CN110533645A - 基于视觉任务的点云数据压缩质量评价方法及系统 - Google Patents
基于视觉任务的点云数据压缩质量评价方法及系统 Download PDFInfo
- Publication number
- CN110533645A CN110533645A CN201910784520.9A CN201910784520A CN110533645A CN 110533645 A CN110533645 A CN 110533645A CN 201910784520 A CN201910784520 A CN 201910784520A CN 110533645 A CN110533645 A CN 110533645A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- task
- compression quality
- access control
- 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
- 238000013144 data compression Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 41
- 230000000007 visual effect Effects 0.000 claims abstract description 80
- 238000011156 evaluation Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims description 31
- 230000011218 segmentation Effects 0.000 claims description 11
- 241000509579 Draco Species 0.000 claims description 7
- 101000638069 Homo sapiens Transmembrane channel-like protein 2 Proteins 0.000 claims description 4
- 102100032054 Transmembrane channel-like protein 2 Human genes 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 abstract description 18
- 230000006835 compression Effects 0.000 abstract description 18
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供了一种基于视觉任务的点云数据压缩质量评价方法及系统,包括:输入原始三维点云数据;对所述原始三维点云数据进行处理,根据处理后的第一数据,计算视觉任务的第一评价指标;对所述原始三维点云数据进行编解码,将编解码后的三维点云数据进行处理,根据处理后的第二数据,计算所述视觉任务的第二评价指标;对比第一评价指标与第二评价指标得出评价指标对比结果,依据对比结果对点云数据压缩质量进行评价。与现有的点云质量评价方法相比,本发明具有针对性,能够根据特定视觉任务衡量点云压缩质量。此外,还能够根据多种视觉任务综合衡量点云压缩质量。
Description
技术领域
本发明涉及点云数据处理领域,尤其涉及一种基于视觉任务的点云数据压缩质量评价方法及系统。
背景技术
由于三维扫描技术和采集设备的快速发展,通过测量三维模型得到的点云数据日益精确、庞大。点云数据由物体经过三维扫描后的三维坐标信息、纹理信息、深度信息等组成。目前,一般的激光扫面设备可以从物体表面轻易获取数十万、甚至数百万点云数据。海量点云数据为计算机存储、处理和传输带来了极大的负担。
随着网格模型处理复杂度的剧增,点云模型的优势更加明显。以点云模型为研究对象的基于点的计算机图形学已经瘦到广泛的关注,点云模型的数字几何处理技术也逐渐成为图形学中的一个研究热点,在逆向工程、工业制造、文物保护以及医学可视化等领域得到广泛应用。
三维点云模型能更精确地表达物体的形状,但其数据量庞大。因此,在存储、传输三维几何模型时,通常需要对三维点云模型进行压缩处理,如有损压缩。目前,针对三维点云模型处理的评价方法主要有主观评价方法和客观评价方法。主观方法简单而直观,但需要耗费大量的时间和人力,并且受观测者个人因素的影响较大,大大降低了主观评价的实用性和准确性。客观评价方法摆脱了依赖人的主观判断的局限,有效提高评价的效率,是目前三维点云数据质量评价的研究重点。
但由于目前点云模型的研究尚处于起步阶段,关于点云模型的质量评价研究并不多见。此外,现有点云质量评价方法绝大多数为根据点云呈现的视觉效果对点云质量进行评价,并未根据特定视觉任务(如点云分类、分割、识别等)及特定视觉任务评价指标指导点云压缩质量评价结果。因此,如何基于特定视觉任务进行点云压缩质量评价是目前亟待解决的关键问题。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于视觉任务的点云数据压缩质量评价方法及系统。
根据本发明提供的一种基于视觉任务的点云数据压缩质量评价方法,包括以下步骤:
S1、输入原始三维点云数据;
S2、对所述原始三维点云数据进行处理,根据处理后的第一数据,计算视觉任务的第一评价指标;
S3、对所述原始三维点云数据进行编解码,将编解码后的三维点云数据进行处理,根据处理后的第二数据即处理后的解码数据,计算所述视觉任务的第二评价指标;
S4、对比第一评价指标与第二评价指标得出评价指标对比结果,依据对比结果对点云数据压缩质量进行评价。
优选地,所述对三维点云数据进行处理指根据视觉任务处理算法进行运算。
优选地,所述原始三维点云数据包括以下任一种:
稀疏点云、密集点云。
优选地,所述视觉任务包括以下任一种:
分类、分割、识别、跟踪等视觉任务。
优选地,所述对原始三维点云数据进行编解码处理是通过点云编解码器进行的,所述点云编解码器包括以下任一种:
MPEGG-PCCTMC13、MPEGV-PCCTMC2、Draco等。
优选地,所述评价指标是指用于评估、比较视觉任务模型质量及其效果的统计指标,如准确率,精度等。
优选地,还包括:
对多视觉任务的综合评价:依据各视觉任务的评价指标对比结果对点云数据压缩质量进行综合评价。
根据本发明提供的一种基于视觉任务的点云数据压缩质量评价系统,包括:
原始三维点云数据输入模块:输入原始三维点云数据;
点云数据编解码模块:对输入的原始三维点云数据进行编解码处理,并输出编解码后的点云数据;
视觉任务处理模块:对三维点云数据进行处理,得到处理后的数据;
视觉任务模型评估模块:根据处理后的数据,计算视觉任务的评价指标;
评估结果对比模块:对比经过处理的编解码前后点云数据的评价指标,依据对比结果对点云数据压缩质量进行评价。
优选地,所述对三维点云数据进行处理指根据视觉任务处理算法进行运算。
优选地,所述原始三维点云数据包括以下任一种:
稀疏点云、密集点云。
优选地,所述视觉任务包括以下任一种:
分类、分割、识别、跟踪等视觉任务。
优选地,所述对原始三维点云数据进行编解码处理是通过点云编解码器进行的,所述点云编解码器包括以下任一种:
MPEGG-PCCTMC13、MPEGV-PCCTMC2、Draco等。
优选地,所述评价指标是指用于评估、比较视觉任务模型质量及其效果的统计指标,如准确率,精度等。
优选地,还包括:
多视觉任务的综合评价模块:依据各视觉任务的评价指标对比结果对点云数据压缩质量进行综合评价。
与现有技术相比,本发明具有如下的有益效果:
1、本发明根据点云的应用目的,提出了基于视觉任务的点云数据压缩质量评价方法及系统。即针对特定视觉任务(如点云分类、分割、识别等),考虑点云在不同应用场景或目的下的点云压缩质量评价方法,并根据编解码前后的点云数据计算得到的特定视觉任务评价指标结果,指导点云压缩质量评价结果。
2、本发明与现有的点云质量评价方法相比,本发明具有针对性,能够根据特定视觉任务衡量点云压缩质量。此外,还能够根据多种视觉任务综合衡量点云压缩质量。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是本发明提供的实施例中一种基于视觉任务的点云数据压缩质量评价方法流程示意图;
图2是本发明提供的实施例中一种基于视觉任务的点云数据压缩质量评价系统功能框图示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的一种基于视觉任务的点云数据压缩质量评价方法,包括以下步骤:
S1、输入原始三维点云数据;
S2、根据特定视觉任务处理算法对输入的原始三维点云数据进行处理,并得到处理后的数据;
S3、根据S2中得到的处理后的数据,计算该特定视觉任务的某一种或多种评价指标;
S4、使用点云编解码器对输入的原始三维点云数据进行编解码,得到解码后的三维点云数据;
S5、根据与S2中相同的特定视觉任务处理算法对解码后的三维点云数据进行处理,并得到处理后的数据;
S6、根据S5中得到的处理后的数据计算与S3中相同的该特定视觉任务的评价指标;
S7、对比S3和S6中得到的特定视觉任务的评价指标结果,并依据对比结果对点云数据压缩质量进行评价。
优选地,所述原始三维点云数据包括以下任一种:
稀疏点云、密集点云。
优选地,所述特定视觉任务包括以下任一种:
点云分类、分割、识别、跟踪等视觉任务。
优选地,所述特定视觉任务的处理算法为:
某一种实现点云特定视觉任务的算法。
优选地,所述编解码器包括以下任一种:
MPEG G-PCC TM13、MPEG V-PCC TMC2、Draco等。
优选地,还包括:
基于多种视觉任务对点云压缩质量进行评价,可按照任务种类分别执行上述步骤,并综合各任务评价指标对比结果对点云数据压缩质量进行评价。
本发明提供的基于视觉任务的点云数据压缩质量评价系统,可以通过本发明给的基于视觉任务的点云数据压缩质量评价方法的步骤流程实现。本领域技术人员可以将所述基于视觉任务的点云数据压缩质量评价方法,理解为所述基于视觉任务的点云数据压缩质量评价系统的一个优选例。
根据本发明提供的一种基于视觉任务的点云数据压缩质量评价系统,包括:
原始三维点云数据输入模块:输入原始三维点云数据;
点云数据编解码模块:对输入的原始三维点云数据进行编解码操作,并输出解码后的点云数据;
视觉任务处理模块:根据视觉任务的处理算法对输入的三维点云数据进行处理,并得到处理后的数据;
视觉任务模型评估模块:根据经过视觉任务算法处理后得到的数据,计算该视觉任务的某一种或多种评价指标。
评估结果对比模块:对比编码前后点云数据在经过视觉任务算法处理后的评价指标,并依据对比结果对点云数据压缩质量进行评价。
优选地,还包括:
所述原始三维点云数据包括以下任一种:稀疏点云、密集点云。
优选地,还包括:
所述视觉任务包括以下任一种:点云分类、分割、识别、跟踪等视觉任务。
优选地,还包括:
所述视觉任务的处理算法为:某一种实现点云视觉任务的算法。
优选地,还包括:
所述编解码器包括以下任一种:MPEG G-PCC TM13、MPEG V-PCC TMC2、Draco等。
本发明的目的是提供一种基于任务的点云数据压缩质量评价方法及系统,能够根据特定视觉任务及其评价指标指导点云压缩质量评价结果。即针对特定视觉任务(如点云分类、分割、识别等),考虑点云在不同应用场景或目的下的点云压缩质量评价方法,并根据编解码前后的点云数据计算得到的特定视觉任务评价指标结果,指导点云压缩质量评价结果。
下面通过优选例,对本发明进行更为具体地说明。
优选例1:
以自动驾驶中的激光雷达目标检测任务为例,激光雷达采集到的点云数据非常庞大。海量点云数据十分不利于计算机下一步的传输及存储,也为后续的工作的开展设置了障碍。依据点云数据类型分类,自动驾驶中激光雷达采集到的点云数据属于稀疏点云数据。因此,充分的压缩处理点云数据就成为必要的处理步骤而凸显出重要地位。
如附图1所示,为本方法的具体流程图,简述如下:取得原始稀疏点云数据后,首先,使用三维点云目标检测算法对输入的原始稀疏点云数据进行处理,并得到处理后的输出数据。然后,根据输出数据计算三维点云目标检测算法评价指标。常用的三维点云目标检测算法指标有:准确率、召回率、平均精度、交并比等。这里以平均精度一种评价指标为例,并将平均精度记为AP。根据上述使用三维点云目标检测算法对输入的原始稀疏点云数据进行处理后的输出数据,计算得到平均精度AP1。
其次,选择合适的编解码器对原始稀疏点云数据进行编解码,并输出解码后的点云数据。此例中,采用适合于处理稀疏点云的编解码器MPEGG-PCCTMC13对原始稀疏点云数据进行编解码操作。然后,使用相同的三维点云目标检测算法对解码后的点云数据进行处理,并得到处理后的输出数据。并根据输出数据计算三维点云目标检测算法评价指标,得到平均精度AP2。
最后,对比上述得到的两个平均精度值AP1和AP2,并依据对比结果对点云数据压缩质量进行评价。其中,对比方法可采用比值法或其他对比方法。
如附图2所示,本实施例还提供了一种基于视觉任务的点云数据压缩质量评价系统,包括:原始三维点云数据输入模块、点云数据编解码模块、视觉任务处理模块、视觉任务模型评估模块以及评估结果对比模块。
原始三维点云数据输入模块,用于输入原始三维点云数据;
点云数据编解码模块,用于对输入的原始三维点云数据进行编解码操作,并输出解码后的点云数据;
视觉任务处理模块,用于根据视觉任务的处理算法对输入的三维点云数据进行处理,并得到处理后的数据;
视觉任务模型评估模块,用于根据经过视觉任务算法处理后得到的数据,计算该视觉任务的某一种或多种评价指标。
评估结果对比模块,用于对比编码前后点云数据在经过视觉任务算法处理后的评价指标,并依据对比结果对点云数据压缩质量进行评价。
综上可知,本发明的基于视觉任务的点云数据压缩质量评价方法及系统,可以针对特定视觉任务(如点云分类、分割、识别等),考虑点云在不同应用场景或目的下的点云压缩质量评价方法,并根据编解码前后的点云数据计算得到的特定视觉任务评价指标结果,指导点云压缩质量评价结果。与现有的点云质量评价方法相比,本发明具有针对性,能够根据特定视觉任务衡量点云压缩的质量。
本发明中,点云数据类型、视觉任务、视觉任务的处理算法、编解码器均可多样,优选地,可以由以下一组可选方案为例实现:
点云数据类型:根据目前主流点云数据划分类型,可将点云数据划分为稀疏点云数据和密集点云数据两类。针对不同场景和需求,可选择相应类型数据进一步处理。
视觉任务:点云分类、分割、识别、跟踪等视觉任务。针对不同场景和需求,可指定一种或多种视觉任务。
视觉任务的处理算法:根据不同视觉任务,可采用的相应处理算法。如针对三维点云目标识别任务,Second/PointRCNN/PointPillars等算法都是可选的。
编解码器:根据场景需求和点云数据类型,可选择合适的编解码器。如针对稀疏点云,MPEGG-PCC TMC13/Draco等为可选编解码器。针对密集点云,MPEGV-PCCTMC2等为可选编解码器。
需要注意的是,发明中只是以上述方法为例对基于视觉任务的点云数据压缩质量评价方法及系统进行说明,并不局限于以上的点云数据类型、视觉任务、视觉任务的处理算法及编解码器等选择。
本实施中所提供的基于视觉任务的点云数据压缩质量评价系统中各个功能模块与上述实施例中基于视觉任务的点云数据压缩质量评价方法所分别相对应,那么装置中所具有的结构和技术要素可由生成方法相应转换形成,在此省略说明不再赘述。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (14)
1.基于视觉任务的点云数据压缩质量评价方法,其特征在于,包括:
输入原始三维点云数据;
对所述原始三维点云数据进行处理,根据处理后的第一数据,计算视觉任务的第一评价指标;
对所述原始三维点云数据进行编解码,将编解码后的三维点云数据进行处理,根据处理后的第二数据,计算所述视觉任务的第二评价指标;
对比第一评价指标与第二评价指标得出评价指标对比结果,依据对比结果对点云数据压缩质量进行评价。
2.根据权利要求1所述的基于视觉任务的点云数据压缩质量评价方法,其特征在于,所述对三维点云数据进行处理指根据视觉任务处理算法进行运算。
3.根据权利要求1所述的基于视觉任务的点云数据压缩质量评价方法,其特征在于,所述原始三维点云数据为稀疏点云或密集点云。
4.根据权利要求1所述的基于视觉任务的点云数据压缩质量评价方法,其特征在于,所述视觉任务包括以下任一种:分类、分割、识别、跟踪。
5.根据权利要求1所述的基于视觉任务的点云数据压缩质量评价方法,其特征在于,所述对原始三维点云数据进行编解码处理是通过点云编解码器进行的,所述点云编解码器为MPEG G-PCC TMC13或MPEG V-PCC TMC2或Draco。
6.根据权利要求1所述的基于视觉任务的点云数据压缩质量评价方法,其特征在于,所述评价指标是指用于评估、比较视觉任务模型质量及其效果的统计指标。
7.根据权利要求1或权利要求4所述的基于视觉任务的点云数据压缩质量评价方法,其特征在于,还包括对多视觉任务的综合评价:依据各视觉任务的评价指标对比结果对点云数据压缩质量进行综合评价。
8.基于视觉任务的点云数据压缩质量评价系统,其特征在于,包括:
原始三维点云数据输入模块:输入原始三维点云数据;
点云数据编解码模块:对输入的原始三维点云数据进行编解码处理,并输出编解码后的三维点云数据;
视觉任务处理模块:对三维点云数据进行处理,得到处理后的数据;
视觉任务模型评估模块:根据处理后的数据,计算视觉任务的评价指标;
评估结果对比模块:对比经过处理的编解码前后点云数据的评价指标,依据对比结果对点云数据压缩质量进行评价。
9.根据权利要求8所述的基于视觉任务的点云数据压缩质量评价系统,其特征在于,所述对三维点云数据进行处理指根据视觉任务处理算法进行运算。
10.根据权利要求8所述的基于视觉任务的点云数据压缩质量评价系统,其特征在于,所述原始三维点云数据为稀疏点云或密集点云。
11.根据权利要求8所述的基于视觉任务的点云数据压缩质量评价系统,其特征在于,所述视觉任务包括以下任一种:分类、分割、识别、跟踪。
12.根据权利要求8所述的基于视觉任务的点云数据压缩质量评价系统,其特征在于,所述对原始三维点云数据进行编解码处理是通过点云编解码器进行的,所述点云编解码器为MPEG G-PCC TMC13或MPEG V-PCC TMC2或Draco。
13.根据权利要求8所述的基于视觉任务的点云数据压缩质量评价系统,其特征在于,所述评价指标是指用于评估、比较视觉任务模型质量及其效果的统计指标。
14.根据权利要求8或权利要求11所述的基于视觉任务的点云数据压缩质量评价系统,其特征在于,还包括对多视觉任务的综合评价模块:依据各视觉任务的评价指标对比结果对点云数据压缩质量进行综合评价。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910784520.9A CN110533645A (zh) | 2019-08-23 | 2019-08-23 | 基于视觉任务的点云数据压缩质量评价方法及系统 |
PCT/CN2020/101786 WO2021036550A1 (zh) | 2019-08-23 | 2020-07-14 | 基于视觉任务的点云数据压缩质量评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910784520.9A CN110533645A (zh) | 2019-08-23 | 2019-08-23 | 基于视觉任务的点云数据压缩质量评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110533645A true CN110533645A (zh) | 2019-12-03 |
Family
ID=68664111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910784520.9A Pending CN110533645A (zh) | 2019-08-23 | 2019-08-23 | 基于视觉任务的点云数据压缩质量评价方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110533645A (zh) |
WO (1) | WO2021036550A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111243072A (zh) * | 2020-01-10 | 2020-06-05 | 北京腾文科技有限公司 | WebVR三维展示方法、装置、系统及可读存储介质 |
CN112256652A (zh) * | 2020-10-19 | 2021-01-22 | 济南大学 | 一种三维点云属性压缩方法、系统及终端 |
WO2021036550A1 (zh) * | 2019-08-23 | 2021-03-04 | 上海交通大学 | 基于视觉任务的点云数据压缩质量评价方法及系统 |
WO2021093153A1 (en) * | 2020-01-08 | 2021-05-20 | Zte Corporation | Point cloud data processing |
KR20210132997A (ko) * | 2020-04-28 | 2021-11-05 | 한국전력공사 | V-pcc 비트스트림 기반 3차원 영상 제공 장치 및 방법 |
CN114782332A (zh) * | 2022-04-02 | 2022-07-22 | 宁波大学 | 一种基于几何与色彩联合感知的彩色点云质量评价方法 |
WO2023273551A1 (en) * | 2021-07-02 | 2023-01-05 | Beijing Xiaomi Mobile Software Co., Ltd. | Method and apparatus of encoding/decoding point cloud captured by a spinning sensors head |
WO2023093824A1 (zh) * | 2021-11-26 | 2023-06-01 | 中兴通讯股份有限公司 | 点云质量评价方法、设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015039375A1 (zh) * | 2013-09-17 | 2015-03-26 | 中国科学院深圳先进技术研究院 | 点云数据质量自动优化方法及系统 |
CN106127250A (zh) * | 2016-06-24 | 2016-11-16 | 深圳市唯特视科技有限公司 | 一种基于三维点云数据的人脸质量评估方法 |
CN107292935A (zh) * | 2017-05-05 | 2017-10-24 | 深圳市建设综合勘察设计院有限公司 | 机载高密度激光点云的压缩方法、存储设备及激光雷达 |
CN107767375A (zh) * | 2017-11-02 | 2018-03-06 | 广东电网有限责任公司电力科学研究院 | 一种点云质量评估方法及装置 |
CN108335335A (zh) * | 2018-02-11 | 2018-07-27 | 北京大学深圳研究生院 | 一种基于增强图变换的点云属性压缩方法 |
WO2019013430A1 (en) * | 2017-07-10 | 2019-01-17 | Samsung Electronics Co., Ltd. | COMPRESSION OF MAILLAGES AND POINT CLOUDS USING IMAGE / VIDEO CODECS |
CN109257604A (zh) * | 2018-11-20 | 2019-01-22 | 山东大学 | 一种基于tmc3点云编码器的颜色属性编码方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150081010A (ko) * | 2014-01-03 | 2015-07-13 | 한국전자통신연구원 | 홀로그램 재현 영상의 시야각 측정 평가 장치 및 방법 |
CN104346809A (zh) * | 2014-09-23 | 2015-02-11 | 上海交通大学 | 采用高动态范围的图像质量数据集的图像质量评价方法 |
CN110533645A (zh) * | 2019-08-23 | 2019-12-03 | 上海交通大学 | 基于视觉任务的点云数据压缩质量评价方法及系统 |
-
2019
- 2019-08-23 CN CN201910784520.9A patent/CN110533645A/zh active Pending
-
2020
- 2020-07-14 WO PCT/CN2020/101786 patent/WO2021036550A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015039375A1 (zh) * | 2013-09-17 | 2015-03-26 | 中国科学院深圳先进技术研究院 | 点云数据质量自动优化方法及系统 |
CN106127250A (zh) * | 2016-06-24 | 2016-11-16 | 深圳市唯特视科技有限公司 | 一种基于三维点云数据的人脸质量评估方法 |
CN107292935A (zh) * | 2017-05-05 | 2017-10-24 | 深圳市建设综合勘察设计院有限公司 | 机载高密度激光点云的压缩方法、存储设备及激光雷达 |
WO2019013430A1 (en) * | 2017-07-10 | 2019-01-17 | Samsung Electronics Co., Ltd. | COMPRESSION OF MAILLAGES AND POINT CLOUDS USING IMAGE / VIDEO CODECS |
CN107767375A (zh) * | 2017-11-02 | 2018-03-06 | 广东电网有限责任公司电力科学研究院 | 一种点云质量评估方法及装置 |
CN108335335A (zh) * | 2018-02-11 | 2018-07-27 | 北京大学深圳研究生院 | 一种基于增强图变换的点云属性压缩方法 |
CN109257604A (zh) * | 2018-11-20 | 2019-01-22 | 山东大学 | 一种基于tmc3点云编码器的颜色属性编码方法 |
Non-Patent Citations (8)
Title |
---|
吴宝峰: "阔叶树激光雷达点云数据压缩方法研究", 《中国优秀硕士学位论文全文数据库农业科技辑》, no. 2, 15 February 2017 (2017-02-15) * |
喜文飞: "激光点云数据压缩的精简研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
喜文飞: "激光点云数据压缩的精简研究", 《中国优秀硕士学位论文全文数据库基础科学辑》, no. 5, 15 May 2012 (2012-05-15) * |
张习民: "3D彩色点云高效压缩算法及质量评价研究", 《中国博士学位论文全文数据库信息科技辑》 * |
张习民: "3D彩色点云高效压缩算法及质量评价研究", 《中国博士学位论文全文数据库信息科技辑》, no. 6, 15 June 2018 (2018-06-15), pages 1 * |
张娟等: "利用显著性的点云模型客观质量评价", 《应用科学学报》 * |
张娟等: "利用显著性的点云模型客观质量评价", 《应用科学学报》, no. 5, 31 October 2014 (2014-10-31) * |
赵雪专: "《图像显著性检测算法研究》", vol. 1, 吉林大学出版社, pages: 1 - 2 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021036550A1 (zh) * | 2019-08-23 | 2021-03-04 | 上海交通大学 | 基于视觉任务的点云数据压缩质量评价方法及系统 |
WO2021093153A1 (en) * | 2020-01-08 | 2021-05-20 | Zte Corporation | Point cloud data processing |
US12058379B2 (en) | 2020-01-08 | 2024-08-06 | Zte Corporation | Point cloud data processing |
CN111243072A (zh) * | 2020-01-10 | 2020-06-05 | 北京腾文科技有限公司 | WebVR三维展示方法、装置、系统及可读存储介质 |
KR20210132997A (ko) * | 2020-04-28 | 2021-11-05 | 한국전력공사 | V-pcc 비트스트림 기반 3차원 영상 제공 장치 및 방법 |
KR102651074B1 (ko) * | 2020-04-28 | 2024-03-26 | 한국전력공사 | V-pcc 비트스트림 기반 3차원 영상 제공 장치 및 방법 |
CN112256652A (zh) * | 2020-10-19 | 2021-01-22 | 济南大学 | 一种三维点云属性压缩方法、系统及终端 |
CN112256652B (zh) * | 2020-10-19 | 2022-09-16 | 济南大学 | 一种三维点云属性压缩方法、系统及终端 |
WO2023273551A1 (en) * | 2021-07-02 | 2023-01-05 | Beijing Xiaomi Mobile Software Co., Ltd. | Method and apparatus of encoding/decoding point cloud captured by a spinning sensors head |
WO2023093824A1 (zh) * | 2021-11-26 | 2023-06-01 | 中兴通讯股份有限公司 | 点云质量评价方法、设备和存储介质 |
CN114782332A (zh) * | 2022-04-02 | 2022-07-22 | 宁波大学 | 一种基于几何与色彩联合感知的彩色点云质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021036550A1 (zh) | 2021-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533645A (zh) | 基于视觉任务的点云数据压缩质量评价方法及系统 | |
US10552989B2 (en) | Point cloud attribute compression method based on KD tree and optimized graph transformation | |
Suhail et al. | Light field neural rendering | |
CN102708369B (zh) | 一种基于卫星图像的海冰参数提取方法 | |
CN108875813B (zh) | 一种基于几何图像的三维网格模型检索方法 | |
CN105426530B (zh) | 一种商标检索方法、装置和系统 | |
CN109903292A (zh) | 一种基于全卷积神经网络的三维图像分割方法及系统 | |
CN110135227B (zh) | 一种基于机器学习的激光点云室外场景自动分割方法 | |
CN103870845A (zh) | 点云聚类去噪过程中新的k值优化方法 | |
CN102881047A (zh) | 一种自动的非封闭隐式曲面重建方法 | |
CN105574161A (zh) | 一种商标图形要素识别方法、装置和系统 | |
CN105139449A (zh) | 一种基于三维网格细分和编码的三维模型压缩方法 | |
CN108399424A (zh) | 一种点云分类方法、智能终端及存储介质 | |
Ikehata | Ps-transformer: Learning sparse photometric stereo network using self-attention mechanism | |
CN102651072A (zh) | 一种面向三维人体运动数据的分类方法 | |
CN108509696A (zh) | 基于三维激光扫描技术的古建筑健康监测方法及装置 | |
CN103793939A (zh) | 大规模点云数据的局部增长式曲面重建方法 | |
CN115641406A (zh) | 一种电力线激光点云数据部分重合分段及聚类方法 | |
Doraiswamy et al. | Topological saliency | |
CN103902798A (zh) | 数据预处理方法 | |
CN107680070B (zh) | 一种基于原始图像内容的分层权重图像融合方法 | |
CN110751732B (zh) | 一种2d图像转3d图像的方法 | |
CN116546219A (zh) | 一种基于学习的点云几何颜色联合压缩方法 | |
Mo et al. | Automatic power transmission towers detection based on the deep learning algorithm | |
CN115731390A (zh) | 一种灰岩隧道岩体结构面识别方法及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191203 |