一种点云的渲染方法、装置、设备及存储介质

技术领域

本发明涉及计算机视觉的技术领域，尤其涉及一种点云的渲染方法、装置、设备及存储介质。

背景技术

电力场景下的点云数据广泛应用于电力设备的三维建模、电力线路的检测与维护等操作。在执行这些操作时，会对点云数据进行渲染，即，将点云数据转化为图像或视频，供用户浏览。

随着点云数据的清晰度越来越高，同一电力场景中点云数据的数量越来越大，使得在渲染时使用基于树形结构网格矢量量化技术、多线程动态调度技术等方式实现海量点云数据的渲染。

这些方法大多是采用网格化或体素化的方式处理点云数据，点云数据的数据量仍较为庞大，存在冗余的情况，使得渲染的复杂度高，存在卡顿的现象，导致渲染的效率较低。

发明内容

本发明提供了一种点云的渲染方法、装置、设备及存储介质，以解决如何降低电力设备的点云数据的数据量、提高渲染效率的问题。

根据本发明的一方面，提供了一种点云的渲染方法，包括：

对电力设备采集原始点云数据；

对所述原始点云数据进行体素滤波，得到目标点云数据，所述目标点云数据中包含多个目标点；

在所述目标点云数据中，在多个维度上依据邻域对各个所述目标点生成描述因子；

依据所述描述因子筛选出部分所述目标点，作为关键点；

依据类别筛选出部分所述关键点，作为特征点；

判断所述特征点的占比是否大于或等于预设的置信阈值；若是，则依据八叉树将所述特征点存储至索引文件中，若否，则返回执行所述对所述原始点云数据进行体素滤波，得到目标点云数据；

在网页中依据所述索引文件渲染所述特征点。

根据本发明的另一方面，提供了一种点云的渲染装置，包括：

点云采集模块，用于对电力设备采集原始点云数据；

体素滤波模块，用于对所述原始点云数据进行体素滤波，得到目标点云数据，所述目标点云数据中包含多个目标点；

描述因子生成模块，用于在所述目标点云数据中，在多个维度上依据邻域对各个所述目标点生成描述因子；

关键点筛选模块，用于依据所述描述因子筛选出部分所述目标点，作为关键点；

特征点筛选模块，用于依据类别筛选出部分所述关键点，作为特征点；

占比判断模块，用于判断所述特征点的占比是否大于或等于预设的置信阈值；若是，则执行点云存储模块，若否，则返回执行所述体素滤波模块；

点云存储模块，用于依据八叉树将所述特征点存储至索引文件中；

点云渲染模块，用于在网页中依据所述索引文件渲染所述特征点。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

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计算机程序，所述计算机程序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本发明任一实施例所述的点云的渲染方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于使处理器执行时实现本发明任一实施例所述的点云的渲染方法。

在本实施例中，对电力设备采集原始点云数据；对原始点云数据进行体素滤波，得到目标点云数据，目标点云数据中包含多个目标点；在目标点云数据中，在多个维度上依据邻域对各个目标点生成描述因子；依据描述因子筛选出部分目标点，作为关键点；依据类别筛选出部分关键点，作为特征点；判断特征点的占比是否大于或等于预设的置信阈值；若是，则依据八叉树将特征点存储至索引文件中，若否，则返回执行对原始点云数据进行体素滤波，得到目标点云数据；在网页中依据索引文件渲染特征点。本实施例经过体素滤波、描述因子筛选、类别筛选等三重处理，可以在保证点云的有效性的情况下，滤除冗余的点云，大大降低了点云的数据量，大大降低了渲染的复杂度，减少卡顿的现象，从而提高了渲染的效率。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例一提供的一种点云的渲染方法的流程图；

图2是根据本发明实施例二提供的一种点云的渲染装置的结构示意图；

图3是根据本发明实施例三提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本发明的实施例能够涵盖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。

实施例一

图1为本发明实施例一提供的一种点云的渲染方法的流程图，该方法可以由点云的渲染装置来执行，该点云的渲染装置可以采用硬件和/或软件的形式实现，该点云的渲染装置可配置于电子设备中。如图1所示，该方法包括：

步骤101、对电力设备采集原始点云数据。

在本实施例中，可以使用倾斜摄影、激光扫描等方式对电力设备采集三维的点云数据，记为原始点云数据，原始点云数据具有多个点，记为原始点，原始点具有坐标信息、颜色信息等属性。

步骤102、对原始点云数据进行体素滤波，得到目标点云数据。

一般情况下，原始点云数据往往包含大量散列点、孤立点，在获取原始点云数据时，由于设备精度、操作者经验、环境、电磁波的衍射性、电力设备表面性质变化和数据拼接配准操作过程的影响，原始点的密度不一致，即，原始点的密度并不一致。

在本实施例中，可以对原始点云数据进行体素滤波(下采样)，得到目标点云数据，目标点云数据中包含多个目标点，目标点具有坐标信息、颜色信息等属性，多个目标点的密度一致。

体素滤波器可以达到向下采样同时不破坏原始点云数据本身几何结构的功能，此外，体素滤波可以去除一定程度的噪音点及离群点。

在具体实现中，可以依据原始点云数据中所有原始点在坐标信息中的最大值、最小值，对原始点云数据生成最小外接的长方体。

在首次体素滤波中，选择指定的数值(如0.1cm)作为本次体素滤波的边长。

在非首次的体素滤波中，选择比前一次体素滤波的边长小的数值(如0.09cm、0.05cm等)作为本次体素滤波的边长。

将立方体切分为多个符合边长的正方体，在各个正方体中将原始点汇聚为目标点，以组成目标点云数据。

在不同的计算方式中，目标点与原始点的关系有所不同，例如，目标点为原始点的质心、原始点的平均值、正方体的中心点，等等，本实施例对此不加以限制。

步骤103、在目标点云数据中，在多个维度上依据邻域对各个目标点生成描述因子。

对于目标点云数据中的各个目标点，可以以当前目标点邻域中的目标点作为参考，在多个维度上对当前目标点生成综合性的描述因子，其中，描述因子为描述目标点特征的描述子。

在本发明的一个实施例中，步骤103可以包括如下步骤：

步骤1031、在目标点云数据中，对当前目标点确定邻域。

在本实施例中，遍历目标点云数据中的各个目标点，在遍历的过程中，对当前目标点设置邻域。

一般情况下，可以以当前目标点为球心，生成一个指定半径(如0.5m)的球体，作为邻域，此时，任一目标点与当前目标点之间在三维空间上的距离(如欧式距离)小于或等于该半径，均可以认为该目标点在当前目标点的邻域中，即，以半径作为间距阈值，邻域中的目标点与当前目标点之间的距离小于预设的间距阈值。

步骤1032、计算当前目标点与邻域中的所有目标点之间的标准差。

在本实施例中，计算描述因子的其中一个维度为标准差，在该维度上，可以使用当前目标点的坐标信息与邻域中的所有目标点计算当前目标点与邻域中的所有目标点之间在三维空间上的标准差。

进一步而言，标准差表示如下：

其中，δ

步骤1033、计算当前目标点与邻域中的所有目标点之间的向量的平均值，得到法向量。

在本实施例中，计算描述因子的其中一个维度为法向量，在该维度上，可以使用当前目标点的坐标信息与邻域中的所有目标点计算前目标点与邻域中的所有目标点之间的向量的平均值，得到法向量。

进一步而言，法向量表示如下：

其中，

步骤1034、计算当前目标点与邻域中的所有目标点之间在颜色信息上的权值，作为颜色权值。

在本实施例中，计算描述因子的其中一个维度为颜色权值，在该维度上，可以计算当前目标点与邻域中的所有目标点之间在颜色信息上的权值，作为颜色权值。

进一步而言，将当前目标点的颜色信息与邻域中的所有目标点的颜色信息代入如下公式进行运算，得到颜色权值：

其中，

步骤1035、将标准差、法向量与颜色权值融合为当前目标点的描述因子。

在本实施例中，可以以线性或非线性的方式将标准差、法向量(以模表示)与颜色权值融合为当前目标点的描述因子。

以线性为例，描述因子表示如下：

其中，∈

由于原始点云数据(目标点云数据)的来源分为倾斜摄影和激光雷达等，因此，本实施例使用了标准差、法向量与颜色权值生成描述因子，作为描述目标点云数据的特征，从而兼容不同来源的原始点云数据。其中，标准差能判断目标点云数据中某个目标点是否为孤立的噪点，法向量是能判断目标点云数据中某个目标点是否和周围目标点的法向量一样，一样的法向量更加的平滑，就如墙体在点中，每个点的法向量基本为一样，颜色权值能判断目标点云数据中某个目标点和周围的目标点是否关联。

步骤104、依据描述因子筛选出部分目标点，作为关键点。

描述因子可以在一定程度表示各个目标点与邻域中的目标点之间的关联程度，因此，可以依据描述因子筛选出部分关键程度较高的目标点，记为关键点。

在具体实现中，可以将各个目标点的描述因子与关联阈值进行比较。

若某个目标点的描述因子大于或等于关联阈值，表示该目标点与其邻域中的目标点之间的关联程度较高，则可以保留该目标点为关键点。

若某个目标点的描述因子小于关联阈值，表示该目标点与其邻域中的目标点之间的关联程度较低，则可以剔除该目标点，并非目标点云数据中的关键的点，为后续渲染点云减少负担。

步骤105、依据类别筛选出部分关键点，作为特征点。

一般情况下，同类别的关键点之间的差异性较小，不同类别关键点之间的差异性较大，例如，杆塔、电力线、建筑物、植被等类别的点云之间的差异较大，因此，可以依据类别筛选出部分信息量较为丰富的关键点，记为特征点。

