点云数据处理方法、装置及其相关设备

技术领域

本申请涉及三维点云处理技术领域，具体涉及一种点云数据处理方法、装置及其相关设备。

背景技术

三维点云数据对如体积测量等物体检测有重要指导意义。然而，通常基于传感器测量或三维成像设备对多角度数据采集和点云拼接，形成仓库的三维影像，然而由于设备自身原理的问题，导致获取的信息存在大量信息丢失的情况。

然而，本申请发明人在实际应用过程中发现，在单视角点云采集时，三维场景内不仅存在“人造物”的干扰，堆面本身也会对成像造成遮挡，导致大量的信息丢失，尤其是大量边界信息的丢失，可能会使得三维重建无法收敛，或重建误差增大。

因此，如何避免大量边界信息丢失，提高三维重建的准确性，是当前三维点云处理技术领域亟需解决的技术问题。

发明内容

本申请提供一种点云数据处理方法、装置及其相关设备，旨在解决如何避免大量边界信息丢失，提高三维重建的准确性的技术问题。

一方面，本申请提供一种点云数据处理方法，所述方法包括：

将待处理区域的原始点云数据进行网格化处理，得到所述原始点云的目标结构数据；

对所述目标结构数据进行过滤处理，得到过滤数据以及由过滤后的目标结构数据构成的三维成像；

基于所述三维成像中预设的视角原点对所述三维成像进行切片，得到切片点云分布图像集，所述切片点云分布图像集包括多张切片点云分布图像，各所述切片点云分布图像包括多个切片点云，并从所述多个切片点云中确定目标切片点云，所述目标切片点云是与所述视角原点距离最远的切片点云；

基于所述视角原点、所述目标切片点云以及所述过滤数据，确定是否对所述三维成像的边界进行点云填充，若是，则对所述边界进行点云填充。

另一方面，本申请提供一种点云数据处理装置，所述装置包括：

第一网格化单元，用于将待处理区域的原始点云数据进行网格化处理，得到所述原始点云的目标结构数据；

第一过滤单元，用于对所述目标结构数据进行过滤处理，得到过滤数据以及由过滤后的目标结构数据构成的三维成像；

第一切片单元，用于基于所述三维成像中预设的视角原点对所述三维成像进行切片，得到切片点云分布图像集，所述切片点云分布图像集包括多张切片点云分布图像，各所述切片点云分布图像包括多个切片点云，并从所述多个切片点云中确定目标切片点云，所述目标切片点云是与所述视角原点距离最远的切片点云；

第一确定单元，用于基于所述视角原点、所述目标切片点云以及所述过滤数据，确定是否对所述三维成像的边界进行点云填充，若是，则对所述边界进行点云填充。

另一方面，本申请还提供一种计算机设备，所述计算机设备包括：

一个或多个处理器；

存储器；以及

一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现所述的点云数据处理方法。

另一方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的点云数据处理方法中的步骤。

本申请实施例通过将待处理区域的原始点云数据进行网格化处理，得到原始点云的目标结构数据；对目标结构数据进行过滤处理，得到过滤数据以及由过滤后的目标结构数据构成的三维成像；基于三维成像中预设的视角原点对三维成像进行切片，得到切片点云分布图像集，切片点云分布图像集包括多张切片点云分布图像，各切片点云分布图像包括多个切片点云，并从多个切片点云中确定目标切片点云，目标切片点云是与视角原点距离最远的切片点云；基于视角原点、目标切片点云以及过滤数据，确定是否对三维成像的边界进行点云填充，若是，则对边界进行点云填充。相较于传统方法，本申请实施例通过先对待处理区域的原始点云数据进行网格化处理，然后对目标结构数据进行过滤，减少误差，最后通过视角原点、目标切片点云以过滤数据，对边界进行点云填充，可以准确、完整地还原三维成像的边界的点云，提高了三维重建的准确性。

附图说明

为了更清楚地说明本申请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申请的一些实施例，对于本领域技术人员来讲，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是本申请实施例提供的点云数据处理系统的场景示意图；

图2是本申请实施例中提供的点云数据处理方法的一个实施例流程示意图；

图3是本申请实施例中提供的对目标三维成像进行内外趋势填充的一个实施例流程示意图；

图4是本申请实施例中提供的对三维成像进行切分的一个实施例示意图；

图5是本申请实施例中提供的线段1中的切片点云分布情况的一个实施例示意图；

图6是本申请实施例中提供的线段2中的切片点云分布情况的一个实施例示意图；

图7是本申请实施例中提供的点云数据处理装置的一个实施例结构示意图；

图8是本申请实施例中提供的计算机设备的一个实施例结构示意图；

图9是本申请实施例中提供的预设网格化平面一个实施例示意图；

图10是本申请实施例中提供的确定第一目标平面网格位于某一个目标方向上的初始结构数据的一个示意图；

图11是本申请实施例中提供的平面网格分布情况的一个示意图；

图12是本申请实施例中提供的平面网格分布情况的另一个示意图。

具体实施方式

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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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。

在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。

本申请实施例提供一种点云数据处理方法、装置及其相关设备，以下分别进行详细说明。

如图1所示，图1是本申请实施例提供的点云数据处理系统的场景示意图，该点云数据处理系统可以包括计算机设备100，计算机设备100中集成有点云数据处理装置，如图1中的计算机设备100。

本申请实施例中计算机设备100主要用于将待处理区域的原始点云数据进行网格化处理，得到原始点云的目标结构数据；对目标结构数据进行过滤处理，得到过滤数据以及由过滤后的目标结构数据构成的三维成像；基于三维成像中预设的视角原点对三维成像进行切片，得到切片点云分布图像集，切片点云分布图像集包括多张切片点云分布图像，各切片点云分布图像包括多个切片点云，并从多个切片点云中确定目标切片点云，目标切片点云是与视角原点距离最远的切片点云；基于视角原点、目标切片点云以及过滤数据，确定是否对三维成像的边界进行点云填充，若是，则对边界进行点云填充。

