[發(fā)明專利]一種基于深度學習的保留密度的點云壓縮方法

在審

• 申請?zhí)枺?/td>: 202111597535.8
• 申請日: 2021-12-24
• 公開（公告）號: CN114286103A
• 公開（公告）日: 2022-04-05
• 發(fā)明（設計）人: 付彥偉;賀蘊;任新麟;唐丹航;張寅達;薛向陽
• 申請（專利權）人: 復旦大學
• 主分類號: H04N19/189
• 分類號: H04N19/189;H04N19/91;H04N19/597
• 代理公司: 上海德昭知識產(chǎn)權代理有限公司 31204
• 代理人: 程宗德

1.一種基于深度學習的保留密度的點云壓縮方法，用于在點云壓縮過程中保留原始點云的密度從而生成高質量的重建點云，其特征在于，包括如下步驟：

步驟S1，對預先獲取的點云數(shù)據(jù)進行預處理從而得到訓練樣本；

步驟S2，構建用于提取所述點云數(shù)據(jù)的幾何信息與密度信息的編碼器，并基于所述編碼器獲取點云特征；

步驟S3，采用熵編碼器對所述點云特征進行壓縮；

步驟S4，構建用于對所述點云特征進行上采樣的解碼器；

步驟S5，構建損失函數(shù)；

步驟S6，基于所述訓練樣本對由所述編碼器、所述熵編碼器以及所述解碼器組成的點云壓縮模型采用所述損失函數(shù)進行訓練；

步驟S7，將所述點云數(shù)據(jù)輸入至訓練好的所述點云壓縮模型從而實現(xiàn)點云壓縮。

2.根據(jù)權利要求1所述的一種基于深度學習的保留密度的點云壓縮方法，其特征在于：

其中，所述點云數(shù)據(jù)為點云的三維點坐標，

所述預處理為將所述點云數(shù)據(jù)進行歸一化處理，對歸一化后的所述點云切分為不重合的小塊。

3.根據(jù)權利要求1所述的一種基于深度學習的保留密度的點云壓縮方法，其特征在于：

其中，所述步驟S2包括以下子步驟：

步驟S2-1，采用最遠點采樣對所述點云進行多階段地下采樣，對于每個階段下采樣后點云中的每個點，尋找每個階段對應的收縮點集；

步驟S2-2，采用密度嵌入與位置嵌入分別表征當前階段收縮點集的密度信息與幾何信息，同時采用祖先嵌入表征之前階段收縮點集的密度信息與幾何信息；

步驟S2-3，將所述密度嵌入、所述位置嵌入以及所述祖先進行嵌入融合獲取所述點云特征。

4.根據(jù)權利要求3所述的一種基于深度學習的保留密度的點云壓縮方法，其特征在于：

其中，所述收縮點集的尋找過程為：

對于每個下采樣階段，每個丟棄的點都會收縮到離它最近的保留下來的下采樣點上，從而每個下采樣點都會形成一個收縮點集。

5.根據(jù)權利要求3所述的一種基于深度學習的保留密度的點云壓縮方法，其特征在于：

其中，所述密度嵌入為對于每個階段的下采樣點，計算其收縮點集內(nèi)的點數(shù)，

所述位置嵌入為對于每個階段的下采樣點，計算其收縮點集內(nèi)的點到其本身的方向與距離，基于注意力機制將所述收縮點集內(nèi)的方向與距離信息融合，

所述祖先嵌入為在每個階段的之前階段所提取到的密度信息以及幾何信息。

6.根據(jù)權利要求1所述的一種基于深度學習的保留密度的點云壓縮方法，其特征在于：

其中，所述熵編碼器包括量化操作與算術編碼，

在訓練過程中，所述量化操作替換為加入隨機噪聲以實現(xiàn)梯度的反向傳播。

7.根據(jù)權利要求1所述的一種基于深度學習的保留密度的點云壓縮方法，其特征在于：

其中，所述步驟S4包括以下子步驟：

步驟S4-1，基于預定義的最大上采樣倍數(shù)U，構建尺度自適應的上采樣模塊來對下采樣后的點云進行上采樣，得到候選點云與候選特征；

步驟S4-2，基于上采樣倍數(shù)預測分支預測實際的上采樣倍數(shù)，并以此來選取所述候選點云與所述候選特征，從而形成最終的上采樣結果。