[发明专利]全视角点云数据定长有序化编码方法、设备及存储介质

说明书

本发明公开了一种全视角点云数据定长有序化编码方法、设备及存储介质，所述方法包括如下步骤：获取点云并归一化处理；构建包含多个坐标系的规范坐标系集；基于所述规范坐标系集，对所述点云进行重编码，计算并记录获得的交点数据，得到定长有序的三维结构数据；将所述三维数据转化为定长有序的一维结构数据。该方法可以将具有任意数量点的点云数据编码为定长结构的点云数据，具有速度快，方法简单易实施，编码后数据易于后续处理等优点。

技术领域

本发明属于计算机视觉和图像处理领域，涉及三维点云编码方法。

背景技术

随着三维传感设备的广泛应用，物体三维信息的获得与处理如三维重建受到越来越多的重视。点云是立体视觉和激光扫描仪等三维传感设备的原始输出，是三维视觉领域最基本的数据格式之一，它是获取物体三维信息和随后重建物体表面的基础，这种格式的数据通常以无序的形式记录被观测物体表面大量空间点的三维坐标。点云数据处理就是通过对大量具有坐标信息的点进行分析来获得这些点所表征物体的类别、位姿、三维等信息的过程。点云数据的无序性使得相关计算需要大量的计算资源，直接影响了后续的数据分析。

目前市面上常用的解决点云无序性的方法有三种。

第一种方法是模拟二维图像中的像素点，将点云转化为空间三维体素，该方法消除了点云的无序性，但计算复杂度仍然很高。

第二种方法是利用点云数据中各点相对位置关系对原始点云数据中的点重新排序，例如k-d tree结构和octree结构，但这种方法获得的数据只反映点云数据中各点间的位置关系，没有从原始点云数据中提取出全局特征，在点云识别领域作用有限。

第三种方法是利用对称函数，只要点云数据中包含的点信息不变，无论点的排序如何变化，对称函数总能从中提取到相同的信息。

深度网络pointnet使用了对称函数max-pooling，在对点云数据中所有点进行一系列同样运算后，获得运算结果中的最大值，在点云分类上取得了良好的效果，但max-pooling会导致点云原始信息的大量丢失,后续改进效果不佳，成果难以进一步提升。山东大学李团队设计的深度网络pointnet设计使用x-ray矩阵，用x-ray矩阵与原始点云数据相乘获得新的点云数据，当原始点云数据中点的顺序发生改变，x-ray矩阵也会相应发生改变，令获得的点云数据保持不变，该方法不会导致点云信息丢失，但其计算复杂度极高，且难以获得完美的x-ray矩阵。

发明内容

发明目的：提供一种全视角点云数据定长有序化编码方法，以解决现有技术存在的上述问题。

技术方案：全视角点云数据定长有序化编码方法，包括如下步骤：

获取点云并归一化处理；

构建包含多个坐标系的规范坐标系集；

基于所述规范坐标系集，对所述点云进行重编码，计算并记录获得的交点数据，得到定长有序的三维结构数据；

将所述三维数据转化为定长有序的一维结构数据。

在进一步的实施例中，所述获取点云并归一化处理的过程进一步为：

去除点云中的离群点，设置以点云重心为坐标原点的新坐标系；

获取新坐标系中距离原点最远的点，以最远点和原点间的欧式距离为单位距离，方向保持原坐标系方向不变，以新坐标系中的原始点云作为输出，得到归一化的初始点云和新坐标系。

在进一步的实施例中，在构建新坐标系前，使用主向量分析法调整点云姿态。

在进一步的实施例中，所述构建包含多个坐标系的规范坐标系集的过程进一步为：

将规范坐标系集中的坐标系分成若干组，相同组别的坐标系，其x轴在新坐标系中方向相同