CN113518226A - 一种基于地面分割的g-pcc点云编码改进方法 - Google Patents

Abstract

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。

Description

一种基于地面分割的G-PCC点云编码改进方法

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：

步骤S1：提供激光雷达动态获取的稀疏点云数据，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。

进一步地，所述步骤S1的具体内容为：拟合一个地平面模型作为地面，由于通常地面并不是一个平面，所以选择通过不断的迭代更新拟合地平面模型，该拟合平面则作为分割地面点与非地面点的分界面；具体过程如下：

首先选取一个种子点集(seed point set)，这个点集被用于描述一个初始的平面；种子点集的选取是一个迭代的过程，先将点云沿Z轴做排序，即高度方向做排序，选取N个点计算高度平均值LPR，并构建平面方程模型即通过奇异值分解(Singular ValueDecomposition,SVD)拟合一个平面，该平面到所有种子点集中的点的距离之和最小；

采用一个线性模型用于平面模型的估计，如下：

ax+by+cz+d＝0

也即：

n^Tx＝-d

其中，n＝[a,b,c]^T,x＝[x,y,z]^T，通过初始点集的协方差矩阵C∈R^3×3来求解n，即a,b,c，从而确定一个平面，由于是平面模型，垂直于平面的法向量n表示具有最小方差的方向，得到这个初始的平面模型以后，计算点云中每一个点到该平面的正交投影的距离也即高度；并且将这个距离与预设距离阈值进行比较，当高度小于此阈值，就认为该点属于地面，当高度大于此阈值则认为该点属于非地面；经过不断迭代循环就能够将点云分割成地面点云和非地面点云两部分。

进一步地，所述步骤S2的具体内容为：

首先，将地面点云转换成距离图像(Range_Image)，将3D的地面点云几何信息映射为2D的距离图像,就是将(x,y,z)映射为(u,v)；u为激光雷达的线数，v为图像的长度；而Range_Image的像素值则代表从传感器到物体的距离；通过距离图像直接还原出有序规则的原始点云；映射公式如下：

其中：

ω，h为2D距离图像的宽和高；f_up,f_down分别为雷达垂直方向的上、下视角范围；

f＝f_up+f_down垂直方向总的视角范围；r＝||P_i||₂表示一个点到激光雷达的3D距离；

得到的距离图像之后通过JPEG编码模块进行编码压缩，依次采用预测编码(DPCM)、离散余弦变换(DCT)以及熵编码的联合编码方式，用以去除冗余的图像和彩色数据，完成对地面点云的编码。

进一步地，所述步骤S3的具体内容为：

首先，遍历输入的点云，得到各维度极值(x_min,y_min,z_min)与(x_max,y_max,z_max)，通过计算极值之差的最小2次方数d来确定建立的边界框(2^d,2^d,2^d)，对边界框均匀的划分成八个子立方体，其中有点的子立方体为1，无点的子立方体为0，这样得到8位占用码，对占用码进行算术编码，之后再对点数大于1的子立方体继续进行划分，这就是G-PCC编码器的八叉树编码的过程；同时，不同层级的立方体之间的上下文关系通过计算邻域配置情况获得，领域配置主要是通过利用当前节点共面的6个邻居来计算得到当前节点的邻居占位情况，这6个共面的邻居分别被分配了2⁰、2¹、2²、2³、2⁴、2⁵的权值，计算空间每个节点共面邻居节点的占位情况即相应的权值之和，每个节点的领域配置模式为0～63之间；这里主要是借助当前节点的共面邻居的占位情况来对当前节点的子节点进行设计不同的上下文；最后利用算术编码器完成八叉树的编码过程得到二进制码流，完成对非地面点云的编码。

