基于密度划分的激光雷达点云混合压缩方法

《IEEE Access》：Hybrid Compression of LiDAR Point Clouds Using Density-Based Partitioning

　　

摘要：

激光雷达点云的密度存在较大差异，而这些差异会直接影响压缩效率。基于几何结构的编码标准，如MPEG基于几何结构的点云编码标准（G-PCC），在稀疏点云上表现较好；而基于学习的方法，如JPEG Pleno验证模型（JP-PCC），则在密集点云上更为有效。混合编码利用了这两种方法的互补性，根据点的局部密度为每组点选择最合适的编码方式。本研究评估了五种点云分割方法，分别是基于距离的分割、固定密度阈值法、自适应密度分位数法、基于邻域的细化法以及形态学平滑法。实验在三个具有不同整体密度水平的激光雷达点云数据集上进行，分别是KITTI、Ford，以及本研究新引入的工业室内数据集Flowbotic。为了减少数据集内部密度差异带来的偏差，研究采用了基于密度的聚类方法，所有评估都针对每点4比特以下的实际应用场景。实验结果表明，基于密度的混合编码相比单一编码方式能持续提升压缩效率。在所测试的方法中，对于KITTI和Ford数据集，采用0.25分位数的自适应密度阈值法取得了最佳的平均性能；而对于Flowbotic数据集，基于邻域的稀疏到密集细化法效果最佳。这些研究结果表明，考虑密度特征的点云分割方法有助于在各种不同的激光雷达采集条件下实现高效的混合编码。