[发明专利]一种基于深度自编码器的点云几何压缩的方法

权利要求书

1.一种基于深度自编码器的点云几何压缩的方法，其特征在于，包括如下步骤：

(1)点云预处理：收集待压缩的一类点云作为训练集，并将其归一化至单位圆中；

(2)点云下采样：对训练集中的点云进行下采样，使得每个点云具有相同的点数m，点云中的每个点具有(x，y，z)三维坐标，其中，下采样方法使用最远点下采样法，首次随机选择一点，接下来每次都选择与被选择点集距离最远的点加入到被选择点集中，直至被选择点数满足要求；

(3)训练压缩模型：将经过第(2)步下采样后的点云输入到基于深度自编码器的点云几何压缩框架中进行训练；

(4)点云的几何压缩：将训练得到的压缩框架运用于此类所有点云的几何压缩。

2.根据权利要求1所述的点云几何压缩的方法，其特征在于：所述步骤(2)中下采样具体过程如下：

给定一待处理点云x，其点数为n，每个点具有(x，y，z)三维坐标，则将点云x用维度为n×3的矩阵表示，由于在不同的码率点处需要的点云点数不同，因此需要人为的对原始点云进行下采样；下采样方法为最远点下采样法；设待处理点云x具有n个点，用集合来表示为{x₁，x₂，...，x_n}，使用最远点下采样法得到原点云的一个子集{x_i1，x_i2，...，x_im}，使得x_ij为与前一层选择的点集距离最远的点，并将其加入到被选择点集中，迭代这一过程直至被选择点数满足要求。

3.根据权利要求1所述的点云几何压缩的方法，其特征在于：所述步骤(3)中的训练压缩框架主要包括以下步骤：

(3-1)设经过下采样后的点云点数为m，用维度为m×3的矩阵来表示，经过下采样后的点云通过由神经网络组成的编码器E编码成k个码字，记作y；

(3-2)将编码得到的码字y进行量化：

由于取整量化函数的导数为0或者无穷大，无法进行反向梯度传播，因此需要对其导数进行近似处理：

其中，r(y)即为近似函数，一种简单的选择为：

r(y)＝y+u. (3)

其中，u为[-0.5，0.5]间的随机噪声，在训练的过程中用公式(3)来代替量化，即可成功进行反向传播，训练完成后，在实际压缩过程中，使用原始的量化取整函数即可；

(3-3)将量化后的码字进行概率建模，求出码字的概率模型再根据概率模型计算码字的信息熵，作为模型训练的码率损失：

(3-4)对量化后的码字进行解码。解码器D由全连接神经网络构成，将码字解码成重构点云；将重构点云与原始输入点云使用倒角距离(Chamfer distance，d_CH)计算误差：

其中，S₁和S₂分别是输入点云和重构点云；最终，压缩框架的率失真损失函数为：

其中，λ为权衡码率和失真的拉格朗日系数，f_e表示编码器的非线性函数，f_d表示解码器的非线性函数，为码字的概率模型。

4.根据权利要求1所述的一种基于深度自编码器的点云几何压缩的方法，其特征在于：所述步骤(4)中点云几何压缩的具体过程如下：

将训练完成的压缩框架运用于此类所有点云的几何压缩，首先将待压缩点云进行预处理和下采样，与第(1)和(2)步骤相同；对经过下采样后的点云用训练完成的编码器进行编码，对编码得到的码字进行量化，此时的量化不需要进行近似处理；将量化后的码字经过任意熵编码器编码就得到的用于存储和传输的码流；解码时，将码流进行熵解码得到码字，将码字使用训练完成的解码器进行解码得到重构点云。