(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111198025.3 (22)申请日 2021.10.14 (71)申请人 深圳市华汉伟业科技有限公司 地址 518000 广东省深圳市南 山区西丽 街 道西丽社区同发南路万科云城六期二 栋1702房-170 6房 (72)发明人 杨洋　黄淦　翟爱亭　 (74)专利代理 机构 深圳鼎合诚知识产权代理有 限公司 4 4281 代理人 郭燕　彭家恩 (51)Int.Cl. G06T 7/194(2017.01) G06T 7/73(2017.01) G06K 9/62(2022.01) G06N 20/00(2019.01)G06V 10/26(2022.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) (54)发明名称 获取物体位置的方法、 点云 分割的方法 (57)摘要 一种获取物体位置的方法和点云分割的方 法， 其中点 云分割的方法首先利用点云数据构造 点云的特征向量， 然后获取点云的类别的初始概 率分布， 最后将每个点云的类别的初始概率分布 和特征向量输入预先训练好的概率图模型中得 到该点云的类别的概率分布， 取每个点云的类别 的概率分布中概率最大的作为这个点云的类别。 概率图模型的随机变量为点云的类别， 且各随机 变量相互独立， 其能量函数包括一元部分和二元 部分， 初始概率分布用于初始化一元部分， 二元 部分为当前点云和其他点云两两之间构成的特 征向量对的函数表示， 因此在分割时不仅考虑了 当前点云的信息， 还考虑了点云间的关系， 有利 于更完整地 分割物体和背景， 提高了点云分割的 效果。 权利要求书3页 说明书13页 附图3页 CN 113936027 A 2022.01.14 CN 113936027 A 1.一种获取物体位置的方法， 其特 征在于， 包括： 获取物体的点云数据， 所述 点云数据包括 点云的位置信息； 利用所述 点云数据构造点云的特 征向量； 初始化每个点云属于每个类别的概率， 得到点云的类别的初始概率分布pi＝[pi1, pi2,…,pic]， 其中i表示第i个点云， pij表示第i个点云属于第j个类别的概率， 类别的数量为 c个， 点云的类别代 表点云所属的物体； 对于每个点云， 将该点云 的类别的初始概率分布pi以及点云的特征向量输入预先训练 好的概率图模型中， 以得到该点云的类别的概率分布， 其中， 所述概率图模型中的随机变量 为点云的类别， 且各随机变量相互独立， 所述概率图模型 的能量函数包括一元部分和二元 部分， 所述初始概率分布pi用于初始化所述一元部分， 所述二元部分为当前点云和其他点 云两两之间构成的特 征向量对的函数表示； 取每个点云的类别的概 率分布中概 率最大的作为 这个点云的类别； 根据预设的变换矩阵， 将点云及其类别映射到一图像上， 对该图像进行连通性分析获 得连通区域， 并根据预设条件 对连通区域进行筛 选， 获得每 个物体所在的区域； 获取每个物体所在的区域的重心， 并根据 所述变换矩阵将物体所在区域及其重心映射 到点云上， 获得物体在空间中的最小外 接矩形和重心。 2.一种点云 分割的方法， 其特 征在于， 包括： 获取点云数据， 所述 点云数据包括 点云的位置信息； 利用所述 点云数据构造点云的特 征向量； 初始化每个点云属于每个类别的概率， 得到点云的类别的初始概率分布pi＝[pi1, pi2,…,pic]， 其中i表示第i个点云， pij表示第i个点云属于第j个类别的概率， 类别的数量为 c个； 对于每个点云， 将该点云 的类别的初始概率分布pi以及点云的特征向量输入预先训练 好的概率图模型中， 以得到该点云的类别的概率分布， 其中， 所述概率图模型中的随机变量 为点云的类别， 且各随机变量相互独立， 所述概率图模型 的能量函数包括一元部分和二元 部分， 所述初始概率分布pi用于初始化所述一元部分， 所述二元部分为当前点云和其他点 云两两之间构成的特 征向量对的函数表示； 取每个点云的类别的概率分布中概率最大的作为这个点云的类别， 从而完成点云分 割。 3.如权利要求1或2所述的方法， 其特 征在于， 所述 概率图模型用公式表示 为： 其中 xi 为表示第 i个点云的类别的随机变量， Qi(xi)为第i个点云的类别的概率分布， l表示某一类 别， l′表示除了l以外的所有其他类别， μ(l,l ′)为标记一致性项， wm为权重， fi为第i个点云 的特征向量， h(m)(fi,fj)为第m个二元项， 用于表征两个点云的关系， K为二元项的数目，权　利　要　求　书 1/3 页 2 CN 113936027 A 2为一元部分且 为二元部分， Zi为归 一化因子且 4.如权利要求3所述的方法， 其特征在于， 所述概率图模型通过以下方式计算得到点云 的类别的概 率分布： 首先令 然后迭代执 行以下步骤直至Qi(xi)收敛： 对于所有m， 计算 计算 令 对Qi(xi)进行指数化和归一 化处理。 5.如权利要求3所述的方法， 其特征在于， 所述点云的特征向量包括点云的位置信 息和 法向量， K＝2， 且 其中， pi表示第i个点云的位置信息， ni表示第i个点云的法向量， σ1、 σ2和σ3为预设参数， 特征向量fi＝(pi,ni)是一个六维向量。 6.如权利要求4所述的方法， 其特征在于， 还包括对初始概率分布pi进行指数化和归一 化处理； 其中对pi或Qi(xi)进行指数化和归一 化处理具体为： 获取概率分布中的最大值 根据以下公式计算 以替代原本的概率 值ζij： 其中ζi＝[ ζi1, ζi2,…, ζic]表示pi或Qi(xi)的概率分布。 7.如权利要求3所述的方法， 其特 征在于， 所述 概率图模型通过以下 方式训练： 获取点云样本数据和对应的类别标记； 利用点云样本数据构造点云的特 征向量； 初始化每 个点云属于每 个类别的概 率， 得到点云的类别的初始概 率分布p′i； 将点云的类别的初始概率 分布p′i以及点云的特征向量输入所述概率图模型中， 根据得权　利　要　求　书 2/3 页 3 CN 113936027 A 3