3D点云 (Lidar)检测入门篇 - PointPillars PyTorch实现

3D点云 (Lidar)检测入门篇 - PointPillars PyTorch实现

完整代码:https://github.com/zhulf0804/PointPillars。

自动驾驶中基于Lidar的object检测,简单的说,就是从3D点云数据中定位到object的框和类别。具体地,输入是点云 X ∈ R N × c \mathbf X \in \mathbb R^{N \times c} XRN×c (一般 c = 4 c=4 c=4),输出是 n n n个检测框bboxes, 以第 i i i个检测框bbox为例, 它包括位姿信息 ( x i , y i , z i , w i , l i , h i , θ i ) (x_i, y_i, z_i, w_i, l_i, h_i, \theta_i) (xi,yi,zi,wi,li,hi,θi)和类别信息 ( label i , score i ) (\text{label}_i, \text{score}_i) (labeli,scorei)

基于Lidar的object检测模型包括Point-based [PointRCNN(CVPR19), IA-SSD(CVPR22)等], Voxel-based [PointPillars(CVPR19), CenterPoint(CVPR21)等],Point-Voxel-based [PV-RCNN(CVPR20), HVPR(CVPR21)等]和Multi-view-based[PIXOR(CVPR18)等]等。本博客主要记录,作为菜鸟的我,在KITTI数据集上(3类)基于PyTorch实现PointPillars的一些学习心得, 训练和测试的pipeline如Figure 1所示。这里按照深度学习算法的流程进行展开: 数据 + 网络结构 + 预测/可视化 + 评估,和实现的代码结构是一一对应的,完整代码已更新于github: https://github.com/zhulf0804/PointPillars。

[说明 - 代码的实现是通过阅读mmdet3dv0.18.1源码, 加上自己的理解完成的。因为不会写cuda, 所以cuda代码和少量代码是从mmdet3dv0.18.1复制过来的。]

3D点云 (Lidar)检测入门篇 - PointPillars PyTorch实现_第1张图片

一、KITTI 3D检测数据集

1.1 数据集信息:

  • KITTI数据集论文: Are we ready for autonomous driving? the kitti vision benchmark suite [CVPR 2012] 和 Vision meets robotics: The kitti dataset [IJRR 2013]
  • KITTI数据集下载(下载前需要登录): point cloud(velodyne, 29GB), images(image_2, 12 GB), calibration files(calib, 16 MB)和labels(label_2, 5 MB)。数据velodyne, calib 和 label_2的读取详见utils/io.py

1.2 ground truth label信息 [file]

对每一帧点云数据, label是 n n n个15维的向量, 组成了8个维度的信息。

含义 样例
0 类别名称(type) Car
1 截断(truncated, float) 从 0 (non-truncated) 到 1 (truncated)
2 遮挡(occluded, int) 0=fully visible, 2 = largely occluded
3 观测角(alpha) [ − π , π ] [-\pi, \pi] [π,π]
4:8 图像2d bbox (57.68 178.66 341.72 285.91)
8:11 3d 尺寸(dimensions) (h, w, l) (1.65 1.68 3.88)
11:14 相机坐标系下的坐标(location) (x, y, z), 下平面中心点的坐标 (-6.88 1.77 12.36)
14 相机坐标系下绕 Y Y Y轴旋转的弧度(rotation_y) [ − π , π -\pi, \pi π,π]
  • 训练时主要用到的是类别信息(type) 和3d bbox 信息 (location, dimension, rotation_y).
  • 观测角(alpha)和旋转角(rotation_y)的区别和联系可以参考博客https://blog.csdn.net/qq_16137569/article/details/118873033。

1.3 坐标系的变换

因为gt label中提供的bbox信息是Camera坐标系的,因此在训练时需要使用外参等将其转换到Lidar坐标系; 有时想要把3d bbox映射到图像中的2d bbox方便可视化,此时需要内参。具体转换关系如Figure 2。坐标系转换的代码见utils/process.py

