论文解读MV3D-Net 用于自动驾驶的多视图3D目标检测网络

Posted 2021-11-10 一颗小树x

前言

MV3D-Net融合了视觉图像和激光雷达点云信息；它只用了点云的俯视图和前视图，这样既能减少计算量，又保留了主要的特征信息。随后生成3D候选区域，把特征和候选区域融合后输出最终的目标检测框。

论文地址：Multi-View 3D Object Detection Network for Autonomous Driving

开源代码：https://github.com/bostondiditeam/MV3D

目录

一、框架了解

1.1 网络的主体部分

1.2 网络的融合部分

二、MV3D的点云处理

2.1 提取点云俯视图

2.2 提取点云前视图

三、MV3D的图像处理

四、俯视图计算候选区域

五、特征整合

六、特征融合

七、模型效果

八、模型代码

---

一、框架了解

先看下总体网络结构：（可以点击图片放大查看）

上图中的紫色圆圈中M是表示 ：基于元素的均值。

输入的数据：有三种，分别是点云俯视图、点云前视图和二维RGB图像。“点云投影”，其实并非简单地把三维压成二维，而是提取了高程、密度、光强等特征，分别作为像素值，得到的二维投影图片。

输出数据：类别标签、3D边界框、时间戳。

1.1 网络的主体部分

思路流程： 

1）提取特征

• a. 提取点云俯视图特征
• b. 提取点云前视图特征
• c. 提取图像特征

2）从点云俯视图特征中计算候选区域

3）把候选区域分别与1）中a、b、c得到的特征进行整合

• a. 把俯视图候选区域投影到前视图和图像中
• b. 经过ROI pooling整合成同一维度

1.2 网络的融合部分

这部分网络主要是：把整合后的数据经过网络进行融合

二、MV3D的点云处理

MV3D将点云和图片数据映射到三个维度进行融合，从而获得更准确的定位和检测的结果。这三个维度分别为点云的俯视图、点云的前视图以及图片。

2.1 提取点云俯视图

点云俯视图由高度、强度、密度组成；作者将点云数据投影到分辨率为0.1的二维网格中。

高度图的获取方式为：将每个网格中所有点高度的最大值记做高度特征。为了编码更多的高度特征，将点云被分为M块，每一个块都计算相应的高度图，从而获得了M个高度图。

强度图的获取方式为：每个单元格中有最大高度的点的映射值。

密度图的获取方式为：统计每个单元中点云的个数，并且按照公式：

 其中N为单元格中的点的数目。强度和密度特征计算的是整个点云，而高度特征是计算M切片，所以，总的俯视图被编码为（M + 2）个通道的特征。

2.2 提取点云前视图

由于激光点云非常稀疏的时候，投影到2D图上也会非常稀疏。相反，作者将它投影到一个圆柱面生成一个稠密的前视图。 假设3D坐标为：

 那么前视图坐标：

 可以通过如下式子计算

三、MV3D的图像处理

采用经典的VGG-16来提取图像特征，这里就不过多说明了。

四、俯视图计算候选区域

物体投射到俯视图时，保持了物体的物理尺寸，从而具有较小的尺寸方差，这在前视图/图像平面的情况下不具备的。在俯视图中，物体占据不同的空间，从而避免遮挡问题。

在道路场景中，由于目标通常位于地面平面上，并在垂直位置的方差较小，可以为获得准确的3Dbounding box提供良好基础。

候选区域网络就是熟悉的RPN。参考

五、特征整合

把候选区域分别与提取的特征进行整合

流程： 

• a. 把俯视图候选区域投影到前视图和图像中
• b. 经过ROI pooling整合成同一维度

六、特征融合

有了整合后的数据，需要对特征进行融合，最终得到类别标签、3D边界框。

作者介绍了三种不同的融合方式，分别为

• a、Early Fusion 早期融合
• b、Late Fusion 后期融合
• c、Deep Fusion 深度融合。

各自的结构如下图所示。

上图中的紫色圆圈中M是表示 ：基于元素的均值。C是表示：串接。

 最终选择了Deep Fusion 深度融合。融合的特征用作：分类任务（人/车/...）、更精细化的3D Box回归（包含对物体朝向的估计）。

七、模型效果

和其他模型对比的数据：

检测效果：

八、模型代码

代码地址：https://github.com/bostondiditeam/MV3D

作者使用KITTI提供的原始数据，点击链接

上图是用于原型制作的数据集 。

我们使用了[同步+校正数据] + [校准]（校准矩阵）+ [轨迹]（）

所以输入数据结构是这样的：

运行 src/data.py 后，我们获得了 MV3D 网络所需的输入。它保存在kitti中。

上图是激光雷达俯视图（data.py后）

上图是将 3D 边界框投影回相机图像中。

输入具体数据格式可以参考'data.py' 'data.py' 网址

本文参考：https://zhuanlan.zhihu.com/p/86312623、https://zhuanlan.zhihu.com/p/353955895

https://cloud.tencent.com/developer/news/223860

---

论文地址：Multi-View 3D Object Detection Network for Autonomous Driving

代码地址：https://github.com/bostondiditeam/MV3D

本文只提供参考学习，谢谢。