陳 建, 施圣賢, 劉應(yīng)征,*

(1. 上海交通大學(xué) 燃?xì)廨啓C(jī)研究院, 上海 200240; 2. 上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院, 上海 200240)

復(fù)雜固體邊界流場(chǎng)的三維PIV測(cè)試技術(shù)：任意三維邊界識(shí)別算法

陳 建1,2, 施圣賢1,2, 劉應(yīng)征1,2,*

(1. 上海交通大學(xué) 燃?xì)廨啓C(jī)研究院, 上海 200240; 2. 上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院, 上海 200240)

針對(duì)復(fù)雜固體邊界三維流場(chǎng)的PIV測(cè)試應(yīng)用，以及流固耦合實(shí)驗(yàn)研究中流場(chǎng)和固體結(jié)構(gòu)特征的瞬態(tài)同步測(cè)試需求，發(fā)展了一種基于雙相機(jī)布置形式的任意三維邊界識(shí)別算法以精確獲取三維表面幾何信息；并以基于MLOS-SMART三維粒子場(chǎng)重構(gòu)的Tomo-PIV算法計(jì)算三維速度矢量場(chǎng)，可同步獲取三維表面結(jié)構(gòu)運(yùn)動(dòng)/變形信息和三維瞬態(tài)速度場(chǎng)。這一邊界識(shí)別算法基于SURF(加速穩(wěn)健特征)模式識(shí)別算法進(jìn)行三維曲面重構(gòu)，可以確定流場(chǎng)中三維物體結(jié)構(gòu)的邊界特征。論文采用雙相機(jī)布置方式獲取了三種不同曲率的圓柱曲面圖像，驗(yàn)證了所發(fā)展的三維邊界識(shí)別算法的準(zhǔn)確性。最后以圓柱繞流Tomo-PIV數(shù)字合成粒子圖像序列為驗(yàn)證對(duì)象，采用所發(fā)展的邊界識(shí)別算法和Tomo-PIV算法分別高質(zhì)量地計(jì)算出圓柱曲面信息和三維速度場(chǎng)。

三維邊界識(shí)別；SURF模式識(shí)別；MLOS-SMART粒子場(chǎng)重構(gòu)；三維層析PIV；圓柱繞流

0 引 言

在許多自然界和工程領(lǐng)域的研究中，例如魚(yú)在游動(dòng)時(shí)改變自身形態(tài)來(lái)減小運(yùn)動(dòng)阻力、血液在細(xì)小血管中的脈動(dòng)運(yùn)動(dòng)、航空發(fā)動(dòng)機(jī)內(nèi)葉柵和高溫氣體發(fā)生劇烈的耦合振動(dòng)現(xiàn)象[1-3]等，精確測(cè)量復(fù)雜固體壁面附近的三維速度場(chǎng)，尤其是流固耦合實(shí)驗(yàn)研究中同步測(cè)量三維流場(chǎng)信息和固體結(jié)構(gòu)表面的運(yùn)動(dòng)/變形特征，是剖析這些復(fù)雜流動(dòng)現(xiàn)象物理本質(zhì)的關(guān)鍵。激光粒子圖像測(cè)速技術(shù)(Particle Image Velocimetry，簡(jiǎn)稱(chēng)PIV)由于具有可視化、全場(chǎng)性和非接觸測(cè)量等特點(diǎn)，目前被廣泛應(yīng)用于固體近壁及遠(yuǎn)場(chǎng)的流場(chǎng)實(shí)驗(yàn)研究[4]。然而，常規(guī)PIV算法由于不能準(zhǔn)確區(qū)別固體邊界和示蹤粒子，導(dǎo)致在近壁區(qū)域的PIV計(jì)算中不能精確劃分互相關(guān)窗口，從而增大了這些區(qū)域的速度場(chǎng)計(jì)算誤差。

針對(duì)這一問(wèn)題，近年來(lái)國(guó)內(nèi)外學(xué)者對(duì)任意物體二維邊界的識(shí)別及其邊界附近流場(chǎng)的測(cè)量進(jìn)行了大量的研究。Jeon和Sung[5]提出了基于Texton卷積的圖像處理算法，以精確獲取任意運(yùn)動(dòng)變形邊界的二維信息；同時(shí)根據(jù)邊界位置信息，對(duì)流場(chǎng)粒子圖像進(jìn)行變形，從而提高了傳統(tǒng)矩形PIV互相關(guān)窗口算法的計(jì)算精度。隨后曹洪才等[6]采用基于Radon變換的滑動(dòng)窗口邊界識(shí)別方法，準(zhǔn)確地獲得了任意運(yùn)動(dòng)變形邊界的位置信息，并應(yīng)用貼體自適應(yīng)互相關(guān)計(jì)算窗口測(cè)得瞬態(tài)流場(chǎng)信息，提高了任意二維邊界附近速度場(chǎng)的測(cè)量精度。最近Adhikari和Longmire[7]對(duì)PIV實(shí)驗(yàn)中物體三維邊界的識(shí)別進(jìn)行了嘗試，采用Visual hull算法對(duì)球形、方形等簡(jiǎn)單模型進(jìn)行輪廓識(shí)別，但最終能識(shí)別的僅是物體的三維局部輪廓，識(shí)別精度尚待提高。 為了精確識(shí)別任意固體邊界的三維形狀，準(zhǔn)確測(cè)量固體邊界附近三維速度場(chǎng)，本文基于SURF(Speeded Up Robust Features,加速穩(wěn)健特征)模式識(shí)別算法[8]，對(duì)三維流場(chǎng)測(cè)量中2個(gè)相機(jī)從不同視角同時(shí)拍攝的物體圖像進(jìn)行特征提取和匹配，重構(gòu)出三維物體的復(fù)雜曲面形態(tài)，從而獲取任意三維物體邊界信息。此外，基于MLOS-SMART(Multiplicative Line Of Sight-Simultaneous Multiplicative Algebraic Reconstruction Technique)三維粒子場(chǎng)重構(gòu)[9]及三維互相關(guān)算法計(jì)算獲得任意三維物體邊界附近的空間速度分布。本文首先采用已知不同曲率的圓柱圖像進(jìn)行系統(tǒng)的驗(yàn)證分析，證明了基于SURF模式識(shí)別算法的準(zhǔn)確性；然后利用計(jì)算流體力學(xué)(CFD)計(jì)算的近壁圓柱繞流速度場(chǎng)，結(jié)合四相機(jī)標(biāo)定矩陣，數(shù)字合成4組PIV粒子圖像對(duì)。將提出的新算法應(yīng)用于此數(shù)字合成Tomo-PIV圖像序列，最終準(zhǔn)確地獲得了圓柱邊界的三維形態(tài)以及邊界附近的瞬態(tài)速度場(chǎng)。通過(guò)將計(jì)算結(jié)果與已知圓柱曲率和CFD計(jì)算的三維速度場(chǎng)對(duì)比，驗(yàn)證了基于SURF模式識(shí)別和MLOS-SMART三維粒子場(chǎng)重構(gòu)及三維互相關(guān)算法的正確性。

1 復(fù)雜固體邊界流場(chǎng)的三維PIV測(cè)試方法

1.1 算法基本流程

三維曲面結(jié)構(gòu)及其流場(chǎng)同步測(cè)量算法的計(jì)算流程及相關(guān)實(shí)驗(yàn)系統(tǒng)布置示意圖如圖1所示。實(shí)驗(yàn)中4個(gè)相機(jī)將同時(shí)記錄流場(chǎng)中三維物體與示蹤粒子的原始圖像I(i,j)，要實(shí)現(xiàn)對(duì)物體曲面結(jié)構(gòu)和三維速度場(chǎng)的同步測(cè)量，首先需要從原始圖像中分離出示蹤粒子圖像和三維曲面圖像，即

(1)

式中：P(i,j)表示示蹤粒子圖像，S(i,j)表示三維曲面圖像。

(a) 實(shí)驗(yàn)系統(tǒng)布置示意圖

(b) 算法流程圖

Fig.1 Schematic of experimental system and flow chart of the algorithms

SURF模式識(shí)別算法要求在三維物體表面增加隨機(jī)分布的人工標(biāo)記點(diǎn)，標(biāo)記點(diǎn)直徑一般遠(yuǎn)大于示蹤粒子的直徑。根據(jù)這一特征，可利用二維高斯光滑濾波器(公式2)實(shí)現(xiàn)物體圖像和粒子圖像的分割。

(2)

令二維高斯函數(shù)的標(biāo)準(zhǔn)差σ大于示蹤粒子的直徑，可以使圖像模糊，濾掉圖像中的示蹤粒子，從而得到曲面圖像S(i,j)。然后利用公式(1)得到示蹤粒子圖像P(i,j)，實(shí)現(xiàn)圖像分離。然后，利用分離后相機(jī)2，3中的曲面圖像，采用SURF模式識(shí)別算法便可重構(gòu)出三維曲面的幾何特征。另一方面，利用分離后相機(jī)1、2、3和4中的示蹤粒子圖像，基于MLOS-SMART三維粒子場(chǎng)重構(gòu)及三維互相關(guān)算法計(jì)算三維速度矢量場(chǎng)，獲得瞬態(tài)三維流場(chǎng)。

1.2 基于SURF模式識(shí)別算法的三維曲面重構(gòu)算法

SURF算法是圖像處理和計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)穩(wěn)健的圖像識(shí)別和描述算法，由Bay等于2006年提出[8]。SURF算法基于近似的離散小波變換響應(yīng)，利用卷積積分圖像，對(duì)圖像進(jìn)行特征提取和描述。它可以處理同一物體兩幅圖像之間發(fā)生平移、旋轉(zhuǎn)、仿射變換等情況下的特征匹配問(wèn)題，具有很強(qiáng)的匹配能力和很快的匹配速度。針對(duì)同一物體兩張不同視角的圖像，SURF算法首先基于圖像Hessian近似矩陣行列式的最大值特性，來(lái)提取圖像中具有顯著特征的關(guān)鍵點(diǎn)。一般關(guān)鍵點(diǎn)處的圖像梯度很大，在匹配過(guò)程中具有獨(dú)特性。然后對(duì)各個(gè)關(guān)鍵點(diǎn)處的特征用一個(gè)以關(guān)鍵點(diǎn)附近的圖像梯度直方圖分布所代表的特征向量進(jìn)行特征描述，再利用最近鄰匹配準(zhǔn)則對(duì)各個(gè)關(guān)鍵點(diǎn)的特征向量進(jìn)行匹配。所有的匹配利用對(duì)極線限制去除錯(cuò)誤匹配后，即可得到兩張圖像關(guān)鍵點(diǎn)的正確匹配。對(duì)匹配后的關(guān)鍵點(diǎn)，利用三角化Triangulation方法便可重構(gòu)出其在空間中的分布[10]。最后利用Delaunay triangulation三角剖分算法[11]對(duì)空間點(diǎn)云進(jìn)行三維曲面重構(gòu)，得到三維曲面的空間形態(tài)。SURF算法的基本流程如圖2所示。

圖2 基于SURF模式識(shí)別的三維曲面重構(gòu)算法基本流程

1.3 基于MLOS-SMART三維粒子場(chǎng)重構(gòu)及三維互相關(guān)的瞬態(tài)空間速度場(chǎng)計(jì)算

本文中三維瞬態(tài)速度場(chǎng)測(cè)量基于三維層析流場(chǎng)測(cè)試技術(shù)(Tomographic PIV， Tomo-PIV)。Tomo-PIV由Elsinga等[12]于2006年提出，該技術(shù)實(shí)現(xiàn)了三維流場(chǎng)測(cè)量中三維三分量速度場(chǎng)的精確測(cè)量，提高了PIV技術(shù)對(duì)復(fù)雜三維流場(chǎng)的定量測(cè)量能力。典型的Tomo-PIV系統(tǒng)由4個(gè)相機(jī)和脈沖激光組成，多相機(jī)系統(tǒng)根據(jù)Scheimpflug準(zhǔn)則[13]，均對(duì)焦于實(shí)驗(yàn)測(cè)量區(qū)域，實(shí)驗(yàn)區(qū)域由激光通過(guò)柱棱鏡產(chǎn)生的體光源照亮。在處理Tomo-PIV粒子圖像之前，需首先對(duì)相機(jī)系統(tǒng)進(jìn)行標(biāo)定，以確定相機(jī)平面和流場(chǎng)測(cè)量空間的映射關(guān)系；同時(shí)需采用體自標(biāo)定算法以減小相機(jī)標(biāo)定誤差[14]。獲取準(zhǔn)確的相機(jī)標(biāo)定矩陣后，即可采用SMART或者M(jìn)LOS-SMART算法[9]對(duì)粒子圖像進(jìn)行重構(gòu)(本文采用更加高效的MLOS-SMART算法)以獲取相鄰兩時(shí)刻的三維粒子圖像，最后通過(guò)三維互相關(guān)算法處理重構(gòu)后的粒子圖像體，便可得到瞬態(tài)三維速度矢量場(chǎng)。

2 算法驗(yàn)證及應(yīng)用

2.1 算法驗(yàn)證

2.1.1 實(shí)驗(yàn)設(shè)置和相機(jī)標(biāo)定

為驗(yàn)證SURF模式識(shí)別算法的準(zhǔn)確性，本文采用圖3(a)、(b)所示的實(shí)驗(yàn)系統(tǒng)分別采集40、60和80mm(見(jiàn)圖3(c))3種圓柱曲面2個(gè)不同視角的圖像，并將計(jì)算獲得的結(jié)果與圓柱已知曲率進(jìn)行對(duì)比。實(shí)驗(yàn)中采用大功率鹵素?zé)糇鳛楣庠?，圓柱不同視角的圖像分別由2個(gè)互成60°夾角的MIKROTRON EoSens MC1362(1024pixel×1280pixel)相機(jī)采集，實(shí)驗(yàn)測(cè)量區(qū)域的幾何尺寸為100mm×100mm×50mm。

實(shí)驗(yàn)的第一步是相機(jī)標(biāo)定，相機(jī)標(biāo)定的目的是確定每個(gè)相機(jī)的三維投影變換矩陣，即相機(jī)拍攝圖像上的二維平面坐標(biāo)和空間中三維空間坐標(biāo)的對(duì)應(yīng)關(guān)系。

(a) 相機(jī)布置示意圖 (b) 實(shí)驗(yàn)系統(tǒng)圖 (c) 帶有人工標(biāo)記點(diǎn)的圓柱模型

圖3 相機(jī)布置示意圖、實(shí)驗(yàn)系統(tǒng)圖及帶有人工標(biāo)記點(diǎn)的圓柱模型

Fig.3 Sketch of experimental system, two-camera experimental system and circular cylinder with artificial markers

相機(jī)模型采用針孔模型(Pinhole model)，每個(gè)相機(jī)的投影變換矩陣可以由一個(gè)34的矩陣表示[15]，運(yùn)用直接線性變換法(Direct linear transformation)，投影關(guān)系如公式(3)所示，

(3)