3D点云 (Lidar)检测入门篇 - PointPillars PyTorch实现_第2张图片

1.4 数据增强

数据增强应该是Lidar检测中很重要的一环。发现其与2D检测中的增强差别较大,比如3D中会做database sampling(我理解的是把gt bbox进行cut-paste), 会做碰撞检测等。在本库中主要使用了采用了5种数据增强, 相关代码在dataset/data_aug.py

  • 采样gt bbox并将其复制到当前帧的点云
    • 从Car, Pedestrian, Cyclist的database数据集中随机采集一定数量的bbox及inside points, 使每类bboxes的数量分别达到15, 10, 10.
    • 将这些采样的bboxes进行碰撞检测, 通过碰撞检测的bboxes和对应labels加到gt_bboxes_3d, gt_labels
    • 把位于这些采样bboxes内点删除掉, 替换成bboxes内部的点.
  • bbox 随机旋转平移
    • 以某个bbox为例, 随机产生num_try个平移向量t和旋转角度r, 旋转角度可以转成旋转矩阵(mat).
    • 对bbox进行旋转和平移, 找到num_try中第一个通过碰撞测试的平移向量t和旋转角度r(mat).
    • 对bbox内部的点进行旋转和平移.
    • 对bbox进行旋转和平移.
  • 随机水平翻转
    • points水平翻转
    • bboxes水平翻转
  • 整体旋转/平移/缩放
    • object旋转, 缩放和平移
    • point旋转, 缩放和平移
  • 对points进行shuffle: 打乱点云数据中points的顺序。

Figure3是对上述前4种数据增强的可视化结果。

3D点云 (Lidar)检测入门篇 - PointPillars PyTorch实现_第3张图片

二、网络结构与训练

对于输入点云 X ∈ R N × 4 \mathbf X \in \mathbb R^{N \times 4} XRN×4, PointPillars是如何一步步地得到bbox的呢 ? 相关代码见model/pointpillars.py

2.1 网络结构

  • PillarLayer

    Lidar的range是[0, -39.68, -3, 69.12, 39.68, 1], 即(xmin, ymin, zmin, xmax, ymax, zmax)。

    • 基于预先设定好的voxel_size=(0.16, 0.16, 4), 将点云 X \mathbf X X中的 N N N个点划分到(432, 496, 1)个Pillars里。
    • 选择 P P P(训练集中最多16000, 测试集中最多40000)个Pillars, 并且每个Pillar选择 M = 32 M=32 M=32个点, 不足32个点时补(0, 0, 0, 0)。

    数据shape的变化: ( N , 4 ) (N, 4) (N,4) -> ( P , M , 4 ) (P, M, 4) (P,M,4), 同时记录这 P P P个Pillars在(432, 496)的map中的位置(coors)和每个Pillar中有效点的数量(npoints_per_pillar)。

  • PillarEncoder

    • 对每个Pillar中的点进行去均值编码: ( P , M , 4 ) (P, M, 4) (P,M,4) -> $$(P, M, 3)
    • 对每个Pillar中有效点进行去中心编码: ( P , M , 4 ) (P, M, 4) (P,M,4) -> ( P , M , 2 ) (P, M, 2) (P,M,2)
    • 合并编码: 将原始的 ( P , M , 4 ) (P, M, 4) (P,M,4)同去均值编码和去中心编码的结果进行cat, 得到 ( P , M , 9 ) (P, M, 9) (P,M,9)的向量。这里有两点需要注意: (1)每个Pillar中只对有效点(npoints_per_pillar)进行操作, 即(0, 0, 0, 0)还是保持(0, 0, 0, 0); (2)这应该是一个trick, 把9维编码向量中的前2维换成去中心编码的向量, 详情见https://github.com/open-mmlab/mmdetection3d/issues/1150。
    • 进行embedding(卷积核池化): ( P , M , 9 ) (P, M, 9) (P,M,9) -> ( P , M , 64 ) (P, M, 64) (P,M,64) -> ( P , 64 ) (P, 64) (P,64)
    • Pillar scatter: 根据Pillars在map中的位置(coors), 将 P P P个pillars的特征scatter到(432, 496)的特征图上(没有Pillar的位置补0向量), 得到 ( 64 , 496 , 432 ) (64, 496, 432) (64,496,432)的特征图, 这里不妨记为 ( C , H , W ) (C,H, W) (C,H,W)

