王澤峰，鄭明魁，陳鋒，黃昕

(福州大學(xué)物理與信息工程學(xué)院，福建 福州 350108)

0 引言

點(diǎn)云是在同一空間參考系下表達(dá)目標(biāo)空間分布和目標(biāo)表面特性的海量點(diǎn)集合，在獲取物體表面每個(gè)采樣點(diǎn)的空間坐標(biāo)和屬性信息后，得到的是點(diǎn)的集合，稱之為點(diǎn)云.點(diǎn)云通常是由幾何信息和屬性信息這兩部分組成，幾何信息指的是三維空間的位置信息，屬性信息包括反射率、 顏色等[1].根據(jù)點(diǎn)云的運(yùn)用場(chǎng)景不同，點(diǎn)云可以分為3類[2].一類: 靜態(tài)點(diǎn)云表示靜止不動(dòng)的物體，通常應(yīng)用在文物保護(hù)等; 二類: 動(dòng)態(tài)時(shí)變點(diǎn)云表示隨時(shí)間變化動(dòng)態(tài)單一物體，通常應(yīng)用在AR/VR; 三類: 動(dòng)態(tài)獲取點(diǎn)云表示運(yùn)動(dòng)的場(chǎng)景，通常應(yīng)用在無人駕駛等方面.點(diǎn)云應(yīng)用廣泛，但是點(diǎn)云的數(shù)據(jù)量龐大，對(duì)存儲(chǔ)和傳輸是非常大的挑戰(zhàn).例如，在默認(rèn)設(shè)置下的Velodyne HDL-64ES2 LiDAR工作半小時(shí)就能產(chǎn)生50 GB以上的數(shù)據(jù)，而無人駕駛特別是車路協(xié)同等領(lǐng)域需要高性能壓縮效率的編碼方法.

國際標(biāo)準(zhǔn)對(duì)動(dòng)態(tài)獲取點(diǎn)云的幾何編碼方法是八叉樹編碼[3]，利用八叉樹結(jié)構(gòu)中的葉子節(jié)點(diǎn)與根節(jié)點(diǎn)具有緊密聯(lián)系的特點(diǎn)，編碼點(diǎn)云的幾何信息.動(dòng)態(tài)圖像專家組(moving picture experts group，MPEG)在2018年針對(duì)動(dòng)態(tài)獲取點(diǎn)云和靜態(tài)點(diǎn)云推出第一代點(diǎn)云壓縮標(biāo)準(zhǔn)——基于幾何的點(diǎn)云壓縮(geometry-based point cloud compression，G-PCC)[4].G-PCC的幾何編碼在八叉樹編碼的基礎(chǔ)上做了改進(jìn)，例如借鑒了Mekuria等[5]基于塊的思想，增加了幀內(nèi)預(yù)測(cè)和孤立點(diǎn)編碼等.八叉樹編碼實(shí)現(xiàn)將無序的點(diǎn)云分層分級(jí)，使得點(diǎn)云具有順序性，增加點(diǎn)與點(diǎn)之間的相關(guān)性.近幾年，也有人用深度學(xué)習(xí)方法編碼車載激光雷達(dá)點(diǎn)云數(shù)據(jù)[6-7]，但是需要耗費(fèi)大量時(shí)間對(duì)點(diǎn)云數(shù)據(jù)集研究和訓(xùn)練，不符合自動(dòng)駕駛領(lǐng)域?qū)崟r(shí)性的要求.

基于八叉樹的幾何編碼方法中，每個(gè)八叉樹葉子節(jié)點(diǎn)都表示一個(gè)點(diǎn)是否被占用，對(duì)被占用的葉子節(jié)點(diǎn)做編碼.因?yàn)榘瞬鏄涫欠謱臃旨?jí)的結(jié)構(gòu)，當(dāng)點(diǎn)云場(chǎng)景范圍較大時(shí)或者分布不均勻時(shí)，深層的葉子節(jié)點(diǎn)需要用更多比特表示，導(dǎo)致壓縮性能有待進(jìn)一步提高.針對(duì)八叉樹編碼問題，Tu等[8]利用雷達(dá)掃描獲取點(diǎn)云的特點(diǎn)，提出將點(diǎn)云幾何信息轉(zhuǎn)化到二維空間，采用圖像壓縮的方法編碼點(diǎn)云數(shù)據(jù).即從原始數(shù)據(jù)包中提取點(diǎn)云數(shù)據(jù)轉(zhuǎn)化為距離圖.采用圖像的方式表示點(diǎn)云幾何信息，不僅可以減少點(diǎn)云的空間冗余，還可以減少每個(gè)點(diǎn)的占用比特信息.Sun等[9]提出基于聚類的方法，提高點(diǎn)云的局部相關(guān)性，進(jìn)一步縮減空間冗余.該方法關(guān)鍵步驟是對(duì)距離圖做分割聚類，但是動(dòng)態(tài)獲取點(diǎn)云的稀疏性導(dǎo)致點(diǎn)云在經(jīng)過分割算法[10-11]聚類后，點(diǎn)云分類過多，分割區(qū)域編碼時(shí)邊緣信息過多，降低了編碼效率.

