激光雷達目標檢測

激光雷達，是以發射激光束探測目標的位置、速度等特征量的雷達系統。其工作原理是向目標發射探測信號(激光束),然后將接收到的從目標反射回來的信號(目標回波)與發射信號進行比較,作適當處理后,就可獲得目標的有關信息,如目標距離、方位、高度、速度、姿態、甚至形狀等參數,從而對飛機、導彈等目標進行探測、跟蹤和識別。它由激光發射機、光學接收機、轉臺和信息處理系統等組成，激光器將電脈沖變成光脈沖發射出去，光接收機再把從目標反射回來的光脈沖還原成電脈沖，送到顯示器。

定義

編輯

LiDAR(Light Detection and Ranging)，是激光探測及測距系統的簡稱，另外也稱Laser Radar [1] 或LADAR(Laser Detection and Ranging) [2] 。

用激光器作為發射光源，采用光電探測技術手段的主動遙感設備。激光雷達是激光技術與現代光電探測技術結合的先進探測方式。由發射系統、接收系統 、信息處理等部分組成。發射系統是各種形式的激光器，如二氧化碳激光器、摻釹釔鋁石榴石激光器、半導體激光器及波長可調諧的固體激光器以及光學擴束單元等組成；接收系統采用望遠鏡和各種形式的光電探測器，如光電倍增管、半導體光電二極管、雪崩光電二極管、紅外和可見光多元探測器件等組合。激光雷達采用脈沖或連續波2種工作方式，探測方法按照探測的原理不同可以分為米散射、瑞利散射、拉曼散射、布里淵散射、熒光、多普勒等激光雷達。

構成與原理

LIDAR是一種集激光，全球定位系統(GPS)和慣性導航系統(INS)三種技術與一身的系統，用于獲得數據并生成精確的DEM。這三種技術的結合，可以高度準確地定位激光束打在物體上的光斑。它又分為日臻成熟的用于獲得地面數字高程模型(DEM)的地形LIDAR系統和已經成熟應用的用于獲得水下DEM的水文LIDAR系統，這兩種系統的共同特點都是利用激光進行探測和測量，這也正是LIDAR一詞的英文原譯，即：LIght Detection And Ranging - LIDAR。

激光本身具有非常精確的測距能力，其測距精度可達幾個厘米，而LIDAR系統的精確度除了激光本身因素，還取決于激光、GPS及慣性測量單元(IMU)三者同步等內在因素。隨著商用GPS及IMU的發展，通過LIDAR從移動平臺上（如在飛機上）獲得高精度的數據已經成為可能并被廣泛應用。

LIDAR系統包括一個單束窄帶激光器和一個接收系統。激光器產生并發射一束光脈沖，打在物體上并反射回來，最終被接收器所接收。接收器準確地測量光脈沖從發射到被反射回的傳播時間。因為光脈沖以光速傳播，所以接收器總會在下一個脈沖發出之前收到前一個被反射回的脈沖。鑒于光速是已知的，傳播時間即可被轉換為對距離的測量。結合激光器的高度，激光掃描角度，從GPS得到的激光器的位置和從INS得到的激光發射方向，就可以準確地計算出每一個地面光斑的坐標X，Y，Z。激光束發射的頻率可以從每秒幾個脈沖到每秒幾萬個脈沖。舉例而言，一個頻率為每秒一萬次脈沖的系統，接收器將會在一分鐘內記錄六十萬個點。一般而言，LIDAR系統的地面光斑間距在2-4m不等。 [3]

激光雷達的工作原理與雷達非常相近，以激光作為信號源，由激光器發射出的脈沖激光，打到地面的樹木、道路、橋梁和建筑物上，引起散射，一部分光波會反射到激光雷達的接收器上，根據激光測距原理計算，就得到從激光雷達到目標點的距離，脈沖激光不斷地掃描目標物，就可以得到目標物上全部目標點的數據，用此數據進行成像處理后，就可得到精確的三維立體圖像。

激光雷達最基本的工作原理與無線電雷達沒有區別，即由雷達發射系統發送一個信號，經目標反射后被接收系統收集，通過測量反射光的運行時間而確定目標的距離。至于目標的徑向速度，可以由反射光的多普勒頻移來確定，也可以測量兩個或多個距離，并計算其變化率而求得速度，這是、也是直接探測型雷達的基本工作原理。

基于lidar的目標檢測方法可以分成3個部分：lidar representation，network backbone，detection head，如下圖所示。

根據lidar不同的特征表達方式[1]，可以將目標檢測方法分成以下4種：基于BEV（bird’s
eye view）的目標檢測方法，基于camera view的目標檢測方法，基于point-wise
feature的目標檢測方法，基于融合特征的目標檢測方法。如下圖所示。

基于bev的目標檢測方法顧名思義是使用bev作為點云特征的表達，其檢測流程如下圖所示，包括3個部分：bev generator，network backbone， detection head。下面詳細介紹一下這3個部分如何在基于bev的目標檢測方法中發揮作用。

1.BEV generator

BEV圖由激光雷達點云在XY坐標平面離散化后投影得到，其中需要人為規定離散化時的分辨率，即點云空間多大的長方體范圍（ΔlΔwΔh）對應離散化后的圖像的一個像素點（或一組特征向量），如點云20cm20cmΔh的長方體空間，對應離散化后的圖像的一個像素點。具體關于bev投影生成策略可以關注文章：自動駕駛中，激光雷達點云如何做特征表達[1]。 在bev generator中，需要根據ΔlΔwΔh來生成最后LWH大小的bev特征圖，該特征圖是network backbone特征提取網絡的輸入，因此該特征圖的大小對整個網絡的效率影響很大，如pointpillar[2]通過對voxelnet[3]中bev generator的優化，整個網絡效率提高了7ms。

Network backbone

網絡結構的設計需要兼顧性能和效果，一般都是在現有比較大且性能比較好的網絡結構基礎上進行修改，可以參照文章：輕量（高效）目標檢測網絡結構設計[4]。以voxelnet[3]和pointpillar[2]為例，pointpillar[2]以voxelnet[3]為原型，不改變原流程的基礎上，對voxelnet[3]設計做了以下一些修改，使網絡效率提高了10多倍，具體如下:

簡化bev中的網絡結構

voxelnet[3]使用stacked vfe layer，在代碼中使用了2個vfe layer，如下圖所示。

pointpillar[2]簡化了voxel表達形式，變成pillar，提高了數據生成效率，并且只使用了一個vfe layer，減少了2ms，如下圖所示。

主網絡結構

· 不使用3D卷積

· 輸入特征圖的channel數從128減少為64，網絡耗時減少2.5ms

· 網絡主結構所有層channel數減半，網絡耗時減少4.5ms

· Upsampling的channel數從256減少到128，減輕detection head，網絡耗時減少3.9ms

· Tensorrt加速，提速45.5%

Pointpillar[2]在保證網絡性能提升的前提下，逐步提高網絡效率，從不同角度優化網絡流程，最后使網絡效率提高10倍有余。

Detection head

detection head包括兩個任務，即：目標分類與目標定位，由于bev將點云用圖像的形式呈現，同時保留了障礙物在三維世界的空間關系，因此基于bev的目標檢測方法可以和圖像目標檢測方法類比：目標分類任務與圖像目標檢測方法中目標分類任務沒有差別；而目標定位任務可以直接回歸目標的真實信息，但與圖像目標檢測方法中目標定位任務不同，該任務需要給出旋轉框。與圖像目標檢測方法相同，基于bev的目標檢測方法的detection head也分成anchor base的方法和anchor free的方法。

anchor
base方法

以voxelnet[3]為例，需要人為設定anchor的大小，由于bev可以直接回歸真實的目標大小，因此anchor也可以根據真實目標大小設定，如：以下單位為米，l、w、h分別表示anchor的長、寬、高，對于車來說anchor大小可以設定為la = 3.9,wa = 1.6,ha = 1.56，對于人la = 0.8,wa = 0.6,ha = 1.73，對于騎行者la =1.76,wa
= 0.6,ha = 1.73，且對于每種anchor，設置了θa=0°和90°兩種角度。由于目標有各種角度，因此為了得到更準確的角度回歸，anchor的角度設置可以在[0°,180°）進行等間隔采樣，獲得更多不同角度的anchor，提高回歸精度。回歸誤差的計算如下圖所示。

anchor free方法

典型代表是pixor[5]，對于bbox的回歸，如下圖所示，對于正樣本的紅點p（x，y），需要回歸如下信息：{cos(θ), sin(θ), dx, dy, w, l}，其中θ為障礙物偏角，dx、dy分別為p點相對障礙物中心點的偏移，w、l是障礙物大小的表達。沒有anchor，對目標的回歸是不是簡單了很多。

以上為基于bev的目標檢測方法的簡單介紹，該方法在目前的自動駕駛的3D目標檢測方案中應用較廣。

2.Camera view generator

camera view圖是將每圈激光線拉成直線再按行累積而成，因此也稱為range view，其中投影圖的高為激光線數，寬為lidar掃描一圈的點數，如: 64線激光雷達，水平角分辨率為0.2°，生成的camera view的圖大小為64*1800。camera view相對bev圖小很多，因此基于camera view的方法效率都較高。具體投影圖的生成策略可以關注文章：自動駕駛中，激光雷達點云如何做特征表達[2]。camera view效果如下圖。

Network backbone

網絡結構的設計要依據任務需求，基于camera view的目標檢測方法，多是以分割任務為主，因此網絡結構大都是encode+decode結構，如下圖1所示。因此有關提高分割效果的網絡 設計思想都可以在此使用，如圖2中使用不同大小的dilation rate的卷積獲得不同感受野的特征表達，如圖3使用global attention增加上下文信息。更多分割增強模塊，在后面會專門寫一篇文章介紹。

圖1 ecode+decode

圖2 不同dilate rate卷積

圖3 global attention

Detection head

基于camera view的目標檢測方法有兩種輸出方式表達，一種是純分割區域，另一種是分割與檢測框。

純分割區域表達

純分割的輸出是基于camera view的模型最直接、最好的一種輸出。在原始3D點云中，尤其是遠處的點，點與點之間的距離都較遠，如bev投影圖，造成點特征提取時很難融入上下文信息。而camera view投影圖將點云中的點聚攏，每個點都可以很方便的獲得更大范圍的上下文信息，這種投影方式更適合分割任務。如在SqueezeSeg[3]和PointSeg[4]兩篇文章中，都直接將分割作為最終任務目標，但是為了得到更好的聯通區域，需要增加較多的后處理。如在SqueezeSeg[3]，在模型輸出后又增加了crf提高分割效果。在PointSeg[4]中，使用RANSAC將異常點剔除，如下圖，第一行為模型輸入，第二行為模型直接的預測輸出，第三行為將模型輸出的camera view圖反投影得到的點云圖，第四行為經過ransac后再反投影得到的點云圖，對比第三行和第四行對應的圖可以看出，ransac有效的抑制很多離目標較遠的點。

分割與檢測表達

分割任務對于基于camera view的模型相對簡單，但是檢測框的回歸并不容易。camera view投影圖增加了點云中點的上下文信息，但也將原本在3D空間分離的目標拉近，引入了遮擋與目標尺度變化，然而點云投影圖又不像真實的圖像那樣有很豐富的紋理信息，造成了camera view圖像很難做實例分割與目標框回歸，因此，檢測框的回歸需要增加一些額外操作來實現。

在lasernet[5]中，對于目標框中的點(x,y)需要回歸6個信息，如上圖所示，Box
Parameters為6，包括：該點相對中心點的偏移(dx,dy),
相對旋轉角度 (ωx,ωy) = (cosω,sinω)，以及框大小 (l,w)，從而可以通過下述公式計算得到真正的目標框中心點bc以及旋轉角φ，其中θ為該點在點云中的方位角，Rθ為以θ為旋轉角的旋轉矩陣。

另外，由于對每個點的預測存在噪聲，而后又在bev投影圖中使用mean shift聚類方法得到更準確的目標框。

總結：

由于3D點云在做camera
view投影的時候丟失了原來的3D結構信息，引入了圖像中的尺度變化和遮擋兩個問題，因此少有方法直接在這種模式下作3D目標檢測，一般需要在網絡輸出基礎上做比較多的后處理。但是camera view的表達模式，極大的增加了遠處點云的上下文信息，也是一種極好的提高點云特征表達能力的方式，后續在融合感知方法中會再介紹。

3.Point-wise

基于lidar的目標檢測方法迎來了第3大類方法的介紹，前面已經介紹過基于BEV（bird’s eye view）的目標檢測方法[1]，基于camera/rang view的目標檢測方法[2]，這兩種方法在自動駕駛的實際運用中都很常見，算是比較主流的方法。這兩種方法研究的也比較早，相對成熟一些。而point-wise目標檢測方法自pointnet[3]之后，才有較多的研究文章用其解決自動駕駛中有關3D目標檢測問題，在此之前，大都用來解決基于室內場景或者單個全掃描目標密集點云的分割、檢測、場景理解的問題，其中研究有關RGB-D的問題最多。

這里我們將關注點放在如何用point-wise feature來解決自動駕駛的目標檢測問題上。自2017年pointnet[3]之后出現的3D目標檢測相關文章中，50%都出自香港中文大學，其中一部分來自商湯科技自動駕駛相關部門，如PointRcnn[4]、Part aware and aggregation[5]、PV Rcnn[6]，另一部分來自騰訊優圖實驗室賈佳亞老師團隊，同樣也是自動駕駛相關業務方向，如IPoD[7]、Fast PointRcnn[8]、STD[9]、3DSSD[10]。這里面除了3DSSD[10]方法為one-stage detector，其他都是two-stage detector，而3DSSD[10]主打高效，從而也可以看出刷榜還得靠two-stage detector。

我們從如下圖所示的3個部分（lidar
representation，network backbone，detection head），來介紹一下point-wise方法。其中lidar represention部分是直接使用點云做輸入，即n*4的點集，不做單獨介紹，下面重點介紹一下其他兩個部分。

Network backbone

提取點特征一般有兩種方式:基于pointnet[3]/pointnet++[11]的點特征、voxel特征。如圖1：在STD[9]中，組合了兩種方式。如圖2，在PointRcnn[4]中，僅使用了pointnet++[11]提取點特征

圖1
STD[9]特征提取方式

圖2 PointRcnn中特征提取方式

在使用pointnet++[11]提取特征時，包含兩個重要模塊，即set abstraction（即，SA）和feature propagation（即，FP），如下圖3所示其中SA是特征encoder過程，通過點云篩選與特征提取逐步減少點云點數，提高特征表達能力與感受野，FP是特征decoder過程，通過點云上采樣，獲得稠密的點云表達，并級聯SA過程的特征，提高最終的點云特征表達能力。

圖3 pointnet++特征表達

在3DSSD[10]中，為了提高模型效率，去掉了耗時比較嚴重的FP模塊，由于SA過程只篩選了一部分點做特征表達，對目標檢測的召回影響很大，尤其對點云比較稀疏的遠處的目標，影響更大，因此3DSSD[10]在D-FPS的基礎上，提出了F-FPS，即通過點的語義信息來做點的篩選，保留更多的正樣本的點，保證最終的目標召回率。

Detection head

detection head除了完成目標分類與目標定位的任務，在two-stage detector中，還需要實現roi pooling，為第二階段提供實例級別的特征，之前寫過一篇圖像中的rpn與roi align實現[12]，但是點云的特征表達還是有些差別的。

對于目標定位的任務，同樣有anchor-base方法和anchor-free方法。在STD[9]中，為應對有旋轉角的box回歸，提出了球形anchor，由于anchor沒有角度的變化，直接將anchor數量減少50%，提高了計算效率。其他方法大都是anchor-free的方法，關于anchor-free的方法，推薦讀一下kaiming大神的voteNet[13]，比較好理解。

關于roi pooling，一般是針對單個目標，再次提取更豐富、更具表達能力的特征，因此在不同論文中，根據實例提取特征方式的不同，提出了不同的roi pooling方法，如在STD[9]中，提出了PointsPool，在Part aware and aggregation[5]中，提出了Roi aware Point Cloud Pooling，在pv-rcnn[6]中提出了Roi grid Pooling。下面分別介紹一下。

PointsPool[9]

如下圖4所示，分成三個步驟

圖4 PointsPool[9]

特征提取：在proposal中隨機篩選N個點，1）獲得第一階段的點特征；2）獲得N個點的坐標，并用如下圖5所示的canonical transformation得到與原坐標系無關的坐標特征。兩種特征聯合在一起，作為proposal中點的特征表達

Voxel表達：將不同大小的proposal，通過voxel統一化到相同大小：dl = 6,dw = 6,dh = 6

使用VFE layer提取最終特征

圖5 canonical transformation

Roi aware Point
Cloud Pooling[5]

整體流程如下圖6所示，與STD[9]中的pooling方法類似，首先將proposal分割成固定大小的voxel，如14×14×14，然后再提取voxel特征表達：

· RoIAwareMaxPool：使用的是第一階段輸出的point-wise semantic part feature，在voxel中計算max pooling

· RoIAwareAvgPool：使用的是proposal中經過canonical
transformation點坐標特征和segmentation score，在voxel中計算avg pooling

最后將兩組特征聯合作為proposal的pooling特征。

圖6 Roi aware Point Cloud Pooling Roi grid pooling[6]

與上面兩種pooling方法不同的是，并沒有將proposal通過voxel得到固定大小的特征圖，而是根據pv-rcnn[6]中提出的key point信息，將proposal用666=216個grid points表達，grid points是從proposal中的key points均勻采樣獲得，且RoI-grid point features提取過程和key point feature提取過程是相似的。簡單來說就是以grid point為中心，r為半徑的區域內提取不同尺度、不同感受野的特征，最后在使用2層的MLP網絡獲得最終的特征表達，如圖7所示。

圖7 Roi grid point feature extraction

總結：

目前基于point-wise feature的目標檢測方法還處于研究階段，效率無法保證，精度還未在真實自動駕駛車上測試，但由于該方法直接從點云提取特征，極大的保留了點云的原始信息，比較有潛力得到更好的效果。

參考文獻：
1、PointPillars: Fast
Encoders for Object Detection from PointClouds
2、VoxelNet:End-to-End Learning for Point Cloud Based 3D Object Detection
3、PIXOR: Real-time 3D Object Detection from Point Clouds
4、Multi-View 3D Object Detection Network for Autonomous Driving
5、YOLO3D: End-to-end real-time 3D Oriented Object
Bounding Box Detection from LiDAR Point Cloud6、SqueezeSeg: Convolutional Neural Nets
with Recurrent CRF for Real-Time Road-Object Segmentation from 3D LiDAR Point
Cloud7、PointSeg: Real-Time Semantic Segmentation Based
on 3D LiDAR Point Cloud8、LaserNet: An Ef?cient
Probabilistic 3D Object Detector for Autonomous Driving

總結

以上是生活随笔為你收集整理的激光雷达目标检测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。