一种点云分类方法及终端与流程

本发明涉及数据处理技术领域，尤其涉及一种点云分类方法及终端。

背景技术：

随着数据处理技术的发展，点云分类方法的应用也较为普遍。现有点云分类方法一般为基于规则算法的方法，其规则算法主要是依靠待识别物体的几何、密度、反射率特征以及不同待识别物体间空间拓扑关系。而部分基于学习方法的点云分类方法，则是将点云划分为一定大小的体素，通过计算每个体素的一些特征，构成特征向量，然后通过学习方法进行逐体素分类。现有方案需要以一定规则为前提，对于算法设计前未考虑到的情况，普适性较差。在面对现有算法无法分类的新类型的点云时，需要更改甚至重构算法以适配新类型的分类目标，可维护性较差。

可见，现有的点云分类方法存在普适性及可维护性较差的技术问题。

技术实现要素：

本发明实施例提供一种点云分类方法及终端，以解决现有点云分类方法存在普适性及可维护性较差的技术问题。

为了达到上述目的，本发明提供的具体方案如下：

第一方面，本发明实施例提供了一种点云分类方法，包括：

利用通过已知类型的点云数据学习得到的分类模型，对待分类的点云数据进行分类处理，获得分类结果；

在依据所述分类结果确定所述待分类的点云数据包含所述分类模型无法准确分类的第一点云数据的情况下，获取所述第一点云数据的第一类型；

利用所述第一点云数据和所述第一类型、第二点云数据和第二类型，更新所述分类模型，其中，所述第二点云数据为所述分类模型能够准确分类的点云数据，所述第二类型为所述第二点云数据所属的类型；

利用更新后的所述分类模型，对所述待分类的点云数据进行分类处理，获得分类结果。

可选的，所述对待分类的点云数据进行分类处理的步骤之前，所述方法还包括：

接收已知类型的点云数据，其中，所述已知类型的点云数据包括至少两个数据子集，每个数据子集内的点对应一个类型；

学习所述至少两个数据子集内的点的特征，得到所述分类模型。

可选的，所述学习所述至少两个数据子集内的点的特征，得到所述分类模型的步骤，包括：

将所述至少两个数据子集及对应的类型标签输入预先设计好的深度神经网络，经过训练，得到所述分类模型。

可选的，所述利用所述第一点云数据和所述第一类型、第二点云数据和第二类型，更新所述分类模型的步骤，包括：

将所述第一点云数据内的点及对应的第一类型，以及所述第二点云数据和第二类型均输入到加载了所述分类模型的深度神经网络，经过训练，更新所述分类模型。

可选的，所述将所述第一点云数据内的点及对应的第一类型，以及所述第二点云数据和第二类型均输入到加载了所述分类模型的深度神经网络，经过训练，更新所述分类模型的步骤，包括：

接收所述第一点云数据，其中，所述第一点云数据包括至少一个数据子集，每个数据子集内的点对应一个类型；

将所述第一点云数据中的至少一个数据子集内的点，以及所述第二点云数据和第二类型均输入到加载了所述分类模型的深度神经网络，经过训练，更新所述分类模型。

可选的，所述已知类型的点云数据和/或所述待分类的点云数据为车辆在行车过程中，所述车辆上的激光雷达采集到的图像数据。

可选的，所述获得分类结果的步骤之后，所述方法还包括：

在依据所述分类结果确定所述待分类的点云数据包含所述分类模型无法准确分类的第一点云数据的情况下，输出提示信息，其中，所述提示信息用于提示所述待分类的点云数据包含所述分类模型无法准确分类的第一点云数据。

第二方面，本发明实施例提供了一种终端，包括：

第一分类模块，用于利用通过已知类型的点云数据学习得到的分类模型，对待分类的点云数据进行分类处理，获得分类结果；

获取模块，用于在依据所述分类结果确定所述待分类的点云数据包含所述分类模型无法准确分类的第一点云数据的情况下，获取所述第一点云数据的第一类型；

更新模块，用于利用所述第一点云数据和所述第一类型、第二点云数据和第二类型，更新所述分类模型，其中，所述第二点云数据为所述分类模型能够准确分类的点云数据，所述第二类型为所述第二点云数据所属的类型；

第二分类模块，用于利用更新后的所述分类模型，对所述待分类的点云数据进行分类处理，获得分类结果。

可选的，所述终端还包括：

接收模块，用于接收已知类型的点云数据，其中，所述已知类型的点云数据包括至少两个数据子集，每个数据子集内的点对应一个类型；

学习模块，用于学习所述至少两个数据子集内的点的特征，得到所述分类模型。

可选的，所述学习模块用于：

将所述至少两个数据子集及对应的类型标签输入预先设计好的深度神经网络，经过训练，得到所述分类模型。

可选的，所述更新模块用于：

将所述第一点云数据内的点及对应的第一类型，以及所述第二点云数据和第二类型均输入到加载了所述分类模型的深度神经网络，经过训练，更新所述分类模型。

可选的，所述更新模块具体用于：

接收所述第一点云数据，其中，所述第一点云数据包括至少一个数据子集，每个数据子集内的点对应一个类型；

将所述第一点云数据中的至少一个数据子集内的点，以及所述第二点云数据和第二类型均输入到加载了所述分类模型的深度神经网络，经过训练，更新所述分类模型。

可选的，所述已知类型的点云数据和/或所述待分类的点云数据为车辆在行车过程中，所述车辆上的激光雷达采集到的图像数据。

可选的，所述终端还包括：

输出模块，用于在依据所述分类结果确定所述待分类的点云数据包含所述分类模型无法准确分类的第一点云数据的情况下，输出提示信息，其中，所述提示信息用于提示所述待分类的点云数据包含所述分类模型无法准确分类的第一点云数据。

第三方面，本发明实施例提供了一种终端，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述处理器执行所述计算机程序时实现如第一方面所述的点云分类方法。

第四方面，本发明实施例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上存储有计算机程序，所述计算机序被处理器执行时实现如第一方面所述的点云分类方法的步骤。

第五方面，本发明实施例提供了一种车辆，包括如第二方面或者第三方面中任一项所述的终端。

本发明实施例中，终端不需要预先通过大量数据学习分类规则，只需要根据已知类型的点云数据学习得到分类模型，即可将分类模型用来将点云数据分类，并在检测到新类型点时，学习新类型点的特征并更新分类模型，提高了点云分类的普适性及可维护性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种点云分类方法的流程示意图；

图2为本发明实施例提供的另一种点云分类方法的流程示意图；

图3为本发明实施例提供的终端的结构示意图；

图4为本发明实施例提供的另一种终端的结构示意图；

图5为本发明实施例提供的另一种终端的结构示意图。

具体实施方式

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，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。

参见图1，为本发明实施例提供的点云分类方法的流程示意图。如图1所示，一种点云分类方法，应用于终端，主要包括以下步骤：

步骤101、利用通过已知类型的点云数据学习得到的分类模型，对待分类的点云数据进行分类处理，获得分类结果。

本实施例提供的点云分类方法，应用于终端，用于对点云数据进行处理。所涉及的已知类型的点云数据和未知类型的点云数据可以为车辆在行车过程中，所述车辆上的激光雷达采集到的图像数据。终端直接获取所在车辆的激光雷达实时采集的点云数据，进行点云分类处理和应用。当然，点云数据也可以为终端直接获取的其他设备采集的点云数据，不作限定。

终端在需要对待分类的点云数据进行分类处理时，可以先接收已知类型的点云数据，通过对该已知类型的点云数据学习，得到分类模型。分类模型存储了已知类型的点云数据中的全部点的特征与点所属类型的对应关系，该分类模型可以用于对点云数据进行分类处理。终端利用学习得到的分类模型，对待分类的点云数据进行分类处理，并获得对应的分类结果。分类结果可以包括该待分类的点云数据中的全部点所属的类型。

步骤102、在依据所述分类结果确定所述待分类的点云数据包含所述分类模型无法准确分类的第一点云数据的情况下，获取所述第一点云数据的第一类型；

终端利用学习得到的分类模型对待分类的点云数据进行分类处理，得到分类结果后，根据分类结果可以判断该分类模型是否将该待分类的点云数据准确分类。若终端依据分类结果，确定该待分类的点云数据确实包含了部分点云数据不能被分类模型准确分类，将该部分点云数据定义为第一点云数据。终端获取第一点云数据，以及该第一点云数据可能对应的第一类型。

