【技术实现步骤摘要】
本专利技术属于点云编码，具体涉及曲面特征约束的渐进式点云几何信息压缩方法。
技术介绍
1、近年来，随着三维感知技术的迅猛发展和广泛应用，点云成为了三维重建、虚拟现实、自动驾驶等领域中不可或缺的重要数据形式。然而，点云的高维性和大规模性使得其存储和传输变得非常具有挑战性。
2、目前广泛应用的传统压缩方案，如gpcc、draco等，通常先对点云“体素化”处理，然后采用树状或者块状结构划分点云，对结构化的点云进行编码。但是体素化的预处理使得重建的点云“马赛克”现象严重，尤其是在高压缩率场景下。近年来，深度学习方法被引入点云压缩领域，如dpcc。深度学习方法通过非线性变换将点云编码为隐变量，具有抽象高级特征的能力，取得了很好的压缩性能。但是由于缺少约束，在比特码率时，重建的点云存在大量偏离点云表面的异常点。
技术实现思路
1、本专利技术的目的是克服现有技术中的技术缺陷，提出一种曲面特征约束的渐进式点云几何信息压缩方法，在重建阶段利用二维平面的先验信息辅助，保证重建点云的表面平滑。
2、本专利技术提供的曲面特征约束的渐进式点云几何信息压缩方法，包括：对点云预处理，得到大小相同的局部点云面片，该点云面片通常代表点云的低级局部信息，如平面、抛物面和柱面等。在编码端，利用神经网络提取点云面片的局部曲面特征和锚点特征；利用锚点特征与局部曲面特征的相关性，进一步压缩局部曲面特征；在译码端，考虑到点云面片在三维点云空间中的连续性，可将点云面片视为二维平面的同构体；利用二维平面的先
3、步骤1、对点云数据进行预处理；
4、步骤2、构建提取和压缩点云曲面特征的编码器，其中包括局部曲面特征提取模块、锚点特征提取模块和特征压缩模块；
5、步骤3、使用熵编码器对曲面特征和锚点进行压缩编码；
6、步骤4、构建重建三维点云的译码器，其中包括2d-3d映射重建模块；
7、步骤5、构建损失函数，其中包括整体点云倒角距离损失锚点重建损失和码率损失ra,rf；
8、步骤6、根据所述的编码器、译码器构成的面特征约束的渐进式点云几何信息压缩网络模型，根据所述的损失函数对网络模型进行端到端训练；
9、步骤7、将测试点云数据输入训练完成的网络模型，实现点云压缩。
10、每个步骤的具体操作如下：
11、步骤1的具体操作：
12、步骤1-1、采用最远点采样法(fps)，将输入点云下采样得到稀疏锚点；
13、步骤1-2、对每个锚点使用k最近邻算法(knn)构建局部面片和锚点面片，对面片坐标进行标准化。
14、步骤2的具体操作：
15、步骤2-1、使用动态图卷积神经网络(dgcnn)在局部面片中提取局部曲面特征，其包含点云局部信息；
16、步骤2-2、使用动态图卷积神经网络在锚点面片中提取锚点特征，其包含更大尺度的点云信息；
17、步骤2-3、使用特征压缩网络，利用2-2中的锚点特征进一步压缩步骤2-1中的曲面特征。特征压缩网络由共享权重的全连接网络组成，每层网络之间应用批归一化(batchnormalization)和线性整流函数(relu)，如图3所示。
18、步骤3中，具体使用熵编码器对步骤2-3中的曲面特征进行熵编码，使用熵编码器对步骤1-1中的稀疏锚点的几何坐标进行熵编码。
19、步骤4的具体操作流程为：
20、步骤4-1、使用熵译码得到重建锚点；建立锚点片面；
21、步骤4-2、使用动态图卷积神经网络在重建的锚点面片中提取锚点特征；
22、步骤4-3、使用特征解压网络，利用4-2中的锚点特征从压缩曲面特征中解压出曲面特征；特征解压网络采用与特征压缩网络相同的网络结构；
23、步骤4-4、三维点云空间的局部面片具有连续性，每个局部面片都看作一个二维平面的映射；使用2d-3d映射重建模块将二维平面点映射到三维局部面片；通过映射所有的局部面片完成整个点云的重建；2d-3d映射重建网络由全连接网格构成，如图4所示。
