CN104880160A - 一种工件表面轮廓的二维激光实时探测方法 - Google Patents

Abstract

本发明提供了一种工件表面轮廓的二维激光实时探测方法，针对2D激光传感器获取到的环境或目标物体的轮廓点数据，首先使用自适应阈值的IEPF算法对轮廓点数据进行过分割；然后构造无向图，过分割的点集数据作为无向图节点，过分割点集融合的概率作为无向图的边，并计算融合概率值；之后构造分割无向图的能量函数并提出能量函数最小化解法，获得过分割点集的融合结果，即点数据的线段拟合结果；最后使用先验知识和形状模板对线段拟合结果进行计算，得到形状检测结果；该方法克服了传统算法对阈值敏感，对数据噪声敏感和鲁棒性不强的缺点，可用于工业机器臂的特定形状工件的检测，自主运动机器人的场景理解，无人驾驶车辆的环境认知等热点问题。

Description

一种工件表面轮廓的二维激光实时探测方法

技术领域

本发明涉及2D激光传感器，激光雷达传感器，信号处理，无向图聚类技术领域，特别涉及一种工件表面轮廓的二维激光实时探测方法。

背景技术

对于工业机械臂，自主移动机器人，无人驾驶车辆等多个领域，环境感知都是其必须具备的基本能力。通过模仿人类感知机制，不同的传感器被用于进行环境感知。其中激光传感器因其具有测量精度高，实时性好等特点而被广泛的应用于各种系统中。工业机械臂多使用2d激光传感器，而自主移动机器人和无人驾驶车辆则多使用多线激光雷达。利用激光传感器对环境或目标进行扫描，获取环境或者目标的轮廓距离数据，根据特定的算法从中提取出所需要的信息是环境感知的关键所在。通过对激光距离数据进行处理得到目标的轮廓形状，从而对之后的信息融合，信息决策和装置控制提供依据。

环境和目标轮廓形状多使用几何图元来描述，例如线段，圆弧和直角等。由于激光传感器大多测量的是工业工件、室内环境或者室外人工环境，这些目标或者环境都具有结构化的特点，所以这些图元可以从2d激光雷达扫描的数据中提取。大多数轮廓都是直线形式的，所以线段是一类最常用于激光传感器数据形状测量的几何图元，相应的从2D激光雷达扫描数据中提取线段的技术也被普遍使用并得到了深入的研究。

目前，线段提取技术可以分为序惯方法和递归方法两类.序惯方法有PDBS(point distance basedmethods)算法、SEF(successive edge following)算法和LT(line tracking)算法.递归方法有IEPF(iterativeend point fit)算法和Split-Merge算法.除此以外，还有不依赖于局部信息的HT(Hough transform)方法.但以上方法都有着自己无法避免缺点。PDBS算法直接利用激光雷达探测的距离信息提取线段。该算法在分割线段时依据两相邻扫描点的直线距离。SEF算法对PDBS算法进行简化.这两种算法的缺点是对相交线段的分割失效，且由于同一线段上的扫描点空间分布不均，使阈值选取困难。LT算法依据第n+1个点到前n个点所拟合直线的距离分割线段，其对阈值敏感。IEPF算法包括递归分割和递归合并两个过程。Split-Merge算法和IEPF算法类似，区别在于分割阶段所采用的直线拟合方法不同。但这两种方法对阈值也比较敏感，容易引起过分割或过合并问题。HT算法具有简单及好的抗噪性能，但由于没有利用数据点采集序列的顺序信息，计算量大，且其采用投票的方式确定直线，提取的线段严重依赖于扫描点的空间密集程度。

针对现有算法对阈值敏感，对数据噪声敏感，鲁棒性不强等特点，我们提出了自己的基于2D激光传感器的轮廓形状测量算法，使用直线作为形状描述基元，对2D激光轮廓数据进行线段提取，拟合目标轮廓并进行特定形状的检测。

发明内容

为了解决上述现有技术上存在的问题，本发明的目的在于提供一种工件表面轮廓的二维激光实时探测方法，解决了目前常用方法无法从激光数据中稳定并且鲁棒的提取直线特征这一难题，并将该方法用于激光传感器轮廓数据的形状检测中，为后续数据处理，决策和控制提供依据。

为了达到以上目的，本发明采用如下技术方案：

一种工件表面轮廓的二维激光实时探测方法，包括以下步骤：

1)从2D激光传感器或者激光雷达中获取到一帧轮廓点数据，每个点用如下符号表示：

R＝{r₁,…,r_l}；

2)对获取的轮廓点数据做预处理，预处理包括零值轮廓点去除和重复轮廓点去除；

3)对预处理过后的轮廓点数据进行线段提取，得到轮廓点数据的线段拟合结果；

4)对线段提取的结果进行类内点删除操作，去除错误分类的边缘点，保证整个点集的直线拟合参数的正确性；

5)轮廓形状检测，获得轮廓点数据线段提取的结果之后，把所要提取的目标形状检测并定位出来。

所述对预处理过后的轮廓点数据进行线段提取的方法，包括以下步骤：

(1)使用自适应阈值的迭代中断点拟合(IEPF，Iterative End Point Fit)算法对轮廓点数据进行过分割，通过点集R的起点r₁和终点r_l确定直线L，在该点集中搜索到该直线L距离最大的点r_j，验证准则为若该点到该直线L的距离d_j大于设定的阈值threshold，则以该点为断点，将该点集分割为R'和R″两个点集，之后对每个分割点集执行相同的分割过程，直到所有点集都满足验证准则；

得到过分割之后的点集集合V：

V＝{q₁,…,q_n},q_k＝{r_i,…,r_j},k∈n

其中,q_k为第k个过分割点集，r为该点集所包含的点；

(2)建立无向图G＝[v,ε]，节点v为过分割之后的n个点集V＝{q₁,…,q_n}，无向图的边ε则表征两个节点之间的关系，分为主边和次边，定义ε表征两个点集能进一步融合的概率，其计算函数如下：

$F(q_i,q_j)=\frac{f_r(q_i,q_j)+\mathrm{\α}*f_k(q_i,q_j)+\mathrm{\β}*f_s(q_i,q_j)+\mathrm{\γ}*f_d(q_i,q_j)}{1+\mathrm{\α}+\mathrm{\β}+\mathrm{\γ}}$

其中q_i,q_j为任意两个节点,α,β,γ为常量；

f_r(q_i,q_j)为粗IEPF融合项：

其中length(q_i)为q_i点集所含轮廓点的长度，D_mid(q_i)为q_i集合远端点到IEPF拟合直线的距离，D_MAX为IEPF融合阈值,D_mid为D_mid(q_i)和D_mid(q_j)中较小的那个值；

f_k(q_i,q_j)为kmeans聚类项：

$f_k(q_i,q_j)=\left\{\begin{array}{cc}1& q_i\∈S_i\mathrm{and}{q}_j\∈S_i\\ \frac{K\left(q_i\right)-K_{\mathrm{mean}}\left(S_i\right)}{K\left(q_j\right)-K_{\mathrm{mean}}\left(S_i\right)}& q_i\∈S_i\mathrm{and}{q}_j\∉S_i\end{array}\right.$

其中S_i为kmeans聚类集合S中的第i类，K(q_i)为q_i集合直线拟合斜率，K_mean(S_i)为kmeans聚类后集合的斜率均值；

f_s(q_i,q_j)为锯齿边缘项:

