前言

PointNet是由斯坦福大學(xué)的Charles R. Qi等人在《PointNet:Deep Learning on Point Sets for 3D Classification and Segmentation》一文中提出的模型，它可以直接對(duì)點(diǎn)云進(jìn)行處理的，對(duì)輸入點(diǎn)云中的每一個(gè)點(diǎn)，學(xué)習(xí)其對(duì)應(yīng)的空間編碼，之后再利用所有點(diǎn)的特征得到一個(gè)全局的點(diǎn)云特征。Pointnet提取的全局特征能夠很好地完成分類任務(wù)，但局部特征提取能力較差，這使得它很難對(duì)復(fù)雜場(chǎng)景進(jìn)行分析。

PointNet++是Charles R. Qi團(tuán)隊(duì)在PointNet論文基礎(chǔ)上改進(jìn)版本，其核心是提出了多層次特征提取結(jié)構(gòu)，有效提取局部特征提取，和全局特征。

F-PointNet將PointNet的應(yīng)用拓展到了3D目標(biāo)檢測(cè)上，可以使用PointNet或PointNet++進(jìn)行點(diǎn)云處理。它在進(jìn)行點(diǎn)云處理之前，先使用圖像信息得到一些先驗(yàn)搜索范圍，這樣既能提高效率，又能增加準(zhǔn)確率。

PointNet

1.1 PointNet思路流程

1）輸入為一幀的全部點(diǎn)云數(shù)據(jù)的集合，表示為一個(gè)nx3的2d tensor，其中n代表點(diǎn)云數(shù)量，3對(duì)應(yīng)xyz坐標(biāo)。

2）輸入數(shù)據(jù)先通過和一個(gè)T-Net學(xué)習(xí)到的轉(zhuǎn)換矩陣相乘來(lái)對(duì)齊，保證了模型的對(duì)特定空間轉(zhuǎn)換的不變性。

3）通過多次mlp對(duì)各點(diǎn)云數(shù)據(jù)進(jìn)行特征提取后，再用一個(gè)T-Net對(duì)特征進(jìn)行對(duì)齊。

4）在特征的各個(gè)維度上執(zhí)行maxpooling操作來(lái)得到最終的全局特征。

5）對(duì)分類任務(wù)，將全局特征通過mlp來(lái)預(yù)測(cè)最后的分類分?jǐn)?shù)；對(duì)分割任務(wù)，將全局特征和之前學(xué)習(xí)到的各點(diǎn)云的局部特征進(jìn)行串聯(lián)，再通過mlp得到每個(gè)數(shù)據(jù)點(diǎn)的分類結(jié)果。

1.2 PointNet網(wǎng)絡(luò)結(jié)構(gòu)

它提取的“全局特征”能夠很好地完成分類任務(wù)。下面看一下PointNet的框架結(jié)構(gòu)：

下面解釋一個(gè)網(wǎng)絡(luò)中各個(gè)部件的作用。

1）transform：第一次，T-Net 3x3，對(duì)輸入點(diǎn)云進(jìn)行對(duì)齊：位姿改變，使改變后的位姿更適合分類/分割；第二次，T-Net 64x64，對(duì)64維特征進(jìn)行對(duì)齊。2）mlp：多層感知機(jī)，用于提取點(diǎn)云的特征，這里使用共享權(quán)重的卷積。

3）max pooling：匯總所有點(diǎn)云的信息，進(jìn)行最大池化，得到點(diǎn)云的全局信息。

4）分割部分：局部和全局信息組合結(jié)構(gòu)(concate,語(yǔ)義分割)。

5）分類loss:交叉熵：分割loss:分類+分割+L2（transform,原圖的正交變換）。

1.3T-Net網(wǎng)絡(luò)結(jié)構(gòu)

將輸入的點(diǎn)云數(shù)據(jù)作為nx3x1單通道圖像，接三次卷積和一次池化后，再reshape為1024個(gè)節(jié)點(diǎn)，然后接兩層全連接，網(wǎng)絡(luò)除最后一層外都使用了ReLU激活函數(shù)和批標(biāo)準(zhǔn)化。

