點(diǎn)云PCL免費(fèi)知識(shí)星球，點(diǎn)云論文速讀。

標(biāo)題：Real-Time Spatio-Temporal LiDAR Point Cloud Compression

作者：Yu Feng , Shaoshan Liu , and Yuhao Zhu

來源：2020IROS

本文僅做學(xué)術(shù)分享，如有侵權(quán)，請(qǐng)聯(lián)系刪除。歡迎各位加入免費(fèi)知識(shí)星球，獲取PDF論文，歡迎轉(zhuǎn)發(fā)朋友圈分享快樂。

論文閱讀模塊將分享點(diǎn)云處理，SLAM，三維視覺，高精地圖相關(guān)的文章。公眾號(hào)致力于理解三維視覺領(lǐng)域相關(guān)內(nèi)容的干貨分享，歡迎各位加入我，我們一起每天一篇文章閱讀，開啟分享之旅,有興趣的可聯(lián)系微信dianyunpcl@163.com。

●論文摘要

實(shí)時(shí)壓縮大量的激光雷達(dá)點(diǎn)云對(duì)于自動(dòng)駕駛汽車等自動(dòng)化機(jī)器至關(guān)重要。雖然目前大多數(shù)的工作都集中在壓縮單個(gè)點(diǎn)云幀上，但是本文提出了一個(gè)新的系統(tǒng)，可以有效地壓縮一系列點(diǎn)云。利用點(diǎn)云幀序列中的空間和時(shí)間冗余的思想。首先在點(diǎn)云序列中識(shí)別關(guān)鍵幀，然后通過迭代平面擬合對(duì)關(guān)鍵幀進(jìn)行空間編碼。然后我們利用連續(xù)點(diǎn)云在物理空間中有大量重疊的事實(shí)，因此空間編碼的數(shù)據(jù)可以（重新）用于對(duì)時(shí)間流進(jìn)行編碼。利用空間編碼數(shù)據(jù)進(jìn)行時(shí)間編碼，不僅提高了壓縮率，而且避免了冗余計(jì)算，大大提高了壓縮速度。實(shí)驗(yàn)表明，我們的壓縮系統(tǒng)達(dá)到了40×90的壓縮率，明顯高于MPEG的LiDAR點(diǎn)云壓縮標(biāo)準(zhǔn)，同時(shí)保持了較高的端到端應(yīng)用精度。同時(shí)，我們的壓縮系統(tǒng)的壓縮速度與目前激光雷達(dá)的點(diǎn)云生成速率相匹配，并優(yōu)于現(xiàn)有的壓縮系統(tǒng)，實(shí)現(xiàn)了實(shí)時(shí)點(diǎn)云傳輸。

代碼開源（有興趣的可以測(cè)試后與我交流和分享）：

https://github.com/horizon-research/Real-Time-Spatio-Temporal-LiDAR-Point-Cloud-Compression

●內(nèi)容介紹

本文的壓縮系統(tǒng)的思想是利用點(diǎn)云（空間）和點(diǎn)云（時(shí)間）之間的冗余。在空間上，現(xiàn)實(shí)世界中的許多曲面都是平面（例如墻和地面）；甚至非平面曲面也可以用一組平面來近似。在時(shí)間上，連續(xù)的點(diǎn)云共享場(chǎng)景的大部分重疊區(qū)域；因此，可以使用同一組平面來編碼跨越點(diǎn)云的點(diǎn)。雖然直觀，但由于不規(guī)則/非結(jié)構(gòu)化點(diǎn)云和計(jì)算密集的平面擬合過程，實(shí)時(shí)利用空間和時(shí)間冗余具有挑戰(zhàn)性。我們提出了一個(gè)壓縮系統(tǒng)，在保持高應(yīng)用精度的同時(shí)，實(shí)現(xiàn)了最先進(jìn)的壓縮率和壓縮速度。

本文的主要貢獻(xiàn)如下：

?據(jù)我們所知，這是第一次利用空間和時(shí)間冗余壓縮激光雷達(dá)點(diǎn)云的工作。

?與當(dāng)今的壓縮方法（包括MPEG的點(diǎn)云壓縮標(biāo)準(zhǔn)）相比，壓縮方法同時(shí)實(shí)現(xiàn)了更高的壓縮率、更高的壓縮速度和更高的應(yīng)用程序級(jí)精度。

我們的壓縮系統(tǒng)概述，它壓縮一系列連續(xù)的點(diǎn)云。將所有點(diǎn)云轉(zhuǎn)換為距離圖像，以加快壓縮速度。我們首先對(duì)序列中的關(guān)鍵點(diǎn)云（K幀）進(jìn)行空間編碼，通常是中間點(diǎn)云。然后使用K幀的空間編碼結(jié)果對(duì)其余的點(diǎn)云進(jìn)行時(shí)間編碼，我們稱之為預(yù)測(cè)點(diǎn)云（P幀）。

文章中提到了關(guān)于非結(jié)構(gòu)化的點(diǎn)云編碼，常用的方法是空間樹結(jié)構(gòu)的方法，比如八叉樹就是應(yīng)用十分廣泛的編碼方式。那么對(duì)于結(jié)構(gòu)化的點(diǎn)云壓縮與非結(jié)構(gòu)化使用空間樹的方式來編碼點(diǎn)云不同，結(jié)構(gòu)化的點(diǎn)云可以轉(zhuǎn)換為圖像編碼的形式，然后利用常規(guī)的圖像壓縮的方法實(shí)現(xiàn)點(diǎn)云的壓縮。

每個(gè)點(diǎn)云被轉(zhuǎn)換成一個(gè)距離圖像，以便進(jìn)行后續(xù)計(jì)算。距離圖像不僅對(duì)原始點(diǎn)云進(jìn)行初始?jí)嚎s，而且提供了非結(jié)構(gòu)化點(diǎn)云的結(jié)構(gòu)化表示。然后我們通過擬合平面對(duì)K幀進(jìn)行空間編碼；然后利用K幀中的擬合平面對(duì)P幀進(jìn)行時(shí)間編碼，大大提高了整體壓縮速率和速度。為了對(duì)IMU觀測(cè)中可能引入的變換誤差具有魯棒性，我們提出了一套補(bǔ)償傳感器噪聲并保持編碼質(zhì)量的技術(shù)。最后，在我們的壓縮中使用不同的數(shù)據(jù)結(jié)構(gòu)。原始點(diǎn)云將轉(zhuǎn)換為距離圖像。經(jīng)過空間編碼后，距離圖中的大部分片段都是平面編碼的，不合格的區(qū)域留在殘差圖中。（如圖）

距離轉(zhuǎn)換公式

空間編碼示例

在運(yùn)動(dòng)變換之前和之后五個(gè)連續(xù)的點(diǎn)云的結(jié)果

●評(píng)估指標(biāo)

論文在三種常見的點(diǎn)云應(yīng)用程序上評(píng)估了這種點(diǎn)云壓縮方法：點(diǎn)云配準(zhǔn)，點(diǎn)云對(duì)象檢測(cè)，點(diǎn)云場(chǎng)景的分割。

• 點(diǎn)云配準(zhǔn)：配準(zhǔn)的測(cè)試使用了基于點(diǎn)云PCL庫的ICP算法進(jìn)行對(duì)比測(cè)試。

• 點(diǎn)云目標(biāo)檢測(cè)：使用了體素網(wǎng)格的深度學(xué)習(xí)的方法測(cè)試對(duì)比。

• 點(diǎn)云場(chǎng)景的分割：使用了基于DNN的squezeseg方法。

使用三個(gè)評(píng)估指標(biāo)：未壓縮點(diǎn)云的壓縮率、FPS的壓縮速度和應(yīng)用程序結(jié)果的精確度。評(píng)估壓縮如何影響點(diǎn)云應(yīng)用結(jié)果，這才是最終的關(guān)鍵。所以這里數(shù)據(jù)集使用KITTI數(shù)據(jù)集來評(píng)估點(diǎn)云配準(zhǔn)和點(diǎn)云對(duì)象檢測(cè)。為了評(píng)估點(diǎn)云分割，使用SemanticKITTI數(shù)據(jù)集。

硬件平臺(tái)：使用英特爾I5-7500與，和一個(gè)移動(dòng)平臺(tái)配備Nvidia Jethon Tx2使用C++實(shí)現(xiàn)點(diǎn)云的壓縮。

不同壓縮方法的配準(zhǔn)平移誤差和壓縮率比較?

比較了各種壓縮方法的目標(biāo)檢測(cè)精度和壓縮率

各種壓縮方法的分割誤差和壓縮率比較

●總結(jié)

本文提出了一種新的時(shí)空壓縮方法。結(jié)果表明，利用連續(xù)點(diǎn)云的空間和時(shí)間冗余，我們的壓縮方法可以達(dá)到90倍的壓縮率，在保持較高的應(yīng)用精度的同時(shí)實(shí)現(xiàn)了實(shí)時(shí)（>10fps）的壓縮速度。它在壓縮率、速度和準(zhǔn)確度方面優(yōu)于最先進(jìn)的點(diǎn)云壓縮標(biāo)準(zhǔn)。

資源

三維點(diǎn)云論文及相關(guān)應(yīng)用分享

【點(diǎn)云論文速讀】基于激光雷達(dá)的里程計(jì)及3D點(diǎn)云地圖中的定位方法

3D目標(biāo)檢測(cè)：MV3D-Net

三維點(diǎn)云分割綜述（上）

3D-MiniNet: 從點(diǎn)云中學(xué)習(xí)2D表示以實(shí)現(xiàn)快速有效的3D LIDAR語義分割（2020）

win下使用QT添加VTK插件實(shí)現(xiàn)點(diǎn)云可視化GUI

JSNet：3D點(diǎn)云的聯(lián)合實(shí)例和語義分割

大場(chǎng)景三維點(diǎn)云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規(guī)模點(diǎn)云的顯示

基于局部凹凸性進(jìn)行目標(biāo)分割

基于三維卷積神經(jīng)網(wǎng)絡(luò)的點(diǎn)云標(biāo)記

點(diǎn)云的超體素(SuperVoxel)

基于超點(diǎn)圖的大規(guī)模點(diǎn)云分割

更多文章可查看：點(diǎn)云學(xué)習(xí)歷史文章大匯總

SLAM及AR相關(guān)分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動(dòng)泊車系統(tǒng)中的語義SLAM

【點(diǎn)云論文速讀】StructSLAM:結(jié)構(gòu)化線特征SLAM

SLAM和AR綜述

常用的3D深度相機(jī)

AR設(shè)備單目視覺慣導(dǎo)SLAM算法綜述與評(píng)價(jià)

SLAM綜述(4)激光與視覺融合SLAM

Kimera實(shí)時(shí)重建的語義SLAM系統(tǒng)

SLAM綜述(3)-視覺與慣導(dǎo)，視覺與深度學(xué)習(xí)SLAM

易擴(kuò)展的SLAM框架-OpenVSLAM

高翔：非結(jié)構(gòu)化道路激光SLAM中的挑戰(zhàn)

SLAM綜述之Lidar SLAM

基于魚眼相機(jī)的SLAM方法介紹

往期線上分享錄播匯總

第一期B站錄播之三維模型檢索技術(shù)

第二期B站錄播之深度學(xué)習(xí)在3D場(chǎng)景中的應(yīng)用

第三期B站錄播之CMake進(jìn)階學(xué)習(xí)

第四期B站錄播之點(diǎn)云物體及六自由度姿態(tài)估計(jì)

第五期B站錄播之點(diǎn)云深度學(xué)習(xí)語義分割拓展

第六期B站錄播之Pointnetlk解讀

[線上分享錄播]點(diǎn)云配準(zhǔn)概述及其在激光SLAM中的應(yīng)用

[線上分享錄播]cloudcompare插件開發(fā)

[線上分享錄播]基于點(diǎn)云數(shù)據(jù)的?Mesh重建與處理

[線上分享錄播]機(jī)器人力反饋遙操作技術(shù)及機(jī)器人視覺分享

[線上分享錄播]地面點(diǎn)云配準(zhǔn)與機(jī)載點(diǎn)云航帶平差

點(diǎn)云PCL更多活動(dòng)請(qǐng)查看：點(diǎn)云PCL活動(dòng)之應(yīng)屆生校招群

掃描下方微信視頻號(hào)二維碼可查看最新研究成果及相關(guān)開源方案的演示：

如果你對(duì)本文感興趣，點(diǎn)擊“原文閱讀”獲取知識(shí)星球二維碼，務(wù)必按照“姓名+學(xué)校/公司+研究方向”備注加入免費(fèi)知識(shí)星球，星球可自由發(fā)言交流和分享。也可免費(fèi)下載公眾號(hào)分享的論文pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

歡迎各位轉(zhuǎn)發(fā)分享朋友圈，將公眾號(hào)設(shè)置為星標(biāo)，或點(diǎn)擊“在看”以示鼓勵(lì)和支持，讓我們繼續(xù)分享！

以上內(nèi)容如有錯(cuò)誤請(qǐng)留言評(píng)論，歡迎指正交流。如有侵權(quán)，請(qǐng)聯(lián)系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關(guān)注我們

讓我們一起分享一起學(xué)習(xí)吧！期待有想法，樂于分享的小伙伴加入免費(fèi)星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點(diǎn)云，高精地圖，自動(dòng)駕駛，以及機(jī)器人等相關(guān)的領(lǐng)域。

分享及合作方式：可聯(lián)系微信“920177957”（需要按要求備注）聯(lián)系郵箱：dianyunpcl@163.com，歡迎企業(yè)來聯(lián)系公眾號(hào)展開合作。

點(diǎn)一下“在看”你會(huì)更好看耶

總結(jié)

以上是生活随笔為你收集整理的实时的激光雷达点云压缩的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。