    数据shape的变化: ( P , M , 4 ) (P, M, 4) (P,M,4) -> ( C , H , W ) (C, H, W) (C,H,W)

  • Backbone

    在得到了 ( C , H , W ) (C, H, W) (C,H,W)的特征图后, Backbone及接下来的Neck, Head都是在2D上进行操作了,基本是Conv2d + BN + ReLU的组合,所以接下来主要介绍tensor的shape变化。

    • block1: ( C , H , W ) (C, H, W) (C,H,W) -> ( C , H / 2 , W / 2 ) (C, H/2, W/2) (C,H/2,W/2), 即 $$ -(64, 496, 432)> ( 64 , 248 , 216 ) (64, 248, 216) (64,248,216)
    • block2: ( C , H / 2 , W / 2 ) (C, H/2, W/2) (C,H/2,W/2) -> ( 2 ∗ C , H / 4 , W / 4 ) (2*C, H/4, W/4) (2C,H/4,W/4), 即 ( 64 , 248 , 216 ) (64, 248, 216) (64,248,216) -> ( 128 , 124 , 108 ) (128, 124, 108) (128,124,108)
    • block3: ( 2 ∗ C , H / 4 , W / 4 ) (2*C, H/4, W/4) (2C,H/4,W/4) -> ( 4 ∗ C , H / 8 , W / 8 ) (4*C, H/8, W/8) (4C,H/8,W/8), 即 ( 128 , 124 , 108 ) (128, 124, 108) (128,124,108) -> ( 256 , 62 , 54 ) (256, 62, 54) (256,62,54)

    数据shape的变化: ( C , H , W ) (C, H, W) (C,H,W) -> [ ( C , H / 2 , W / 2 ) , ( 2 ∗ C , H / 4 , W / 4 ) , ( 4 ∗ C , H / 8 , W / 8 ) ] [(C, H/2, W/2), (2*C, H/4, W/4), (4*C, H/8, W/8)] [(C,H/2,W/2),(2C,H/4,W/4),(4C,H/8,W/8)]

  • Neck

    • decoder1: ( C , H / 2 , W / 2 ) (C, H/2, W/2) (C,H/2,W/2) -> ( 2 ∗ C , H / 2 , W / 2 ) (2*C, H/2, W/2) (2C,H/2,W/2)
    • decoder2: ( 2 ∗ C , H / 4 , W / 4 ) (2*C, H/4, W/4) (2C,H/4,W/4) -> ( 2 ∗ C , H / 2 , W / 2 ) (2*C, H/2, W/2) (2C,H/2,W/2)
    • decoder3: ( 4 ∗ C , H / 8 , W / 8 ) (4*C, H/8, W/8) (4C,H/8,W/8) -> ( 2 ∗ C , H / 2 , W / 2 ) (2*C, H/2, W/2) (2C,H/2,W/2)
    • cat: $$ -[(2C, H/2, W/2), (2C, H/2, W/2), (2*C, H/2, W/2)]> ( 6 ∗ C , H / 2 , W / 2 ) (6*C, H/2, W/2) (6C,H/2,W/2)。此时,得到的特征图为 ( 384 , 248 , 216 ) (384, 248, 216) (384,248,216)

    数据shape的变化: [ ( C , H / 2 , W / 2 ) , ( 2 ∗ C , H / 4 , W / 4 ) , ( 4 ∗ C , H / 8 , W / 8 ) ] [(C, H/2, W/2), (2*C, H/4, W/4), (4*C, H/8, W/8)] [(C,H/2,W/2),(2C,H/4,W/4),(4C,H/8,W/8)] -> ( 6 ∗ C , H / 2 , W / 2 ) (6*C, H/2, W/2) (6C,H/2,W/2)

  • Head

    PointPillars共有3个不同尺寸的anchors(详情见2.2小节), 每个尺寸的anchor有2个角度, 因此共有6个anchors。网络训练了3个类别: Pedestrian, Cyclist和Car。

