CN114299029A - 地面点云的确定方法、装置、存储介质及电子装置 - Google Patents
地面点云的确定方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN114299029A CN114299029A CN202111645438.1A CN202111645438A CN114299029A CN 114299029 A CN114299029 A CN 114299029A CN 202111645438 A CN202111645438 A CN 202111645438A CN 114299029 A CN114299029 A CN 114299029A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- neural network
- network model
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种地面点云的确定方法、装置、存储介质及电子装置，其中，该方法包括：通过激光雷达采集点云数据，得到点云数据集合；将点云数据集合中的点云数据输入目标神经网络模型，得到目标神经网络模型输出的目标平面参数；根据目标平面参数，确定点云数据集合中的地面点云数据。通过本发明，解决了地面点云的检测准确率较低问题，进而达到了提高地面点云的检测准确率的效果。
Description
技术领域
本发明实施例涉及计算机领域，具体而言，涉及一种地面点云的确定方法、装置、存储介质及电子装置。
背景技术
相关领域中，通过各类测量仪器得到目标对象表面的点数据集合被称为点云，点云通常包含目标对象表面上各点的位置坐标信息，但是在存在地面的场景中，例如，在自动驾驶场景中，需要对场景中的各类目标对象进行检测，使车辆能做出正确的行驶决策，道路上的各类目标对象都与地面直接接触，这会导致地面点云对目标点云的标注，以及目标点云的准确检测存在干扰。因此，需要对点云数据中的地面点云进行检测，从而实现对地面点云的过滤。
现有技术中，可以根据激光雷达的安装高度对点云数据进行筛选，以确定地面待测点云数据，根据相邻两个地面待测点之间的坡度确定地面点，以得到地面点云数据，但是，通过该方法进行地面点云的检测需要先获取激光雷达的安装高度、俯仰角等先验信息，才能对点云数据筛选，且对于未知来源的点云数据的识别具有局限性，导致地面点云的检测准确率较低。
针对相关技术中存在的上述问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种地面点云的确定方法、装置、存储介质及电子装置，以至少解决相关技术中对地面点云的检测准确性较低的问题。
根据本发明的一个实施例，提供了一种地面点云的确定方法，包括：通过激光雷达采集点云数据，得到点云数据集合；将所述点云数据集合中的点云数据输入目标神经网络模型，得到所述目标神经网络模型输出的目标平面参数，其中，所述目标神经网络模型是使用训练点云数据训练得到的神经网络模型，所述目标神经网络模型满足预设收敛条件，所述预设收敛条件是所述目标神经网络模型输出的预估平面参数，与所述训练点云数据对应的实际平面参数之间的损失值小于或等于预设值；根据所述目标平面参数，确定所述点云数据集合中的地面点云数据。
可选地，所述将所述点云数据集合中的点云数据输入目标神经网络模型，得到所述目标神经网络模型输出的目标平面参数，包括：将所述点云数据集合中的点云数据输入目标神经网络模型，通过所述目标神经网络模型的体素化网络层、卷积层，以及高度压缩网络层对所述云数据集合中的点云数据进行处理，得到所述目标神经网络模型输出的所述目标平面参数。
可选地，所述通过所述目标神经网络模型的体素化网络层、卷积层，以及高度压缩网络层对所述云数据集合中的点云数据进行处理，得到所述目标神经网络模型输出的所述目标平面参数，包括：将所述点云数据集合中的点云数据输入所述体素化网络层，通过所述体素化网络层对所述点云数据集合进行体素化，得到所述体素化网络层输出的体素数据集合；将所述体素数据集合输入3D卷积层，通过所述3D卷积层对所述体素数据集合进行特征提取，得到三维特征数据集合，其中，所述卷积层包括所述3D卷积层；将所述三维特征数据集合输入所述高度压缩网络层，通过所述高度压缩网络层和2D卷积层，得到所述目标平面参数，其中，所述卷积层包括所述2D卷积层。
