CN117906633A - 一种适用于升船机试验的非接触式船舶运动和位移监测装置 - Google Patents

Abstract

本发明公开了一种适用于升船机试验的非接触式船舶运动和位移监测装置，包括激光发射器、罩面、相机和数据处理单元，激光发射器用于向指定方向发射激光；罩面位于激光发射器的光路上，工作时，激光在罩面上形成激光图像；相机按照预定周期拍摄罩面上的激光图像；数据处理单元接收相机的激光图像并提取激光曲线数据，重建三维的激光空间曲线，并进行运动分解，获得船舶运动数据并输出。降低了计算复杂度。通过时间序列分析和运动分解，实现了船舶运动的连续跟踪和参数估计。具有使用范围广，精度高、实时性好和可靠性高的优点。

Description

一种适用于升船机试验的非接触式船舶运动和位移监测装置

技术领域

本发明涉及用于水利工程的非接触监测技术，尤其是一种适用于升船机试验的非接触式船舶运动和位移监测装置。

背景技术

船舶升降机是一种大型起重设备，用于在不同高度的水域之间运输船舶。在使用和测试船舶升降机的过程中，实时、精确地监测船舶的运动和位移至关重要。传统的监测方法通常依赖于接触式传感器，如电位计、应变仪等，比如专利CN109443695A、CN106184614A和CN106568572A。这些方法存在诸多局限性：安装复杂、易受环境干扰、测量范围有限，且可能对被测船舶模型造成损伤。因此，开发一种非接触式、高精度、大范围的船舶运动和位移监测装置具有重要的研究意义和实际应用价值。

目前，国内外学者已经开展了一些非接触式船舶运动和位移监测技术的研究，取得了一定进展，但在实际应用中仍面临着诸多挑战：测试对监测装置的精度要求很高，现有技术难以满足高精度的需求。非接触式监测技术测量范围有限，难以覆盖整个作业区域。测试需要实时监测船舶的运动和位移，现有技术的数据处理和传输速度有待提高。现有监测技术还不能够在原型上直接使用，多数都是用于模型实验。将非接触式监测技术与船舶升降机原型进行集成，并保证其长期稳定、可靠运行，仍然是一个挑战。

因此，亟需开发一种高精度、大范围、环境适应性强、实时性好、可靠性高的非接触式船舶运动和位移监测装置，以满足船舶升降机测试的需求，提高测试效率和安全性。

发明内容

发明目的，提供一种适用于升船机试验的非接触式船舶运动和位移监测装置

技术方案，根据本申请的一个方面，提供一种适用于升船机试验的非接触式船舶运动和位移监测装置，包括：

激光发射器，用于向指定方向发射激光；

罩面，位于激光发射器的光路上，工作时，激光在罩面上形成激光图像；

相机，按照预定周期拍摄罩面上的激光图像；

数据处理单元，接收相机的激光图像并提取激光曲线数据，重建三维的激光空间曲线，并进行运动分解，获得船舶运动数据并输出。

根据本申请的一个方面，所述数据处理单元包括：

预处理模块，依序接收每帧激光图像和每帧激光图像的拍摄时间戳；然后对激光图像进行增强处理，获得清晰度大于阈值的激光图像；

激光曲线提取模块，针对每帧激光图像，采用边缘检测算法，从激光图像中提取激光曲线的像素坐标，并进行多项式拟合或样条拟合，根据预配置的曲率和对称性阈值，剔除异常激光曲线，获取符合预定标准的光滑连续的激光曲线；

激光曲线三维重建模块，通过坐标转换矩阵，将每一激光曲线的每个像素坐标转换为空间坐标，获得各个激光点的三维空间坐标，连接各个激光点，形成三维激光曲线；通过预存储的罩面几何参数，对三维激光曲线进行精度优化；

运动分解模块，逐一获取两个相邻时刻的三维激光曲线，调用预配置的算法，计算刚体变换矩阵，刚体变换矩阵包括旋转矩阵和平移向量，将刚体变换矩阵分解为绕X轴、Y轴、Z轴的旋转角度和沿X轴、Y轴、Z轴的平移量，任意两个相邻时刻之间的三维转动量和移动量，对分解得到的转动和移动量进行时间序列滤波，得到运动参数并输出。

根据本申请的一个方面，所述数据处理单元还包括：

运动积分模块，选取预定的时间周期，将每个相邻时刻形成的时间间隔内的转动量和移动量，按照时间顺序累加，获得船舶该时间周期内相对于初始位置和姿态的累积转动角度和累积移动距离；构建船舶坐标系，将船舶的累积转动和移动量转换到固定坐标系下，得到船舶在每一时刻的位置和姿态。

根据本申请的一个方面，所述数据处理单元还包括：

精度评估模块，获取预配置于船舶上的惯性导航装置，获取船舶运动参数并与对应时刻下数据处理单元输出的运动参数进行比较，给出每一运动状态下的精度对比结果，运动状态包括不同速度区间和振幅区间的运动状态。

根据本申请的一个方面，所述预处理模块包括：

降维子模块，逐次接收每帧激光图像，将RGB彩色图像转换为灰度图像或通道分解，得到每一通道的激光图像数据帧；

滤波子模块，对灰度图像或每一通道的激光图像数据帧进行滤波，提高信噪比；

增强子模块，对滤波后的灰度图像或每一通道的激光图像数据帧进行直方图均衡化，增强图像对比度。

根据本申请的一个方面，所述激光曲线提取模块包括：

自适应阈值分割子模块，采用最大熵法，根据激光图像灰度分布确定最优阈值；基于最优阈值将激光图像数据二值化，得到前景和背景两个区域；对二值化的结果依序进行开运算和闭运算，去除孤立噪点并填充曲线断点，获得二值化的激光图像；

轮廓提取子模块，使用Moore-Neighbor轮廓跟踪算法对二值化的激光图像进行轮廓提取操作，获得激光曲线的轮廓像素坐标；对轮廓坐标进行筛选操作，剔除长度小于阈值的轮廓，保留最长的轮廓作为激光曲线的初始近似；对轮廓坐标进行顺时针或逆时针排序，得到连续、有序的轮廓点序列；

亚像素边缘检测子模块，针对轮廓点序列中的每一轮廓点进行局部高斯拟合，在曲线法向方向进行亚像素级别的边缘定位，采用最小二乘法对亚像素边缘点进行拟合，得到光滑度符合预期的拟合激光曲线，计算拟合激光曲线的一阶、二阶导数，得到激光曲线在每个点处的切线方向和曲率；

自适应节点选择子模块，根据激光曲线的几何特征，自适应选择关键点作为节点，

对关键点进行筛选，剔除冗余节点和奇异点，得到最小数量的节点集合，利用节点集合，重新对曲线进行分段拟合，包括分段多项式拟合和分段样条拟合；

迭代优化子模块，计算拟合激光曲线与原始轮廓点之间的距离误差，构建误差函数，利用梯度下降法最小化误差函数，更新拟合激光曲线的参数，直至得到最优拟合激光曲线，输出符合预定标准的光滑连续的激光曲线。

根据本申请的一个方面，所述激光曲线三维重建模块包括：

坐标转换子模块，根据拟合得到的激光曲线的像素坐标，结合相机内参数，将像素坐标转换为归一化相机坐标；利用激光平面方程，将归一化相机坐标投影到激光平面上，得到激光曲线在相机坐标系下的三维坐标；利用相机外参数，将激光曲线从相机坐标系转换到世界坐标系下，得到曲线的全局三维表示，获得三维激光曲线；通过包括罩面几何参数在内的工程参数，优化激光曲线的精度；

