CN114299242A - 高精地图中图像处理方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了图像处理方法、装置、设备以及存储介质，涉及自动驾驶技术领域，尤其涉及高精地图技术领域。具体实现方案为：根据目标立面的三维点云数据，构建对应的二值化三角网格图像；根据目标立面对应的相机图像，确定三维点云数据中的每个点的颜色；基于三维点云数据中每个点的颜色以及三维点云数据对应的二值化三角网格图像，得到三维点云数据对应的彩色三角网格图像；其中，彩色三角网格图像用于识别目标立面中的信息。根据本公开的技术，实现了自动化对目标立面的纹理进行标注。

Description

高精地图中图像处理方法、装置、设备以及存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及计算机视觉技术、自动驾驶和高精地图领域。

背景技术

高精地图也称高精度地图，是自动驾驶汽车使用。高精地图，拥有精确的车辆位置信息和丰富的道路元素数据信息，可以帮助汽车预知路面复杂信息，如坡度、曲率、航向等，更好地规避潜在的风险。目前，高精度三维点云地图的处理主要是在点云的基础上进行。例如，在对建筑物场景下的数据进行信息标注时，主要依赖于多圈点云进行标注。

发明内容

本公开提供了一种图像处理方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种图像处理方法，包括：

根据目标立面的三维点云数据，构建对应的二值化三角网格图像；

根据目标立面对应的相机图像，确定三维点云数据中的每个点的颜色；

基于三维点云数据中每个点的颜色以及三维点云数据对应的二值化三角网格图像，得到三维点云数据对应的彩色三角网格图像；其中，彩色三角网格图像用于识别目标立面中的信息。

根据本公开的另一方面，提供了一种图像处理装置，包括：

构建模块，用于根据目标立面的三维点云数据，构建对应的二值化三角网格图像；

确定模块，用于根据目标立面对应的相机图像，确定三维点云数据中的每个点的颜色；

处理模块，用于基于三维点云数据中每个点的颜色以及三维点云数据对应的二值化三角网格图像，得到三维点云数据对应的彩色三角网格图像；其中，彩色三角网格图像用于识别目标立面中的信息。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开实施例中任意一种图像处理方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开实施例中任意一种图像处理方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本公开实施例中任意一种图像处理方法。

上述申请中的一个实施例具有如下优点或有益效果：通过目标立面的三维点云数据，构建对应的二值化三角网格图像，并确定目标立面对应的相机图像，再根据相机图像确定的三维点云数据中每个点的颜色以及二值化三角网格图像，得到对应的彩色三角网格图像，保证了彩色三角网格中颜色信息的准确性，同时能够自动对目标立面的纹理进行标注，无需工作人员手工进行标注，提高了工作人员的标注效率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开一实施例的图像处理方法的流程图；

图2是根据本公开另一实施例的图像处理方法的流程图；

图3是根据本公开另一实施例的图像识别方法的流程图；

图4是根据本公开一实施例的图像处理方法的具体流程框图；

图5是根据本公开一实施例的图像处理装置的框图；

图6是根据本公开另一实施例的图像处理装置的框图；

图7是用来实现本公开实施例的图像处理方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本公开一实施例的图像处理方法的流程图。如图1所示，该方法可以包括：

S101、根据目标立面的三维点云数据，构建对应的二值化三角网格图像；

S102、根据目标立面对应的相机图像，确定三维点云数据中的每个点的颜色；

S103、基于三维点云数据中每个点的颜色以及三维点云数据对应的二值化三角网格图像，得到三维点云数据对应的彩色三角网格图像；其中，彩色三角网格图像用于识别目标立面中的信息。

在步骤S101中，示例性地，在对建筑物进行数据标注时，由于建筑物(如设置在地上或地下的车库、仓库、商场等)都存在多个立面，需要对各个立面上的纹理进行标注，为了保证各个立面纹理标注的准确性，因此，需要先确定出建筑物中不同的立面，并将需要进行纹理标注的立面确定为目标立面。而目标立面是由三维点云数据构成的，三维点云数据可以通过三维激光雷达扫描仪获取，还可以通过双目摄像头获取，在此不做限定。

示例性地，可以基于贪心三角化原理处理目标立面的三维点云数据以构建三角网格图像，还可以基于插值法或逼近法处理目标立面的三维点云数据以构建三角网格图像。在本实施例中，由于多圈点云进行点云融合后的颜色信息存在不准确的问题，因此，不考虑三维点云数据中的颜色信息，所以构建出的三角网格图像是二值化的三角网格图像。

在步骤S102中，示例性地，可以在确定目标立面之后，找到能够拍摄到目标立面的相机，获取该相机拍摄的目标立面的图像，即目标立面对应的相机图像。还可以在预先拍摄的多个建筑物立面图像中找到目标立面对应的相机图像。

在步骤S103中，示例性地，可以是获取相机图像中每个点的坐标以及每个点对应的颜色，根据获取相机图像中每个点的坐标确定相机图像中的坐标与二值化三角网格图像的坐标的对应关系，再根据上述对应关系确定二值化三角网格图像的坐标对应的颜色。

在现有技术中，对建筑物(例如地下车库)立面上的纹理(例如标识牌)进行标注时，由于采集圈数不足或者点云比较稀疏等原因，点云纹理信息往往比较模糊。当遇到纹理模糊的立面点云时，为了确定纹理的位置，工作人员往往需要手动测量实际纹理的几何位置，然后在立面点云上找到相同的位置进行标注，严重影响工作人员的标注效率。

而本公开的技术方案中，通过目标立面的三维点云数据，构建对应的二值化三角网格图像，并确定目标立面对应的相机图像，再根据相机图像确定的三维点云数据中每个点的颜色以及二值化三角网格图像，得到对应的彩色三角网格图像，保证了彩色三角网格中颜色信息的准确性，同时能够自动对目标立面的纹理进行标注，无需工作人员手工进行标注，提高了工作人员的标注效率。

在一种实施方式中，如图2所示，目标立面的三维点云数据的获取方式包括：

S201、基于目标建筑物内中的三维点云数据，确定位于立面上的三维点云数据；

S202、将位于立面上的三维点云数据投影到地面，得到对应的二维点云数据；

S203、对二维点云数据进行聚类，得到N个二维点集；

S204、将N个二维点集中的第i个二维点集对应的三维点云数据确定为目标立面的三维点云数据；其中，N为大于等于1的正整数，i为小于等于N的正整数。

在步骤S201中，示例性地，在三维激光雷达扫描仪获取地下车库的三维点云数据后，对三维点云数据进行滤波处理(例如，体素滤波、均匀采样等)，从而降低三维点云数据中的噪声，提升确定目标立面的三维点云数据准确性。具体地，点云数据的分辨率可以根据实际需要进行设定，如0.1米。在得到滤波后的三维点云数据的情况下，计算滤波后的三维点云数据的法向量，并将向上的向量认为是[0,0,1]，计算在滤波后的三维点云数据中垂直于地面的三维点云数据，再对垂直于地面的三维点云数据进行滤波去噪处理，得到位于立面上的三维点云数据。

在本实施例中，可以通过如下公式计算垂直于地面的三维点云数据：

将0.08(弧度)转成角度为85度，即与[0,0,1]的夹角大于85度小于90度的向量均认为是垂直于地面的向量。

在步骤S202中，示例性地，分别确定位于立面上的三维点云数据的 X、Y坐标的最大值和最小值，以X、Y坐标的最大值和最小值划分出投影区域A(即将XY平面作为地面)，可以根据分辨率的需要将区域A按照预设的分辨率进行网格划分，再将位于立面上的三维点云数据投影至区域A中，得到对应的二维点数据。

具体地，由于确定出的位于立面上的三维点云数据是多个立面的三维点云数据，因此，需要区分出每个立面对应的三维点云数据。所以通过将位于立面的三维点云数据投影在地面，得到二维点数据，从而可以直接对二维点数据进行聚类，无需对三维点数据进行处理，就可以根据聚类出的每个二维点集对应的三维点云数据确定各个立面的三维点云数据，降低了计算量，可以更简单且准确的确定出目标立面对应的三维点云数据。

在一种实施方式中，其中，对二维点云数据进行聚类，得到N个二维点集，包括：

基于二维点云数据中的每个边缘点以及区域生长算法，得到每个边缘点对应的二维点集；

基于每个边缘点对应的二维点集，得到N个二维点集。

其中，区域生长算法是按照事先定义的生长准则将一个像素或者子区域逐步聚合成一个完整独立的连通区域过程。对于区域生长算法计算过的边缘点，可以是每个边缘点聚合出一个二维点集，也可以是多个边缘点聚合出一个二维点集。

示例性地，在将位于立面的三维点云数据投影在地面，得到二维点数据后，二维点数据在地面上投影形成了二值化的第一图像，通过区域生长算法遍历第一图像中的边缘像素，直至满足生长停止条件为当前像素位置的曲率小于预设阈值，其中，生长停止条件具体可以为如下公式：

σ表示为曲率，pc表示为当前像素，pi表示为pc 周围的像素。

由此可见，由于区域生长算法能提供很好的边界信息和分割结果，使得通过聚类后的二维点集确定的立面更加准确。同时，由于生长过程中的生长准则可以自由设定，这样，就可以根据实际需求对生长准则进行修改，可以适用于多种情况下的二维点的聚类。

在本实施例中，以位于立面上的三维点云数据的X、Y坐标的最大值和最小值划分出投影区域A，并按照预设的分辨率对区域A进行网格划分，再将位于立面上的三维点云数据投影至区域A后，统计每个网格中包含的二维点的数量，若小于预设第一阈值，则舍弃此网格中的二维点；反之，则保留网格中的二维点。其中，预设第一阈值可以根据网格的密度进行设置，还可以根据实际需要进行设置。筛选后的网格里的二维点形成二值化的第一图像，取第一图像边缘上的一个未被遍历的像素通过区域生长算法对像素进行聚类，直至遍历第一图像边缘上的所有像素，从而形成N 个二维点集，每一个二维点集对应一个立面，最后根据每个二维点集确定每个立面对应的三维点数据，并进行保存。

在一种实施方式中，如图3所示，根据目标立面的三维点云数据，构建对应的二值化三角网格图像，包括：

S301、根据目标立面的三维点云数据对应的极值信息，得到待处理平面区域；

S302、对待处理平面区域进行网格化处理，得到多边形网格；

S303、根据三维点云数据以及多边形网格生成三维点云数据对应的二值化三角网格图像。

在本实施例中，在获取到目标立面的三维点数据之后，计算出目标立面的法向量。再根据法向量与垂直向上的先验向量进行叉乘得到用于进行点云旋转的第一向量。将第一向量与X轴重合，将目标立面的法向量与Z 轴重合，从而将目标立面旋转至XY平面。根据旋转后的目标立面中的平面点云的X、Y轴坐标的最大值和最小值(即极值信息)，在XY平面上划分出一个区域(即待处理平面区域)。

根据预设的分辨率对待处理平面区域进行网格化处理，可以将待处理平面区域根据需要分成多边形网格，例如，平行四边形、正方形等，以分辨率为0.5*0.5米的正方形网格为例进行说明。再将三维点云数据根据XY 平面中的坐标映射到正方形网格中，将每个正方形网格用对角线进行分割，得到三角网格，将所有三角网格顶点都保留(即使没有点云落到所划分的三角网格中)，避免空洞，再基于最小二乘法对三角网格顶点的z值进行优化，并将得到的三角网格图像保存为PLY格式，从而得到更准确的三角网格图像。

在一种实施方式中，其中，根据目标立面对应的相机图像，确定三维点云数据中的每个点的颜色，包括：

根据目标立面对应的相机图像的相机参数，确定三维点云数据中每个点对应的纹理坐标；

基于每个点对应的纹理坐标和相机图像，确定每个点的颜色。

在本实施例中，如图4所示，在获取到地下车库的三维点云数据后，确定三维点云数据中的多个立面，在多个立面中确定需要进行纹理标注的目标立面，再根据目标立面的三维点云数据，构建对应的二值化三角网格图像。

建立相机、位姿和时间戳索引，则可以查找不同时间下的相机图像，还可以查找到不同时间下相机图像中各种位姿，从而便于获取目标立面所对应的相机图像。利用相机图像的参数，例如内参、外参将相机图像中的每点通过相机坐标系转化至图像坐标系，得到每个点的坐标，再通过卷帘快门补偿方法(Rolling Shutter correction)进行误差校正，从而得到目标坐标。

具体地，相机图像中的每点相机坐标系转化至图像坐标系可以参见如下公式：

I＝D(K[R T]p)；

其中，D表示畸变校正系数，p表示三维点坐标，[R T]表示外参矩阵，K表示为相机内参。

建立图像坐标系与纹理坐标系的映射关系，根据目标坐标确定对应的纹理坐标，从而根据纹理坐标对三角网格图像进行上色，得到彩色三角网格图像，进而实现对立面自动化纹理映射。

在一种实施方式中，目标立面对应的相机图像的获取方式包括：

基于目标立面中的三维点云数据中的至少一个三维点，确定多个相机图像；其中，多个相机图像中的每个图像中包含至少一个三维点的图像；

在多个相机图像中的第j个图像满足预设条件的情况下，将第j个图像确定为目标立面对应的相机图像；其中，j为大于等于1的正整数。

示例性地，预设条件满足以下至少一项，包括：相机图像的投影的正方形面积超过预设第二阈值，其中，第二阈值一般根据实际情况进行设置；目标立面中的三维点云数据中的至少一个三维点投影到相机图像上的位置位于靠近相机图像中间三分之二的位置。由此可见，通过预设条件挑选出投影最好的相机图像，从而可以获得更准确的纹理信息，进而能够更准确的对三角网格图像进行标注。

图5是根据本公开一实施例的图像处理装置的框图。如图5所示，该装置一种图像处理装置，包括：

构建模块501，用于根据目标立面的三维点云数据，构建对应的二值化三角网格图像；

确定模块502，用于根据目标立面对应的相机图像，确定三维点云数据中的每个点的颜色；

处理模块503，用于基于三维点云数据中每个点的颜色以及三维点云数据对应的二值化三角网格图像，得到三维点云数据对应的彩色三角网格图像；其中，彩色三角网格图像用于识别目标立面中的信息。

图6是根据本公开另一实施例的图像处理装置的框图。如图6所示，该装置一种图像处理装置，包括：

提取模块601，用于基于目标建筑物内中的三维点云数据，确定位于立面上的三维点云数据；

投影模块602，用于将位于立面上的三维点云数据投影到地面，得到对应的二维点云数据；

聚类模块603，用于对二维点云数据进行聚类，得到N个二维点集；

生成模块604，用于将N个二维点集中的第i个二维点集对应的三维点云数据确定为目标立面的三维点云数据；其中，N为大于等于1的正整数，i为小于等于N的正整数。

在一种实施方式中，如图6所示，聚类模块603，还用于：

基于二维点云数据中的每个边缘点以及区域生长算法，得到每个边缘点对应的二维点集；

基于每个边缘点对应的二维点集，得到N个二维点集。

在一种实施方式中，如图6所示，构建模块605，还用于：

根据目标立面的三维点云数据对应的极值信息，得到待处理平面区域；

对待处理平面区域进行网格化处理，得到多边形网格；

根据三维点云数据以及多边形网格生成三维点云数据对应的二值化三角网格图像。

在一种实施方式中，如图6所示，图像处理装置，还包括：

查找模块606，用于基于目标立面中的三维点云数据中的至少一个三维点，确定多个相机图像；其中，多个相机图像中的每个图像中包含至少一个三维点的图像；

选择模块607，用于在多个相机图像中的第j个图像满足预设条件的情况下，将第j个图像确定为目标立面对应的相机图像；其中，j为大于等于1的正整数。

在一种实施方式中，如图6所示，确定模块608，还用于：

根据目标立面对应的相机图像的相机参数，确定三维点云数据中每个点对应的纹理坐标；

基于每个点对应的纹理坐标和相机图像，确定每个点的颜色。

在一种实施方式中，如图6所示，处理模块609，用于基于三维点云数据中每个点的颜色以及三维点云数据对应的二值化三角网格图像，得到三维点云数据对应的彩色三角网格图像；其中，彩色三角网格图像用于识别目标立面中的信息.

这样，本公开实施例的装置，通过目标立面的三维点云数据，构建对应的二值化三角网格图像，再根据目标立面对应的相机图像确定的三维点云数据中每个点的颜色以及三维点云数据对应的二值化三角网格图像，得到对应的彩色三角网格图像，保证了彩色三角网格中颜色信息的准确性，同时能够自动对立面的纹理进行标注，无需工作人员手工进行标注，提高了工作人员的标注效率。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、 ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口 705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如图像处理方法。例如，在一些实施例中，图像处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元 708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和 /或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到 RAM 703并由计算单元701执行时，可以执行上文描述的图像处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/ 或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入) 来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种图像处理方法，包括：

根据目标立面的三维点云数据，构建对应的二值化三角网格图像；

根据目标立面对应的相机图像，确定所述三维点云数据中的每个点的颜色；

基于所述三维点云数据中每个点的颜色以及所述三维点云数据对应的二值化三角网格图像，得到所述三维点云数据对应的彩色三角网格图像；其中，所述彩色三角网格图像用于识别所述目标立面中的信息。

2.根据权利要求1所述的方法，其中，所述目标立面的三维点云数据的获取方式包括：

基于目标建筑物内的三维点云数据，确定位于立面上的三维点云数据；

将所述位于立面上的三维点云数据投影到地面，得到对应的二维点云数据；

对所述二维点云数据进行聚类，得到N个二维点集；

将所述N个二维点集中的第i个二维点集对应的三维点云数据确定为所述目标立面的三维点云数据；其中，N为大于等于1的正整数，i为小于等于N的正整数。

3.根据权利要求2所述的方法，其中，对所述二维点云数据进行聚类，得到N个二维点集，包括：

基于所述二维点云数据中的每个边缘点以及区域生长算法，得到所述每个边缘点对应的二维点集；

基于所述每个边缘点对应的二维点集，得到N个二维点集。

4.根据权利要求1-3中任一项所述的方法，其中，所述根据目标立面的三维点云数据，构建对应的二值化三角网格图像，包括：

根据目标立面的三维点云数据对应的极值信息，得到待处理平面区域；

对所述待处理平面区域进行网格化处理，得到多边形网格；

根据所述三维点云数据以及所述多边形网格生成所述三维点云数据对应的二值化三角网格图像。

5.根据权利要求1所述的方法，其中，所述根据目标立面对应的相机图像，确定所述三维点云数据中的每个点的颜色，包括：

根据所述目标立面对应的相机图像的相机参数，确定所述三维点云数据中每个点对应的纹理坐标；

基于所述每个点对应的纹理坐标和所述相机图像，确定所述每个点的颜色。

6.根据权利要求1所述的方法，所述目标立面对应的相机图像的获取方式包括：

基于所述目标立面中的三维点云数据中的至少一个三维点，确定多个相机图像；其中，所述多个相机图像中的每个图像中包含所述至少一个三维点的图像；

在所述多个相机图像中的第j个图像满足预设条件的情况下，将所述第j个图像确定为所述目标立面对应的相机图像；其中，j为大于等于1的正整数。

7.一种图像处理装置，包括：

构建模块，用于根据目标立面的三维点云数据，构建对应的二值化三角网格图像；

确定模块，用于根据目标立面对应的相机图像，确定所述三维点云数据中的每个点的颜色；

处理模块，用于基于所述三维点云数据中每个点的颜色以及所述三维点云数据对应的二值化三角网格图像，得到所述三维点云数据对应的彩色三角网格图像；其中，所述彩色三角网格图像用于识别所述目标立面中的信息。

8.根据权利要求7所述的装置，其中，所述装置还包括：

提取模块，用于基于目标建筑物内中的三维点云数据，确定位于立面上的三维点云数据；

投影模块，用于将所述位于立面上的三维点云数据投影到地面，得到对应的二维点云数据；

聚类模块，用于对所述二维点云数据进行聚类，得到N个二维点集；

生成模块，用于将所述N个二维点集中的第i个二维点集对应的三维点云数据确定为所述目标立面的三维点云数据；其中，N为大于等于1的正整数，i为小于等于N的正整数。

9.根据权利要求8所述的装置，其中，所述聚类模块，还用于：

基于所述二维点云数据中的每个边缘点以及区域生长算法，得到所述每个边缘点对应的二维点集；

基于所述每个边缘点对应的二维点集，得到N个二维点集。

10.根据权利要求7-9中任一项所述的装置，其中，所述构建模块，还用于：

根据目标立面的三维点云数据对应的极值信息，得到待处理平面区域；

对所述待处理平面区域进行网格化处理，得到多边形网格；

根据所述三维点云数据以及所述多边形网格生成所述三维点云数据对应的二值化三角网格图像。

11.根据权利要求7所述的装置，其中，所述确定模块，还用于：

根据所述目标立面对应的相机图像的相机参数，确定所述三维点云数据中每个点对应的纹理坐标；

基于所述每个点对应的纹理坐标和所述相机图像，确定所述每个点的颜色。

12.根据权利要求7所述的装置，所述装置，还包括：

查找模块，用于基于所述目标立面中的三维点云数据中的至少一个三维点，确定多个相机图像；其中，所述多个相机图像中的每个图像中包含所述至少一个三维点的图像；

选择模块，用于在所述多个相机图像中的第j个图像满足预设条件的情况下，将所述第j个图像确定为所述目标立面对应的相机图像；其中，j为大于等于1的正整数。

13.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。

15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。

Images