式中：(u,v)代表相機(jī)拍攝圖像的二維坐標(biāo)，λ代表尺度因子，(X,Y,Z)代表空間三維真實(shí)坐標(biāo)，A代表投影變換矩陣。

實(shí)驗(yàn)中使用的相機(jī)標(biāo)定靶板為一個(gè)互成90°的不共面V形標(biāo)定板，如圖4(a)所示，標(biāo)定板上有等間距排列、已知空間三維坐標(biāo)的標(biāo)定控制點(diǎn)。相機(jī)拍攝獲得標(biāo)定板的圖像后，即可采用閾值法將標(biāo)記點(diǎn)圖像與黑色背景進(jìn)行區(qū)分，同時(shí)使用二維高斯函數(shù)擬合標(biāo)記點(diǎn)圖像的中心位置，圖4(b)是標(biāo)定過(guò)程中被識(shí)別出的標(biāo)記控制點(diǎn)。標(biāo)定過(guò)程中，每個(gè)相機(jī)拍攝的標(biāo)定圖像都有超過(guò)300個(gè)標(biāo)定控制點(diǎn)被識(shí)別出來(lái)。標(biāo)定過(guò)程使用最小二乘法擬合相機(jī)投影變換矩陣，若最后計(jì)算投影誤差的均方根誤差小于1 pixel，則相機(jī)標(biāo)定成功。實(shí)際實(shí)驗(yàn)中相機(jī)系統(tǒng)各相機(jī)投影誤差的均方根誤差分別為：0.80、0.78、0.77和0.87pixel，滿足標(biāo)定要求。

(a) V型標(biāo)定板

(b) 標(biāo)定過(guò)程中被識(shí)別的標(biāo)記點(diǎn)

Fig.4 V-shape calibration target and detected markers in the calibration images

2.1.2 算法驗(yàn)證和分析

采用SURF重構(gòu)算法對(duì)3種不同曲率圓柱曲面圖像處理的結(jié)果如表1所示，重構(gòu)后的三維曲面形態(tài)和原始曲面基本一致，曲率大小的誤差均低于10%(見(jiàn)表1)，證明計(jì)算結(jié)果正確。

表1 算法驗(yàn)證曲面重構(gòu)誤差

在3種圓柱曲面分析計(jì)算中，誤差最小的是直徑為60mm的圓柱，其圖像處理過(guò)程如圖5所示：(a)為SURF模式識(shí)別算法提取的關(guān)鍵點(diǎn)特征分布，特征描述以關(guān)鍵點(diǎn)為中心不同半徑的圓來(lái)代表，(b)代表的是2張不同視角圖像關(guān)鍵點(diǎn)的特征匹配，(c)對(duì)匹配后的特征點(diǎn)進(jìn)行三角化重構(gòu)后獲得的點(diǎn)云空間分布。圖6所示為利用Delaunay triangulation三角剖分算法重構(gòu)計(jì)算出的三維曲面，曲面已經(jīng)過(guò)光滑處理，圖中顏色代表曲面的空間坐標(biāo)大小。

2.2 算法應(yīng)用：近壁圓柱繞流

根據(jù)CFD計(jì)算獲得的圓柱繞流速度場(chǎng)數(shù)字合成示蹤粒子圖像，同時(shí)采用圖4(b)中相機(jī)標(biāo)定過(guò)程的布置方式實(shí)際拍攝圓柱曲面圖像，將這2組圖像疊加作為原始圖像來(lái)檢驗(yàn)基于SURF模式識(shí)別算法和三維速度場(chǎng)測(cè)量方法的計(jì)算精度。

首先，按照?qǐng)D4(b)所示的四相機(jī)系統(tǒng)標(biāo)定布置方式，對(duì)圓柱靠近尾流區(qū)域的曲面進(jìn)行圖像采集，得到4個(gè)視角的圓柱尾緣曲面圖像，其中左右相機(jī)位于同一水平線，呈60°夾角，上下相機(jī)在同一豎直線，呈30°夾角；然后，利用四相機(jī)標(biāo)定矩陣人工合成粒子圖像。示蹤粒子圖像數(shù)字合成的基本步驟簡(jiǎn)述如下：首先利用CFD計(jì)算獲得近壁圓柱繞流的三維速度場(chǎng)分布，所采用的計(jì)算幾何模型如圖7所示。CFD計(jì)算參數(shù)設(shè)定為：自由來(lái)流速度U=1m/s，圓柱的直徑D=66mm，雷諾數(shù)Re=UD/υ=6540，圓柱側(cè)面離壁面距離為1D，計(jì)算采用SST模型，邊界條件設(shè)置為：進(jìn)口速度條件，出口壓力條件。計(jì)算獲得CFD速度場(chǎng)后，在圖7所示的三維PIV計(jì)算區(qū)域內(nèi)隨機(jī)生成t0時(shí)刻的粒子三維空間坐標(biāo)(x0,y0,z0)，根據(jù)CFD三維速度場(chǎng)插值獲得每個(gè)粒子的瞬態(tài)速度。在給定的時(shí)間間隔內(nèi)(Δt=0.0005s)，根據(jù)每個(gè)粒子的瞬態(tài)速度及其在t0時(shí)刻的位置，計(jì)算獲得粒子在t1=t0+Δt時(shí)刻的三維空間坐標(biāo)(x1,y1,z1)。最后根據(jù)多相機(jī)系統(tǒng)的4個(gè)標(biāo)定矩陣，分別將粒子在t0和t1時(shí)刻的空間位置投射至4個(gè)相機(jī)的CCD圖像平面，計(jì)算獲得粒子圖像在4個(gè)相機(jī)平面的像素坐標(biāo)。根據(jù)粒子圖像中像素灰度值按高斯分布的規(guī)律及粒子圖像直徑為3 pixel的設(shè)定，即可生成4個(gè)相機(jī)在2個(gè)時(shí)刻所拍攝到的粒子圖像，并且設(shè)定示蹤粒子圖像中粒子濃度為0.05particle/pixel。為簡(jiǎn)化計(jì)算，數(shù)字合成圖像沒(méi)有考慮相機(jī)噪聲的影響。最后，將數(shù)字合成PIV粒子圖像和近壁圓柱尾緣曲面圖像疊加，形成最終的數(shù)字合成圖像，如圖8所示。

數(shù)字合成的4組粒子圖像分別通過(guò)公式(1)和(2)進(jìn)行圖像分離，得到三維曲面圖像和示蹤粒子圖像。然后根據(jù)三維邊界識(shí)別算法從三維曲面圖像中重構(gòu)出流場(chǎng)中的圓柱尾緣曲面；另一方面，采用基于MLOS-SMART粒子場(chǎng)重構(gòu)和三維互相關(guān)算法的三維PIV算法對(duì)示蹤粒子圖像進(jìn)行處理，三維互相關(guān)算法計(jì)算時(shí)，互相關(guān)判讀窗口大小為64pixel×64pixel×64pixel，窗口重疊為0，最終計(jì)算獲得具有三維物體邊界的三維速度矢量場(chǎng)，如圖9(a)所示。將計(jì)算所得流場(chǎng)與CFD流場(chǎng)比較發(fā)現(xiàn)，三維瞬態(tài)速度場(chǎng)分布與CFD計(jì)算結(jié)果基本一致(見(jiàn)圖9(b))，圖9(b)中所示為三維PIV計(jì)算區(qū)域圓柱展向中心截面處沿流向方向速度及垂直流向方向速度的分布，所計(jì)算的各空間點(diǎn)上速度的相對(duì)誤差在5%之內(nèi)，證明三維流場(chǎng)處理算法正確。

(a) SURF算法提取關(guān)鍵點(diǎn) (b) 關(guān)鍵點(diǎn)的特征匹配 (c) 重構(gòu)的點(diǎn)的空間分布

圖5 直徑60mm圓柱的圖像處理過(guò)程：SURF算法提取關(guān)鍵點(diǎn)、關(guān)鍵點(diǎn)的特征匹配及重構(gòu)點(diǎn)的空間分布

Fig.5 Image processing of circular cylinder (d=60mm): detected keypoints by SURF，feature matching of keypoints and distribution of reconstructed points in space

圖6 三維曲面重構(gòu)得到的三維曲面

圖7 近壁圓柱繞流幾何模型示意圖

(a) 圓柱圖像 (b) 示蹤粒子圖像 (c) 合成圖像

圖8 圖像疊加過(guò)程：圓柱圖像、示蹤粒子圖像及合成圖像

Fig.8 Image addition process: surface image, particle image and synthetic image after image addition

