[發明專利]一種基于深度卷積網絡的點云幾何壓縮方法

在審

• 申請號: 201910960421.1
• 申請日: 2019-10-10
• 公開（公告）號: CN110691243A
• 公開（公告）日: 2020-01-14
• 發明（設計）人: 胡強;張迎梁
• 申請（專利權）人: 疊境數字科技(上海)有限公司
• 主分類號: H04N19/124
• 分類號: H04N19/124;H04N19/85;G06T9/00;G06N3/04;G06N3/08
• 代理公司: 31253 上海精晟知識產權代理有限公司
• 代理人: 李艷梅

1.一種基于深度卷積網絡的點云幾何壓縮方法，其特征在于，通過訓練一個深度自編碼網絡模型實現對點云數據進行壓縮與解壓，訓練過程包括以下步驟：

步驟S1：將待壓縮的初始點云進行降采樣，得到數量為n的點集，然后對所述點集進行中心化處理，得到處理后點集；

步驟S2：通過能充分提取所述處理后點集的特征信息的編碼器將所述處理后點集進行編碼壓縮，得到維度為k的特征數據；

步驟S3：通過量化器將所述特征數據進行量化，得到壓縮數據；

步驟S4：通過解碼器將所述壓縮數據解壓重構，所述解碼器包括3層全連接層，前兩層全連接層使用RELU函數進行激活，最后一層輸出維度為n×3的向量，得到數量為n的重構點云。

2.如權利要求1所述的基于深度卷積網絡的點云幾何壓縮方法，其特征在于，所述降采樣方法采用最遠點采樣。

3.如權利要求1所述的基于深度卷積網絡的點云幾何壓縮方法，其特征在于，所述中心化處理是將所述點集中的所有點坐標減去數據集的所有坐標平均值，再除以一個給定參數完成中心化操作，中心化處理公式如下：

式中X_mean為數據集的所有坐標平均值，q為給定的中心化參數，根據實際的坐標范圍來給定，則為中心化后的點坐標。

4.如權利要求1所述的基于深度卷積網絡的點云幾何壓縮方法，其特征在于，步驟S2中所述編碼器采用深度殘差網絡來構建特征提取卷積網絡，所述深度殘差網絡包括若干提取特征的殘差塊和若干增加特征維度的卷積層；編碼壓縮過程是先用增加特征維度的卷積層對所述處理后點集進行卷積增加特征維度，再通過殘差塊進行卷積提取深層特征，依此類推若干次，最后對最后一層卷積層的輸出進行最大池化，從而得到維度為k的特征數據；其中每個所述卷積層使用卷積核為1×1的1D卷積并用RELU函數進行激活，每層卷積后都使用一層批歸一化層。

5.如權利要求1所述的基于深度卷積網絡的點云幾何壓縮方法，其特征在于，步驟S3中，對得到的所述壓縮數據進行算術編碼以進一步壓縮。

6.如權利要求5所述的基于深度卷積網絡的點云幾何壓縮方法，其特征在于，在訓練所述深度自編碼網絡模型時，在步驟S3中，正向傳播使用量化函數進行計算，反向傳播時，使用一個光滑的逼近函數r代替所述量化函數來計算導數，得到所述量化函數的導數為：

其中y表示編碼器所擬合的函數，r為y的光滑近似函數。

7.如權利要求1至6任一所述的基于深度卷積網絡的點云幾何壓縮方法，其特征在于，所述深度自編碼網絡模型訓練過程還包括如下步驟：

步驟S01：建立一個先驗概率模型來對所述特征數據的真實邊緣分布進行估計，再計算所述真實邊緣分布和所述先驗概率模型的香農交叉熵；

步驟S02：通過計算所述重構點云與降采樣得到的所述點集之間的倒角距離來度量所述重構點云的失真度；

步驟S03：將所述香農交叉熵和所述失真度按一定權重比例來構建損失函數，通過所述損失函數進行反向傳播計算梯度來進行梯度下降，對所述編碼器、所述解碼器和所述先驗概率模型進行訓練。

8.如權利要求7所述的基于深度卷積網絡的點云幾何壓縮方法，其特征在于，所述先驗概率模型可由熵瓶頸層通過一個非參數的完全因式分解概率密度模型建立得到，所述非參數的完全因式分解概率密度模型為：

其中φ⁽ⁱ⁾為每個單變量分布的參數，且式中每個非參數概率密度與一個標準的均勻概率密度u進行了卷積。

9.如權利要求7所述的基于深度卷積網絡的點云幾何壓縮方法，其特征在于，所述倒角距離計算所述重構點云中的每個點在所述點集中與其距離最近點的歐式距離，計算公式為：

其中S₁為所述初始點云，S₂為所述重構點云，(x,y,z)為點云矩陣的每一行數據的一個3D坐標點。

10.如權利要求7所述的基于深度卷積網絡的點云幾何壓縮方法，其特征在于，所述損失函數是將所述香農交叉熵和所述倒角距離進行加權求和得到，計算公式為：