三维目标检测之ROS可视化

已于 2022-08-08 15:58:10 修改
阅读量7.9k 收藏 176
点赞数 26
分类专栏： 3D目标检测 文章标签： 目标检测 python 深度学习
于 2022-08-01 18:20:48 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jiachang98/article/details/126106126
版权

实验室有一个镭神C16的激光雷达，最近在我这，想拿来玩一玩。本意是做一个实时的检测，通过ROS获取激光雷达的激光点云，用pointpillars模型来进行实时的三维目标检测任务。但是镭神c16这一个激光雷达，不太好处理，目前只能用自带的驱动，进行一个实时的显示。所以下边的思路就是，先存储镭神c16的点云数据，再用ros进行三维目标检测。

文章目录

1. 思路：

  通过ros来实现点云消息的订阅和检测框bbox消息的发布，来实现一个检测效果的可视化功能。

2. 实验环境：

  • Ubuntu16.04
  • cuda 10.1
  • ros-kinetic
    检测环境主要依托OpenPCDet，环境搭建可参考我的这篇博客

3. 步骤：

1. 前提条件

已经搭建过了OpenPCDet。
已经搭建了ROS环境，我用的是kinetic版本，用其他版本应该也可以。

2. 编译环境

创建一个工作空间并进入

mkdir -p ~/pointpillars_ros/src
cd pointpillars_ros/src

将ROS包复制或者克隆到当前文件夹下

git clone https://github.com/BIT-DYN/pointpillars_ros
cd ..

编译

# 进入到搭建好的openpcdet环境
conda activate openpcdet
pip install --user rospkg catkin_pkg
pip install pyquaternion
# 因为我用的是kinetic，所以需要安装下边的库，如果是其他版本的ros，下边修改kinetic安装对应版本即可
sudo apt-get install ros-kinetic-pcl-ros
sudo apt-get install ros-kinetic-jsk-recognition-msg
sudo apt-get install ros-kinetic-jsk-rviz-plugins
## 注意，执行catkin_make时，在最外层的文件夹下，也就是我例子中的~/pointpillars_ros
catkin_make

迁移OpenPCDet中的一些文件

为保险起见，我将下边这些文件全部放入到src/pointpillars/tools文件夹下了。
在这里插入图片描述
可以先修改一下demo.py文件的配置文件和预训练模型的位置，测试是否能成功调用pcdet，如果可以的话，说明环境迁移过来后没问题，再尝试修改ros.py的代码。

3. 修改代码

ros.py代码

1. 简单修改
# 下边的路径改成自己的
sys.path.append("/home/ubuntu/pointpillars_ros/src/pointpillars_ros") # Line 22
# 54行后边
""" Initialize ros parameters """
config_path = rospy.get_param("/config_path", "/home/ubuntu/pointpillars_ros/src/pointpillars_ros/tools/cfgs/kitti_models/pointpillar.yaml")
ckpt_path = rospy.get_param("/ckpt_path", "/home/ubuntu/pointpillars_ros/src/pointpillars_ros/tools/models/pointpillar.pth")
# 订阅的激光点云名字，改成自己的，我用的是kitti的.bag文件
self.sub_velo = rospy.Subscriber("/kitti/velo/pointcloud", PointCloud2, self.lidar_callback, queue_size=1,  buff_size=2**12)
2. 修改旋转参数

修改旋转参数，大概在ros.py的86行前后。我问了开源作者，他们安装的雷达有偏角，所以这里置0就行。

# 旋转轴
#rand_axis = [0,1,0]
#旋转角度
#yaw = 0.1047
#yaw = 0.0
#返回旋转矩阵
#rot_matrix = self.rotate_mat(rand_axis, yaw)
#np_p_rot = np.dot(rot_matrix, np_p[:,:3].T).T

# convert to xyzi point cloud
x = np_p[:, 0].reshape(-1)
y = np_p[:, 1].reshape(-1)
z = np_p[:, 2].reshape(-1)
if np_p.shape[1] == 4: # if intensity field exists
    i = np_p[:, 3].reshape(-1)
else:
    i = np.zeros((np_p.shape[0], 1)).reshape(-1)
points = np.stack((x, y, z, i)).T
3.添加类似与NMS的功能，去除不靠谱的检测结果

