[发明专利]一种基于深度自编码器的点云几何压缩的方法

说明书

一种基于深度自编码器的点云几何压缩的方法，包括步骤：(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；使用最远点下采样法，首次随机选择一点，接下来每次都选择距被选择点集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。本方法不仅能够获得较好的压缩效果，同时也能更快的适应新的点云种类。

技术领域

本发明属于点云数据压缩领域，特别涉及一种基于深度自编码器的点云几何压缩的方法。

背景技术

随着三维扫描设备的快速发展，快速将现实世界中的三维信息数字化成为可能，点云正逐渐成为表达三维场景和物体三维表面的一种有效方式。相比于传统的二维图片和视频，点云通常以点的形式离散地分布在三维空间中，支持自由视点、多角度的观看，满足了人们对三维世界的用户体验，应用也愈发广泛；点云是三维扫描设备对物体表面采样所获取的，点的数量众多，其中每个点包含(x、y、z)几何信息和颜色、纹理等属性信息，信息量大，所以点云的数据量十分庞大。考虑到点云的大数据量和网络传输的有限带宽，点云压缩是一个势在必行的任务。

点云压缩主要分为几何压缩和属性压缩，其中点云几何压缩是一个活跃的、富有前景的研究领域。

现有的点云几何压缩方法主要是基于八叉树划分的几何压缩方法。首先先对原始点云进行量化，人为设置一个量化系数来减少原始点云的点数，并移除重复点。接下来使用八叉树对点云进行空间分解，然后记录每个八叉树子节点是否含有点，并将其作为占有码记录。该方法的处理效率较高但压缩性能有待提高。并且不具有快速适应某一类特定的点云能力。

近年来，针对三维点云的机器学习方法有了很大的发展。例如在点云识别和分割任务上，基于深度学习的方法已经超过了基于传统手工特征的方法，并且在三维重建方面获得了很大的成功。这类基于数据驱动的方法可以很快的适应某一类特定种类的点云，学习其特有的特征，在特定任务上获得较好的效果，但是这种方法几乎没有用在点云几何压缩上。通常来说，传统的点云编码器的设计需要数以月计的时间，但是基于深度学习的方法通过对大量数据进行学习，可以很快的适应不同类型的数据，从而可以节约大量的人力成本，同时获得较好的压缩效果，并且基于深度学习的方法已经在图片和视频压缩领域获得了一定程度的成功。综合来看，现有的点云几何压缩方法存在压缩效率有待提高，开发时间长，不具备快速适应新数据集等情况。

发明内容

为了克服现有技术的不足，本发明提出一种基于深度自编码器的点云几何压缩的方法，该方法打破了传统的点云几何压缩框架，提出了一种新的基于神经网络的点云几何压缩框架，可以使用大量数据进行训练，进一步提高点云几何压缩的性能。

本发明采用如下技术方案：

一种基于深度自编码器的点云几何压缩的方法，其具体步骤为：

(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；下采样方法使用最远点采样法，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。

上述步骤(3)所述的基于深度自编码器的点云几何压缩框架，其具体训练过程如下：