本發(fā)明涉及一種三維激光掃描儀內(nèi)參數(shù)標(biāo)定方法及裝置，屬于三維激光測(cè)量技術(shù)領(lǐng)域。

背景技術(shù)：

三維激光掃描儀是集光學(xué)、機(jī)械、電子和計(jì)算機(jī)等眾多高新技術(shù)于一體的全新測(cè)量?jī)x器，它能夠?qū)崿F(xiàn)快速、高效、準(zhǔn)確、全方位的三維空間信息獲取，獲取的海量數(shù)據(jù)稱為點(diǎn)云(pointcloud)，并且絕大多數(shù)配有內(nèi)置或外置相機(jī)，能夠同時(shí)獲取目標(biāo)表面的紋理信息，點(diǎn)云與圖像融合后可以獲得逼真可量測(cè)的三維模型，因而三維激光掃描技術(shù)被譽(yù)為“實(shí)景復(fù)制技術(shù)”。商業(yè)三維激光掃描儀雖然性能優(yōu)良，但在實(shí)際應(yīng)用中也存在諸多問(wèn)題，如價(jià)格昂貴、性能過(guò)剩、數(shù)據(jù)處理困難等。因此，越來(lái)越多的低成本及個(gè)性化應(yīng)用催生了基于二維測(cè)距儀實(shí)現(xiàn)三維掃描的解決方案。2000年以來(lái)國(guó)內(nèi)外眾多學(xué)者嘗試探索開(kāi)發(fā)低成本或者專門用途的三維激光掃描儀，亦可稱之為diy三維激光掃描儀，其中最常見(jiàn)的是利用二維激光掃描儀加某種旋轉(zhuǎn)執(zhí)行機(jī)構(gòu)來(lái)實(shí)現(xiàn)三維掃描。例如在要求厘米級(jí)精度的低成本測(cè)圖時(shí)，在進(jìn)行礦井等狹長(zhǎng)走廊三維測(cè)圖時(shí)，在用于移動(dòng)機(jī)器人和智能車的即時(shí)定位與測(cè)圖時(shí)，這種實(shí)現(xiàn)具有較高的性價(jià)比。

在已有的實(shí)現(xiàn)方案中，較少關(guān)注旋轉(zhuǎn)執(zhí)行機(jī)構(gòu)與二維測(cè)距儀之間的安置偏差帶來(lái)的影響，即使在設(shè)計(jì)時(shí)考慮到使二維測(cè)距儀的測(cè)距原點(diǎn)與旋轉(zhuǎn)執(zhí)行機(jī)構(gòu)嚴(yán)格同軸，但由于實(shí)際加工、安裝、磨損等原因，這一偏差仍然造成了較大的點(diǎn)云誤差甚至變形，因此需要進(jìn)行標(biāo)定，以期在不改變硬件而僅通過(guò)數(shù)據(jù)處理的方式達(dá)到改善數(shù)據(jù)質(zhì)量的目的。

常用的標(biāo)定方法主要是基于相機(jī)及相機(jī)標(biāo)定板的方法，其中棋盤格標(biāo)定板最為常用。標(biāo)定過(guò)程如下，用diy三維掃描儀對(duì)標(biāo)定板進(jìn)行二維掃描獲取點(diǎn)云數(shù)據(jù)，用相機(jī)進(jìn)行拍照，提取兩種數(shù)據(jù)中特征角點(diǎn)并建立對(duì)應(yīng)關(guān)系，利用點(diǎn)線或點(diǎn)面約束構(gòu)建參數(shù)模型，能以較高的精度獲得全部6個(gè)標(biāo)定參數(shù)。該類方法的標(biāo)定精度較高。如laksono提出一種以普通棋盤格為標(biāo)定板并以點(diǎn)面為約束的標(biāo)定方法，并通過(guò)仿真數(shù)據(jù)實(shí)驗(yàn)得出，該方法角度參數(shù)標(biāo)定誤差0.018°，平移參數(shù)標(biāo)定誤差2mm。這類方法標(biāo)定過(guò)程較為復(fù)雜，適用于設(shè)計(jì)diy三維掃描儀時(shí)未考慮使二維激光掃描儀光學(xué)中心與旋轉(zhuǎn)中心同軸以及要求在實(shí)驗(yàn)室條件下進(jìn)行精確標(biāo)定的情況。但由于眾多實(shí)現(xiàn)方案中，為方便運(yùn)輸和攜帶，各組件是需要經(jīng)常拆卸和組裝的，因而需要在測(cè)量現(xiàn)場(chǎng)組裝好設(shè)備后進(jìn)行一次快速標(biāo)定，以提高工作效率，保證測(cè)量精度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種三維激光掃描儀內(nèi)參數(shù)標(biāo)定方法，以解決目前diy三維掃描儀參數(shù)標(biāo)定過(guò)程復(fù)雜，效率低的問(wèn)題；本發(fā)明還提供了一種三維激光掃描儀內(nèi)參數(shù)標(biāo)定裝置。

本發(fā)明為解決上述技術(shù)問(wèn)題而提供一種三維激光掃描儀內(nèi)參數(shù)標(biāo)定方法，該標(biāo)定方法包括以下步驟：

1)以單站掃描數(shù)據(jù)中平面特征的總體平面度和平面內(nèi)點(diǎn)數(shù)建立目標(biāo)函數(shù)，使得該目標(biāo)函數(shù)值最小的函數(shù)最優(yōu)解作為待求內(nèi)參數(shù)；

2)從初始點(diǎn)云數(shù)據(jù)中提取平面特征，利用平面內(nèi)的點(diǎn)計(jì)算目標(biāo)函數(shù)值；

3)利用非線性優(yōu)化算法的搜索規(guī)則找到使目標(biāo)函數(shù)值最優(yōu)的一組參數(shù)，該參數(shù)即為待求內(nèi)參數(shù)。

進(jìn)一步地，所述步驟1)建立的目標(biāo)函數(shù)為：

其中n為輸入數(shù)據(jù)點(diǎn)的總數(shù)，k為提取到的平面?zhèn)€數(shù)，ni為第i個(gè)平面上的局內(nèi)點(diǎn)個(gè)數(shù)，di,j為第i個(gè)平面上第j個(gè)局內(nèi)點(diǎn)到平面的距離，與α0和β0有關(guān)，α0為激光掃描瞬時(shí)坐標(biāo)系繞激光掃描理想坐標(biāo)系的xs軸的旋轉(zhuǎn)角，β0為激光掃描瞬時(shí)坐標(biāo)系繞激光掃描理想坐標(biāo)系的zs軸的旋轉(zhuǎn)角，和分別為α0和β0的估計(jì)值。

進(jìn)一步地，所述步驟2)中的平面特征提取采用區(qū)域生長(zhǎng)算法或ransac算法。

進(jìn)一步地，所述步驟2)采用ransac算法進(jìn)行平面特征提取時(shí)，當(dāng)隨機(jī)抽取的3點(diǎn)構(gòu)成的平面模型局內(nèi)點(diǎn)數(shù)量超過(guò)設(shè)定閾值時(shí)，需對(duì)這些局內(nèi)點(diǎn)利用特征值法重新計(jì)算平面參數(shù)，并重新統(tǒng)計(jì)局內(nèi)點(diǎn)數(shù)，若重新統(tǒng)計(jì)的局內(nèi)點(diǎn)數(shù)仍超過(guò)該設(shè)定閾值時(shí)，說(shuō)明已提取到一個(gè)平面，否則，需重新提??；當(dāng)提取到某個(gè)平面，需判斷該平面所抽取的原始三個(gè)點(diǎn)處的法矢兩兩夾角，若存在夾角超過(guò)設(shè)定閾值，則放棄該次提取的平面；判斷各提取平面法向兩兩之間的夾角是否小于設(shè)定的閾值角以及原點(diǎn)到平面距離差值是否小于閾值距離，將上述兩條件同時(shí)滿足的兩平面進(jìn)行合并，并計(jì)算合并后兩平面的參數(shù)。

進(jìn)一步地，所述步驟3)是采用單純形nms算法來(lái)進(jìn)行求解，判斷所提取平面中初始各個(gè)頂點(diǎn)(α0,β0)對(duì)應(yīng)目標(biāo)函數(shù)值的大小，找到其中的最優(yōu)點(diǎn)、次優(yōu)點(diǎn)和最差點(diǎn)，通過(guò)反射、擴(kuò)張、壓縮或收縮產(chǎn)生一個(gè)新的較好點(diǎn)并用它替換掉最差點(diǎn)，得到一個(gè)新的單純形，經(jīng)過(guò)多次迭代搜索，最終使得單純形越來(lái)越小從而不斷逼近最優(yōu)解。

進(jìn)一步地，所述步驟3)在采用單純性nms算法求解時(shí)，由人工蜂群算法搜索得到當(dāng)前最優(yōu)解作為nms算法的初值構(gòu)建初始單純形。

本發(fā)明還提供了一種三維激光掃描儀內(nèi)參數(shù)標(biāo)定裝置，該標(biāo)定裝置包括目標(biāo)函數(shù)建立模塊、平面特征提取模塊和最優(yōu)解計(jì)算模塊，

