PointPillars:工业界大量部署落地的点云目标检测算法

1、本文速览

在自动驾驶的3d目标检测中，速度与精度一直是工业界部署追求的，但两者难以兼得，本文提出PointPillars模型正基于此，取得了速度与精度上的双重提高。即使仅仅使用了lidar数据，也在kitti上取得了3d和BEV视角上的SOTA pipeline。

论文：https://arxiv.org/pdf/1812.05784.pdf

代码：https://github.com/nutonomy/second.pytorch

2、背景

传统3D目标检测几个模型的比较，以PointNet，VoxelNet，SECOND为例：

? PointNet是最早将CNN卷积应用在点云检测领域，由于网络的最大迟化影响，导致点云缺失局部特征；

? VoxelNet引入端到端的特征学习，VoxelNet也基于PointNet进行设计，导致局部特征缺失。同时VoxelNet运用了 3D 卷积，计算复杂度较高，速度只有4.4 Hz；

? SECOND 将速度提升到了 20Hz，但是仍然保留了3D卷积。

PointPillar基本思想：将三维点云分为一些柱体pillars，利用PointNet提取柱体pilars特征，将特征映射为2D伪图像，对2D图像使用SSD提取目标检测框和类别。

3、PointPillars框架

PointPillars包含三个模块，Pillar Feature Net、Backbone（2D CNN）、Detection Head（SSD）。

功能简述如下：
（1）Pillar Feature Net：将点云转化为伪图像的特征编码网络，即俯视图划分H × W个网格，将网格沿Z轴提升为柱体pillar，并用pointNet提取特征转伪图像；
（2）Backbone（2D CNN）:基于为图像的2D骨干特征提取网络，提取不同尺度的图像特征；
（3）Detection Head（SSD）:利用SSD模型检测和回归3D框检测头。

3.1 Pillar Feature Net

（1）画网格。在俯视图xy平面上，划分H × W的均匀网格，将H × W个均匀网格沿Z轴拉伸形成pillar，xy网格的分辨率为0.16m；

（2）扩维度。原始的点云数据point有(x,y,z,r)4个维度,r代表反射率。将数据维度扩展为9维，扩展维度(x,y,z,r,x_c,y_c,z_c,x_p,y_p），其中x_c,y_c,z_c是点相对于pillar中所有点的质心偏差，x_p,y_p是对点相对于pillar中所有点的物理中心偏差；

（3）补点。每个pillar中点多于N的进行采样，少于N的进行填充0。形成（D,P,N）维度的张量，其中D=9（扩展后的数据维度）, N为每个pillar的采样点数N=100,P为pillar总数目P=12000，H*W；

（4）提特征。使用PointNet提取pillar特征，PointNet由一个BatchNorm层、ReLU层、全连接层组成，维度变为(C, P, N) 张量；

（5）池化。在Ｎ这个维度上做max operation，得到(C,P)的tensor，变形得到(C,H,W)张量。(C,H,W)张量正好类似图像的维度。

3.2 Backbone（2D CNN）

（1）特征提取层。类似特征金字塔网络（FPN），至上而下逐级提取伪图像的特征，分为1/2、1/4、1/8三个尺度的特征图；

（2）特征加强层。类似于Unet网络，至下而上逐级解码不同尺度的特征图；

（3）特征图拼接。将来自不同三个尺度的特征图在通道尺度上进行拼接。此时生成维度为（H/2,W/2,6C）的张量。

3.3 Detection Head（SSD）

Anchor框匹配groundtruth框采用2D IOU匹配，直接从BEV视角进行匹配，不考虑高度信息。每个类别的检测范围、anchor框大小、正负样本匹配阈值分别为：

（1）车：x、y、z的检测范围为[(0, 70.4), (-40, 40), (-3, 1)]m，anchor先验框的长宽高设定为(1.6, 3.9, 1.5)m，阈值设置为大于等于0.65为正样本，小于0.45为负样本，中间不计算损失；

（2）行人与自行车：x、y、z的检测范围为[(0, 48), (-20, 20), (-2.5, 0.5)]，行人anchor先验框的长宽高设定为(0.6, 0.8, 1.73)m，自行车的anchor先验框的长宽高设定为(0.6,1.76, 1.73)m，两类别的阈值设置均大于等于0.5为正样本，小于0.35为负样本，中间不计算损失。

4、数据增强和损失函数

4.1 数据增强

（1）类似SECOND，为所有类别和点云的ground truth 3D boxes创建了查询表；

（2）对每个样本中的车、行人、自行车分别选取15、0、8的ground truth，将这些放入当前的点云中；

（3）对所有的ground truth 3D boxes进行了增强，每个框进行旋转和平移；

（4）对所有的点云和框进行了全局增强，具体方法是：沿x轴应用随机镜像翻转，然后全局旋转、缩放和平移来加入模拟位置噪音。

4.2 损失函数

采用同SECOND相同的损失函数。框的维度定义为(x, y, z, w, l, h,θ)。

（1）定位回归损失

Xgt与xa分别表示groundtruth框与predicte框的长度，da为对角线的长度：

最终定位损失采用SmoothL1，考虑到3类别物体的框大小不会发生过多变化。

（2）分类损失

分类损失采用FcolLoss损失，FcolLoss可以有效避免样本数量不均衡产生的影响，相当于给数量少的样本更大的权重。

（3）总损失

在角度预测时候不可以区分两个完全相反的box，所以PiontPillars的检测头中还添加了对一个anchor的方向预测。这里使用了一个基于softmax的方向分类box的两个朝向信息。最终总损失如下：

其中，α= 0.25，γ=2，Npos为正样本框的数量，βloc = 2，βcls = 1， βdir = 0.2。

5、实验

模型速度和精度对比

PP代表pointpillars模型，M代表MV3D , A代表AVOD , C代表 ContFuse, V代表 VoxelNet, F代表Frustum PointNet, S代表SECOND, P+ 代表PIXOR++。从图中看出pointpillars确实能兼顾速度和精度。

pointpillars在BEV下的检测结果。

pointpillars在3D下的检测结果。

pointpillars在BEV（上图）和框投影到图像上的可视化效果。

6、结论

PointPillars是一种可以在激光雷达点云上进行端到端训练的网络和编码器。在 KITTI中，PointPillars以较快的速度展示了较高的检测性能（BEV 和3D），实验结果表明，PointPillars为3D对象检测提供迄今为止最好的激光雷达pipeline。

微信公众号关注“视觉算法学堂”，学习更多人工智能视觉技术干货！