一种激光雷达点云地面检测方法及装置与流程

1.本技术涉及数据处理技术领域，具体而言，涉及一种激光雷达点云地面检测方法及装置。


背景技术：

2.激光雷达是高级别驾驶辅助系统中关键的传感器之一，通常采用激光雷达做物体检测和语义分割得到检测结果后与其他传感器结果进行融合以提高检测内容丰富度及准确度从而提高车辆控制精度。现有的激光雷达点云地面检测方法，主要基于激光雷达点云的三维坐标及反射强度将特性相近的点划归为一类，通过拟合算法达到检测的目的。在实践中发现，现有的地面拟合算法由于点云数据量巨大，没有很好的计算加速手段，特别是在车端芯片上做算法部署时，实时性无法满足要求。可见，现有的激光雷达点云地面检测方法，检测精度差，无法满足实时性要求，且部署难度大。


技术实现要素：

3.本技术的目的在于提供一种激光雷达点云地面检测方法及装置，能够快速实现激光雷达点云地面检测，且检测精度好，实时性好，简单有效还易于部署。
4.本技术第一方面提供了一种激光雷达点云地面检测方法，包括：获取激光点云训练数据集和激光点云测试数据集；对所述激光点云训练数据集进行前处理，得到目标数据样本；搭建语义特征提取网络模型；将所述目标数据样本输入至所述语义特征提取网络模型，得到图像特征信息；对所述图像特征信息进行后处理，得到地面坐标点集合和非地面坐标点集合；根据所述激光点云测试数据集、所述地面坐标点集合和所述非地面坐标点集合对所述语义特征提取网络模型进行检测结果评估，得到评估结果。
5.在上述实现过程中，该方法可以优先获取激光点云训练数据集和激光点云测试数据集；然后，对激光点云训练数据集进行前处理，得到目标数据样本；同时，搭建语义特征提取网络模型；然后，再将目标数据样本输入至语义特征提取网络模型，得到图像特征信息；在得到图像特征之后，对图像特征信息进行后处理，得到地面坐标点集合和非地面坐标点集合；最后，再根据激光点云测试数据集、地面坐标点集合和非地面坐标点集合对语义特征提取网络模型进行检测结果评估，得到评估结果。可见，该方法能够快速实现激光雷达点云地面检测，且检测精度好，实时性好，简单有效还易于部署。
6.进一步地，所述获取激光点云训练数据集和激光点云测试数据集，包括：采集包含道路场景的激光点云数据；对所述激光点云数据中每个点进行标注，得到标注数据集；根据所述标注数据集确定激光点云训练数据集和激光点云测试数据集。
7.进一步地，所述对所述激光点云训练数据集进行前处理，得到目标数据样本，包
括：获取激光雷达的安装位置；以所述安装位置为原点，构建空间坐标系；基于所述空间坐标系，按照各方向的预设单位长度将检测范围划分为多个立方体；根据所述立方体对所述激光点云训练数据集进行数据形式变换，得到目标数据样本。
8.进一步地，所述语义特征提取网络模型的特征提取部分采用多层conv2d+bn+relu作为网络结构的主干网络；所述语义特征提取网络模型的特征融合部分采用unet网络；所述语义特征提取网络模型的检测头的大小与所述目标数据样本中每个数据的数据大小相同；其中，训练所述语义特征提取网络模型的损失函数为focal-loss损失函数。
9.进一步地，所述对所述图像特征信息进行后处理，得到地面坐标点集合和非地面坐标点集合，包括：根据预设阈值对所述图像特征信息进行二分类处理，得到地面点信息和非地面点信息；根据所述地面点信息和所述图像特征信息进行坐标映射处理，得到地面坐标点集合；以及根据所述非地面点信息和所述图像特征信息进行坐标映射处理，得到非地面坐标点集合。
10.进一步地，所述根据所述激光点云测试数据集、所述地面坐标点集合和所述非地面坐标点集合对所述语义特征提取网络模型进行检测结果评估，得到评估结果，包括：根据所述激光点云测试数据集和所述空间坐标系，统计每帧点云数据中地面点标注的立方体数量以及所述地面点标注的平均坐标值；根据所述地面坐标点集合、所述非地面坐标点集合和所述空间坐标系，统计每帧点云数据中地面点预测的立方体数量以及所述地面点预测的平均坐标值；计算所述地面点标注的平均坐标值与所述地面点预测的平均坐标值的目标距离；根据所述目标距离和预设距离阈值进行预测有效性评估，得到第一评估结果；根据所述地面点标注的立方体数量和所述地面点预测的立方体数量，进行被有效预测评估，得到第二评估结果；根据所述激光点云测试数据集、所述地面坐标点集合、所述非地面坐标点集合、所述第一评估结果以及所述第二评估结果，统计预测正确的数量、漏检的数量以及误检的数量；根据所述预测正确的数量计算精确率；以及根据所述漏检的数量计算召回率；以及根据所述误检的数量计算f1分数；汇总所述精确率、召回率以及所述f1分数得到评估结果。
