3D单目目标检测从入门到做自己的Tesla（3D像素车）

本文介绍 3D单目目标检测从入门到做自己的Tesla

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：

classKittiSmokeDetectionInfo(object): def__init__(self,line): ''' [0.0000000e 001.6826042e 004.7441586e 021.8074373e 02 5.3575635e 022.2734413e 021.4526575e 001.6065563e 00 3.7408915e 00-6.1363697e 00-2.0827448e-013.2981182e 01 1.4986509e 006.4066571e-01] ''' self.name=line[0] #self.truncation=float(line[1]) #self.occlusion=int(line[2]) #localorientation=alpha pi/2 self.alpha=float(line[1]) #inpixelcoordinate self.xmin=float(line[2]) self.ymin=float(line[3]) self.xmax=float(line[4]) self.ymax=float(line[5]) #height,weigh,lengthinobjectcoordinate,meter self.h=float(line[6]) self.w=float(line[7]) self.l=float(line[8]) #x,y,zincameracoordinate,meter self.tx=float(line[9]) self.ty=float(line[10]) self.tz=float(line[11]) #globalorientation[-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。

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。

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）。

data_f=args.data calib_f=args.calib_file ifnotcalib_f: calib_f=os.path.join(os.path.dirname( os.path.dirname(data_f)),'calib_cam_to_cam.txt') print('calibfile:',calib_f) #wehavetoloadimagesequenceorimage'sintrinsicsKfirst K=get_P_from_str( '7.215377e 020.000000e 006.095593e 024.485728e 010.000000e 007.215377e 021.728540e 022.163791e-010.000000e 000.000000e 001.000000e 002.745884e-03') K=K[:3,:3] calib=get_P_from_str('7.215377000000e 020.000000000000e 006.095593000000e 023.485728000000e 010.000000000000e 007.215377000000e 021.728540000000e 021.163791000000e-010.000000000000e 000.000000000000e 001.000000000000e 002.745884000000e-03') print('K:',K) print('P:',calib) ifos.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)) forimg_finall_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。