基于场景流的可变速率动态点云压缩

针对现有的动态点云压缩神经网络需要训练多个网络模型的问题,提出基于场景流的可变速率动态点云压缩网络框架.网络以原始动态点云为输入,利用场景流网络进行运动向量估计,在压缩运动向量和残差的同时,引入通道增益模块对隐向量通道进行评估和缩放,实现可变速率控制.通过综合考虑运动向量损失和率失真损失,设计新的联合训练损失函数,用来端到端地训练整个网络框架.为了解决动态点云数据集缺少真实运动信息标签的问题,基于AMASS数据集制作带有运动向量标签的人体数据集,用于网络的训练.实验结果显示,与现有的基于深度学习动态点云压缩方法相比,该方法的压缩比特率下降了几个数量级,与静态压缩网络单独处理每帧的重构效果相比,该方法有5%~10%的提升.

一种融合曲度的自适应八叉树点云压缩算法

针对传统点云压缩算法压缩精度和压缩速度不均衡的问题,提出了一种点云曲度与八叉树结合的点云压缩算法,利用点云曲度能够精确表示点云表面特征的特性和八叉树快速索引的特性,在保证点云压缩精度的同时提高压缩速度,较好地解决了点云压缩精度和速度不均衡问题。采用兔子点云数据进行实验,结果表明:本算法既在保证压缩精度的同时,又能够在一定程度上缩短压缩时间,特别是针对海量点云数据的压缩更能够体现本算法压缩精度和压缩速度的优势。

视频点云压缩基于增强数据相关性的帧间编码改进方法

基于视频的点云压缩(V-PCC)在相邻帧对应的相似3D点云发生旋转时,旋转后的点云投影平面会发生变化,从而导致投影后的像素产生较大差异并减弱点云帧间的相关性,且点云采集时掺杂的噪点也容易影响编码效果。本文提出了一种基于增强数据相关性的帧间编码改进方法,其采用基于统计的方法去除离群点,并计算点云帧之间的相对运动,通过采用基于运动一致性的二叉树分割方法分割,对分割后的点云采用基于NDT粗配准和ICP精细配准的方法估计点云的运动信息,使用基于法向量双线性平滑的方法平滑点云,最后对平滑后的点云序列使用V-PCC编码。

激光测距前沿回波大数据点云压缩方法

点云数据压缩时,外边界点易丢失,影响后续点云压缩品质。为此,提出激光测距前沿回波大数据点云压缩方法。首先通过主回波匹配、回波信号识别、多项式拟合滤波、时间误差修正等操作预处理激光测距前沿回波大数据;然后采用主成分分析法获取数据法矢,再分别提取边界特征点和尖锐特征点,保留点云模型完整边界;最后利用SIFT算法压缩点云数据并保存,完成激光测距前沿回波大数据的点云压缩。实验结果表明,所提方法能够提高压缩率、缩短压缩时间、降低压缩前后表面积比。

联合点云压缩的多特征融合点云语义分割方法

针对PointNet++对点云空间相关性特征提取能力不足,同时难以适用于大场景高密度LiDAR点云语义分割的问题,提出一种联合点云压缩的多特征融合LiDAR点云语义分割方法。首先利用点云压缩算法降低点云密度,并使用PointNet++提取简化点云的深度语义特征,再利用拟合算法计算完整点云的深度特征;之后提取人工设计的空间相关性特征与深度特征进行串联;最后利用随机森林算法对完整点云进行语义分割。通过在ISPRS提供的LiDAR点云语义分割标准数据集进行实验,证明提出方法的有效性,总体精度较PointNet++提升了5.3%。

一种结合了栅格化和特征判断的点云压缩方法

为解决三维激光扫描技术获取的点云数据数量庞大,致使后续数据处理效率降低的问题,采用算法研究和编程试验的方法,栅格划分点云数据,研究空间栅格的拓扑数学模型和栅格中点云特征判断机制,提出一种新的压缩方法并编程实现,试验分析了该方法的压缩效果.研究结果表明:该方法在实现高效压缩的同时能够保留大量的特征信息,为后续的三维模型重建奠定基础.

