详解激光雷达目标检测的3种方法

文章来源：计算机视觉之路发布时间：2020-03-23

分享到

目前基于point-wise feature的目标检测方法还处于研究阶段，效率无法保证，精度还未在真实自动驾驶车上测试，但由于该方法直接从点云提取特征，极大的保留了点云的原始信息，比较有潜力得到更好的效果。

基于lidar的目标检测方法可以分成3个部分：lidar representation，network backbone，detection head，如下图所示。

根据lidar不同的特征表达方式[1]，可以将目标检测方法分成以下4种：基于BEV（bird’s eye view）的目标检测方法，基于camera view的目标检测方法，基于point-wise feature的目标检测方法，基于融合特征的目标检测方法。如下图所示。

基于bev的目标检测方法 顾名思义是使用bev作为点云特征的表达，其检测流程如下图所示，包括3个部分：bev generator，network backbone， detection head。下面详细介绍一下这3个部分如何在基于bev的目标检测方法中发挥作用。

1.BEV generator

BEV图由激光雷达点云在XY坐标平面离散化后投影得到，其中需要人为规定离散化时的分辨率，即点云空间多大的长方体范围（Δl*Δw*Δh）对应离散化后的图像的一个像素点（或一组特征向量），如点云20cm*20cm*Δh的长方体空间，对应离散化后的图像的一个像素点。具体关于bev投影生成策略可以关注文章：自动驾驶中，激光雷达点云如何做特征表达[1]。

在bev generator中，需要根据Δl*Δw*Δh来生成最后L*W*H大小的bev特征图，该特征图是network backbone特征提取网络的输入，因此该特征图的大小对整个网络的效率影响很大，如pointpillar[2]通过对voxelnet[3]中bev generator的优化，整个网络效率提高了7ms。

Network backbone

网络结构的设计需要兼顾性能和效果，一般都是在现有比较大且性能比较好的网络结构基础上进行修改，可以参照文章：轻量（高效）目标检测网络结构设计[4]。以voxelnet[3]和pointpillar[2]为例，pointpillar[2]以voxelnet[3]为原型，不改变原流程的基础上，对voxelnet[3]设计做了以下一些修改，使网络效率提高了10多倍，具体如下:

简化bev中的网络结构

voxelnet[3]使用stacked vfe layer，在代码中使用了2个vfe layer，如下图所示。

pointpillar[2]简化了voxel表达形式，变成pillar，提高了数据生成效率，并且只使用了一个vfe layer，减少了2ms，如下图所示。

简化主网络结构

不使用3D卷积
输入特征图的channel数从128减少为64，网络耗时减少2.5ms
网络主结构所有层channel数减半，网络耗时减少4.5ms
Upsampling的channel数从256减少到128，减轻detection head，网络耗时减少3.9ms
Tensorrt加速，提速45.5%

Pointpillar[2]在保证网络性能提升的前提下，逐步提高网络效率，从不同角度优化网络流程，最后使网络效率提高10倍有余。

Detection head

detection head包括两个任务，即：目标分类与目标定位，由于bev将点云用图像的形式呈现，同时保留了障碍物在三维世界的空间关系，因此基于bev的目标检测方法可以和图像目标检测方法类比：目标分类任务与图像目标检测方法中目标分类任务没有差别；而目标定位任务可以直接回归目标的真实信息，但与图像目标检测方法中目标定位任务不同，该任务需要给出旋转框。与图像目标检测方法相同，基于bev的目标检测方法的detection head也分成anchor base的方法和anchor free的方法。

anchor base方法

以voxelnet[3]为例，需要人为设定anchor的大小，由于bev可以直接回归真实的目标大小，因此anchor也可以根据真实目标大小设定，如：以下单位为米，l、w、h分别表示anchor的长、宽、高，对于车来说anchor大小可以设定为la = 3.9,wa = 1.6,ha = 1.56，对于人la = 0.8,wa = 0.6,ha = 1.73，对于骑行者la =1.76,wa = 0.6,ha = 1.73，且对于每种anchor，设置了θa=0°和90°两种角度。由于目标有各种角度，因此为了得到更准确的角度回归，anchor的角度设置可以在[0°,180°）进行等间隔采样，获得更多不同角度的anchor，提高回归精度。回归误差的计算如下图所示。

anchor free方法

典型代表是pixor[5]，对于bbox的回归，如下图所示，对于正样本的红点p（x，y），需要回归如下信息：{cos(θ), sin(θ), dx, dy, w, l}，其中θ为障碍物偏角，dx、dy分别为p点相对障碍物中心点的偏移，w、l是障碍物大小的表达。没有anchor，对目标的回归是不是简单了很多。

