面向大规模点云的二维规则化平面投影及编解码方法与流程

1.本发明属于点云数据处理技术领域，具体涉及一种面向大规模点云的二维规则化平面投影及编解码方法。


背景技术：

2.随着硬件处理能力的提升和计算机视觉的飞速发展，三维点云成为继音频、图像、视频之后的新一代沉浸式多媒体，被广泛的应用于虚拟现实、增强现实、自动驾驶和环境建模等。然而由于噪声、设备抖动以及设备标定等原因导致大规模点云数据呈现出非均匀分布，为相关的数据处理造成了困难，制约了编码效率的进一步提升。此外，大规模点云通常具有较大的数据量，十分不利于点云数据的传输及存储。
3.在现有的基于几何的点云压缩编码(g-pcc,geometry-based point cloud compression)框架中，点云的几何信息和属性信息是分开进行编码的。目前g-pcc的几何编解码可分为基于八叉树的几何编解码和基于预测树的几何编解码。
4.基于八叉树的几何编码：首先，对点云的几何信息进行预处理，这包括点云的坐标转换和体素化过程。然后，按照广度优先遍历的顺序不断对点云所在的包围盒进行树划分(八叉树/四叉树/二叉树)。最后，对每个节点的占位码进行编码，并编码每个叶子节点中包含的点数，生成二进制码流。
5.基于预测树的几何编码：首先对原始点云进行排序。然后，建立预测树结构，通过将每个点归类到所属的激光扫描器上，并按照不同的激光扫描器建立预测树结构。接下来，遍历预测树中的每个节点，通过选取不同的预测模式对节点的几何信息进行预测得到预测残差，并利用量化参数对预测残差进行量化。最后，对预测树结构、量化参数以及节点几何信息的预测残差等进行编码，生成二进制码流。
6.然而，由于点云具有较强的空间稀疏性，对于使用八叉树结构的点云编码技术而言，该结构会导致划分得到的空节点占比较高，且无法充分体现点云的空间相关性，从而不利于点云的预测及熵编码。基于预测树的点云编解码技术利用激光雷达设备的部分参数来建立树结构，在此基础上利用树结构进行预测编码，然而该树结构并未充分体现点云的空间相关性，从而不利于点云的预测及熵编码。因而，上述两种点云编解码技术均存在编码效率不够高的问题。


技术实现要素：

7.为了解决现有技术中存在的上述问题，本发明提供了一种面向大规模点云的二维规则化平面投影及编解码方法。本发明要解决的技术问题通过以下技术方案实现：
8.一种面向大规模点云的二维规则化平面投影方法，包括：
9.获取原始点云数据；
10.利用规则化参数初始化点云的二维投影平面结构；
11.确定所述原始点云数据与所述二维投影平面结构的映射关系，以得到点云的二维
规则化投影平面结构。
12.在本发明的一个实施例中，所述规则化参数包括激光雷达的标定参数或者通过优化估计、数据拟合得到的参数。
13.在本发明的一个实施例中，所述利用规则化参数初始化点云的二维投影平面结构，包括：
14.利用规则化参数中激光扫描器的个数、水平方位角的采样角分辨率或激光扫描器的采样点数来初始化点云的二维投影平面结构，即：
15.m＝lasernum；
16.或n＝pointnumperlaser；
17.其中，m和n分别表示二维投影平面结构中垂直方向和水平方向的分辨率，lasernum表示激光扫描器的个数，表示激光扫描器在水平方位角的采样角分辨率，pointnumperlaser表示激光扫描器的采样点数。
18.在本发明的一个实施例中，确定所述原始点云数据与所述二维投影平面结构的映射关系，包括：
19.通过规则化参数和标定公式进行求解，计算出原始点云数据中的点在二维投影平面结构中的对应位置，从而确定原始点云数据与二维投影平面结构之间的映射关系；其中，所述标定公式表示为：
[0020][0021][0022]
θi＝θ0；
[0023]
x＝r
·
sin(φ
j-α)-ho·
cos(φ
j-α)；
[0024]
y＝r
·
cos(φ
j-α)+ho·
sin(φ
j-α)；
[0025]
z＝r
·
tanθi+vo；
[0026][0027]
