本文介绍 3D单目目标检测从入门到做自己的Tesla

3D单目目标检测从入门到做自己的Tesla

本文由林大佬原创,转载请注明出处,来自腾讯、阿里等一线AI算法工程师组成的QQ交流群欢迎你的加入: 1037662480

这篇教程是一个新纪元,如果你还没有学完目标检测从入门到精通,不妨可以关注一下我们的专栏,职业输送高科技干货知识,关注这一个专栏你便可以掌握所有AI以及机器人相关的知识。如果你目标检测已经觉得自己牛逼到了极点,那接下来可以来挑战下一个任务,进行单目的3D目标检测。

如果你不知道Tesla是什么,进入官网http://tesla.cn了解一下,听说最近马斯克把FSD涨价一千美元了,声称FSD的价值高达数十万美元,这一涨价一台iPhone没了,工资没怎么长,要买的东西疯了似的涨。没办法,虽然国情就如此呢,既然你涨那么猛,不如我们来模仿一下你的核心技术,FSD最牛逼的是啥?不外乎是基于摄像头的一整套自动驾驶系统。今天我们要做的,就是用一个超级简单的模型,来做一个3D的单目目标检测模型。

在这个教程里面,涉及到的东西比较多,比如:

  • 摄像头的投影矩阵,位姿变换;
  • 基于关键点热力图的预测模型;
  • 3D世界坐标系与摄像头坐标系的转换;
  • 摄像头坐标系与像素点的转换;
  • 摄像头内参外参的概念;
  • 必要的深度学习知识。

讲了这么多,先来看看我们要实现的单目3D检测的效果把:

3dsmokemono

我们实现将构建在smoke之上。在smoke之前,其实也有很多尝试使用单目进行3d检测的网络模型,比如CenterNet3D,比如RTM3D等,最新smoke似乎表现出了最好的性能,实测下来在速度和精度上都有一个不错的均衡。

smoke我们有一个fork的版本,在这上面我们做的改进主要有:

  • 原始版本只能从dataloader里面做inference,我们实现了只需要输入一张image,就可以将3D框预测出来并visualize;
  • 原始的版本有着各种各样的路径bug,而现在你可以传入一个KITTI的video sequence path,就可以直接对这个video进行预测,所有的内参外参都自动帮你处理;
  • 原始的版本依赖于DLA,我们尝试修改了不同的骨干网络,实验发现,更轻量的网络可以在更小的计算量下获得差不多的性能。
  • 我们探索了模型在wild数据上的效果,比如我们从网上找的交通场景的3D检测方法(当然前提是你得知道摄像头的内参),具体实验结果我们也在我们的fork版本中有提供。

BTW,smoke这篇论文应该是纵目科技做的。

01 smoke模型结构

image-20200521172246019

从模型层面来说,背后idea也很简单,通过前置的网络得到一系列的热力图,对这些热力图进行分类和定位,这里和centernet或者说其他模型不同的地方就在于,回归的不是4个点,而是6个点。包含哪6个点?

whl
xyz

其实就是定义物体的尺寸和位置。事实上仅有这些还是不够的,因为如果你是一个空间的自由物体,你会有俯仰,还有侧倾,因此真正定义一个物体的姿态是需要在加上3个自由度的,事实上,在大多数情况下,我们的汽车不太可能在水平上面上进行翻转,包括人也是。因此我们在加上一个水平上的转向角就够了。

这就构成了我们用单目进行3D检测的解决方案。

在我们fork的版本的代码中,有一段这样的定义:

class KittiSmokeDetectionInfo(object):
    def __init__(self, line):
        '''
        [ 0.0000000e+00  1.6826042e+00  4.7441586e+02  1.8074373e+02
   5.3575635e+02  2.2734413e+02  1.4526575e+00  1.6065563e+00
   3.7408915e+00 -6.1363697e+00 -2.0827448e-01  3.2981182e+01
   1.4986509e+00  6.4066571e-01]
        '''
        self.name = line[0]

        # self.truncation = float(line[1])
        # self.occlusion = int(line[2])

        # local orientation = alpha + pi/2
        self.alpha = float(line[1])

        # in pixel coordinate
        self.xmin = float(line[2])
        self.ymin = float(line[3])
        self.xmax = float(line[4])
        self.ymax = float(line[5])

        # height, weigh, length in object coordinate, meter
        self.h = float(line[6])
        self.w = float(line[7])
        self.l = float(line[8])

        # x, y, z in camera coordinate, meter
        self.tx = float(line[9])
        self.ty = float(line[10])
        self.tz = float(line[11])

