CN116781908A - 点云预测处理方法、装置、计算机、存储介质 - Google Patents
点云预测处理方法、装置、计算机、存储介质 Download PDFInfo
- Publication number
- CN116781908A CN116781908A CN202210243498.9A CN202210243498A CN116781908A CN 116781908 A CN116781908 A CN 116781908A CN 202210243498 A CN202210243498 A CN 202210243498A CN 116781908 A CN116781908 A CN 116781908A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- target
- group
- cloud
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 238000003672 processing method Methods 0.000 title abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 90
- 230000008569 process Effects 0.000 claims description 29
- 230000009466 transformation Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 25
- 238000013139 quantization Methods 0.000 claims description 15
- 230000000295 complement effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 17
- 238000005457 optimization Methods 0.000 description 9
- 101100443249 Caenorhabditis elegans dig-1 gene Proteins 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000000153 supplemental effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 101100440696 Caenorhabditis elegans cor-1 gene Proteins 0.000 description 1
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/103—Selection of coding mode or of prediction mode
- H04N19/105—Selection of the reference unit for prediction within a chosen coding or prediction mode, e.g. adaptive choice of position and number of pixels used for prediction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/124—Quantisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/48—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using compressed domain processing techniques other than decoding, e.g. modification of transform coefficients, variable length coding [VLC] data or run-length data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种点云预测处理方法、装置、计算机、存储介质,涉及大数据领域,该方法包括:获取目标点云点所在的目标点云组的备选点集合;备选点集合属于M个点云组,M个点云组包括目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;从备选点集合中获取目标点云点关联的预测参考点,基于预测参考点对目标点云点进行预测处理,得到目标点云点的目标属性预测值。采用本申请,可以提高点云预测处理的准确性,进而提高后续进行编解码的性能。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种点云预测处理方法、装置、计算机、存储介质。
背景技术
现在主流的点云编码技术中,针对不同的点云数据类型,可以分为基于几何结构的点云编码以及基于投影的点云编码。其中,在进行点云编码的过程中,会对点云进行属性预测,一般情况下,会确定初始块大小,基于当前点及初始块大小,确定当前点的空间结构,进而在该空间结构中获取当前点的邻居点,进行属性预测,也就是说,该邻居点的获取是基于当前点(可以称为局部点)所获取的,使得邻居点的获取较为局限,从而降低点云属性预测的性能。
发明内容
本申请实施例提供了一种点云预测处理方法、装置、计算机、存储介质,可以提高点云预测处理的准确性,进而在此基础上进行编解码,可以提高编解码效率及编解码性能。
本申请实施例一方面提供了一种点云预测处理方法,该方法包括:
获取目标点云点所在的目标点云组的备选点集合;备选点集合属于M个点云组,M个点云组包括目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;
从备选点集合中获取目标点云点关联的预测参考点,基于预测参考点对目标点云点进行预测处理,得到目标点云点的目标属性预测值。
本申请实施例一方面提供了一种点云预测处理方法,该方法包括:
获取目标点云点所在的目标点云组的备选点集合;备选点集合属于M个点云组,M个点云组包括目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;
从备选点集合中获取目标点云点关联的预测参考点,基于预测参考点对目标点云点进行预测处理,得到目标点云点的目标属性预测值;
获取目标点云点所对应的码流,对目标点云点所对应的码流进行解码处理,得到目标点云点的目标属性残差,基于目标属性预测值与目标属性残差,确定目标点云点的目标属性重建值。
本申请实施例一方面提供了一种点云预测处理装置,该装置包括:
备选集合获取模块,用于获取目标点云点所在的目标点云组的备选点集合;备选点集合属于M个点云组,M个点云组包括目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;
参考点获取模块,用于从备选点集合中获取目标点云点关联的预测参考点;
属性预测模块,用于基于预测参考点对目标点云点进行预测处理,得到目标点云点的目标属性预测值。
其中,M个点云组分别对应的分组移动位数均为默认分组移动位数;或者,
当与目标点云组相邻的M1个邻接点云组中分别包含的点云点的数量均值大于第一点数阈值时,目标点云组所对应的分组移动位数,小于M1个邻接点云组分别对应的分组移动位数;当与目标点云组相邻的M1个邻接点云组中分别包含的点云点的数量均值小于第二点数阈值时,目标点云组所对应的分组移动位数,大于M1个邻接点云组分别对应的分组移动位数;M1为小于M的正整数。
其中,备选点集合为在M个点云组中位于目标点云组之前,且与目标点云组相邻的点云组;备选点集合所包括的点云点的总数小于或等于第三点数阈值。
其中,备选点集合为在M个点云组中位于目标点云组之前的点云组;每个备选点集合所包括的点云点的数量大于或等于组中点数阈值。
其中,备选点集合为在M个点云组中位于目标点云组之前的N个点云组;N为正整数,N为默认邻接组阈值。
其中,一个点云组对应一个点云组序,点云组序是指对应的点云组中所包括的点云点的坐标码字,在经过对应的点云组的分组移动位数移动后得到的;
当目标点云组所对应的目标分组移动位数为坐标维度位数的倍数时,备选点集合所对应的备选点云组序在经过坐标维度位数的第一倍数进行移动后得到的备选移动序列,与目标点云组所对应的目标点云组序在经过坐标维度位数的第一倍数进行移动后得到的目标移动序列相同;坐标维度位数是指每个点云组所包括的点云点的坐标码字所对应的维度数量;
当目标点云组所对应的目标分组移动位数不为坐标维度位数的倍数时,备选点集合所对应的备选点云组序在经过补充维度位数进行移动后得到的备选移动序列,与目标点云组所对应的目标点云组序在经过补充维度位数进行移动后得到的目标移动序列相同;补充维度位数是指目标分组移动位数与坐标维度的余数,与坐标维度之间的位数差值;或者,补充维度位数是指位数差值,与坐标维度位数的第二倍数之和。
其中,备选点集合的数量为至少两个;该参考点获取模块,包括:
备选获取单元,用于在至少两个备选点集合中,分别选择d个点云点,将至少两个备选点集合分别对应的d个点云点,确定为目标点云点关联的预测参考点;d为正整数。
其中,备选点集合的数量为至少两个;该参考点获取模块,包括:
候选获取单元,用于在至少两个备选点集合中,分别选择d个点云点,作为候选点云点;
距离选择单元,用于获取候选点云点与目标点云点之间的第一点间距离,基于第一点间距离对候选点云点进行排序,从排序后的候选点云点中获取目标点云点关联的预测参考点。
其中,备选点集合的数量为至少两个;该参考点获取模块,包括:
备选排序单元,用于获取至少两个备选点集合所包括的点云点与目标点云点之间的第二点间距离,基于第二点间距离对至少两个备选点集合所包括的点云点进行排序,从排序后的至少两个备选点集合所包括的点云点中,获取目标点云点关联的预测参考点。
