本发明属于坐标测量技术领域，尤其涉及一种用于坐标测量的间接方法及控制系统。
背景技术：
目前，业内常用的现有技术是这样的：
坐标测量能测得物体上目标点或离散点在某一坐标系下坐标的测量称为坐标测量。坐标的概念源于解析几何。解析几何的基本思想是构建坐标系，将点与实数联系起来，进而可以将平面上的曲线用代数方程表示。从这里可以看到，运用坐标法不仅可以把几何问题通过代数的方法解决，而且还把变量、函数以及数和形等重要概念密切联系了起来。坐标的概念应用到工业生产中解决了大量实际问题，而且绝大部分现代测量仪器都是在坐标测量原理的基础上建立的。然而，现有坐标测量精度不高；同时计算速度慢，影响测量结果。
随着社会的发展，人类文明的进步，坐标测量技术在日常生活中也越来越重要，广泛用于测量领域。随着网络技术的普及、图像处理技术的提高，智能控制技术正广泛的渗透到此领域。
但是对高标准数据的需求，但依然存在以下问题：
1)高分辨率、高质量的储存，需要很大的空间存储数据；
2)监测范围的比较大，监测路数多，容易造成坐标文件数据上的混乱；
3)对于同类事件的相关性，没有做到有效衔接。
光流估计是计算机视觉领域内的一个重要基础模块，其研究目的是通过建模计算出视频连续两帧间的运动信息，具体就是第一帧中每个像素在第二帧中的对应匹配像素。经过三十多年的发展，光流估计问题已经有非常多的相关研究，但在真实世界视频里的鲁棒光流估计仍然是个富有挑战性的问题。
光流估计根据所采用的方法的不同，大体可以分为两种：一种是基于horn和schunck提出的变分能量优化模型，一种是基于匹配的插值优化模型。
基于变分能量优化模型的算法虽然能够在小位移光流估计中取得非常精确的结果，但这种方法通常会在有大位移运动物体的场景下失败。
基于匹配的插值优化模型主要利用了在大位移运动中，两帧之间视觉关键点的匹配信息对光流估计结果的重要性。以一种相对稠密的匹配结果作为光流估计的初始值，可以很好的解决传统变分能量优化模型存在的问题。
综上所述，现有技术存在的问题是：
现有坐标测量精度不高；同时计算速度慢，影响测量结果。
如何在海量的高清数据信息中快速、准确的查找到关键部分，是一个重要课题。
现有技术中，云服务器的数据坐标计算中，计算稠密匹配需要相当大的代价，并且其匹配结果的精度也直接影响到最终光流估计的效果。造成数据不准确。
现有的图形相似度常用识别方法有概率统计算法、特征值的最小均方误差和几何外观特征必要条件的加权平均算法等。虽然取得了一定的效率，但也存在一些不足：算法的实现过程和视觉分辨的匹配性不直观；算法复杂，导致数据处理量大，运行成本高；算法的平均性分析导致图形中重要几何特征的变化对整体相似度的影响，导致准确性和稳定性存在一定偏差。
技术实现要素：
针对现有技术存在的问题，本发明提供了一种用于坐标测量的间接方法及控制系统。
本发明是这样实现的，一种用于坐标测量的间接方法，包括：
采集待测物体的图像信息；并通过图像相似度检测方法进行定位待测物体的位置信息；
通过激光扫描待测物体进行测量坐标；
将测量坐标数据传输给大数据计算模块；大数据计算模块通过云服器集中大数据资源对坐标数据进行计算统计；同时，云服器对接收大数据计算模块的坐标数据，通过云服器内置的目标检测模块，将每一个坐标数据进行目标检测；并采用光流跟踪算法进行目标跟踪；
存储对物体测量的坐标数据，并进行显示坐标测量数据。
进一步，通过激光扫描待测物体进行测量坐标的测量方法包括：
首先，启动线激光器，线激光器发射的激光与被测物体的表面相交，反射形成激光线；
其次，在形成的激光线被被测物体本身遮挡或被左反射镜和/或右反射镜反射；若激光线被被测物体本身遮挡，则控制被测物体运动，直到激光线被左反射镜和/或右反射镜反射；若激光线被左反射镜和/或右反射镜反射；当激光线被左反射镜反射时，激光线则被左反射镜向半透半反镜反射，然后被半透半反镜向相机反射，在相机上形成第一条激光线，相机获取第一条激光线的图像信息；当激光线被右反射镜反射时，激光线则被右反射镜向后反射镜反射；接着被后反射镜反射，透过半透半反镜，在相机上形成第二条激光线，相机获取第二条激光线的图像信息；
