自動駕駛視覺感知算法（一）

環(huán)境感知是自動駕駛的第一環(huán)，是車輛和環(huán)境交互的紐帶。一個自動駕駛系統(tǒng)整體表現(xiàn)的好壞，很大程度上都取決于感知系統(tǒng)的好壞。目前，環(huán)境感知技術(shù)有兩大主流技術(shù)路線：

①以視覺為主導的多傳感器融合方案，典型代表是特斯拉；

②以激光雷達為主導，其他傳感器為輔助的技術(shù)方案，典型代表如谷歌、百度等。

我們將圍繞著環(huán)境感知中關(guān)鍵的視覺感知算法進行介紹，其任務涵蓋范圍及其所屬技術(shù)領(lǐng)域如下圖所示。我們分為兩節(jié)分別梳理了2D和3D視覺感知算法的脈絡(luò)和方向。

本節(jié)我們先從廣泛應用于自動駕駛的幾個任務出發(fā)介紹2D視覺感知算法，包括基于圖像或視頻的2D目標檢測和跟蹤，以及2D場景的語義分割。近些年，深度學習滲透到視覺感知的各個領(lǐng)域，取得不錯的成績，因此，我們梳理了一些經(jīng)典的深度學習算法。

01 目標檢測

1.1 兩階段檢測

兩階段指的是實現(xiàn)檢測的方式有先后兩個過程，一是提取物體區(qū)域；二是對區(qū)域進行CNN分類識別；因此，“兩階段”又稱基于候選區(qū)域（Region proposal）的目標檢測。代表性算法有R-CNN系列（R-CNN、Fast R-CNN、Faster R-CNN）等。

Faster R-CNN是第一個端到端的檢測網(wǎng)絡(luò)。第一階段利用一個區(qū)域候選網(wǎng)絡(luò)（RPN）在特征圖的基礎(chǔ)上生成候選框，使用ROIPooling對齊候選特征的大小；第二階段用全連接層做細化分類和回歸。這里提出了Anchor的思想，減少運算難度，提高速度。特征圖的每個位置會生成不同大小、長寬比的Anchor，用來作為物體框回歸的參考。Anchor的引入使得回歸任務只用處理相對較小的變化，因此網(wǎng)絡(luò)的學習會更加容易。下圖是Faster R-CNN的網(wǎng)絡(luò)結(jié)構(gòu)圖。

CascadeRCNN第一階段和Faster R-CNN完全一樣，第二階段使用多個RoiHead層進行級聯(lián)。后續(xù)的一些工作多是圍繞著上述網(wǎng)絡(luò)的一些改進或者前人工作的雜燴，罕有突破性提升。

1.2 單階段檢測

相較于兩階段算法，單階段算法只需一次提取特征即可實現(xiàn)目標檢測，其速度算法更快，一般精度稍微低一些。這類算法的開山之作是YOLO，隨后SSD、Retinanet依次對其進行了改進，提出YOLO的團隊將這些有助于提升性能的trick融入到Y(jié)OLO算法中，后續(xù)又提出了4個改進版本YOLOv2~YOLOv5。盡管預測準確率不如雙階段目標檢測算法，由于較快的運行速度，YOLO成為了工業(yè)界的主流。下圖是YOLOv3的網(wǎng)絡(luò)結(jié)構(gòu)圖。

1.3 Anchor-free檢測（無Anchor檢測）

這類方法一般是將物體表示為一些關(guān)鍵點，CNN被用來回歸這些關(guān)鍵點的位置。關(guān)鍵點可以是物體框的中心點（CenterNet）、角點（CornerNet）或者代表點（RepPoints）。CenterNet將目標檢測問題轉(zhuǎn)換成中心點預測問題，即用目標的中心點來表示該目標，并通過預測目標中心點的偏移量與寬高來獲取目標的矩形框。Heatmap表示分類信息，每一個類別將會產(chǎn)生一個單獨的Heatmap圖。對于每張Heatmap圖而言，當某個坐標處包含目標的中心點時，則會在該目標處產(chǎn)生一個關(guān)鍵點，我們利用高斯圓來表示整個關(guān)鍵點，下圖展示了具體的細節(jié)。

RepPoints提出將物體表示為一個代表性點集，并且通過可變形卷積來適應物體的形狀變化。點集最后被轉(zhuǎn)換為物體框，用于計算與手工標注的差異。

1.4 Transformer檢測

無論是單階段還是兩階段目標檢測，無論采用Anchor與否，都沒有很好地利用到注意力機制。針對這種情況，Relation Net和DETR利用Transformer將注意力機制引入到目標檢測領(lǐng)域。Relation Net利用Transformer對不同目標之間的關(guān)系建模，在特征之中融入了關(guān)系信息，實現(xiàn)了特征增強。DETR則是基于Transformer提出了全新的目標檢測架構(gòu)，開啟了目標檢測的新時代，下圖是DETR的算法流程，先采用CNN提取圖像特征，然后用Transformer對全局的空間關(guān)系進行建模，最后得到的輸出通過二分圖匹配算法與手工標注進行匹配。

下表中的準確度采用MSCOCO數(shù)據(jù)庫上的mAP作為指標，而速度則采用FPS來衡量，對比了上述部分算法，由于網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計中存在很多不同的選擇（比如不同的輸入大小，不同的Backbone網(wǎng)絡(luò)等），各個算法的實現(xiàn)硬件平臺也不同，因此準確率和速度并不完全可比，這里只列出來一個粗略的結(jié)果供大家參考。

02 目標跟蹤

在自動駕駛應用中，輸入的是視頻數(shù)據(jù)，需要關(guān)注的目標有很多，比如車輛，行人，自行車等等。因此，這是一個典型的多物體跟蹤任務（MOT）。對于MOT任務來說，目前最流行的框架是Tracking-by-Detection，其流程如下：

①由目標檢測器在單幀圖像上得到目標框輸出；

②提取每個檢測目標的特征，通常包括視覺特征和運動特征；

③根據(jù)特征計算來自相鄰幀的目標檢測之間的相似度，以判斷其來自同一個目標的概率；

④將相鄰幀的目標檢測進行匹配，給來自同一個目標的物體分配相同的ID。

深度學習在以上這四個步驟中都有應用，但是以前兩個步驟為主。在步驟1中，深度學習的應用主要在于提供高質(zhì)量的目標檢測器，因此一般都選擇準確率較高的方法。SORT是基于Faster R-CNN的目標檢測方法，并利用卡爾曼濾波算法+匈牙利算法，極大提高了多目標跟蹤的速度，同時達到了SOTA的準確率，也是在實際應用中使用較為廣泛的一個算法。在步驟2中，深度學習的應用主要在于利用CNN提取物體的視覺特征。DeepSORT最大的特點是加入外觀信息，借用了ReID模塊來提取深度學習特征，減少了ID switch的次數(shù)。整體流程圖如下：

此外，還有一種框架Simultaneous Detection and Tracking。如代表性的CenterTrack，它起源于之前介紹過的單階段無Anchor的檢測算法CenterNet。與CenterNet相比，CenterTrack增加了前一幀的RGB圖像和物體中心Heatmap作為額外輸入，增加了一個Offset分支用來進行前后幀的Association。與多個階段的Tracking-by-Detection相比，CenterTrack將檢測和匹配階段用一個網(wǎng)絡(luò)來實現(xiàn)，提高了MOT的速度。

03 語義分割

在自動駕駛的車道線檢測和可行駛區(qū)域檢測任務中均用到了語義分割。代表性的算法有FCN、U-Net、DeepLab系列等。DeepLab使用擴張卷積和ASPP（Atrous Spatial Pyramid ?Pooling）結(jié)構(gòu)，對輸入圖像進行多尺度處理。最后采用傳統(tǒng)語義分割方法中常用的條件隨機場（CRF）來優(yōu)化分割結(jié)果。下圖是DeepLab v3+的網(wǎng)絡(luò)結(jié)構(gòu)。

