基于压缩感知的点云数据压缩方法研究

The geometric attributes of point-cloud data are continuously changing, which is obviously sparse. The information encoding scheme based on compressed sensing opened up a new way for efficient sparse signal compression, because of its collaborative sampling with encoding, multi-space sparse, flexible decoding and other advantages. In this project, we will explore a novel method for point-cloud coding, under the guidance of the signal sparse representation theory. We plan to find solutions for the point-cloud coding based on compressed sensing. For the coding part, we will propose a point-cloud regularity method based on clustering methods,by which the point-cloud can be ordered and sparse. Combined with the existing observation matrix design method, we will explore design methods of the observation matrix based on the prior knowledge. For the decoding part, a new point-cloud sparse representation method will be proposed, according to the local self-similarity of the regular point-cloud data. Then we will propose a new method of building robust point-cloud data reconstruction model based on compressive sensing, according to the local geometric features of point-cloud. Based on the research foundation mentioned above, we will build a new, efficient, low coding complexity, flexible and robust scheme for the point-cloud data coding and decoding.

点云数据具有明显的稀疏性,而基于压缩感知的信息编码方案因其具有协同采样编码、多空间稀疏表示和灵活解码等诸多优势为高效的稀疏信号的压缩开辟了一条新途径。 本项目拟从探索新的点云数据压缩编码方法入手，在信号稀疏表示理论的指导下，探索压缩感知的点云数据编码机理，研究基于压缩感知的点云数据编解码解决方案。在压缩感知编码方面，研究基于聚类的点云数据规格化方法,使其有序、可稀疏化；结合现有的观测矩阵设计方法，探索基于先验知识的规格点云数据观测方法。在压缩感知解码方面，针对规格点云数据的局部自相似性，研究点云数据的稀疏表示方法；针对规格点云数据的几何特征，建立鲁棒的点云数据重建模型。基于上述研究，构建高效、低编码复杂度和灵活鲁棒的新点云数据编解码方案。

点云数据具有明显的稀疏性，而基于压缩感知的信息编码方案因其具有协同采样编码、多空间稀疏表示和灵活解码等诸多优势为高效的稀疏信号的压缩开辟了一条新途径。主要研究工作有以下四个方面：.（1）在几何图像的表示方法方面，我们提出了一类新的保持顶点连接关系的几何图像生成方法，并在此基础上提出一类基于几何图像的渐进网格方法，与传统渐进网格方法相比，降低了渐进网格的空间复杂度。.（2）因为经典几何图像生成方法中存在模型部分区域重构误差较大的问题，我们提出了一类基于细分的几何图像方法，实验表明，我们的方法可以获得更高质量的重建。.（3）针对完全规格化的网格表示方法，我们首先提出了一种几何图像分片规范化方法，以提高几何片元间的几何相似度。面向规范化几何图像，我们提出了一种基于冗余字典的几何数据稀疏表示方法，并利用压缩感知方法对三维网格进行编码压缩。.（4）由于坐标系中三维无序散乱点云数据不具备任何稀疏特性，我们提出一种基于K近邻的点云数据规格化方法，为三维点云数据的稀疏表示奠定了基础。然后我们利用信号稀疏表示的思想，提出了针对三维点云数据的过完备字典训练方法，此方法大幅提高了字典训练的效率。.我们将上述研究方法应用于由连续运动的人体点云模型提取的骨骼模型，形成了一整套基于光场的人体动作库构建方案，通过此方案采集的动作库具有非常广泛的应用前景，可以用于影视特效、虚拟现实等诸多热门领域。