    • 类别分类branch: ( 6 ∗ C , H / 2 , W / 2 ) (6*C, H/2, W/2) (6C,H/2,W/2) -> ( 6 ∗ 3 , H / 2 , W / 2 ) (6*3, H/2, W/2) (63,H/2,W/2), 即 ( 384 , 248 , 216 ) (384, 248, 216) (384,248,216) -> ( 18 , 248 , 216 ) (18, 248, 216) (18,248,216)
    • bbox回归branch: ( 6 ∗ C , H / 2 , W / 2 ) (6*C, H/2, W/2) (6C,H/2,W/2) -> ( 6 ∗ 7 , H / 2 , W / 2 ) (6*7, H/2, W/2) (67,H/2,W/2), 即 ( 384 , 248 , 216 ) (384, 248, 216) (384,248,216) -> ( 42 , 248 , 216 ) (42, 248, 216) (42,248,216)
    • 朝向分类branch: ( 6 ∗ C , H / 2 , W / 2 ) (6*C, H/2, W/2) (6C,H/2,W/2) -> ( 6 ∗ 2 , H / 2 , W / 2 ) (6*2, H/2, W/2) (62,H/2,W/2), 即 ( 384 , 248 , 216 ) (384, 248, 216) (384,248,216) -> ( 12 , 248 , 216 ) (12, 248, 216) (12,248,216)

    数据shape的变化: ( 6 ∗ C , H / 2 , W / 2 ) (6*C, H/2, W/2) (6C,H/2,W/2) -> [ ( 6 ∗ 3 , H / 2 , W / 2 ) , ( 6 ∗ 7 , H / 2 , W / 2 ) , ( 6 ∗ 2 , H / 2 , W / 2 ) ] [(6*3, H/2, W/2), (6*7, H/2, W/2), (6*2, H/2, W/2)] [(63,H/2,W/2),(67,H/2,W/2),(62,H/2,W/2)]

2.2 GT值生成

Head的3个分支基于anchor分别预测了类别, bbox框(相对于anchor的偏移量和尺寸比)和旋转角度的类别, 那么在训练时, 如何得到每一个anchor对应的GT值呢 ? 相关代码见model/anchors.py

  • Anchor生成

    针对3个不同的类别, anchor共包含预先设置了3个尺寸: [0.6, 0.8, 1.73], [0.6, 1.76, 1.73] 和 [1.6, 3.9, 1.56], 2个旋转弧度: 0和 π 2 \frac{\pi}{2} 2π。在尺寸为 ( H / 2 , W / 2 ) (H/2, W/2) (H/2,W/2)的特征图上每一个位置上放置3*2个anchors, 因此得到shape为 ( H / 2 , W / 2 , 3 , 2 , 7 ) 的 a n c h o r t e n s o r , 即 a n c h o r t e n s o r 的 s h a p e 为 (H/2, W/2, 3, 2, 7)的anchor tensor, 即anchor tensor的shape为 (H/2,W/2,3,2,7)anchortensor,anchortensorshape(248, 216, 3, 2, 7)。

  • Anchors和Gt_bboxes的对应

    这里以尺寸为[0.6, 0.8, 1.73]的anchor为例, 首先将 n n n个gt_bboxes与 248 ∗ 216 ∗ 2 248 * 216 * 2 2482162个anchors进行iou的计算, 并依次划分正负anchors:

    • 正anchor: (1) 如果anchor与所有的gt_bboxes中的最大iou大于pos_iou_thr(0.5), 那么此anchor为正anchor, 且此anchor负责与其有最大iou的gt_bbox (类别, bbox框, 旋转角度的类别); (2) 对每一个gt_bbox, 选择与其有最大iou的anchor, 如果其iou大于min_iou_thr(0.35), 那么此anchor为正anchor, 且此anchor对该gt_bbox负责(类别, bbox框, 旋转角度的类别)。
    • 负anchor: 如果anchor与所有的gt_bboxes中最大iou小于neg_iou_thr(0.35), 那么此anchor为负anchor。

