CN113902844A - 点云编码的方法、装置、电子设备、介质和程序产品 - Google Patents
点云编码的方法、装置、电子设备、介质和程序产品 Download PDFInfo
- Publication number
- CN113902844A CN113902844A CN202111138592.XA CN202111138592A CN113902844A CN 113902844 A CN113902844 A CN 113902844A CN 202111138592 A CN202111138592 A CN 202111138592A CN 113902844 A CN113902844 A CN 113902844A
- Authority
- CN
- China
- Prior art keywords
- image
- type
- image layer
- noise
- ground
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 103
- 230000011218 segmentation Effects 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 abstract description 24
- 238000007906 compression Methods 0.000 abstract description 24
- 230000008569 process Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 8
- 239000000203 mixture Substances 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000509579 Draco Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012669 compression test Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/001—Model-based coding, e.g. wire frame
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/005—Tree description, e.g. octree, quadtree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/40—Tree coding, e.g. quadtree, octree
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请涉及点云处理技术领域,公开了点云编码的方法、装置、电子设备、介质和程序产品。该方法包括:对待处理的激光雷达点云进行图像层划分,生成不同类型的图像层;采用分别针对每一图像层的类型对应设置的区域分割方法,对相应的图像层进行区域分割,获得每一图像层对应的各区域图像;分别对每一图像层对应的各区域图像进行排布,获得每一图像层对应的排布图像;基于分别针对每一排布图像的类型对应设置的编码方法,对应相应的排布图像进行编码,获得激光雷达点云的编码数据。这样,能够在对激光雷达点云进行无损编码时,提高压缩性能。
Description
技术领域
本申请涉及点云处理技术领域,具体而言,涉及点云编码的方法、装置、电子设备、介质和程序产品。
背景技术
点云是通过三维扫描设备对物体表面进行采样所获取的,一帧点云的点数一般是百万级别,其中,每个点包含几何信息、颜色和反射率等属性信息,由此,三维点云的数据量十分庞大,这给三维点云的存储以及传输等带来巨大挑战,所以,点云的压缩十分必要。
目前,技术人员通常采用渐进式八叉树、预测树、动态二值分解、形状自适应小波变换以及图变换等方法对点云数据进行编码。
但是,上述的编码方法在对点与点之间的相关性较强的点云数据进行编码时,能够有较好的压缩性能,若点云中有许多不连续的区域(例如,激光雷达点云),该类点云数据中点与点之间相关性较弱,上述编码方法在对该类点云数据进行编码时,会产生较多冗余,压缩性能较差。
为了提高针对激光雷达点云进行编码时的压缩性能,相关技术人员尝试将激光雷达点云分割为不同的局部区域,并采用多种几何模型去编码点云,这种方法确实能够取得更好的压缩性能,但是,由于异常点的滤除和浮点操作,这种方法并不能够实现无损编码。
因此,在对激光雷达点云进行无损编码时,如何提高压缩性能,是一个需要解决的问题。
发明内容
本申请实施例的目的在于提供点云编码的方法、装置、电子设备、介质和程序产品,用以在对激光雷达点云进行无损编码时,提高压缩性能。
第一方面,本申请实施例提供一种点云编码的方法,包括:
对待处理的激光雷达点云进行图像层划分,生成不同类型的图像层。
采用分别针对每一图像层的类型对应设置的区域分割方法,对相应的图像层进行区域分割,获得每一图像层对应的各区域图像。
分别对每一图像层对应的各区域图像进行排布,获得每一图像层对应的排布图像,使得排布图像中的每两个相邻区域图像均具有连接点,每一图像层的类型与相应的排布图像的类型相同。
基于分别针对每一排布图像的类型对应设置的编码方法,对应相应的排布图像进行编码,获得激光雷达点云的编码数据。
在上述实现过程中,通过对激光雷达点云进行图像层划分,从而确定出不同类型的图像层,便于进一步根据每一图像层的类型确定区域分割,并根据每一的类型对应的区域分割,对相应的图像层进行区域分割,获得每一图像层的各区域图像,便于对每一图像层的各区域图像进行排布,从而减少区域图像的占用空间,减少了图像数据存储的冗余,进一步地,基于分别针对每一排布图像的类型对应设置的编码方法,对应相应的排布图像进行编码,从而实现了对激光雷达点云的无损编码,并提高了对激光雷达点云进行编码时的压缩性能。
结合第一方面,在一种实施方式中,图像层的类型包括:噪点类型、地面类型以及物体类型,对待处理的激光雷达点云进行图像层划分,生成不同类型的图像层,包括:
采用滤波处理方式,对激光雷达点云进行图像层划分,获得噪点类型的图像层以及非噪点类型的图像层。
采用地面提取方式,对非噪点类型的图像层进行图像层划分,获得地面类型的图像层以及物体类型的图像层。
在上述实现过程中,通过滤波处理方式对激光雷达点云进行图像层划分,获得噪点类型的图像层以及非噪点类型的图像层,进一步,采用地面提取方式对非噪点类型的图像层进行图像层划分,获得地面类型的图像层以及物体类型的图像层,从而实现了对激光雷达点云中不同特性的点云进行分层处理。
