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 (一般),输出是个检测框bboxes, 以第个检测框bbox为例, 它包括位姿信息和类别信息。
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。]
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) | |
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 | 相机坐标系下绕轴旋转的弧度(rotation_y) | [] |
- 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
。
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。
二、网络结构与训练
对于输入点云, 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), 将点云中的个点划分到(432, 496, 1)个Pillars里。
- 选择(训练集中最多16000, 测试集中最多40000)个Pillars, 并且每个Pillar选择个点, 不足32个点时补(0, 0, 0, 0)。
数据shape的变化: -> , 同时记录这个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: -> $$(P, M, 3)
- 对每个Pillar中有效点进行去中心编码: ->
- 合并编码: 将原始的同去均值编码和去中心编码的结果进行cat, 得到的向量。这里有两点需要注意: (1)每个Pillar中只对有效点(npoints_per_pillar)进行操作, 即(0, 0, 0, 0)还是保持(0, 0, 0, 0); (2)这应该是一个trick, 把9维编码向量中的前2维换成去中心编码的向量, 详情见https://github.com/open-mmlab/mmdetection3d/issues/1150。
- 进行embedding(卷积核池化): -> -> 。
- Pillar scatter: 根据Pillars在map中的位置(coors), 将个pillars的特征scatter到(432, 496)的特征图上(没有Pillar的位置补0向量), 得到的特征图, 这里不妨记为。
数据shape的变化: -> 。
-
Backbone
在得到了的特征图后, Backbone及接下来的Neck, Head都是在2D上进行操作了,基本是Conv2d + BN + ReLU的组合,所以接下来主要介绍tensor的shape变化。
- block1: -> , 即 $$ -(64, 496, 432)> 。
- block2: -> , 即 -> 。
- block3: -> , 即 -> 。
数据shape的变化: -> 。
-
Neck
- decoder1: -> 。
- decoder2: -> 。
- decoder3: -> 。
- cat: $$ -[(2C, H/2, W/2), (2C, H/2, W/2), (2*C, H/2, W/2)]> 。此时,得到的特征图为 。
数据shape的变化: -> 。
-
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: -> , 即 -> 。
- bbox回归branch: -> , 即 -> 。
- 朝向分类branch: -> , 即 -> 。
数据shape的变化: -> 。
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。在尺寸为的特征图上每一个位置上放置3*2个anchors, 因此得到shape为(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, 首先将个gt_bboxes与个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 和其对应的gt_bbox , 模型预测的gt bbox与anchor的位置偏移量和尺寸比:
其中。
-
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, 则label为0; 若anchor对应的gt_bbox的角度在, 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, 即回归的是相同的, 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
其中。
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
这里 。
-
朝向分类loss: Cross Entropy Loss
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:
-
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。
-
根据选择的anchors和对其预测的bbox回归值, 解码成bboxes: 以某个anchor和预测值为例:
-
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:
- 根据score对bboxes从高到低进行排序, 设bboxes集合为;
- 建立空的bboxes集合 ;
- 选择score最高的bbox 加入到;
- 计算中剩余bboxes与的iou, 过滤掉中iou大于nms_thr的bboxes;
- 重复3, 4, 直到为空集。
- 根据朝向分类的结果对进行矫正:
- 若朝向分类的结果是0, 则将调整到;
- 若朝向分类的结果是1, 则将调整到。
-
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。
-
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, 输出是n个bboxes: Lidar_bboxes , Labels 和 Scores 。
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.py
和utils/vis_o3d.py
。下图是对验证集中id=000134
的数据进行可视化的结果。
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): , 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
。
-
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)。 -
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。
- 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;
- 对于每一个gt bbox , 选择未被匹配的且与其IoU>0.7中最大的det bbox 作为匹配框, 并将标识为已被匹配, 且将的预测score加入到集合中; 若没有满足条件的, 则无需将的预测score加入到集合中;
- 对集合中scores进行由高到低排序;
- 计算gt bboxes的数量, 根据计算Recall在0, 1/40, 2/40, …, $|\mathbf S| / |\text{gt bboxes}| $ 的scores, 构成阈值集合。
- PR曲线和AP的计算。
-
针对阈值集合中的每一个, 计算一组(Pi, Ri):
- 匹配: 对于gt bbox , 选择未被匹配的, 预测score >= 且与其IoU>0.7中最大的det bbox 作为匹配框, 并将标识为已被匹配;
- 计算TP: 所有匹配的det bboxes 的数量; 如果对应的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 的数量; 即使仅被不满足
difficulty<=1
要求的匹配, 仍旧不算FN。 - 计算FP: 所有未被匹配的预测score >= 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。
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。
文章出处登录后可见!