一种点云属性预测方法及其设备技术

本申请属于点云数据处理技术领域，具体而言，涉及一种点云属性预测方法及其设备。本公开包括：确定当前待编码点的K个近邻点，确定预测模式，根据预测模式确定当前待编码点的属性预测值。本发明专利技术在确保编解码复杂度基本不变的前提下，能够有效提高压缩效率。通过加权模式与最近邻点预测模式的结合，削弱了因点与点之间角度，或点与点所在区域反射系数相差过大，造成的近邻点与当前点相比的属性突变，对预测当前待编码点的影响，提高预测的精度，减小预测残差，提高激光雷达点云反射率属性预测的准确性，更好的利用激光雷达点云序列的邻居点对当前点的预测作用。当前点的预测作用。当前点的预测作用。

【技术实现步骤摘要】
一种点云属性预测方法及其设备


[0001]本申请属于点云数据处理
，具体而言，涉及一种点云属性预测方法及其设备。

技术介绍

[0002]三维点云是现实世界数字化的一种重要表现形式。随着三维扫描设备(如激光雷达、深度摄像机等)的快速发展，点云的精度和分辨率变得越来越高。高精度点云在众多领域(比如三维建模、科学可视化等)具有广泛的应用。特别地，三维点云数据越来越成为虚拟现实、增强现实、无人驾驶、机器人定位与导航等新兴应用中极其重要的核心数据之一，其在众多热门研究中起到了技术支撑作用。点云是三维扫描设备对物体表面采样所获取的，一帧点云的点数一般是百万级别，其中每个点包含几何信息和颜色、反射率等属性信息，数据量十分庞大。三维点云庞大的数据量给数据存储、传输等带来了巨大挑战，因此对点云进行压缩变得十分重要。

技术实现思路

[0003]本公开旨在至少一定程度上解决上述技术问题，基于专利技术人对以下事实和问题的发现和认识：点云压缩的框架，目前主要有国际标准组织MPEG(Moving Picture Experts Group)所提供的TMC13v12.0(Test Model for Category1&3version12.0)和中国AVS(Audio Video coding Standard)点云压缩工作组所提供的PCRMv2.0(Point cloud Reference Software Model version2.0)两个测试平台。两个测试平台均采用基于几何(Geometryr/>‑
based Point Cloud Compression,G
‑
PCC)的压缩方法,该方法对点云的几何信息与属性信息分别进行编码。在测试平台PCRMv2.0中，针对点云的属性信息，特别针对其中的激光雷达点云数据集的反射率属性，在对其进行基于插值预测的点云属性预测编码时，会将所有点按照一定的顺序(莫顿序，希尔伯特序)进行排列，基于此顺序，使用差分方式进行属性预测，第一步首先遍历排序后的点云。对于第一个点，因为没有参考点进行预测，其预测值为0，设当前待编码点属性值为A0，则预测残差R0＝A0，在接受一定程度的属性信息损失的情况下，为了节省码率，会对预测残差进行量化，对量化残差进行熵编码。将第一个点的量化残差码流解码，再经过反量化即可得到预测残差(量化与反量化是有损的操作，此时的预测残差不等于R0)，此时的预测残差加上第一个点的预测值0即可得到第一个点的属性重建值。对于剩余待编码点，在编码其中某一个点的反射率属性时，在已经编码的点集合中寻找当前编码点的K个最近邻居点作为预测点，然后利用K个预测点与当前待编码点之间的曼哈顿距离的倒数作为权重，计算K个邻居点的属性重构值的加权平均值，作为当前待编码点的属性预测值。与第一步相同，得到量化残差，对其进行熵编码。重复上述步骤，直至处理完点云中的所有点，得到激光雷达点云反射率属性的码流。
[0004]然而对于激光雷达点云，反射率属性与角度，反射系数也有较强的相关性，上述的加权模式存在以下问题：基于希尔伯特序或莫顿序查找到与当前待编码点曼哈顿距离最近
的K个预测点中，部分点的反射率属性相关性被其他影响因素削弱，导致这些预测点与当前待编码点的属性值差异过大，导致预测残差变大，降低了压缩效率。
[0005]鉴于此，本公开提出了一种点云属性预测方法及其设备，以解决相关技术中存在的问题，提高激光雷达点云属性信息(反射率)的压缩性能。
[0006]根据本公开的第一方面，提出点云属性预测方法，包括：
[0007]确定当前待编码点的K个近邻点；
[0008]确定点云属性预测模式；
[0009]根据预测模式确定当前待编码点的属性预测值。
[0010]可选地，所述确定当前待编码点的K个近邻点，包括：
[0011](1)设原始点云中第k个点的笛卡尔坐标为(x
k
,y
k
,z
k
)，k＝0,
···
K
‑
1，K为原始点云中的点云数；
[0012](2)对原始点云的笛卡尔坐标进行量化转换，量化后的点云笛卡尔坐标为X
k
＝round(x
k
/QS)，Y
k
＝round(y
k
/QS)，Z
k
＝round(z
k
/QS)，其中，QS为设定的几何量化步长，QS>0，round(s)为距离s最近的整数的运算符，
[0013](3)对点云进行重构，包括：
[0014](3
‑
1)对点云的笛卡尔坐标进行反量化转换，反量化转换后的点云坐标为x
k
′
＝round(X
k
*QS)，y
k
′
＝round(Y
k
*QS)，z
k
′
＝round(Z
k
*QS)，得到重构点云的几何信息；
[0015](3
‑
2)为重构点云中的每个点计算新的属性值，对点云属性重上色，包括：
[0016](3
‑2‑
1)设原始点云和重构点云的几何信息分别为(P
i
)
i＝0
…
K
‑1和设原始点云中原始点P
i
的原始属性值(A
i
)
i＝0
…
K
‑1，其中K和K
rec
分别为原始点云和重构点云的总点数；
[0017](3
‑2‑
2)针对重构点云中的每个点在原始点云中建立与Q(i)的关系，其中Q(i)为原始点云中被量化为的点集，Q(i)＝(P
k
(i))
k∈{1,
…
,D(i)}
，D(i)为Q(i)中包含点的个数；
[0018](3
‑2‑
3)计算重构点云中每个点的重构属性值的重构属性值其中，A
k
(i)为与原始点云中原始点P
k
(i)相对应的原始属性值，w
k
(i)表示每个原始点的加权权重w
k
(i)，其中，表示原始点P
k
(i)除以几何量化步长QS后的值，‖ ‖1为矩阵的1
‑
范数，∈为一个常数，∈>0；
[0019](4)遍历重构点云中所有点的几何坐标，利用迭代查询表HilbertTable[12][64][2]，得到与重构点云中所有点相对应的希尔伯特码；按照从小到大的顺序，对所有希尔伯特码进行排序，得到希尔伯特序；
[0020](5)设当前待编码点为P
cur
，当前待编码点为P
cur
的几何坐标为(x
cu本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种点云属性预测方法，其特征在于，包括：步骤1、确定当前待编码点云的K个近邻点；步骤2、确定点云属性预测模式；步骤3、根据预测模式确定当前待编码点的属性预测值。2.根据权利要求1所述的点云属性预测方法，其特征在于，确定当前待编码点的K个近邻点，包括：(1)设原始点云中第k个点的笛卡尔坐标为(x
k
，y
k
，z
k
)，k＝0，
…
K
‑
1，K为原始点云中的点云数；(2)对原始点云的笛卡尔坐标进行量化转换，量化后的点云笛卡尔坐标为X
k
＝round(x
k
/QS)，Y
k
＝round(y
k
/QS)，Z
k
＝round(z
k
/QS)，其中，QS为设定的几何量化步长，QS＞0，round(s)为距离s最近的整数的运算符，(3)对点云进行重构，包括：(3
‑
1)对点云的笛卡尔坐标进行反量化转换，反量化转换后的点云坐标为x
k
′
＝round(X
k
*QS)，y
k
′
＝round(Y
k
*QS)，z
k
′
＝round(Z
k
*QS)，得到重构点云的几何信息；(3
‑
2)为重构点云中的每个点计算新的属性值，对点云属性重上色，包括：(3
‑2‑
1)设原始点云和重构点云的几何信息分别为(P
i
)
i＝0...K
‑1和设原始点云中原始点P
i
的原始属性值(A
i
)
i＝0...K
‑1，其中K和K
rec
分别为原始点云和重构点云中的点数；(3
‑2‑
2)针对重构点云中的每个点在原始点云中建立与Q(i)的关系，其中Q(i)为原始点云中被量化为的点集，Q(i)＝(P
k
(i))
k∈{1，...，D(i)}
，D(i)为Q(i)中包含点的个数；(3
‑2‑
3)计算重构点云中每个点的重构属性值的重构属性值其中，A
k
(i)为与原始点云中原始点P
k
(i)相对应的原始属性值，w
k
(i)表示每个原始点的加权权重w
k
(i)，其中，表示原始点P
k
(i)除以几何量化步长QS后的值，|| ||1为矩阵的1
‑
范数，∈为一个常数，∈＞0；(4)遍历重构点云中所有点的几何坐标，利用迭代查询表HilbertTable[12][64][2]，得到与重构点云中所有点相对应的希尔伯特码；按照从小到大的顺序，对所有希尔伯特码进行排序，得到希尔伯特序；(5)设当前待编码点为P
cur
，当前待编码点为P
cur
的几何坐标为(x

【专利技术属性】
技术研发人员：陈建文，任青山，尹茜，赵丽丽，
申请(专利权)人：北京易智能科技有限公司，
类型：发明
国别省市：