[发明专利]基于图卷积的点云压缩方法及装置

权利要求书

1.一种基于图卷积的点云压缩方法，其特征在于：包括以下步骤，

S10、使用基于图卷积的全局特征提取器，对原始的点云数据进行全局特征提取，得到粗略的三维模型的关键全局特征；

S20、使用基于图卷积的局部特征编码器，根据关键全局特征对点云数据进行局部特征提取并编码，得到潜在表示数据，潜在表示数据用于重建点云数据；

S30、对基于图卷积的局部特征编码器进行训练；

S40、对潜在表示数据进行量化熵编码以比特流的形式进行传输；

S50、根据点云数据每个点之间的误差和曲率的误差对基于特征值重建的点云数据进行质量评估；

步骤S20具体包括，

S21、从全局特征中将原始的点云数据划分为一个个局部的点云数据；

S22、对局部的点云数据构建云点图，对局部的点云数据进行三层图卷积网络；

S23、将图卷积网络后的点云数据通过多层感知层并池化，得到潜在表示数据；

其中，步骤S21中，根据全局特征点对原始的点云数据进行球形划分，每个全局特征点的划分半径由函数进行计算，所采用的函数为：

其中，D_f为图卷积函数矩阵，n_f为m个n_f(i)组成的矩阵，mean(d)为全局特征点之间的平均距离，u_i为参数，m为该点以mean(d)为半径内的点，n_f(i)为该点的全局特征，F为对D_f和n_f进行矩阵乘法。

2.如权利要求1所述的基于图卷积的点云压缩方法，其特征在于：步骤S10具体包括，

S11、使用两层全感知层，初步提取特征点；

S12、将提取的全局特征进行解码为粗点云；

S13、将粗点云通过三层图卷积网络提取全局特征值；

S14、将全局特征值进行池化，提取全局特征的关键点，保留关键点特征。

3.如权利要求2所述的基于图卷积的点云压缩方法，其特征在于：所述三层图卷积网络由图卷积层和激活函数层组成，激活函数层使用LeakSigmoid函数，用于将数值差距较大的图卷积层结果进行映射到合理的范围，对于负值返回较小的值避免无法激活神经元，LeakSigmoid函数为，

其中，u₁，u₂，u₃，a分别为LeakSimoid函数中的专门的函数参数，x为输入激活函数的数值。

4.如权利要求3所述的基于图卷积的点云压缩方法，其特征在于：步骤S30中，训练损失函数Loss_final综合两部分进行计算，一部分Loss_coarse使用粗点云作为标准点云计算损失，另一部分Loss_original使用原始点云作为标准点云计算损失，计算公式分别为：

Loss_final＝u₁×Loss_coarse+u₂×ln(Loss_original+1)

其中，Loss_final中u₁，u₂为专门的参数用以控制粗细损失比例，Loss_coarse和Loss_original中u₁和u₂为专门用以控制点云计算损失的参数，P_coarse为粗点云点，P_original为原始点云点，S_i为点P_i为球心的以d_i为半径的空间内点云P_k的数量，d_i为由局部特征控制的距离。