技術特征：

1.一種高溫環(huán)境下材料低周疲勞應變幅的光學測量方法，其特征在于操作步驟如下：

1)利用微粒群優(yōu)化算法PSO在采集到的數(shù)字圖像中進行初步整像素搜索，獲得最佳初始估計值附近的點，并將該點記為d₀；

2)將PSO算法中獲得的點d₀的坐標值作為起始搜索位置，通過基于塊的梯度下降搜索法BBGDS快速獲得最終的初始估計位置d₁；

3)以d₁為初始估計值，利用反向合成高斯牛頓算法IC-GN進行亞像素迭代，快速定位到目標點在變形圖中的亞像素位置；

4)重復利用步驟1)至步驟3)的算法并結(jié)合多核并行計算技術，對多個點進行實時跟蹤，同時計算各點的位移值；并計算相應的應變值。

2.根據(jù)權利要求1所述的高溫環(huán)境下材料低周疲勞應變幅的光學測量方法，其特征在于：所述步驟1)中PSO算法是由美國深灰心理學家Kennedy和電氣工程師Eberhart在1995年提出的一種基于模擬鳥類或者魚類覓食機制的種群智能算法，該算法可應用于DIC的整像素搜索中，假設P_i表示第i個像素的當前位置，v_i表示第i個像素的當前速度，pbest_i表示第i個像素搜索過的最優(yōu)位置，gbest表示像素群搜索過的最優(yōu)位置；DIC是針對一系列連續(xù)采集的圖像進行處理，相鄰圖像間的像素位移比較小，因此在搜索過程中首先在目標圖中生成m個初始的像素點和隨機速度，將上一幅圖的目標位置作為下一幅圖的中心位置并在中心位置生成3×3個像素微粒，為保持像素群的多樣性，在剩余的搜索區(qū)域中隨機的產(chǎn)生其余的像素點；在二維空間中，像素群分別根據(jù)下列的等式(1)、等式(2)來更新自己的速度和位置；像素最優(yōu)位置的優(yōu)劣是通過所優(yōu)化問題的目標函數(shù)，即下列的DIC中的相關函數(shù)C(3)來決定的，在相關函數(shù)C中，相關系數(shù)C設定為0.75，一旦全局相關系數(shù)gbest大于或等于C，迭代立即停止，

p_id(t+1)＝p_id(t)+v_id(t+1) (2)

$C\left(p\right)=1-\underset{i=-M}{\overset{M}{\Σ}}\underset{j=-M}{\overset{M}{\Σ}}{\{\frac{f(x_i,y_j)-\stackrel{\‾}{f}}{\sqrt{\underset{i=-M}{\overset{M}{\Σ}}\underset{j=-M}{\overset{M}{\Σ}}\[f(x_i,y_j)-\stackrel{\‾}{f}\]}}-\frac{g(x_i^{\′},y_j^{\′})-\stackrel{\‾}{g}}{\sqrt{\underset{i=-M}{\overset{M}{\Σ}}\underset{j=-M}{\overset{M}{\Σ}}{\[g(x_i^{\′},y_j^{\′})-\stackrel{\‾}{g}\]}^2}}\}}^2---\left(3\right)$

式中，d＝1,2,w為慣性權重，c₁，c₂為加速常數(shù)，其中c₁＝c₂＝2，r₁，r₂是均勻分布于[0,1]的隨機數(shù)，為了控制像素向搜索空間[P_d,min,P_d,max]過度的移動，微粒速度設置為在[V_d,min,V_d,max]范圍；慣性權重w根據(jù)公式(4)更新：

$w\left(i\right)=0.9-\frac{i}{2\·G_{\max }}---\left(4\right)$

其中，G_max為最大截止迭代數(shù)；假如微粒更新后的速度v_i>V_max或v_i<V_min，則令v_i＝V_max或v_i＝V_min；假如微粒更新后的位置坐標超出了搜索區(qū)域，則令其等于距離搜索區(qū)域最近的邊界坐標值。

3.根據(jù)權利要求1所述的高溫環(huán)境下材料低周疲勞應變幅的光學測量方法，其特征在于：所述步驟2)中BBGDS算法是一種常常被用于視頻編碼中的基于塊匹配的快速運動估計搜索算法，其搜索速度非常快，但如果直接運用于數(shù)字圖像相關中，由于搜索的區(qū)域相關系數(shù)往往存在多極值，容易導致在搜索過程中容易陷入局部最優(yōu)；結(jié)合PSO算法中獲得的目標位置d₀，把該坐標值作為BBGDS算法的起始搜索位置，在d₀位置附近安排了8個像素點，首先比較包括其在內(nèi)的9個像素點的相關系數(shù)，如果最大相關系數(shù)在這9個點的中心點，則停止搜索并輸出中心點對應的位移矢量d₁＝(u₁,v₁)；否則以最大相關系數(shù)的點為中心在其附近重新分配8個搜索點，并且比較這9個像素點，以此重復，直到最大相關系數(shù)出現(xiàn)在中心位置或者迭代次數(shù)大于3次為止；為了節(jié)省時間，在搜索過程中，被計算過的點不需要再重新計算。

4.根據(jù)權利要求1所述的高溫環(huán)境下材料低周疲勞應變幅的光學測量方法，其特征在于：所述步驟3)中所述的IC-GN亞像素迭代算法可以在獲得整像素點d₁的基礎上快速定位到目標點在變形圖中的亞像素位置，IC-GN通過優(yōu)化相關函數(shù)：

