在散斑视觉测量中,通常引入标志点以提高散斑的测量效率。针对传统标志点匹配过程中存在的匹配时间长、匹配准确率低等问题,提出了一种采用改进KLT(Kanade-Lucas-Tomasi)算法的标志点匹配方法。该方法在利用改进加速稳健性特征(SURF)算法对标志点进行检测以建立初始匹配点的基础上,采用改进的KLT算法实现标志点的匹配,并利用最大双向误差作为约束条件删除匹配过程中存在的误匹配点,以提高匹配的可靠性。最后,对机翼颤振测量中涂敷在机翼模型散斑区的标志点进行了匹配实验验证。结果表明,与传统的尺度不变特征转换(SIFT)与SURF匹配算法相比,所提方法在匹配时间上分别减少了75.9%和42.8%,在匹配准确率上分别提高了30.6%和22.2%。

在数字散斑相关测量方法中, 可靠的变形初值估计是获得亚像素精度的关键。利用标志点匹配技术, 提出了一种新的变形参数初值估计法。该方法在散斑上粘贴反射系数极高的圆形标志点, 为消除散斑背景对标志点提取的影响, 提出一种改进的尺度不变特征转换算法, 将极值点检测约束在显著的边缘区域, 从而大大减少冗余特征点的提取, 最后通过单应性变换得到全场变形, 进而使得感兴趣区域中各像素点快速完成初值估计。制作散斑板子进行实验验证, 结果表明, 该方法得到的变形初值, 只需要3~4次迭代就能够使亚像素迭代收敛, 并获得准确、可靠的测量结果。