self_drive car_学习笔记--第5课：动态环境感知与3D detection

前言：这节课，主要是介绍激光雷达点云处理算法。处理基本思想就是，将3d点云信息转为2d信息，然后根据上一节课的图片处理算法常规操作即可。是不是挺简单的，哈哈哈。但，比较遗憾，本地环境问题还没有解决，还没有复现。这里记录的是，算法相关的论文以及GitHub开源的项目里面部分代码解析。好了，这一篇也仅供各位参考，欢迎大佬批评指正。

1 雷达激光点云基础及相关知识

1.1 激光雷达点云的认识

1）激光产生的
–机械式lidar:TOF（利用飞行时间计算距离）、N个独立激光单元、旋转产生360度视场
–MEMS式lidar：不旋转（但是内部有个组件在旋转）

2）数据特点：
–简单：x y z i(i表示强度)
–稀疏：7%（相对图片来说）
–无序：N！（角度不同、震动、扫描顺序不同）
–精确：±2cm

3）图像VS点云
–点云：简单精准，适合几何感知
–图像：丰富多变，适合语义感知

1.2常用数据集

1）3D点云数据来源：
–CAD模型：一般分类问题的数据集是CAD
–Lidar传感器
–RGBD相机

2）常用数据集
–Classification(Feature Representation)（分类数据集）
–ModelNet40/10
–ShapeNet Part

–无人驾驶场景数据集（detection检测；segmentation分割；tracking跟踪；….）
–http://www.cvlibs.net/datasets/kitti/【经典无人驾驶学习数据集】
–https://www.cityscapes-dataset.com/
–https://bdd-data.berkeley.edu/
–http://apolloscape.auto/【百度阿波罗项目】

3）无人驾驶入门级数据集：kitti

1.3 点云基础

1）点云处理：
–点云数据集
–相片vs点云坐标系【图1，2中涉及点云坐标系到图片坐标系的转换】
–创建点云鸟瞰图（涉及点云坐标系与图片坐标系的转换）【图1右侧就是鸟瞰图成像】
–创建360度全景视野
–使用Mayavi实现3D可视化交互
–使用Matplotlib实现3D可视化交互


注意，激光点云转换时候，选择鸟瞰图（上）还是前视图（下）或者其他视图，应该根据检测对象来定的，一般情况下，我们选择鸟瞰图；不过，但检测的是人时候，如果选择还是鸟瞰图，人会变成一个点，会导致信息量不足，此时应该选择前视图。

2）参考：
点云俯视图（鸟瞰图）创建参考：
https://blog.csdn.net/weixin_39999955/article/details/83819313
图片中点云：
https://github.com/charlesq34/frustum-pointnets

3）雷达点云转为图片关键点：
把激光雷达点云转换到某个相机的参考坐标系中，才能将激光点云数据转为图片显示

4）3d激光点云（kitti数据集）转换为鸟瞰图项目链接：https://github.com/charlesq34/frustum-pointnets/blob/master/kitti/kitti_util.py

5)源码思想解析：
激光点云数据转为彩色鸟瞰图代码大概解析，结合这个图来说，【坐标系查看上面kitti里面的坐标系定义】从激光点云坐标系变换到0号相机参考坐标系中，接着将0号相机（灰色图）自身坐标系投影到矫正坐标系（与车体一起指向正前方意思）中，接着将矫正坐标系投影到2号相机（彩色图）坐标系中。通过三次投影，才能将激光点云数据投影到彩色图上。

1.4 关于激光点云处理：传统VS深度学习

1）传统：
–基于点云的目标检测：分割地面->点云聚类->特征提取->分类
–地面分割依赖于人为设计的特征和规则，如设计一些阈值、表面法线等，泛化能力差【指机器学习算法对新样本的适应能力】

–多阶段的处理流程意味着可能产生复合型错误—聚类和分类并没有建立在一定的上下文基础上，目标周围的环境信息缺失
–这类方法对于单帧激光雷达扫描的计算时间和精度都是不稳定的，这和自动驾驶场景下的安全性要求（稳定、小方差）相违背

参考资料：
LIDAR-based 3D object perception
https://blog.csdn.net/AdamShan/article/details/83544089

2）深度学习（处理点云特点）：End-to-End（端对端）
处理激光点云，面临的挑战：
–无结构化数据，只是一堆XYZI，没有网格这类的组织结构
–无序性：相同的点云可以由多个完全不同的矩阵表示（只是点的摆放顺序不同）
–数量变化大：图像中像素数量是常数，点云的数量可能会有很大（如：不同线的激光雷达）
–表现形式变化大：一辆车向左转，同一辆车向右转，会有不同的点云代表同一辆车
–缺少数据（采集昂贵）：没有图片数据多，扫描时通常被遮挡部分数据丢失，数据稀疏

2、基于激光雷达点云的检测算法

简化版理解：将3d点云图三个平面拍个图片，放到神经网络里面，就跟正常的图片深度学习处理流程一样

2.1 Pixel-Based(基于像素)

1）基本思想：
–3d->2d，三维点云在不同角度的相机投影（映射）【不一定需要上一面说的坐标转换，只是单纯投影可以了】
–再借助2d图像处理领域成熟的深度学习框架进行分析

2）典型算法
–MVCNN MV3D AVOD
–Applo2.0 SqueezeSeg

3）MVCNN（分类）：
–最早用深度学习来处理点云数据的方法
–实现CAD点云模型的分类：12个角度的图像（http://vis-www.cs.umass.edu/mvcnn/）

4）MV3D

–输入：BV+FV+RGB:并非简单投影（图1左侧列），而是提取高度/密度/强度/距离等特征作为像素值（图2）
–ROI：在BV训练一个3D RPN（图1中），分别向3中视图映射得到3种ROI，并融合
–缺点：该方法在检测诸如行人和骑车人等小物体方面滞后（因为他们在BEV中特征本来就少，又属于多次降采样），并且不能容易地适应具有垂直方向上的多个物体场景（只用了BV）



从上到下，依次是图1、图2、图3

5）AVOD

输入：BEV+RGB
–从[-40,40]x[0,70]x[0,2.5]范围内点云数据生成6-channel BEV map,分辨率0.1m,700x800x6【前面的80/0.1=800，前面的70/0.1=700，6表示的是6个通道的信息（指的是投影到鸟瞰图后）】
–Z轴上[0,2.5]平分5段，前五个通道时每个栅格单元的最大高度，第六个通道是每个单元中的米的信息（上面的6通道信息解析）

–点云转BEV实现代码：
–kitti lidar点云生成鸟瞰图BEV :
https://blog.csdn.net/weixin_39999955/article/details/83819313
– 点云处理：http://ronny.rest/tutorials/module/pointclouds_01

上面图中解析：

5-1）feature extractor(特征提取器)
–特征提取器由两部分组成：
Encoder(编码器) MXNXD->M/8XN/8XD*
Decoder(解码器)每层的操作包括通过conv-transpose操作上采样，与encoder中对应size的feature map连接，通过3X3的卷积操作融合两种feature maps，最终得到MxNxD特征图
–全分辨率feature map：对小目标友好
–借鉴论文FPN（feature pyramid networks）

5-2）RPN
–将feature extractor得到的feature maps通过1x1卷积操作进行降维处理减少RPN过程中的内存和计算量

–anchor6参数形式，中心点（tx,ty,tz）长宽高（dx,dy,dz）,BEV上以0.5米的间距采样（tx,ty）【每0.5米生成一个anchor】,tz由传感器与地面之间的距离等因素决定。Anchors的尺寸每个类不同，从训练样本中获取70x80x0.5/0.5(num_cluster)*2(丰富的anchor对小目标友好)

–通过anchor的映射融合两种特征图：每个3d anchor投影到BEV；以及image获得两个ROI，每个roi进行crop resized to 3x3，然后进行像素级别的特征融合（特征丰富，可适应垂直方向多物体）

–在融合的特征图上训练RPN（MV3D仅在BEV上训练RPN）
–二分类：交叉熵，在BEV上通过判定anchors与ground truth的loU分辨object/background
–回归：smooth L1 loss,(▲tx, ▲ty,▲tz,▲dx,▲dy,▲dz),non-oriented?

