[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

说明书

本发明涉及一种深度学习自适应特征维度的点云几何编码方法，首先，把一帧点云分块，对分块的点云进行体素化。然后，使用自编码器的编码器把点云映射为N*8*8*8的特征系数，计算不同N时，使用解码器重建点云的均方误差与码率之间构成的代价函数,求解使得代价函数最小时对应的特征维度，输出此时对应的比特流。再而，使用解码器重建点云。最后，根据重建的点云和最小值还原真实的块点云。对输出的每一块点云融合得到解码点云。本发明优化点云的失真和码率的大小，能够快速获取最佳特征维度，进一步提高点云压缩效率及质量。

技术领域

本发明涉及3D点云数字化领域，具体涉及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。

背景技术

点云对三维的真实世界的数字化采样，形式上，是一对点的集合，每一个点由几何信息(x,y,z)和属性信息(例如，R,G,B,反射强度等)组成。3D点云数字化重建了真实的三维世界。目前已经广泛应用于虚拟现实和增强现实、无人驾驶、医疗以及高精度地图等领域。然而，相比传统的2D的图像，2D图像是排列规则的属性信息(颜色信息比如：R,G,B或者灰度值)的集合，点云则是无序点的集合且数量级至少超过2D图像一个数量级，因此，有效的点云压缩是十分具有挑战性的，对点云的存储和传输是必不可少。

发明内容

有鉴于此，本发明的目的在于提供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，以解决上述问题。

为实现上述目的，本发明采用如下技术方案：

一种深度学习自适应特征维度的点云几何编码方法，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^*；

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。

进一步的，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。

进一步的，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，输出的的特征向量变为32*32*32*32，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，因此，输出的的特征向量变为32*16*16*16；

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，因此，输出的的特征向量变为N*8*8*8；

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；