[发明专利]一种基于地面分割的G-PCC点云编码改进方法

说明书

本发明涉及一种基于地面分割的G‑PCC点云编码改进方法，包括以下步骤：步骤S1：提供点云数据，通过快速地面分割算法对点云进行预处理，将点云数据分割为地面点云和非地面点云；步骤S2：对分割后的地面点云转换成距离图像，并基于JPEG算法的编码器进行编码；步骤S3：对分割后的非地面点云采用G‑PCC编码模块进行编码。本发明主要针对的是激光雷达动态获取的稀疏点云，具有高效，高压缩率，低复杂度等特点。

技术领域

本发明涉及自动驾驶领域，特别是一种基于地面分割的G-PCC点云编码改进方法。

背景技术

在获取物体表面每个采样点的空间坐标后，得到的是一个点的集合，称之为“点云”(Point Cloud)。点云在自动驾驶领域得到了广泛的应用，许多学者对点云编码压缩进行了深入的研究，点云通常有稀疏点云和密集点云两种类型，稀疏点云的属性通常为反射强度(Intensity)，密集点云的属性值通常为颜色信息(RGB)。随着激光雷达扫描硬件技术的不断提高，获取的点云数据量越来越大，目前车载激光雷达行驶数公里后的数据存储量通常达到了TB级别，海量的点云数据在详细描述对象特征的同时也为计算机处理运算增加沉重的负担，大大影响力点云数据的传输、存储和处理分析效率，因此，需要在保留点云的主要特征的同时，对点云中的冗余数据进行编码压缩。目前国际上以及国内正在推进点云标准的制定，主要有国际上MPEG的G-PCC编码标准以及国内的AVS-PCC编码标准。

G-PCC编码器对点云的编码大致分为了几何编码和属性编码两个部分。压缩算法主要步骤如图1所示，针对位置信息的几何编码，主要是通过构建八叉树来做几何编码，细分边界框B来构建八叉树结构。在每个阶段，将一个立方体细分为8个子立方体。然后，通过将1位值与每个子立方体相关联，生成8位代码，称为占用代码，以指示其是否包含点(即，满并具有值1)(即，空和值为0)。仅将尺寸大于1的完整子立方体(即非体素)进一步细分。由于可以复制点，因此可以将多个点映射到大小为1的相同子立方体(即，相同的体素)。为了处理这种情况，还对维度为1的每个子立方体的点数进行了算术编码。相同的算术编码器用于编码所有信息到比特流中。因为涉及到了大量近邻搜索问题，点云的位置信息的分布特点决定了八叉树的复杂度。而之后属性编码部分取决于重构后的几何，即建立八叉树后的点云，在图1中，绿色模块是通常用于密集数据的选项。橙色模块是通常用于稀疏数据的选项。所有其他模块都在稀疏点云和密集点云之间都是通用的。然而，上述点云编码方法，并未考虑点云数据的结构性特征，由于点云具有高密度非结构化的特点且车载激光雷达动态获取的点云场景很大，在构建八叉树的过程中会浪费过多的比特信息，且在预测编码准确度不高，从而降低编码和解码性能，因此，现有GPCC编码技术还有待于改进和发展。

如图2所示，AVS-PCC编码标准平台同样的也是分为了几何编码和属性编码两个部分，类似的也是通过构建八叉树来对海量的乱序点云进行遍历，得到每个节点的占用信息，该节点的空间占用码包含八个比特(b₇b₆b₅b₄b₃b₂b₁b₀)，分别表示该节点的八个子节点占用的情况。对每个比特使用上下文(context)进行熵编码。同样的在构建八叉树的过程中也会因为点云结构的问题出现深度过深，浪费过多存储空间，降低编码率等问题。

如上所述，现有的编码技术虽然将点云数据量大大的压缩了，但是目前主流编码方案都是对点云整体数据进行压缩编码，并未考虑到点云内部细节的差异性。G-PCC编码器是基于几何特征进行编码的，因为是在构建八叉树的基础上进行编码，点云位置信息的特点起到关键作用，点云过于杂乱将严重影响点云的编码效率。

发明内容

有鉴于此，本发明的目的是提供一种基于地面分割的G-PCC点云编码改进方法，对点云内部地面分割处理后，在对地面点与非地面点分别单独进行编码，以提高编码效率以及精准度。

本发明采用以下方案实现：一种基于地面分割的G-PCC点云编码改进方法，包括以下步骤：