障碍物的模型生成方法、装置和计算机设备与流程

1.本技术涉及测绘技术领域，具体而言，涉及一种障碍物的模型生成方法、装置和计算机设备。


背景技术：

2.随着无人机技术的发展，越来越多的领域需要应用无人机进行作业。比如，在农业领域，会使用无人机在农田或果园中进行植保作业。然而，在农田或果园中会存在一些干扰无人机作业的障碍物，比如电线杆、电塔、电线、草丛和/或树枝等，如果建立了这些障碍物的模型，无人机就可以在作业过程中基于建立的模型来精确地避开这些障碍物。
3.例如，在相关技术中，常会通过采集无人机作业区域的图像，并且确定该区域内的电线杆、电塔和电线的点云信息，再根据该区域内的电线杆、电塔和电线的点云信息分别生成模型，并将生成的电线模型与电线杆模型或电塔模型连接，从而得到无人机作业区域中的障碍物的模型。
4.然而，因为无人机作业区域的环境比较复杂，这种方法会存在采集到的障碍物的点云数据不全或者采集到的数据的噪点较多的问题，导致生成的模型可能存在信息缺失,进而导致无人机基于该模型进行避障时的安全性较低。


技术实现要素：

5.本技术的目的在于提供一种障碍物的模型生成方法、装置和计算机设备，可以解决生成的模型可能存在信息缺失的问题，进而可以达到提高生成的模型的精确度的效果。
6.本技术的实施例是这样实现的：
7.本技术实施例的一方面，提供一种障碍物的模型生成方法，包括：
8.根据目标区域中各障碍物的原始点云，确定各障碍物的属性信息，所述障碍物包括：多个固定障碍物以及连接在所述多个固定障碍物之间的至少一个连接障碍物；
9.根据各所述固定障碍物的属性信息，从预设的矢量模型集合中获取各所述固定障碍物的矢量模型；
10.根据各所述固定障碍物的属性信息以及各所述连接障碍物的属性信息，生成各所述连接障碍物的模型；
11.对各所述固定障碍物的矢量模型和各所述连接障碍物的模型进行连接处理，得到目标模型。
12.可选地，所述根据各所述固定障碍物的属性信息以及各所述连接障碍物的属性信息，生成各所述连接障碍物的模型，包括：
13.根据各所述固定障碍物的第一属性信息以及各所述连接障碍物的第二属性信息，生成各所述连接障碍物的模型，其中，所述第一属性信息包括：位置信息，所述第二属性信息包括：高程信息。
14.可选地，所述根据各所述固定障碍物的第一属性信息以及各所述连接障碍物的第
二属性信息，生成各所述连接障碍物的模型，包括：
15.根据固定障碍物的位置信息以及各所述连接障碍物的高程信息，进行抛物线拟合处理，得到各所述连接障碍物的模型。
16.可选地，所述属性信息包括：障碍物的类别；
17.所述根据各所述固定障碍物的属性信息，从预设的矢量模型集合中获取各所述固定障碍物的矢量模型，包括：
18.从预设的矢量模型集合中获取与所述固定障碍物的类别匹配的矢量模型，作为所述固定障碍物的矢量模型。
19.可选地，所述根据目标区域中各障碍物的原始点云，确定各障碍物的属性信息，包括：
20.对各所述障碍物的原始点云进行聚类处理，得到聚类后的点云；
21.根据所述聚类后的点云，确定各所述障碍物的属性信息。
22.可选地，所述根据目标区域中各障碍物的原始点云，确定各障碍物的属性信息之前，包括：
23.对所述目标区域的原始图像进行分割处理，得到各所述障碍物的原始图像；
24.根据各所述障碍物的原始图像，分别确定各所述障碍物的原始点云。
25.可选地，所述对所述目标区域的原始图像进行分割处理，得到各所述障碍物的原始图像，包括：
26.基于实例分割算法，对所述目标区域的原始图像进行分割处理，得到各所述障碍物的原始图像。
27.可选地，所述根据目标区域中各障碍物的原始点云，确定各障碍物的属性信息之前，还包括：
28.根据所述目标区域的原始图像，确定所述目标区域的原始点云；
29.对所述目标区域的原始点云进行分割处理，得到所述目标区域中各障碍物的原始点云。
30.可选地，所述对所述目标区域的原始点云进行分割处理，得到所述目标区域中各障碍物的原始点云，包括：
31.基于实例分割算法，对所述目标区域的原始点云进行分割处理，得到所述目标区域中各障碍物的原始点云。
32.可选地，所述根据目标区域中各障碍物的原始点云，确定各障碍物的属性信息之前，还包括：
33.获取所述目标区域的原始图像；
34.根据所述原始图像，生成所述目标区域中各障碍物的原始点云。
35.本技术实施例的第二方面，提供了一种障碍物的模型生成装置，所述障碍物的模型生成装置包括：
36.确定模块，用于根据目标区域中各障碍物的原始点云，确定各障碍物的属性信息；
37.获取模块，用于根据各所述固定障碍物的属性信息，从预设的矢量模型集合中获取各所述固定障碍物的矢量模型；
38.生成模块，用于根据各所述固定障碍物的属性信息以及各所述连接障碍物的属性
信息，生成各所述连接障碍物的模型；
39.连接处理模块，用于对各所述固定障碍物的矢量模型和各所述连接障碍物的模型进行连接处理，得到目标模型。
40.本技术实施例的第三方面，提供了一种计算机设备，所述计算机设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述第一方面所述的障碍物的模型生成方法。
41.本技术实施例的第四方面，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，所述计算机程序被处理器执行时实现上述第一方面所述的障碍物的模型生成方法。
42.本技术实施例的有益效果包括：
43.本技术实施例提供的一种障碍物的模型生成方法，通过根据目标区域中各障碍物的原始点云，确定各障碍物的属性信息，根据各固定障碍物的属性信息，从预设的矢量模型集合中获取各固定障碍物的矢量模型，根据各固定障碍物的属性信息以及各连接障碍物的属性信息，生成各连接障碍物的模型，对各固定障碍物的矢量模型和各连接障碍物的模型进行连接处理，得到目标模型。其中，根据各固定障碍物的属性信息，从预设的矢量模型集合中获取各固定障碍物的矢量模型，这样可以确保得到的各固定障碍物的矢量模型是完整的。另外，根据各固定障碍物的属性信息以及各连接障碍物的属性信息，生成各连接障碍物的模型，可以使得各连接障碍物的模型更符合实际情况，进而可以达到提高生成的模型的精确度的效果，如此，就解决了生成的模型可能存在信息缺失的问题。
附图说明
44.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
45.图1为本技术实施例提供的第一种障碍物的模型生成方法的流程图；
46.图2为本技术实施例提供的一种障碍物的形状的示意图；
47.图3位本技术实施例提供的一种目标模型的示意图；
48.图4为本技术实施例提供的第二种障碍物的模型生成方法的流程图；
49.图5为本技术实施例提供的第三种障碍物的模型生成方法的流程图；
50.图6为本技术实施例提供的第四种障碍物的模型生成方法的流程图；
51.图7为本技术实施例提供的第五种障碍物的模型生成方法的流程图；
52.图8为本技术实施例提供的第六种障碍物的模型生成方法的流程图；
53.图9为本技术实施例提供的第七种障碍物的模型生成方法的流程图；
54.图10为本技术实施例提供的第八种障碍物的模型生成方法的流程图；
55.图11为本技术实施例提供的第九种障碍物的模型生成方法的流程图；
56.图12为本技术实施例提供的一种障碍物的模型生成装置的结构示意图；
57.图13为本技术实施例提供的一种计算机设备的结构示意图。
具体实施方式
58.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
59.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
60.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
61.在农业领域，常会使用无人机在农田或果园中进行植保作业。然而，在农田或果园中会存在一些干扰无人机作业的障碍物，比如电线杆、电塔、电线、草丛和/或树枝等，如果建立了这些障碍物的模型，无人机就可以在作业过程中基于建立的模型来精确地避开这些障碍物。目前，经常会通过采集无人机作业区域的图像，并且根据该图像确定该区域内的电线杆、电塔和电线的点云信息，再根据该区域内的电线杆、电塔和电线的点云信息分别生成电线杆模型、电塔模型和电线模型，并将生成的电线模型与电线杆模型或电塔模型连接，从而得到无人机作业区域中的障碍物的模型。然而，因为无人机作业区域的环境比较复杂，这种方法会存在采集到的障碍物的点云数据不全或者采集到的数据的噪点较多的问题，那么根据采集到的点云数据生成模型，这就可能会造成生成的模型可能存在信息缺失，比如生成的模型中可能没有一些较细或较小的部分，或者生成的模型中可能存在一些部分发生弯曲的情况。另外，由于该模型可能存在信息缺失，也就是说该模型可能与实际中的该区域内的电线杆、电塔和电线的形状、大小和/或位置差别较大，那么如果无人机基于这种方法生成的模型进行避障，这样就会导致进行避障时的安全性较低。