(a) 具有三維曲面邊界的圓柱繞流三維速度云圖

(b) 三維PIV算法計(jì)算結(jié)果和CFD結(jié)果對(duì)比

圖9 具有三維曲面邊界的圓柱繞流三維速度云圖及三維PIV算法計(jì)算結(jié)果和CFD結(jié)果的對(duì)比

Fig.9 Three-dimensional velocity contour of circular cylinder wake with surface boundary and result comparison of 3D-PIV and CFD calculation

3 結(jié) 論

采用二維高斯濾波器模糊PIV粒子圖像的方法，分離了流場(chǎng)中固體邊界和示蹤粒子圖像。針對(duì)不同視角所拍攝的固體邊界圖像，提出了一種基于SURF模式識(shí)別算法，來(lái)精確測(cè)量任意三維物體邊界的三維信息；針對(duì)多視角粒子圖像，本文采用基于MLOS-SMART粒子場(chǎng)重構(gòu)及三維互相關(guān)的三維Tomo-PIV算法，計(jì)算獲得三維瞬態(tài)流場(chǎng)。文章首先采用基于SURF模式識(shí)別算法對(duì)已知3種不同曲率的圓柱曲面進(jìn)行系統(tǒng)的計(jì)算分析，發(fā)現(xiàn)所獲得的三維重構(gòu)曲面與已知曲面形態(tài)基本一致，驗(yàn)證了所提出算法的合理性。然后利用由CFD計(jì)算獲得的近壁圓柱繞流流場(chǎng)數(shù)字生成四相機(jī)PIV圖像序列，證明了本文所發(fā)展的SURF模式識(shí)別算法能很好地結(jié)合三維Tomo-PIV算法，同步獲取固體邊界的三維曲面形態(tài)及其固體邊界附近的流場(chǎng)分布?；赟URF模式識(shí)別算法的任意三維邊界識(shí)別算法和三維Tomo-PIV算法，為復(fù)雜固體邊界流場(chǎng)測(cè)試以及流固耦合現(xiàn)象的實(shí)驗(yàn)研究提供了一種有效的實(shí)驗(yàn)測(cè)量技術(shù)。

[1] Dowell E H, Hall K C. Modeling of fluid-structure interaction[J]. Annual Review of Fluid Mechanics, 2001, 33(1): 450-480.

[2] Thomas J P, Dowell E H, Hall K C. Nonlinear inviscid aerodynamic effects on transonic divergence, flutter, and limit-cycle oscillation[J]. AIAA journal, 2002, 40(4): 638-646.

[3] 陳煥龍, 李得英, 俞建陽(yáng), 等. 縫隙擴(kuò)壓葉柵近壁流場(chǎng)與流動(dòng)損失實(shí)驗(yàn)[J]. 推進(jìn)技術(shù), 2013, 34(3): 332-338.

Chen Huanlong, Li Deying, Yu Jianyang, et al. Experimental investigation of near-wall flow and flow loss in compressor cascades with slots injection[J]. Journal of Propulsion Technology, 2013, 34(3): 332-338.

[4] Adrian R J. Particle-imaging techniques for experimental mechanics[J]. Annual Review of Fluid Mechanics, 1991, 23(1): 261-304.

[5] Jeon Y J, Sung H J. PIV measurement of flow around an arbitrarily moving body[J]. Experiments in Fluids, 2011, 50(4): 787-798.

[6] 曹洪才, 施圣賢, 劉應(yīng)征. 任意運(yùn)動(dòng)變形邊界流場(chǎng)測(cè)量PIV算法的研究: 薄膜渦激振動(dòng)[J]. 實(shí)驗(yàn)流體力學(xué), 2013, 27(6): 58-63. Cao Hongcai, Shi Shengxian, Liu Yingzheng. Improved PIV algorithm for flow around arbitrarily moving and deforming boundary: vortex-induced vibration of flexible membrane[J]. Journal of Experiments in Fluid Mechanics, 2013, 27(6): 58-63.

[7] Adhikari D, Longmire E K. Visual hull method for tomographic PIV measurement of flow around moving objects[J]. Experiments in Fluids, 2012, 53(4): 943-964.

[8] Bay H, Tuytelaars T, Van Gool L. SURF: Speeded up robust features[C]. Computer Vision-ECCV 2006, Springer. 2006: 404-417.

[9] Atkinson C, Soria J. An efficient simultaneous reconstruction technique for tomographic particle image velocimetry[J]. Experiments in Fluids, 2009, 47(4-5): 553-568.

[10] Hartley R I, Sturm P. Triangulation[J]. Computer Vision and Image Understanding, 1997, 68(2): 146-157.

[11] Lee D T, Schachter B J. Two algorithms for constructing a Delaunay triangulation[J]. International Journal of Computer & Information Sciences, 1980, 9(3): 219-242.

[12] Elsinga G, Scarano F, Wieneke B. Tomographic particle image velocimetry[J]. Experiments in Fluids, 2006, 41(6): 933-947.

[13] Kahler C J, Kompenhans J. Fundamentals of multiple plane stereo particle image velocimetry[J]. Experiments in Fluids, 2000, 29(1): S070-S077.

[14] Wieneke B. Volume self-calibration for 3D particle image velocimetry[J]. Experiments in Fluids, 2008, 45(4): 549-556.

[15] Hartley R, Zisserman A. Multiple view geometry in computer vision[M]. Cambridge University Press, 2003: 153-164.

(編輯：李金勇)

Three-dimensional PIV measurement technique for complex solid boundary: arbitrary three-dimensional boundary recognition algorithm

Chen Jian1,2, Shi Shengxian1,2, Liu Yingzheng1,2

(1. Gas Turbine Research Institute, Shanghai Jiao Tong University, Shanghai 200240, China; 2. School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China)

A SURF based three-dimensional boundary recognition algorithm has been developed for identifying and reconstructing three-dimensional geometry of arbitrary solid boundaries. This method is used in conjunction with MLOS-SMART three-dimensional particle image reconstruction and three-dimensional cross-correlation algorithms to simultaneously measure the velocity field as well as the boundary geometry. The boundary recognition algorithm was firstly verified by using a set of cylinder images where the exact curvatures were known. The three-dimensional velocity field of a cylinder wake was then calculated by CFD and used for generating synthetic particle image sets. Finally, the validity and accuracy of the algorithms were verified by processing the synthetic images and comparing the calculated velocity filed and boundary geometry with CFD data and the exact cylinder dimensions.

three-dimensional boundary recognition;SURF pattern recognition;MLOS-SMART particle image reconstruction;Tomo-PIV;cylinder wake

1672-9897(2015)02-0055-07

10.11729/syltlx20140150

2014-12-24;

2015-01-13

國(guó)家自然科學(xué)基金(51176108)

ChenJ,ShiSX,LiuYZ.Three-dimensionalPIVmeasurementtechniqueforcomplexsolidboundary:arbitrarythree-dimensionalboundaryrecognitionalgorithm.JournalofExperimentsinFluidMechanics, 2015, 29(2): 55-60,67. 陳 建, 施圣賢, 劉應(yīng)征. 復(fù)雜固體邊界流場(chǎng)的三維PIV測(cè)試技術(shù)：任意三維邊界識(shí)別算法. 實(shí)驗(yàn)流體力學(xué), 2015, 29(2): 55-60,67.

V211.71

A

陳 建(1990-)，男，湖北咸寧人，碩士研究生。研究方向：先進(jìn)流動(dòng)測(cè)試技術(shù)。通信地址：上海市閔行區(qū)東川路800號(hào)，上海交通大學(xué)機(jī)械與動(dòng)力工程學(xué)院C樓220室(200240)。E-mail: chenjian0907@sjtu.edu.cn

*通信作者 E-mail: yzliu@sjtu.edu.cn