另外ros.py代码中是没有去除掉scores低的检测框，我打印看了一下，如下图所示，置信度为0.107的也没有去除掉：
在这里插入图片描述修改ros.py代码的大概110行前后（去除掉不合适的检测框，我设置的阈值为0.5），如下所示：

  # 组装数组字典
  input_dict = {
      'points': points,
      'frame_id': msg.header.frame_id,
  }
  data_dict = self.demo_dataset.prepare_data(data_dict=input_dict) # 数据预处理
  data_dict = self.demo_dataset.collate_batch([data_dict])
  load_data_to_gpu(data_dict) # 将数据放到GPU上
  pred_dicts, _ = self.model.forward(data_dict) # 模型前向传播
  scores = pred_dicts[0]['pred_scores'].detach().cpu().numpy()
  mask = scores > 0.5
  scores = scores[mask]
  boxes_lidar = pred_dicts[0]['pred_boxes'][mask].detach().cpu().numpy()
  label = pred_dicts[0]['pred_labels'][mask].detach().cpu().numpy()
  num_detections = boxes_lidar.shape[0]
  #rospy.loginfo("The num is: %d ", num_detections)

  # print(boxes_lidar)
  # print(scores)
  # print(label)
4. 新增发布跟检测结果匹配的每一帧点云

分析：
  以上的代码，订阅了激光点云信息（并在rviz界面展示），发布检测框（并在rviz显示），检测是需要时间的，所以检测框与当前显示帧的点云并不匹配。
思路：
  得到检测框结果之后，重新发布当前帧点云信息，名字修改一下。然后在rviz可视化界面选择重新发布的点云就可以了。
在ros.py中添加新发布的点云，在rviz文件中新增新的点云话题。
修改后的代码可查看:

国内gitee地址：https://gitee.com/ximing689/pointpillars_ros

launch/pointpillars.launch代码

<launch>
# 主要修改下边第一行
  <node pkg="rosbag" type="play" name="player" output="log" args="-l /media/ubuntu/ximing/dataset/ros_kitti/bag/2011_10_03/kitti_2011_10_03_drive_0027_synced.bag" />
  <node name="pointpillars_ros" type="ros.py" pkg="pointpillars_ros" output="screen"/>
  <node type="rviz" name="rviz" pkg="rviz" args="-d $(find pointpillars_ros)/launch/pointpillars.rviz" />
</launch>

launch/pointpillars.rviz代码

主要修改你所用的话题的名字，我改了点云和图像的名字
在这里插入图片描述

4. 运行

执行下边的命令

conda activate openpcdet
source ~/pointpillars_ros/devel/setup.bash
roslaunch pointpillars_ros pointpillars.launch

4. 图片效果：

我使用kitti原数据的某一段时间，转成.bag格式，用pointpillars的模型进行测试的，效果也不行，猜测原因可能是1.旋转矩阵参数没有修改;2.激光点云显示的跟检测框有延时，不能很好匹配;3.第三点可能就是模型不行(可能性不大)。
在这里插入图片描述

1.未设定阈值的检测效果：

在这里插入图片描述

2.设定阈值之后的效果

设定阈值之后，明显减少了很多检测框，不过依然存在检测延时（检测框不准）。
在这里插入图片描述

3. 最终效果

初次部署这个代码的时候，检测框跟实际点云完全不匹配，目标框是杂乱的。经过分析，将点云和检测框进行匹配对齐之后，显示的检测效果还是不错的（目前还没做图像的对齐，所以图像和点云显示不一致）。
哔哩哔哩
在这里插入图片描述

下图是用雷神c16雷达在实验室采集的30秒的数据，不到1分钟，696MB。
在这里插入图片描述
目前用rosbag record存储了一些雷神C16激光雷达的数据，还不太会使用雷达实时读取，实时检测。后期再想办法吧。

5. 主要参考资料:

  非常感谢这些网友分享的开源资料，让一个小白的我，也能快速demo出一个效果。

遇到的问题，解决办法：

视频效果：https://www.bilibili.com/video/BV1ce4y1D76o/
代码地址：https://gitee.com/ximing689/pointpillars_ros

hello689
关注
  • 26
    点赞
  • 踩
  • 176
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 82
    评论
专栏目录
自动驾驶系统基于全卷积神经网络的点云三维目标检测和ROS实战
sybh的博客
10-09 201
全卷积神经网络使用卷积层替换了卷积神经网络中的全连接层，下图是一个全卷积神经网络的结构示意图，全卷积神经网络通常由编码器网络、解码器网络和预测网络构成，编码器网络由一系列的卷积层构成，主要起到特征提取和表示学习的作用，通常使用预训练的VGG、ResNet等分类网络作为编码器网络。
点云可视化程序（ply、pcd、txt）
11-05
点云可视化是计算机图形学领域中的一个重要组成部分，它涉及到如何有效地展示和理解三维点云数据。在本资源中，提供了三个专门用于 ply、pcd 和 txt 格式的点云数据可视化的程序：plyViewer、pcdViewer 和 txtViewer...
基于ros和openpcdet使用自己的雷达进行实时三维目标检测
Debtor的博客
03-28 1494
使用openpcdet和ros进行实时三维检测，用自己的雷达。
英伟达激光3D感知PointPillar推理及其可视化(代码开源)
最新发布
laukal
05-10 433
1、前言在本篇博客中，我们将探讨英伟达（NVIDIA）推出的激光感知技术PointPillar的推理及其可视化方法。PointPillar是一种高效的3D目标检测模型，特别适用于处理来自激光雷达的点云数据，这在自动驾驶和机器人导航等领域具有重要应用。是一种先进的激光雷达数据处理算法，它通过将连续的3D空间划分为离散的柱状区域，简化了点云数据的处理过程。这种方法不仅提高了数据处理的效率，还增强了对障碍物的识别能力，尤其适用于自动驾驶车辆的环境感知。
三维目标检测环境配置
DWQIONGER的博客
02-23 1273
二 pytorch官网，下载cuda和torch的版本 Previous PyTorch Versions | PyTorch 二 mmcv和cuda版本对应安装 GitHub - open-mmlab/mmcv: OpenMMLab Computer Vision Foundation 三 mmdection对应版本 GitHub - open-mmlab/mmdetection: OpenMMLab Detection Toolbox and ...
mmdetection3d模型部署的总结【附代码】
一名研究生
07-24 554
关于模型部署中的坑的总结
ROS开发之如何将RPLidar数据在RViz中三维显示？
【cacrle】的博客
04-07 874
笔者研究的课题关于RPLidar二维激光雷达设备研发，需要将二维激光雷达数据结合其他传感器融合进行三维建模，需要进行三维显示，而官方提供的RPLidar驱动代码发布的消息只为二维消息，在RViz中显示也只是二维显示。本文为了将RPLidar数据在RViz中三维显示，参考网上资料，建立了一个PointCloud2的消息，该消息可携带三维数据，能在RViz中PointCloud2模块下显示三维图形。本文详细记录三维显示代码修改过程，最终实现了RPLidar数据在RViz中三维显示。
ros2话题发布+rviz2可视化+c++
08-10
通过Tetris.h Tetris.cpp Block.h Block.cpp Map.h Map.cpp三个类分别编写锻炼cpp能力，利用key.cpp通过ros2的话题机制读取键盘输入信息，在通过话题发布给rviz2完成可视乎，适合ros2以及rviz2入门使用。（补充：①...
ROS:二维坐标映射到三维坐标上(彩色与深度图像匹配)（基于深度相机D415）
07-31
- 我挂上来的这个节点是将鼠标指向的二维坐标转换到三维坐标系下，并发布话题可视化到了rviz中，因为我自己的物体识别发布的像素坐标话题是一个自己写的消息文件，这次就不放出来了，需要用的把我这里的鼠标反馈的...
opencv 三维建模点云详细
03-03
根据两张图片计算出的点云详情，特征点的坐标、颜色，旋转坐标、平移坐标。格式为yaml
leogate:PointCloud流可视化
03-15
"3d"表示这个项目涉及到三维图形处理，点云数据本身就是三维空间中的点集，因此，可视化这部分数据需要在3D环境中进行。 "Rust"再次强调了项目使用的技术栈，Rust的强类型和内存管理特性使其在处理复杂数据结构如...
3D目标检测数据集 KITTI（标签格式解析、3D框可视化、点云转图像、BEV鸟瞰图）
热门推荐
黎国溥
09-09 1万+
本文介绍在3D目标检测中，理解和使用KITTI 数据集，包括KITTI 的基本情况、下载数据集、标签格式解析、3D框可视化、点云转图像、画BEV鸟瞰图等，并配有实现代码。 1、KITTI数据集3D框可视化 2、KITTI 3D数据集 3、下载数据集 4、标签格式 5、标定参数解析 6、点云数据-->投影到图像 7、图像数据-->投影到点云 8、可视化图像2D结果、3D结果 9、点云3D结果-->图像BEV鸟瞰图结果（坐标系转换） 10、绘制BEV鸟瞰图 11、BEV鸟瞰图画
激光雷达的三维点云目标检测+Ros
LepoLepo的博客
11-17 5515
一、基于pointpillar（前视数据集kitti可成功，全景激光雷达或许需要自己采集数据训练） 项目有很多，环境参照second-pytorch配置即可：https://github.com/traveller59/second.pytorch。 特别地，spconv环境要求苛刻，建议配置环境前，先参考spconv环境要求。 问题：运行时出现cannot import name 'rbbox_intersection' 或 'rbbox_iou'from 'spconv.utils'问题。 .
ROS 将kitti数据集的3D检测框画出来，标注id实现跟踪效果，并用rviz显示出来
qq_39400324的博客
10-05 795
将kitti数据集的3D检测框画出来，标注id实现跟踪效果，并用rviz显示出来。
PCDet_ros
weixin_43649403的博客
07-23 299
项目记录
第八篇：ROS的rviz三维可视化平台
qq_35635374的博客
11-10 2810
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言一、功能二、安装并运行rviz1.安装rviz2.运行rviz三、界面介绍四、数据可视化原理及步骤1.原理2.步骤（1）在源代码中按照可视化话题类型，发布话题（2）rviz订阅对应话题步骤（3）保存当前配置好的RVIZ环境3.注意五、插件扩展机制（1）默认插件（rviz提供）（2）扩展插件总结 前言 认知有限，望大家多多包涵，有什么问题也希望能够与大家多交流，共同成长！ 本文
ROS-发布三维框体和标签信息
weixin_44747201的博客
07-23 390
ROS-发布三维框体和标签信息
ROS高效进阶第四章 -- 机器视觉处理之ros集成yolov5实现目标检测
cy1641395022的博客
08-25 4381
ROS高效进阶第四章 -- 机器视觉处理之ros集成yolov5实现目标检测
openpcdet复现pointpillars
08-03
要复现OpenPCDet中的PointPillars算法，可以按照以下步骤进行操作： 1. 首先，克隆OpenPCDet的GitHub仓库到本地。可以使用以下命令进行克隆： ``` git clone https://github.com/open-mmlab/OpenPCDet.git ``` 2. 进入克隆好的OpenPCDet目录，并安装所需的Python依赖。可以使用以下命令安装依赖： ``` cd OpenPCDet pip install -r requirements.txt ``` 3. 下载PointPillars的源代码和相关环境包。可以使用以下命令进行下载： ``` mkdir -p ~/pointpillars_ros/src cd ~/pointpillars_ros/src git clone https://github.com/BIT-DYN/pointpillars_ros ``` 4. 将OpenPCDet工程中的OpenPCDet/tools目录下的全部文件以及/OpenPCDet/pcdet目录下的文件复制到~/pointpillars_ros/src/pointpillars_ros/tools目录下。确保将所有文件都复制过去，尤其要注意不要遗漏pcdet文件夹。 5. 进入~/pointpillars_ros目录，并激活OpenPCDet的环境。可以使用以下命令进行激活： ``` cd ~/pointpillars_ros conda activate pcdet ``` 6. 安装所需的ROS依赖。可以使用以下命令进行安装： ``` pip install --user rospkg catkin_pkg sudo apt-get install ros-noetic-pcl-ros sudo apt-get install ros-noetic-jsk-recognition-msg sudo apt-get install ros-noetic-jsk-rviz-plugins ``` 7. 完成上述步骤后，即可开始复现PointPillars算法。可以使用以下命令启动PointPillars： ``` source ~/pointpillars_ros/devel/setup.bash roslaunch pointpillars_ros pointpillars.launch ``` 请注意，以上步骤仅为大致指导，具体操作可能因环境和配置而有所不同。建议参考OpenPCDet和PointPillars的官方文档以获取更详细的指导。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 82
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

hello689

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值