24、步骤5中，根据率失真优化构建损失函数；其中压缩率为经过熵编码后的特征比特流的比特数rf和锚点比特流的比特数ra；失真使用重建质量衡量，包括锚点的重建损失和整体点云倒角距离损失
25、步骤6中，通过控制不同的率失真权重λ，训练得到多个不同压缩率的点云压缩模型。
26、步骤7的具体操作：将待压缩的点云输入训练完成的压缩模型，实现点云压缩。
27、本专利技术方法考虑到点云局部曲面的流形特征，在重建阶段利用二维平面的先验信息辅助，使得重建的三维点云被约束在三维流形中。该方法保证了重建点云的表面平滑，有效降低在低码率下重建点云的异常点。本专利技术利用点云局部特征和大尺度锚点特征的相关性，实现进一步压缩，获得了重建质量更优的点云。
本文档来自技高网...【技术保护点】
1.一种曲面特征约束的渐进式点云几何信息压缩方法；其特征在于，包括：对点云预处理，得到大小相同的局部点云面片，该点云面片代表点云的低级局部信息；在编码端，利用神经网络提取点云面片的局部曲面特征和锚点特征；利用锚点特征与局部曲面特征的相关性，进一步压缩局部曲面特征；在译码端，考虑到点云面片在三维点云空间中的连续性，将点云面片视为二维平面的同构体；利用二维平面的先验信息，根据曲面特征重建三维点云，从而将点云约束在曲面流形中，实现点云的高效压缩；具体步骤为：
2.根据权利要求1所述的曲面特征约束的渐进式点云几何信息压缩方法；其特征在于，步骤1的具体操作流程为：
3.根据权利要求2所述的曲面特征约束的渐进式点云几何信息压缩方法；其特征在于，步骤2的具体操作流程为：
4.根据权利要求3所述的曲面特征约束的渐进式点云几何信息压缩方法；其特征在于，步骤3的具体操作流程为：使用熵编码器对步骤2-3中的曲面特征进行熵编码；使用熵编码器对步骤1-1中的稀疏锚点的几何坐标进行熵编码。
5.根据权利要求4所述的曲面特征约束的渐进式点云几何信息压缩方法；其特
6.根据权利要求5所述的曲面特征约束的渐进式点云几何信息压缩方法；其特征在于，步骤5中，根据率失真优化构建损失函数；其中压缩率为经过熵编码后的特征比特流的比特数Rf和锚点比特流的比特数Ra；失真使用重建质量衡量，包括锚点的重建损失和整体点云倒角距离损失
7.根据权利要求6所述的曲面特征约束的渐进式点云几何信息压缩方法；其特征在于，步骤6中，通过控制不同的率失真权重λ，训练得到多个不同压缩率的点云压缩模型。
8.根据权利要求6所述的曲面特征约束的渐进式点云几何信息压缩方法；其特征在于，步骤5中，根据率失真优化构建损失函数，率失真优化描述为：
...【技术特征摘要】
1.一种曲面特征约束的渐进式点云几何信息压缩方法；其特征在于，包括：对点云预处理，得到大小相同的局部点云面片，该点云面片代表点云的低级局部信息；在编码端，利用神经网络提取点云面片的局部曲面特征和锚点特征；利用锚点特征与局部曲面特征的相关性，进一步压缩局部曲面特征；在译码端，考虑到点云面片在三维点云空间中的连续性，将点云面片视为二维平面的同构体；利用二维平面的先验信息，根据曲面特征重建三维点云，从而将点云约束在曲面流形中，实现点云的高效压缩；具体步骤为：
2.根据权利要求1所述的曲面特征约束的渐进式点云几何信息压缩方法；其特征在于，步骤1的具体操作流程为：
3.根据权利要求2所述的曲面特征约束的渐进式点云几何信息压缩方法；其特征在于，步骤2的具体操作流程为：
4.根据权利要求3所述的曲面特征约束的渐进式点云几何信息压缩方法；其特征在于，步骤3的具体操作流程为：...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。