深度学习图像增强 ImageDataGenerator 图像深度检测

转载

索姆拉 2024-08-29 20:12:45

题目：Pseudo-LiDAR from Visual Depth Estimation: Bridging the Gap in 3D Object Detection for Autonomous Driving（自动驾驶）

作者：Yan Wang, Wei-Lun Chao, Divyansh Garg, Bharath Hariharan, Mark Campbell, Kilian Q. Weinberger
论文链接：https://arxiv.org/abs/1812.07179项目链接：https://mileyan.github.io/pseudo_lidar/代码链接：https://github.com/mileyan/pseudo_lidar

1）核心观点：基于视觉得深度检测效果不好，很大程度上是因为数据的表达形式，也就是格式选择不对。（这篇的角度很新颖很奇特，因为还是网上没什么参考资料，就又自己强行翻译理解了）

2）使用雷达&相机做3D车辆检测的优缺点与区别：

雷达：

贵；通过64路或者128路旋转激光束提供稀疏的深度数据。
使用单一传感器存在很大的风险，比如雷达不适用的环境，或者雷达因为其他原因不可用；此外，如果可以多传感器协同工作的话，精度和效率或许可以有更大提升。
数据用3D点云表示，或者从bird‘s eye view观察（这种方式可以避免在正面图像中远处物体尺寸特别小的问题，因此几乎为线性误差），在这两种情况下，目标的形状和尺寸都不受深度影响。

相机图像：

便宜，帧率高；
远处的物体尺寸会变小，更难检测，对深度估计的误差随着深度的增加大致成二次增长。
基于图像的深度，提供稠密的深度数据，每个像素都有其深度值（通常在基于图像的处理中，会将深度作为RGB之外的一个额外的通道）；
相邻像素在3D空间中可能存在很大的深度差。

基于图像和基于雷达的3D检测，在思路上的主要区别（存在个人理解，存疑）：

LiDAR：雷达可以提供确切可知的准确的深度，因此检测的重点往往在于预测标签和画出准确的3D框（也就是类别和方向角的预测）；
图像：基于图像的检测更重要的一个环节是可靠的深度估计（当然类别和角度的估计也很重要）。

3）本文算法：

　　思路：

通过视觉深度估计方法从单目相机或双目相机的图像中估计深度，
将得到的像素深度反投影为3D点云，得到Pseudo-LiDAR数据，
最后用基于LiDAR的检测算测做检测。

　　流程图：

深度学习图像增强 ImageDataGenerator 图像深度检测_人工智能

　　深度估计：本文算法与深度估计部分无关，这里可用单目深度估计或者双目深度估计，本文采用双目深度。

　　双目深度估计输入一对左右图像I_l，I_r，输出与任意一图像大小相同的视差图Y（disparity map）。本文假设左图为参考图像，并在Y矩阵中存每个像素相对于右图的水平视差。由下式得到深度图：（其中f_U为左图的水平方向的焦距）

深度学习图像增强 ImageDataGenerator 图像深度检测_3D_02

　　这里补充下双目相机的视差估计原理（下图截自SLAM十四讲）：

深度学习图像增强 ImageDataGenerator 图像深度检测_人工智能_03

深度学习图像增强 ImageDataGenerator 图像深度检测_深度图_04

生成Pseudo-LiDAR数据：

　　在左图的相机坐标系中为每个像素(u,v)反投影的到3D坐标(x,y,z)：（(c_U,c_V)是像素坐标原点相对与相机中心的位置偏移，f_V是垂直焦距）。将所有的像素点都反投影到3D坐标，得到3D点云{(x⁽ⁿ⁾,y⁽ⁿ⁾,z⁽ⁿ⁾)}^N_n=1(N为像素数目）。

深度学习图像增强 ImageDataGenerator 图像深度检测_数据_05

　　这里补充一下相机坐标到像素坐标的投影变换：

深度学习图像增强 ImageDataGenerator 图像深度检测_深度图_06

LiDAR vs. pseudo-LiDAR：因为后续是要和雷达信号做对比，这里对伪雷达信号做了些额外的处理：

由于真实雷达信号只存在于一定的高度范围内，这里只保留雷达源（就是KITTI雷达的位置，车顶）上方1m内的雷达信号，去掉的部分通常不存在自动驾驶场景感兴趣的目标（车辆、行人），影响不大；
雷达信号通常会包含每个测量像素的反射率（给出数值0或者1），但是图像无法的到这个数据，就全部简单粗暴设置为1。
从图中可以看出，伪雷达数据和真实雷达数据对应比较好（这个地方我不太会看，这个黄色点点怎么就和蓝色点点对准了啊），但是伪雷达数据是稠密的，雷达虽然在一幅图像上可以采集到和图像像素同量级的数据（超过10w点），但由于雷达只有64或者128路激光束，所以雷达数据点是稀疏的。

深度学习图像增强 ImageDataGenerator 图像深度检测_人工智能_07

3D目标检测：

　　有了伪雷达数据就可以用任何一种基于雷达的3D检测算法检测啦。本文采用单目图像+LiDAR的方式，采用两种方式处理pseudo-LiDAR数据，baseline选用了AVOD和frustum PointNet：（这两个baseline我都不了解，文中的简单解释也不太能理解来，这里不多说了吧）

3D点云：frustum PointNet；
从Bird's Eye View（BEV）角度去观察pseudo-LiDAR数据：这样从俯视角度，3D信息被转化成为2D图像（保留宽和深，高度存在通道中），AVOD。

数据表示形式至关重要：

　　尽管pseudo-LiDAR和深度图中是相同的信息转化而来，但是本文主张pseudo-LiDAR数据更适用于基于卷积神经网络的3D目标检测。

　　卷积神经网络的核心模块是2D卷积，卷积神经网络在处理深度图像的时候是进行一系列的2D卷积操作，虽然卷积核的参数是可以学习的，但是核心假设有两个：

图像的局部邻域是有意义的，网络应该观察局部图片块；
所有邻域都可以用相同的方式处理。（?这个地方还是不懂是个啥意思）

　　这些假设确实需要，但并不完善，现有的2D检测器在遇到这些假设不成立时常常会崩溃。

第一，2D图片上的局部图片块只有在同属于同一目标的时候，才在物理上具有相关性。如果图片块跨越目标边界，那么深度图上相邻的两像素在3D空间中可能位置相差非常大。
第二，相同大小的物体处于不同的深度，投影在深度图上时会有不同的尺寸。相同尺寸的图片块可能覆盖的内同相差非常大。

　　相反，点云上的3D卷积或者BEV视角上的2D卷积在物理上自然靠近（尽管BEV会将不同高度的像素堆叠到一起，但是这些像素通常你都属于同一物体，不影响）。这样，远处物体和近处物体可以用完全相同的方式处理，这些操作本质上更具有物理意义，自然地可以得到更精确的结果。做了对比实验来验证这点（2D卷积操作有时侯不太靠谱）（图3）：左侧是原始深度图和其得到的pseudo-LiDAR数据；右侧深度图是左侧经过一个11 * 11 的卷积层得到的，下面是其得到的pseudo-LiDAR数据。

深度学习图像增强 ImageDataGenerator 图像深度检测_人工智能_08