(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210031926.1 (22)申请日 2022.01.12 (71)申请人 杭州师范大学 地址 311121 浙江省杭州市余杭区余杭塘 路2318号 (72)发明人 丁丹丹　章骏腾　刘舸昕　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 代理人 朱亚冠 (51)Int.Cl. G06T 9/00(2006.01) G06T 17/00(2006.01) G06T 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/44(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于点的点云几何有损压缩重建装置 与方法 (57)摘要 本发明公开了一种基于点的点云几何有损 压缩重建方法， 属于点云压缩技术研究领域。 该 方法包括编码和解码两个步骤， 其中编码包括下 采样、 特征提取、 特征增强和熵编码四个步骤， 在 完成局部 特征提取后首先进行特征增强， 然后再 进行特征合成与特征压缩。 解码先后包括特征恢 复、 特征增强、 坐标恢复和坐标细化四个步骤， 在 坐标恢复前同样进行了局部坐标增强， 并且在重 建过程中细化点云。 本发明所提出的方法能够将 大规模的点 云进行压缩， 从而以较少的数据量进 行传输， 并对点云进行重建， 恢复点云的坐标。 权利要求书2页 说明书5页 附图3页 CN 114373023 A 2022.04.19 CN 114373023 A 1.一种基于点的点云几何有损压缩重建装置， 其特 征在于： 包括编码模块和解码模块； 所述编码模块， 包括依次级联的下采样模块、 特征提取模块、 第一特征增强模块、 熵编 码模块； 所述第一特征增强模块利用自注意力机制对特征提取模块的输出数据进 行增强后 聚合成全局特 征； 所述解码模块， 包括依次级联的特征恢复模块、 第二特征增强模块、 坐标恢复模块、 坐 标细化模块； 所述第二特征增强模块利用自注意力机制对特征恢复模块的输出数据进 行增 强； 所述自注意力机制为： 将输入特征分别经过三个线性层变换成Query、 Key和Value的表 示； 然后， 将Query和转置后的Key相 乘得到自注意力得分， 并经过Softmax层激活； 最后， 将 激活后的结果与Value相乘， 得到增强的特 征。 2.如权利要求1所述一种基于点的点云几何有损压缩重建装置， 其特征在于： 所述编码 模块中下采样模块， 使用最远点采样法将数量 为P的原始点云下采样为数量 为M的点云； 所述特征提取模块， 利用K最近邻法对每个点云中的点构建对应的邻居， 然后使用神经 网络对邻居的特征进行变换； 最后采用最大池化法聚合特征， 得到每个点维度为M ×C的局 部特征； 所述第一特征增强模块利用自注意力机制对特征提取模块的输出数据进行增强后聚 合成维度为1 ×C的全局特 征； 熵编码模块， 利用熵编码对维度为1 ×C的全局特 征进行压缩。 3.如权利要求1所述一种基于点的点云几何有损压缩重建装置， 其特征在于： 所述解码 模块中特征恢复模块采用一个反卷积块， 将压缩后的全局特征的维度由1 ×C恢复成N ×C的 点云特征； 第二特征增强模块利用与所述第一特征增强模块相同的自注意力机制对维度为N ×C 的恢复后点云特 征进行增强； 坐标恢复模块利用多层感知机， 将维度为N ×C的增强后的点云特征恢复成维度为N ×3 的点云坐标； 坐标细化模块将第二特征增强模块得到的恢复后点云特征和坐标恢复模块得到的点 云坐标利用神经网络生成偏置值； 然后将偏置值分别与对应位置的点云坐标相加， 得到维 度为Q×3的点云坐标， 获得 数量为Q的重建点云。 4.一种基于点的点云几何有损压缩重建方法， 其特 征在于包括以下步骤： 步骤(1)、 编码压缩 获取点云数据， 利用神经网络提取点云数据的局部特征， 然后使用自注意力机制进行 增强后聚合成全局特 征， 最后利用熵编码实现压缩； 步骤(2)、 解码重建 对步骤(1)压缩后的特征进行维度恢复， 然后使用与 步骤(1)相同的自注意力机制进行 局部特征增强， 再恢复得到点云坐标； 利用神经网络根据增强后的局部特征与恢复后的点 云坐标求取偏置值， 并将 偏置值与对应位置的恢复后点云坐标相加， 得到 重建点云。 5.如权利要求4所述一种基于点的点云几何有损压缩重建方法， 其特征在于： 所述步骤 (1)具体包括以下步骤： 1.1)使用最远点采样法， 将数量 为P的原始点云下采样为数量 为M的点云；权　利　要　求　书 1/2 页 2 CN 114373023 A 21.2)利用神经网络对数量 为M的点云进行 特征提取， 得到维度为M ×C的局部特 征； 1.3)利用自注意力机制对维度为M ×C的局部特征进行增强， 然后聚合得到维度为1 ×C 的全局特 征； 1.4)利用熵编码对维度为1 ×C的全局特 征进行压缩。 6.如权利要求4或5所述一种基于点的点云几何有损压缩重建方法， 其特征在于： 在步 骤1.3中， 首先通过多个自注意力机制 对局部特征进行增强， 然后将增强后的特征级联； 再 将级联后的特征经过多层感知机进行变换； 最后使用最大池化法将局部特征聚合成全局特 征。 7.如权利要求4所述一种基于点的点云几何有损压缩重建方法， 其特征在于： 所步骤 (2)具体包括以下步骤： 2.1)利用一个反卷积块， 将压缩后的全局特 征的维度由1 ×C恢复成N ×C； 2.2)利用与步骤(1)相同的自注意力机制对维度为N ×C的恢复后的点云特征进行增 强； 2.3)利用多层感知机， 将维度为N ×C的增强后的点云特征恢复成维度 为N×3的点云坐 标； 2.4)将步骤2.3中的点云特征和点云坐标输入神经网络， 生成偏置值， 然后将该偏置值 分别与对应位置的点云坐标相加， 得到维度为 Q×3的点云坐标， 获得 数量为Q的重建点云。 8.如权利要求7所述一种基于点的点云几何有损压缩重建方法， 其特征在于： 在步骤 2.4中， 首先将维度为N ×C的点云特征和维度为N ×3的点云坐标通过多层感知机， 生成r个 维度为N×3的偏置值， r为步骤步骤2.1 中的上采样倍率； 将r个偏 置值分别与维度为N ×3的 点云坐标对应相加， 得到维度为 Q×3的细化后的点云坐标， 其中Q ＝r×N。 9.一种计算机可读存储介质， 其上存储有计算机程序， 当所述计算机程序在计算机中 执行时， 令计算机执 行权利要求 4、 5、 7、 8中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114373023 A 3