近些年的STDC算法采用了類似FCN算法的結(jié)構(gòu)，去掉了U-Net算法復雜的decoder結(jié)構(gòu)。但同時在網(wǎng)絡(luò)下采樣的過程中，利用ARM模塊不斷地去融合來自不同層特征圖的信息，因此也避免了FCN算法只考慮單個像素關(guān)系的缺點?？梢哉f，STDC算法很好的做到了速度與精度的平衡，其可以滿足自動駕駛系統(tǒng)實時性的要求。算法流程如下圖所示。

自動駕駛視覺感知算法（二）

上一節(jié)我們介紹了2D視覺感知算法，本節(jié)我們將介紹自動駕駛中必不可少的3D場景感知。因為深度信息、目標三維尺寸等在2D感知中是無法獲得的，而這些信息才是自動駕駛系統(tǒng)對周圍環(huán)境作出正確判斷的關(guān)鍵。想得到3D信息，最直接的方法就是采用激光雷達（LiDAR）。但是，LiDAR也有其缺點，比如成本較高，車規(guī)級產(chǎn)品量產(chǎn)困難，受天氣影響較大等等。因此，單純基于攝像頭的3D感知仍然是一個非常有意義和價值的研究方向，接下來我們梳理了一些基于單目和雙目的3D感知算法。

01 單目3D感知

基于單攝像頭圖像來感知3D環(huán)境是一個不適定問題，但是可以通過幾何假設(shè)（比如像素位于地面）、先驗知識或者一些額外信息（比如深度估計）來輔助解決。本次將從實現(xiàn)自動駕駛的兩個基本任務（3D目標檢測和深度估計）出發(fā)進行相關(guān)算法介紹。

1.1 3D目標檢測



表示轉(zhuǎn)換（偽激光雷達）：視覺傳感器對周圍其他車輛等的檢測通常會遇到遮擋、無法度量距離等問題，可以將透視圖轉(zhuǎn)換成鳥瞰圖表示。這里介紹兩種變換方法。一是逆透視圖映射（IPM），它假定所有像素都在地面上，并且相機外參準確，此時可以采用Homography變換將圖像轉(zhuǎn)換到BEV，后續(xù)再采用基于YOLO網(wǎng)絡(luò)的方法檢測目標的接地框。二是正交特征變換（OFT），利用ResNet-18提取透視圖圖像特征。然后，通過在投影的體素區(qū)域上累積基于圖像的特征來生成基于體素的特征。然后將體素特征沿垂直方向折疊以產(chǎn)生正交的地平面特征。最后，用另一個類似于ResNet的自上而下的網(wǎng)絡(luò)進行3D目標檢測。這些方法只適應于車輛、行人這類貼地的目標。對于交通標志牌、紅綠燈這類非貼地目標來說，可以通過深度估計來生成偽點云，進而進行3D檢測。Pseudo-LiDAR先利用深度估計的結(jié)果生成點云，再直接應用基于激光雷達的3D目標檢測器生成3D目標框，其算法流程如下圖所示，

關(guān)鍵點和3D模型：待檢測目標如車輛、行人等其大小和形狀相對固定且已知，這些可以被用作估計目標3D信息的先驗知識。DeepMANTA是這個方向的開創(chuàng)性工作之一。首先，采用一些目標檢測算法比如Faster RNN來得到2D目標框，同時也檢測目標的關(guān)鍵點。然后，將這些2D目標框和關(guān)鍵點與數(shù)據(jù)庫中的多種3D車輛CAD模型分別進行匹配，選擇相似度最高的模型作為3D目標檢測的輸出。MonoGRNet則提出將單目3D目標檢測分成四個步驟：2D目標檢測、實例級深度估計、投影3D中心估計和局部角點回歸，算法流程如下圖所示。這類方法都假設(shè)目標有相對固定的形狀模型，對于車輛來說一般是滿足的，對于行人來說就相對困難一些。