$f_s(q_i,q_j)=\left\{\begin{array}{cc}\sqrt{\frac{{\left({\mathrm{length}}_{\min }(q_1,...,q_n)\right)}^2}{\mathrm{length}\left(q_i\right)*\mathrm{length}\left(q_j\right)}}& \begin{array}{c}j=i+1\mathrm{and}{k}_{q_i}*k_{q_j}<0\mathrm{and}\\ k_{q_i}*k_{q_{i-1}}<0\mathrm{and}{k}_{q_j}*k_{q_{j+1}}<0\end{array}\\ 0& \mathrm{else}\end{array}\right.$

其中q_i和q_j为点集p的左右临近点集，length_min(q₁,…,q_n)为所有点集中的最短点集的长度，k为该点集的平均斜率；

f_d(q_i,q_j)为点集距离项:

$f_d(q_i,q_j)=\exp (-\frac{1}{2\mathrm{\&sigma;}}||c_{q_i}-c_{q_j}|\left|\right)$

其中c_qi，c_qj为点集q_i，q_j中距离最近的两个点的坐标；

(3)创建分割无向图的能量函数，使分割无向图的能量函数最小化则得到过分割的点集之间的融合关系；

首先定义一下主边和次边的概念，认为节点V＝{q₁,…,q_n}是有顺序的，当一条边表示的q_i，q_j满足j＝i+1时，则该边为主边，否则该边为次边；实际上就是紧挨的点集组成的边即为主边；

在构造能量函数之前要先对无向图做几步预处理：

1)在主边中，找到极大值的边作为生长种子边：

Seed＝{c_i|sign(F_main(c_i)′)′＝-2},c_i∈ε

2)在主边中，找到函数值小于0.375的边作为截断边，作为种子边生长的最大范围：

Break＝{c_j|F_main(c_j)<0.375},c_j∈ε

所有点集被截断边分为N类，故能量函数设为：

$E\left(M\right)={\min }_{M\&GreaterEqual;N}-\log \left(\frac{{\mathrm{\&Sigma;}}_{k=1}^M\frac{{\mathrm{\&Sigma;}}_{i=1}^{m_k}{\mathrm{\&Sigma;}}_{j=i+1}^{m_k}\frac{F(q_i,q_j)}{j-i}}{m_k-1}}{M}\right)$

其中M为融合之后得到的集合的数量，m_k为融合之后第k类中包含的点集数目，m_k-1则为第k类包含的主边数目，j-i衡量的是次边的权重程度；

所述自适应阈值的IEPF算法，使用了自适应的判定阈值，阈值的自适应计算公式为：

$\mathrm{threshold}(r_i,r_j)={\mathrm{thresold}}_0+\mathrm{\&lambda;}*\frac{H}{\mathrm{length}(r_i-r_j)}$

其中r_i,r_j为轮廓数据第i个点到第j个点,H为整个轮廓数据长度，length(r_i-r_j)为r_i,r_j两点之间距离，λ为阈值步进长度；

所述使无向图的能量函数最小化的计算方法，包括以下步骤：

1)从种子边进行生长，分为前向生长和后向生长，每次把无向图中的一个新的点和跟该节点连接的边加进当前类；

2)计算加进该节点之后的能量函数内部项：

$E_{\mathrm{inter}}\left(m_k\right)=\frac{{\mathrm{\&Sigma;}}_{i=1}^{m_k}{\mathrm{\&Sigma;}}_{j=i+1}^{m_k}\frac{F(q_i,q_j)}{j-i}}{m_k-1}$

当①能量函数内部项变小

②遇到截断边

两者发生其一时，则该种子边停止生长；

3)设定停止生长的地方为新的截断边,更新截断边Break，并更新种子边Seed，返回到步骤1)，直到所有的节点都分类结束。

所述轮廓形状检测，进行如下操作，把所要提取的目标形状检测并定位出来：

1)对类内点数据进行直线拟合，使用最小二乘法直线拟合方法，得到拟合直线方程，方程参数为斜率k_i和常数b_i；

2)把包含点数大于5的直线筛选出来，初步筛选出有意义的线段；

3)根据形状检测任务设定检测先验及形状检测模板；

由于检测数据为固定位置和角度的多段线段，所以把形状检测模板设置为“直线和直线之间角度”；如果检测目标形状是固定折角形状，则形状检测模板则为两条直线，并且直线交角为固定角度；如果检测目标形状为固定梯形形状，则形状检测模板为三条直线，两相邻直线为固定夹角；如果检测目标形状为w或M形，则形状检测模板为四条直线，两相邻直线为固定角度；

4)根据形状检测模板进行匹配和筛选，对满足角度条件的线段对保留，从中按照形状检测模板直线数量和组合进行进一步筛选，最终在符合条件的结果中筛选最适合的结果。

本发明和现有技术相比，具有以下有益效果：

1)本发明提出了一种工件表面轮廓的二维激光实时探测方法，解决了、现有算法对阈值敏感，对数据噪声敏感，鲁棒性不强等缺点，可以稳定并鲁棒的对多种激光轮廓点数据(理想数据、噪声锯齿数据、畸变数据、多拐点数据)进行线段提取，得到较好的形状检测结果。

2)本发明首次把无向图理论运用到激光传感器轮廓点数据的线段提取算法中，并自己构造了概率函数来衡量不同点集可以融合的概率，概率函数包括四项：kmeans聚类项，粗IEPF融合项，锯齿边缘项和点集距离项。并对概率函数中的每一项都提出了相对应的物理意义的解释。

3)本发明根据轮廓点数据的实际情况，提出了主边和次边的概念。

4)本发明构造了适合解决点轮廓数据线段提取的多分无向图的能量函数，并在主边和次边的基础上提出了解该能量函数的方法。

5)本发明按照不同的检测模板，根据线段提取结果对轮廓点数据进行形状检测和筛选。

附图说明

图1为本发明方法整体流程图。

图2为激光传感器所获轮廓点数据示意图。

图3为自适应阈值IEPF过分割结果示意图。

图4为构造无向图示意图。

图5为粗IEPF融合项物理意义示意图。

图6为kmeans聚类项物理意义示意图。

图7为锯齿边缘项物理意义示意图。

图8为点集距离项物理意义示意图。

图9为无向图能量函数计算方法流程图。

图10为轮廓点数据线段提取结果。

图11为轮廓点数据形状检测结果。

具体实施方式

下面结合附图对本发明做进一步详细说明。

本发明提供了一种工件表面轮廓的二维激光实时探测方法，图1为方法的整体流程图，按照流程图所示总共分4大步，具体步骤如下：

步骤一：

从2D激光传感器或者激光雷达中获取到一帧轮廓点数据(如图2)，每个点可以用如下符号表示：

R＝{r₁,…,r_l}。

步骤二：

对获取的轮廓点数据做预处理，预处理步骤为：

(1)零值轮廓点去除

由于激光传感器的特性，会把超出量程的环境点的距离记为0，故需要把零值的轮廓点去除。

(2)重复轮廓点去除

激光传感器会由于机械原因获取到相同位置横坐标的轮廓点，需要提前把相同位置的重复点去除。

步骤三：

对预处理过后的轮廓点数据进行线段提取，具体步骤为：

(1)使用自适应阈值的IEPF算法对轮廓点数据进行过分割，通过点集R的起点r₁和终点r_l确定直线L，在该点集中搜索到该直线L距离最大的点r_j，验证准则为若该点到该直线L的距离d_j大于设定的阈值threshold，则以该点为断点，将该点集分割为R'和R″两个点集，之后对每个分割点集执行相同的分割过程，直到所有点集都满足验证准则。轮廓点数据的分割示意图如图3。

在这里使用了自适应的判定阈值，阈值的自适应计算公式为：

$\mathrm{threshold}(r_i,r_j)={\mathrm{thresold}}_0+\mathrm{\&lambda;}*\frac{H}{\mathrm{length}(r_i-r_j)}$