终端依据分类结果判断待分类点云中是否包含不能准确识别的第一点云数据的方法可以为：判断每个类型对应的点云数据的特征与分类模型记录的点云数据的特征的匹配度，将特征匹配度低于预设阈值的点云数据作为第一点云数据，或者，终端也可以将分类结果输出，由用户根据分类结果判断分类准确度，并将用户框选出的部分点云数据作为无法准确识别的第一点云数据。

终端确定存在无法准确识别的第一点云数据后，获取该第一点云数据的第一类型。终端可以将该第一点云数据输出，由用户添加该第一点云数据可能对应的类型。

此外，终端在获得分类结果之后，所述方法还可以包括：

在依据所述分类结果确定所述待分类的点云数据包含所述分类模型无法准确分类的第一点云数据的情况下，输出提示信息，其中，所述提示信息用于提示所述待分类的点云数据包含所述分类模型无法准确分类的第一点云数据。

终端确定存在无法准确分类的第一点云数据后，输出提示信息，以提示用户该部分点云数据无法被准确分类的情况，也可以由用户确定是否继续应用当前分类结果或者继续学习新类型点。

步骤103、利用所述第一点云数据和所述第一类型、第二点云数据和第二类型，更新所述分类模型；

用户通过终端确定继续学习新类型点之后，终端可以依据上述步骤获取第一点云数据，以及第一点云数据对应的第一类型来更新分类模型。分类模型能够准确分类的点云数据定义为第二点云数据，第二点云数据所属的类型定义为第二类型。

终端学习第一点云数据中点的特征和第一类型的对应关系，并结合第二点云数据中点的特征和第二类型的对应关系，更新所述分类模型，以使得分类模型能够准确分类第一点云数据、第二点云数据。

步骤104、利用更新后的所述分类模型，对所述待分类的点云数据进行分类处理，获得分类结果。

终端依据上述步骤更新所述分类模型后，对待分类的点云数据进行分类处理，以获得分类结果，即为待分类的点云数据的较为准确的分类结果。

上述本发明实施例提供的点云分类方法，终端不需要预先集成/配置大量数据学习分类规则，只需要根据已知类型的点云数据学习得到分类模型，即可将分类模型用来将点云数据分类，并在检测到新类型点时，学习新类型点的特征并更新分类模型，提高了点云分类的普适性及可维护性。

在一种具体实施方式中，步骤101所述的，对待分类的点云数据进行分类处理的步骤之前，所述方法还可以包括：

接收已知类型的点云数据；

学习所述至少两个数据子集内的点的特征，得到所述分类模型。

本实施方式中，点云分类方法还包括了分类模型的获取过程。终端接收已知类型的点云数据。所接收的已知类型的点云数据包括至少两个数据子集，该至少两个数据子集内的点对应一个类型。

具体的，终端接收用户输入的点云数据，该点云数据中的点的类型已知。终端将所接收的点云数据进行三维渲染，然后由用户向终端施加输入以进行标注，即从点云数据中点选或者框选出部分特征一致或者特征接近的点，形成一个数据子集，并为该部分数据子集添加对应的已知类型。重复上述过程，直至将点云数据中的全部点均划分到对应的数据子集内，并为每个数据子集均添加一个对应的已知类型，每个数据子集内的点对应的类型唯一，以避免分类错误。

终端接收至少两个数据子集及对应类型后，学习该至少两个数据子集内的点的特征，结合每个数据子集内的点对应的类型，即可得到所述分类模型。

进一步的，所述学习所述至少两个数据子集内的点的特征，得到所述分类模型的步骤，可以包括：

将所述至少两个数据子集及对应的类型标签输入预先设计好的深度神经网络，经过训练，得到所述分类模型。

终端将点云数据中的至少两个数据子集内的点输入到预先设计好的深度神经网络，然后进行训练，即可得到分类模型。具体实现时，终端需要利用一个多层的神经网络，对输入的点云数据进行预处理，将点云数据的格式转换为神经网络可以处理的数据格式，以便神经网络能够对所接收的点云数据进行相关处理。终端将预处理后的点云数据输入到预先设计好的深度神经网络，进行训练，对大量带标签数据通过反向传播算法学习网络结构中的参数。具体的，终端基于一组设置的初始化模型参数，输入数据通过若干卷积层及池化层，经过前向传播会得到一个期望输出，如果这个期望输出与数据的实际类别标签不相同，则将误差逐层反向传播至输入层，每层的神经元会根据该误差对网络结构中的参数进行更新。对卷积神经网络而言，待学习的参数包括但不限于卷积核参数、层间的连接参数以及各层的偏置。具体训练过程可以参见现有训练过程，不做赘述。

多次的卷积操作，然后通过每个数据子集的类型与卷积层间的后向反馈，不断优化神经网络的参数，以达到训练的效果，最终得到一个模型文件，即形成该分类模型。

相应的，终端学习得到分类模型后，对待分类的点云数据进行分类处理。终端将待分类的点云数据输入到加载了所述分类模型的深度神经网络，然后通过多层卷积操作后进入全连接层，以输出分类结果，即为该待分类点云中的点可能对应的类型。终端依据分类结果判断是否存在无法准确分类的第一点云数据，若不存在第一点云数据，则可以将该待分类的点云数据的分类结果存储进数据存储器。若确定存在无法准确分类的第一点云数据，则终端再进行新类型点的特征学习，以更新分类模型。

具体的，步骤103所述的，利用所述第一点云数据和所述第一类型、第二点云数据和第二类型，更新所述分类模型的步骤，可以包括：

将所述第一点云数据内的点及对应的第一类型，以及所述第二点云数据和第二类型均输入到加载了所述分类模型的深度神经网络，经过训练，更新所述分类模型。

本实施方式中，终端将第一点云数据内的点及第一类型，以及第二点云数据及第二类型输入到加载了所述分类模型的深度神经网络，并重复分类算法的训练过程，再结合分类模型能准确分类的第二点云数据及对应的第二类型，即可获得新的模型文件，利用新的模型文件代替之前的模型文件，即为更新了分类模型。

在一种具体实施方式中，所述将所述第一点云数据内的点及对应的第一类型，以及所述第二点云数据和第二类型均输入到加载了所述分类模型的深度神经网络，经过训练，更新所述分类模型的步骤，包括：

接收所述第一点云数据；

将所述第一点云数据中的至少两个数据子集内的点，以及所述第二点云数据和第二类型均输入到加载了所述分类模型的深度神经网络，经过训练，更新所述分类模型。

具体的，考虑到终端无法准确识别的第一点云数据可能包括不止一种类型的点云数据，终端还可以确定该第一点云数据可能包含的至少一个数据子集。

终端将第一点云数据中的至少一个数据子集内的点均输入到加载了所述分类模型的深度神经网络，进行多次卷积操作，即可获得该第一点云数据中的点的特征，并依次来更新分类模型。

终端更新了分类模型后，修改原有神经网络的全连接层，以便深度神经网络可以学习新类型点。此后，若终端再利用加载了更新后的分类模型的深度神经网络对新的点云数据进行分类处理，若确定存在无法准确识别的新类型点，终端即可重复上述学习和更新过程，进一步增加分类模型的可识别点，以完善分类模型的分类功能。

综上，如图2所示，本发明实施例提供的点云分类方法的实施过程可以为：

步骤201、通过已知类型的点云数据学习得到分类模型，利用分类模型对待分类的点云数据进行分类处理，获得分类结果。

步骤202、判断待分类的点云是否包含分类模型无法准确分类的新类型点；

若判定不存在新类型点，则执行步骤203、将待分类的点云数据的分类结果输出至数据存储器进行存储；

若判定存在新类型点，则执行步骤204、将新类型点作为样本框选标注，对新类型点进行训练，更新分类模型；

步骤205、利用更新后的分类模型对待分类的点云数据进行分类处理，获得分类结果，并执行步骤203。

综上，本发明实施例提供的点云分类方法，对于分类设计前未考虑到的情况，也可以通过增加标注样本来完成，对分类任务具有较强的普适性。所涉及的算法较为简单，对多类物体的分类由一种算法同时完成，算法结构比较简单。此外，在面对现有算法无法分类的新类型的点云时，无需更改算法。只需要新标注一定量的样本，重新训练模型，可维护性较好。并且，发明进行逐点的分类，分类精确度更高。

参见图3，为本发明实施例提供的一种终端的结构示意图。如图3所示，所述终端300可以包括：

第一分类模块301，用于利用通过已知类型的点云数据学习得到的分类模型，对待分类的点云数据进行分类处理，获得分类结果；

获取模块302，用于在依据所述分类结果确定所述待分类的点云数据包含所述分类模型无法准确分类的第一点云数据的情况下，获取所述第一点云数据的第一类型；

更新模块303，用于利用所述第一点云数据和所述第一类型、第二点云数据和第二类型，更新所述分类模型，其中，所述第二点云数据为所述分类模型能够准确分类的点云数据，所述第二类型为所述第二点云数据所属的类型；

第二分类模块304，用于利用更新后的所述分类模型，对所述待分类的点云数据进行分类处理，获得分类结果。

可选的，所述已知类型的点云数据和/或所述待分类的点云数据为车辆在行车过程中，所述车辆上的激光雷达采集到的图像数据。

可选的，如图4所示，所述终端300还可以包括：

接收模块305，用于接收已知类型的点云数据，其中，所述已知类型的点云数据包括至少两个数据子集，每个数据子集内的点对应一个类型；

学习模块306，用于学习所述至少两个数据子集内的点的特征，得到所述分类模型。

可选的，所述学习模块306可以用于：

将所述至少两个数据子集及对应的类型标签输入预先设计好的深度神经网络，经过训练，得到所述分类模型。

可选的，所述更新模块303可以用于：

将所述第一点云数据内的点及对应的第一类型，以及所述第二点云数据和第二类型均输入到加载了所述分类模型的深度神经网络，经过训练，更新所述分类模型。

可选的，所述更新模块303具体用于：

接收所述第一点云数据，其中，所述第一点云数据包括至少一个数据子集，每个数据子集内的点对应一个类型；

将所述第一点云数据中的至少一个数据子集内的点，以及所述第二点云数据和第二类型均输入到加载了所述分类模型的深度神经网络，经过训练，更新所述分类模型。

可选的，如图4所示，所述终端300还可以包括：

输出模块307，用于在依据所述分类结果确定所述待分类的点云数据包含所述分类模型无法准确分类的第一点云数据的情况下，输出提示信息，其中，所述提示信息用于提示所述待分类的点云数据包含所述分类模型无法准确分类的第一点云数据。

上述本发明实施例提供的终端，不需要预先通过大量数据学习分类规则，只需要根据已知类型的点云数据学习得到分类模型，即可将分类模型用来将点云数据分类，并在检测到新类型点时，学习新类型点的特征并更新分类模型，提高了点云分类的普适性及可维护性。本实施例提供的终端的具体实施过程，可以参见上述图1所示的实施例提供的点云分类方法的具体实施过程，在此不再一一赘述。

参见图5，是本发明另一实施例提供的终端的结构示意图。如图5所示，为实现本发明各个实施例的一种终端，该终端500包括但不限于：射频单元501、网络模块502、音频输出单元503、输入单元504、传感器505、显示单元506、用户输入单元507、接口单元508、存储器509、处理器510、以及电源511等部件。本领域技术人员可以理解，图5中示出的终端结构并不构成对终端的限定，终端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。在本发明实施例中，终端包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。

其中，处理器510可以用于：

利用通过已知类型的点云数据学习得到的分类模型，对待分类的点云数据进行分类处理，获得分类结果；

在依据所述分类结果确定所述待分类的点云数据包含所述分类模型无法准确分类的第一点云数据的情况下，获取所述第一点云数据的第一类型；

利用所述第一点云数据和所述第一类型、第二点云数据和第二类型，更新所述分类模型，其中，所述第二点云数据为所述分类模型能够准确分类的点云数据，所述第二类型为所述第二点云数据所属的类型；

利用更新后的所述分类模型，对所述待分类的点云数据进行分类处理，获得分类结果。

可选的，所述处理器510还可以用于：

接收已知类型的点云数据，其中，所述已知类型的点云数据包括至少两个数据子集，每个数据子集内的点对应一个类型；

学习所述至少两个数据子集内的点的特征，得到所述分类模型。

可选的，所述处理器510还可以用于：

将所述至少两个数据子集及对应的类型标签输入预先设计好的深度神经网络，经过训练，得到所述分类模型。

可选的，所述处理器510还可以用于：

将所述第一点云数据内的点及对应的第一类型，以及所述第二点云数据和第二类型均输入到加载了所述分类模型的深度神经网络，经过训练，更新所述分类模型。

可选的，所述处理器510还可以用于：

接收所述第一点云数据，其中，所述第一点云数据包括至少一个数据子集，每个数据子集内的点对应一个类型；

将所述第一点云数据中的至少一个数据子集内的点，以及所述第二点云数据和第二类型均输入到加载了所述分类模型的深度神经网络，经过训练，更新所述分类模型。

可选的，所述已知类型的点云数据和/或所述待分类的点云数据为车辆在行车过程中，所述车辆上的激光雷达采集到的图像数据。

可选的，所述处理器510还可以用于：在依据所述分类结果确定所述待分类的点云数据包含所述分类模型无法准确分类的第一点云数据的情况下，输出提示信息，其中，所述提示信息用于提示所述待分类的点云数据包含所述分类模型无法准确分类的第一点云数据。