其中,备选点集合的数量为至少两个;该参考点获取模块,包括:
优先级获取单元,用于获取至少两个备选点集合分别对应的集合优先级,基于集合优先级对至少两个备选集合进行排序,在排序后的至少两个备选集合中,获取目标点云点关联的P个预测参考点;P为正整数。
其中,该属性预测模块,包括:
坐标获取单元,用于获取预测参考点的预测参考坐标,获取目标点云点的目标坐标;
权重获取单元,用于基于预测参考坐标与目标坐标之间的坐标距离,确定预测参考点的参考权重;
属性预测单元,用于获取预测参考点的参考属性重建值,基于参考属性重建值与参考权重进行加权处理,得到目标点云点的目标属性预测值。
其中,该装置还包括:
残差获取模块,用于获取目标点云点的目标属性实际值,基于目标属性实际值与目标点云点的目标属性预测值之间的差值,得到目标点云点的目标属性残差;
量化处理模块,用于对目标属性残差进行量化转换,得到目标点云点的目标变换系数。
其中,该装置还包括:
第一编码模块,用于获取目标点云组所包括的点云点的变换系数,对目标点云组所包括的点云点的变换系数进行编码,得到目标点云组所对应的目标码流;或者,
第二编码模块,用于获取组数限制阈值,基于组数限制阈值获取包含目标点云组的g个待编码点云组,获取g个待编码点云组所包括的点云点的变换系数,对g个待编码点云组所包括的点云点的变换系数进行编码,得到g个待编码点云组所对应的组码流;g为正整数,g小于或等于组数限制阈值。
本申请实施例一方面提供了一种点云预测处理装置,该装置包括:
备选集合获取模块,用于获取目标点云点所在的目标点云组的备选点集合;备选点集合属于M个点云组,M个点云组包括目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;
参考点获取模块,用于从备选点集合中获取目标点云点关联的预测参考点;
属性预测模块,用于基于预测参考点对目标点云点进行预测处理,得到目标点云点的目标属性预测值;
码流获取模块,用于获取目标点云点所对应的码流;
码流解码模块,用于对目标点云点所对应的码流进行解码处理,得到目标点云点的目标属性残差;
属性重建模块,用于基于目标属性预测值与目标属性残差,确定目标点云点的目标属性重建值。
其中,该码流解码模块,包括:
初始解码单元,用于对目标点云点所对应的码流进行解码处理,得到目标点云点的目标变换系数;
系数变换单元,用于对目标变换系数进行反变换处理,得到目标点云点的目标属性残差。
本申请实施例一方面提供了一种计算机设备,包括处理器、存储器、输入输出接口;
处理器分别与存储器和输入输出接口相连,其中,输入输出接口用于接收数据及输出数据,存储器用于存储计算机程序,处理器用于调用该计算机程序,以使包含该处理器的计算机设备执行本申请实施例一方面中的点云预测处理方法。
本申请实施例一方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,该计算机程序适于由处理器加载并执行,以使得具有该处理器的计算机设备执行本申请实施例一方面中的点云预测处理方法。
本申请实施例一方面提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行本申请实施例一方面中的各种可选方式中提供的方法。换句话说,该计算机指令被处理器执行时实现本申请实施例一方面中的各种可选方式中提供的方法。
实施本申请实施例,将具有如下有益效果:
在本申请实施例中,获取目标点云点所在的目标点云组的备选点集合;备选点集合属于M个点云组,M个点云组包括目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;从备选点集合中获取目标点云点关联的预测参考点,基于预测参考点对目标点云点进行预测处理,得到目标点云点的目标属性预测值。在此基础上,可以基于目标属性预测值进行编码或解码,即,实现对点云的编解码处理,其中,备选点集合是从点云组中所获取的,该点云组是基于点云点的坐标码字对点云点进行分组得到的,而从获取到的备选点集合中获取目标点云点关联的预测参考点,可以考虑到各个点云组之间的空间关联性,进而,可以基于各个点云组之间的空间关联性进行相应的属性预测,从而提高点云预测的准确性。并且在此基础上进行编解码,可以提高编解码的性能及效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1是本申请实施例提供的一种点云预测处理的网络交互架构图;
图2是本申请实施例提供的一种点云预测处理场景示意图;
图3是本申请实施例提供的一种编码过程中的点云预测处理的方法流程图;
图4是本申请实施例提供的一种点云点分布示意图;
图5是本申请实施例提供的一种可选的点云点分组过程;
图6是本申请实施例提供的一种解码过程中的点云预测处理的方法流程图;
图7是本申请实施例提供的一种数据交互架构图;
图8是本申请实施例提供的一种点云预测处理装置示意图;
图9是本申请实施例提供的一种点云预测处理装置示意图;
图10是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,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。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动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。
其中,本申请涉及大数据领域,大数据(Big data)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着云时代的来临,大数据也吸引了越来越多的关注,大数据需要特殊的技术,以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术,包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。例如,可以通过大数据领域中的大数据处理技术及数据计算技术等,对点云点进行分组、预测及编解码等,以提高数据处理的效率。
在本申请实施例中,请参见图1,图1是本申请实施例提供的一种点云预测处理的网络交互架构图。其中,计算机设备101可以从计算机设备101中获取需要进行编码的点云点,对获取到的点云点进行编码;或者,从计算机设备101中获取需要进行解码的码流,对获取到的码流进行解码。或者,计算机设备101可以从其他关联设备中获取需要进行编码的点云点,对获取到的点云点进行编码;或者,从关联设备中获取需要进行解码的码流,对获取到的码流进行解码等。该关联设备的数量为一个或至少两个,例如,以图1中数量为3为例,如关联设备102a、关联设备102b或关联设备102c等。
具体的,请参见图2,图2是本申请实施例提供的一种点云预测处理场景示意图。如图2所示,计算机设备可以获取至少两个点云点201,基于至少两个点云点201分别对应的坐标码字,对至少两个点云点201进行分组,得到M个点云组,M为正整数,例如图2中,以M为大于或等于3的正整数为例,如点云组1、点云组2及点云组M等。计算机设备可以获取目标点云点所在的目标点云组,在M个点云组中,获取该目标点云组所对应的备选点集合,计算机设备可以从备选点集合中获取目标点云点关联的预测参考点。进一步地,计算机设备可以基于预测参考点对目标点云点进行预测处理,得到目标点云点的目标属性预测值。也就是说,在进行点云预测时,会对需要进行编码的点云点进行分组处理,并在对某一个点云点进行预测时,会从分组得到的业务组中,获取需要进行预测的点云点所在的点云组的备选点集合,从而考虑到各个点云组之间的空间关联性,使得对点云点的属性预测可以包括组间的空间关联性的部分信息,进而提高后续的编解码性能及编解码效率。
可以理解的是,本申请实施例中所提及的关联设备可以是一种计算机设备,本申请实施例中的计算机设备包括但不限于终端设备或服务器。换句话说,计算机设备可以是服务器或终端设备,也可以是服务器和终端设备组成的系统。其中,以上所提及的终端设备可以是一种电子设备,包括但不限于手机、平板电脑、台式电脑、笔记本电脑、掌上电脑、车载设备、增强现实/虚拟现实(Augmented Reality/Virtual Reality,AR/VR)设备、头盔显示器、智能电视、可穿戴设备、智能音箱、数码相机、摄像头及其他具备网络接入能力的移动互联网设备(mobile internet device,MID),或者火车、轮船、飞行等场景下的终端设备等。其中,以上所提及的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系统,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、车路协同、内容分发网络(ContentDelivery Network,CDN)、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。
可选的,本申请实施例中所涉及的数据可以存储在计算机设备中,或者可以基于云存储技术对该数据进行存储,在此不做限制。
进一步地,请参见图3,图3是本申请实施例提供的一种编码过程中的点云预测处理的方法流程图。如图3所示,该点云预测处理过程包括如下步骤:
步骤S301,获取目标点云点所在的目标点云组的备选点集合。
在本申请实施例中,备选点集合属于M个点云组,M个点云组包括目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数。具体的,计算机设备可以获取由k个点云点分组得到的M个点云组,k为正整数,计算机设备可以从M个点云组中获取该目标点云点所在的目标点云组的备选点集合,即,该备选点集合本质上是点云组,该备选点集合的数量可以为一个或至少两个。可选的,计算机设备可以获取待编码点云,获取组成该待编码点云的k个点云点;或者,计算机设备可以获取空间填充曲线,获取该空间填充曲线中所包括的k个点云点等。具体的需要编码的k个点云点的获取方式在此不做限制。其中,计算机设备可以获取k个点云点以及每个点云点分别对应的坐标码字,将在经过分组移动位数移动后得到的码字序列相同的点云点划分为一组,得到M个点云组。可选的,该分组移动位数可以是固定的值,也可以是可变的值。例如,将分组移动位数记作L,该L可以是一个定量,即取值不变,该L也可以是一个变量,即取值会随着分组的进行发生变化等,L可以认为是一个正整数。
