[发明专利]一种基于三维激光雷达传感器的端到端点云数据压缩方法

权利要求书

1.一种基于三维激光雷达传感器的端到端点云数据压缩方法，其特征在于，包括以下步骤：

S1.使用特征滤波提取曲率和密度特征，分别使用滤波函数来逐点计算和过滤每一帧的曲率和密度；所述的特征滤波通过向滤波函数输入一个点集G^′，大小为n′×3，滤波函数输出一个二元组n×3，n×1，该组由滤波后得到的点集G和每个点的相对曲率和密度组成，其中n是自定义的目标点集元素数，滤波函数首先根据相邻k点的空间信息，计算出各点的曲率和密度；

S2.归一化与重排列：对过滤后的点云进行归一化和重排；

S3.点云编码神经网络：在点云编码过程中编码器采用三通道同时提取和压缩点云数据流及其对应的曲率和密度；步骤S3中，设计了一个解耦的编码器-解码器结构来实现高效的数据流点云压缩；通过几个下采样层对点云数据进行压缩编码，然后利用上采样层对编码后的特征进行解码；还增加了额外的通道来引入曲率和密度信息；编码器通过一组ConvLSTM层来学习点云流的特征；为了减少计算量，在ConvLSTM层中使用了3×3卷积，使用了1×1二维卷积2DConv层来对数据进行编码并改变特征的维数；在算法开始时，曲率和密度特征，以及原始点云被输入到ConvLSTM层中，这两种数据共享相同的结构，但参数不同；然后在每一层的末尾混合它们的特征，然后将它们输入下一层；其中仅使用三层ConvLSTM来处理特征；深度下采样后，特征的第二维度将压缩为1；L块的空间和时间信息将保存在编码器的ConvLSTM层中；编码器的ConvLSTM层使用历史点云信息来辅助当前点云的编码，在处理之后，编码器将当前帧的特征输出到解码器，并接收点云的新帧；最后一帧的特征将作为历史信息保留，以辅助新帧的编码；

S4.点云解码神经网络：发送到解码器的编码特征被解码并交替地上采样，最后恢复到与输入进编码网络数据同样的大小；步骤S4中，解码神经网络由解码和上采样模块交替组合而成，解码部分使用DeConvLSTM层，从特征中学习空间与时间信息，从而为上采样层提供更精确的特征信息；采用转置卷积层来为解码器提供更多的可训练参数，使它能更快的适应不同的变化，获得更高的压缩比；

引入一种新的训练损失函数，使网络收敛速度更快，拟合效果更好，该损失函数由两部分组成：第一部分用于提高原始点云与恢复点云的匹配相似度；第二部分用于保证点云细节的精度；函数的具体公式如下：

其中，和y_i表示估计数据和原始数据，n是它们的大小；两部分的权重w₁,w₂和偏差w₃根据训练的时间和特定数据集的属性进行调整；在早期的训练中，第一部分对形成大体框架的意义更大，而第二部分则不太有效；当细节需要改进时，逐渐增加第二部分的权重以获得更高的精度。

2.根据权利要求1所述的基于三维激光雷达传感器的端到端点云数据压缩方法，其特征在于，通过(x-min)/(max-min)的方式在算法中完成对数据的归一化。

3.根据权利要求1所述的基于三维激光雷达传感器的端到端点云数据压缩方法，其特征在于，所述的步骤S1中曲率的计算过程包括：

确定测量的原点(x,y,z)，然后令测量原点到测量点的距离为r，则对G’中的所有点的三维信息进行处理，得到了一个K维非线性方程：

它的解表示为：

4.根据权利要求3所述的基于三维激光雷达传感器的端到端点云数据压缩方法，其特征在于，为了减少计算负担，曲率滤波函数设置了曲率阈值，曲率低于该阈值的点将被丢弃，剩下的点将作为新的点集保留；如果选定的点与相邻点共面，其曲率将设置为0；对于第一个点和最后一个点，它们的曲率与相邻点相同。