CN113487590A - 分块处理方法、装置、计算设备及存储介质 - Google Patents

Abstract

本发明公开了一种分块处理方法、装置、计算设备及存储介质，其中，分块处理方法包括：获取当前场景的场景图像；从场景图像中获取感兴趣区域的区域图像；对区域图像中的异常点情况进行分析，得到异常点数据；利用预先构建的评价模型对异常点数据进行处理，得到与当前场景对应的分块参数，以根据分块参数对感兴趣区域进行分块。根据本发明提供的技术方案，依据评价模型对区域图像对应的异常点数据进行处理，能够精准、快速地得到与当前场景对应的分块参数，实现了对分块参数的高效自动确定，有效地提高了分块参数的确定精准度和确定效率。

Description

分块处理方法、装置、计算设备及存储介质

技术领域

本发明涉及激光扫描技术领域，具体涉及一种分块处理方法、装置、计算设备及存储介质。

背景技术

随着科技的发展，工业智能化得到了飞速的发展。例如，利用机器人拆卸、码放、安装物体等。在机器人操作时，需要以当前场景对应的3D点云作为依据，从而确定物体的位置。对于3D点云，通常是利用激光扫描设备等对当前场景进行扫描，而后对扫描得到的图像进行处理而得到。

在实际激光扫描处理中，经常会出现扫描图像的部分区域的图像质量较差的情况。例如，在扫描图像的边缘区域的图像质量通常比中间区域的图像质量差；又如，在激光扫描的过程中，容易受到环境光、被测物体表面反射光等干扰，导致部分区域的图像质量较差。为了提升扫描图像的图像质量，可通过对待扫描目标区域进行分块扫描而后拼接的方式得到完整的扫描图像。然而，由于环境光干扰情况复杂等原因，很难便捷地确定合适的分块参数，通常采用不同分块参数进行多次扫描尝试的方式进行确定。如何便捷、精准地确定分块参数，成为了现有技术中亟需解决的问题。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的分块处理方法、装置、计算设备及存储介质。

根据本发明的一个方面，提供了一种分块处理方法，该方法包括：

获取当前场景的场景图像；

从场景图像中获取感兴趣区域的区域图像；

对区域图像中的异常点情况进行分析，得到异常点数据；

利用预先构建的评价模型对异常点数据进行处理，得到与当前场景对应的分块参数，以根据分块参数对感兴趣区域进行分块。

进一步地，分块参数包括：分块数量和重叠率。

进一步地，异常点数据包括：异常点占比；

对区域图像中的异常点情况进行分析，得到异常点数据进一步包括：

识别区域图像中存在的异常点，计算异常点在区域图像中的占比，得到异常点占比。

进一步地，在利用预先构建的评价模型对异常点数据进行处理之前，该方法还包括：

获取收集到的与多个样本区域图像对应的样本异常点数据、与多个样本区域图像对应的样本分块参数以及与多个样本区域图像对应的样本点云质量参数；

利用与多个样本区域图像对应的样本异常点数据、与多个样本区域图像对应的样本分块参数以及与多个样本区域图像对应的样本点云质量参数，构建样本数据集；

根据样本数据集进行训练，构建得到评价模型。

进一步地，获取收集到的与多个样本区域图像对应的样本异常点数据、与多个样本区域图像对应的样本分块参数以及与多个样本区域图像对应的样本点云质量参数进一步包括：

获取多个样本区域图像，对多个样本区域图像中的异常点情况进行分析，得到与多个样本区域图像对应的样本异常点数据；

针对每个样本区域图像对应的样本感兴趣区域，按照样本分块参数对样本感兴趣区域进行分块，得到样本分块参数对应的分块组，并确定分块组中每个分块对应的激光扫描范围；根据每个分块对应的激光扫描范围，对每个分块进行激光扫描，得到每个分块的样本3D点云；对多个分块的样本3D点云进行分析，得到与该样本区域图像对应的样本点云质量参数。

进一步地，根据样本数据集进行训练，构建得到评价模型进一步包括：

从样本数据集中提取与样本区域图像对应的样本异常点数据、与样本区域图像对应的样本分块参数以及与样本区域图像对应的样本点云质量参数；

将样本异常点数据和样本点云质量参数输入至初始评价模型中进行训练，得到与样本区域图像对应的初始分块结果；

根据初始分块结果和与样本区域图像对应的样本分块参数，更新初始评价模型的权重参数；

循环迭代执行上述步骤，直至满足迭代结束条件，得到评价模型。

根据本发明的另一方面，提供了一种分块处理装置，该装置包括：

图像获取模块，适于获取当前场景的场景图像；从场景图像中获取感兴趣区域的区域图像；

分析模块，适于对区域图像中的异常点情况进行分析，得到异常点数据；

处理模块，适于利用预先构建的评价模型对异常点数据进行处理，得到与当前场景对应的分块参数，以根据分块参数对感兴趣区域进行分块。

进一步地，分块参数包括：分块数量和重叠率。

进一步地，异常点数据包括：异常点占比；

分析模块进一步适于：

识别区域图像中存在的异常点，计算异常点在区域图像中的占比，得到异常点占比。

进一步地，该装置还包括：

样本获取模块，适于获取收集到的与多个样本区域图像对应的样本异常点数据、与多个样本区域图像对应的样本分块参数以及与多个样本区域图像对应的样本点云质量参数；利用与多个样本区域图像对应的样本异常点数据、与多个样本区域图像对应的样本分块参数以及与多个样本区域图像对应的样本点云质量参数，构建样本数据集；

模型构建模块，适于根据样本数据集进行训练，构建得到评价模型。

进一步地，样本获取模块进一步适于：

获取多个样本区域图像，对多个样本区域图像中的异常点情况进行分析，得到与多个样本区域图像对应的样本异常点数据；

针对每个样本区域图像对应的样本感兴趣区域，按照样本分块参数对样本感兴趣区域进行分块，得到样本分块参数对应的分块组，并确定分块组中每个分块对应的激光扫描范围；根据每个分块对应的激光扫描范围，对每个分块进行激光扫描，得到每个分块的样本3D点云；对多个分块的样本3D点云进行分析，得到与该样本区域图像对应的样本点云质量参数。

进一步地，模型构建模块进一步适于：

从样本数据集中提取与样本区域图像对应的样本异常点数据、与样本区域图像对应的样本分块参数以及与样本区域图像对应的样本点云质量参数；

将样本异常点数据和样本点云质量参数输入至初始评价模型中进行训练，得到与样本区域图像对应的初始分块结果；

根据初始分块结果和与样本区域图像对应的样本分块参数，更新初始评价模型的权重参数；

循环迭代执行上述步骤，直至满足迭代结束条件，得到评价模型。

根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；

存储器用于存放至少一可执行指令，可执行指令使处理器执行上述分块处理方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述分块处理方法对应的操作。

根据本发明提供的技术方案，依据大量的样本数据进行训练，充分分析分块参数和图像质量之间的关联关系，得到评价模型；依据评价模型对区域图像对应的异常点数据进行处理，能够精准、快速地得到与当前场景对应的分块参数，实现了对分块参数的高效自动确定，有效地提高了分块参数的确定精准度和确定效率；依据分块参数对感兴趣区域进行分块，实现了合理分块，通过分块扫描而后拼接的方式，能够便捷地得到感兴趣区域的3D点云，并且有效地提高了3D点云的精准度。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1a示出了根据本发明一个实施例的分块处理方法的流程示意图；

图1b示出了场景图像中的感兴趣区域的示意图；

图2示出了根据本发明一个实施例的分块处理装置的结构框图；

图3示出了根据本发明实施例的一种计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1a示出了根据本发明一个实施例的分块处理方法的流程示意图，如图1a所示，该方法包括如下步骤：

步骤S101，获取当前场景的场景图像。

其中，可通过图像采集设备对当前场景进行图像采集，得到当前场景的场景图像，其中，图像采集设备可为3D图像采集设备等，3D图像采集设备具体可为3D相机，3D图像采集设备采集得到的场景图像可为3D图像，例如深度图像等。另外，图像采集设备还可为2D图像采集设备，此处不做限定。2D图像采集设备具体可为普通的2D相机，2D图像采集设备采集得到的场景图像可为RGB图像。

步骤S102，从场景图像中获取感兴趣区域的区域图像。

在获取了当前场景的场景图像之后，对该场景图像中的感兴趣区域进行识别，具体地，可根据当前场景的扫描需求等进行感兴趣区域识别。例如当前场景是需要对托盘、料筐、笼车等码放容器进行扫描，则将场景图像中码放容器对应的区域作为感兴趣区域。而后从场景图像中获取感兴趣区域的区域图像。其中，区域图像是指感兴趣区域在场景图像中所对应的图像。

图1b示出了场景图像中的感兴趣区域的示意图，如图1b所示，场景图像11中的阴影部分12拍摄的是传送带，根据当前场景的扫描需求，将传送带对应的区域作为感兴趣区域，那么感兴趣区域的区域图像即为阴影部分12对应的图像。

步骤S103，对区域图像中的异常点情况进行分析，得到异常点数据。

在步骤S103中，可识别区域图像中存在的异常点，并对区域图像中的异常点情况进行分析，得到异常点数据。其中，异常点包括但不限于：飞点、空点、奇异点。飞点是指飞出在图像以外的点；空点是指图像中空缺的点；奇异点是指图像中的某些样点与其周围像素相差太大，在视觉上比较刺目的点。异常点数据可包括：异常点占比。具体地，可通过计算异常点在区域图像中的占比，得到异常点占比，例如可计算异常点的数量与区域图像中所有点的数量的比值，将计算结果作为异常点占比。

步骤S104，利用预先构建的评价模型对异常点数据进行处理，得到与当前场景对应的分块参数，以根据分块参数对感兴趣区域进行分块。

在得到了异常点数据之后，依据异常点数据，自动地确定与当前场景对应的分块参数，以根据分块参数对感兴趣区域进行分块。其中，分块参数包括：分块数量和重叠率。例如当分块数量为3，重叠率为4％时，说明需要将感兴趣区域划分成3个分块，相邻两个分块存在4％的区域是重叠的。按照预设方向(如从左到右的方向)，这3个分块依次为分块1、分块2和分块3，其中，分块1和分块2存在4％的区域是重叠的，分块2和分块3存在4％的区域是重叠的。

其中，可利用预先构建的评价模型来确定分块参数。考虑到分块参数和图像质量之间具有潜在的关联关系，而图像质量可通过异常点数据、点云质量参数等进行反映。为了能够构建用于反映该关联关系的评价模型，需要收集与多个样本区域图像对应的样本异常点数据、与多个样本区域图像对应的样本分块参数以及与多个样本区域图像对应的样本点云质量参数，利用这些数据进行训练得到评价模型。具体地，获取收集到的与多个样本区域图像对应的样本异常点数据、与多个样本区域图像对应的样本分块参数以及与多个样本区域图像对应的样本点云质量参数，其中，为了得到数据丰富的样本数据集，不同的样本区域图像可采用不同的样本分块参数进行分块；接着利用与多个样本区域图像对应的样本异常点数据、与多个样本区域图像对应的样本分块参数以及与多个样本区域图像对应的样本点云质量参数，构建样本数据集；然后根据样本数据集进行训练，构建得到评价模型。

为了使得所构建的评价模型能够更加适用于实际应用中的扫描场景，可选择实际应用中扫描场景或者与实际应用中扫描场景相似的场景作为样本场景，例如在机器人拆垛码垛的应用中，可选择包含有托盘、料筐、笼车等码放容器的场景作为样本场景。获取样本场景的多个样本场景图像，从多个样本场景图像中提取样本感兴趣区域，并为每个样本场景图像设置对应的样本分块参数。针对每个样本区域图像对应的样本感兴趣区域，按照样本分块参数对样本感兴趣区域进行分块，得到样本分块参数对应的分块组，并确定分块组中每个分块对应的激光扫描范围；根据每个分块对应的激光扫描范围，对每个分块进行激光扫描，得到每个分块的样本3D点云；对多个分块的样本3D点云进行分析，得到与该样本区域图像对应的样本点云质量参数。其中，样本点云质量参数可为多个分块的样本3D点云的点云质量参数的平均值、方差等。

具体地，针对每个样本区域图像对应的样本感兴趣区域，在得到该样本分块参数对应的分块组之后，记录该分块组中的每个分块在样本感兴趣区域中的位置信息，确定每个分块对应的激光扫描范围。利用激光扫描设备，对每个分块进行激光扫描，得到每个分块的样本3D点云，而后对该分块组中的多个分块的样本3D点云进行分析，得到与该样本区域图像对应的样本点云质量参数。