其中r_i,r_j为轮廓数据第i个点到第j个点,H为整个轮廓数据长度，length(r_i-r_j)为r_i,r_j两点之间距离，λ为阈值步进长度。

得到过分割之后的点集集合：

V＝{q₁,…,q_n},q_k＝{r_i,…,r_j},k∈n

其中,q_k为第k个过分割点集，r为该点集所包含的点；

(2)建立无向图G＝[v,ε]，节点v为过分割之后的n个点集V＝{q₁,…,q_n}，无向图的边ε则表征两个节点之间的关系，分为主边和次边，定义ε表征两个点集能进一步融合的概率，其计算函数如下：

$F(q_i,q_j)=\frac{f_r(q_i,q_j)+\mathrm{\&alpha;}*f_k(q_i,q_j)+\mathrm{\&beta;}*f_s(q_i,q_j)+\mathrm{\&gamma;}*f_d(q_i,q_j)}{1+\mathrm{\&alpha;}+\mathrm{\&beta;}+\mathrm{\&gamma;}}$

其中q_i,q_j为任意两个节点,α,β,γ为常量。

f_r(q_i,q_j)为粗IEPF融合项：

其中length(q_i)为q_i点集所含轮廓点的长度，D_mid(q_i)为q_i集合远端点到IEPF拟合直线的距离，D_MAX为IEPF融合阈值,D_mid为D_mid(q_i)和D_mid(q_j)中较小的那个值。

f_k(q_i,q_j)为kmeans聚类项：

$f_k(q_i,q_j)=\left\{\begin{array}{cc}1& q_i\&Element;S_i\mathrm{and}{q}_j\&Element;S_i\\ \frac{K\left(q_i\right)-K_{\mathrm{mean}}\left(S_i\right)}{K\left(q_j\right)-K_{\mathrm{mean}}\left(S_i\right)}& q_i\&Element;S_i\mathrm{and}{q}_j\&NotElement;S_i\end{array}\right.$

其中S_i为kmeans聚类集合S中的第i类，K(q_i)为q_i集合直线拟合斜率，K_mean(S_i)为kmeans聚类后集合的斜率均值。

f_s(q_i,q_j)为锯齿边缘项:

$f_s(q_i,q_j)=\left\{\begin{array}{cc}\sqrt{\frac{{\left({\mathrm{length}}_{\min }(q_1,...,q_n)\right)}^2}{\mathrm{length}\left(q_i\right)*\mathrm{length}\left(q_j\right)}}& \begin{array}{c}j=i+1\mathrm{and}{k}_{q_i}*k_{q_j}<0\mathrm{and}\\ k_{q_i}*k_{q_{i-1}}<0\mathrm{and}{k}_{q_j}*k_{q_{j+1}}<0\end{array}\\ 0& \mathrm{else}\end{array}\right.$

其中q_i和q_j为点集p的左右临近点集，length_min(q₁,…,q_n)为所有点集中的最短点集的长度，k为该点集的平均斜率。

f_d(q_i,q_j)为点集距离项:

$f_d(q_i,q_j)=\exp (-\frac{1}{2\mathrm{\&sigma;}}||c_{q_i}-c_{q_j}|\left|\right)$

其中c_qi，c_qj为点集q_i，q_j中距离最近的两个点的坐标。

(3)创建分割无向图的能量函数，使分割无向图的能量函数最小化则得到过分割的点集之间的融合关系。

首先定义一下主边和次边的概念，认为节点V＝{q₁,…,q_n}是有顺序的，当一条边表示的q_i，q_j满足j＝i+1时，则该边为主边，否则该边为次边；实际上就是紧挨的点集组成的边即为主边。

