點云PCL免費知識星球，點云論文速讀。

標題：Real-Time Spatio-Temporal LiDAR Point Cloud Compression

作者：Yu Feng , Shaoshan Liu , and Yuhao Zhu

來源：2020IROS

本文僅做學術分享，如有侵權，請聯系刪除。歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉發朋友圈分享快樂。

論文閱讀模塊將分享點云處理，SLAM，三維視覺，高精地圖相關的文章。公眾號致力于理解三維視覺領域相關內容的干貨分享，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,有興趣的可聯系微信dianyunpcl@163.com。

●論文摘要

實時壓縮大量的激光雷達點云對于自動駕駛汽車等自動化機器至關重要。雖然目前大多數的工作都集中在壓縮單個點云幀上，但是本文提出了一個新的系統，可以有效地壓縮一系列點云。利用點云幀序列中的空間和時間冗余的思想。首先在點云序列中識別關鍵幀，然后通過迭代平面擬合對關鍵幀進行空間編碼。然后我們利用連續點云在物理空間中有大量重疊的事實，因此空間編碼的數據可以（重新）用于對時間流進行編碼。利用空間編碼數據進行時間編碼，不僅提高了壓縮率，而且避免了冗余計算，大大提高了壓縮速度。實驗表明，我們的壓縮系統達到了40×90的壓縮率，明顯高于MPEG的LiDAR點云壓縮標準，同時保持了較高的端到端應用精度。同時，我們的壓縮系統的壓縮速度與目前激光雷達的點云生成速率相匹配，并優于現有的壓縮系統，實現了實時點云傳輸。

代碼開源（有興趣的可以測試后與我交流和分享）：

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

●內容介紹

本文的壓縮系統的思想是利用點云（空間）和點云（時間）之間的冗余。在空間上，現實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。在時間上，連續的點云共享場景的大部分重疊區域；因此，可以使用同一組平面來編碼跨越點云的點。雖然直觀，但由于不規則/非結構化點云和計算密集的平面擬合過程，實時利用空間和時間冗余具有挑戰性。我們提出了一個壓縮系統，在保持高應用精度的同時，實現了最先進的壓縮率和壓縮速度。

本文的主要貢獻如下：

?據我們所知，這是第一次利用空間和時間冗余壓縮激光雷達點云的工作。

?與當今的壓縮方法（包括MPEG的點云壓縮標準）相比，壓縮方法同時實現了更高的壓縮率、更高的壓縮速度和更高的應用程序級精度。

我們的壓縮系統概述，它壓縮一系列連續的點云。將所有點云轉換為距離圖像，以加快壓縮速度。我們首先對序列中的關鍵點云（K幀）進行空間編碼，通常是中間點云。然后使用K幀的空間編碼結果對其余的點云進行時間編碼，我們稱之為預測點云（P幀）。

文章中提到了關于非結構化的點云編碼，常用的方法是空間樹結構的方法，比如八叉樹就是應用十分廣泛的編碼方式。那么對于結構化的點云壓縮與非結構化使用空間樹的方式來編碼點云不同，結構化的點云可以轉換為圖像編碼的形式，然后利用常規的圖像壓縮的方法實現點云的壓縮。

每個點云被轉換成一個距離圖像，以便進行后續計算。距離圖像不僅對原始點云進行初始壓縮，而且提供了非結構化點云的結構化表示。然后我們通過擬合平面對K幀進行空間編碼；然后利用K幀中的擬合平面對P幀進行時間編碼，大大提高了整體壓縮速率和速度。為了對IMU觀測中可能引入的變換誤差具有魯棒性，我們提出了一套補償傳感器噪聲并保持編碼質量的技術。最后，在我們的壓縮中使用不同的數據結構。原始點云將轉換為距離圖像。經過空間編碼后，距離圖中的大部分片段都是平面編碼的，不合格的區域留在殘差圖中。（如圖）