针对每个分块，根据该分块对应的激光扫描范围，配置该分块对应的激光扫描参数，其中，激光扫描参数包括：激光扫描角度范围、激光信号强度以及激光扫描速度等。在实际应用中，为了获得较好的扫描效果，可采用较慢的激光扫描速度进行扫描，以使单位时间内激光能量集中，提高信噪比。激光扫描设备包括激光光源以及振镜等，其中，振镜包括振镜电机，振镜电机上还连接有反射镜片。振镜电机根据激光扫描设备的指令进行转动，振镜电机的转动带动其所连接的反射镜片进行转动，从而调整反射镜片的位置。针对每个分块，可依据该分块对应的激光扫描参数，控制激光扫描设备中振镜的转动，利用振镜反射出的激光对该分块进行激光扫描，从而得到该分块的样本3D点云。在得到了所有分块的样本3D点云之后，对多个分块的样本3D点云的点云质量进行分析，例如分析点云噪声比、点云密度、点云厚度和点云重叠度等，得到与该样本区域图像对应的样本点云质量参数。其中，点云噪声即粗差，从空间分布上可以分为点状粗差和簇状粗差；点云密度是指激光数据点的密度，随着激光扫描技术的发展，每平方米可达上百个点；点云厚度是指待分析的3D点云中平坦区域中点云高程的误差；点云重叠度是指待分析的3D点云的航带的凸多边形和相邻点云的航带的凸多边形相交的区域面积与待评价的3D点云的航带的凸多边形的比值。

在完成了样本数据集的构建之后，可根据样本数据集进行训练，构建得到评价模型。评价模型的构建过程可包括：从样本数据集中提取与样本区域图像对应的样本异常点数据、与样本区域图像对应的样本分块参数以及与样本区域图像对应的样本点云质量参数；将样本异常点数据和样本点云质量参数输入至初始评价模型中进行训练，得到与样本区域图像对应的初始分块结果；根据初始分块结果和与样本区域图像对应的样本分块参数，更新初始评价模型的权重参数；循环迭代执行上述步骤，直至满足迭代结束条件，得到评价模型。

在训练过程中，初始评价模型的输入变量为样本异常点数据和样本点云质量参数，输出为训练得到的分块参数，即初始分块结果。可以利用梯度下降法或拟牛顿法等调整初始评价模型的权重参数，以使损失函数达到全局最小。其中，迭代结束条件可包括：迭代次数达到迭代次数阈值；和/或，损失函数的输出值小于损失阈值。那么可以通过判断迭代次数是否达到迭代次数阈值来判断是否满足迭代结束条件，也可以根据损失函数的输出值是否小于损失阈值来判断是否满足迭代结束条件。在满足迭代结束条件之后，停止迭代处理，从而得到评价模型，该评价模型即为经过训练的、构建得到的模型，该模型包括有异常点数据、点云质量参数和分块参数之间的对应关系。

在完成了评价模型的构建之后，当需要对当前场景中的感兴趣区域进行分块时，将步骤S103得到的异常点数据以及预先设置的目标点云质量参数输入至评价模型中进行处理，评价模型输出得到与当前场景对应的分块参数。利用评价模型能够精准、快速、自动地确定与当前场景对应的分块参数，有效地提高了分块参数的确定精准度和确定效率。

在确定了与当前场景对应的分块参数之后，根据分块参数对感兴趣区域进行分块，并记录每个分块在感兴趣区域中的位置信息，确定每个分块对应的激光扫描范围。利用激光扫描设备，对每个分块进行激光扫描，得到每个分块的3D点云。而后根据多个分块在感兴趣区域中的位置信息，对多个分块的3D点云进行拼接处理，得到感兴趣区域的3D点云，以便根据3D点云进行物体识别、物体抓取点确定等处理。

根据本实施例提供的分块处理方法，依据大量的样本数据进行训练，充分分析分块参数和图像质量之间的关联关系，得到评价模型；依据评价模型对区域图像对应的异常点数据进行处理，能够精准、快速地得到与当前场景对应的分块参数，实现了对分块参数的高效自动确定，有效地提高了分块参数的确定精准度和确定效率；依据分块参数对感兴趣区域进行分块，实现了合理分块，通过分块扫描而后拼接的方式，能够便捷地得到感兴趣区域的3D点云，并且有效地提高了3D点云的精准度。

图2示出了根据本发明一个实施例的分块处理装置的结构框图，如图2所示，该装置包括：图像获取模块210、分析模块220以及处理模块230。

图像获取模块210适于：获取当前场景的场景图像；从场景图像中获取感兴趣区域的区域图像。

分析模块220适于：对区域图像中的异常点情况进行分析，得到异常点数据。

处理模块230适于：利用预先构建的评价模型对异常点数据进行处理，得到与当前场景对应的分块参数，以根据分块参数对感兴趣区域进行分块。

可选地，分块参数包括：分块数量和重叠率。

可选地，异常点数据包括：异常点占比；分析模块220进一步适于：识别区域图像中存在的异常点，计算异常点在区域图像中的占比，得到异常点占比。

可选地，该装置还包括：样本获取模块240和模型构建模块250。

样本获取模块240适于：获取收集到的与多个样本区域图像对应的样本异常点数据、与多个样本区域图像对应的样本分块参数以及与多个样本区域图像对应的样本点云质量参数；利用与多个样本区域图像对应的样本异常点数据、与多个样本区域图像对应的样本分块参数以及与多个样本区域图像对应的样本点云质量参数，构建样本数据集。

模型构建模块250适于：根据样本数据集进行训练，构建得到评价模型。

可选地，样本获取模块240进一步适于：获取多个样本区域图像，对多个样本区域图像中的异常点情况进行分析，得到与多个样本区域图像对应的样本异常点数据；针对每个样本区域图像对应的样本感兴趣区域，按照样本分块参数对样本感兴趣区域进行分块，得到样本分块参数对应的分块组，并确定分块组中每个分块对应的激光扫描范围；根据每个分块对应的激光扫描范围，对每个分块进行激光扫描，得到每个分块的样本3D点云；对多个分块的样本3D点云进行分析，得到与该样本区域图像对应的样本点云质量参数。

可选地，模型构建模块250进一步适于：从样本数据集中提取与样本区域图像对应的样本异常点数据、与样本区域图像对应的样本分块参数以及与样本区域图像对应的样本点云质量参数；将样本异常点数据和样本点云质量参数输入至初始评价模型中进行训练，得到与样本区域图像对应的初始分块结果；根据初始分块结果和与样本区域图像对应的样本分块参数，更新初始评价模型的权重参数；循环迭代执行上述步骤，直至满足迭代结束条件，得到评价模型。

根据本实施例提供的分块处理装置，依据大量的样本数据进行训练，充分分析分块参数和图像质量之间的关联关系，得到评价模型；依据评价模型对区域图像对应的异常点数据进行处理，能够精准、快速地得到与当前场景对应的分块参数，实现了对分块参数的高效自动确定，有效地提高了分块参数的确定精准度和确定效率；依据分块参数对感兴趣区域进行分块，实现了合理分块，通过分块扫描而后拼接的方式，能够便捷地得到感兴趣区域的3D点云，并且有效地提高了3D点云的精准度。

本发明还提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，可执行指令可执行上述任意方法实施例中的分块处理方法。

图3示出了根据本发明实施例的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图3所示，该计算设备可以包括：处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。

其中：

处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。

通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器302，用于执行程序310，具体可以执行上述分块处理方法实施例中的相关步骤。

具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。

处理器302可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器306，用于存放程序310。存储器306可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序310具体可以用于使得处理器302执行上述任意方法实施例中的分块处理方法。程序310中各步骤的具体实现可以参见上述分块处理实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (14)

1.一种分块处理方法，所述方法包括：

获取当前场景的场景图像；

从所述场景图像中获取感兴趣区域的区域图像；

对所述区域图像中的异常点情况进行分析，得到异常点数据；

利用预先构建的评价模型对所述异常点数据进行处理，得到与当前场景对应的分块参数，以根据所述分块参数对所述感兴趣区域进行分块。

2.根据权利要求1所述的方法，其中，所述分块参数包括：分块数量和重叠率。

3.根据权利要求1所述的方法，其中，所述异常点数据包括：异常点占比；

所述对所述区域图像中的异常点情况进行分析，得到异常点数据进一步包括：

识别所述区域图像中存在的异常点，计算所述异常点在所述区域图像中的占比，得到异常点占比。

4.根据权利要求1-3任一项所述的方法，其中，在利用预先构建的评价模型对所述异常点数据进行处理之前，所述方法还包括：

获取收集到的与多个样本区域图像对应的样本异常点数据、与多个样本区域图像对应的样本分块参数以及与多个样本区域图像对应的样本点云质量参数；

利用与多个样本区域图像对应的样本异常点数据、与多个样本区域图像对应的样本分块参数以及与多个样本区域图像对应的样本点云质量参数，构建样本数据集；

根据所述样本数据集进行训练，构建得到评价模型。

5.根据权利要求4所述的方法，其中，所述获取收集到的与多个样本区域图像对应的样本异常点数据、与多个样本区域图像对应的样本分块参数以及与多个样本区域图像对应的样本点云质量参数进一步包括：

获取多个样本区域图像，对多个样本区域图像中的异常点情况进行分析，得到与多个样本区域图像对应的样本异常点数据；

针对每个样本区域图像对应的样本感兴趣区域，按照样本分块参数对所述样本感兴趣区域进行分块，得到所述样本分块参数对应的分块组，并确定所述分块组中每个分块对应的激光扫描范围；根据每个分块对应的激光扫描范围，对每个分块进行激光扫描，得到每个分块的样本3D点云；对多个分块的样本3D点云进行分析，得到与该样本区域图像对应的样本点云质量参数。

6.根据权利要求4所述的方法，其中，所述根据所述样本数据集进行训练，构建得到评价模型进一步包括：

从所述样本数据集中提取与样本区域图像对应的样本异常点数据、与所述样本区域图像对应的样本分块参数以及与所述样本区域图像对应的样本点云质量参数；

将所述样本异常点数据和所述样本点云质量参数输入至初始评价模型中进行训练，得到与样本区域图像对应的初始分块结果；

根据所述初始分块结果和与所述样本区域图像对应的样本分块参数，更新所述初始评价模型的权重参数；

循环迭代执行上述步骤，直至满足迭代结束条件，得到评价模型。

7.一种分块处理装置，所述装置包括：

图像获取模块，适于获取当前场景的场景图像；从所述场景图像中获取感兴趣区域的区域图像；

分析模块，适于对所述区域图像中的异常点情况进行分析，得到异常点数据；

处理模块，适于利用预先构建的评价模型对所述异常点数据进行处理，得到与当前场景对应的分块参数，以根据所述分块参数对所述感兴趣区域进行分块。

8.根据权利要求7所述的装置，其中，所述分块参数包括：分块数量和重叠率。

9.根据权利要求7所述的装置，其中，所述异常点数据包括：异常点占比；

所述分析模块进一步适于：

识别所述区域图像中存在的异常点，计算所述异常点在所述区域图像中的占比，得到异常点占比。

10.根据权利要求7-9任一项所述的装置，其中，所述装置还包括：

样本获取模块，适于获取收集到的与多个样本区域图像对应的样本异常点数据、与多个样本区域图像对应的样本分块参数以及与多个样本区域图像对应的样本点云质量参数；利用与多个样本区域图像对应的样本异常点数据、与多个样本区域图像对应的样本分块参数以及与多个样本区域图像对应的样本点云质量参数，构建样本数据集；

模型构建模块，适于根据所述样本数据集进行训练，构建得到评价模型。

11.根据权利要求10所述的装置，其中，所述样本获取模块进一步适于：

获取多个样本区域图像，对多个样本区域图像中的异常点情况进行分析，得到与多个样本区域图像对应的样本异常点数据；

针对每个样本区域图像对应的样本感兴趣区域，按照样本分块参数对所述样本感兴趣区域进行分块，得到所述样本分块参数对应的分块组，并确定所述分块组中每个分块对应的激光扫描范围；根据每个分块对应的激光扫描范围，对每个分块进行激光扫描，得到每个分块的样本3D点云；对多个分块的样本3D点云进行分析，得到与该样本区域图像对应的样本点云质量参数。

12.根据权利要求10所述的装置，其中，所述模型构建模块进一步适于：

从所述样本数据集中提取与样本区域图像对应的样本异常点数据、与所述样本区域图像对应的样本分块参数以及与所述样本区域图像对应的样本点云质量参数；

将所述样本异常点数据和所述样本点云质量参数输入至初始评价模型中进行训练，得到与样本区域图像对应的初始分块结果；

根据所述初始分块结果和与所述样本区域图像对应的样本分块参数，更新所述初始评价模型的权重参数；

循环迭代执行上述步骤，直至满足迭代结束条件，得到评价模型。

13.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-6中任一项所述的分块处理方法对应的操作。

14.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-6中任一项所述的分块处理方法对应的操作。

Images