一种基于点的点云几何有损压缩重建装置与方法制造方法及图纸

本发明专利技术公开了一种基于点的点云几何有损压缩重建方法，属于点云压缩技术研究领域。该方法包括编码和解码两个步骤，其中编码包括下采样、特征提取、特征增强和熵编码四个步骤，在完成局部特征提取后首先进行特征增强，然后再进行特征合成与特征压缩。解码先后包括特征恢复、特征增强、坐标恢复和坐标细化四个步骤，在坐标恢复前同样进行了局部坐标增强，并且在重建过程中细化点云。本发明专利技术所提出的方法能够将大规模的点云进行压缩，从而以较少的数据量进行传输，并对点云进行重建，恢复点云的坐标。恢复点云的坐标。恢复点云的坐标。

【技术实现步骤摘要】
一种基于点的点云几何有损压缩重建装置与方法


[0001]本专利技术涉及点云几何压缩
，具体地说，涉及一种基于点的点云几何有损压缩重建装置与方法。

技术介绍

[0002]近年来，三维点云已成为工业监控、自动驾驶、增强现实、虚拟现实等领域渲染3D对象和场景的一种常用格式。Moving Picture Experts Group(MPEG)分别提出了两种使用传统方法的点云压缩标准，即Video
‑
based Point Cloud Compression(V
‑
PCC)和Geometry
‑
based Point Cloud Compression(G
‑
PCC)。V
‑
PCC利用3D到2D的投影，将2D视频编解码器应用于编码投影面；而G
‑
PCC依赖八叉树或三角形表面等3D模型，用于直接对3D内容进行编码。
[0003]随着人工智能技术的不断发展，结合深度神经网络的点云几何压缩方法成为点云压缩领域的一个热门研究方向。目前基于深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于点的点云几何有损压缩重建装置，其特征在于：包括编码模块和解码模块；所述编码模块，包括依次级联的下采样模块、特征提取模块、第一特征增强模块、熵编码模块；所述第一特征增强模块利用自注意力机制对特征提取模块的输出数据进行增强后聚合成全局特征；所述解码模块，包括依次级联的特征恢复模块、第二特征增强模块、坐标恢复模块、坐标细化模块；所述第二特征增强模块利用自注意力机制对特征恢复模块的输出数据进行增强；所述自注意力机制为：将输入特征分别经过三个线性层变换成Query、Key和Value的表示；然后，将Query和转置后的Key相乘得到自注意力得分，并经过Softmax层激活；最后，将激活后的结果与Value相乘，得到增强的特征。2.如权利要求1所述一种基于点的点云几何有损压缩重建装置，其特征在于：所述编码模块中下采样模块，使用最远点采样法将数量为P的原始点云下采样为数量为M的点云；所述特征提取模块，利用K最近邻法对每个点云中的点构建对应的邻居，然后使用神经网络对邻居的特征进行变换；最后采用最大池化法聚合特征，得到每个点维度为M
×
C的局部特征；所述第一特征增强模块利用自注意力机制对特征提取模块的输出数据进行增强后聚合成维度为1
×
C的全局特征；熵编码模块，利用熵编码对维度为1
×
C的全局特征进行压缩。3.如权利要求1所述一种基于点的点云几何有损压缩重建装置，其特征在于：所述解码模块中特征恢复模块采用一个反卷积块，将压缩后的全局特征的维度由1
×
C恢复成N
×
C的点云特征；第二特征增强模块利用与所述第一特征增强模块相同的自注意力机制对维度为N
×
C的恢复后点云特征进行增强；坐标恢复模块利用多层感知机，将维度为N
×
C的增强后的点云特征恢复成维度为N
×
3的点云坐标；坐标细化模块将第二特征增强模块得到的恢复后点云特征和坐标恢复模块得到的点云坐标利用神经网络生成偏置值；然后将偏置值分别与对应位置的点云坐标相加，得到维度为Q
×
3的点云坐标，获得数量为Q的重建点云。4.一种基于点的点云几何有损压缩重建方法，其特征在于包括以下步骤：步骤(1)、编码压缩获取点云数据，利用神经网络提取点云数据的局部特征，然后使用自注意力机制进行增强后聚合成全局特征，最后利用熵编码实现压缩；步骤(2)、解码重建对步骤(1)压缩后的特征进行维度恢复，然后使用与步骤(1)相同的自注意力机制进行局...

【专利技术属性】
技术研发人员：丁丹丹，章骏腾，刘舸昕，
申请(专利权)人：杭州师范大学，
类型：发明
国别省市：