由于車載激光雷達(dá)點(diǎn)云的場(chǎng)景范圍大，分布不均勻，不利于采用八叉樹編碼方法.因此，本研究選擇將三維點(diǎn)云的幾何信息映射到二維的距離圖，圖片分辨率由激光雷達(dá)參數(shù)決定，不受點(diǎn)云場(chǎng)景范圍的影響.針對(duì)分割區(qū)域編碼時(shí)邊緣信息過多的問題，提出孤立區(qū)域精細(xì)處理的方法，減少邊緣信息，提高編碼性能.結(jié)合圖像無損編碼的方法，提出一種二維距離圖分割的激光雷達(dá)點(diǎn)云無損壓縮方法.

1 算法框架簡(jiǎn)述

為了解決同類別點(diǎn)云存在較大空域冗余的問題，Sun等[9]提出基于聚類方法提高點(diǎn)云的局部相關(guān)性，減小空間冗余.該算法關(guān)鍵步驟之一是非地面處理，非地面處理主要是對(duì)非地面物體編碼，分為輪廓編碼和區(qū)域值編碼.輪廓編碼選擇文獻(xiàn)[12]提出的邊界編碼方法，區(qū)域值編碼采用算術(shù)編碼.但是動(dòng)態(tài)獲取點(diǎn)云具有稀疏性，分割后點(diǎn)云類別過多，導(dǎo)致對(duì)分割區(qū)域編碼時(shí)邊緣信息的增多，降低了輪廓編碼性能.針對(duì)這個(gè)問題，本研究提出孤立區(qū)域精細(xì)處理的方法解決過度分割的問題，結(jié)合圖像無損編碼的方法, 提出二維距離圖分割的激光雷達(dá)點(diǎn)云無損壓縮方法.編碼框架如圖1所示.

動(dòng)態(tài)獲取點(diǎn)云的場(chǎng)景范圍大，分布不均勻，不利于八叉樹編碼.研究首先將稀疏分布的點(diǎn)云幾何信息映射到二維距離圖，有利于后續(xù)的編碼.受文獻(xiàn)[9]啟發(fā)，選擇基于距離圖分割的方法，提高點(diǎn)云的局部相關(guān)性，有利于壓縮性能的提高.由于動(dòng)態(tài)獲取點(diǎn)云的稀疏性和離群點(diǎn)的影響，導(dǎo)致點(diǎn)云分割存在過分割問題，產(chǎn)生過多邊緣信息和孤立區(qū)域，區(qū)域編碼時(shí)增加編碼復(fù)雜度和所需比特?cái)?shù)，降低了編碼性能.針對(duì)這個(gè)問題，本研究提出孤立區(qū)域提取的方法，有效減少邊緣信息，改善分割效果.同類別的點(diǎn)云與激光雷達(dá)的距離是相近的，針對(duì)這個(gè)特點(diǎn)，提出最小值預(yù)測(cè)方法，有利于編碼性能進(jìn)一步提高，減少部分空域冗余.為保持殘差、 地面區(qū)域等數(shù)據(jù)原有的相關(guān)性，利用Compresso[12]和JPEG-LS[13]兩種無損的數(shù)據(jù)壓縮技術(shù)進(jìn)行編碼.殘差的無損編碼表示編碼過程沒有數(shù)據(jù)損失，則解碼端能夠重建原始距離圖.無損壓縮使點(diǎn)云的數(shù)據(jù)量減小，則數(shù)據(jù)傳輸所需的帶寬較小，這對(duì)于三維點(diǎn)云傳輸、 無人駕駛領(lǐng)域都有非常重要的作用.

2 分割與孤立區(qū)域精細(xì)處理

2.1 地面與非地面分割

在動(dòng)態(tài)獲取點(diǎn)云中，同類別的點(diǎn)云存在較強(qiáng)的相關(guān)性，通過有效的分割方法，提高點(diǎn)云局部相關(guān)性，有利于壓縮性能的提升.地面是點(diǎn)云中最大的一部分，分布在物體周圍.由于地面與非地面相關(guān)性不同，為了提高非地面物體分割準(zhǔn)確性，需要先將地面分離出來，分割算法采用文獻(xiàn)[10]提出的方法.地面分割主要思想是選取Z軸最低值的點(diǎn)云投影到XY平面上用極坐標(biāo)表示，并根據(jù)閾值Δα將圓分成若干份.每個(gè)分塊的點(diǎn)根據(jù)y=mx+b直線方程辨別地面點(diǎn).通過這個(gè)步驟，得到地面點(diǎn)云和非地面點(diǎn)云.非地面點(diǎn)云繼續(xù)做分割，區(qū)分不同的非地面物體.如圖2所示，圖2(a)是非地面分割圖示，圖2(b)是激光雷達(dá)掃描場(chǎng)景的實(shí)際例子.點(diǎn)A和點(diǎn)B是激光雷達(dá)發(fā)射的兩束任意光線OA、OB得到的反射點(diǎn)，β是OA和AB的夾角.如果點(diǎn)A、B屬于同一物體，那么A、B兩點(diǎn)相近，則β接近90°.反之，點(diǎn)A、B屬于不同物體，兩點(diǎn)相距較遠(yuǎn)，則β接近0°或者180°.β的計(jì)算方法如式(1)所示，d1和d2分別表示兩個(gè)反射點(diǎn)距離激光雷達(dá)的距離，α是OA和OB之間的夾角.β與設(shè)定的閾值θ比較，如果β>θ，則判定兩個(gè)點(diǎn)屬于同一個(gè)物體，否則判定為不同物體.

(1)

2.2 孤立區(qū)域精細(xì)處理

孤立區(qū)域精細(xì)處理主要分為兩個(gè)步驟： 孤立區(qū)域的提取和最小值預(yù)測(cè).首先是孤立區(qū)域的提取，孤立區(qū)域是指那些點(diǎn)數(shù)較少，因位置、 角度關(guān)系被當(dāng)成單獨(dú)類別的點(diǎn)云.孤立區(qū)域的存在會(huì)增加邊緣信息，影響編碼效率，因此需要提取孤立區(qū)域.根據(jù)設(shè)定的閾值Th劃分非孤立區(qū)域與孤立區(qū)域，分別是M>Th的點(diǎn)云和M≤Th的點(diǎn)云.盡管孤立區(qū)域的點(diǎn)數(shù)較少，但是在某個(gè)較小鄰域內(nèi)仍具有較強(qiáng)的相關(guān)性，可以單獨(dú)提取編碼.另一個(gè)關(guān)鍵步驟是最小值預(yù)測(cè).非地面物體的每個(gè)點(diǎn)距離激光雷達(dá)的距離都是相近的，即同一個(gè)物體的點(diǎn)距離激光雷達(dá)的深度是近似的.本研究采用同一類別的最小值作為該類的預(yù)測(cè)值，使得屬于同一物體的點(diǎn)距激光雷達(dá)的距離是相同的，在距離圖上表現(xiàn)為該塊區(qū)域的像素值相同.最小值預(yù)測(cè)處理使得殘差保留原有的相關(guān)性，有利于后續(xù)殘差編碼.

閾值的選取是非常重要的，閾值太大會(huì)使得差別較大的點(diǎn)云劃分為同一類，導(dǎo)致殘差過大.閾值太小則會(huì)導(dǎo)致分類太細(xì)，邊緣信息過多，區(qū)域編碼性能降低.閾值的選取是通過實(shí)驗(yàn)來統(tǒng)計(jì)數(shù)據(jù)的分布情況，進(jìn)而確定適合的閾值.如圖3所示，選取各個(gè)序列前5幀做實(shí)驗(yàn)，橫軸表示閾值范圍，縱軸表示5幀點(diǎn)云的非地面預(yù)測(cè)區(qū)域編碼后的平均數(shù)據(jù)大小，單位是kB.通過實(shí)驗(yàn)可以發(fā)現(xiàn)，隨著閾值的增大，KITTI數(shù)據(jù)集和FORD數(shù)據(jù)集都有相似的下降趨勢(shì)，在閾值取350時(shí)趨于平緩.

為了能直觀地看出本文算法的改善效果，此處對(duì)非地面分割區(qū)域和非地面預(yù)測(cè)區(qū)域上了顏色，不同顏色代表不同的類別，如圖4所示.數(shù)據(jù)選擇City序列的第一幀，圖4(a)是點(diǎn)云的非地面分割區(qū)域.如圖4(a)所示，由于點(diǎn)云的稀疏性，產(chǎn)生許多孤立區(qū)域，導(dǎo)致邊緣信息的增多.直接采用過細(xì)分割圖進(jìn)行編碼，這會(huì)大大降低編碼性能.圖4(b)是點(diǎn)云的非地面預(yù)測(cè)區(qū)域.通過兩張圖的對(duì)比，可以明顯看出圖4(b)邊緣信息、 孤立區(qū)域的驟減，表明孤立區(qū)域精細(xì)處理是有效的.

由于動(dòng)態(tài)獲取點(diǎn)云的稀疏性，以及目前的點(diǎn)云分割算法存在過度分割的問題，導(dǎo)致對(duì)分割區(qū)域編碼時(shí)，邊緣信息過多，需要消耗較多的比特?cái)?shù).本研究針對(duì)這個(gè)問題，提出孤立區(qū)域精細(xì)處理，有效地改善了非地面的分割效果，并且進(jìn)一步提高了編碼性能.表1展示不同序列點(diǎn)云是否有做孤立區(qū)域精細(xì)處理的數(shù)據(jù)量對(duì)比.表中數(shù)字表示平均每幀點(diǎn)云在不同步驟所需的數(shù)據(jù)量大小，單位為kB.從表中可以看出，由于分割算法的過分割，邊緣信息增多，使得直接編碼需要占用更多的比特?cái)?shù).而經(jīng)過孤立區(qū)域精細(xì)處理后的非地面點(diǎn)云，邊緣信息是顯著減少的，最終編碼所需的比特?cái)?shù)相比直接編碼是更少的.

表1 孤立區(qū)域精細(xì)處理數(shù)據(jù)量分析

3 數(shù)據(jù)編碼

動(dòng)態(tài)獲取點(diǎn)云通過距離圖分割算法，將距離圖分為地面區(qū)域與非地面分割區(qū)域兩部分，非地面分割區(qū)域經(jīng)過孤立區(qū)域提取步驟獲得孤立區(qū)域，最后經(jīng)過最小值預(yù)測(cè)獲得殘差與非地面預(yù)測(cè)區(qū)域.下面詳述地面區(qū)域、 孤立區(qū)域、 非地面預(yù)測(cè)區(qū)域和殘差這4種數(shù)據(jù)的特點(diǎn)與編碼方法.

3.1 非地面預(yù)測(cè)區(qū)域編碼

非地面預(yù)測(cè)區(qū)域的每塊區(qū)域的像素值都是相同的，有各自的區(qū)域邊界，邊緣信息較少，無噪聲和離群點(diǎn).基于這種特點(diǎn)，本研究采用compresso[12]編碼.Compresso算法是針對(duì)醫(yī)學(xué)圖像的編碼方法，它根據(jù)像素值的差異判定邊緣位置，可以準(zhǔn)確地找到邊界信息.該算法對(duì)邊界信息采用重排匹配的方法編碼，對(duì)上左鄰域都為邊界的像素單獨(dú)編碼，區(qū)域內(nèi)的值采用LZMA編碼.Compresso對(duì)邊界信息敏感，邊界信息越少越有助于編碼性能的提高，因此非地面預(yù)測(cè)區(qū)域適合采用compresso編碼.

3.2 地面區(qū)域、 孤立區(qū)域、 殘差的編碼

地面是動(dòng)態(tài)獲取點(diǎn)云最大的一部分，范圍廣并且每個(gè)部分都是連續(xù)有規(guī)律的.根據(jù)激光雷達(dá)的掃描原理，地面的一圈表示激光雷達(dá)在某個(gè)俯仰角掃描一圈獲得的點(diǎn)云，每個(gè)點(diǎn)距離激光雷達(dá)的距離幾乎是相同的，在距離圖表現(xiàn)為某一行的像素值基本相同.在Residential序列中選取一幀點(diǎn)云，通過進(jìn)一步處理得到地面的局部數(shù)值圖，如圖5所示.圖中每一列的數(shù)值是基本相同的，每一行的數(shù)據(jù)是相近的且具有相關(guān)性.由于點(diǎn)云的稀疏性，點(diǎn)云分割后類別過多，導(dǎo)致分割區(qū)域編碼時(shí)邊緣信息冗余.孤立區(qū)域提取是解決該問題的關(guān)鍵步驟.實(shí)驗(yàn)中發(fā)現(xiàn)孤立區(qū)域的局部數(shù)值與圖5相似.盡管孤立區(qū)域的點(diǎn)數(shù)較少，但是在某個(gè)較小鄰域內(nèi)仍具有較強(qiáng)的相關(guān)性.

孤立區(qū)域精細(xì)處理使得殘差仍具有相關(guān)性，并且殘差值很小.選取上述同一幀的點(diǎn)云，統(tǒng)計(jì)殘差的分布狀況，如圖6所示.殘差大部分集中在0值附近，表明殘差值很小，相鄰像素點(diǎn)的殘差值相近，具有較強(qiáng)局部相關(guān)性.其他數(shù)據(jù)集也是類似的殘差分布.

JPEG-LS[13]是一種針對(duì)連續(xù)色調(diào)靜態(tài)圖像的無損/近無損的壓縮標(biāo)準(zhǔn).JPEG-LS的核心算法是LOCO-I[14]，它結(jié)合了Huffman編碼的簡(jiǎn)單和上下文建模的巨大壓縮潛力的優(yōu)點(diǎn).JPEG-LS有兩種編碼模式，分別是普通模式和游程編碼模式.普通模式不僅能夠根據(jù)相鄰像素值預(yù)測(cè)當(dāng)前像素值，還能通過當(dāng)前點(diǎn)像素和相鄰像素的梯度自適應(yīng)制定殘差最優(yōu)模型.由于地面、 孤立區(qū)域、 殘差它們的局部相關(guān)性較強(qiáng)，JPEG-LS能根據(jù)相鄰像素較準(zhǔn)確地預(yù)測(cè)當(dāng)前像素，并且上下文建模的殘差非常小，能夠有效地壓縮數(shù)據(jù).因此這3類數(shù)據(jù)選擇JPEG-LS無損編碼.

4 實(shí)驗(yàn)部分

4.1 實(shí)驗(yàn)條件和評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)在Ubuntu16.04系統(tǒng)上完成，電腦配置是Intel Core Xeon(R) CPU X5670 @2.93 GHz，GTX 1050Ti，8 GB運(yùn)行內(nèi)存.實(shí)驗(yàn)采用的點(diǎn)云數(shù)據(jù)集共有3類，其中一類來自Tier IV的開放數(shù)據(jù)集[15]，另外兩類是KITTI數(shù)據(jù)集[16]和FORD數(shù)據(jù)集[17].KITTI數(shù)據(jù)集選擇4個(gè)序列: Campus、 City、 Residential和Road.Ford數(shù)據(jù)集選擇Ford_01序列，Tier IV 數(shù)據(jù)集選擇Nagoya_hdl64s2序列.

由于只考慮點(diǎn)云的幾何壓縮，并且距離圖的編碼是無損的，因此評(píng)判標(biāo)準(zhǔn)采用壓縮比率CR，如下式所示:

(2)

其中： CR表示壓縮比率, CR越小表示壓縮性能越高，反之表示壓縮性能越差; Sizecoding和Sizeoriginal分別代表編碼后數(shù)據(jù)大小和原始點(diǎn)云的數(shù)據(jù)大小.

4.2 距離圖分類

本次實(shí)驗(yàn)的對(duì)比算法是G-PCC和基于聚類的點(diǎn)云壓縮算法.由于兩種算法編碼的數(shù)據(jù)精度不同，為了與之正確對(duì)比，需要對(duì)距離圖做進(jìn)一步處理.根據(jù)數(shù)值精度的不同，將距離圖分為兩種，分別是距離信息圖和真實(shí)距離圖.距離信息圖的數(shù)值精確到mm，真實(shí)距離圖的數(shù)值精確到m.基于聚類的點(diǎn)云壓縮算法選擇的數(shù)據(jù)集是KITTI的4個(gè)序列, 該算法采用的距離圖數(shù)值精度精確到m，因此實(shí)驗(yàn)選擇相同數(shù)據(jù)集，距離圖轉(zhuǎn)換步驟選擇真實(shí)距離圖.由于G-PCC編碼的點(diǎn)云數(shù)據(jù)精度較高，距離圖轉(zhuǎn)換選擇距離信息圖，數(shù)據(jù)集選擇Ford_01、 City、 Nagoya_hdl64s2這3個(gè)序列.

