一种基于熵引导路由的LiDAR点云压缩方法及系统

摘要: 本发明涉及点云压缩,尤其涉及一种基于熵引导路由的lidar点云压缩方法及系统。背景技术:1、lidar点云因其高精度和高分辨率,在自动驾驶、机器人技术和3d制图...
一种基于熵引导路由的LiDAR点云压缩方法及系统

本发明涉及点云压缩,尤其涉及一种基于熵引导路由的lidar点云压缩方法及系统。

背景技术:

1、lidar点云因其高精度和高分辨率,在自动驾驶、机器人技术和3d制图等领域中得到了迅猛发展和广泛应用。然而,随着应用场景复杂度不断提升,点云数据规模迅速增长。例如,单一的velodyne lidar hdl64传感器单次扫描可产生10万个点,每秒生成288万个点。面对如此庞大的数据处理任务,如何在保证几何信息完整的前提下实现高效压缩与低比特率传输成为当前点云处理领域的关键技术问题。由于点云数据具有无序和稀疏的特点,传统的图像和视频压缩方法难以直接应用于点云数据压缩,因此,研究人员围绕点云结构特性提出了多种专用压缩方法,主要包括基于点、稀疏张量以及八叉树的方法。

2、基于点的方法直接处理原始坐标进行压缩。基于学习的工作如3qnet提出了模型分解策略(model breaking strategy,mbs),将点云分割为独立块进行分别编码。借鉴表面重建的思路,trisoup采用三角网格表示表面几何。在此基础上,pointsoup利用注意力块编码表面特征,并使用熵模型推断窗口点分布。然而,这些方法通常依赖局部邻域而缺乏层次结构,在处理具有高度非均匀密度的激光雷达点云(lidar point cloud,lpc)时难以保持结构一致性。

3、基于稀疏张量的方法通常将点云体素化为稀疏张量,以利用空间稀疏性进行网络处理和熵编码。sparsepcgc采用多尺度稀疏张量和3d稀疏卷积,通过逐步降尺度来建模占用概率。reno进一步基于多尺度表示设计了稀疏占用编码,并利用跨尺度相关性推导体素占用。unicorn通过设计邻域点注意力来捕获内在先验,扩展了多尺度稀疏张量框架。然而,对所有体素应用统一的卷积核忽略了固有的几何变化,限制了其在固定感受野之外捕获长距离空间依赖的能力。

4、基于八叉树的方法采用层次空间划分来有效减少空间冗余。早期的方法如gpcc依赖手工设计的先验进行熵编码。octsqueeze首次建立了基于祖先依赖关系的学习范式,随后被octformer和duoctree等工作采用。为了增强上下文建模,octattention将兄弟节点的占用纳入transformer框架以捕获局部相关性。topnet进一步引入了具有自适应滑动窗口注意力的局部增强上下文编码,以发现多尺度依赖关系。最近,ehem基于静态索引奇偶性将节点划分为不相交子集,以减轻由兄弟依赖关系引起的串行解码延迟。在此基础上,scp-ehem将球形八叉树与范围级上下文模块结合,以精化远处区域的重建。然而,这些方法依赖刚性拓扑划分(如固定索引),阻止了高熵节点获取更丰富的兄弟上下文,导致兄弟上下文与预测熵之间的不匹配,造成简单区域的过度处理和复杂区域的欠建模。

5、因此,相关技术采用统一的上下文建模方式对不同的八叉树节点进行概率预测,未充分考虑不同节点在几何结构复杂度与编码难度方面的差异,导致复杂区域节点难以获得充分的上下文信息,而简单区域存在计算资源冗余,难以实现编码资源与节点复杂度的有效匹配,从而影响压缩效率与重建质量。

6、另外,相关技术采用单一的上下文建模网络进行特征提取,难以同时兼顾长距离空间依赖关系和局部细节表达能力。其中,基于状态空间模型的mamba方法虽然具有线性计算复杂度,但在长距离建模过程中容易削弱局部细粒度几何信息,对复杂结构的表达能力有限;基于注意力机制的transformer方法虽然能够增强局部特征交互,但计算开销较大,且受局部窗口范围限制,难以充分获取长距离空间上下文信息。

7、综上,现有基于点、稀疏张量及八叉树的方法在lidar点云压缩任务中虽已取得一定进展,但仍存在明显局限性。这类方法没有根据节点的编码难度动态分配资源,导致复杂区域建模能力不足,而简单区域存在计算资源浪费,整体上下文建模效率和编码效率受到限制。此外,普遍依赖单一类型的上下文建模方式,难以同时兼顾长距离空间依赖关系和局部几何细节的表达能力,导致全局结构信息和局部特征信息融合不足。

技术实现思路

1、为了解决上述技术问题,本发明的目的是提供一种基于熵引导路由的lidar点云压缩方法及系统,能够在保证点云重建质量的同时,提高了点云压缩效率。

2、本发明所采用的第一技术方案是:一种基于熵引导路由的lidar点云压缩方法,包括以下步骤:

3、获取待压缩的lidar点云数据,并对待压缩的lidar点云数据进行空间结构转换处理,得到点云空间结构数据;

4、基于点云空间结构数据进行上下文特征提取,得到包含空间几何信息以及层级关联信息的点云特征表示;

5、基于点云特征表示进行编码难度分析,生成对应的熵引导路由信息;

6、根据熵引导路由信息对点云特征表示进行动态路由处理,并基于动态路由结果进行熵编码,得到点云压缩码流。

7、进一步,所述获取待压缩的lidar点云数据,并对待压缩的lidar点云数据进行空间结构转换处理,得到点云空间结构数据这一步骤,其具体包括:

8、获取待压缩的lidar点云数据,其中,所述待压缩的lidar点云数据包括点坐标信息以及对应属性信息;

9、将待压缩的lidar点云数据由笛卡尔坐标系转换至球面坐标系,得到球面坐标点云数据;

10、基于球面坐标点云数据进行空间划分,构建多层级八叉树结构;

11、对多层级八叉树结构进行节点序列化处理,得到用于后续编码的点云结构序列,输出点云空间结构数据。

12、进一步,所述基于球面坐标点云数据进行空间划分,构建多层级八叉树结构这一步骤,其具体包括:根据球面坐标点云数据确定根节点空间范围;

13、对根节点空间范围进行递归划分,生成多个层级的子节点;

14、根据各子节点对应的点云占用状态生成八叉树节点占用信息;

15、根据八叉树节点占用信息输出包含空间层级关系的八叉树结构数据,构建多层级八叉树结构。

16、进一步,所述基于点云空间结构数据进行上下文特征提取,得到包含空间几何信息以及层级关联信息的点云特征表示这一步骤,其具体包括:

17、将点云空间结构数据输入特征提取网络;

18、基于特征提取网络对当前节点的空间位置特征、节点层级特征以及邻域节点关联特征进行融合;

19、通过全局上下文建模模块对不同层级节点之间的长距离关联关系进行提取,得到全局空间依赖特征;

20、通过局部上下文建模模块对相邻节点之间的空间相关关系进行提取,得到窗口内部节点关联特征;

21、将全局空间依赖特征与窗口内部节点关联特征进行融合,得到包含空间几何信息以及层级关联信息的点云特征表示。

22、进一步,所述全局空间依赖特征的获取过程为对不同层级节点之间的长距离关联关系进行状态空间特征提取,所述窗口内部节点关联特征的获取过程为将相邻节点之间的空间相关关系划分为多个局部窗口并基于注意力计算得到。

23、进一步,所述基于点云特征表示进行编码难度分析,生成对应的熵引导路由信息这一步骤,其具体包括:

24、获取点云特征表示对应的节点编码代价信息;

25、基于节点编码代价信息计算各节点的编码难度参数;

26、将编码难度参数输入门控预测网络,得到节点对应的路由评分;

27、根据路由评分生成节点路由分组结果,作为熵引导路由信息输出。

28、进一步,所述根据路由评分生成节点路由分组结果这一步骤,其具体包括:

29、将八叉树节点序列划分为多个局部空间分组;

30、在每个局部空间分组内,根据路由评分对节点进行排序;

31、根据节点排序结果将节点分配至不同编码路径;

32、生成包含节点索引信息以及编码路径信息的动态路由结果。

33、进一步,所述基于动态路由结果进行熵编码这一步骤,其具体包括:

34、获取动态路由结果对应的节点上下文特征;

35、基于节点上下文特征构建节点占用概率预测模型;

36、根据节点占用概率预测模型输出节点符号概率分布;

37、利用熵编码器根据节点符号概率分布对点云节点信息进行编码;

38、输出对应的二进制压缩码流。

39、进一步,还包括点云解码重建步骤,其具体包括:

40、获取二进制压缩码流;

41、基于节点占用概率预测模型对二进制压缩码流进行熵解码,得到节点占用信息;

42、根据节点占用信息恢复八叉树结构;

43、遍历恢复后的八叉树结构,提取叶节点空间坐标;

44、根据叶节点空间坐标生成重建lidar点云数据

45、本发明所采用的第二技术方案是:一种基于熵引导路由的lidar点云压缩系统,包括:

46、第一模块,用于获取待压缩的lidar点云数据,并对待压缩的lidar点云数据进行空间结构转换处理,得到点云空间结构数据;

47、第二模块,用于基于点云空间结构数据进行上下文特征提取,得到包含空间几何信息以及层级关联信息的点云特征表示;

48、第三模块,用于基于点云特征表示进行编码难度分析,生成对应的熵引导路由信息;

49、第四模块,用于根据熵引导路由信息对点云特征表示进行动态路由处理,并基于动态路由结果进行熵编码,得到点云压缩码流。

50、本发明方法及系统的有益效果是:本发明针对现有lidar点云压缩过程中固定上下文建模方式难以适应不同空间结构特征、压缩过程中无法根据点云局部复杂程度进行自适应编码以及压缩效率与重建质量难以兼顾的问题,通过对lidar点云数据进行空间结构化表示,构建包含层级空间关联关系的点云结构数据,并基于所述点云结构数据提取融合全局上下文信息与局部空间关联信息的特征表示,使得压缩过程能够充分利用点云内部的空间相关性。进一步地,本发明通过对点云节点编码难度进行分析,生成对应的熵引导路由信息,并依据所述熵引导路由信息对不同空间特征节点进行动态路由分配,使不同复杂程度的点云区域能够匹配对应的编码路径,从而避免传统固定编码策略导致的上下文利用不足以及冗余计算问题,提高点云特征表达能力和编码效率。进一步地,本发明基于动态路由后的点云特征构建条件概率模型,并利用预测得到的节点概率分布进行熵编码,使编码过程能够更加准确地刻画点云数据中的空间概率分布特征,降低点云压缩过程中的码率消耗,实现高效的数据压缩。因此,本发明通过熵引导路由机制、空间上下文特征建模机制以及概率驱动的熵编码机制相结合,实现了对lidar点云数据的自适应压缩,在保证点云重建质量的同时,提高了点云压缩效率,降低了存储空间占用以及数据传输开销,适用于大规模lidar点云数据的高效存储与传输。