一种3D点云语义分割的方法、装置及系统与流程

本发明涉及计算机视觉技术领域，特别涉及一种3d点云语义分割的方法、装置及系统。

背景技术：

近年来，随着激光雷达、三原色深度(redgreenblue–depth，rgb-d)相机等3d传感器在机器人、无人驾驶领域的广泛应用，深度学习在3d点云数据的应用已经成为研究热点之一。3d点云是指在一个三维坐标系统中的一组向量的集合，这些向量通常以x，y，z三维坐标的形式表示，一般用来代表一个物体的外表面形状，另外，除了(x，y，z)代表的几何信息外，可能还含有rgb颜色、强度、灰度值，深度或者返回次数等信息，而3d点云语义分割是指将3d点云划分为语义上有意义的部分，然后在语义上将每个部分标记为预定义的类之一，即分割3d点云，区分出不同的分割物。

目前，常见的3d点云语义分割方法通常是将3d点云转换为手工体素网格特征或者是多视角的图像特征，然后送入深度学习网络进行特征提取，这样转换特征的方法不仅数据量大、而且计算复杂，如果降低分辨率，则分割精度会下降。

鉴于此，如何对3d点云语义进行有效分割，从而提高分割精度是研究的重点。

技术实现要素：

本申请实施例提供一种3d点云语义分割的方法、装置及系统，用于解决现有技术中存在的无法对3d点云语义进行有效分割的技术问题。

第一方面，为解决上述技术问题，本申请实施例提供一种3d点云语义分割的方法，该方法的技术方案如下：

分别获取待检测的rgb图像及与所述rgb图像对应的第一3d点云，采用预训练模型对所述rgb图像中的物体进行检测与判断，确定检测到的物体是否为指定类型物体，其中，所述预训练模型为根据快速区域卷积神经网络fasterr-cnn生成的目标检测模型；

若是指定类型物体，则从所述第一3d点云中获取第二3d点云，并移除所述第二3d点云中的地面点云，其中，所述第二3d点云与所述rgb图像中所述检测到的物体的目标检测框对应；

对所述移除地面点云后的第二3d点云进行3d聚类，获取点云片集合，其中，所述点云片集合包括至少一个点云片，所述点云片表示不同类型的物体的3d点云；

确定所述检测到的物体的3d点云所含点数的最大值和最小值，从所述点云片集合中过滤出包含点数在所述最大值和最小值之间的目标点云片；

从所述目标点云片中获取所含点数最多的点云片，确定所述所含点数最多的点云片为所述检测到的物体的3d语义点云。

在本申请实施例中，可以获取待检测的rgb图像及与rgb图像对应的第一3d点云，然后采用预训练模型对rgb图像中的物体进行检测与判断，确定检测到的物体是否为指定类型物体，若是指定类型物体，则从第一3d点云中获取第二3d点云，并移除第二3d点云中的地面点云，其中，第二3d点云与rgb图像中检测到的物体的目标检测框对应，再对移除地面点云后的第二3d点云进行3d聚类，获取点云片集合，其中，点云片集合包括至少一个点云片，点云片表示不同类型的物体的3d点云，确定检测到的物体的3d点云所含点数的最大值和最小值，从点云片集合中过滤出包含点数在最大值和最小值之间的目标点云片，从目标点云片中获取所含点数最多的点云片，确定所含点数最多的点云片为检测到的物体的3d语义点云。通过根据fasterr-cnn生成的目标检测模型对rgb图像中的物体进行检测与判断，获取与rgb图像中检测到的物体的目标检测框对应的3d点云，再对目标检测框对应的3d点云进行一系列处理，过滤3d点云中的干扰点云，确定检测到的物体的3d语义点云，从而减少数据标定工作量，提高分割精度，对3d点云语义进行了有效分割。

结合第一方面，在第一方面的第一种可选实施方式中，分别获取待检测的rgb图像及与所述rgb图像对应的第一3d点云之前，还包括：

获取预训练模型的样本rgb图像集，其中，所述样本rgb图像集包括至少一个样本rgb图像；

在所述样本rgb图像集的样本rgb图像中标注指定类型物体，生成样本数据集；

利用所述样本数据集训练fasterr-cnn，生成所述预训练模型。

结合第一方面，在第一方面的第二种可选实施方式中，移除所述第二3d点云中的地面点云，包括：

对所述第二3d点云进行中值滤波以及体素化处理；

根据地面方程，确定所述中值滤波以及体素化处理后的第二3d点云中的地面点云；

将所述地面点云从所述中值滤波以及体素化处理后的第二3d点云中移除。

结合第一方面的第二种可选实施方式，在第一方面的第三种可选实施方式中，对所述移除地面点云后的第二3d点云进行3d聚类，获取点云片集合，包括：

根据所述移除地面点云后的第二3d点云中第一点的3d邻域球，将在所述3d邻域球中的点加入所述第一点对应的点云片，其中，所述3d邻域球是以所述第一点为球心，预设阈值为半径的球；

直到所述第一点对应的点云片中的任一点的3d邻域球中的点都已加入所述第一点对应的点云片，获取所述第一点对应的点云片；

根据所述移除地面点云后的第二3d点云中第二点的3d邻域球，获取第二点对应的点云片，其中，所述第二点是除所述第一点对应的点云片中的点外的任一点；

直到所述移除地面点云后的第二3d点云中任一点都已加入对应的点云片，获取点云片集合。

结合第一方面或者第一方面的第三种可选实施方式，在第一方面的第四种可选实施方式中，确定所述检测到的物体的3d点云所含点数的最大值和最小值，包括：

根据所述检测到的物体的几何尺寸，建立所述检测到的物体的几何模型；

根据所述几何模型以及3d点云中点的大小，获取所述检测到的物体的3d点云所含点数的最大值和最小值。

第二方面，提供一种3d点云语义分割的装置，包括：

第一确定模块，用于分别获取待检测的rgb图像及与所述rgb图像对应的第一3d点云，采用预训练模型对所述rgb图像中的物体进行检测与判断，确定检测到的物体是否为指定类型物体，其中，所述预训练模型为根据快速区域卷积神经网络fasterr-cnn生成的目标检测模型；

处理模块，用于若是指定类型物体，则从所述第一3d点云中获取第二3d点云，并移除所述第二3d点云中的地面点云，其中，所述第二3d点云与所述rgb图像中所述检测到的物体的目标检测框对应；

获取模块，用于对所述移除地面点云后的第二3d点云进行3d聚类，获取点云片集合，其中，所述点云片集合包括至少一个点云片，所述点云片表示不同类型的物体的3d点云；

过滤模块，用于确定所述检测到的物体的3d点云所含点数的最大值和最小值，从所述点云片集合中过滤出包含点数在所述最大值和最小值之间的目标点云片；

第二确定模块，用于从所述目标点云片中获取所含点数最多的点云片，确定所述所含点数最多的点云片为所述检测到的物体的3d语义点云。

结合第二方面，在第二方面的第一种可选实施方式中，所述装置还包括生成模块，用于：

获取预训练模型的样本rgb图像集，其中，所述样本rgb图像集包括至少一个样本rgb图像；

在所述样本rgb图像集的样本rgb图像中标注指定类型物体，生成样本数据集；

利用所述样本数据集训练fasterr-cnn，生成所述预训练模型。

结合第二方面，在第二方面的第二种可选实施方式中，所述处理模块，具体用于：

对所述第二3d点云进行中值滤波以及体素化处理；

根据地面方程，确定所述中值滤波以及体素化处理后的第二3d点云中的地面点云；

将所述地面点云从所述中值滤波以及体素化处理后的第二3d点云中移除。

结合第二方面的第二种可选实施方式，在第二方面的第三种可选实施方式中，所述获取模块，具体用于：

根据所述移除地面点云后的第二3d点云中第一点的3d邻域球，将在所述3d邻域球中的点加入所述第一点对应的点云片，其中，所述3d邻域球是以所述第一点为球心，预设阈值为半径的球；

直到所述第一点对应的点云片中的任一点的3d邻域球中的点都已加入所述第一点对应的点云片，获取所述第一点对应的点云片；

根据所述移除地面点云后的第二3d点云中第二点的3d邻域球，获取第二点对应的点云片，其中，所述第二点是除所述第一点对应的点云片中的点外的任一点；

直到所述移除地面点云后的第二3d点云中任一点都已加入对应的点云片，获取点云片集合。

结合第二方面或者第二方面的第三种可选实施方式，在第二方面的第四种可选实施方式中，所述过滤模块，具体用于：

根据所述检测到的物体的几何尺寸，建立所述检测到的物体的几何模型；

根据所述几何模型以及3d点云中点的大小，获取所述检测到的物体的3d点云所含点数的最大值和最小值。

第三方面，提供一种3d点云语义分割的系统，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行第一方面中的任一种实施方式包括的步骤。

第四方面，提供一种存储介质，该存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行第一方面中的任一实施方式包括的步骤。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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。

图1为本申请实施例中的一种3d点云语义分割的系统的结构示意图；

图2为本申请实施例中的3d点云语义分割的方法的流程示意图；

图3为本申请实施例中的3d点云语义分割的装置的结构示意图；

图4为本申请实施例中的3d点云语义分割的系统的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，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，都属于本申请保护的范围。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，能够以不同于此处的顺序执行所示出或描述的步骤。

本申请的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

本申请实施例中，“至少一个”可以表示一个或者至少两个，例如可以是一个、两个、三个或者更多个，本申请实施例不做限制。

另外，本文中术语“和/或”，仅仅是一种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：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，在不做特别说明的情况下，一般表示前后关联对象是一种“或”的关系。

目前，常见的3d点云语义分割方法通常是将3d点云转换为手工体素网格特征或者是多视角的图像特征，然后送入深度学习网络进行特征提取，这样转换特征的方法不仅数据量大、而且计算复杂，如果降低分辨率，则分割精度会下降。可见，现有技术中存在数据标定工作量较大，分割精度较低，无法对3d点云语义进行有效分割的问题。

鉴于此，本申请实施例提供一种3d点云语义分割的方法，该方法可以获取待检测的rgb图像及与rgb图像对应的第一3d点云，然后采用预训练模型对rgb图像中的物体进行检测与判断，确定检测到的物体是否为指定类型物体，若是指定类型物体，则从第一3d点云中获取第二3d点云，并移除第二3d点云中的地面点云，其中，第二3d点云与rgb图像中检测到的物体的目标检测框对应，再对移除地面点云后的第二3d点云进行3d聚类，获取点云片集合，其中，点云片集合包括至少一个点云片，点云片表示不同类型的物体的3d点云，确定检测到的物体的3d点云所含点数的最大值和最小值，从点云片集合中过滤出包含点数在最大值和最小值之间的目标点云片，从目标点云片中获取所含点数最多的点云片，确定所含点数最多的点云片为检测到的物体的3d语义点云。通过根据fasterr-cnn生成的目标检测模型对rgb图像中的物体进行检测与判断，获取与rgb图像中检测到的物体的目标检测框对应的3d点云，再对目标检测框对应的3d点云进行一系列处理，过滤3d点云中的干扰点云，确定检测到的物体的3d语义点云，从而减少数据标定工作量，提高分割精度，对3d点云语义进行了有效分割。

为了更好的理解上述技术方案，下面通过说明书附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。

图1为本申请实施例所提供方法可适用的一种3d点云语义分割的系统的结构，当然本申请实施例所提供的方法可以适用到多种3d点云语义分割的系统上，应当理解图1所示的3d点云语义分割的系统是对可适用本申请实施例所提供方法的3d点云语义分割的系统的简单说明，而不是对可适用本申请实施例所提供方法的3d点云语义分割的系统的限定。

图1所示的3d点云语义分割的系统包括存储器101、处理器102、总线接口103。存储器101以及处理器102通过总线接口103连接。存储器101用于存储程序指令。处理器102用于调用存储器101中存储的程序指令，按照获得的程序指令执行3d点云语义分割的方法中包括的所有步骤。

请参见图2，本申请实施例提供一种3d点云语义分割的方法，该方法可以由前述图1所示的系统执行。该方法的具体流程描述如下。

步骤201：分别获取待检测的rgb图像及与所述rgb图像对应的第一3d点云，采用预训练模型对所述rgb图像中的物体进行检测与判断，确定检测到的物体是否为指定类型物体。

在本申请实施例中，在分别获取待检测的rgb图像及与rgb图像对应的第一3d点云之前，先生成对rgb图像中的物体进行检测与判断的预训练模型，其中，预训练模型为根据快速区域卷积神经网络fasterr-cnn生成的目标检测模型。

在具体的实施过程中，通过rgb-d相机获取预训练模型的样本rgb图像集，其中，rgb-d相机可以同时采集相机视角内的室内场景数据，得到同步的场景颜色信息和深度信息，具体该颜色信息和深度信息可以通过rgb图像和深度图像体现，两幅图像的像素点一一对应。样本rgb图像集包括至少一个样本rgb图像，然后在样本rgb图像集的每个样本rgb图像中标注指定类型物体，生成样本数据集，利用样本数据集训练fasterr-cnn，生成可对rgb图像中的物体进行检测与判断的预训练模型，再由生成的预训练模型提取fasterr-cnn各卷积层的特征，可视化地观测特征的语义表达，挑选部分训练数据，移除背景，生成用于迁移训练的掩膜mask图片，通过迁移训练，提高预训练模型的检出率，减低误报率，增强泛化能力。

对预训练模型进行迁移训练之后，再通过rgb-d相机获取待检测的rgb图像和深度图像，根据待检测的rgb图像和深度图像，获取与待检测的rgb图像对应的第一3d点云，其中，第一3d点云为整幅rgb图像保存的颜色信息和整幅深度图像保存的位置信息所组成的空间点的集合，然后采用预训练模型对待检测的rgb图像中的物体进行检测与判断，确定检测到的物体是否为指定类型物体，若确定检测到的物体为指定类型物体，则执行步骤202。

步骤202：若是指定类型物体，则从所述第一3d点云中获取第二3d点云，并移除所述第二3d点云中的地面点云。

在本申请实施例中，若确定检测到的物体为指定类型物体，则从第一3d点云中获取第二3d点云，并移除第二3d点云中的地面点云，其中，第二3d点云与rgb图像中检测到的物体的目标检测框对应。

在具体的实施过程中，为了去除第二3d点云中的噪音并使得第二3d点云均匀分布，先对第二3d点云进行中值滤波以及体素化处理。然后因为中值滤波以及体素化处理后的第二3d点云中还存在地面点云、墙面点云等一系列背景点云，需将移除这些背景点云。对于中值滤波以及体素化处理后的第二3d点云中地面点云而言，可根据rgb-d相机距离地面高度，确定地面方程，将第二3d点云中的点带入地面方程，若是误差小于一定阈值，则认为该点是地面点云中的点，重复操作可确定中值滤波以及体素化处理后的第二3d点云中的地面点云，然后将地面点云从中值滤波以及体素化处理后的第二3d点云中移除。移除第二3d点云中的地面点云之后，可执行步骤203移除墙面点云等一系列背景点云。

步骤203：对所述移除地面点云后的第二3d点云进行3d聚类，获取点云片集合。

在本申请实施例中，第二3d点云中不仅有地面点云，还可能有墙面点云等其他背景点云，则需对移除地面点云后的第二3d点云进行3d聚类，获取点云片集合，通过检测到的物体的3d点云的最大值与最小值，从点云片集合中筛选出检测到的物体的3d语义点云，其中，点云片集合包括至少一个点云片，点云片表示不同类型的物体的3d点云。

在具体的实施过程中，根据移除地面点云后的第二3d点云中第一点的3d邻域球，将在3d邻域球中的点加入第一点对应的点云片，其中3d邻域球是以第一点为球心，预设阈值为半径的球，直到第一点对应的点云片中的任一点的3d邻域球中的点都已加入第一点对应的点云片，获取第一点对应的点云片。根据移除地面点云后的第二3d点云中第二点的3d邻域球，获取第二点对应的点云片，其中，第二点是除第一点对应的点云片中的点外的任一点，直到移除地面点云后的第二3d点云中任一点都已加入对应的点云片，获取点云片集合。为了便于理解，下面以举例的形式进行说明：

例如，步骤一：对于移除地面点云后的第二3d点云中的一个点a，确定点a的3d邻域球中的点，如点b与点c，将点b与点c归到点a对应的点云片a，再对点b与点c做同样的操作，即确定点b与点c的3d邻域球中的点，将点b与点c的3d邻域球中的点归到点a对应的点云片a，直到不能找到新的点加入到点云片a中为止，则可确定点a对应的点云片a；

步骤二：再选取移除地面点云后的第二3d点云中的一个点d，其中点d不是点云片a中的任一点，对点d重复上述操作，则可确定点d对应的点云片d；

步骤三：反复进行步骤一，步骤二，直到移除地面点云后的第二3d点云中的任一点都被归于某个点云片为止，则可确定点云片集合。

步骤204：确定所述检测到的物体的3d点云所含点数的最大值和最小值，从所述点云片集合中过滤出包含点数在所述最大值和最小值之间的目标点云片。

在本申请实施例中，可根据检测到的物体的几何尺寸，建立检测到的物体的几何模型，然后根据几何模型以及3d点云中点的大小，获取检测到的物体的3d点云所含点数的最大值和最小值，然后从点云片集合中过滤出包含点数在最大值和最小值之间的目标点云片。为了便于理解，下面以举例的形式进行说明：

例如，若检测到的物体为猫，根据猫的几何尺寸，例如长宽高，建立猫的几何模型，可根据猫的几何模型，确定猫的最大体积为0.027立方米、最小体积为0.015立方米，由于3d点云中点的体积为0.0001立方米，可确定猫的3d点云所含点数的最大值为270，最小值为150。

步骤205：从所述目标点云片中获取所含点数最多的点云片，确定所述所含点数最多的点云片为所述检测到的物体的3d语义点云。

基于同一发明构思，本申请实施例提供一种3d点云语义分割的装置，该3d点云语义分割的装置能够实现前述的3d点云语义分割的方法对应的功能。该3d点云语义分割的装置可以是硬件结构、软件模块、或硬件结构加软件模块。该3d点云语义分割的装置可以由芯片系统实现，芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。请参见图3所示，该3d点云语义分割的装置包括第一确定模块301、处理模块302、获取模块303、过滤模块304、第二确定模块305，其中：

第一确定模块301，用于分别获取待检测的rgb图像及与所述rgb图像对应的第一3d点云，采用预训练模型对所述rgb图像中的物体进行检测与判断，确定检测到的物体是否为指定类型物体，其中，所述预训练模型为根据快速区域卷积神经网络fasterr-cnn生成的目标检测模型；

处理模块302，用于若是指定类型物体，则从所述第一3d点云中获取第二3d点云，并移除所述第二3d点云中的地面点云，其中，所述第二3d点云与所述rgb图像中所述检测到的物体的目标检测框对应；

获取模块303，用于对所述移除地面点云后的第二3d点云进行3d聚类，获取点云片集合，其中，所述点云片集合包括至少一个点云片，所述点云片表示不同类型的物体的3d点云；

过滤模块304，用于确定所述检测到的物体的3d点云所含点数的最大值和最小值，从所述点云片集合中过滤出包含点数在所述最大值和最小值之间的目标点云片；

第二确定模块305，用于从所述目标点云片中获取所含点数最多的点云片，确定所述所含点数最多的点云片为所述检测到的物体的3d语义点云。

一种可选实施方式中，所述装置还包括生成模块，用于：

获取预训练模型的样本rgb图像集，其中，所述样本rgb图像集包括至少一个样本rgb图像；

在所述样本rgb图像集的样本rgb图像中标注指定类型物体，生成样本数据集；

利用所述样本数据集训练fasterr-cnn，生成所述预训练模型。

一种可选实施方式中，所述处理模块302，具体用于：

对所述第二3d点云进行中值滤波以及体素化处理；

根据地面方程，确定所述中值滤波以及体素化处理后的第二3d点云中的地面点云；

将所述地面点云从所述中值滤波以及体素化处理后的第二3d点云中移除。

一种可选实施方式中，所述获取模块303，具体用于：

根据所述移除地面点云后的第二3d点云中第一点的3d邻域球，将在所述3d邻域球中的点加入所述第一点对应的点云片，其中，所述3d邻域球是以所述第一点为球心，预设阈值为半径的球；

直到所述第一点对应的点云片中的任一点的3d邻域球中的点都已加入所述第一点对应的点云片，获取所述第一点对应的点云片；

根据所述移除地面点云后的第二3d点云中第二点的3d邻域球，获取第二点对应的点云片，其中，所述第二点是除所述第一点对应的点云片中的点外的任一点；

直到所述移除地面点云后的第二3d点云中任一点都已加入对应的点云片，获取点云片集合。

一种可选实施方式中，所述过滤模块304，具体用于：

根据所述检测到的物体的几何尺寸，建立所述检测到的物体的几何模型；

根据所述几何模型以及3d点云中点的大小，获取所述检测到的物体的3d点云所含点数的最大值和最小值。

基于同一发明构思，本申请实施例提供一种3d点云语义分割的系统，请参见图4所述，该3d点云语义分割的系统包括至少一个处理器402，以及与至少一个处理器连接的存储器401，本申请实施例中不限定处理器402与存储器401之间的具体连接介质，图4是以处理器402和存储器401之间通过总线400连接为例，总线400在图4中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不以此为限。总线400可以分为地址总线、数据总线、控制总线等，为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

在本申请实施例中，存储器401存储有可被至少一个处理器402执行的指令，至少一个处理器402通过调用存储器401存储的指令，可以执行前述的3d点云语义分割的方法中所包括的步骤。

其中，处理器402是3d点云语义分割的系统的控制中心，可以利用各种接口和线路连接整个3d点云语义分割的系统的各个部分，通过执行存储在存储器401内的指令，从而实现3d点云语义分割的系统的各种功能。可选的，处理器402可包括一个或多个处理单元，处理器402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402中。在一些实施例中，处理器402和存储器401可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。

存储器401作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器401可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(randomaccessmemory，ram)、静态随机访问存储器(staticrandomaccessmemory，sram)、可编程只读存储器(programmablereadonlymemory，prom)、只读存储器(readonlymemory，rom)、带电可擦除可编程只读存储器(electricallyerasableprogrammableread-onlymemory，eeprom)、磁性存储器、磁盘、光盘等等。存储器401是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器401还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。

处理器402可以是通用处理器，例如中央处理器(cpu)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的3d点云语义分割的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

通过对处理器402进行设计编程，可以将前述实施例中介绍的3d点云语义分割的方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行前述的3d点云语义分割的方法的步骤，如何对处理器402进行设计编程为本领域技术人员所公知的技术，这里不再赘述。

基于同一发明构思，本申请实施例还提供一种存储介质，该存储介质存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行如前述的3d点云语义分割的方法的步骤。

在一些可能的实施方式中，本申请提供的3d点云语义分割的方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在3d点云语义分割的系统上运行时，程序代码用于使该3d点云语义分割的系统执行本说明书上述描述的根据本申请各种示例性实施方式的3d点云语义分割的方法中的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。