距離轉換公式

空間編碼示例

在運動變換之前和之后五個連續的點云的結果

●評估指標

論文在三種常見的點云應用程序上評估了這種點云壓縮方法：點云配準，點云對象檢測，點云場景的分割。

• 點云配準：配準的測試使用了基于點云PCL庫的ICP算法進行對比測試。

• 點云目標檢測：使用了體素網格的深度學習的方法測試對比。

• 點云場景的分割：使用了基于DNN的squezeseg方法。

使用三個評估指標：未壓縮點云的壓縮率、FPS的壓縮速度和應用程序結果的精確度。評估壓縮如何影響點云應用結果，這才是最終的關鍵。所以這里數據集使用KITTI數據集來評估點云配準和點云對象檢測。為了評估點云分割，使用SemanticKITTI數據集。

硬件平臺：使用英特爾I5-7500與，和一個移動平臺配備Nvidia Jethon Tx2使用C++實現點云的壓縮。

不同壓縮方法的配準平移誤差和壓縮率比較?

比較了各種壓縮方法的目標檢測精度和壓縮率

各種壓縮方法的分割誤差和壓縮率比較

●總結

本文提出了一種新的時空壓縮方法。結果表明，利用連續點云的空間和時間冗余，我們的壓縮方法可以達到90倍的壓縮率，在保持較高的應用精度的同時實現了實時（>10fps）的壓縮速度。它在壓縮率、速度和準確度方面優于最先進的點云壓縮標準。

資源

三維點云論文及相關應用分享

【點云論文速讀】基于激光雷達的里程計及3D點云地圖中的定位方法

3D目標檢測：MV3D-Net

三維點云分割綜述（上）

3D-MiniNet: 從點云中學習2D表示以實現快速有效的3D LIDAR語義分割（2020）

win下使用QT添加VTK插件實現點云可視化GUI

JSNet：3D點云的聯合實例和語義分割

大場景三維點云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規模點云的顯示

基于局部凹凸性進行目標分割

基于三維卷積神經網絡的點云標記

點云的超體素(SuperVoxel)

基于超點圖的大規模點云分割

更多文章可查看：點云學習歷史文章大匯總

SLAM及AR相關分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動泊車系統中的語義SLAM

【點云論文速讀】StructSLAM:結構化線特征SLAM

SLAM和AR綜述

常用的3D深度相機

AR設備單目視覺慣導SLAM算法綜述與評價

SLAM綜述(4)激光與視覺融合SLAM

Kimera實時重建的語義SLAM系統

SLAM綜述(3)-視覺與慣導，視覺與深度學習SLAM

易擴展的SLAM框架-OpenVSLAM

高翔：非結構化道路激光SLAM中的挑戰

SLAM綜述之Lidar SLAM

基于魚眼相機的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

第二期B站錄播之深度學習在3D場景中的應用

第三期B站錄播之CMake進階學習

第四期B站錄播之點云物體及六自由度姿態估計

第五期B站錄播之點云深度學習語義分割拓展

第六期B站錄播之Pointnetlk解讀

[線上分享錄播]點云配準概述及其在激光SLAM中的應用

[線上分享錄播]cloudcompare插件開發

[線上分享錄播]基于點云數據的?Mesh重建與處理

[線上分享錄播]機器人力反饋遙操作技術及機器人視覺分享

[線上分享錄播]地面點云配準與機載點云航帶平差

點云PCL更多活動請查看：點云PCL活動之應屆生校招群

掃描下方微信視頻號二維碼可查看最新研究成果及相關開源方案的演示：

如果你對本文感興趣，點擊“原文閱讀”獲取知識星球二維碼，務必按照“姓名+學校/公司+研究方向”備注加入免費知識星球，星球可自由發言交流和分享。也可免費下載公眾號分享的論文pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

歡迎各位轉發分享朋友圈，將公眾號設置為星標，或點擊“在看”以示鼓勵和支持，讓我們繼續分享！

以上內容如有錯誤請留言評論，歡迎指正交流。如有侵權，請聯系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關注我們

讓我們一起分享一起學習吧！期待有想法，樂于分享的小伙伴加入免費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，點云，高精地圖，自動駕駛，以及機器人等相關的領域。

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

點一下“在看”你會更好看耶

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。