[发明专利]一种基于车载激光雷达的点云编解码方法

说明书

本发明涉及一种基于车载激光雷达的点云编解码方法，该方法包括编码过程和解码过程，所述编码过程包括以下步骤：步骤A1：在编码端输入激光雷达数据；步骤A2：进行点云格式转换；步骤A3：基于3D点云分割的降采样；步骤A4：进行距离图编码与占用图编码；所述解码过程包括以下步骤：步骤B1：距离图和占用图解码，进而转换为3D点云；步骤B2：基于3D点云分割的增采样；步骤B3：在解码端输出重构点云。该方法对于数据量庞大的车载点云可以有效去除数据冗余，进一步提高压缩性能。

技术领域

本发明属于车载点云领域，具体涉及一种基于车载激光雷达的点云编解码方法。

背景技术

3D点云以点集的形式数字化反映一个三维世界。点云应用范围广，其中一个技术支撑就是点云编码，点云编码已经成为近年来专家们研究的热门领域。2017年运动图像专家组(MPEG)提出静态、动态和动态捕获三类点云压缩的草案征集，随后学术界和业界就如何压缩这几类数据进行了持续研究和探讨，并于2020年底推出了国际标准草案，其中G-PCC(Geometry-based Point Cloud Compression)主要针对第一类和第三类点云。

激光雷达(Light Detection And Ranging，LiDAR)捕捉的点云属于第三类点云。车载点云中最核心的信息是几何属性，即坐标属性，还携带反射率属性等附加信息。由于车载激光雷达的原始数据量庞大，直接存储或传输需要占用大量内存和带宽，鉴于车载点云中包含着大量冗余信息，因此很有必要对其进行压缩。

近年来，研究者发现将点云转换成距离图像，可以节省存储空间。例如Tu等人提出将来自LiDAR传感器的原始数据包转换成距离图形式，即将3D LiDAR点云信息无损存储在2D矩阵中，进而采取传统图像编码技术进行压缩，减少数据的空间冗余。学者们在此基础上进一步研究了LiDAR点云序列的时间相关性，并利用基于SLAM(SimultaneousLocalization andMapping)的运动估计或基于U-net的光流法进行帧间预测，从而进一步提高了编码性能。上述算法虽然能够改善LiDAR点云的压缩效果，但并未充分利用车载点云的特征，压缩性能仍有一定提升空间。

发明内容

本发明的目的在于提供一种基于车载激光雷达的点云编解码方法，该方法对于数据量庞大的车载点云可以有效去除数据冗余，进一步提高压缩性能。

为实现上述目的，本发明采用的技术方案是：一种基于车载激光雷达的点云编解码方法，包括编码过程和解码过程，所述编码过程包括以下步骤：

步骤A1：在编码端输入激光雷达数据；

步骤A2：进行点云格式转换；

A21：根据LiDAR数据的原始信息，生成距离图；

A22：生成3D点云的几何属性；

A23：生成3D点云的距离图索引属性；

步骤A3：基于3D点云分割的降采样；

A31：根据车载点云几何属性特征进行点云分割；

A32：根据分割后点云的特征，采取相应的降采样方法；

A33：将降采样后的点云进行融合；

步骤A4：进行距离图编码与占用图编码；

A41：根据距离图索引属性，生成降采样的2D距离图；

A42：根据距离图索引属性生成占用图；

A43：对矢量化的距离图进行编码；

A44：对占用图进行编码；

所述解码过程包括以下步骤：

步骤B1：距离图和占用图解码，进而转换为3D点云；