基于特征提取的自适应三维点云压缩方法与流程
本发明属于视频图像编码技术领域，具体涉及到三维点云数据中表面点云数据的编码压缩方法。
背景技术：
现有的点云压缩编码主要由几何编码和属性编码构成。几何编码主要有采用八叉树编码结构压缩点云数据的几何位置信息，以及结合k维树结构的编码方式；属性编码方法主要有基于图变换、余弦变换、自适应边缘分层转换的编码方法。除此以外还有利用聚类分割算法进行特征编码的方法。以上方法适于对小型点云数据压缩编码，但对于规模较大点云数据压缩存在细节信息失真问题。
对于点云数据的几何编码，常见的有基于曲率、点密度、特征直方图等特征的非均匀量化编码方法，也有结合颜色、纹理特征聚类分块的编码方法。基于曲率和点密度特征的方法均对稀疏点云不敏感；基于特征直方图的方法只适用于个别特定类型的点云数据；而基于特征聚类的方法复杂且计算量较大。
对于属性变换编码，其量化编码的优化问题有待改进。前期发布的标准测试模型采用恒定量化参数编码，重建效果栅格化较严重，主观恢复效果较差。传统表面特征提取方法侧重全局特征的提取，随着量化参数的改变，重要的纹理特征点跟随全局的点云特征同步有损压缩，因此会造成一定的特征数据损失。
技术实现要素：
本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种编码高效、重建数据丢失少的基于特征提取的自适应三维点云压缩方法。
解决上述技术问题所采用的技术方案由下述步骤组成：
(1)确定预测点属性
点云数据p由n个点构成，顺序遍历点云p中的当前点pi并建立当前点pi的k维树，按下式确定邻域点qi相对于当前点pi的几何属性权重g(pi,qi,δ)geo和颜色属性权重g(pi,qi,δ)luma：
其中，0＜i≤k，n和k为有限的正整数，δ为三维高斯平滑函数标准差、取值为有限的正有理数，p(i)geo为当前点pi的三维坐标，q(i)geo为邻域点qi的三维坐标，d|p(i)geo,q(i)geo|为当前点pi到邻域点qi的三维欧氏距离。
(2)预测点属性归一化
遍历k维树邻域内的所有点，对其几何属性和颜色属性做归一化加权处理，得到预测点p′i属性值：
其中，q(i)geo是邻域点qi的几何属性值，q(i)lnma是邻域点qi的颜色属性值，p′(i)geo是预测点p′i的几何属性值，p′(i)luma是预测点p′i的颜色属性值。
(3)确定差值特征
按下式确定当前点pi的几何差值特征di与颜色差值特征li：
其中，p(i)geo,x、p(i)geo,y、p(i)geo,z分别为当前点pi三维坐标中的x,y,z值，p′(i)geo,x、p′(i)geo,y、p′(i)geo,z分别为预测点p′i三维坐标中x,y,z值，p(i)luma为当前点pi的颜色属性，p′(i)luma为预测点p′i的颜色属性。
(4)确定特征重要性参数
当前点pi的特征重要性参数记为h(i)，该参数由几何差值特征di与颜色差值特征li的线性加权按下式确定：
h(i)＝l×li+(1-l)×di(7)其中，l的取值为0＜(1-l)＜l＜1。
(5)确定特征与非特征点集
按下式确定特征点集pf与非特征点集pnf：
pf＝{p|h(i)≥φ}(8)
pnf＝{p|h(i)＜φ}(9)其中，φ为特征重要性阈值、取值为minih(i)～maxih(i)的有理数。
(6)设置基础量化参数
按下式确定特征点的基础量化参数qpaps1与非特征点的基础量化参数qpaps2的比例关系：
qpaps1/qpaps2＝α×σ2/σ1(10)
σ1＝pf/p
σ2＝(p-pf)/p
其中，σ1为特征点的特征影响参数，σ2为非特征点的特征影响参数，α为调整参数。
(7)选择有效量化参数
按式(11)、式(12)确定特征点的有效量化参数值ql1(k,i)和非特征点的有效量化参数值ql2(k,i)：
其中，
(8)量化编码
用特征点的有效量化参数值ql1(k,i)和非特征点的有效量化参数值ql2(k,i)，对点云数据p采用八叉树的量化编码方法，实现自适应的非均匀量化点云压缩编码。
在本发明的计算预测点属性步骤(1)中，所述的δ取值是不为0、且≤10的有理数，k维树中k取值为20～30的整数。
在本发明的计算差值特征步骤(3)中，所述的几何差值特征di取值为0～10厘米，颜色差值特征li取值为0～255。
在本发明的确定特征重要性参数步骤(4)中，所述的颜色差值特征li的权值l取值为0.5～1之间的小数。
在本发明的设置基础量化参数步骤(6)中，所述的非特征点的特征影响参数σ2与特征点的特征影响参数σ1的比值为1：1～8，α取值为0～10的整数。
在本发明的选择有效量化参数步骤(7)中，所述的特征点的基础量化参数qpaps1的取值为1～50之间的整数，非特征点的基础量化参数qpaps2的取值为1～50之间的整数，且特征点的基础量化参数qpaps1大于非特征点的基础量化参数qpaps2。
本发明通过对空间位置和夜色特征数据的提取，按特征优先级从高到低的原则，动态设置量化增量值以保留重要区域的特征点信息。与现有技术相比，避免了现有采样法造成的分块采样密度不均现象，降低了复杂度，减少了计算，最大限度地保留了数据中的有效点，改善了重建后数据中出现的栅格化失真现象，峰值信噪比平均提升0.0835db，平均码率降低0.083％。本发明具有对三维点云数据编码压缩失真率小、编码质量高等特点，可用于点云数据的传输和存储。
附图说明
图1是本发明实施例1的流程图。
图2是实施例1的facade点云数据p点到点率失真曲线。
图3是实施例1的facade点云数据p点到面率失真曲线。
图4是实施例1的facade点云数据p亮度率失真曲线。
图5是实施例1的facade点云数据p重建点云主观失真评价图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明，但本发明不限于下述的实施方式。
实施例1
本实施例的基于特征提取的自适应三维点云压缩方法由下述步骤组成(参见图1)：
(1)确定预测点属性
点云数据p由n个点构成，顺序遍历点云p中的当前点pi并建立当前点pi的k维树，按下式确定邻域点qi相对于当前点pi的几何属性权重g(pi,qi,δ)geo和颜色属性权重g(pi,qi,δ)luma：
其中，0＜i≤k，n和k为有限的正整数，δ为三维高斯平滑函数标准差、取值为有限的正有理数，δ值越大，高斯函数的平滑程度越高，本实施例的δ取值为1，k维树中k取值为25。p(i)geo为当前点pi的三维坐标，q(i)geo为邻域点qi的三维坐标，d|p(i)geo,q(i)geo|为当前点pi到邻域点qi的三维欧氏距离，d|p(i)geo,q(i)geo|的取值与点云的密度有关，点云密度越大，d|p(i)geo,q(i)geo|的取值越大。
(2)预测点属性归一化
遍历k维树邻域内的所有点，对其几何属性和颜色属性做归一化加权处理，得到预测点p′i属性值：
其中，q(i)geo是邻域点qi的几何属性值，q(i)luma是邻域点qi的颜色属性值，p′(i)geo是预测点p′i的几何属性值，p′(i)luma是预测点p′i的颜色属性值。
(3)确定差值特征
按下式确定当前点pi的几何差值特征di与颜色差值特征li：
其中，p(i)geo,x、p(i)geo,y、p(i)geo,z分别为当前点pi三维坐标中的x,y,z值，p′(i)geo,x、p′(i)geo,y、p′(i)geo,z分别为预测点p′i三维坐标中x,y,z值，p(i)luma为当前点pi的颜色属性，p′(i)luma为预测点p′i的颜色属性。
本实施例的几何差值特征di取值为0～10厘米，颜色差值特征li取值为0～255。
(4)确定特征重要性参数
当前点pi的特征重要性参数记为h(i)，该参数由几何差值特征di与颜色差值特征li的线性加权按下式确定：
h(i)＝l×li+(1-l)×di(7)
其中，l的取值为0＜(1-l)＜l＜1。在线性加权的公式中，赋予颜色差值特征li较高的权重，以降低几何差值特征di影响特征提取结果而导致的失真。
本实施例的颜色差值特征li的权值l取值为0.7。
(5)确定特征与非特征点集
按下式确定特征点集pf与非特征点集pnf：
pf＝{p|h(i)≥φ}(8)
pnf＝{p|h(i)＜φ}(9)其中，φ为特征重要性阈值、取值为minih(i)～maxih(i)的有理数。特征重要性参数h(i)越大，代表当前点的位置属性和颜色属性在编码阶段被保留的优先级越高。
(6)设置基础量化参数
按下式确定特征点的基础量化参数qpaps1与非特征点的基础量化参数qpaps2的比例关系：
qpaps1/qpaps2＝α×σ2/σ1(10)
σ1＝pf/p
σ2＝(p-pf)/p
其中，σ1为特征点的特征影响参数，σ2为非特征点的特征影响参数，α为调整参数，本实施例的非特征点的特征影响参数σ2与特征点的特征影响参数σ1的比值为1：1～8，α取值为0～10的整数。
(7)选择有效量化参数
按式(11)、式(12)确定特征点的有效量化参数值ql1(k,i)和非特征点的有效量化参数值ql2(k,i)：
其中，
(8)量化编码
用特征点的有效量化参数值ql1(k,i)和非特征点的有效量化参数值ql2(k,i)，对点云数据p采用八叉树的量化编码方法，实现自适应的非均匀量化点云压缩编码。量化增量值δqp(k,i)逐层递增，通过改变特征点的有效量化参数值ql1(k,i)和非特征点的有效量化参数值ql2(k,i)控制编码压缩效果。