以上为基于bev的目标检测方法的简单介绍，该方法在目前的自动驾驶的3D目标检测方案中应用较广。

2.Camera view generator

camera view图是将每圈激光线拉成直线再按行累积而成，因此也称为range view，其中投影图的高为激光线数，宽为lidar扫描一圈的点数，如: 64线激光雷达，水平角分辨率为0.2°，生成的camera view的图大小为64*1800。camera view相对bev图小很多，因此基于camera view的方法效率都较高。具体投影图的生成策略可以关注文章：自动驾驶中，激光雷达点云如何做特征表达[2]。camera view效果如下图。

Network backbone

网络结构的设计要依据任务需求，基于camera view的目标检测方法，多是以分割任务为主，因此网络结构大都是encode+decode结构，如下图1所示。因此有关提高分割效果的网络设计思想都可以在此使用，如图2中使用不同大小的dilation rate的卷积获得不同感受野的特征表达，如图3使用global attention增加上下文信息。更多分割增强模块，在后面会专门写一篇文章介绍。

图1 ecode+decode

图2 不同dilate rate卷积

图3 global attention

Detection head

基于camera view的目标检测方法有两种输出方式表达，一种是纯分割区域，另一种是分割与检测框。

纯分割区域表达

纯分割的输出是基于camera view的模型最直接、最好的一种输出。在原始3D点云中，尤其是远处的点，点与点之间的距离都较远，如bev投影图，造成点特征提取时很难融入上下文信息。而camera view投影图将点云中的点聚拢，每个点都可以很方便的获得更大范围的上下文信息，这种投影方式更适合分割任务。如在SqueezeSeg[3]和PointSeg[4]两篇文章中，都直接将分割作为最终任务目标，但是为了得到更好的联通区域，需要增加较多的后处理。如在SqueezeSeg[3]，在模型输出后又增加了crf提高分割效果。在PointSeg[4]中，使用RANSAC将异常点剔除，如下图，第一行为模型输入，第二行为模型直接的预测输出，第三行为将模型输出的camera view图反投影得到的点云图，第四行为经过ransac后再反投影得到的点云图，对比第三行和第四行对应的图可以看出，ransac有效的抑制很多离目标较远的点。

分割与检测表达

分割任务对于基于camera view的模型相对简单，但是检测框的回归并不容易。camera view投影图增加了点云中点的上下文信息，但也将原本在3D空间分离的目标拉近，引入了遮挡与目标尺度变化，然而点云投影图又不像真实的图像那样有很丰富的纹理信息，造成了camera view图像很难做实例分割与目标框回归，因此，检测框的回归需要增加一些额外操作来实现。

在lasernet[5]中，对于目标框中的点(x,y)需要回归6个信息，如上图所示，Box Parameters为6，包括：该点相对中心点的偏移(dx,dy), 相对旋转角度 (ωx,ωy) = (cosω,sinω)，以及框大小 (l,w)，从而可以通过下述公式计算得到真正的目标框中心点bc以及旋转角φ，其中θ为该点在点云中的方位角，Rθ为以θ为旋转角的旋转矩阵。

另外，由于对每个点的预测存在噪声，而后又在bev投影图中使用mean shift聚类方法得到更准确的目标框。

总结：

由于3D点云在做camera view投影的时候丢失了原来的3D结构信息，引入了图像中的尺度变化和遮挡两个问题，因此少有方法直接在这种模式下作3D目标检测，一般需要在网络输出基础上做比较多的后处理。但是camera view的表达模式，极大的增加了远处点云的上下文信息，也是一种极好的提高点云特征表达能力的方式，后续在融合感知方法中会再介绍。

3.Point-wise

基于lidar的目标检测方法迎来了第3大类方法的介绍，前面已经介绍过基于BEV（bird’s eye view）的目标检测方法[1]，基于camera/rang view的目标检测方法[2]，这两种方法在自动驾驶的实际运用中都很常见，算是比较主流的方法。这两种方法研究的也比较早，相对成熟一些。而point-wise目标检测方法自pointnet[3]之后，才有较多的研究文章用其解决自动驾驶中有关3D目标检测问题，在此之前，大都用来解决基于室内场景或者单个全扫描目标密集点云的分割、检测、场景理解的问题，其中研究有关RGB-D的问题最多。