地面三维激光扫描点云压缩准则

地面三维激光扫描技术是一项新的数据采集手段,它获得的是海量点云数据,点云压缩是点云预处理中重要环节。本文抽取了点云压缩算法的核心,即压缩准则,对其进行了广泛而深入的研究,探讨和分析了各种压缩准则的定义和特点,并对该技术领域的未来发展进行了总结和展望。

基于扫描线间隔的点云压缩方法

针对地铁隧道中地面三维激光扫描仪扫描密度不均的问题,提出了基于扫描线点间距的点云压缩算法。该算法利用扫描仪逐线扫描的特性,滤除同一扫描线上点间距小于给定阈值的扫描点,使压缩后的点云呈现较为均匀的分布。通过实验分析了算法中阈值与压缩率之间的函数关系,建立压缩率与给定阈值倒数的多项式拟合模型并验证了模型的精度。

人工智能在点云压缩中的应用前景

点云压缩在沉浸式媒体、自动驾驶等领域有着广泛的应用前景。代表性算法有传统的基于几何、基于映射的编码技术等。随着人工智能在图像压缩、点云处理等课题上取得了巨大的成果,将人工智能应用于点云压缩是一个有潜力的研究方向。本文简要介绍了点云压缩的相关背景,并在此基础上介绍了人工智能在点云压缩中的研究现状,并展望了未来应用前景。

基于FPFH特征和模糊聚类的自适应点云压缩

针对三维激光扫描技术获取的点云数据存在大量冗余问题,文中提出了一种基于快速点特征直方图和模糊C均值聚类(FPFH-FCM)的点云压缩算法。利用FPFH特征在点云模型不同几何位置的分布差异,基于FCM算法自适应地将点云集合分为特征点集和非特征点集。并建立压缩准则:对非特征点集进行较大比例的压缩,去除冗余点;对特征点集进行较小比例的压缩,尽量保留更多的特征点,以实现点云压缩。在对比试验中,分别使用提出的基于FPFH特征的点云压缩算法与基于曲率特征的点云压缩算法,对人体点云数据进行压缩,对比压缩后点云的曲面重建效果,同时使用原始点云与压缩后点云之间的Hausdorff距离作为压缩误差评价指标,结果证明,该压缩算法能够更好地保留重建模型的细节特征,具有更高的压缩精度。

精度可控的字典全局相似性点云压缩

为了控制三维点云数据的压缩精度,通过对点云空间划分建立字典结构,提出一种压缩精度可控的全局相似性点云压缩方法.首先对点云进行均匀空间划分并离散表示;然后建立一个字典,作为表示该离散数据的一组基以及一套用词条索引表示的数据结构;最后通过对字典中相似词条合并实现字典压缩,并通过无损编码实现索引压缩.实验结果表明,在普通PC机环境下对ModelNet和Farman数据集中的2组点云数据,该方法均能进行任意指定精度的压缩.

基于稀疏卷积的非对称特征聚合点云压缩算法

当前基于深度学习的点云压缩算法存在局部特征学习不足的问题,点云庞大的数据量也限制了网络规模。为了保障重建质量的同时合理控制计算复杂度,提出一种基于稀疏卷积的非对称特征聚合点云压缩算法,设计非对称特征聚合编解码网络、逐通道稀疏残差卷积提升率失真性能。经实验验证,相较于现有的G-PCC、V-PCC和Learned-PCGC算法,所提算法的BD-Rate分别减少88%,46%,40%以上,BD-PSNR分别增加8.9 dB,2.4 dB,1.8 dB以上。

非一致性稀疏采样的LiDAR点云压缩方法

针对自动驾驶车载LiDAR点云,提出一种基于形态学分割和非一致性稀疏采样的点云有损压缩框架.将LiDAR点云分割为地面和非地面点云两部分,对两者进行不同强度的去冗余稀疏采样;然后将3D数据转换为2D形式的距离图像,并结合占据图和Morton排序,将点云表示为更加紧凑的1维距离向量形式;最后利用图像编码方法进一步压缩点云.实验结果表明,本文方法压缩性能明显优于现有算法,可达到更高的重建质量.

顾及几何形态与密度分布的点云压缩方法

针对传统点云压缩算法中主要应用法向量、曲率等测度来描述目标区域几何信息,易受噪点影响,无法保证压缩精度的问题,提出一种顾及几何形态与密度分布的点云迭代压缩算法。本文首先利用三维高斯核函数对原始点云进行平滑处理,依据点平滑前后平坦度变化分量与密度变化分量来衡量当前点在点云中的重要度,然后迭代去除重要度最低的点,并计算该点影响范围点集,更新其重要度,最终实现点云压缩。采用两份数据对本文算法进行验证,并与三种经典压缩方法进行对比,实验表明,相较于其他三种方法,本算法压缩结果在点分布均匀的同时,能够较好的保留特征点集。

结合密度阈值和三角形组逼近的点云压缩方法

针对非均匀采集点云数据压缩中压缩精度和压缩时间较难权衡的问题,提出一种结合密度阈值和三角形组逼近的压缩方法,并且用八叉树划分得到的非空体素来设置密度阈值以构造三角形组,实现点云表面模拟。首先,根据体素内点的分布确定三角形组的顶点;接着,排序顶点以生成每个三角形;最后,引入密度阈值来构造平行于坐标轴的射线,根据射线与三角形的交点来生成不同密度区域上的细分点。采用dragon、horse、skull、radome、dog和PCB点云数据,对改进区域重心法、曲率压缩法、改进曲率分级法、K近邻长方体法和所提方法进行对比实验。实验结果表明,在相同体素尺寸下,所提方法的特征表达效果优于改进区域重心法;在压缩率接近的情况下,所提方法在时间效率上优于曲率压缩法、改进曲率分级法、K近邻长方体法;在压缩精度上,所提方法所建模型最大偏差、标准偏差和表面积变化率皆低于改进区域重心法、曲率压缩法、改进曲率分级法和K近邻长方体法所建模型。实验结果表明,所提方法在较好地保留特征信息的同时,可在较短的耗时下对点云实现有效压缩。

向量相似度可复原三维点云压缩算法

针对三维点云数据压缩中细节特征不易保留,模型平缓部位存在过度压缩以及压缩后的点云模型不易复原等问题,提出一种基于向量相似度的三维点云压缩算法和复原算法CVS。向量相似性度量采用提出的L3A进行度量。CVS把每个三维坐标点看作是连接其坐标和原点的三维向量,按照三维坐标点的读入顺序选取参考向量,生成覆盖整个点云区域的采样区域,进行分区压缩。在采样区域中使用最小二乘曲面拟合算法对包含其中的点云进行曲面拟合,设置曲率阈值剔除坐标点,并存储曲面方程参数用于复原。通过控制L3A向量相似度中的长度和角度的变化阈值,使得密集点云区域的压缩率高于非密集区域的压缩率,通过控制曲率阈值,使得低曲率区域的压缩率高于高曲率区域的压缩率,最大程度保留模型细节特征。CVS使用压缩阶段产生的复原信息生成点云来恢复模型的细节特征,使得模型特征更加明显。

基于主成分分析与栅格划分的点云压缩算法研究

三维激光扫描仪可在短时间内通过非接触测量获得大量高度密集的点云数据,针对大量数据导致的资源占用多和数据处理速度慢的问题,提出了一种基于主成分分析和空间栅格划分的点云压缩算法;该算法通过对邻域点集作主成分分析建立点的局部特征描述子,对点云空间进行栅格划分,在栅格内依据点的局部特征描述子确立特征点,剔除非特征点;实验结果表明,该算法能在保持原有模型局部细节特征的同时较大程度地压缩点云数据。

基于自适应切片的点云压缩算法

本文提出了一种自适应分层的点云压缩算法。该算法在点云均匀切片的基础上,根据相邻切片点云的面积变化率设定阈值进行点云自适应分层,并使用角度弦高法保留每层切片点云的特征点,实现快速压缩。通过实验分析了算法中主要参数对压缩结果的影响,给出了最佳参数值的选择依据,并通过和传统压缩方法的对比,证实了本方法可以实现点云的快速高质量压缩。

基于Transformer的点云几何有损压缩方法

点云被广泛地用于三维物体表达,不过真实世界采集到的点云往往数据庞大,不利于传输与储存,针对点云数据冗余性问题,引入基于注意力机制的Transformer模块,提出一种基于Transformer的端到端多尺度点云几何压缩方法。将点云进行体素化,在编码端利用稀疏卷积提取特征,进行多尺度的逐步下采样,结合Transformer模块加强点空间特征感知与提取;在解码端进行对应的多尺度上采样重建,同样采用Transformer模块对有用特征进行加强与恢复,逐步细化并重建点云。与2种点云标准编码方法对比,所提方法平均获得80%和75%的BD-Rate增益;与基于深度学习的点云压缩方法对比,平均获得16%的BD-Rate增益,在相同码率点有约0.6的PSNR提升。实验结果表明:Transformer在点云压缩领域的可行性与有效性;在主观质量方面,所提方法也有明显的主观效果提升,重建的点云更接近原始点云。

基于加权损失的点云占用图视频上采样

基于视频的点云压缩标准(Video-based Point Cloud Compression,V-PCC)中,3D点云会被分成数百个块并投影到2D平面中,形成记录点云纹理信息的纹理视频和记录点云空间信息的几何视频。同时,还需要生成一个占用图视频(Occupancy Map Video),以记录纹理视频和几何视频中每一个像素点是否对应重建点云中的某个点。因此,占用图视频质量与重建点云质量直接相关。为了节约编码比特数,占用图视频在编码端会先被下采样,然后在解码端通过简单的上采样恢复到原分辨率。文中的基本思路是引入深度学习来代替V-PCC中的简单上采样方法,使得上采样后的占用图视频质量更高,从而提高点云的重建质量。在网络训练阶段提出使用加权损失函数,使得在重建点云时能尽可能少地移除正常点并尽可能多地移除噪声点。实验结果证明,所提方法可以大幅提升V-PCC的主客观性能。