一种基于深度学习的三维点云数据压缩方法与系统技术方案

本发明专利技术提供一种基于深度学习的三维点云数据压缩方法与系统，涉及点云数据压缩处理技术领域，其中，基于深度学习的三维点云数据压缩方法包括：获取基于PointNet神经网络点云数据模型的语义标记，采用Mean

【技术实现步骤摘要】
一种基于深度学习的三维点云数据压缩方法与系统


[0001]本专利技术涉及点云数据压缩处理
，尤其涉及一种基于深度学习的三维点云数据压缩方法与系统。

技术介绍

[0002]点云模型分割是鲁棒目标识别的关键，对机器人自主、自动驾驶等具有重要意义。目前，Maturana等人提出了一种有效的点云分割架构，该架构通过将容积占用网格来实现3D目标识别。相反，由于不必要的冗长，Qi等人提出了一种局部处理每个点的统一架构，以提高形状分割的效率，并且对输入点的排列不变性具有鲁棒性。Landrieu等人用超点图来表示三维形状分割，超点图是将大尺度点云场景分割成几何均匀的元素。Brostow等人提出了一种三维形状语义分割的算法，通过将5个3D索引投射回二维图像平面，从而对运动点云的空间布局和环境进行建模。
[0003]现有的三维网格压缩方法大多基于几何结构，由于其格式不规则，大多数研究人员将这些数据转换为规则的三维体素网格或图像，以便于通过深度学习其中的卷积操作进行权值共享、优化kernel参数等。但是，这会使得数据变得不必要的庞大，并导致一些问题。
[0004]目前对三维点云模型的压缩研究有很多不同的技术，如小波变换、图变换和层次变换。在该领域，研究人员还开发了有效和高效的3D动画压缩方法。与静态形状相比，这些方法通过研究运动的时间冗余和表面的空间冗余，提高了压缩效率。
[0005]综上所述，目前技术方案能够实现点云压缩，但是压缩效率仍然是目前国内研究的方向。
[0006]公开号为CN1110135227A，名为“一种基于机器学习的激光点云室外场景自动分割方法”的中国专利公开了一种利用基于三维卷积神经网络计算特征向量，结合代价函数进行迭代压缩数据的方法。但是本专利技术基于PointNet神经网络进行语义分割，再利用八叉树算法来实现点云数据的压缩。

技术实现思路

[0007]针对
技术介绍
中存在压缩效率不高的具体问题，提供一种基于深度学习的三维点云数据压缩方法与系统，通过结合具有语义标记的三维模型，计算出与基于语义的标准模型的最优对齐，再使用八叉树算法进行压缩，从而使得八叉树编码性能更优越，提高压缩效率。
[0008]为了实现上述目的，本专利技术采用的技术方案包括以下各方面。
[0009]一种基于深度学习的三维点云数据压缩方法，包括：步骤101，通过PointNet神经网络对输入的点云数据模型进行语义分割，得到基于语义标记的语义组合模型；步骤102，基于所述语义组合模型进行组件分割得到单个项目；步骤103，基于所述单个项目，计算与基于语义的标准模型的最优对齐，再对点云
数据进行组织排序，得到有序的点云数据模型；步骤104，基于所述有序的点云数据模型利用八叉树表示法获取点云数据模型的空间特征，结合所述空间特征计算三维物体分类，对每个类内的项目进行流化处理实现压缩。
[0010]优选的，一种基于深度学习的三维点云数据压缩方法中，步骤102具体包括：采用基于密度的非参数聚类算法对所述语义组合模型进行组件分割，以分离成单个项目。
[0011]优选的，一种基于深度学习的三维点云数据压缩方法中，于，所述基于密度的非参数聚类算法采用Mean
‑
Shift算法。
[0012]优选的，一种基于深度学习的三维点云数据压缩方法中，步骤103具体还包括采用迭代最近点算法，将单个项目与基于语义的标准模型对齐。
[0013]优选的，一种基于深度学习的三维点云数据压缩方法中，所述基于语义的标准模型为自动从每个语义集中选择具有中等数量点的对象优选的，一种基于深度学习的三维点云数据压缩方法中，步骤103具体还包括：采用KD
‑
tree 算法对点云数据进行组织排序。
[0014]优选的，一种基于深度学习的三维点云数据压缩方法中，步骤104具体还包括：根据所述空间特征表示，用混合层评价来计算所有单个项目的分类，基于分类再对每个类内的项目进行流化处理。
[0015]优选的，一种基于深度学习的三维点云数据压缩方法中，步骤104具体还包括：采用K
‑
Means聚类算法对所述点云数据模型进行三维物体分类，实现将具有相似八叉树结构空间特征的点云数据归为同组。
[0016]一种基于深度学习的三维点云数据压缩系统，包括：语义分割模块，用于基于PointNet神经网络对输入的点云数据模型进行语义分割，得到基于语义标记的语义组合模型；组件分割模块，用于基于所述语义组合模型进行组件分割得到单个项目；最优对齐模块，用于基于所述单个项目，计算与基于语义的标准模型的最优对齐，再对点云数据进行组织排序，得到有序的点云数据模型；八叉树编码模块，用于基于所述有序的点云数据模型利用八叉树表示法获取点云数据模型的空间特征，结合所述空间特征计算三维物体分类，对每个类内的项目进行流化处理实现压缩。
[0017]综上所述，由于采用了上述技术方案，本专利技术至少具有以下有益效果：本专利技术提供一种基于深度学习的三维点云数据压缩方法与系统，首先基于深度网络技术计算输入的大尺度三维模型的语义标记得到语义组合模型。其次，将语义组合模型分解为单个项目，并计算出与标准对象的最优对齐，再使用八叉树表示法得到空间特征，基于空间特征来计算分类，最后完成对每个类内的项目进行流处理实现压缩。这种三维点云数据压缩方法与系统，利用语义分类提高了八叉树的编码性能，进一步减小了数据冗余，从而提升压缩效率。
附图说明
[0018]图1是根据本专利技术示例性实施例的基于语义分类的大规模三维点云场景流建模流
程图；图2为根据本专利技术示例性实施例的基于“椅子”标记的语义组合模型图；图3为根据本专利技术示例性实施例的两个基于“椅子”标记的单个项目图与基于语义的标准模型；图4为根据本专利技术示例性实施例的基于分级八叉树结构的分类流图；图5为根据本专利技术示例性实施例的基于有无语义分类的率失真曲线对比图；图6为根据本专利技术示例性实施例的具有41,353,055个点在不同细节层次上的大尺度点云模型流图；图7为根据本专利技术示例性实施例的使用提议的模型对椅子(顶部)和Room2(底部)数据的渐进流图；图8为根据本专利技术示例性实施例的基于PointNet神经网络模型的压缩系统；图中标记：100
‑
语义分割模块，200
‑
组件分割模块，300
‑
最优对齐模块，400
‑
八叉树编码模块。
具体实施方式
[0019]下面结合附图及实施例，对本专利技术进行进一步详细说明，以使本专利技术的目的、技术方案及优点更加清楚明白。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0020]实施例1本专利技术基于深度学习的三维点云数据压缩方法，所述基于语义分类的大规模三维点云场景流模型如图1所示，包括如下步骤：步骤101，通过PointNet神经网络对输入的点云数据模型进行语义分割，得到基于语义标记的语义组合模型：具体的，应用一种经典的基于深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的三维点云数据压缩方法，其特征在于，所述方法包括：步骤101，通过PointNet神经网络对输入的点云数据模型进行语义分割，得到基于语义标记的语义组合模型；步骤102，基于所述语义组合模型进行组件分割得到单个项目；步骤103，基于所述单个项目，计算与基于语义的标准模型的最优对齐，再对点云数据进行组织排序，得到有序的点云数据模型；步骤104，基于所述有序的点云数据模型利用八叉树表示法获取点云数据模型的空间特征，结合所述空间特征计算三维物体分类，对每个类内的项目进行流化处理实现压缩。2.根据权利要求1所述的方法，其特征在于，所述步骤102具体还包括：采用基于密度的非参数聚类算法对所述语义组合模型进行组件分割，以分离成单个项目。3.根据权利要求2所述的方法，其特征在于，所述基于密度的非参数聚类算法采用Mean
‑
Shift算法。4.根据权利要求1所述的方法，其特征在于，所述步骤103具体还包括：采用迭代最近点算法，将单个项目与基于语义的标准模型对齐。5.根据权利要求4所述的方法，其特征在于，所述基于语义的标准模型为自动从每个语义集中选择具有中等数量点的对象。6...

【专利技术属性】
技术研发人员：罗国亮，吴昊，朱合翌，杨辉，朱志亮，赖伟，鲁挺松，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：