可选地，所述将所述三维特征数据集合输入所述高度压缩网络层，通过所述高度压缩网络层和2D卷积层，得到所述目标平面参数，包括：将所述三维特征数据集合输入所述高度压缩网络层，通过所述高度压缩网络层对所述三维特征数据集合中的高度特征数据进行压缩，得到所述高度压缩网络层输出的二维特征数据集合；将所述二维特征数据集合输入所述2D卷积层，通过所述2D卷积层对所述二维特征数据集合进行回归处理，得到所述目标平面参数。
可选地，所述根据所述目标平面参数，确定所述点云数据集合中的地面点云数据，包括：根据所述目标平面参数确定目标平面；将所述点云数据集合中位于所述目标平面上的点云数据确定为所述地面点云数据；或者，将所述点云数据集合中位于所述目标平面上的点云数据，以及与所述目标平面之间的距离小于或等于预设距离的点云数据为所述地面点云数据。
可选地，在所述将所述点云数据集合中的点云数据输入目标神经网络模型之前，所述方法还包括：获取所述训练点云数据对应的实际平面参数；通过所述训练点云数据对初始神经网络模型进行N次迭代训练，获取第N次迭代训练得到的神经网络模型输出的预估平面参数；在预估平面与实际平面之间的夹角或等于预设夹角，且所述预估平面与所述实际平面之间的高度差小于或等于预设高度的情况下，将所述第N次迭代训练得到的神经网络模型确定为所述目标神经网络模型，其中，所述预估平面是根据所述预估平面参数得到的平面，所述实际平面是根据所述实际平面参数得到的平面。
根据本发明的另一个实施例，提供了一种地面点云的确定装置，包括：采集模块，用于通过激光雷达采集点云数据，得到点云数据集合；输入模块，用于将所述点云数据集合中的点云数据输入目标神经网络模型，得到所述目标神经网络模型输出的目标平面参数，其中，所述目标神经网络模型是使用训练点云数据训练得到的神经网络模型，所述目标神经网络模型满足预设收敛条件，所述预设收敛条件是所述目标神经网络模型输出的预估平面参数，与所述训练点云数据对应的实际平面参数之间的损失值小于或等于预设值；确定模块，用于根据所述目标平面参数，确定所述点云数据集合中的地面点云数据。
根据本发明的又一个实施例，还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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，通过将激光雷达采集得到的点云数据，输入使用训练点云数据训练得到的目标神经网络，得到点云数据对应的地面点云的目标平面参数，并根据目标平面参数确定点云数据中的地面点云数据，因此，可以解决地面点云的检测准确率较低问题，达到提高地面点云的检测准确率的效果。
附图说明
图1是根据本发明实施例的一种地面点云的确定方法的移动终端硬件结构框图；
图2是根据本发明实施例的地面点云的确定方法流程图；
图3是根据本发明实施例的可选的目标神经网络模型确定点云地面的流程图；
图4是根据本发明实施例的可选的目标神经网络模型训练流程图；
图5是根据本发明实施例的可选的目标神经网络结构图；
图6是根据本发明实施例的地面点云的确定装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
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。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种地面点云的确定方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的地面点云的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述移动终端的地面点云的确定方法，图2是根据本发明实施例的地面点云的确定方法流程图，如图2所示，该流程包括如下步骤：
步骤S202，通过激光雷达采集点云数据，得到点云数据集合；
其中，随着三维激光扫描技术的发展，点云得到了广泛的应用，例如，在自动驾驶领域，可以使用安装在汽车上的激光雷达，实时获取汽车周身360达的点云数据，对车辆所处的道路环境进行高精度的3D建模，得到点云数据集合。
步骤S204，将所述点云数据集合中的点云数据输入目标神经网络模型，得到所述目标神经网络模型输出的目标平面参数，其中，所述目标神经网络模型是使用训练点云数据训练得到的神经网络模型，所述目标神经网络模型满足预设收敛条件，所述预设收敛条件是所述目标神经网络模型输出的预估平面参数，与所述训练点云数据对应的实际平面参数之间的损失值小于或等于预设值；