然后，将上述中获得的第一条关于激光线的图像信息和/或第二条关于激光线的图像信息传送至控制处理系统中，由控制处理系统计算出第一条关于激光线和/或第二条关于激光线对应的被测物体的三维坐标；
最后，控制被测物体运动，重复上步，获得被测物体不同位置的三维坐标，结合被测物体运动的位移量数据，控制处理系统获得被测物体完整的三维坐标信息。
进一步，图像相似度检测方法包括：
消除图形中的奇化部分；建立两图形的数学模型，由描述图形的完备向量组建立与图形对应的特征矩阵，计算出相邻两边的夹角；计算两图形间的最近距离；对计算结果的增强性处理；
建立的数学模型用多边形的边长和邻角按逆时针构造一个向量s1表示多边形：
s1＝(l1,α1,l2，α2…ln-1,αn-1,ln,αn)；
s1和该多边形有一一映射关系，其表示与边角初始顺序无关；
完备向量组，按逆时针方向，有2n个向量s1、s2……s2n－1、s2n和多边形均有一一映射关系，构成了该多边形的一个完备向量组，表示如下：
s1＝(l1,α1,l2，α2…ln-1,αn-1,ln,αn)；
s2＝(α1,l2，α2…ln-1,αn-1,ln,αn,l1)；
……
s2n－1＝(ln,αn,l1,α1,l2，α2…ln-1,αn-1)；
s2n＝(αn,l1,α1,l2，α2…ln-1,αn-1,ln)；
用矩阵se表示完备向量，并定义se为该多边形的特征矩阵，se表示如下：
进一步，大数据计算模块通过云服器集中大数据资源对坐标数据进行计算统计的方法包括：
1)云服器接收大数据计算模块的坐标数据，通过云服器内置的目标检测模块，将每一个坐标数据进行目标检测；
2)通过目标跟踪模块，对步骤1)中检测得到的目标实现跟踪；
3)通过步骤1)和2)中得到的结果，利用云服器内置的目标分类模块对目标进行分类，并基于目标所属的类别，通过云服器内置的异常检测分类模块对目标进行异常检测，并将检测到的异常归入相应的异常分类中；
4)通过云服器内置的数据库模块建立数据库，将异常的属性写入数据库所设的相应字段中，并创建索引；其中数据库中的字段至少包括异常所属坐标数据标识、异常所属类别。
进一步，步骤1)中，采用帧间差分法或背景差分法进行关键帧和背景帧的区分，检测出目标区域；
步骤2)中，采用光流跟踪算法进行目标跟踪；
步骤3)中，采用基于模板匹配的方法、基于概率统计的方法或基于语义的方法进行异常检测。
光流跟踪算法包括：
步骤4)中，数据库中的字段还包括异常地点、异常时间、异常主体和异常内容。
a)、从视频里获取两张连续图像，将两帧图像按时间顺序分别标记为i1和i2；
b)、以i1和i2为最底层分别构造图像金字塔
c)、在
d)、将步骤c)获得的种子点在由步骤b)的图像金字塔
e)、将最底层种子点的匹配结果利用对边缘敏感的插值算法进行插值，将插值结果作为光流估计的初始值，然后利用变分能量优化模型进行优化，最终得到大位移光流估计结果；
步骤b)将每一级图像的长宽缩小为原来的1/2，分别得到k幅图像，其中
步骤c)在
{p(sl)}＝η·{p(sl-1)}，l≥1；
其中l代表金字塔层数，{p(sl)}表示第l层种子点的在其上的位置，η表示金字塔缩放系数；
步骤c)中将最顶层
第一步：邻域传播，即：
其中sm表示当前种子点，nm表示对网格种子点之间使用自然邻域系统时当前种子点的相邻种子点集合，f(sm)表示当前种子点的运动矢量，c(f(·))表示对当前种子点使用f(·)为运动矢量时的匹配代价；
第二步：随机搜索，以当前最佳运动矢量f(sm)为中心，以指数递减半径为搜索域，进行随机试探；迭代进行以上两步，直至收敛；
所述步骤d)匹配，每层种子点的匹配结果作为下一层相应种子点的初始值，即：
其中{f(sl)}为第l层种子点的运动矢量，η为金字塔的缩放系数