完成基于特征提取的自适应三维点云压缩。
实施例2
本实施例的基于特征提取的自适应三维点云压缩方法由下述步骤组成：
(1)确定预测点属性
点云数据p由n个点构成，顺序遍历点云p中的当前点pi并建立当前点pi的k维树，按下式确定邻域点qi相对于当前点pi的几何属性权重g(pi,qi,δ)geo和颜色属性权重g(pi,qi,δ)luma：
其中，0＜i≤k，n和k为有限的正整数，δ为三维高斯平滑函数标准差、取值为有限的正有理数，本实施例的δ取值为2，k维树中k取值为20。p(i)geo为当前点pi的三维坐标，q(i)geo为邻域点qi的三维坐标，d|p(i)geo,q(i)geo|为当前点pi到邻域点qi的三维欧氏距离。
(2)预测点属性归一化
该步骤与实施例1相同。
(3)确定差值特征
该步骤与实施例1相同。
(4)确定特征重要性参数
当前点pi的特征重要性参数记为h(i)，该参数由几何差值特征di与颜色差值特征li的线性加权按下式确定：
h(i)＝l×li+(1-l)×di(7)其中，l的取值为0＜(1-l)＜l＜1。本实施例的颜色差值特征li的权值l取值为0.5。
其它步骤与实施例1相同。完成基于特征提取的自适应三维点云压缩。
实施例3
本实施例的基于特征提取的自适应三维点云压缩方法由下述步骤组成：
(1)确定预测点属性
点云数据p由n个点构成，顺序遍历点云p中的当前点pi并建立当前点pi的k维树，按下式确定邻域点qi相对于当前点pi的几何属性权重g(pi,qi,δ)geo和颜色属性权重g(pi,qi,δ)luma：
其中，0＜i≤k，n和k为有限的正整数，δ为三维高斯平滑函数标准差、取值为有限的正有理数，本实施例的δ取值为10，k维树中k取值为30。p(i)geo为当前点pi的三维坐标，q(i)geo为邻域点qi的三维坐标，d|p(i)geo,q(i)geo|为当前点pi到邻域点qi的三维欧氏距离。
(2)预测点属性归一化
该步骤与实施例1相同。
(3)确定差值特征
该步骤与实施例1相同。
(4)确定特征重要性参数
当前点pi的特征重要性参数记为h(i)，该参数由几何差值特征di与颜色差值特征li的线性加权按下式确定：
h(i)＝l×li+(1-l)×di(7)其中，l的取值为0＜(1-l)＜l＜1。本实施例的颜色差值特征li的权值l取值为1。
其它步骤与实施例1相同。完成基于特征提取的自适应三维点云压缩。
为了验证本发明的有益效果，发明人采用本发明实施例1的基于特征提取的自适应三维点云压缩方法与恒定量化参数点云压缩编码方法进行了对比实验，实验情况如下。
实施例1选取如表1所示的静态点云数据进行验证实验。
表1实验数据集列表
实施例1的计方法算机配置采用intel(r)core(tm)i7-6820hkcpu@2.70gghz、4核处理器，内存为16gb，显卡为geforcegtx1080m，操作系统为64位win10旗舰版。在microsoftvisualstudio2013及microsoftvisualstudio2019软件上进行编译，并配置pclv1.8.0数据库环境。
用客观实验结果评估与主观数据重建效果评估的方式对本发明与恒定量化参数点云压缩编码方法进行评估。其中，客观质量评价标准涉及各个指标的峰值信噪比和比特率，评估结果见图2、图3、图4、表2、表3。
表2实施例1与恒定量化参数点云压缩编码方法的客观实验结果评估
如图2是facade点云数据的点到点率失真曲线，图3是实施例1的facade点云数据p点到面率失真曲线，图4是实施例1的facade点云数据p亮度率失真曲线。由图2～图4可见，性能较好的实验结果集中在高比特率的区域，低比特率处性能较差。
由表2可见，实施例1的方法与恒定量化参数点云压缩编码方法的平均比特率降低了0.09％，峰值信噪比平均提升了0.0733db。以dragon点云数据为例，表3实验结果中的δ压缩率为实施例1相对于恒定量化参数点云压缩编码方法的相对变化值，实施例1的数据压缩率平均降低了24.51％。
表3dragon点云数据压缩前后点数对比
图5是实施例1的facade点云数据p重建点云主观失真评价图，其中，(a)是
综上，实验结果表明，本发明与恒定量化参数点云压缩编码方法相比，改善了重建后数据中出现的栅格化失真现象，对点云几何和颜色数据保留效果均有提高；在量化编码步骤，由于采用了特征点与非特征点的并行量化编码，减少了总编码时间，峰值信噪比平均提升0.0835db，平均码率降低0.083％。本发明具有对三维点云数据编码压缩失真率小、编码质量高等特点，可用于点云数据的传输和存储。
- 还没有人留言评论。精彩留言会获得点赞！