本發(fā)明涉及一種三維激光掃描儀內(nèi)參數(shù)標定方法及裝置，屬于三維激光測量技術(shù)領域。

背景技術(shù)：

三維激光掃描儀是集光學、機械、電子和計算機等眾多高新技術(shù)于一體的全新測量儀器，它能夠?qū)崿F(xiàn)快速、高效、準確、全方位的三維空間信息獲取，獲取的海量數(shù)據(jù)稱為點云(pointcloud)，并且絕大多數(shù)配有內(nèi)置或外置相機，能夠同時獲取目標表面的紋理信息，點云與圖像融合后可以獲得逼真可量測的三維模型，因而三維激光掃描技術(shù)被譽為“實景復制技術(shù)”。商業(yè)三維激光掃描儀雖然性能優(yōu)良，但在實際應用中也存在諸多問題，如價格昂貴、性能過剩、數(shù)據(jù)處理困難等。因此，越來越多的低成本及個性化應用催生了基于二維測距儀實現(xiàn)三維掃描的解決方案。2000年以來國內(nèi)外眾多學者嘗試探索開發(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，其中最常見的是利用二維激光掃描儀加某種旋轉(zhuǎn)執(zhí)行機構(gòu)來實現(xiàn)三維掃描。例如在要求厘米級精度的低成本測圖時，在進行礦井等狹長走廊三維測圖時，在用于移動機器人和智能車的即時定位與測圖時，這種實現(xiàn)具有較高的性價比。

在已有的實現(xiàn)方案中，較少關(guān)注旋轉(zhuǎn)執(zhí)行機構(gòu)與二維測距儀之間的安置偏差帶來的影響，即使在設計時考慮到使二維測距儀的測距原點與旋轉(zhuǎn)執(zhí)行機構(gòu)嚴格同軸，但由于實際加工、安裝、磨損等原因，這一偏差仍然造成了較大的點云誤差甚至變形，因此需要進行標定，以期在不改變硬件而僅通過數(shù)據(jù)處理的方式達到改善數(shù)據(jù)質(zhì)量的目的。

常用的標定方法主要是基于相機及相機標定板的方法，其中棋盤格標定板最為常用。標定過程如下，用diy三維掃描儀對標定板進行二維掃描獲取點云數(shù)據(jù)，用相機進行拍照，提取兩種數(shù)據(jù)中特征角點并建立對應關(guān)系，利用點線或點面約束構(gòu)建參數(shù)模型，能以較高的精度獲得全部6個標定參數(shù)。該類方法的標定精度較高。如laksono提出一種以普通棋盤格為標定板并以點面為約束的標定方法，并通過仿真數(shù)據(jù)實驗得出，該方法角度參數(shù)標定誤差0.018°，平移參數(shù)標定誤差2mm。這類方法標定過程較為復雜，適用于設計diy三維掃描儀時未考慮使二維激光掃描儀光學中心與旋轉(zhuǎn)中心同軸以及要求在實驗室條件下進行精確標定的情況。但由于眾多實現(xiàn)方案中，為方便運輸和攜帶，各組件是需要經(jīng)常拆卸和組裝的，因而需要在測量現(xiàn)場組裝好設備后進行一次快速標定，以提高工作效率，保證測量精度。

技術(shù)實現(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)標定方法，以解決目前diy三維掃描儀參數(shù)標定過程復雜，效率低的問題；本發(fā)明還提供了一種三維激光掃描儀內(nèi)參數(shù)標定裝置。

本發(fā)明為解決上述技術(shù)問題而提供一種三維激光掃描儀內(nèi)參數(shù)標定方法，該標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)點數(shù)建立目標函數(shù)，使得該目標函數(shù)值最小的函數(shù)最優(yōu)解作為待求內(nèi)參數(shù)；

2)從初始點云數(shù)據(jù)中提取平面特征，利用平面內(nèi)的點計算目標函數(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)。

進一步地，所述步驟1)建立的目標函數(shù)為：

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

進一步地，所述步驟2)中的平面特征提取采用區(qū)域生長算法或ransac算法。

進一步地，所述步驟2)采用ransac算法進行平面特征提取時，當隨機抽取的3點構(gòu)成的平面模型局內(nèi)點數(shù)量超過設定閾值時，需對這些局內(nèi)點利用特征值法重新計算平面參數(shù)，并重新統(tǒng)計局內(nèi)點數(shù)，若重新統(tǒng)計的局內(nèi)點數(shù)仍超過該設定閾值時，說明已提取到一個平面，否則，需重新提取；當提取到某個平面，需判斷該平面所抽取的原始三個點處的法矢兩兩夾角，若存在夾角超過設定閾值，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定的閾值角以及原點到平面距離差值是否小于閾值距離，將上述兩條件同時滿足的兩平面進行合并，并計算合并后兩平面的參數(shù)。

進一步地，所述步驟3)是采用單純形nms算法來進行求解，判斷所提取平面中初始各個頂點(α0,β0)對應目標函數(shù)值的大小，找到其中的最優(yōu)點、次優(yōu)點和最差點，通過反射、擴張、壓縮或收縮產(chǎn)生一個新的較好點并用它替換掉最差點，得到一個新的單純形，經(jīng)過多次迭代搜索，最終使得單純形越來越小從而不斷逼近最優(yōu)解。

進一步地，所述步驟3)在采用單純性nms算法求解時，由人工蜂群算法搜索得到當前最優(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)標定裝置，該標定裝置包括目標函數(shù)建立模塊、平面特征提取模塊和最優(yōu)解計算模塊，

所述目標函數(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)點數(shù)建立目標函數(shù)，使得該目標函數(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云數(shù)據(jù)中提取平面特征，并利用平面內(nèi)的點計算目標函數(shù)值；

所述最優(yōu)解計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)。

進一步地，所述的目標函數(shù)建立模塊建立的目標函數(shù)為：

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

進一步地，所述平面特征提取模塊采用區(qū)域生長算法或ransac算法進行平面特征提取，平面特征提取模塊采用ransac算法進行平面特征提取時，當隨機抽取的3點構(gòu)成的平面模型局內(nèi)點數(shù)量超過設定閾值時，需對這些局內(nèi)點利用特征值法重新計算平面參數(shù)，并重新統(tǒng)計局內(nèi)點數(shù)，若重新統(tǒng)計的局內(nèi)點數(shù)仍超過該設定閾值時，說明已提取到一個平面，否則，需重新提取。

進一步地，所述最優(yōu)解計算模塊采用單純形nms算法來進行求解，判斷所提取平面中初始各個頂點(α0,β0)對應目標函數(shù)值的大小，找到其中的最優(yōu)點、次優(yōu)點和最差點，通過反射、擴張、壓縮或收縮產(chǎn)生一個新的較好點并用它替換掉最差點，得到一個新的單純形，經(jīng)過多次迭代搜索，最終使得單純形越來越小從而不斷逼近最優(yōu)解；所述最優(yōu)解計算模塊在采用單純性nms算法求解時，由人工蜂群算法搜索得到當前最優(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)點數(shù)來評價點云總體質(zhì)量，構(gòu)建目標函數(shù)，使得該目標函數(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)解算方式求解目標函數(shù)，即按設定的平面提取算法提取平面特征，并計算目標函數(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)明無需配合人工靶標，對場景無特殊要求，可在任何具有平面特征的場景中實現(xiàn)標定，且能夠?qū)崿F(xiàn)掃描儀的現(xiàn)場快速標定，提高了diy三維激光掃描儀測量精度和點云質(zhì)量。

附圖說明

圖1是待標定對象diy三維激光掃描儀示意圖；

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

圖3是內(nèi)參數(shù)標定的原理圖；

圖4-a是采用生長算法提取的平面特征效果圖；

圖4-b是采用改進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。

具體實施方式

下面結(jié)合附圖對本發(fā)明的具體實施方式做進一步的說明。

本發(fā)明針對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)行機構(gòu)來實現(xiàn)，理想狀態(tài)下，如圖1所示，二維激光掃描儀光學中心z軸應與轉(zhuǎn)臺旋轉(zhuǎn)軸重合，測得的點云坐標可用下式計算得到：

由于連接件加工以及掃描儀安裝誤差，二維掃描儀與轉(zhuǎn)臺間的相對位置關(guān)系與理想狀態(tài)存在一定的偏差，導致按式(1)計算的坐標不準確。理論上，系統(tǒng)內(nèi)參數(shù)包括激光掃描局部坐標系原點即二維激光掃描儀光學中心與激光掃描理想坐標系原點間的3個平移參數(shù)(安置位置誤差)以及兩坐標系間的3個旋轉(zhuǎn)參數(shù)(安置角度誤差)。鑒于連接件的設計加工可以保證較高的精度，安裝固定后二維掃描儀光學中心與設計安裝位置偏差可保證在1mm以內(nèi)，同時考慮到其厘米級的測距精度，較小的三個平移參數(shù)很難從誤差較大的點云數(shù)據(jù)中解算出來，而三個旋轉(zhuǎn)參數(shù)中，繞轉(zhuǎn)臺旋轉(zhuǎn)軸即激光掃描理想坐標系z軸的旋轉(zhuǎn)角代表的是掃描的水平起始角度，不會引起點云的變形。基于上述分析并借鑒morales的標定模型，內(nèi)參數(shù)標定問題可簡化為對如圖2所示的兩個安置角α0(俯仰方向)和β0(側(cè)滾方向)的求解。

其中坐標系為激光掃描理想坐標系，為激光掃描瞬時坐標系，p為某激光腳點，ρ和θ為二維激光掃描儀測得的該點距離和線掃描角度，為轉(zhuǎn)臺帶動二維激光掃描儀轉(zhuǎn)過的相應角度，α0為繞的xs軸的旋轉(zhuǎn)角，β0為繞的zs軸的旋轉(zhuǎn)角。

則標定后的點云坐標計算公式可表示為：

采用diy三維激光掃描儀獲取掃描數(shù)據(jù)時，需要計算并保存相應的極坐標數(shù)據(jù)，以極坐標數(shù)據(jù)作為標定算法的輸入信息，標定算法的參數(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)點數(shù)來評價點云總體質(zhì)量，構(gòu)建目標函數(shù)式(3)，使得該目標函數(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)點的總數(shù)，k為提取到的平面?zhèn)€數(shù)，ni為第i個平面上的局內(nèi)點(即點面距小于一定閾值的點)個數(shù)，di,j為第i個平面上第j個局內(nèi)點到平面的距離。該目標函數(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，因此不能通過常規(guī)的非線性函數(shù)線性化或求導的非線性優(yōu)化算法求解，而必須通過其它非線性優(yōu)化算法來實現(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求解參數(shù)變量的，對于基于平面特征的內(nèi)參數(shù)解算，每次迭代需要進行的主要步驟如下：

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

(2)按設定的平面提取算法提取平面特征，并計算目標函數(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)的預測解向量。

1.平面特征提取。

實現(xiàn)標定的先決條件是從初始點云數(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、動態(tài)聚類、3d霍夫變換和隨機采樣一致性(ransac)算法，其中前三種算法都需要計算點云的法矢信息，點云中某點的法矢即為利用該點鄰域內(nèi)固定個數(shù)的點通過主成分分析或最小二乘擬合求得法向量，但是掃描激光腳點法向量的計算容易受到粗差以及點密度的影響，而區(qū)域生長算法和改進ransac算法能夠達到較好的效果。

1)利用區(qū)域生長算法進行平面特征提取。

區(qū)域生長算法通常是利用點云表面法矢信息及預測距離小于一定的閾值作為生長條件，從選取的初始種子點開始，根據(jù)生長條件判斷鄰近點是否為平面內(nèi)點，被生長的平面內(nèi)點作為新的種子點集分別在其鄰域進行生長，直到某次循環(huán)生長后新種子點集為空，此時已生長到達該平面的邊界，被生長的點即為一個平面點集，對剩余點集重復以上過程即可完成對整個點云數(shù)據(jù)中平面特征的提取。

采用區(qū)域生長算法進行平面提取并保存各平面上的點，在計算目標函數(shù)值時首先直接對每一平面的內(nèi)點進行基于抗差估計的平面擬合，然后分別計算平面內(nèi)點到所擬合平面的距離，從而計算目標函數(shù)值。

2)利用ransac算法進行平面特征提取。

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

b.從當前剩余點集中隨機抽取3個點，判斷是否共線，若共線則重新抽取，否則計算出3點構(gòu)成平面ax+by+cz+d＝0的參數(shù)；

c.計算當前剩余點集中所有點到該平面的距離，若小于td，則標記為局內(nèi)點；

d.統(tǒng)計局內(nèi)點個數(shù)，若多于最優(yōu)平面點集中點的個數(shù)，則保存為當前最優(yōu)平面點集，用最小二乘法擬合平面并保存為當前最優(yōu)平面參數(shù)；

e.當?shù)螖?shù)小于n時，重復步驟(2)～(4)，當完成k次迭代后，即提取到1個最優(yōu)平面，將該平面的局內(nèi)點從當前剩余點集中刪除；對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，對法矢信息的精確計算依賴性較小；

f.重復以上步驟，直到當前剩余點集中點的個數(shù)小于設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)重復導致不夠準確。為此，本發(fā)明在上述ransac平面特征提取的基礎上，對上述算法進行以下改進：

a.增加一個閾值參數(shù)tn，當隨機抽取的3點構(gòu)成的平面模型局內(nèi)點數(shù)量超過該閾值時，對這些局內(nèi)點利用特征值法重新計算平面參數(shù)，重新統(tǒng)計局內(nèi)點數(shù)，若超過閾值參數(shù)tn則認為已提取到一個平面，結(jié)束本次循環(huán)。

b.當提取的某個平面時，增加判斷條件，判斷所抽取的原始三個點處的法矢的兩兩夾角，若超過一定閾值δ時，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到平面距離差值是否小于閾值，將上述兩條件同時滿足的兩平面進行合并，并同時計算合并后兩平面的參數(shù)。

讀取點云數(shù)據(jù)后即采用區(qū)域生長算法進行平面提取并保存各平面上的點，在計算目標函數(shù)值時直接對每一平面的內(nèi)點進行基于抗差估計的平面擬合，然后分別計算平面內(nèi)點到所擬合平面的距離，從而計算目標函數(shù)值。當采用該種方式計算目標函數(shù)時需設置閾值剔除點面距較大的點，該閾值與應用改進ransac算法進行平面提取時設置的距離閾值一致。若場景中主要平面的平面度較好或點云變形較為明顯(即內(nèi)參數(shù)值較大)，宜采用該種方式計算目標函數(shù)。

采用改進ransac算法進行平面特征提取時，在該提取過程中當提取到一個平面時，計算該平面內(nèi)點到平面的距離，從而完成相應目標函數(shù)值的計算。該種方式適合場景中主要平面的平面度不好或點云變形不明顯(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)的預測解向量。

nelder-meadsimplex(nms)即單純形算法實現(xiàn)簡單且無需目標函數(shù)導數(shù)信息，是一種具有較強局部搜索能力的多維非線性無約束優(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個參數(shù)變量)空間中n+1個頂點構(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。其主要思想是通過直接判斷初始各個頂點目標函數(shù)值的大小，找到其中的最優(yōu)點、次優(yōu)點和最差點，通過反射、擴張、壓縮或收縮產(chǎn)生一個新的較好點并用它替換掉最差點，得到一個新的單純形，經(jīng)過多次迭代搜索，最終使得單純形越來越小從而不斷逼近最優(yōu)解。

對于本發(fā)明內(nèi)參數(shù)標定問題，存在2個變量，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、擴張、壓縮及收縮。給定3個初始頂點，即(α0,β0)可能的三組取值，計算相應的目標函數(shù)值，目標函數(shù)值最小的點即最優(yōu)點記為pb，目標函數(shù)值最大的點即最差點記為pw，另一點則為次優(yōu)點記為pg，pm表示除最差點pw外其余點的形心。

反射點記為pr，由下式計算得到：

pr＝(1+α)pm-αpw(4)

其中，α為反射系數(shù)，通常取1，對應的單純形變化如圖5所示。

擴張點記為pe，由下式計算得到：

pe＝γpr+(1-γ)pm(5)

其中，γ為擴張系數(shù)，通常取2，對應的單純形變化如圖6所示。

壓縮點記為pc，由下式計算得到：

pc＝βpw+(1-β)pm(6)

其中，β為壓縮系數(shù)，通常取0.5，對應的單純形變化如圖7所示。

收縮時，對除pb以外的其余點進行如下操作：

pi＝τpi+(1-τ)pb(7)

其中，τ為收縮系數(shù)，通常取0.5，對于2個變量的單純形，即用pm取代pg，用ps取代pw，對應的單純形變化如圖8所示。

設目標函數(shù)為f(x)，ε為一個較小的正數(shù)，n為頂點個數(shù)，對于2個變量的單純形n為3，nms算法用來判斷收斂從而停止迭代的條件為：

nms算法進行反射、擴張、壓縮或收縮時的迭代過程如表1所示。

表1

nms算法采用的是直接搜索法，具有較強的局部搜索能力，但是也存在以下缺陷：

(a)對單純形的初值敏感，初值選擇不當可能導致尋優(yōu)效果較差；

(b)可能陷入局部極值，得不到全局最優(yōu)解；

(c)作為一種無約束優(yōu)化算法，可能在搜索時超出實際問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的群體智能優(yōu)化算法與nms算法結(jié)合，通過兩種算法之間的優(yōu)勢互補，提高三維激光掃描儀內(nèi)參數(shù)的求解效率和準確性。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)算法的靈感來自蜜蜂群體的采蜜行為。蜜蜂在相對復雜的環(huán)境中，能夠通過蜜蜂各群體間相互配合完成搞笑的采蜜活動，相應的仿生優(yōu)化算法能夠通過不同分工的人工蜂群個體的局部尋優(yōu)以較快的速度最終獲得全局最優(yōu)解。abc算法模型包含三個基本要素：蜜源、雇傭蜂和未雇傭蜂。每個蜜源的位置代表優(yōu)化問題的一個可行解，蜜的數(shù)量代表相應解的質(zhì)量并用適應度表示。每個雇用蜂關(guān)聯(lián)一個蜜源，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一定原則選擇較優(yōu)個體并在其附近進行交叉搜索，而偵查蜂隨機搜索蜜源，提供一定的變異性。設待優(yōu)化的d維目標函數(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，在可行域空間中生成初始的蜜源位置，即初始可行解，每個蜜源處放置一個雇傭蜂，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，對于每一個雇傭蜂個體m，隨機算則另外一個雇傭蜂個體k逐維進行交叉搜索，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]的隨機數(shù)，按式(10)計算相應的適應度并采用貪心原則進行選擇；

(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)個體，按式(11)計算蜜源的被選擇概率p，選中一處蜜源后按式(9)產(chǎn)生新蜜源并計算適應度，按貪心原則選擇蜜源；

(4)偵查蜂階段，若某處蜜源經(jīng)過雇傭蜂設定的limit次嘗試后，對應解的質(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，按照進行隨機搜索即按式(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的改進人工蜂群算法(nms-abc)來求解三維激光掃描儀內(nèi)參數(shù)，該算法的具體過程如下：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前最優(yōu)解作為nms算法的初值構(gòu)建初始單純形，通過單純形的反射、擴張、壓縮及收縮操作來進行快速高效的局部尋優(yōu)并保存尋優(yōu)結(jié)果；然后進入下一次循環(huán)，同時為提高算法整體效率，嘗試次數(shù)limit和循環(huán)次數(shù)可適當減少。

本發(fā)明一種三維激光掃描儀內(nèi)參數(shù)標定裝置的實施例

本實施例中的標定裝置包括目標函數(shù)建立模塊、平面特征提取模塊和最優(yōu)解計算模塊，目標函數(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)點數(shù)建立目標函數(shù)，使得該目標函數(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云數(shù)據(jù)中提取平面特征，并計算目標函數(shù)值；最優(yōu)解計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)的預測解向量，從中選取最優(yōu)解作為待求內(nèi)參數(shù)。各模塊的具體實現(xiàn)手段已在方法的實施例中進行了詳細說明，這里不再贅述。