三维点云学习（6）6-3D Object Detection-KITTI object detection evaluation(1)-result from the ground truth

三维点云学习（6）6-3D Object Detection-KITTI object detection evaluation(1)-result from the ground truth

使用kitti检测物体检测评价标准，result数据为ground truth修改

博客参考：
强烈推荐，前两个博客！！！：
Hit_HSW的博客 —KITTI数据使用序列——3D Object检测数据集使用
jane_xueting的博客 —KITTI 3D objection detection results evaluation

一文多图搞懂KITTI检测数据集下载使用(附网盘链接)
KITTI 3D目标检测离线评估工具包说明
KITTI 3D Object Detection Evaluation 结果评估程序

代码参考，大神github

label_2数据集下载：
复制这段内容后打开百度网盘手机App，操作更方便哦
链接：https://pan.baidu.com/s/17Rh10G1UYx2IogelJPl_9Q 提取码：Gb2j

主要流程

step1 环境配置

Setup the KITTI object detection evaluation environment
ps:主要摘自：jane_xueting的博客
运行kitti检测标准代码，并不需要深度学习库，用ubuntu普通虚拟机也可完成

git clone https://github.com/prclibo/kitti_eval.git
#进入到 kitti_eval的目录下
g++ -O3 -DNDEBUG -o evaluate_object_3d_offline evaluate_object_3d_offline.cpp
#若出现 #inlcude<boost/numeric/ubas/matrix.hpp>
#slove
sudo apt-get update
sudo apt-get install libboost-all-dev
#安装绘图，记录软件
sudo apt-get install gnuplot
sudo apt-get install texlive-extra-utils

step2 阅读 devkit 开发手册，了解result需要的固定数据格式

devkit 下载
复制这段内容后打开百度网盘手机App，操作更方便哦
链接：https://pan.baidu.com/s/17alhE0aF_cyrUvUCaUWM8g 提取码：QXKE
ps:主要摘自：jane_xueting的博客

其中第1列truck 表示图中出现了卡车（一共有’Car’, ‘Van’, ‘Truck’,‘Pedestrian’, ‘Person_sitting’, ‘Cyclist’, ‘Tram’,‘Misc’ or 'DontCare’这些类别，Don’t care 是没有3D标注的，原因是雷达扫不了那么远，即使可以视觉检测出来）
第2列0.0表示其是否被截断的程度为0。（如果车在图片边缘，那么就有可能发生部分被截断的情况。用0-1 表示被截断的程度。）
第3列0表示没有被遮挡。（0表示完全可见，1表示部分遮挡，2表示大部分被遮挡，3表示未知。）
第4列 -1.57 表示卡车中心与相机中心构成的矢量与在bird view下的夹角为-1.57，实际上就是说明改开叉在-90，即正前方。这个信息反映目标物体中心在bird view相对方向信息。
第5-8列的599.41 156.40 629.75 189.25是目标的2D bounding box 像素位置，形式为xyxy，前两个值为bounding box左上点的x，y位置，后两个点为右下角的x,y位置。
第9-11列 2.85 2.63 12.34 表示该车的高度，宽度，和长度，单位为米。（H,W,L）
第12-14列 0.47 1.49 69.44 表示该车的3D中心在相机坐标下的xyz坐标。
第15列 -1.56 表示车体朝向，绕相机坐标系y轴的弧度值。注意和第4列区别开来，第四列不在乎车体朝向，而是车体中心与相机中心所构成矢量在与相机坐标系z轴的夹角（其实这里笔者有点疑虑，如果车体中心位置已知，车体朝向是不知道的，但是第4列的alpha是可以算出来的，那么其实第4列的数据是冗余的？）
第十六列，检测的置信度

step3 生成 results 数据

这里我们使用ground truth的label数据修改，得到result数据，观察检测结果
输出的resul数据和label数据比较，主要比标签多了第16个值，第16个值为confidence置信度，表示形式为score
下载的 训练集 label_2：

部分数据展示：其中，DontCare为非物体类
1.创建文件夹
根据evaluate_object_3d_offline.cpp中 gtdir result_dir的路径要求

创建文件夹
label_2中存放kitti训练集label_2
pred_2文件夹中创建data文件夹，用于存放result
2.根据ground truth 生成result
Generate Object Detection Results Using Ground Truth
这里使用大神github 代码 --create_pred_from_ground_truth.py
运行方式
注意修改自己的label_2路径，和生成result路径

# create object detection results from ground truth labels:
./create_pred_from_ground_truth.py -i /workspace/data/kitti-3d-object-detection/training/label_2/ -o /workspace/data/kitti-3d-object-detection/training/pred_2/

运行结果：生成以下文件
可以看到，生成的result 的confidence为100，当然置信度可以根据自己喜好调整观看评价后效果

3.使用KITTI进行数据检测，观看标准
运行：

# run:
./kitti_eval_node /workspace/data/kitti-3d-object-detection/training/label_2/ /workspace/data/kitti-3d-object-detection/training/pred_2/

运行过程：
运行结果：
生成如下文件：
输出AP:

#create_pred_from_ground_truth.PY
#!/opt/conda/envs/deep-detection/bin/python

import argparse

import os
import glob

import pandas as pd

import progressbar


def generate_detection_results(input_dir, output_dir):
    """
    Create KITTI 3D object detection results from labels

    """
    # create output dir:
    os.mkdir(
        os.path.join(output_dir, 'data')
    )

    # get input point cloud filename:
    for input_filename in progressbar.progressbar(
        glob.glob(
            os.path.join(input_dir, '*.txt')
        )
    ):
        # read data:
        label = pd.read_csv(input_filename, sep=' ', header=None)
        label.columns = [
            'category',
            'truncation', 'occlusion',
            'alpha',
            '2d_bbox_left', '2d_bbox_top', '2d_bbox_right', '2d_bbox_bottom',
            'height', 'width', 'length',
            'location_x', 'location_y', 'location_z',
            'rotation'
        ]
        # add score:
        label['score'] = 100.0
        # create output:
        output_filename = os.path.join(
            output_dir, 'data', os.path.basename(input_filename)
        )
        label.to_csv(output_filename, sep=' ', header=False, index=False)

def get_arguments():
    """
    Get command-line arguments

    """
    # init parser:
    parser = argparse.ArgumentParser("Generate KITTI 3D Object Detection result from ground truth labels.")

    # add required and optional groups:
    required = parser.add_argument_group('Required')

    # add required:
    required.add_argument(
        "-i", dest="input", help="Input path of ground truth labels.",
        required=True, type=str
    )
    required.add_argument(
        "-o", dest="output", help="Output path of detection results.",
        required=True, type=str
    )

    # parse arguments:
    return parser.parse_args()


if __name__ == '__main__':
    # parse arguments:
    arguments = get_arguments()

    generate_detection_results(arguments.input, arguments.output)