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。
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:
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
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)。
1.未设定阈值的检测效果:
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)
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)。
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。
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
1.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。
ROS点云的Pointpillars实时目标检测
Github资料
遇到的问题,解决办法:
error while loading shared libraries: libopencv_core3.so.3.3
ROS运行python报错:/usr/bin/env: ‘python\r’: No such file or directory
视频效果:
https://www.bilibili.com/video/BV1ce4y1D76o/
代码地址:
https://gitee.com/ximing689/pointpillars_ros
版权声明:本文为CSDN博主「hello689」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:
https://blog.csdn.net/jiachang98/article/details/126106126
下载1:OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复:扩展模块中文教程,即可下载全网第一份OpenCV扩展模块教程中文版,涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2:Python视觉实战项目52讲
在「小白学视觉」公众号后台回复:Python视觉实战项目,即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目,助力快速学校计算机视觉。
下载3:OpenCV实战项目20讲
在「小白学视觉」公众号后台回复:OpenCV实战项目20讲,即可下载含有20个基于OpenCV实现20个实战项目,实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~