点云数据处理方法及装置、电子设备和存储介质专利检索-采样信号处理专利检索查询-专利查询网

点云 数据处理方法及装置、电子设备和存储介质

阅读：1032发布：2020-06-07

专利汇可以提供点云数据处理方法及装置、电子设备和存储介质专利检索，专利查询，专利分析的服务。并且本公开涉及一种点云数据处理方法及装置、电子设备和存储介质，其中，所述方法包括：获取待处理点云数据；根据所述待处理点云数据，生成第一点云数据；合并所述待处理点云数据与所述第一点云数据，得到合并点云数据。，下面是点云数据处理方法及装置、电子设备和存储介质专利的具体信息内容。

权利要求

1.一种点云数据处理方法，其特征在于，所述方法包括：
获取待处理点云数据；
根据所述待处理点云数据，生成第一点云数据；
合并所述待处理点云数据与所述第一点云数据，得到合并点云数据。
2.根据权利要求1所述的方法，其特征在于，在所述得到合并点云数据之后，所述方法还包括：
对所述合并点云数据中的至少部分点的位置进行调整，得到第二点云数据。
3.根据权利要求2所述的方法，其特征在于，在所述得到第二点云数据之后，所述方法还包括：
按照与目标分辨率对应的采样密度，对所述第二点云数据进行采样，得到所述目标分辨率的点云数据。
4.根据权利要求2或3所述的方法，其特征在于，在所述待处理点云数据为目标点云数据的部分，且所述待处理点云数据与所述目标点云数据为一组样本数据的情况下，在所述得到所述第二点云数据之后，所述方法还包括：
对比所述第二点云数据与所述目标点云数据，并得到对比结果；
根据所述对比结果，调整如下过程中涉及的至少一项参数：生成所述第一点云数据使用的参数、得到所述合并点云数据使用的参数，以及得到所述第二点云数据使用的参数。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述根据所述待处理点云数据，生成第一点云数据，包括：
通过编码器网络，得到所述待处理点云数据的全局特征；
根据所述待处理点云数据的全局特征，通过生成器网络，得到所述第一点云数据。
6.根据权利要求5所述的方法，其特征在于，在所述通过编码器网络，得到所述待处理点云数据的全局特征之前，所述方法还包括：
获取所述待处理点云数据中点的第一特征；
所述通过编码器网络，得到所述待处理点云数据的全局特征，包括：
将所述待处理点云数据中点的第一特征经第一多层感知机，得到所述待处理点云数据中点的第二特征，所述第二特征的维度大于所述第一特征的维度；
将所述待处理点云数据中点的第二特征经最大池化，得到所述待处理点云数据的全局特征。
7.根据权利要求5或6所述的方法，其特征在于，所述根据所述待处理点云数据的全局特征，通过生成器网络，得到所述第一点云数据，包括：
获取目标二维平面中的目标点坐标；
根据所述待处理点云数据的全局特征以及所述目标点坐标，经多个第二多层感知机，将所述待处理点云数据中的多个点分别映射到多个三维曲面中的每个曲面上，所述第二多层感知机的数量与所述三维曲面的数量相同；
对所述多个三维曲面进行合并，以得到所述第一点云数据。
8.根据权利要求2至4中任意一项所述的方法，其特征在于，所述对所述合并点云数据中的至少部分点的位置进行调整，得到第二点云数据，包括：
获取所述合并点云数据中点的变化量；
根据所述变化量对所述合并点云数据中至少部分点的位置进行调整，得到第二点云数据。
9.根据权利要求8所述的方法，其特征在于，所述获取所述合并点云数据中点的变化量，包括：
根据所述合并点云数据中点的第三特征以及来源数据，经第三多层感知机，得到所述合并点云数据中点的第四特征，所述第四特征的维度大于所述第三特征的维度，所述来源数据包括所述待处理点云数据和所述第一点云数据中的一项；
根据所述合并点云数据中点的第四特征，经第四多层感知机，得到所述合并点云数据中点的第五特征；
将所述合并点云数据中点的第五特征经最大池化，得到所述合并点云数据的全局特征；
合并所述合并点云数据中点的第五特征以及所述合并点云数据的全局特征，经第五多层感知机得到所述合并点云数据中点的变化量。
10.一种点云数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取待处理点云数据；
生成模块，用于根据所述待处理点云数据，生成第一点云数据；
合并模块，用于合并所述待处理点云数据与所述第一点云数据，得到合并点云数据。
11.根据权利要求10所述的装置，其特征在于，所述装置还包括：
调整模块，用于对所述合并点云数据中的至少部分点的位置进行调整，得到第二点云数据。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括：
采样模块，用于按照与目标分辨率对应的采样密度，对所述第二点云数据进行采样，得到所述目标分辨率的点云数据。
13.根据权利要求11或12所述的装置，其特征在于，在所述待处理点云数据为目标点云数据的部分，且所述待处理点云数据与所述目标点云数据为一组样本数据的情况下，所述装置还包括：
训练模块，用于对比所述第二点云数据与所述目标点云数据，并得到对比结果；根据所述对比结果，调整如下过程中涉及的至少一项参数：生成所述第一点云数据使用的参数、得到合并点云数据使用的参数，以及得到第二点云数据使用的参数。
14.根据权利要求10至13中任意一项所述的装置，其特征在于，所述生成模块，具体用于通过编码器网络，得到所述待处理点云数据的全局特征；根据所述待处理点云数据的全局特征，通过生成器网络，得到所述第一点云数据。
15.根据权利要求14所述的装置，其特征在于，
所述获取模块，还用于获取所述待处理点云数据中点的第一特征；
所述生成模块，具体用于将所述待处理点云数据中点的第一特征经第一多层感知机，得到所述待处理点云数据中点的第二特征，所述第二特征的维度大于所述第一特征的维度；将所述待处理点云数据中点的第二特征经最大池化，得到所述待处理点云数据的全局特征。
16.根据权利要求14或15所述的装置，其特征在于，所述生成模块，具体用于获取目标二维平面中的目标点坐标；根据所述待处理点云数据的全局特征以及所述目标点坐标，经多个第二多层感知机，将所述待处理点云数据中的多个点分别映射到多个三维曲面中的每个曲面上，所述第二多层感知机的数量与所述三维曲面的数量相同；对所述多个三维曲面进行合并，以得到所述第一点云数据。
17.根据权利要求11至13中任意一项所述的装置，其特征在于，所述调整模块，具体用于获取所述合并点云数据中点的变化量；根据所述变化量对所述合并点云数据中至少部分点的位置进行调整，得到第二点云数据。
18.根据权利要求17所述的装置，其特征在于，所述调整模块，具体用于根据所述合并点云数据中点的第三特征以及来源数据，经第三多层感知机，得到所述合并点云数据中点的第四特征，所述第四特征的维度大于所述第三特征的维度，所述来源数据包括所述待处理点云数据和所述第一点云数据中的一项；根据所述合并点云数据中点的第四特征，经第四多层感知机，得到所述合并点云数据中点的第五特征；将所述合并点云数据中点的第五特征经最大池化，得到所述合并点云数据的全局特征；合并所述合并点云数据中点的第五特征以及所述合并点云数据的全局特征，经第五多层感知机得到所述合并点云数据中点的变化量。
19.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至9中任意一项所述的方法。
20.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。

说明书全文

点云 数据处理方法及装置、电子设备和存储介质

技术领域

[0001] 本公开涉及计算机视觉技术领域，尤其涉及一种点云数据处理方法及装置、电子设备和存储介质。

背景技术

[0002] 目前，计算机视觉领域中会涉及到对点云数据的处理，例如，在虚拟现实、增强现实、自动驾驶、医学三维图像处理等应用场景中，都会涉及对点云数据的处理，利用点云数据重构物体。通常，可以通过传感器获取场景中表征物体的点云数据。

[0003] 但是，不同传感器适用的工作条件不尽相同，从而导致在一些场景获取的点云数据通常是不完整的。发明内容

[0004] 本公开提出了一种点云数据处理技术方案。

[0005] 根据本公开的一方面，提供了一种点云数据处理方法，包括：

[0006] 获取待处理点云数据；根据所述待处理点云数据，生成第一点云数据；合并所述待处理点云数据与所述第一点云数据，得到合并点云数据。

[0007] 在一种可能的实现方式中，在所述得到合并点云数据之后，所述方法还包括：对所述合并点云数据中的至少部分点的位置进行调整，得到第二点云数据。

[0008] 在一种可能的实现方式中，在所述得到第二点云数据之后，所述方法还包括：按照与目标分辨率对应的采样密度，对所述第二点云数据进行采样，得到所述目标分辨率的点云数据。

[0009] 在一种可能的实现方式中，在所述待处理点云数据为目标点云数据的部分，且所述待处理点云数据与所述目标点云数据为一组样本数据的情况下，在所述得到所述第二点云数据之后，所述方法还包括：对比所述第二点云数据与所述目标点云数据，并得到对比结果；根据所述对比结果，调整如下过程中涉及的至少一项参数：生成所述第一点云数据使用的参数、得到所述合并点云数据使用的参数，以及得到所述第二点云数据使用的参数。

[0010] 在一种可能的实现方式中，所述根据所述待处理点云数据，生成第一点云数据，包括：通过编码器网络，得到所述待处理点云数据的全局特征；根据所述待处理点云数据的全局特征，通过生成器网络，得到所述第一点云数据。

[0011] 在一种可能的实现方式中，在所述通过编码器网络，得到所述待处理点云数据的全局特征之前，所述方法还包括：获取所述待处理点云数据中点的第一特征；所述通过编码器网络，得到所述待处理点云数据的全局特征，包括：将所述待处理点云数据中点的第一特征经第一多层感知机，得到所述待处理点云数据中点的第二特征，所述第二特征的维度大于所述第一特征的维度；将所述待处理点云数据中点的第二特征经最大池化，得到所述待处理点云数据的全局特征。

[0012] 在一种可能的实现方式中，所述根据所述待处理点云数据的全局特征，通过生成器网络，得到所述第一点云数据，包括：获取目标二维平面中的目标点坐标；根据所述待处理点云数据的全局特征以及所述目标点坐标，经多个第二多层感知机，将所述待处理点云数据中的多个点分别映射到多个三维曲面中的每个曲面上，所述第二多层感知机的数量与所述三维曲面的数量相同；对所述多个三维曲面进行合并，以得到所述第一点云数据。

[0013] 在一种可能的实现方式中，所述对所述合并点云数据中的至少部分点的位置进行调整，得到第二点云数据，包括：获取所述合并点云数据中点的变化量；根据所述变化量对所述合并点云数据中至少部分点的位置进行调整，得到第二点云数据。

[0014] 在一种可能的实现方式中，所述获取所述合并点云数据中点的变化量，包括：根据所述合并点云数据中点的第三特征以及来源数据，经第三多层感知机，得到所述合并点云数据中点的第四特征，所述第四特征的维度大于所述第三特征的维度，所述来源数据包括所述待处理点云数据和所述第一点云数据中的一项；根据所述合并点云数据中点的第四特征，经第四多层感知机，得到所述合并点云数据中点的第五特征；将所述合并点云数据中点的第五特征经最大池化，得到所述合并点云数据的全局特征；合并所述合并点云数据中点的第五特征以及所述合并点云数据的全局特征，经第五多层感知机得到所述合并点云数据中点的变化量。

[0015] 在一种可能的实现方式中，所述第一特征包括三维特征，所述第二特征包括1024维特征，所述第一多层感知机依次包括输入为3通道、输出为64通道的多层感知机，输入为64通道、输出为128通道的多层感知机，以及输入为128通道、输出为1024通道的多层感知机。

[0016] 在一种可能的实现方式中，所述目标点坐标包括二维特征，所述第二多层感知机依次包括输入为1026通道、输出为513通道的多层感知机，输入为513通道、输出为256通道的多层感知机，以及输入为256通道、输出为3通道的多层感知机。

[0017] 在一种可能的实现方式中，所述变化量包括三维特征，所述第三多层感知机包括输入为4通道、输出为64通道的多层感知机；所述第四多层感知机依次包括输入为64通道、输出为128通道的多层感知机，以及输入为128通道、输出为1024通道的多层感知机；所述第五多层感知机依次包括输入为1088通道、输出为512通道的多层感知机，输入为512通道、输出为256通道的多层感知机，输入为256通道、输出为128通道的多层感知机，输入为128通道、输出为3通道的多层感知机。

[0018] 根据本公开的一方面，提供了一种点云数据处理装置，所述装置包括：

[0019] 获取模块，用于获取待处理点云数据；

[0020] 生成模块，用于根据所述待处理点云数据，生成第一点云数据；

[0021] 合并模块，用于合并所述待处理点云数据与所述第一点云数据，得到合并点云数据。

[0022] 在一种可能的实现方式中，所述装置还包括：调整模块，用于对所述合并点云数据中的至少部分点的位置进行调整，得到第二点云数据。

[0023] 在一种可能的实现方式中，所述装置还包括：采样模块，用于按照与目标分辨率对应的采样密度，对所述第二点云数据进行采样，得到所述目标分辨率的点云数据。

[0024] 在一种可能的实现方式中，在所述待处理点云数据为目标点云数据的部分，且所述待处理点云数据与所述目标点云数据为一组样本数据的情况下，所述装置还包括：训练模块，用于对比所述第二点云数据与所述目标点云数据，并得到对比结果；根据所述对比结果，调整如下过程中涉及的至少一项参数：生成所述第一点云数据使用的参数、得到合并点云数据使用的参数，以及得到第二点云数据使用的参数。

[0025] 在一种可能的实现方式中，所述生成模块，具体用于通过编码器网络，得到所述待处理点云数据的全局特征；根据所述待处理点云数据的全局特征，通过生成器网络，得到所述第一点云数据。

[0026] 在一种可能的实现方式中，所述获取模块，还用于获取所述待处理点云数据中点的第一特征；所述生成模块，具体用于将所述待处理点云数据中点的第一特征经第一多层感知机，得到所述待处理点云数据中点的第二特征，所述第二特征的维度大于所述第一特征的维度；将所述待处理点云数据中点的第二特征经最大池化，得到所述待处理点云数据的全局特征。

[0027] 在一种可能的实现方式中，所述生成模块，具体用于获取目标二维平面中的目标点坐标；根据所述待处理点云数据的全局特征以及所述目标点坐标，经多个第二多层感知机，将所述待处理点云数据中的多个点分别映射到多个三维曲面中的每个曲面上，所述第二多层感知机的数量与所述三维曲面的数量相同；对所述多个三维曲面进行合并，以得到所述第一点云数据。

[0028] 在一种可能的实现方式中，所述调整模块，具体用于获取所述合并点云数据中点的变化量；根据所述变化量对所述合并点云数据中至少部分点的位置进行调整，得到第二点云数据。

[0029] 在一种可能的实现方式中，所述调整模块，具体用于根据所述合并点云数据中点的第三特征以及来源数据，经第三多层感知机，得到所述合并点云数据中点的第四特征，所述第四特征的维度大于所述第三特征的维度，所述来源数据包括所述待处理点云数据和所述第一点云数据中的一项；根据所述合并点云数据中点的第四特征，经第四多层感知机，得到所述合并点云数据中点的第五特征；将所述合并点云数据中点的第五特征经最大池化，得到所述合并点云数据的全局特征；合并所述合并点云数据中点的第五特征以及所述合并点云数据的全局特征，经第五多层感知机得到所述合并点云数据中点的变化量。

[0030] 在一种可能的实现方式中，所述第一特征包括三维特征，所述第二特征包括1024维特征，所述第一多层感知机依次包括输入为3通道、输出为64通道的多层感知机，输入为64通道、输出为128通道的多层感知机，以及输入为128通道、输出为1024通道的多层感知机。

[0031] 在一种可能的实现方式中，所述目标点坐标包括二维特征，所述第二多层感知机依次包括输入为1026通道、输出为513通道的多层感知机，输入为513通道、输出为256通道的多层感知机，以及输入为256通道、输出为3通道的多层感知机。

[0032] 在一种可能的实现方式中，所述变化量包括三维特征，所述第三多层感知机包括输入为4通道、输出为64通道的多层感知机；所述第四多层感知机依次包括输入为64通道、输出为128通道的多层感知机，以及输入为128通道、输出为1024通道的多层感知机；所述第五多层感知机依次包括输入为1088通道、输出为512通道的多层感知机，输入为512通道、输出为256通道的多层感知机，输入为256通道、输出为128通道的多层感知机，输入为128通道、输出为3通道的多层感知机。

[0033] 根据本公开的一方面，提供了一种电子设备，包括：

[0034] 处理器；

[0035] 用于存储处理器可执行指令的存储器；

[0036] 其中，所述处理器被配置为：执行上述点云数据处理方法。

[0037] 根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述点云数据处理方法。

[0038] 在本公开实施例中，可以获取待处理点云数据，然后可以根据所述待处理点云数据，生成第一点云数据，再将待处理点云数据与第一点云数据进行合并，可以得到合并点云数据。通过这种方式，可以对待处理点云数据进行修补，得到较为完整的合并点云数据，合并点云数据中保留了待处理点云数据的相关信息，可以提高得到的合并点云数据的准确性。

[0039] 应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

[0040] 根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

[0041] 此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

[0042] 图1示出根据本公开实施例的点云数据处理方法的流程图。

[0043] 图2示出根据本公开实施例的得到待处理点云数据的全局特征一示例的框图。

[0044] 图3示出根据本公开实施例的得到第一点云数据一示例的框图。

[0045] 图4示出根据本公开实施例的得到第二点云数据一示例的框图。

[0046] 图5示出根据本公开实施例的得到第二点云数据一示例的框图。

[0047] 图6示出根据本公开实施例的信息处理装置的框图。

[0048] 图7示出根据本公开实施例的电子设备示例的框图。

具体实施方式

[0049] 以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

[0050] 在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

[0051] 本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

[0052] 另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

[0053] 本公开实施例提供的点云数据处理方案，可以获取待处理点云数据，然后根据待处理点云数据，生成第一点云数据，从而可以对待处理点云数据进行初步修补。然后可以合并待处理点云数据与第一点云数据，得到合并点云数据，对待处理点云数据进行再次修补。这样，可以对待处理点云数据进行修补，得到较为完整的合并点云。

[0054] 在一些实施例中，会利用卷积神经网络对表示点云数据的体素进行卷积操作，以对点云数据进行修补。但是这种方式的时间和空间复杂度较高，例如，当体素的分辨率是3
128的情况下，通常需要200万个体素表示一个三维形状，并且进行一次卷积操作会耗费大量的处理时间与处理资源，由于时间和空间复杂度的限制，得到的修补结果的分辨率较低，一些细节信息会被删除，使得修补结果不够准确。而本公开实施例提供的点云数据处理方案，可以利用神经网络对待处理点云数据直接进行处理，可以减少时间与空间的复杂度，修补后得到的合并点云数据可以保留原始待处理点云数据的细节信息，提高修补结果的准确性。

[0055] 图1示出根据本公开实施例的点云数据处理方法的流程图。该点云数据处理方法可以由终端设备、服务器或其它类型的电子设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该点云数据处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。下面以电子设备作为执行主体为例对本公开实施例的点云数据处理方法进行说明。

[0056] 步骤S11，获取待处理点云数据。

[0057] 在本公开实施例中，待处理点云数据可以是待修补的点云数据，通常为存在缺失的点云数据。待处理点云数据可以包括多个点以及多个点的位置信息。位置信息可以是点在世界坐标系下的位置信息，或者，还可以是点在参考坐标系下的位置信息，例如，可以是以待处理点云数据的采集场景为基准建立的参考坐标系。这里，电子设备可以对所在场景进行点云数据采集，得到待处理点云数据。或者，电子设备可以从其他设备获取待处理点云数据。

[0058] 需要说明的是，本公开实施例获取的缺失点云数据，可以应用于模型(比如包括步骤S12中提到的神经网络等)的训练过程，还可以应用于模型的实际使用过程中。在模型的训练过程中，待处理点云数据可以是在完整的点云数据中提取的部分点云数据，待处理点云数据和完整的点云数据可以作为模型的一组训练样本，其中，待处理点云数据可以作为模型的输入样本，完整的点云数据可以作为输入样本的标签。在模型的实际使用过程中，待处理点云数据可以是采集的待修补的点云数据，即，待处理点云数据中包括的点云数量较少，很难表示完整的物体，可以通过训练好的模型对待处理点云数据中的点进行补充、调整等，以得到可以表示完整物体或者基本上可以表示相对完整物体的点云数据。

[0059] 步骤S12，根据所述待处理点云数据，生成第一点云数据。

[0060] 在本公开实施例中，可以利用神经网络对待处理点云数据进行特征提取，生成第一点云数据。这里，可以将待处理点云数据的位置信息作为神经网络的输入，利用神经网络得到第一点云数据中点的位置信息。这里的位置信息可以是坐标信息，进而第一点云数据可以是根据待处理点云数据的坐标信息对待处理点云数据进行修补得到。

[0061] 在一个可能的实现方式中，神经网络可以包括编码器网络以及生成器网络。可以先通过编码器网络，得到待处理点云数据的全局特征，再根据待处理点云数据的全局特征，通过生成器网络，得到第一点云数据。

[0062] 在该实现方式中，首先，可以利用编码器网络对输入的待处理点云数据进行特征提取，例如，对待处理点云数据进行激活操作、上采样操作、下采样操作、池化操作等，以实现特征提取，可以得到待处理点云数据的全局特征。待处理点云数据的全局特征可以表征待处理点云数据的整体位置信息，并且具有良好的鲁棒性。在经过编码器网络之后，可以将待处理点云数据的全局特征作为生成器网络的输入，利用生成器网络对待处理点云数据的全局特征进行特征提取，例如，对待处理点云数据的全局特征进行通道增加操作、全连接操作、激活操作、通道减少操作等，以实现特征提取，可以由生成器网络得到第一点云数据。这样，根据待处理点云数据的全局特征，可以初步对待处理点云数据进行修补，由于待处理点云数据的全局特征具有待处理点云数据的整体位置信息，从而得到的第一点云数据具备完整点云数据的大致形状，也就意味着，相比较于待处理点云数据而言，第一点云数据通常为粗粒度点云数据，具有更加丰富的轮廓数据，即包括完整点云数据中表征物体大致形状的点的位置信息。

[0063] 在该实现方式的一个示例中，可以获取待处理点云数据中点的第一特征，然后将待处理点云数据中点的第一特征经第一多层感知机，得到待处理点云数据中点的第二特征，再将待处理点云数据中点的第二特征经最大池化，得到待处理点云数据的全局特征。这里，第二特征的维度大于第一特征的维度。

[0064] 在该示例中，第一特征可以是对待处理点云数据中多个点的位置信息进行变换得到的，例如，可以对待处理点云数据的位置信息进刚性变换、仿射变换等变换，如将待处理点云数据形成的矩阵与变换矩阵相乘，或者，还可以在于变换矩阵相乘之后再进行平移，得到更加适合神经网络处理的待处理点云数据中点的第一特征。待处理点云数据中点第一特征对应的维度可以与待处理点云数据的位置信息对应的维度相同，例如，待处理点云数据的位置信息可以是3维特征，待处理点云数据中点第一特征也可以对应的是3维特征。

[0065] 进一步地，在得到待处理点云数据中点的第一特征之后，可以利用编码网络包括的第一多层感知机对多个点的第一特征进行特征提取，例如，对多个点的第一特征进行激活操作、全连接操作、通道增加操作等，可以得到待处理点云数据中点的第二特征。第二特征的维度可以大于第一特征的维度，从而第二特征相比于第一特征具有更加全面的信息。然后可以利用编码网络对待处理点云数据中点的第二特征进行最大池化操作，可以得到待处理点云数据的全局特征。最大池化操作可以在待处理点云数据中点的第二特征中提取最重要的位置信息，减少神经网络网络的处理量。这里，最大池化操作也可以替换为其他能够达到类似效果的操作。

[0066] 在一个示例中，第一特征可以包括三维特征，第二特征可以包括1024维特征，第一多层感知机可以依次包括输入为3通道、输出为64通道的多层感知机，输入为64通道、输出为128通道的多层感知机，以及输入为128通道、输出为1024通道的多层感知机。

[0067] 在该示例中，第一多层感知机可以包括多个全连接层，第一多层感知机可以不断增加特征提取的维度，由三维的第一特征得到1024维的第二特征，从而可以更加细致的对待处理点云数据进行特征提取。这里，待处理点云数据中点的第一特征可以作为第一多层感知机的输入，第一多层感知机依次包括输入为3通道、输出为64通道的多层感知机，输入为64通道、输出为128通道的多层感知机，以及输入为128通道、输出为1024通道的多层感知机，从而利用第一多层感知机，可以依次提取待处理点云数据中点的64维特征、128维特征、1024维特征。其中，提取的待处理点云数据中点的1024维特征可以是第二特征。

[0068] 下面结合附图对得到待处理点云数据的全局特征的过程进行说明。图2示出根据本公开实施例的得到待处理点云数据的全局特征一示例的框图。在该示例中，可以将待处理点云数据输入神经网络的编码器网络中，待处理点云数据的特征矩阵大小是n×3，其中，n可以是待处理点云数据中点的个数，3可以表示通道数，即，待处理点云数据中点的坐标信息对应3个通道。然后可以利用编码器网络对待处理点云数据进行仿射变换，即，可以将待处理点云数据的特征矩阵与变换矩阵相乘，得到待处理点云数据中点的第一特征。这里，变换矩阵可以对应3×3维特征，待处理点云数据中点的第一特征形成的特征矩阵大小可以是n×3。然后可以利用第一多层感知机对待处理点云数据中点的第一特征进行多次全连接操作，不断增加待处理点云数据中点的特征的维数，即，由3维特征、64维特征、128维特征到1024维特征，最终可以得到待处理点云数据中点的第二特征，待处理点云数据中点的第二特征可以形成一个大小为n×1024的特征矩阵，其中，n可以是点的个数，1024可以是每个点的特征维数。然后可以对n×1024的特征矩阵进行最大池化操作，得到待处理点云数据的全局特征，该全局特征的大小可以是1×1024。通过这种方式，可以利用神经网络得到待处理点云数据中点的全局特征。这里，n为正整数。

[0069] 在该实现方式的另一个示例中，可以获取目标二维平面中的目标点坐标，然后根据待处理点云数据的全局特征以及目标点坐标，经多个第二多层感知机，将待处理点云数据中的多个点分别映射到多个三维曲面中的每个曲面上，然后对多个三维曲面进行合并，以得到所述第一点云数据。这里，第二多层感知机的数量与三维曲面的数量相同。

[0070] 在该示例中，目标二维平面可以是正方形、矩形、圆形等任意形状的二维平面。在一种实现方式中，目标二维平面可以为任意一个二维平面，或是按照一定规则确定的某个特定的二维平面。目标二维平面中可以包括多个二维点，目标点可以是在目标二维平面中的多个二维点中进行采样得到，例如，以目标二维平面是1m2的正方形为例，对该正方形中的二维点进行随机采集或是按照一定规则采集，可以得到目标点。目标点可以来自于[0,1]2的单位平面，目标点坐标可以是目标点在目标二维平面内的位置对应的二维坐标。进一步地，可以将待处理点云数据的全局特征与目标点坐标相结合，例如，将待处理点云数据的全局特征与目标点坐标进行拼接，得到一个拼接特征。假设待处理点云数据的全局特征是1024维特征，目标点坐标对应2维特征，得到拼接特征可以是1026维特征。需要说明的是，对于上述全局特征以及目标点坐标对应的特征的拼接方式，在本申请实施例中不予限定，可以在全局特征之前或是之后增加2维特征等。

[0071] 上述神经网络中的生成器网络可以包括多个第二多层感知机，利用多个第二多层感知机可以将目标二维平面进行变形，比如通过对目标二维平面进行扭曲的方式，可以得到多个三维曲面，通过一组第二多层感知机可以得到对应的一个三维曲面。这里，可以将待处理点云数据的全局特征与目标点坐标相结合的拼接特征作为多个第二多层感知机的输入，借助目标点坐标，可以将待处理点云数据中的多个点分别映射到多个三维曲面中的每个曲面上，由多个第二多层感知机输出多个三维曲面中的每个曲面上点。再将多个三维曲面中的点进行合并，可以得到第一点云数据。这里，采样的目标点越多，得到的每个曲面上的点也越多，从而可以通过对目标二维平面中的点进行多次采样，得到足够密集的第一点云数据。

[0072] 在一个示例中，上述目标点坐标可以包括二维特征，第二多层感知机可以依次包括输入为1026通道、输出为513通道的多层感知机，输入为513通道、输出为256通道的多层感知机，以及输入为256通道、输出为3通道的多层感知机。

[0073] 在该示例中，第二多层感知机可以包括多个全连接层，第二多层感知机可以不断减少特征提取的维度，例如，可以由1026维拼接得到3维的第一点云数据。这里，由待处理点云数据的全局特征以及目标点坐标相结合后得到的拼接特征，可以作为多个第二多层感知机的输入，第二多层感知机依次包括输入为1026通道、输出为513通道的多层感知机，输入为513通道、输出为256通道的多层感知机，以及输入为256通道、输出为3通道的多层感知机，从而利用多个第二多层感知机，可以依次得到每个曲面中点的513维特征、256维特征、3维特征。其中，每个曲面中点的3维特征可以是点的三维坐标信息。

[0074] 图3示出根据本公开实施例的得到第一点云数据一示例的框图。举例来说，待处理点云数据的全局特征可以是1024维特征，随机采样或是按照一定规则得到的目标点坐标可以对应2维特征，然后可以将目标点坐标对应的2维特征与待处理点云数据的全局特征进行拼接(图3中以将目标点坐标的2维特征添加到待处理点云数据的全局特征之前为例进行拼接)，得到一个拼接特征，该拼接特征可以对应1026维特征。然后利用K组第二多层感知机，可以将待处理点云数据中的多个点分别映射到K个三维曲面中的每个曲面上，由K个三维曲面上的点可以形成第一点云数据。这里，K为正整数。需要说明的是，K可以表示三维曲面的数量，三维曲面的数量越多(即，K的取值越大)，形成的第一点云数据可以包括更多的三维曲面上的点，从而得到的第一点云数据具有更加丰富、更加准确地点云数据。相应地，K还可以第二多层感知机的数量，第二多层感知机的数量越多(即，K的取值越大)，得到的第一点云数据的计算量越大，从而在实际应用过程中，可以结合对第一点云数据精度的需求以及电子设备的计算能力等方面，对K进行合理设置。

[0075] 步骤S13，合并所述待处理点云数据与所述第一点云数据，得到合并点云数据。

[0076] 在本公开实施例中，在得到第一点云数据之后，可以将待处理点云数据和第一点云数据进行合并，得到合并点云数据，合并点云数据可以是对待处理点云数据进行修补的修补结果。合并点云数据可以包括待处理点云数据中的点以及第一点云数据中的点。由于合并点云数据中包括了待处理点云数据中的点，因此合并点云数据保留了待处理点云数据的结构、位置等细节信息，再由于合并点云数据中包括了第一点云数据中的点，因此合并点云数据还包括了完整点云所具备的形状信息，从而使得到的修补后的结果包括更丰富的数据，也就使基于待处理点云数据得到的合并点云数据更接近完整的点云数据，即基于待处理点云数据得到的补全结果更加准确。

[0077] 在一个可能的实现方式中，对合并点云数据中的至少部分点的位置进行调整，得到第二点云数据。

[0078] 在该实现方式中，由待处理点云数据和第一点云数据进行合并后形成的合并点云数据，由于待处理点云数据与第一点云数据可能会存在重合的区域，和/或，待处理点云数据与第一点云数据的点云密度可能会不一致，从而合并点云数据中的点的分布可能不是均匀，一些区域的点可能比较密集，一些区域的点可能比较稀疏，进而可以对合并点云数据中的至少部分点的位置进行调整，以得到分布较为均匀的第二点云数据。

[0079] 在该实现方式的一个示例中，可以获取合并点云数据中点的变化量，然后根据变化量对合并点云数据中至少部分点的位置进行调整，得到第二点云数据。

[0080] 在该示例中，上述神经网络包括细化网络，可以利用上述神经网络的细化网络得到合并点云数据中点的变化量，合并点云数据可以作为细化网络的输入，然后经过细化网络，可以得到合并点云数据中点的变化量。例如，对合并点云数据进行多级激活操作、全连接操作、池化操作等，可以得到合并点云数据中点的变化量。然后可以利用合并点云数据的变化量对合并点云数据的进行调整，例如，可以将合并点云数据中点的坐标信息与合并点云数据的变化量进行融合，或者，可以对合并点云数据中点的坐标信息进行特征提取后再与合并点云数据的变化量融合，可以得到第二点云数据。第二点云数据可以是对第一点云数据中点的位置进行调整后得到的进一步细化的点云，相比较于待处理点云数据而言，第二点云数据通常为细粒度点云数据，具有更丰富的点的坐标信息，相比较于合并点云数据而言，第二点云数据中点的分布更加均匀，且第二点云数据中经过调整后得到的点的坐标信息更加准确。

[0081] 在一个示例中，可以根据合并点云数据中点的第三特征以及来源数据，经第三多层感知机，得到合并点云数据中点的第四特征。这里，第四特征的维度大于第三特征的维度，上述来源数据可以包括待处理点云数据和第一点云数据中的一项。然后根据合并点云数据中点的第四特征，经第四多层感知机，可以得到合并点云数据中点的第五特征，再将合并点云数据中点的第五特征经最大池化，可以得到合并点云数据的全局特征。最后将合并点云数据中点的第五特征以及合并点云数据的全局特征进行合并，经第五多层感知机可以得到合并点云数据中点的变化量。

[0082] 在该示例中，可以先获取合并点云数据中点对应的来源数据，该来源数据可以指示合并点云数据中的点来源于待处理点云数据或者第一点云数据。例如，如果合并点云数据中的一个点来源于待处理点云数据，该点对应的来源数据可以表示为1；如果合并点云数据中的一个点来源于待处理点云数据，该点对应的来源数据可以表示为0。然后可以将合并点云数据的第三特征与来源数据进行合并，例如，合并点云数据对应3个维度特征，来源数据对应1个通道，则可以形成一个对应4通道数据。这里，合并点云数据的第三特征可以是合并点云数据中点的坐标信息。然后可以利用细化网络包括的第三多层感知机对该4通道数据进行特征提取，例如，进行至少一次全连接操作，可以得到合并点云数据中每个点的第四特征，第四特征的维度大于第三特征的维度。可以利用细化网络包括的第四多层感知机对合并点云数据中每个点的第四特征进行多次全连接操作、激活操作等，得到合并点云数据中点的第五特征。可以对合并点云数据中点的第五特征经最大池化，得到合并点云数据的全局特征。可以对合并点云数据的全局特征进行复制，例如，将合并点云数据的全局特征复制成m个，n是合并点云数据中点的数量，将m个全局特征与合并点云数据中点的第五特征进行拼接后，再经过细化网络包括的第五多层感知机，可以得到合并点云数据中点的变化量。利用第五多层感知机可以进行多次全连接操作、激活操作，得到合并点云数据中点的变化量。

[0083] 这里，根据合并点云数据以及合并点云数据中点的来源，可以得到较为准确的合并点云数据中点的变化量，从而可以进一步利用得到的变化量对合并点云数据中至少部分点的位置进行调整，从而使得调整后得到的第二点云数据更贴近于完整的点云数据。

[0084] 在一个示例中，变化量可以包括三维特征，第三多层感知机包括输入为4通道、输出为64通道的多层感知机；第四多层感知机依次包括输入为64通道、输出为128通道的多层感知机，以及输入为128通道、输出为1024通道的多层感知机；第五多层感知机依次包括输入为1088通道、输出为512通道的多层感知机，输入为512通道、输出为256通道的多层感知机，输入为256通道、输出为128通道的多层感知机，输入为128通道、输出为3通道的多层感知机。

[0085] 在该示例中，第三多层感知机可以包括多个全连接层，第三多层感知机可以增加特征提取的维度，例如，可以由合并点云数据和来源数据形成的4维特征得到64维的第四特征。这里，合并点云数据和来源数据形成的4维特征可以作为第三多层感知机的输入，64维的第四特征可以作为第三多层感知机的输出。第四多层感知机可以包括多个全连接层，第三多层感知机可以不断增加特征提取的维度，例如，可以将64维的第四特征得到1024维的第五特征。利用第四多层感知机可以依次得到合并点云数据中点的128维特征、1024维特征。第五多层感知机可以包括多个全连接层，可以将合并点云数据中点的第五特征以及所述合并点云数据的全局特征进行合并得到的特征作为第五多层感知机的输入特征，该输入特征可以是1088维度。利用第五多层感知机可以依次得到512维特征、256维特征、128维特征以及变化量的3维特征。

[0086] 图4示出根据本公开实施例的得到第二点云数据一示例的框图。合并点云的点云数据和来源数据对应4个通道，然后可以多层感知机对点云数据和来源数据进行特征提取，得到由合并点云数据中点的第四特征形成的m×64的特征矩阵，该第四特征可以对应64个通道，然后可以继续利用多层感知机对第四特征形成的特征矩阵进行特征提取，通道数由64增加至128，再由128增加至1024，可以得到由合并点云数据中点的第五特征形成的m×
1024的特征矩阵，对该特征矩阵进行最大池化操作，可以得到合并点云数据的全局特征(1024维度)。然后可以将全局特征复制为m份将复制后的全局特征与第四特征形成的特征矩阵进行拼接，得到一个m×1088的特征矩阵。然后利用多层感知机对该特征矩阵进行全连接操作、激活操作、通道降低操作(通道数分别为512、256、128、3)等操作，得到合并点云数据中点的变化量。该变化量可以包括合并点云中点的坐标变化，然后将合并点云数据中点的变化量与合并点云数据进行融合，可以得到第二点云数据的点云数据。这里，m可以是合并点云数据中点的个数，m可以与上述的n相同或不同。一般情况下，合并点云数据中点的数量m大于待处理点云数据中点的数量n。

[0087] 在一个示例中，在得到第二点云数据之后，还可以按照与目标分辨率对应的采样密度，对第二点云数据进行采样，得到目标分辨率的点云数据。

[0088] 在该示例中，可以对第二点云数据进行采样，从而可以满足对输出的第二点云数据不同分辨率的需求。这里，可以按照与目标分辨率对应的采样密度，对第二点云数据进行采样，例如，目标分辨率要求每个单位空间包括300个点，从而可以根据该目标分辨率按照每个单位空间300个点的采样密度，对第二点云数据进行采样，得到目标分辨率的点云数据。

[0089] 在一个可能的实现方式中，待处理点云数据可以是目标点云数据的部分，且待处理点云数据与目标点云数据为一组样本数据的情况下，在得到所述第二点云数据之后，可以对比第二点云数据与目标点云数据，并得到对比结果，然后根据对比结果，调整如下过程中涉及的至少一项参数：生成第一点云数据使用的参数、得到合并点云数据使用的参数，以及得到第二点云数据使用的参数。其中，目标点云数据指的是完整的点云数据，或是接近完整的点云数据。

[0090] 在该实现方式中，可以利用样本数据对神经网络进行训练。上述待处理点云数据可以是在目标点云数据中提取的部分点云数据，待处理点云数据与该待处理点云数据对应的目标点云数据可以是一组样本数据。在利用神经网络对待处理点云数据进行修补得到第二点云数据之后，可以将第二点云数据与目标点云数据进行比对，得到比对结果，然后可以根据该比对结果对神经网络包括的至少一个子神经网络的参数进行调整，即，可以对生成第一点云数据的使用编码器网络和/或生成器网络的参数进行调整，和/或，对得到合并点云数据使用的参数进行调整，和/或，对得到第二点云数据使用的细化网络的参数进行调整。通过不断对神经网络的参数进行调整，可以得到训练好的神经网络，利用训练好的神经网络可以实现对待处理点云数据的修补。

[0091] 下面结合附图对本公开实施例提供的得到第二点云数据的过程进行说明。

[0092] 图5示出根据本公开实施例的得到第二点云数据一示例的框图。如图5所示，可以将存在缺失的待处理点云数据的三维坐标信息输入神经网络，利用神经网络的编码器网络对待处理点云数据中点的位置进行特征提取，可以得到待处理点云数据的全局特征，将待处理点云数据的全局特征和目标点坐标输入神经网络的生成器网络，利用生成器网络将目标点映射到多个三维曲面上，可以得到第一点云数据。可以将第一点云数据与待处理点云数据进行合并，得到合并点云数据。可以利用细化网络对合并点云数据进行特征提取，可以得到合并点云数据中点的变化量，并将该变化量与合并点云数据中点的坐标信息进行融合，可以得到最终的第二点云数据，实现对待处理点云数据的修补。

[0093] 在神经网络的训练过程中，可以将第一点云数据与目标点云数据进行对比，得到第一对比结果，将第二点云数据与目标点云数据进行对比，得到第二对比结果。根据第一对比结果和第二对比结果可以共同对神经网络的参数进行调整，以得到训练好的神经网络。

[0094] 当然，根据第一比对结果可以对编码器网络、生成器网络等至少一项涉及到的参数进行调整，以使得到的第一点云数据所包括的形状信息与目标点云数据的匹配度更高，即使得到的第一点云数据与目标点云数据的轮廓等更相近。同样的，根据第二比对结果可以对编码器网络、生成器网络、细化网络等至少一项涉及到的参数进行调整，以使第二点云数据所包括的形状信息、语义信息等细节内容与目标点云数据的匹配度更高，即，使得到的第二点云数据更接近于目标点云数据。

[0095] 此外，还可以结合第一对比结果以及第二对比结果，对上述涉及到的网络等至少一项涉及到的参数进行调整，从而在形状信息等大框架内容、语义信息等细节内容上进行权衡，以得到较佳的调整结果，从而使调整后的神经网络能够依据待处理点云数据，得到与目标点云数据吻合度较高的第二点云数据。

[0096] 需要说明的是，本公开实施例提供的技术方案可以应用于三维场景重建、点配准的扩展等等，本公开实施例对此不做限定。

[0097] 可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

[0098] 此外，本公开还提供了装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种点云数据处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

[0099] 本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

[0100] 图6示出根据本公开实施例的信息处理装置的框图，如图6所示，所述装置包括：

[0101] 获取模块61，用于获取待处理点云数据；

[0102] 生成模块62，用于根据所述待处理点云数据，生成第一点云数据；

[0103] 合并模块63，用于合并所述待处理点云数据与所述第一点云数据，得到合并点云数据。

[0104] 在一种可能的实现方式中，所述装置还包括：调整模块，用于对所述合并点云数据中的至少部分点的位置进行调整，得到第二点云数据。

[0105] 在一种可能的实现方式中，所述装置还包括：采样模块，用于按照与目标分辨率对应的采样密度，对所述第二点云数据进行采样，得到所述目标分辨率的点云数据。

[0106] 在一种可能的实现方式中，在所述待处理点云数据为目标点云数据的部分，且所述待处理点云数据与所述目标点云数据为一组样本数据的情况下，所述装置还包括：

[0107] 训练模块，用于对比所述第二点云数据与所述目标点云数据，并得到对比结果；根据所述对比结果，调整如下过程中涉及的至少一项参数：生成所述第一点云数据使用的参数、得到合并点云数据使用的参数，以及得到第二点云数据使用的参数。

[0108] 在一种可能的实现方式中，所述生成模块62，具体用于通过编码器网络，得到所述待处理点云数据的全局特征；根据所述待处理点云数据的全局特征，通过生成器网络，得到所述第一点云数据。

[0109] 在一种可能的实现方式中，所述获取模块61，还用于获取所述待处理点云数据中点的第一特征；所述生成模块62，具体用于将所述待处理点云数据中点的第一特征经第一多层感知机，得到所述待处理点云数据中点的第二特征，所述第二特征的维度大于所述第一特征的维度；将所述待处理点云数据中点的第二特征经最大池化，得到所述待处理点云数据的全局特征。

[0110] 在一种可能的实现方式中，所述生成模块62，具体用于获取目标二维平面中的目标点坐标；根据所述待处理点云数据的全局特征以及所述目标点坐标，经多个第二多层感知机，将所述待处理点云数据中的多个点分别映射到多个三维曲面中的每个曲面上，所述第二多层感知机的数量与所述三维曲面的数量相同；对所述多个三维曲面进行合并，以得到所述第一点云数据。

[0111] 在一种可能的实现方式中，所述调整模块，具体用于获取所述合并点云数据中点的变化量；根据所述变化量对所述合并点云数据中至少部分点的位置进行调整，得到第二点云数据。

[0112] 在一种可能的实现方式中，所述调整模块，具体用于根据所述合并点云数据中点的第三特征以及来源数据，经第三多层感知机，得到所述合并点云数据中点的第四特征，所述第四特征的维度大于所述第三特征的维度，所述来源数据包括所述待处理点云数据和所述第一点云数据中的一项；根据所述合并点云数据中点的第四特征，经第四多层感知机，得到所述合并点云数据中点的第五特征；将所述合并点云数据中点的第五特征经最大池化，得到所述合并点云数据的全局特征；合并所述合并点云数据中点的第五特征以及所述合并点云数据的全局特征，经第五多层感知机得到所述合并点云数据中点的变化量。

[0113] 在一种可能的实现方式中，所述第一特征包括三维特征，所述第二特征包括1024维特征，所述第一多层感知机依次包括输入为3通道、输出为64通道的多层感知机，输入为64通道、输出为128通道的多层感知机，以及输入为128通道、输出为1024通道的多层感知机。

[0114] 在一种可能的实现方式中，所述目标点坐标包括二维特征，所述第二多层感知机依次包括输入为1026通道、输出为513通道的多层感知机，输入为513通道、输出为256通道的多层感知机，以及输入为256通道、输出为3通道的多层感知机。

[0115] 在一种可能的实现方式中，所述变化量包括三维特征，所述第三多层感知机包括输入为4通道、输出为64通道的多层感知机；所述第四多层感知机依次包括输入为64通道、输出为128通道的多层感知机，以及输入为128通道、输出为1024通道的多层感知机；所述第五多层感知机依次包括输入为1088通道、输出为512通道的多层感知机，输入为512通道、输出为256通道的多层感知机，输入为256通道、输出为128通道的多层感知机，输入为128通道、输出为3通道的多层感知机。

[0116] 在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

[0117] 本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

[0118] 电子设备可以被提供为终端、服务器或其它形态的设备。

[0119] 图7是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

[0120] 电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

[0121] 在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

[0122] 本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

[0123] 计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

[0124] 这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

[0125] 用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

[0126] 这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

[0127] 这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

[0128] 也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

[0129] 附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0130] 以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

标题	发布/更新时间	阅读量
清洁机器人及其控制方法、存储介质	2020-08-01	2
三维星地链路密织网探测三维降雨场的方法及系统	2021-07-06	2
一种测试用井下小信号接收与发送的控制方法	2022-06-13	0
一种基于孔洞填充的残缺模型检索与重建方法	2022-11-08	1
一种基于宽度学习的视觉诱发电位识别情绪方法	2020-09-05	2
一种基于导向矢量优化与对角加载相结合的波束形成方法	2021-01-01	1
一种基于红外图像拼接融合算法的高压容器检测方法	2021-12-01	0
基于数值跟踪的电机控制方法及系统	2020-07-13	2
一种用于喀斯特地区试验土壤结皮采集装置及其使用方法	2022-10-29	1
一种多通道空气颗粒物采样器及其分流装置	2020-09-11	0

点云数据处理方法及装置、电子设备和存储介质

点云数据处理方法及装置、电子设备和存储介质

技术领域

背景技术

附图说明

具体实施方式

该功能需要专业版企业版VIP权限，您可以：