2D/3D幾何約束：對3D中心和粗略實例深度的投影進行回歸，并使用這二者估算粗略的3D位置。開創(chuàng)性的工作是Deep3DBox，首先用2D目標框內(nèi)的圖像特征來估計目標大小和朝向。然后，通過一個2D/3D的幾何約束來求解中心點3D位置。這個約束就是3D目標框在圖像上的投影是被2D目標框緊密包圍的，即2D目標框的每條邊上都至少能找到一個3D目標框的角點。通過之前已經(jīng)預測的大小和朝向，再配合上相機的標定參數(shù)，可以求解出中心點的3D位置。2D和3D目標框之間的幾何約束如下圖所示。Shift R-CNN在Deep3DBox的基礎(chǔ)上將之前得到的2D目標框、3D目標框以及相機參數(shù)合并起來作為輸入，采用全連接網(wǎng)絡(luò)預測更為精確的3D位置。

直接生成3DBox：這類方法從稠密的3D目標候選框出發(fā)，通過2D圖像上的特征對所有的候選框進行評分，評分高的候選框即是最終的輸出。有些類似目標檢測中傳統(tǒng)的滑動窗口方法。代表性的Mono3D算法首先基于目標先驗位置（z坐標位于地面）和大小來生成稠密的3D候選框。這些3D候選框投影到圖像坐標后，通過綜合2D圖像上的特征對其進行評分，再通過CNN再進行二輪評分得到最終的3D目標框。M3D-RPN是一種基于Anchor的方法，定義了2D和3D的Anchor。2D Anchor通過圖像上稠密采樣得到，3D Anchor是通過訓練集數(shù)據(jù)的先驗知識（如目標實際大小的均值）確定的。M3D-RPN還同時采用了標準卷積和Depth-Aware卷積。前者具有空間不變性，后者將圖像的行（Y坐標）分成多個組，每個組對應不同的場景深度，采用不同的卷積核來處理。上述這些稠密采樣方法計算量非常大。SS3D則采用更為高效的單階段檢測，包括用于輸出圖像中每個相關(guān)目標的冗余表示以及相應的不確定性估計的CNN，以及3D邊框優(yōu)化器。FCOS3D也是一個單階段的檢測方法，回歸目標額外增加了一個由3D目標框中心投影到2D圖像得到的2.5D中心（X,Y,Depth）。

1.2 深度估計

不管是上述的3D目標檢測還是自動駕駛感知的另一項重要任務——語義分割，從2D擴展到3D，都或多或少得應用到了稀疏或稠密的深度信息。單目深度估計的重要性不言而喻，其輸入是一張圖像，輸出是相同大小的一張由每個像素對應的場景深度值組成的圖像。輸入也可以是視頻序列，利用相機或者物體運動帶來的額外信息來提高深度估計的準確度。 相比于監(jiān)督學習，單目深度估計的無監(jiān)督方法無需構(gòu)建極具挑戰(zhàn)性的真值數(shù)據(jù)集，實現(xiàn)難度更小。單目深度估計的無監(jiān)督方法可分為基于單目視頻序列和基于同步立體圖像對兩種。前者是建立在運動相機和靜止場景的假設(shè)之上的。在后者的方法中，Garg等人首次嘗試使用同一時刻立體校正后的雙目圖像對進行圖像重建，左右視圖的位姿關(guān)系通過雙目標定得到，獲得了較為理想的效果。在此基礎(chǔ)上，Godard等人用左右一致性約束進一步地提升了精度，但是，在逐層下采樣提取高級特征來增大感受野的同時，特征分辨率也在不斷下降，粒度不斷丟失，影響了深度的細節(jié)處理效果和邊界清晰度。為緩解這一問題，Godard等人引入了全分辨率多尺度的損失，有效減少了低紋理區(qū)域的黑洞和紋理復制帶來的偽影。但是，這對精度的提升效果仍是有限的。 最近，一些基于Transformer的模型層出不窮，旨于獲得全階段的全局感受野，這也非常適用于密集的深度估計任務。有監(jiān)督的DPT中就提出采用Transformer和多尺度結(jié)構(gòu)來同時保證預測的局部精確性和全局一致性，下圖是網(wǎng)絡(luò)結(jié)構(gòu)圖。