        # global orientation [-pi, pi]
        self.rot_global = float(line[12])

这其实就是将smoke模型里面的每个index的值的定义进行了分配,这方便与我们后面拿取其中的数值进行推理和可视化。

image-20200521172830054

论文效果显示,其精确度远超现有的单目3D检测方法,包括Centernet,实际上预测效果也不错。

ezgif-6-c0d403ff01f7

image-20200522113135767

image-20200522113149033

02 端到端的单目3D目标检测

单目3D检测有一个很直接的问题,训练出来的模型是否和摄像机的外参数有关?事实上,通常情况下,我们在做一个单目3D模型的时候,会使用一个固定的摄像机内参,典型的例子如Centernet3D,这种训练出来的模型只能在固定的场景下用,如果你换一个摄像机,或者你自己有一个摄像机,知道内参,然后随便拍一张照片或者录制一段驾驶视频,预测出来的结果应该是不准的。

在smoke模型训练的时候,需要提供的参数包括:

  • 标注的物体长宽高,在真实3D环境下的物体尺寸,单位是m;
  • 摄像头的内参,其实这个内参主要是将物体的中心点位置,映射到摄像机的坐标系下;
  • 物体的中心点位置;
  • 物体的航向角。

这里需要注意的是,实际上我们并不需要更多的角度自由度,只需要一个Y轴的转向角即可,这个我们将用来估算3Dbox的转向姿态。

在我们的fork代码中,你可以只输入一张图片,就可以完成3D框的预测,使用我们预先设定好的内参。(注意,这么做是因为KITTI数据中大部分的摄像机内参差不多,我们测试了很多段视频,即便是互相使用内参,结果也差不多)。当然这只是映射到图片之后的效果,可能真实场景下的效果会不准,但是谁care呢,毕竟你深度不知道(此处需要毫米波雷达)。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
 	data_f = args.data
    calib_f = args.calib_file
    if not calib_f:
        calib_f = os.path.join(os.path.dirname(
            os.path.dirname(data_f)), 'calib_cam_to_cam.txt')
    print('calib file: ', calib_f)

    # we have to load image sequence or image's intrinsics K first
    K = get_P_from_str(
        '7.215377e+02 0.000000e+00 6.095593e+02 4.485728e+01 0.000000e+00 7.215377e+02 1.728540e+02 2.163791e-01 0.000000e+00 0.000000e+00 1.000000e+00 2.745884e-03')
    K = K[:3, :3]
    calib = get_P_from_str('7.215377000000e+02 0.000000000000e+00 6.095593000000e+02 3.485728000000e+01 0.000000000000e+00 7.215377000000e+02 1.728540000000e+02 1.163791000000e-01 0.000000000000e+00 0.000000000000e+00 1.000000000000e+00 2.745884000000e-03')

    print('K: ', K)
    print('P: ', calib)

    if os.path.isdir(data_f):
        all_imgs = glob.glob(os.path.join(data_f, '*.png'))
        all_imgs = sorted(all_imgs)
        print(all_imgs[0])

        img = cv2.imread(all_imgs[0])
        videowriter = cv2.VideoWriter('res.mp4',  cv2.VideoWriter_fourcc(*'DIVX'), 25, (1242, 375))

        for img_f in all_imgs:
            # img = cv2.imread(img_f)
            img = Image.open(img_f)
            inn, target = prepare_data(img, cfg, K)
            # 开始预测

大家请注意,在KITTI中,testing和training的calib标注格式是一样的,你一般只需要拿到这个P。而在sequence的raw data里面,calib的标注格式和他们不同。

你需要拿到的也是这个P,但是K实际上P左上角的3x3的矩阵。也就是说P实际上是内参和外参的综合体。实际预测的时候我们拿到这个P就可以了,我们提供了方法抽取出内参K和calib矩阵。

03 最后

尽管我们在视频上通过标定好的内外参数,准确的可视化了我们的3D检测结果,基本上证明了3D目标检测的可行性以及它的准确性,但还有几个问题值得我们深入思考:

  • 模型真的是sensor independent的吗?假如我们有自己的数据集,用KITTI train的模型,是否也可以inference?
  • 如果我们要train自己的data,我们如何去prepare我们的数据?需要用到Lidar吗?

对于这些问题的思考,欢迎来家来社区发帖,来探讨你的想法,如果你是专业做3D单目目标检测的,也欢迎假如我们的社群一起交流探讨,专业的单目3D目标检测交流微信群,添加微信 jintianandmerry 加入。

如果你想学习人工智能,对前沿的AI技术比较感兴趣,可以加入我们的知识星球,获取第一时间资讯,前沿学术动态,业界新闻等等!你的支持将会鼓励我们更频繁的创作,我们也会帮助你开启更深入的深度学习之旅!

image-20200515153654923

最后本文用到的所有代码,在神力AI平台。地址: