一种基于密度约束自适应图卷积的点云几何压缩方法技术

一种基于密度约束自适应图卷积的点云几何压缩方法属于点云压缩技术领域。本发明专利技术在编码端通过密度约束自适应图卷积提取点云几何特征，可以有效的保留点云的局部几何信息。在解码端分层逐步重建点云，可以逐步恢复点云几何细节。添加局部密度损失约束有助于保持重建点云和原始点云的局部几何一致性。使用本发明专利技术所提出的基于密度约束自适应图卷积的点云几何压缩方法对点云数据进行压缩，可以实现更优的率失真优化，并获得在几何细节表现方面质量更优的重建点云。更优的重建点云。更优的重建点云。

【技术实现步骤摘要】
一种基于密度约束自适应图卷积的点云几何压缩方法


[0001]本专利技术属于点云压缩
，尤其涉及一种基于密度约束自适应图卷积的点云几何压缩方法。

技术介绍

[0002]点云是一种先进的表示三维空间中物体和场景的数据，它利用大量空间坐标点的集合离散地表示三维物体表面信息。点云数据由几何信息(三维空间坐标x,y,z)以及属性信息(如颜色、法向量、反射强度等)组成，一般通过多方位相机、深度传感器和激光雷达等3D采集设备获取。相比于传统2D图像和视频，3D点云能够提供更全面、灵活的表示三维信息，具有极强的交互式和沉浸式效果。随着三维信息感知技术的飞速发展，点云已广泛应用于自动驾驶、机器人视觉、虚拟/增强现实(VR/AR)、沉浸式媒体等领域。然而，高维度的数据特点和高精度、大场景的使用需求造成点云的数据量巨大，这给它的存储和传输带来了压力和挑战。因此，对点云数据进行有效的压缩编码对于点云的广泛应用具有重要意义，逐渐成为目前相关技术研究和标准化领域的研究热点。
[0003]近年来，3D点云几何压缩方法已得到广泛的研究，目前相关的研究工作可分为基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于密度约束自适应图卷积的点云几何压缩方法，其特征在于包括以下步骤：步骤1、对于获取的点云数据进行预处理；步骤2、构建提取和聚合点云几何特征的编码器，获取点云紧致几何特征，其中包括密度约束自适应图卷积模块、下采样模块和最大池化模块；步骤3、使用具有超先验的熵编码器对点云几何特征进行压缩编码；步骤4、构建恢复点云坐标和特征的解码器，其中包括坐标重建模块(CR)；步骤5、构建损失函数，其中包括多尺度倒角距离损失L
CD
和局部密度损失L
LD
；步骤6、根据所述编码器、熵编码器和解码器构建基于密度约束自适应图卷积的点云几何压缩网络模型，根据所述损失函数对网络进行端到端训练；步骤7、将点云数据输入训练完成的模型，实现点云压缩。2.根据权利要求1所述的一种基于密度约束自适应图卷积的点云几何压缩方法，其特征在于：步骤1的具体操作：获取点云数据作为训练集，将每个点云三维坐标归一化至单位圆内。3.根据权利要求1所述的一种基于密度约束自适应图卷积的点云几何压缩方法，其特征在于，步骤2的具体操作：步骤2
‑
1、使用基于密度约束的图卷积模块(DCAGC)提取点云几何特征，通过适应地学习相邻点特征并将其附加到关键点；步骤2
‑
2、使用最远点采样方法对点云进行下采样，减少点云点数；步骤2
‑
3、重复步骤2
‑
1和步骤2
‑
2，逐步扩大感受野，同时聚合点云几何特征；步骤2
‑
4、通过最大池化模块获得点云一维紧致特征。4.根据权利要求1所述的一种基于密度约束自适应图卷积的点云几何压缩方法，其特征在于，步骤3的具体操作：使用熵编码器对点云几何特征进行压缩，其中熵编码器为变分自动编码器，包括量化模块、算数编码和超先验模型。5.根据权利要求1所述的一种基于密度约束自适应图卷积的点云几何压缩方法，其特征在于，步骤4的具体操作：步骤4
‑
1：使用坐标重建模块对点云三维坐标与几何特征进行上采样；步骤4
‑
2：重复步骤4
‑
1，逐步恢复点云三维坐标和特征，最终重建点云。6.根据权利要求1所述的一种基于密度约束自适应图卷积的点云几何压缩方法，其特征在于：步骤1、对于获取的点云数据进行预处理；采用公开的点云数据集，从中划分训练集、验证集和测试集；将其三维坐标归一化至单位圆内；步骤2、构建提取和聚合点云几何特征的编码器，获取点云紧致几何特征；点云表示为一组3D点的集合其中x
i
表示第i个点的三维坐标(x，y，z)，N为点云点数；相应的，点云的特征表示为其中f
i
表示第i个点的特征，T为特征维度；步骤2包括以下子步骤：
步骤2
‑
1、使用基于密度约束的图卷积模块DCAGC提取点云几何特征，输入为点云坐标X和特征F，输出为高维几何特征F
′
；步骤2
‑
2、使用最远点采样方法FPS对点云进行下采样；与其他下采样方法相比，FPS可以获得最能保持点云原始形状的子集；FPS的具体过程为：首次随机选择一点，接下来每次都选择与被选择点集距离最远的点加入到被选择点集中，直至被选择点数满足要求；步骤2
‑
3、重复步骤2
‑
1和步骤2
‑
2，逐步扩大感受野，同时高效聚合点云几何特征；其中基于密度约束的图卷积模块DCAGC的输出维度M分别为64、128和256；其中使用最远点采样方法FPS对点云进行2阶段下采样，下采样比例为1/4，从而获得具有512和128个点的点云；步骤2
‑
4、通过最大池化模块将最后一个阶段点云的特征F
″
池化为一维紧致特征F
out
，其中F
out
＝max(F
″
)步骤3、使用具有超先验的熵编码器VAE对点云几何特征进行压缩编码，包括量化模块、算数编码和超先验模型；在训练过程中将量化操作替换为添加随机噪声以实现梯度的反向传播，具体操作为：其中[]代表量化操作，符号d代表求微分，u为[
‑
0.5，0.5]间的随机噪声；步骤4、构建恢复点云坐标和特征的解码器；步骤4包括以下子步骤：步骤4
‑
1：使用坐标重建模块上采样点云三维坐标与几何特征步骤4
‑
2：重复步骤4
‑
1，对点云进行2阶段上采样，逐步恢复具有128和512的点的点云三维坐标和特征，最终重建点云；步骤5、构建损失函数，其中包括多尺度倒角距离损失L
CD
和局部密度损失L
LD
；步骤五的具体操作：根据率失真优化构建损失函数，率失真优化描述为：L＝λ
·
D+R其中压缩率R表示经过熵编码后比特流的比特数，失真D使用重建质量衡量，λ为拉格朗日乘数，用于权衡压缩率R和失真D；失真D括多尺度倒角距离损失L
CD
和局部密度损失...

【专利技术属性】
技术研发人员：王瑾，王丹，李晨阳，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：