[發(fā)明專利]一種基于深度卷積網(wǎng)絡(luò)的點(diǎn)云幾何壓縮方法

在審

• 申請?zhí)枺?/td>: 201910960421.1
• 申請日: 2019-10-10
• 公開（公告）號: CN110691243A
• 公開（公告）日: 2020-01-14
• 發(fā)明（設(shè)計(jì)）人: 胡強(qiáng);張迎梁
• 申請（專利權(quán)）人: 疊境數(shù)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(chǎn)權(quán)代理有限公司
• 代理人: 李艷梅

1.一種基于深度卷積網(wǎng)絡(luò)的點(diǎn)云幾何壓縮方法，其特征在于，通過訓(xùn)練一個深度自編碼網(wǎng)絡(luò)模型實(shí)現(xiàn)對點(diǎn)云數(shù)據(jù)進(jìn)行壓縮與解壓，訓(xùn)練過程包括以下步驟：

步驟S1：將待壓縮的初始點(diǎn)云進(jìn)行降采樣，得到數(shù)量為n的點(diǎn)集，然后對所述點(diǎn)集進(jìn)行中心化處理，得到處理后點(diǎn)集；

步驟S2：通過能充分提取所述處理后點(diǎn)集的特征信息的編碼器將所述處理后點(diǎn)集進(jìn)行編碼壓縮，得到維度為k的特征數(shù)據(jù)；

步驟S3：通過量化器將所述特征數(shù)據(jù)進(jìn)行量化，得到壓縮數(shù)據(jù)；

步驟S4：通過解碼器將所述壓縮數(shù)據(jù)解壓重構(gòu)，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(shù)進(jìn)行激活，最后一層輸出維度為n×3的向量，得到數(shù)量為n的重構(gòu)點(diǎn)云。

2.如權(quán)利要求1所述的基于深度卷積網(wǎng)絡(luò)的點(diǎn)云幾何壓縮方法，其特征在于，所述降采樣方法采用最遠(yuǎn)點(diǎn)采樣。

3.如權(quán)利要求1所述的基于深度卷積網(wǎng)絡(luò)的點(diǎn)云幾何壓縮方法，其特征在于，所述中心化處理是將所述點(diǎn)集中的所有點(diǎn)坐標(biāo)減去數(shù)據(jù)集的所有坐標(biāo)平均值，再除以一個給定參數(shù)完成中心化操作，中心化處理公式如下：

式中X_mean為數(shù)據(jù)集的所有坐標(biāo)平均值，q為給定的中心化參數(shù)，根據(jù)實(shí)際的坐標(biāo)范圍來給定，則為中心化后的點(diǎn)坐標(biāo)。

4.如權(quán)利要求1所述的基于深度卷積網(wǎng)絡(luò)的點(diǎn)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(wǎng)絡(luò)來構(gòu)建特征提取卷積網(wǎng)絡(luò)，所述深度殘差網(wǎng)絡(luò)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(diǎn)集進(jìn)行卷積增加特征維度，再通過殘差塊進(jìn)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(jìn)行最大池化，從而得到維度為k的特征數(shù)據(jù)；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(shù)進(jìn)行激活，每層卷積后都使用一層批歸一化層。

5.如權(quán)利要求1所述的基于深度卷積網(wǎng)絡(luò)的點(diǎn)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(shù)據(jù)進(jìn)行算術(shù)編碼以進(jìn)一步壓縮。

6.如權(quán)利要求5所述的基于深度卷積網(wǎng)絡(luò)的點(diǎn)云幾何壓縮方法，其特征在于，在訓(xùn)練所述深度自編碼網(wǎng)絡(luò)模型時，在步驟S3中，正向傳播使用量化函數(shù)進(jìn)行計(jì)算，反向傳播時，使用一個光滑的逼近函數(shù)r代替所述量化函數(shù)來計(jì)算導(dǎo)數(shù)，得到所述量化函數(shù)的導(dǎo)數(shù)為：

其中y表示編碼器所擬合的函數(shù)，r為y的光滑近似函數(shù)。

7.如權(quán)利要求1至6任一所述的基于深度卷積網(wǎng)絡(luò)的點(diǎn)云幾何壓縮方法，其特征在于，所述深度自編碼網(wǎng)絡(luò)模型訓(xùn)練過程還包括如下步驟：

步驟S01：建立一個先驗(yàn)概率模型來對所述特征數(shù)據(jù)的真實(shí)邊緣分布進(jìn)行估計(jì)，再計(jì)算所述真實(shí)邊緣分布和所述先驗(yàn)概率模型的香農(nóng)交叉熵；

步驟S02：通過計(jì)算所述重構(gòu)點(diǎn)云與降采樣得到的所述點(diǎn)集之間的倒角距離來度量所述重構(gòu)點(diǎn)云的失真度；

步驟S03：將所述香農(nóng)交叉熵和所述失真度按一定權(quán)重比例來構(gòu)建損失函數(shù)，通過所述損失函數(shù)進(jìn)行反向傳播計(jì)算梯度來進(jìn)行梯度下降，對所述編碼器、所述解碼器和所述先驗(yàn)概率模型進(jìn)行訓(xùn)練。

8.如權(quán)利要求7所述的基于深度卷積網(wǎng)絡(luò)的點(diǎn)云幾何壓縮方法，其特征在于，所述先驗(yàn)概率模型可由熵瓶頸層通過一個非參數(shù)的完全因式分解概率密度模型建立得到，所述非參數(shù)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(shù)，且式中每個非參數(shù)概率密度與一個標(biāo)準(zhǔn)的均勻概率密度u進(jìn)行了卷積。

9.如權(quán)利要求7所述的基于深度卷積網(wǎng)絡(luò)的點(diǎn)云幾何壓縮方法，其特征在于，所述倒角距離計(jì)算所述重構(gòu)點(diǎn)云中的每個點(diǎn)在所述點(diǎn)集中與其距離最近點(diǎn)的歐式距離，計(jì)算公式為：

其中S₁為所述初始點(diǎn)云，S₂為所述重構(gòu)點(diǎn)云，(x,y,z)為點(diǎn)云矩陣的每一行數(shù)據(jù)的一個3D坐標(biāo)點(diǎn)。

10.如權(quán)利要求7所述的基于深度卷積網(wǎng)絡(luò)的點(diǎn)云幾何壓縮方法，其特征在于，所述損失函數(shù)是將所述香農(nóng)交叉熵和所述倒角距離進(jìn)行加權(quán)求和得到，計(jì)算公式為：