在具体实现中，使用K-means等聚类算法，依据描述因子将目标点聚类至多个表示类别的簇中。

将各个簇中关键点的数量与预设的体量阈值进行比较。

若某个簇中关键点的数量大于或等于体量阈值，表示某个簇中关键点的数量较多，表达的信息充足，则可以保留该簇关键的关键点为特征点。

若某个簇中关键点的簇中的数量小于数量阈值，表示某个簇中关键点的数量较少，表达的信息不足，则去除该簇关键的关键点，为后续渲染点云减少负担。

步骤106、判断特征点的占比是否大于或等于预设的置信阈值；若是，则执行步骤107，若否，则返回执行步骤102。

在本实施例中，可以分别统计特征点的数量、原始点云数据中原始点的数量，计算特征点的数量与原始点的数量之间的比例，得到特征点的占比，并将特征点的占比与预设的置信阈值进行比较。

如果特征点的占比大于或等于置信阈值，表示特征点充足，则可以保存至索引文件中。

如果特征点的占比小于置信阈值，表示特征点不足，则可以重新执行步骤102，此时，调整体素滤波的参数(如降低边长)，增加目标点的数量，从而增加特征点的数量。

步骤107、依据八叉树将特征点存储至索引文件中。

在本实施例中，可以结合八叉树(Octree)将特征点存储至索引文件中，尤其为LOD(细节层次)索引文件中，等待渲染。

其中，八叉树是一种用于描述三维空间的树状数据结构。八叉树的每个节点表示一个正方体的体积元素(简称体素格)，每个节点有八个节点，这八个节点所表示的体素格加在一起等于父节点的体积。一般中心点作为节点的分叉中心。

八叉树的处理过程如下：

a)、设定最大递归深度；

b)、找出场景的最大尺寸，并以此尺寸建立第一个立方体；

c)、依序将单位元元素丢入能被包含没有子节点的立方体；

d)、若没有达到最大递归深度，就进行细分八等份，再将该立方体所装的单位元元素全部分担给八个子立方体；

e)、若发现子立方体所分配到单位元元素数量不为零且跟父节点立方体是一样的，则该子立方体停止细分，因为根据空间分割理论，细分的空间所得到的分配必定较少，若是一样数目，则怎么切数目还是一样，会造成无穷切割的情形；

f)、重复步骤c，直至达到最大递归深度。

一般情况下，八叉树的节点分为三类：

灰色节点：它对应的立方体部分被目标占据(非叶节点)；

白色节点：它对应的立方体没有被目标占据(叶节点)；

黑色节点：它对应的立方体完全被目标占据(叶节点)。

对于非叶节点，数据结构以八元数法进行分区，分解为更小的子区块，每个区块有节点容量，当节点达到最大容量时节点停止分裂。

此外，八叉树的存储结构一般分为三种：规则八叉树、线性八叉树、和一对八式。

规则八叉树：有介个字段，八个子叶节点，一个表征该节点是灰/白/黑的节点，这种表示方式处于贮存空间考量。

在具体实现中，按照描述因子从大到小对特征点进行排序，依据八叉树的维度将排序后的特征点划分为相应的多个等份，在每个等份的特征点中，依据X轴、Y轴方向上的最小值、最小值分开写入当层索引文件中，从而依据每个等份的特征点所对应的八叉树的维度，按照从大到小的位置逐次将特征点写入索引文件中。

步骤108、在网页中依据索引文件渲染特征点。

在接收到渲染请求时，可以在Potree(一种点云数据可视化解决方案)平台上加载网页，读取索引文件中的特征点，在页面中渲染特征点，供用户浏览。结合LOD分页显示特征，能实现无需拉近视角既能获取详细得场景全貌，避免网页观看海量点云时的卡顿现象。

在本实施例中，对电力设备采集原始点云数据；对原始点云数据进行体素滤波，得到目标点云数据，目标点云数据中包含多个目标点；在目标点云数据中，在多个维度上依据邻域对各个目标点生成描述因子；依据描述因子筛选出部分目标点，作为关键点；依据类别筛选出部分关键点，作为特征点；判断特征点的占比是否大于或等于预设的置信阈值；若是，则依据八叉树将特征点存储至索引文件中，若否，则返回执行对原始点云数据进行体素滤波，得到目标点云数据；在网页中依据索引文件渲染特征点。本实施例经过体素滤波、描述因子筛选、类别筛选等三重处理，可以在保证点云的有效性的情况下，滤除冗余的点云，大大降低了点云的数据量，大大降低了渲染的复杂度，减少卡顿的现象，从而提高了渲染的效率。

实施例二

图2为本发明实施例二提供的一种点云的渲染装置的结构示意图。如图2所示，该装置包括：

点云采集模块201，用于对电力设备采集原始点云数据；

体素滤波模块202，用于对所述原始点云数据进行体素滤波，得到目标点云数据，所述目标点云数据中包含多个目标点；

描述因子生成模块203，用于在所述目标点云数据中，在多个维度上依据邻域对各个所述目标点生成描述因子；

关键点筛选模块204，用于依据所述描述因子筛选出部分所述目标点，作为关键点；

特征点筛选模块205，用于依据类别筛选出部分所述关键点，作为特征点；

占比判断模块206，用于判断所述特征点的占比是否大于或等于预设的置信阈值；若是，则执行点云存储模块207，若否，则返回执行所述体素滤波模块202；

点云存储模块207，用于依据八叉树将所述特征点存储至索引文件中；

点云渲染模块208，用于在网页中依据所述索引文件渲染所述特征点。

在本发明的一个实施例中，所述原始点云数据具有多个原始点，所述体素滤波模块202包括：

长方体生成模块，用于对所述原始点云数据生成最小外接的长方体；

第一边长选择模块，用于在首次体素滤波中，选择指定的数值作为本次体素滤波的边长；

第二边长选择模块，用于在非首次的体素滤波中，选择比前一次体素滤波的边长小的数值作为本次体素滤波的边长；

正方体切分模块，用于将所述立方体切分为多个符合所述边长的正方体；

目标点汇聚模块，用于在各个所述正方体中将所述原始点汇聚为目标点，以组成目标点云数据。

在本发明的一个实施例中，所述描述因子生成模块203包括：

邻域确定模块，用于在所述目标点云数据中，对当前所述目标点确定邻域，所述邻域中的所述目标点与当前所述目标点之间的距离小于预设的间距阈值；

标准差计算模块，用于计算当前所述目标点与所述邻域中的所有所述目标点之间的标准差；

法向量计算模块，用于计算当前所述目标点与所述邻域中的所有所述目标点之间的向量的平均值，得到法向量；

颜色权值计算模块，用于计算当前所述目标点与所述邻域中的所有所述目标点之间在颜色信息上的权值，作为颜色权值；

描述因子融合模块，用于将所述标准差、所述法向量与所述颜色权值融合为当前所述目标点的描述因子。

在本发明的一个实施例中，所述颜色权值计算模块还用于：

将当前所述目标点的颜色信息与所述邻域中的所有所述目标点的颜色信息代入如下公式进行运算，得到颜色权值：

其中，

在本发明的一个实施例中，所述关键点筛选模块204包括：

描述因子比较模块，用于将所述描述因子与关联阈值进行比较；

目标点保留模块，用于若所述描述因子大于或等于所述关联阈值，则保留所述目标点为关键点；

目标点剔除模块，用于若所述描述因子小于所述关联阈值，则剔除所述目标点。

在本发明的一个实施例中，所述特征点筛选模块205包括：

目标点聚类模块，用于依据所述描述因子将所述目标点聚类至多个表示类别的簇中；

簇比较模块，用于将所述簇中所述关键点的数量与预设的体量阈值进行比较；

关键点保留模块，用于若所述簇中所述关键点的数量大于或等于所述体量阈值，则保留所述簇中的所述关键点为特征点；

关键点去除模块，用于若所述簇中所述关键点的簇中的数量小于所述数量阈值，则去除所述簇中的所述关键点。

在本发明的一个实施例中，所述点云存储模块207包括：

特征点排序模块，用于按照所述描述因子从大到小对所述特征点进行排序；

特征点等分模块，用于依据八叉树的维度将排序后的所述特征点划分为多个等份；

索引建立模块，用于在每个所述等份的所述特征点中，按照从大到小的位置逐次将所述特征点写入索引文件中。

本发明实施例所提供的点云的渲染装置可执行本发明任意实施例所提供的点云的渲染方法，具备执行点云的渲染方法相应的功能模块和有益效果。

实施例三

图3示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。

如图3所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。

处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，如点云的渲染方法。

在一些实施例中，点云的渲染方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时，可以执行上文描述的点云的渲染方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行点云的渲染方法。

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。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。

在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。

计算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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

实施例四

本发明实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序在被处理器执行时实现如本发明任一实施例所提供的点云的渲染方法。

计算机程序产品在实现的过程中，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码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)。

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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。