结合第一方面,在一种实施方式中,采用分别针对每一图像层的类型对应设置的区域分割方法,对相应的图像层进行区域分割,获得每一图像层对应的各区域图像,包括:
对物体类型的图像层进行物体分割,获得物体类型的各物体区域图像。
对地面类型的图像层进行地面分割,获得地面类型的各地面区域图像。
对噪点类型的图像层进行噪点分割,获得噪点类型的各噪点区域图像。
在上述实现过程中,通过对每一类型的图像层进行区域分割,获得每一图像层对应的各区域图像,便于后续分别对每一图像层的各区域图像进行相邻排布。
结合第一方面,在一种实施方式中,对物体类型的图像层进行物体分割,获得物体类型的各物体区域图像,包括:
基于物体类型的图像层的坐标系以及参考坐标系,将物体类型的图像层中的各坐标点进行坐标系转换,获得物体类型的图像层在参考坐标系中的映射物体图像。
对映射物体图像进行物体分割,获得分割后的各物体区域图像。
将各物体区域图像,分别与物体类型的图像层中的各物体进行匹配。
根据匹配结果,从物体类型的图像层中的各物体中,筛选出匹配结果表征匹配成功的物体。
从物体类型的图像层中,分割出筛选出的物体对应的各物体区域图像。
在上述实现过程中,通过对物体类型的图像层进行区域分割,获得各物体区域图像,从而将物体类型图像层中的各物体分割为独立的区域图像,进一步为后续物体类型的各区域图像的排布提供基础。
结合第一方面,在一种实施方式中,对地面类型的图像层进行地面分割,获得地面类型的各地面区域图像,包括:
基于地面类型的图像层的坐标系和参考坐标系,将地面类型的图像层中的各坐标点进行坐标转换,获得地面类型的图像层中的各坐标在参考坐标系中各仰角数据。
对每一坐标点的仰角数据进行高斯拟合,获得地面类型的各地面区域图像。
在上述实现过程中,通过高斯拟合生成地面类型的图像层的各地面区域图像,从而将地面类型的图像层中各地面区域图像分割为独立的区域图像,进一步为后续地面类型的各区域图像的排布提供基础。
结合第一方面,在一种实施方式中,对噪点类型的图像层进行噪点分割,获得噪点类型的各噪点区域图像,包括:
对噪点类型的图像层中的噪点进行噪点分割,获得噪点类型的各噪点区域图像。
在上述实现过程中,通过将噪点类型的图像层中的各噪点分割为各噪点区域图像,从而实现将各噪点区域图像分割为独立的单元,进一步为后续噪点类型的各区域图像的排布提供基础。
结合第一方面,在一种实施方式中,分别对每一图像层对应的各区域图像进行排布,获得每一图像层对应的排布图像,包括:
将各物体区域图像进行排布,获得物体类型的排布图像。
将各地面区域图像进行排布,获得地面类型的排布图像。
将各噪点区域图像进行排布,获得噪点类型的排布图像。
在上述实现过程中,通过对每一类型的区域图像进行排布,使得排布图像中的每两个相邻区域图像均具有连接点,从而使各区域图像汇聚,以减少图像的占用空间,从而减少数据存储冗余。
结合第一方面,在一种实施方式中,基于分别针对每一排布图像的类型对应设置的编码方法,对应相应的排布图像进行编码,获得激光雷达点云的编码数据,包括:
采用针对噪点类型的排布图像设置的二进制差分编码,对噪点类型的排布图像进行编码,获得噪点类型的图像层的编码数据。
采用针对物体类型的排布图像设置的八叉树编码,对物体类型的排布图像进行编码,获得物体类型的图像层的编码数据。
采用针对地面类型的排布图像设置的高斯差分编码,对地面类型的排布图像进行编码,获得地面类型的图像层的编码数据。
基于噪点类型的图像层的编码数据、物体类型的图像层的编码数据以及地面类型的图像层的编码数据,获得激光雷达点云的编码数据。
在上述实现过程中,采用每一排布图像的类型对应设置的编码方法对每一类型的排布图像进行编码,获得每一类型的图像层的编码数据,从而将每一类型的图像层形成数据流,便于实现数据的传输。
第二方面,本申请实施例提供了一种点云编码的装置,该装置包括:
图像层划分单元,用于对待处理的激光雷达点云进行图像层划分,生成不同类型的图像层。
区域分割单元,用于采用分别针对每一图像层的类型对应设置的区域分割方法,对相应的图像层进行区域分割,获得每一图像层对应的各区域图像。
排布单元,用于分别对每一图像层对应的各区域图像进行排布,获得每一图像层对应的排布图像,使得排布图像中的每两个相邻区域图像均具有连接点,每一图像层的类型与相应的排布图像的类型相同。
编码单元,用于基于分别针对每一排布图像的类型对应设置的编码方法,对应相应的排布图像进行编码,获得激光雷达点云的编码数据。
结合第二方面,在一种实施方式中,图像层的类型包括:噪点类型、地面类型以及物体类型,图像层划分单元具体用于:
采用滤波处理方式,对激光雷达点云进行图像层划分,获得噪点类型的图像层以及非噪点类型的图像层。
采用地面提取方式,对非噪点类型的图像层进行图像层划分,获得地面类型的图像层以及物体类型的图像层。
结合第二方面,在一种实施方式中,区域分割单元具体用于:
对物体类型的图像层进行物体分割,获得物体类型的各物体区域图像。
对地面类型的图像层进行地面分割,获得地面类型的各地面区域图像。
对噪点类型的图像层进行噪点分割,获得噪点类型的各噪点区域图像。
结合第二方面,在一种实施方式中,区域分割单元具体用于:
基于物体类型的图像层的坐标系以及参考坐标系,将物体类型的图像层中的各坐标点进行坐标系转换,获得物体类型的图像层在参考坐标系中的映射物体图像。
对映射物体图像进行物体分割,获得分割后的各物体区域图像。
将各物体区域图像,分别与物体类型的图像层中的各物体进行匹配。
根据匹配结果,从物体类型的图像层中的各物体中,筛选出匹配结果表征匹配成功的物体。
从物体类型的图像层中,分割出筛选出的物体对应的各物体区域图像。
结合第二方面,在一种实施方式中,区域分割单元具体用于:
基于地面类型的图像层的坐标系和参考坐标系,将地面类型的图像层中的各坐标点进行坐标转换,获得地面类型的图像层中的各坐标在参考坐标系中各仰角数据。
对每一坐标点的仰角数据进行高斯拟合,获得地面类型的各地面区域图像。
结合第二方面,在一种实施方式中,区域分割单元具体用于:
对噪点类型的图像层中的噪点进行噪点分割,获得噪点类型的各噪点区域图像。
结合第二方面,在一种实施方式中,排布单元具体用于。
将各物体区域图像进行排布,获得物体类型的排布图像。
将各地面区域图像进行排布,获得地面类型的排布图像。
将各噪点区域图像进行排布,获得噪点类型的排布图像。
结合第二方面,在一种实施方式中,编码单元具体用于:
采用针对噪点类型的排布图像设置的二进制差分编码,对噪点类型的排布图像进行编码,获得噪点类型的图像层的编码数据。
采用针对物体类型的排布图像设置的八叉树编码,对物体类型的排布图像进行编码,获得物体类型的图像层的编码数据。
采用针对地面类型的排布图像设置的高斯差分编码,对地面类型的排布图像进行编码,获得地面类型的图像层的编码数据。