11.本技术第二方面提供了一种激光雷达点云地面检测装置，所述激光雷达点云地面检测装置包括：获取单元，用于获取激光点云训练数据集和激光点云测试数据集；前处理单元，用于对所述激光点云训练数据集进行前处理，得到目标数据样本；
模型搭建单元，用于搭建语义特征提取网络模型；输出单元，用于将所述目标数据样本输入至所述语义特征提取网络模型，得到图像特征信息；后处理单元，用于对所述图像特征信息进行后处理，得到地面坐标点集合和非地面坐标点集合；评估单元，用于根据所述激光点云测试数据集、所述地面坐标点集合和所述非地面坐标点集合对所述语义特征提取网络模型进行检测结果评估，得到评估结果。
12.在上述实现过程中，该装置可以通过获取单元获取激光点云训练数据集和激光点云测试数据集；通过前处理单元对激光点云训练数据集进行前处理，得到目标数据样本；通过模型搭建单元搭建语义特征提取网络模型；通过输出单元将目标数据样本输入至语义特征提取网络模型，得到图像特征信息；通过后处理单元对图像特征信息进行后处理，得到地面坐标点集合和非地面坐标点集合；通过评估单元来根据激光点云测试数据集、地面坐标点集合和非地面坐标点集合对语义特征提取网络模型进行检测结果评估，得到评估结果。可见，该装置能够快速实现激光雷达点云地面检测，且检测精度好，实时性好，简单有效还易于部署。
13.进一步地，所述获取单元包括：采集子单元，用于采集包含道路场景的激光点云数据；标注子单元，用于对所述激光点云数据中每个点进行标注，得到标注数据集；确定子单元，用于根据所述标注数据集确定激光点云训练数据集和激光点云测试数据集。
14.进一步地，所述前处理单元包括：获取子单元，用于激光雷达的安装位置；构建子单元，用于以所述安装位置为原点，构建空间坐标系；划分子单元，用于基于所述空间坐标系，按照各方向的预设单位长度将检测范围划分为多个立方体；变换子单元，用于根据所述立方体对所述激光点云训练数据集进行数据形式变换，得到目标数据样本。
15.进一步地，所述语义特征提取网络模型的特征提取部分采用多层conv2d+bn+relu作为网络结构的主干网络；所述语义特征提取网络模型的特征融合部分采用unet网络；所述语义特征提取网络模型的检测头的大小与所述目标数据样本中每个数据的数据大小相同；其中，训练所述语义特征提取网络模型的损失函数为focal-loss损失函数。
16.进一步地，所述后处理单元包括：处理子单元，用于根据预设阈值对所述图像特征信息进行二分类处理，得到地面点信息和非地面点信息；映射子单元，用于根据所述地面点信息和所述图像特征信息进行坐标映射处理，得到地面坐标点集合；以及根据所述非地面点信息和所述图像特征信息进行坐标映射处理，得到非地面坐标点集合。
17.进一步地，所述评估单元包括：
统计子单元，用于根据所述激光点云测试数据集和所述空间坐标系，统计每帧点云数据中地面点标注的立方体数量以及所述地面点标注的平均坐标值；所述统计子单元，还用于根据所述地面坐标点集合、所述非地面坐标点集合和所述空间坐标系，统计每帧点云数据中地面点预测的立方体数量以及所述地面点预测的平均坐标值；计算子单元，用于计算所述地面点标注的平均坐标值与所述地面点预测的平均坐标值的目标距离；评估子单元，用于根据所述目标距离和预设距离阈值进行预测有效性评估，得到第一评估结果；所述评估子单元，还用于根据所述地面点标注的立方体数量和所述地面点预测的立方体数量，进行被有效预测评估，得到第二评估结果；所述统计子单元，还用于根据所述激光点云测试数据集、所述地面坐标点集合、所述非地面坐标点集合、所述第一评估结果以及所述第二评估结果，统计预测正确的数量、漏检的数量以及误检的数量；所述计算子单元，还用于根据所述预测正确的数量计算精确率；以及根据所述漏检的数量计算召回率；以及根据所述误检的数量计算f1分数；汇总子单元，用于汇总所述精确率、召回率以及所述f1分数得到评估结果。
18.本技术第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本技术第一方面中任一项所述的激光雷达点云地面检测方法。
19.本技术第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本技术第一方面中任一项所述的激光雷达点云地面检测方法。
附图说明
20.为了更清楚地说明本技术实施例的技术方案，下面将对本技术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。