62.为此，本技术实施例提供了障碍物的模型生成方法，通过根据目标区域中各障碍物的原始点云，确定各障碍物的属性信息，再根据各固定障碍物的属性信息，从预设的矢量模型集合中获取各固定障碍物的矢量模型，并根据各固定障碍物和各连接障碍物的属性信息，生成各连接障碍物的模型，最后将各连接障碍物的模型与各固定障碍物的矢量模型连接，得到目标模型。可以解决生成的模型可能存在信息缺失的问题，进而可以达到提高生成的模型的精确度的效果，如此，就解决了生成的模型可能存在信息缺失的问题。
63.本技术实施例以用于生成电线、电线杆和/或电塔的障碍物的模型生成方法为例进行说明。但不表明本技术实施例仅能用于生成电线、电线杆和/或电塔。
64.下面对本技术实施例提供的障碍物的模型生成方法进行详细地解释说明。
65.图1为本技术提供的一种障碍物的模型生成方法的流程图，该方法可以应用于计算机设备，计算机设备例如可以是无人机，或者是设置在无人机上的设备，或者是与无人机通信的远程服务器等。参见图1，本技术实施例提供一种障碍物的模型生成方法，包括：
66.步骤101：根据目标区域中各障碍物的原始点云，确定各障碍物的属性信息。
67.可选地，目标区域可以是无人机作业时会经过的区域，也可以是其它可能的区域。本技术实施例对此不作限定。
68.可选地，各障碍物的原始点云可以包括各障碍物的点云数据。该点云数据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，而且一般主要用来代表一个物体的外表面形状和/或一个物体的几何位置信息。
69.可选地，各障碍物可以包括：多个固定障碍物以及连接在该多个固定障碍物之间的至少一个连接障碍物。
70.可选地，该多个固定障碍物可以是电线杆和/或电塔，该多个连接障碍物可以是电线和/或光纤。
71.可选地，各障碍物的属性信息可以包括各障碍物的形状、尺寸、姿态、位置、数量和/或高程信息。具体地，该固定障碍物的属性信息可以包括该固定障碍物的形状、尺寸、位置和/或姿态，该连接障碍物的属性信息可以包括该连接障碍物的数量、位置和/或高程信息。
72.示例性地，参见图2，图2中展示了两种电线杆和两种电塔的形状。比如，图2中的(a)示出了一种形状为三角形的电线杆，图2中的(b)示出了一种形状为上字形的电线杆，图2中的(c)示出了一种形状为猫头鹰形的电塔，图2中的(d)示出了一种形状为t字形的电塔。理所当然的，电线杆和/或电塔的形状可以是如图2中示出的形状，也可以是其他符合相关标准或相关规定的形状。本技术实施例对此不作限定。
73.可选地，各障碍物的姿态可以是平行于地面的姿态，也可以是与地面有一定夹角的姿态。本技术实施例对此不作限定。
74.可选地，该高程信息可以包括各连接障碍物的任一点沿铅垂线方向到绝对基面的距离。该绝对基面可以是地面，也可以是任意设置的一个基准面。本技术实施例对此不做限定。
75.值得注意的是，由于点云信息包括了各障碍物的各个点的三维坐标信息，通过各障碍物的点云信息来确定各障碍物的属性信息，就可以达到提高该属性信息的准确性的效果。
76.步骤1002：根据各固定障碍物的属性信息，从预设的矢量模型集合中获取各固定障碍物的矢量模型。
77.可选地，该预设的矢量模型集合可以是一个包括所有符合相关标准和/或相关规定的电线杆和/或电塔的矢量模型的集合，也可以是一个包括一部分符合相关标准和/或相关规定的电线杆和/或电塔的矢量模型的集合。并且，该预设的矢量模型集合中的矢量模型可以根据实际需要进行调整。本技术实施例对此不作限定。
78.值得说明的是，通过根据各固定障碍物的属性信息，从预设的矢量模型集合中获取各固定障碍物的矢量模型，这样可以确保得到的各固定障碍物的矢量模型是完整的。如此，可以解决生成的模型可能存在信息缺失的问题，进而可以达到提高生成的模型的精确度的效果。
79.步骤1003：根据各固定障碍物的属性信息以及各连接障碍物的属性信息，生成各连接障碍物的模型。
80.可选地，可以根据各固定障碍物的位置和各连接障碍物的高程信息生成各连接障碍物的模型。
81.可选地，各连接障碍物的模型可以是根据各固定障碍物的实际位置和各连接障碍
物的实际位置生成的矢量模型。各连接障碍物的模型也可以是根据各固定障碍物的实际位置和预设的抛物线参数生成的矢量模型。本技术实施例对此不作限定。
82.由于各连接障碍物是连接在该多个固定障碍物之间的，通过各固定障碍物的属性信息以及各连接障碍物的属性信息，生成各连接障碍物的模型，这样，使得各连接障碍物的模型更符合实际情况，可以达到提高生成的各连接障碍物的模型的精确度的效果。
83.步骤1004：对各固定障碍物的矢量模型和各连接障碍物的模型进行连接处理，得到目标模型。
84.可选地，可以根据各固定障碍物和各连接障碍物的原始点云确定各固定障碍物和各连接障碍物的实际位置关系和/或实际连接关系，并基于实际位置关系和/或实际连接关系对各固定障碍物的矢量模型和各连接障碍物的模型进行连接。
85.示例性地，图3中展示了一种将三个连接障碍物与两个固定障碍物连接之后得到的目标模型。参见图3，两个固定障碍物分别为三角形电线杆t1和三角形电线杆t2，三个连接障碍物分别为电线l1、电线l2和电线l3。其中，地面g作为确定高程信息的绝对基面，电线l1连接在三角形电线杆t1上的连接点p1和三角形电线杆t2上的连接点p2之间，电线l2连接在三角形电线杆t1上的连接点p2和三角形电线杆t2上的连接点p3之间，电线l3连接在三角形电线杆t1上的连接点p3和三角形电线杆t2上的连接点p6之间。
86.值得说明的是，由于各固定障碍物的矢量模型和各连接障碍物的模型更为完整，并且精确度更高，那么连接各固定障碍物的矢量模型和各连接障碍物的模型得到目标模型，就可以达到提高得到的目标模型的精确度的效果。
87.在本技术实施例中，通过根据目标区域中各障碍物的原始点云，确定各障碍物的属性信息，根据各固定障碍物的属性信息，从预设的矢量模型集合中获取各固定障碍物的矢量模型，根据各固定障碍物的属性信息以及各连接障碍物的属性信息，生成各连接障碍物的模型，对各固定障碍物的矢量模型和各连接障碍物的模型进行连接处理，得到目标模型。其中，根据各固定障碍物的属性信息，从预设的矢量模型集合中获取各固定障碍物的矢量模型，这样可以确保得到的各固定障碍物的矢量模型是完整的。另外，根据各固定障碍物的属性信息以及各连接障碍物的属性信息，生成各连接障碍物的模型，可以使得各连接障碍物的模型更符合实际情况，进而可以达到提高生成的模型的精确度的效果，如此，就解决了生成的模型可能存在信息缺失的问题。
88.一种可能的实现方式中，参见图4，该根据目标区域中各障碍物的原始点云，确定各障碍物的属性信息之前，还包括：
89.步骤1005：获取该目标区域的原始图像。
90.可选地，该原始图像可以包括该目标区域中的至少一个障碍物。
91.可选地，该原始图像可以是由照相设备获取的多张照片，也可以是由摄像设备获取的多帧连续的视频流图像。
92.例如，可以使用测绘无人机获取该目标区域的原始图像，在该测绘无人机在该目标区域中飞行的情况下，该测绘无人机的采样设备可以基于一定的间隔时间进行拍照或者连续摄影。
93.另外，该测绘无人机在该目标区域中飞行的情况下，可以沿多条直线往返飞行，同时获取该目标区域的原始图像，以使该测绘无人机的采集范围覆盖该目标区域，也可以以
其他规则的飞行路线在该目标区域中飞行并获取该目标区域的原始图像。本技术实施例对此不作限定。
94.步骤1006：根据该原始图像，生成该目标区域中各障碍物的原始点云。
95.可选地，各障碍物的原始点云可以包括该目标区域中各障碍物中任一点的点云数据。
96.通过该原始图像生成各障碍物的原始点云，这样便于执行后续操作，比如确定各障碍物的属性信息。
97.一种可能的实现方式中，参见图5，该根据目标区域中各障碍物的原始点云，确定各障碍物的属性信息之前，包括：
98.步骤1007：对该目标区域的原始图像进行分割处理，得到各障碍物的原始图像。
99.可选地，分割处理可以是将该原始图像中的各个物体对应的图像进行分离。
100.例如，可以将该目标区域中电线杆和/或电塔和/或电线作为障碍物，将各电线杆和/或各电塔和/或各电线一一分离，就可以得到各电线杆和/或各电塔和/或各电线的原始图像。
101.步骤1008：根据各障碍物的原始图像，分别确定各障碍物的原始点云。
102.可选地，可以基于同一个坐标系确定各障碍物的原始点云。
103.这样，只需要确定各障碍物的原始点云，而不需要确定该目标区域中除各障碍物之外其它物体的点云信息。可以达到减小运算压力，提高生成效率的效果。
104.进一步地，该对该目标区域的原始图像进行分割处理，得到各障碍物的原始图像，包括：
105.基于实例分割算法，对该目标区域的原始图像进行分割处理，得到各障碍物的原始图像。
106.可选地，通过该实例分割算法可以获得该目标区域的该原始图像中的每个点的语义分割结果、各障碍物的位置、各障碍物的姿态和各障碍物的尺寸信息，通过分割结果，进而可以得到各障碍物的原始图像。本技术实施例对此不作限定。
107.值得注意的是，实例分割算法是一种可以自动从图像中用目标检测方法框出不同实例，再用语义分割方法在不同实例区域内进行逐像素标记的算法。基于实例分割算法对该目标区域的原始图像进行分割处理，这样，可以精确地确定图像中各像素点的点云信息，进而可以提高确定各障碍物的点云信息的精确度。
108.一种可能的实现方式中，参见图6，该根据目标区域中各障碍物的原始点云，确定各障碍物的属性信息之前，还包括：
109.步骤1009：根据该目标区域的原始图像，确定该目标区域的原始点云。
110.通过该原始图像生成各障碍物的原始点云，这样便于执行后续操作，比如确定各障碍物的属性信息。
111.步骤1010：对该目标区域的原始点云进行分割处理，得到该目标区域中各障碍物的原始点云。
112.可选地，分割处理可以是将该目标区域的各个物体对应的原始点云进行分离。
113.例如，可以将该目标区域中电线杆和/或电塔和/或电线作为障碍物，在步骤1009得到该目标区域的原始点云之后，分别将属于各电线杆和/或各电塔和/或各电线的原始点
云分离，就可以得到各电线杆和/或各电塔和/或各电线的原始点云。
114.这样，可以精确地确定图像中各像素点的点云信息，进而可以提高确定各障碍物的点云信息的精确度。
115.进一步地，该对该目标区域的原始点云进行分割处理，得到该目标区域中各障碍物的原始点云，包括：
116.基于实例分割算法，对该目标区域的原始点云进行分割处理，得到该目标区域中各障碍物的原始点云。
117.一种可能的实现方式中，参见图7，该根据目标区域中各障碍物的原始点云，确定各障碍物的属性信息，包括：
118.步骤1011：对各障碍物的原始点云进行聚类处理，得到聚类后的点云。
119.可选地，聚类处理可以是根据特定的规则，将数据进行分类的操作。
120.可选地，对各障碍物的原始点云进行聚类处理，具体可以是对各障碍物的原始点云进行密度聚类处理。
121.可选地，可以通过具有噪声应用的基于密度的空间聚类(density-based spatial clustering of application with noise，简称dbscan)算法对各障碍物的原始点云进行聚类处理，也可以通过k均值聚类(k-means clustering algorithm，简称k-means)算法对各障碍物的原始点云进行聚类处理。
122.值得说明的是，通过对各障碍物的原始点云进行聚类处理，这样，可以去除由于噪声产生的原始点云，使得到的聚类后的点云更接近各障碍物的实际情况，进而可以提升生成的模型的精确度如此，就解决了生成的模型可能存在信息缺失的问题。
123.步骤1012：根据该聚类后的点云，确定各障碍物的属性信息。
124.示例性地，参见图8，如图8中的(a)展示了各障碍物的原始点云的分布情况，由图8中的(a)可以看出，在两个主要的点云聚集的点云簇周围还分布着一些零散的点云，这些零散的点云可能是由于噪声产生的点云，也可能是由于其他干扰使得偏离了这两个点云簇的属于各障碍物的原始点云。
125.在对各障碍物的原始点云进行聚类处理之后，得到聚类后的点云分布情况如图8中的(b)所示。由图8中的(b)可以看出，在进行聚类处理之后，只剩下两个点云簇。经过聚类处理之后，会将由于其他干扰使得偏离了这两个点云簇的属于各障碍物的原始点云加入到这两个点云簇中，并且将由于噪声产生的点云移除。
126.值得说明的是，根据聚类后的点云，确定各障碍物的属性信息，这样可以使确定的各障碍物的属性信息更接近各障碍物的实际情况，进而可以达到提高生成的模型的精确度的效果，如此，就解决了生成的模型可能存在信息缺失的问题。
127.一种可能的实现方式中，该属性信息包括：障碍物的类别。
128.可选地，该障碍物的类别可以基于各障碍物的形状、尺寸和/或姿态等进行分类。
129.进一步地，参见图9，该根据各固定障碍物的属性信息，从预设的矢量模型集合中获取各固定障碍物的矢量模型，包括：
130.步骤1013：从预设的矢量模型集合中获取与该固定障碍物的类别匹配的矢量模型，作为该固定障碍物的矢量模型。
131.示例性地，可以根据各障碍物的形状、尺寸和姿态从预设的矢量模型集合中获取
各固定障碍物的矢量模型。
132.比如，障碍物可以为电线杆，一个电线杆的形状为三角形，长度为四米，姿态为垂直于地面的姿态，遍历预设的矢量模型集合中所有的矢量模型，先筛选出所有形状为三角形的电线杆的第一矢量模型，再在所有第一矢量模型中筛选出长度为四米的第二矢量模型，最后在所有第二矢量模型中筛选出垂直于地面的第三矢量模型。
133.通过从预设的矢量模型集合中获取与该固定障碍物的类别匹配的矢量模型，作为该固定障碍物的矢量模型，这样，可以确保得到的各固定障碍物的矢量模型是完整的，进而可以达到提高生成的模型的精确度的效果，如此，就解决了生成的模型可能存在信息缺失的问题。
134.一种可能的实现方式中，根据各固定障碍物的属性信息以及各连接障碍物的属性信息，生成各连接障碍物的模型，包括：
135.根据各固定障碍物的第一属性信息以及各连接障碍物的第二属性信息，生成各连接障碍物的模型。
136.可选地，该第一属性信息包括：位置信息。
137.可选地，该第二属性信息包括：高程信息。
138.示例性地，参见图11，该根据各固定障碍物的第一属性信息以及各连接障碍物的第二属性信息，生成各连接障碍物的模型，包括：
139.步骤1014：根据固定障碍物的位置信息以及各连接障碍物的高程信息，进行抛物线拟合处理，得到各连接障碍物的模型。
140.可选地，该固定障碍物的位置信息可以用于确定各固定障碍物之间的距离，还可以用于确定将各连接障碍物连接在各固定障碍物上的位置。
141.可选地，抛物线拟合处理的方式具体可以为：
142.确定任意两个固定障碍物的连接点。
143.可选地，该任意两个固定障碍物可以是相邻的两个固定障碍物，也可以是不相邻的两个固定障碍物，还可以是由相关技术人员选定的两个固定障碍物。本技术实施例对此不作限定。
144.可选地，该连接点可以是在各固定障碍物上用于连接各连接障碍物的位置的点。例如，各固定障碍物可以是电杆或电塔，那么各连接障碍物则可以是电线，则该连接点可以是用于指示将该电线连接在该电杆或该电塔上的位置的点。本技术实施例对此不作限定。
145.若该任意两个固定障碍物之间不存在连接障碍物的点云数据，则可以根据预设抛物线曲率生成各连接障碍物的矢量模型。
146.可选地，该预设抛物线曲率可以是提前设置的，具体可以根据该任意两个固定障碍物的类型和该任意两个固定障碍物之间的距离对该预设抛物线曲率进行设置，以得到各连接障碍物的模型。本技术实施例对此不作限定。
147.若该任意两个固定障碍物之间存在连接障碍物的点云数据，则可以根据最小二乘法或高斯消去法求解抛物线方程，以得到各连接障碍物的模型。
148.可选地，该抛物线方程可以是用于确定各连接障碍物的形状的方程。具体地，可以将各固定障碍物的位置信息以及各连接障碍物的高程信息输入该抛物线方程，以得到一条抛物线，再根据该抛物线生成各连接障碍物的模型。本技术实施例对此不作限定。
149.值得说明的是，根据固定障碍物的位置信息以及各连接障碍物的高程信息进行抛物线拟合处理，可以更好地模拟各连接障碍物在重力下的自然状态，这样得到各连接障碍物的模型就更接近各连接障碍物的实际情况，进而可以达到提高生成的模型的精确度的效果，如此，就解决了生成的模型可能存在信息缺失的问题。
150.示例性地，可以根据各固定障碍物的位置信息以及各连接障碍物的高程信息，生成各连接障碍物的模型。
151.接下来，继续参见图3，以将电线l1连接在三角形电线杆t1上的连接点p1和三角形电线杆t2上的连接点p2之间的步骤为例进行解释说明。
152.经过步骤1001和步骤1002之后，已经得到了电线l1、三角形电线杆t1和三角形电线杆t2的原始点云和属性信息，那么也就得到了电线l1的高程信息，以及三角形电线杆t1和三角形电线杆t2的位置信息。连接点p1和连接点p2分别位于三角形电线杆t1和三角形电线杆t2上，那么也可以确定连接点p1和连接点p2的位置信息，比如连接点p1和连接点p2之间的直线距离。
153.那么，根据连接点p1和连接点p2之间的直线距离以及电线l1上每一个点的高程信息，进行抛物线拟合处理，这样，就可以得到各连接障碍物的模型。
154.值得说明的是，根据电线杆t1和电线杆t2的位置信息以及电线l1的高程信息进行抛物线拟合处理，可以更好地模拟电线l1在重力下的自然状态，这样得到电线l1的模型就更接近电线l1在重力影响下的实际情况，进而可以达到提高生成的模型的精确度的效果，如此，就解决了生成的模型可能存在信息缺失的问题。
155.下面，通过图12来对应用于模拟电线和电线杆或电塔的模型的障碍物的模型生成方法举例，以进行详细的解释。
156.示例性地，图12提供了一种障碍物的模型生成方法的流程图，参见图12，该方法包括：
157.步骤2001：获取目标区域的原始图像。
158.可选地，该原始图像可以包括该目标区域中的至少一个障碍物。
159.可选地，该原始图像可以是由照相设备获取的多张照片，也可以是由摄像设备获取的多帧连续的视频流图像。
160.步骤2002：根据原始图像，生成目标区域中各障碍物的原始点云。
161.可选地，各障碍物的原始点云可以包括该目标区域中各障碍物中任一点的点云数据。
162.通过该原始图像生成各障碍物的原始点云，这样便于执行后续操作，比如确定各障碍物的属性信息。
163.步骤2003：根据目标区域的原始图像，确定目标区域的原始点云。
164.通过该原始图像生成各障碍物的原始点云，这样便于执行后续操作，比如确定各障碍物的属性信息。
165.步骤2004：对目标区域的原始点云进行分割处理，得到目标区域中各障碍物的原始点云。
166.可选地，分割处理可以是将该目标区域的各个物体对应的原始点云进行分离。
167.例如，可以将该目标区域中电线杆和/或电塔和/或电线作为障碍物，在步骤1009
得到该目标区域的原始点云之后，分别将属于各电线杆和/或各电塔和/或各电线的原始点云分离，就可以得到各电线杆和/或各电塔和/或各电线的原始点云。
168.可选地，可以基于实例分割算法，对该目标区域的原始点云进行分割处理，得到该目标区域中各障碍物的原始点云。
169.这样，可以精确地确定图像中各像素点的点云信息，进而可以提高确定各障碍物的点云信息的精确度。
170.步骤2005：根据目标区域中各障碍物的原始点云，确定各障碍物的属性信息。
171.可选地，各障碍物的原始点云可以包括各障碍物的点云数据。
172.值得注意的是，由于点云信息包括了各障碍物的各个点的三维坐标信息，通过各障碍物的点云信息来确定各障碍物的属性信息，就可以达到提高该属性信息的准确性的效果。
173.步骤2006：对各障碍物的原始点云进行聚类处理，得到聚类后的点云。
174.可选地，聚类处理可以是根据特定的规则，将数据进行分类的操作。
175.可选地，对各障碍物的原始点云进行聚类处理，具体可以是对各障碍物的原始点云进行密度聚类处理。
176.可选地，可以通过具有噪声应用的基于密度的空间聚类(density-based spatial clustering of application with noise，简称dbscan)算法对各障碍物的原始点云进行聚类处理，也可以通过k均值聚类(k-means clustering algorithm，简称k-means)算法对各障碍物的原始点云进行聚类处理。
177.值得说明的是，通过对各障碍物的原始点云进行聚类处理，这样，可以去除由于噪声产生的原始点云，使得到的聚类后的点云更接近各障碍物的实际情况，进而可以提升生成的模型的精确度如此，就解决了生成的模型可能存在信息缺失的问题。
178.步骤2007：根据聚类后的点云，确定各障碍物的属性信息。
179.值得说明的是，根据聚类后的点云，确定各障碍物的属性信息，这样可以使确定的各障碍物的属性信息更接近各障碍物的实际情况，进而可以达到提高生成的模型的精确度的效果，如此，就解决了生成的模型可能存在信息缺失的问题。
180.步骤2008：从预设的矢量模型集合中获取与固定障碍物的类别匹配的矢量模型，作为固定障碍物的矢量模型。
181.通过从预设的矢量模型集合中获取与该固定障碍物的类别匹配的矢量模型，作为该固定障碍物的矢量模型，这样，可以确保得到的各固定障碍物的矢量模型是完整的，进而可以达到提高生成的模型的精确度的效果，如此，就解决了生成的模型可能存在信息缺失的问题。
182.步骤2009：根据固定障碍物的位置信息以及各连接障碍物的高程信息，进行抛物线拟合处理，得到各连接障碍物的模型。
183.可选地，抛物线拟合处理的方式具体可以为：
184.确定任意两个固定障碍物的连接点。
185.若该任意两个固定障碍物之间存在连接障碍物的点云数据，则可以根据最小二乘法或高斯消去法求解抛物线方程，以得到各连接障碍物的模型。
186.若该任意两个固定障碍物之间没有连接障碍物的点云数据，则可以根据预设抛物
线曲率生成各连接障碍物的矢量模型。
187.值得说明的是，根据固定障碍物的位置信息以及各连接障碍物的高程信息进行抛物线拟合处理，可以更好地模拟各连接障碍物在重力下的自然状态，这样得到各连接障碍物的模型就更接近各连接障碍物的实际情况，进而可以达到提高生成的模型的精确度的效果，如此，就解决了生成的模型可能存在信息缺失的问题。
188.步骤2010：对各固定障碍物的矢量模型和各连接障碍物的模型进行连接处理，得到目标模型。
189.可选地，可以根据各固定障碍物和各连接障碍物的原始点云确定各固定障碍物和各连接障碍物的实际位置关系和/或实际连接关系，并基于实际位置关系和/或实际连接关系对各固定障碍物的矢量模型和各连接障碍物的模型进行连接。
190.值得说明的是，由于各固定障碍物的矢量模型和各连接障碍物的模型更为完整，并且精确度更高，那么连接各固定障碍物的矢量模型和各连接障碍物的模型得到目标模型，就可以达到提高得到的目标模型的精确度的效果。
191.下述对用以执行的本技术所提供障碍物的模型生成方法的装置、设备及计算机可读存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。
192.图13是本技术实施例提供的一种障碍物的模型生成装置的结构示意图，参见图13，该装置包括：
193.确定模块301，用于根据目标区域中各障碍物的原始点云，确定各障碍物的属性信息；
194.获取模块302，用于根据各固定障碍物的属性信息，从预设的矢量模型集合中获取各固定障碍物的矢量模型；
195.生成模块303，用于根据各固定障碍物的属性信息以及各连接障碍物的属性信息，生成各连接障碍物的模型；
196.连接处理模块304，用于对各固定障碍物的矢量模型和各连接障碍物的模型进行连接处理，得到目标模型。
197.可选地，生成模块303还可以用于根据各固定障碍物的第一属性信息以及各连接障碍物的第二属性信息，生成各连接障碍物的模型。
198.可选地，生成模块303还可以用于根据固定障碍物的位置信息以及各连接障碍物的高程信息，进行抛物线拟合处理，得到各连接障碍物的模型。
199.可选地，获取模块302还可以用于从预设的矢量模型集合中获取与固定障碍物的类别匹配的矢量模型，作为固定障碍物的矢量模型。
200.可选地，确定模块301还可以用于对各障碍物的原始点云进行聚类处理，得到聚类后的点云。
201.根据聚类后的点云，确定各障碍物的属性信息。
202.可选地，确定模块301还可以用于根据目标区域的原始图像，确定目标区域的原始点云。
203.对目标区域的原始点云进行分割处理，得到目标区域中各障碍物的原始点云。
204.可选地，获取模块302还可以用于获取目标区域的原始图像。
205.根据原始图像，生成目标区域中各障碍物的原始点云。
206.上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
207.以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，简称asic)，或，一个或多个微处理器，或，一个或者多个现场可编程门阵列(field programmable gate array，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。
208.图13是本技术实施例提供的一种计算机设备的结构示意图。参见图10，计算机设备500包括：存储器501、处理器502，存储器501中存储有可在处理器502上运行的计算机程序，处理器502执行计算机程序时，实现上述任意各个方法实施例中的步骤。
209.本技术实施例还提供了一种计算机可读存储介质，该计算机可读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可实现上述各个方法实施例中的步骤。
210.可选地，本技术还提供一种程序产品，例如计算机可读存储介质，
211.包括程序，该程序在被处理器执行时用于执行上述任一界面图像渲染方法实施例。
212.在本发明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，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。
213.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。
214.另外，在本发明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，也可以采用硬件加软件功能单元的形式实现。
215.上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干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)或处理器(英文：processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文：read-only memory，简称：rom)、随机存取存储器(英文：random access memory，简称：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
216.上仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。
217.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技
术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。