其中，(x,y,z)表示原始点云数据中点的笛卡尔坐标，r为该点的柱面坐标分量，表示该点到激光雷达坐标原点的距离，lasernum表示激光扫描器的个数，表示激光扫描器在水平方位角的采样角分辨率，θi和φj为该点在二维投影平面结构中对应像素的俯仰角和方位角，(i,j)表示该点的对应像素在二维投影平面结构中的位置，θ0、vo、ho和α为规则化参数。
[0028]
在本发明的一个实施例中，确定所述原始点云数据与所述二维投影平面结构的映射关系，还包括：
[0029]
确定所述原始点云数据中当前点的柱面坐标分量；
[0030]
确定当前点在所述二维投影平面结构中的搜索区域；
[0031]
遍历所述搜索区域中的像素，计算当前像素在笛卡尔坐标系中的位置，并计算该位置与所述当前点之间的空间距离；
[0032]
选择所述空间距离最小的像素作为所述当前点在二维投影平面结构中的对应像
素；
[0033]
重复上述步骤，直至所述原始点云数据中的所有点均找到二维投影平面结构中的对应像素。
[0034]
在本发明的一个实施例中，确定当前点在所述二维投影平面结构中的搜索区域，包括：
[0035]
通过当前点在柱面坐标系下的俯仰角θ和方位角φ确定其在二维投影平面结构中的搜索区域；或者
[0036]
通过规则化参数和标定公式确定其在二维投影平面结构中的搜索区域；或者
[0037]
根据先验信息确定其搜索区域。
[0038]
在本发明的一个实施例中，所述当前像素在笛卡尔坐标系中位置的计算公式为：
[0039]
θi＝θ0；
[0040][0041][0042]
xl＝r
·
sin(φ
j-α)-ho·
cos(φ
j-α)；
[0043]
yl＝r
·
cos(φ
j-α)+ho·
sin(φ
j-α)；
[0044]
zl＝r
·
tanθi+vo；
[0045]
其中，(i,j)表示二维投影平面结构中当前像素所在的位置，其对应的俯仰角和方位角为θi和φj，表示激光扫描器在水平方位角的采样角分辨率，x、y为原始点云数据中当前点的笛卡尔坐标分量，r为原始点云数据中当前点的柱面坐标分量，(xl,yl,zl)表示当前像素在笛卡尔坐标系中的位置，θ0、vo、ho和α为规则化参数。
[0046]
本发明的另一个实施例提供了一种面向大规模点云的编码方法，包括：
[0047]
获取原始点云数据并进行二维规则化平面投影，得到点云的二维规则化投影平面结构；其中，所述二维规则化平面投影采用如权利要求1-7任一项所述的方法实现；
[0048]
基于点云的二维规则化投影平面结构进行预测，得到待编码数据；
[0049]
将所述待编码数据分为第一类待编码数据和第二类待编码数据；其中，所述第一类待编码数据为二维规则化投影平面结构数据，所述第二类待编码数据为除二维规则化投影平面结构数据以外的其余待编码数据；
[0050]
按照预设编码方式分别对所述第一类待编码数据中的不同数据进行编码，并对所述第二类待编码数据进行编码，得到几何信息码流。
[0051]
在本发明的一个实施例中，基于点云的二维规则化投影平面结构进行预测，得到待编码数据，包括：
[0052]
根据点云的二维规则化投影平面结构，对于不同数据设置不同的预测模式，并按照相应的预测模式进行预测，得到待编码数据。
[0053]
本发明的又一个实施例提供了一种面向大规模点云的解码方法，包括：
[0054]
获取几何信息码流；
[0055]
对所述几何信息码流进行解码，得到解析数据；
[0056]
根据所述解析数据重构所述二维规则化投影平面结构；
[0057]
根据所述重构的二维规则化投影平面结构进行几何重建，得到重建点云。
[0058]
本发明的有益效果：
[0059]
1、本发明通过将三维空间中的点云投影到对应的二维规则化投影平面结构当中，对点云在垂直方向和水平方向上进行了规则化校正，得到点云在二维投影平面结构上的强相关性表示，从而避免了三维表示结构中存在的稀疏性，又更好的体现了点云的空间相关性，为点云的应用提供了一种更易于进行数据处理的表现形式；
[0060]
2、本发明基于点云的二维规则化投影平面结构进行编码，能够极大地利用点云的空间相关性，减小空间冗余，因此无需使用额外码流压缩其它辅助信息，节省了码流，提升了编码效率。
[0061]
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
[0062]
图1是本发明实施例提供的一种面向大规模点云的二维规则化平面投影方法示意图；
[0063]
图2是本发明实施例提供的点的柱面坐标与二维投影平面结构中像素的对应关系示意图；
[0064]
图3是本发明实施例提供的确定原始点云与二维投影平面结构映射关系的流程图；
[0065]
图4是本发明实施例提供的点云的二维投影平面结构示意图；
[0066]
图5是本发明实施例提供的一种面向大规模点云的编码框图；
[0067]
图6是本发明实施例提供的三种预测模式结构示意图；
[0068]
图7是本发明实施例提供的五种预测模式结构示意图；
[0069]
图8是本发明实施例提供的一种面向大规模点云的解码框图。
具体实施方式
[0070]
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
[0071]
实施例一
[0072]
请参见图1，图1是本发明实施例提供的一种面向大规模点云的二维规则化平面投影方法示意图，包括：
[0073]
步骤1：获取原始点云数据。
[0074]
具体地，原始点云数据通常由一组三维空间点组成，每个空间点都记录了自身的几何位置信息，以及颜色、反射率、法线等额外的属性信息。其中，点云的几何位置信息一般是基于笛卡尔坐标系进行表示的，即利用点的x，y，z坐标进行表示。原始点云数据可通过激光雷达扫描获取，也可通过各种平台提供的公共数据集获得。在本实施例中，设获取到的原始点云数据的几何位置信息基于笛卡尔坐标系进行表示。需要说明的是，原始点云数据的几何位置信息的表示方法不限于笛卡尔坐标。
[0075]
步骤2：利用规则化参数初始化点云的二维投影平面结构。
[0076]
具体的，在本实施例中，在对原始点云进行二维规则化平面投影之前，还可以对原始点云数据进行预处理，如坐标转换、规模控制、体素化处理等，以方便后续编码。
[0077]
初始化点云的二维投影平面结构需要利用规则化参数。规则化参数包括激光雷达的标定参数或者通过优化估计、数据拟合得到的参数。
[0078]
激光雷达的标定参数通常由制造厂商进行精细测定并作为必备的数据之一提供给消费者，例如激光雷达的采集范围，水平方位角的采样角分辨率或采样点数，以及每个激光扫描器的距离校正因子、激光扫描器沿垂直方向和水平方向的偏移信息vo和ho、激光扫描器沿俯仰角和水平方位角的偏移信息θ0和α。
[0079]
需要说明的是，规则化参数不限于以上给出的这些激光雷达的标定参数。在激光雷达的标定参数没有给定的情况下，规则化参数还可以通过优化估计、数据拟合等方式得到。
[0080]
点云的二维规则化投影平面结构为一个包含m行、n列像素的数据结构，原始点云中的点经过投影后与该数据结构中的像素对应。并且该数据结构中的像素(i,j)可与柱面坐标分量(θ,φ)相关联，如可利用以下公式找到柱面坐标(r,θ,φ)对应的像素(i,j)。
[0081][0082][0083]
具体地，请参见图2，图2是本发明实施例提供的点的柱面坐标与二维投影平面结构中像素的对应关系示意图。
[0084]
需要说明的是，此处像素的对应并不限于柱面坐标。
[0085]
进一步地，二维规则化投影平面的分辨率可由规则化参数获得，如假设二维规则化投影平面的分辨率为m
×
n，则可利用规则化参数中激光扫描器的个数来初始化m，并利用水平方位角的采样角分辨率或者激光扫描器的采样点数pointnumperlaser来初始化n，具体公式如下，最终即可完成二维投影平面结构的初始化，得到一个包含m
×
n个像素的平面结构。
[0086]
m＝lasernum；
[0087]
或n＝pointnumperlaser。
[0088]
步骤3：确定原始点云数据与二维投影平面结构的映射关系，以得到点云的二维规则化投影平面结构。
[0089]
本实施例通过逐点判断原始点云在二维投影平面结构中的位置，将原本在笛卡尔坐标系下杂乱分布的点云映射至均匀分布的二维规则化投影平面结构中。具体的，针对原始点云中的每一个点，在二维投影平面结构中确定对应的像素，例如可选择与该点在二维平面中投影位置空间距离最小的像素作为该点的对应像素。
[0090]
在本实施例中，确定原始点云数据与二维投影平面结构的映射关系，包括：
[0091]
通过规则化参数和标定公式进行求解，计算出原始点云数据中的点在二维投影平面结构中的对应位置，从而确定原始点云数据与二维投影平面结构之间的映射关系；其中，标定公式表示为：
[0092]
[0093][0094]
θi＝θ0；
[0095]
x＝r
·
sin(φ
j-α)-ho·
cos(φ
j-α)；
[0096]
y＝r
·
cos(φ
j-α)+ho·
sin(φ
j-α)；
[0097]
z＝r
·
tanθi+vo；
[0098][0099]
其中，(x,y,z)表示原始点云数据中点的笛卡尔坐标，r为该点的柱面坐标分量，表示该点到激光雷达坐标原点的距离，lasernum表示激光扫描器的个数，表示激光扫描器在水平方位角的采样角分辨率，θi和φj为该点在二维投影平面结构中对应像素的俯仰角和方位角，(i,j)表示该点的对应像素在二维投影平面结构中的位置，θ0、vo、ho和α为规则化参数。
[0100]
在本发明的另一个实施例中，还提供了另一种确定原始点云数据与二维投影平面结构映射关系的方法。请参见图3，图3是本发明实施例提供的确定原始点云与二维投影平面结构映射关系的流程图，包括：
[0101]
31)确定原始点云数据中当前点的柱面坐标分量。
[0102]
具体的，当前点(x,y,z)的柱面坐标分量r的计算如下，r表示当前点与坐标原点的径向距离：
[0103][0104]
32)确定当前点在二维投影平面结构中的搜索区域。
[0105]
在本实施例中，搜索区域可包含二维投影平面结构中的一个像素，也可包含二维投影平面结构中的多个像素。
[0106]
可选择直接将整个二维投影平面结构作为搜索区域，进一步的，为了减小计算量，还可通过当前点的柱面坐标分量俯仰角θ和方位角φ来确定对应像素在二维投影平面结构中的搜索区域，以减小搜索区域。
[0107]
在本发明的另一个实施例中，还可通过规则化参数和上述标定公式确定当前点在二维投影平面结构中的候选对应位置，以该位置为参考确定搜索区域。此外，还可以根据先验信息确定其搜索区域。
[0108]
32)遍历搜索区域中的像素，计算当前像素在笛卡尔坐标系中的位置，并计算该位置与当前点之间的空间距离。
[0109]
确定搜索区域后，对其中的每个像素(i,j)，利用规则化参数即激光雷达第i个激光扫描器的先验标定参数θ0、vo、ho和α，计算当前像素在笛卡尔坐标系中的位置(xl,yl,zl)，具体计算公式如下：
[0110]
θi＝θ0[0111][0112]
xl＝r
·
sin(φ
j-α)-ho·
cos(φ
j-α)
[0113]
yl＝r
·
cos(φ
j-α)+ho·
sin(φ
j-α)
[0114]
zl＝r
·
tanθi+vo[0115]
得到当前像素在笛卡尔坐标系中的位置(xl,yl,zl)后，计算其与当前点(x,y,z)之间的空间距离并将其作为误差err，即：
[0116]
err＝dist{(x,y,z),(xl,yl,zl)}
[0117]
33)选择空间距离最小的像素作为当前点在二维投影平面结构中的对应像素。
[0118]
具体地，若该误差err大于最小误差minerr，则不进行以上更新过程。若该误差err小于当前最小误差minerr，则用其更新最小误差minerr，并用当前像素对应的i和j更新当前点所对应像素的i和j；若该误差err大于最小误差minerr，则不进行以上更新过程。
[0119]
当搜索区域内的所有像素均被遍历完成后，即可确定当前点在二维投影平面结构中的对应像素(i,j)以及当前点的柱面坐标分量r。
[0120]
34)重复上述步骤，直至原始点云数据中的所有点均找到二维投影平面结构中的对应像素。
[0121]
当原始点云中的所有点均完成上述操作后，即完成了点云的二维规则化平面投影。具体地，请参见图4，图4是本发明实施例提供的点云的二维投影平面结构示意图，其中，原始点云数据中的每个点均被映射至该结构中的对应像素。
[0122]
需要说明的是，在点云的二维规则化平面投影过程中，可能会出现点云中的多个点对应到二维投影平面结构中的同一像素。若要避免这种情况发生，可选择在投影时将这些空间点投影到不同的像素中，例如，对某一点进行投影时，若其对应的像素中已有对应点，则将该点投影至该像素的邻近空像素中。此外，若点云中的多个点已投影到二维投影平面结构中的同一像素，则在基于二维投影平面结构进行编码时，应额外编码每个像素中的对应点数，并根据该点数对像素中的每个对应点信息进行编码。
[0123]
本发明通过将三维空间中的点云投影到对应的二维规则化投影平面结构当中，对点云在垂直方向和水平方向上进行了规则化校正，得到点云在二维投影平面结构上的强相关性表示，从而避免了三维表示结构中存在的稀疏性，又更好的体现了点云的空间相关性，为点云的应用提供了一种更易于进行数据处理的表现形式。
[0124]
实施例二
[0125]
在上述实施例一的基础上，本实施例提供了一种面向大规模点云的编码方法，请参见图5，图5是本发明实施例提供的一种面向大规模点云的编码框图，包括：
[0126]
步骤一：获取原始点云数据并进行二维规则化平面投影，得到点云的二维规则化投影平面结构。
[0127]
具体地，本实施例采用上述实施例一的二维规则化平面投影对原始点云进行处理，得到点云的二维规则化投影平面结构。
[0128]
此外，还可以先对原始点云进行预处理如坐标转换、规模控制、体素化处理等，再进行二维规则化平面投影。
[0129]
步骤二：基于点云的二维规则化投影平面结构进行预测，得到待编码数据。
[0130]
一般的，对大规模点云数据进行预测编码时，具体需要对其径向距离r、俯仰角信息i、方位角间隔n、方位角残差信息δφ、点云坐标转换后每个点与对应原始点在笛卡尔坐标系下的残差(δx,δy,δz)，以及重复点信息和量化参数等信息进行编码。
[0131]
在本实施例中，基于点云的二维规则化投影平面结构进行预测编码时，具体需要对二维规则化平面结构中每个非空像素的位置i和j(i也即俯仰角方向位置信息，j也即方
位角方向位置信息)、对应点的径向距离r、像素逆投影得到的空间点与对应点在笛卡尔坐标系下的残差(δx,δy,δz)，以及重复点信息和量化参数等信息进行编码。需要说明的是，二维规则化投影平面结构中非空像素的对应位置与其对应点的实际投影位置之间还可能存在残差，称之为投影残差，在实际编码过程中，也可对该投影残差进行编码。
[0132]
经过步骤一得到点云的二维规则化投影平面结构，该平面结构呈现出均匀分布的特点，若采用传统的预测树编码则无法突出此结构的优势。
[0133]
基于此，本实施例提出了一种更为灵活的方法，根据点云的二维规则化投影平面结构，对于不同数据设置不同的预测模式，并按照相应的预测模式对当前点的几何信息进行预测，以得到待编码数据，从而提升预测的有效性，减小预测所产生的残差。具体如下：
[0134]
1、对于方位角方向位置信息：
[0135]
本实施例通过方位角方向位置参数j表示以最小采样间隔为单位沿方位角方向的间隔信息，由于点云的二维规则化投影平面结构在方位角方向也呈现规则化分布，因此，相对传统的g-pcc预测树编码中的当前待压缩点与参考点间隔n的非均匀分布，本实施例中的方位角方向位置j是均匀分布的，因此可通过上一行同位置处的j分量预测当前位置的j。
[0136]
更具体地，若当前待压缩点的对应像素在二维规则化投影平面结构中的位置为(i，j)且(i，j-1)位置不为空，则当前待压缩的j分量可由当前点的j减去j-1行位置的j分量得到；若(i，j-1)位置为空，则当前待压缩的j分量直接使用当前点的j分量即可。
[0137]
相较于传统的g-pcc方法，j分量的压缩参考了二维规则化投影平面结构中同一列的信息，有效减少了数值，从而节省码流开销。
[0138]
2、对于方位角方向phi的残差：
[0139]
点云的二维规则化平面投影进行了俯仰角和方位角两个维度上的校正，在点云的二维规则化投影平面结构中方位角方向也呈现出均匀分布的特点。因此，在方位角上的偏差极小，无需压缩方位角方向phi的残差，因而也不用对其进行残差计算。
[0140]
3、对于俯仰角方向位置信息：
[0141]
可按照传统的g-pcc预测树中的方法进行预测，具体过程在此不再赘述。
[0142]
4、对于径向距离r：
[0143]
由于本实施例是基于点云的二维规则化投影平面结构进行预测的，而二维规则化投影平面结构在俯仰角和方位角两个维度上均呈现规则化分布，因此，可依据方向进行预测。
[0144]
具体地，可以根据左、上两个方向，共构造三种预测模式，如下：
[0145]
mode0：直接模式，不预测直接压缩；
[0146]
mode1：向左预测，使用左侧像素的对应点作为参考点；
[0147]
mode2：向上预测，使用上方像素的对应点作为参考点。
[0148]
具体地，请参见图6，图6是本发明实施例提供的三种预测模式结构示意图，其中，
“●”
点表示已编码点，
“○”
红色为未编码点，
“★”
表示当前待编码位置，其可以沿方位角(mode1)和俯仰角(mode2)两个方向进行预测，以径向距离残差δr为依据，选择δr较小的作为参考点。
[0149]
对点云的二维规则化投影平面结构采取从上到下，从左到右的顺序进行遍历。遍历时首先判断当前像素的对应点是否为遍历的第一个点。若是，则将当前点设为首节点且
不进行预测，选择mode0，直接将该点的径向距离r作为待编码数据；若非第一个点，按照mode1和mode2设置的预测方式进行预测，比较mode1和mode2得到的δr，选用δr较小的模式作为当前点的预测模式，并将此时的δr作为待编码数据。
[0150]
循环上述过程，直到二维规则化投影平面结构中所有像素的对应点即点云中的所有点都完成预测为止。
[0151]
此外，在本发明的另一个实施例中还可以根据左、上、左上、右上四个方向，共构造五种预测模式，如下：
[0152]
mode0：直接模式，不预测直接压缩；
[0153]
mode1：向左预测，使用左侧像素的对应点作为参考点；
[0154]
mode2：向上预测，使用上方像素的对应点作为参考点；
[0155]
mode3；左上方预测，使用左上方像素的对应点作为参考点；
[0156]
mode4：右上方预测，使用右上方像素的对应点作为参考点。
[0157]
具体地，请参见图7，图7是本发明实施例提供的五种预测模式结构示意图，其中，
“●”
点表示已编码点，
“○”
表示未编码点，
“★”
表示当前待编码位置，其可以沿方位角(mode1)和俯仰角(mode2)两个方向进行预测，以径向距离残差δr为依据，选择δr较小的作为参考点。
[0158]
5、对于x,y,z残差：
[0159]
为了减少编码端的循环次数，可将残差(δx,δy,δz)的计算过程置于上述计算径向距离r的残差的预测过程中，此处先利用前文的标定公式对二维规则化投影平面结构中的像素进行逆投影，在逆投影过程中需结合该像素对应点的径向距离r以及该像素对应的俯仰角和方位角，然后计算逆投影得到的空间位置与原始点云之间的残差(δx,δy,δz)。
[0160]
由于本实施例在对点云进行二维规则化平面投影时使用了俯仰角和方位角两个维度上的规则化参数，因此对应的残差值相对于传统的g-pcc方法较小，这在一定程度上进一步减小了码流，提高了编码效率。
[0161]
步骤三：将待编码数据分为第一类待编码数据和第二类待编码数据；其中，第一类待编码数据为二维规则化投影平面结构数据，第二类待编码数据为除二维规则化投影平面结构数据以外的其余待编码数据。
[0162]
由于点云的二维规则化投影平面结构是原始点云几何信息最为直接的载体，数据量较大，本实施例根据点云的二维规则化投影平面结构的特点，将上一步所得的待编码数据划分成两类，其中，第一类待编码数据为点云的二维规则化投影平面结构数据，包括径向距离r、俯仰角方向位置信息i、方位角方向位置信息j。第二类待编码数据为除二维规则化投影平面结构数据以外的其余待编码数据，包括点云经过二维规则化平面投影后每个点与原始点云在笛卡尔坐标系下的残差(δx,δy,δz)，以及重复点信息和量化参数等信息。
[0163]
步骤四：采用不同的编码方式分别对第一类待编码数据中的不同数据进行编码，同时对第二类待编码数据进行编码，得到几何信息码流。
[0164]
具体地，根据步骤二的分析，对第一类待编码数据中的方位角方向phi的残差不进行编码，按照算术编码方式对第一类待编码数据中的其他信息进行编码，并对第二类待编码数据进行编码，得到几何信息码流，以完成面向大规模点云的编码。
[0165]
此外，需要说明的是，本发明提供的面向大规模点云的编码方法是对三维空间下的点云进行二维规则化平面投影，并得到点云对应的二维规则化投影平面结构，然后基于该结构进行预测编码的。由于点云的二维规则化投影平面结构能够使点云的信息图像化，因此经过二维规则化平面投影后的点云，还可使用图像\视频压缩方式进行压缩，例如jpeg、jpeg2000、heif、h.264\avc、h.265\hevc等。
[0166]
为了进一步说明本发明的有益效果，本实施例以点云领域最为通用的kitti数据为测试数据，测试了本发明提供的方法与传统的mpeg g-pcc方法在校园(kitti_campus)、住宅区(kitti_residential)、城市(kitti_city)、道路(kitti_road)四种场景下的无损点云编码效率，其结果如下表所示：
[0167]
表1编码效率
[0168][0169]
由上表可知，本发明提供的方法具有较好的性能提升，整体可提升5.51％，其中针对校园以及住宅区之类行人较少的场景，可以获得8％以上的增益。
[0170]
实施例三
[0171]
在上述实施例二的基础上，本实施还提供了一种面向大规模点云的解码方法，请参见图8，图8是本发明实施例提供的一种面向大规模点云的解码框图，包括：
[0172]
s1：获取几何信息码流；
[0173]
s2：对几何信息码流进行解码，得到解析数据；
[0174]
具体地，首先，可通过对几何信息码流解码得到第一类待编码数据和第二类待编码数据；其中，第一类待编码数据为点云的二维规则化投影平面结构数据，包括径向距离r、俯仰角方向位置信息i、方位角方向位置信息j。第二类待编码数据为除二维规则化投影平面结构数据以外的其余待编码数据，包括点云经过二维规则化平面投影后每个点与原始点云在笛卡尔坐标系下的残差(δx,δy,δz)，以及重复点信息和量化参数等信息。
[0175]
s3：根据解析数据重构二维规则化投影平面结构；
[0176]
具体地，由于解析数据中包括点的径向距离r、俯仰角方向位置信息i以及方位角方向位置信息j，因此由i和j便可确定该点在二维规则化投影平面结构中的对应像素即该点对应二维规则化投影平面结构中第i行第j列的像素，此外由r可知该像素对应点的径向距离r。从而得到重构的二维投影平面结构。
[0177]
s4：根据重构的二维规则化投影平面结构进行几何重建，得到重建点云。
[0178]
对于重构的二维规则化投影平面结构中的每个像素，若当前像素非空，则可按照如下方式根据当前像素(i,j)对应点的径向距离r以及解析出来的残差(δx,δy,δz)来重构该像素对应的空间点(x,y,z)。
[0179]
当前像素(i,j)的对应位置可表示为(φj,i)，其中
[0180][0181]
接下来利用规则化参数和以下公式将当前像素逆投影回笛卡尔坐标系，得到对应的笛卡尔坐标(xl,yl,zl)：
[0182]
θi＝θ0[0183]
xl＝r
·
sin(φ
j-α)-ho·
cos(φ
j-α)
[0184]
yl＝r
·
cos(φ
j-α)+ho·
sin(φ
j-α)
[0185]
zl＝r
·
tanθi+vo[0186]
最后利用以下公式根据当前像素逆投影所得空间位置(xl,yl,zl)与残差(δx,δy,δz)重建当前像素对应的空间点(x,y,z)。
[0187]
x＝xl+δx
[0188]
y＝yl+δy
[0189]
z＝zl+δz
[0190]
根据以上计算即可对重构的二维规则化投影平面结构中的每个非空像素重构其对应空间点，从而得到重建点云。
[0191]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。