[发明专利]一种深度学习自适应特征维度的点云几何编码方法及系统

权利要求书

1.一种深度学习自适应特征维度的点云几何编码方法，其特征在于，包括以下步骤：

步骤S1:将原始点云进行分块和体素化处理；

步骤S2:根据步骤S1得到的体素化点云，通过自编码器进行点云编码和重建；

步骤S3:计算不同特征维度N下重建点云和原始点云的均方误差MSE_N以及相应的码率之间构成的代价函数S(N)，将代价函数最小对应的特征维度作为最佳特征维度N^*；

所述代价函数S(N),具体如下：

N^*＝argminS(N)＝argmin(MSE_N+α*RATE_N) (1)

其中，N^*为求解的最佳特征维度；N是不同的特征维度,其取值为8、16、32、64、128、256；MSE_N是原始点云和重建点云之间的均方误差；α是为了使得码率和均方误差处于同一个数量级的系数；RATE_N是特征维度为N时对应的码率大小；

步骤S4:对最佳特征维度对应的比特流熵解码，并把得到的整数反量化为原来的浮点数系数，把特征系数输入到三层的自编码器对应的解码器，使得特征系数映射回点云,得到最终的重建点云；

步骤S5:对步骤S1得到的整块点云的最小值进行熵编码；

步骤S6:基于步骤S4得到的最终的重建点云和步骤S5熵解码的最小值还原的原始的块点云，进一步融合块点云形成了最终的解码点云。

2.根据权利要求1所述的一种深度学习自适应特征维度的点云几何编码方法，其特征在于，所述步骤S1具体为：将原始点云均匀分割成64*64*64的块，并采用3D卷积提取点云特征，对点云体素化，有点用“1”表示，没有则用“0”表示。

3.根据权利要求1所述的一种深度学习自适应特征维度的点云几何编码方法，其特征在于，所述步骤S2具体为：

S201:对输入的64*64*64体素化的点云，采用32个5*5*5的3D卷积核学习体素化的点云的特征，步长为2，激活函数采用sigmoid函数；

S202:采用32个5*5*5的3D卷积核学习体素化的点云的特征，步长为2；

S203:采用N个5*5*5的3D卷积核学习体素化的点云的特征，步长为2；

S204:对N*8*8*8的为浮点数的特征系数采用均匀量化到2²到2¹⁶的整数；

S205:熵编码量化后的特征系数；

S206:解码出特征系数；

S207：反量化回原来的浮点数；

S208:采用N个5*5*5的3D反卷积核学习体素化的点云的特征，步长为2，激活函数采用sigmoid函数；

S209:采用32个5*5*5的3D反卷积核学习体素化的点云的特征，步长为2，激活函数采用sigmoid函数；

S210：采用1个5*5*5的3D反卷积核学习体素化的点云的特征，步长为2，因此，输出的特征向量为1*64*64*64，激活函数采用sigmoid函数，输出结果四舍五入变为体素化的0和1。

4.根据权利要求1所述的一种深度学习自适应特征维度的点云几何编码方法，其特征在于，所述步骤S4具体为：

步骤S401:对输出的比特流进行解码，还原量化后的特征系数；

步骤S402:把整数的特征系数反量化为原来的浮点数；

步骤S403:采用N个5*5*5的3D反卷积核学习体素化的点云的特征，步长为2，因此，输出的特征向量变为N*16*16*16，激活函数采用sigmoid函数；

步骤S404:采用32个5*5*5的3D反卷积核学习体素化的点云的特征，步长为2，因此，输出的特征向量变为32*32*32*32，激活函数采用sigmoid函数；

步骤S405:采用1个5*5*5的3D反卷积核学习体素化的点云的特征，步长为2，因此，输出的特征向量变为1*64*64*64，激活函数采用sigmoid函数，输出结果四舍五入变为体素化的0和1。

5.一种深度学习自适应特征维度的点云几何编码系统，其特征在于，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如权利要求1-4任一项所述的点云几何编码方法中的步骤。