[发明专利]地面点云的确定方法、装置、存储介质及电子装置

权利要求书

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。