    除了正anchors和负anchors外, 其实还有一些不属于两者的anchors, 即与gt_bboxes的最大iou在0.35-0.5中间的anchors。这里对某一个样本进行了统计, 直观的看一下不同anchors之间的比例: (正anchors, 负anchors, 其它anchors) = (23, 107083, 30)。可以看到: 大部分都是负anchors, 且正负anchors的比例相差很大(后面可以看到focal loss在这里发挥的巨大作用了)

    另外, 尺寸为[0.6, 1.76, 1.73]的anchor: pos_iou_thr=0.5, neg_iou_thr=0.35, min_iou_thr=0.35; 尺寸为[1.6, 3.9, 1.56]的anchor: pos_iou_thr=0.6, neg_iou_thr=0.45, min_iou_thr=0.45。

  • Head输出的GT值

    经过Anchors和Gt_bboxes的对应, 我们知道哪些是正anchors, 哪些是负anchors; 并且知道正anchor与哪个gt_bbox对应。

    • 类别分类: 正负anchors参与类别分类的监督。 此处的输出是3个sigmoid的结果, 即该anchor是第0, 1, 2类的置信度。负anchor的GT值是(0, 0, 0)。正anchor的GT值是(0, 0, 1)或(0, 1, 0)或(1, 0, 0)。

    • bbox回归: 正anchors参与bbox回归的监督。

      对于anchor ( x a , y a , z a , w a , l a , h a , θ a ) (x^a, y^a, z^a, w^a, l^a, h^a, \theta^a) (xa,ya,za,wa,la,ha,θa)和其对应的gt_bbox ( x g t , y g t , z g t , w g t , l g t , h g t , θ g t ) (x^{gt}, y^{gt}, z^{gt}, w^{gt}, l^{gt}, h^{gt}, \theta^{gt}) (xgt,ygt,zgt,wgt,lgt,hgt,θgt), 模型预测的gt bbox与anchor的位置偏移量和尺寸比:

      Δ x = x g t − x a d a , Δ y = y g t − y a d a , Δ z = z g t − z a h a , Δ w = log ⁡ w g t w a , Δ l = log ⁡ l g t l a , Δ h = log ⁡ h g t h a , Δ θ = sin ⁡ ( θ g t − θ a ) , \Delta x = \frac{x^{gt} - x^a}{d^a}, \Delta y = \frac{y^{gt} - y^a}{d^a}, \Delta z=\frac{z^{gt} - z^a}{h^a},\\\Delta w = \log \frac{w^{gt}}{w^a}, \Delta l = \log \frac{l^{gt}}{l^a}, \Delta h = \log \frac{h^{gt}}{h^a}, \\\Delta \theta = \sin(\theta^{gt} - \theta^a), Δx=daxgtxa,Δy=daygtya,Δz=hazgtza,Δw=logwawgt,Δl=loglalgt,Δh=loghahgt,Δθ=sin(θgtθa),

      其中 d a = ( ( w a ) 2 + ( l a ) 2 ) d^a = \sqrt{((w^a)^2 + (l^a)^2)} da=((wa)2+(la)2)

    • 朝向分类: 正anchors参与角度分类的监督。 若anchor对应的gt_bbox的角度在 [ 0 , π ] [0, \pi] [0,π], 则label为0; 若anchor对应的gt_bbox的角度在 [ π , 2 ∗ π ) [\pi, 2*\pi) [π,2π), 则label为1。需要朝向分类是因为, 如果两个车的朝向相差180°, 那么 sin ⁡ ( θ g t − θ a ) = sin ⁡ ( ( θ g t + π ) − θ a ) \sin(\theta^{gt} - \theta^a) = \sin((\theta^{gt} + \pi) - \theta^a) sin(θgtθa)=sin((θgt+π)θa), 即回归的 Δ θ \Delta \theta Δθ是相同的, 因为不能区分车的朝向。

2.3 损失函数和训练

现在知道了类别分类head, bbox回归head和朝向分类head的预测值和GT值, 接下来介绍损失函数。相关代码见loss/loss.py

  • 类别分类loss: Focal Loss

    F L ( p t ) = − α t ( 1 − p t ) γ log ⁡ ( p t ) FL(p_t) = -\alpha_t(1-p_t)^\gamma\log (p_t) FL(pt)=αt(1pt)γlog(pt)

    α t = { α , y = 1 , 1 − α , y = 0. , p t = { p , y = 1 , 1 − p , y = 0. \alpha_t = \left\{\begin{matrix} \alpha, y = 1, \\ 1 - \alpha, y = 0. \end{matrix} \right., p_t = \left\{\begin{matrix} p, y = 1, \\ 1 - p, y = 0. \end{matrix} \right. αt={α,y=1,1α,y=0.,pt={p,y=1,1p,y=0.

    其中 α = 0.25 , γ = 2.0 \alpha=0.25, \gamma=2.0 α=0.25,γ=2.0

    前面提到正负anchors的数量极不平衡, 我在这里测试了一下Focal Loss对于分类loss的影响(batch_size=6)。如下表所示, 经过了Focal Loss (FL), 完全逆转了正负anchors在分类loss中发挥的作用。太强了。这里有一篇博客介绍Focal Loss很详细: https://zhuanlan.zhihu.com/p/82148525。

    # 正anchors # 负anchors 正anchors Loss 负anchors Loss
    wo. FL 938 5780509 4416.1719 58345.1328
    w. FL 938 5780509 1083.7280 4.7090
  • 回归loss: SmoothL1 Loss

    L ( x n , y n ) = { 0.5 ( x n − y n ) 2 / β , ∣ x n − y n ∣ < β , ∣ x n − y n ∣ − 0.5 β , otherwise . L(x_n, y_n) = \left\{\begin{matrix} 0.5(x_n - y_n)^2/\beta, |x_n - y_n| < \beta, \\ |x_n - y_n| - 0.5 \beta, \text{otherwise}. \end{matrix} \right. L(xn,yn)={0.5(xnyn)2/β,xnyn<β,xnyn0.5β,otherwise.

    这里 β = 1 9 \beta=\frac{1}{9} β=91

  • 朝向分类loss: Cross Entropy Loss

    L ( y , y ^ ) = − ∑ i = 1 n y ^ i log ⁡ y i L(y, \hat y) = -\sum_{i=1}^n\hat y_i \log y_i L(y,y^)=i=1ny^ilogyi

总loss = 1.0*类别分类loss + 2.0*回归loss + 2.0*朝向分类loss。

模型训练: 优化器torch.optim.AdamW(), 学习率的调整torch.optim.lr_scheduler.OneCycleLR(); 模型共训练160epoches。

三、单帧预测和可视化

基于Head的预测值和anchors, 如何得到最后的候选框呢 ? 相关代码见model/pointpillars.py。一般经过以下几个步骤:

  1. 基于预测的类别分数的scores, 选出nms_pre (100) 个anchors: 每一个anchor具有3个scores, 分别对应属于每一类的概率, 这里选择这3个scores中最大值作为该anchor的score; 根据每个anchor的score降序排序, 选择anchors。

  2. 根据选择的anchors和对其预测的bbox回归值, 解码成bboxes: 以某个anchor ( x a , y a , z a , w a , l a , h a , θ a ) (x^a, y^a, z^a, w^a, l^a, h^a, \theta^a) (xa,ya,za,wa,la,ha,θa)和预测值 ( Δ x , Δ y , Δ z , Δ w , Δ l , Δ h , Δ θ ) (\Delta x, \Delta y, \Delta z, \Delta w, \Delta l, \Delta h, \Delta \theta) (Δx,Δy,Δz,Δw,Δl,Δh,Δθ)为例:
    x p = Δ x ⋅ d a + x a , y p = Δ y ⋅ d a + y a , z p = Δ z ⋅ h a + z a , w p = w a ⋅ e Δ w , l p = l a ⋅ e Δ l , h p = h a ⋅ e Δ h , θ p = Δ θ + θ a x^p = \Delta x \cdot d^a + x^a, y^p = \Delta y \cdot d^a + y^a, z^p = \Delta z \cdot h^a + z^a, \\w^p = w^a \cdot e^{\Delta w}, l^p = l^a \cdot e^{\Delta l}, h^p = h^a \cdot e^{\Delta h}, \theta^p = \Delta \theta + \theta^a xp=Δxda+xa,yp=Δyda+ya,zp=Δzha+za,wp=waeΔw,lp=laeΔl,hp=haeΔh,θp=Δθ+θa

  3. 逐类进行以下操作:

  • 过滤掉类别score 小于 score_thr (0.1) 的bboxes
  • 基于nms_thr (0.01), nms过滤掉重叠框:
    1. 根据score对bboxes从高到低进行排序, 设bboxes集合为 B \mathbf B B;
    2. 建立空的bboxes集合 D \mathbf D D;
    3. 选择score最高的bbox b \mathbf b b加入到 D \mathbf D D;
    4. 计算 B \mathbf B B中剩余bboxes与 b \mathbf b b的iou, 过滤掉 B \mathbf B B中iou大于nms_thr的bboxes;
    5. 重复3, 4, 直到 B \mathbf B B为空集。
  • 根据朝向分类的结果对 θ p \theta^p θp进行矫正:
    • 若朝向分类的结果是0, 则将 θ p \theta^p θp调整到 [ 0 , π ] [0, \pi] [0,π];
    • 若朝向分类的结果是1, 则将 θ p \theta^p θp调整到 [ − π , 0 ] [ -\pi, 0] [π,0]
  1. 过滤更多的框: 为了避免剩余bboxes仍然过多, 超过max_num (50), 又根据分类score值, 选择出了top max_num个bboxes。

  2. 根据Image size和Lidar range过滤bboxes:

  • Image size 过滤 (可选): 若知道Lidar对应的image size和相对应的内/外参信息等, 则将3d bbox的顶点映射到2d image, 如果在2d的这些顶点仍然包含在image里, 则保存该bbox; 否则, 过滤掉该bbox。
  • Lidar range 过滤: 选择 ( x , y , z ) (x, y, z) (x,y,z)在Lidar range ([0, -40, -3, 70.4, 40, 0.0]) 的bboxes。

至此, 完成了单帧点云的预测过程: 输入是 X ∈ R N × c ( c = 4 ) \mathbf X \in \mathbb R^{N \times c} (c=4) XRN×c(c=4), 输出是n个bboxes: Lidar_bboxes ∈ R n × 7 \in R^{n \times 7} Rn×7, Labels ∈ R n × 1 \in R^{n \times 1} Rn×1 和 Scores ∈ R n × 1 \in R^{n \times 1} Rn×1

另外, 基于Open3d实现了在Lidar和Image里3d bboxes的可视化, 相关代码见test.pyutils/vis_o3d.py。下图是对验证集中id=000134的数据进行可视化的结果。

3D点云 (Lidar)检测入门篇 - PointPillars PyTorch实现_第4张图片
3D点云 (Lidar)检测入门篇 - PointPillars PyTorch实现_第5张图片

四、模型评估

评估指标同2D检测类似, 也是采用AP, 即Precison-Recall曲线下的面积。不同的是, 在3D中可以计算3D bbox, BEV bbox 和 (2D bbox, AOS)的AP。

先说明一下AOS指标和Difficulty的定义。

AOS(average orientation similarity): 1 + cos ⁡ ( α g t − α p ) 2 \frac{1 + \cos(\alpha^{gt} - \alpha^p)}{2} 21+cos(αgtαp), 用于评估朝向, 常于2D Bbox一块评估(因为2D Bbox在评估时是基于axis-aligned的bbox的)。

Difficulty: 根据2d框的高度, 遮挡程度和截断程度, 把bbox分为 difficulty=0, 1, 2 或 其它。相关定义具体查看代码pre_process_kitti.py#L16-32

这里以3D bbox为例, 介绍类别=Car, difficulty=1 AP的计算。注意, difficulty=1的数据实际上是指difficulty<=1的数据; 另外这里主要介绍大致步骤, 具体实现见evaluate.py

