PointPillars算法解析

说明

本篇主要对基于LIDAR的3D目标检测算法PointPillars算法论文进行解析。
论文地址：https://arxiv.org/pdf/1812.05784.pdf
代码地址：https://github.com/open-mmlab/OpenPCDet
参考链接1：https://zhuanlan.zhihu.com/p/357626425
参考链接2：https://blog.csdn.net/Yong_Qi2015/article/details/119834000
参考链接3：https://blog.csdn.net/weixin_45080292/article/details/130217320

1.算法简介

核心思想： PointPillars算法从俯视图的角度将点云划分为一个个的柱状体(Pillar)，等同于丢掉了高度信息，只保留水平方向上的xy坐标，每个柱状体(Pillar)等同于2D图像中的一个像素坐标。在得到伪图像之后使用常见2D网络进行特征的提取和学习，最后使用SSD检测头进行Bbox的回归。

PointPillar算法的网络框架如下图所示，算法的输入是原始点云数据，输出是3D目标检测框。整个算法包括以下几个模块：

• Voxel Feature Encoding (VFE)模块
• MAP_TO_BEV模块
• BACKBONE_2D模块
• 检测头(DENSE_HEAD)模块
• POST_PROCESSING模块

2.网络框架和算法流程

2.1 VFE模块

参考链接：https://blog.csdn.net/Jack_Man_N/article/details/134613118

PillarVFE模块是OpenPCDet（Open Point Cloud Detection）中的一个特征编码模块，用于将点云数据转换为结构化的特征表示。它是PointPillars算法中的关键组件。

PointPillars是一种基于单张俯视图的点云目标检测算法，它将点云数据投影到二维的俯视图平面上，并使用PillarVFE模块对每个投影区域（称为pillar）进行特征编码。PillarVFE模块的主要功能包括：

• 构建pillar：将点云数据投影到二维的俯视图平面，并将投影区域划分为多个小的正方形区域，称为pillar。每个pillar代表一个局部区域。
• 特征编码：对每个pillar中的点云数据进行特征编码。PillarVFE模块使用一个卷积神经网络（通常是多层的3D卷积操作）对每个pillar提取pillar内部的点云的特征表示。这些特征表示捕捉了点云数据的局部结构信息。
• 特征聚合：PillarVFE模块还执行特征聚合操作，将每个pillar的特征表示合并为一个全局的特征表示。这样可以利用全局特征进行目标检测和定位。

通过PillarVFE模块的特征编码和特征聚合操作，PointPillars算法能够有效地处理大规模点云数据并提取有用的特征表示，从而实现高效的点云目标检测。

2.1.1 构建pillar

通过激光雷达获取的一般是一个N*4的点云向量，N指云点的数量，4指点云有xyzi4个维度的信息。

第一步需要对点云进行张量化处理，将原始点云数据从俯视图的角度，根据点云的XY坐标信息将其划分为一个个垂直的网格。每个网格可以理解为一个长为n宽为n，高为h的体素。

图像参考链接：https://blog.csdn.net/ChuiGeDaQiQiu/article/details/118675912

每个点云用一个9维的向量表示：$(x,y,z,r,x_c,y_c,z_c,x_p,y_p)$。其中x,y,z指原始的点云坐标，r表示反射率信息，x_c,y_c,z_c为该点云所处Pillar中所有点的几何中心，x_p,y_p分别为x-x_c和y-y_c反应了点与几何中心的相对位置。

假定每个点云样本中有P个非空pillar，每个pillar有N个点，则该帧点云可以用张量$(D,P,N)$进行表示，即图中的Stacked Pillars。其中，D指每个pillars的维度即D=9；P指pillars的数量；N指每个pillars中云点的数量，如果pillar中的云点数大于N则对其进行采样得到N个点，如果云点数量小于N则用0补齐。

pillars转换的代码在pcdet/datasets/processor/data_processor.py

2.1.2 pillar内部点云特征提取

在得到pillars表示的点云张量后，使用简化版本的PointNet对张量化的点云数据进行处理和VFE特征提取，即对每个点都运用线性层+BatchNormalization层+ReLU层学习9维的云点特征，生成（C，P，N）的张量，再对于通道上使用最大池化操作，输出一个（C，P）的张量。

特征提取可以理解为对点云的维度进行处理，原来的点云维度为$(D,P,N)$,处理后的维度为$(C,P,N)$。按照Pillar所在维度进行Max Pooling操作，即获得了（C，P）维度的特征图。这一步应指其特征聚合操作。

2.1.3 MAP_TO_BEV模块

（C，P）维度的特征图表示通道数为C,长度为P,维度为1的张量，在经过简化版的pointnet网络提取出每个pillar的特征信息后，就需要将每个的pillar数据重新放回原来的坐标中，也就是二维坐标，组成 伪图像 数据，将其转换为HxW的2维张量，即伪图像信息，对应算法结构图中的Pseudo Image，代码中的PointPillarScatter模块。

2.2 BACKBONE_2D模块

在初步得到“伪图像”对应的特征之后，需要进一步提取图片特征。
PointPillars使用类似VGG的结构来构建二维CNN主干。通过堆叠几个卷积层，主干将在每个阶段产生具有不同解决方案的特征图。来自几个阶段的特征图将被融合在一起，形成最终的特征表示。在特征融合过程中，去卷积层被引入，对具有较小分辨率的高水平特征图进行上采样。在去卷积之后，所有具有相同分辨率的输出特征图可以连接在一起，形成一个综合张量，用于最终的预测。

之所以选择这样架构，是因为不同分辨率的特征图负责不同大小物体的检测。比如分辨率大的特征图往往感受野较小，适合捕捉小物体（在KITTI中就是行人）。

2.3 检测头模块

在本文中，我们使用单击检测器（SSD）[18]设置来执行3D目标检测。与SSD类似，我们使用2D联合交叉（IoU）[4]将先验框与真值相匹配。边界框高度和标高未用于匹配；而不是给定2D匹配，高度和高程成为额外的回归目标。

类似于SSD的检测头被用于PiontPillars中，在OpenPCDet的实现中，直接使用一个网络对车、人、自行车三个类别进行训练，而没有像原论文中对车和人使用不同的网络结构。因此，在检测头中，一共有三个类别的先验框，每个先验框都有两个方向，分别是BEV视角下的0度和90度。每个类别的先验框只包含一种尺度信息。

车 [3.9, 1.6, 1.56]
人[0.8, 0.6, 1.73]
自行车[1.76, 0.6, 1.73]（单位：米）

在进行anchor和GT的匹配过程中，PointPillars采用了2D IOU匹配方式，直接从BEV视角的特征图中进行匹配。这种匹配方式不需要考虑物体的高度信息，主要是因为在Kitti数据集中，所有物体都在同一个平面内，不存在一个物体在另一个物体上面的情况，并且所有类别物体的高度差异不大。因此，直接使用SmoothL1回归就可以得到较好的匹配结果。

每个anchor都需要预测七个参数：中心坐标的 (x, y, z) 以及长宽高 (w, l, h) 以及旋转角度 θ。此外，为了解决两个完全相反的box的角度预测问题，PointPillars的检测头还添加了一个基于softmax的方向分类来预测box的两个朝向信息。对于车、人和自行车这三个类别，每个anchor的正负样本匹配阈值不同，具体而言：

• 对于车辆，匹配IOU阈值大于等于0.65的anchor被视为正样本，小于0.45的被视为负样本，阈值在两者之间的样本不会被计算损失。
• 对于行人和自行车，匹配IOU阈值大于等于0.5的anchor被视为正样本，小于0.35的被视为负样本，阈值在两者之间的样本不会被计算损失。

3.损失函数

作者采用了SECOND中类似的损失函数，每个3D BBox用一个7维的向量表示，分别为$(x,y,z,w,h,l,\theta )$，其中$(x,y,z)$为中心坐标，w,h,l为尺寸数据，$\theta$为方向角，检测框回归任务中要学习的参数为这7个变量的偏移量

真值和锚之间的定位回归残差定义如下：
作者采用了Smooth L1损失函数进行训练:

和SECOND中相同，为了避免方向判别错误，作者引入了个Softmax损失学习物体的方向。该损失记做$L_{dir}$.

有关分类损失，作者仍然采用了Focal Loss，定义如下：

整体的损失函数如下：