CN109993839B - 一种自适应的点云条带划分方法 - Google Patents
一种自适应的点云条带划分方法 Download PDFInfo
- Publication number
- CN109993839B CN109993839B CN201910280541.7A CN201910280541A CN109993839B CN 109993839 B CN109993839 B CN 109993839B CN 201910280541 A CN201910280541 A CN 201910280541A CN 109993839 B CN109993839 B CN 109993839B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- local point
- local
- points
- point clouds
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims description 26
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 description 8
- 238000007906 compression Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/56—Particle system, point based geometry or rendering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Generation (AREA)
Abstract
本发明公布了一种自适应的点云条带的划分方法,该方法首先对点云进行一定深度的空间划分,得到多个局部点云;然后统计各个局部点云内点数,将其与条带点数上下限进行比较,判断点数是否满足要求;经过一系列对局部点云再分割或再融合操作,调整各局部点云内的点数直至满足范围,从而得到最后的点云条带;点云条带的划分,获得多个可独立编解码的局部结构,支持并行处理,增强系统容错性,提高编码效率;同时,考虑到大尺度点云的传输带宽受限等现实因素,点云条带的尺寸往往也有限制范围,本发明公布的方法可以很好地满足这一需求,在支持并行处理的同时产生多个点数合理的点云条带。
Description
技术领域
本发明属于点云数据处理技术领域,涉及点云数据分割方法,尤其涉及一种自适应的点云条带划分方法。
背景技术
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(激光、雷达等)的快速发展,点云的精度、分辨率更高。高精度点云广泛应用于地理信息系统、城市数字化地图的构建和自由视点广播等,在如智慧城市、无人驾驶、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采样所获取的,一帧点云的点数一般是百万级别,大型点云内的点数甚至高达千万,其中每个点包含几何信息和颜色、纹理等属性信息,数据量十分庞大。三维点云庞大的数据量给数据存储、传输等带来巨大挑战,所以为了支持点云的并行处理,并提升系统容错性,将大型点云划分成一系列可以独立处理的点云条带十分必要。
目前点云条带的划分技术并不常见,仍处于探索阶段。而传统视频编码中条带的划分,主要分为两种:
1)对视频图像的均匀条带划分:对单帧图像进行均匀划分,得到的条带几何尺寸相同。
2)对视频图像的不均匀条带划分:对单帧图像进行非均匀划分,得到的条带几何尺寸不相同。
发明内容
为了缓解点云传输和存储的压力,在考虑计算复杂度的条件下,本发明提供一种自适应的点云条带的划分方法。
本发明提供的技术方案,首先对点云进行一定深度的空间划分,得到多个局部点云;然后统计各个局部点云内点数,将其与条带点数上下限进行比较,判断点数是否满足要求;经过一系列对局部点云再分割或再融合操作,调整各局部点云内的点数直至满足范围,从而得到最后的点云条带。点云条带的划分,获得多个可独立编解码的局部结构,支持并行处理,增强系统容错性,提高编码效率。同时考虑到大尺度点云的传输带宽受限等现实因素,点云条带的尺寸往往也有限制范围,本发明公布的方法可以很好地满足这一需求,在支持并行处理的同时产生多个点数合理的点云条带。
本发明主要包括如下步骤:
1)点云初步划分获得局部点云:
读入待处理的点云,首先对点云的几何空间进行初步的划分,然后通过排序得到一组有先后顺序的局部点云。
2)局部点云的点数与限制范围的比较:
由于传输需求和带宽限制,支持并行处理的点云条带内点数需要符合一个限制范围(minSize,maxSize),其中点数上下限分别为maxSize和minSize。
3)局部点云再划分或再融合获得最终点云条带:
在局部点云划分的基础上,对于超出点数上限的局部点云再划分,对于点数少于下限的局部点云进行融合,以得到点数满足限制范围的点云条带。对于点数超过上限的局部点云,以maxSize为间隔进行再划分,得到新的一组局部点云。遍历得到的所有局部点云,对于点数少于下限的局部点云,结合点云分布情况和莫顿码顺序,选择进行前向局部点云融合或者后向局部点云融合。
完成以上步骤则可得到点数满足限制范围的点云条带。
