记录，之后进入步骤四；
步骤四、下一次发生微变形后持续监测，包括以下步骤：
步骤401、下一个采样时刻图像处理：按照步骤2021至步骤2024中 所述的方法，对tN时刻图像采集设备2采集的边坡表面图像进行处理，并计算出tN时刻所述监测区域的图像相似度X1,2…K(tN)；其中，N为正整数且N≥n，其中n为正整数且tn时刻为tN时刻之前所述监测区域最后一次微变形的发生时刻；
步骤402、微变形发生判断：将步骤401中计算得出的tN时刻所述监测区域的图像相似度X1,2…K(tN)，分别与tn时刻至tN时刻中各时刻所述监测区域的图像相似度进行比较：当X1,2…K(tM)与tn时刻至tN时刻中各时刻所述监测区域的图像相似度之间的差值均不大于ε时，说明从tn时刻至tN时刻所述监测区域未发生微变形，之后返回步骤401，对下一个采样时刻采集的边坡表面图像进行处理；否则，说明tN时刻所述监测区域发生微变形，所述图像处理设备1控制报警单元5进行报警，并对发生微变形的tN时刻和从t1时刻至tN时刻所述报警单元5的报警次数进行记录，之后进入步骤五；
步骤五、一次或多次重复步骤四，对所述监测区域进行持续监测。
本实施例中，步骤203中所述图像处理设备1控制报警单元5进行报警之前，所述图像处理设备1还需调用伪变形判断模块，对tD时刻所述监测区域发生的微变形是否为伪变形进行判断，过程如下：
步骤I、连续监测：按照步骤2021至步骤2024中所述的方法，对tD+1时刻至tD+E时刻图像采集设备2采集的边坡表面图像进行处理，并计算出各时刻所述监测区域的图像相似度X1,2…K(tF)；其中，F为正整数且F＝D+1～D+E；其中，tD+E-tD+1＝ΔT，ΔT为预先设定的连续监测时间；E为正整数且
步骤II、伪变形判断：将tD+1时刻至tD+E时刻中各时刻所述监测区域的图像相似度X1,2…K(tF)，分别与tD时刻之前各时刻所述监测区域的图像相似度X1,2…K(th)进行比较：当X1,2…K(tF)与tD时刻之前各时刻所述监测区域的图像相似度X1,2…K(th)之间的差值均大于ε时，说明tD时刻所述监测区域发生的微变形为真变形，此时所述图像处理设备1控制报警单元5进行报警；否则，说明tD时刻所述监测区域发生的微变形为伪变形。
本实施例中，步骤I中ΔT＝2s～3min。公式中，表示向下取整。
实际使用时，可根据具体需要，对ΔT的取值大小进行相应调整。
本实施例中，步骤302中所述图像处理设备1控制报警单元5进行报警之前，所述图像处理设备1还需调用伪变形判断模块，对tM时刻所述监测区域发生的微变形是否为伪变形进行判断，过程如下：
步骤I-11、连续监测：按照步骤2021至步骤2024中所述的方法，对tM+1时刻至tM+E时刻图像采集设备2采集的边坡表面图像进行处理，并计算出各时刻所述监测区域的图像相似度X1,2…K(tF1)；其中，F1为正整数且F1＝M+1～M+E；其中，tM+E-tM+1＝ΔT；
步骤II-12、伪变形判断：将tM+1时刻至tM+E时刻中各时刻所述监测区域的图像相似度X1,2…K(tF1)，分别与tD时刻至tM时刻中各时刻所述监测区域的图像相似度进行比较：当X1,2…K(tF1)与tD时刻至tM时刻中各时刻所述监测区域的图像相似度之间的差值均大于ε时，说明tM时刻所述监测区域发生的微变形为真变形，此时所述图像处理设备1控制报警单元5进行报警；否则，说明tM时刻所述监测区域发生的微变形为伪变形；
步骤402中所述图像处理设备1控制报警单元5进行报警之前，所述图像处理设备1还需调用伪变形判断模块，对tN时刻所述监测区域发生的微变形是否为伪变形进行判断，过程如下：
步骤I-21、连续监测：按照步骤2021至步骤2024中所述的方法，对tN+1时刻至tN+E时刻图像采集设备2采集的边坡表面图像进行处理，并计算出各时刻所述监测区域的图像相似度X1,2…K(tF2)；其中，F2为正整数且F2＝N+1～N+E；其中，tM+E-tM+1＝ΔT；
步骤II-22、伪变形判断：将tN+1时刻至tN+E时刻中各时刻所述监测区域的图像相似度X1,2…K(tF2)，分别与tn时刻至tN时刻中各时刻所述监测区域的图像相似度进行比较：当X1,2…K(tF2)与tn时刻至tN时刻中各时刻所述监测区域的图像相似度之间的差值均大于ε时，说明tN时刻所述监测区域发生的 微变形为真变形，此时所述图像处理设备1控制报警单元5进行报警；否则，说明tN时刻所述监测区域发生的微变形为伪变形。
本实施例中，步骤203中所述图像处理设备1控制报警单元5进行报警后，调用高程信息比较模块，对从t1时刻至tD时刻K个所述待分析分析区域的高程平均值分别进行比较，并根据比较结果，得出tD时刻发生微变形的待分析区域；之后，所述图像处理设备1输出tD时刻发生微变形的待分析区域的编号；
其中，从t1时刻至tD时刻K个所述待分析区域的高程平均值的比较方法均相同；对从t1时刻至tD时刻任一个待分析区域的高程平均值进行比较时，将tD时刻该待分析区域的高程平均值分别与t1时刻至tD-1时刻中各时刻该待分析区域的高程平均值进行差值比较。
为实现方便，预先设定高程变化报警阈值ΔH，对从t1时刻至tD时刻任一个待分析区域的高程平均值进行比较时，当tD时刻该待分析区域的高程平均值与t1时刻至tD-1时刻中各时刻该待分析区域的高程平均值之间的差值均不大于ΔH时，说明该待分析区域未发生微变形；否则，说明该待分析区域发生微变形。
其中，高程变化报警阈值ΔH，根据实际监测需求，人为进行设定。
并且，步骤302中所述图像处理设备1控制报警单元5进行报警后，调用高程信息比较模块，对从tD时刻至tM时刻K个所述待分析分析区域的高程平均值分别进行比较，并根据比较结果，得出tM时刻发生微变形的待分析区域；之后，所述图像处理设备1输出tM时刻发生微变形的待分析区域的编号；
其中，从tD时刻至tM时刻K个所述待分析区域的高程平均值的比较方法均相同；对从tD时刻至tM时刻任一个待分析区域的高程平均值进行比较时，将tM时刻该待分析区域的高程平均值分别与tD时刻至tM-1时刻中各时刻该待分析区域的高程平均值进行差值比较。
本实施例中，对从tD时刻至tM时刻任一个待分析区域的高程平均值进 行比较时，当tM时刻该待分析区域的高程平均值与tD时刻至tM-1时刻中各时刻该待分析区域的高程平均值之间的差值均不大于ΔH时，说明该待分析区域未发生微变形；否则，说明该待分析区域发生微变形。
步骤402中所述图像处理设备1控制报警单元5进行报警后，调用高程信息比较模块，对从tn时刻至tN时刻K个所述待分析分析区域的高程平均值分别进行比较，并根据比较结果，得出tN时刻发生微变形的待分析区域；之后，所述图像处理设备1输出tN时刻发生微变形的待分析区域的编号；
其中，从tn时刻至tN时刻K个所述待分析区域的高程平均值的比较方法均相同；对从tn时刻至tN时刻任一个待分析区域的高程平均值进行比较时，将tN时刻该待分析区域的高程平均值分别与tn时刻至tN-1时刻中各时刻该待分析区域的高程平均值进行差值比较。
本实施例中，对从tn时刻至tN时刻任一个待分析区域的高程平均值进行比较时，当tN时刻该待分析区域的高程平均值与tn时刻至tN-1时刻中各时刻该待分析区域的高程平均值之间的差值均不大于ΔH时，说明该待分析区域未发生微变形；否则，说明该待分析区域发生微变形。
如图2所示的一种基于相似度判定准则的边坡微变形监测***，包括K个分别布设在K个所述待分析区域上方的数字投影仪3、K个分别对K个所述待分析区域的图像进行摄取的图像摄取设备、对所述监测区域的边坡表面图像进行采集的图像采集设备2和与图像采集设备2相接的图像处理设备1，K个所述图像摄取设备均为CCD摄像头4且其均与图像采集设备2相接，K个所述数字投影仪3均与图像处理设备1相接；K个所述CCD摄像头4分别布设在K个所述待分析区域上方。
本实施例中，所述数字投影仪3和CCD摄像头4分别位于所述待分析区域的两侧上方。
实际对数字投影仪3和CCD摄像头4进行布设安装时，将数字投影仪3布设在所述待分析区域的一侧上方，且将CCD摄像头4布设在所述待分 析区域的另一侧上方。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (10)

1.一种基于相似度判定准则的边坡微变形监测方法，其特征在于该方法包括以下步骤：
步骤一、图像采集及同步上传：采用图像采集设备(2)且按照预先设定的采样频率f，对监测区域的边坡表面图像进行采集，并将各采样时刻所采集的边坡表面图像同步传送至图像处理设备(1)；
所述监测区域为边坡坡面上需进行微变形监测的区域，所监测区域划分为K个待分析区域，K个所述待分析区域均为正方形且其大小均相同；其中，K为正整数且K≥2；所述边坡表面图像由K个区域图像组成，K个所述区域图像分别为K个所述待分析区域的图像；
所述图像采集设备的采样时刻，记作th，th＝t1+(h-1)×Δt；其中，h为正整数且h＝1、2、3、…，t1为所述图像采集设备的初始采样时刻，Δt为所述图像采集设备前后相邻两次采样的时间间隔且Δt＝1/f；
步骤二、图像接收及同步处理：所述图像处理设备(1)接收到图像采集设备(2)各采样时刻所采集的边坡表面图像后，对所接收的边坡表面图像同步进行处理，过程如下：
步骤201、初始采样时刻采集的边坡表面图像处理：采用图像处理设备(1)对初始采样时刻图像采集设备(2)采集的边坡表面图像进行处理，包括以下步骤：
步骤2011、边坡表面图像存储：对当前接收到的边坡表面图像进行存储，并对该边坡表面图像的采样时刻t1进行记录；
步骤2012、高程信息获取：调用图像处理模块对步骤2011中接收的边坡表面图像进行处理，获得所述边坡表面图像上各像素点的高程数据，且所获得的所述边坡表面图像上各像素点的高程数据为t1时刻所述监测区域的高程信息；
所述监测区域的高程信息包括K个所述待分析区域的高程信息，每个所述待分析区域的高程信息均包括该待分析区域的区域图像上各像素点的高程数据；
t1时刻所述监测区域的高程信息包括t1时刻K个所述待分析区域的高程信息；其中，t1时刻编号为k的待分析区域的高程信息，记作Xk(t1)；k为所述待分析区域的编号，k为正整数且k＝1、2、…、K；
步骤2013、高程信息存储：对步骤2012中所获得的t1时刻K个所述待分析区域的高程信息，进行同步存储；
步骤2014、相似度计算：根据公式(1)，计算得出t1时刻所述监测区域的图像相似度X1,2…K(t1)，其中X1,2…K(t1)∈(0,1]；式(1)中，xk(t1)为t1时刻编号为k的待分析区域的高程平均值；
步骤202、下一个采样时刻采集的边坡表面图像处理：采用图像处理设备(1)对下一个采样时刻图像采集设备(2)采集的边坡表面图像进行处理，包括以下步骤：
步骤2021、边坡表面图像存储：对当前接收到的边坡表面图像进行存储，并对该边坡表面图像的采样时间tD进行记录；其中，D为正整数且D≥2；
步骤2022、高程信息获取：按照步骤2012中所述的方法，获取tD时刻所述监测区域的高程信息；
tD时刻所述监测区域的高程信息包括tD时刻K个所述待分析区域的高程信息；其中，tD时刻编号为k的待分析区域的高程信息，记作Xk(tD)；
步骤2023、高程信息存储：对步骤2022中所获得的tD时刻K个所述待分析区域的高程信息，进行同步存储；
步骤2024、相似度计算：根据公式(2)，计算得出tD时刻所述监测区域的图像相似度X1,2…K(tD)，其中X1,2…K(tD)∈(0,1]；式(2)中，xk(tD)为tD时刻编号为k的待分析区域的高程平均值；
步骤203、微变形发生判断：将步骤2024中计算得出的tD时刻所述监测区域的图像相似度X1,2…K(tD)，分别与tD时刻之前各时刻所述监测区域的图像相似度进行比较：当X1,2…K(tD)与tD时刻之前各时刻所述监测区域的图像相似度之间的差值均不大于ε时，说明从t1时刻至tD时刻所述监测区域未发生微变形，之后返回步骤202，对下一个采样时刻采集的边坡表面图像进行处理；否则，说明tD时刻所述监测区域发生微变形，所述图像处理设备(1)控制报警单元(5)进行报警，并对发生微变形的tD时刻进行记录；
其中，ε为预先设定的微变形报警阈值且ε＝0.01～0.1。
2.按照权利要求1所述的基于相似度判定准则的边坡微变形监测方法，其特征在于：步骤2012和步骤2022中进行高程信息获取时，调用图像处理模块且均按照三频彩色条纹投影三维测量方法，获取所述边坡表面图像上各像素点的高程数据；步骤一中所采集的边坡表面图像为所述监测区域的变形彩色条纹图；
步骤一中进行图像采集及同步上传之前，先采用图像处理设备(1)生成彩色条纹图，该彩色条纹图的RGB三个颜色通道分别由低、中和高三种载频的正弦条纹生成；之后，再将所述彩色条纹图经数字投影仪(3)的RGB三个彩色通道同时投影至所述监测区域上；然后，采用图像摄取设备拍摄所述监测区域的变形彩色条纹图；
步骤2012和步骤2022中进行高程信息获取时，过程如下：
步骤i、背景消减及颜色解耦：将图像采集设备(2)采集的变形彩色条纹图中含高频条纹的颜色通道与含中频条纹的颜色通道相减，得到高、低频复合的条纹图，再用二维经验模式分解BEMD进行分解，分离高、中载频分量；同理，将所述变形彩色条纹图中含中、低频率分量的颜色通道相减，得到中、低频复合的条纹图，再用二维经验模式分解BEMD分解得到中、低载频分量；
步骤ii、相位解调：用二维短时傅立叶变换解调，得到的高、中和低各载频分量包裹相位；
步骤iii、相位展开：用变精度去包裹算法按低、中和高载频分量依次完成包裹相位展开，得到高频载频项的展开相位，由此展开相位恢复所述监测区域的高度。
3.按照权利要求1或2所述的基于相似度判定准则的边坡微变形监测方法，其特征在于：步骤203中所述图像处理设备(1)控制报警单元(5)进行报警后，调用高程信息比较模块，对从t1时刻至tD时刻K个所述待分析分析区域的高程平均值分别进行比较，并根据比较结果，得出tD时刻发生微变形的待分析区域；之后，所述图像处理设备(1)输出tD时刻发生微变形的待分析区域的编号；
其中，从t1时刻至tD时刻K个所述待分析区域的高程平均值的比较方法均相同；对从t1时刻至tD时刻任一个待分析区域的高程平均值进行比较时，将tD时刻该待分析区域的高程平均值分别与t1时刻至tD-1时刻中各时刻该待分析区域的高程平均值进行差值比较。
4.按照权利要求1或2所述的基于相似度判定准则的边坡微变形监测方法，其特征在于：步骤203中所述图像处理设备(1)控制报警单元(5)进行报警之前，所述图像处理设备(1)还需调用伪变形判断模块，对tD时刻所述监测区域发生的微变形是否为伪变形进行判断，过程如下：
步骤I、连续监测：按照步骤2021至步骤2024中所述的方法，对tD+1时刻至tD+E时刻图像采集设备(2)采集的边坡表面图像进行处理，并计算出各时刻所述监测区域的图像相似度X1,2…K(tF)；其中，F为正整数且F＝D+1～D+E；其中，tD+E-tD+1＝ΔT，ΔT为预先设定的连续监测时间；E为正整数且
步骤II、伪变形判断：将tD+1时刻至tD+E时刻中各时刻所述监测区域的图像相似度X1,2…K(tF)，分别与tD时刻之前各时刻所述监测区域的图像相似度X1,2…K(th)进行比较：当X1,2…K(tF)与tD时刻之前各时刻所述监测区域的图像相似度X1,2…K(th)之间的差值均大于ε时，说明tD时刻所述监测区域发生的微变形为真变形，此时所述图像处理设备(1)控制报警单元(5)进行报警；否则，说明tD时刻所述监测区域发生的微变形为伪变形。
5.按照权利要求4所述的基于相似度判定准则的边坡微变形监测方法，其特征在于：步骤I中ΔT＝2s～3min。
6.按照权利要求1或2所述的基于相似度判定准则的边坡微变形监测方法，其特征在于：步骤203中所述图像处理设备(1)控制报警单元(5)进行报警后，进入步骤三；
步骤三、初次发生微变形后持续监测，包括以下步骤：
步骤301、下一个采样时刻图像处理：按照步骤2021至步骤2024中所述的方法，对tM时刻图像采集设备(2)采集的边坡表面图像进行处理，并计算出tM时刻所述监测区域的图像相似度X1,2…K(tM)；其中，M为正整数且M≥D+1；
步骤302、微变形发生判断：将步骤301中计算得出的tM时刻所述监测区域的图像相似度X1,2…K(tM)，分别与tD时刻至tM时刻中各时刻所述监测区域的图像相似度进行比较：当X1,2…K(tM)与tD时刻至tM时刻中各时刻所述监测区域的图像相似度之间的差值均不大于ε时，说明从tD时刻至tM时刻所述监测区域未发生微变形，之后返回步骤301，对下一个采样时刻采集的边坡表面图像进行处理；否则，说明tM时刻所述监测区域发生微变形，所述图像处理设备(1)控制报警单元(5)进行报警，并对发生微变形的tM时刻和从t1时刻至tM时刻所述报警单元(5)的报警次数进行记录，之后进入步骤四；
步骤四、下一次发生微变形后持续监测，包括以下步骤：
步骤401、下一个采样时刻图像处理：按照步骤2021至步骤2024中所述的方法，对tN时刻图像采集设备(2)采集的边坡表面图像进行处理，并计算出tN时刻所述监测区域的图像相似度X1,2…K(tN)；其中，N为正整数且N≥n，其中n为正整数且tn时刻为tN时刻之前所述监测区域最后一次微变形的发生时刻；
步骤402、微变形发生判断：将步骤401中计算得出的tN时刻所述监测区域的图像相似度X1,2…K(tN)，分别与tn时刻至tN时刻中各时刻所述监测区域的图像相似度进行比较：当X1,2…K(tM)与tn时刻至tN时刻中各时刻所述监测区域的图像相似度之间的差值均不大于ε时，说明从tn时刻至tN时刻所述监测区域未发生微变形，之后返回步骤401，对下一个采样时刻采集的边坡表面图像进行处理；否则，说明tN时刻所述监测区域发生微变形，所述图像处理设备(1)控制报警单元(5)进行报警，并对发生微变形的tN时刻和从t1时刻至tN时刻所述报警单元(5)的报警次数进行记录，之后进入步骤五；
步骤五、一次或多次重复步骤四，对所述监测区域进行持续监测。
7.按照权利要求6所述的基于相似度判定准则的边坡微变形监测方法，其特征在于：步骤302中所述图像处理设备(1)控制报警单元(5)进行报警之前，所述图像处理设备(1)还需调用伪变形判断模块，对tM时刻所述监测区域发生的微变形是否为伪变形进行判断，过程如下：
步骤I-11、连续监测：按照步骤2021至步骤2024中所述的方法，对tM+1时刻至tM+E时刻图像采集设备(2)采集的边坡表面图像进行处理，并计算出各时刻所述监测区域的图像相似度X1,2…K(tF1)；其中，F1为正整数且F1＝M+1～M+E；其中，tM+E-tM+1＝ΔT；
步骤II-12、伪变形判断：将tM+1时刻至tM+E时刻中各时刻所述监测区域的图像相似度X1,2…K(tF1)，分别与tD时刻至tM时刻中各时刻所述监测区域的图像相似度进行比较：当X1,2…K(tF1)与tD时刻至tM时刻中各时刻所述监测区域的图像相似度之间的差值均大于ε时，说明tM时刻所述监测区域发生的微变形为真变形，此时所述图像处理设备(1)控制报警单元(5)进行报警；否则，说明tM时刻所述监测区域发生的微变形为伪变形；
步骤402中所述图像处理设备(1)控制报警单元(5)进行报警之前，所述图像处理设备(1)还需调用伪变形判断模块，对tN时刻所述监测区域发生的微变形是否为伪变形进行判断，过程如下：
步骤I-21、连续监测：按照步骤2021至步骤2024中所述的方法，对tN+1时刻至tN+E时刻图像采集设备(2)采集的边坡表面图像进行处理，并计算出各时刻所述监测区域的图像相似度X1,2…K(tF2)；其中，F2为正整数且F2＝N+1～N+E；其中，tM+E-tM+1＝ΔT；
步骤II-22、伪变形判断：将tN+1时刻至tN+E时刻中各时刻所述监测区域的图像相似度X1,2…K(tF2)，分别与tn时刻至tN时刻中各时刻所述监测区域的图像相似度进行比较：当X1,2…K(tF2)与tn时刻至tN时刻中各时刻所述监测区域的图像相似度之间的差值均大于ε时，说明tN时刻所述监测区域发生的微变形为真变形，此时所述图像处理设备(1)控制报警单元(5)进行报警；否则，说明tN时刻所述监测区域发生的微变形为伪变形。
8.按照权利要求6所述的基于相似度判定准则的边坡微变形监测方法，其特征在于：步骤302中所述图像处理设备(1)控制报警单元(5)进行报警后，调用高程信息比较模块，对从tD时刻至tM时刻K个所述待分析分析区域的高程平均值分别进行比较，并根据比较结果，得出tM时刻发生微变形的待分析区域；之后，所述图像处理设备(1)输出tM时刻发生微变形的待分析区域的编号；
其中，从tD时刻至tM时刻K个所述待分析区域的高程平均值的比较方法均相同；对从tD时刻至tM时刻任一个待分析区域的高程平均值进行比较时，将tM时刻该待分析区域的高程平均值分别与tD时刻至tM-1时刻中各时刻该待分析区域的高程平均值进行差值比较；
步骤402中所述图像处理设备(1)控制报警单元(5)进行报警后，调用高程信息比较模块，对从tn时刻至tN时刻K个所述待分析分析区域的高程平均值分别进行比较，并根据比较结果，得出tN时刻发生微变形的待分析区域；之后，所述图像处理设备(1)输出tN时刻发生微变形的待分析区域的编号；
其中，从tn时刻至tN时刻K个所述待分析区域的高程平均值的比较方法均相同；对从tn时刻至tN时刻任一个待分析区域的高程平均值进行比较时，将tN时刻该待分析区域的高程平均值分别与tn时刻至tN-1时刻中各时刻该待分析区域的高程平均值进行差值比较。
9.一种利用如权利要求2所述边坡微变形监测方法进行边坡微变形的***，其特征在于：包括K个分别布设在K个所述待分析区域上方的数字投影仪(3)、K个分别对K个所述待分析区域的图像进行摄取的图像摄取设备、对所述监测区域的边坡表面图像进行采集的图像采集设备(2)和与图像采集设备(2)相接的图像处理设备(1)，K个所述图像摄取设备均为CCD摄像头(4)且其均与图像采集设备(2)相接，K个所述数字投影仪(3)均与图像处理设备(1)相接；K个所述CCD摄像头(4)分别布设在K个所述待分析区域上方。
10.按照权利要求9所述的***，其特征在于：所述数字投影仪(3)和CCD摄像头(4)分别位于所述待分析区域的两侧上方。
CN201510242170.5A 2015-05-13 2015-05-13 基于相似度判定准则的边坡微变形监测方法及监测*** Active CN105043355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510242170.5A CN105043355B (zh) 2015-05-13 2015-05-13 基于相似度判定准则的边坡微变形监测方法及监测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510242170.5A CN105043355B (zh) 2015-05-13 2015-05-13 基于相似度判定准则的边坡微变形监测方法及监测***

Publications (2)

Publication Number Publication Date
CN105043355A CN105043355A (zh) 2015-11-11
CN105043355B true CN105043355B (zh) 2017-05-31

Family

ID=54450093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510242170.5A Active CN105043355B (zh) 2015-05-13 2015-05-13 基于相似度判定准则的边坡微变形监测方法及监测***

Country Status (1)

Country Link
CN (1) CN105043355B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106202908B (zh) * 2016-07-05 2018-10-19 西安交通大学 一种高边坡松弛区的判定方法
CN107490368B (zh) * 2017-08-02 2020-06-12 上海华测导航技术股份有限公司 一种边坡放样***及方法
CN111561917B (zh) * 2020-03-30 2021-10-26 同济大学 一种道路边坡监测***
CN114285773B (zh) * 2021-11-19 2023-11-10 中国联合网络通信集团有限公司 流量采样方法、装置、设备及可读存储介质
CN115620489A (zh) * 2022-10-24 2023-01-17 深圳市自然资源和不动产评估发展研究中心(深圳市地质环境监测中心) 基于直播推流的边坡监测预警方法、***、设备及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102052915A (zh) * 2010-11-24 2011-05-11 航天科工深圳（集团）有限公司 一种地质灾害监测***及其监测方法
CN102538751B (zh) * 2012-01-19 2013-09-04 四川金码科技有限公司 动静态自调式沉降∕挠度监测***及方法
CN102788558B (zh) * 2012-07-30 2014-12-10 山东师范大学 散斑相关和散斑干涉相结合的三维变形测量***及方法
CN202928571U (zh) * 2012-11-05 2013-05-08 上海米度测控科技有限公司 一种用于远距离微变形监测的摄影测量***
CN103018757B (zh) * 2012-12-10 2015-04-22 中山大学 一种浮式及半潜式移动平台方位及三维姿态监测显示***
JP6181388B2 (ja) * 2013-03-08 2017-08-16 株式会社トプコン 計測装置

Also Published As

Publication number Publication date
CN105043355A (zh) 2015-11-11

Similar Documents

Publication Publication Date Title
CN105043355B (zh) 基于相似度判定准则的边坡微变形监测方法及监测***
CN107202554B (zh) 同时具备摄影测量和三维扫描功能的手持式大尺度三维测量扫描仪***
CN106840110B (zh) 一种应用于大型多板波浪模拟***的运动测量方法与装置
CN110728671B (zh) 基于视觉的无纹理场景的稠密重建方法
CN104567726B (zh) 车辆运行故障检测***及方法
CN104574393B (zh) 一种三维路面裂缝图像生成***和方法
KR20150121179A (ko) 실시간 스테레오 정합
CN106710240A (zh) 融合多目标雷达与视频信息的通行车辆跟踪测速方法
CN104854427A (zh) 用于光学扫描和测量环境的装置
CN103837087B (zh) 基于主动形状模型的受电弓自动检测方法
CN105905132A (zh) 一种轨道状态智能巡检装置和方法
WO2016095490A1 (zh) 车辆运行故障检测***及方法
CN102135236A (zh) 双目视觉管道内壁自动无损检测方法
CN102183524A (zh) 用于土木工程结构表观缺陷评定的双ccd检测方法及***
CN106970024A (zh) 基于相机和可控频闪光源的限界检测测距方法及***
CN103438834A (zh) 基于结构光投影的层级式快速三维测量装置及测量方法
CN109341668A (zh) 基于折射投影模型和光束追踪法的多相机测量方法
CN116908214B (zh) 一种基于数字孪生的隧道施工缺陷检测方法及***
KR101073432B1 (ko) 3차원 공간정보를 통합한 도시 관리 시스템 구축장치 및 방법
US20120183205A1 (en) Method for displacement measurement, device for displacement measurement, and program for displacement measurement
CN107564051A (zh) 一种深度信息采集方法及***
CN106709432A (zh) 基于双目立体视觉的人头检测计数方法
KR102004909B1 (ko) 텅레일 밀착상태 검지를 위한 검측시스템
CN106303412B (zh) 基于监控影像的排土场位移远程实时监测方法
CN106197320B (zh) 一种分时复用快速三维扫描及其数据处理方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20221117

Address after: Room 416-1, 4th Floor, Building 3, Fengyue Yunchuang Center, Hanchi 1st Road, Haojing Avenue, Fengdong New Town, Xi'an City, Shaanxi Province 710000

Patentee after: Xi'an Dishan Shiju Technology Co.,Ltd.

Address before: 710054 No. 58, middle section, Yanta Road, Shaanxi, Xi'an

Patentee before: XI'AN University OF SCIENCE AND TECHNOLOGY

TR01 Transfer of patent right