其中,该第r个点云点的坐标码字可以记作Hr,假定坐标码字所对应的坐标维度位数为dig,该坐标码字在每一个坐标维度下的码字长度为s,r为小于或等于k的正整数,dig为正整数,s为正整数,则该第r个点云点的坐标码字可以表示为 其中,coor用于表示坐标,“coor_1”用于表示第一个坐标维度,“coor_dig”用于表示第dig个坐标维度,下角标用于表示在各个坐标维度下所对应的码字的位数,例如,“s-1”表示在各个坐标维度下的第(s-1)位的编码,换句话说,组成了第r个点云点在第一个坐标维度下的编码,组成了第r个点云点在第二个坐标维度下的编码等。可选的,假定dig为3,包括x、y、z三个坐标维度,则第r个点云点的坐标码字可以表示为/> 其中,/>组成了第r个点云点在x这一坐标维度下的编码;/>组成了第r个点云点在y这一坐标维度下的编码;组成了第r个点云点在z这一坐标维度下的编码。可选的,假定dig为4,包括x、y、z、t四个坐标维度,则第r个点云点的坐标码字可以表示为/> 等。
举例来说,参见图4,图4是本申请实施例提供的一种点云点分布示意图。如图4所示,以坐标维度位数为3为例,点云点的坐标分布相当于是一个三维空间的分布,例如,图4中所示的三个点云点,该三个点云点属于一个点云组401,也可以说,位于该点云组401中的点云点,均属于该点云组401,其中,位于点云组401中的各个点云点的坐标码字经过移动后,可以得到点云组401所包括的码字范围,即,图4中点云组401的范围可以表示该点云组401的点云组序。
具体的,M个点云组分别对应的分组移动位数均为默认分组移动位数,即,分组移动位数可以是固定的值,其中,该默认分组移动位数可以是基于经验得到的,或者由用户提供的,或者可以是历史分组移动位数等,通过固定的值进行移动分组,使得各个点云点的坐标码字的分组依据相同,在这一情况下,可以提高点云点的分组及后续进行备选点集合的获取的效率。
或者,分组移动位数可以是可变的值。具体的,当与目标点云组相邻的M1个邻接点云组中分别包含的点云点的数量均值大于第一点数阈值时,目标点云组所对应的分组移动位数,小于M1个邻接点云组分别对应的分组移动位数;当与目标点云组相邻的M1个邻接点云组中分别包含的点云点的数量均值小于第二点数阈值时,目标点云组所对应的分组移动位数,大于M1个邻接点云组分别对应的分组移动位数;M1为小于M的正整数;当与目标点云组相邻的M1个邻接点云组中分别包含的点云点的数量均值,大于或等于第二点数阈值,且小于或等于第一点数阈值时,目标点云组的分组移动位数,与目标点云组的前一个点云组的分组移动位数相同。也就是说,当邻接点云组所包含的点云点的数量过大时,可以通过减小分组移动位数,以减少后续生成的点云组中所包含的点云点的数量;当邻接点云组所包含的点云点的数量过少时,可以通过增大分组移动位数,以增多后续生成的点云组中所包含的点云点的数量,可以使得各个点云组所包含的点云点的数量尽可能地达到平衡,以提高点云组分组的效果。
可选的,M个点云组中可以包括一个或至少两个组间集合,同一个组间集合所包括的点云组的分组移动位数相同,不同的组间集合中的点云组的分组移动位数不同,一个组间集合所包括的点云组的数量小于或等于分组单位阈值,且,当与第j个组间集合中的第一个点云组相邻的M1个邻接点云组中分别包含的点云点的数量均值大于第一点数阈值时,该第j个组间集合所包括的点云组的分组移动位数,小于M1个邻接点云组分别对应的分组移动位数;当与第j个组间集合中的第一个点云组相邻的M1个邻接点云组中分别包含的点云点的数量均值小于第二点数阈值时,该第j个组间集合所包括的点云组的分组移动位数,大于M1个邻接点云组分别对应的分组移动位数;当与第j个组间集合中的第一个点云组相邻的M1个邻接点云组中分别包含的点云点的数量均值,大于或等于第二点数阈值,且小于或等于第一点数阈值时,第j个组间集合所包括的点云组的分组移动位数,可以与第j个组间集合的前一个组间集合的分组移动位数相同。使得即可以对分组移动位数进行变更,以提高分组后的点云点的分布平衡性,同时限制分组移动位数的变更次数,即每得到分组单位阈值个点云组,更新一次分组移动位数,减少需要处理的数据量。举例来说,假定分组单位阈值为5,获取分组移动位数,基于分组移动位数得到第一个点云组至第5个点云组;获取第5个点云组的下一个点云点的M1个邻接点云组中包含的点云点的数量均值,基于该数量均值更新分组移动位数,基于更新后的分组移动位数,得到第6个点云组至第10个点云组,直至将k个点云点分组完成。可选的,组间集合可以是一种为了描述分组移动位数变化的一个概念。
可选的,在M个点云组中获取目标点云组的备选点集合时,一种备选点集合获取方式下,该备选点集合为在M个点云组中位于目标点云组之前,且与目标点云组相邻的点云组;备选点集合所包括的点云点的总数小于或等于第三点数阈值,可选的,可以将第三点数阈值记作maxNumofNeighbor。具体的,计算机设备可以在M个点云组中,以目标点云组为基准组,依次向前获取点云组,直至得到备选点集合,该备选点集合所对应的点云组中的点云点的总数小于或等于第三点数阈值,且,该备选点集合与位于该备选点集合之前的点云组所包括的点云点的数量之和大于第三点数阈值。例如,存在(点云组1、点云组2、点云组3、…及点云组M),假定目标点云组为点云组5,假定第三点数阈值为10,则以目标点云组为基准组,依次获取点云组4,假定该点云组4包括3个点云点,3小于第三点数阈值;继续获取点云组3,假定该点云组3包括5个点云点,此时,点云组4与点云组3一共包括8个点云点,8小于第三点数阈值;继续获取点云组2,假定该点云组2包括4个点云点,此时,点云组4、点云组3及点云组2一共包括12个点云点,12大于第三点数阈值,则将点云组4及点云组3确定为目标点云组的备选点集合。
一种备选点集合获取方式下,备选点集合为在M个点云组中位于目标点云组之前的点云组;每个备选点集合所包括的点云点的数量大于或等于组中点数阈值。可选的,备选点集合的数量小于或等于组数选取阈值。具体的,计算机设备可以以目标点云组为基准组,在M个点云组中依次向前获取候选点云组,其中,该候选点云组中所包括的点云点的数量大于或等于组中点数阈值,当M个点云组遍历完成时,将获取到的候选点云组,确定为目标点云组的备选点集合。例如,存在(点云组1、点云组2、点云组3、…及点云组M),假定组中点数阈值为4,目标点云组为点云组5,假定点云组1、点云组2及点云组3分别包括的点云点的数量均大于或等于4,则将点云组1、点云组2及点云组3,确定为目标点云组的备选点集合。或者,计算机设备备可以以目标点云组为基准组,在M个点云组中依次向前获取候选点云组,其中,该候选点云组中所包括的点云点的数量大于或等于组中点数阈值,当候选点云组的数量为组数选取阈值,或M个点云组遍历完成时,将获取到的候选点云组,确定为目标点云组的备选点集合。例如,存在(点云组1、点云组2、点云组3、…及点云组M),假定组中点数阈值为4,目标点云组为点云组5,组数选取阈值为2,假定点云组4包括3个点云点,3小于组中点数阈值;假定点云组3包括5个点云点,5大于组中点数阈值,将点云组3确定为候选点云组,此时,存在一个候选点云组,1小于组数选取阈值;假定该点云组2包括4个点云点,4等于组中点数阈值,将点云组2确定为候选点云组,此时,存在2个候选点云组,2为组数选取阈值,则将点云组2及点云组3,确定为目标点云组的备选点集合。
一种备选点集合获取方式下,备选点集合为在M个点云组中位于目标点云组之前的N个点云组;N为正整数,N为默认邻接组阈值。具体的,计算机设备可以以目标点云组为基准组,在M个点云组中向前获取N个点云组,将获取到的N个点云组确定为目标点云组的备选点集合。例如,假定默认邻接组阈值为3,目标点云组为点云组5,则以点云组5为基准组,依次获取3个点云组,即,点云组4、点云组3及点云组2,将点云组4、点云组3及点云组2确定为目标点云组的备选点集合。
一种备选点集合获取方式下,一个点云组对应一个点云组序,点云组序是指对应的点云组中所包括的点云点的坐标码字,在经过对应的点云组的分组移动位数移动后得到的。例如,以上述的第r个点云点为例,假定该第r个点云点所在的点云组的分组移动位数为dig,则第r个点云点经过移动后得到的码字序列可以记作 也就是说,该第r个点云点所在的点云组中的所有点云点的坐标码字,在经过该分组移动位数移动后,均与第r个点云点的坐标码字移动后得到的码字序列相同。
当目标点云组所对应的目标分组移动位数为坐标维度位数的倍数时,备选点集合所对应的备选点云组序在经过坐标维度位数的第一倍数进行移动后得到的备选移动序列,与目标点云组所对应的目标点云组序在经过坐标维度位数的第一倍数进行移动后得到的目标移动序列相同;坐标维度位数是指每个点云组所包括的点云点的坐标码字所对应的维度数量,即,坐标码字所对应的坐标维度的维度数量。例如,当目标分组移动位数L=dig*v时,v为正整数,将该目标点云组对应的目标点云组序记作HK1,将该目标点云组记作点云组K1,将该目标点云组序HK1经过坐标维度位数的第一倍数进行移动,记作HK1>>dig*mul1,获取满足HK2>>dig*mul1=HK1>>dig*mul1的点云组,即获取点云组序在经过坐标维度位数的第一倍数进行移动后得到的移动序列,与目标点云组所对应的目标点云组序在经过坐标维度位数的第一倍数进行移动后得到的目标移动序列相同的点云组,将获取到的点云组确定为目标点云组的备选点集合。其中,mul1用于表示第一倍数,mul1为正整数。例如,假定坐标维度位数dig为3,则以上过程可以表示为当L=3v时,获取HK2>>3=HK1>>3,则点云组K2为点云组K1的备选点集合,其中,可以认为该点云组K2是点云组K1所在父节点的邻居节点;或者,当HK2>>6=HK1>>6时,6为3的2倍,点云组K2为点云组K1的备选点集合等。