–在BEV采用2D NMS【将不必要的框，去掉】将top k proposals送入第二阶段检测网络

5-3）second stage detector network:

–两个特征图的proposals crop resize融合：由于proposal远少于anchor就不再降维了，resize7x7,element-wise mean operation

–融合后的featurn通过三层全连接层得到类别（全分类）、bounding box、方向的输出，得到精准有方向有类别的3D bounding boxes

–bbox:
–采用4corner+2 height offset 编码，物体与ground plane的偏移作为gt
–回归形式是（▲x1…▲x4, ▲y1…▲y4, ▲h1, ▲h2）

–方向：
–mv3d采用估计框的长边的方向，但是很多物体不满足长边规则，例如行人
–avod种采用regressed orientation vector(逆方向矢量)以及计算（x(t),y(t)）=(cos(t)),sin(t)使得t属于[-Π，Π]可以由BEV平面的惟一的单位向量表示
–每个bounding box有四个可能的朝向，选取离regressed orientation vector最近的朝向

参考：
–https://blog.csdn.net/qq_29981283/article/details/82983840
–https://blog.csdn.net/syyyao/article/details/81365400
–https://github.com/kujason/avod


2.1.1 Apollo2.0

1）Apollo2.0基于激光雷达的感知方案
–俯视图投影到地面网格（2d grid-map）每个网格计算8个统计量（图1上）
–使用UNet做障碍物分割（图3a）
–https://github.com/ApolloAuto/appollo/blob/master/docs/specs/3d_obstacle_perception.md（完整链接不存在）https://github.com/ApolloAuto/apollo（20201201这部分就有）



2.1.2 SqueezeSeg

1）属于分割任务范围，然后是属于球面投影【将激光点进行球面投影】

2）关于球面投影，就看下面几个图片解析吧，因为数学公式实在不好编辑，将就看一下：



3）球面投影个人理解：简单理解，就是获取上面顺数第二个图红色，青色弧线角度，因为R直接根据点云信息可以获取的，接着，空间中任何一个点的坐标都能根据两角和一边R表示出来。

4）点评：
4-1）任何的点云位置信息都可以使用球坐标系里面两角度一轴来描述
4-2）正常情况下，我们只关心两角度，因为这个轴就是雷达反射回来的长度属于已知量
4-3）一般情况下，我们只会取车前方90度范围的激光点云数据使用
4-4）上面的HWC=645125，其中5表示5个通道

2.1.3 CNN网络

–SqueezeNet,参数量极少，但是能够达到AlexNet精度，实时性好
–输入点云预处理后的数据64x512x5，输出同等尺度的label map(单相素分割)

–由于高度64小于其宽度512，网格主要对带宽进行降维（通过Max Pooling）（图2）
–conv14层的输出即对每个点的分类概率映射（分割）
–最后被输入到一个条件随机场中做进一步矫正


从上到下，图1，图2

从上面的图宽度缩小程度，可以知道，对宽度进行了降维。同时，该图的处理过程对应代码https://github.com/andylei77/SqueezeSeg_Ros/blob/master/script/squeezeseg/nets/squeezeSeg.py

2.1.4 CRF（conditional Ranoom Field 条件随机场）

1）单纯的CNN逐像素分类结果会出现边界模糊的问题（下采样丢失细节），为解决该问题，CNN输出的label map被输入到一个CRF（由RNN实现）进一步矫正CNN输出的label map

2）CRF原理：
–将像素分类问题看作为相似像素之间的概率推理问题，两个相近点具有相似的强度值极有可能属于同一个目标
–参考论文《Conditional Random Fields as Recurrent Neural Networks》如何将mean-field CRF inference 作为Recurent eural Network(RNN)的方法，在前向过程中对CNN粗糙的输出精细化，同时在训练时将误差返回给CNN

3）优点：速度快

4）缺点：
–分割的精度仍然偏低
–需要大量的训练集，而语义分割数据集标注困难
–改进版：SqueezeSegV2: Improved Model Structure and Unsupervised Domain Adaptation for Road-Object Segmentation from a LiDAR Point Cloud

5）代码：
–https://github.com/andylei77/SqueezeSeg_Ros（课程展示）
–http://wiki.ros.org/sensor_msgs

6）参考：
– https://blog.csdn.net/AdamShan/article/details/83544089
– https://github.com/AbangLZU/SqueezeSeg_Ros
–https://github.com/BichenWuUCB/SqueezeSeg

2.2 基于激光雷达点云的检测算法_ Voxel-Based(基于体素)

1）基本思想：
–将点云划分为均匀的空间三维体素（体素网格提供了结构，体素数量像图片一样是不变的，解决了顺序问题）

–优点：表达方式规整，可以将卷积池化等神经网络运算迁移到三维
–缺点：体素表达的数据量大（计算量很大，例如256x256x256=16777216），一般会减少分辨率（引入量化误差/局限性 例如64x64x64）

2)典型算法
–VoxNet: A 3D Convolutional Neural Network for Real-Time Object
Recognition
–Volumetric and Multi-View CNNs for Object Classification on 3D Data
–VoxelNet: Voxel-Based + Point-Based(局部+全局)

2.3 基于激光雷达点云的检测算法_ Tree-Based(基于树结构)

1）基本思想：
–使用tree来结构化点云，对稀疏点云进行高效地组织，再套用成熟的神经网络处理

–优点：与体素相比，是更高效的点云结构化方法（该粗就粗，该细的细）
–缺点：仍然需要额外步骤对数据进行处理（类似体素化），所以在端到端处理方面存在劣势

2）典型算法：

2-1）OctNet: Learning Deep 3D Representations at High Resolutions
–八叉树
–这一表示关注于相关稠密区域的内存分配和计算，使得3D卷积网络能够做既深又高分辨率（下图1）
–通过分析一些3d任务上的分表率，来展示octnet的作用，包括3D物体分类，方向估计和点云标注

2-2）O-CNN: Octree-based Convolutional Neural Networks for 3D Shape
Analysis
–八叉树将三维点云划分为若干节点组成的一定顺序结构

2-3）Escape from Cells: Deep Kd-Networks for the Recognition of 3D Point Cloud Models
–kd树

2.3 基于激光雷达点云的检测算法_Point-Based(基于点方式)

上面几种算法，都是需要对点云进行预处理的，这个基于点方式，是直接对点云进行处理的。

1）激光点云特征（处理需要解决的问题）：
1-1）无序性
–点云本质上上一堆点（nx3矩阵，其中n是点数），点的顺序不影响其在空间中对整体形状的表示（相同点云可以由两个完全不同的矩阵表示）【图2右】
–希望不同的点云顺序可以得到相同的特征提取结果，可以用对称函数g（例如maxpooling或sumpooling）【图2左】

1-2）旋转/平移性
相同点云在空间中经过一定的刚性变化（旋转或平移）坐标变化
希望不论点云在怎样的坐标系下呈现网络都能正确识别出，可以通过STN（spacial transform network）解决【图1】


从上到下，依次图1，图2

2）基本思想：
–直接对点云进行处理，使用对称函数姐姐点的无序性，使用空间变换解决旋转/平移性

3）代表作品：
–PointNet PointNet++ -> Frustum-PointNet、PointRCNN
–PointCNN

参考：https://blog.csdn.net/qq_15332903/article/details/80224387

2.3.1 PointNet（cvpr2017）

1）核心点：
1-1）maxpooling作为对称函数解决无序性问题：每个点云分别提取特征之后，maxpooling可以对点的整体提取出global feature

1-2）空间变换网络解决旋转问题：三维的STN可以通过点云本身的位姿信息学习（loss调整）到一个最有利于网络进行分类或分割的变换矩阵，将点云变换到合适视角（例如 俯视图看车，正视图看人）

1-2-1）两次STN，第一次input transform可以理解为将原始点云旋转出一个更有利于分类或分割的视角，第二次feature transform是在特征层面对点云进行变换

【上述1-1）、1-2）可以结合图1加深理解】

Mlp指的是全连接层
下图代码来源：
https://github.com/charlesq34/pointnet/blob/master/models/pointnet_cls.py

def get_model(point_cloud, is_training, bn_decay=None):""" Classification PointNet, input is BxNx3, output Bx40 """#BxNx3，B表示batch_size，100张点云图；N表示每个点云图有多少个点；3表示xyz坐标batch_size = point_cloud.get_shape()[0].valuenum_point = point_cloud.get_shape()[1].valueend_points = {}with tf.variable_scope('transform_net1') as sc:transform = input_transform_net(point_cloud, is_training, bn_decay, K=3)#input_transform_net，表示变换，将BxNx3*Bx3x3->BxNx3point_cloud_transformed = tf.matmul(point_cloud, transform)input_image = tf.expand_dims(point_cloud_transformed, -1)#这里扩充了维度，BxNx3->BxNx3x1net = tf_util.conv2d(input_image, 64, [1,3],#[1,3],将BxNx3x1->BxNx1x64,通过64个1x3卷积核进行卷积实现全连接层，对每一个点独立抽取特征padding='VALID', stride=[1,1],bn=True, is_training=is_training,scope='conv1', bn_decay=bn_decay)net = tf_util.conv2d(net, 64, [1,1],#BxNx1x64->BxNx1x64，使用64个1x1卷积核padding='VALID', stride=[1,1],bn=True, is_training=is_training,scope='conv2', bn_decay=bn_decay)with tf.variable_scope('transform_net2') as sc:transform = feature_transform_net(net, is_training, bn_decay, K=64)#feature_transform_net，end_points['transform'] = transformnet_transformed = tf.matmul(tf.squeeze(net, axis=[2]), transform)#squeeze函数作用，BxNx1x64->BxNx64，去掉1；然后BxNx64*Bx64x64->BxNx64net_transformed = tf.expand_dims(net_transformed, [2])#expand_dims将维度扩充回来，BxNx64->BxNx1x64#对应流程图，mlp(64,128,1024)net = tf_util.conv2d(net_transformed, 64, [1,1],#通过卷积方式是实现全连接的，使用64个1x1卷积核对BxNx1x64进行卷积，得到BxNx1x64，也就是BxNx1x64->BxNx1x64padding='VALID', stride=[1,1],bn=True, is_training=is_training,scope='conv3', bn_decay=bn_decay)net = tf_util.conv2d(net, 128, [1,1],#基本含义同上64位置解析，BxNx1x64->BxNx1x128padding='VALID', stride=[1,1],bn=True, is_training=is_training,scope='conv4', bn_decay=bn_decay)net = tf_util.conv2d(net, 1024, [1,1],#基本含义同上64位置解析，BxNx1x64->BxNx1x1024padding='VALID', stride=[1,1],bn=True, is_training=is_training,scope='conv5', bn_decay=bn_decay)# Symmetric function: max poolingnet = tf_util.max_pool2d(net, [num_point,1],#max_pool2d表示池化，这句话意思是通过Nx1卷积对BxNx1x1024进行池化，得到Bx1x1x1024,也就是BxNx1x1024->Bx1x1x1024padding='VALID', scope='maxpool')net = tf.reshape(net, [batch_size, -1])#reshape，将Bx1x1x1024->Bx1024net = tf_util.fully_connected(net, 512, bn=True, is_training=is_training,#真正意义的全连接层开始，对比流程图中mlp(512,256,k),由于案例中右40个分类,所以k=40scope='fc1', bn_decay=bn_decay)net = tf_util.dropout(net, keep_prob=0.7, is_training=is_training,#keep_prob表示的是辍学率（keep_prob值是用来控制/调整训练神经网络时使用的辍学率）；个人理解为废弃率scope='dp1')net = tf_util.fully_connected(net, 256, bn=True, is_training=is_training,scope='fc2', bn_decay=bn_decay)net = tf_util.dropout(net, keep_prob=0.7, is_training=is_training,scope='dp2')net = tf_util.fully_connected(net, 40, activation_fn=None, scope='fc3')#40return net, end_points

上述代码是解析上面图1的流程图，展示使用PointNet进行分类问题；其中，关键点是，利用卷积独立地对每个点进行抽特征。
下面代码，是对上面调用的转换函数进行说明的：

def input_transform_net(point_cloud, is_training, bn_decay=None, K=3):#输入是BxNx3点云，输出的是Bx3x3变换矩阵""" Input (XYZ) Transform Net, input is BxNx3 gray imageReturn:Transformation matrix of size 3xK """#BxNx3batch_size = point_cloud.get_shape()[0].value#表示Bnum_point = point_cloud.get_shape()[1].value#BxNx3->BxNx3x1input_image = tf.expand_dims(point_cloud, -1)net = tf_util.conv2d(input_image, 64, [1,3],#conv2d,使用卷积方法（卷积核是1x3,个数64）对每个独立点云抽特征，BxNx3x1->BxNx1x64padding='VALID', stride=[1,1],bn=True, is_training=is_training,scope='tconv1', bn_decay=bn_decay)net = tf_util.conv2d(net, 128, [1,1],#BxNx1x64->BxNx1x128padding='VALID', stride=[1,1],bn=True, is_training=is_training,scope='tconv2', bn_decay=bn_decay)net = tf_util.conv2d(net, 1024, [1,1],#BxNx1x128->BxNx1x1024padding='VALID', stride=[1,1],bn=True, is_training=is_training,scope='tconv3', bn_decay=bn_decay)net = tf_util.max_pool2d(net, [num_point,1],#max_pool2d,BxNx1x1024->Bx1x1x1024padding='VALID', scope='tmaxpool')net = tf.reshape(net, [batch_size, -1])#Bx1x1x1024->Bx1024net = tf_util.fully_connected(net, 512, bn=True, is_training=is_training,#fully_connectedscope='tfc1', bn_decay=bn_decay)#Bx1024->Bx512net = tf_util.fully_connected(net, 256, bn=True, is_training=is_training,scope='tfc2', bn_decay=bn_decay)#Bx512->Bx256with tf.variable_scope('transform_XYZ') as sc:assert(K==3)weights = tf.get_variable('weights', [256, 3*K],initializer=tf.constant_initializer(0.0),dtype=tf.float32)biases = tf.get_variable('biases', [3*K],initializer=tf.constant_initializer(0.0),dtype=tf.float32)biases += tf.constant([1,0,0,0,1,0,0,0,1], dtype=tf.float32)transform = tf.matmul(net, weights)#Bx256->Bx3Ktransform = tf.nn.bias_add(transform, biases)transform = tf.reshape(transform, [batch_size, 3, K])#Bx3K->Bx3xKreturn transform#最后返回的是Bx3x3

代码源自：https://github.com/charlesq34/pointnet/blob/master/models/transform_nets.py#L6

2.3.2 PointNet++(NIP2017)

1)PointNet：单个点云特征->全局特征【这种一步登天做法是很有问题的】，中间缺少局部信息（相当于用了很大的卷积核/pooling只做了一层卷积/pooling感受野一下就变最大）单个PointNet操作可以看作一种特殊的卷积操作（单像素抽取特征+global max pooling 或许应该放弃对单像素抽特征，没有利用领域信息，根本没有意义。除非放个像素包含了各个领域信息，例如减去中心点，直接卷积【需要卷积具有对称性：例如，卷积核内的所有权值相等？】）

2）PintNet++:单个点云特征->局部点云特征->更大局部点云特征->…->全局信息 （相当于多次卷积，感受野逐渐变大）【升级版本是解决上面一步登天问题】

3）ModeINet40上的准确率达到了由89.2%（PointNet）提高到90.7%（PointNet++）【下图对应的是升级版的操作流程】

4）核心点set abstraction(PointNet/++)
–采样：选取一些比较重要的点作为每一个局部区域的中心点
–分组：在这些中心点的周围选取k个近邻点（欧式距离给定半径内）

–PointNet:使用PointNet提取局部特征（一次PointNet相当于做一次卷积，故而称作PointNet卷积），点云子集的特征
–结果输出到下一个set abstraction重复这个过程

5）解决点云密度不均匀问题：激光扫描时会出现采样密度不均的问题，所以通过固定范围选取的固定个数的近邻点是不合适的，PointNet++提出了两个解决方案：

–多尺度分组【如图a,多个圈圈选取】：在每一个分组层，都通过多个尺度来确定每一个中心点的领域范围，并经过PointNet提取特征后将多个特征拼接起来，得到一个多尺度融合的新特征

–多分辨率分组【如图b，分2级到contact，一级到contact】：多尺度融合的做法，对于每一个中心点都需要多个patch的选区域提取特征，计算开销很大，多分辨率分组法是考虑多种分辨率的融合。左边特征向量【图b,contact横线的左侧点】是通过一个set abstraction

得到的（多次PointNet卷积），右边特征向量【图b,contact横线的右侧点】是直接对当前patch中所有点进行Pointnet卷积得到。并且当点云密度不均时，可以通过判断当前patch的密度对左右两个特征向量给予不同权重。例如，当patch中的密度很小，左边向量得到的

信息就没有对所有patch中心提取的特征的可行度更高，于是将右特征向量的权重提高，以此，达到减少计算量的同时解决密度问题。

Code：https://github.com/charlesq34/pointnet2

2.3.3 PointCNN

–PointNet:点云分别提取特征（顺序无关）->对称函数解决顺序问题（maxpooling）。”处处小心顺序问题”
–PointCNN:点云领域提取特征（顺序相关）->用X变换解决顺序问题。“前期大胆做/后期统一变”【匹对下图】

2.3.4 Frustum-Pointnet

–提取视锥体：RGB提取2D box(ROI) ,2D box -> 3D 视锥体（使用相机投影矩阵）
–分割视锥体内点云，分割得到物体实例，分割（3d mash 类似Mash-RCN在ROI内做二分类）
–3D box
Code: https://github.com/charlesq34/frustum-pointnets

2.3.5 PointRCNN

–3D RRN from raw point(使用PointNet++提取特征)
–Refining 3D proposals
–论文：https://arxiv.org/pdf/1812.04244.pdf


2.4 小结（综合上述几种算法）

解决顺序问题（结构问题）
–Pixel-Based:2D-grid【基于像素，将激光点云投影到2d网格】
–Voxel-Based:3D-grid【基于体素，将激光点云划分为3d网格】
–Tree-Based:Tree struct【基于树，利用树结构划分点云】
–Point-Based:对称函数/X变换【基于点，解决激光点云顺序问题】

3 基于激光雷达点云的检测算法_实战基于点云的目标检测

Voxel net

3.1基本介绍

1）基本思想：在3D网格单元上使用Pointnet学习的特征，而不使用手工制作的网格特征（例如h_max等）

2）整体框架：
–输入：仅使用激光雷达数据
–特征学习网络
–卷积中间层网络
–区域提取网络（RPN）

3）优缺点：
–准确度很高
–但在TitanX GPU上只有4fps的低速度

4）参考：
https://blog.csdn.net/AdamShan/article/details/84837211
https://github.com/qianguih/voxelnet
https://github.com/AbangLZU/VoxelNetRos【实战代码的原始作者版本】

3.2 代码原理分析

1）特征学习网络
–体素分块（Voxel Partition）输入点云（D,H,W）体素的深高宽为（vD,vH,vW），经过处理得到网格大小，voxel grid(D/(vD), H/(vH), W/(vW))
–点云分组（Grouping）将点云按照上一步分出来的体素格进行分组
–随机采样（Random Sampling）每一个体素随机采样固定数目的点T。因为 ：
–a)网格单元内点云数量不均匀
–b)且64线一次扫描点云的数量巨大（10w）,全部处理需要消耗很多CPU和内存

2）

3）稀疏张量表示（Sparse Tensor Representation）:
–一系列的体素特征可以使用一个4维的稀疏张量来表示，C x D’ x H’ x W’
–一次lidar扫描包含接近10万格点，但是超过90%的体素格是空的，使用稀疏张量来描述非空体素格，能够减低反向传播时的内存和计算消耗

4）代码中（针对KITTI car）
–沿着lidar坐标系（z,y,x）方向分别对应取[-3,1]x[-40,40]x[0,70.4]立方体（米）作为输入点云
–体素大小
–体素网格大小

图中，vd,vh,vw分别对应的是 ZYX
–每个体素网格内随机采样T=35个点云
–两个VFE层VFE-1(7,32)和VFE-2(32,128)输出128维的Voxel-wise特征
–特征学习网络的输出，即为一个稀疏张量[batchsize,10,400/200,352/240,128]【10就是Z轴对应的4/0.4；400就是80/0.2；325就是70.4/0.2；里面的200，240属于对人情况的，因为分辨率（如前面的0.4，0.2）改变，得到结果不一样的；128就是维度】
代码：https://github.com/qianguih/voxelnet/blob/master/model/group_pointcloud.py

5）卷积中间层网络：
–类似PointNet中的：分层多次卷积->小邻域变大邻域
–每个卷积中间层ConvMD:3维卷积+BN层+非线性层（ReLU） 参数：3：3d c_in c_out：输入输出通道 k：卷积核（k,k,k） s：stride p:padding

–[batchsize,10,400/200,352/240,128]-> [batchsize, 400/200,352/240,128]【中间层会多卷一下】
–https://github.com/qianguih/voxelnet/blob/master/model/rpn.py

#  convolutinal middle layerstemp_conv = ConvMD(3, 128, 64, 3, (2, 1, 1),(1, 1, 1), self.input, name='conv1')temp_conv = ConvMD(3, 64, 64, 3, (1, 1, 1),(0, 1, 1), temp_conv, name='conv2')temp_conv = ConvMD(3, 64, 64, 3, (2, 1, 1),(1, 1, 1), temp_conv, name='conv3')temp_conv = tf.transpose(temp_conv, perm=[0, 2, 3, 4, 1])temp_conv = tf.reshape(temp_conv, [-1, cfg.INPUT_HEIGHT, cfg.INPUT_WIDTH, 128])

这一小节代码，就是解析卷积中间层网络的【个人还是没有理解背后的具体含义20201214】

6）区域提取网络（RPN）
–三个全卷积层块（Block），每次尺度减半
–每一个快的输出都是采样到相同尺寸进行串联得到高分辨率特征图

–输出：
–Probability Score Map(二分类 例如是否为车) [None,200/100,176/120,2]
–Regression Map(位置修正) [None,200/100,176/120,14] 【14，因为一个特征点映射回原图的话，对应两个box，每个box有7个值（3个中心点+3个宽高+旋转1个偏差）】

代码来自：https://github.com/qianguih/voxelnet/blob/master/model/rpn.py
代码中这些block都是上面流程图中的实现

# block1:temp_conv = ConvMD(2, 128, 128, 3, (2, 2), (1, 1),temp_conv, training=self.training, name='conv4')temp_conv = ConvMD(2, 128, 128, 3, (1, 1), (1, 1),temp_conv, training=self.training, name='conv5')temp_conv = ConvMD(2, 128, 128, 3, (1, 1), (1, 1),temp_conv, training=self.training, name='conv6')temp_conv = ConvMD(2, 128, 128, 3, (1, 1), (1, 1),temp_conv, training=self.training, name='conv7')deconv1 = Deconv2D(128, 256, 3, (1, 1), (0, 0),temp_conv, training=self.training, name='deconv1')

４．其他

答疑：
1）激光雷达扫描，只是获取两个角度和R值，而我们所看见的xyz值，是前面获取后，转换得到的

2）ROS，属于一种通信框架，目前适用于科研这类，实际使用的话，还是不能够满足车规级需要的

3）阿波罗2.0时候，采用激光雷达和高精地图作为主，这时候就主要激光点云数据处理；3.0版本时候，选择图像和毫米波雷达为主，这时候，就图像处理为主

4）这节课程中，有实战代码的，是需要重点学习的

个人小结：
这节课，介绍激光雷达点云处理算法。这些算法，基本上是深度学习方面的；也实战了一些基于激光点云处理基于神经网络算法案例。但是，很遗憾，虽然老师讲的很细，也图文并茂，但里面的代码和流程图还是很多地方不懂，主要因为相关知识太缺。
没错，菜是原罪。进步空间巨大。

各位小伙伴，链接里面的参考文献找不到的话，欢迎私聊哈。

#####################
不积硅步，无以至千里
好记性不如烂笔头
图片版权归原作者所有
感恩授课老师的付出