所述目標(biāo)函數(shù)建立模塊用于以單站掃描數(shù)據(jù)中平面特征的總體平面度和平面內(nèi)點(diǎn)數(shù)建立目標(biāo)函數(shù)，使得該目標(biāo)函數(shù)值最小的函數(shù)最優(yōu)解作為待求內(nèi)參數(shù)；

所述平面特征提取模塊用于從初始點(diǎn)云數(shù)據(jù)中提取平面特征，并利用平面內(nèi)的點(diǎn)計(jì)算目標(biāo)函數(shù)值；

所述最優(yōu)解計(jì)算模塊用于利用非線性優(yōu)化算法的搜索規(guī)則找到使目標(biāo)函數(shù)值最優(yōu)的一組參數(shù)，該參數(shù)即為待求內(nèi)參數(shù)。

進(jìn)一步地，所述的目標(biāo)函數(shù)建立模塊建立的目標(biāo)函數(shù)為：

其中n為輸入數(shù)據(jù)點(diǎn)的總數(shù)，k為提取到的平面?zhèn)€數(shù)，ni為第i個(gè)平面上的局內(nèi)點(diǎn)個(gè)數(shù)，di,j為第i個(gè)平面上第j個(gè)局內(nèi)點(diǎn)到平面的距離，與α0和β0有關(guān)，α0為激光掃描瞬時(shí)坐標(biāo)系繞激光掃描理想坐標(biāo)系的xs軸的旋轉(zhuǎn)角，β0為激光掃描瞬時(shí)坐標(biāo)系繞激光掃描理想坐標(biāo)系的zs軸的旋轉(zhuǎn)角，和分別為α0和β0的估計(jì)值。

進(jìn)一步地，所述平面特征提取模塊采用區(qū)域生長(zhǎng)算法或ransac算法進(jìn)行平面特征提取，平面特征提取模塊采用ransac算法進(jìn)行平面特征提取時(shí)，當(dāng)隨機(jī)抽取的3點(diǎn)構(gòu)成的平面模型局內(nèi)點(diǎn)數(shù)量超過(guò)設(shè)定閾值時(shí)，需對(duì)這些局內(nèi)點(diǎn)利用特征值法重新計(jì)算平面參數(shù)，并重新統(tǒng)計(jì)局內(nèi)點(diǎn)數(shù)，若重新統(tǒng)計(jì)的局內(nèi)點(diǎn)數(shù)仍超過(guò)該設(shè)定閾值時(shí)，說(shuō)明已提取到一個(gè)平面，否則，需重新提取。

進(jìn)一步地，所述最優(yōu)解計(jì)算模塊采用單純形nms算法來(lái)進(jìn)行求解，判斷所提取平面中初始各個(gè)頂點(diǎn)(α0,β0)對(duì)應(yīng)目標(biāo)函數(shù)值的大小，找到其中的最優(yōu)點(diǎn)、次優(yōu)點(diǎn)和最差點(diǎn)，通過(guò)反射、擴(kuò)張、壓縮或收縮產(chǎn)生一個(gè)新的較好點(diǎn)并用它替換掉最差點(diǎn)，得到一個(gè)新的單純形，經(jīng)過(guò)多次迭代搜索，最終使得單純形越來(lái)越小從而不斷逼近最優(yōu)解；所述最優(yōu)解計(jì)算模塊在采用單純性nms算法求解時(shí)，由人工蜂群算法搜索得到當(dāng)前最優(yōu)解作為nms算法的初值構(gòu)建初始單純形。

本發(fā)明的有益效果是:本發(fā)明以單站掃描數(shù)據(jù)中平面特征的總體平面度和平面內(nèi)點(diǎn)數(shù)來(lái)評(píng)價(jià)點(diǎn)云總體質(zhì)量，構(gòu)建目標(biāo)函數(shù)，使得該目標(biāo)函數(shù)值最小的函數(shù)最優(yōu)解作為待求內(nèi)參數(shù)的估值；采用基于平面特征的內(nèi)參數(shù)解算方式求解目標(biāo)函數(shù)，即按設(shè)定的平面提取算法提取平面特征，并計(jì)算目標(biāo)函數(shù)值；利用非線性優(yōu)化算法的搜索規(guī)則找到使目標(biāo)函數(shù)值最優(yōu)的一組參數(shù)，該參數(shù)即為待求內(nèi)參數(shù)。本發(fā)明無(wú)需配合人工靶標(biāo)，對(duì)場(chǎng)景無(wú)特殊要求，可在任何具有平面特征的場(chǎng)景中實(shí)現(xiàn)標(biāo)定，且能夠?qū)崿F(xiàn)掃描儀的現(xiàn)場(chǎng)快速標(biāo)定，提高了diy三維激光掃描儀測(cè)量精度和點(diǎn)云質(zhì)量。

附圖說(shuō)明

圖1是待標(biāo)定對(duì)象diy三維激光掃描儀示意圖；

圖2是待標(biāo)定對(duì)象diy三維激光掃描儀的內(nèi)參數(shù)標(biāo)定模型示意圖；

圖3是內(nèi)參數(shù)標(biāo)定的原理圖；

圖4-a是采用生長(zhǎng)算法提取的平面特征效果圖；

圖4-b是采用改進(jìn)ransac算法提取的平面特征效果圖；

圖5是單純形算法中的單純形反射變化示意圖；

圖6是單純形算法中的單純形擴(kuò)張變化示意圖；

圖7是單純形算法中的單純形壓縮變化示意圖；

圖8是單純形算法中的單純形收縮變化示意圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式做進(jìn)一步的說(shuō)明。

本發(fā)明針對(duì)三維激光掃描儀是利用二維激光掃描儀加某種旋轉(zhuǎn)執(zhí)行機(jī)構(gòu)來(lái)實(shí)現(xiàn)，理想狀態(tài)下，如圖1所示，二維激光掃描儀光學(xué)中心z軸應(yīng)與轉(zhuǎn)臺(tái)旋轉(zhuǎn)軸重合，測(cè)得的點(diǎn)云坐標(biāo)可用下式計(jì)算得到：

由于連接件加工以及掃描儀安裝誤差，二維掃描儀與轉(zhuǎn)臺(tái)間的相對(duì)位置關(guān)系與理想狀態(tài)存在一定的偏差，導(dǎo)致按式(1)計(jì)算的坐標(biāo)不準(zhǔn)確。理論上，系統(tǒng)內(nèi)參數(shù)包括激光掃描局部坐標(biāo)系原點(diǎn)即二維激光掃描儀光學(xué)中心與激光掃描理想坐標(biāo)系原點(diǎn)間的3個(gè)平移參數(shù)(安置位置誤差)以及兩坐標(biāo)系間的3個(gè)旋轉(zhuǎn)參數(shù)(安置角度誤差)。鑒于連接件的設(shè)計(jì)加工可以保證較高的精度，安裝固定后二維掃描儀光學(xué)中心與設(shè)計(jì)安裝位置偏差可保證在1mm以內(nèi)，同時(shí)考慮到其厘米級(jí)的測(cè)距精度，較小的三個(gè)平移參數(shù)很難從誤差較大的點(diǎn)云數(shù)據(jù)中解算出來(lái)，而三個(gè)旋轉(zhuǎn)參數(shù)中，繞轉(zhuǎn)臺(tái)旋轉(zhuǎn)軸即激光掃描理想坐標(biāo)系z(mì)軸的旋轉(zhuǎn)角代表的是掃描的水平起始角度，不會(huì)引起點(diǎn)云的變形?；谏鲜龇治霾⒔梃bmorales的標(biāo)定模型，內(nèi)參數(shù)標(biāo)定問(wèn)題可簡(jiǎn)化為對(duì)如圖2所示的兩個(gè)安置角α0(俯仰方向)和β0(側(cè)滾方向)的求解。

其中坐標(biāo)系為激光掃描理想坐標(biāo)系，為激光掃描瞬時(shí)坐標(biāo)系，p為某激光腳點(diǎn)，ρ和θ為二維激光掃描儀測(cè)得的該點(diǎn)距離和線掃描角度，為轉(zhuǎn)臺(tái)帶動(dòng)二維激光掃描儀轉(zhuǎn)過(guò)的相應(yīng)角度，α0為繞的xs軸的旋轉(zhuǎn)角，β0為繞的zs軸的旋轉(zhuǎn)角。

則標(biāo)定后的點(diǎn)云坐標(biāo)計(jì)算公式可表示為：

采用diy三維激光掃描儀獲取掃描數(shù)據(jù)時(shí)，需要計(jì)算并保存相應(yīng)的極坐標(biāo)數(shù)據(jù)，以極坐標(biāo)數(shù)據(jù)作為標(biāo)定算法的輸入信息，標(biāo)定算法的參數(shù)變量是α0和β0，以單站掃描數(shù)據(jù)中平面特征的總體平面度和平面內(nèi)點(diǎn)數(shù)來(lái)評(píng)價(jià)點(diǎn)云總體質(zhì)量，構(gòu)建目標(biāo)函數(shù)式(3)，使得該目標(biāo)函數(shù)值最小的函數(shù)最優(yōu)解即為待求內(nèi)參數(shù)的估值和

其中n為輸入數(shù)據(jù)點(diǎn)的總數(shù)，k為提取到的平面?zhèn)€數(shù)，ni為第i個(gè)平面上的局內(nèi)點(diǎn)(即點(diǎn)面距小于一定閾值的點(diǎn))個(gè)數(shù)，di,j為第i個(gè)平面上第j個(gè)局內(nèi)點(diǎn)到平面的距離。該目標(biāo)函數(shù)中的di,j是隨參數(shù)變量α0和β0變化的，并且不能用具體的解析式表示，因此不能通過(guò)常規(guī)的非線性函數(shù)線性化或求導(dǎo)的非線性優(yōu)化算法求解，而必須通過(guò)其它非線性優(yōu)化算法來(lái)實(shí)現(xiàn)?？尚械姆蔷€性優(yōu)化算法是按照一定的規(guī)則在解向量空間搜索判斷以及不斷的迭代來(lái)求解參數(shù)變量的，對(duì)于基于平面特征的內(nèi)參數(shù)解算，每次迭代需要進(jìn)行的主要步驟如下：

(1)根據(jù)搜索得到的預(yù)期解向量將原始極坐標(biāo)數(shù)據(jù)按式(1)轉(zhuǎn)換為笛卡爾坐標(biāo)；

(2)按設(shè)定的平面提取算法提取平面特征，并計(jì)算目標(biāo)函數(shù)值；

(3)按非線性優(yōu)化算法的搜索規(guī)則產(chǎn)生新的較優(yōu)的預(yù)測(cè)解向量。

1.平面特征提取。

實(shí)現(xiàn)標(biāo)定的先決條件是從初始點(diǎn)云數(shù)據(jù)中提取平面，常用的平面特征提取方法包括區(qū)域生長(zhǎng)、動(dòng)態(tài)聚類、3d霍夫變換和隨機(jī)采樣一致性(ransac)算法，其中前三種算法都需要計(jì)算點(diǎn)云的法矢信息，點(diǎn)云中某點(diǎn)的法矢即為利用該點(diǎn)鄰域內(nèi)固定個(gè)數(shù)的點(diǎn)通過(guò)主成分分析或最小二乘擬合求得法向量，但是掃描激光腳點(diǎn)法向量的計(jì)算容易受到粗差以及點(diǎn)密度的影響，而區(qū)域生長(zhǎng)算法和改進(jìn)ransac算法能夠達(dá)到較好的效果。

1)利用區(qū)域生長(zhǎng)算法進(jìn)行平面特征提取。

區(qū)域生長(zhǎng)算法通常是利用點(diǎn)云表面法矢信息及預(yù)測(cè)距離小于一定的閾值作為生長(zhǎng)條件，從選取的初始種子點(diǎn)開(kāi)始，根據(jù)生長(zhǎng)條件判斷鄰近點(diǎn)是否為平面內(nèi)點(diǎn)，被生長(zhǎng)的平面內(nèi)點(diǎn)作為新的種子點(diǎn)集分別在其鄰域進(jìn)行生長(zhǎng)，直到某次循環(huán)生長(zhǎng)后新種子點(diǎn)集為空，此時(shí)已生長(zhǎng)到達(dá)該平面的邊界，被生長(zhǎng)的點(diǎn)即為一個(gè)平面點(diǎn)集，對(duì)剩余點(diǎn)集重復(fù)以上過(guò)程即可完成對(duì)整個(gè)點(diǎn)云數(shù)據(jù)中平面特征的提取。

采用區(qū)域生長(zhǎng)算法進(jìn)行平面提取并保存各平面上的點(diǎn)，在計(jì)算目標(biāo)函數(shù)值時(shí)首先直接對(duì)每一平面的內(nèi)點(diǎn)進(jìn)行基于抗差估計(jì)的平面擬合，然后分別計(jì)算平面內(nèi)點(diǎn)到所擬合平面的距離，從而計(jì)算目標(biāo)函數(shù)值。

2)利用ransac算法進(jìn)行平面特征提取。

a.參數(shù)初始化，包括距離閾值td、迭代次數(shù)k、最優(yōu)平面點(diǎn)集及其對(duì)應(yīng)的平面參數(shù)；

b.從當(dāng)前剩余點(diǎn)集中隨機(jī)抽取3個(gè)點(diǎn)，判斷是否共線，若共線則重新抽取，否則計(jì)算出3點(diǎn)構(gòu)成平面ax+by+cz+d＝0的參數(shù)；

c.計(jì)算當(dāng)前剩余點(diǎn)集中所有點(diǎn)到該平面的距離，若小于td，則標(biāo)記為局內(nèi)點(diǎn)；

d.統(tǒng)計(jì)局內(nèi)點(diǎn)個(gè)數(shù)，若多于最優(yōu)平面點(diǎn)集中點(diǎn)的個(gè)數(shù)，則保存為當(dāng)前最優(yōu)平面點(diǎn)集，用最小二乘法擬合平面并保存為當(dāng)前最優(yōu)平面參數(shù)；

e.當(dāng)?shù)螖?shù)小于n時(shí)，重復(fù)步驟(2)～(4)，當(dāng)完成k次迭代后，即提取到1個(gè)最優(yōu)平面，將該平面的局內(nèi)點(diǎn)從當(dāng)前剩余點(diǎn)集中刪除；對(duì)平面整體平面度要求較低，即使是略有變形但局部較為平滑的平面也能被提取到，對(duì)法矢信息的精確計(jì)算依賴性較小；

f.重復(fù)以上步驟，直到當(dāng)前剩余點(diǎn)集中點(diǎn)的個(gè)數(shù)小于設(shè)定閾值或已提取到指定數(shù)量的平面。

上述ransac算法雖然能夠提取出平面特征，但是所提取平面特征有可能出現(xiàn)重復(fù)導(dǎo)致不夠準(zhǔn)確。為此，本發(fā)明在上述ransac平面特征提取的基礎(chǔ)上，對(duì)上述算法進(jìn)行以下改進(jìn)：

a.增加一個(gè)閾值參數(shù)tn，當(dāng)隨機(jī)抽取的3點(diǎn)構(gòu)成的平面模型局內(nèi)點(diǎn)數(shù)量超過(guò)該閾值時(shí)，對(duì)這些局內(nèi)點(diǎn)利用特征值法重新計(jì)算平面參數(shù)，重新統(tǒng)計(jì)局內(nèi)點(diǎn)數(shù)，若超過(guò)閾值參數(shù)tn則認(rèn)為已提取到一個(gè)平面，結(jié)束本次循環(huán)。

b.當(dāng)提取的某個(gè)平面時(shí)，增加判斷條件，判斷所抽取的原始三個(gè)點(diǎn)處的法矢的兩兩夾角，若超過(guò)一定閾值δ時(shí)，則提取的平面可能為偽平面，則放棄該次結(jié)果，繼續(xù)循環(huán)。

c.完成平面提取后，判斷各平面法向兩兩之間的夾角是否小于閾值以及原點(diǎn)到平面距離差值是否小于閾值，將上述兩條件同時(shí)滿足的兩平面進(jìn)行合并，并同時(shí)計(jì)算合并后兩平面的參數(shù)。

讀取點(diǎn)云數(shù)據(jù)后即采用區(qū)域生長(zhǎng)算法進(jìn)行平面提取并保存各平面上的點(diǎn)，在計(jì)算目標(biāo)函數(shù)值時(shí)直接對(duì)每一平面的內(nèi)點(diǎn)進(jìn)行基于抗差估計(jì)的平面擬合，然后分別計(jì)算平面內(nèi)點(diǎn)到所擬合平面的距離，從而計(jì)算目標(biāo)函數(shù)值。當(dāng)采用該種方式計(jì)算目標(biāo)函數(shù)時(shí)需設(shè)置閾值剔除點(diǎn)面距較大的點(diǎn)，該閾值與應(yīng)用改進(jìn)ransac算法進(jìn)行平面提取時(shí)設(shè)置的距離閾值一致。若場(chǎng)景中主要平面的平面度較好或點(diǎn)云變形較為明顯(即內(nèi)參數(shù)值較大)，宜采用該種方式計(jì)算目標(biāo)函數(shù)。

采用改進(jìn)ransac算法進(jìn)行平面特征提取時(shí)，在該提取過(guò)程中當(dāng)提取到一個(gè)平面時(shí)，計(jì)算該平面內(nèi)點(diǎn)到平面的距離，從而完成相應(yīng)目標(biāo)函數(shù)值的計(jì)算。該種方式適合場(chǎng)景中主要平面的平面度不好或點(diǎn)云變形不明顯(即內(nèi)參數(shù)值較小)的情形。

2.利用非線性優(yōu)化算法的搜索規(guī)則產(chǎn)生新的較優(yōu)的預(yù)測(cè)解向量。

nelder-meadsimplex(nms)即單純形算法實(shí)現(xiàn)簡(jiǎn)單且無(wú)需目標(biāo)函數(shù)導(dǎo)數(shù)信息，是一種具有較強(qiáng)局部搜索能力的多維非線性無(wú)約束優(yōu)化算法。該算法用到“simplex”即“單純形”這一概念，它指的是由n維向量(n個(gè)參數(shù)變量)空間中n+1個(gè)頂點(diǎn)構(gòu)成的凸多面體，如2維空間即平面中的三角形，3維空間中的四面體，單純形的變化代表了搜索空間的變化。其主要思想是通過(guò)直接判斷初始各個(gè)頂點(diǎn)目標(biāo)函數(shù)值的大小，找到其中的最優(yōu)點(diǎn)、次優(yōu)點(diǎn)和最差點(diǎn)，通過(guò)反射、擴(kuò)張、壓縮或收縮產(chǎn)生一個(gè)新的較好點(diǎn)并用它替換掉最差點(diǎn)，得到一個(gè)新的單純形，經(jīng)過(guò)多次迭代搜索，最終使得單純形越來(lái)越小從而不斷逼近最優(yōu)解。

對(duì)于本發(fā)明內(nèi)參數(shù)標(biāo)定問(wèn)題，存在2個(gè)變量，則單純形為三角形，并以2維單純形為例介紹nms算法中的反射、擴(kuò)張、壓縮及收縮。給定3個(gè)初始頂點(diǎn)，即(α0,β0)可能的三組取值，計(jì)算相應(yīng)的目標(biāo)函數(shù)值，目標(biāo)函數(shù)值最小的點(diǎn)即最優(yōu)點(diǎn)記為pb，目標(biāo)函數(shù)值最大的點(diǎn)即最差點(diǎn)記為pw，另一點(diǎn)則為次優(yōu)點(diǎn)記為pg，pm表示除最差點(diǎn)pw外其余點(diǎn)的形心。

反射點(diǎn)記為pr，由下式計(jì)算得到：

pr＝(1+α)pm-αpw(4)

其中，α為反射系數(shù)，通常取1，對(duì)應(yīng)的單純形變化如圖5所示。

擴(kuò)張點(diǎn)記為pe，由下式計(jì)算得到：

pe＝γpr+(1-γ)pm(5)

其中，γ為擴(kuò)張系數(shù)，通常取2，對(duì)應(yīng)的單純形變化如圖6所示。

壓縮點(diǎn)記為pc，由下式計(jì)算得到：

pc＝βpw+(1-β)pm(6)

其中，β為壓縮系數(shù)，通常取0.5，對(duì)應(yīng)的單純形變化如圖7所示。

收縮時(shí)，對(duì)除pb以外的其余點(diǎn)進(jìn)行如下操作：

pi＝τpi+(1-τ)pb(7)

其中，τ為收縮系數(shù)，通常取0.5，對(duì)于2個(gè)變量的單純形，即用pm取代pg，用ps取代pw，對(duì)應(yīng)的單純形變化如圖8所示。

設(shè)目標(biāo)函數(shù)為f(x)，ε為一個(gè)較小的正數(shù)，n為頂點(diǎn)個(gè)數(shù)，對(duì)于2個(gè)變量的單純形n為3，nms算法用來(lái)判斷收斂從而停止迭代的條件為：

nms算法進(jìn)行反射、擴(kuò)張、壓縮或收縮時(shí)的迭代過(guò)程如表1所示。

表1

nms算法采用的是直接搜索法，具有較強(qiáng)的局部搜索能力，但是也存在以下缺陷：

(a)對(duì)單純形的初值敏感，初值選擇不當(dāng)可能導(dǎo)致尋優(yōu)效果較差；

(b)可能陷入局部極值，得不到全局最優(yōu)解；

(c)作為一種無(wú)約束優(yōu)化算法，可能在搜索時(shí)超出實(shí)際問(wèn)題中變量的取值空間。

為此，本發(fā)明利用全局搜索能力較強(qiáng)的群體智能優(yōu)化算法與nms算法結(jié)合，通過(guò)兩種算法之間的優(yōu)勢(shì)互補(bǔ)，提高三維激光掃描儀內(nèi)參數(shù)的求解效率和準(zhǔn)確性。具體地，本發(fā)明的采用的群體智能優(yōu)化算法為人工蜂群算法，人工蜂群(artificialbeescolony,abc)算法的靈感來(lái)自蜜蜂群體的采蜜行為。蜜蜂在相對(duì)復(fù)雜的環(huán)境中，能夠通過(guò)蜜蜂各群體間相互配合完成搞笑的采蜜活動(dòng)，相應(yīng)的仿生優(yōu)化算法能夠通過(guò)不同分工的人工蜂群個(gè)體的局部尋優(yōu)以較快的速度最終獲得全局最優(yōu)解。abc算法模型包含三個(gè)基本要素：蜜源、雇傭蜂和未雇傭蜂。每個(gè)蜜源的位置代表優(yōu)化問(wèn)題的一個(gè)可行解，蜜的數(shù)量代表相應(yīng)解的質(zhì)量并用適應(yīng)度表示。每個(gè)雇用蜂關(guān)聯(lián)一個(gè)蜜源，因而其數(shù)量與蜜源數(shù)量一致，它以一定的概率將蜜源信息分享給其他蜂。未雇傭蜂又分為觀察蜂和偵察蜂，觀察蜂根據(jù)雇用蜂提供的蜜源信息通過(guò)一定原則選擇較優(yōu)個(gè)體并在其附近進(jìn)行交叉搜索，而偵查蜂隨機(jī)搜索蜜源，提供一定的變異性。設(shè)待優(yōu)化的d維目標(biāo)函數(shù)為f(x)，x＝(x1,x2…xd)為解向量，abc算法的主要流程為：

(1)種群初始化，雇傭蜂、觀察蜂以及蜜源數(shù)量均為np個(gè)，在可行域空間中生成初始的蜜源位置，即初始可行解，每個(gè)蜜源處放置一個(gè)雇傭蜂，其中，ui和li分別為參數(shù)變量xi的取值區(qū)間的上下界；

xi＝rand(0,1)×(ui-li)+lii＝1,2…np(9)

(2)雇傭蜂階段，對(duì)于每一個(gè)雇傭蜂個(gè)體m，隨機(jī)算則另外一個(gè)雇傭蜂個(gè)體k逐維進(jìn)行交叉搜索，并按式(9)變異產(chǎn)生新的蜜源(可行解)v＝(v1,v2…vd)，其中為[-1,1]的隨機(jī)數(shù)，按式(10)計(jì)算相應(yīng)的適應(yīng)度并采用貪心原則進(jìn)行選擇；

(3)觀察蜂階段，觀察蜂接收到的雇傭蜂的分享的蜜源信息，采用輪盤賭或其他方式選擇較優(yōu)個(gè)體，按式(11)計(jì)算蜜源的被選擇概率p，選中一處蜜源后按式(9)產(chǎn)生新蜜源并計(jì)算適應(yīng)度，按貪心原則選擇蜜源；

(4)偵查蜂階段，若某處蜜源經(jīng)過(guò)雇傭蜂設(shè)定的limit次嘗試后，對(duì)應(yīng)解的質(zhì)量得不到提高，雇傭蜂轉(zhuǎn)為偵查蜂并放棄其擁有的蜜源，按照進(jìn)行隨機(jī)搜索即按式(8)生成的新的蜜源；

(5)循環(huán)執(zhí)行(2)、(3)和(4)，并在其過(guò)程中記錄最好的蜜源位置，直到完成指定次數(shù)的循環(huán)。

本發(fā)明采用基于nms的改進(jìn)人工蜂群算法(nms-abc)來(lái)求解三維激光掃描儀內(nèi)參數(shù)，該算法的具體過(guò)程如下：執(zhí)行人工蜂群算法中的步驟(2)、(3)和(4)完成一次蜂群搜索，將執(zhí)行一次蜂群搜索算法搜索到的當(dāng)前最優(yōu)解作為nms算法的初值構(gòu)建初始單純形，通過(guò)單純形的反射、擴(kuò)張、壓縮及收縮操作來(lái)進(jìn)行快速高效的局部尋優(yōu)并保存尋優(yōu)結(jié)果；然后進(jìn)入下一次循環(huán)，同時(shí)為提高算法整體效率，嘗試次數(shù)limit和循環(huán)次數(shù)可適當(dāng)減少。

本發(fā)明一種三維激光掃描儀內(nèi)參數(shù)標(biāo)定裝置的實(shí)施例

本實(shí)施例中的標(biāo)定裝置包括目標(biāo)函數(shù)建立模塊、平面特征提取模塊和最優(yōu)解計(jì)算模塊，目標(biāo)函數(shù)建立模塊用于以單站掃描數(shù)據(jù)中平面特征的總體平面度和平面內(nèi)點(diǎn)數(shù)建立目標(biāo)函數(shù)，使得該目標(biāo)函數(shù)值最小的函數(shù)最優(yōu)解作為待求內(nèi)參數(shù)；平面特征提取模塊用于從初始點(diǎn)云數(shù)據(jù)中提取平面特征，并計(jì)算目標(biāo)函數(shù)值；最優(yōu)解計(jì)算模塊用于利用非線性優(yōu)化算法的搜索規(guī)則產(chǎn)生新的較優(yōu)的預(yù)測(cè)解向量，從中選取最優(yōu)解作為待求內(nèi)參數(shù)。各模塊的具體實(shí)現(xiàn)手段已在方法的實(shí)施例中進(jìn)行了詳細(xì)說(shuō)明，這里不再贅述。