转载于 ：计算机视觉之路，作者：山涧一壶酒
/ 导读 /
自动驾驶中的激光雷达点云如何做特征表达，将基于Lidar的目标检测方法分成了4类，即：基于BEV的目标检测方法，基于camera/range 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。本文对这4类方法讲解并总结，希望能帮助大家在实际使用中做出快速选择。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，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
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。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。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通过对voxelnet中bev generator的优化，整个网络效率提高了7ms。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。以voxelnet和pointpillar为例，pointpillar以voxelnet为原型，不改变原流程的基础上，对voxelnet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: voxelnet使用stacked vfe layer，在代码中使用了2个vfe layer，如下图所示。pointpillars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。
- 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
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。以voxelnet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。典型代表是pixor，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。
基于camera/range view的目标检测方法
基于cameraview的目标检测方法顾名思义是使用camera view作为点云特征的表达，检测流程如下图所示，下面详细介绍一下这3个部分如何在基于camera view的目标检测方法中发挥作用。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。camera view效果如下图。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。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和PointSeg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，在模型输出后又增加了crf提高分割效果。在PointSeg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。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。
基于point-wise feature的目标检测方法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。提取点特征一般有两种方式:基于pointnet/pointnet++的点特征、voxel特征。如图1：在STD中，组合了两种方式。如图2，在PointRcnn中，仅使用了pointnet++提取点特征在使用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，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。在3DSSD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，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，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中，提出了PointsPool，在Part aware and aggregation中，提出了Roi aware Point Cloud Pooling，在pv-rcnn中提出了Roi grid Pooling。下面分别介绍一下。
- 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
图5 canonical transformationRoi aware Point Cloud Pooling整体流程如下图6所示，与STD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。图7 Roi grid point feature extraction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。Waymo在2020年初的文章“End-to-End Multi-View Fusionfor 3D Object Detection in LiDAR Point Clouds”使用了融合特征的方式，得到了不错的结果。下面详细介绍一下。我们从如图1所示的3个部分（lidar representation，network backbone，detection head），来介绍一下融合特征的目标检测方法。文中主要和pointpillar做了对比，为了证明融合特征的有效性，在network backbone和detection head两部分的设计上保持了与pointpillars的一致性，这里不做单独介绍，下面重点介绍lidar representation，即如何获得融合特征。图2 multi-view feature fusion的流程图3 dynamic voxelization计算流程如图2所示为multi-view feature fusion的流程，融合了3部分特征：bev feature(如图中绿色部分)、camera/range view feature（如图中黄色部分）、point-wise feature（如图中蓝色部分）。具体流程如下：
- 对于原始点云，使用一个全连接层，获得point-wise feature。
- 在point-wise feature的基础上，提取bev feature。提出了使用动态voxel（dynamic voxelization，DV）的方式获得bev图，计算过程如图3所示，相对传统的voxel（Hard voxelization，HV），有3个好处，1）DV保留了voxel中的所有点，HV使用随机采样的方法选取固定的点数，有可能会丢失重要信息，如图3中v1的计算；2）HV中每个voxel中选择固定的点数，且对整个点云选择固定的voxel数量，因此会随机丢弃点甚至整个voxel，这种方式可能导致不稳定的检测结果，如图3中v2在HV中被丢弃；3）HV对于点数少于固定值的voxel使用0填充，这样会造成额外的计算，如图3中v2~v4。最后对于点云的每一个点，使用公式（1）获得点与voxel的投影关系，其中pi表示点云坐标，vj表示voxel，FV表示点到voxel的投影关系。
- 对于camera view，同样可以使用公式（1）计算得到，而camera view的投影计算
- bev图和camera view图经过一个cnn后，获得相应的bev feature与camera view feature，再使用公式(2)(其中，FP表示voxel feature到点云的投影关系，是FV的逆)逆投影获得不同view的点特征的表达，最后与point-wise feature融合得到最终的点特征表达。
在实验中，作者为了证明融合特征较强的表达能力，network backbone与detection head使用了与pointpillar相同的参数，并在waymo公开的数据库与kitti上做了实验。仅分析一下waymo公开数据库的结果，如图4中的table1和table 2。从结果可以看出，使用DV替换HV，使整体结果提高2个多点，再增加point-wise feature后，车辆检测结果再提高3个多点，行人检测结果再提高4个点，说明voxel中的每个点对voxel特征表达都重要，不能随机丢弃，更不能随机丢弃整个voxel，更精细的特征对小尺度的目标表达有帮助。耗时方面，由于mvf使用了与两种方法相同的网络配置，而又增加了新的特征表达，整体耗时高了20多ms，如果再对网络做一些优化，这种融合的方法对结果的提升意义很大。通过对整个检测流程的分析，将目标检测流程分成如下3个部分，如图2所示。并针对不同的目标检测方法，从这3个部分进行了详细的分析。
- lidar representation：激光雷达点云的特征表达，包括bev图、camera/range view图、point-wise feature、融合特征。
- network backbone：用于特征提取的主体结构，可以为resnet，vgg等，也包括增强特征的方式，如fpn
- detection head：检测网络输出，包括目标的类别、位置、大小和姿态，以及速度预测等，对于two-stage detector来说，roi pooling也是很重要的一个环节。
其实，在实际应用中，无论对于哪一种基于lidar的目标检测方法来说，我们评价其好坏，需要看精度与耗时之间的平衡。根据不同算法在kitti的bird’s eye view任务下公布的结果，将部分基于lidar的目标检测方法的moderate精度和latency总结如表1，并根据方法所属的不同类别画出分布图，如图3所示，横坐标表示算法耗时，单位ms，纵坐标表示算法在车辆检测任务中moderate精度，其中蓝点表示基于point-wise feature的目标检测方法，橙点表示基于BEV的目标检测方法，灰点表示基于camera view的目标检测方法。从图3，我们可以看出基于point-wise feature的目标检测方法精度最高，而且耗时有逐步减小的趋势，但是整体耗时依旧比其他两种方法高，其中耗时最低的是基于camera-view的目标检测方法，即LaserNet，仅有12ms，但是精度相对较最低；基于bev的目标检测方法在精度与耗时之间做了比较好的平衡，因此，在实际自动驾驶应用中，基于bev的目标检测方法应用最多。之前在介绍基于point-wise feature的目标检测方法中说过，该方法潜力较大，其实从图3中也可以看出。如果从效率上可以优化一下，在实际应用的可能性也会变大。这个图仅是不同方法在车辆检测子任务上的效果，其实，相同的方法在自行车和人的检测任务中精度排名差别很大，如PV-RCNN在车辆检测中排名第2，在行人和自行车检测任务中分别滑到第6和第4；STD在车辆检测中排名第5，在行人和自行车检测任务中分别滑到第20和第13，如果基于point-wise feature的目标检测方法可以在不同任务间依然能保持精度优势，那么其落地的可能性又会增大很多。总之，我们需要从耗时、不同任务间精度平衡来评估算法的落地难易程度，但是对于有潜力的算法，我们更需要持续的投入，以期待解决未来更复杂的实际问题。
