一种深度学习自适应特征维度的点云几何编码方法及系统技术方案

本发明专利技术涉及一种深度学习自适应特征维度的点云几何编码方法，首先，把一帧点云分块，对分块的点云进行体素化。然后，使用自编码器的编码器把点云映射为N*8*8*8的特征系数，计算不同N时，使用解码器重建点云的均方误差与码率之间构成的代价函数,求解使得代价函数最小时对应的特征维度，输出此时对应的比特流。再而，使用解码器重建点云。最后，根据重建的点云和最小值还原真实的块点云。对输出的每一块点云融合得到解码点云。本发明专利技术优化点云的失真和码率的大小，能够快速获取最佳特征维度，进一步提高点云压缩效率及质量。步提高点云压缩效率及质量。步提高点云压缩效率及质量。

【技术实现步骤摘要】
一种深度学习自适应特征维度的点云几何编码方法及系统


[0001]本专利技术涉及3D点云数字化领域，具体涉及一种深度学习自适应特征维度的点云几何编码方法及系统。

技术介绍

[0002]点云对三维的真实世界的数字化采样，形式上，是一对点的集合，每一个点由几何信息(x,y,z)和属性信息(例如，R,G,B,反射强度等)组成。3D点云数字化重建了真实的三维世界。目前已经广泛应用于虚拟现实和增强现实、无人驾驶、医疗以及高精度地图等领域。然而，相比传统的2D的图像，2D图像是排列规则的属性信息(颜色信息比如：R,G,B或者灰度值)的集合，点云则是无序点的集合且数量级至少超过2D图像一个数量级，因此，有效的点云压缩是十分具有挑战性的，对点云的存储和传输是必不可少。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种深度学习自适应特征维度的点云几何编码方法及系统，以解决上述问题。
[0004]为实现上述目的，本专利技术采用如下技术方案：
[0005]一种深度学习自适应特征维度的点云几何编码方法，包括以下步骤：
[0006]步骤S1:将原始点云进行分块和体素化处理；
[0007]步骤S2:根据步骤S1得到的体素化点云，通过自编码器进行点云编码和重建；
[0008]步骤S3:计算不同特征维度N下重建点云和原始点云的均方误差MSE
N
以及相应的码率之间构成的代价函数S(N)，将代价函数最小对应的特征维度作为最佳特征维度N
*
；
>[0009]步骤S4:对最佳特征维度对应的比特流熵解码，并把得到的整数反量化为原来的浮点数系数，把特征系数输入到三层的自编码器对应的解码器，使得特征系数映射回点云,得到最终的重建点云；
[0010]步骤S5:对步骤S1得到的整块点云的最小值进行熵编码；
[0011]步骤S6:基于步骤S4得到的最终的重建点云和步骤S5熵解码的最小值还原的原始的块点云，进一步融合块点云形成了最终的解码点云。
[0012]进一步的，所述步骤S1具体为：将原始点云均匀分割成64*64*64的块，并采用3D卷积提取点云特征，对点云体素化，有点用“1”表示，没有则用“0”表示。
[0013]进一步的，所述步骤S2具体为：
[0014]S201:对输入的64*64*64体素化的点云，采用32个5*5*5的3D卷积核学习体素化的点云的特征，步长为2，输出的的特征向量变为32*32*32*32，激活函数采用sigmoid函数；
[0015]S202:采用32个5*5*5的3D卷积核学习体素化的点云的特征，步长为2，因此，输出的的特征向量变为32*16*16*16；
[0016]S203:采用N个5*5*5的3D卷积核学习体素化的点云的特征，步长为2，因此，输出的的特征向量变为N*8*8*8；
[0017]S204:对N*8*8*8的为浮点数的特征系数采用均匀量化到22到2
16
的整数；
[0018]S205:熵编码量化后的特征系数；
[0019]S206:解码出特征系数；
[0020]S207：反量化回原来的浮点数；
[0021]S208:采用N个5*5*5的3D反卷积核学习体素化的点云的特征，步长为2，因此，输出的的特征向量变为N*16*16*16，激活函数采用sigmoid函数；
[0022]S209:采用32个5*5*5的3D反卷积核学习体素化的点云的特征，步长为2，因此，输出的的特征向量变为32*32*32*32，激活函数采用sigmoid函数；
[0023]S210：采用1个5*5*5的3D反卷积核学习体素化的点云的特征，步长为2，因此，输出的的特征向量变为1*64*64*64，激活函数采用sigmoid函数，输出结果四舍五入变为体素化的0和1。
[0024]进一步的，所述代价函数S(N),具体如下：
[0025]N
*
＝argminS(N)＝argmin(MSE
N
+α*RATE
N
)
[0026][0027]其中，N
*
为求解的最佳特征维度；N是不同的特征维度,其取值为8、16、32、64、128、256；MSE
N
是原始点云和重建点云之间的均方误差；α是为了使得码率和均方误差处于同一个数量级的系数，如上式所示，α＝10
λ
，λ取值为
‑
4到4的且满足上式的整数；RATE
N
是特征维度为N时对应的码率大小。
[0028]进一步的，所述步骤S4具体为：
[0029]步骤S401:对输出的比特流进行解码，还原量化后的特征系数；
[0030]步骤S402:把整数的特征系数反量化为原来的浮点数；
[0031]步骤S403:采用N个5*5*5的3D反卷积核学习体素化的点云的特征，步长为2，因此，输出的的特征向量变为N*16*16*16，激活函数采用sigmoid函数；
[0032]步骤S404:采用32个5*5*5的3D反卷积核学习体素化的点云的特征，步长为2，因此，输出的的特征向量变为32*32*32*32，激活函数采用sigmoid函数；
[0033]步骤S405:采用1个5*5*5的3D反卷积核学习体素化的点云的特征，步长为2，因此，输出的的特征向量变为1*64*64*64，激活函数采用sigmoid函数，输出结果四舍五入变为体素化的0和1。
[0034]一种深度学习自适应特征维度的点云几何编码系统，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如权利要求上述的点云几何编码方法中的步骤。
[0035]本专利技术与现有技术相比具有以下有益效果：
[0036]本专利技术优化点云的失真和码率的大小，能够快速获取最佳特征维度，进一步提高点云压缩效率及质量。
附图说明
[0037]图1是本专利技术总体流程图。
[0038]图2是本专利技术一实施例中基于自编码器的点云编码和重建流程图。
[0039]图3是本专利技术一实施例中基于特征向量的点云重建流程图。
具体实施方式
[0040]下面结合附图及实施例对本专利技术做进一步说明。
[0041]请参照图1，本专利技术提供一种深度学习自适应特征维度的点云几何编码方法，包括以下步骤：
[0042]步骤S1:将原始点云进行分块和体素化处理；把点云均匀分割成64*64*64的块。为了后续使用3D卷积提取点云特征，首先对点云体素化，有点用“1”表示，没有则用“0”表示。
[0043]步骤S2:对体素化的点云使用三层的自编码器的编码器，把点云映射到特征空间，特征是N*2*2*2大小的一组系数，进一步对浮点数的系数均匀量化到22到2
16
的整数，对量化后的系数直接熵编码，输出比特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习自适应特征维度的点云几何编码方法，其特征在于，包括以下步骤：步骤S1:将原始点云进行分块和体素化处理；步骤S2:根据步骤S1得到的体素化点云，通过自编码器进行点云编码和重建；步骤S3:计算不同特征维度N下重建点云和原始点云的均方误差MSE
N
以及相应的码率之间构成的代价函数S(N)，将代价函数最小对应的特征维度作为最佳特征维度N
*
；步骤S4:对最佳特征维度对应的比特流熵解码，并把得到的整数反量化为原来的浮点数系数，把特征系数输入到三层的自编码器对应的解码器，使得特征系数映射回点云,得到最终的重建点云；步骤S5:对步骤S1得到的整块点云的最小值进行熵编码；步骤S6:基于步骤S4得到的最终的重建点云和步骤S5熵解码的最小值还原的原始的块点云，进一步融合块点云形成了最终的解码点云。2.根据权利要求1所述的一种深度学习自适应特征维度的点云几何编码方法，其特征在于，所述步骤S1具体为：将原始点云均匀分割成64*64*64的块，并采用3D卷积提取点云特征，对点云体素化，有点用“1”表示，没有则用“0”表示。3.根据权利要求1所述的一种深度学习自适应特征维度的点云几何编码方法，其特征在于，所述步骤S2具体为：S201:对输入的64*64*64体素化的点云，采用32个5*5*5的3D卷积核学习体素化的点云的特征，步长为2，输出的的特征向量变为32*32*32*32，激活函数采用sigmoid函数。；S202:采用32个5*5*5的3D卷积核学习体素化的点云的特征，步长为2，因此，输出的的特征向量变为32*16*16*16；S203:采用N个5*5*5的3D卷积核学习体素化的点云的特征，步长为2，因此，输出的的特征向量变为N*8*8*8；S204:对N*8*8*8的为浮点数的特征系数采用均匀量化到22到2
16
的整数；S205:熵编码量化后的特征系数；S206:解码出特征系数；S207：反量化回原来的浮点数；S208:采用N个5*5*5的3D反卷积核学习体素化的点云的特征，步长为2，因此，输出的的特征向量变为N*16*16*16，激活函数采用sigmoid函数；S209:采用32个5*5*5的3D反...

【专利技术属性】
技术研发人员：郑明魁，王适，林育芳，郭梦溪，王泽峰，
申请(专利权)人：福州大学，
类型：发明
国别省市：