时序配准子模块，对每一时刻的优化后的激光曲线，根据时间戳进行时序对齐，得到时间同步的三维曲线序列；利用曲线上的特征点，对不同时刻的曲线进行空间配准；插值或重采样三维曲线，得到等间隔、等长度的激光曲线序列。

根据本申请的一个方面，所述数据处理单元还包括：

运动估计模块，获取船舶在每一时刻的位置和姿态，将船舶的运动轨迹表示为姿态图，每个节点表示一个时间片段内船体的位姿，每条边表示相邻时间片段之间的相对运动约束；根据视觉里程计得到的初始运动估计，为姿态图的节点和边赋予初始值，构建包括相对运动误差和全局一致性误差在内的目标函数，调用图优化库求解目标函数，得到姿态图的最优估计；对优化后的姿态图进行平滑处理，得到船舶未来时段内的运动轨迹。

根据本申请的一个方面，所述数据处理单元还包括：

姿态预警模块，获取当前船舶运动数据或船舶未来时段内的运动轨迹，分析运动姿态，并判断是否超出阈值，若超出，输出控制和警报信息。

根据本申请的一个方面，所述罩面为变径的弧形罩面。

有益效果，利用罩面将三维测量问题转化为二维激光曲线分析问题，降低了计算复杂度。通过时间序列分析和运动分解，实现了船舶运动的连续跟踪和参数估计。采用模块化的数据处理流程，各个步骤可以独立优化和改进，提高了***的灵活性和可扩展性。具有使用范围广，精度高、实时性好和可靠性高的优点。

附图说明

图1是升船机模型的俯视图。

图2是升船机模型的侧视图。

图3是本发明监测装置的***结构图。

图4是本发明数据处理单元的拓扑图。

图中，附图标记为：船舶1、升船机2、框架3、罩面4、激光发射器5。

具体实施方式

如图1所示，根据本申请的一个方面，提供一种适用于升船机试验的非接触式船舶运动和位移监测装置，包括：

激光发射器，用于向指定方向发射激光；

罩面，位于激光发射器的光路上，工作时，激光在罩面上形成激光图像；

相机，按照预定周期拍摄罩面上的激光图像；

数据处理单元，接收相机的激光图像并提取激光曲线数据，重建三维的激光空间曲线，并进行运动分解，获得船舶运动数据并输出。

需要说明的是，图1和图2仅仅为示意图，实际上升船机的模型和原型都比较大，也比较复杂，为了突出本发明的创新点，用上述示意图来表示。针对现有技术存在的上述问题，本申请给出了一种新的非接触式船舶运动和位移监测装置，利用激光视觉技术，实现了对船舶六自由度运动的高精度、实时、在线监测，具有非接触、大范围、高精度、全天候等优点，为升船机试验提供了一种新颖、可靠、高效的运动监测手段。其核心构思是利用主动式结构光测量原理，通过激光发射器在指定方向投射激光，在罩面上形成激光条纹图案，再由相机采集条纹图像，进而通过图像处理和三维重建技术，恢复出船舶表面的三维形貌和运动姿态信息。

在***架构上，主要包括感知层、数据层、决策层和应用层四个层次。感知层包括激光发射器、弧形罩面和高速相机等硬件设备，负责激光条纹的投射、调制和采集，是信息感知的基础。数据层包括图像预处理、激光曲线提取、三维重建、时空配准等数据处理模块，负责将原始的激光图像数据转化为时序的三维点云数据，是信息处理的核心。决策层包括运动分解、姿态估计、轨迹预测、精度评估等智能算法模块，负责从三维点云数据中提取船舶的运动姿态参数，并生成船舶模型未来的运动轨迹，是信息分析的关键。应用层包括人机交互、数据可视化、报警决策等应用服务模块，负责监测结果的显示、查询、预警和输出，是信息应用的终端。

根据本申请的一个方面，所述数据处理单元包括：

预处理模块，依序接收每帧激光图像和每帧激光图像的拍摄时间戳；然后对激光图像进行增强处理，获得清晰度大于阈值的激光图像；

通过对激光图像进行增强处理，提高了图像的清晰度，有利于后续的激光曲线提取和三维重建。引入清晰度阈值，可以自动筛选出高质量的激光图像，减少了噪声和干扰的影响。采用时间戳对激光图像进行同步，确保了数据的时序性和一致性。

激光曲线提取模块，针对每帧激光图像，采用边缘检测算法，从激光图像中提取激光曲线的像素坐标，并进行多项式拟合或样条拟合，根据预配置的曲率和对称性阈值，剔除异常激光曲线，获取符合预定标准的光滑连续的激光曲线；

采用边缘检测算法，可以准确地从激光图像中提取激光曲线的像素坐标。通过多项式拟合或样条拟合，对提取的像素坐标进行平滑处理，获得光滑连续的激光曲线。引入曲率和对称性阈值，可以自动剔除异常的激光曲线，提高了数据的可靠性。

激光曲线三维重建模块，通过坐标转换矩阵，将每一激光曲线的每个像素坐标转换为空间坐标，获得各个激光点的三维空间坐标，连接各个激光点，形成三维激光曲线；通过预存储的罩面几何参数，对三维激光曲线进行精度优化；

通过坐标转换矩阵，将像素坐标转换为空间坐标，实现了从二维图像到三维空间的映射。利用预存储的罩面几何参数对三维激光曲线进行精度优化，提高了三维重建的精度。通过连接激光点形成三维激光曲线，为后续的运动分解提供了基础。

运动分解模块，逐一获取两个相邻时刻的三维激光曲线，调用预配置的算法，计算刚体变换矩阵，刚体变换矩阵包括旋转矩阵和平移向量，将刚体变换矩阵分解为绕X轴、Y轴、Z轴的旋转角度和沿X轴、Y轴、Z轴的平移量，任意两个相邻时刻之间的三维转动量和移动量，对分解得到的转动和移动量进行时间序列滤波，得到运动参数并输出。

通过计算相邻时刻三维激光曲线之间的刚体变换矩阵，可以准确地描述物体的运动状态。将刚体变换矩阵分解为旋转角度和平移量，直观地表示物体在三个坐标轴上的转动和移动。对转动和移动量进行时间序列滤波，消除了运动参数中的噪声和抖动，提高了运动分解的稳定性。

在本实施例中，采用适当的图像处理算法，如图像增强和边缘检测，提高了数据质量和特征提取的准确性。引入合理的阈值和约束条件，如清晰度阈值、曲率和对称性阈值，自动筛选出高质量的数据，减少了人工干预。

总之，利用坐标转换和几何优化技术，实现了从二维图像到三维空间的精确映射和重建。采用刚体变换和矩阵分解的方法，准确描述了物体的运动状态，并通过时间序列滤波提高了运动参数的稳定性。整个数据处理单元采用了模块化设计，各个模块之间衔接紧密，数据流转顺畅，提高了整体的处理效率和可靠性。

根据本申请的一个方面，所述数据处理单元还包括：

运动积分模块，选取预定的时间周期，将每个相邻时刻形成的时间间隔内的转动量和移动量，按照时间顺序累加，获得船舶该时间周期内相对于初始位置和姿态的累积转动角度和累积移动距离；构建船舶坐标系，将船舶的累积转动和移动量转换到固定坐标系下，得到船舶在每一时刻的位置和姿态。