这里我们将关注点放在如何用point-wise feature来解决自动驾驶的目标检测问题上。自2017年pointnet[3]之后出现的3D目标检测相关文章中，50%都出自香港中文大学，其中一部分来自商汤科技自动驾驶相关部门，如PointRcnn[4]、Part aware and aggregation[5]、PV Rcnn[6]，另一部分来自腾讯优图实验室贾佳亚老师团队，同样也是自动驾驶相关业务方向，如IPoD[7]、Fast PointRcnn[8]、STD[9]、3DSSD[10]。这里面除了3DSSD[10]方法为one-stage detector，其他都是two-stage detector，而3DSSD[10]主打高效，从而也可以看出刷榜还得靠two-stage detector。

我们从如下图所示的3个部分（lidar representation，network backbone，detection head），来介绍一下point-wise方法。其中lidar represention部分是直接使用点云做输入，即n*4的点集，不做单独介绍，下面重点介绍一下其他两个部分。

Network backbone

提取点特征一般有两种方式:基于pointnet[3]/pointnet++[11]的点特征、voxel特征。如图1：在STD[9]中，组合了两种方式。如图2，在PointRcnn[4]中，仅使用了pointnet++[11]提取点特征

图1 STD[9]特征提取方式

图2 PointRcnn中特征提取方式

在使用pointnet++[11]提取特征时，包含两个重要模块，即set abstraction（即，SA）和feature propagation（即，FP），如下图3所示其中SA是特征encoder过程，通过点云筛选与特征提取逐步减少点云点数，提高特征表达能力与感受野，FP是特征decoder过程，通过点云上采样，获得稠密的点云表达，并级联SA过程的特征，提高最终的点云特征表达能力。

图3 pointnet++特征表达

在3DSSD[10]中，为了提高模型效率，去掉了耗时比较严重的FP模块，由于SA过程只筛选了一部分点做特征表达，对目标检测的召回影响很大，尤其对点云比较稀疏的远处的目标，影响更大，因此3DSSD[10]在D-FPS的基础上，提出了F-FPS，即通过点的语义信息来做点的筛选，保留更多的正样本的点，保证最终的目标召回率。

Detection head

detection head 除了完成目标分类与目标定位的任务，在two-stage detector中，还需要实现roi pooling，为第二阶段提供实例级别的特征，之前写过一篇图像中的rpn与roi align实现 [12] ，但是点云的特征表达还是有些差别的。

对于目标定位的任务，同样有anchor-base方法和anchor-free方法。在STD[9]中，为应对有旋转角的box回归，提出了球形anchor，由于anchor没有角度的变化，直接将anchor数量减少50%，提高了计算效率。其他方法大都是anchor-free的方法，关于anchor-free的方法，推荐读一下kaiming大神的voteNet[13]，比较好理解。

关于roi pooling ，一般是针对单个目标，再次提取更丰富、更具表达能力的特征，因此在不同论文中，根据实例提取特征方式的不同，提出了不同的roi pooling方法，如在STD[9]中，提出了PointsPool，在Part aware and aggregation[5]中，提出了Roi aware Point Cloud Pooling，在pv-rcnn[6]中提出了Roi grid Pooling。下面分别介绍一下。

PointsPool[9]

如下图4所示，分成三个步骤

图4 PointsPool[9]

特征提取： 在proposal中随机筛选N个点，1）获得第一阶段的点特征；2）获得N个点的坐标，并用如下图5所示的canonical transformation得到与原坐标系无关的坐标特征。两种特征联合在一起，作为proposal中点的特征表达
Voxel表达： 将不同大小的proposal，通过voxel统一化到相同大小：dl = 6,dw = 6,dh = 6
使用VFE layer提取最终特征

图5 canonical transformation

Roi aware Point Cloud Pooling[5]

整体流程如下图6所示，与STD[9]中的pooling方法类似，首先将proposal分割成固定大小的voxel，如14×14×14，然后再提取voxel特征表达：

RoIAwareMaxPool：使用的是第一阶段输出的point-wise semantic part feature，在voxel中计算max pooling
RoIAwareAvgPool：使用的是proposal中经过canonical transformation点坐标特征和segmentation score，在voxel中计算avg pooling

最后将两组特征联合作为proposal的pooling特征。

图6 Roi aware Point Cloud Pooling

Roi grid pooling[6]

与上面两种pooling方法不同的是，并没有将proposal通过voxel得到固定大小的特征图，而是根据pv-rcnn[6]中提出的key point信息，将proposal用6*6*6=216个grid points表达，grid points是从proposal中的key points均匀采样获得，且RoI-grid point features提取过程和key point feature提取过程是相似的。简单来说就是以grid point为中心，r为半径的区域内提取不同尺度、不同感受野的特征，最后在使用2层的MLP网络获得最终的特征表达，如图7所示。