02 雙目3D感知

雙目視覺可以解決透視變換帶來的歧義性，因此從理論上來說可以提高3D感知的準確度。但是雙目系統(tǒng)在硬件和軟件上要求都比較高。硬件上來說需要兩個精確配準的攝像頭，而且需要保證在車輛運行過程中始終保持配準的正確性。軟件上來說算法需要同時處理來自兩個攝像頭的數(shù)據(jù)，計算復雜度較高，算法的實時性難以保證。與單目相比，雙目的工作相對較少。接下來也同樣從3D目標檢測和深度估計兩方面進行簡單介紹。

2.1 3D目標檢測

3DOP是一個兩階段的檢測方法，是Fast R-CNN方法在3D領(lǐng)域的拓展。首先利用雙目圖像生成深度圖，將深度圖轉(zhuǎn)化為點云后再將其量化為網(wǎng)格數(shù)據(jù)結(jié)構(gòu)，再以此為輸入來生成3D目標的候選框。與之前介紹的Pseudo-LiDAR類似，都是將稠密的深度圖（來自單目、雙目甚至低線數(shù)LiDAR）轉(zhuǎn)換為點云，然后再應用點云目標檢測領(lǐng)域的算法。DSGN利用立體匹配構(gòu)建平面掃描體，并將其轉(zhuǎn)換成3D幾何體，以便編碼3D幾何形狀和語義信息，是一個端到端的框架，可提取用于立體匹配的像素級特征和用于目標識別的高級特征，并且能同時估計場景深度和檢測3D目標。Stereo R-CNN擴展了 Faster R-CNN 用于立體輸入，以同時檢測和關(guān)聯(lián)左右視圖中的目標。在RPN之后增加額外的分支來預測稀疏的關(guān)鍵點、視點和目標尺寸，并結(jié)合左右視圖中的2D邊界框來計算粗略的3D目標邊界框。然后，通過使用左右感興趣區(qū)域的基于區(qū)域的光度對齊來恢復準確的3D邊界框，下圖是它的網(wǎng)絡(luò)結(jié)構(gòu)。

2.2 深度估計

雙目深度估計的原理很簡單，就是根據(jù)左右視圖上同一個3D點之間的像素距離d（假設(shè)兩個相機保持同一高度，因此只考慮水平方向的距離）即視差，相機的焦距f，以及兩個相機之間的距離B（基線長度），來估計3D點的深度，公式如下，估計出視差就可以計算出深度。那么，需要做的就是為每個像素點在另一張圖像上找出與之匹配的點。

對于每一個可能的d，都可以計算每個像素點處的匹配誤差，因此就得到了一個三維的誤差數(shù)據(jù)Cost Volume。通過Cost Volume，我們可以很容易得到每個像素處的視差（對應最小匹配誤差的d），從而得到深度值。MC-CNN用一個卷積神經(jīng)網(wǎng)絡(luò)來預測兩個圖像塊的匹配程度，并用它來計算立體匹配成本。通過基于交叉的成本匯總和半全局匹配來細化成本，然后進行左右一致性檢查以消除被遮擋區(qū)域中的錯誤。PSMNet提出了一個不需要任何后處理的立體匹配的端到端學習框架，引入金字塔池模塊，將全局上下文信息納入圖像特征，并提供了一個堆疊沙漏3D CNN進一步強化全局信息。下圖是其網(wǎng)絡(luò)結(jié)構(gòu)。

?

?

審核編輯：劉清