在本实施例中，运动积分模块通过时间周期内的转动量和移动量累加，并进行坐标系转换，能够准确地描述船舶的运动轨迹和姿态变化。通过积分可以获得船舶在该时间周期内相对于初始位置和姿态的累积转动角度和累积移动距离，能够准确地描述船舶在一段时间内的运动轨迹和姿态变化。通过坐标转换，可以得到船舶在每一时刻的绝对位置和姿态，能够将船舶的相对运动量转换为绝对位置和姿态，便于后续的分析和可视化。在保证计算效率的同时，获得足够精细的运动轨迹和姿态变化。采用高精度的积分算法，如龙格-库塔方法或梯形法，可以减少积分误差的累积，提高运动参数的准确性。

根据本申请的一个方面，所述数据处理单元还包括：

精度评估模块，获取预配置于船舶上的惯性导航装置，获取船舶运动参数并与对应时刻下数据处理单元输出的运动参数进行比较，给出每一运动状态下的精度对比结果，运动状态包括不同速度区间和振幅区间的运动状态。

在本实施例中，通过将真实运动参数与数据处理单元输出的运动参数进行比较，可以评估数据处理单元的精度和可靠性。能够全面地考察数据处理单元在各种运动条件下的性能，有助于发现和改进算法在特定工况下的不足。通过精度评估模块的反馈，可以对数据处理单元的算法和参数进行优化和调整，提高***的整体精度和鲁棒性。精度评估结果也可以作为***性能的客观指标，为用户提供可信的参考。总之，精度评估模块通过与惯性导航装置的数据比较，给出每一运动状态下的精度对比结果，为***性能评估和优化提供了客观依据。

根据本申请的一个方面，所述预处理模块包括：

降维子模块，逐次接收每帧激光图像，将RGB彩色图像转换为灰度图像或通道分解，得到每一通道的激光图像数据帧；

通过将RGB彩色图像转换为灰度图像或进行通道分解，降维子模块可以显著减少数据的维度，从而降低后续处理的计算复杂度和存储开销。将RGB图像分解为红、绿、蓝三个独立的单通道图像，可以保留每个通道的完整信息，便于后续对不同通道进行针对性的处理。降低了数据维度，减少了计算量和存储空间，同时保留了图像的关键信息，为后续的滤波和增强处理奠定了基础。

滤波子模块，对灰度图像或每一通道的激光图像数据帧进行滤波，提高信噪比；

可以有效去除图像中的噪声，提高信噪比，使图像更加平滑和清晰。滤波算法包括均值滤波、中值滤波、高斯滤波等。均值滤波通过局部区域内像素值的算术平均来去除高斯噪声；中值滤波通过局部区域内像素值的中值来去除脉冲噪声和椒盐噪声；高斯滤波通过加权平均来平滑图像，权重由高斯函数决定，中心像素的权重最大。可以根据噪声类型和图像特点，选择适当的滤波算法和参数，如滤波核的大小、形状和权重分布等，以达到最佳的滤波效果。总之，去除了图像中的各种噪声，提高了信噪比，使图像更加平滑和清晰。

增强子模块，对滤波后的灰度图像或每一通道的激光图像数据帧进行直方图均衡化，增强图像对比度。可以显著增强图像的对比度，使图像细节更加清晰和突出。通过计算图像的灰度直方图，根据累积分布函数（CDF）对灰度值进行映射，使得映射后的灰度值分布更加均匀。选择适当的直方图均衡化算法，如全局直方图均衡化、局部直方图均衡化、自适应直方图均衡化等，以获得最佳的增强效果。总之，提高了图像的对比度和动态范围，使图像细节更加清晰和突出，有利于后续的特征提取和分析。特别是对于低对比度、暗区、亮区等问题严重的图像，增强子模块可以有效改善图像质量，提高信息利用率。

在本实施例中，通过降维、滤波、增强三个子模块的协同工作，可以全面提高激光图像的质量和可用性。降维子模块降低了数据维度，减少了计算负担；滤波子模块去除了图像噪声，提高了信噪比；增强子模块提高了图像对比度，突出了关键细节。

根据本申请的一个方面，所述激光曲线提取模块包括：

自适应阈值分割子模块，采用最大熵法，根据激光图像灰度分布确定最优阈值；基于最优阈值将激光图像数据二值化，得到前景和背景两个区域；对二值化的结果依序进行开运算和闭运算，去除孤立噪点并填充曲线断点，获得二值化的激光图像；

采用最大熵法自适应确定最优阈值，可以根据激光图像的灰度分布特性，自动选择最佳的分割阈值，无需人工干预，提高了阈值选择的客观性和适应性。基于最优阈值对激光图像进行二值化处理，可以有效区分前景（激光曲线）和背景区域，为后续的轮廓提取奠定基础。对二值化结果进行开运算和闭运算，可以去除孤立的噪点，填充曲线上的小断点，使得二值化的激光图像更加干净和完整。总之，子模块自动获得了最优的分割阈值，有效区分了前景和背景，并通过形态学操作消除了噪点和断点，为轮廓提取提供了高质量的二值化图像。

轮廓提取子模块，使用Moore-Neighbor轮廓跟踪算法对二值化的激光图像进行轮廓提取操作，获得激光曲线的轮廓像素坐标；对轮廓坐标进行筛选操作，剔除长度小于阈值的轮廓，保留最长的轮廓作为激光曲线的初始近似；对轮廓坐标进行顺时针或逆时针排序，得到连续、有序的轮廓点序列；

使用Moore-Neighbor轮廓跟踪算法对二值化图像进行轮廓提取，可以快速、准确地获得激光曲线的轮廓像素坐标，该算法具有良好的抗噪性和鲁棒性。对提取的轮廓坐标进行长度筛选，剔除短的、无意义的轮廓，保留最长的轮廓作为激光曲线的初始近似，可以有效去除干扰和错误的轮廓。对轮廓坐标进行顺时针或逆时针排序，得到连续、有序的轮廓点序列，为后续的亚像素边缘检测和节点选择提供了便利。总之，子模块能够快速、准确地获得了激光曲线的轮廓坐标，并通过长度筛选和排序处理，得到了干净、连续、有序的轮廓点序列，为后续处理奠定了基础。

亚像素边缘检测子模块，针对轮廓点序列中的每一轮廓点进行局部高斯拟合，在曲线法向方向进行亚像素级别的边缘定位，采用最小二乘法对亚像素边缘点进行拟合，得到光滑度符合预期的拟合激光曲线，计算拟合激光曲线的一阶、二阶导数，得到激光曲线在每个点处的切线方向和曲率；

针对轮廓点序列中的每个点进行局部高斯拟合，在曲线法向方向进行亚像素级别的边缘定位，可以超越传统的像素级分辨率，获得更加精确的边缘位置。采用最小二乘法对亚像素边缘点进行拟合，得到光滑度良好的拟合激光曲线，可以有效减少噪点和离群点的影响，提高曲线的平滑性和连续性。计算拟合曲线的一阶、二阶导数，得到曲线在每个点处的切线方向和曲率，为后续的节点选择和特征分析提供了重要的几何信息。子模块通过亚像素级别的边缘定位和拟合，获得了精度更高、光滑度更好的拟合激光曲线，并提取了曲线的切线方向和曲率等几何特征，为后续处理提供了有力支持。

自适应节点选择子模块，根据激光曲线的几何特征，自适应选择关键点作为节点，

对关键点进行筛选，剔除冗余节点和奇异点，得到最小数量的节点集合，利用节点集合，重新对曲线进行分段拟合，包括分段多项式拟合和分段样条拟合；

根据激光曲线的几何特征，如曲率、切线方向等，自适应选择关键点作为节点，可以在保证节点数量最小的同时，最大程度地保留曲线的形状特征。对选择的节点进行筛选，剔除冗余节点和奇异点，得到最小数量的节点集合，可以进一步压缩数据量，提高存储和传输效率。利用优化后的节点集合对曲线进行分段多项式拟合和分段样条拟合，可以在不同的曲线段上采用不同的拟合方式，提高拟合精度和flexibility。子模块通过几何特征驱动的节点选择和优化，最小化了节点数量，同时最大化地保留了曲线的形状特征，并通过分段拟合提高了拟合精度和柔性适应不同的曲线段。

迭代优化子模块，计算拟合激光曲线与原始轮廓点之间的距离误差，构建误差函数，利用梯度下降法最小化误差函数，更新拟合激光曲线的参数，直至得到最优拟合激光曲线，输出符合预定标准的光滑连续的激光曲线。

通过计算拟合激光曲线与原始轮廓点之间的距离误差，构建误差函数，量化了拟合曲线与真实曲线之间的差异，为迭代优化提供了明确的优化目标。利用梯度下降法最小化误差函数，通过迭代的方式不断更新拟合曲线的参数，使得拟合曲线逐步逼近真实曲线，提高了拟合精度和稳定性。通过设置迭代停止条件，如误差阈值、迭代次数等，可以在保证拟合精度的同时，控制计算时间和资源消耗，提高了算法的实用性和效率。子模块通过误差驱动的迭代优化，不断更新和改进拟合曲线，最终得到了高度逼近真实曲线的最优拟合结果，满足了预定的光滑度和连续性要求。

总之，激光曲线提取模块通过自适应阈值分割、轮廓提取、亚像素边缘检测、自适应节点选择和迭代优化等一系列技术手段，实现了从激光图像中精确、稳定、高效地提取光滑连续的激光曲线。这些技术优势和效果保证了提取的激光曲线具有高度的几何精度、拓扑正确性和数据简洁性，为后续的三维重建、运动分解和姿态估计奠定了坚实的数据基础。

根据本申请的一个方面，所述激光曲线三维重建模块包括：

坐标转换子模块，根据拟合得到的激光曲线的像素坐标，结合相机内参数，将像素坐标转换为归一化相机坐标；消除了图像坐标系与相机坐标系之间的尺度和偏移差异，为后续的三维重建奠定了坐标基础。

利用激光平面方程，将归一化相机坐标投影到激光平面上，得到激光曲线在相机坐标系下的三维坐标；实现了从二维图像到三维空间的几何变换，保证了三维坐标的准确性和一致性。

利用相机外参数，将激光曲线从相机坐标系转换到世界坐标系下，得到曲线的全局三维表示，获得三维激光曲线；使得不同时刻、不同视角下的激光曲线能够统一到同一个全局坐标框架中，便于后续的空间配准和融合。

通过包括罩面几何参数在内的工程参数，优化激光曲线的精度；进一步提高了三维重建的精度和可靠性，减少了***误差和测量噪声的影响。

通过一系列坐标变换和优化操作，将二维激光曲线准确、高效地重建为三维空间曲线，并统一到全局坐标系下，为后续的时序配准和运动分析提供了高质量的三维数据。

时序配准子模块，对每一时刻的优化后的激光曲线，根据时间戳进行时序对齐，得到时间同步的三维曲线序列；确保了不同时刻的曲线在时间上的同步性和一致性，消除了时间偏移和抖动的影响。

利用曲线上的特征点，对不同时刻的曲线进行空间配准；插值或重采样三维曲线，得到等间隔、等长度的激光曲线序列。利用曲线上的特征点，如拐点、尖点、交点等，对不同时刻的曲线进行空间配准，通过特征点匹配和坐标变换，将不同时刻的曲线对齐到同一个空间坐标系下，实现了时间序列上的空间一致性。

通过插值或重采样操作，对三维激光曲线进行等间隔、等长度的重构，使得不同时刻的曲线具有相同的采样率和数据长度，便于后续的运动分析和特征提取。时序配准子模块的技术效果体现在通过时间同步和空间配准，将不同时刻的三维激光曲线对齐到统一的时空坐标系下，消除了时间偏移和空间偏差的影响，获得了时间连续、空间一致的曲线序列，为运动分析和特征提取提供了高质量的数据支持。

通过坐标转换和时序配准两个子模块的协同工作，实现了从二维激光图像到三维时空曲线序列的高精度、高效率重建。坐标转换子模块通过一系列坐标变换和优化操作，将二维曲线准确地映射到三维空间，并统一到全局坐标系下；时序配准子模块通过时间同步和空间配准，将不同时刻的三维曲线对齐到统一的时空坐标系下，获得了时间连续、空间一致的曲线序列。保证了重建的三维激光曲线具有高度的几何精度、时空一致性和数据完整性，为后续的运动分析、特征提取和模型重建奠定了坚实的数据基础。

根据本申请的一个方面，所述数据处理单元还包括：

运动估计模块，获取船舶在每一时刻的位置和姿态，将船舶的运动轨迹表示为姿态图，每个节点表示一个时间片段内船体的位姿，每条边表示相邻时间片段之间的相对运动约束；根据视觉里程计（VO）得到的初始运动估计，为姿态图的节点和边赋予初始值，构建包括相对运动误差和全局一致性误差在内的目标函数，调用图优化库求解目标函数，得到姿态图的最优估计；对优化后的姿态图进行平滑处理，得到船舶未来时段内的运动轨迹。

通过将船舶的运动轨迹表示为姿态图，每个节点表示一个时间片段内船体的位姿，每条边表示相邻时间片段之间的相对运动约束，实现了对船舶运动的紧凑、高效表示，便于后续的优化和处理。利用视觉里程计得到的初始运动估计，为姿态图的节点和边赋予初始值，提供了一个良好的优化起点，加速了优化收敛速度，提高了估计精度。通过构建包括相对运动误差和全局一致性误差在内的目标函数，综合考虑了局部相对运动和全局绝对位置的约束，提高了运动估计的准确性和鲁棒性。调用图优化库求解目标函数，利用了现有的优化算法和工具，如g2o、Ceres等，避免了复杂的数学推导和编程实现，提高了开发效率和可靠性。对优化后的姿态图进行平滑处理，得到船舶未来时段内的运动轨迹，实现了对船舶运动的预测和规划。

通过姿态图表示和图优化求解，综合利用了多时刻、多约束的信息，有效减少了单时刻估计的不确定性和误差累积，实现了高精度的运动估计。通过引入全局一致性误差，考虑了运动轨迹的整体性和连续性，有效消除了局部估计的漂移和不一致性，保证了估计结果的全局一致性。通过构建包括相对运动误差和全局一致性误差在内的目标函数，提高了运动估计对噪声、异常值和外部扰动的鲁棒性，增强了***的容错能力和适应性。通过采用增量式的图优化策略，在新的观测数据到来时，只需对局部的姿态图进行更新和优化，避免了全局重复计算，提高了运动估计的实时性和计算效率。通过对优化后的姿态图进行平滑处理，得到了船舶未来时段内的运动轨迹，实现了对船舶运动的预测和规划，为后续的控制和决策提供了重要依据，提高了***的自主性和智能性。

在某个实施例中，具体数据处理流程：

数据准备：获取一段时间内船舶的视觉里程计数据，包括每一时刻的位置和姿态估计。获取同一时间段内的IMU数据，包括角速度和加速度测量值。获取船舶的初始位置和姿态，作为优化的先验信息。

姿态图构建：根据视觉里程计数据，为每一个时刻创建一个姿态图节点，表示该时刻船体的位姿。根据相邻时刻之间的视觉里程计估计，为相邻节点之间创建姿态图边，表示相对运动约束。根据IMU数据，为相邻节点之间添加IMU边，表示IMU观测到的相对运动信息。

图优化求解：构建误差函数，包括视觉里程计边的误差项、IMU边的误差项以及全局一致性误差项。利用g2o或Ceres等图优化库，求解误差函数，得到姿态图节点的最优估计值。根据优化结果，更新每一时刻船体的位置和姿态估计。

轨迹平滑：对优化后的姿态图进行平滑处理，例如使用B样条曲线拟合位置轨迹，使用球面线性插值（Slerp）对姿态进行插值。根据平滑后的轨迹，预测未来一段时间内船舶的运动轨迹。

结果评估：将运动估计结果与其他传感器数据（如GPS、测距仪等）进行比较，评估估计精度。对不同场景、不同工况下的估计结果进行统计分析，评估算法的鲁棒性和适应性。对实时性能进行评测，记录单次估计的计算时间，评估算法的实时性和计算效率。

根据本申请的一个方面，所述数据处理单元还包括：

姿态预警模块，获取当前船舶运动数据或船舶未来时段内的运动轨迹，分析运动姿态，并判断是否超出阈值，若超出，输出控制和警报信息。

能够实时获取当前船舶运动数据，包括位置、速度、加速度、角速度等，通过高频率的数据采集和处理，实现对船舶姿态的实时监测和分析，保证了预警的及时性。能够预测船舶未来一段时间内的运动轨迹，通过对未来姿态的提前分析和评估，实现对潜在危险姿态的提前预警，为船舶操控和应急决策提供更多的反应时间。综合考虑了多种运动参数，如俯仰角、横滚角、航向角、速度、加速度等，通过对不同参数的联合分析和判断，全面评估船舶的姿态状态，提高了预警的准确性和可靠性。

根据本申请的一个方面，所述罩面为变径的弧形罩面。

关于罩面，通过仿真分析和实验测试，确定最优的曲率半径范围，兼顾激光成像质量和船舶运动范围。采用分段变径设计，在罩面两端设置渐变过渡区，减小端部效应对成像质量的影响。优化罩面的轴向长度，确保激光条纹在船舶纵向运动时完全覆盖船体。

设计柔性支撑结构，采用弹性减振装置，降低船舶振动对罩面的影响。优化支撑点的位置和数量，确保罩面受力均匀，变形量满足要求。采用快速装拆结构，便于罩面的安装、调试和维护。

关于激光曲线提取，还包括：

S1. 自适应阈值分割优化

S1.1 采用迭代阈值法，根据图像灰度分布的均值和方差，自动调整阈值，提高分割精度。计算图像灰度值的初始均值和方差。根据均值，将图像像素分为两部分：大于等于均值mean的像素集合G1和小于均值mean的像素集合G2。分别计算G1和G2的均值mean1和均值mean2。更新阈值threshold = (mean1 + mean2) / 2。使用更新后的阈值threshold，将图像二值化。如果阈值与上一次迭代的阈值差值小于预设的tolerance，则停止迭代；否则，返回继续迭代，输出最终的二值化结果。

S1.2 引入区域生长算法，根据像素之间的相似度和连通性，自动合并过度分割的区域。对二值化图像进行连通域标记，得到初始的分割区域。对每个分割区域，计算其面积、边界像素数、平均灰度值等特征。根据预设的相似度阈值，如灰度差异、边界连通性等，判断相邻区域是否需要合并。对需要合并的相邻区域，更新其标记，并重新计算合并后区域的特征。重复上述步骤，直到没有区域需要合并，得到最终的分割结果。对分割结果进行后处理，如去除面积过小的区域，平滑区域边界等。

S1.3 采用形态学滤波算法，如自适应中值滤波，抑制噪声和干扰，提高分割结果的鲁棒性。对于二值化图像中的每个像素P(x，y)，定义其局部窗口W(x，y)。统计窗口W(x，y)内像素的灰度值，计算其中值med。如果P(x，y)的灰度值与med的差值大于预设阈值，则将P(x，y)的灰度值替换为med。调整窗口W(x，y)的大小，如根据局部噪声水平自适应调整，重复步骤2-3。对所有像素执行上述步骤，得到滤波后的二值化图像。

在本申请的另一实施例中，亚像素边缘检测还可以为：

S2.1 采用高斯-牛顿迭代法，结合曲线局部方向和灰度梯度，实现亚像素级边缘定位。

对于边缘上的每个像素P(x，y)，提取其局部灰度梯度方向和幅值。构建局部边缘模型，如高斯曲线或sigmoid函数，表示边缘的灰度分布。根据局部灰度分布，计算模型参数的初始值，如高斯曲线的均值和标准差。使用高斯-牛顿迭代法，最小化实际灰度分布与模型预测分布之间的误差。计算误差函数的一阶导数和二阶导数(Hessian矩阵)。根据导数值，更新模型参数，迭代优化。如果参数更新量小于预设阈值或达到最大迭代次数，则停止迭代。根据优化后的模型参数，计算亚像素级边缘位置，如高斯曲线的均值。对所有边缘像素执行上述步骤，得到亚像素级边缘坐标。

S2.2 引入边缘位置约束，利用边缘点之间的几何关系，提高边缘拟合的准确性和连续性。

对检测到的亚像素边缘点，构建边缘图。根据边缘点的局部方向和距离，计算边缘点之间的连通性。对于连通的边缘点，构建约束方程，如要求边缘点在同一直线或曲线上。将约束方程加入到边缘拟合的优化问题中，如最小二乘拟合或鲁棒拟合。求解优化问题，得到满足约束条件的边缘点坐标。根据优化后的边缘点坐标，更新边缘图，重复上述步骤，直到收敛。

S2.3 采用多尺度边缘检测策略，综合不同尺度下的边缘信息，提高检测的鲁棒性。

构建图像的高斯金字塔，生成不同尺度的图像。对每个尺度的图像，执行边缘检测算法，如Canny算子或Sobel算子。对检测到的边缘图，执行非极大值抑制和阈值处理，得到二值化的边缘图。对不同尺度的边缘图，执行边缘合并和细化操作，如边缘追踪和边缘连接。根据合并后的边缘图，提取亚像素级边缘坐标，如采用高斯-牛顿迭代法。对不同尺度提取的亚像素边缘，执行边缘融合和优化，如加权平均或曲线拟合。输出最终的亚像素边缘检测结果。

在本申请的另一实施例中，自适应节点选择优化进一步为：

S3.1 综合考虑曲率、弦高误差、局部方向变化等因素，自适应选择关键节点。

对曲线上的每个采样点，计算其局部曲率、弦高误差和方向变化等特征。根据特征值，对采样点进行排序和筛选，选择特征值最大或最小的点作为候选节点。对候选节点，进行空间分布和局部形状分析，剔除冗余或不合理的节点。根据节点数量和分布要求，自适应调整节点选择的参数，如特征值阈值、节点间距等。输出最终选择的关键节点。

S3.2 采用曲率约束的节点筛选方法，平衡节点数量和曲线拟合精度。

对选择的关键节点，计算其局部曲率。根据预设的曲率阈值，将节点分为高曲率节点和低曲率节点。对高曲率节点，计算其对曲线形状的贡献度，如局部拟合误差的减小量。根据贡献度，对高曲率节点进行排序，选择贡献度最大的节点作为关键节点。对低曲率节点，根据节点间距和曲线平滑度要求，自适应调整节点数量。将高曲率关键节点和低曲率节点合并，得到最终的节点选择结果。

S3.3 引入自适应节点插值算法，根据节点分布和局部特征，动态调整插值方式。

对选择的节点，分析其局部分布特征，如节点间距、密度变化等。根据分布特征，自适应选择插值方法，如线性插值、多项式插值、样条插值等。对于节点间距较大的区域，采用高阶插值方法，如三次样条插值，保证插值曲线的光滑性。对于节点密度变化较大的区域，采用自适应节点加密策略，如在节点稀疏区域增加插值节点。对插值后的曲线，进行形状优化和光顺处理，如调整节点位置，使曲线更加平滑自然。输出最终插值后的曲线。

在本申请的另一实施例中，曲线拟合优化进一步为：

S4.1 采用B样条曲线拟合算法，实现局部形状控制和光滑过渡。

对给定的数据点集合，根据点的分布和数量，确定B样条曲线的阶数和控制点数量。初始化B样条曲线的节点向量(knot vector)，如均匀分布或按照数据点分布调整。根据B样条基函数，计算每个数据点处的B样条基函数值，构建系数矩阵。根据数据点坐标和系数矩阵，构建最小二乘拟合方程，求解控制点坐标。根据拟合误差和曲线形状，调整节点向量和控制点数量，重复上述步骤，迭代优化。输出最终拟合得到的B样条曲线控制点和节点向量。

S4.2 引入正则化项，平衡拟合精度和曲线平滑度，避免过拟合。

在最小二乘拟合方程中，引入正则化项，如曲线的二阶导数平方和。根据正则化项的权重系数，调整拟合方程，平衡拟合误差和曲线平滑度。求解正则化后的拟合方程，得到控制点坐标。根据拟合结果，评估正则化项的影响，如对过拟合和欠拟合的抑制效果。自适应调整正则化项的权重系数，重复上述步骤，得到最优的正则化参数。输出正则化后的B样条曲线拟合结果。

S4.3 采用自适应knot向量选择策略，根据数据点分布自动调整knot数量和位置。

根据数据点的分布特征，如点密度、间距变化等，初始化knot向量。计算B样条曲线拟合的误差分布，如每个数据点处的拟合残差。根据误差分布，自适应调整knot向量，如在误差大的区域增加knot数量。重新计算B样条基函数和系数矩阵，更新拟合方程和控制点坐标。评估调整后的knot向量对拟合精度的影响，如残差平方和的变化。重复上述步骤，迭代优化knot向量，直到拟合精度满足要求。输出自适应选择的knot向量和对应的B样条曲线拟合结果。

在本申请的另一实施例中，精度评估与测试的过程进一步为：

S1.1 采用高精度点阵标定板，提高相机和激光器的标定精度。

设计并制作高精度点阵标定板，如棋盘格状的黑白相间点阵。利用高精度制造设备，如激光雕刻机或高精度CNC，确保点阵位置和间距的准确性。对标定板进行精密测量，获取点阵的实际物理坐标。将标定板放置在相机和激光器的共同视野内，采集多张图像。对采集的图像进行畸变校正和灰度校准，提高图像质量。提取图像中点阵的像素坐标，与实际物理坐标建立对应关系。利用对应点对，计算相机和激光器的内外参数，得到标定结果。评估标定结果的精度，如重投影误差，确保满足***要求。

S1.2 引入在线标定技术，通过特征点跟踪实现***参数的动态补偿。

在拍摄过程中，利用特征点跟踪算法，如KLT、SIFT等，实时跟踪图像中的特征点。根据特征点的位置变化，实时计算相机和激光器的外参数变化。将外参数变化量与初始标定结果进行叠加，得到实时更新的标定参数。根据更新的标定参数，对三维重建结果进行动态补偿，减小标定误差的影响。评估在线标定的效果，如特征点跟踪的稳定性、外参数估计的准确性等。根据评估结果，自适应调整特征点跟踪和外参数估计的算法参数，提高在线标定的鲁棒性。

S1.3 采用多平面、多距离标定策略，减小畸变和散焦对成像质量的影响。

选择不同距离、不同角度的标定平面，如近、中、远三个距离，正面、斜面两个角度。在每个标定平面上放置高精度点阵标定板，采集多张图像。对不同平面、不同距离的标定图像，分别执行标定算法，计算相机和激光器参数。评估不同标定结果之间的一致性，如比较不同平面、不同距离得到的内参数和外参数。利用多个标定结果，进行联合优化，得到全局最优的标定参数。评估联合标定的效果，如对不同距离、不同角度的测试物体进行三维重建，分析重建精度。根据评估结果，自适应选择最优的标定平面和距离组合，提高标定的可靠性和适用性。

在某个实施例中，具体的案例如下，需要特别说明的是，这个仅仅作为案例，相关参数和模块可以根据模型或原型的实际情况来设计，而无需严格遵循这一实施例。对于下述案例的相关过程和细节，本领域的技术人员可以根据实际情况进行修改和调整。

以一个1:25比例的升船机模型试验为例，描述工作流程和实施细节。假设升船机模型的尺寸为长10米、宽2.5米、高2米，试验目的是测量船舶模型通过升船机时的运动姿态和位移。监测***采用一台功率为50毫瓦的线激光器和一台300万至2000万像素的工业相机，激光器的投射角度为45度，相机采样频率为30帧/秒。弧形罩面的半径为3米，展角为150度，材料为哑光ABS塑料。船舶模型的尺寸为长2米、宽0.5米、高0.3米，表面喷涂灰白色哑光漆，以提高激光条纹的反射率和对比度。

预处理模块：工业相机每隔1/30秒采集一帧分辨率为2048*1536的原始彩色图像，像素深度为8bit，格式为BayerBGR。

降维子模块接收原始图像，通过Bayer插值算法转换为三通道RGB彩色图像，分辨率不变。

将RGB彩色图像的三个通道分别提取，转换为三幅灰度图像，灰度范围为0~255。

滤波子模块对三个灰度图像分别进行大小为3*3的中值滤波，去除椒盐噪声。

增强子模块对滤波后的灰度图像分别进行线性拉伸，将灰度动态范围扩展至0~255，提高图像整体亮度。

融合三个增强后的灰度图像，得到一幅分辨率为2048*1536，像素深度为8bit的灰度增强图。

计算灰度增强图的清晰度评价指标，如梯度能量、方差等，若指标值大于阈值(如0.7)，则认为图像质量合格，否则触发报警。

激光曲线提取模块：

自适应阈值分割子模块对灰度增强图逐行扫描，统计每行的平均灰度值。

对每一行求取最大类间方差，得到一个最优分割阈值，大于该阈值的像素为前景，小于该阈值的像素为背景。

根据最优阈值对图像进行二值化，前景像素赋值为255，背景像素赋值为0，得到一幅二值分割图像。

对二值图像进行形态学开运算，先用33的结构元素进行腐蚀，去除孤立的噪点;再用55的结构元素进行膨胀，填充曲线的断点。

轮廓提取子模块采用Moore-Neighbor轮廓跟踪算法，从图像左上角开始，以顺时针方向搜索二值图像中的轮廓。

记录轮廓上每一个像素点的坐标(x，y)，直至回到起始点，完成一条闭合轮廓的提取，存储为一个轮廓点坐标序列。

继续搜索图像中的其他轮廓，直至遍历完整幅图像，一般会提取到1~4条轮廓。

计算每条轮廓的周长，保留周长最长的轮廓作为候选激光曲线，剔除其余较短的轮廓。

对候选轮廓点坐标序列按照x坐标进行排序，得到一个有序的激光曲线点集。

亚像素边缘检测子模块从曲线点集中均匀采样N个种子点，N一般取总点数的1/10。

对每个种子点，沿其法线方向采集M个邻域像素，拟合一个局部高斯函数。

求解高斯函数的极大值位置，作为亚像素边缘点，精度可达0.05个像素。

对N个亚像素边缘点进行B样条曲线拟合，得到一条光滑连续的拟合曲线。

计算拟合曲线的一阶、二阶导数，得到曲线上每一点的切线方向和曲率半径。

自适应节点选择子模块以曲率最大和最小处的点作为关键节点，构建曲线的凸包。

在凸包内部以最小曲率半径为依据新增节点，在凸包外部以最大曲率半径为依据删除节点，得到一个自适应节点集。

以自适应节点为控制点，进行三次均匀B样条曲线拟合，得到一条更加光滑、稳定的激光曲线。

迭代优化子模块计算激光拟合曲线上各点到原始轮廓点集的平均距离，作为误差评价函数。

采用最速下降法对B样条节点坐标进行优化，每次迭代更新节点坐标，使误差函数下降。

迭代终止条件为:误差函数下降值小于阈值(如0.01像素)，或迭代次数达到上限(如20次)。

输出优化后的B样条曲线控制点坐标，作为最终的激光曲线像素坐标。

激光曲线三维重建模块：

坐标转换子模块读取相机内参数文件，获取相机的焦距、主点坐标等参数。

根据成像原理，将激光曲线上每个像素坐标(u，v)转换为归一化像平面坐标(x，y)。

结合激光平面在相机坐标系下的外参数方程，将归一化平面坐标转换为相机坐标系下的三维点(X，Y，Z)。

利用手眼标定矩阵，将激光曲线从相机坐标系变换到升船机底座坐标系，得到一条空间三维曲线。

以激光三角法重建船舶模型表面，得到一组离散的三维点云{(X，Y，Z)}。

根据弧形罩面的半径、圆心坐标等几何参数，拟合空间圆弧，对三维点云坐标进行优化，使其更好地落在罩面上。

时序配准子模块接收连续采集的30帧/秒的激光曲线序列，每条曲线包含三维坐标和时间戳。

假设第i帧曲线时刻为t_i，则第i+1帧曲线时刻为t_i+1/30，两帧时间间隔为1/30秒。

以0.01秒为时间步长，对两帧之间的三维曲线进行线性插值，得到间隔更密的三维点集。

以整数倍的0.01秒时刻为基准，对所有插值后的三维点集重采样，使其时间戳对齐。

对配准后的所有三维曲线执行ICP配准，将空间点云统一到同一坐标系下，精度优于1毫米。

输出0.1秒间隔的激光曲线三维点云序列，每个时刻点云包含5000~10000个三维点坐标。

运动分解模块：

接收每两个时刻0.1秒间隔的配准后的三维激光点云，点数为N。

构建N*3的矩阵P1和P2，分别存储t时刻和t+0.1s时刻的N个三维点XYZ坐标。

构建刚体变换矩阵T=[R|t]，其中R为33旋转矩阵，t为31平移向量，一共12个自由度。

采用对应点的SVD分解法，求解两组点云之间的最优变换矩阵T，使P2与TP1的距离平方和最小化。

根据最优变换矩阵T中的元素值，提取绕X轴的滚转角α、绕Y轴的俯仰角β、绕Z轴的偏航角γ。

将旋转角α、β、γ分解到0~360°范围内，并将平移向量t分解为沿X、Y、Z三个方向的平移量。

对连续30个0.1秒间隔的旋转角和平移量分别进行加权递推平均滤波，权重选择高斯核函数，去除高频抖动。

以0.1秒为时间间隔，输出滤波后的三个方向的瞬时转动角速度(α'，β'，γ')和瞬时平移速度(v_x，v_y，v_z)。

运动积分模块：

输入升船机底座的初始空间位置(X₀，Y₀，Z₀)和欧拉角(α0，β0，γ0)，设定为t0时刻。

根据运动分解模块输出的角速度(α'，β'，γ')和平移速度(v_x，v_y，v_z)，可以采用龙格库塔法进行数值积分。

积分时间步长为0.1秒，每一步将前一时刻的位姿(X，Y，Z，α，β，γ)更新为当前时刻的位姿，作为下一步的初始值。

积分计算1秒钟，即10步，得到每0.1秒时刻升船机底座的空间位置和欧拉角。

由于积分存在累计误差，每隔1秒接收一次激光全局定位的位置坐标，用最小二乘法对累计位置进行误差补偿。

由升船机底座位姿，结合升船机的物理尺寸参数，计算出船舶模型重心的空间位姿。

通过齐次坐标变换，将船舶模型的位姿从升船机底座坐标系转换到试验场地的全局坐标系。

以1秒为时间单位，连续输出10组船舶模型重心的位置(X，Y，Z)和姿态角(α，β，γ)，作为升船机的实时运动轨迹。

精度评估模块：

从船舶模型的初始位置开始，每隔10秒触发一次精度评估。

获取光学跟踪***的船舶位姿测量值(X₁，Y₁，Z₁，α₁，β₁，γ₁)，作为真值。

获取本***的船舶位姿输出值(X₂，Y₂，Z₂，α₂，β₂，γ₂)，分别计算位置误差和姿态误差。

位置误差=sqrt((X₁-X₂)²+(Y₁-Y₂)²+(Z₁-Z₂)²)，姿态误差=(|α₁-α₂|+|β₁-β₂|+|γ₁-γ₂|)/3。

统计累计N次精度评估的结果，计算位置误差和姿态误差的最大值、最小值、平均值和均方根值。

根据预设的指标要求，判断精度是否合格，位置误差要求<2mm，姿态误差要求<0.1°，则认为精度满足要求。

针对不同速度和幅值的升船机运动，分别进行多组精度评估，给出各工况下的统计结果，绘制精度曲线。

生成精度评估报告，记录评估时间、评估工况、位姿误差统计值、精度曲线等，作为***测试的重要依据。

运动估计模块：

以1秒为时间片，将连续30秒的船舶模型位姿序列构建为一个运动姿态图。

图中每个节点为一个时刻的船舶位姿(X，Y，Z，α，β，γ)，共30个节点。

每条边为相邻两个时刻的船舶位姿之间的运动约束，共29条边。

位姿节点的初始值来自激光视觉里程计的累积计算结果，与真实值存在一定偏差。

将相邻两个时刻的位姿变换作为边的观测值，通过激光曲线配准得到。

以每个位姿节点为待优化变量，构建基于图的SLAM问题，目标函数为位姿误差和速度误差的加权平方和。

采用g2o图优化库求解位姿图，迭代优化位姿节点，使目标函数最小化，得到全局一致的位姿估计值。

优化过程考虑船舶的运动学约束和升船机的机械结构约束，提高估计精度。

为实现实时性，采用滑动窗口的策略，固定前20秒的位姿节点，滚动优化后10秒的位姿。

运动趋势预测时，利用前30秒的位姿序列，外推1秒，得到未来1秒内船舶的移动情况。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (10)

1.一种适用于升船机试验的非接触式船舶运动和位移监测装置，其特征在于，包括：

激光发射器，用于向指定方向发射激光；

罩面，位于激光发射器的光路上，工作时，激光在罩面上形成激光图像；

相机，按照预定周期拍摄罩面上的激光图像；

数据处理单元，接收相机的激光图像并提取激光曲线数据，重建三维的激光空间曲线，并进行运动分解，获得船舶运动数据并输出。

2.如权利要求1所述的适用于升船机试验的非接触式船舶运动和位移监测装置，其特征在于，所述数据处理单元包括：

预处理模块，依序接收每帧激光图像和每帧激光图像的拍摄时间戳；然后对激光图像进行增强处理，获得清晰度大于阈值的激光图像；

激光曲线提取模块，针对每帧激光图像，采用边缘检测算法，从激光图像中提取激光曲线的像素坐标，并进行多项式拟合或样条拟合，根据预配置的曲率和对称性阈值，剔除异常激光曲线，获取符合预定标准的光滑连续的激光曲线；

激光曲线三维重建模块，通过坐标转换矩阵，将每一激光曲线的每个像素坐标转换为空间坐标，获得各个激光点的三维空间坐标，连接各个激光点，形成三维激光曲线；通过预存储的罩面几何参数，对三维激光曲线进行精度优化；

运动分解模块，逐一获取两个相邻时刻的三维激光曲线，调用预配置的算法，计算刚体变换矩阵，刚体变换矩阵包括旋转矩阵和平移向量，将刚体变换矩阵分解为绕X轴、Y轴、Z轴的旋转角度和沿X轴、Y轴、Z轴的平移量，任意两个相邻时刻之间的三维转动量和移动量，对分解得到的转动和移动量进行时间序列滤波，得到运动参数并输出。

3.如权利要求2所述的适用于升船机试验的非接触式船舶运动和位移监测装置，其特征在于，所述数据处理单元还包括：

运动积分模块，选取预定的时间周期，将每个相邻时刻形成的时间间隔内的转动量和移动量，按照时间顺序累加，获得船舶该时间周期内相对于初始位置和姿态的累积转动角度和累积移动距离；构建船舶坐标系，将船舶的累积转动和移动量转换到固定坐标系下，得到船舶在每一时刻的位置和姿态。

4.如权利要求3所述的适用于升船机试验的非接触式船舶运动和位移监测装置，其特征在于，所述数据处理单元还包括：

精度评估模块，获取预配置于船舶上的惯性导航装置，获取船舶运动参数并与对应时刻下数据处理单元输出的运动参数进行比较，给出每一运动状态下的精度对比结果，运动状态包括不同速度区间和振幅区间的运动状态。

5.如权利要求4所述的适用于升船机试验的非接触式船舶运动和位移监测装置，其特征在于，所述预处理模块包括：

降维子模块，逐次接收每帧激光图像，将RGB彩色图像转换为灰度图像或通道分解，得到每一通道的激光图像数据帧；

滤波子模块，对灰度图像或每一通道的激光图像数据帧进行滤波，提高信噪比；

增强子模块，对滤波后的灰度图像或每一通道的激光图像数据帧进行直方图均衡化，增强图像对比度。

6.如权利要求5所述的适用于升船机试验的非接触式船舶运动和位移监测装置，其特征在于，所述激光曲线提取模块包括：

自适应阈值分割子模块，采用最大熵法，根据激光图像灰度分布确定最优阈值；基于最优阈值将激光图像数据二值化，得到前景和背景两个区域；对二值化的结果依序进行开运算和闭运算，去除孤立噪点并填充曲线断点，获得二值化的激光图像；

轮廓提取子模块，使用Moore-Neighbor轮廓跟踪算法对二值化的激光图像进行轮廓提取操作，获得激光曲线的轮廓像素坐标；对轮廓坐标进行筛选操作，剔除长度小于阈值的轮廓，保留最长的轮廓作为激光曲线的初始近似；对轮廓坐标进行顺时针或逆时针排序，得到连续、有序的轮廓点序列；

亚像素边缘检测子模块，针对轮廓点序列中的每一轮廓点进行局部高斯拟合，在曲线法向方向进行亚像素级别的边缘定位，采用最小二乘法对亚像素边缘点进行拟合，得到光滑度符合预期的拟合激光曲线，计算拟合激光曲线的一阶、二阶导数，得到激光曲线在每个点处的切线方向和曲率；

自适应节点选择子模块，根据激光曲线的几何特征，自适应选择关键点作为节点，

对关键点进行筛选，剔除冗余节点和奇异点，得到最小数量的节点集合，利用节点集合，重新对曲线进行分段拟合，包括分段多项式拟合和分段样条拟合；

迭代优化子模块，计算拟合激光曲线与原始轮廓点之间的距离误差，构建误差函数，利用梯度下降法最小化误差函数，更新拟合激光曲线的参数，直至得到最优拟合激光曲线，输出符合预定标准的光滑连续的激光曲线。

7.如权利要求6所述的适用于升船机试验的非接触式船舶运动和位移监测装置，其特征在于，所述激光曲线三维重建模块包括：

坐标转换子模块，根据拟合得到的激光曲线的像素坐标，结合相机内参数，将像素坐标转换为归一化相机坐标；利用激光平面方程，将归一化相机坐标投影到激光平面上，得到激光曲线在相机坐标系下的三维坐标；利用相机外参数，将激光曲线从相机坐标系转换到世界坐标系下，得到曲线的全局三维表示，获得三维激光曲线；通过包括罩面几何参数在内的工程参数，优化激光曲线的精度；

时序配准子模块，对每一时刻的优化后的激光曲线，根据时间戳进行时序对齐，得到时间同步的三维曲线序列；利用曲线上的特征点，对不同时刻的曲线进行空间配准；插值或重采样三维曲线，得到等间隔、等长度的激光曲线序列。

8.如权利要求7所述的适用于升船机试验的非接触式船舶运动和位移监测装置，其特征在于，所述数据处理单元还包括：

运动估计模块，获取船舶在每一时刻的位置和姿态，将船舶的运动轨迹表示为姿态图，每个节点表示一个时间片段内船体的位姿，每条边表示相邻时间片段之间的相对运动约束；根据视觉里程计得到的初始运动估计，为姿态图的节点和边赋予初始值，构建包括相对运动误差和全局一致性误差在内的目标函数，调用图优化库求解目标函数，得到姿态图的最优估计；对优化后的姿态图进行平滑处理，得到船舶未来时段内的运动轨迹。

9.如权利要求8所述的适用于升船机试验的非接触式船舶运动和位移监测装置，其特征在于，所述数据处理单元还包括：

姿态预警模块，获取当前船舶运动数据或船舶未来时段内的运动轨迹，分析运动姿态，并判断是否超出阈值，若超出，输出控制和警报信息。

10.如权利要求3所述的适用于升船机试验的非接触式船舶运动和位移监测装置，其特征在于，所述罩面为变径的弧形罩面。