一种面向语义分割的激光雷达点云压缩系统技术方案

本发明专利技术涉及一种面向语义分割的激光雷达点云压缩系统，属于自动驾驶技术领域，包括：激光雷达点云投影模块：用于将三维空间在的激光雷达点云数据投影为深度图像，将点云数据转为二维表示；非线性变换网络：用于将深度图像进行编码处理，获得编码特征；量化模块：用于将获得的编码特征进行量化，获得量化特征；超先验变换网络和超先验反变换网络：作用于所获得的编码特征，生成先验信息；非线性反变换网络：用于将解码特征还原为用于下游机器视觉任务的中间特征；机器视觉任务网络：用于对非线性反变换网络传递的中间特征进行分析处理，获得激光雷达点云压缩结果。

【技术实现步骤摘要】

本专利技术属于自动驾驶，涉及一种面向语义分割的激光雷达点云压缩系统。

技术介绍

1、近年来，点云已成为自动驾驶系统提供高精度物体深度信息的重要数据格式。然而，激光雷达(light detection and ranging，lidar)产生的大量数据仍然是数据通信的难题。有效压缩lidar点云以满足存储和带宽要求，可以提高自动驾驶系统的效率。传统的点云编码(point cloud compression，pcc)算法主要分为两种典型的pcc架构:基于几何的pcc方法(g-pcc)利用八叉树结构对点云进行压缩；基于视频的pcc方法(v-pcc)利用视频编解码器对点云的投影平面进行压缩。此外，越来越多的研究开始关注已学习的pcc方法。由于点云的稀疏性和不规则性，这些方法改变了点云原有的3d表示，如规则体素、八叉树、深度图像等。它们都以保持重构点云的信号保真度为压缩目标，没有考虑下游任务的联合优化，这使得解码后的点云在低比特率任务下感知精度损失明显。

2、同时随着大数据和人工智能的进步，传感器收集的数据不再仅仅服务于传统的人类视觉和听觉系统，而是越来本文档来自技高网...

【技术保护点】

1.一种面向语义分割的激光雷达点云压缩系统，其特征在于：包括：

2.根据权利要求1所述的面向语义分割的激光雷达点云压缩系统，其特征在于：所述非线性变换网络包含3个残差下采样模块和2个注意力模块；每个残差下采样模块包含一层3×3卷积核大小的卷积，一个卷积核大小3×3，步长为2的下采样卷积和一个两个卷积组成的残差模块；所述注意力模块包含三个残差模块和一个swin transformer块；所述非线性变换网络以激光雷达点云投影模块得到的深度图作为输入，将其转换成隐层特征。

3.根据权利要求1所述的面向语义分割的激光雷达点云压缩系统，其特征在于：所述超先验变换网络将非线性...

【技术特征摘要】

1.一种面向语义分割的激光雷达点云压缩系统，其特征在于：包括：

2.根据权利要求1所述的面向语义分割的激光雷达点云压缩系统，其特征在于：所述非线性变换网络包含3个残差下采样模块和2个注意力模块；每个残差下采样模块包含一层3×3卷积核大小的卷积，一个卷积核大小3×3，步长为2的下采样卷积和一个两个卷积组成的残差模块；所述注意力模块包含三个残差模块和一个swin transformer块；所述非线性变换网络以激光雷达点云投影模块得到的深度图作为输入，将其转换成隐层特征。

3.根据权利要求1所述的面向语义分割的激光雷达点云压缩系统，其特征在于：所述超先验变换网络将非线性变换网络输出的隐层特征经过超先验变换网络得到超先验特征，超先验特征无损编码为比特流，将比特流解码后输入到超先验反变换网络得到解码后的超先验特征，并估计概率分布参数均值和方差用于算术编码解码。

4.根据权利要求3所述的面向...

【专利技术属性】
技术研发人员：罗雷，袁俊龙，董诗康，张兆麒，张维，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：