[发明专利]一种基于支持向量机的点云压缩编码器关键参数优化方法

说明书

本发明涉及一种基于支持向量机的点云压缩编码器关键参数优化方法，首先，对点云的几何信息和颜色信息进行预处理；然后，提取点云的特征向量；对于给定的目标码率，利用全搜索的方法找到使得失真最小的最优的参数对，对训练集中的所有点云提取给定目标码率下的最优的标签，将最优标签信息和特征向量信息写入训练集，利用支持向量机以及训练集信息训练得到模型，利用模型对测试集里的特征向量信息进行测试，预测出连续域上最优的测试标签，得到测试集的最优的参数对。该方法利用点云的分布特征，使用支持向量机方法训练得到测试点云的最优的编码参数对，在保证给定编码比特率条件下编码器编码性能的同时大大减少了时间成本。

技术领域

本发明涉及基于支持向量机的三维点云压缩编码优化方法，属于图像处理技术领域。

背景技术

随着三维数据采集设备能力的提高，三维点云已经成为表达物体或者场景的一种有效方式。三维点云(点云数据)包括很多点的集合，即来描述空间中物体，其中N表示点的总数量，p_i表示第i个点，i∈{1，…N}，每个点通常由几何信息(即点的空间坐标x，y，z，坐标系原点通常设置为采集设备的中心点)和属性分量(通常包括该点的R、G、B三个色度属性，及颜色信息，以及反射率、法向量等)组成。三维点云在前沿应用领域中越来越流行，例如，增强现实，三维远程呈现和移动机器人等领域。然而，点云的广泛应用受到大数据量处理和网络传输带宽的限制，尤其是对于高质量的点云数据，包含高达百万点，带来了处理、存储和传输环节上的挑战。基于这个原因，开发有效的三维点云压缩及编码优化算法以适应现有的网络带宽和存储容量的课题，受到越来越多的关注。

点云压缩主要分为几何压缩和颜色属性压缩，现有的成熟且被广泛应用的点云压缩编码平台是基于点云库(Point Cloud Library，PCL)的点云压缩软件(Point CloudCompression，PCC)，即PCL-PCC点云压缩编码平台。此平台的压缩框架主要包含以下关键技术，如图1所示。

(1)几何压缩，根据点云的位置信息确定包围盒的大小，并将此包围盒作为根节点进行八叉树的分解，根据编码器中预先设定的八叉树层级分解参数Octree Level进行八叉树的迭代分解，如图2所示。最后对分解后的八叉树结构中每个子节点是否包含点的情况进行熵编码，进而实现几何信息的压缩。

(2)颜色属性压缩，八叉树分解完成后，基于深度优先的八叉树遍历原则，将点云的颜色信息映射到二维的JPEG图片网格中，然后使用已有的JPEG编码器，对颜色信息进行变换，根据预先设定的JPEG-Value值对变换后的系数进行量化和熵编码。

基于上述分析，PCL-PCC编码器预先设定的编码参数很大程度上决定了编码效率和重建后点云的质量，尤其是决定几何信息压缩效率的重要参数Octree Level和决定颜色属性信息压缩效率的重要参数JPEG_Value。然而，在现阶段这些编码参数的设定大都是靠经验给定，并没有切实有效的算法给出最优的编码参数对(Octree Level，JPEG_Value)。

实际应用中，现有的Octree Level的经验值范围为5～9，JPEG-Value的经验值范围为50～100，产生的可能的编码参数对(Octree Level，JPEG_Value)为255种组合，对于给定的编码比特数，使得失真最小的编码参数对(Octree Level，JPEG_Value)就是该点云压缩的最优编码参数对。上述问题可以转化为常见的回归问题，即从255种可能的编码参数对中预测出最优编码参数对。

机器学习中的支持向量机(SVM)是一种基于数理统计理论发展起来的统计学习理论，能够解决回归问题、局部最优值等问题。SVM的核心思想是寻找一个满足分类要求的最优分类超平面，该超平面在保证分类精度的同时，应使分类间隔最大化。SVM算法具有系统结构简单，全局最优，推广能力强和学习时间短等优点。然而在SVM解决回归问题时，目标特征的提取是该类算法的重要环节。结合点云的压缩过程发现，点云中的点的分布的特性很大程度上影响着几何和颜色信息的压缩性能。

发明内容