1.4 模型效果

ModelNet40 上的分類結(jié)果：

ShapeNet部分?jǐn)?shù)據(jù)集上的分割結(jié)果：

不足：缺乏在不同尺度上提取局部信息的能力。

PointNet++

Pointnet提取的全局特征能夠很好地完成分類任務(wù)，由于模型基本上都是單點(diǎn)采樣，代碼底層用的是2Dconv，只有maxpooling整合了整體特征，所以局部特征提取能力較差，這使得它很難對(duì)復(fù)雜場(chǎng)景進(jìn)行分析。

PointNet++的核心是提出了多層次特征提取結(jié)構(gòu)，有效提取局部特征提取，和全局特征。

2.1 思路流程

先在輸入點(diǎn)集中選擇一些點(diǎn)作為中心點(diǎn)，然后圍繞每個(gè)中心點(diǎn)選擇周圍的點(diǎn)組成一個(gè)區(qū)域，之后每個(gè)區(qū)域作為PointNet的一個(gè)輸入樣本，得到一組特征，這個(gè)特征就是這個(gè)區(qū)域的特征。

之后中心點(diǎn)不變，擴(kuò)大區(qū)域，把上一步得到的那些特征作為輸入送入PointNet，以此類推，這個(gè)過程就是不斷的提取局部特征，然后擴(kuò)大局部范圍，最后得到一組全局的特征，然后進(jìn)行分類。

2.2 整體網(wǎng)絡(luò)結(jié)構(gòu)

PointNet++ 在不同尺度提取局部特征，通過多層網(wǎng)絡(luò)結(jié)構(gòu)得到深層特征。PointNet++按照任務(wù)也分為 classification （分類網(wǎng)絡(luò)）和 segmentation （分割網(wǎng)絡(luò)）兩種，輸入和輸出分別與PointNet中的兩個(gè)網(wǎng)絡(luò)一致。

PointNet++會(huì)先對(duì)點(diǎn)云進(jìn)行采樣(sampling)和劃分區(qū)域(grouping)，在各個(gè)小區(qū)域內(nèi)用基礎(chǔ)的PointNet網(wǎng)絡(luò)進(jìn)行特征提取（MSG、MRG），不斷迭代。

對(duì)于分類問題，直接用PointNet提取全局特征，采用全連接得到每個(gè)類別評(píng)分。對(duì)于分割問題，將高維的點(diǎn)反距離插值得到與低維相同的點(diǎn)數(shù)，再特征融合，再使用PointNet提取特征 。

比較PointNet++兩個(gè)任務(wù)網(wǎng)絡(luò)的區(qū)別：

在得到最高層的 feature 之后，分類網(wǎng)絡(luò)使用了一個(gè)小型的 PointNet + FCN 網(wǎng)絡(luò)提取得到最后的分類 score；

分割網(wǎng)絡(luò)通過“跳躍連接” 操作不斷與底層 “低層特征圖”信息融合，最終得到逐點(diǎn)分分類語(yǔ)義分割結(jié)果。（“跳躍連接”對(duì)應(yīng)上圖的 skip link connection；低層特征圖 具有分辨率較大，保留較豐富的信息，雖然整體語(yǔ)義信息較弱。）

2.3網(wǎng)絡(luò)結(jié)構(gòu)組件

1）采樣層（sampling）

激光雷達(dá)單幀的數(shù)據(jù)點(diǎn)可以多達(dá)100k個(gè)，如果對(duì)每一個(gè)點(diǎn)都提取局部特征，計(jì)算量是非常巨大的。因此，作者提出了先對(duì)數(shù)據(jù)點(diǎn)進(jìn)行采樣。作者使用的采樣算法是最遠(yuǎn)點(diǎn)采樣（farthest point sampling, FPS），相對(duì)于隨機(jī)采樣，這種采樣算法能夠更好地覆蓋整個(gè)采樣空間。

2）組合層（grouping）

為了提取一個(gè)點(diǎn)的局部特征，首先需要定義這個(gè)點(diǎn)的“局部”是什么。一個(gè)圖片像素點(diǎn)的局部是其周圍一定曼哈頓距離下的像素點(diǎn)，通常由卷積層的卷積核大小確定。同理，點(diǎn)云數(shù)據(jù)中的一個(gè)點(diǎn)的局部由其周圍給定半徑劃出的球形空間內(nèi)的其他點(diǎn)構(gòu)成。組合層的作用就是找出通過采樣層后的每一個(gè)點(diǎn)的所有構(gòu)成其局部的點(diǎn)，以方便后續(xù)對(duì)每個(gè)局部提取特征。

