专利交易市场

本申请公开了一种动态3D点云压缩快速CU划分方法、设备及存储介质，包括：判断当前动态3D点云压缩编码帧是否为P帧；若是，则顺序提取需要压缩编码的目标编码CU，获取目标编码CU的预测失真并进行变换；当目标编码CU的宽度和高度为64，并满足第一预设条件；或者，当目标编码CU的宽度和高度为32，并满足第二预设条件；或者，当目标编码CU的宽度和高度为16，并满足第三预设条件，则停止对目标编码CU进行进一步划分。上述方法能够提前且准确地预测CTU中目标编码CU是否是最优编码，从而可以省略或者跳过递归划分方法的繁琐步骤，进而保证目标编码CU的编码质量，显著降低在对目标编码CU进行划分过程中的计算复杂度。

本发明公开了一种基于多尺度八叉树注意力机制的点云压缩方法及装置，涉及图像处理领域，包括：编码器网络接收点云数据，利用降尺度特征提取器对点云进行下采样和特征提取，获得降尺度的深层特征点云，通过递归方式将其编码为八叉树，并根据八叉树节点之间的关系构建上下文窗口，引入多头注意力机制对八叉树节点进行特征融合，得到八叉树节点的占用概率，再使用算术编码将其压缩为比特流；解码器网络通过对比特流进行解压缩，获得重建后的点云，利用升尺度特征重建器对其进行上采样和特征重建，最终获得与初始点云相同分辨率的重建点云。本发明能够在保证相同点云质量的前提下，有效提高点云压缩的效率，减少比特开销。

本发明涉及一种面向语义分割的激光雷达点云压缩系统，属于自动驾驶技术领域，包括：激光雷达点云投影模块：用于将三维空间在的激光雷达点云数据投影为深度图像，将点云数据转为二维表示；非线性变换网络：用于将深度图像进行编码处理，获得编码特征；量化模块：用于将获得的编码特征进行量化，获得量化特征；超先验变换网络和超先验反变换网络：作用于所获得的编码特征，生成先验信息；非线性反变换网络：用于将解码特征还原为用于下游机器视觉任务的中间特征；机器视觉任务网络：用于对非线性反变换网络传递的中间特征进行分析处理，获得激光雷达点云压缩结果。

本发明涉及一种基于深度图和冗余点去除的点云压缩方法，属于数据压缩技术领域，包括以下步骤：S1：将单帧点云数据转化为深度图表示；S2：对地平线进行估计；S3：去除深度图中的近地点；S4：对深度图剩余的点进行聚类；S5：根据点云簇的密度特征进行冗余点去除；S6：对点云数据进行帧内预测；S7：将得到每一帧距离图像的点云簇标签、点云簇中心值和预测残差压缩成比特流并打包成文件。

本发明公开了一种点云反射率属性熵编码方法，包括：将点云属性从RGB颜色空间转换到YUV颜色空间；对点云数据进行Hilbert重排序，在Hilbert顺序下进行差分预测，得到预测残差；将所述预测残差进行量化，得到预测量化残差；采用点云反射率属性熵编码方法对所述预测量化残差进行熵编码，得到属性码流。本发明能够将较大的预测残差进一步压缩，从而进一步提高AVS‑PCC的压缩性能，可广泛应用于图像处理技术领域。

本发明公开了一种基于法向量的点云属性压缩方法、装置、设备及介质，方法包括：计算待压缩点云数据的几何信息；根据所述点云数据的几何信息进行莫顿码排序，得到莫顿序；根据所述莫顿序遍历得到当前编码点的目标预测点，并确定所述目标预测点的预测权值；构建k‑d树；根据所述k‑d树搜索所述当前编码点和所述目标预测点的最邻近点；根据所述最邻近点进行平面拟合，得到所述平面的法向量；根据所述法向量对所述预测权值进行修正，得到目标权值；根据所述目标权值确定所述点云数据的编码结果。本发明能够降低点云属性压缩结果的误差，可广泛应用于点云数据处理技术领域。

本发明公开了一种双向点云属性预测压缩方法、装置、设备及介质，方法包括：分别计算点云数据在几何坐标轴上的标准差；根据所述标准差，确定空间偏倚系数；对所述点云数据的几何信息进行莫顿编码排序或者希尔伯特编码排序，确定莫顿序或希尔伯特序；根据所述莫顿序或希尔伯特序结合序号进行属性预测，确定属性预测值；根据所述属性预测值，对所述点云数据进行属性预测压缩。本发明实现了减少以往根据个人经验设定空间偏倚系数所带来的不确定性，能更精确地找到真实几何空间中距离最近的点，减少了在点云数据的属性压缩中的损失，可广泛应用于点云数据处理技术领域。