(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210698973.1 (22)申请日 2022.06.20 (71)申请人 西安邮电大 学 地址 710121 陕西省西安市长安区韦郭 路 西安邮电大 学南校区 (72)发明人 艾达　杨玉蓉　胥策　张晓阳　 (74)专利代理 机构 西安永生专利代理有限责任 公司 61201 专利代理师 申忠才 (51)Int.Cl. G06T 9/00(2006.01) G06T 17/00(2006.01) G06V 10/74(2022.01) (54)发明名称 基于局部相似度的三维点云属性压缩方法 (57)摘要 一种基于局部相似度的三维点云属性压缩 方法， 由输入点云数据、 八叉树排序、 生成预测 点、 确定点所在平面间的法向量夹角、 确定近邻 点的相似度、 确定属性预测值、 确定属性预测残 差步骤组成。 通过提取点云局部数据特征， 构建 基于欧氏距离和法线夹角的局部相似度计算方 法， 根据最大的相似度值选择实际的属性预测 值， 可降低属性预测过程中的属性信息丢失， 提 高了预测精度。 经过对比仿真实验， 本发明有效 地改善了压缩 过程中的颜色属性失真程度， 具有 压缩效率高、 重建质量高、 易于实现等特点， 有利 于点云的存储和传输， 可用于有色点云的压缩编 码。 权利要求书3页 说明书7页 附图4页 CN 114998456 A 2022.09.02 CN 114998456 A 1.一种基于局部相似度的三维点云属性压缩方法， 其特 征由下述 步骤组成： (1)输入点云数据 在点云Pi∈{P1,P2,...,PN}中， 每个点Pi均包含位置信息Pi(x,y,z)及颜色属性信息Pi (R,G,B)， 其中， N为有限的正整数， x、 y、 z分别代表三维坐标， R、 G、 B分别表示红色、 绿色、 蓝 色； (2)八叉树 排序 建立点云包围盒， 将点云空间逐层划分成2w×2w×2w个子立方体， 按下式确定每个子立 方体边长2w： 2w＝max(Bx,By,Bz)                              (1) 其中， w是划分次数， w的大小由包围盒的边长决定， Bx,By,Bz分别表示包围盒的边长， 在 划分过程中， 包含点云数据的子立方体标记 为1， 无点云数据的子立方体标记 为0， 被标记 为 1的占用节点可继续向下划分， 直至每 个子立方体内的点数最多为m， m为预设的值； (3)生成预测点 按式(2)分别确定 M个近邻点Pj,j∈{1,2,. ..,M}与当前点Pi的欧式距离d(Pi,Pj)： 其中， (xi,yi,zi)为点Pi的三维坐标， (xj,yj,zj)为点Pj的三维坐标， 取距离Pi最近的K个 点作为其K近邻点， 将K个近邻点作为 候选的预测点， 其中， K＜M， K、 M为有限的正整数； (4)确定点所在平面间的法向量夹角 按式(3)确定点Pi所在平面与点Pj所在平面的法向量夹角 θ(Pi,Pj)： 其中， Vi和Vj分别为点Pi和点Pj的法向量， j∈{1,2,. ..,K}， ||·||表示模； (5)确定近邻点的相似度 按式(4)确定 近邻点Pj相对于点Pi的相似度Sj： 其中， α 表示角度权 重因子， β 表示距离 权重因子， α +β 为1， 且α ＞β； (6)确定属性预测值 按式(5)确定K个近邻点中的相似度最大值： Smax＝max(Sj)                                         (5) 其中， j∈{1,2,. ..,K}， 按式(6)确定点Pi的属性预测值 其中， 为点Pj的实际属性值， 为相似度最大的近邻点的实际属性值， 且权　利　要　求　书 1/3 页 2 CN 114998456 A 2T为相似度阈值； (7)确定属性预测残差 按式(7)确定属性预测残差 对预测残差进行编码实现点云的属性压缩。 2.根据权利要求1所述的基于局部相似度的三维点云属性压缩方法， 其特征在于所述 的(2)生成预测点 步骤为： 按式(2)分别确定 M个近邻点Pj,j∈{1,2,. ..,M}与当前点Pi的欧式距离d(Pi,Pj)： 其中， (xi,yi,zi)为点Pi的三维坐标， (xj,yj,zj)为点Pj的三维坐标， 取距离Pi最近的K个 点作为其K近邻点， 将K个近邻点作为候选的预测点， 其中， K＜M， K值取为3～5， M值取为20～ 30。 3.根据权利要求1所述的基于局部相似度的三维点云属性压缩方法， 其特征在于所述 的(6)确定属性预测值 步骤为： 按式(5)确定K个近邻点中的相似度最大值： Smax＝max(Sj)                                              (5) 其中， j∈{1,2,. ..,K}， 按式(6)确定点Pi的属性预测值 其中， 为点Pj的实际属性值， 为相似度最大的近邻点的实际属性值， 且 T为相似度阈值， D为 点云的平均距离 。 4.根据权利要求1所述的基于局部相似度的三维点云属性压缩方法， 其特征在于所述 的(7)确定属性预测残差步骤为： 按式(7)确定属性预测残差 属性残差的量 化参数包括R 1～R5五个量 化等级， 具体量 化值分别为 46、 40、 34、 28、 2 2。 5.根据权利要求1所述的基于局部相似度的三维点云属性压缩方法， 其特征在于所述 的(2)八叉树序步骤为： 建立点云包围盒， 将点云空间逐层划分成2w×2w×2w个子立方体， 按下式确定每个子立 方体边长2w： 2w＝max(Bx,By,Bz)                                            (1) 其中， w是划分次数， w的大小由包围盒的边长决定， Bx,By,Bz分别表示包围盒的边长， 在 划分过程中， 包含点云数据的子立方体标记 为1， 无点云数据的子立方体标记 为0， 被标记 为权　利　要　求　书 2/3 页 3 CN 114998456 A 3