3）特征提取層（feature learning）

因?yàn)镻ointNet給出了一個(gè)基于點(diǎn)云數(shù)據(jù)的特征提取網(wǎng)絡(luò)，因此可以用PointNet對(duì)組合層給出的各個(gè)局部進(jìn)行特征提取來(lái)得到局部特征。值得注意的是，雖然組合層給出的各個(gè)局部可能由不同數(shù)量的點(diǎn)構(gòu)成，但是通過PointNet后都能得到維度一致的特征（由上述K值決定）。

2.4 不均勻點(diǎn)云組合grouping方法

不同于圖片數(shù)據(jù)分布在規(guī)則的像素網(wǎng)格上且有均勻的數(shù)據(jù)密度，點(diǎn)云數(shù)據(jù)在空間中的分布是不規(guī)則且不均勻的。當(dāng)點(diǎn)云不均勻時(shí)，每個(gè)子區(qū)域中如果在分區(qū)的時(shí)候使用相同的球半徑，會(huì)導(dǎo)致部分稀疏區(qū)域采樣點(diǎn)過小。作者提出多尺度成組 (MSG)和多分辨率成組 (MRG)兩種解決辦法。

1）多尺度組合MSG：對(duì)于選取的一個(gè)中心點(diǎn)設(shè)置多個(gè)半徑進(jìn)行成組，并將經(jīng)過PointNet對(duì)每個(gè)區(qū)域抽取后的特征進(jìn)行拼接（concat）來(lái)當(dāng)做該中心點(diǎn)的特征，這種做法會(huì)產(chǎn)生很多特征重疊，結(jié)果會(huì)可以保留和突出（邊際疊加）更多局部關(guān)鍵的特征，但是這種方式不同范圍內(nèi)計(jì)算的權(quán)值卻很難共享，計(jì)算量會(huì)變大很多。

2）多分辨率組合MRG：MRG避免了大量的計(jì)算，但仍然保留了根據(jù)點(diǎn)的分布特性自適應(yīng)地聚合信息的能力。對(duì)不同特征層上（分辨率）提取的特征再進(jìn)行concat，以b圖為例，最后的concat包含左右兩個(gè)部分特征，分別來(lái)自底層和高層的特征抽取，對(duì)于low level點(diǎn)云成組后經(jīng)過一個(gè)pointnet和high level的進(jìn)行concat，思想是特征的抽取中的跳層連接。

當(dāng)局部點(diǎn)云區(qū)域較稀疏時(shí)，上層提取到的特征可靠性可能比底層更差，因此考慮對(duì)底層特征提升權(quán)重。當(dāng)然，點(diǎn)云密度較高時(shí)能夠提取到的特征也會(huì)更多。這種方法優(yōu)化了直接在稀疏點(diǎn)云上進(jìn)行特征抽取產(chǎn)生的問題，且相對(duì)于MSG的效率也較高。

選擇哪一種？

當(dāng)局部區(qū)域的密度低時(shí)，第一矢量可能不如第二矢量可靠，因?yàn)橛?jì)算第一矢量的子區(qū)域包含更稀疏的點(diǎn)并且更多地受到采樣不足的影響。在這種情況下，第二個(gè)矢量應(yīng)該加權(quán)更高。另一方面，當(dāng)局部區(qū)域的密度高時(shí)，第一矢量提供更精細(xì)細(xì)節(jié)的信息，因?yàn)樗哂幸暂^低水平遞歸地表達(dá)較高分辨率檢查的能力。

2.5 模型效果

分類對(duì)比：

分割對(duì)比：

小結(jié)復(fù)雜場(chǎng)景點(diǎn)云一般采用PointNet++進(jìn)行處理，而簡(jiǎn)單場(chǎng)景點(diǎn)云則采用PointNet。如果只從點(diǎn)云分類和分割兩個(gè)任務(wù)角度分析，分類任務(wù)只需要max pooling操作之后的特征信息就可完成，而分割任務(wù)則需要更加詳細(xì)的local context信息。