其中，如图3所示，可以使用激光雷达采集得到点云数据集合中的点云数据，目标神经网络可以是卷积神经网络，将点云数据集合中的点云数据输入到目标神经网络，目标神经网络可以提取点云数据的特征，对输入的点云数据进行推理，输出点云地面的目标平面参数，比如，目标平面方程为Ax+By+Cz+D＝0，则目标平面参数为A、B、C和D。可以使用训练点云数据训练得到目标神经网络，在目标神经网络模型输出的预估平面参数，与训练点云数据对应的实际平面参数之间的损失值小于或等于预设值的情况下，获得目标神经网络。
步骤S206，根据所述目标平面参数，确定所述点云数据集合中的地面点云数据。
其中，目标平面参数可以是A、B、C和D，可以通过目标平面参数获得对应的目标平面方程Ax+By+Cz+D＝0，目标平面方程可以是需要拟合的点云地面方程，可以通过将输入的点云数据中，与目标平面之间的距离小于预设值的数据点，确定为地面点云数据，预设值可以为0.2，或者是0.3，可以根据实际场景进行设置，假设预设值为0.2，即在输入的点云数据中，将与目标平面之间的距离小于0.2的数据点，确定为地面点云数据。
可选地，上述步骤的执行主体可以是后台处理器，或者其他的具备类似处理能力的设备，还可以是至少集成有图像获取设备以及数据处理设备的机器，其中，图像获取设备可以包括摄像头等图形采集模块，数据处理设备可以包括计算机、手机等终端，但不限于此。
通过上述步骤，通过将激光雷达采集得到的点云数据，输入使用训练点云数据训练得到的目标神经网络，得到点云数据对应的地面点云的目标平面参数，并根据目标平面参数确定点云数据中的地面点云数据，因此，可以解决地面点云的检测准确率较低问题，达到提高地面点云的检测准确率的效果。
可选地，所述将所述点云数据集合中的点云数据输入目标神经网络模型，得到所述目标神经网络模型输出的目标平面参数，包括：将所述点云数据集合中的点云数据输入目标神经网络模型，通过所述目标神经网络模型的体素化网络层、卷积层，以及高度压缩网络层对所述云数据集合中的点云数据进行处理，得到所述目标神经网络模型输出的所述目标平面参数。
作为一个可选的实施方式，点云数据集合中的点云数据可以是通过激光雷达采集的，将点云数据输入到目标神经网络模型，如图5所示，可以通过目标神经网络模型的体素化网络层、卷积层，以及高度压缩网络层对点云数据进行处理，可以先对点云数据输入体素化网络层，对点云数据进行体素化。体素也叫立体像素，是体积像素的简称，类似二维空间的最小单位-像素，体素是三维空间的最小单位，对点云数据进行体素化即将点云用体素统一表示，通过空间均匀大小的体素网格来模拟点云的几何形状。卷积层可以包括如图5所示的3D卷积层和2D卷积层，可以将体素化网络层输出的体素特征，包括点坐标及反射强度输入到3D卷积层，再将3D卷积层提取的三维体素的特征输入到高度压缩网络层，将输入的三维的体素特征压缩到鸟瞰图视角，将高度特征信息进行压缩，得到二维特征，将上述二维特征输入到2D卷积层，得到最终的目标平面参数，比如目标平面参数可以是A，B，C和D，可以组成一个平面方程Ax+By+Cz+D＝0。
可选地，所述通过所述目标神经网络模型的体素化网络层、卷积层，以及高度压缩网络层对所述云数据集合中的点云数据进行处理，得到所述目标神经网络模型输出的所述目标平面参数，包括：将所述点云数据集合中的点云数据输入所述体素化网络层，通过所述体素化网络层对所述点云数据集合进行体素化，得到所述体素化网络层输出的体素数据集合；将所述体素数据集合输入3D卷积层，通过所述3D卷积层对所述体素数据集合进行特征提取，得到三维特征数据集合，其中，所述卷积层包括所述3D卷积层；将所述三维特征数据集合输入所述高度压缩网络层，通过所述高度压缩网络层和2D卷积层，得到所述目标平面参数，其中，所述卷积层包括所述2D卷积层。
