本发明涉及一种无人机远程扫描方法。
背景技术：
无人驾驶飞机简称“无人机”，是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机。目前主要采用无人机+摄像的方法获得航拍图像，对于飞行区域的三维数据无法有效获得。
现有的场站式激光扫描主要采用固定测站的方式进行测量，对于基于运动测量台的检测扫描的相关技术有：
cn201310463263.1中公开了一种车载三维数据采集移动平台；
cn201610112404.9中公开了一种扫描仪自主获取矿山坐标系下三维空间形态的方法；
cn201510548915.0中公开了一种车载式林木三维彩色成像对靶喷雾方法；
cn201510900007.3中公开了一种煤矿井下移动设备自主定位的方法及系统。
其中，所述采用车载方式进行便携式全角度全身人体光学扫描设备仅是移动式的数据采集工作室，扫描过程仍为固定状态下的扫描，并未涉及移动状态下的数据采集处理，并且该发明使用服装定制室内部人体扫描室进行人体数据的采集，并不涉及环境扫描数据的拼接和融合，与本发明的数据采集及处理方法存在显著区别；在申请号分别为201610112404.9、201310463263.1和201510900007.3的发明创造中均采用三维激光扫描仪进行数据采集，但是单次采集过程中测站并不发生移动，各个测站之间的数据仅通过平移坐标的方式进行对齐。上述已有专利所涉及的技术主要为将扫描设备移动至固定位置进行扫描，在扫描设备运行过程中并不发生移动，无法解决无人机平台的运动问题。
技术实现要素：
为克服现有技术中存在的测量过程中测量平台无法移动的不足，本发明提出了一种基于无人机平台的远程扫描的数据处理方法。
本发明得具体过程是：
步骤1：设备安装：
步骤2：扫描参数的设置；
所述的扫描参数包括无人机的飞行路径和激光扫描仪扫描模式。
通过gps或路径输入的方式设置无人机的飞行路径。
设置激光扫描仪的单幅扫描时间和连接数据传输通道。
所述设置的扫描参数包括：所设定的无人机飞行速度应小于激光扫描仪额定的有效单幅扫描半径除以所设定的扫描仪单幅扫描时间的二倍：
va<(se/te/2)(1)
其中，va表示无人机所设定飞行速度，se表示激光扫描仪额定的有效单幅扫描半径，te表示所设定的扫描仪单幅扫描时间。
步骤3：扫描及数据处理。
启动扫描任务，无人机携带扫描仪进行远程扫描。
扫描中，无人机实时返回的运行速度、位置和姿态，以及扫描仪实时扫描返回的三维点坐标p(x，y，z)。对得到的数据进行运动反解，修正无人机飞行对于三维扫描数据的影响。
在处理扫描数据时，无人机速度、位置与扫描仪数据需时间同步。
所述对得到的数据进行运动反解的具体过程是，设无人机在拍摄过程中的位置改变量为{tx,ty,tz,rx,ry,rz}，其中，tx,ty,tz表示相对于x、y、z坐标轴的空间平移量，rx,ry,rz表示x、y、z坐标轴的空间旋转量。根据无人机的位置改变和激光扫描频率，带入矩阵式分别得到激光扫描仪在扫描过程中的无人机空间旋转矩阵r：
和位移矩阵t：
t＝[tx,ty,tz](3)
对每个扫描三维点坐标p进行坐标转换：
presult＝rp+t(4)
其中presult为修正后的空间点坐标，对所有空间点进行坐标转换后，所获得的完整点云数据即为真实点云数据。
步骤4：单幅点云校正。
首先，基于k-dtree算法，建立扫描点集的k-d树。基于k-d树构架出了点云数据中点数据间的拓扑关系，查询点云中每一个坐标点的邻域数据，通过核函数
进行三维坐标迭代更新，式(5)，σs为空域高斯函数的标准差，σr为值域高斯函数的标准差，ω表示卷积的定义域。
已计算完成的点集为现有点云，新计算得到的点集{presult}为新获取点云。在第一幅扫描中，现有点云为空集；第一幅扫描结束时新获取的点云自动转换成为现有点云。
自第二幅的扫描起，融合点云为现有点云。获取所述的融合点云的方法如下：
计算第二幅扫描中新获取点云与前一幅得到的现有点云之间的重叠区域，根据该点云重叠区域的曲率特征，从新获取点云重叠区域样本集中随机抽选一个样本，即4个匹配点对。通过该样本中的4个匹配点对计算变换矩阵m。
根据新获取点云重叠区域样本集、变换矩阵m和误差度量函数，计算满足当前变换矩阵的一致集consensus，并返回一致集中元素个数。
根据当前一致集中元素个数如大于之前的最大一致集中元素个数时，则将当前一致集更新为最大一致集，同时更新当前错误概率p；若p大于允许的最小错误概率则重复上述步骤继续迭代，直到当前错误概率p小于最小错误概率，得到最优匹配矩阵。
通过所述的最优匹配矩阵将输入点云坐标进行修正，使重叠区域特征匹配。计算高斯核函数：
重复所述自第二幅扫描及融合过程，直至扫描结束，获得最终的三维扫描结果。
本发明的目的在于提供一种易于操作、测量准确、快速高效的无人机远程扫描方法。本发明采用无人机作为测量平台，对测量过程中的数据进行实时修正补偿与现有技术在数据处理上存在显著区别，本发明所提出的数据融合方法不仅解决了测量平台的移动问题，还对测量过程中的平台旋转、振动均进行了补偿，并解决了远程运动过程中的空间扫描。丰富的扫描结果对于洞穴研究、坑道救援、地震/火灾等灾难现场重建等应用领域具有重要的实用意义，完整、准确、丰富的三维结果具有重要的应用意义。
本发明方法具有以下优点：
(1)由于本方法使用激光扫描的原理，使用无人机携带激光扫描仪进行远距离全场测量，获得实际地形、地貌的准确三维数据。
(2)由于本方法使用的是无人机平台配合激光扫描仪的方式，所以扫描速度快、扫描精度高。
(3)由于本方法系统需求简单，数据处理软件自动进行分析校正，所以成本相对较低，测量为三维数据，相对现有的无人机测绘等方式所获得的二维图像数据结果更为丰富，测量局限性小，在无人机远程扫描中尤为适用，并为地质探察、灾难援助、国防军事等领域提供了可靠的测量依据。
(4)由于三维数据的数据量大及无人机运动自由度复杂，现有方法多为离线处理，本方法实现了现场数据在线处理，所以在检测过程中测量方便，计算完全自动化，扫描周期较短，大幅度的提高了扫描的效率。
(5)由于本方法使用运动反解和点云特征匹配的方法进行复杂地形的重建，所以测量精度高，精度可以达到3mm/10m。
(6)由于本方法使用的是光学扫描测量的方式，所以是一种非接触的测量方法。
具体实施方式
本实施例是一种无人机远程扫描方法，包括下述步骤：
步骤1：设备安装。
将场站式激光扫描仪与无人机通过连接板进行连接，设置无线通信协议参数，连接测量站与无人远程扫描系统，设备自检通过后，即可开始扫描任务。设备安装要求如下：
连接板为场站式激光扫描仪配套附件，一般不需要订制，通过螺栓结构与无人机进行连接；
无人机与激光扫描仪紧固连接；
使用无线或蓝牙通信方式，通信方式选择根据远程距离决定，具体参数协议按照端口参数及设备参数进行设置；
设备自检，数据可以正确返回。
步骤2：扫描参数的设置。
所述的扫描参数包括无人机的飞行路径和激光扫描仪扫描模式。
通过gps或路径输入的方式设置无人机的飞行路径。本实施例中，通过路径输入方式设置无人机的飞行路径。
设置激光扫描仪的单幅扫描时间和连接数据传输通道。
本实施例中，所使用的激光扫描仪有效扫描半径为50m，单幅扫描时间为2分钟，则无人机设定速度为5m/s；采用无线布站，信号覆盖半径为1000m，则无人机飞行路径需在半径1000m范围内。
扫描参数的设置要求如下：
无人机飞行速度不应大于扫描仪扫描效率，即无人机所设定飞行速度应小于激光扫描仪额定的有效单幅扫描半径除以所设定的扫描仪单幅扫描时间的二倍：
va<(se/te/2)(6)
其中，va表示无人机所设定飞行速度，se表示激光扫描仪额定的有效单幅扫描半径，te表示所设定的扫描仪单幅扫描时间
无人机所设置的扫描路径不超出现场所使用的无线或蓝牙通信设备所允许的最远通信距离。
步骤3：扫描及数据处理。
启动扫描任务，无人机携带扫描仪进行远程扫描。
扫描中，无人机实时返回的运行速度、位置和姿态，以及扫描仪实时扫描返回的三维点坐标p(x，y，z)。对得到的数据进行运动反解，修正无人机飞行对于三维扫描数据的影响。具体是，设无人机在拍摄过程中的位置改变量为{tx,ty,tz,rx,ry,rz}，其中，tx,ty,tz表示相对于x、y、z坐标轴的空间平移量，rx,ry,rz表示x、y、z坐标轴的空间旋转量。根据无人机的位置改变和激光扫描频率，带入矩阵式分别得到激光扫描仪在扫描过程中的无人机空间旋转矩阵r：
和位移矩阵t：
t＝[tx,ty,tz](8)
对每个扫描三维点坐标p进行坐标转换：
presult＝rp+t(9)
其中presult为修正后的空间点坐标，对所有空间点进行坐标转换后，所获得的完整点云数据即为真实点云数据。
扫描数据处理的要求如下：
无人机速度、位置与扫描仪数据需时间同步。
以本实施例为例，无人机实时返回数据包括数据包时间戳和无人机姿态{tx,ty,tz,rx,ry,rz}，带入公式(2～4)，得到扫描仪数据点集{presult}。
步骤4：单幅点云校正。
首先，基于k-dtree算法，建立扫描点集的k-d树。基于k-d树构架出了点云数据中点数据间的拓扑关系，查询点云中每一个坐标点的邻域数据，通过核函数
(10)
进行三维坐标迭代更新，式(5)，
通过公式(5)已计算完成的点集为现有点云，新计算得到的点集{presult}为新获取点云。在第一幅扫描中，现有点云为空集；第一幅扫描结束时新获取的点云自动转换成为现有点云。
自第二幅的扫描起，融合点云为现有点云。获取所述的融合点云的方法如下：
计算第二幅扫描中新获取点云与前一幅得到的现有点云之间的重叠区域，根据该点云重叠区域的曲率特征，从新获取点云重叠区域样本集中随机抽选一个样本，即4个匹配点对。通过该样本中的4个匹配点对计算变换矩阵m。
根据新获取点云重叠区域样本集、变换矩阵m和误差度量函数，计算满足当前变换矩阵的一致集consensus，并返回一致集中元素个数。
根据当前一致集中元素个数如大于之前的最大一致集中元素个数时，则将当前一致集更新为最大一致集，同时更新当前错误概率p；若p大于允许的最小错误概率则重复上述步骤继续迭代，直到当前错误概率p小于最小错误概率，得到最优匹配矩阵。
通过所述的最优匹配矩阵将输入点云坐标进行修正，使重叠区域特征匹配。计算高斯核函数：
重复所述自第二幅扫描及融合过程，直至扫描结束，获得最终的三维扫描结果。