基于噪点类型的图像层的编码数据、物体类型的图像层的编码数据以及地面类型的图像层的编码数据,获得激光雷达点云的编码数据。
第三方面,本申请实施例提供了一种电子设备,包括:
处理器、存储器和总线,处理器通过总线与存储器相连,存储器存储有计算机可读取指令,当计算机可读取指令由处理器执行时,用于实现如上述第一方面的任一实施方式提供的方法中的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面的任一实施方式提供的方法中的步骤。
第五方面,本申请提供一种计算机程序产品,计算机程序产品在计算机上运行时,使得计算机执行上述第一方面的任意可能的实现方式中的方法。
为使本申请实施例所要实现的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种点云编码的方法流程图;
图2为本申请实施例提供的一种激光雷达点云示意图;
图3为本申请实施例提供的一种噪点类型图像层示意图;
图4为本申请实施例提供的一种地面类型的图像层示意图;
图5为本申请实施例提供的一种物体类型的图像层示意图;
图6为本申请实施例提供的一种物体类型的图像层进行区域划分的示意图;
图7为本申请实施例提供的一种各物体包围盒示意图;
图8为本申请实施例提供的一种物体类型的排布图像示意图;
图9为本申请实施例提供的一种编码结果对比图;
图10为本申请实施例提供的一种点云编码的装置结构示意图;
图11为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
首先对本申请实施例中涉及的部分用语进行说明,以便于本领域技术人员理解。
终端设备:可以是移动终端、固定终端或便携式终端,例如移动手机、站点、单元、设备、多媒体计算机、多媒体平板、互联网节点、通信器、台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、个人通信***设备、个人导航设备、个人数字助理、音频/视频播放器、数码相机/摄像机、定位设备、电视接收器、无线电广播接收器、电子书设备、游戏设备或者其任意组合,包括这些设备的配件和外设或者其任意组合。还可预见到的是,终端设备能够支持任意类型的针对用户的接口(例如可穿戴设备)等。
服务器:可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务以及大数据和人工智能平台等基础云计算服务的云服务器。
三维点云是现实世界数字化的重要表现形式。随着三维扫描设备的快速发展,获得的点云的精度以及分辨率不断提高。高精度的点云被广泛应用于城市数字化地图的构建,例如,在智慧城市、无人驾驶以及文物保护等众多热门研究中起技术支撑作用。点云是三维扫描设备对物体表面扫描所获取的图像,一帧点云的点数一般是百万级别,其中每个点包含几何信息、颜色和反射率等属性信息,数据量十分庞大。三维点云庞大的数据量给数据存储以及传输等带来巨大挑战,所以,点云的压缩十分必要。
目前,技术人员通常采用渐进式八叉树、预测树、动态二值分解、形状自适应小波变换以及图变换等方法对点云数据进行编码。
但是,上述的编码方法在对点与点之间的相关性较强的点云数据进行编码时,能够有较好的压缩性能,若点云中有许多不连续的区域(例如,激光雷达点云),该类点云数据中点与点之间相关性较弱,上述编码方法在对该类点云数据进行编码时,会产生较多冗余,压缩性能较差。
为了提高针对激光雷达点云进行编码时的压缩性能,相关技术人员尝试将激光雷达点云分割为不同的局部区域,并采用多种几何模型去编码点云,这种方法确实能够取得更好的压缩性能,但是,由于异常点的滤除和浮点操作,这种方法并不能够实现无损编码。
由此,本申请提供了点云编码的方法、装置、电子设备、介质和程序产品,用以在对激光雷达点云进行无损编码时,提高压缩性能。
本申请实施例中,该方法的执行主体可以为电子设备,可选的,电子设备可以是服务器,也可以是终端设备,但本申请不限于此。
请参照图1,图1为本申请实施例提供的图1为本申请实施例提供的一种点云编码的方法流程图,图1所示的方法具体实施流程如下:
步骤101:对待处理的激光雷达点云进行图像层划分,生成不同类型的图像层。
具体的,图像层的类型包括:噪点类型、地面类型以及物体类型,在执行步骤101时,可以采用以下步骤:
S1011:采用滤波处理方式,对激光雷达点云进行图像层划分,获得噪点类型的图像层以及非噪点类型的图像层。
具体的,采用滤波算法对待处理的激光雷达点云进行滤波处理,生成噪点类型的图像层以及非噪点类型的图像层。
作为一种实施例,待处理的激光雷达点云为在自动驾驶场景中,通过激光雷达对周围环境进行扫描产生的点云。
作为一种实施例,采用半径滤波移除算法(Radius Outlier Removal Filter,RORF)对待处理的激光雷达点云进行滤波处理,生成噪点类型的图像层以及非噪点类型的图像层。
需要说明的是,本申请实施例仅以RORF算法为滤波算法为例进行说明,在实际应用中,滤波算法也可以是条件滤波算法,也可以是领域滤波算法,在此不作限制。
S1012:采用地面提取方式,对非噪点类型的图像层进行图像层划分,获得地面类型的图像层以及物体类型的图像层。
具体的,采用拟合算法对非噪点类型的图像层进行地面提取,生成地面类型的图像层以及物体类型的图像层。
作为一种实施例,采用M估计采样一致性算法(M-estimator Sample Consensus,MSAC)对非噪点类型的图像层进行地面提取。
具体的,在假设阶段,MSAC采取与随机采样一致算法的策略,从非噪点类型的图像层中提取少部分的点作为子集,然后基于提取的子集估计地面模型的参数,地面模型可以被定义为:
ax+by+cz+d=0 (1)
其中,a、b、c、d分别是待估计的地面模型参数,x、y、z是子集中点的坐标。
在假设期间,MSAC可以生成多个地面模型的平面。
在验证期间,点云中遗留的点被用于确定最合适的假设。通常,代价函数被用于评估假设,代价函数可以被定义为:
其中,ei表示第i次观察的误差,鲁棒误差项ρ2按照如下方式计算:
其中,H是误差阈值。
通过H可以选择具有最小代价的数值的假设。
进一步,通过拟合地面,从而生产地面类型的图像层。
进一步地,对非噪点类型的图像层进行地面提取后,将其余部分的点云作为物体类型的图像层。
需要说明的是,本申请仅以MSAC算法作为拟合算法为例进行说明,在实际应用中,拟合算法也可以是最小中值法,也可以是随机采样一致算法,在此不做限制。
如图2所示,图2为本申请实施例提供的一种激光雷达点云示意图,采用滤波处理方式,对图2的激光雷达点云进行图像层划分,获得噪点类型的图像层以及非噪点类型的图像层。本申请实施例中,仅通过图2中的点所形成的图像说明激光雷达点云,若图2中存在不清晰的点,则并不影响本申请说明书的清楚。
请参阅图3,图3为本申请实施例提供的一种噪点类型图像层示意图,图3中的黑点表示噪点类型图像层中的噪点。本申请实施例中,仅通过图3中的黑点说明噪点类型图像层中的噪点,若图3中存在不清晰的黑点,则并不影响本申请说明书的清楚。
请参阅图4,图4为本申请实施例提供的一种地面类型的图像层示意图,图5为本申请实施例提供的一种物体类型的图像层示意图,对非噪点图像层进行图像层划分,获得如图4所示的地面类型的图像层,以及获得如图5所示物体类型的图像层。本申请实施例中,仅通过图4中的曲线说明地面类型的图像层中的地面,若图4中存在不清晰的曲线,则并不影响本申请说明书的清楚,同理,仅通过图5中的物体说明物体类型的图像层中的物体,若图5中存在不清晰的物体,则并不影响本申请说明书的清楚。
在上述实现过程中,通过滤波处理方式对激光雷达点云进行图像层划分,获得噪点类型的图像层以及非噪点类型的图像层,进一步,采用地面提取方式对非噪点类型的图像层进行图像层划分,获得地面类型的图像层以及物体类型的图像层,从而实现了对激光雷达点云中不同特性的点云进行分层处理。
步骤102:采用分别针对每一图像层的类型对应设置的区域分割方法,对相应的图像层进行区域分割,获得每一图像层对应的各区域图像。
具体的,基于映射的分割算法对物体类型的图像层进行物体分割,获得物体类型的各物体区域图像,其中,各物体区域图像分别为独立的单元。
具体的,在执行步骤102时,可以采用以下步骤:
S1021:对物体类型的图像层进行物体分割,获得物体类型的各物体区域图像。
具体的,在执行S1021时,可以采用以下步骤:
S1021a:基于物体类型的图像层的坐标系以及参考坐标系,将物体类型的图像层中的各坐标点进行坐标系转换,获得物体类型的图像层在参考坐标系中的映射物体图像。
具体的,使用预设分辨率将物体类型的图像层的坐标系中的各坐标点映射至参考坐标系中,获得物体类型的图像层在参考坐标系中的映射物体图像。
S1021b:对映射物体图像进行物体分割,获得分割后的各物体区域图像。
进一步地,基于鲁棒性的分割算法,将映射物体图像进行物体分割,获得分割后的各物体图像。
S1021c:将各物体区域图像,分别与物体类型的图像层中的各物体进行匹配。
进一步地,分别将分割后的个物体区域图像,分别与物体类型的图像层中的各物体进行匹配,获得匹配结果,其中,匹配结果可以包括匹配成功,以及匹配未成功。
其中,匹配未成功的点可以从物体类型的图像层中分离,并将未被匹配的点转移至噪点类型的图像层。
S1021d:根据匹配结果,从物体类型的图像层中的各物体中,筛选出匹配结果表征匹配成功的物体。
具体的,根据匹配成功的结果,从物体类型的图像层中的各物体中,筛选出匹配结果表征匹配成功的物体。
S1021e:从物体类型的图像层中,分割出筛选出的物体对应的各物体区域图像。
具体的,物体类型的图像层中,分割出匹配成功的物体对应的各物体区域图像。
作为一种实施例,图6为本申请实施例提供的一种物体类型的图像层进行区域划分的示意图,如图6所示,将物体类型的图像层中的各坐标点映射至参考坐标系中,获得参考坐标系中的参考物体图像601,进一步地,将参考物体图像601进行物体分割,获得分割后的各物体图像,将分割后的各物体图像与物体类型的图像层中的各物体进行匹配603,若匹配成功,则获得物体类型的图像层的各物体区域图像604,若匹配未成功,则获得未匹配的点605,进一步将未匹配的点转移至噪点类型的图像层中。
在上述实现过程中,通过对物体类型的图像层进行区域分割,获得各物体区域图像,从而将物体类型图像层中的各物体划分为独立的区域图像,进一步为后续各区域图像的排布提供基础。
S1022:对地面类型的图像层进行地面分割,获得地面类型的各地面区域图像。
通过高斯混合模型对地面类型的图像层进行地面分割,获得地面类型的各地面区域图像。
具体的,在执行S1022时,可以采用以下步骤:
S1032a:基于地面类型的图像层的坐标系和参考坐标系,将地面类型的图像层中的各坐标点进行坐标转换,获得地面类型的图像层中的各坐标在参考坐标系中各仰角数据。
S1032b:对每一坐标点的仰角数据进行高斯拟合,获得地面类型的各地面区域图像。
进一步地,对参考坐标系中每一坐标点的仰角数据进行高斯拟合,获得多个高斯密度函数,其中,每个高斯密度函数对应的图像为一个地面区域图像。
作为一种实施例,根据各高斯密度函数对应的图像,获得地面类型的图像层的各地面区域图像。
在上述实现过程中,通过高斯拟合生成地面类型的图像层的各地面区域图像,从而将地面类型的图像层中各地面区域图像分割为独立的区域图像,进一步为后续地面类型的各区域图像的排布提供基础。
S1023:对噪点类型的图像层进行噪点分割,获得噪点类型的各噪点区域图像。
具体的,在执行S1023时,可以采用以下方式中的任意一种:
方式一:对原始的噪点类型的图像层进行区域划分,获得噪点类型的区域图像集合。
方式二:对物体类型的图像层中未匹配的点转移至原始的噪点类型的图像层后的噪点类型的图像层进行区域划分,获得噪点类型的区域图像集合。
具体的,本申请对方式二的噪点类型的图像层进行区域划分为例进行说明,在执行方式二时,可以对噪点类型的图像层中的噪点进行噪点分割,获得噪点类型的各噪点区域图像。
作为一种实施例,将噪点类型的图像层中的噪点划分为各噪点区域图像,其中,各噪点区域图像分别为独立的单元。
在上述实现过程中,通过将噪点类型的图像层中的各噪点划分为各噪点区域图像,从而实现将各噪点区域图像划分为独立的单元,进一步为后续各区域图像的排布提供基础。
步骤103:分别对每一图像层对应的各区域图像进行排布,获得每一图像层对应的排布图像。
使得排布图像中的每两个相邻区域图像均具有连接点,每一图像层的类型与相应的排布图像的类型相同。
具体的,在执行步骤103时,可以采用以下步骤:
S1031:将各物体区域图像进行排布,获得物体类型的排布图像。
具体的,将各物体区域图像进行汇聚,使各物体区域图像相邻排布,获得物体类型的排布图像。
作为一种实施例,使用打包算法将每一物体区域图像包围在最小的包含该每一物体区域图像所有点的包围盒中,通过移动每一物体区域图像的包围盒,将各物体区域图像汇聚。
如图7所示,图7为本申请实施例提供的一种各物体包围盒示意图,其中,物体类型的图像层中的各物体区域图像包围在对应的包围盒中。
如图8所示,图8为本申请实施例提供的一种物体类型的排布图像示意图,对各物体区域图像的包围盒进行移动,使各物体区域图像相邻排布,获得物体类型的排布图像。
在上述实现过程中,通过将各物体区域图像相邻排布,各物体区域图像打包至更小的空间,从而节约了空间,减少数据的冗余。
S1032:将各地面区域图像进行排布,获得地面类型的排布图像。