F-PointNet 也是直接處理點(diǎn)云數(shù)據(jù)的方案，但這種方式面臨著挑戰(zhàn)，比如：如何有效地在三維空間中定位目標(biāo)的可能位置，即如何產(chǎn)生 3D 候選框，假如全局搜索將會(huì)耗費(fèi)大量算力與時(shí)間。

F-PointNet是在進(jìn)行點(diǎn)云處理之前，先使用圖像信息得到一些先驗(yàn)搜索范圍，這樣既能提高效率，又能增加準(zhǔn)確率。

3.1 基本思路

首先使用在 RGB 圖像上運(yùn)行的 2D 檢測(cè)器，其中每個(gè)2D邊界框定義一個(gè)3D錐體區(qū)域。然后基于這些視錐區(qū)域中的 3D 點(diǎn)云，我們使用 PointNet/PointNet++ 網(wǎng)絡(luò)實(shí)現(xiàn)了 3D實(shí)例分割和非模態(tài) 3D 邊界框估計(jì)。總結(jié)一下思路，如下：

基于圖像2D目標(biāo)檢測(cè)。

基于圖像生成錐體區(qū)域。

在錐體內(nèi)，使用 PointNet/PointNet++ 網(wǎng)絡(luò)進(jìn)行點(diǎn)云實(shí)例分割。

它是在進(jìn)行點(diǎn)云處理之前，先使用圖像信息得到一些先驗(yàn)搜索范圍，這樣既能提高效率，又能增加準(zhǔn)確率。先看看下面這張圖：

在這張圖里，左上角的意思是先把圖像和點(diǎn)云信息標(biāo)定好（這個(gè)屬于傳感器的外參標(biāo)定，在感知之前進(jìn)行；獲取兩個(gè)傳感器之間旋轉(zhuǎn)矩陣和平移向量，就可以得到相互的位置關(guān)系）。

左下角是用目標(biāo)檢測(cè)算法檢測(cè)出物體的邊界框（BoundingBox），有了邊界框之后，以相機(jī)為原點(diǎn)，沿邊界框方向延伸過去就會(huì)形成一個(gè)錐體（上圖的右半部分），該論文題目里frustum這個(gè)詞就是錐體的意思。然后用點(diǎn)云對(duì)該物體進(jìn)行識(shí)別的時(shí)候，只需要在這個(gè)錐體內(nèi)識(shí)別就行了，大大減小了搜索范圍。

3.2 模型框架

模型結(jié)構(gòu)如下：（可以點(diǎn)擊圖片放大查看）

網(wǎng)絡(luò)共分為三部分，第一部分是使用圖像進(jìn)行目標(biāo)檢測(cè)并生成錐體區(qū)域，第二部分是在錐體內(nèi)的點(diǎn)云實(shí)例分割，第三部分是點(diǎn)云物體邊界框的回歸。

3.3基于圖像生成錐體區(qū)域

由于檢測(cè)到的目標(biāo)不一定在圖像的正中心，所以生成的錐體的軸心就不一定和相機(jī)的坐標(biāo)軸重合，如下圖中(a)所示。為了使網(wǎng)絡(luò)具有更好的旋轉(zhuǎn)不變性，我們需要做一次旋轉(zhuǎn)，使相機(jī)的Z軸和錐體的軸心重合。如下圖中（b）所示。

3.4 在錐體內(nèi)進(jìn)行點(diǎn)云實(shí)例分割

實(shí)例分割使用PointNet。一個(gè)錐體內(nèi)只提取一個(gè)物體，因?yàn)檫@個(gè)錐體是圖像中的邊界框產(chǎn)生的，一個(gè)邊界框內(nèi)也只有一個(gè)完整物體。

在生成錐體的時(shí)候提到了旋轉(zhuǎn)不變性，此處完成分割這一步之后，還需要考慮平移不變性，因?yàn)辄c(diǎn)云分割之后，分割的物體的原點(diǎn)和相機(jī)的原點(diǎn)必不重合，而我們處理的對(duì)象是點(diǎn)云，所以應(yīng)該把原點(diǎn)平移到物體中去，如下圖中（c）所示。

