开源点云实时压缩方案测试
点击“蓝字”关注我们，选择“星标”获取最新文章
上周在一篇共享的开源的方案中我们介绍了理论的研究部分，处于好奇，本人决定亲自测试一下该开源的方案，虽然了解PCL的同学应该都知道，该开源库中也有关于点云的压缩和解压的研究，效果也很好。在之前的博客中，我们有过介绍，将来如果有机会更加可以继续深入解析其中的理论以及代码部分，这里我们首先来学习一下这一优秀的开源代码。首先介绍一下这篇文章《Real-Time Spatio-Temporal LiDAR Point Cloud Compression》
本文提出了一个新的系统，可以有效地压缩一系列点云。利用点云帧序列中的空间和时间冗余的思想。首先在点云序列中识别关键帧，然后通过迭代平面拟合对关键帧进行空间编码。然后我们利用连续点云在物理空间中有大量重叠的事实，因此空间编码的数据可以（重新）用于对时间流进行编码。利用空间编码数据进行时间编码，不仅提高了压缩率，而且避免了冗余计算，大大提高了压缩速度。实验表明，我们的压缩系统达到了40×90的压缩率，明显高于MPEG的LiDAR点云压缩标准，同时保持了较高的端到端应用精度。同时，我们的压缩系统的压缩速度与目前激光雷达的点云生成速率相匹配，并优于现有的压缩系统，实现了实时点云传输。
具体文章可查看：
github地址:
https://github.com/horizon-research/Real-Time-Spatio-Temporal-LiDAR-Point-Cloud-Compression由于在测试时，编译有点小问题，所以这里对源代码进行了一些重构，在代码结构上进行了CMake重构，将头文件和源文件进行了部分修改。
整理后的代码地址：
https://github.com/yaoli1992/LiDAR-Point-Cloud-Compression
测试内容介绍
原始的代码给出了data 和src两个文件，其中data是给的测试数据，代码是在src中，并且使用的Makefile编译。
根据文件的命名，可以一目了然的知道每一个文件是什么作用，代码上看起来是比较简单明了的，这里面也给出了六个测试代码，分别是对单帧点云数据和多帧的点云数据的压缩和解压以及完整的测试，具体如下：
* 'pcc_encoder'：对单帧点云进行编码的编码器。
* 'pcc-decoder'：解码单帧点云的解码器。
* 'pcc_test'：这是一个完整的测试代码。
* 'pcc_stream_encoder'：对多帧的点云数据流进行编码的编码器。
* 'pcc_stream_decoder'：解码多帧的点云数据流解码器。
* 'pcc_stream_test'：这是多帧数据流完整的测试。
使用了opencv4和boost库函数，如果你的电脑端正好有这两个库，那么你就直接make吧，可以直接编译和使用，但是由于本人的电脑只有opencv3.4以及boost1.58，修改后在编译的时候仍然没有成功，所以我决定将代码重新构建一下，使用cmake进行编译，并且为了测试压缩前后点云数据的质量，我已经引入了点云库PCL，对点云进行一些转换和可视化，
同时将代码的公共部分编译成一个.so的动态链接库，这样我们就可以很好的整合这些代码了，这里可以先看一下，本人在构建完成后的文件夹有哪些，如图：
每个文件夹的说明如下：
build:主要是我们的编译文件，以及生成的可执行文件。
data:是原始的数据文件，这里没有做改变
include:主要存放原始文件中的头文件
lib:文件主要是保存在接下来的编译中生成的.so动态链接库
src:主要用于存放原始文件的实现函数，主要是.cpp文件。
pcl_test：是我临时增加的一个基于点云库的bin文件转到pcd文件
test:主要是实验单帧和多帧点云数据压缩和解压的测试代码。
CmakeLists.txt：增加cmake文件。
重新构建的代码刚刚分享在了我的github地址上，所以有需要的直接下载后，使用cmake的方式编译代码即可，
编译完成后生成动态链接库，以及可执行的二进制文件
接下来我们就可以根据提供的数据和生成的二进制文件进行一些测试，在测试之前，可以根据我提供的pcl_test文件生成一个pcl_bin2pcd的可执行文件，并使使用pcl_viewer进行可视化查看原始数据和原始点的数量以及加载这些点云需要的时长。如图所示：
为了更好的对比压缩前后点云数据所占空间的大小，这里我们首先查看一下点云的属性，查看其大小：
然后我们使用，编译生成的可执行文件进行点云压缩处理
./pcc_encoder --path ../data --file 0000000000.bin -p 0.18 -y 0.45 -f binary -l 4 -t 0.5 --out frame.tar.gz
命令行来对0000000000.bin进行压缩。解压后生成一个frame.tar.gz，我们查看此时这一帧点云数据的大小。
对比一下文件大小可以看出压缩后的点云确实很小啊，从2M压缩到了50.6KB，节省了空间，但是会不会影响我们的点云质量呢？这里我们再解压出来看看。使用命令
./pcc_decoder -p 0.18 -y 0.45 -f binary -l 4 --file frame.tar.gz
此时解压出来的bin文件的大小，如图所示：
解压后从大小上好像比之前的小了一些，那说明是有一些损失，这里我们直接使用工具将其转化后可视化的结果大致查看一下结果如下
总结
从点的个数和点云的加载时间上也减少了不少，有损失，但是可视化出来的结果，看不出有什么影响点云质量。同时在作者的论文中也从三个方面，提出了三个评估指标来验证这里的压缩是没有影响到点云的质量。分别从以下三个方面的应用验证了压缩的有效性：
点云配准：配准的测试使用了基于点云PCL库的ICP算法进行对比测试。
点云目标检测：使用了体素网格的深度学习的方法测试对比。
点云场景的分割：使用了基于DNN的squezeseg方法。
使用三个评估指标：未压缩点云的压缩率、FPS的压缩速度和应用程序结果的精确度。
所谓前人栽树，后人乘凉，再次感谢作者开源了代码。
资源
三维点云论文及相关应用分享
【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法
3D目标检测：MV3D-Net
三维点云分割综述（上）
3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割（2020）
win下使用QT添加VTK插件实现点云可视化GUI
JSNet：3D点云的联合实例和语义分割
大场景三维点云的语义分割综述
PCL中outofcore模块---基于核外八叉树的大规模点云的显示
基于局部凹凸性进行目标分割
基于三维卷积神经网络的点云标记
点云的超体素(SuperVoxel)
基于超点图的大规模点云分割
更多文章可查看：点云学习历史文章大汇总
SLAM及AR相关分享
【开源方案共享】ORB-SLAM3开源啦！
【论文速读】AVP-SLAM：自动泊车系统中的语义SLAM
【点云论文速读】StructSLAM:结构化线特征SLAM
SLAM和AR综述
常用的3D深度相机
AR设备单目视觉惯导SLAM算法综述与评价
SLAM综述(4)激光与视觉融合SLAM
Kimera实时重建的语义SLAM系统
SLAM综述(3)-视觉与惯导，视觉与深度学习SLAM
易扩展的SLAM框架-OpenVSLAM
高翔：非结构化道路激光SLAM中的挑战
SLAM综述之Lidar SLAM
基于鱼眼相机的SLAM方法介绍
往期线上分享录播汇总
第一期B站录播之三维模型检索技术
第二期B站录播之深度学习在3D场景中的应用
第三期B站录播之CMake进阶学习
第四期B站录播之点云物体及六自由度姿态估计
第五期B站录播之点云深度学习语义分割拓展
第六期B站录播之Pointnetlk解读
[线上分享录播]点云配准概述及其在激光SLAM中的应用
[线上分享录播]cloudcompare插件开发
[线上分享录播]基于点云数据的 Mesh重建与处理
[线上分享录播]机器人力反馈遥操作技术及机器人视觉分享
[线上分享录播]地面点云配准与机载点云航带平差
点云PCL更多活动请查看：点云PCL活动之应届生校招群
扫描下方微信视频号二维码可查看最新研究成果及相关开源方案的演示：
如果你对本文感兴趣，点击“原文阅读”获取知识星球二维码，务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球，星球可自由发言交流和分享。也可免费下载公众号分享的论文pdf文档，和更多热爱分享的小伙伴一起交流吧！
欢迎各位转发分享朋友圈，将公众号设置为星标，或点击“在看”以示鼓励和支持，让我们继续分享！
以上内容如有错误请留言评论，欢迎指正交流。如有侵权，请联系删除
扫描二维码
关注我们
让我们一起分享一起学习吧！期待有想法，乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉，点云，高精地图，自动驾驶，以及机器人等相关的领域。
分享及合作方式：可联系微信“920177957”（需要按要求备注）联系邮箱：[email protected]，欢迎企业来联系公众号展开合作。
点一下“在看”你会更好看耶
更多相关：
-
点云PCL免费知识星球，点云论文速读。标题：三维点云分割综述（上）排版：particle欢迎各位加入免费知识星球，获取PDF文档，欢迎转发朋友圈，分享快乐。这是一篇综述性论文，以下只做概述性介绍，介绍文章已共享在微信群和免费知识星球中，文章在公众号将分成三个部分:第一部分介绍点云的获取以及各种传感器获取点云的特性，以及分割概念的区别...
-
点云PCL免费知识星球，点云论文速读。文章：DLL: Direct LIDAR Localization. A map-based localization approach for aerial robots作者：Fernando Caballero1 and Luis Merino编译：点云PCL代码：https://githu...
-
CloudCompare是一个三维点云（网格）编辑和处理软件。最初，它被设计用来对稠密的三维点云进行直接比较。它依赖于一种特定的八叉树结构，在进行点云对比这类任务时具有出色的性能【1】。此外，由于大多数点云都是由地面激光扫描仪采集的，CloudCompare的目的是在一台标准笔记本电脑上处理大规模的点云——通常超过1000万个点云。...
-
点云PCL免费知识星球，点云论文速读。文章：Open3DGen: Open-Source Software for Reconstructing Textured 3D Models from RGB-D Images作者：Teo T. Niemirepo, Marko Viitanen, and Jarno Vanne编译：点云P...
-
点云PCL免费知识星球，点云论文速读。标题：Real-Time Spatio-Temporal LiDAR Point Cloud Compression作者：Yu Feng , Shaoshan Liu , and Yuhao Zhu来源：2020IROS本文仅做学术分享，如有侵权，请联系删除。欢迎各位加入免费知识星球，获取PDF...
-
本文来自 运维人生 ，作者：fly是个稻草人链接：http://www.ywadmin.com/?id=76误删除linux系统文件了？不用急，本文将给你一个恢复linux文件的方法，让你轻松应对运维中的各风险问题。方法总比问题多~说在前面的话针对日常维护操作，难免会出现文件误删除的操作。大家熟知linux文件系统不同win有回收...
-
原文来自SecIN社区—作者：WiHat0x00 什么是WebShell渗透测试工作的一个阶段性目标就是获取目标服务器的操作控制权限，于是WebShell便应运而生。Webshell中的WEB就是web服务，shell就是管理攻击者与操作系统之间的交互。Webshell被称为攻击者通过Web服务器端口对Web服务器有一定的操作权限，而...
-
断电时文件系统发生了什么？硬盘又发生了什么？下一次开机时写到一半的文件在系统层面还在吗？在底层还在吗？更进一步的, 文件系统如何保证事务性, 会不会存在某种极端情况导致例如最后几个bit还没写完, 文件系统却认为它成功了的情况?回答不限任何文件系统，谢谢！下面是「北极」的回复分享断电的一瞬间，很多事情是无法确定的：1. 你无法确定...
-
接到项目需求。需要搭建一个页面进行交互，慢慢来b (2).jpg使用python django框架进行页面的搭建在项目文件下打开窗口，输入命令;django-admin startproject helloword#在文件helloword/helloword/创建view.py在view.py文件中输入以代码from django....
-
常见的错误集合解决方案（一）No.1提示错误'Microsoft.VC90.CRT,version="9.0.21022.8"把Microsoft.NET Framework 3.5.1下面的全部勾选上。No.2解决Qt Designer设计的图标但是VS生成不显示问题描述：在Qt designer中为菜单栏和工具栏设计的图标，但是...
-
标题：Voxelized GICP for Fast and Accurate 3D Point Cloud Registration作者：Kenji Koide, Masashi Yokozuka, Shuji Oishi, and Atsuhiko Banno来源：分享者代码：https://github.com/SMRT-AI...
-
点云PCL免费知识星球，点云论文速读。标题：LIC-Fusion 2.0: LiDAR-Inertial-Camera Odometry with Sliding-Window Plane-Feature Tracking作者：Xingxing Zuo1;2, Yulin Yang3, Patrick Geneva3, Jiajun...
-
点云PCL免费知识星球，点云论文速读。标题：CMRNet++: Map and Camera Agnostic Monocular Visual Localization in LiDAR Maps作者：Daniele Cattaneo, Domenico Giorgio Sorrenti, Abhinav Valada来源：分享者...
-
点云PCL免费知识星球，点云论文速读。标题：LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping作者：Tixiao Shan, Brendan Englot, Drew Meyers, Wei Wang, Carlo Ratti, and...
-
前言CloudCompare是另一款开源且完善的点云处理软件，我们可以在这款软件的基础上，任意的设计成我们想要的界面，可以说是点云处理软件的最佳选择，所以我认为如果你是研究点云算法的可以使用PCL，GDAL,等其他库，如果你是做工程的需要点云的界面显示，那么cloudCompare就是不二选择，当然如果是简单的界面使用PCL和QT也...