一种数字对象的属性压缩方法及装置与流程

1.本发明涉及数据处理技术领域，具体涉及一种数字对象的属性压缩方法及装置。


背景技术：

2.随着计算机视觉和互联网技术的发展，人们对虚拟沉浸式体验提出了更高的要求，通过激光雷达扫描仪可以快速获取高精度的点云数据，对被扫描对象或场景进行一比一复刻，极大了推动交互式多媒体技术的发展。三维点云因其非接触全自动全天候采集、高精度、高效率、高表达等众多优势成为最具代表的三维数据，已广泛应用于测绘工程、自主驾驶、智慧城市、智慧网点、文物保护、资产保护等众多领域。
3.在金融业，通过激光雷达扫描仪可以轻松实现基于三维点云的线上实景银行营业厅、虚拟储蓄卡/信用卡展示、质押物数字化存档、各类资产保护等，成为科技金融领域的研究热点。然而，海量的点云数据为用户带来细腻逼真的沉浸式体验的同时，也带来了数据的存储和传输上的挑战，在保障人眼的视觉效果和三维对象表面细节的同时，对数据进行高效压缩是亟待解决的问题。
4.目前，动态图像专家组(moving picture expert group,mpeg)建立了开放的点云压缩标准体系，并发布了基于几何的点云压缩(geometry-based point cloud,g-pcc)编解码框架。然而，由于点云数据的无序性、非结构化等特点，如何更高效的利用点云的空间特征、保证点云质量的同时提高率失真性能仍有巨大的提升空间。
5.在现有基于预测的点云属性压缩算法中，根据k近邻点的距离特征选择预测模式对当前点进行属性预测，由于点云的细节边缘、纹理变化较丰富的地方往往包含较多的属性信息，且曲率变化、密度变化较大，如果和局部平缓的表面互为预测点并进行统一压缩，会降低预测精度和压缩质量，造成局部特征的丢失。


技术实现要素：

6.针对现有技术中的问题，本发明实施例提供一种数字对象的属性压缩方法及装置，能够至少部分地解决现有技术中存在的问题。
7.一方面，本发明提出一种数字对象的属性压缩方法，包括：
8.获取数字对象的三维点云数据，所述三维点云数据中的各数据点都包括位置信息和颜色属性信息；
9.根据所述位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值；
10.根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，以及对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测；
11.对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云和压缩后的平滑点云，合并所述特征点
云和所述平滑点云，完成所述数字对象的属性压缩。
12.其中，所述根据所述位置信息计算得到与各数据点分别对应的局部特征值，包括：
13.根据所述位置信息计算得到与各数据点分别对应的局部平均密度；
14.根据各局部平均密度和预先获取的与各数据点分别对应的曲率，计算得到与各数据点分别对应的局部特征值。
15.其中，所述根据所述位置信息计算得到与各数据点分别对应的局部平均密度，包括：
16.根据所述位置信息确定与各数据点分别对应的近邻点；
17.根据同一数据点对应的各近邻点和所述位置信息，计算得到与各数据点分别对应的局部密度；
18.根据所述局部密度中与各近邻点分别对应的近邻点密度计算得到与各数据点分别对应的局部平均密度。
19.其中，所述根据各局部特征值计算得到特征阈值，包括：
20.根据各局部特征值计算得到平均局部特征值和用于确定点云局部特征值分布情况的标准差；
21.将所述平均局部特征值和所述标准差之和作为所述特征阈值。
22.其中，所述根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，包括：
23.将大于等于所述特征阈值的各局部特征值所对应的各数据点的数据类型确定为所述特征点；
24.将小于所述特征阈值的各局部特征值所对应的各数据点的数据类型确定为所述平滑点。
25.其中，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，包括：
26.根据与各第一数据点分别对应的第一近邻点的第一实际属性值，以及各第一近邻点与每个第一数据点之间的第一距离权重系数，计算得到第一属性预测值。
27.其中，对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测，包括：
28.根据与各第二数据点分别对应的第二近邻点的第二实际属性值，以及各第二近邻点与每个第二数据点之间的第二距离权重系数，计算得到第二属性预测值；
29.其中，所述第二近邻点的近邻点数量少于所述第一近邻点的近邻点数量。
30.一方面，本发明提出一种数字对象的属性压缩装置，包括：
31.获取单元，用于获取数字对象的三维点云数据，所述三维点云数据中的各数据点都包括位置信息和颜色属性信息；
32.计算单元，用于根据所述位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值；
33.预测单元，用于根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，以及对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测；