与现有技术相比，本发明具有以下有益效果：

(1)根据车载激光雷达稀疏点云的性质，通过地面分割算法将点云分割成了地面点(ground point)和非地面点(no_ground point)两个部分，巧妙的将JPEG和GPCC两种编码方法的优缺点结合起来。其中，GPCC是基于几何的点云编码方案，其通过构建八叉树对乱序的点云建立相关性，进而利用树节点的领域相关性，来进行有效的对点云编码压缩。如果采用单纯的GPCC编码，虽然解码重建后能较完整的恢复出原来的信息，但是其压缩率不够高。如果采用单纯的JPEG编码，虽然能够取得较高的压缩率，但是其主要针对二维图像信号，不适用于3D点云。利用地面点云点数量多，相邻点云相关性较强的特点，将其分离出来，转换为2D距离图像后对其采用JPEG编码，对非地面点云则保留GPCC编码。通过这样设计，提高地面点云的压缩率，从而提高整体编码器的编码效率。

(2)目前主流点云编码器都是采用八叉树模式进行位置信息的编码，八叉树虽然结构简单，能够初步满足点云压缩需求，但是由于八叉树本身的特性，使得很难对编码器做出改进提升编码性能，而针对激光雷达动态获取的稀疏点云的场景大且分布稀疏的特点，采用传统的八叉树编码会消耗大量的存储空间，本发明根据点云特性，将点云分割成了信息相对集中的非地面点云，以及相对平整结构简单的地面点云，利用地面点和非地面点的特征，分别用不同编码方式。高效了利用了G-PCC与JPEG编码模块的特点，创新性的对地面点云单独编码，对非地面点云使用G-PCC降低八叉树的深度，提升了八叉树的编码效率，使得整个编码器压缩率得到了明显提升。

附图说明

图1为本发明实施例的现有技术中G-PCC编码器与解码器总体框图。

图2为本发明实施例的现有技术中AVS-PCC编码器与解码器总体框图。

图3为本发明实施例的八叉树结构图。

图4为本发明实施例的方法流程图。

图5为本发明实施例的距离图像计算过程图。

图6为本发明实施例的当前节点领域配置图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图4所示，本实施例提供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：提供激光雷达动态获取的稀疏点云数据，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。

在本实施例中，所述步骤S1的具体内容为：拟合一个地平面模型作为地面，由于通常地面并不是一个平面，所以选择通过不断的迭代更新拟合地平面模型，该拟合平面则作为分割地面点与非地面点的分界面；具体过程如下：

首先选取一个种子点集(seed point set)，这个点集被用于描述一个初始的平面；种子点集的选取是一个迭代的过程，先将点云沿Z轴做排序，即高度方向做排序，选取N个点计算高度平均值LPR，并构建平面方程模型即通过奇异值分解(Singular ValueDecomposition,SVD)拟合一个平面，该平面到所有种子点集中的点的距离之和最小；

采用一个线性模型用于平面模型的估计，如下：

ax+by+cz+d＝0

也即：

n^Tx＝-d

其中，n＝[a,b,c]^T,x＝[x,y,z]^T，通过初始点集的协方差矩阵C∈R^3×3来求解n，即a,b,c，从而确定一个平面，由于是平面模型，垂直于平面的法向量n表示具有最小方差的方向，得到这个初始的平面模型以后，计算点云中每一个点到该平面的正交投影的距离也即高度；并且将这个距离与预设距离阈值进行比较，(高度阈值设定为0.3m)，当高度小于此阈值，就认为该点属于地面，当高度大于此阈值则认为该点属于非地面；经过不断迭代循环就能够将点云分割成地面点云和非地面点云两部分。

在本实施例中，所述步骤S2的具体内容为：

首先，将地面点云转换成距离图像(Range_Image)，将3D的地面点云几何信息映射为2D的距离图像,就是将(x,y,z)映射为(u,v)；u为激光雷达的线数，v为图像的长度；而Range_Image的像素值则代表从传感器到物体的距离；通过距离图像直接还原出有序规则的原始点云；映射公式如下：

其中：

ω，h为2D距离图像的宽和高；f_up,f_down分别为雷达垂直方向的上、下视角范围；

f＝f_up+f_down垂直方向总的视角范围；r＝||P_i||₂表示一个点到激光雷达的3D距离；

得到的距离图像之后通过JPEG编码模块进行编码压缩，依次采用预测编码(DPCM)、离散余弦变换(DCT)以及熵编码的联合编码方式，用以去除冗余的图像和彩色数据，完成对地面点云的编码。

在本实施例中，所述步骤S3的具体内容为：

首先，遍历输入的点云，得到各维度极值(x_min,y_min,z_min)与(x_max,y_max,z_max)，通过计算极值之差的最小2次方数d来确定建立的边界框(2^d,2^d,2^d)，对边界框均匀的划分成八个子立方体，其中有点的子立方体为1，无点的子立方体为0，这样得到8位占用码，对占用码进行算术编码，之后再对点数大于1的子立方体继续进行划分，这就是G-PCC编码器的八叉树编码的过程；同时，不同层级的立方体之间的上下文关系通过计算邻域配置情况获得，领域配置主要是通过利用当前节点共面的6个邻居来计算得到当前节点的邻居占位情况，这6个共面的邻居分别被分配了2⁰、2¹、2²、2³、2⁴、2⁵的权值，计算空间每个节点共面邻居节点的占位情况即相应的权值之和，每个节点的领域配置模式为0～63之间；这里主要是借助当前节点的共面邻居的占位情况来对当前节点的子节点进行设计不同的上下文；最后利用算术编码器完成八叉树的编码过程得到二进制码流，完成对非地面点云的编码。具体领域配置情况如图6所示。

较佳的，本实施例首先：基于点云分布特点的快速分割算法，将点云分割为地面点云和非地面点云。构建八叉树的过程中，因为需要根据点云的位置信息构建边界框，在自动驾驶场景中所获得的点云为稀疏点云，其中有近一半的点位于接近平面的地面，利用快速地面分割模块，点云被分解地面点和非地面点两个部分，在对其分别进行单独编码，地面点在构建八叉树的时候相较于分割前更加的便捷，在邻域搜索、帧内预测编码时显著提高编码效率降低损失。对于点云地面分割模块，本设计采用地平面拟合方法，先拟合一个地平面模型作为地面，由于通常地面并不是一个平面，所以选择通过不断的迭代更新拟合地平面模型，该拟合平面则作为分割地面点与非地面点的分界面。首先我们先选取一个种子点集(seed point set)，这个点集被用于描述一个初始的平面。种子点集的选取是一个迭代的过程，先将点云沿Z轴做排序，即高度方向做排序，选取N个点计算高度平均值LPR，并构建平面方程模型。采用一个简单的线性模型用于平面模型的估计，如下：

ax+by+cz+d＝0

也即：n^Tx＝-d

其中，通过初始点集的协方差矩阵来求解(即a,b,c)，从而确定一个平面，由于是平面模型，垂直于平面的法向量表示具有最小方差的方向，得到这个初始的平面模型以后，我们会计算点云中每一个点到该平面的正交投影的距离也即高度。并且将这个距离与设定距离阈值进行比较，当高度小于此阈值，就认为该点属于地面，当高度大于此阈值则认为该点属于非地面。经过不断迭代循环就可以将点云分割成地面点云和非地面点云两部分。

然后：经过地面分割后，我们得到了地面点云和非地面点云两个部分，针对地面地面点云点的分布特点，对其不采用G-PCC编码，因为地面点云近似于一个平面，而G-PCC编码器所构建八叉树的过程，对于越接近立方体的点云有着更加优异的编码效果，接近于平面的地面点云显然不适用于八叉树的构建。同时，GPCC是基于几何的点云编码方案，其通过构建八叉树对乱序的点云建立相关性，进而利用树节点的领域相关性，来进行有效的对点云编码压缩。

如图3，因为地面点云分布比较的均匀规律，相邻点云具有较强的相关性，为了提高压缩率，可以采用适用于2D图像的JPEG编码方法。首先，先经算法将地面点云转换成距离图像(Range_Image)，因为距离图像的每个像素点的灰度值可用于表征场景中某一点距离摄像机的远近。直接反应了景物可见表面的几何形状。距离图像经过坐标转换可以计算为点云数据，点云数据也可以转换为距离图像。

将3D的地面点云几何信息映射为2D的距离图像,就是将(x,y,z)映射为(u,v)。u为激光雷达的线数，v为图像的长度。而Range_Image的像素值则代表从传感器到物体的距离。我们可以通过距离图像直接还原出有序规则的原始点云。映射公式如下：

其中：

ω，h为2D距离图像的宽和高；

f_up,f_down分别为雷达垂直方向的上、下视角范围；

f＝f_up+f_down垂直方向总的视角范围；

r＝||P_i||₂表示一个点到激光雷达的3D距离；

如图5，得到的距离图像之后通过JPEG编码模块进行编码压缩，JPEG是一种已经广泛应用的压缩方式。JPEG(Joint Photographic Experts Group)即联合图像专家组，是用于连续色调静态图像压缩的一种标准，文件后缀名为.jpg或.jpeg，是最常用的图像文件格式。其主要是采用预测编码(DPCM)、离散余弦变换(DCT)以及熵编码的联合编码方式，以去除冗余的图像和彩色数据。其特点在于距离图像的大小得到压缩，但是图片内容没有发生变化。地面点云经过此方法编码后，获得了极高的压缩率，且处理过程简单快捷。

最后：基于G-PCC算法对非地面点云进行压缩编码模块，经过分割后得到的非地面点包含着大量有效信息，且聚合度较高，适合用于G-PCC编码器进行单独编码，经过去除地面点后的点云，在八叉树构建的过程中，构建的复杂度得到了降低，节约了存储空间，在后续使用预测编码、变换编码将提升预测的准确率和编码效率。预测编码的原理是用预测值与原数值做差，一般而言，得到的残差的数据量会远远小于原数值，再进行变换编码、熵编码即可大大减少数据量。但是八叉树编码的结果是一串二进制序列，即使进行了预测也无法通过编码残差而减少数据量，也无法进行变化。因此基于八叉树编码的点云压缩中，几何比特的减少方向集中于上下文建模，即寄希望于熵编码来减少统计冗余。基于几何信息的G-PCC编码器，是目前处理稀疏点云最为成熟的编码器，对位置信息的编码首先通过建立边界框，对边界框均匀的划分成八个子立方体，其中有点的子立方体为1，无点的子立方体为0，这样可以得到了8位占用码，对占用码进行编码，之后再对点数大于1的子立方体继续进行划分，这就是八叉树编码的过程。由于对点云进行了划分，去除了地面点，只保留了非地面点，在构建八叉树的过程中(即将一个立方体不断划分成8个等大的子立方体的过程)，减少了需要划分的子立方体数量，从而降低了八叉树复杂度，提升了编码效率。同时由于非地面点云分布更加紧凑，点与点的相关性更强，预测编码使用频率更高，从而获得更高的压缩率。

本实施例提供一种比传统点云压缩方法更加高效的编码模式，达到实时高效压缩点云的应用需求。改进点云编码的结构，主要是针对G-PCC编码器的编码的几何编码特点上增加了地面分割的模块对点云进行分块单独编码。本实施例设计了一种高效的点云编码器。针对自动驾驶汽车车载激光雷达所获得点云为动态的稀疏点云，现实中所获取的点云根据信息处理的意义，可分为地面点云和非地面点云，实际运用中主要关注的是非地面点云，地面点云从整体上看近似于一个平面，不适合用构建八叉树的形式编码，且信息较为单一，相邻点云之间具有较强的相关性，可以用2D图像编码的方法对其进行单独高效压缩，同时经过分割后的非地面点云，由于点的密集程度更高，杂乱性降低，构建八叉树及后续的近邻搜索处理成本大大降低。本实施例的关键点在于，将点云分割为地面点云和非地面点云，其中地面点云转换成距离图像，分别用不同的方式进行单独编码，以实现更加高效的点云编码过程。

较佳的，本实施例的基于地面分割的G-PCC点云编码改进算法的编码技术架构，该编码方案引入了快速地面分割模块，针对G-PCC中八叉树编码时由激光雷达动态获取的稀疏点云分布不规则而造成的编码器性能降低的问题做出了改进，首先对原始点云做地面分割，将点云分割成了地面点云和非地面点云，其中单独将地面点云转换成距离图像，对其使用JPEG编码器编码，对非地面点云使用G-PCC编码器编码，降低了八叉树的复杂度，减少资源损耗，提升了编码效率。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。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (4)

1.一种基于地面分割的G-PCC点云编码改进方法，其特征在于：包括以下步骤：

步骤S1：提供激光雷达动态获取的稀疏点云数据，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。

2.根据权利要求1所述的一种基于地面分割的G-PCC点云编码改进方法，其特征在于：所述步骤S1的具体内容为：拟合一个地平面模型作为地面，由于通常地面并不是一个平面，所以选择通过不断的迭代更新拟合地平面模型，该拟合平面则作为分割地面点与非地面点的分界面；具体过程如下：

首先选取一个种子点集，这个点集被用于描述一个初始的平面；种子点集的选取是一个迭代的过程，先将点云沿Z轴做排序，即高度方向做排序，选取N个点计算高度平均值LPR，并构建平面方程模型即通过奇异值分解拟合一个平面，该平面到所有种子点集中的点的距离之和最小；

采用一个线性模型用于平面模型的估计，如下：

ax+by+cz+d＝0

也即：

n^Tx＝-d

其中，n＝[a,b,c]^T,x＝[x,y,z]^T，通过初始点集的协方差矩阵C∈R^3×3来求解n，即a,b,c，从而确定一个平面，由于是平面模型，垂直于平面的法向量n表示具有最小方差的方向，得到这个初始的平面模型以后，计算点云中每一个点到该平面的正交投影的距离也即高度；并且将这个距离与预设距离阈值进行比较，当高度小于此阈值，就认为该点属于地面，当高度大于此阈值则认为该点属于非地面；经过不断迭代循环就能够将点云分割成地面点云和非地面点云两部分。

3.根据权利要求1所述的一种基于地面分割的G-PCC点云编码改进方法，其特征在于：所述步骤S2的具体内容为：

首先，将地面点云转换成距离图像将3D的地面点云几何信息映射为2D的距离图像,就是将(x,y,z)映射为(u,v)；u为激光雷达的线数，v为图像的长度；而Range_Image的像素值则代表从传感器到物体的距离；通过距离图像直接还原出有序规则的原始点云；映射公式如下：

其中：

ω，h为2D距离图像的宽和高；f_up,f_down分别为雷达垂直方向的上、下视角范围；

f＝f_up+f_down垂直方向总的视角范围；r＝||P_i||₂表示一个点到激光雷达的3D距离；

得到的距离图像之后通过JPEG编码模块进行编码压缩，依次采用预测编码、离散余弦变换以及熵编码的联合编码方式，用以去除冗余的图像和彩色数据，完成对地面点云的编码。

4.根据权利要求1所述的一种基于地面分割的G-PCC点云编码改进方法，其特征在于：所述步骤S3的具体内容为：

首先，遍历输入的点云，得到各维度极值(x_min,y_min,z_min)与(x_max,y_max,z_max)，通过计算极值之差的最小2次方数d来确定建立的边界框(2^d,2^d,2^d)，对边界框均匀的划分成八个子立方体，其中有点的子立方体为1，无点的子立方体为0，这样得到8位占用码，对占用码进行算术编码，之后再对点数大于1的子立方体继续进行划分，这就是G-PCC编码器的八叉树编码的过程；同时，不同层级的立方体之间的上下文关系通过计算邻域配置情况获得，领域配置主要是通过利用当前节点共面的6个邻居来计算得到当前节点的邻居占位情况，这6个共面的邻居分别被分配了2⁰、2¹、2²、2³、2⁴、2⁵的权值，计算空间每个节点共面邻居节点的占位情况即相应的权值之和，每个节点的领域配置模式为0～63之间；这里主要是借助当前节点的共面邻居的占位情况来对当前节点的子节点进行设计不同的上下文；最后利用算术编码器完成八叉树的编码过程得到二进制码流，完成对非地面点云的编码。

Images