随着视觉传感器和激光雷达（Light Detection And Ranging,Li DAR）技术的不断发展,人们越来越容易获得高清视频、三维点云数据。高清视频、点云序列数据量庞大,现有的带宽和存储条件很难满足要求,开发高效的视频、点云数据压缩算法成了当务之急。HEVC（High Efficiency Video Coding）作为新一代视频编码标准,与上一代视频编码标准H.264/AVC相比,在相同的编码质量下,节省近一半的编码数据量。HEVC高效的编码性能是以算法复杂度的增加为代价的,这不利于视频的实时传输和硬件实现。因此,如何在不降低视频质量的前提下,降低算法复杂度,是HEVC研究的主要课题。Li DAR点云数据作为无人驾驶技术中关键的一部分变得越来越重要,已经成为自主驾驶中不可或缺的一部分。车载Li DAR点云数据视场大、激光点分布不均匀,数据庞大,存储起来非常昂贵,并且难以直接共享。车载Li DAR点云数据是有序的,可直接转换成深度图。然而传统的图像或视频编码算法,如JPEG2000和HEVC,只能对8位的整数像素值进行编码,这不适用于浮点型的Li DAR数据。同时图像的预测方法也不适用于Li DAR深度图,这给Li DAR数据的压缩带来了困难。本文研究了基于HEVC的帧内编码优化算法,并针对大视场点云数据,借鉴视频编码中帧内编码、帧间编码方法和3D-HEVC中对深度图的预测方法,提出了一种基于聚类的无损点云数据压缩算法,主要研究内容与成果如下:1)本文提出了一种基于图像纹理特征的编码单元（Coding Unit,CU）快速划分和预测单元（Predicting Unit,PU）预测模式快速选择算法。通过一种预处理算法来获得编码块的复杂度和纹理方向。一方面,根据CU的复杂度,自适应地跳过或终止部分CU的划分,减少CU深度的遍历时间。另一方面,根据PU的纹理方向,选择对应的候选模式集。通过粗模式决策算法（Rough Mode Decision,RMD）和率失真最优化算法（Rate Distortion Optimization,RDO）遍历这些候选模式选取最佳预测模式。将算法移植到标准视频解码软件HM16.7平台上,实验结果表明,与HM16.7算法相比,降低57.13%的编码时间,比特率增加0.65%,PSNR下降0.08d B。2)相邻的编码树单元（Coding Tree Unit,CTU）通常具有相似的划分结构,利用当前CTU左边、上边、左上和右上CTU的编码深度来缩小了当前CTU的深度搜索范围。我们为经典的Sobel算法在45°和135°方向上添加了两个模板。对编码块进行Sobel运算获得四个方向上的边缘。根据CU的边缘强度,判断CU是否递归划分成四个子CU。35种帧内预测模式被划成四组,分别与四组边缘方向相对应,选择边缘最强方向对应的预测模式进行RMD计算,通过减少预测模式的数量来降低算法复杂度。实验结果表明,所提算法平均节省53.66%的编码时间,比特率平均增加0.46%,PSNR损失0.05d B。3)离散Haar小波变换将图像分解成四个不重叠的子带,即LL,HL,LH和HH。子带LL包含图像的低频信息,与原图像及其相似。其它三个子带HL、LH、HH分别反应图像的水平、垂直和对角细节。我们根据HL、LH和HH子带来预测编码块的复杂度和纹理方向。根据编码块的复杂度和纹理方向来加快CU划分和PU预测模式选择的过程,降低算法复杂度。实验结果表明,算法能够节省52.73%的编码时间,比特率增加0.5%,PSNR损失为0.05 d B。4)车载Li DAR数据具有数据量大、离散分布、数据密度分布不均匀的特点。本文借鉴视频编码中帧内编码、帧间编码的方法,对点云序列进行压缩。首先将Li DAR数据转换成深度图,并基于深度图对点云进行聚类。受3D-HEVC中对深度图预测方法的启发,根据聚类结果,我们用类似的方法对深度图进行帧内预测,去除数据的空间冗余。在帧间编码过程中,通过ICP（Iterative Closest Point）算法对相邻两帧点云进行匹配,求出旋转矩阵和平移矩阵。将两帧点云数据变换到同一坐标系下,并求出它们对应深度图的残差图,去除点云序列的时间冗余。最后,使用无损数据压缩算法对帧内、帧间预测的残差数据进行压缩。实验结果显示,所提算法能够达到20倍的压缩率。