34.压缩单元，用于对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云和压缩后的平滑点云，合并所述特征点云和所述平滑点云，完成所述数字对象的属性压缩。
35.再一方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
36.所述处理器和所述存储器通过所述总线完成相互间的通信；
37.所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
38.获取数字对象的三维点云数据，所述三维点云数据中的各数据点都包括位置信息和颜色属性信息；
39.根据所述位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值；
40.根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，以及对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测；
41.对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云和压缩后的平滑点云，合并所述特征点云和所述平滑点云，完成所述数字对象的属性压缩。
42.本发明实施例提供一种非暂态计算机可读存储介质，包括：
43.所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：
44.获取数字对象的三维点云数据，所述三维点云数据中的各数据点都包括位置信息和颜色属性信息；
45.根据所述位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值；
46.根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，以及对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测；
47.对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云和压缩后的平滑点云，合并所述特征点云和所述平滑点云，完成所述数字对象的属性压缩。
48.本发明实施例提供的数字对象的属性压缩方法及装置，获取数字对象的三维点云数据，所述三维点云数据中的各数据点都包括位置信息和颜色属性信息；根据所述位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值；根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，以及对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测；对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云和压缩后的平滑点云，合并所述特征点云和所述平滑点云，完成所述数字对象的属性压缩，能够保证数字对象的三维点云数据质量的同时，还高效实现数字对象的属性压缩。
附图说明
49.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
50.图1是本发明一实施例提供的数字对象的属性压缩方法的流程示意图。
51.图2是本发明另一实施例提供的数字对象的属性压缩方法的流程示意图。
52.图3是本发明实施例提供的点云shiva_00035_vox12_n的示意图。
53.图4是本发明实施例提供的点云shiva_00035_vox12_n的特征点示意图。
54.图5是本发明实施例提供的点云shiva_00035_vox12_n的平滑点示意图。
55.图6是本发明一实施例提供的数字对象的属性压缩装置的结构示意图。
56.图7为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
57.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
58.相关术语说明：
59.数字对象可以包括数字模型，泛指通过数字化方式建立实体模型，其中实体模型可以包括山川河流等自然景观的模型。
60.三维点云：三维点云是一种新兴的三维模型表达方式，属于计算机视觉三维图像领域。点云数据主要通过激光雷达扫描仪获取，是描述物体表面特征的离散点集，由几何位置信息(x,y,z)和属性信息(如rgb、反射率、法向量)等组成。
61.属性压缩：几何压缩和属性压缩同属于点云压缩的范畴，几何压缩是对位置信息进行压缩，属性压缩是对点云的属性进行压缩，主要是对颜色属性rgb的压缩。
62.图1是本发明一实施例提供的数字对象的属性压缩方法的流程示意图，如图1所示，本发明实施例提供的数字对象的属性压缩方法，包括：
63.步骤s1：获取数字对象的三维点云数据，所述三维点云数据中的各数据点都包括位置信息和颜色属性信息。
64.步骤s2：根据所述位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值。
65.步骤s3：根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，以及对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测。
66.步骤s4：对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云和压缩后的平滑点云，合并所述特征点云和所述平滑点云，完成所述数字对象的属性压缩。
67.在上述步骤s1中，装置获取数字对象的三维点云数据，所述三维点云数据中的各
数据点都包括位置信息和颜色属性信息。装置可以是执行该方法的计算机设备，例如可以包括服务器。需要说明是，本发明实施例涉及用户数据的获取及分析是经用户授权的。
68.将数字对象的三维点云数据表示为数据点集p{p1,p2,...,pn}，其中，n为有限正整数，代表数据点的数量。数据点集中的任意一个点pi，均包含位置信息和颜色属性信息，即pi(x,y,z,r,g,b)，其中，x,y,z代表三维坐标，r,g,b代表红绿蓝三色。
69.在上述步骤s2中，装置根据所述位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值。所述根据所述位置信息计算得到与各数据点分别对应的局部特征值，包括：
70.根据所述位置信息计算得到与各数据点分别对应的局部平均密度；
71.根据各局部平均密度和预先获取的与各数据点分别对应的曲率，计算得到与各数据点分别对应的局部特征值。
72.所述根据所述位置信息计算得到与各数据点分别对应的局部平均密度，包括：
73.根据所述位置信息确定与各数据点分别对应的近邻点；k表示点pi的近邻个数，p
ij
表示pi的第j个近邻点。
74.根据同一数据点对应的各近邻点和所述位置信息，计算得到与各数据点分别对应的局部密度；可以根据如下公式计算与各数据点分别对应的局部密度di：
[0075][0076]
其中，|p
ij-pi|表示p
ij
的三维坐标与pi的三维坐标之间的距离，其他变量可参照上述说明，不再赘述。
[0077]
根据所述局部密度中与各近邻点分别对应的近邻点密度计算得到与各数据点分别对应的局部平均密度。可以根据如下公式计算与各数据点分别对应的局部平均密度di：
[0078][0079]
其中，d
ij
表示与pi对应的局部密度中第j个近邻点对应的近邻点密度，参照上述di的计算公式，同理，d
ij
可以根据如下公式计算：
[0080][0081]
其中，k为以第j个近邻点为局部中心的近邻点个数，p
ijx
表示以第j个近邻点为局部中心的第x个近邻点，|p
ikj-p
ij
|表示p
ijx
的三维坐标与p
ij
的三维坐标之间的距离。
[0082]
根据各局部平均密度和预先获取的与各数据点分别对应的曲率，计算得到与各数据点分别对应的局部特征值，包括：
[0083]
根据如下公式计算得到与各数据点分别对应的局部特征值fi：
[0084][0085]
其中，ci表示数据点pi的曲率。
[0086]
所述根据各局部特征值计算得到特征阈值，包括：
[0087]
根据各局部特征值计算得到平均局部特征值和用于确定点云局部特征值分布情况的标准差；根据如下公式计算平均局部特征值
[0088][0089]
根据如下公式计算标准差f
σ
：
[0090][0091]
将所述平均局部特征值和所述标准差之和作为所述特征阈值，根据如下公式计算特征阈值t：
[0092][0093]
在上述步骤s3中，装置根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，以及对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测。数据类型包括特征点和平滑点，其中特征点的曲率和平均密度较大，平滑点的曲率和平均密度较小，甚至接近于零。
[0094]
所述根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，包括：
[0095]
将大于等于所述特征阈值的各局部特征值所对应的各数据点的数据类型确定为所述特征点；大于等于所述特征阈值的各局部特征值所对应的各数据点所组成的数据点集记为特征点集f。
[0096]
将小于所述特征阈值的各局部特征值所对应的各数据点的数据类型确定为所述平滑点。小于所述特征阈值的各局部特征值所对应的各数据点所组成的数据点集记为平滑点集s。
[0097]
所述根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，根据如下公式确定各数据点的数据类型：
[0098][0099]
所述对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，包括：
[0100]
根据与各第一数据点分别对应的第一近邻点的第一实际属性值，以及各第一近邻点与每个第一数据点之间的第一距离权重系数，计算得到第一属性预测值，根据如下公式计算第一属性预测值
[0101][0102]
其中，k1表示第一近邻点的总数量，表示第j个第一近邻点与第i个第一数据点
之间的第一距离权重系数，表示与第i个第一数据点对应的第j个第一近邻点的第一实际属性值。
[0103]
对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测，包括：
[0104]
根据与各第二数据点分别对应的第二近邻点的第二实际属性值，以及各第二近邻点与每个第二数据点之间的第二距离权重系数，计算得到第二属性预测值；根据如下公式计算第二属性预测值
[0105][0106]
其中，k2表示第二近邻点的总数量，表示第j个第二近邻点与第i个第二数据点之间的第二距离权重系数，表示与第i个第二数据点对应的第j个第二近邻点的第二实际属性值。
[0107]
其中，所述第二近邻点的近邻点数量k2少于所述第一近邻点的近邻点数量k1，由于特征点的具有稀疏性的特点，为了进一步保证计算精度，特征点预测过程中的k1取值通常大于平滑点预测过程中的k2取值，大于取值幅度可以为增加30％，不作具体限定。
[0108]
如图2所示，计算第一属性预测值对应图2中的对特征点进行自适应压缩；计算第二属性预测值对应图2中的对平滑点进行自适应压缩。
[0109]
在上述步骤s4中，装置对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云和压缩后的平滑点云，合并所述特征点云和所述平滑点云，完成所述数字对象的属性压缩。第一预测残差为与之差的绝对值，第二预测残差为与之差的绝对值。
[0110]
对预测残差进行编解码，得到压缩后的点云，为本领域成熟技术不再赘述。
[0111]
可以通过对特征点云和平滑点云取并集的方式实现特征点云和平滑点云。
[0112]
如图3所示，为点云shiva_00035_vox12_n的示意图。
[0113]
如图4所示，为点云shiva_00035_vox12_n的特征点示意图。
[0114]
如图5所示，为点云shiva_00035_vox12_n的平滑点示意图。
[0115]
本发明实施例提供的数字对象的属性压缩方法，具有如下优点：
[0116]
(1)提出基于局部特征的点云特征点提取方法，构建基于曲率变化和点的密度特征相结合的局部特征计算模型，通过计算局部特征值将点云划分为特征点集和平滑点集，能够有效提取点云的特征点。
[0117]
(2)提取的特征点集具有丰富的细节信息且具有较大的属性变化，平滑点表面平缓且属性相似度较高，将特征点和平滑点分别进行基于预测的属性压缩，考虑到特征点云的稀疏性，在预测过程中自适应提高近邻点搜索范围，保证了特征点的压缩质量。
[0118]
(3)将特征点和平滑点分别进行自适应属性压缩，提高了预测过程中的预测精度，减少特征点的属性突变对平滑点属性预测带来的影响，有助于保留点云的局部特征，有效地提高了点云压缩质量。
[0119]
本发明实施例提供的数字对象的属性压缩方法，获取数字对象的三维点云数据，所述三维点云数据中的各数据点都包括位置信息和颜色属性信息；根据所述位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值；根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，以及对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测；对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云和压缩后的平滑点云，合并所述特征点云和所述平滑点云，完成所述数字对象的属性压缩，能够保证数字对象的三维点云数据质量的同时，还高效实现数字对象的属性压缩。
[0120]
进一步地，所述根据所述位置信息计算得到与各数据点分别对应的局部特征值，包括：
[0121]
根据所述位置信息计算得到与各数据点分别对应的局部平均密度；可参照上述实施例说明，不再赘述。
[0122]
根据各局部平均密度和预先获取的与各数据点分别对应的曲率，计算得到与各数据点分别对应的局部特征值。可参照上述实施例说明，不再赘述。
[0123]
本发明实施例提供的数字对象的属性压缩方法，通过计算局部特征值，能够量化直观的体现数据点的局部特征。
[0124]
进一步地，所述根据所述位置信息计算得到与各数据点分别对应的局部平均密度，包括：
[0125]
根据所述位置信息确定与各数据点分别对应的近邻点；可参照上述实施例说明，不再赘述。
[0126]
根据同一数据点对应的各近邻点和所述位置信息，计算得到与各数据点分别对应的局部密度；可参照上述实施例说明，不再赘述。
[0127]
根据所述局部密度中与各近邻点分别对应的近邻点密度计算得到与各数据点分别对应的局部平均密度。可参照上述实施例说明，不再赘述。
[0128]
本发明实施例提供的数字对象的属性压缩方法，通过准确计算局部平均密度，能够确保后续特征点和平滑点划分的准确性。
[0129]
进一步地，所述根据各局部特征值计算得到特征阈值，包括：
[0130]
根据各局部特征值计算得到平均局部特征值和用于确定点云局部特征值分布情况的标准差；可参照上述实施例说明，不再赘述。
[0131]
将所述平均局部特征值和所述标准差之和作为所述特征阈值。可参照上述实施例说明，不再赘述。
[0132]
本发明实施例提供的数字对象的属性压缩方法，通过合理确定特征阈值，能够确保后续特征点和平滑点划分的准确性。
[0133]
进一步地，所述根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，包括：
[0134]
将大于等于所述特征阈值的各局部特征值所对应的各数据点的数据类型确定为所述特征点；可参照上述实施例说明，不再赘述。
[0135]
将小于所述特征阈值的各局部特征值所对应的各数据点的数据类型确定为所述
平滑点。可参照上述实施例说明，不再赘述。
[0136]
本发明实施例提供的数字对象的属性压缩方法，进一步能够确保特征点和平滑点划分的准确性。
[0137]
进一步地，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，包括：
[0138]
根据与各第一数据点分别对应的第一近邻点的第一实际属性值，以及各第一近邻点与每个第一数据点之间的第一距离权重系数，计算得到第一属性预测值。可参照上述实施例说明，不再赘述。
[0139]
本发明实施例提供的数字对象的属性压缩方法，能够实现自适应计算第一属性预测值。
[0140]
进一步地，对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测，包括：
[0141]
根据与各第二数据点分别对应的第二近邻点的第二实际属性值，以及各第二近邻点与每个第二数据点之间的第二距离权重系数，计算得到第二属性预测值；可参照上述实施例说明，不再赘述。
[0142]
其中，所述第二近邻点的近邻点数量少于所述第一近邻点的近邻点数量。可参照上述实施例说明，不再赘述。
[0143]
本发明实施例提供的数字对象的属性压缩方法，能够实现自适应计算第二属性预测值。
[0144]
需要说明的是，本发明实施例提供的数字对象的属性压缩方法可用于金融领域，也可用于除金融领域之外的任意技术领域，本发明实施例对数字对象的属性压缩方法的应用领域不做限定。
[0145]
图6是本发明一实施例提供的数字对象的属性压缩装置的结构示意图，如图6所示，本发明实施例提供的数字对象的属性压缩装置，包括获取单元601、计算单元602、预测单元603和压缩单元604，其中：
[0146]
获取单元601用于获取数字对象的三维点云数据，所述三维点云数据中的各数据点都包括位置信息和颜色属性信息；计算单元602用于根据所述位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值；预测单元603用于根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，以及对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测；压缩单元604用于对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云和压缩后的平滑点云，合并所述特征点云和所述平滑点云，完成所述数字对象的属性压缩。
[0147]
具体的，装置中的获取单元601用于获取数字对象的三维点云数据，所述三维点云数据中的各数据点都包括位置信息和颜色属性信息；计算单元602用于根据所述位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值；预测单元603用于根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，以及对
数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测；压缩单元604用于对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云和压缩后的平滑点云，合并所述特征点云和所述平滑点云，完成所述数字对象的属性压缩。
[0148]
本发明实施例提供的数字对象的属性压缩装置，获取数字对象的三维点云数据，所述三维点云数据中的各数据点都包括位置信息和颜色属性信息；根据所述位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值；根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，以及对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测；对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云和压缩后的平滑点云，合并所述特征点云和所述平滑点云，完成所述数字对象的属性压缩，能够保证数字对象的三维点云数据质量的同时，还高效实现数字对象的属性压缩。
[0149]
进一步地，所述计算单元602具体用于：
[0150]
根据所述位置信息计算得到与各数据点分别对应的局部平均密度；
[0151]
根据各局部平均密度和预先获取的与各数据点分别对应的曲率，计算得到与各数据点分别对应的局部特征值。
[0152]
本发明实施例提供的数字对象的属性压缩装置，通过计算局部特征值，能够量化直观的体现数据点的局部特征。
[0153]
进一步地，所述计算单元602还具体用于：
[0154]
根据所述位置信息确定与各数据点分别对应的近邻点；
[0155]
根据同一数据点对应的各近邻点和所述位置信息，计算得到与各数据点分别对应的局部密度；
[0156]
根据所述局部密度中与各近邻点分别对应的近邻点密度计算得到与各数据点分别对应的局部平均密度。
[0157]
本发明实施例提供的数字对象的属性压缩装置，通过准确计算局部平均密度，能够确保后续特征点和平滑点划分的准确性。
[0158]
进一步地，所述计算单元602具体用于：
[0159]
根据各局部特征值计算得到平均局部特征值和用于确定点云局部特征值分布情况的标准差；
[0160]
将所述平均局部特征值和所述标准差之和作为所述特征阈值。
[0161]
本发明实施例提供的数字对象的属性压缩装置，通过合理确定特征阈值，能够确保后续特征点和平滑点划分的准确性。
[0162]
进一步地，所述预测单元603具体用于：
[0163]
将大于等于所述特征阈值的各局部特征值所对应的各数据点的数据类型确定为所述特征点；
[0164]
将小于所述特征阈值的各局部特征值所对应的各数据点的数据类型确定为所述平滑点。
[0165]
本发明实施例提供的数字对象的属性压缩装置，进一步能够确保特征点和平滑点
划分的准确性。
[0166]
进一步地，所述预测单元603具体用于：
[0167]
根据与各第一数据点分别对应的第一近邻点的第一实际属性值，以及各第一近邻点与每个第一数据点之间的第一距离权重系数，计算得到第一属性预测值。
[0168]
本发明实施例提供的数字对象的属性压缩装置，能够实现自适应计算第一属性预测值。
[0169]
进一步地，所述预测单元603还具体用于：
[0170]
根据与各第二数据点分别对应的第二近邻点的第二实际属性值，以及各第二近邻点与每个第二数据点之间的第二距离权重系数，计算得到第二属性预测值；
[0171]
其中，所述第二近邻点的近邻点数量少于所述第一近邻点的近邻点数量。
[0172]
本发明实施例提供的数字对象的属性压缩装置，能够实现自适应计算第二属性预测值。
[0173]
本发明实施例提供数字对象的属性压缩装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
[0174]
图7为本发明实施例提供的电子设备实体结构示意图，如图7所示，所述电子设备包括：处理器(processor)701、存储器(memory)702和总线703；
[0175]
其中，所述处理器701、存储器702通过总线703完成相互间的通信；
[0176]
所述处理器701用于调用所述存储器702中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：
[0177]
获取数字对象的三维点云数据，所述三维点云数据中的各数据点都包括位置信息和颜色属性信息；
[0178]
根据所述位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值；
[0179]
根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，以及对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测；
[0180]
对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云和压缩后的平滑点云，合并所述特征点云和所述平滑点云，完成所述数字对象的属性压缩。
[0181]
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
[0182]
获取数字对象的三维点云数据，所述三维点云数据中的各数据点都包括位置信息和颜色属性信息；
[0183]
根据所述位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值；
[0184]
根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，以及对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测；
[0185]
对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云和压缩后的平滑点云，合并所述特征点云和所述平滑点云，完成所述数字对象的属性压缩。
[0186]
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：
[0187]
获取数字对象的三维点云数据，所述三维点云数据中的各数据点都包括位置信息和颜色属性信息；
[0188]
根据所述位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值；
[0189]
根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，以及对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测；
[0190]
对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云和压缩后的平滑点云，合并所述特征点云和所述平滑点云，完成所述数字对象的属性压缩。
[0191]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0192]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0193]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0194]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0195]