1) 距離信息圖.激光雷達(dá)原始數(shù)據(jù)包獲取的距離值是距離信息.根據(jù)數(shù)據(jù)包的存儲(chǔ)特點(diǎn)，設(shè)定距離信息圖的行對(duì)應(yīng)64個(gè)俯仰角，列對(duì)應(yīng)不同偏航角，像素值表示距離信息，數(shù)值精確到mm.距離信息圖的示例圖如圖7所示.

2) 真實(shí)距離圖.從激光雷達(dá)原始數(shù)據(jù)包中獲取距離信息后，經(jīng)過修正之后才是真實(shí)測(cè)量的距離值.修正公式如下:

Rtrue=Rinfo×resolution+Rcorrection

(3)

式中：Rtrue代表真實(shí)距離;Rinfo表示距離信息; resolution表示距離分辨率;Rcorrection表示距離修正值.其中resolution和Rcorrection可在激光雷達(dá)參數(shù)文件獲取.真實(shí)距離圖的像素值表示真實(shí)測(cè)量的距離值，數(shù)值精確到m.圖8是真實(shí)距離圖的示例圖.

4.3 實(shí)驗(yàn)結(jié)果與分析

本次實(shí)驗(yàn)與G-PCC和基于聚類的點(diǎn)云壓縮兩種算法對(duì)比，對(duì)比序列各采集100幀比較壓縮性能.表2是本文算法與G-PCC在不同數(shù)據(jù)集上的壓縮率對(duì)比結(jié)果.實(shí)驗(yàn)結(jié)果表明，本文方法與G-PCC相比有較大的壓縮性能提高.其中，本文算法對(duì)City序列的編碼性能是最好.因?yàn)樵撔蛄袛?shù)據(jù)結(jié)構(gòu)單一，包含大量地面點(diǎn)，分割效果更好，編碼性能更優(yōu).G-PCC的幾何編碼是八叉樹編碼，該方法對(duì)點(diǎn)云場(chǎng)景范圍較集中或者只有單個(gè)物體的點(diǎn)云有很好的編碼效果，空間利用率高.由于動(dòng)態(tài)獲取點(diǎn)云的場(chǎng)景范圍較大，空間分布不均勻，采用八叉樹編碼存在較多空分塊，同時(shí)又要用比特信息記錄是否有點(diǎn)的存在，既導(dǎo)致空間利用率低，又造成比特信息的浪費(fèi).

表3闡述了在KITTI數(shù)據(jù)集的不同序列上，本文算法與文獻(xiàn)[9]方法的壓縮率對(duì)比結(jié)果.實(shí)驗(yàn)結(jié)果證明本文算法優(yōu)于文獻(xiàn)[9]方法，最好可以達(dá)到2.12%的壓縮率.Road場(chǎng)景相比其他3個(gè)場(chǎng)景較復(fù)雜，該序列兩側(cè)是密集的森林，點(diǎn)云數(shù)據(jù)更稠密，導(dǎo)致分割效果不佳，編碼效果較差.文獻(xiàn)[9]方法對(duì)于Campus序列編碼效果較差，因?yàn)樵摲椒ㄎ醋龉铝^(qū)域精細(xì)處理的步驟，校園內(nèi)的物體種類相對(duì)較多，所以邊緣信息更加豐富，壓縮性能較低.

表2 本文算法與G-PCC的CR對(duì)比

表3 本文算法與文獻(xiàn)[9]方法的CR對(duì)比

5 結(jié)語

研究針對(duì)動(dòng)態(tài)獲取點(diǎn)云的特點(diǎn)，提出一種二維距離圖分割的激光雷達(dá)點(diǎn)云無損壓縮方法.點(diǎn)云轉(zhuǎn)為距離圖首先解決了點(diǎn)云場(chǎng)景范圍大的問題.針對(duì)動(dòng)態(tài)獲取點(diǎn)云的稀疏性造成分割類別過多，分割區(qū)域編碼時(shí)邊緣信息消耗較大比特?cái)?shù)的問題，提出孤立區(qū)域精細(xì)處理，改善過度分割的問題.本文提出的算法不僅壓縮性能好，而且距離圖編碼無數(shù)據(jù)損失.實(shí)驗(yàn)表明，本文方法較G-PCC有較大提升，優(yōu)于基于聚類的點(diǎn)云壓縮算法.在連續(xù)的點(diǎn)云序列中，相鄰幀之間存在巨大的時(shí)域冗余，因此接下來的研究方向?qū)⒓性诮鉀Q點(diǎn)云序列的時(shí)域冗余.