【技术实现步骤摘要】
自适应分块的基于体素的点云压缩方法及装置
本专利技术涉及一种压缩方法及装置，尤其是指一种自适应分块的基于体素的点云压缩方法及装置。
技术介绍
点云压缩目的是将原始点云数据压缩编码，减少传输的带宽或者存储的容量。原始点云数据量庞大，随着点云获取设备的普及和3D应用的兴起，需要对原始点云数据进行压缩来满足传输的带宽或者存储的限制。点云压缩主要可以分为视频点云压缩和几何点云压缩，随着深度学习的发展，目前已经有许多深度学习框架应用在几何点云压缩中。基于深度学习的点云压缩，根据点云压缩中对于原始点云数据的处理，可以分为三类：基于体素的点云压缩、基于原始点云的点云压缩和基于二维矩阵的点云压缩。基于体素的点云压缩是目前比较主流的使用深度学习的点云压缩方式，并且相比其他点云压缩其适应于较大的数据量和各类点云场景。点云数据具有不规则性和数据量大的特点，点云的体素化可以很好的将不规则点云转化为规则的体素，并且体素化的过程中将距离近的点云合并为同一体素，减少了点云需要压缩的庞大的数据量。基于体素的点云压缩的深度学习方法主要为使用三维的自动...
【技术保护点】
1.一种自适应分块的基于体素的点云压缩方法，其特征在于：包括以下步骤，/n步骤S10、对原始的点云数据进行自适应分块；/n步骤10具体包括，/nS11、将原始的点云数据进行八叉树体素划分，得到划分的点云块；/nS12、使用三维卷积网络对划分的点云块进行空间数量分布探测，得到点云块的特征；/nS13、对点云块的特征进行处理，计算出点云块的稠密程度及细节重要程度，根据点云块的稠密程度对点云块进行分类；/nS14、根据点云块的稠密程度及细节重要程度对点云块进行自适应合并；/n步骤S20、对自适应分块后的点云块进行编码；/n步骤S20具体包括，/nS21、对点云训练集进行体素化并特...
【技术特征摘要】
1.一种自适应分块的基于体素的点云压缩方法，其特征在于：包括以下步骤，
步骤S10、对原始的点云数据进行自适应分块；
步骤10具体包括，
S11、将原始的点云数据进行八叉树体素划分，得到划分的点云块；
S12、使用三维卷积网络对划分的点云块进行空间数量分布探测，得到点云块的特征；
S13、对点云块的特征进行处理，计算出点云块的稠密程度及细节重要程度，根据点云块的稠密程度对点云块进行分类；
S14、根据点云块的稠密程度及细节重要程度对点云块进行自适应合并；
步骤S20、对自适应分块后的点云块进行编码；
步骤S20具体包括，
S21、对点云训练集进行体素化并特征强化，首先对点云数据集进行体素化，体素保留体素内点云数量通过三维卷积网络进行体素强化，保留特征强化后体素训练集；
S22、对特征强化后的体素进行编码，得到编码后的潜在表示数据；
S23、对编码后的潜在表示数据进行解码，对解码结果计算改进后的wBCE损失函数，迭代网络；
步骤S30、使用改进后的wBCE损失函数循环执行步骤S21-S23，分别对稠密点云压缩编码器和稀疏点云压缩编码器进行训练；
步骤S40、将训练完成的压缩编码器对自适应分块后的点云块进行编码。
2.如权利要求1所述的自适应分块的基于体素的点云压缩方法，其特征在于：步骤S11具体为，
将原始的点云数据进行八叉树体素划分，划分到最大深度，并统计最大深度的点云块的点云数量。
3.如权利要求2所述的自适应分块的基于体素的点云压缩方法，其特征在于：步骤S12具体为，
将划分的点云数据块分别使用三维卷积网络进行卷积得到主要反应点云周围数量的特征值和主要反映周围点云变化的特征值，加上点云块内的点云数量组成点云块的特征向量。
4.如权利要求3所述的自适应分块的基于体素的点云压缩方法，其特征在于：步骤S13中，对稠密程度和细节重要程度进行计算的公式分别为：
其中，{b1,b2,b3,b4,b5}为步骤S12得到的点云特征向量，D1主要表现该点云块以及附近的稠密程度，u1u2u3为公式参数，Mb1为b1的众数，为b1的平均值，为b2的方差，为b1的方差，为b2的方差，为b3的方差；
D2主要表现该点云块在空间中细节重要程度，u1u2u3u4为公式参数，为b4的平均值，为b5的平均值，Mb4为b4的众数，Mb5为b5的众数，为b4的方差，为b5的方差，D1min和D1max分别为D1(i)的最小值和最大值。
5.如权利要求4所述的自适应分块的基于体素的点云压缩方法，其特征在于：步骤S14具体为，对所有最小点云块进行合并判断，判断依据为其点云块的稠密程度和细节重要程度，若判断函数小于0则合并该8个点云块为大的点云块，判断函数如下所示：
其中，D1(i)和D2(i)由步骤S13计算得出，u1为函数参数，σD1为D1(i)的标准差。
6.如权利要求5所述的自适应分块的基于体素的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。