3.5 生成精確邊界框

生成精確邊界框的網(wǎng)絡(luò)結(jié)構(gòu)：

從這個(gè)結(jié)構(gòu)里可以看出，在生成邊界框之前，需要經(jīng)過一個(gè)T-Net，這個(gè)東西的作用是生成一個(gè)平移量，之所以要做這一步，是因?yàn)樵谏弦徊降玫降奈矬w中心并不完全準(zhǔn)確，所以為了更精確地估計(jì)邊界框，在此處對(duì)物體的質(zhì)心做進(jìn)一步的調(diào)整，如下圖中（d）所示。

下面就是邊界框回歸了，對(duì)一個(gè)邊界框來(lái)講，一共有七個(gè)參數(shù)，包括：

最后總的殘差就是以上目標(biāo)檢測(cè)、T-Net和邊界框殘差之和，可以據(jù)此構(gòu)建損失函數(shù)。

3.6 PointNet關(guān)鍵點(diǎn)

（1） F-PointNet使用2D RGB圖像

F-PointNet使用2D RGB圖像原因是：1.當(dāng)時(shí)基于純3D點(diǎn)云數(shù)據(jù)的3D目標(biāo)檢測(cè)對(duì)小目標(biāo)檢測(cè)效果不佳。所以F-PointNet先基于2D RGB做2D的目標(biāo)檢測(cè)來(lái)定位目標(biāo)，再基于2d目標(biāo)檢測(cè)結(jié)果用其對(duì)應(yīng)的點(diǎn)云數(shù)據(jù)視錐進(jìn)行bbox回歸的方法來(lái)實(shí)現(xiàn)3D目標(biāo)檢測(cè)。2.使用純3D的點(diǎn)云數(shù)據(jù)，計(jì)算量也會(huì)特別大，效率也是這個(gè)方法的優(yōu)點(diǎn)之一。使用成熟的2D CNN目標(biāo)檢測(cè)器（Mask RCNN）生成2D檢測(cè)框，并輸出one-hot 分類向量（即基于2D RGB圖像的分類）。

（2）錐體框生成

2D檢測(cè)框結(jié)合深度信息，找到最近和最遠(yuǎn)的包含檢測(cè)框的平面來(lái)定義3D視錐區(qū)域frustum proposal。然后在該frustum proposal里收集所有的3D點(diǎn)來(lái)組成視錐點(diǎn)云（frustum point cloud）。

3.7 實(shí)驗(yàn)結(jié)果

與其他模型對(duì)比：

模型效果：

3.8 優(yōu)點(diǎn)

（1）舍棄了global fusion，提高了檢測(cè)效率；并且通過2D detector和3D Instance Segmentation PointNet對(duì)3D proposal實(shí)現(xiàn)了逐維(2D-3D)的精準(zhǔn)定位，大大縮短了對(duì)點(diǎn)云的搜索時(shí)間。下圖是通過3d instance segmentation將搜索范圍從9m~55m縮減到12m~16m。

（2）相比于在BEV(Bird's Eye view)中進(jìn)行3D detection，F(xiàn)-PointNet直接處理raw point cloud，沒有任何維度的信息損失，使用PointNet能夠?qū)W習(xí)更全面的空間幾何信息，特別是在小物體的檢測(cè)上有很好的表現(xiàn)。下圖是來(lái)自Hao Su 2018年初的課程，現(xiàn)在的KITTI榜有細(xì)微的變動(dòng)。

（3）利用成熟的2D detector對(duì)proposal進(jìn)行分類（one-hot class vector，打標(biāo)簽），起到了一定的指導(dǎo)作用，能夠大大降低PointNet對(duì)三維空間物體的學(xué)習(xí)難度。

3.9 模型代碼

開源代碼：GitHub - charlesq34/frustum-pointnets: Frustum PointNets for 3D Object Detection from RGB-D Data

作者代碼的運(yùn)行環(huán)境：

系統(tǒng)：Ubuntu 14.04 或 Ubuntu 16.04

深度框架：TensorFlow1.2（GPU 版本）或 TensorFlow1.4（GPU 版本）

其他依賴庫(kù)：cv2、mayavi等。

審核編輯：劉清