1.一种基于新型相关函数约束的CUDA架构并行优化立体变形测量方法，其特征在于，包括以下步骤：S01：获得多相机间的相对位姿参数关系；

S02：基于相机间的联合约束关系建立散斑立体配准的新型相关函数，所述新型相关函数将图像对间立体配准点的搜索限制在对极线附近区域，对不同序列图像中采样散斑点进行时序配准和立体配准，进行时序配准和立体配准时采用基于CUDA架构实施并行加速；

所述步骤S02中建立散斑立体配准的新型相关函数的方法包括：S21：对选定的相机对进行散斑图像配准，右相机成像面的散斑搜索范围表示为：式(11)中，x是左相机目标图像中任意一点的横坐标，k0是极线方程的斜率，e为极线与右相机图像中坐标系纵轴的交点坐标；emin≤e≤emax，emin和emax分别表示在右相机图像中极线附近搜索对应散斑点亚像素的下限和上限；

S22：在极线方程的上下界内浮动，寻求最优的相关系数峰值，接着将基于多相机联合约束优化得到的极线方程代入到零均值归一化最小平方距离相关函数中，则生成的新型相关函数表达式改写成关于x′i和e的约束形式：式(12)中，f(xi,yj)是变形前参考图像在点(xi,yj)处的灰度值；g(x′i,y′j)是变形后目标图像中对应的同名点(x′i,y′j)处的灰度值，fm是变形前子区平均灰度值；gm是变形后子区平均灰度值；M是配准子区中心点到窗口边界距离像素尺寸；

S03：对散斑点的空间坐标进行三维重构。

2.根据权利要求1所述的基于新型相关函数约束的CUDA架构并行优化立体变形测量方法，其特征在于，所述步骤S01中获得多相机间的相对位姿参数关系的方法包括：S11：设定测量系统共有η+1个相机组成，主相机为ξ，其余η个均为从相机，则根据透视投影原理建立基于空间点P的主相机共线性方程：T

λξ[uξ vξ 1]＝Mξ[Rξ tξ][Xw Yw Zw1]     (3)其中，λξ是主相机投影尺度系数；(uξ,vξ)为主相机采集图片中特征点的像素坐标；[Xw TYw Zw 1]是空间三维点齐次坐标；Mξ为主相机的内部参数；(Rξ,tξ)为主相机的外参矩阵；

S12：通过式(3)对相机外参和空间点三维坐标分量分别求一阶偏导，得到共线性误差方程：T

其中，Ξξ是主相机共线性误差的偏差值；Bξ,Cξ分别是(uξ,vξ) 对相机外部参数和空间点三维坐标分量的一阶偏导数；ωξ, κξ是旋转矩阵Rξ对应的T

欧拉角；txξ,tyξ,tzξ是主相机平移矩阵的元素，[δξc δξp]为主相机的外参修正值与三维坐标修正值，即每次迭代的步长：式(5)中，Δωξ, Δκξ,Δtxξ,Δtyξ,Δtzξ分别是相机外部参数一阶偏导数的增量；

ΔX,ΔY,ΔZ分别是三维坐标分量的一阶偏导数；

S13：矩阵γξ表示特征点的实际坐标与用共线性方程计算得到的重投影坐标 之间的差值：

S14：根据主从相机间的相对外参关系，第η个相机的共线性方程表示为：T T

λη[uη vη 1]＝Mη[RξηRξ tξη+Rξηtξ][Xw Yw Zw1]    (7)式(7)中，λη是从相机投影尺度系数；(uη,vη)为第η个相机下图像特征点像素坐标；Mη为第η个相机的内参矩阵；(Rξη，tξη)为从相机的外参矩阵；

S15：同理得到第η个从相机的共线性误差方程：

式(8)中，Ξη是从相机共线性误差的偏差值；Bη,Cη分别是从相机图像坐标对外部参数和T空间点坐标的一阶偏导数；[δηc δηp]分别是从相机的外参修正值与三维坐标修正值；矩阵γη表示特征点的实际坐标与用共线性方程计算得到的重投影坐标之间的差值；

T T

S16：记B＝[Bξ B1 B2 … Bη] ,C＝[Cξ C1 C2 … Cη] ，则Jacobi矩阵J＝[B C]，故法化矩阵表示为：S17：运用Levenberg‑Marquardt算法进行迭代求解，建立的法方程表示为：T

其中，γ＝[γξ γ1 γ2 … γη]；I是单位矩阵；

得到多相机网络外参相对关系矩阵。

3.根据权利要求1所述的基于新型相关函数约束的CUDA架构并行优化立体变形测量方法，其特征在于，所述步骤S02中基于CUDA架构实施并行加速时，构建新型相关函数的Kernel函数接口。

4.根据权利要求3所述的基于新型相关函数约束的CUDA架构并行优化立体变形测量方法，其特征在于，所述并行加速方法包括：S23：在启动并行程序前将散斑子区亚像素匹配数据导入到常量内存，图像数据导入到纹理内存；待散斑配准结束后，再将计算结果回传至主机端；主机端与设备端之间相互连接的并行连接点是Kernel函数；

S24：根据预先配置的线程块与线程数量启动Kernel函数进行散斑图像的整像素和亚像素搜索任务，同时返回匹配迭代收敛的散斑点的标志位；完成所有的线程计算后，将散斑匹配得到的数据回传至CPU内存区域，散斑点的亚像素搜索过程结束；数据传输与访问时，通过线程同步方式进行存储器的累加操作与存取。

5.根据权利要求3所述的基于新型相关函数约束的CUDA架构并行优化立体变形测量方法，其特征在于，所述Kernel函数的处理步骤包括：输入线程数、左右相机参考图像和目标图像序列、定义配准矩阵空间、校准矩阵空间；

下载预先完成计算的数据包，k0,e,emin,emax；

定义Kernel函数线程索引，初始化并行计算参数；

对新型相关函数进行分解，包括：创建Hessian矩阵的逆矩阵空间、创建Hessian矩阵空间、创建Jacobi矩阵空间、创建形函数参数空间；

对新型相关函数的散斑立体配准迭代求解，得到形函数向量 和对应的目标图像散斑点坐标(x′i,y′j)；

阻塞线程，保证线程同步，释放内存空间；

输出时序配准数据和立体配准数据。

6.根据权利要求4所述的基于新型相关函数约束的CUDA架构并行优化立体变形测量方法，其特征在于，所述步骤S24中对亚像素插值进行并行计算，通过创建2M+1个线程分别对

2M+1列的散斑点进行亚像素插值并行计算，其中，2M+1是散斑配准子区窗口的尺寸。

7.一种基于新型相关函数约束的CUDA架构并行优化立体变形测量系统，其特征在于，包括：多相机网络外参相对关系矩阵获取模块，获得多相机间的相对位姿参数关系；

相关函数构建及配准模块，基于相机间的联合约束关系建立散斑立体配准的新型相关函数，所述新型相关函数将图像对间立体配准点的搜索限制在对极线附近区域，对不同序列图像中采样散斑点进行时序配准和立体配准，进行时序配准和立体配准时采用基于CUDA架构实施并行加速；

建立散斑立体配准的新型相关函数的方法包括：

S21：对选定的相机对进行散斑图像配准，右相机成像面的散斑搜索范围表示为：式(11)中，x是左相机目标图像中任意一点的横坐标，k0是极线方程的斜率，e为极线与右相机图像中坐标系纵轴的交点坐标；emin≤e≤emax，emin和emax分别表示在右相机图像中极线附近搜索对应散斑点亚像素的下限和上限；

S22：在极线方程的上下界内浮动，寻求最优的相关系数峰值，接着将基于多相机联合约束优化得到的极线方程代入到零均值归一化最小平方距离相关函数中，则生成的新型相关函数表达式改写成关于x′i和e的约束形式：式(12)中，f(xi,yj)是变形前参考图像在点(xi,yj)处的灰度值；g(x′i,y′j)是变形后目标图像中对应的同名点(x′i,y′j)处的灰度值，fm是变形前子区平均灰度值；gm是变形后子区平均灰度值；M是配准子区中心点到窗口边界距离像素尺寸；

重构模块，对散斑点的空间坐标进行三维重构。

8.一种基于新型相关函数约束的CUDA架构并行优化立体变形测量设备，其特征在于，包括权利要求1‑6任一项所述的基于新型相关函数约束的CUDA架构并行优化立体变形测量方法。

9.一种存储介质，其特征在于，所述存储介质存储有权利要求1‑6任一项所述的基于新型相关函数约束的CUDA架构并行优化立体变形测量方法。