[0001] 本申请涉及三维建模领域，且更为具体地，涉及一种基于点云数据的三维建模方法及系统。

[0002] 点云数据是一种由大量三维点构成的数据形式，常用于描述物体或场景的形状和结构。每个点包含空间坐标以及其他属性，如颜色和法线。这种数据在三维建模、工程制造和自动驾驶环境感知等领域广泛应用，可以通过激光扫描或摄像头采集获得。

[0003] 在自动驾驶车辆环境感知领域，目前的自动驾驶车辆通常将环境感知投影到车载屏幕上，以增强用户对车辆周围环境的信任感。因此，如何对无人驾驶车辆周围环境进行精确三维建模，以使乘客通过屏幕看到的环境与透过车窗看到的环境更贴近，是一项亟待解决的挑战。

[0004] 因此，期望一种基于点云数据的三维建模方法及系统。

[0022] 下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

[0023] 示例性方法

[0024] 图1为本申请实施例的基于点云数据的三维建模方法的流程图。如图1所示，根据本申请实施例的基于点云数据的三维建模方法，包括：S110，获取由雷达扫描后的自动驾驶车辆周围环境点云数据和由摄像头采集的车辆周围环境图像；S120，从所述由雷达扫描后的自动驾驶车辆周围环境点云数据和所述由摄像头采集的车辆周围环境图像中提取车辆周围环境点云语义特征向量和车辆周围环境全局特征向量；S130，基于所述车辆周围环境点云语义特征向量和所述车辆周围环境全局特征向量，生成自动驾驶车辆周围环境三维建模模型。

[0025] 在上述基于点云数据的三维建模方法中，所述步骤S110，获取由雷达扫描后的自动驾驶车辆周围环境点云数据和由摄像头采集的车辆周围环境图像。应可以理解，点云数据是一种由大量三维点构成的数据形式，通常用于描述物体或场景的形状和结构。每个点包含空间坐标以及其他属性，如颜色和法线。点云数据可以通过激光扫描或摄像头采集获得，为系统提供了丰富的环境信息。在自动驾驶车辆环境感知领域，当前的自动驾驶车辆通常将环境感知数据投影到车载屏幕上，以增强乘客对车辆周围环境的信任感。然而，当前挑战在于如何精确地对无人驾驶车辆周围环境进行三维建模，以确保乘客通过屏幕看到的环境与透过车窗看到的环境更加贴近和真实。因此，在本申请的技术方案中，通过利用雷达扫描得到的点云数据和摄像头采集的环境图像，并结合深度学习技术，以生成自动驾驶车辆周围环境的三维建模。这样，提升了自动驾驶车辆的环境感知水平，增强了技术的安全性和可靠性。

[0026] 具体地，雷达扫描数据提供了高精度的空间信息，能够准确捕捉周围物体的位置和形状，是实现精准定位和避障的关键。扫描得到的点云数据通过大量的点来描述环境中的物体，能够呈现出真实世界的细节和结构，为建模提供了丰富的几何信息。而摄像头采集的环境图像则提供了丰富的视觉信息，能够捕捉到颜色、纹理等表面特征，有助于识别物体的类别和状态，即，图像数据能够提供直观的感知信息，使系统更具人类化的视角来理解周围环境。综合雷达点云数据和摄像头图像数据，可以实现多模态数据融合，从而提高环境感知的准确性和鲁棒性，以实现更全面、准确的环境感知，为自动驾驶车辆提供更可靠的决策支持。

[0027] 在上述基于点云数据的三维建模方法中，所述步骤S120，从所述由雷达扫描后的自动驾驶车辆周围环境点云数据和所述由摄像头采集的车辆周围环境图像中提取车辆周围环境点云语义特征向量和车辆周围环境全局特征向量。应可以理解，雷达数据和图像数据相互补充，雷达数据具有较强的距离感知能力，而图像数据则更擅长识别物体的细节特征。综合点云数据和图像数据提取的语义特征和全局特征，可以实现对环境的多方面建模和理解。这种综合利用不同传感器数据的方法可以提高系统的感知能力和决策准确性。

[0028] 在本申请一个具体的实施例中，所述步骤S120，包括：对所述由雷达扫描后的自动驾驶车辆周围环境点云数据进行语义编码以得到所述车辆周围环境点云语义特征向量；对所述由雷达扫描后的自动驾驶车辆周围环境点云数据进行特征提取以得到车辆周围环境点云雷达深度特征图；对所述由摄像头采集的车辆周围环境图像进行特征编码以得到车辆周围环境增强特征图；将所述车辆周围环境点云雷达深度特征图和所述车辆周围环境增强特征图进行特征聚合以得到所述车辆周围环境全局特征向量。

[0029] 应可以理解，通过语义编码，可以将点云数据中的几何信息转换为语义信息，使系统能够更好地理解周围环境。语义编码过程通常涉及使用深度学习模型，如卷积神经网络或自动编码器等，对点云数据进行特征学习和表示学习。这些模型可以学习到点云数据中的抽象特征，将其映射到语义空间中，从而得到具有语义信息的特征向量。

[0030] 进一步地，对雷达扫描后的自动驾驶车辆周围环境点云数据进行特征提取，旨在从点云数据中提取出更加抽象和高级的特征表示，得到的雷达深度特征图可以看作是对点云数据的进一步处理，将点云中的信息转换为更紧凑、更具代表性的特征图像。

[0031] 更进一步地，图像特征编码能够将图像中的视觉信息转换为紧凑、高效的特征表示形式，以便计算机能够更好地理解图像内容。通过特征编码，可以提取出图像中的关键特征，如边缘、纹理、颜色等，进而实现对物体、场景的识别和理解。

[0032] 特别地，点云雷达深度特征图和增强特征图分别代表了不同传感器(雷达和摄像头)采集到的环境信息，包含了不同层次、不同类型的特征。通过特征聚合，可以将这两种特征图的信息融合在一起，使得最终的全局特征向量能够综合反映环境的整体情况，包括物体的位置、形状、语义信息等多方面特征。在特征聚合的过程中，通常会采用融合网络或者特征融合模块，通过深度学习技术将不同特征图的信息进行整合和融合。这样可以保留每种特征的优势，同时弥补它们各自的不足之处，得到更具代表性和全面性的全局特征表示。
综合利用雷达深度特征和增强特征的优势，得到的全局特征向量可以更好地描述车辆周围环境的特征，为自动驾驶系统提供更准确、更全面的环境感知能力。这种特征聚合的方法可以提高系统对环境的理解能力，增强系统的决策制定和行为规划的准确性，从而提升自动驾驶系统的安全性和性能表现。

[0033] 图2为根据本申请实施例的基于点云数据的三维建模方法中对所述由雷达扫描后的自动驾驶车辆周围环境点云数据进行语义编码以得到所述车辆周围环境点云语义特征
向量的流程图。如图2所示，在本申请一个具体的实施例中，对所述由雷达扫描后的自动驾驶车辆周围环境点云数据进行语义编码以得到所述车辆周围环境点云语义特征向量，包
括：S210，将所述由雷达扫描后的自动驾驶车辆周围环境点云数据通过车辆周围环境点云上下文编码器以得到多个车辆周围环境点云特征向量；S220，将所述多个车辆周围环境点云特征向量进行级联以得到所述车辆周围环境点云语义特征向量。

[0034] 应可以理解，点云数据是由雷达传感器扫描得到的，包含了环境中各个物体的位置、形状和距离等信息。然而，点云数据通常是非结构化的，包含大量的点云信息，需要通过特征提取和编码来转换为更具有意义的表示形式。车辆周围环境点云上下文编码器的作用就是对点云数据进行编码，提取其中的上下文信息，从而得到更具代表性和丰富的特征向量。通过车辆周围环境点云上下文编码器，可以将点云数据中的局部特征和全局特征进行有效地提取和编码。具体地，对所述由雷达扫描后的自动驾驶车辆周围环境点云数据进行分词处理以得到词序列；使用所述车辆周围环境点云上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述车辆周围环境点云上下文编码器的基于转换器的Bert模型对所述词嵌入向量的序列进行基于全局的上下文语义编码以得到多个车辆周围环境点云特征向量。

[0035] 进一步地，将多个车辆周围环境点云特征向量进行级联以得到车辆周围环境点云语义特征向量的过程，旨在整合不同特征向量的信息，提高对环境语义信息的把握能力，从而更准确地理解周围环境并支持自动驾驶系统的决策制定。应可以理解，每个车辆周围环境点云特征向量代表了一个局部区域的特征信息，包含了该区域内物体的位置、形状、语义信息等。通过将多个这样的特征向量进行级联，系统可以综合考虑车辆周围不同区域的信息，构建出更全局、更综合的环境表示。其中，在级联过程中，通过将不同局部特征向量按照一定顺序连接在一起，可以形成一个更大的、更丰富的特征向量。这样一来，系统就能够同时考虑到不同区域的信息，从而更全面地理解整个环境的语义信息，包括各个物体之间的关系、环境的结构特征等。

[0036] 图3为根据本申请实施例的基于点云数据的三维建模方法中对所述由雷达扫描后的自动驾驶车辆周围环境点云数据进行特征提取以得到车辆周围环境点云雷达深度特征
图的流程图。如图3所示，在本申请一个具体的实施例中，对所述由雷达扫描后的自动驾驶车辆周围环境点云数据进行特征提取以得到车辆周围环境点云雷达深度特征图，包括：
S310，将所述由雷达扫描后的自动驾驶车辆周围环境点云数据通过空间映射以得到车辆周围环境点云投射图；S320，将所述车辆周围环境点云投射图通过作为特征提取器的车辆周围环境点云投射卷积神经网络以得到所述车辆周围环境点云雷达深度特征图。

[0037] 应可以理解，雷达扫描得到的车辆周围环境点云数据是三维空间中的点集，包含了物体的位置、形状等信息。然而，直接使用原始的三维点云数据进行处理可能会增加计算复杂度，并且不利于一些视觉算法的应用。因此，通过空间映射将点云数据投影到二维平面上，可以简化数据结构，减少维度，同时保留关键信息。车辆周围环境点云投射图可以提供更直观、更易于理解的环境表示形式。将三维点云数据映射到二维平面后，可以更清晰地展示车辆周围的物体分布、轮廓等信息，有助于驾驶系统更快速地感知周围环境，做出准确的决策。

[0038] 进一步地，车辆周围环境点云投射图是二维平面上的表示，展示了车辆周围环境的点云信息。通过将这些投射图输入到特征提取器中的卷积神经网络中，系统可以自动学习和提取图像中的特征，包括物体的形状、纹理、结构等信息，从而实现对环境更高级别的理解。车辆周围环境点云投射卷积神经网络可以有效地从投射图中提取抽象的特征表示。通过多层卷积和池化操作，网络可以逐渐学习到更加抽象和高级别的特征，例如边缘、纹理、物体部分等，从而更好地捕捉环境中的重要信息。而车辆周围环境点云雷达深度特征图是在卷积神经网络中学习到的高级别特征表示。这些特征图包含了对周围环境更丰富的语义理解，可以帮助系统更准确地识别不同物体、预测它们的行为，并支持自动驾驶系统做出更智能、更安全的决策。通过将车辆周围环境点云投射图通过卷积神经网络转换为雷达深度特征图，系统可以实现对环境更深层次的理解和分析，为自动驾驶系统提供更强大的感知和决策能力，从而提升驾驶安全性和效率。具体地，使用所述特征提取器的车辆周围环境点云投射卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、基于局部特征矩阵的均值池化处理和非线性激活处理以由所述特征提取器的车辆周围环境点云投
射卷积神经网络的最后一层输出所述车辆周围环境点云雷达深度特征图，其中，所述特征提取器的车辆周围环境点云投射卷积神经网络的输入为所述车辆周围环境点云投射图。

[0039] 图4为根据本申请实施例的基于点云数据的三维建模方法中对所述由摄像头采集的车辆周围环境图像进行特征编码以得到车辆周围环境增强特征图的流程图。如图4所示，在本申请一个具体的实施例中，对所述由摄像头采集的车辆周围环境图像进行特征编码以得到车辆周围环境增强特征图，包括：S410，将所述由摄像头采集的车辆周围环境图像通过车辆周围环境像素增强生成器以得到车辆周围环境增强图像；S420，将所述车辆周围环境增强图像通过基于空间注意力机制的车辆周围环境增强特征编码器以得到所述车辆周围
环境增强特征图。

[0040] 应可以理解，摄像头采集的车辆周围环境图像可能受到光照、天气等因素的影响，存在噪音、模糊或其他质量问题，这可能影响自动驾驶系统对环境的理解和决策。通过车辆周围环境像素增强生成器，可以对图像进行增强处理，改善图像质量。其中，车辆周围环境像素增强生成器利用各种图像处理技术，如图像增强、去噪、超分辨率等方法，对原始图像进行处理。这些技术可以增强图像的对比度、清晰度，去除噪音，修复细节，从而使图像更易于解析和分析。

[0041] 进一步地，将车辆周围环境增强图像通过基于空间注意力机制的车辆周围环境增强特征编码器，能够利用空间注意力机制提取图像中的关键特征，强调图像中不同区域的重要性，从而提高自动驾驶系统对环境的理解和决策能力。应可以理解，车辆周围环境增强图像经过像素级别的增强处理后，质量得到提升，但仍然包含大量信息。基于空间注意力机制的特征编码器可以帮助系统集中注意力于图像中最重要的区域，提取关键特征，减少信息冗余，从而更有效地表示图像内容。其中，空间注意力机制允许特征编码器在处理图像时动态调整不同位置的特征权重，根据图像内容的重要性分配注意力。这种机制可以帮助系统更好地捕捉图像中的局部和全局信息，有效地建模图像结构，提高特征表示的表征能力。通过将车辆周围环境增强图像通过基于空间注意力机制的特征编码器转换为增强特征图，系统可以实现对图像内容更精细的建模和分析，提高自动驾驶系统的感知和决策能力，使其更加智能、高效地应对复杂的驾驶场景。具体地，使用所述基于空间注意力机制的车辆周围环境增强特征编码器的卷积编码部分对所述车辆周围环境增强图像进行深度卷积编码
以得到初始卷积特征图；将所述初始卷积特征图输入所述基于空间注意力机制的车辆周围环境增强特征编码器的空间注意力部分以得到空间注意力图；将所述空间注意力图通过
Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述车辆周围环境增强特征图。

[0042] 在本申请一个具体的实施例中，将所述车辆周围环境点云雷达深度特征图和所述车辆周围环境增强特征图进行特征聚合以得到所述车辆周围环境全局特征向量，包括：将所述车辆周围环境点云雷达深度特征图和所述车辆周围环境增强特征图进行关联以得到车辆周围环境全局特征图；将所述车辆周围环境全局特征图池化为所述车辆周围环境全局特征向量。

[0043] 应可以理解，车辆周围环境点云雷达深度特征图提供了关于周围物体距离和位置的信息，能够有效地捕捉环境中的物体几何结构和空间分布。与此同时，车辆周围环境增强特征图则包含了经过处理和提取的视觉特征，能够提供关于环境中物体的语义信息和视觉特征。通过将这两种不同传感器提供的信息进行关联，可以获得更丰富、更全面的环境表示。将点云雷达深度特征图与增强特征图进行关联，可以将几何信息和语义信息相结合，从而更好地理解环境中的物体、场景，并获取更全局的环境特征。综合车辆周围环境点云雷达深度特征图和增强特征图的信息，得到车辆周围环境全局特征图有助于系统更好地理解周围环境，识别和跟踪物体，规划安全路径，做出智能决策。

[0044] 进一步地，车辆周围环境全局特征图包含了丰富的环境信息，但是在某些场景下，高维特征图可能会导致计算和存储开销过大，不利于系统的实时性和效率。通过对全局特征图进行池化操作，可以将图像中的各个区域特征进行整合和压缩，得到一个全局特征向量，将复杂的信息简化为更紧凑的表示形式。池化操作可以通过不同的方式实现，如最大池化、平均池化等，它们可以帮助系统保留关键信息、降低噪声干扰，提高特征的稳定性和鲁棒性。通过池化操作，系统可以更好地理解整个环境的特征分布和结构，从而更准确地进行环境感知和决策。

[0045] 在上述基于点云数据的三维建模方法中，所述步骤S130，基于所述车辆周围环境点云语义特征向量和所述车辆周围环境全局特征向量，生成自动驾驶车辆周围环境三维建模模型。应可以理解，车辆周围环境点云语义特征向量包含了对环境中不同物体的语义信息，能够帮助系统识别和分类不同的物体，理解环境中的场景。而车辆周围环境全局特征向量则提供了对整个环境的综合把握，包括环境的整体结构和特征。将这两种不同层次的特征结合起来，可以更全面地描述环境，提高系统对周围环境的理解和感知能力。

[0046] 在本申请一个具体的实施例中，所述基于所述车辆周围环境点云语义特征向量和所述车辆周围环境全局特征向量，生成自动驾驶车辆周围环境三维建模模型，包括：将所述车辆周围环境点云语义特征向量和所述车辆周围环境全局特征向量进行融合以得到车辆周围环境生成特征向量；对所述车辆周围环境生成特征向量进行基于感知驱动的分布适应性增强以得到优化车辆周围环境生成特征向量；将所述优化车辆周围环境生成特征向量通过生成器，以生成自动驾驶车辆周围环境三维建模模型。

[0047] 应可以理解，车辆周围环境点云语义特征向量包含了对环境中不同物体的语义信息，帮助系统识别和分类周围物体，从而理解环境中的具体情况。这些局部特征向量能够提供关于每个物体的详细信息，如位置、形状、类别等，有助于系统进行精细的目标检测和识别。而车辆周围环境全局特征向量提供了对整个环境的综合把握，包括环境的整体结构、布局和特征。这种全局特征向量能够帮助系统更好地理解整个环境的背景信息，为系统提供更广阔的视角，有助于全局路径规划和决策制定。通过融合局部和全局特征向量，得到车辆周围环境生成特征向量，系统可以综合考虑局部细节和全局背景，使环境感知更加全面和准确。这种融合生成特征向量的方法能够综合利用局部和全局信息，提高系统对周围环境的认知能力，使自动驾驶系统在复杂环境下具备更强大的感知和决策能力，提升行驶安全性和效率。

[0048] 进一步地，在本申请的技术方案中，对所述车辆周围环境生成特征向量进行基于感知驱动的分布适应性增强以得到优化车辆周围环境生成特征向量，包括：将所述车辆周围环境生成特征向量与生成器的生成权重矩阵进行相乘以得到中间特征向量；将所述车辆周围环境生成特征向量与所述中间特征向量进行拼接以得到拼接特征向量；将第一权重矩阵乘以拼接特征向量后再加上第一偏置向量以得到编码拼接特征向量；将所述编码拼接特征向量通过sigmoid函数进行激活以得到激活值；将一减去激活值后再与中间特征向量进行按位置相乘以得到加权中间特征向量；将所述激活值与车辆周围环境生成特征向量进行按位置相乘以得到加权车辆周围环境生成特征向量；将所述中间特征向量与所述车辆周围环境生成特征向量进行按位置相减以得到差异特征向量；将所述加权中间特征向量与所述加权车辆周围环境生成特征向量进行相加后再除以所述差异特征向量以得到第二中间特征向量；将所述第二中间特征向量通过ReLU函数以得到优化车辆周围环境生成特征向量。

[0049] 特别地，在本申请的技术方案中，雷达扫描得到的点云数据和摄像头采集的图像数据可能在某些方面存在局限性，比如雷达对某些材质的反射不敏感，摄像头在光线不足的情况下性能下降，这些都可能导致特征提取不全面。尽管通过级联和关联的方式将点云特征向量和图像特征图融合，但如果融合方法不够先进或者融合策略不恰当，可能会导致特征向量丢失了某些关键信息，或者融合后的特征向量在特征空间中的分布变得不够多样化。上下文编码器和空间注意力机制的设计可能没有充分考虑到环境的复杂性，导致特征向量无法有效捕捉到环境的细微变化和深层次的语义信息。也就是，所述车辆周围环境生成特征向量的整体特征分布的流形单调性较差，导致在其在通过生成器进行生成回归时导致其相对于所述生成器的整体特征分布的生成回归约束性不足，影响生成结果的精准度。为了改善这种情况，在本申请技术方案中，对车辆周围环境生成特征向量进行基于感知驱动的分布适应性增强以得到优化车辆周围环境生成特征向量。

[0050] 其中，对车辆周围环境生成特征向量进行基于感知驱动的分布适应性增强以得到优化车辆周围环境生成特征向量，包括：以如下优化公式对车辆周围环境生成特征向量进行基于感知驱动的分布适应性增强，其中，所述优化公式为：

[0051]

[0052] 其中，vc表示所述车辆周围环境生成特征向量，M为生成器的生成权重矩阵，concat表示拼接函数，W1表示第一权重矩阵，b1表示第一偏置向量， 表示矩阵相乘，
′
sigmoid表示S形激活函数，τ表示激活值，ReLU表示线性整流函数，V 表示所述优化车辆周围环境生成特征向量。

[0053] 在本申请的技术方案中，所述车辆周围环境生成特征向量的整体特征分布的流形单调性较差，导致在其在通过生成器进行生成回归时导致其相对于所述生成器的整体特征分布的生成回归约束性不足，影响生成结果的精准度。

[0054] 因此，在本申请的技术方案中，对车辆周围环境生成特征向量进行基于感知驱动的分布适应性增强，其通过以所述生成器的生成权重矩阵对所述车辆周围环境生成特征向量进行特征流形的几何特性进行辅助性分析描述，并以辅助性描述分析结果与原始车辆周围环境生成特征向量的特征流形差异作为微分因子来支持改进后的车辆周围环境生成特征向量对于所述生成器的预定生成结果的描述性，最终添加激活机制进行激活，来维持具有正向描述的分布依赖性的强化。这样，显著改善车辆周围环境生成特征向量的整体特征布局的流形单调性，从而增强其相对于生成器的整体特征布局的生成回归约束性，提高生成结果的精准度。

[0055] 更进一步地，通过生成器，优化车辆周围环境生成特征向量得以被解码和转换，生成器能够根据特征向量中所包含的信息，生成逼真的三维模型。这种生成器的应用使得自动驾驶系统能够将抽象的特征向量转化为可视化的三维建模结果，为系统提供了直观的环境认知能力。生成的三维建模模型可以为自动驾驶系统提供更加直观和全面的环境表示，帮助系统更准确地感知周围环境，规划路径和做出智能决策。

[0056] 综上，本申请实施例首先获取由雷达扫描后的自动驾驶车辆周围环境点云数据和由摄像头采集的车辆周围环境图像，然后利用深度学习技术，对二者进行特征提取和关联分析，最后通过生成器，以生成自动驾驶车辆周围环境三维建模模型，从而提高自动驾驶车辆的环境感知能力，增强自动驾驶技术的安全性和可靠性。

[0057] 示例性系统

[0058] 图5为根据本申请实施例的基于点云数据的三维建模系统的框图。如图5所示，根据本申请实施例的基于点云数据的三维建模系统100，其包括：车辆周围环境数据获取模块110，用于获取由雷达扫描后的自动驾驶车辆周围环境点云数据和由摄像头采集的车辆周围环境图像；车辆周围环境数据提取模块120，用于从所述由雷达扫描后的自动驾驶车辆周围环境点云数据和所述由摄像头采集的车辆周围环境图像中提取车辆周围环境点云语义
特征向量和车辆周围环境全局特征向量；环境三维建模模型生成模块130，用于基于所述车辆周围环境点云语义特征向量和所述车辆周围环境全局特征向量，生成自动驾驶车辆周围环境三维建模模型。

[0059] 如上所述，根据本申请实施例的所述基于点云数据的三维建模系统100可以实现在各种终端设备中，在一个示例中，根据基于点云数据的三维建模系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于点云数据的三维建模系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于点云数据的三维建模系统100同样可以是该终端设备的众多硬件模块之一。

[0060] 替换地，在另一示例中，该基于点云数据的三维建模系统100与该终端设备也可以是分立的设备，并且基于点云数据的三维建模系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

[0061] 这里，本领域技术人员可以理解，上述基于点云数据的三维建模系统中的各个步骤的具体操作已经在上面参考图1至图4的基于点云数据的三维建模方法的描述中得到了详细介绍，并因此，将省略其重复描述。

[0062] 示例性电子设备

[0063] 下面，参考图6来描述根据本申请实施例的电子设备。

[0064] 本申请实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述基于点云数据的三维建模方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

[0065] 请参阅图6，图6示意了另一实施例的电子设备的硬件结构，电子设备包括：

[0066] 处理器11，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；存储器12，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。

[0067] 存储器12可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器12中，并由处理器11来调用执行本申请实施例的基于点云数据的三维建模方法；

[0068] 输入/输出接口13，用于实现信息输入及输出；

[0069] 通信接口14，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

[0070] 总线15，在设备的各个组件(例如处理器11、存储器12、输入/输出接口13和通信接口14)之间传输信息；

[0071] 其中处理器11、存储器12、输入/输出接口13和通信接口14通过总线15实现彼此之间在设备内部的通信连接。

[0072] 本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述基于点云数据的三维建模方法。

[0073] 存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0074] 本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

[0075] 本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

[0076] 以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

[0077] 本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

[0078] 本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0079] 应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于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：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

[0080] 在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

[0081] 上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0082] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元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全部或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，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的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(Read‑On  lyMemory，简称ROM)、随机存取存储器
(RandomAccessMemory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。