当目标点云组所对应的目标分组移动位数不为坐标维度位数的倍数时,备选点集合所对应的备选点云组序在经过补充维度位数进行移动后得到的备选移动序列,与目标点云组所对应的目标点云组序在经过补充维度位数进行移动后得到的目标移动序列相同;补充维度位数是指目标分组移动位数与坐标维度位数的余数,与坐标维度位数之间的位数差值;或者,补充维度位数是指位数差值,与坐标维度位数的第二倍数之和。其中,可以将第二倍数记作mul2,mul2为正整数。例如,当目标分组移动位数L=dig*v-(dig-1)时,v为正整数,将该目标点云组对应的目标点云组序记作HK1,将该目标点云组记作点云组K1,此时,补充维度位数为(dig-1)或{(dig-1)+dig*mul2},获取满足HK2>>(dig-1)=HK1>>(dig-1)的点云组,或者,获取满足HK2>>{(dig-1)+dig*mul2}=HK1>>{(dig-1)+dig*mul2}的点云组,将获取到的点云组K2,确定为目标点云组的备选点集合;当目标分组移动位数L=dig*v-(dig-2)时,此时,补充维度位数为(dig-2)或{(dig-2)+dig*mul2},获取满足HK2>>(dig-2)=HK1>>(dig-2)的点云组,,或者,获取满足HK2>>{(dig-2)+dig*mul2}=HK1>>{(dig-2)+dig*mul2}的点云组,将获取到的点云组K2,确定为目标点云组的备选点集合;…;当目标分组移动位数L=dig*v-1时,此时,补充维度位数为1,获取满足HK2>>1=HK1>>1的点云组,或者,获取满足HK2>>{1+dig*mul2}=HK1>>{1+dig*mul2}的点云组,将获取到的点云组K2,确定为目标点云组的备选点集合。此时,该点云组K2可以认为是点云组K1的邻居节点。例如,假定坐标维度位数dig为3,目标分组移动位数L为2,则补充维度位数可以是1,也可以是(1+3=4)等,例如,当满足HK2>>1=HK1>>1时,可以认为点云组K2为点云组K1的备选点集合;或者,当满足HK2>>4=HK1>>4时,可以认为点云组K2为点云组K1的备选点集合等。其中,“>>”表示移动,例如,假定HK1为001101,则经过HK1>>1后,得到00110。
如图4所示,假定目标点云组为点云组401,经过二次移动后,得到的目标移动序列可以通过区域402所示,可以将位于该区域402中的点云组,确定为点云组401的备选点集合。也就是说,该区域402可以认为是点云组401的父节点。可选的,该区域402还包括6个共面邻居节点,如图4中虚线框所指示的区域,还可以包括12个共线邻居节点以及8个共点邻居节点等。可选的,计算机设备可以基于需要,从目标点云组的父节点的共面邻居节点、共线邻居节点或共点邻居节点中,获取该目标点云组的备选点集合。具体的,该共面邻居节点的数量、共线邻居节点的数量及共点邻居节点的数量,是由坐标维度位数dig所确定的,在此不做限制。
可选的,备选点集合的获取过程可以是通过上述各个备选点集合获取方式中的任意一个方式或任意多个方式组合实现的。
步骤S302,从备选点集合中获取目标点云点关联的预测参考点。
在本申请实施例中,计算机设备可以从备选点集合中获取目标点云点关联的预测参考点。其中,备选点集合的数量为一个或至少两个,当备选点集合的数量为一个时,可以直接将备选点集合中所包括的点云点,确定为目标点云点关联的预测参考点;或者,获取备选点集合中所包括的点云点与目标点云点之间的点间距离,基于备选点集合中所包括的点云点与目标点云点之间的点间距离,从备选点集合中获取目标点云点关联的预测参考点等。其中,点间距离可以是备选点集合中所包括的点云点的坐标与目标点云点的坐标之间的距离,也可以称为几何距离,或者,可以是备选点集合中所包括的点云点与目标点云点在M个点云组中的间隔点数量等。
其中,备选点集合的数量为至少两个。具体的,一种预测参考点获取方式下,计算机设备可以在至少两个备选点集合中,分别选择d个点云点,将至少两个备选点集合分别对应的d个点云点,确定为目标点云点关联的预测参考点;d为正整数。例如,假定d为1,则从至少两个备选点集合中分别获取一个点云点,作为该目标点云点关联的预测参考点。可选的,在该方式下,可以认为对于同一个点云组中的点云点来说,预测参考点是相同的,因此,计算机设备可以查找该目标点云组所对应的预测参考点,若获取到目标点云组所对应的预测参考点,则将该目标点云组所对应的预测参考点,确定为目标点云点的预测参考点;若未获取到目标点云组所对应的预测参考点,则在至少两个备选点集合中,分别选择d个点云点,将至少两个备选点集合分别对应的d个点云点,确定为目标点云点关联的预测参考点,同时,可以将该至少两个备选点集合分别对应的d个点云点,确定为目标点云组所对应的预测参考点;通过以上过程,可以使得对于同一个点云组,只需要获取一次预测参考点,从而减少需要处理的数据量,提高预测参考点的获取效率。
一种预测参考点获取方式下,在至少两个备选点集合中,分别选择d个点云点,作为候选点云点,获取候选点云点与目标点云点之间的第一点间距离,基于第一点间距离对候选点云点进行排序,从排序后的候选点云点中获取目标点云点关联的预测参考点。其中,第一点间距离可以是候选点云点的坐标与目标点云点的坐标之间的距离,也可以称为几何距离,或者,可以是候选点云点与目标点云点在M个点云组中的间隔点数量等。
一种预测参考点获取方式下,获取至少两个备选点集合所包括的点云点与目标点云点之间的第二点间距离,基于第二点间距离对至少两个备选点集合所包括的点云点进行排序,从排序后的至少两个备选点集合所包括的点云点中,获取目标点云点关联的预测参考点。其中,第二点间距离可以是至少两个备选点集合中所包括的点云点的坐标与目标点云点的坐标之间的距离,也可以称为几何距离,或者,可以是至少两个备选点集合中所包括的点云点与目标点云点在M个点云组中的间隔点数量等。例如,对于备选点集合中的点云点1来说,该第二点间距离可以是点云点1的坐标与目标点云点的坐标之间的几何距离,或者,可以是点云点1与目标点云点分别在M个点云组中的位置之间的间隔点数量等。
一种预测参考点获取方式下,获取至少两个备选点集合分别对应的集合优先级,基于集合优先级对至少两个备选集合进行排序,在排序后的至少两个备选集合中,获取目标点云点关联的P个预测参考点;P为正整数。可选的,计算机设备可以获取至少两个备选点集合分别与目标点云组之间的组间关联关系,基于组间关联关系确定至少两个备选点集合分别对应的集合优先级。其中,组间关联关系包括但不限于邻居关联关系、父级关联关系及间隔关联关系,例如,该邻居关联关系可以认为是与目标点云组相邻的点云组与该目标点云组之间的组间关联关系;父级关联关系可以认为是父节点相同的点云组之间的组间关联关系,也就是说,对具有父级关联关系的两个点云组的点云组序进行二次移动后是相同的;间隔关联关系可以认为是位于M个点云组中,不相邻的点云组之间的组间关联关系等。可选的,至少两个备选点集合分别对应的集合优先级也可以是提前预设的。或者,若至少两个备选点集合是通过多个备选点集合获取方法所得到的,则可以基于至少两个备选点集合分别对应的备选点集合获取方法,确定至少两个备选点集合分别对应的集合优先级等。即,集合优先级的获取方式在此不做限制。
步骤S303,基于预测参考点对目标点云点进行预测处理,得到目标点云点的目标属性预测值。
在本申请实施例中,计算机设备可以获取预测参考点的预测参考坐标,获取目标点云点的目标坐标。基于预测参考坐标与目标坐标之间的坐标距离,确定预测参考点的参考权重。具体的,计算机设备可以获取将该坐标距离的倒数,确定为该坐标距离所对应的预测参考点的参考权重。可选的,计算机设备可以将预测参考坐标与目标坐标在各个坐标维度下的坐标差值之和,确定为预测参考坐标与目标坐标之间的坐标距离。此时,该预测参考点的参考权重可以参见公式①所示:
如公式①所示,wiu用于表示第i个点云点的第u个预测参考点与第i个点云点之间的参考权重,下角标iu用于表示第i个点云点的第u个预测参考点,例如,coor_2iu用于表示第i个点云点的第u个预测参考点在第二个坐标维度下的坐标值,该第u个预测参考点在第二个坐标维度下的坐标值,与第i个点云点在第二个坐标维度下的坐标值之间的差值的绝对值,可以为第u个预测参考点与第i个点云点在第二个坐标维度下的坐标差值,即|coor_2i-coor_2iu|。同理,可以得到第i个点云点,与该第i个点云点的第u个预测参考点在各个坐标维度下的坐标差值。其中,i为小于或等于k的正整数。例如,假定dig为3,即坐标维度位数为3,包括x、y、z三个坐标维度,则该预测参考点的参考权重可以参见公式②所示:
可选的,计算机设备可以获取dig个坐标维度分别对应的维度权重,基于dig个坐标维度分别对应的维度权重,对预测参考坐标与目标坐标在各个坐标维度下的坐标差值进行加权求和,得到预测参考坐标与目标坐标之间的坐标距离。此时,假定dig为3,即坐标维度位数为3,包括x、y、z三个坐标维度,则该预测参考点的参考权重可以参见公式③所示:
如公式③所示,a用于x坐标维度对应的维度权重,b用于表示y坐标维度对应的坐标维度,c用于表示z坐标维度对应的维度权重。
可选的,预测参考点与目标点云点之间的坐标距离并不仅限于上述计算方式,例如,以三个坐标维度(x坐标维度、y坐标维度及z坐标维度)为例,也可以通过公式得到第i个点云点与第i个点云点的第u个预测参考点之间的坐标距离等,在此不做限制。
进一步地,可以获取预测参考点的参考属性重建值,基于参考属性重建值与参考权重进行加权处理,得到目标点云点的目标属性预测值。其中,该目标属性预测值的获取可以参见公式④所示:
如公式④所示,该用于表示第i个点云点的第u个预测参考点的参考属性重建值。wiu用于表示第i个点云点的第u个预测参考点与第i个点云点之间的参考权重,num用于表示第i个点云点的预测参考点的总数。
其中,可以通过上述公式①至公式④,得到k个点云点中的任意一个点云点的属性预测值。而目标点云点是k个点云点中的任意一个点云点,因此,可以通过上述公式①至公式④,得到目标点云点的目标属性预测值。
可选的,在基于参考属性重建值与参考权重进行加权处理,得到目标点云点的目标属性预测值时,也可以采用优化参数对参考权重进行优化处理,得到优化权重,基于参考属性重建值与优化权重进行加权处理,得到目标点云点的目标属性预测值。其中,该优化参数可以包括但不限于属性量化步长,或者,与目标点云点之间的坐标距离最大的预测参考点的参考数量等。例如,计算机设备可以将属性量化步长确定为优化参数。或者,在预测参考点中获取与目标点云点之间的坐标距离最大的预测参考点的参考数量,将该参考数量确定为优化参数。或者,可以从上述得到的属性量化步长及参考数量中,获取较小的数作为优化参数,即,当属性量化步长大于参考数量时,将参考数量确定为优化参数;当属性量化步长小于参考数量时,将属性量化步长确定为优化参数;当两者相等时,将属性量化步长或参考数量,确定为优化参数等。
进一步地,计算机设备可以获取目标点云点的目标属性实际值,基于目标属性实际值与目标点云点的目标属性预测值之间的差值,得到目标点云点的目标属性残差。对目标属性残差进行量化转换,得到目标点云点的目标变换系数。该量化转换方式在此不做限制,例如,可以对目标属性残差进行离散余弦变换(Discrete Cosine Transform,DCT),得到目标点云点的目标变换系数,或者,可以通过构建二叉树得到目标点云点的目标变换系数。其中,该目标变换系数包括第一变换系数及第二变换系数。可选的,计算机设备也可以获取到目标点云组所包括的点云点的属性残差,对该目标点云组所包括的点云点的属性残差进行量化转换,得到目标点云组所包括的点云点的变换系数,包括目标点云点的目标变换系数。
进一步地,计算机设备可以逐组进行编码。具体的,获取目标点云组所包括的点云点的变换系数,对目标点云组所包括的点云点的变换系数进行编码,得到目标点云组所对应的目标码流。或者,可以获取组数限制阈值,基于组数限制阈值获取包含目标点云组的g个待编码点云组,获取g个待编码点云组所包括的点云点的变换系数,对g个待编码点云组所包括的点云点的变换系数进行编码,得到g个待编码点云组所对应的组码流;g为正整数,g小于或等于组数限制阈值。通过对一次需要编码的点云组的数量进行限制,可以不需要等到所有的点云点编码完成,便可以得到部分的编码结果,从而减少编码过程中出现异常情况(如异常中断等)造成的编码失败情况,提高编码结果的获取效率,进而提高编码性能及编码效率。
可选的,当分组移动位数为可变的值时,可以参见图5,图5是本申请实施例提供的一种可选的点云点分组过程。如图5所示,该点云点分组过程包括如下步骤:
步骤S501,获取k个点云点及每个点云点的坐标码字。
在本申请实施例中,计算机设备可以获取k个点云点及每个点云点的坐标码字,例如,计算机设备可以获取空间填充曲线的空间填充曲线码字,从空间填充曲线码字中获取k个点云点分别对应的坐标码字。
步骤S502,获取分组移动位数。
在本申请实施例中,可以获取分组移动位数L,在该实施例中,L为可变的值。
步骤S503,基于分组移动位数,对第i个点云点的坐标码字进行移动,得到第i个点云点的码字序列。
在本申请实施例中,计算机设备可以对第i个点云点的坐标码字进行移动,得到第i个点云点的码字序列。举例来说,假定该第i个点云点的坐标码字为“0010101110”,此时的分组移动位数为3,则对第i个点云点的坐标码字进行移动,可以得到第i个点云点的码字序列,为“0010101”。
步骤S504,第i个码字序列与第(i-1)个码字序列是否相同。
在本申请实施例中,计算机设备可以检测第i个码字序列与第(i-1)个码字序列是否相同,其中,当i为1时,将第(i-1)个点云点的码字序列默认为空或特殊标识。若第i个点云点的码字序列与第(i-1)个点云点的码字序列相同,则执行步骤S505;若第i个点云点的码字序列与第(i-1)个点云点的码字序列不同,则执行步骤S508。
步骤S505,将第i个点云点添加至第(i-1)个点云点所在的初始点云组。
在本申请实施例中,若第i个点云点的码字序列与第(i-1)个点云点的码字序列相同,则表示第i个点云点可以与第(i-1)个点云点划分至一个点云组,可以将第i个点云点添加至第(i-1)个点云点所在的初始点云组。具体的,若第(i-1)个点云点不存在初始点云组,则可以基于第i个点云点及第(i-1)个点云点创建一个初始点云组;若第(i-1)个点云点存在初始点云组,则将第i个点云点添加至第(i-1)个点云点所在的初始点云组。例如,i为4,若第4个点云点的码字序列与第3个点云点的码字序列相同,则将第4个点云点添加至第3个点云点所在的初始点云组。若该第3个点云点不存在初始点云组,则可以基于第3个点云点与第4个点云点创建一个初始点云组;若该第3个点云点存在初始点云组,则可以将第4个点云点添加至第3个点云点所在的初始点云组。
步骤S506,i==k?。
在本申请实施例中,检测i是否为k,即检测k个点云点是否分组完成,若i为k,则执行步骤S513;若i不为k,则执行步骤S507。
步骤S507,i++。
在本申请实施例中,对i的值加一,即处理下一个点云点。
步骤S508,生成当前点云组,i++。
在本申请实施例中,可以获取第(i-1)个点云点所在的初始点云组,将该第(i-1)个点云点所在的初始点云组确定为一个点云组。可选的,若第(i-1)个点云点不存在初始点云组,则将第(i-1)个点云点组成一个点云组。进一步地,可以检测i是否为k,若i为k,则执行步骤S513;若i不为k,则对i进行更新,即i++,执行步骤S509。
步骤S509,组统计值e是否为分组单位阈值。
在本申请实施例中,检测组统计值e是否为分组单位阈值,若e为分组单位阈值,则执行步骤S511;若e不为分组单位阈值,则执行步骤S510。其中,e的初始值为0。
步骤S510,e++。
在本申请实施例中,对e的值加一,返回执行步骤S503。
步骤S511,重置组统计值e。
在本申请实施例中,重置组统计值e,即,将组统计值e重置为初始值,执行步骤S512。
步骤S512,当前点云组的M1个邻接点云组中包含的点云点的数量均值大于第一点数阈值时,减小分组移动位数;当前点云组的M1个邻接点云组中包含的点云点的数量均值小于第二点数阈值时,增大分组移动位数。
在本申请实施例中,更新分组移动位数,即更新L的值,返回执行步骤S503。
步骤S513,生成当前点云组,结束分组。
在本申请实施例中,基于第i个点云点所在的初始点云组,生成当前点云组;可选的,若第i个点云点不存在初始点云组,则基于第i个点云点生成当前点云组。此时,得到由k个点云点组成的M个点云组,结束分组。
进一步地,请参见图6,图6是本申请实施例提供的一种解码过程中的点云预测处理的方法流程图。如图6所示,该点云预测处理过程包括如下步骤:
步骤S601,获取目标点云点所在的目标点云组的备选点集合。
在本申请实施例中,备选点集合属于M个点云组,M个点云组包括目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数。具体实现过程可以参见图3中的步骤S301所示的具体描述,在此不再进行赘述。
步骤S602,从备选点集合中获取目标点云点关联的预测参考点。
在本申请实施例中,具体实现过程可以参见图3中的步骤S302所示的具体描述,在此不再进行赘述。
步骤S603,基于预测参考点对目标点云点进行预测处理,得到目标点云点的目标属性预测值。
在本申请实施例中,具体实现过程可以参见图3中的步骤S303所示的具体描述,在此不再进行赘述。
基于上述过程,可以得到k个点云点中任意一个点云点的属性预测值。k为正整数,目标点云点是指k个点云点中的任意一个点云点。
步骤S604,获取目标点云点所对应的码流,对目标点云点所对应的码流进行解码处理,得到目标点云点的目标属性残差。
在本申请实施例中,对目标点云点所对应的码流进行解码处理,得到目标点云点的目标变换系数。对目标变换系数进行反变换处理,得到目标点云点的目标属性残差。
可选的,当基于组数限制阈值进行编码时,该目标点云点所对应的码流是指该包括目标点云点所在的目标点云组在内的多个点云组的码流;或者,当该码流是逐组进行编码时,该目标点云点所对应的码流是指目标点云组的码流等。具体的,计算机设备可以对目标点云点所对应的码流进行解码处理,得到该码流所对应的变换系数序列,对该码流对应的变换系数序列进行反排序,得到该码流所对应的点云组中各个点云点的变换系数,包括目标点云点的目标变换系数。其中,该反排序是基于编码过程中对变换系数的排序方式进行还原的一种排序方式。
步骤S605,基于目标属性预测值与目标属性残差,确定目标点云点的目标属性重建值。
在本申请实施例中,可以将目标属性预测值与目标属性残差进行属性融合,得到目标点云点的目标属性重建值。该属性融合可以是属性相加等。
其中,上述步骤S601至步骤S603,与步骤S604的执行顺序并不做限制,即,也可以先执行步骤S604,再执行步骤S601至步骤S603等。
在本申请实施例中,获取目标点云点所在的目标点云组的备选点集合;备选点集合属于M个点云组,M个点云组包括目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;从备选点集合中获取目标点云点关联的预测参考点,基于预测参考点对目标点云点进行预测处理,得到目标点云点的目标属性预测值。在此基础上,可以基于目标属性预测值进行编码或解码,即,实现对点云的编解码处理,其中,备选点集合是从点云组中所获取的,该点云组是基于点云点的坐标码字对点云点进行分组得到的,而从获取到的备选点集合中获取目标点云点关联的预测参考点,可以考虑到各个点云组之间的空间关联性,进而,可以基于各个点云组之间的空间关联性进行相应的属性预测,从而提高点云预测的准确性。并且在此基础上进行编解码,可以提高编解码的性能及效率。
其中,上述编码过程与解码过程可以在同一个计算机设备中实现,也可以在不同的计算机设备中实现。例如,在不同的计算机设备中实现时,可以参见图7,图7是本申请实施例提供的一种数据交互架构图。如图7所示,计算机设备701可以对k个点云点进行编码,得到编码得到的码流,其中,该k个点云点所对应的码流的数量可以为一个或至少两个。计算机设备701可以将编码得到的码流发送至计算机设备702,计算机设备702可以对获取到的码流进行解码,从而可以得到k个点云点,具体可以得到k个点云点分别对应的属性重建值。可选的,计算机设备701可以从计算机设备701中获取k个点云点,也可以从计算机设备702中获取k个点云点,或者,可以从其他的关联设备中获取k个点云点,在此不做限制。
进一步地,请参见图8,图8是本申请实施例提供的一种点云预测处理装置示意图。该点云预测处理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码等),例如该点云预测处理装置可以为一个应用软件;该装置可以用于执行本申请实施例提供的方法中的相应步骤。如图8所示,该点云预测处理装置800可以用于图3所对应实施例中的计算机设备,具体的,该装置可以包括:备选集合获取模块11、参考点获取模块12及属性预测模块13。
备选集合获取模块11,用于获取目标点云点所在的目标点云组的备选点集合;备选点集合属于M个点云组,M个点云组包括目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;
参考点获取模块12,用于从备选点集合中获取目标点云点关联的预测参考点;
属性预测模块13,用于基于预测参考点对目标点云点进行预测处理,得到目标点云点的目标属性预测值。
其中,M个点云组分别对应的分组移动位数均为默认分组移动位数;或者,
当与目标点云组相邻的M1个邻接点云组中分别包含的点云点的数量均值大于第一点数阈值时,目标点云组所对应的分组移动位数,小于M1个邻接点云组分别对应的分组移动位数;当与目标点云组相邻的M1个邻接点云组中分别包含的点云点的数量均值小于第二点数阈值时,目标点云组所对应的分组移动位数,大于M1个邻接点云组分别对应的分组移动位数;M1为小于M的正整数。
其中,备选点集合为在M个点云组中位于目标点云组之前,且与目标点云组相邻的点云组;备选点集合所包括的点云点的总数小于或等于第三点数阈值。
其中,备选点集合为在M个点云组中位于目标点云组之前的点云组;每个备选点集合所包括的点云点的数量大于或等于组中点数阈值。
其中,备选点集合为在M个点云组中位于目标点云组之前的N个点云组;N为正整数,N为默认邻接组阈值。
其中,一个点云组对应一个点云组序,点云组序是指对应的点云组中所包括的点云点的坐标码字,在经过对应的点云组的分组移动位数移动后得到的;
当目标点云组所对应的目标分组移动位数为坐标维度位数的倍数时,备选点集合所对应的备选点云组序在经过坐标维度位数的第一倍数进行移动后得到的备选移动序列,与目标点云组所对应的目标点云组序在经过坐标维度位数的第一倍数进行移动后得到的目标移动序列相同;坐标维度位数是指每个点云组所包括的点云点的坐标码字所对应的维度数量;
当目标点云组所对应的目标分组移动位数不为坐标维度位数的倍数时,备选点集合所对应的备选点云组序在经过补充维度位数进行移动后得到的备选移动序列,与目标点云组所对应的目标点云组序在经过补充维度位数进行移动后得到的目标移动序列相同;补充维度位数是指目标分组移动位数与坐标维度的余数,与坐标维度之间的位数差值;或者,补充维度位数是指位数差值,与坐标维度位数的第二倍数之和。
其中,备选点集合的数量为至少两个;该参考点获取模块12,包括:
备选获取单元121,用于在至少两个备选点集合中,分别选择d个点云点,将至少两个备选点集合分别对应的d个点云点,确定为目标点云点关联的预测参考点;d为正整数。
其中,备选点集合的数量为至少两个;该参考点获取模块12,包括:
候选获取单元122,用于在至少两个备选点集合中,分别选择d个点云点,作为候选点云点;
距离选择单元123,用于获取候选点云点与目标点云点之间的第一点间距离,基于第一点间距离对候选点云点进行排序,从排序后的候选点云点中获取目标点云点关联的预测参考点。
其中,备选点集合的数量为至少两个;该参考点获取模块12,包括:
备选排序单元124,用于获取至少两个备选点集合所包括的点云点与目标点云点之间的第二点间距离,基于第二点间距离对至少两个备选点集合所包括的点云点进行排序,从排序后的至少两个备选点集合所包括的点云点中,获取目标点云点关联的预测参考点。
其中,备选点集合的数量为至少两个;该参考点获取模块12,包括:
优先级获取单元125,用于获取至少两个备选点集合分别对应的集合优先级,基于集合优先级对至少两个备选集合进行排序,在排序后的至少两个备选集合中,获取目标点云点关联的P个预测参考点;P为正整数。
其中,该属性预测模块13,包括:
坐标获取单元131,用于获取预测参考点的预测参考坐标,获取目标点云点的目标坐标;
权重获取单元132,用于基于预测参考坐标与目标坐标之间的坐标距离,确定预测参考点的参考权重;
属性预测单元133,用于获取预测参考点的参考属性重建值,基于参考属性重建值与参考权重进行加权处理,得到目标点云点的目标属性预测值。
其中,该装置800还包括:
残差获取模块14,用于获取目标点云点的目标属性实际值,基于目标属性实际值与目标点云点的目标属性预测值之间的差值,得到目标点云点的目标属性残差;
量化处理模块15,用于对目标属性残差进行量化转换,得到目标点云点的目标变换系数。
其中,该装置800还包括:
第一编码模块16,用于获取目标点云组所包括的点云点的变换系数,对目标点云组所包括的点云点的变换系数进行编码,得到目标点云组所对应的目标码流;或者,
第二编码模块17,用于获取组数限制阈值,基于组数限制阈值获取包含目标点云组的g个待编码点云组,获取g个待编码点云组所包括的点云点的变换系数,对g个待编码点云组所包括的点云点的变换系数进行编码,得到g个待编码点云组所对应的组码流;g为正整数,g小于或等于组数限制阈值。
进一步地,请参见图9,图9是本申请实施例提供的一种点云预测处理装置示意图。该点云预测处理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码等),例如该点云预测处理装置可以为一个应用软件;该装置可以用于执行本申请实施例提供的方法中的相应步骤。如图9所示,该点云预测处理装置900可以用于图6所对应实施例中的计算机设备,具体的,该装置可以包括:备选集合获取模块21、参考点获取模块22、属性预测模块23、码流获取模块24、码流解码模块25及属性重建模块26。
备选集合获取模块21,用于获取目标点云点所在的目标点云组的备选点集合;备选点集合属于M个点云组,M个点云组包括目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;
参考点获取模块22,用于从备选点集合中获取目标点云点关联的预测参考点;
属性预测模块23,用于基于预测参考点对目标点云点进行预测处理,得到目标点云点的目标属性预测值;
码流获取模块24,用于获取目标点云点所对应的码流;
码流解码模块25,用于对目标点云点所对应的码流进行解码处理,得到目标点云点的目标属性残差;
属性重建模块26,用于基于目标属性预测值与目标属性残差,确定目标点云点的目标属性重建值。
其中,该码流解码模块25,包括:
初始解码单元251,用于对目标点云点所对应的码流进行解码处理,得到目标点云点的目标变换系数;
系数变换单元252,用于对目标变换系数进行反变换处理,得到目标点云点的目标属性残差。
本申请实施例提供了一种点云预测处理装置,该装置可以获取目标点云点所在的目标点云组的备选点集合;备选点集合属于M个点云组,M个点云组包括目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;从备选点集合中获取目标点云点关联的预测参考点,基于预测参考点对目标点云点进行预测处理,得到目标点云点的目标属性预测值。在此基础上,可以基于目标属性预测值进行编码或解码,即,实现对点云的编解码处理,其中,备选点集合是从点云组中所获取的,该点云组是基于点云点的坐标码字对点云点进行分组得到的,而从获取到的备选点集合中获取目标点云点关联的预测参考点,可以考虑到各个点云组之间的空间关联性,进而,可以基于各个点云组之间的空间关联性进行相应的属性预测,从而提高点云预测的准确性。并且在此基础上进行编解码,可以提高编解码的性能及效率。
参见图10,图10是本申请实施例提供的一种计算机设备的结构示意图。如图10所示,本申请实施例中的计算机设备可以包括:一个或多个处理器1001、存储器1002和输入输出接口1003。该处理器1001、存储器1002和输入输出接口1003通过总线1004连接。存储器1002用于存储计算机程序,该计算机程序包括程序指令,输入输出接口1003用于接收数据及输出数据,如用于数据交互;处理器1001用于执行存储器1002存储的程序指令。
其中,该处理器1001在进行编码时,可以执行如下操作:
获取目标点云点所在的目标点云组的备选点集合;备选点集合属于M个点云组,M个点云组包括目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;
从备选点集合中获取目标点云点关联的预测参考点,基于预测参考点对目标点云点进行预测处理,得到目标点云点的目标属性预测值。
该处理器1001在进行解码时,可以执行如下操作:
获取目标点云点所在的目标点云组的备选点集合;备选点集合属于M个点云组,M个点云组包括目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;
从备选点集合中获取目标点云点关联的预测参考点,基于预测参考点对目标点云点进行预测处理,得到目标点云点的目标属性预测值;
获取目标点云点所对应的码流,对目标点云点所对应的码流进行解码处理,得到目标点云点的目标属性残差,基于目标属性预测值与目标属性残差,确定目标点云点的目标属性重建值。
在一些可行的实施方式中,该处理器1001可以是中央处理单元(centralprocessing unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器1002可以包括只读存储器和随机存取存储器,并向处理器1001和输入输出接口1003提供指令和数据。存储器1002的一部分还可以包括非易失性随机存取存储器。例如,存储器1002还可以存储设备类型的信息。
具体实现中,该计算机设备可通过其内置的各个功能模块执行如该图3或图6中各个步骤所提供的实现方式,具体可参见该图3或图6中各个步骤所提供的实现方式,在此不再赘述。
本申请实施例通过提供一种计算机设备,包括:处理器、输入输出接口、存储器,通过处理器获取存储器中的计算机程序,执行该图3中所示方法的各个步骤,进行点云预测处理操作。本申请实施例实现了获取目标点云点所在的目标点云组的备选点集合;备选点集合属于M个点云组,M个点云组包括目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;从备选点集合中获取目标点云点关联的预测参考点,基于预测参考点对目标点云点进行预测处理,得到目标点云点的目标属性预测值。在此基础上,可以基于目标属性预测值进行编码或解码,即,实现对点云的编解码处理,其中,备选点集合是从点云组中所获取的,该点云组是基于点云点的坐标码字对点云点进行分组得到的,而从获取到的备选点集合中获取目标点云点关联的预测参考点,可以考虑到各个点云组之间的空间关联性,进而,可以基于各个点云组之间的空间关联性进行相应的属性预测,从而提高点云预测的准确性。并且在此基础上进行编解码,可以提高编解码的性能及效率。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序适于由该处理器加载并执行图3或图6中各个步骤所提供的点云预测处理方法,具体可参见该图3或图6中各个步骤所提供的实现方式,在此不再赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。作为示例,计算机程序可被部署为在一个计算机设备上执行,或者在位于一个地点的多个计算机设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算机设备上执行。
该计算机可读存储介质可以是前述任一实施例提供的点云预测处理装置或者该计算机设备的内部存储单元,例如计算机设备的硬盘或内存。该计算机可读存储介质也可以是该计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(smart media card,SMC),安全数字(secure digital,SD)卡,闪存卡(flash card)等。进一步地,该计算机可读存储介质还可以既包括该计算机设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图3或图6中的各种可选方式中所提供的方法,可以基于目标属性预测值进行编码或解码,即,实现对点云的编解码处理,其中,备选点集合是从点云组中所获取的,该点云组是基于点云点的坐标码字对点云点进行分组得到的,而从获取到的备选点集合中获取目标点云点关联的预测参考点,可以考虑到各个点云组之间的空间关联性,进而,可以基于各个点云组之间的空间关联性进行相应的属性预测,从而提高点云预测的准确性。并且在此基础上进行编解码,可以提高编解码的性能及效率。
本申请实施例的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象,而非用于描述特定顺序。此外,术语“包括”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、装置、产品或设备固有的其他步骤单元。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在该说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的,具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程点云预测处理设备的处理器以产生一个机器,使得通过计算机或其他可编程点云预测处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程点云预测处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程点云预测处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (20)
1.一种点云预测处理方法,其特征在于,所述方法包括:
获取目标点云点所在的目标点云组的备选点集合;所述备选点集合属于M个点云组,所述M个点云组包括所述目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;
从所述备选点集合中获取所述目标点云点关联的预测参考点,基于所述预测参考点对所述目标点云点进行预测处理,得到所述目标点云点的目标属性预测值。
2.如权利要求1所述的方法,其特征在于,所述M个点云组分别对应的分组移动位数均为默认分组移动位数;或者,
当与所述目标点云组相邻的M1个邻接点云组中分别包含的点云点的数量均值大于第一点数阈值时,所述目标点云组所对应的所述分组移动位数,小于所述M1个邻接点云组分别对应的分组移动位数;当与所述目标点云组相邻的M1个邻接点云组中分别包含的点云点的数量均值小于第二点数阈值时,所述目标点云组所对应的所述分组移动位数,大于所述M1个邻接点云组分别对应的分组移动位数;M1为小于M的正整数。
3.如权利要求1所述的方法,其特征在于,所述备选点集合为在所述M个点云组中位于所述目标点云组之前,且与目标点云组相邻的点云组;所述备选点集合所包括的点云点的总数小于或等于第三点数阈值。
4.如权利要求1所述的方法,其特征在于,所述备选点集合为在所述M个点云组中位于所述目标点云组之前的点云组;每个备选点集合所包括的点云点的数量大于或等于组中点数阈值。
5.如权利要求1所述的方法,其特征在于,所述备选点集合为在所述M个点云组中位于所述目标点云组之前的N个点云组;N为正整数,N为默认邻接组阈值。
6.如权利要求1所述的方法,其特征在于,一个点云组对应一个点云组序,所述点云组序是指对应的点云组中所包括的点云点的坐标码字,在经过所述对应的点云组的分组移动位数移动后得到的;
当所述目标点云组所对应的目标分组移动位数为坐标维度位数的倍数时,所述备选点集合所对应的备选点云组序在经过所述坐标维度位数的第一倍数进行移动后得到的备选移动序列,与所述目标点云组所对应的目标点云组序在经过所述坐标维度位数的第一倍数进行移动后得到的目标移动序列相同;所述坐标维度位数是指所述每个点云组所包括的点云点的坐标码字所对应的维度数量;
当所述目标点云组所对应的目标分组移动位数不为所述坐标维度位数的倍数时,所述备选点集合所对应的备选点云组序在经过补充维度位数进行移动后得到的备选移动序列,与所述目标点云组所对应的目标点云组序在经过所述补充维度位数进行移动后得到的目标移动序列相同;所述补充维度位数是指所述目标分组移动位数与所述坐标维度位数的余数,与所述坐标维度位数之间的位数差值;或者,所述补充维度位数是指所述位数差值,与所述坐标维度位数的第二倍数之和。
7.如权利要求1所述的方法,其特征在于,所述备选点集合的数量为至少两个;所述从所述备选点集合中获取所述目标点云点关联的预测参考点,包括:
在至少两个备选点集合中,分别选择d个点云点,将所述至少两个备选点集合分别对应的d个点云点,确定为所述目标点云点关联的预测参考点;d为正整数。
8.如权利要求1所述的方法,其特征在于,所述备选点集合的数量为至少两个;所述从所述备选点集合中获取所述目标点云点关联的预测参考点,包括:
在所述至少两个备选点集合中,分别选择d个点云点,作为候选点云点,获取所述候选点云点与所述目标点云点之间的第一点间距离,基于所述第一点间距离对所述候选点云点进行排序,从排序后的候选点云点中获取所述目标点云点关联的预测参考点。
9.如权利要求1所述的方法,其特征在于,所述备选点集合的数量为至少两个;所述从所述备选点集合中获取所述目标点云点关联的预测参考点,包括:
获取所述至少两个备选点集合所包括的点云点与所述目标点云点之间的第二点间距离,基于所述第二点间距离对所述至少两个备选点集合所包括的点云点进行排序,从排序后的所述至少两个备选点集合所包括的点云点中,获取所述目标点云点关联的预测参考点。
10.如权利要求1所述的方法,其特征在于,所述备选点集合的数量为至少两个;所述从所述备选点集合中获取所述目标点云点关联的预测参考点,包括:
获取所述至少两个备选点集合分别对应的集合优先级,基于所述集合优先级对所述至少两个备选集合进行排序,在排序后的至少两个备选集合中,获取所述目标点云点关联的P个预测参考点;P为正整数。
11.如权利要求1所述的方法,其特征在于,所述基于所述预测参考点对所述目标点云点进行预测处理,得到所述目标点云点的目标属性预测值,包括:
获取所述预测参考点的预测参考坐标,获取所述目标点云点的目标坐标;
基于所述预测参考坐标与所述目标坐标之间的坐标距离,确定所述预测参考点的参考权重;
获取所述预测参考点的参考属性重建值,基于所述参考属性重建值与所述参考权重进行加权处理,得到所述目标点云点的目标属性预测值。
12.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标点云点的目标属性实际值,基于所述目标属性实际值与所述目标点云点的目标属性预测值之间的差值,得到所述目标点云点的目标属性残差;
对所述目标属性残差进行量化转换,得到所述目标点云点的目标变换系数。
13.如权利要求12所述的方法,其特征在于,所述方法还包括:
获取所述目标点云组所包括的点云点的变换系数,对所述目标点云组所包括的点云点的变换系数进行编码,得到所述目标点云组所对应的目标码流;或者,
获取组数限制阈值,基于所述组数限制阈值获取包含所述目标点云组的g个待编码点云组,获取所述g个待编码点云组所包括的点云点的变换系数,对所述g个待编码点云组所包括的点云点的变换系数进行编码,得到所述g个待编码点云组所对应的组码流;g为正整数,g小于或等于所述组数限制阈值。
14.一种点云预测处理方法,其特征在于,所述方法包括:
获取目标点云点所在的目标点云组的备选点集合;所述备选点集合属于M个点云组,所述M个点云组包括所述目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;
从所述备选点集合中获取所述目标点云点关联的预测参考点,基于所述预测参考点对所述目标点云点进行预测处理,得到所述目标点云点的目标属性预测值;
获取所述目标点云点所对应的码流,对所述目标点云点所对应的码流进行解码处理,得到所述目标点云点的目标属性残差,基于所述目标属性预测值与所述目标属性残差,确定所述目标点云点的目标属性重建值。
15.如权利要求14所述的方法,其特征在于,所述对所述目标点云点所对应的码流进行解码处理,得到所述目标点云点的目标属性残差,包括:
对所述目标点云点所对应的码流进行解码处理,得到所述目标点云点的目标变换系数;
对所述目标变换系数进行反变换处理,得到所述目标点云点的目标属性残差。
16.一种点云预测处理装置,其特征在于,所述装置包括:
备选集合获取模块,用于获取目标点云点所在的目标点云组的备选点集合;所述备选点集合属于M个点云组,所述M个点云组包括所述目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;
参考点获取模块,用于从所述备选点集合中获取所述目标点云点关联的预测参考点;
属性预测模块,用于基于所述预测参考点对所述目标点云点进行预测处理,得到所述目标点云点的目标属性预测值。
17.一种点云预测处理装置,其特征在于,所述装置包括:
备选集合获取模块,用于获取目标点云点所在的目标点云组的备选点集合;所述备选点集合属于M个点云组,所述M个点云组包括所述目标点云组;每个点云组所包括的点云点的坐标码字,在经过所在点云组对应的分组移动位数移动后是相同的;M为正整数;
参考点获取模块,用于从所述备选点集合中获取所述目标点云点关联的预测参考点;
属性预测模块,用于基于所述预测参考点对所述目标点云点进行预测处理,得到所述目标点云点的目标属性预测值;
码流获取模块,用于获取所述目标点云点所对应的码流;
码流解码模块,用于对所述目标点云点所对应的码流进行解码处理,得到所述目标点云点的目标属性残差;
属性重建模块,用于基于所述目标属性预测值与所述目标属性残差,确定所述目标点云点的目标属性重建值。
18.一种计算机设备,其特征在于,包括处理器、存储器、输入输出接口;
所述处理器分别与所述存储器和所述输入输出接口相连,其中,所述输入输出接口用于接收数据及输出数据,所述存储器用于存储计算机程序,所述处理器用于调用所述计算机程序,以使得所述计算机设备执行权利要求1-13任一项所述的方法,或者执行权利要求14-15任一项所述的方法。
19.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序适于由处理器加载并执行,以使得具有所述处理器的计算机设备执行权利要求1-13任一项所述的方法,或者执行权利要求14-15任一项所述的方法。
20.一种计算机程序产品,包括计算机程序/指令,其特征在于,所述计算机程序/指令被处理器执行时实现权利要求1-13任一项所述的方法,或者执行权利要求14-15任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210243498.9A CN116781908A (zh) | 2022-03-11 | 2022-03-11 | 点云预测处理方法、装置、计算机、存储介质 |
PCT/CN2022/135899 WO2023169007A1 (zh) | 2022-03-11 | 2022-12-01 | 点云预测处理方法、装置、计算机、存储介质 |
US18/236,279 US20230394711A1 (en) | 2022-03-11 | 2023-08-21 | Point cloud prediction processing methods and apparatuses, computer, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210243498.9A CN116781908A (zh) | 2022-03-11 | 2022-03-11 | 点云预测处理方法、装置、计算机、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116781908A true CN116781908A (zh) | 2023-09-19 |
Family
ID=87937131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210243498.9A Pending CN116781908A (zh) | 2022-03-11 | 2022-03-11 | 点云预测处理方法、装置、计算机、存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230394711A1 (zh) |
CN (1) | CN116781908A (zh) |
WO (1) | WO2023169007A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110418135B (zh) * | 2019-08-05 | 2022-05-27 | 北京大学深圳研究生院 | 一种基于邻居的权重优化的点云帧内预测方法及设备 |
CN113596466A (zh) * | 2020-04-30 | 2021-11-02 | Oppo广东移动通信有限公司 | 一种最近邻搜索方法、编码器、解码器及存储介质 |
CN112218079B (zh) * | 2020-08-24 | 2022-10-25 | 北京大学深圳研究生院 | 一种基于空间顺序的点云分层方法、点云预测方法及设备 |
-
2022
- 2022-03-11 CN CN202210243498.9A patent/CN116781908A/zh active Pending
- 2022-12-01 WO PCT/CN2022/135899 patent/WO2023169007A1/zh unknown
-
2023
- 2023-08-21 US US18/236,279 patent/US20230394711A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230394711A1 (en) | 2023-12-07 |
WO2023169007A1 (zh) | 2023-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598014B (zh) | 一种多媒体数据处理方法、装置及存储介质 | |
Snavely et al. | Skeletal graphs for efficient structure from motion | |
CN109783582A (zh) | 一种知识库对齐方法、装置、计算机设备及存储介质 | |
CN108171761B (zh) | 一种基于傅里叶图变换的点云帧内编码方法及装置 | |
WO2022121648A1 (zh) | 点云数据编码方法、解码方法、设备、介质及程序产品 | |
JP2019506089A (ja) | 画像符号化方法及び装置、並びに画像復号方法及び装置 | |
CN112232165B (zh) | 一种数据处理方法、装置、计算机及可读存储介质 | |
CN109063194A (zh) | 基于空间编码的数据检索方法及装置 | |
CN106227881A (zh) | 一种信息处理方法及服务器 | |
CN111431736A (zh) | 告警关联规则生成方法和装置 | |
CN106570166A (zh) | 一种基于多个局部敏感哈希表的视频检索方法及装置 | |
JP2021162923A (ja) | 点群復号装置、点群復号方法及びプログラム | |
Riznyk et al. | Composing method of anti-interference codes based on non-equidistant structures | |
Lei et al. | Compressing deep convolutional networks using k-means based on weights distribution | |
WO2024124901A1 (zh) | 点云处理方法、装置、设备、介质和程序产品 | |
CN114968547A (zh) | 一种排序装置及方法 | |
KR20230003148A (ko) | 최근접 이웃 검색 방법, 인코더, 디코더 및 저장 매체 | |
CN116781908A (zh) | 点云预测处理方法、装置、计算机、存储介质 | |
JP2018182531A (ja) | 分割形状決定装置、学習装置、分割形状決定方法及び分割形状決定プログラム | |
Borysenko et al. | The Fibonacci numeral system for computer vision | |
CN114640357B (zh) | 数据编码方法、设备及存储介质 | |
CN116781920A (zh) | 点云编解码方法、装置、计算机、存储介质 | |
Pandey et al. | Fractal Image Compression using Genetic Algorithm with Variants of Crossover | |
CN116828184B (zh) | 视频编码、解码方法、装置、计算机设备和存储介质 | |
CN114077681B (zh) | 一种图像数据处理方法、装置、计算机设备及存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40092336 Country of ref document: HK |