CN113724374A - 点云数据处理方法和装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供的点云数据处理方法和装置、电子设备及存储介质，涉及数据处理技术领域。在本申请中，首先，将待处理点云数据集划分为多个点云数据子集；其次，针对多个点云数据子集中的每一个目标点云数据子集，确定该目标点云数据子集对应的特征点区域的可见性信息；然后，若基于可见性信息确定有至少一个待处理点云数据子集，则针对每一个待处理点云数据子集，基于该待处理点云数据子集中的点数据分别确定对应的每一个特征点的可见性信息，其中，待处理点云数据子集对应的特征点区域的可见性信息满足目标可见性条件。基于上述方法，可以改善现有技术中对于点云数据的处理存在处理效果不佳的问题。

Description

点云数据处理方法和装置、电子设备及存储介质

技术领域

本申请涉及数据处理技术领域，具体而言，涉及一种点云数据处理方法和装置、电子设备及存储介质。

背景技术

在表情驱动、虚拟数字人、虚拟三维特效等应用场景中，为了重建出高精度的人脸，需要确定点云的可见性(每一个三维点的可见性)。其中，点云的可见性一般是指，三维点对摄像机是否可见，例如，三维点正对摄像机则对摄像机为可见，若被其他点遮挡，则对于摄像机而言，这个三维点为不可见。经发明人研究发现，在现有技术中，在点云的可见性确定的过程中，对于点云数据的处理存在处理效果不佳的问题。

发明内容

有鉴于此，本申请的目的在于提供一种点云数据处理方法和装置、电子设备及存储介质，以改善现有技术中对于点云数据的处理存在处理效果不佳的问题。

为实现上述目的，本申请实施例采用如下技术方案：

一种点云数据处理方法，包括：

将待处理点云数据集划分为多个点云数据子集，其中，每一个所述点云数据子集包括多个特征点的点数据；

针对所述多个点云数据子集中的每一个目标点云数据子集，确定该目标点云数据子集对应的特征点区域的可见性信息，其中，所述目标点云数据子集为所述多个点云数据子集中的一个或多个；

若基于所述可见性信息确定有至少一个待处理点云数据子集，则针对每一个所述待处理点云数据子集，基于该待处理点云数据子集中的点数据分别确定对应的每一个特征点的可见性信息，其中，所述待处理点云数据子集属于所述目标点云数据子集，且所述待处理点云数据子集对应的特征点区域的可见性信息满足目标可见性条件。

在本申请实施例较佳的选择中，在上述点云数据处理方法中，所述将待处理点云数据集划分为多个点云数据子集的步骤，包括：

基于所述多个特征点对应的历史点云数据集确定出多个特征点区域，其中，所述历史点云数据集包括每一个所述特征点的历史点数据；

针对每一个所述特征点区域，基于待处理点云数据集中属于该特征点区域的每一个特征点的点数据，形成该特征点区域对应的点云数据子集。

在本申请实施例较佳的选择中，在上述点云数据处理方法中，所述基于所述多个特征点对应的历史点云数据集确定出多个特征点区域的步骤，包括：

获取所述多个特征点对应的历史点云数据集；

基于所述历史点云数据集包括的每一个所述特征点的历史点数据，分别确定每一个所述特征点对应的可见程度表征值和每两个所述特征点之间对应的空间距离表征值，并基于所述可见程度表征值和所述空间距离表征值确定出每两个所述特征点之间的聚类距离值；

基于每两个所述特征点之间的聚类距离值对所述多个特征点进行聚类，得到对应的多个特征点区域。

在本申请实施例较佳的选择中，在上述点云数据处理方法中，所述基于所述历史点云数据集包括的每一个所述特征点的历史点数据，分别确定每一个所述特征点对应的可见程度表征值和每两个所述特征点之间对应的空间距离表征值，并基于所述可见程度表征值和所述空间距离表征值确定出每两个所述特征点之间的聚类距离值的步骤，包括：

基于所述历史点云数据集包括的每一个所述特征点的历史点数据，分别确定每一个所述特征点对应的法向量，并基于所述对应的法向量与摄像机光轴之间的夹角，分别确定每一个所述特征点对应的可见程度表征值；

基于所述历史点云数据集包括的每一个所述特征点的历史点数据，分别确定每两个所述特征点之间的空间距离，并基于所述空间距离和待聚类形成的特征点区域的数量，分别确定每两个所述特征点之间对应的空间距离表征值；

针对所述多个特征点中的每两个特征点，基于该两个特征点对应的所述可见程度表征值和该两个特征点之间对应的所述空间距离表征值，确定该两个特征点之间的聚类距离值。

在本申请实施例较佳的选择中，在上述点云数据处理方法中，所述针对所述多个点云数据子集中的每一个目标点云数据子集，确定该目标点云数据子集对应的特征点区域的可见性信息的步骤，包括：

针对所述多个点云数据子集中的每一个点云数据子集，确定该点云数据子集对应的特征点区域中边缘的特征点的点数据是否满足预设的目标数据条件，并在该点云数据子集对应的特征点区域中边缘的特征点的点数据不满足所述目标数据条件时，将该点云数据子集确定为目标点云数据子集；

针对每一个所述目标点云数据子集，确定该目标点云数据子集对应的特征点区域的可见性信息。

在本申请实施例较佳的选择中，在上述点云数据处理方法中，所述针对每一个所述目标点云数据子集，确定该目标点云数据子集对应的特征点区域的可见性信息的步骤，包括：

针对每一个所述目标点云数据子集，在该目标点云数据子集对应的特征点区域中确定出对应的至少一个特征点平面，其中，每一个所述特征点平面包括所述特征点区域中的多个特征点；

针对每一个所述目标点云数据子集，确定该目标点云数据子集对应的每一个所述特征点平面的法向量，并基于每一个所述特征点平面的法向量确定该目标点云数据子集对应的特征点区域的可见性信息。

在本申请实施例较佳的选择中，在上述点云数据处理方法中，所述若基于所述可见性信息确定有至少一个待处理点云数据子集，则针对每一个所述待处理点云数据子集，基于该待处理点云数据子集中的点数据分别确定对应的每一个特征点的可见性信息的步骤，包括：

针对每一个所述目标点云数据子集，若该目标点云数据子集对应的特征点区域的可见性信息表征该特征点区域不可见，则将该目标点云数据子集确定为待处理点云数据子集；

针对每一个所述目标点云数据子集，若该目标点云数据子集对应的特征点区域的可见性信息表征该特征点区域可见，则确定该目标点云数据子集的相邻目标点云数据子集是否属于所述待处理点云数据子集，并在该相邻目标点云数据子集属于所述待处理点云数据子集时，将该目标点云数据子集确定为待处理点云数据子集；

针对每一个所述待处理点云数据子集，基于该待处理点云数据子集中的点数据分别确定对应的每一个特征点的可见性信息。

本申请实施例还提供了一种点云数据处理装置，，包括：

数据子集划分模块，用于将待处理点云数据集划分为多个点云数据子集，其中，每一个所述点云数据子集包括多个特征点的点数据；

区域可见性确定模块，用于针对所述多个点云数据子集中的每一个目标点云数据子集，确定该目标点云数据子集对应的特征点区域的可见性信息，其中，所述目标点云数据子集为所述多个点云数据子集中的一个或多个点云数据子集；

特征点可见性确定模块，用于在基于所述可见性信息确定有至少一个待处理点云数据子集时，针对每一个所述待处理点云数据子集，基于该待处理点云数据子集中的点数据分别确定对应的每一个特征点的可见性信息，其中，所述待处理点云数据子集属于所述目标点云数据子集，所述待处理点云数据子集对应的特征点区域的可见性信息满足目标可见性条件。

在上述基础上，本申请实施例还提供了一种电子设备，包括：

存储器，用于存储计算机程序；

与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现上述的点云数据处理方法。

在上述基础上，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序运行时执行上述的点云数据处理方法包括的各个步骤。

本申请提供的点云数据处理方法和装置、电子设备及存储介质，对于待处理点云数据集，可以先划分为多个点云数据子集，使得可以先确定多个点云数据子集中的每一个目标点云数据子集对应的特征点区域的可见性信息，然后，在目标点云数据子集中，存在对应的特征点区域的可见性信息满足目标可见性条件的待处理点云数据子集时，分别确定待处理点云数据子集中的每一个特征点的可见性信息，即在特征点区域的可见性信息满足目标可见性条件时，再对特征点区域中的每一个特征点的可见性分别进行确定。基于此，相较于直接遍历每一个特征点以分别确定每一个特征点的可见性的常规技术方案，采用本申请提供的技术方案，由于在确定每一个特征点的可见性之前配置有特征点区域的可见性确定机制，使得在一定程度上可以降低需要直接基于对应的点数据进行可见性确定的特征点的数量，因而，可以降低点云数据处理的数据量和提升点云数据处理的效率，从而改善现有技术中对于点云数据处理效果不佳的问题。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

图1为本申请实施例提供的电子设备的结构框图。

图2为本申请实施例提供的点云数据处理方法的流程示意图。

图3为图2中步骤S110包括的子步骤的流程示意图。

图4为图3中步骤S111包括的子步骤的流程示意图。

图5为本申请实施例提供的特征点和对应的三角面片的示意图。

图6为图2中步骤S120包括的子步骤的流程示意图。

图7为图6中步骤S122包括的子步骤的流程示意图。

图8为图2中步骤S130包括的子步骤的流程示意图。

图9为本申请实施例提供的点云数据处理装置的方框示意图。

图标：10-电子设备；12-存储器；14-处理器；100-点云数据处理装置；110-数据子集划分模块；120-区域可见性确定模块；130-特征点可见性确定模块。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本申请的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

如图1所示，本申请实施例提供了一种电子设备10，可以包括存储器12、处理器14和点云数据处理装置100。

其中，所述存储器12和处理器14之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述点云数据处理装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器12中的软件功能模块。所述处理器14用于执行所述存储器12中存储的可执行的计算机程序，例如，所述点云数据处理装置100所包括的软件功能模块及计算机程序等，以实现本申请实施例提供的点云数据处理方法。

可选地，所述存储器12可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。

并且，所述处理器14可以是一种通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)、片上系统(System onChip，SoC)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

可以理解的是，图1所示的结构仅为示意，所述电子设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置，例如，还可以包括用于与其它设备(如终端设备)进行信息交互的通信单元。

可以理解的是，在一种可以替代的示例中，所述电子设备可以是一种具备数据处理能力的服务器。

结合图2，本申请实施例还提供一种可应用于上述电子设备10的点云数据处理方法。其中，所述点云数据处理方法有关的流程所定义的方法步骤可以由所述电子设备10实现。

下面将对图2所示的具体流程，进行详细阐述。

步骤S110，将待处理点云数据集划分为多个点云数据子集。

在本申请实施例中，所述电子设备可以将待处理点云数据集划分为多个点云数据子集。其中，每一个所述点云数据子集包括多个特征点的点数据，所述点数据可以用于表征对应的特征点的特征信息，如位置坐标等。

步骤S120，针对所述多个点云数据子集中的每一个目标点云数据子集，确定该目标点云数据子集对应的特征点区域的可见性信息。

在本申请实施例中，在基于步骤S110得到所述多个点云数据子集之后，所述电子设备可以针对所述多个点云数据子集中的每一个目标点云数据子集，确定该目标点云数据子集对应的特征点区域的可见性信息。其中，所述目标点云数据子集为所述多个点云数据子集中的一个或多个，所述目标点云数据子集对应的特征点区域可以是指对应的多个特征点构成的区域。

步骤S130，若基于所述可见性信息确定有至少一个待处理点云数据子集，则针对每一个所述待处理点云数据子集，基于该待处理点云数据子集中的点数据分别确定对应的每一个特征点的可见性信息。

在本申请实施例中，在基于步骤S120得到每一个所述目标点云数据子集对应的特征点区域的可见性信息之后，若基于所述可见性信息确定有至少一个待处理点云数据子集，所述电子设备可以针对每一个所述待处理点云数据子集，基于该待处理点云数据子集中的点数据分别确定对应的每一个特征点的可见性信息。其中，所述待处理点云数据子集属于所述目标点云数据子集，且所述待处理点云数据子集对应的特征点区域的可见性信息满足目标可见性条件，如特征点区域的可见性信息为不可见或其它等。

基于上述方法包括的各步骤，对于待处理点云数据集，可以先划分为多个点云数据子集，使得可以先确定多个点云数据子集中的每一个目标点云数据子集对应的特征点区域的可见性信息，然后，在目标点云数据子集中，存在对应的特征点区域的可见性信息满足目标可见性条件的待处理点云数据子集时，分别确定待处理点云数据子集中的每一个特征点的可见性信息，即在特征点区域的可见性信息满足目标可见性条件时，再对特征点区域中的每一个特征点的可见性分别进行确定。基于此，相较于直接遍历每一个特征点以分别确定每一个特征点的可见性的常规技术方案，采用本申请提供的技术方案，由于在确定每一个特征点的可见性之前配置有特征点区域的可见性确定机制，使得在一定程度上可以降低需要直接基于对应的点数据进行可见性确定的特征点的数量，因而，可以降低点云数据处理的数据量和提升点云数据处理的效率，从而改善现有技术中对于点云数据处理效果不佳的问题。

第一方面，对于步骤S110需要说明的是，基于步骤S110将所述待处理点云数据集划分为所述多个点云数据子集的具体方式不受限制。

例如，在一种可以替代的示例中，可以基于人工标记的方式将所述待处理点云数据集划分为所述多个点云数据子集，例如，可以基于对应的用户进行的划分操作，将待处理点云数据集划分为所述多个点云数据子集。

又例如，在另一种可以替代的示例中，为了提高将所述待处理点云数据集划分为所述多个点云数据子集的效率，降低人工成本等，结合图3，步骤S110可以包括步骤S111和步骤S112，具体内容入下所述。

步骤S111，基于所述多个特征点对应的历史点云数据集确定出多个特征点区域。

在本申请实施例中，在获取到待处理点云数据集后，可以基于所述待处理点云数据集中的多个特征点对应的历史点云数据集，确定出多个特征点区域。其中，所述历史点云数据集包括每一个所述特征点的历史点数据。

步骤S112，针对每一个所述特征点区域，基于待处理点云数据集中属于该特征点区域的每一个特征点的点数据，形成该特征点区域对应的点云数据子集。

在本申请实施例中，在基于步骤S111确定出所述多个特征点区域之后，可以针对每一个所述特征点区域，基于待处理点云数据集中属于该特征点区域的每一个特征点的点数据，形成该特征点区域对应的点云数据子集。

如此，对于所述特征点区域和所述点云数据子集可以形成一一对应关系，使得一个所述特征点区域中的每一个特征点的点数据都属于这一个特征点区域对应的所述点云数据子集中。

可选地，对于上述示例中的步骤S111，确定出所述多个特征点区域的具体方式不受限制，可以根据实际应用需求进行选择。

例如，在一种可以替代的示例中，可以基于所述多个特征点对应的历史点云数据集先确定各所述特征点之间的位置距离信息，然后，可以基于所述位置距离信息对所述多个特征点进行聚类，以确定出多个特征点区域。

又例如，在另一种可以替代的示例中，为了提高聚类的精度，并且考虑到针对的所述多个特征点之间具有较为复杂的三维空间关系，如所述多个特征点为人脸特征点，因此，结合图4，步骤S111可以进一步包括步骤S111a、步骤S111b和步骤S111c，具体内容如下所述。

步骤S111a，获取所述多个特征点对应的历史点云数据集。

在本申请实施例中，可以先获取所述待处理点云数据集中的多个特征点对应的历史点云数据集，例如，所述待处理点云数据可以为当前扫描得到的一帧三维人脸图像，所述历史点云数据集可以为历史上扫描得到的一帧三维人脸图像，如扫描得到的第一帧三维人脸图像。

步骤S111b，基于所述历史点云数据集包括的每一个所述特征点的历史点数据，分别确定每一个所述特征点对应的可见程度表征值和每两个所述特征点之间对应的空间距离表征值，并基于所述可见程度表征值和所述空间距离表征值确定出每两个所述特征点之间的聚类距离值。

在本申请实施例中，在基于步骤S111a获取到所述历史点云数据集之后，一方面，可以基于所述历史点云数据集包括的每一个所述特征点的历史点数据分别确定每一个所述特征点对应的可见程度表征值。另一方面，可以基于所述历史点云数据集包括的每一个所述特征点的历史点数据分别确定每两个所述特征点之间对应的空间距离表征值。然后，再基于所述可见程度表征值和所述空间距离表征值确定出每两个所述特征点之间的聚类距离值，即综合两个维度的信息来得到聚类距离值，以提高聚类精度。

步骤S111c，基于每两个所述特征点之间的聚类距离值对所述多个特征点进行聚类，得到对应的多个特征点区域。

在本申请实施例中，在基于步骤S111b确定出每两个所述特征点之间的聚类距离值之后，可以基于每两个所述特征点之间的聚类距离值对所述多个特征点进行聚类，得到对应的多个特征点区域。例如，可以基于最近邻算法(KNN，k-Nearest Neighbor)对所述多个特征点进行聚类。

可选地，对于上述示例中的步骤S111b，确定出每两个所述特征点之间的聚类距离值的具体方式不受限制，可以根据实际应用需求进行选择。

例如，在一种可以替代的示例中，步骤S111b可以包括子步骤1、子步骤2和子步骤3，具体内容如下所述。

子步骤1，基于所述历史点云数据集包括的每一个所述特征点的历史点数据，分别确定每一个所述特征点对应的法向量，并基于所述对应的法向量与摄像机光轴之间的夹角，分别确定每一个所述特征点对应的可见程度表征值。

在本申请实施例中，可以先基于所述历史点云数据集包括的每一个所述特征点的历史点数据，分别确定每一个所述特征点对应的法向量，然后，可以针对每一个所述特征点，基于该特征点对应的法向量与摄像机光轴(也称为z轴正向)之间的夹角，确定该特征点对应的可见程度表征值。

子步骤2，基于所述历史点云数据集包括的每一个所述特征点的历史点数据，分别确定每两个所述特征点之间的空间距离，并基于所述空间距离和待聚类形成的特征点区域的数量，分别确定每两个所述特征点之间对应的空间距离表征值。

在本申请实施例中，可以先基于所述历史点云数据集包括的每一个所述特征点的历史点数据，分别确定每两个所述特征点之间的空间距离，如三维空间距离。然后，可以针对每两个特征点，基于该两个特征点之间的空间距离和待聚类形成的特征点区域的数量，确定该两个特征点之间对应的空间距离表征值。

子步骤3，针对所述多个特征点中的每两个特征点，基于该两个特征点对应的所述可见程度表征值和该两个特征点之间对应的所述空间距离表征值，确定该两个特征点之间的聚类距离值。

在本申请实施例中，在基于上述的子步骤1和子步骤2得到所述可见程度表征值和所述空间距离表征值之后，可以针对所述多个特征点中的每两个特征点，基于该两个特征点对应的所述可见程度表征值和该两个特征点之间对应的所述空间距离表征值，确定该两个特征点之间的聚类距离值。

可以理解的是，对于上述示例中的子步骤1，在一种可以替代的示例中，可以先针对每一个所述特征点，确定该特征点与相邻特征点之间形成的三角面片(由三个特征点确定的一个平面，如图5所示，图中的每一个三角形分别为不同的三角面片，三角形的顶点为特征点)，并基于该特征点对应的每一个三角面片的法向量确定该特征点的法向量，如该特征点对应的每一个三角面片的法向量的平均值。然后，可以针对每一个所述特征点，计算该特征点对应的法向量与摄像机光轴之间的夹角的arccos(反余弦)值，作为该特征点对应的可见程度表征值，如0-1。

可以理解的是，对于上述示例中的子步骤2，在一种可以替代的示例中，针对每两个特征点，可以将该两个特征点之间的空间距离除以待聚类形成的特征点区域的数量，得到该两个特征点之间对应的空间距离表征值。

其中，所述待聚类形成的特征点区域的数量可以是预先配置的一阈值，该阈值也可以调整，如此，基于当前值确定出空间距离表征值之后，再基于后续的步骤确定出聚类距离值，然后，基于所述聚类距离值进行聚类，如果，聚类得到的类间差异和/或类内差异较大，可以增大该阈值，然后，再重新确定空间距离表征值，再重新进行聚类，直到最新得到的类间差异和/或类内差异较小(例如，小于设定差异值)。并且，为了实现对所述空间距离表征值的归一化，还可以将所述空间距离表征值除以一标准值，如针对人脸特征点进行处理时，该表征值可以是两个眼睛的外眼角之间的距离，或两个耳朵的轮廓之间的距离，以及其它可以表征脸部宽度的距离。

可以理解的是，对于上述示例中的子步骤3，在一种可以替代的示例中，可以针对所述多个特征点中的每两个特征点，先计算该两个特征点对应的所述可见程度表征值之间的差值的绝对值，得到该两个特征点对应的绝对差值，然后，可以将该绝对差值与该两个特征点对应的所述空间距离表征值进行融合处理，如进行加权求和计算，得到对应的加权求和值，并将该加权求和值作为该两个特征点之间的聚类距离值。

其中，在进行加权求和计算时，经过发明人的研究发现，作为一种可以替代的示例，为提高聚类精度，所述绝对差值对应的权重系数可以大于所述空间距离表征值对应的权重系数，如所述绝对差值对应的权重系数可以为0.7，所述空间距离表征值对应的权重系数可以为0.3。

对于上述的步骤S110需要进一步说明的是，步骤S110包括的步骤S111可以仅执行一次，如此，在每一次得到待处理点云数据集之后，可以基于历史上执行步骤S111得到的多个特征点区域，对当前得到的待处理点云数据集进行划分，得到对应的多个点云数据子集，如此，对于后续执行步骤S110时，可以有效降低数据处理量和提升数据处理效率。

第二方面，对于步骤S120需要说明的是，基于步骤S120确定所述多个点云数据子集中的目标点云数据子集对应的特征点区域的可见性信息的具体方式不受限制，可以根据实际应用需求进行选择。

例如，在一种可以替代的示例中，可以直接将所述多个点云数据子集中的每一个点云数据子集都作为目标点云数据子集，然后，再分别确定每一个目标点云数据子集对应的特征点区域的可见性信息。

又例如，在另一种可以替代的示例中，为了进一步提高对点云数据处理的效果，如综合考虑处理效率和精度等需求，结合图6，步骤S120可以包括步骤S121和步骤S122，具体内容如下所述。

步骤S121，针对所述多个点云数据子集中的每一个点云数据子集，确定该点云数据子集对应的特征点区域中边缘的特征点的点数据是否满足预设的目标数据条件，并在该点云数据子集对应的特征点区域中边缘的特征点的点数据不满足所述目标数据条件时，将该点云数据子集确定为目标点云数据子集。

在本申请实施例中，在基于步骤S110得到所述多个点云数据子集之后，可以针对所述多个点云数据子集中的每一个点云数据子集，确定该点云数据子集对应的特征点区域中边缘的特征点的点数据是否满足预设的目标数据条件，并在该点云数据子集对应的特征点区域中边缘的特征点的点数据不满足所述目标数据条件时，将该点云数据子集确定为目标点云数据子集。

步骤S122，针对每一个所述目标点云数据子集，确定该目标点云数据子集对应的特征点区域的可见性信息。

在本申请实施例中，在基于步骤S121确定出所述目标点云数据子集之后，可以针对每一个所述目标点云数据子集，确定该目标点云数据子集对应的特征点区域的可见性信息。

可选地，对于上述示例中的步骤S121，确定点云数据子集是否属于目标点云数据子集的具体方式不受限制，可以根据实际应用需求进行选择。

例如，在一种可以替代的示例中，针对每一个所述点云数据子集，可以先确定该点云数据子集对应的特征点区域中边缘的每一个特征点的可见程度表征值(如前所述)，然后，对每一个特征点的可见程度表征值进行方差计算，得到对应的表征值方差，之后，再比较该表征值方差与预设阈值之间的大小，若该表征值方差小于或等于该预设阈值，可以确定该点云数据子集属于目标点云数据子集，若该表征值方差大于该预设阈值，可以确定该点云数据子集不属于目标点云数据子集。

其中，在一种可以替代的示例中，所述预设阈值可以为0.2。

例如，在另一种可以替代的示例中，针对每一个所述点云数据子集，可以先确定该点云数据子集对应的特征点区域是否属于目标区域，若该点云数据子集对应的特征点区域属于目标区域，则确定该点云数据子集不属于目标点云数据子集，若该点云数据子集对应的特征点区域不属于目标区域，则先确定该点云数据子集对应的特征点区域中边缘的每一个特征点的可见程度表征值，然后，对每一个特征点的可见程度表征值进行方差计算，得到对应的表征值方差，之后，再比较该表征值方差与预设阈值之间的大小，若该表征值方差小于或等于该预设阈值，可以确定该点云数据子集属于目标点云数据子集，若该表征值方差大于该预设阈值，可以确定该点云数据子集不属于目标点云数据子集。

其中，在一种可以替代的示例中，所述目标区域可以为嘴部区域等，如此，通过将嘴部区域排除，即由于嘴部区域的变化幅度一般较大，可以不用确定嘴部区域的可见性信息，如此，可以提高确定的特征点区域的可见性信息反映对应的特征点区域的可见性的可靠度。

可选地，对于上述示例中的步骤S122，确定所述目标点云数据子集对应的特征点区域的可见性信息的具体方式不受限制。

例如，在一种可以替代的示例中，为了提高确定的特征点区域的可见性信息可靠度，结合图7，步骤S122可以包括步骤S122a和步骤S122b。

步骤S122a，针对每一个所述目标点云数据子集，在该目标点云数据子集对应的特征点区域中确定出对应的至少一个特征点平面。

在本申请实施例中，在基于步骤S121确定出所述目标点云数据子集之后，可以针对每一个所述目标点云数据子集，在该目标点云数据子集对应的特征点区域中确定出对应的至少一个特征点平面。其中，每一个所述特征点平面包括所述特征点区域中的多个特征点。

步骤S122b，针对每一个所述目标点云数据子集，确定该目标点云数据子集对应的每一个所述特征点平面的法向量，并基于每一个所述特征点平面的法向量确定该目标点云数据子集对应的特征点区域的可见性信息。

在本申请实施例中，在基于步骤S122a确定出所述目标点云数据子集对应的至少一个特征点平面之后，可以针对每一个所述目标点云数据子集，确定该目标点云数据子集对应的每一个所述特征点平面的法向量，并基于每一个所述特征点平面的法向量确定该目标点云数据子集对应的特征点区域的可见性信息。

可以理解的是，对于上述示例中的步骤S122a，在一种可以替代的示例中，可以针对每一个所述目标点云数据子集，在该目标点云数据子集对应的特征点区域中确定出一个特征点平面，如基于该特征点区域中最左侧、最上侧和最右侧的三个点构成一个特征点平面，该特征点平面可以理解为一个较大的三角面片(如前所述)。

可以理解的是，对于上述示例中的步骤S122b，在一种可以替代的示例中，针对每一个所述目标点云数据子集，可以先计算该目标点云数据子集对应的每一个所述特征点平面的法向量的平均值(若只有一个特征点平面，则法向量的平均值为该法向量本身)，然后，基于该法向量的平均值与摄像机光轴之间的夹角确定该目标点云数据子集对应的特征点区域的可见性信息，若该夹角大于预设角度，则特征点区域的可见性信息为不可见，若该夹角小于或等于预设角度，则特征点区域的可见性信息为可见。

第三方面，对于步骤S130需要说明的是，基于步骤S130对待处理点云数据子集对应的每一个特征点的可见性信息进行确定的具体方式不受限制，可以根据实际应用需求进行选择。

例如，在一种可以替代的示例中，可以将可见性信息表征不可见的特征点区域对应的目标点云数据子集直接确定为待处理点云数据子集，并将可见性信息表征可见的特征点区域对应的目标点云数据子集直接确定为非待处理点云数据子集。然后，仅对待处理点云数据子集对应的每一个特征点的可见性信息进行进一步地确定，并且，对于非待处理点云数据子集，可以直接将该非待处理点云数据子集对应的每一个特征点的可见性信息确定为可见，即直接用非待处理点云数据子集对应的特征点区域的可见性信息来表征对应的每一个特征点的可见性信息，以降低数据处理量。

又例如，在另一种可以替代的示例中，为了提高确定的特征点的可见性信息的可靠度，结合图8，步骤S130可以包括步骤S131、步骤S132和步骤S133，具体内容如下所述。

步骤S131，针对每一个所述目标点云数据子集，若该目标点云数据子集对应的特征点区域的可见性信息表征该特征点区域不可见，则将该目标点云数据子集确定为待处理点云数据子集。

在本申请实施例中，在基于步骤S120得到每一个目标点云数据子集对应的特征点区域的可见性信息之后，可以针对每一个所述目标点云数据子集，若该目标点云数据子集对应的特征点区域的可见性信息表征该特征点区域不可见，则将该目标点云数据子集确定为待处理点云数据子集。

步骤S132，针对每一个所述目标点云数据子集，若该目标点云数据子集对应的特征点区域的可见性信息表征该特征点区域可见，则确定该目标点云数据子集的相邻目标点云数据子集是否属于所述待处理点云数据子集，并在该相邻目标点云数据子集属于所述待处理点云数据子集时，将该目标点云数据子集确定为待处理点云数据子集。

在本申请实施例中，在基于步骤S120得到每一个目标点云数据子集对应的特征点区域的可见性信息之后，可以针对每一个所述目标点云数据子集，若该目标点云数据子集对应的特征点区域的可见性信息表征该特征点区域可见，则确定该目标点云数据子集的相邻目标点云数据子集是否属于所述待处理点云数据子集，并在该相邻目标点云数据子集属于所述待处理点云数据子集时，将该目标点云数据子集确定为待处理点云数据子集。

步骤S133，针对每一个所述待处理点云数据子集，基于该待处理点云数据子集中的点数据分别确定对应的每一个特征点的可见性信息。

在本申请实施例中，在基于步骤S131和步骤S132确定出所述待处理点云数据子集之后，可以针对每一个所述待处理点云数据子集，基于该待处理点云数据子集中的点数据分别确定对应的每一个特征点的可见性信息，如针对每一个特征点，基于该特征点的点数据确定该特征点与相邻特征点形成的每一个三角面片的法向量的平均值，然后，基于该法向量的平均值与摄像机光轴直接的夹角的大小确定该特征点是否可见。

基于此，在上述示例中，对于待处理点云数据子集对应的每一个特征点，可以分别基于对应的点数据确定特征点的可见性，以提高确定的可见性的精度。对于非待处理点云数据子集对应的每一个特征点，可以直接将对应的特征点区域的可见性确定为对应的每一个特征点的可见性，以提高数据处理的效率。如此，可以确定出全部的目标点云数据子集对应的特征点的可见性，对于所述目标点云数据子集以外的其它点云数据子集，如前述的嘴部等变化较大的区域或区域边缘的特征点的可见程度表征值的方差较大的区域，可以分别基于对应的点数据确定特征点的可见性(如前所述，基于对应的三角面片的法向量进行确定)，以保障确定的可见性的精度。

结合图9，本申请实施例还提供一种可应用于上述电子设备10的点云数据处理装置100。其中，所述点云数据处理装置100可以包括数据子集划分模块110、区域可见性确定模块120和特征点可见性确定模块130。

所述数据子集划分模块110，用于将待处理点云数据集划分为多个点云数据子集，其中，每一个点云数据子集包括多个特征点的点数据。在本实施例中，所述数据子集划分模块110可用于执行图2所示的步骤S110，关于所述数据子集划分模块110的相关内容可参照前文对步骤S110的描述。

所述区域可见性确定模块120，用于针对所述多个点云数据子集中的每一个目标点云数据子集，确定该目标点云数据子集对应的特征点区域的可见性信息，其中，所述目标点云数据子集为所述多个点云数据子集中的一个或多个点云数据子集。在本实施例中，所述区域可见性确定模块120可用于执行图2所示的步骤S120，关于所述区域可见性确定模块120的相关内容可以参照前文对步骤S120的描述。

所述特征点可见性确定模块130，用于在基于所述可见性信息确定有至少一个待处理点云数据子集时，针对每一个所述待处理点云数据子集，基于该待处理点云数据子集中的点数据分别确定对应的每一个特征点的可见性信息，其中，所述待处理点云数据子集属于所述目标点云数据子集，所述待处理点云数据子集对应的特征点区域的可见性信息满足目标可见性条件。在本实施例中，所述特征点可见性确定模块130可用于执行图2所示的步骤S130，关于所述特征点可见性确定模块130的相关内容可以参照前文对步骤S130的描述。

在本申请实施例中，对应于上述的应用于所述电子设备10的点云数据处理方法，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序运行时执行上述点云数据处理方法的各个步骤。其中，前述计算机程序运行时执行的各步骤，在此不再一一赘述，可参考前文对所述点云数据处理方法的解释说明。

综上所述，本申请提供的点云数据处理方法和装置、电子设备及存储介质，可以先将待处理点云数据集划分为多个点云数据子集，使得可以先确定多个点云数据子集中的每一个目标点云数据子集对应的特征点区域的可见性信息，然后，在目标点云数据子集中，存在对应的特征点区域的可见性信息满足目标可见性条件的待处理点云数据子集时，分别确定待处理点云数据子集中的每一个特征点的可见性信息，即在特征点区域的可见性信息满足目标可见性条件时，再对特征点区域中的每一个特征点的可见性分别进行确定。基于此，相较于直接遍历每一个特征点以分别确定每一个特征点的可见性的常规技术方案，采用本申请提供的技术方案，由于在确定每一个特征点的可见性之前配置有特征点区域的可见性确定机制，使得在一定程度上可以降低需要直接基于对应的点数据进行可见性确定的特征点的数量，因而，可以降低点云数据处理的数据量和提升点云数据处理的效率，从而改善现有技术中对于点云数据处理效果不佳的问题。

在本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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、程序段或代码的一部分，所述模块、程序段或代码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。也应当注意，在有些作为替换的实现方式中，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。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种点云数据处理方法，其特征在于，包括：

将待处理点云数据集划分为多个点云数据子集，其中，每一个所述点云数据子集包括多个特征点的点数据；

针对所述多个点云数据子集中的每一个目标点云数据子集，确定该目标点云数据子集对应的特征点区域的可见性信息，其中，所述目标点云数据子集为所述多个点云数据子集中的一个或多个；

若基于所述可见性信息确定有至少一个待处理点云数据子集，则针对每一个所述待处理点云数据子集，基于该待处理点云数据子集中的点数据分别确定对应的每一个特征点的可见性信息，其中，所述待处理点云数据子集属于所述目标点云数据子集，且所述待处理点云数据子集对应的特征点区域的可见性信息满足目标可见性条件。

2.根据权利要求1所述的点云数据处理方法，其特征在于，所述将待处理点云数据集划分为多个点云数据子集的步骤，包括：

基于所述多个特征点对应的历史点云数据集确定出多个特征点区域，其中，所述历史点云数据集包括每一个所述特征点的历史点数据；

针对每一个所述特征点区域，基于待处理点云数据集中属于该特征点区域的每一个特征点的点数据，形成该特征点区域对应的点云数据子集。

3.根据权利要求2所述的点云数据处理方法，其特征在于，所述基于所述多个特征点对应的历史点云数据集确定出多个特征点区域的步骤，包括：

获取所述多个特征点对应的历史点云数据集；

基于所述历史点云数据集包括的每一个所述特征点的历史点数据，分别确定每一个所述特征点对应的可见程度表征值和每两个所述特征点之间对应的空间距离表征值，并基于所述可见程度表征值和所述空间距离表征值确定出每两个所述特征点之间的聚类距离值；

基于每两个所述特征点之间的聚类距离值对所述多个特征点进行聚类，得到对应的多个特征点区域。

4.根据权利要求3所述的点云数据处理方法，其特征在于，所述基于所述历史点云数据集包括的每一个所述特征点的历史点数据，分别确定每一个所述特征点对应的可见程度表征值和每两个所述特征点之间对应的空间距离表征值，并基于所述可见程度表征值和所述空间距离表征值确定出每两个所述特征点之间的聚类距离值的步骤，包括：

基于所述历史点云数据集包括的每一个所述特征点的历史点数据，分别确定每一个所述特征点对应的法向量，并基于所述对应的法向量与摄像机光轴之间的夹角，分别确定每一个所述特征点对应的可见程度表征值；

基于所述历史点云数据集包括的每一个所述特征点的历史点数据，分别确定每两个所述特征点之间的空间距离，并基于所述空间距离和待聚类形成的特征点区域的数量，分别确定每两个所述特征点之间对应的空间距离表征值；

针对所述多个特征点中的每两个特征点，基于该两个特征点对应的所述可见程度表征值和该两个特征点之间对应的所述空间距离表征值，确定该两个特征点之间的聚类距离值。

5.根据权利要求1-4任意一项所述的点云数据处理方法，其特征在于，所述针对所述多个点云数据子集中的每一个目标点云数据子集，确定该目标点云数据子集对应的特征点区域的可见性信息的步骤，包括：

针对所述多个点云数据子集中的每一个点云数据子集，确定该点云数据子集对应的特征点区域中边缘的特征点的点数据是否满足预设的目标数据条件，并在该点云数据子集对应的特征点区域中边缘的特征点的点数据不满足所述目标数据条件时，将该点云数据子集确定为目标点云数据子集；

针对每一个所述目标点云数据子集，确定该目标点云数据子集对应的特征点区域的可见性信息。

6.根据权利要求5所述的点云数据处理方法，其特征在于，所述针对每一个所述目标点云数据子集，确定该目标点云数据子集对应的特征点区域的可见性信息的步骤，包括：

针对每一个所述目标点云数据子集，在该目标点云数据子集对应的特征点区域中确定出对应的至少一个特征点平面，其中，每一个所述特征点平面包括所述特征点区域中的多个特征点；

针对每一个所述目标点云数据子集，确定该目标点云数据子集对应的每一个所述特征点平面的法向量，并基于每一个所述特征点平面的法向量确定该目标点云数据子集对应的特征点区域的可见性信息。

7.根据权利要求1-4任意一项所述的点云数据处理方法，其特征在于，所述若基于所述可见性信息确定有至少一个待处理点云数据子集，则针对每一个所述待处理点云数据子集，基于该待处理点云数据子集中的点数据分别确定对应的每一个特征点的可见性信息的步骤，包括：

针对每一个所述目标点云数据子集，若该目标点云数据子集对应的特征点区域的可见性信息表征该特征点区域不可见，则将该目标点云数据子集确定为待处理点云数据子集；

针对每一个所述目标点云数据子集，若该目标点云数据子集对应的特征点区域的可见性信息表征该特征点区域可见，则确定该目标点云数据子集的相邻目标点云数据子集是否属于所述待处理点云数据子集，并在该相邻目标点云数据子集属于所述待处理点云数据子集时，将该目标点云数据子集确定为待处理点云数据子集；

针对每一个所述待处理点云数据子集，基于该待处理点云数据子集中的点数据分别确定对应的每一个特征点的可见性信息。

8.一种点云数据处理装置，其特征在于，包括：

数据子集划分模块，用于将待处理点云数据集划分为多个点云数据子集，其中，每一个所述点云数据子集包括多个特征点的点数据；

区域可见性确定模块，用于针对所述多个点云数据子集中的每一个目标点云数据子集，确定该目标点云数据子集对应的特征点区域的可见性信息，其中，所述目标点云数据子集为所述多个点云数据子集中的一个或多个点云数据子集；

特征点可见性确定模块，用于在基于所述可见性信息确定有至少一个待处理点云数据子集时，针对每一个所述待处理点云数据子集，基于该待处理点云数据子集中的点数据分别确定对应的每一个特征点的可见性信息，其中，所述待处理点云数据子集属于所述目标点云数据子集，所述待处理点云数据子集对应的特征点区域的可见性信息满足目标可见性条件。

9.一种电子设备，其特征在于，包括：

存储器，用于存储计算机程序；

与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现权利要求1-7任意一项所述的点云数据处理方法。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有计算机程序，该计算机程序运行时执行权利要求1-7任意一项所述的点云数据处理方法包括的各个步骤。

Images