上述步骤1)中使用八叉树对点云空间进行划分,其中点云空间包围盒的计算过程是,先遍历点云中所有点的三维坐标,求出x轴最小坐标xmin和最大坐标xmax、y轴最小坐标ymin和最大坐标ymax及z轴最小坐标zmin和最大坐标zmax,求出在x,y和z轴中该点云分布最离散的边长max_edge:
maxedge=max((xmax-xmin),(ymax-ymin),(zmax-zmin)). (式1)
该点云的包围盒大小通过式2计算得到:
B=max_edge3. (式2)
上述步骤1)中点云条带的划分方法中使用八叉树划分得到局部点云,当前点云经过深度为d的八叉树划分,得到Num0=8d个局部点云;采用三维莫顿码对所有局部点云进行排序,可以将空间分布的局部点云组织成一组编号为b1,b2,…,bi,…,的局部点云。
上述步骤2)中局部点云的点数与限制范围比较时,设置局部点云点数超标率ratio的阈值thres。遍历经过步骤1)得到的所有局部点云,比较各个局部点云内点数和范围上限maxSize的大小关系,局部点云点数超过maxSize时,计数器num将加1,遍历结束后计算其中点数超过maxSize的局部点云所占比例ratio。若比例ratio超过阈值thres,则对当前局部点云的结构再进行空间划分;若比例ratio不超过阈值thres,则完成初步空间划分,保留当前局部点云的结构,进行下一步的操作。
上述步骤3)中对局部点云再分割的方法,按照莫顿码的顺序,遍历所有的局部点云,其中点数超出maxSize的局部点云bi需要进行再分割。再分割的技术细节包括:
(1)首先,计算该局部点云bi沿着三维空间坐标轴的分布方差,分别为var_X(i)、var_Y(i)和var_Z(i)。以var_X(i)为例,其计算公式如下:
(2)在该局部点云中,选择方差最大max(var_X(i),var_Y(i),var_Z(i))的坐标轴作为再划分的方向,再划分的个数num的计算公式如下:
经过以上步骤,一帧完整的点云通过再分割得到一组新的局部点云,其总数为Num。
上述步骤3)中对再分割后的局部点云再融合的方法:按照莫顿码的顺序,遍历所有的局部点云,其中点数少于minSize的局部点云bi需要进行再融合,融合的方向可以选择前向融合或后向融合。
假设前向融合后局部点云点数为bi(mergeFront),后向融合后局部点云点数为bi(mergeNext)。则融合方向选择的原则为:
(1)若bi(mergeFront)>maxSize且bi(mergeNext)>maxSize,方向选择为max(bi(mergeFront),bi(mergeNext));
(2)若bi(mergeFront)<maxSize且bi(mergeNext)<maxSize,方向选择max(bi(mergeFront),bi(mergeNext);
(3)其他情况下,方向选择min(bi(mergeFront),bi(mergeNext))。
本发明提供一种自适应的点云条带的划分方法,具有以下技术优势:
(一)各条带之间独立编码,支持随机访问,提高编码效率,并防止编码错误的累积和扩散,增强系统的容错性。
(二)通过自适应的方案设计,结合再划分和再融合技术,可以使得各个条带满足点数限制范围,以适应点云传输的带宽要求。
附图说明
图1是本发明提供方法的流程框图。
图2a和b是点云egyptian_mask_vox12条带划分的示例图,其中,
图2a完整点云egyptian_mask_vox12.ply;
图2b该点云的10个条带,这些条带支持独立编解码和并行处理,其中不包含重复点。
图3a、b和c是点云citytunnel_q1mm条带划分各步骤的局部点云情况,其中,
图3a是点云citytunnel_q1mm完成步骤S2初步几何划分后得到的局部点云的点数分布,
图3b是经过步骤S3中局部点云再划分后获得点云条带的点数分布,
图3c是经过步骤S3中未达标条带再融合后获得的最终点云条带的点数分布,这些条带支持独立编解码和并行处理,其中不包含重复点。
图4是自适应条带划分前后测试集的压缩性能变化表。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的保护范围。
实例一:
以下针对MPEG点云压缩工作组中的官方点云数据集egyptian_mask_vox12.ply,采用本发明方法进行点云条带划分。图1是本发明方法的流程框图,如图1所示,具体实施步骤为:
(1)点云初步划分获得局部点云S1:
读入待处理的点云,首先对点云的几何空间进行初步的划分。设定空间划分深度值d,使用八叉树的方式对点云空间进行分割,将一帧完整的点云分成8d个局部点云,然后通过排序得到一组有先后顺序的局部点云。以点云egyptian_mask_vox12.ply为例,共有272684个点,八叉树初始划分深度d设为1。
该点云经过划分后共有8^d=8个局部点云,按照莫顿码的顺序对所有局部点云进行编号,得到的局部点云点数分别为:b1=14737,b2=38178,b3=21684,b4=61155,b5=21663,b6=39071,b7=12309和b8=63887。
(2)局部点云的点数与限制范围的比较S2:
由于传输需求和带宽限制,支持并行处理的点云条带内点数需要符合一个限制范围(minSize,maxSize),其中点数上下限分别为maxSize和minSize。这里,条带最大点数值(maxSize)设为40000,最小点数值(minSize)设为20000,条带点数达标率阈值(threshold)设为50%。
遍历经过步骤1)得到的所有局部点云,将各局部点云点数与条带最大点数值比较,可以看到除了局部点云b3与局部点云b7,其余条带点数均未超过maxSize,得到局部点云点数达标率(ratio)为75%,大于条带点数达标阈值50%,则初步划分完成,保留当前的几何划分结果,进入下一阶段。
(3)局部点云再划分(split)获得点云条带S3:
遍历所有局部点云计算其中所包含的点数,将点数未超过maxSize的局部点云作为点云条带,将点数超过maxSize的局部点云进行再划分。由步骤(1)可知,局部点云b4与局部点云b8所含点数分别为61155和63887,需对其进行再划分:原局部点云b4划分得到条带S4和S5,原局部点云b8划分得到条带S9和S10。根据划分规则,将其分别划分为点数均匀的两个子条带,再划分后条带分布如下:S1=14737,S2=38178,S3=21684,S4=30577,S5=30578,S6=21663,S7=39071,S8=12309,S9=31943和S10=31944。
(4)未达标条带融合(merge)获得点云最终条带:
遍历所有点云条带,将点数小于minSize的点云条带进行融合。由步骤(3)可知,条带S1和条带S8需要进行前向或后向融合。融合方向选择的原则是:只有一个方向可用时,选择该方向。两个方向均可用时,若融合后点数均大于maxSize或均小于maxSize,则选择融合后条带点数更大的方向;反之,则选择融合后点数更小的方向。
所以,条带S1只能选择后向融合,融合后点数为14737+38178=52915,超过了maxSize,故再进行均匀split操作,得到52915/2=26457.5,于是划分后得到两个点数分别为26457和26458的新条带S′1和S′2。原条带S8点数为12309,与前向条带S7或后向条带S9=融合后点数均超过maxSize,故选择与点数较大的条带S7进行前向融合,融合后点数为12309+39071=51380,再进行split操作,划分后得到两个点数均为51380/2=25690的新条带S′8和S′9。
最终该点云划分为10个条带:S′1=26457,S′2=26458,S′3=21684,S′430577,S′5=30578,S′6=21663,S′7=25690,S′8=25690,S′9=31943和S′10=31944。
图2是点云条带划分的示例图,其中,图2a完整点云egyptian_mask_vox12.ply;图2b该点云的10个条带。这10个条带分别表示当前点云的局部信息,其中不包含重复点;同时这些条带支持独立编解码和并行处理,能有效地提升编解码效率。
实例二:
以下针对MPEG点云压缩工作组中的官方点云数据集citytunnel_q1mm.ply,采用本发明方法进行点云条带划分。具体实施步骤为:
(1)点云初步划分获得局部点云S1:
读入待处理的点云citytunnel_q1mm.ply,该点云共有19948121个点。首先对点云的几何空间进行初步的划分。设定空间划分深度值d为1,使用八叉树的方式对点云空间进行分割,将一帧完整的点云分成8个局部点云,然后通过排序得到一组有先后顺序的局部点云。
然后,在该点云的8个局部点云中去除不包含任何点的空条带,最后得到两个局部点云。按照莫顿码的顺序对所有局部点云进行编号,得到的局部点云点数分别为:b1=9362991,b2=10585130。
(2)局部点云的点数与限制范围的比较S2:
条带最大点数值(maxSize)设为1100000,最小点数值(minSize)设为550000,条带点数达标率阈值(threshold)设为50%。
遍历经过步骤1)得到的所有局部点云,将各局部点云点数与条带最大点数值比较,可以看到两个局部点云的点数都远超maxsize,得到局部点云点数达标率(ratio)为0%,小于条带点数达标阈值50%,故将八叉树划分深度加1,重复1)中的八叉树划分。最终当八叉树深度为4时,总共得到35个局部点云。图3a是点云citytunnel_q1mm完成步骤S2初步几何划分后得到的局部点云的点数分布,如图3a所示,点云citytunnel_q1mm完成步骤S2初步几何划分后得到的局部点云的点数分布中,可以看到除了b9,b20,b22,b25,b26这五个局部点云外,其余条带点数均未超过maxSize,得到局部点云点数达标率(ratio)为85.7%,大于条带点数达标阈值50%,则初步划分完成,保留当前的几何划分结果,进入下一阶段。
(3)局部点云再划分(split)获得点云条带S3:
遍历所有局部点云计算其中所包含的点数,将点数未超过maxSize的局部点云作为点云条带,将点数超过maxSize的局部点云进行再划分。由步骤(1)可知,局部点云b9,b20,b22,b25,b26所含点数分别为1196557,2374972,1894389,1244831和1714775,需对其进行再划分:根据划分规则,将其分别划分为点数均匀的两个或多个子条带,其中b9,b22,b25,b26划分为两个子条带,而由于b20包含2374972个点,需将其均匀划分为3个子条带。
图3b是经过步骤S3中局部点云再划分后获得点云条带的点数分布,图3b展示了经过步骤S3局部点云再划分后获得的点云条带点数分布情况。
(4)未达标条带融合获得点云最终条带:
遍历该点云的所有条带,将点数小于minSize的点云条带进行融合。由步骤(3)可知,图3b中的条带S2,S5,S6,S8,S11,S12,S15,S16,S19,S20,S24,S27,S28,S33,S34,S38,S39,S40,S41需要进行前向或后向融合。融合方向选择的原则是:只有一个方向可用时,选择该方向。两个方向均可用时,若融合后点数均大于maxSize或均小于maxSize,则选择融合后条带点数更大的方向;反之,则选择融合后点数更小的方向。
最终该点云划分为25个条带,各条带点数信息如图3c所示。图3c经过步骤S3中未达标条带再融合后获得的最终点云条带的点数分布,这些条带支持独立编解码和并行处理,其中不包含重复点。该点云的所有条带支持独立编解码和并行处理,其中不包含重复点。
该发明提出的自适应条带划分方法,不仅为当前点云压缩的方法提供了并行处理的解决方法,同时对一些数据集的压缩性能也有改善。在遵照MPEG的官方实验要求下,在几何无损压缩、属性近无损压缩的条件下,以第一类数据集Cat1-A、第二类数据集Cat3-fused和第三类数据集Cat3-frame为测试集,测试自适应条带划分前后测试集的压缩性能变化。图4显示自适应条带划分前后测试集的压缩性能变化,如图4所示,可以看出在第一类数据集和第二类数据集上获得了一定的性能增益,其中在第二类数据集Cat3-fused上性能最大能达到3.8%。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (6)
1.一种自适应的点云条带的划分方法,具体包括如下步骤:
1)点云初步划分获得局部点云:
读入待处理的点云,首先对点云的几何空间进行初步的划分,然后通过排序得到一组有先后顺序的局部点云;
2)局部点云的点数与限制范围的比较:
由于传输需求和带宽限制,支持并行处理的点云条带内点数需要符合一个限制范围(minSize,maxSize),其中点数上下限分别为maxSize和minSize;
3)局部点云再划分或再融合获得最终点云条带:
在局部点云划分的基础上,对于超出点数上限的局部点云再划分,对于点数少于下限的局部点云进行融合,以得到点数满足限制范围的点云条带,对于点数超过上限的局部点云,以maxSize为间隔进行再划分,得到新的一组局部点云,遍历得到的所有局部点云,对于点数少于下限的局部点云,结合点云分布情况和莫顿码顺序,选择进行前向局部点云融合或者后向局部点云融合;
4)得到点数满足限制范围的点云条带。
2.如权利要求1所述的点云条带的划分方法,其特征是:步骤1)中使用八叉树对点云空间进行划分,其中点云空间包围盒的计算过程是,先遍历点云中所有点的三维坐标,求出x轴最小坐标xmin和最大坐标xmax、y轴最小坐标ymin和最大坐标ymax及z轴最小坐标zmin和最大坐标zmax,求出在x,y和z轴中该点云分布最离散的边长max_edge:
maxedge=max((xmax-xmin),(ymax-ymin),(zmax-zmin)) (式1)
该点云的包围盒大小通过式2计算得到:
B=max_edge3 (式2)。
4.如权利要求1所述的自适应的点云条带的划分方法,其特征是,步骤2)局部点云的点数与限制范围比较时,设置局部点云点数超标率ratio的阈值thres;遍历经过步骤1)得到的所有局部点云,比较各个局部点云内点数和范围上限maxSize的大小关系,局部点云点数超过maxSize时,计数器num将加1,遍历结束后计算其中点数超过maxSize的局部点云所占比例ratio;若比例ratio超过阈值thres,则对当前局部点云的结构再进行空间划分;若比例ratio不超过阈值thres,则完成初步空间划分,保留当前局部点云的结构,进行下一步的操作。
5.如权利要求1所述的自适应的点云条带的划分方法,其特征是,步骤3)中对局部点云再分割的方法,按照莫顿码的顺序,遍历所有的局部点云,其中点数超出maxSize的局部点云bi需要进行再分割。再分割的技术细节包括:
(1)首先,计算该局部点云bi沿着三维空间坐标轴的分布方差,分别为var_X(i)、var_Y(i)和var_Z(i);以var_X(i)为例,其计算公式如下:
(2)在该局部点云中,选择方差最大max(var_X(i),var_Y(i),var_Z(i))的坐标轴作为再划分的方向,再划分的个数num的计算公式如下:
经过以上步骤,一帧完整的点云通过再分割得到一组新的局部点云,其总数为Num;ceil为向上取整数。
6.如权利要求1所述的自适应的点云条带的划分方法,其特征是,步骤3)中对再分割后的局部点云再融合的方法:按照莫顿码的顺序,遍历所有的局部点云,其中点数少于minSize的局部点云bi需要进行再融合,融合的方向可以选择前向融合或后向融合;
假设前向融合后局部点云点数为bi(mergeFront),后向融合后局部点云点数为bi(mergeNext);则融合方向选择的原则为:
(1)若bi(mergeFront)>maxSize且bi(mergeNext)>maxSize,方向选择为max(bi(mergeFront),bi(mergeNext));
(2)若bi(mergeFront)<maxSize且bi(mergeNext)<maxSize,方向选择max(bi(mergeFront),bi(mergeNext);
(3)其他情况下,方向选择min(bi(mergeFront),bi(mergeNext))。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910280541.7A CN109993839B (zh) | 2019-04-09 | 2019-04-09 | 一种自适应的点云条带划分方法 |
US17/265,897 US11875513B2 (en) | 2019-04-09 | 2019-04-12 | Self-adaptive point cloud stripe division method |
PCT/CN2019/082391 WO2020206669A1 (zh) | 2019-04-09 | 2019-04-12 | 一种自适应的点云条带划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910280541.7A CN109993839B (zh) | 2019-04-09 | 2019-04-09 | 一种自适应的点云条带划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993839A CN109993839A (zh) | 2019-07-09 |
CN109993839B true CN109993839B (zh) | 2022-11-25 |
Family
ID=67132646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910280541.7A Active CN109993839B (zh) | 2019-04-09 | 2019-04-09 | 一种自适应的点云条带划分方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11875513B2 (zh) |
CN (1) | CN109993839B (zh) |
WO (1) | WO2020206669A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11688082B2 (en) * | 2019-11-22 | 2023-06-27 | Baidu Usa Llc | Coordinate gradient method for point cloud registration for autonomous vehicles |
CN114730474A (zh) * | 2019-12-02 | 2022-07-08 | Oppo广东移动通信有限公司 | 点云处理方法、编码器、解码器及存储介质 |
CN113473127B (zh) * | 2020-03-30 | 2022-09-23 | 鹏城实验室 | 一种点云几何编码方法、解码方法、编码设备及解码设备 |
WO2022141453A1 (zh) * | 2020-12-31 | 2022-07-07 | 深圳市大疆创新科技有限公司 | 点云编解码方法、装置及系统 |
US12020461B2 (en) * | 2021-03-10 | 2024-06-25 | Tencent America LLC | Method and apparatus for Haar-based point cloud coding |
CN115474051A (zh) * | 2021-06-11 | 2022-12-13 | 维沃移动通信有限公司 | 点云编码方法、点云解码方法及终端 |
KR20240056739A (ko) * | 2021-10-08 | 2024-04-30 | 엘지전자 주식회사 | 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법 |
KR20240099306A (ko) * | 2021-10-20 | 2024-06-28 | 엘지전자 주식회사 | 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법 |
CN116781920A (zh) * | 2022-03-11 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 点云编解码方法、装置、计算机、存储介质 |
CN114782438B (zh) * | 2022-06-20 | 2022-09-16 | 深圳市信润富联数字科技有限公司 | 物体点云修正方法、装置、电子设备和存储介质 |
CN117953064B (zh) * | 2024-03-21 | 2024-06-21 | 深圳前海瑞集科技有限公司 | 船舶工件的点云处理方法与装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077549A (zh) * | 2012-10-24 | 2013-05-01 | 华南理工大学 | 一种基于kd树的实时大规模地形可视化实现方法 |
CN103247041A (zh) * | 2013-05-16 | 2013-08-14 | 北京建筑工程学院 | 一种基于局部采样的多几何特征点云数据的分割方法 |
US8620089B1 (en) * | 2009-12-22 | 2013-12-31 | Hrl Laboratories, Llc | Strip histogram grid for efficient segmentation of 3D point clouds from urban environments |
CN106846425A (zh) * | 2017-01-11 | 2017-06-13 | 东南大学 | 一种基于八叉树的散乱点云压缩方法 |
CN107403456A (zh) * | 2017-07-28 | 2017-11-28 | 北京大学深圳研究生院 | 一种基于kd树和优化图变换的点云属性压缩方法 |
CN108632621A (zh) * | 2018-05-09 | 2018-10-09 | 北京大学深圳研究生院 | 一种基于层次划分的点云属性压缩方法 |
CN109345619A (zh) * | 2018-08-10 | 2019-02-15 | 华北电力大学(保定) | 基于类八叉树编码的海量点云空间管理方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8780112B2 (en) * | 2011-06-08 | 2014-07-15 | Pacific Data Images Llc | Coherent out-of-core point-based global illumination |
US9047660B2 (en) * | 2012-03-01 | 2015-06-02 | Siemens Corporation | Network cycle features in relative neighborhood graphs |
US20150205841A1 (en) * | 2014-01-22 | 2015-07-23 | Huawei Technologies Co., Ltd. | Data processing device and data processing method |
US10223829B2 (en) | 2016-12-01 | 2019-03-05 | Here Global B.V. | Method and apparatus for generating a cleaned object model for an object in a mapping database |
US11024078B2 (en) * | 2017-08-07 | 2021-06-01 | Verizon Patent And Licensing Inc. | Systems and methods compression, transfer, and reconstruction of three-dimensional (3D) data meshes |
CN108470374B (zh) * | 2018-04-08 | 2022-03-25 | 中煤航测遥感集团有限公司 | 海量点云数据处理方法及装置 |
SG11202009891QA (en) * | 2018-04-19 | 2020-11-27 | Panasonic Ip Corp America | Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, and three-dimensional data decoding device |
-
2019
- 2019-04-09 CN CN201910280541.7A patent/CN109993839B/zh active Active
- 2019-04-12 US US17/265,897 patent/US11875513B2/en active Active
- 2019-04-12 WO PCT/CN2019/082391 patent/WO2020206669A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8620089B1 (en) * | 2009-12-22 | 2013-12-31 | Hrl Laboratories, Llc | Strip histogram grid for efficient segmentation of 3D point clouds from urban environments |
CN103077549A (zh) * | 2012-10-24 | 2013-05-01 | 华南理工大学 | 一种基于kd树的实时大规模地形可视化实现方法 |
CN103247041A (zh) * | 2013-05-16 | 2013-08-14 | 北京建筑工程学院 | 一种基于局部采样的多几何特征点云数据的分割方法 |
CN106846425A (zh) * | 2017-01-11 | 2017-06-13 | 东南大学 | 一种基于八叉树的散乱点云压缩方法 |
CN107403456A (zh) * | 2017-07-28 | 2017-11-28 | 北京大学深圳研究生院 | 一种基于kd树和优化图变换的点云属性压缩方法 |
CN108632621A (zh) * | 2018-05-09 | 2018-10-09 | 北京大学深圳研究生院 | 一种基于层次划分的点云属性压缩方法 |
CN109345619A (zh) * | 2018-08-10 | 2019-02-15 | 华北电力大学(保定) | 基于类八叉树编码的海量点云空间管理方法 |
Non-Patent Citations (3)
Title |
---|
Attribute compression of 3D point clouds using Laplacian sparsity optimized graph transform;Shao yiting et al.;《IEEE》;20180301;第1-5页 * |
Hybrid point cloud attribute compression using slice-based layered structure and block-based intra prediction;Shao yiting et al.;《26th ACM multimedia conference(MM)》;20180101;第1199-1207页 * |
海量点云数据分布式并行处理技术综述;宇超群 等;《信息工程大学学报》;20180515;第611-615页 * |
Also Published As
Publication number | Publication date |
---|---|
US20210183068A1 (en) | 2021-06-17 |
US11875513B2 (en) | 2024-01-16 |
CN109993839A (zh) | 2019-07-09 |
WO2020206669A1 (zh) | 2020-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993839B (zh) | 一种自适应的点云条带划分方法 | |
US10552989B2 (en) | Point cloud attribute compression method based on KD tree and optimized graph transformation | |
CN109979008B (zh) | 一种基于属性的点云条带划分方法 | |
US7561156B2 (en) | Adaptive quadtree-based scalable surface rendering | |
US7113635B2 (en) | Process for modelling a 3D scene | |
CN112385236B (zh) | 点云的编码和解码方法、编码器和解码器、以及存储介质 | |
CN110188778B (zh) | 基于影像提取结果的居民区要素轮廓规则化方法 | |
CN112449171B (zh) | 点云分视角传输的编码方法、系统及介质 | |
CN113920275B (zh) | 三角网格构建方法、装置、电子设备及可读存储介质 | |
CN109544650B (zh) | 基于三维空间剖分的地理坐标压缩编解码方法 | |
CN109344750B (zh) | 一种基于结构描述子的复杂结构三维对象识别方法 | |
JP2023541271A (ja) | 高密度メッシュ圧縮 | |
CN103731153B (zh) | 计算机图像处理中对矢量化图形进行数据压缩的方法及装置 | |
CN111028349B (zh) | 一种适用于海量三维实景数据快速可视化的层级构建方法 | |
CN109118565B (zh) | 一种顾及杆塔电力线遮挡的电力走廊三维模型纹理映射方法 | |
CN107507276B (zh) | 用于任意方向的岩心切片显示的三维数字岩心存储方法 | |
CN110111380A (zh) | 基于深度相机的3d图像传输及重建方法 | |
CN115662267A (zh) | 地图简化方法、装置、存储介质及设备 | |
CN115861558A (zh) | 一种空间数据模型切片的多级简化方法 | |
US20070064099A1 (en) | Method of representing a sequence of pictures using 3d models, and corresponding devices and signals | |
CN113034671B (zh) | 一种基于双目视觉的交通标志牌三维重建方法 | |
US20220230453A1 (en) | Method and apparatus for generating zebra crossing in high resolution map, and electronic device | |
US20210099703A1 (en) | Fractional/Arbitrary Tile Grouping | |
CN115601226A (zh) | 一种点云信息处理方法、装置、设备及存储介质 | |
CN117321996A (zh) | 帧内预测、编解码方法及装置、编解码器、设备、介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |