【技术实现步骤摘要】
本专利技术属于点云数据处理与传输领域，特别涉及一种快速的点云数据传输方法及系统。
技术介绍
1、三维点云数据，作为三维扫描技术（如lidar、激光扫描仪等）的核心成果，蕴含了丰富的三维坐标信息，应用在自动驾驶、无人机协同感知等很多
然而，其庞大的数据规模与复杂的结构特性，对实时传输与高效处理带来了极大的挑战，然而，在自动驾驶、无人机协同感知等应用场景，对点云数据传输效率和点云数据精度要求较高，现有的传输方法难以满足该需求。传统压缩方法，诸如体素化或网格降采样等，尽管能在一定程度上减少数据量，但仍然隐藏着大量的冗余信息，如重复的局部结构等；同时还会伴随信息丢失的风险，特别是在处理复杂场景时，会丢失关键的结构特征，难以精确恢复原始数据的完整面貌。而且传统点云压缩方法自适应能力较弱通常需要专业知识和手动调整参数。因此，一种需要不仅能精确剔除冗余信息显著提升点云数据传输的效率，还能确保lidar等技术捕获的高分辨率与关键结构信息在传输过程中得到有效保存的点云数据传输方法。
2、采用深度学习的方法提高了压缩率，但在编码和解码过程中可能存在信息丢失，结合传统方法和学习方法的优缺点，本专利提出了一种融合自适应半径的泊松盘下采样（poisson disk downsampling）和动态图卷积神经网络（dynamic graph convolutionalnetwork, dgcnn）上采样的点云数据传输方法。该方法论不仅能精确剔除冗余信息显著提升点云数据传输的效率，还能确保lidar等技术捕获的高分辨率与关键结构信息在传输
技术实现思路
1、本专利技术的目的在于提供一种快速的点云数据传输方法及系统，不仅能精确剔除冗余信息显著提升点云数据传输的效率，还能确保捕获的高分辨率与关键结构信息在传输过程中得到有效保存，适用于自动驾驶、无人机协同感知等实时应用场景。
2、实现本专利技术目的的技术解决方案为:
3、一种快速的点云数据传输方法，包括：
4、在客户端通过传感器采集原始点云数据；
5、采用基于自适应采样策略的泊松盘下采样方法对原始点云数据进行稀疏化处理，生成稀疏点云数据；
6、将稀疏点云数据通过低延迟通信协议传输至服务器端；
7、采用预训练的动态图卷积神经网络对稀疏点云数据进行上采样，重建原始点云数据。
8、进一步地，所述采用基于自适应采样策略的泊松盘下采样方法对原始点云数据进行稀疏化处理具体包括：
9、计算每个点的局部点云密度；
10、根据局部密度自适应更新采样半径；
11、稀疏点云数据集初始化，从稀疏点云数据集中选择采样点，从原始点云数据中选择新采样点，若每个新采样点与已经选择的采样点之间的距离不小于当前选择采样点对应的采样半径，将新的采样点加入稀疏点云数据集，通过迭代生成稀疏点云数据集。
12、进一步地，所述采样半径为：
13、
14、其中， 是点 优化后的采样半径； 表示点 的局部点云密度；是常数。
15、进一步地，所述稀疏点云数据集为：
16、
17、其中，，，n为原始点云数据的个数。
18、进一步地，所述动态图卷积神经网络包括输入层、边特征构建层、卷积操作层和上采样模块，其中：
19、所述输入层用于输入稀疏点云数据，另每个点的三维坐标；
20、所述边特征构建层将稀疏点云数据集转换为图结构，其中，为顶点集，代表稀疏点云数据集中的点，为边集，计算边的特征，采用 k近邻算法构建图的邻接矩阵；
21、所述卷积操作层通过动态图卷积运算，对边集进行卷积操作，更新每个点的特征；
22、所述上采样模块通过基于densegcn的增强多尺度图卷积网络和节点重排序以及重构回三维空间操作，逐步将稀疏点云数据上采样还原为高精度点云。
23、进一步地，所述边的特征为：
24、
25、其中，表示点的特征向量，初始为点的三位坐标，为最近邻点的特征向量，表示连接函数。
26、进一步地，所述卷积操作层的输出为：
27、
28、其中，是第层的节点特征表示；是图的邻接矩阵，包含自连接边；是节点度矩阵，对角线元素，分别为邻接矩阵的行和列；是可训练的权重矩阵；是激活函数。
29、进一步地，所述动态图卷积神经网络采用损失函数进行优化，所述损失函数为：
30、
31、其中为原始点云中的点，为重建后的点。
32、进一步地，通过基于densegcn的增强多尺度图卷积和节点重排序以及重构回三维空间操作具体包括：
33、通过三个串行的基于densegcn的增强多尺度图卷积网络模块提取点云的特征，为：
34、
35、其中，为增强多尺度图卷积网络模块的输入特征，为增强多尺度图卷积网络模块的输出特征，是增强多尺度图卷积网络模块卷积核大小，是增强多尺度图卷积网络模块扩张率，是增强多尺度图卷积网络模块输出通道的数量；
36、通过1层gcn将节点特征从原始维度扩展为,将扩展后的节点特征重新排列，将维度的特征变为,即：
37、
38、
39、
40、其中，为降采样比例的倒数，是稀疏点云数据的节点数，是原始点云数据的节点数，和是可学习的参数，为重塑函数，为卷积操作层第层的节点特征；
41、采用多层感知机对点云进行重构到三维空间。
42、一种快速的点云数据传输系统，包括：
43、客户端，通过传感器采集原始点云数据，采用基于自适应采样策略的泊松盘下采样方法对原始点云数据进行稀疏化处理，生成稀疏点云数据，将稀疏点云数据通过低延迟通信协议传输至服务器端；
44、服务器端，采用预训练的动态图卷积神经网络对稀疏点云数据进行上采样，重建原始点云数据。
45、与现有技术相比，本专利技术的有益效果为：
46、（1） 本专利技术提出了一种自适应半径的泊松盘下采样技术对原始点云数据进行稀疏化处理，该方法通过对每个点的局部密度信息进行分析，自适应调整采样半径，从而在保证点云全局结构完整性的同时，减少冗余点的数量，提高点云传输与处理的效率；
47、（2） 本专利技术将稀疏点云数据传输至服务器端，降低传输成本和时间；
48、（3） 本专利技术的动态图卷积神经网络（dgcnn）上采样方法其中融合了densegcn的增强多尺度图卷积网络，可以高效的提取点云的局部和全局的结构信息，快速有效的恢复点云的关键信息，实现高精的点云上采样重建。
本文档来自技高网...【技术保护点】
1.一种快速的点云数据传输方法，其特征在于，包括：
2.根据权利要求书1所述的一种快速的点云数据传输方法，其特征在于，所述采用基于自适应采样策略的泊松盘下采样方法对原始点云数据进行稀疏化处理具体包括：
3.根据权利要求2所述的一种快速的点云数据传输方法，其特征在于，所述采样半径为：
4.根据权利要求2所述的一种快速的点云数据传输方法，其特征在于，所述稀疏点云数据集为：
5.根据权利要求1所述的一种快速的点云数据传输方法，其特征在于，所述动态图卷积神经网络包括输入层、边特征构建层、卷积操作层和上采样模块，其中：
6.根据权利要求5所述的一种快速的点云数据传输方法，其特征在于，所述边的特征为：
7.根据权利要求5所述的一种快速的点云数据传输方法，其特征在于，所述卷积操作层的输出为：
8.根据权利要求5所述的一种快速的点云数据传输方法，其特征在于，所述动态图卷积神经网络采用损失函数进行优化，损失函数为：
9.根据权利要求1所述的一种快速的点云数据传输方法，其特征在于，通过基于DenseGCN
10.一种实现权利要求1-9任一所述方法的快速的点云数据传输系统，其特征在于，包括：
...【技术特征摘要】
1.一种快速的点云数据传输方法，其特征在于，包括：
2.根据权利要求书1所述的一种快速的点云数据传输方法，其特征在于，所述采用基于自适应采样策略的泊松盘下采样方法对原始点云数据进行稀疏化处理具体包括：
3.根据权利要求2所述的一种快速的点云数据传输方法，其特征在于，所述采样半径为：
4.根据权利要求2所述的一种快速的点云数据传输方法，其特征在于，所述稀疏点云数据集为：
5.根据权利要求1所述的一种快速的点云数据传输方法，其特征在于，所述动态图卷积神经网络包括输入层、边特征构建层、卷积操作层和上采样模块，其中：
6.根据权利要求5所述的...
【专利技术属性】
技术研发人员：钱坤宏，徐嘉晨，马喻兵，何晶晶，江闻涛，余益衡，洪一帆，
申请(专利权)人：杭州智元研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。