在构造能量函数之前要先对无向图做几步预处理：

1)在主边中，找到极大值的边作为生长种子边：

Seed＝{c_i|sign(F_main(c_i)′)′＝-2},c_i∈ε

2)在主边中，找到函数值小于0.375的边作为截断边，作为种子边生长的最大范围：

Break＝{c_j|F_main(c_j)<0.375},c_j∈ε

所有点集被截断边分为N类，故能量函数设为：

$E\left(M\right)={\min }_{M\&GreaterEqual;N}-\log \left(\frac{{\mathrm{\&Sigma;}}_{k=1}^M\frac{{\mathrm{\&Sigma;}}_{i=1}^{m_k}{\mathrm{\&Sigma;}}_{j=i+1}^{m_k}\frac{F(q_i,q_j)}{j-i}}{m_k-1}}{M}\right)$

其中M为融合之后得到的集合的数量，m_k为融合之后第k类中包含的点集数目，m_k-1则为第k类包含的主边数目，j-i衡量的是次边的权重程度。

实际解法：

当然考虑到实时性的要求，不需要求得全局最优解，只需要得到一个局部最优解即可，所以针对以上能量函数采用以下解法，算法流程图如图9所示，节点融合结果如图10所示：

1)从种子边进行生长，分为前向生长和后向生长，每次把无向图中的一个新的点和跟该节点连接的边加进当前类。

2)计算加进该节点之后的能量函数内部项：

$E_{\mathrm{inter}}\left(m_k\right)=\frac{{\mathrm{\&Sigma;}}_{i=1}^{m_k}{\mathrm{\&Sigma;}}_{j=i+1}^{m_k}\frac{F(q_i,q_j)}{j-i}}{m_k-1}$

当①能量函数内部项变小

②遇到截断边

两者发生其一时，则该种子边停止生长。

3)设定停止生长的地方为新的截断边,更新截断边Break，并更新种子边Seed，返回到步骤1)，直到所有的节点都分类结束。

步骤四：

对线段提取的结果进行类内点删除操作，该操作是为了去除一些错误分类的边缘点，保证整个点集的直线拟合参数的正确性。

具体的操作是根据点集中数据点的斜率趋势进行判断的，当边缘点的斜率趋势发生变化时，则把该边缘点去除。

步骤五：

轮廓形状检测，获得轮廓点数据线段提取的结果之后，进行如下操作，把所想要提取的目标形状检测并定位出来(形状检测结果如图11):

(1)对类内点数据进行直线拟合，使用最小二乘法直线拟合方法，得到拟合直线方程，方程参数为斜率k_i和常数b_i。

(2)这里把包含点数大于5的直线筛选出来，初步筛选出有意义的线段。

(3)根据形状检测任务设定检测先验及检测模板。

由于检测数据为固定位置和角度的多段线段，所以把形状检测模板也设置为“直线和直线之间角度”。例如：如果检测目标形状是固定折角形状，则形状模板则为两条直线，并且直线交角为固定角度；如果检测目标形状为固定梯形形状，则形状模板为三条直线，两相邻直线为固定夹角；如果检测目标形状为w或M形，则形状模板为四条直线，两相邻直线为固定角度。

(4)根据形状模板进行匹配和筛选，对满足角度条件的线段对保留，从中按照模板直线数量和组合进行进一步筛选，最终在符合条件的结果中筛选最适合的结果。

(5)对形状检测结果进行重验证。

Claims (5)

1.一种工件表面轮廓的二维激光实时探测方法，其特征在于，包括以下步骤：

1)从2D激光传感器或者激光雷达中获取到一帧轮廓点数据，每个点用如下符号表示：

R＝{r₁,…,r_l}；

2)对获取的轮廓点数据做预处理，预处理包括零值轮廓点去除和重复轮廓点去除；

3)对预处理过后的轮廓点数据进行线段提取，得到轮廓点数据的线段拟合结果；

4)对线段提取的结果进行类内点删除操作，去除错误分类的边缘点，保证整个点集的直线拟合参数的正确性；

5)轮廓形状检测，获得轮廓点数据线段提取的结果之后，把所要提取的目标形状检测并定位出来。

2.根据权利要求1所述的一种工件表面轮廓的二维激光实时探测方法，其特征在于：所述对预处理过后的轮廓点数据进行线段提取的方法，包括以下步骤：

(1)使用自适应阈值的迭代中断点拟合IEPF算法对轮廓点数据进行过分割，通过点集R的起点r₁和终点r_l确定直线L，在该点集中搜索到该直线L距离最大的点r_j，验证准则为若该点到该直线L的距离d_j大于设定的阈值threshold，则以该点为断点，将该点集分割为R'和R″两个点集，之后对每个分割点集执行相同的分割过程，直到所有点集都满足验证准则；

得到过分割之后的点集集合V：

V＝{q₁,…,q_n},q_k＝{r_i,…,r_j},k∈n

其中q_k为第k个过分割点集，r为该点集所包含的点；

(2)建立无向图G＝[v,ε]，节点v为过分割之后的n个点集V＝{q₁,…,q_n}，无向图的边ε则表征两个节点之间的关系，分为主边和次边，定义ε表征两个点集能进一步融合的概率，其计算函数如下：

$F(q_i,q_j)=\frac{f_r(q_i,q_j)+\mathrm{\&alpha;}*f_k(q_i,q_j)+\mathrm{\&beta;}*f_s(q_i,q_j)+\mathrm{\&gamma;}*f_d(q_i,q_j)}{1+\mathrm{\&alpha;}+\mathrm{\&beta;}+\mathrm{\&gamma;}}$

其中q_i,q_j为任意两个节点,α,β,γ为常量；

f_r(q_i,q_j)为粗IEPF融合项：

其中length(q_i)为q_i点集所含轮廓点的长度，D_mid(q_i)为q_i集合远端点到IEPF拟合直线的距离，D_MAX为IEPF融合阈值,D_mid为D_mid(q_i)和D_mid(q_j)中较小的那个值；

f_k(q_i,q_j)为kmeans聚类项：

$f_k(q_i,q_j)=\left\{\begin{array}{cc}1& q_i\&Element;S_i\mathrm{and}{q}_j\&Element;S_i\\ \frac{K\left(q_i\right)-K_{\mathrm{mean}}\left(S_i\right)}{K\left(q_j\right)-K_{\mathrm{mean}}\left(S_i\right)}& q_i\&Element;S_i\mathrm{adn}{q}_j\&NotElement;S_i\end{array}\right.$

其中S_i为kmeans聚类集合S中的第i类，K(q_i)为q_i集合直线拟合斜率，K_mean(S_i)为kmeans聚类后集合的斜率均值；

f_s(q_i,q_j)为锯齿边缘项:

$f_s(q_i,q_j)=\left\{\begin{array}{cc}\sqrt{\frac{{\left({\mathrm{length}}_{\min }(q_1,...,q_n)\right)}^2}{\mathrm{length}\left(q_i\right)*\mathrm{length}\left(q_j\right)}}& \begin{array}{c}j=i+1\mathrm{and}{k}_{q_i}*k_{q_j}<0\mathrm{and}\\ k_{q_i}*k_{q_{i-1}}<0\mathrm{adn}{k}_{q_j}*k_{q_{j+1}}<0\end{array}\\ 0& \mathrm{else}\end{array}\right.$

其中q_i和q_j为点集p的左右临近点集，length_min(q₁,…,q_n)为所有点集中的最短点集的长度，k为该点集的平均斜率；

f_d(q_i,q_j)为点集距离项:

$f_d(q_i,q_j)=\exp (-\frac{1}{2\mathrm{\&sigma;}}||c_{q_i}-c_{q_j}|\left|\right)$

其中c_qi，c_qj为点集q_i，q_j中距离最近的两个点的坐标；

(3)创建分割无向图的能量函数，使分割无向图的能量函数最小化则得到过分割的点集之间的融合关系；

首先定义一下主边和次边的概念，认为节点V＝{q₁,…,q_n}是有顺序的，当一条边表示的q_i，q_j满足j＝i+1时，则该边为主边，否则该边为次边；实际上就是紧挨的点集组成的边即为主边；

在构造能量函数之前要先对无向图做几步预处理：

1)在主边中，找到极大值的边作为生长种子边：

Seed＝{c_i|sign(F_main(c_i)′)′＝-2},c_i∈ε

2)在主边中，找到函数值小于0.375的边作为截断边，作为种子边生长的最大范围：

Break＝{c_j|F_main(c_j)<0.375},c_j∈ε

所有点集被截断边分为N类，故能量函数设为：

$E\left(M\right)={\min }_{M\&GreaterEqual;N}-\log \left(\frac{{\mathrm{\&Sigma;}}_{k=1}^M\frac{{\mathrm{\&Sigma;}}_{i=1}^{m_k}{\mathrm{\&Sigma;}}_{j=i+1}^{m_k}\frac{F(q_i,q_j)}{j-i}}{m_k-1}}{M}\right)$

其中M为融合之后得到的集合的数量，m_k为融合之后第k类中包含的点集数目，m_k-1则为第k类包含的主边数目，j-i衡量的是次边的权重程度。

3.根据权利要求2所述的一种工件表面轮廓的二维激光实时探测方法，其特征在于：所述自适应阈值的IEPF算法，使用了自适应的判定阈值，阈值的自适应计算公式为：

$\mathrm{threshold}(r_i,r_j)={\mathrm{threshold}}_0+\mathrm{\&lambda;}*\frac{H}{\mathrm{length}(r_i-r_j)}$

其中r_i,r_j为轮廓数据第i个点到第j个点,H为整个轮廓数据长度，length(r_i-r_j)为r_i,r_j两点之间距离，λ为阈值步进长度。

4.根据权利要求2所述的一种工件表面轮廓的二维激光实时探测方法，其特征在于：所述使无向图的能量函数最小化的计算方法，包括以下步骤：

1)从种子边进行生长，分为前向生长和后向生长，每次把无向图中的一个新的点和跟该节点连接的边加进当前类；

2)计算加进该节点之后的能量函数内部项：

$E_{\mathrm{inter}}\left(m_k\right)=\frac{{\mathrm{\&Sigma;}}_{i=1}^{m_k}{\mathrm{\&Sigma;}}_{j=i+1}^{m_k}\frac{F(q_i,q_j)}{j-i}}{m_k-1}$

当①能量函数内部项变小

②遇到截断边

两者发生其一时，则该种子边停止生长；

3)设定停止生长的地方为新的截断边,更新截断边Break，并更新种子边Seed，返回到步骤1)，直到所有的节点都分类结束。

5.根据权利要求1所述的一种工件表面轮廓的二维激光实时探测方法，其特征在于：所述轮廓形状检测，进行如下操作，把所要提取的目标形状检测并定位出来：

1)对类内点数据进行直线拟合，使用最小二乘法直线拟合方法，得到拟合直线方程，方程参数为斜率k_i和常数b_i；

2)把包含点数大于5的直线筛选出来，初步筛选出有意义的线段；

3)根据形状检测任务设定检测先验及形状检测模板；

由于检测数据为固定位置和角度的多段线段，所以把形状检测模板设置为“直线和直线之间角度”；如果检测目标形状是固定折角形状，则形状检测模板则为两条直线，并且直线交角为固定角度；如果检测目标形状为固定梯形形状，则形状检测模板为三条直线，两相邻直线为固定夹角；如果检测目标形状为w或M形，则形状检测模板为四条直线，两相邻直线为固定角度；

4)根据形状检测模板进行匹配和筛选，对满足角度条件的线段对保留，从中按照形状检测模板直线数量和组合进行进一步筛选，最终在符合条件的结果中筛选最适合的结果。