基于深度连续融合的多传感器三维目标检测
共 2564字，需浏览 6分钟
·
2021-02-26 10:38
点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达
单眼视觉系统以低成本高性能实现令人满意的效果，但无法提供可靠的3D几何信息。双目摄像机可以提供3D几何信息，但是它们的计算成本很高，并且无法在高遮挡和无纹理的环境中可靠地工作。另外，该系统在复杂的照明条件下鲁棒性较低，这限制了其全天候能力。激光雷达不受光照条件的影响，可以提供高精度的3D几何信息。但是它的分辨率和刷新率很低，而且成本很高。
Camera-Lidar融合提高了性能和可靠性并降低了成本，但这并不容易。首先，相机通过将现实世界投影到相机平面上来记录信息，而点云以原始坐标的形式存储几何信息。此外，就数据结构和类型而言，点云是不规则，无序和连续的，而图像是规则，有序和离散的。这导致图像和点云处理算法的巨大差异。
参考文献中 [1] 提出了一种新颖的3D目标检测器，它可以利用激光雷达和摄像机进行非常精确的定位。为了实现这一目标，他们设计了一种端到端的可学习架构，该架构利用连续卷积融合不同分辨率级别的图像和LIDAR特征图。这使我们能够设计基于多个传感器的新颖，可靠，高效的端到端可学习3D对象检测器。
总体架构包括两个流，其中一个流从LIDAR鸟瞰图（BEV）提取图像特征，另一流从LIDAR鸟瞰图（BEV）提取特征，它们设计了一个连续融合层以桥接两侧的多个中间层，从而执行多传感器融合在多个尺度上。
首先，使用ResNet18分别提取图像流和点云流（BEV）中的特征，然后对图像特征执行多尺度融合，并使用连续融合层将多尺度图像特征融合到图像的四个残差组中。
给定输入的摄像机图像特征图和一组LIDAR点，连续融合层的目标是创建一个密集的BEV特征图，其中每个离散像素都包含从摄像机图像生成的特征。对于密集地图中的每个目标像素，使用欧几里得距离找到其在2D BEV平面上最接近的K个LIDAR点，然后反向投影到3D空间，然后将这k个点投影到相机视图中，并找到与每个点，然后利用MLP融合来自这K个最近点的信息，以在目标像素处插值未观察到的特征。
对于每个目标像素，MLP通过对其所有邻居的MLP输出求和来输出D_o维输出特征。也就是说：
其中fj是点j的输入图像特征，xj-xi是从相邻点j到目标i的3D偏移，而concat（·）是多个向量的串联。然后，通过元素逐级求和将MLP的输出功能与前一层的BEV功能进行组合，以融合多传感器信息。
他们使用简单的检测头来提高实时效率。在最终的BEV层上计算一个1×1卷积层以生成检测输出。在每个输出位置，他们使用两个具有固定大小和两个方向的锚，分别为0和π/ 2弧度。
每个锚点的输出包括每个像素类的置信度及其关联的框的中心位置，大小和方向。接下来是非最大抑制（NMS）层，基于输出映射生成最终对象框。损失函数定义为分类损失和回归损失之和。
参考文献 [1] 在KITTI和TOR4D数据集上评估了其多传感器3D目标检测方法。在KITTI数据集上，与3D目标检测和BEV目标检测中的现有高级方法进行了比较，并进行了模型简化测试，并比较了不同的模型设计。在TOR4D数据集上，此方法在长距离（> 60m）检测中特别有效，这在自动驾驶的定时和目标检测系统中起着重要作用。
对于BEV检测，此模型比中度AP测得的所有其他方法要好。对于3D检测，此模型排名第三，但在简单子集中具有最佳AP。在保持高检测精度的同时，该模型可以实时高效运行。检测器以大于每秒15帧的速度运行，这比其他基于LIDAR和基于融合的方法要快得多。
[1] Ming Liang, Bin Yang , Shenlong Wang , and Raquel Urtasun .Deep Continuous Fusion for Multi-Sensor 3D Object Detection
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~