作为一个可选的实施方式，可以使用激光雷达采集点云数据，获得点云数据集合，可以将点云数据集合中的点云数据输入到体素化网络层，对点云数据进行体素化。体素也叫立体像素，是体积像素的简称，类似二维空间的最小单位-像素，体素是三维空间的最小单位，对点云数据进行体素化即将点云用体素统一表示，通过空间均匀大小的体素网格来模拟点云的几何形状。如图5所示，将点云数据输入到体素化网络层可以获得点云数据的体素特征，包括点云数据中的点坐标和反射强度(x,y,z,r)，将输出的体素特征组成体素数据集合。将得到的体素数据集合输入如图5中的3D卷积层，3D卷积层中包括多个3D稀疏卷积层，通过3D卷积层可以提取体素的特征，得到点云数据的三维特征集合，并将点云的三维特征集合输入到高度压缩网络层，通过高度压缩网络层可以将点云数据中的高度特征信息进行压缩，将体素特征压缩到鸟瞰图视角，得到二维的特征数据集合，通过2D卷积层对二维特征数据进行处理，得到最终的目标平面参数。
可选地，述将所述三维特征数据集合输入所述高度压缩网络层，通过所述高度压缩网络层和2D卷积层，得到所述目标平面参数，包括：将所述三维特征数据集合输入所述高度压缩网络层，通过所述高度压缩网络层对所述三维特征数据集合中的高度特征数据进行压缩，得到所述高度压缩网络层输出的二维特征数据集合；将所述二维特征数据集合输入所述2D卷积层，通过所述2D卷积层对所述二维特征数据集合进行回归处理，得到所述目标平面参数。
作为一个可选的实施方式，将如图5中，通过3D卷积层得到点云数据的三维特征集合，输入高度压缩网络层，通过高度压缩网络层可以将点云数据中的高度特征信息进行压缩，将体素特征压缩到鸟瞰图视角，得到点云数据的二维特征数据集合，将二维特征数据集合输入到2D卷积层中，2D卷层可以由多个二维卷积层及ReLU层、BN层组成，通过2D卷积层对二维特征数据集合进行回归处理，得到最终的目标平面参数，目标平面参数可以是A，B，C和D，可以组成一个平面方程Ax+By+Cz+D＝0。
可选地，所述根据所述目标平面参数，确定所述点云数据集合中的地面点云数据，包括：根据所述目标平面参数确定目标平面；将所述点云数据集合中位于所述目标平面上的点云数据确定为所述地面点云数据；或者，将所述点云数据集合中位于所述目标平面上的点云数据，以及与所述目标平面之间的距离小于或等于预设距离的点云数据为所述地面点云数据。
作为一个可选的实施方式，假设通过目标神经网络模型得到的目标平面的参数为A，B，C和D，可以根据平面参数确定目标平面，目标平面可以是Ax+By+Cz+D＝0。得到的目标平面即为可以对地面点云数据进行提取的点云地面，将输入目标神经网络模型的点云数据集合中，位于目标平面上的点云数据确定为地面点云数据，实现对地面点云数据的提取。
在另一个实施中，假设通过目标神经网络模型得到的目标平面的参数为A，B，C和D，可以根据平面参数确定目标平面，目标平面可以是Ax+By+Cz+D＝0。得到的目标平面即为可以对地面点云数据进行提取的点云地面，在输入目标神经网络模型的点云数据集合中，将点云数据集合中位于目标平面上的点云数据，以及与目标平面之间的距离小于或等于预设距离的点云数据确定为地面点云数据，预设距离可以是0.1、0.2或者是0.3，此处对预设值的取值不做限制，可以根据实际情况确定，通过上述方法可以实现对地面点云数据的提取。
可选地，在所述将所述点云数据集合中的点云数据输入目标神经网络模型之前，所述方法还包括：获取所述训练点云数据对应的实际平面参数；通过所述训练点云数据对初始神经网络模型进行N次迭代训练，获取第N次迭代训练得到的神经网络模型输出的预估平面参数；在预估平面与实际平面之间的夹角或等于预设夹角，且所述预估平面与所述实际平面之间的高度差小于或等于预设高度的情况下，将所述第N次迭代训练得到的神经网络模型确定为所述目标神经网络模型，其中，所述预估平面是根据所述预估平面参数得到的平面，所述实际平面是根据所述实际平面参数得到的平面。
作为一个可选的实施方式，可以使用激光雷达采集点云数据，对所采集的点云数据手动进行地面点云数据的选取以及地面平面方程的拟合，获得训练点云数据对应的实际平面参数，初始神经网络模型是与目标神经网络模型结构相同的网络模型，可以使用训练点云数据对初始神经网络模型进行多次迭代，获得目标神经网络模型。假设第N次迭代训练中训练点云数据对应的实际平面参数是A2，B2，C2，D2，则对应的实际平面为A2x+B2y+C2z+D2＝0。通过训练点云数据对初始神经网络进行N次迭代训练，假设使用训练点云数据获取到的第N次迭代训练得到的神经网络模型输出的预估平面参数是A1，B1，C1，D1，则预估平面为A1x+B1y+C1z+D1＝0，在预估平面A1x+B1y+C1z+D1＝0与实际平面A2x+B2y+C2z+D2＝0之间的夹角小于等于预设夹角，且预估平面A1x+B1y+C1z+D1＝0与实际平面A2x+B2y+C2z+D2＝0之间的高度差小于或等于预设高度的情况下，将所述第N次迭代训练得到的神经网络模型确定为所述目标神经网络模型。假设预设夹角为