  1. 计算3D IoU (utils/process.py iou3d(bboxes1, bboxes2)), 用于判定一个det bbox是否和gt bbox匹配上 (IoU > 0.7)。

  2. 根据类别=Car, difficulty=1选择gt bboxes和det bboxes。

  • gt bboxes: 选择类别=Car, difficulty<=1的bboxes;
  • det bboxes: 选择预测类别=Car的bboxes。
  1. 确定P-R曲线中的点对(Pi, Ri)对应的score阈值。
  • 建立空的scores集合 S \mathbf S S;
  • 对于每一个gt bbox g b \mathbf {g_b} gb, 选择未被匹配的且与其IoU>0.7中最大的det bbox d b \mathbf {d_b} db作为匹配框, 并将 d b \mathbf {d_b} db标识为已被匹配, 且将 d b \mathbf {d_b} db的预测score加入到集合 S \mathbf S S中; 若没有满足条件的 d b \mathbf {d_b} db, 则无需将 d b \mathbf {d_b} db的预测score加入到集合 S \mathbf S S中;
  • 对集合 S \mathbf S S中scores进行由高到低排序;
  • 计算gt bboxes的数量, 根据 S \mathbf S S计算Recall在0, 1/40, 2/40, …, $|\mathbf S| / |\text{gt bboxes}| $ 的scores, 构成阈值集合 S ∗ \mathbf S^* S
  1. PR曲线和AP的计算。
  • 针对阈值集合 S ∗ \mathbf S^* S中的每一个 s i \mathbf s_i si, 计算一组(Pi, Ri):

    • 匹配: 对于gt bbox g b \mathbf {g_b} gb, 选择未被匹配的, 预测score >= s i \mathbf s_i si与其IoU>0.7中最大的det bbox d b \mathbf {d_b} db作为匹配框, 并将 d b \mathbf {d_b} db标识为已被匹配;
    • 计算TP: 所有匹配的det bboxes d b \mathbf {d_b} db的数量; 如果 d b \mathbf {d_b} db对应的2D bbox的height不满足difficulty<=1的要求, 则不计入TP。
    • 计算FN: 所有未被匹配的 gt bboxes g b \mathbf {g_b} gb 的数量; 即使 g b \mathbf {g_b} gb仅被不满足difficulty<=1要求的 d b \mathbf {d_b} db匹配, 仍旧不算FN。
    • 计算FP: 所有未被匹配的预测score >= s i \mathbf s_i si且height满足difficulty<=1的det bboxes的数量; 对于2D Bbox AP的评估, 需要注意的是, 如果 d b \mathbf {d_b} db匹配到了Dontcare的gt bboxes, 不算在FP(标注为Dontcare的有些是比较远的, 在2D中可以看到, 但在3D中是不可见的; 因此在2D中进行了标注, 但在3D中未进行标注)。
    • 计算Precision: Pi = TP / (TP + FP), Recall: Ri = TP / (TP + FN).
  • PR曲线和AP计算

    基于点对(Pi, Ri)绘制曲线如下图绿色曲线所示, 曲线下的面积记为AP。但在实现的时候使用了11 recall positions方式的进行评估, 如下图红色折线所示。

    mAP是求取所有(3个)类别AP的均值。

3D点云 (Lidar)检测入门篇 - PointPillars PyTorch实现_第6张图片

五、总结

  • 点云检测, 相比于点云中其它任务(分类, 分割和配准等), 逻辑和代码都更加复杂, 但这并不是体现在网络结构上, 更多的是体现在数据增强, Anchors和GT生成, 单帧推理等。
  • 点云检测, 相比于2D图像检测任务, 不同的是坐标系变换, 数据增强(碰撞检测, 点是否在立方体判断等), 斜长方体框IoU的计算等; 评估方式因为考虑到DontCare, difficulty等, 也更加复杂一些.
  • 初次接触基于KITTI的3D检测, 如有理解错误的, 还请指正; 内容太多了, 如有遗漏, 待以后补充。

你可能感兴趣的