数字图像相关法的初始值对算法的计算效率和求解精度都有较大的影响,为此提出一种利用密集特征匹配求取初始值的算法。使用AKZAE算子对特征点进行检测,使用Daisy描述符对特征点进行描述,再采用网格运动统计(GMS)算法对特征点进行筛选以求取初始值,最终将初始值代入反向组合高斯牛顿(IC-GN)法中迭代求解亚像素位移。与SIFT(Scale Invariant Feature Transform)和SURF(Speeded-Up Robust Features)算法相比,AKAZE算子提高定位的准确性,而且计算效率更高,是一种兼顾速度与稳定性的特征点检测算法;Daisy描述符是一种高效的稠密特征提取描述符,相比于其他描述符能够实现更加密集的特征提取。

数字图像相关(DIC)法中初值选取的好坏对图像亚像素位移的搜索效率、算法的收敛速度有着很大的影响。提出了一种基于KAZE特征匹配的数字图像相关法,即KAZE算法。KAZE算法与传统的特征检测算法的区别在于其是通过建立非线性尺度空间来消除噪声与提取特征点,可以有效地避免边界模糊和细节丢失。通过KAZE算法匹配出图像变形前后特征点对坐标,使用仿射变换估计初始变形参数;使用反向组合高斯牛顿法对估计初值进行迭代优化。结果表明,在不损失精度的情况下,该方法相对于传统方法具有更高的搜索效率。