$C_{ZNSSD}\left(\mathrm{\&Delta;}p\right)=\underset{\mathrm{\&xi;}}{\&Sigma;}{\{\frac{\&lsqb;f(x+W(\mathrm{\&xi;};\mathrm{\&Delta;}p))-\stackrel{\&OverBar;}{f}\&rsqb;}{\mathrm{\&Delta;}f}-\frac{\&lsqb;g(x+W(\mathrm{\&xi;};p))-\stackrel{\&OverBar;}{g}\&rsqb;}{\mathrm{\&Delta;}g}\}}^2---\left(5\right)$

其中，f(x)和g(x)是分別是全局坐標x＝[x,y,1]^T的參考圖和目標圖的灰度值；和分別是兩個子域的平均灰度值；ξ＝[Δx,Δy,1]^T是計算的子域的局部像素坐標；和p＝(u,u_x,u_y,v,v_x,v_y)是變形參數(shù)，迭代過程中變形參量的增加量為Δp＝(Δu,Δu_x,Δu_y,Δv,Δv_x,Δv_y)；W(ξ；p)為形函數(shù)描述了目標子域的變形量：

$w(\mathrm{\&xi;};p)=\left[\begin{array}{ccc}1+u_x& u_y& u\\ v_x& 1+v_y& v\\ 0& 0& 1\end{array}\right]\left(\begin{array}{c}\mathrm{\&Delta;}x\\ \mathrm{\&Delta;}y\\ 1\end{array}\right)---\left(6\right)$

其中p＝(u,u_x,u_y,v,v_x,v_y)^T是變形參數(shù)，u,v分別表示x,y方向的位移參數(shù)，其余的表示位移梯度；而W(ξ；Δp)表示參考子域的形函數(shù)增量矩陣：

$w(\mathrm{\&xi;};\mathrm{\&Delta;}p)=\left[\begin{array}{ccc}1+{\mathrm{\&Delta;u}}_x& {\mathrm{\&Delta;u}}_y& \mathrm{\&Delta;}u\\ {\mathrm{\&Delta;v}}_x& 1+{\mathrm{\&Delta;v}}_y& \mathrm{\&Delta;}v\\ 0& 0& 1\end{array}\right]\left(\begin{array}{c}\mathrm{\&Delta;}x\\ \mathrm{\&Delta;}y\\ 1\end{array}\right)---\left(7\right)$

其中Δp＝(Δu,Δu_x,Δu_y,Δv,Δv_x,Δv_y)^T是迭代過程中變形參量的增加量；

因此，通過最小化公式(5)得到Δp的解為：

$\mathrm{\&Delta;}p=-H_{6\&times;6}^{-1}\&times;\underset{\mathrm{\&xi;}}{\&Sigma;}\{{(\&dtri;f\frac{\&part;W}{\&part;p})}_{6\&times;1}^T\&lsqb;f(x+\mathrm{\&xi;})-\stackrel{\&OverBar;}{f}-\frac{\mathrm{\&Delta;}f}{\mathrm{\&Delta;}g}\left(g\right(x+W\left(\mathrm{\&xi;};p\right))-\stackrel{\&OverBar;}{g})\&rsqb;\}---\left(8\right)$

其中，是參考子域的梯度：

$\&dtri;f=(\frac{\&part;f(x+\mathrm{\&xi;})}{\&part;x},\frac{\&part;f(x+\mathrm{\&xi;})}{\&part;y})---\left(9\right)$

H是6×6的Hessian矩陣：

$H_{6\&times;6}=\underset{\mathrm{\&xi;}}{\&Sigma;}\&lsqb;{(\&dtri;f\frac{\&part;W}{\&part;p})}_{6\&times;1}^T\&times;(\&dtri;f\frac{\&part;W}{\&part;p})\&rsqb;---\left(10\right)$

其中是Jacobian矩陣：

$\frac{\&part;W}{\&part;p}=\left(\begin{array}{cccccc}1& \mathrm{\&Delta;}x& \mathrm{\&Delta;}y& 0& 0& 0\\ 0& 0& 0& 1& \mathrm{\&Delta;}x& \mathrm{\&Delta;}y\end{array}\right)---\left(11\right)$

在此IC-GN算法中，得到Hessian矩陣不依賴變形的子域，在每次迭代中Hessian矩陣都是相同的，因此IC-GN方法只需要計算一次Hessian矩陣，可以有效地減少計算時間；因此在每次迭代中，模板f需要不斷的更新，且變形參數(shù)的更新方式是乘以形函數(shù)的增量矩陣的逆，即：

按照此方式不斷的重復迭代，直到滿足迭代要求，最后輸出變形子域的亞像素位移參數(shù)P。

5.根據(jù)權利要求1所述的高溫環(huán)境下材料低周疲勞應變幅的光學測量方法，其特征在于：所述步驟4)中多核CPU目前廣泛地應用在計算機模擬的各個領域，基于多核并行計算有許多的編程模式——MPI，OpenMP和TBB；在低周疲勞試驗中，試樣的軸向應變可以根據(jù)公式(13)計算得到

ε＝(l₁-l₂)/l＝Δl/l (13)

其中l(wèi)是試件軸向兩點(1#,2#)或者(3#，4#)之間的距離，Δl是兩點之間拉伸或壓縮的變形；因此在動態(tài)數(shù)字圖像相關測量系統(tǒng)中至少需要同時監(jiān)測兩個點的位移值，利用C++語言并結(jié)合OpenMP編程模式，將上述搜索算法在多核計算機中運行，便可達到實時的多點同時跟蹤的目的。