CN119509652A 基于3d雷达料位计测量点选取方法及系统 （北京久仪科技股份有限公司）

本发明提供基于3D雷达料位计测量点选取进的差分进化算法对所述单目标优化问题进行2获取测量场景的原始3D雷达点云数据,所述原始3D雷达点云数据包括测量场景中各个点的三维坐标信息;基于所述原始3D雷达点云数据,采用改进的八叉树算法对所述测量场景进行自适应空间划分,递归地将所述测量场景划分为多个子区域,直到每个子区域内的点云数量低于预设阈值或达到预设的最大划分深度,得到所述测量场景的三维重构结果;分别为所述多目标优化模型中第一目标和第二目标设置化问题转换为单目标优化问题，通过改进的差分进化算法对所述单目标优化问题进行求改进的差分进化算法引入自适应变异策略以提高算法的全局收敛性,并采用ε约束法处理的八叉树算法对所述测量场景进行自适应空间划分,递归地将所述测量场景划分为多个子区域,直到每个子区域内的点云数量低于预设阈值或达到预设的最大划分深度,得到所述将所述原始3D雷达点云数据加载到八叉树的根节点中,所述原始3D雷达点云数据包括计算当前八叉树节点的点云密度和法向量方差,作为衡量局部点云分布特征的指标,其中，所述点云密度等于节点内点云数量除以节点对应的立方体体积;所述于节点内每个点的法向量与所有点法向量平均值之差的模的平方和根据所述点云密度和所述法向量方差,自适应地调整划分阈值和划分深度,具体调整当所述点云密度大于预设的点云密度阈值且所述法向量方差大于预设的法向量方差当所述点云密度大于预设的点云密度阈值且所述法向量方差小于等于预设的法向量当所述点云密度小于等于预设的点云密度阈值且所述法向量方差大于预设的法向量当所述点云密度小于等于预设的点云密度阈值且所述法向量方差小于等于预设的法对于当前节点,若其点云数量大于所述划分阈值且划分深度小于等于预设的最大划分对于新生成的每个非空子节点,递归执行自适应地调整划分阈值和划分深度,直到所3输出所述八叉树划分结果,包括每个叶节点的空间范围和包含的点云数据,得到所述对于所述三维重构结果中的每个子区域,通过主成分分析计算该子区域内所有点的法的点集中每个点的坐标等于原始3D雷达点云数据的坐标减去所述点云数据集的质心坐标;计算所述去中心化后的点集的协方差矩阵,并对所述协方差矩阵进行特征值分解,得到按大小顺序排列的特征值和对应的特征向量;取最小特征值对应的特征向量作为该子将所述三维重构结果中所有子区域的法向量归一化,得到单位法向量集合;采用谱聚类算法对所述单位法向量集合进行聚类,得到多个法向量簇,每个法向量簇对应一组方向计算所述单位法向量集合中法向量之间的相似度矩阵,所述相似度矩阵的元素为对应两个法向量的高斯核函数值;对所述相似度矩阵进行归一化处理,得到归一化的拉普拉斯对于每个法向量簇,随机选择一个子区域作为初始种子区域,计算该初始种子区域的种子区域质心的距离以及其法向量与所述初始种子区域平均法向量的夹角;若所述距离小于预设的距离阈值且所述夹角小于预设的角度阈值,则将该子区域合并到所述初始种子区将最终得到的所述初始种子区域标记为一个关键区域,并将其从当前法向量簇中移和所述第二目标以及所述约束条件，构建3D雷达料位计测量点选取的多目标优化模型包采用高斯核函数计算所述候选测量点对每个关键区域的引入关键区域的重要性权重,所述重要性权重根据关键区域的面积、体积和形状复杂度计算获得,所述关键区域的面积通过面积比计算关键区域的面积权重,所述关键区域的体积通过体积比计算关键区域的体积权重,所述关键区域的形状复杂度通过关键区域表面定义所述候选测量点对所有关键区域的综合覆盖度为各关键区域覆盖度的加权和,所4引入覆盖均衡因子,计算各候选测量点对每个关键区域的覆盖度占比以及候选测量点对每个关键区域的平均覆盖度占比,基于所述覆盖度占比和平均覆盖度占比的差值以及所引入距离衰减函数,对所述欧氏距离进行变换得到修正后的距离,所述距离衰减函数基于修正后的距离,计算所有候选测量点两两之间修正后距离的总和,得到候选测量计算任意两个候选测量点之间的方向向量,基于任意两个方向向量的夹角的正弦平方计算每个候选测量点的高度,基于候选测量点两两之间高度差值的平方和计算每个候差异因子和所述高度差异因子加权求和,得到测量点间几何分布差异度的最终评价指标，Gmax,以及模拟退火算法参数,包括初始温度T0和冷却系数α;随机生成NP个候选解计算每个试验向量的综合评价指标,并与对应的候选解的综合评价指标进行比较;如性采样准则,以重要性采样准则对应的解概率接受试验向量作为新的候选解;每隔一定的判断差分进化算法是否满足最大迭代次数或其他终止条件,如果满足则输出当前最优7.基于3D雷达料位计测量点选取系统，用于实现前述权利要求1_6中任一项所述的方5第一单元，用于获取测量场景的原始3D雷达点云数据,所述原始3D雷达点云数据包括测量场景中各个点的三维坐标信息;基于所述原始3D雷达点云数据,采用改进的八叉树算法对所述测量场景进行自适应空间划分,递归地将所述测量场景划分为多个子区域,直到每个子区域内的点云数量低于预设阈值或达到预设的最大划分深度,得到所述测量场景的三维重构结果;对所述三维重构结果进行法向量计算和区域聚类，并结合区域生长与合并第二单元，用于以最大化测量点对关键区域的覆盖度为第三单元，用于分别为所述多目标优化模型中第一目标和第二目其中，所述处理器被配置为调用所述存储器存储的指令，以执行序指令被处理器执行时实现权利要求1至66获取测量场景的原始3D雷达点云数据,所述原始3D雷达点云数据包括测量场景中各个点的三维坐标信息;基于所述原始3D雷达点云数据,采用改进的八叉树算法对所述测量场景进行自适应空间划分,递归地将所述测量场景划分为多个子区域,直到每个子区域内的点云数量低于预设阈值或达到预设的最大划分深度,得到所述测量场景的三维重构结7述改进的差分进化算法引入自适应变异策略以提高算法的全局收敛性,并采用ε约束法处基于所述原始3D雷达点云数据,采用改进的八叉树算法对所述测量场景进行自适应空间划分,递归地将所述测量场景划分为多个子区域,直到每个子区域内的点云数量低将所述原始3D雷达点云数据加载到八叉树的根节点中,所述原始3D雷达点云数据计算当前八叉树节点的点云密度和法向量方差,作为衡量局部点云分布特征的指等于节点内每个点的法向量与所有点法向量平均值之差的模的平方和除以节点内点云数量;根据所述点云密度和所述法向量方差,自适应地调整划分阈值和划分深度,具体当所述点云密度大于预设的点云密度阈值且所述法向量方差大于预设的法向量当所述点云密度大于预设的点云密度阈值且所述法向量方差小于等于预设的法当所述点云密度小于等于预设的点云密度阈值且所述法向量方差大于预设的法当所述点云密度小于等于预设的点云密度阈值且所述法向量方差小于等于预设对于当前节点,若其点云数量大于所述划分阈值且划分深度小于等于预设的最大划分深度,则将该节点划分为8个子节点,并将当前节点的点云数据划分到对应的子节点中;对于新生成的每个非空子节点,递归执行自适应地调整划分阈值和划分深度,直输出所述八叉树划分结果,包括每个叶节点的空间范围和包含的点云数据,得到对所述三维重构结果进行法向量计算和区域聚类，并结合区域生长与合并算法，对于所述三维重构结果中的每个子区域,通过主成分分析计算该子区域内所有点8化后的点集中每个点的坐标等于原始3D雷达点云数据的坐标减去所述点云数据集的质心到按大小顺序排列的特征值和对应的特征向量;取最小特征值对应的特征向量作为该子区将所述三维重构结果中所有子区域的法向量归一化,得到单位法向量集合;采用谱聚类算法对所述单位法向量集合进行聚类,得到多个法向量簇,每个法向量簇对应一组计算所述单位法向量集合中法向量之间的相似度矩阵,所述相似度矩阵的元素为对应两个法向量的高斯核函数值;对所述相似度矩阵进行归一化处理,得到归一化的拉普化处理后的矩阵每一行作为一个聚类样本,应用K_means算法进行聚类,得到所述法向量簇;对于每个法向量簇,随机选择一个子区域作为初始种子区域,计算该初始种子区初始种子区域质心的距离以及其法向量与所述初始种子区域平均法向量的夹角;若所述距离小于预设的距离阈值且所述夹角小于预设的角度阈值,则将该子区域合并到所述初始种复迭代直到当前法向量簇中无法再合并新的子将最终得到的所述初始种子区域标记为一个关键区域,并将其从当前法向量簇中采用高斯核函数计算所述候选测量点对每个关键区域的引入关键区域的重要性权重,所述重要性权重根据关键区域的面积复杂度计算获得,所述关键区域的面积通过面积比计算关键区域的面积权重,所述关键区域的体积通过体积比计算关键区域的体积权重,所述关键区域的形状复杂度通过关键区域定义所述候选测量点对所有关键区域的综合覆盖度为各关键区域覆盖度的加权引入覆盖均衡因子,计算各候选测量点对每个关键区域的覆盖度占比以及候选测量点对每个关键区域的平均覆盖度占比,基于所述覆盖度占比和平均覆盖度占比的差值以9引入距离衰减函数,对所述欧氏距离进行变换得到修正后的距离,所述距离衰减基于修正后的距离,计算所有候选测量点两两之间修正后距离的总和,得到候选计算任意两个候选测量点之间的方向向量,基于任意两个方向向量的夹角的正弦计算每个候选测量点的高度,基于候选测量点两两之间高度差值的平方和计算每方向差异因子和所述高度差异因子加权求和,得到测量点间几何分布差异度的最终评价指次数Gmax,以及模拟退火算法参数,包括初始温度T0和冷却系数α;随机计算每个试验向量的综合评价指标,并与对应的候选解的综合评价指标进行比据重要性采样准则,以重要性采样准则对应的解概率接受试验向量作为新的候选解;每隔判断差分进化算法是否满足最大迭代次数或其他终止条件,如果满足则输出当前第一单元，用于获取测量场景的原始3D雷达点云数据,所述原始3D雷达点云数据包括测量场景中各个点的三维坐标信息;基于所述原始3D雷达点云数据,采用改进的八叉树算法对所述测量场景进行自适应空间划分,递归地将所述测量场景划分为多个子区域,直到每个子区域内的点云数量低于预设阈值或达到预设的最大划分深度,得到所述测量场景的三维重构结果;对所述三维重构结果进行法向量计算和区域聚类，并结合区域生[0021]图1为本发明实施例基于3D雷达料位计测量点选取方法的流程示意图，如图1所场景中各个点的三维坐标信息;基于所述原始3D雷达点云数据,采用改进的八叉树算法对所述测量场景进行自适应空间划分,递归地将所述测量场景划分为多个子区域,直到每个子区域内的点云数量低于预设阈值或达到预设的最大划分深度,得到所述测量场景的三维S103.分别为所述多目标优化模型中第一目标和第二目标设置对应的权重系数，题进行求解，选取综合评价指标最优的解作为最终的3D雷达料位计测量点优化布置方案，基于所述原始3D雷达点云数据,采用改进的八叉树算法对所述测量场景进行自适应空间划分,递归地将所述测量场景划分为多个子区域,直到每个子区域内的点云数量低将所述原始3D雷达点云数据加载到八叉树的根节点中,所述原始3D雷达点云数据计算当前八叉树节点的点云密度和法向量方差,作为衡量局部点云分布特征的指等于节点内每个点的法向量与所有点法向量平均值之差的模的平方和除以节点内点云数量;根据所述点云密度和所述法向量方差,自适应地调整划分阈值和划分深度,具体当所述点云密度大于预设的点云密度阈值且所述法向量方差大于预设的法向量当所述点云密度大于预设的点云密度阈值且所述法向量方差小于等于预设的法当所述点云密度小于等于预设的点云密度阈值且所述法向量方差大于预设的法当所述点云密度小于等于预设的点云密度阈值且所述法向量方差小于等于预设对于当前节点,若其点云数量大于所述划分阈值且划分深度小于等于预设的最大划分深度,则将该节点划分为8个子节点,并将当前节点的点云数据划分到对应的子节点中;对于新生成的每个非空子节点,递归执行自适应地调整划分阈值和划分深度,直输出所述八叉树划分结果,包括每个叶节点的空间范围和包含的点云数据,得到八叉树算法的自适应空间划分方法，能够根据点云数据的局部分布特征动态调整划分策[0025]为了更有效地划分空间，需要计算每个八叉树节点内的点云密度和法向量方这两个指标用于衡量局部点云的空间分布和表[0033]对于新生成的每个非空子节点，重复执行自适应调整划分阈值和划分深度的步对所述三维重构结果进行法向量计算和区域聚类，并结合区域生长与合并算法，对于所述三维重构结果中的每个子区域,通过主成分分析计算该子区域内所有点化后的点集中每个点的坐标等于原始3D雷达点云数据的坐标减去所述点云数据集的质心到按大小顺序排列的特征值和对应的特征向量;取最小特征值对应的特征向量作为该子区将所述三维重构结果中所有子区域的法向量归一化,得到单位法向量集合;采用谱聚类算法对所述单位法向量集合进行聚类,得到多个法向量簇,每个法向量簇对应一组计算所述单位法向量集合中法向量之间的相似度矩阵,所述相似度矩阵的元素为对应两个法向量的高斯核函数值;对所述相似度矩阵进行归一化处理,得到归一化的拉普化处理后的矩阵每一行作为一个聚类样本,应用K_means算法进行聚类,得到所述法向量簇;对于每个法向量簇,随机选择一个子区域作为初始种子区域,计算该初始种子区初始种子区域质心的距离以及其法向量与所述初始种子区域平均法向量的夹角;若所述距离小于预设的距离阈值且所述夹角小于预设的角度阈值,则将该子区域合并到所述初始种复迭代直到当前法向量簇中无法再合并新的子将最终得到的所述初始种子区域标记为一个关键区域,并将其从当前法向量簇中[0041]三维重构结果通常由多个子区域构成，每个子区域内包含一定数量的点云数[0044]采用谱聚类算法对归一化后的法向量进行聚类。谱聚类归一化的拉普拉斯矩阵。拉普拉斯矩阵用于表示法向量之间的连接关系和聚类的内在结采用高斯核函数计算所述候选测量点对每个关键区域的引入关键区域的重要性权重,所述重要性权重根据关键区域的面积复杂度计算获得,所述关键区域的面积通过面积比计算关键区域的面积权重,所述关键区域的体积通过体积比计算关键区域的体积权重,所述关键区域的形状复杂度通过关键区域定义所述候选测量点对所有关键区域的综合覆盖度为各关键区域覆盖度的加权引入覆盖均衡因子,计算各候选测量点对每个关键区域的覆盖度占比以及候选测量点对每个关键区域的平均覆盖度占比,基于所述覆盖度占比和平均覆盖度占比的差值以[0062]覆盖度计算：通过高斯核函数为每个候选测量点计算其对每个关键区域的覆盖[0073]除了最大化覆盖度外，另一个优化目标是最小化测量点之间的几何分布差异引入距离衰减函数,对所述欧氏距离进行变换得到修正后的距离,所述距离衰减基于修正后的距离,计算所有候选测量点两两之间修正后距离的总和,得到候选计算任意两个候选测量点之间的方向向量,基于任意两个方向向量的夹角的正弦计算每个候选测量点的高度,基于候选测量点两两之间高度差值的平方和计算每方向差异因子和所述高度差异因子加权求和,得到测量点间几何分布差异度的最终评价指从A到B的方向向量可以通过两点的坐标差值计算得到。相邻测量点间距离不小于预设下限以及每个关