基于單像近景攝影測量的滑坡裂縫探測方法

劉志奇 李天子 劉昌華 張慧慧

（1.河南理工大學測繪與國土信息工程學院，河南焦作454000；2.東北大學資源與土木工程學院，遼寧沈陽110819）

露天礦開采、道路工程、水利水電等工程會形成大量邊坡，邊坡在自然或人為因素的作用下易發生滑移，會對生產和人員生命財產安全造成嚴重危害。滑坡監測可以為防治滑坡及可能的滑動和蠕動變形提供技術依據，為預測和預報邊坡的位移、變形發展趨勢，進一步制定減災方案提供可靠依據［1］。

近景攝影測量技術由于具有觀測方式簡便、無接觸測量、自動化程度高、產品形式豐富和適用于動態監測等優點，近年來在滑坡變形監測領域得到了廣泛應用［2］。基于近景攝影測量的滑坡監測主要通過獲取目標區域的監測影像，建立立體模型得到目標表面特征點的三維坐標，進而計算位移矢量場［3-5］。劉昌華等［6］以近景攝影測量理論和變形監測理論為基礎，對北京門頭溝木城澗煤礦進行了變形監測，監測精度可達到厘米級；Casson等［7］以法國南部阿爾卑斯山的超大沙丘滑坡為例，提出了一種使用標準化圖像相關技術處理監測影像進行滑坡監測的方法，與GPS測量結果一致；Mora等［8］在對意大利北亞平寧山脈的馬耳他斜坡進行滑坡監測過程中，采用近景攝影測量技術獲得了該地區的高精度DEM；Gabrieli等［9］在攝影測量獲得的高精度DEM的基礎上，結合降水及地質資料，對意大利東北部的特熙納陡坡進行了監測，認為攝影測量是低成本、持續監測滑坡的最佳方法；Laribi等［10］以阿爾及爾的埃爾比亞爾滑坡為例，將數字攝影測量技術與地質和巖土數據進行了有機結合，對滑坡機理進行了探討。上述研究都是基于立體影像匹配方式獲取滑移矢量場，該類方法都需要構建立體模型，數據處理復雜，數據量大，難以實現數據處理的實時、遠程無線傳輸，給滑坡應急響應帶來了不便。同時，除了采用位移量進行滑坡預警外，滑坡裂縫對于滑坡監測和預警也有十分重要的意義。滑坡裂縫是地面裂縫的一種，作為滑坡的伴生現象，通過分析滑坡裂縫的形態、變化趨勢、力學性質和分布規律能夠有效判定滑坡范圍、發展階段、力學機制和滑坡體厚度，可以對滑坡的發展趨勢、即將發生的時間、滑坡方向和滑坡距離進行預測，為滑坡預警及救災方案制定提供可靠依據［11-14］。

為有效探測滑坡裂縫，本研究設計了一種便于實時、遠程傳輸的單像近景攝影測量滑坡裂縫探測方案，并進一步提出了2種圈定滑動體范圍的監測模型（基于影像同名點的二維場位移矢量模型和相鄰影像對應像素灰度值跳躍檢驗模型），通過對2種模型進行耦合分析，圈定滑坡裂縫范圍，為滑坡預警提供依據。

1 理論依據

1.1 滑坡區域圈定模型

1.1.1 基于影像同名點的二維場位移矢量模型

基于影像同名點的二維場位移矢量模型，首先使用影像匹配算法在2幅影像中尋找同名點；然后將同名點的各自像平面坐標作差，求出該點的位移矢量，構建二維場位移矢量模型，進一步判定發生位移的點位；最后利用檢測出的位移點構建Delaunay三角網，三角網的邊界即為所需圈定的目標區域邊界。

1.1.2 相鄰影像對應像素灰度值跳躍檢驗模型

將相鄰2幅影像對應像素灰度值相減后，未發生滑坡區域的灰度差為0，而發生滑坡區域的灰度差的絕對值大于0。利用灰度差絕對值大于0的點（高值點）構建Delaunay三角網，三角網的邊界即為所需圈定的目標區域邊界（圖1）。

1.2 特征點匹配算法

（1）SIFT算法。SIFT算法是一種基于圖像局部特征的特征點提取算法，SIFT算法特征點對影像縮放、旋轉和平移具有完全不變性，對影像仿射變換也具有一定的不變性，并通過該點鄰域內的梯度方向直方圖進行描述。為了使描述符具有旋轉不變性，該算法采用統計特征點支撐區域中每個像素點的梯度方向，為每個特征點確定1個基準方向。根據樣本點的梯度大小以及到特征點中心的距離增加1個相應的權重，再將該權重線性分配到8個方向上，有效避免了直方圖統計帶來的不穩定性。最后通過2次歸一化處理，提高描述符對光照變化的穩定性。

（2）SURF算法。SURF算法是在SIFT算法基礎上提出的一種改進算法，即在SIFT算法的基礎上，將二維Haar小波響應、積分圖像和Hession矩陣相結合使用，實現算法提速［15-17］。

（3）ASIFT算法。ASIFT算法在SIFT算法的基礎上，考慮了視角變化對影像處理的影響，具有完全的仿射不變性。與SIFT算法相比，ASIFT算法增加了成像光軸到成像平面的經度和緯度2個仿射變換參數，基本原理是通過旋轉和切變來模擬成像光軸不同經緯度對影像產生的仿射失真［18］。

1.3 滑坡裂縫圈定

基于影像特征點的二維場位移矢量模型通過對比2幅影像同名特征點的位移變化，圈定滑坡區域。由于滑坡裂縫僅存在于滑坡后的影像中，無法在滑坡前的影像中找到與之對應的同名特征點，因此，裂縫無法被圈定，基于影像特征點的二維場位移矢量模型圈定的范圍僅為滑坡體區域。