21.图1为本技术实施例提供的一种激光雷达点云地面检测方法的流程示意图；图2为本技术实施例提供的另一种激光雷达点云地面检测方法的流程示意图；图3为本技术实施例提供的一种激光雷达点云地面检测装置的结构示意图；图4为本技术实施例提供的另一种激光雷达点云地面检测装置的结构示意图；图5为本技术实施例提供的一种激光雷达点云地面检测方法的举例流程示意图。
具体实施方式
22.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描述。
23.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。同时，在本技术的
描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
24.实施例1请参看图1，图1为本实施例提供的一种激光雷达点云地面检测方法的流程示意图。其中，该激光雷达点云地面检测方法包括：s101、获取激光点云训练数据集和激光点云测试数据集。
25.s102、对激光点云训练数据集进行前处理，得到目标数据样本。
26.s103、搭建语义特征提取网络模型。
27.本实施例中，语义特征提取网络模型的特征提取部分采用多层conv2d+bn+relu作为网络结构的主干网络。
28.在本实施例中，语义特征提取网络模型的特征融合部分采用unet网络。
29.在本实施例中，语义特征提取网络模型的检测头的大小与目标数据样本中每个数据的数据大小相同；在本实施例中，训练语义特征提取网络模型的损失函数为focal-loss损失函数。
30.s104、将目标数据样本输入至语义特征提取网络模型，得到图像特征信息。
31.s105、对图像特征信息进行后处理，得到地面坐标点集合和非地面坐标点集合。
32.s106、根据激光点云测试数据集、地面坐标点集合和非地面坐标点集合对语义特征提取网络模型进行检测结果评估，得到评估结果。
33.本实施例中，该方法描述了一种基于深度学习的激光点云前处理、语义特征学习、后处理、检测结果评估的全流程实现方案。
34.本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
35.在本实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。
36.可见，实施本实施例所描述的激光雷达点云地面检测方法，能够基于深度学习的激光点云前处理、特征学习、后处理和地面检测结果评估实现全流程检测，从而实现对点云数据的有效识别，且能够对识别结果进行有效评估。同时，该方法能够简洁高效地实现激光点云前处理，从而在保留了xyz各维度特征信息的情况下，还在一定程度上限制了数据量的膨胀，进而能够将输入数据尺寸固定以便后续网络做特征提取。另外，该方法中的检测网络模型采用多层conv2d+bn+relu作为网络结构的主干网络进行特征提取，并采用unet网络进行特征融合，针对检测任务单独设计检测头，从而能够使得该方法便于扩展及部署。其次，该方法还可以采用二分类方式实现后处理，进一步地实现简单、有效、易于部署的效果。最后，该方法任务损失采用focal-loss，更适用于解决难易样本数量不平衡问题。
37.实施例2请参看图2，图2为本实施例提供的另一种激光雷达点云地面检测方法的流程示意图。其中，该激光雷达点云地面检测方法包括：s201、采集包含道路场景的激光点云数据。
38.s202、对激光点云数据中每个点进行标注，得到标注数据集。
39.本实施例中，该方法可以采集包含道路场景的激光点云数据并对每个点进行标注，以此获取训练集测试点云数据。
40.s203、根据标注数据集确定激光点云训练数据集和激光点云测试数据集。
41.s204、获取激光雷达的安装位置。
42.s205、以安装位置为原点，构建空间坐标系。
43.s206、基于空间坐标系，按照各方向的预设单位长度将检测范围划分为多个立方体。
44.s207、根据立方体对激光点云训练数据集进行数据形式变换，得到目标数据样本。
45.本实施例中，该方法可以进行激光点云前处理的操作。具体的，该方法可以以激光雷达安装位置为原点，取xyz三个方向单位长度为m米，x方向范围取-a米到+a米（即x方向voxel数目xvoxel=（a-（-a））/m），y方向取-b米到+b米（即y方向voxel数目yvoxel=（b-（-b））/m），z方向取-c米到+c米（即z方向voxel数目zvoxel=（c-（-c））/m），按照各方向的单位长度将检测范围划分为一个个小立方体（称为voxel），将所有点云数据按照xyz坐标值将点放入每个voxel中并限制每个voxel中最大点数为point个。将点云数据变换为类似图片的chw形式，将z方向voxel数据与点云个数合并，即变换为c=zvoxel*point，h=yvoxel，w=xvoxel的形式，所以输入给下级网络的数据大小固定为c*h*w。
46.s208、搭建语义特征提取网络模型。
47.本实施例中，语义特征提取网络模型的特征提取部分采用多层conv2d+bn+relu作为网络结构的主干网络。
48.在本实施例中，语义特征提取网络模型的特征融合部分采用unet网络。
49.在本实施例中，语义特征提取网络模型的检测头的大小与目标数据样本中每个数据的数据大小相同。其中，该方法增加的检测头大小为c*h*w，该检测头用于学习每个voxel的语义。
50.在本实施例中，训练语义特征提取网络模型的损失函数为focal-loss损失函数。
51.s209、将目标数据样本输入至语义特征提取网络模型，得到图像特征信息。
52.本实施例中，该方法可以将上述步骤中得到的点云数据输入到构建好的网络模型中，并提取出图像特征信息。具体的，该方法可以采用focal-loss损失函数来训练学习点是属于哪个类别（地面或者非地面），该损失函数更适用于解决难易样本数量不平衡问题；同时，采用使同一个类别向量距离尽可能小的方差损失lvar来训练学习得到地面数据的特征向量。
53.s210、根据预设阈值对图像特征信息进行二分类处理，得到地面点信息和非地面点信息。
54.本实施例中，该方法可以对获取到的所有数值进行二分类处理，并将高于阈值的作为地面点，将低于阈值的作为非地面点。
55.s211、根据地面点信息和图像特征信息进行坐标映射处理，得到地面坐标点集合；以及根据非地面点信息和图像特征信息进行坐标映射处理，得到非地面坐标点集合。
56.本实施例中，该方法可以将id依次映射到上述每个数值（后处理流程获取到的数值）的坐标上，随后可对应得到隶属于地面的坐标点集合。
57.s212、根据激光点云测试数据集和空间坐标系，统计每帧点云数据中地面点标注的立方体数量以及地面点标注的平均坐标值。
58.s213、根据地面坐标点集合、非地面坐标点集合和空间坐标系，统计每帧点云数据
中地面点预测的立方体数量以及地面点预测的平均坐标值。
59.本实施例中，该方法可以统计每帧点云数据中地面与非地面标注的voxel数量p_gt及平均坐标值c_gt。
60.在本实施例中，该方法还可以同时统计每帧点云数据中地面与非地面预测的voxel数量p_pred及平均坐标值c_pred。
61.s214、计算地面点标注的平均坐标值与地面点预测的平均坐标值的目标距离。
62.s215、根据目标距离和预设距离阈值进行预测有效性评估，得到第一评估结果。
63.s216、根据地面点标注的立方体数量和地面点预测的立方体数量，进行被有效预测评估，得到第二评估结果。
64.本实施例中，该方法可以根据标注坐标c_gt与对应预测坐标c_pred的距离是否小于距离阈值d_thresh_w，对每个类别预测判定预测有效性。
65.在本实施例中，针对地面区域与非地面区域，若p_pred/p_gt的比值大于n_thresh%（n_thresh%为一个常数阈值），则判定当前标注类别被有效预测。
66.s217、根据激光点云测试数据集、地面坐标点集合、非地面坐标点集合、第一评估结果以及第二评估结果，统计预测正确的数量、漏检的数量以及误检的数量。
67.s218、根据预测正确的数量计算精确率；以及根据漏检的数量计算召回率；以及根据误检的数量计算f1分数。
68.s219、汇总精确率、召回率以及f1分数得到评估结果。
69.本实施例中，f1分数（f1 score），是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率。f1分数可以看作是模型精确率和召回率的一种调和平均，它的最大值是1，最小值是0。
70.本实施例中，该方法最后可以统计预测正确的数量、漏检的数量、误检的数量等，依次计算精确率、召回率、f1分数。
71.请参看图5，图5示出了一种激光雷达点云地面检测方法的举例流程示意图。
72.本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
73.在本实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。
74.可见，实施本实施例所描述的激光雷达点云地面检测方法，能够基于深度学习的激光点云前处理、特征学习、后处理和地面检测结果评估实现全流程检测，从而实现对点云数据的有效识别，且能够对识别结果进行有效评估。同时，该方法能够简洁高效地实现激光点云前处理，从而在保留了xyz各维度特征信息的情况下，还在一定程度上限制了数据量的膨胀，进而能够将输入数据尺寸固定以便后续网络做特征提取。另外，该方法中的检测网络模型采用多层conv2d+bn+relu作为网络结构的主干网络进行特征提取，并采用unet网络进行特征融合，针对检测任务单独设计检测头，从而能够使得该方法便于扩展及部署。其次，该方法还可以采用二分类方式实现后处理，进一步地实现简单、有效、易于部署的效果。最后，该方法任务损失采用focal-loss，更适用于解决难易样本数量不平衡问题。
75.实施例3请参看图3，图3为本实施例提供的一种激光雷达点云地面检测装置的结构示意
图。如图3所示，该激光雷达点云地面检测装置包括：获取单元310，用于获取激光点云训练数据集和激光点云测试数据集；前处理单元320，用于对激光点云训练数据集进行前处理，得到目标数据样本；模型搭建单元330，用于搭建语义特征提取网络模型；输出单元340，用于将目标数据样本输入至语义特征提取网络模型，得到图像特征信息；后处理单元350，用于对图像特征信息进行后处理，得到地面坐标点集合和非地面坐标点集合；评估单元360，用于根据激光点云测试数据集、地面坐标点集合和非地面坐标点集合对语义特征提取网络模型进行检测结果评估，得到评估结果。
76.本实施例中，对于激光雷达点云地面检测装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
77.可见，实施本实施例所描述的激光雷达点云地面检测装置，能够基于深度学习的激光点云前处理、特征学习、后处理和地面检测结果评估实现全流程检测，从而实现对点云数据的有效识别，且能够对识别结果进行有效评估。同时，该装置能够简洁高效地实现激光点云前处理，从而在保留了xyz各维度特征信息的情况下，还在一定程度上限制了数据量的膨胀，进而能够将输入数据尺寸固定以便后续网络做特征提取。另外，该装置中的检测网络模型采用多层conv2d+bn+relu作为网络结构的主干网络进行特征提取，并采用unet网络进行特征融合，针对检测任务单独设计检测头，从而能够使得该装置便于扩展及部署。其次，该装置还可以采用二分类方式实现后处理，进一步地实现简单、有效、易于部署的效果。最后，该装置任务损失采用focal-loss，更适用于解决难易样本数量不平衡问题。
78.实施例4请参看图4，图4为本实施例提供的另一种激光雷达点云地面检测装置的结构示意图。如图4所示，该激光雷达点云地面检测装置包括：获取单元310，用于获取激光点云训练数据集和激光点云测试数据集；前处理单元320，用于对激光点云训练数据集进行前处理，得到目标数据样本；模型搭建单元330，用于搭建语义特征提取网络模型；输出单元340，用于将目标数据样本输入至语义特征提取网络模型，得到图像特征信息；后处理单元350，用于对图像特征信息进行后处理，得到地面坐标点集合和非地面坐标点集合；评估单元360，用于根据激光点云测试数据集、地面坐标点集合和非地面坐标点集合对语义特征提取网络模型进行检测结果评估，得到评估结果。
79.作为一种可选的实施方式，获取单元310包括：采集子单元311，用于采集包含道路场景的激光点云数据；标注子单元312，用于对激光点云数据中每个点进行标注，得到标注数据集；确定子单元313，用于根据标注数据集确定激光点云训练数据集和激光点云测试数据集。
80.作为一种可选的实施方式，前处理单元320包括：
获取子单元321，用于激光雷达的安装位置；构建子单元322，用于以安装位置为原点，构建空间坐标系；划分子单元323，用于基于空间坐标系，按照各方向的预设单位长度将检测范围划分为多个立方体；变换子单元324，用于根据立方体对激光点云训练数据集进行数据形式变换，得到目标数据样本。
81.本实施例中，语义特征提取网络模型的特征提取部分采用多层conv2d+bn+relu作为网络结构的主干网络；语义特征提取网络模型的特征融合部分采用unet网络；语义特征提取网络模型的检测头的大小与目标数据样本中每个数据的数据大小相同；其中，训练语义特征提取网络模型的损失函数为focal-loss损失函数。
82.作为一种可选的实施方式，后处理单元350包括：处理子单元351，用于根据预设阈值对图像特征信息进行二分类处理，得到地面点信息和非地面点信息；映射子单元352，用于根据地面点信息和图像特征信息进行坐标映射处理，得到地面坐标点集合；以及根据非地面点信息和图像特征信息进行坐标映射处理，得到非地面坐标点集合。
83.作为一种可选的实施方式，评估单元360包括：统计子单元361，用于根据激光点云测试数据集和空间坐标系，统计每帧点云数据中地面点标注的立方体数量以及地面点标注的平均坐标值；统计子单元361，还用于根据地面坐标点集合、非地面坐标点集合和空间坐标系，统计每帧点云数据中地面点预测的立方体数量以及地面点预测的平均坐标值；计算子单元362，用于计算地面点标注的平均坐标值与地面点预测的平均坐标值的目标距离；评估子单元363，用于根据目标距离和预设距离阈值进行预测有效性评估，得到第一评估结果；评估子单元363，还用于根据地面点标注的立方体数量和地面点预测的立方体数量，进行被有效预测评估，得到第二评估结果；统计子单元361，还用于根据激光点云测试数据集、地面坐标点集合、非地面坐标点集合、第一评估结果以及第二评估结果，统计预测正确的数量、漏检的数量以及误检的数量；计算子单元362，还用于根据预测正确的数量计算精确率；以及根据漏检的数量计算召回率；以及根据误检的数量计算f1分数；汇总子单元364，用于汇总精确率、召回率以及f1分数得到评估结果。
84.本实施例中，对于激光雷达点云地面检测装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
85.可见，实施本实施例所描述的激光雷达点云地面检测装置，能够基于深度学习的激光点云前处理、特征学习、后处理和地面检测结果评估实现全流程检测，从而实现对点云数据的有效识别，且能够对识别结果进行有效评估。同时，该装置能够简洁高效地实现激光点云前处理，从而在保留了xyz各维度特征信息的情况下，还在一定程度上限制了数据量的
膨胀，进而能够将输入数据尺寸固定以便后续网络做特征提取。另外，该装置中的检测网络模型采用多层conv2d+bn+relu作为网络结构的主干网络进行特征提取，并采用unet网络进行特征融合，针对检测任务单独设计检测头，从而能够使得该装置便于扩展及部署。其次，该装置还可以采用二分类方式实现后处理，进一步地实现简单、有效、易于部署的效果。最后，该装置任务损失采用focal-loss，更适用于解决难易样本数量不平衡问题。
86.本技术实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本技术实施例1或实施例2中的激光雷达点云地面检测方法。
87.本技术实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本技术实施例1或实施例2中的激光雷达点云地面检测方法。
88.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
89.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
90.所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
91.以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，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。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。
92.以上所述，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所述以权利要求的保护范围为准。
93.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实
体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

技术特征：
1.一种激光雷达点云地面检测方法，其特征在于，包括：获取激光点云训练数据集和激光点云测试数据集；对所述激光点云训练数据集进行前处理，得到目标数据样本；搭建语义特征提取网络模型；将所述目标数据样本输入至所述语义特征提取网络模型，得到图像特征信息；对所述图像特征信息进行后处理，得到地面坐标点集合和非地面坐标点集合；根据所述激光点云测试数据集、所述地面坐标点集合和所述非地面坐标点集合对所述语义特征提取网络模型进行检测结果评估，得到评估结果。2.根据权利要求1所述的激光雷达点云地面检测方法，其特征在于，所述获取激光点云训练数据集和激光点云测试数据集，包括：采集包含道路场景的激光点云数据；对所述激光点云数据中每个点进行标注，得到标注数据集；根据所述标注数据集确定激光点云训练数据集和激光点云测试数据集。3.根据权利要求1所述的激光雷达点云地面检测方法，其特征在于，所述对所述激光点云训练数据集进行前处理，得到目标数据样本，包括：获取激光雷达的安装位置；以所述安装位置为原点，构建空间坐标系；基于所述空间坐标系，按照各方向的预设单位长度将检测范围划分为多个立方体；根据所述立方体对所述激光点云训练数据集进行数据形式变换，得到目标数据样本。4.根据权利要求3所述的激光雷达点云地面检测方法，其特征在于，所述语义特征提取网络模型的特征提取部分采用多层conv2d+bn+relu作为网络结构的主干网络；所述语义特征提取网络模型的特征融合部分采用unet网络；所述语义特征提取网络模型的检测头的大小与所述目标数据样本中每个数据的数据大小相同；其中，训练所述语义特征提取网络模型的损失函数为focal-loss损失函数。5.根据权利要求3所述的激光雷达点云地面检测方法，其特征在于，所述对所述图像特征信息进行后处理，得到地面坐标点集合和非地面坐标点集合，包括：根据预设阈值对所述图像特征信息进行二分类处理，得到地面点信息和非地面点信息；根据所述地面点信息和所述图像特征信息进行坐标映射处理，得到地面坐标点集合；以及根据所述非地面点信息和所述图像特征信息进行坐标映射处理，得到非地面坐标点集合。6.根据权利要求3所述的激光雷达点云地面检测方法，其特征在于，所述根据所述激光点云测试数据集、所述地面坐标点集合和所述非地面坐标点集合对所述语义特征提取网络模型进行检测结果评估，得到评估结果，包括：根据所述激光点云测试数据集和所述空间坐标系，统计每帧点云数据中地面点标注的立方体数量以及所述地面点标注的平均坐标值；根据所述地面坐标点集合、所述非地面坐标点集合和所述空间坐标系，统计每帧点云数据中地面点预测的立方体数量以及所述地面点预测的平均坐标值；计算所述地面点标注的平均坐标值与所述地面点预测的平均坐标值的目标距离；
根据所述目标距离和预设距离阈值进行预测有效性评估，得到第一评估结果；根据所述地面点标注的立方体数量和所述地面点预测的立方体数量，进行被有效预测评估，得到第二评估结果；根据所述激光点云测试数据集、所述地面坐标点集合、所述非地面坐标点集合、所述第一评估结果以及所述第二评估结果，统计预测正确的数量、漏检的数量以及误检的数量；根据所述预测正确的数量计算精确率；以及根据所述漏检的数量计算召回率；以及根据所述误检的数量计算f1分数；汇总所述精确率、召回率以及所述f1分数得到评估结果。7.一种激光雷达点云地面检测装置，其特征在于，所述激光雷达点云地面检测装置包括：获取单元，用于获取激光点云训练数据集和激光点云测试数据集；前处理单元，用于对所述激光点云训练数据集进行前处理，得到目标数据样本；模型搭建单元，用于搭建语义特征提取网络模型；输出单元，用于将所述目标数据样本输入至所述语义特征提取网络模型，得到图像特征信息；后处理单元，用于对所述图像特征信息进行后处理，得到地面坐标点集合和非地面坐标点集合；评估单元，用于根据所述激光点云测试数据集、所述地面坐标点集合和所述非地面坐标点集合对所述语义特征提取网络模型进行检测结果评估，得到评估结果。8.根据权利要求7所述的激光雷达点云地面检测装置，其特征在于，所述获取单元包括：采集子单元，用于采集包含道路场景的激光点云数据；标注子单元，用于对所述激光点云数据中每个点进行标注，得到标注数据集；确定子单元，用于根据所述标注数据集确定激光点云训练数据集和激光点云测试数据集。9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至6中任一项所述的激光雷达点云地面检测方法。10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至6任一项所述的激光雷达点云地面检测方法。

技术总结
本申请提供一种激光雷达点云地面检测方法及装置，该方法包括：获取激光点云训练数据集和激光点云测试数据集；对激光点云训练数据集进行前处理，得到目标数据样本；搭建语义特征提取网络模型；将目标数据样本输入至语义特征提取网络模型，得到图像特征信息；对图像特征信息进行后处理，得到地面坐标点集合和非地面坐标点集合；根据激光点云测试数据集、地面坐标点集合和非地面坐标点集合对语义特征提取网络模型进行检测结果评估，得到评估结果。可见，该方法及装置能够快速实现激光雷达点云地面检测，且检测精度好，实时性好，简单有效还易于部署。易于部署。易于部署。


技术研发人员：王志伟 罗宇亮 江建山 方志杰 彭易锦 刘晓明 孙创开 查宽
受保护的技术使用者：广汽埃安新能源汽车股份有限公司
技术研发日：2023.06.09
技术公布日：2023/7/12