Page 113 - 2024年第55卷第9期

图 １１ 靶标图像处理过程

图 １２ 闸前水位与机器视觉测量位移过程曲线

说明视觉监测结果总体可靠。在多数情况下，水位升高，水平位移向下游变形，但存在一定时刻表现出
反向变形趋势，例如 ６月 ２５—２６日期间，水位升高，水平位移却向上游变形，较大程度上由于闸坝变形
对于外部水位变化产生的荷载的滞后效应 ［３９ － ４０］ ，导致水平位移过程线与水位过程线峰谷并不完全对应。
为验证 本 文 算 法 对 闸 坝 表 面 位 移 监 测 的 可 靠 性，并 将 本 文 算 法、 尺 度 不 变 特 征 转 换 （ Ｓｃａｌｅ
ＩｎｖａｒｉａｎｔＦｅａｔｕｒｅＴｒａｎｓｆｏｒｍ，ＳＩＦＴ）算法、加速稳健特征（ＳｐｅｅｄｅｄＵｐＲｏｂｕｓｔＦｅａｔｕｒｅｓ，ＳＵＲＦ）算法以及二
进制稳健不变可扩展关键点（ＢｉｎａｒｙＲｏｂｕｓｔＩｎｖａｒｉａｎｔＳｃａｌａｂｌｅＫｅｙｐｏｉｎｔｓ，ＢＲＩＳＫ）算法应用于 ２０２３年 ６月
２２—２９日的闸坝 １号靶标图像数据中，水平位移与垂直位移监测结果分别见图 １３（ａ）和图 １３（ｂ）。结
果显示各个算法趋势高度相似，说明视觉监测结果总体可靠。
为检验方法的实际精度，选取典型时段连续拍摄 １５帧水闸靶标图像，相邻帧位移视为 ０，将本文
算法、ＳＩＦＴ、ＳＵＲＦ以及 ＢＲＩＳＫ应用于闸坝靶标图像数据集，开展监测结果精度分析。图 １１为各算法

— １ １ ８ —
１