具体的,通过高斯混合模型对各地面区域图像进行汇聚,获得地面类型的排布图像。
作为一种实施例,高斯混合模型被用于进行非线性划分,每个高斯密度函数对应的图形作为一个地面区域图像。
高斯混合模型被描述为M个高斯密度函数的总和,高斯混合模型可表示为:
其中,V是仰角数据所形成的拟合向量,wi和g(v|μi,∑i)分别是每个高斯密度函数的权重和密度,高斯密度函数为:
其中,μi和∑i分别是高斯密度函数的均值和协方差矩阵,D是输入拟合变量的维度。
Wi、μi和∑i(i=1,...M)是需要估计的高斯密度函数的参数。
采用最大似然估计对高斯密度函数的参数进行估计,其通过最大化给定拟合数据V={v1......vT}的似然,公式如下:
其中,T是输入拟合向量的个数。
通过使用期望最大算法去迭代,从而获得上述最大似然估计地参数,以确定公式(8)的封闭形式。然而,期望最大算法会因为初始条件而收敛于局部最优。这样,初始点就会影响到高斯混合模型拟合数据分布的性能。使用改进的聚类算法(k-means++)对高斯混合模型进行初始化。
S1033:将各噪点区域图像进行排布,获得噪点类型的排布图像。
进一步地,对各噪点区域图像进行汇聚,使各噪点区域图像排布,获得噪点类型的排布图像。
在上述实现过程中,通过对每一类型的区域图像进行相邻排布,获得每一类型的排布图,从而使各区域图像汇聚,以减少图像的占用空间,从而减少冗余。
步骤104:基于分别针对每一排布图像的类型对应设置的编码方法,对应相应的排布图像进行编码,获得激光雷达点云的编码数据。
具体的,在执行步骤104时,可以采用以下步骤:
S1041:采用针对噪点类型的排布图像设置的二进制差分编码,对噪点类型的排布图像进行编码,获得噪点类型的图像层的编码数据。
具体的,针对噪点类型的排布图像设置的编码方法为二进制差分编码。
采用二进制差分编码对噪点类型的排布图像进行编码的过程如下:
将噪点类型的排布图像中的各噪点坐标映射至参考坐标系中,然后,每个点依据莫顿码进行排序,以最小化邻居点之间的差值。接着,为了减少编码符号以及增加重复字符串出现的概率,相邻点之间的差值被二值化处理。最后,被二值化的冗余差值使用无损的文件编码器进行压缩。
需要说明的是,参考坐标系可以是笛卡尔三维空间坐标系,也可以其他三维空间坐标系,在此不做限制。
S1042:采用针对物体类型的排布图像设置的八叉树编码,对物体类型的排布图像进行编码,获得物体类型的图像层的编码数据。
具体的,针对物体类型的排布图像设置的编码方法为八叉树编码。
作为一种实施例,使用基于上下文的八叉树编码物体类型的排布图像中的点云。首先,使用隐式八叉树对点云进行划分,即根据包含所有点的最小长方体包围盒的尺寸,对经过汇聚后的物体类型的排布图像中的点云进行划分,二叉树、四叉树或者八叉树,并使用混合树对其进行表示,将包含点的节点表示为1,不包含点的节点表示为0。然后利用基于邻居占用情况作为上下文对当前节点进行编码。
S1043:采用针对地面类型的排布图像设置的高斯差分编码,对地面类型的排布图像进行编码,获得地面类型的图像层的编码数据。
具体的,针对地面类型的排布图像设置的编码方法为高斯差分编码。
采用高斯差分编码对地面类型的排布图像进行编码的过程如下:
首先,属于同一个高斯密度函数中的点被视为一类。其次,每个高斯密度函数的均值作为对应该类中所有点的仰角值θ。该类中每个点的偏转角通过线性拟合,使用拟合后的直线进行表示,即直线的参数以及对应的横坐标值。然后,至于每个类的Z值,则编码相邻点的差值进行编码。接着,将现在表示的再转置原始空间坐标系中,得到重建坐标(x',y',z'),为了实现无损,则编码每个点的原始坐标(x,y,z)与重建坐标(x',y',z')之间的差值。最终,编码地面类型的排布图像时,需要编码的元素为:高斯密度函数的均值、线性拟合参数、Z坐标差值、以及原始坐标与重建坐标之间的差值。
基于噪点类型的图像层的编码数据、物体类型的图像层的编码数据以及地面类型的图像层的编码数据,获得激光雷达点云的编码数据。
在上述实现过程中,通过对每一类型的排布图像进行编码,获得每一类型的图像层的编码数据,从而将每一类型的图像层形成数据流,便于实现数据的传输。
作为一种实施例,采用本申请的点云编码方法与目前点云几何压缩平台对同一雷达点云进行编码,获得编码结果,并对编码结果进行对比,对比结果如图9所示,图9为本申请实施例提供的一种编码结果对比图。
图9中,ACI为算术八叉树编码压缩平台,Draco为谷歌点云编码平台,EMLL为MPEG组织低延迟点云压缩平台,G-PCCv8为MPEG激光雷达点云压缩第八代平台,IEM为MPEG帧间压缩平台,LGA为本申请提出的激光雷达压缩测试平台。
其中,每一平台编码的序列(sequence)包括:Ford(福特)、Approach(路径)、Exit(出口)、Join(进口)以及bends(转弯)。
Average表示每一平台下对多个序列编码的比特数平均值。
Bits Per Point(BPP)表示每个点云的比特数,Comperssion ratio gain表示与ACI对比的信息增益率。
由图9所知,本身申请的编码方法具有最优的压缩性能,与同类压缩平台对比,本身申请的编码方法压缩性能提升16.59%~43.96%。
在上述实现过程中,通过对激光雷达点云进行图像层的划分,从而实现了对激光雷达点云中不同特性的点云进行划分,便于进一步根据点云的特性确定每一类型的图像层的区域划分方法,并根据每一类型的图像层的区域划分方法对相应的图像层进行区域划分,从而获得每一类型的区域图像集合,便于对每一类型的区域图像集合中的区域图像进行排布,从而减少区域图像的占用空间,减少了图像数据存储的冗余,进一步地,对每一类型的图像层的编码方法对相应的排布图像进行编码,从而实现了对激光雷达点云的无损编码,提高了对激光雷达点云的压缩性能。
参照图10,图10为图10为本申请实施例提供的一种点云编码的装置结构示意图,该装置110包括:
图像层划分单元111,用于对待处理的激光雷达点云进行图像层划分,生成不同类型的图像层。
区域分割单元112,用于采用分别针对每一图像层的类型对应设置的区域分割方法,对相应的图像层进行区域分割,获得每一图像层对应的各区域图像。
排布单元113,用于分别对每一图像层对应的各区域图像进行排布,获得每一图像层对应的排布图像,使得排布图像中的每两个相邻区域图像均具有连接点,每一图像层的类型与相应的排布图像的类型相同。
编码单元114,用于基于分别针对每一排布图像的类型对应设置的编码方法,对应相应的排布图像进行编码,获得激光雷达点云的编码数据。
在一种实施方式中,图像层的类型包括:噪点类型、地面类型以及物体类型,图像层划分单元111具体用于:
采用滤波处理方式,对激光雷达点云进行图像层划分,获得噪点类型的图像层以及非噪点类型的图像层。
采用地面提取方式,对非噪点类型的图像层进行图像层划分,获得地面类型的图像层以及物体类型的图像层。
在一种实施方式中,区域分割单元112具体用于:
对物体类型的图像层进行物体分割,获得物体类型的各物体区域图像;
对地面类型的图像层进行地面分割,获得地面类型的各地面区域图像;
对噪点类型的图像层进行噪点分割,获得噪点类型的各噪点区域图像。
在一种实施方式中,区域分割单元112具体用于:
基于物体类型的图像层的坐标系以及参考坐标系,将物体类型的图像层中的各坐标点进行坐标系转换,获得物体类型的图像层在参考坐标系中的映射物体图像。
对映射物体图像进行物体分割,获得分割后的各物体区域图像。
将各物体区域图像,分别与物体类型的图像层中的各物体进行匹配。
根据匹配结果,从物体类型的图像层中的各物体中,筛选出匹配结果表征匹配成功的物体。
从物体类型的图像层中,分割出筛选出的物体对应的各物体区域图像。
在一种实施方式中,区域分割单元112具体用于:
基于地面类型的图像层的坐标系和参考坐标系,将地面类型的图像层中的各坐标点进行坐标转换,获得地面类型的图像层中的各坐标在参考坐标系中各仰角数据。
对每一坐标点的仰角数据进行高斯拟合,获得地面类型的各地面区域图像。
在一种实施方式中,区域分割单元112具体用于:
对噪点类型的图像层中的噪点进行噪点分割,获得噪点类型的各噪点区域图像。
在一种实施方式中,排布单元113具体用于:
将各物体区域图像进行排布,获得物体类型的排布图像;
将各地面区域图像进行排布,获得地面类型的排布图像;
将各噪点区域图像进行排布,获得噪点类型的排布图像。
在一种实施方式中,编码单元114具体用于:
采用针对噪点类型的排布图像设置的二进制差分编码,对噪点类型的排布图像进行编码,获得噪点类型的图像层的编码数据。
采用针对物体类型的排布图像设置的八叉树编码,对物体类型的排布图像进行编码,获得物体类型的图像层的编码数据。
采用针对地面类型的排布图像设置的高斯差分编码,对地面类型的排布图像进行编码,获得地面类型的图像层的编码数据。
基于噪点类型的图像层的编码数据、物体类型的图像层的编码数据以及地面类型的图像层的编码数据,获得激光雷达点云的编码数据。
需要说明的是,图10所示的装置110,能够实现图1方法实施例中方法的各个过程。装置110中的各个单元的操作和/或功能,分别为了实现图1中的方法实施例中的相应流程。具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详细描述。
请参照图11,图11为本申请实施例提供的一种电子设备的结构示意图,图11所示的电子设备1100可以包括:至少一个处理器1101,例如CPU,至少一个通信接口1102,至少一个存储器1103和至少一个通信总线1104。其中,通信总线1104用于实现这些组件直接的连接通信。其中,本申请实施例中设备的通信接口1102用于与其他节点设备进行信令或数据的通信。存储器1103可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器1103可选的还可以是至少一个位于远离前述处理器的存储装置。存储器1103中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器1101执行时,电子设备执行上述图1所示方法过程。
本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现图1所示的方法过程。
本申请还提供一种计算机程序产品,该计算机程序产品在计算机上运行时,使得计算机执行图1所示的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的***和方法,也可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的,例如,所述***装置的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个装置或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (19)
1.一种点云编码的方法,其特征在于,包括:
对待处理的激光雷达点云进行图像层划分,生成不同类型的图像层;
采用分别针对每一图像层的类型对应设置的区域分割方法,对相应的图像层进行区域分割,获得所述每一图像层对应的各区域图像;
分别对所述每一图像层对应的各区域图像进行排布,获得所述每一图像层对应的排布图像,使得排布图像中的每两个相邻区域图像均具有连接点,所述每一图像层的类型与相应的排布图像的类型相同;
基于分别针对每一排布图像的类型对应设置的编码方法,对应相应的排布图像进行编码,获得所述激光雷达点云的编码数据。
2.根据权利要求1所述的方法,其特征在于,所述图像层的类型包括:噪点类型、地面类型以及物体类型,所述对待处理的激光雷达点云进行图像层划分,生成不同类型的图像层,包括:
采用滤波处理方式,对所述激光雷达点云进行图像层划分,获得所述噪点类型的图像层以及非噪点类型的图像层;
采用地面提取方式,对所述非噪点类型的图像层进行图像层划分,获得所述地面类型的图像层以及所述物体类型的图像层。
3.根据权利要求2所述的方法,其特征在于,所述采用分别针对每一图像层的类型对应设置的区域分割方法,对相应的图像层进行区域分割,获得所述每一图像层对应的各区域图像,包括:
对所述物体类型的图像层进行物体分割,获得所述物体类型的各物体区域图像;
对所述地面类型的图像层进行地面分割,获得所述地面类型的各地面区域图像;
对所述噪点类型的图像层进行噪点分割,获得所述噪点类型的各噪点区域图像。
4.根据权利要求3所述的方法,其特征在于,所述对所述物体类型的图像层进行物体分割,获得所述物体类型的各物体区域图像,包括:
基于所述物体类型的图像层的坐标系以及参考坐标系,将所述物体类型的图像层中的各坐标点进行坐标系转换,获得所述物体类型的图像层在所述参考坐标系中的映射物体图像;
对所述映射物体图像进行物体分割,获得分割后的各物体区域图像;
将所述各物体区域图像,分别与所述物体类型的图像层中的各物体进行匹配;
根据匹配结果,从所述物体类型的图像层中的各物体中,筛选出匹配结果表征匹配成功的物体;
从所述物体类型的图像层中,分割出筛选出的物体对应的各物体区域图像。
5.根据权利要求3或4所述的方法,其特征在于,所述对所述地面类型的图像层进行地面分割,获得所述地面类型的各地面区域图像,包括:
基于所述地面类型的图像层的坐标系和参考坐标系,将所述地面类型的图像层中的各坐标点进行坐标转换,获得所述地面类型的图像层中的各坐标在所述参考坐标系中各仰角数据;
对每一坐标点的仰角数据进行高斯拟合,获得所述地面类型的各地面区域图像。
6.根据权利要求3或4所述的方法,其特征在于,所述对所述噪点类型的图像层进行噪点分割,获得所述噪点类型的各噪点区域图像,包括:
对所述噪点类型的图像层中的噪点进行噪点分割,获得所述噪点类型的各噪点区域图像。
7.根据权利要求6所述的方法,其特征在于,所述分别对所述每一图像层对应的各区域图像进行排布,获得所述每一图像层对应的排布图像,包括:
将所述各物体区域图像进行排布,获得所述物体类型的排布图像;
将所述各地面区域图像进行排布,获得所述地面类型的排布图像;
将所述各噪点区域图像进行排布,获得所述噪点类型的排布图像。
8.根据权利要求7所述的方法,其特征在于,基于分别针对每一排布图像的类型对应设置的编码方法,对应相应的排布图像进行编码,获得所述激光雷达点云的编码数据,包括:
采用针对所述噪点类型的排布图像设置的二进制差分编码,对所述噪点类型的排布图像进行编码,获得所述噪点类型的图像层的编码数据;
采用针对所述物体类型的排布图像设置的八叉树编码,对所述物体类型的排布图像进行编码,获得所述物体类型的图像层的编码数据;
采用针对所述地面类型的排布图像设置的高斯差分编码,对所述地面类型的排布图像进行编码,获得所述地面类型的图像层的编码数据;
基于所述噪点类型的图像层的编码数据、所述物体类型的图像层的编码数据以及所述地面类型的图像层的编码数据,获得所述激光雷达点云的编码数据。
9.一种点云编码的装置,其特征在于,所述装置包括:
图像层划分单元,用于对待处理的激光雷达点云进行图像层划分,生成不同类型的图像层;
区域分割单元,用于采用分别针对每一图像层的类型对应设置的区域分割方法,对相应的图像层进行区域分割,获得所述每一图像层对应的各区域图像;
排布单元,用于分别对所述每一图像层对应的各区域图像进行排布,获得所述每一图像层对应的排布图像,使得排布图像中的每两个相邻区域图像均具有连接点,所述每一图像层的类型与相应的排布图像的类型相同;
编码单元,用于基于分别针对每一排布图像的类型对应设置的编码方法,对应相应的排布图像进行编码,获得所述激光雷达点云的编码数据。
10.根据权利要求9所述的装置,其特征在于,所述图像层的类型包括:噪点类型、地面类型以及物体类型,所述图像层划分单元具体用于:
采用滤波处理方式,对所述激光雷达点云进行图像层划分,获得所述噪点类型的图像层以及非噪点类型的图像层;
采用地面提取方式,对所述非噪点类型的图像层进行图像层划分,获得所述地面类型的图像层以及所述物体类型的图像层。
11.根据权利要求10所述的装置,其特征在于,所述区域分割单元具体用于:
对所述物体类型的图像层进行物体分割,获得所述物体类型的各物体区域图像;
对所述地面类型的图像层进行地面分割,获得所述地面类型的各地面区域图像;
对所述噪点类型的图像层进行噪点分割,获得所述噪点类型的各噪点区域图像。
12.根据权利要求11所述的装置,其特征在于,所述区域分割单元具体用于:
基于所述物体类型的图像层的坐标系以及参考坐标系,将所述物体类型的图像层中的各坐标点进行坐标系转换,获得所述物体类型的图像层在所述参考坐标系中的映射物体图像;
对所述映射物体图像进行物体分割,获得分割后的各物体区域图像;
将所述各物体区域图像,分别与所述物体类型的图像层中的各物体进行匹配;
根据匹配结果,从所述物体类型的图像层中的各物体中,筛选出匹配结果表征匹配成功的物体;
从所述物体类型的图像层中,分割出筛选出的物体对应的各物体区域图像。
13.根据权利要求11或12所述的装置,其特征在于,所述区域分割单元具体用于:
基于所述地面类型的图像层的坐标系和参考坐标系,将所述地面类型的图像层中的各坐标点进行坐标转换,获得所述地面类型的图像层中的各坐标在所述参考坐标系中各仰角数据;
对每一坐标点的仰角数据进行高斯拟合,获得所述地面类型的各地面区域图像。
14.根据权利要求11或12所述的装置,其特征在于,所述区域分割单元具体用于:
对所述噪点类型的图像层中的噪点进行噪点分割,获得所述噪点类型的各噪点区域图像。
15.根据权利要求14所述的装置,其特征在于,所述排布单元具体用于:
将所述各物体区域图像进行排布,获得所述物体类型的排布图像;
将所述各地面区域图像进行排布,获得所述地面类型的排布图像;
将所述各噪点区域图像进行排布,获得所述噪点类型的排布图像。
16.根据权利要求15所述的装置,其特征在于,所述编码单元具体用于:
采用针对所述噪点类型的排布图像设置的二进制差分编码,对所述噪点类型的排布图像进行编码,获得所述噪点类型的图像层的编码数据;
采用针对所述物体类型的排布图像设置的八叉树编码,对所述物体类型的排布图像进行编码,获得所述物体类型的图像层的编码数据;
采用针对所述地面类型的排布图像设置的高斯差分编码,对所述地面类型的排布图像进行编码,获得所述地面类型的图像层的编码数据;
基于所述噪点类型的图像层的编码数据、所述物体类型的图像层的编码数据以及所述地面类型的图像层的编码数据,获得所述激光雷达点云的编码数据。
17.一种电子设备,其特征在于,包括:
处理器、存储器和总线,所述处理器通过所述总线与所述存储器相连,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,用于实现如权利要求1-8中任一项所述的方法。
18.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1-8中任一项所述方法。
19.一种计算机程序产品,其特征在于,所述计算机程序产品在计算机上运行时,使得所述计算机执行如权利要求1-8中任一项所述方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111138592.XA CN113902844A (zh) | 2021-09-27 | 2021-09-27 | 点云编码的方法、装置、电子设备、介质和程序产品 |
PCT/CN2021/129264 WO2023045044A1 (zh) | 2021-09-27 | 2021-11-08 | 点云编码的方法、装置、电子设备、介质和程序产品 |
US18/252,395 US20240005562A1 (en) | 2021-09-27 | 2021-11-08 | Point cloud encoding method and apparatus, electronic device, medium and program product |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111138592.XA CN113902844A (zh) | 2021-09-27 | 2021-09-27 | 点云编码的方法、装置、电子设备、介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113902844A true CN113902844A (zh) | 2022-01-07 |
Family
ID=79029730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111138592.XA Pending CN113902844A (zh) | 2021-09-27 | 2021-09-27 | 点云编码的方法、装置、电子设备、介质和程序产品 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240005562A1 (zh) |
CN (1) | CN113902844A (zh) |
WO (1) | WO2023045044A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11297346B2 (en) * | 2016-05-28 | 2022-04-05 | Microsoft Technology Licensing, Llc | Motion-compensated compression of dynamic voxelized point clouds |
CN110363822A (zh) * | 2018-04-11 | 2019-10-22 | 上海交通大学 | 一种3d点云压缩方法 |
CN111462275B (zh) * | 2019-01-22 | 2024-03-05 | 北京京东乾石科技有限公司 | 一种基于激光点云的地图生产方法和装置 |
CN113421217A (zh) * | 2020-03-02 | 2021-09-21 | 北京京东乾石科技有限公司 | 可行驶区域检测方法和装置 |
CN112101092A (zh) * | 2020-07-31 | 2020-12-18 | 北京智行者科技有限公司 | 自动驾驶环境感知方法及*** |
-
2021
- 2021-09-27 CN CN202111138592.XA patent/CN113902844A/zh active Pending
- 2021-11-08 US US18/252,395 patent/US20240005562A1/en active Pending
- 2021-11-08 WO PCT/CN2021/129264 patent/WO2023045044A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2023045044A1 (zh) | 2023-03-30 |
US20240005562A1 (en) | 2024-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11087501B2 (en) | Voxel correlation information processing apparatus and method | |
CN111523668B (zh) | 基于差分隐私的数据生成***的训练方法及装置 | |
CN113678466A (zh) | 用于预测点云属性编码的方法和设备 | |
CN113766229B (zh) | 一种编码方法、解码方法、装置、设备及可读存储介质 | |
JP7379524B2 (ja) | ニューラルネットワークモデルの圧縮/解凍のための方法および装置 | |
CN111108529A (zh) | 信息处理设备和方法 | |
Yang et al. | No-reference quality assessment for screen content images using visual edge model and adaboosting neural network | |
CN112584062B (zh) | 背景音频构建方法及装置 | |
CN110753225A (zh) | 一种视频压缩方法、装置及终端设备 | |
WO2023082453A1 (zh) | 一种图像处理方法及装置 | |
US9230161B2 (en) | Multiple layer block matching method and system for image denoising | |
CN104392207A (zh) | 一种用于数字图像内容识别的特征编码方法 | |
CN113409307A (zh) | 基于异质噪声特性的图像去噪方法、设备及介质 | |
CN111582284A (zh) | 用于图像识别的隐私保护方法、装置和电子设备 | |
CN116385281A (zh) | 一种基于真实噪声模型与生成对抗网络的遥感图像去噪方法 | |
CN113902844A (zh) | 点云编码的方法、装置、电子设备、介质和程序产品 | |
CN115393452A (zh) | 一种基于非对称自编码器结构的点云几何压缩方法 | |
CN113177483A (zh) | 视频目标分割方法、装置、设备以及存储介质 | |
JP2017092801A (ja) | 符号化方法、符号化装置及び符号化プログラム | |
Akutsu et al. | End-to-End Deep ROI Image Compression | |
CN116704588B (zh) | 面部图像的替换方法、装置、设备及存储介质 | |
US12046009B2 (en) | 3D point cloud encoding and decoding method, compression method and device based on graph dictionary learning | |
Rane et al. | Image Denoising using Adaptive Patch Clustering with Suboptimal Wiener Filter in PCA Domain | |
Lee et al. | One-to-One Mapping-Like Properties of DCN-Based Super-Resolution and its Applicability to Real-World Images | |
CN118101951A (zh) | 一种遥感影像复杂场景感兴趣区域压缩方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |