(19)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 202210556173.6 (22)申请日 2022.05.20 (71)申请人 上海人工智能创新中心 地址 200232 上海市徐汇区云锦路701号 37、 38层 (72)发明人 张仁瑞　郭子瑜　王亚立　高鹏　 李鸿升　乔宇　 (74)专利代理 机构 北京派特恩知识产权代理有 限公司 1 1270 专利代理师 李江　徐川 (51)Int.Cl. G06V 10/40(2022.01) G06V 10/46(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01)G06V 10/80(2022.01) G06V 10/74(2022.01) (54)发明名称 点云识别方法、 装置、 设备和计算机可读存 储介质 (57)摘要 本申请实施例公开了一种点云识别方法、 装 置、 设备和计算机可读 存储介质。 该方法包括： 对 点云中每个点的位置信息进行位置编码， 得到每 个点的初始特征； 在点云中确定至少一个初始中 心点， 以及确定至少一个初始中心点中每个初始 中心点对应的至少一个邻近点； 对于每个初始中 心点， 通过计算邻近点与初始中心点的距离， 对 至少一个邻近点对应的至少一个初始特征进行 特征聚合， 得到每个初始中心点对应的邻域特 征； 基于每个初始中心点对应的邻域特征， 在至 少一个初始中心点中进行下一次中心点确定与 邻近点特征聚合， 直至确定出全局中心点以及全 局特征； 基于全局特征进行识别， 得到点云的识 别结果。 通过本申请， 能够提高点云识别的效率。 权利要求书3页 说明书17页 附图10页 CN 114926647 A 2022.08.19 CN 114926647 A 1.一种点云识别方法， 其特 征在于， 包括： 对点云中每 个点的位置信息进行位置编码， 得到所述每 个点的初始特 征； 在所述点云中确定至少一个初始中心点， 以及确定所述至少一个初始中心点中每个初 始中心点对应的至少一个邻近点； 对于所述每个初始中心点， 通过计算邻近点与初始中心点的距离， 对至少一个邻近点 对应的至少一个初始特 征进行特征聚合， 得到所述每 个初始中心点对应的邻域特 征； 基于所述每个初始中心点对应的邻域特征， 在所述至少一个初始中心点中进行下一 次 中心点确定与邻近点特征聚合， 直至确定出全局中心点以及全局特征； 所述全局特征是通 过对所述全局中心点对应的至少一个邻近点进行 特征聚合得到的； 基于所述全局特 征进行识别， 得到所述 点云的识别结果。 2.根据权利要求1所述的方法， 其特征在于， 所述通过计算邻近点与初始中心点的距 离， 对至少一个邻近点对应的至少一个初始特征进行特征聚合， 得到所述每个初始中心点 对应的邻域特 征， 包括： 根据所述至少一个初始邻 近点中每个初始邻 近点的第 一位置信 息， 以及所述每个初始 中心点的第二 位置信息， 得到所述每 个初始邻近点与所述每 个初始中心点之间的距离； 对所述距离进行位置编码， 作为所述每 个初始邻近点对应的权 重； 基于所述权重， 对所述每个初始邻近点对应的初始特征进行加权， 并对得到的至少一 个加权特 征进行融合， 得到所述每 个初始中心点对应的所述邻域特 征。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述权重， 对所述每个初始邻近 点对应的初始特征进行加权， 并对得到的至少一个加权特征进行融合， 得到所述每个初始 中心点对应的所述邻域特 征， 包括： 对于所述每个初始邻 近点， 将所述权重与 所述每个初始邻 近点对应的初始特征按特征 维度进行相乘， 得到所述每个邻近点对应的加权特征， 得到所述至少一个初始邻近点对应 的所述至少一个加权特 征； 所述加权特 征包含至少一个特 征维度； 对于所述至少一个特征维度中的每个特征维度， 将所述每个特征维度在所述至少一个 加权特征中对应的最大值， 作为所述每个特征维度的邻域特征值， 得到所述每个初始中心 点对应的所述邻域特 征。 4.根据权利要求3所述的方法， 其特征在于， 所述基于所述每个初始中心点对应的邻域 特征， 在所述至少一个初始中心点中进行下一次中心点确定与邻近点特征聚合， 直至确定 出全局中心点以及全局特 征， 包括： 在所述至少一个初始中心点的数量大于预设数量阈值的情况下， 在所述至少一个初始 中心点中确定 至少一个更新中心点； 对于所述至少一个更新中心点中的每个更新中心点， 在所述至少一个初始中心点中确 定出所述每个更新中心 点对应的至少一个更新邻近点， 并对所述至少一个更新邻近点对应 的至少一个邻域特征进行特征聚合， 得到所述每个更新中心点对应的更新邻域特征； 以上 述过程迭代进 行， 直至基于上一次的至少一个更新中心 点确定出的更新中心 点数量达到所 述预设数量阈值的情况 下， 得到全局中心点； 确定所述全局中心点对应的至少一个全局邻 近点， 并对所述至少一个全局邻 近点对应 的至少一个更新邻域特 征进行特征聚合， 得到所述全局特 征。权　利　要　求　书 1/3 页 2 CN 114926647 A 25.根据权利要求1所述的方法， 其特征在于， 所述确定所述至少一个初始中心点中每个 初始中心点对应的至少一个邻近点之后， 所述方法还 包括： 通过预训练的第一线性层， 对所述至少一个初始特征进行线性变换， 并利用线性变换 后的至少一个第一特 征更新所述至少一个初始特 征。 6.根据权利要求3所述的方法， 其特征在于， 所述得到所述每个邻 近点对应的加权特征 之后， 所述方法还 包括： 通过预训练的第二线性层， 对所述每个邻近点对应的加权特征进行线性变换， 并利用 线性变换后的加权特 征更新所述每 个初始邻近点对应的加权特 征。 7.根据权利要求1所述的方法， 其特征在于， 所述得到所述每个初始中心点对应的邻域 特征之后， 所述方法还 包括： 通过预训练的第三线性层， 对所述每个初始中心点对应的邻域特征进行线性变换， 并 利用线性变换后的邻域特 征更新所述每 个初始中心点对应的邻域特 征。 8.根据权利要求1 ‑7任一项所述的方法， 其特征在于， 所述在所述点云中确定至少一个 初始中心点， 以及确定所述至少一个初始中心点中每个初始中心点对应的至少一个邻近 点， 包括： 利用最远点采样算法， 从所述 点云中确定出至少一个初始中心点； 对于所述至少一个初始中心点中的每个初始中心点， 利用邻近分类算法， 确定出所述 至少一个初始邻近点。 9.根据权利要求1 ‑7任一项所述的方法， 其特征在于， 所述基于所述全局特征进行识 别， 得到所述 点云的识别结果， 包括： 将所述全局特征与至少一个预设全局特征进行对比， 得到所述全局特征与 所述至少一 个预设全局特征之 间的至少一个相似度； 所述至少一个预设全局特征对应至少一个预设类 别； 根据所述至少一个相似度， 得到所述至少一个预设类别对应的至少一个第一置信度； 并根据所述至少一个第一置信度， 在所述至少一个预设类别中确定所述全局特征对应的目 标预设类别； 将所述目标 预设类别作为所述识别结果。 10.根据权利要求9所述的方法， 其特征在于， 所述根据所述至少一个相似度， 得到所述 至少一个预设类别对应的至少一个第一置信度之后， 所述方法还 包括： 利用预训练的第一识别网络， 对所述点云进行识别， 得到所述至少一个预设类别对应 的至少一个第二置信度； 对所述至少一个第 一置信度与所述至少一个第 二置信度进行加权 融合， 基于融合得到 的至少一个置信度确定所述识别结果。 11.根据权利要求1 ‑7任一项所述的方法， 其特征在于， 所述基于所述全局特征进行识 别， 得到所述 点云的识别结果， 包括： 通过预训练的第二识别网络， 对所述全局特 征进行识别， 得到所述 点云的识别结果。 12.根据权利要求9所述的方法， 其特征在于， 所述将所述全局特征与至少一个预设全 局特征进 行对比， 得到所述全局特征与所述至少一个预设全局特征之 间的至少一个相似度 之前， 所述方法还 包括：权　利　要　求　书 2/3 页 3 CN 114926647 A 3