终端500能够实现前述实施例中终端实现的各个过程，为避免重复，这里不再赘述。

应理解的是，本发明实施例中，射频单元501可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器510处理；另外，将上行的数据发送给基站。通常，射频单元501包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元501还可以通过无线通信系统与网络和其他设备通信。

终端通过网络模块502为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。

音频输出单元503可以将射频单元501或网络模块502接收的或者在存储器509中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元503还可以提供与终端500执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元503包括扬声器、蜂鸣器以及受话器等。

输入单元504用于接收音频或视频信号。输入单元504可以包括图形处理器(graphicsprocessingunit，gpu)5041和麦克风5042，图形处理器5041对在视频捕获模式或图像捕获模式中由图像捕获终端(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元506上。经图形处理器5041处理后的图像帧可以存储在存储器509(或其它存储介质)中或者经由射频单元501或网络模块502进行发送。麦克风5042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元501发送到移动通信基站的格式输出。

终端500还包括至少一种传感器505，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板5061的亮度，接近传感器可在终端500移动到耳边时，关闭显示面板5061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别终端姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器505还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。

显示单元506用于显示由用户输入的信息或提供给用户的信息。显示单元506可包括显示面板5061，可以采用液晶显示器(liquidcrystaldisplay，lcd)、有机发光二极管(organiclight-emittingdiode,oled)等形式来配置显示面板5061。

用户输入单元507可用于接收输入的数字或字符信息，以及产生与终端的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元507包括触控面板5071以及其他输入设备5072。触控面板5071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板5071上或在触控面板5071附近的操作)。触控面板5071可包括触摸检测终端和触摸控制器两个部分。其中，触摸检测终端检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测终端上接收触摸信息，并将它转换成触点坐标，再送给处理器510，接收处理器510发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板5071。除了触控面板5071，用户输入单元507还可以包括其他输入设备5072。具体地，其他输入设备5072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。

进一步的，触控面板5071可覆盖在显示面板5061上，当触控面板5071检测到在其上或附近的触摸操作后，传送给处理器510以确定触摸事件的类型，随后处理器510根据触摸事件的类型在显示面板5061上提供相应的视觉输出。虽然在图5中，触控面板5071与显示面板5061是作为两个独立的部件来实现终端的输入和输出功能，但是在某些实施例中，可以将触控面板5071与显示面板5061集成而实现终端的输入和输出功能，具体此处不做限定。

接口单元508为外部终端与终端500连接的接口。例如，外部终端可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的终端的端口、音频输入/输出(i/o)端口、视频i/o端口、耳机端口等等。接口单元508可以用于接收来自外部终端的输入(例如，数据信息、电力等等)并且将接收到的输入传输到终端500内的一个或多个元件或者可以用于在终端500和外部终端之间传输数据。

存储器509可用于存储软件程序以及各种数据。存储器509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手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器509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。

处理器510是终端的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器509内的软件程序和/或模块，以及调用存储在存储器509内的数据，执行终端的各种功能和处理数据，从而对终端进行整体监控。处理器510可包括一个或多个处理单元；优选的，处理器510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510中。

终端500还可以包括给各个部件供电的电源511(比如电池)，优选的，电源511可以通过电源管理系统与处理器510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。

另外，终端500包括一些未示出的功能模块，在此不再赘述。

优选的，本发明实施例还提供一种终端，包括处理器510，存储器509，存储在存储器509上并可在所述处理器510上运行的计算机程序，该计算机程序被处理器510执行时实现上述点云分类方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述点云分类方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(read-onlymemory，简称rom)、随机存取存储器(randomaccessmemory，简称ram)、磁碟或者光盘等。

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、物品或者终端不仅包括那些要素，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、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。