本申请实施例中，该计算机设备100可以为终端或者服务器，当计算机设备100为服务器时，可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本申请实施例中所描述的计算机设备100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器以构建的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器以构建。

可以理解的是，本申请实施例中计算机设备100为终端时，所使用的终端可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的计算机设备100具体可以是台式终端或移动终端，计算机设备100具体还可以是手机、平板电脑、笔记本电脑、医疗辅助仪器等中的一种。

本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案一种应用场景，并不以构建对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个计算机设备，可以理解的，该点云数据处理系统还可以包括一个或多个其他计算机设备，具体此处不作限定。

本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案一种应用场景，并不以构建对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个计算机设备，可以理解的，该点云数据处理系统还可以包括一个或多个其他计算机设备，具体此处不作限定。

另外，如图1所示，该点云数据处理系统还可以包括存储器200，用于存储数据，如存储待处理区域的原始点云数据和点云数据处理数据，例如点云数据处理系统运行时的点云数据处理数据。

需要说明的是，图1所示的点云数据处理系统的场景示意图仅仅是一个示例，本申请实施例描述的点云数据处理系统以及场景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，本领域普通技术人员可知，随着点云数据处理系统的演变和新业务场景的出现，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。

接下来，介绍本申请实施例提供的点云数据处理方法。

本申实施例点云数据处理方法的实施例中以点云数据处理装置作为执行主体，为了简化与便于描述，后续方法实施例中将省略该执行主体，该点云数据处理装置应用于计算机设备，该方法包括：将待处理区域的原始点云数据进行网格化处理，得到原始点云的目标结构数据；对目标结构数据进行过滤处理，得到过滤数据以及由过滤后的目标结构数据构成的三维成像；基于三维成像中预设的视角原点对三维成像进行切片，得到切片点云分布图像集，切片点云分布图像集包括多张切片点云分布图像，各切片点云分布图像包括多个切片点云，并从多个切片点云中确定目标切片点云，目标切片点云是与视角原点距离最远的切片点云；基于视角原点、目标切片点云以及过滤数据，确定是否对三维成像的边界进行点云填充，若是，则对边界进行点云填充。

请参阅图2至图9，图2为本申请实施例中提供的点云数据处理方法的一个实施例流程示意图，该点云数据处理方法包括步骤201～204：

201、将待处理区域的原始点云数据进行网格化处理，得到原始点云的目标结构数据；

其中，待处理区域是指需要进行点云数据处理的区域，具体可以是一个地理区域(如小区、商圈等)、预先规划的场地区域(如物流中转场地、仓库等)、物体的局部区域(比如，货车上的车厢区域、轮船上的甲板区域等)等。

其中，原始点云数据是指通过三维成像设备，对待处理区域进行点云数据采集形成的待处理区域的点云的集合。需要说明的是，本申请是针对单视角采集点云，形成待处理区域的原始点云数据。

在本申请的一些实施例中，所述将待处理区域的原始点云数据进行网格化处理，得到所述原始点云的目标结构数据，包括步骤A1～A2：

A1、将待处理区域的原始点云数据投影至预设网格化平面，得到所述原始点云数据的投影点云集合；

其中，预设平面坐标系是用于记录每个投影点云位置、每个平面网格位置的坐标系，具体地，预设平面坐标系可以是原始点云数据的所在三维坐标系中XY轴构成的坐标系、YZ轴构成的坐标系、XZ轴构成的坐标系。为方便理解，本实施例中以预设平面坐标系是XY轴构成的坐标系(简称XY坐标系)为例。

其中，预设网格化平面是指对预设平面坐标系所在平面进行网格划分后，所得到平面。

进一步地，为了减少后续处理所需遍历的平面网格数量，可以限制预设网格化平面的大小。如图9所示，示例性地，假设原始点云数据处于预设平面坐标系“X＝(Xmin，Xmax)＝(-30米，50米)、Y＝(Ymin，Ymax)＝(-20米，100米)”的范围内，可以按照每个网格的预设尺寸(如X轴方向尺寸Xsize＝轴方向尺寸Ysize＝0.1米)，对范围X＝(-30米，50米)、Y＝(-20米，100米)的平面进行网格划分，得到在X轴方向包含800个网格、在Y轴方向包含1200个网格的预设网格化平面。

其中，投影点云集合是指原始点云数据各个点云投影至预设网格化平面后，所得到的投影点云的集合。

示例性地，如图9所示，可以将原始点云数据正投影至预设网格化平面中，可以得到原始点云数据中每个点云在预设网格化平面的投影点云，从而得到原始点云数据的投影点云集合(如图9中曲线区域表示)。

为了便于表述，本文中以“采用每个平面网格的左上角点坐标作为每个平面网格的平面坐标”为例进行说明。

A2、基于所述投影点云集合中每个投影点云的点云高度值、以及所述每个投影点云的平面坐标，获取所述原始点云数据的目标结构数据。

其中，所述目标结构数据包括所述原始点云数据所落入的每个平面网格的结构数据，所述每个平面网格的结构数据包括所述每个平面网格的平面坐标、投影点云个数，以及包括所述每个平面网格的点云曲率、点云高度最大值、点云高度最小值、点云高度平均值、点云高度方差值中的至少一者；

其中，原始点云数据中的每个点云在采集时已经采集到了其在三维坐标系中的坐标值，可以直接采用每个投影点云对应的原始点云的高度(即在Z轴的坐标值)作为每个投影点云的点云高度值。

其中，落入网格集合是指预设网格化平面各网格中，原始点云数据投影至预设网格化平面后、投影点云集合所处的网格的集合。

其中，落入网格集合中的每个平面网格记为原始点云数据所落入的每个平面网格。

可以理解的是，目标结构数据是包括落入网格集合中每个平面网格的结构数据的集合，因此，获取到落入网格集合中每个平面网格的结构数据，即可得到目标结构数据。

下面以每个平面网格的结构数据包括每个平面网格的平面坐标、投影点云个数、点云曲率、点云高度最大值、点云高度最小值、点云高度平均值、点云高度方差值为例，说明如何获取每个平面网格的结构数据。此时，步骤A2具体可以包括如下步骤B1～B2:

B1、基于所述投影点云集合中每个投影点云的点云高度值、以及所述每个投影点云的平面坐标，获取每个平面网格的平面坐标、投影点云个数、点云曲率、点云高度最大值、点云高度最小值、点云高度平均值、点云高度方差值。

一、每个平面网格的平面坐标。

为了记录预设网格化平面中每个平面网格的位置，会记录每个平面网格在预设平面坐标系中的平面坐标。由于每个平面网格包括了多个点，因此需要统一记录每个平面网格的同一位置(如网格的左上角点、左下角点、右上角点、或右下角点等)的坐标，作为每个平面网格的平面坐标，以准确记录每个平面网格的平面坐标。例如，以记录每个平面网格的左上角点坐标作为每个平面网格的平面坐标为例，每个平面网格的平面坐标可以通过如下步骤F1～F3获取得到：

F1、获取所述每个平面网格在预设平面坐标系中的第一坐标轴的最小值。

F2、获取所述每个平面网格在预设平面坐标系中的第二坐标轴的最小值。

F3、基于所述第一坐标轴的最小值和所述第二坐标轴的最小值，得到所述每个平面网格的平面坐标。

例如，以预设平面坐标系是原始点云数据的所在三维坐标系中XY轴构成的坐标系为例，则第一坐标轴、第二坐标轴可以分别是X轴、Y轴，此时，获取每个平面网格在预设平面坐标系的X轴的最小值(x＝1)、Y轴的最小值(如y＝1)，从而每个平面网格的左上角点坐标(1,1)作为每个平面网格的平面坐标(1,1)。

二、每个平面网格的投影点云个数。

其中，预设网格坐标系是用于指示每个平面网格位置的坐标系；如图9所示，为方便理解，本文中以h轴和w轴构成的坐标系表示预设网格坐标系，并令h轴、w轴方向分别与预设平面坐标系的X轴、Y轴方向相同。例如，如图9所示，针对预设网格化平面中在h轴方向的第11、在w轴方向的第13个网格(如图9中矩形框处所示)，其网格坐标为(h＝11，w＝13)，其平面坐标为(x＝-30+10*0.1米,y＝-20+12*0.1米)＝(x＝-29米,y＝-18.8米)。

可以理解的是，如前文所述“采用每个平面网格的左上角点坐标作为每个平面网格的平面坐标”主要是为了便于记录每个平面网格的平面坐标。实际上平面坐标处于范围：x＝(-30+10*0.1米,-30+11*0.1米)＝(-29米,-28.9米)，y＝(-20+12*0.1米,-20+13*0.1米)＝(-18.8米,-18.7米)内的投影点云，均属于落入该平面坐标为(x＝-29米,y＝-18.8米)的平面网格。

示例性，首先，根据每个平面网格的网格坐标，确定每个平面网格的平面坐标范围，如：x＝(-29米,-28.9米)，y＝(-18.8米,-18.7米)；并获取每个投影点云在预设平面坐标系中的平面坐标。然后，遍历投影点云集合中每个投影点云，若当前遍历投影点云的平面坐标(如x＝-28.93,y＝-18.71)处于平面坐标范围：x＝(-29米,-28.9米)，y＝(-18.8米,-18.7米)，则将当前遍历投影点云作为该平面网格的目标投影点云，直至投影点云集合的投影点云遍历完成。最后，统计每个平面网格的目标投影点云的数量，即可得到每个平面网格的投影点云个数。

三、每个平面网格的点云曲率。

在一些实施例中，可以直接基于每个平面网格内的目标投影点云确定每个平面网格的曲率。例如，首先，参考前述方式，根据每个片面网格的网格坐标和每个投影点云在预设平面坐标系中的平面坐标，确定每个平面网格的目标投影点云。然后，结合每个平面网格的目标投影点云对应的三维坐标，计算每个平面内的目标投影点云构成的曲面。最后，根据每个平面内的目标投影点云构成的曲面，计算每个平面网格如左上角点处的曲率，作为每个平面网格的点云曲率。其中，投影点云是将原始点云数据投影至预设网格化平面得到的点云，因此投影点云对应的三维坐标是目标投影点云的投影前在原始点云数据中对应的点云的三维坐标。例如，原始点云数据中三维坐标为(2,3,4)的点云投影至预设网格化平面后得到平面坐标为(2,3)的投影点云，则投影点云对应的三维坐标也为(2,3,4)。

在一些实施例中，也可以基于投影点云集合确定每个平面网格的曲率。例如，首先，结合投影点云集合中每个投影点云的三维坐标，计算投影点云集合构成的曲面。然后，根据投影点云集合构成的曲面，计算每个平面网格如左上角点处的曲率，作为每个平面网格的点云曲率。

四、每个平面网格的点云高度最大值。

示例性地，首先，参考前述方式，根据每个片面网格的网格坐标和每个投影点云在预设平面坐标系中的平面坐标，确定每个平面网格的目标投影点云。然后，根据每个平面网格内的目标投影点云的点云高度值，查找出最大的点云高度值，作为每个平面网格的点云高度最大值。例如，第1个平面网格内的目标投影点云分别为：点云1、2、3、4、5，对应的点云高度值分别为0.1米、0.2米、0.3米、0.4米、0.5米，则第1个平面网格内的点云高度最大值为0.5米。

五、每个平面网格的点云高度最小值。

示例性地，首先，参考前述方式，根据每个片面网格的网格坐标和每个投影点云在预设平面坐标系中的平面坐标，确定每个平面网格的目标投影点云。然后，根据每个平面网格内的目标投影点云的点云高度值，查找出最小的点云高度值，作为每个平面网格的点云高度最小值。例如，第1个平面网格内的目标投影点云分别为：点云1、2、3、4、5，对应的点云高度值分别为0.1米、0.2米、0.3米、0.4米、0.5米，则第1个平面网格内的点云高度最小值为0.1米。

六、每个平面网格的点云高度平均值。

示例性地，首先，参考前述方式，根据每个片面网格的网格坐标和每个投影点云在预设平面坐标系中的平面坐标，确定每个平面网格的目标投影点云。然后，根据每个平面网格内的目标投影点云的点云高度值，统计出为每个平面网格内的目标投影点云的平均值，作为每个平面网格的点云高度平均值。例如，第1个平面网格内的目标投影点云分别为：点云1、2、3、4、5，对应的点云高度值分别为0.1米、0.2米、0.3米、0.4米、0.5米，则第1个平面网格内的点云高度平均值为0.3米。

七、每个平面网格的点云高度方差值。

示例性地，首先，参考前述方式，根据每个片面网格的网格坐标和每个投影点云在预设平面坐标系中的平面坐标，确定每个平面网格的目标投影点云。然后，根据每个平面网格内的目标投影点云的点云高度值，统计出为每个平面网格内的目标投影点云的平均值，作为每个平面网格的点云高度平均值。例如，第1个平面网格内的目标投影点云分别为：点云1、2、3、4、5，对应的点云高度值分别为0.1米、0.2米、0.3米、0.4米、0.5米，则第1个平面网格内的点云高度方差值为0.22。

B2、按照预设的数据存储格式，将每个平面网格的平面坐标、投影点云个数、点云曲率、点云高度最大值、点云高度最小值、点云高度平均值、点云高度方差值存储起来，得到每个平面网格的结构数据。

例如，可以将每个平面网格的平面坐标、投影点云个数、点云曲率、点云高度最大值、点云高度最小值、点云高度平均值、点云高度方差值，按照预设的数据存储格式[X,Y,Zmin,Zmax,Zmean,Zstd,Num,Cur]，即[平面坐标的X轴坐标值、平面坐标的Y轴坐标值、点云高度最小值、点云高度最大值、点云高度平均值、点云高度方差值、投影点云个数、点云曲率]存储起来，作为每个平面网格的结构数据。

由此，针对落入网格集合，可以得到M*N*K的数据矩阵，作为目标结构数据。其中，M、N分别为落入网格集合中在X轴方向的网格数量、在Y轴方向的网格数量。K表示每个平面网格的结构数据的数量，如，若数据存储格式为[X,Y,Zmin,Zmax,Zmean,Zstd,Num,Cur]，则K＝8。

同理，可以基于每个平面网格的点云曲率、点云高度最大值、点云高度最小值、点云高度平均值、点云高度方差值中的至少一者获取，每个平面网格的结构数据。例如，每个平面网格的结构数据包括每个平面网格的点云曲率和点云高度方差值时，步骤A2具体可以包括如下步骤C1～C4：

C1、基于所述每个投影点云的平面坐标，获取所述每个平面网格的目标投影点云。

步骤C1的具体实现可以参考前文“投影点云个数”部分相关说明，此处不再赘述。

C2、基于所述目标投影点云的点云高度值，获取所述每个平面网格的点云高度方差值。

步骤C2的具体实现可以参考前文“点云高度方差值”部分相关说明，此处不再赘述。

C3、基于所述目标投影点云的点云高度值，获取所述每个平面网格的点云曲率。

步骤C3的具体实现可以参考前文“点云高度值”部分相关说明，此处不再赘述。

C4、基于所述每个平面网格的点云高度方差值和所述每个平面网格的点云曲率，形成所述每个平面网格的结构数据，以得到所述目标结构数据。

例如，可以将每个平面网格的平面坐标、投影点云个数、点云曲率、点云高度方差值，按照预设的数据存储格式[X,Y,Zstd,Num,Cur]，即[平面坐标的X轴坐标值、平面坐标的Y轴坐标值、点云高度方差值、投影点云个数、点云曲率]存储起来，作为每个平面网格的结构数据。由此，可以得到M*N*K＝M*N*5的数据矩阵，作为目标结构数据。

202、对目标结构数据进行过滤处理，得到过滤数据以及由过滤后的目标结构数据构成的三维成像；

在本申请的一些实施例中，所述目标结构数据包括所述原始点云数据所落入的每个平面网格的结构数据；所述步骤202可以包括如下步骤D1～D3：

D1、根据所述每个平面网格的结构数据，从所述目标结构数据中确定噪音边缘点云；

所述每个平面网格的结构数据包括所述每个平面网格的平面坐标、投影点云个数，以及包括所述每个平面网格的点云曲率、点云高度最大值、点云高度最小值、点云高度平均值、点云高度方差值、点云高度跳变值中的至少一者；

其中，点云高度跳变值是每个平面网格的点云高度平均值与相邻平面网格的高度平均值之间的差值。

例如，当沿着x轴方向扫描时，对于平面网格[X0,Y0,Zmean0]而言，其邻域平面网格为[X1,Y0,Zmean1]，此时，高度跳变值ΔZ＝|Zmean1-Zmean0|。

本申请实施例中，相较于堆料比较平缓的走势，墙体，立柱，车辆等干扰物的边界与地面的坡度变化较为陡峭，因此，可以基于点云集合中点云的高度信息的统计值，从点云集合中识别出表示代表干扰物边界的噪音边缘点云。

在本申请的一些实施例中，将点云高度方差值大于预设方差阈值、点云高度跳变值大于预设跳变阈值，和/或，点云曲率大于预设曲率阈值的平面网格中的点云确定为噪音边缘点云。

D2、根据所述噪音边缘点云与所述噪音边缘点云对应的邻域点云的高度信息，从所述邻域点云中确定噪音内部点云；

本申请实施例中，在识别出干扰物的边界之后，进一步的，还需要进一步识别出干扰物的内部点云。具体的，相较于墙面后的堆料，干扰物在边界后的延伸比较小，因此可以基于噪音边缘点云与噪音边缘点云对应的邻域点云的高度信息，识别出平滑部分的延伸距离，用于从邻域点云中确定代表干扰物内部的噪音内部点云。

D3、根据所述目标结构数据中所述噪音边缘点云和所述噪音内部点云之外的点云，对所述目标结构数据进行过滤处理，得到过滤数据以及由过滤后的目标结构数据构成的三维成像。

本申请实施例中，在从目标结构数据中识别出分别代表干扰物边界的噪音边缘点云和干扰物内部的噪音内部点云后，通常情况下，将目标结构数据中的噪音边缘点云和噪音内部点云过滤掉，即可得到过滤后的目标结构数据，其中，过滤数据包括噪音边缘点云和噪音内部点云。

需要说明的是，前述目标结构数据中噪音边缘点云和噪音内部点云之外的点云作为被保留的点云中仍可能存在零星的过滤点，但通过常规的方式无法识别出来。因此，为进一步提高最终所得到的堆料点云的精度，作为本申请的一种可选实施例，还可以进一步通过统计滤波的方式进行过滤。

203、基于三维成像中预设的视角原点对三维成像进行切片，得到切片点云分布图像集，切片点云分布图像集包括多张切片点云分布图像，各切片点云分布图像包括多个切片点云，并从多个切片点云中确定目标切片点云，目标切片点云是与视角原点距离最远的切片点云；

在本申请的一些实施例中，如图4所示，基于所述三维成像中预设的视角原点对所述三维成像进行切片，得到切片点云分布图像集，示例性的，包括：以视角原点为中心，沿水平方向Δx(如0.1度)为单位旋转，依次对三维成像进行切片(如上图视角线段1和线段2所示，分别对应两次切片的线段)。此时，上图中线段1和2中的切片点云分布情况分别对应下图中的图5和图6。

在本申请的一些实施例中，所述从所述多个切片点云中确定目标切片点云，具体可以通过以下方法确定：获取各所述切片点云与所述视角原点之间的距离参数，其中，该距离参数可以是实际距离，也可是等效距离，具体根据实际情况确定；基于所述距离参数，从所述多个切片点云中筛选出与所述视角原点距离最远的目标切片点云，其筛选过程可以是依次将各个距离参数进行比较，保留距离参数最大的即可。

204、基于视角原点、目标切片点云以及过滤数据，确定是否对三维成像的边界进行点云填充，若是，则对边界进行点云填充。

在完成不受203后，进一步的，需要先基于所述视角原点、所述目标切片点云以及所述过滤数据来判断是否对所述三维成像的边界进行点云填充，具体判断步骤如E1～E5：

E1、基于所述过滤数据，确定被过滤物体的空间占用信息；

其中，过滤物体的空间占用信息包括过滤物体的大小、形状以及空间位置，具体的，可以通过对过滤数据进行组合、分析，得到被过滤物体的空间占用信息。

E2、获取所述视角原点与所述目标切片点云相连的射线；

具体的，可以以所述视角原点为起点，连接目标切片点云并进行延长即可，得到射线。

E3、基于所述射线和所述被过滤物体的空间占用信息，判断所述被过滤物体是否遮挡所述射线；

具体的，可以通过判断射线是否与被过滤物体的空间占用信息存在相交情况，如图5所示，若存在，则确定所述被过滤物体遮挡了所述射线，如图6所示，若不存在，则确定所述被过滤物体未遮挡所述射线。

E4、若所述被过滤物体没有遮挡所述射线，则确定对所述三维成像的边界进行点云填充；

E5、若所述被过滤物体遮挡了所述射线，则确定不对所述边界进行点云填充。

在本申请的一些实施例中，所述对所述边界进行点云填充，包括：

基于所述射线与所述三维成像的边界的交点，对所述边界进行点云填充，得到填充后的目标三维成像。具体的，可以取该交点的高度值，作为点云填充后的高度值，即对所述边界进行点云填充，得到填充后的目标三维成像。

本申请实施例通过将待处理区域的原始点云数据进行网格化处理，得到原始点云的目标结构数据；对目标结构数据进行过滤处理，得到过滤数据以及由过滤后的目标结构数据构成的三维成像；基于三维成像中预设的视角原点对三维成像进行切片，得到切片点云分布图像集，切片点云分布图像集包括多张切片点云分布图像，各切片点云分布图像包括多个切片点云，并从多个切片点云中确定目标切片点云，目标切片点云是与视角原点距离最远的切片点云；基于视角原点、目标切片点云以及过滤数据，确定是否对三维成像的边界进行点云填充，若是，则对边界进行点云填充。相较于传统方法，本申请实施例通过先对待处理区域的原始点云数据进行网格化处理，然后对目标结构数据进行过滤，减少误差，最后通过视角原点、目标切片点云以过滤数据，对边界进行点云填充，可以准确、完整地还原三维成像的边界的点云，提高了三维重建的准确性。

在本申请的一些其他实施例中，如图3所示，在基于所述视角原点、所述目标切片点云以及所述过滤数据，对所述三维成像的边界进行点云填充，得到填充后的目标三维成像之后，所述方法还包括：

301、对目标三维成像的目标结构数据进行趋势填充，以对由原始点云的目标结构数据构成的三维点云进行重建。

本申请实施例中，所述对目标三维成像的目标结构数据进行趋势填充，以对由原始点云的目标结构数据构成的三维点云进行重建，包括步骤H1～H3：

H1、从目标三维成像的目标结构数据中确定待填充的第一目标平面网格；

在本申请的一些实施例中，步骤H1具体可以包括：通过对目标结构数据进行扫描，其扫描的方式可以是沿X轴/Y轴的正/负方向从头到尾进行扫描，以此会得到多个待填充的平面网格，但是需要按照扫描结果的先后顺序，从这些待填充的平面网格中确定出当前需要待填充的第一目标平面网格，需要说明的是，本申请实施例优选从靠近视角原点一侧作为头进行扫描，该视角原点为三维成像设备的设置位置。

H2、以所述第一目标平面网格为中心，沿预设的多个目标方向确定各所述目标方向上的第一目标平面网格集。

其中，如下图12所示，假设图11中央填充有黑色实点的平面网格为待填充的第一目标平面网格，所述多个目标方向可以包括四个方向，该四个方向具体可以为沿x轴的正方向x+、负方向x-，以及沿所述y轴的正方向y+、负方向y-，所述第一目标平面网格集包括预设个第二目标平面网格，所述预设个可以是3至7个，本申请优选5个第二目标平面网格，所述第二目标平面网格为有所述原始点云数据落入的平面网格，可以理解的是，该第二目标平面网格为填充有数据的平面网格，如图12中在平面网格中填充有实心圆的才是第二目标平面网格，平面网格中填充有空心原的为待填充的平面网格，所述第一目标平面网格集中所有平面网格相邻且均位于所述第一目标平面网格的同一侧，需要说明的是，下图11和图12中的dx+、dx-、dy+，dy-分别指的是从待填充的第一目标平面网格到沿所指的平面王点的距离长度值；

需要说明的是，基于上述设定的四个方向可知，与这四个方向对应的第一目标平面网格集的数目最大为4，最小为1，为了便于理解，如下图11和图12，其中图11中，假设图11中沿y-方向和x+方向的有连续的至少5个第二目标平面网格，例如，沿这两个方向还有三个第二目标平面网格未画出来，以所述第一目标平面网格为中心，只有沿y-方向和x+方向上有符合要求的第二目标平面网格，而沿y+方向和x-方向上并无符合要求的第二目标平面网格，因此，此时图11中在第一目标平面网格附近只有两个第一目标平面网格集合，进一步的，如图12所示，假设图12中沿y-、y+方向和x+、x-方向均有连续的至少5个第二目标平面网格，例如，沿这四个方向还有四个第二目标平面网格未画出来，以所述第一目标平面网格为中心，沿y-、y+方向和x+、x-方向上均有符合要求的第二目标平面网格因此，此时图12中在第一目标平面网格附近有四个第一目标平面网格集合，另外还有一个和三个，其原理与其相同，在此不做赘述。

H3、基于所有第二目标平面网格的结构数据，确定所述第一目标平面网格的结构数据，以对由所述原始点云的目标结构数据构成的三维点云进行重建。

本申请实施例中，所述基于所有第二目标平面网格的结构数据，确定所述第一目标平面网格的结构数据，以对由所述原始点云的目标结构数据构成的三维点云进行重建，包括步骤E1至步骤E4：

E1、基于所有第二目标平面网格的结构数据，确定所述第一目标平面网格位于各所述目标方向上的初始结构数据集；

所述初始结构数据集至少包括一个初始结构数据。

基于上述步骤H2可知，沿预设的多个目标方向确定各所述目标方向上的第一目标平面网格集的数目最多为4个，最少为1个，那么首先基于所有第二目标平面网格的结构数据，确定所述第一目标平面网格位于各所述目标方向上的初始结构数据集，下面先以确定所述第一目标平面网格位于某一个目标方向上的初始结构数据进行说明：

如下图10所示，该图为一个二维坐标，其两个坐标轴分别为x轴、z轴，假设其中一个空心圆为待填充的第一目标平面网格对应的点，其经过计算得到的坐标值为(z6_t,x6_t)，其中，z6_t是计算得到的值，x6_t即网格X轴坐标点，首先根据当前待填充位置的前5个点确定均值，即图10中点(z_m,x_m)为这前5个点的均值，然后根据下方公式计算得到Z6：

最终Z6＝a*z6_t+(1-a)*z_m，并且，

a＝exp(-1*beta*d1)

beta是超参数，本申请中可设置为8.0，d1是待填充点到扫描方向的最后一个已知点(如图10中的点(z5，x5))的距离。如图10中x6到x5的距离是1，那么可知填充x7时是2。

需要说明的是，其他方向的计算方式原理同上，在此不做赘述。

E2、统计各所述目标方向中符合预设存在要求的标的方向的总数量。

所述预设存在要求是所述目标方向上存在所述第一目标平面网格集的要求；

根据上述举例可知，如图11和图12可知，其图11中符合预设存在要求的标的方向的总数量为2，而图12中符合预设存在要求的标的方向的总数量为4。

E3、确定各所述第一目标平面网格集合之间的第一位置关系；

其中，如图11所示，位于y-和x+两个方向的第一目标平面网格集合之间的位置关系是相交。而图12中，位于x-和x+两个方向的第一目标平面网格集合之间的位置关系是相对、位于y-和y+两个方向的第一目标平面网格集合之间的位置关系是相对，然后x-和x+两个方向分别与y-和y+两个方向相交。

E4、基于所述初始结构数据集、所述总数量、所述第一位置关系，确定所述第一目标平面网格的结构数据，以对由所述目标结构数据构成的三维点云进行重建。

本申请实施例中，基于所述初始结构数据集、所述总数量、所述第一位置关系，确定所述第一目标平面网格的结构数据，以对由所述目标结构数据构成的三维点云进行重建，可包括如下步骤，如步骤G1～G2：

G1、基于所述总数量和所述第一位置关系，从预设的计算策略集合中确定出目标计算策略；

具体的，当初始结构数据集中仅包括一个初始结构数据时，即总数量为1时，则从预设的计算策略集合中确定出目标计算策略为直接将所述初始结构数据作为所述第一目标平面网格的结构数据；

当初始结构数据集中包括两个初始结构数据时，即总数量为2时，则从预设的计算策略集合中确定出目标计算策略为分两种情况，同一方向和交叉方向，同一方向即+X和-X，或+Y，-Y；交叉方向即+X，-Y或者-X，+Y，如图10所示为交叉情况，其具体目标计算策略如下述步骤G2，在此不做赘述。

当初始结构数据集中包括三个或四个初始结构数据时，即总数量为3或4时，则从预设的计算策略集合中确定出目标计算策略如下述步骤G2，在此不做赘述。

G2、基于所述目标计算策略和所述初始结构数据集，确定所述第一目标平面网格的结构数据，以对由所述目标结构数据构成的三维点云进行重建。

当初始结构数据集中仅包括一个初始结构数据时，则直接将所述初始结构数据作为所述第一目标平面网格的结构数据。

对于包含两个方向的待填充值，即分为两种情况，同一方向和交叉方向。同一方向即+X和-X，或+Y，-Y。交叉方向即+X，-Y或者-X，+Y，如图10所示为交叉情况，假设X+方向待填充值是Zx+,Y-方向待填充值是Zy-，那么位置(x3,y4)的最终填充值计算为：

Z＝[dx+]/([dx+]+[dy-])*[Zx+]+[dy-]/([dx+]+[dy-])*[Zy-]

同理，对向时填充值时：

Zx＝[dx+]/([dx+]+[dx-])*[Zx+]+[dx-]/([dx+]+[dx-])*[Zx-]，或

Zy＝[dy+]/([dy+]+[dy-])*[Zy+]+[dy-]/([dy+]+[dy-])*[Zy-]。

对于包含四个方向的待填充值，如图12所示，假设X+方向待填充值是Zx+,X-方向待填充值是Zx-，Y+方向待填充值是Zy+,Y-方向待填充值是Zy-。那么则先做对向的融合，即得到Zx和Zy，如上一步所述。再在X，Y方向找到填充点到各自方向的最小值，即：

dx_min＝min([dx+],[dx-])，dy_min＝min([dy+],[dy-])。

最后通过交叉方向的融合得到最后的填充值，即：

Z＝[dx_min]/([dx_min]+[dy_min])*[Zx]+[dy_min]/([dx_min]+[dy_min])*[Zy]。

当包含三个方向的待填充值时，其原理与包含四个方向的待填充值的计算策略相同，如图12所示，假设X+方向待填充值是Zx+,X-方向待填充值是Zx-，Y+方向待填充值是Zy+,Y-方向无待填充值。那么则先做X+方向和X-方向对向的融合，即得到Zx，并将Y+方向待填充值是Zy+作为Zy，如上一步所述。再在X，Y方向找到填充点到各自方向的最小值。

本申请实施例通过上述公开方案，分别对目标三维成像的目标结构数据进行趋势填充，由此得到完整的目标结构数据，提高了三维模型重建地完整性和准确性。

为了更好实施本申请实施例中点云数据处理方法，在点云数据处理方法基础之上，本申请实施例中还提供一种点云数据处理装置，如图7所示，所述点云数据处理装置700包括：

第一网格化单元701，用于将待处理区域的原始点云数据进行网格化处理，得到所述原始点云的目标结构数据；

第一过滤单元702，用于对所述目标结构数据进行过滤处理，得到过滤数据以及由过滤后的目标结构数据构成的三维成像；

第一切片单元703，用于基于所述三维成像中预设的视角原点对所述三维成像进行切片，得到切片点云分布图像集，所述切片点云分布图像集包括多张切片点云分布图像，各所述切片点云分布图像包括多个切片点云，并从所述多个切片点云中确定目标切片点云，所述目标切片点云是与所述视角原点距离最远的切片点云；

第一确定单元704，用于基于所述视角原点、所述目标切片点云以及所述过滤数据，确定是否对所述三维成像的边界进行点云填充，若是，则对所述边界进行点云填充。

在本申请的一些实施例中，所述基于所述视角原点、所述目标切片点云以及所述过滤数据，确定是否对所述三维成像的边界进行点云填充，具体用于：

基于所述过滤数据，确定被过滤物体的空间占用信息；

获取所述视角原点与所述目标切片点云相连的射线；

基于所述射线和所述被过滤物体的空间占用信息，判断所述被过滤物体是否遮挡所述射线；

若所述被过滤物体没有遮挡所述射线，则确定对所述三维成像的边界进行点云填充；

若所述被过滤物体遮挡了所述射线，则确定不对所述边界进行点云填充。

在本申请的一些实施例中，所述对所述边界进行点云填充，具体用于：

基于所述射线与所述三维成像的边界的交点，对所述边界进行点云填充，得到填充后的目标三维成像。

在本申请的一些实施例中，所述从所述多个切片点云中确定目标切片点云，具体用于：

获取各所述切片点云与所述视角原点之间的距离参数；

基于所述距离参数，从所述多个切片点云中筛选出与所述视角原点距离最远的目标切片点云。

在本申请的一些实施例中，所述将待处理区域的原始点云数据进行网格化处理，得到所述原始点云的目标结构数据，具体用于：

将待处理区域的原始点云数据投影至预设网格化平面，得到所述原始点云数据的投影点云集合；

基于所述投影点云集合中每个投影点云的点云高度值、以及所述每个投影点云的平面坐标，获取所述原始点云数据的目标结构数据，其中，所述目标结构数据包括所述原始点云数据所落入的每个平面网格的结构数据，所述每个平面网格的结构数据包括所述每个平面网格的平面坐标、投影点云个数，以及包括所述每个平面网格的点云曲率、点云高度最大值、点云高度最小值、点云高度平均值、点云高度方差值中的至少一者。

在本申请的一些实施例中，其中，所述目标结构数据包括所述原始点云数据所落入的每个平面网格的结构数据；

所述对所述目标结构数据进行过滤处理，得到过滤数据以及由过滤后的目标结构数据构成的三维成像，具体用于：

根据所述每个平面网格的结构数据，从所述目标结构数据中确定噪音边缘点云，所述每个平面网格的结构数据包括所述每个平面网格的平面坐标、投影点云个数，以及包括所述每个平面网格的点云曲率、点云高度最大值、点云高度最小值、点云高度平均值、点云高度方差值、点云高度跳变值中的至少一者；

根据所述噪音边缘点云与所述噪音边缘点云对应的邻域点云的高度信息，从所述邻域点云中确定噪音内部点云；

根据所述目标结构数据中所述噪音边缘点云和所述噪音内部点云之外的点云，对所述目标结构数据进行过滤处理，得到过滤数据以及由过滤后的目标结构数据构成的三维成像。

在本申请的一些实施例中，在基于所述视角原点、所述目标切片点云以及所述过滤数据，对所述三维成像的边界进行点云填充，得到填充后的目标三维成像之后，所述装置还用于：

对所述目标三维成像的目标结构数据进行内部趋势填充，得到内部趋势填充后的目标结构数据；

对内部趋势填充后的目标结构数据进行外部趋势填充，得到外部趋势填充后的目标结构数据。

本申请实施例通过第一网格化单元701，用于将待处理区域的原始点云数据进行网格化处理，得到所述原始点云的目标结构数据；第一过滤单元702，用于对所述目标结构数据进行过滤处理，得到过滤数据以及由过滤后的目标结构数据构成的三维成像；第一切片单元703，用于基于所述三维成像中预设的视角原点对所述三维成像进行切片，得到切片点云分布图像集，所述切片点云分布图像集包括多张切片点云分布图像，各所述切片点云分布图像包括多个切片点云，并从所述多个切片点云中确定目标切片点云，所述目标切片点云是与所述视角原点距离最远的切片点云；第一确定单元704，用于基于所述视角原点、所述目标切片点云以及所述过滤数据，确定是否对所述三维成像的边界进行点云填充，若是，则对所述边界进行点云填充。相较于传统装置，本申请实施例通过先对待处理区域的原始点云数据进行网格化处理，然后对目标结构数据进行过滤，减少误差，最后通过视角原点、目标切片点云以过滤数据，对边界进行点云填充，可以准确、完整地还原三维成像的边界的点云，提高了三维重建的准确性。

除了上述介绍用于点云数据处理方法与装置之外，本申请实施例还提供一种计算机设备，其集成了本申请实施例所提供的任一种点云数据处理装置，所述计算机设备包括：

一个或多个处理器；

存储器；以及

一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述点云数据处理方法实施例中任一实施例中所述的任一方法的操作。

本申请实施例还提供一种计算机设备，其集成了本申请实施例所提供的任一种点云数据处理装置。如图8所示，其示出了本申请实施例所涉及的计算机设备的结构示意图，具体来讲：

该计算机设备可以包括一个或者一个以上处理核心的处理器801、一个或一个以上计算机可读存储介质的存储单元802、电源803和输入单元804等部件。本领域技术人员可以理解，图8中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器801是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储单元802内的软件程序和/或模块，以及调用存储在存储单元802的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器801可包括一个或多个处理核心；优选的，处理器801可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器801中。

存储单元802可用于存储软件程序以及模块，处理器801通过运行存储在存储单元802的软件程序以及模块，从而执行各种功能应用以及数据处理。存储单元802可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储单元802可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储单元802还可以包括存储器控制器，以提供处理器801对存储单元802的访问。

计算机设备还包括给各个部件供电的电源803，优选的，电源803可以通过电源管理系统与处理器801逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源803还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该计算机设备还可包括输入单元804，该输入单元804可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本申请实施例中，计算机设备中的处理器801会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储单元802中，并由处理器801来运行存储在存储单元802中的应用程序，从而实现各种功能，如下：

将待处理区域的原始点云数据进行网格化处理，得到原始点云的目标结构数据；对目标结构数据进行过滤处理，得到过滤数据以及由过滤后的目标结构数据构成的三维成像；基于三维成像中预设的视角原点对三维成像进行切片，得到切片点云分布图像集，切片点云分布图像集包括多张切片点云分布图像，各切片点云分布图像包括多个切片点云，并从多个切片点云中确定目标切片点云，目标切片点云是与视角原点距离最远的切片点云；基于视角原点、目标切片点云以及过滤数据，确定是否对三维成像的边界进行点云填充，若是，则对边界进行点云填充。

本申请实施例通过先对待处理区域的原始点云数据进行网格化处理，然后对目标结构数据进行过滤，减少误差，最后通过视角原点、目标切片点云以过滤数据，对边界进行点云填充，可以准确、完整地还原三维成像的边界的点云，提高了三维重建的准确性。

为此，本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random AccessMemory)、磁盘或光盘等。该计算机可读存储介质中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种点云数据处理方法中的步骤。例如，该指令可以执行如下步骤：

将待处理区域的原始点云数据进行网格化处理，得到原始点云的目标结构数据；对目标结构数据进行过滤处理，得到过滤数据以及由过滤后的目标结构数据构成的三维成像；基于三维成像中预设的视角原点对三维成像进行切片，得到切片点云分布图像集，切片点云分布图像集包括多张切片点云分布图像，各切片点云分布图像包括多个切片点云，并从多个切片点云中确定目标切片点云，目标切片点云是与视角原点距离最远的切片点云；基于视角原点、目标切片点云以及过滤数据，确定是否对三维成像的边界进行点云填充，若是，则对边界进行点云填充。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

以上对本申请实施例所提供的一种点云数据处理方法、装置及其相关设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。