基于GMA光流网络的二维变形测量数字图像相关法初值估计

提出一种利用深度学习提取散斑变形图像位移场的算法。对比几种主流光流网络模型在散斑图像上的计算精度,将全局运动聚合（GMA）光流网络引入数字图像相关法,使用光流网络模型预测的位移场作为亚像素迭代算法的初值,最后结合逆合成高斯-牛顿法计算散斑图像的亚像素位移场。结果表明,与几种主流的数字图像相关算法相比,GMA光流网络初值的计算精度和计算效率更高,适用于大变形测量,是一种兼顾计算速度和精度的变形测量算法。对木块材料进行压缩实验,结果充分显示了所提方法在散斑变形测量中的有效性。