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0196]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种数字对象的属性压缩方法，其特征在于，包括：获取数字对象的三维点云数据，所述三维点云数据中的各数据点都包括位置信息和颜色属性信息；根据所述位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值；根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，以及对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测；对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云和压缩后的平滑点云，合并所述特征点云和所述平滑点云，完成所述数字对象的属性压缩。2.根据权利要求1所述的数字对象的属性压缩方法，其特征在于，所述根据所述位置信息计算得到与各数据点分别对应的局部特征值，包括：根据所述位置信息计算得到与各数据点分别对应的局部平均密度；根据各局部平均密度和预先获取的与各数据点分别对应的曲率，计算得到与各数据点分别对应的局部特征值。3.根据权利要求2所述的数字对象的属性压缩方法，其特征在于，所述根据所述位置信息计算得到与各数据点分别对应的局部平均密度，包括：根据所述位置信息确定与各数据点分别对应的近邻点；根据同一数据点对应的各近邻点和所述位置信息，计算得到与各数据点分别对应的局部密度；根据所述局部密度中与各近邻点分别对应的近邻点密度计算得到与各数据点分别对应的局部平均密度。4.根据权利要求1所述的数字对象的属性压缩方法，其特征在于，所述根据各局部特征值计算得到特征阈值，包括：根据各局部特征值计算得到平均局部特征值和用于确定点云局部特征值分布情况的标准差；将所述平均局部特征值和所述标准差之和作为所述特征阈值。5.根据权利要求1所述的数字对象的属性压缩方法，其特征在于，所述根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，包括：将大于等于所述特征阈值的各局部特征值所对应的各数据点的数据类型确定为所述特征点；将小于所述特征阈值的各局部特征值所对应的各数据点的数据类型确定为所述平滑点。6.根据权利要求1至5任一所述的数字对象的属性压缩方法，其特征在于，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，包括：根据与各第一数据点分别对应的第一近邻点的第一实际属性值，以及各第一近邻点与每个第一数据点之间的第一距离权重系数，计算得到第一属性预测值。7.根据权利要求6所述的数字对象的属性压缩方法，其特征在于，对数据类型为平滑点
的各第二数据点的第二颜色属性信息进行第二属性预测，包括：根据与各第二数据点分别对应的第二近邻点的第二实际属性值，以及各第二近邻点与每个第二数据点之间的第二距离权重系数，计算得到第二属性预测值；其中，所述第二近邻点的近邻点数量少于所述第一近邻点的近邻点数量。8.一种数字对象的属性压缩装置，其特征在于，包括：获取单元，用于获取数字对象的三维点云数据，所述三维点云数据中的各数据点都包括位置信息和颜色属性信息；计算单元，用于根据所述位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值；预测单元，用于根据各局部特征值分别与所述特征阈值的比较结果确定各数据点的数据类型，对数据类型为特征点的各第一数据点的第一颜色属性信息进行第一属性预测，以及对数据类型为平滑点的各第二数据点的第二颜色属性信息进行第二属性预测；压缩单元，用于对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云和压缩后的平滑点云，合并所述特征点云和所述平滑点云，完成所述数字对象的属性压缩。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。

技术总结
本发明提供一种数字对象的属性压缩方法及装置，涉及数据处理技术领域，可用于金融领域或其他技术领域。所述方法包括：获取三维点云数据，根据位置信息计算得到与各数据点分别对应的局部特征值，根据各局部特征值计算得到特征阈值；根据各局部特征值分别与特征阈值的比较结果确定各数据点的数据类型，根据不同数据类型分别进行第一属性预测以及进行第二属性预测；对与第一属性预测结果对应的第一预测残差和与第二属性预测结果对应的第二预测残差分别进行编解码，得到压缩后的特征点云平滑点云，并合并。所述装置执行上述方法。本发明实施例提供的数字对象的属性压缩方法及装置，能实现数字对象的属性压缩。实现数字对象的属性压缩。实现数字对象的属性压缩。


技术研发人员：杨玉蓉 王伟可
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.05.29
技术公布日：2023/8/28