本发明的另一目的在于提供一种实现所述用于坐标测量的间接方法的计算机程序。
本发明的另一目的在于提供一种实现所述用于坐标测量的间接方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的用于坐标测量的间接方法。
本发明的另一目的在于提供一种用于坐标测量的控制系统包括：
摄像模块，与主控模块连接，用于通过相机采集待测物体的图像信息；
目标定位模块，与主控模块连接，用于定位待测物体的准确位置信息；
主控模块，与摄像模块、目标定位模块、激光测量模块、数据传输模块、大数据计算模块、数据存储模块、显示模块连接，用于调度各个模块正常工作；
激光测量模块，与主控模块连接，用于通过激光扫描待测物体进行测量坐标；
数据传输模块，与主控模块、大数据计算模块连接，用于将测量坐标数据传输给大数据计算模块；
大数据计算模块，与数据传输模块连接，用于通过云服器集中大数据资源对坐标数据进行计算统计；
数据存储模块，与主控模块连接，用于存储对物体测量的坐标数据；
显示模块，与主控模块连接，用于显示坐标测量数据。
本发明的另一目的在于提供一种安装有所述用于坐标测量的控制系统的用于坐标测量的设备。
本发明的优点及积极效果为：
本发明通过激光测量模块采集多次反射后的图像信息，相机和激光线之间的光路更长，在同等情况下可选择焦距更大、畸变更小的镜头，有利于提高测量的精度；同时通过大数据计算模块利用云云服器集中大数据资源对测量坐标进行计算，大大提高坐标计算速度，提高测量效率。
本发明在海量的监测数据中，帮助工作人员快速查找线索，节省时间，不仅可以减少传统监测中的人力资源的投入，而且本发明能够快速、高效地判断出坐标中的异常情况；在全局上对坐标统一的规划，省去了主观因素查找的偏差，提高了测试效率。
本发明云服器计算中，只需要不断的使用大块的匹配结果来指导小块的匹配过程，就可以得到精确的大位移匹配；在图像金字塔上由顶层到底层的匹配过程中，不断优化匹配结果。对于在顶层中消失的细小物体，特别是高速运动的细小物体能够在由粗到细的过程中逐渐恢复。相比于传统的基于变分能量优化模型的方法可以更好的处理大位移运动，传统的基于变分能量优化模型的方法因为对初始值有非常高的要求，导致其对于大位移运动时无法找到一个合适的初始值，在即使使用了由粗到细的策略后也并不能解决这个问题，主要是因为在由粗到细的变分优化过程中，顶层的错误逐层传播到了底层，特别是在存在高速运动小物体的情况下，相反，本发明会在由粗到细的过程中，不断优化匹配结果，极大地限制了上层错误的传播；相比于基于匹配的插值优化方法，本发明具有更高效、更灵活的效果，本发明可以随时根据应用场景的不同控制种子点的数目，产生不同效率、不同精度的光流结果。
本发明提高了机器对图形相似度的视觉分辨效果，尤其对人工不易分辨高相似度图形的难点有很大帮助；图形检测效果有较强的稳定性和可靠性；检测时间短，运行高效，实施效果成本低。本发明仅对图形的边进行查询，减少了数据处理量。本发明通过构造图形的特征矩阵，选取合适的判定准则，并对特征矩阵元素进行多次增强性非线性变换，用多数值、多标准的加权平均值建立相似度标准，达到了算法高效并有较强的稳定性。
附图说明
图1是本发明实施提供的用于坐标测量的间接方法系统流程图。
图2是本发明实施提供的用于坐标测量的控制系统结构框图。
图2中：1、摄像模块；2、目标定位模块；3、主控模块；4、激光测量模块；5、数据传输模块；6、大数据计算模块；7、数据存储模块；8、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供的用于坐标测量的间接方法，包括以下步骤：
s101，通过摄像模块采集待测物体的图像信息；通过目标定位模块定位待测物体的准确位置信息；
s102，主控模块调度激光测量模块通过激光扫描待测物体进行测量坐标；
s103，通过数据传输模块将测量坐标数据传输给大数据计算模块；大数据计算模块通过云服器集中大数据资源对坐标数据进行计算统计；
s104，通过数据存储模块存储对物体测量的坐标数据，并通过显示模块显示坐标测量数据。
如图2所示，本发明实施例提供的用于坐标测量的控制系统包括：摄像模块1、目标定位模块2、主控模块3、激光测量模块4、数据传输模块5、大数据计算模块6、数据存储模块7、显示模块8。
摄像模块1，与主控模块3连接，用于通过相机采集待测物体的图像信息；
目标定位模块2，与主控模块3连接，用于定位待测物体的准确位置信息；
主控模块3，与摄像模块1、目标定位模块2、激光测量模块4、数据传输模块5、大数据计算模块6、数据存储模块7、显示模块8连接，用于调度各个模块正常工作；
激光测量模块4，与主控模块3连接，用于通过激光扫描待测物体进行测量坐标；
数据传输模块5，与主控模块3、大数据计算模块6连接，用于将测量坐标数据传输给大数据计算模块6；
大数据计算模块6，与数据传输模块5连接，用于通过云服器集中大数据资源对坐标数据进行计算统计；
数据存储模块7，与主控模块3连接，用于存储对物体测量的坐标数据；
显示模块8，与主控模块3连接，用于显示坐标测量数据。
本发明提供的激光测量模块4测量方法如下：
首先，启动线激光器，线激光器发射的激光与被测物体的表面相交，反射形成激光线；
其次，在形成的激光线被被测物体本身遮挡或被左反射镜和/或右反射镜反射；若激光线被被测物体本身遮挡，则控制被测物体运动，直到激光线被左反射镜和/或右反射镜反射；若激光线被左反射镜和/或右反射镜反射，则:当激光线被左反射镜反射时，激光线则被左反射镜向半透半反镜反射，然后被半透半反镜向相机反射，在相机上形成第一条激光线，相机获取第一条激光线的图像信息；当激光线被右反射镜反射时，激光线则被右反射镜向后反射镜反射，然后被后反射镜反射，透过半透半反镜，在相机上形成第二条激光线，相机获取第二条激光线的图像信息；
然后，将上述中获得的第一条关于激光线的图像信息和/或第二条关于激光线的图像信息传送至控制处理系统中，由控制处理系统计算出第一条关于激光线和/或第二条关于激光线对应的被测物体的三维坐标；
最后，控制被测物体运动，重复上步，获得被测物体不同位置的三维坐标，结合被测物体运动的位移量数据，控制处理系统获得被测物体完整的三维坐标信息。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的用于坐标测量的间接方法，包括：
采集待测物体的图像信息；并通过图像相似度检测方法进行定位待测物体的位置信息；
通过激光扫描待测物体进行测量坐标；
将测量坐标数据传输给大数据计算模块；大数据计算模块通过云服器集中大数据资源对坐标数据进行计算统计；同时，云服器对接收大数据计算模块的坐标数据，通过云服器内置的目标检测模块，将每一个坐标数据进行目标检测；并采用光流跟踪算法进行目标跟踪；
存储对物体测量的坐标数据，并进行显示坐标测量数据。
通过激光扫描待测物体进行测量坐标的测量方法包括：
首先，启动线激光器，线激光器发射的激光与被测物体的表面相交，反射形成激光线；
其次，在形成的激光线被被测物体本身遮挡或被左反射镜和/或右反射镜反射；若激光线被被测物体本身遮挡，则控制被测物体运动，直到激光线被左反射镜和/或右反射镜反射；若激光线被左反射镜和/或右反射镜反射；当激光线被左反射镜反射时，激光线则被左反射镜向半透半反镜反射，然后被半透半反镜向相机反射，在相机上形成第一条激光线，相机获取第一条激光线的图像信息；当激光线被右反射镜反射时，激光线则被右反射镜向后反射镜反射；接着被后反射镜反射，透过半透半反镜，在相机上形成第二条激光线，相机获取第二条激光线的图像信息；
然后，将上述中获得的第一条关于激光线的图像信息和/或第二条关于激光线的图像信息传送至控制处理系统中，由控制处理系统计算出第一条关于激光线和/或第二条关于激光线对应的被测物体的三维坐标；
最后，控制被测物体运动，重复上步，获得被测物体不同位置的三维坐标，结合被测物体运动的位移量数据，控制处理系统获得被测物体完整的三维坐标信息。
图像相似度检测方法包括：
消除图形中的奇化部分；建立两图形的数学模型，由描述图形的完备向量组建立与图形对应的特征矩阵，计算出相邻两边的夹角；计算两图形间的最近距离；对计算结果的增强性处理；
建立的数学模型用多边形的边长和邻角按逆时针构造一个向量s1表示多边形：
s1＝(l1,α1,l2，α2…ln-1,αn-1,ln,αn)；
s1和该多边形有一一映射关系，其表示与边角初始顺序无关；
完备向量组，按逆时针方向，有2n个向量s1、s2……s2n－1、s2n和多边形均有一一映射关系，构成了该多边形的一个完备向量组，表示如下：
s1＝(l1,α1,l2，α2…ln-1,αn-1,ln,αn)；
s2＝(α1,l2，α2…ln-1,αn-1,ln,αn,l1)；
……
s2n－1＝(ln,αn,l1,α1,l2，α2…ln-1,αn-1)；
s2n＝(αn,l1,α1,l2，α2…ln-1,αn-1,ln)；
用矩阵se表示完备向量，并定义se为该多边形的特征矩阵，se表示如下：
大数据计算模块通过云服器集中大数据资源对坐标数据进行计算统计的方法包括：
1)云服器接收大数据计算模块的坐标数据，通过云服器内置的目标检测模块，将每一个坐标数据进行目标检测；
2)通过目标跟踪模块，对步骤1)中检测得到的目标实现跟踪；
3)通过步骤1)和2)中得到的结果，利用云服器内置的目标分类模块对目标进行分类，并基于目标所属的类别，通过云服器内置的异常检测分类模块对目标进行异常检测，并将检测到的异常归入相应的异常分类中；
4)通过云服器内置的数据库模块建立数据库，将异常的属性写入数据库所设的相应字段中，并创建索引；其中数据库中的字段至少包括异常所属坐标数据标识、异常所属类别。
步骤1)中，采用帧间差分法或背景差分法进行关键帧和背景帧的区分，检测出目标区域；
步骤2)中，采用光流跟踪算法进行目标跟踪；
步骤3)中，采用基于模板匹配的方法、基于概率统计的方法或基于语义的方法进行异常检测。
光流跟踪算法包括：
步骤4)中，数据库中的字段还包括异常地点、异常时间、异常主体和异常内容。
a)、从视频里获取两张连续图像，将两帧图像按时间顺序分别标记为i1和i2；
b)、以i1和i2为最底层分别构造图像金字塔
c)、在
d)、将步骤c)获得的种子点在由步骤b)的图像金字塔
e)、将最底层种子点的匹配结果利用对边缘敏感的插值算法进行插值，将插值结果作为光流估计的初始值，然后利用变分能量优化模型进行优化，最终得到大位移光流估计结果；
步骤b)将每一级图像的长宽缩小为原来的1/2，分别得到k幅图像，其中
步骤c)在
{p(sl)}＝η·{p(sl-1)}，l≥1；
其中l代表金字塔层数，{p(sl)}表示第l层种子点的在其上的位置，η表示金字塔缩放系数；
步骤c)中将最顶层
第一步：邻域传播，即：
其中sm表示当前种子点，nm表示对网格种子点之间使用自然邻域系统时当前种子点的相邻种子点集合，f(sm)表示当前种子点的运动矢量，c(f(·))表示对当前种子点使用f(·)为运动矢量时的匹配代价；
第二步：随机搜索，以当前最佳运动矢量f(sm)为中心，以指数递减半径为搜索域，进行随机试探；迭代进行以上两步，直至收敛；
所述步骤d)匹配，每层种子点的匹配结果作为下一层相应种子点的初始值，即：
其中{f(sl)}为第l层种子点的运动矢量，η为金字塔的缩放系数。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、云服器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、云服器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的云服器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。