相鄰影像對應像素灰度值跳躍檢驗模型通過對比2幅影像對應像素點的灰度值差異，檢測2幅影像對應位置發生的所有變化。當滑坡發生時，滑坡體整體移動，在2幅影像中的對應位置發生了變化，對應位置的像素點灰度值會有一定的差異，據此可以圈定出滑坡范圍。此時，由滑坡產生的裂縫僅存在于滑坡后拍攝的影像中，與滑坡前的影像相比，對應位置的像素點灰度值不同。因此，該模型能夠圈入滑坡裂縫，該模型圈定的范圍既包括滑坡體區域，又包括滑坡裂縫。因此，相鄰影像對應像素灰度值跳躍檢驗模型圈定的滑坡區域減去基于影像特征點的二維場位移矢量模型圈定的滑坡區域，便可得到滑坡裂縫區域。

1.4 研究思路

本研究提出了一種單像近景攝影測量滑坡裂縫探測方案，該方案首先采用基于影像同名點的二維場位移矢量模型和相鄰影像對應像素灰度值跳躍檢驗模型圈定滑移范圍，在基于影像同名點的二維場位移矢量模型中，對影像進行同名點匹配時，從SIFT、SURF和ASIFT 3種算法中優選出SIFT算法作為本研究方案的影像匹配算法；其次，將2種模型的圈定結果進行疊加分析，進一步圈定滑坡裂縫區域（圖2）。

2 試驗分析

2.1 影像匹配算法適應性試驗

2.1.1 試驗數據獲取

為研究SIFT、SURF、ASIFT 3種算法在排土場邊坡監測環境中的適應性，選擇某一大型排土場作為試驗區，該排土場內堆積有大量煤矸石，通過改變相機攝影瞬間的外方位元素和觀測時間，實現影像旋轉、縮放、亮度變化及仿射變換。影像旋轉通過旋轉相機實現，每次旋轉10°拍攝，共獲得17組像片。為保證其他參數一致，便于實現影像縮放，通過改變攝影距離拍攝影像，初始攝影距離為10 m，每次增大1 m攝影距離，共獲得32組像片。亮度變化通過在不同時段拍攝實現，10∶00～16∶00每隔0.5 h拍攝1次，共獲取了13組像片。仿射變換通過在煤矸石堆前方畫一圓弧，改變相機在圓弧上的位置拍攝影像實現，圓弧半徑10 m，圓弧上每隔1 m拍攝1次，共獲得19組像片。部分影像如圖3～圖6所示。

2.1.2 試驗結果分析

分別采用SIFT、SURF、ASIFT算法對獲取的旋轉、縮放、光照變化及仿射變換情況下的影像進行特征點匹配。匹配影像為從第1幅影像開始的相鄰2幅影像。采用RANSAC算法剔除匹配粗差［19-24］。分別對4類影像進行了15組、31組、12組、18組試驗，各算法的平均匹配點數N—及平均運行時間T—見表1。由表1可知：SURF算法匹配點數最少，但運算速度最快，故而不適宜采用該算法進行滑坡監測；除了縮放影像外，SIFT算法的匹配點數量優于ASIFT算法，SIFT算法的運算速度與ASIFT算法相當。由于在滑坡發生初期（即產生滑坡裂縫）便需進行預警，此時滑坡影像發生仿射變換的程度較小，故ASIFT算法的優勢無法有效體現，SIFT算法更適用于邊坡滑坡裂縫監測。

?

2.2 滑坡區域圈定模擬試驗

露天礦開采、道路工程、水利水電工程中形成的邊坡以松散地表土為主，混以大量碎石塊，故試驗觀測目標選取地表土和石塊混雜的斜坡。為使斜坡滑移，在斜坡下埋置襯墊，試驗依靠人力牽引襯墊，引起表層土形成滑移。依據實際存在的滑坡坡度，在室外空曠地區堆砌一人工土堆，該土堆斜坡坡度約為0.65（坡面角約33°）；襯墊尺寸為1m×1m（長×寬）。攝影采用佳能EOS 450D數碼相機，相機固定焦距29 mm，拍攝距離2 m，地面分辨率0.36 mm。相機調平后不可在水平或豎直面內轉動，在試驗過程中，應確保相機拍攝中心對準同一目標。滑動距離約15 cm，均勻間隔獲取20幅影像。滑移前、滑移中和滑移后各階段的代表性影像如圖7所示。

分別采用基于SIFT特征點的二維場位移矢量模型和相鄰影像對應像素灰度值跳躍檢驗模型處理試驗影像。SIFT特征點匹配時，相鄰影像匹配點數平均為7 291個；滑移前第1幅影像和滑移后最后1幅影像的匹配點數為6 850個，根據影像匹配結果圈定了滑動范圍（圖8（a））；相鄰影像對應像素灰度值跳躍檢驗模型利用滑移前第1幅影像和滑移后最后1幅影像作差，圈定了滑動范圍（圖8（b））。圖8中2種模型的滑動區圈定范圍作差后所得的區域即為滑坡裂縫區域（圖9）。

3 結語

提出了一種基于單影像近景攝影測量的滑坡裂縫探測方案，該方案分別采用基于SIFT特征點的二維場位移矢量模型和相鄰影像對應像素灰度值跳躍檢驗模型對滑坡進行探測，并對兩者的探測結果進行疊加分析，從而對滑坡裂縫進行了圈定，模擬試驗結果體現了該方案的有效性。由于實際滑坡與模擬試驗環境存在一定的差異，因此該方案仍需結合實際情況進行完善，其性能也需進一步進行工程驗證。