图形变化的点云压缩.docx

基于图形的运动评估和动态3D点云压缩的补偿摘要这篇论文解决的是3D点云序列的运动估计问题。这些3d点云序列有移动的3D位置和颜色属性的特点。运动估计是有效的压缩这些数据的关键，但是由于它短暂的连续帧有不同的大小、没有清楚的相关信息，使它成为一个具有挑战性问题。我们用一组图形来代表这些序列的时变几何结构，并且认为这些点云的3D位置和颜色属性作为图形最高点的信号。之后我们计算运动估计作为连续图像之间的特征匹配问题。使用新的频谱图小波描述符（new spectral graph wavelet descriptors）在一组稀疏的代表性顶点上估计运动。最终通过求解基于图的规则化问题来内插密集运动场。估计的运动最终用于3D点云序列的压缩中的颜色补偿。实验结果表明，我们的方法能够准确地估计运动，并在色彩压缩性能方面带来显着的改进。1.介绍诸如运动中的人的动态3D场景越来越多地被彩色加深度视频摄像机阵列捕获。与计算机生成的几何形状不同，所得到的捕获的几何形状几乎没有显式的时空结构，并且通常由点云的序列表示，其中在每个帧中可能存在不同数量的点，并且在时间上没有点之间的显式关联。执行运动估计，运动补偿和这种数据的压缩是一项具有挑战性的任务。很遗憾，到目前为止3D点云压缩序列在文献中已经被很大程度的忽视了。在压缩静态3D点云中几乎没有任何的贡献。一些示例包括基于2D小波变换的方案和基于八叉树的几何压缩算法，其集中于3D几何位置的压缩。最近，作者在[5]中提出使用图形变换来删除3D点云属性的压缩的空间冗余，与传统方法相比有显着的改进。然而，以上所有的方法独立的考虑了序列的每一帧，没有利用存在于几何序列中的时间冗余。这存在着压缩动态3D网格的文献，这些文献包括确定连通性和已知对应或者变化连通性。然而，我们只有一个工作，利用点云序列的时间和空间冗余[13]。自动机通过比较连续点云的八叉树数据结构和编码它们的结构差异来压缩几何形状。由于它们的编码方案基于八叉树结构之间的设置差异而不是体素的运动，所以减少用于编码颜色属性的时间相关性不是直接的。在这篇论文中我们集中注意力在3D颜色属性的压缩，并利用点云序列的时间相关性，提出一种新颖的运动估计和补偿方案。我们将点视为图形中的顶点，边缘在附近的顶点之间。与传统的多边形网格不同，此图形不需要表示表面。包括3D位置p（n）= [x; y; z]（n）和颜色分量c（n）= [r; g; b]（n）的每个点n的属性被视为驻留在图形的顶点。由于3D点云序列中的帧是相关的，所以在连续时刻的图信号也是相关的。然而，相关的估计是一个具有挑战性的任务，因为帧通常以不同的大小出现，并且没有显式的对应信息可用序列。我们提出了一种用于3D点云序列中的运动估计和补偿的新算法。我们将运动估计作为动态图上的特征匹配问题。特别地，我们使用谱图小波（SGW）[14]为图的每个节点计算不同尺度的新局部特征。光谱特征对图的边缘或节点的小扰动是稳定的，并且这种特征的不同实例已经成功地用于图匹配问题[15]或网格分割和表面对准问题[16]。然后，我们将不同图形中的SGW特征与基于马氏距离的标准进行匹配，并根据数据进行训练。我们首先在稀疏集合的匹配节点上计算运动，并且通过求解新的基于图的二次正则化问题来内插图的其他节点的运动，该问题促进图上的运动矢量的平滑性，以便建立一致的运动场。我们最终在颜色信息的预测编码中利用估计的运动信息，其中通过仅对实际颜色信息和运动补偿的结果之间的差异进行编码，从而获益于时间冗余。我们通过实验结果表明，我们的新的运动补偿方案在一个最先进的编码器[5]的集成导致在3D点云序列中的颜色信息的速率失真压缩性能方面的重大改进。本文的其余部分安排如下。第2节首先描述使用图形的3D点云的表示，并且生成光谱图小波描述符。运动估计和合成方案在第3节中给出。实验结果和结论分别在第4和5节中给出。2.基于图形的3D点云表征（大概是介绍谱图小波）我们使用加权和无向图G =（V; E; V）表示每个帧中的点集，其中V和E表示G的顶点和边集。基于图的表示是灵活的，并且适合于生活在不规则域上的数据。每一个节点V对应着点云中的一个点，每一个边集E连接着附近的点。在我们的数据集中，点云被体元化，即，它们的3D位置被量化为具有给定步长的规则的，轴对准的3D网格。每个量化单元被称为体素，包含点的体素被称为被占据，并且被占据的体素被识别为图中的顶点。如果两个至高点在体素网格中有26个相邻，则他们通过边缘相连接。即，他们之间的距离沿着方向轴的一步中是最大的。尽管两个连接像素之间的距离不是1，倍就是倍的步长。矩阵W是正边缘权重的矩阵，其中W（i; j）表示连接顶点i和j的边的权重。该权重捕获邻近占用体素的连通性模式，并且选择为与体素之间的距离成反比，遵循[5]中提出