预估平面与实际平面之间的高度差可以为在点坐标x＝0、y＝0时的z轴坐标差值
预设夹角可以是10°，预设高度可以是2，假设θ为8°，高度差
等于1，则此时的θ小于预设夹角10°，且高度差
小于预设高度2，则可以确定第N次迭代训练得到的神经网络模型为目标神经网络模型。
作为一个可选的实施方式，目标神经网络模型的训练流程如图4所示，首先通过激光雷达采集点云数据，并将采集得到的点云数据输入到初始神经网络模型，初始神经网络提取点云数据特征并输出预估平面参数，计算模型输出的预估平面参数与对应的实际平面参数之间的损失，并将损失回传到神经网络模型中，更新模型参数，通过多次迭代，可以得到损失满足预设收敛条件的目标神经网络模型。
作为一个可选的实施方式，可以使用激光雷达采集点云数据，对所采集的点云数据手动进行地面点的选取以及地面平面方程的拟合，基于点云数据及对应的方程参数建立点云地面平面方程拟合网络模型的训练集及测试、验证集；将训练集中的点云数据坐标及反射强度(x,y,z,r)及对应的地面平面方程参数A、B、C、D送入到预先搭建的神经网络学习模型进行训练迭代，利用测试、验证集对网络模型的性能进行验证，在训练得到的网络模型中得到最优的地面平面方程拟合网络模型。所得到的拟合网络模型可用于对任意采集的点云数据进行地面方程参数回归，将点云数据输入到模型中进行推理，可得到点云平面方程，实现点云地面的检测。所搭建的神经网络学习模型的主要模块包括：点云体素化、3D卷积模块、高度压缩、2D卷积模块。点云体素化模块将输入的点云进行体素化，得到体素特征包括点坐标及反射强度；3D卷积模块包括多个3D稀疏卷积层，提取体素的特征；高度压缩模块，将输入的体素特征压缩到鸟瞰图视角，压缩特征高度信息；2D卷积模块由多个二维卷积层及ReLU层、BN层组成，回归出点云地面的平面方程参数。
网络模型的训练迭代：计算回归出的平面与输入点云数据对应的真值平面之间的夹角
点坐标x＝0、y＝0时的z轴坐标差值
作为神经网络的loss对网络进行训练，其中，A1，B1，C1，D1与A2，B2，C2，D2分别表示点云数据输入到网络模型输出的平面方程参数与点云数据对应的真值平面方程参数。实现网络参数迭代更新，并利用验证测试集对网络性能进行验证测试，在训练得到的多个网络模型中，获得最佳拟合模型。
网络模型的推理输出：对所采集的任意激光雷达点云数据输入到最佳拟合模型中，可得到点云数据中地面点云对应的平面方程参数A、B、C、D，实现对点云地面的提取，并可以根据点云数据中坐标点与提取地面之间的距离，实现对地面点云的识别。
通过本发明能够通过一个卷积神经网络模型对输入的点云数据中的地面进行提取，无需其他的点云数据先验信息，直接通过网络学习点云数据的分布特征，可有效地实现端到端的具有泛化能力的点云地面的检测提取。可以在无需激光雷达的安装高度、俯仰角等先验信息的情况下，简化地面点云的检测流程，利用卷积神经网络快速高效地对点云中地面点实现检测，且可以获得良好的鲁棒性。
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根据上述实施例的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设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种地面点云的确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本发明实施例的地面点云的确定装置的结构框图，如图6所示，该装置包括：采集模块62，用于通过激光雷达采集点云数据，得到点云数据集合；输入模块64，用于将所述点云数据集合中的点云数据输入目标神经网络模型，得到所述目标神经网络模型输出的目标平面参数，其中，所述目标神经网络模型是使用训练点云数据训练得到的神经网络模型，所述目标神经网络模型满足预设收敛条件，所述预设收敛条件是所述目标神经网络模型输出的预估平面参数，与所述训练点云数据对应的实际平面参数之间的损失值小于或等于预设值；确定模块66，用于根据所述目标平面参数，确定所述点云数据集合中的地面点云数据。
可选地，上述输入模块还用于，将所述点云数据集合中的点云数据输入目标神经网络模型，通过所述目标神经网络模型的体素化网络层、卷积层，以及高度压缩网络层对所述云数据集合中的点云数据进行处理，得到所述目标神经网络模型输出的所述目标平面参数。
可选地，上述装置还用于将所述点云数据集合中的点云数据输入所述体素化网络层，通过所述体素化网络层对所述点云数据集合进行体素化，得到所述体素化网络层输出的体素数据集合；将所述体素数据集合输入3D卷积层，通过所述3D卷积层对所述体素数据集合进行特征提取，得到三维特征数据集合，其中，所述卷积层包括所述3D卷积层；将所述三维特征数据集合输入所述高度压缩网络层，通过所述高度压缩网络层和2D卷积层，得到所述目标平面参数，其中，所述卷积层包括所述2D卷积层。
可选地，上述装置还用于将所述三维特征数据集合输入所述高度压缩网络层，通过所述高度压缩网络层对所述三维特征数据集合中的高度特征数据进行压缩，得到所述高度压缩网络层输出的二维特征数据集合；将所述二维特征数据集合输入所述2D卷积层，通过所述2D卷积层对所述二维特征数据集合进行回归处理，得到所述目标平面参数。
可选地，上述装置还用于根据所述目标平面参数确定目标平面；将所述点云数据集合中位于所述目标平面上的点云数据确定为所述地面点云数据；将所述点云数据集合中位于所述目标平面上的点云数据，以及与所述目标平面之间的距离小于或等于预设距离的点云数据为所述地面点云数据。
可选地，上述装置还用于在所述将所述点云数据集合中的点云数据输入目标神经网络模型之前，获取所述训练点云数据对应的实际平面参数；通过所述训练点云数据对初始神经网络模型进行N次迭代训练，获取第N次迭代训练得到的神经网络模型输出的预估平面参数；在预估平面与实际平面之间的夹角小于或等于预设夹角，且所述预估平面与所述实际平面之间的高度差小于或等于预设高度的情况下，将所述第N次迭代训练得到的神经网络模型确定为所述目标神经网络模型，其中，所述预估平面是根据所述预估平面参数得到的平面，所述实际平面是根据所述实际平面参数得到的平面。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，通过激光雷达采集点云数据，得到点云数据集合；
S2，将所述点云数据集合中的点云数据输入目标神经网络模型，得到所述目标神经网络模型输出的目标平面参数，其中，所述目标神经网络模型是使用训练点云数据训练得到的神经网络模型，所述目标神经网络模型满足预设收敛条件，所述预设收敛条件是所述目标神经网络模型输出的预估平面参数，与所述训练点云数据对应的实际平面参数之间的损失值小于或等于预设值；
S3，根据所述目标平面参数，确定所述点云数据集合中的地面点云数据。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，通过激光雷达采集点云数据，得到点云数据集合；
S2，将所述点云数据集合中的点云数据输入目标神经网络模型，得到所述目标神经网络模型输出的目标平面参数，其中，所述目标神经网络模型是使用训练点云数据训练得到的神经网络模型，所述目标神经网络模型满足预设收敛条件，所述预设收敛条件是所述目标神经网络模型输出的预估平面参数，与所述训练点云数据对应的实际平面参数之间的损失值小于或等于预设值；
S3，根据所述目标平面参数，确定所述点云数据集合中的地面点云数据。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种地面点云的确定方法，其特征在于，包括：
通过激光雷达采集点云数据，得到点云数据集合；
将所述点云数据集合中的点云数据输入目标神经网络模型，得到所述目标神经网络模型输出的目标平面参数，其中，所述目标神经网络模型是使用训练点云数据训练得到的神经网络模型，所述目标神经网络模型满足预设收敛条件，所述预设收敛条件是所述目标神经网络模型输出的预估平面参数，与所述训练点云数据对应的实际平面参数之间的损失值小于或等于预设值；
根据所述目标平面参数，确定所述点云数据集合中的地面点云数据。
2.根据权利要求1所述的方法，其特征在于，所述将所述点云数据集合中的点云数据输入目标神经网络模型，得到所述目标神经网络模型输出的目标平面参数，包括：
将所述点云数据集合中的点云数据输入目标神经网络模型，通过所述目标神经网络模型的体素化网络层、卷积层，以及高度压缩网络层对所述云数据集合中的点云数据进行处理，得到所述目标神经网络模型输出的所述目标平面参数。
3.根据权利要求2所述的方法，其特征在于，所述通过所述目标神经网络模型的体素化网络层、卷积层，以及高度压缩网络层对所述云数据集合中的点云数据进行处理，得到所述目标神经网络模型输出的所述目标平面参数，包括：
将所述点云数据集合中的点云数据输入所述体素化网络层，通过所述体素化网络层对所述点云数据集合进行体素化，得到所述体素化网络层输出的体素数据集合；
将所述体素数据集合输入3D卷积层，通过所述3D卷积层对所述体素数据集合进行特征提取，得到三维特征数据集合，其中，所述卷积层包括所述3D卷积层；
将所述三维特征数据集合输入所述高度压缩网络层，通过所述高度压缩网络层和2D卷积层，得到所述目标平面参数，其中，所述卷积层包括所述2D卷积层。
4.根据权利要求3所述的方法，其特征在于，所述将所述三维特征数据集合输入所述高度压缩网络层，通过所述高度压缩网络层和2D卷积层，得到所述目标平面参数，包括：
将所述三维特征数据集合输入所述高度压缩网络层，通过所述高度压缩网络层对所述三维特征数据集合中的高度特征数据进行压缩，得到所述高度压缩网络层输出的二维特征数据集合；
将所述二维特征数据集合输入所述2D卷积层，通过所述2D卷积层对所述二维特征数据集合进行回归处理，得到所述目标平面参数。
5.根据权利要求1所述的方法，其特征在于，所述根据所述目标平面参数，确定所述点云数据集合中的地面点云数据，包括：
根据所述目标平面参数确定目标平面；
将所述点云数据集合中位于所述目标平面上的点云数据确定为所述地面点云数据；或者，
将所述点云数据集合中位于所述目标平面上的点云数据，以及与所述目标平面之间的距离小于或等于预设距离的点云数据为所述地面点云数据。
6.根据权利要求1至5中任一项所述的方法，其特征在于，在所述将所述点云数据集合中的点云数据输入目标神经网络模型之前，所述方法还包括：
获取所述训练点云数据对应的实际平面参数；
通过所述训练点云数据对初始神经网络模型进行N次迭代训练，获取第N次迭代训练得到的神经网络模型输出的预估平面参数；
在预估平面与实际平面之间的夹角小于或等于预设夹角，且所述预估平面与所述实际平面之间的高度差小于或等于预设高度的情况下，将所述第N次迭代训练得到的神经网络模型确定为所述目标神经网络模型，其中，所述预估平面是根据所述预估平面参数得到的平面，所述实际平面是根据所述实际平面参数得到的平面。
7.一种地面点云的确定装置，其特征在于，包括：
采集模块，用于通过激光雷达采集点云数据，得到点云数据集合；
输入模块，用于将所述点云数据集合中的点云数据输入目标神经网络模型，得到所述目标神经网络模型输出的目标平面参数，其中，所述目标神经网络模型是使用训练点云数据训练得到的神经网络模型，所述目标神经网络模型满足预设收敛条件，所述预设收敛条件是所述目标神经网络模型输出的预估平面参数，与所述训练点云数据对应的实际平面参数之间的损失值小于或等于预设值；
确定模块，用于根据所述目标平面参数，确定所述点云数据集合中的地面点云数据。
8.根据权利要求7所述的装置，其特征在于，所述输入模块还用于：
将所述点云数据集合中的点云数据输入目标神经网络模型，通过所述目标神经网络模型的体素化网络层、卷积层，以及高度压缩网络层对所述云数据集合中的点云数据进行处理，得到所述目标神经网络模型输出的所述目标平面参数。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述程序可被终端设备或计算机运行时执行所述权利要求1至6任一项中所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111645438.1A CN114299029A (zh) | 2021-12-29 | 2021-12-29 | 地面点云的确定方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111645438.1A CN114299029A (zh) | 2021-12-29 | 2021-12-29 | 地面点云的确定方法、装置、存储介质及电子装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114299029A true CN114299029A (zh) | 2022-04-08 |
Family
ID=80971374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111645438.1A Pending CN114299029A (zh) | 2021-12-29 | 2021-12-29 | 地面点云的确定方法、装置、存储介质及电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114299029A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115930967A (zh) * | 2023-01-03 | 2023-04-07 | 浙江大华技术股份有限公司 | 一种路径规划方法、装置以及计算机存储介质 |
-
2021
- 2021-12-29 CN CN202111645438.1A patent/CN114299029A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115930967A (zh) * | 2023-01-03 | 2023-04-07 | 浙江大华技术股份有限公司 | 一种路径规划方法、装置以及计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109558622A (zh) | 一种基于点云扫描的施工管理方法及装置 | |
| CN110599583B (zh) | 无人机飞行轨迹生成方法、装置、计算机设备和存储介质 | |
| CN111079685B (zh) | 一种3d目标检测方法 | |
| CN112418245B (zh) | 基于城市环境物理模型的电磁发射点定位方法 | |
| CN111028327A (zh) | 一种三维点云的处理方法、装置及设备 | |
| CN111882666A (zh) | 三维网格模型的重建方法及其装置、设备、存储介质 | |
| US20220004740A1 (en) | Apparatus and Method For Three-Dimensional Object Recognition | |
| CN115436910B (zh) | 一种对激光雷达点云进行目标检测的数据处理方法和装置 | |
| CN113689535A (zh) | 基于无人机影像的建筑物模型的生成方法和装置 | |
| CN111067522A (zh) | 大脑成瘾结构图谱评估方法及装置 | |
| CN111709988A (zh) | 一种物体的特征信息的确定方法、装置、电子设备及存储介质 | |
| CN114509785A (zh) | 三维物体检测方法、装置、存储介质、处理器及系统 | |
| CN114299029A (zh) | 地面点云的确定方法、装置、存储介质及电子装置 | |
| CN113706472A (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
| CN110807428B (zh) | 煤类样品的识别方法、装置、服务器及存储介质 | |
| CN110555348A (zh) | 一种指纹识别方法、设备及计算机可读存储介质 | |
| CN110363863B (zh) | 一种神经网络的输入数据生成方法和系统 | |
| CN116976115A (zh) | 面向量化分析与判断的遥感卫星应用需求仿真方法及装置 | |
| CN111104965A (zh) | 车辆目标识别的方法及装置 | |
| CN113822892B (zh) | 仿真雷达的评测方法、装置、设备及计算机存储介质 | |
| CN113139617B (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
| CN110827243B (zh) | 网格梁覆盖区域异常检测方法和装置 | |
| Otoya et al. | Real-time non-invasive leaf area measurement method using depth images | |
| CN116228973A (zh) | 一种基于rpa工具自动化执行三维建模的方法 | |
| CN114170207A (zh) | 输电线路图像质量的评估方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |