趙亞男，王顯才，高利，劉語(yǔ)佳，戴鈺

（1. 北京理工大學(xué) 機(jī)械與車輛學(xué)院，北京 100081；2. 天津航海儀器研究所，天津 300130）

環(huán)境感知是智能車輛關(guān)鍵性技術(shù)，通過(guò)車載傳感器獲取周圍環(huán)境信息，然后對(duì)信息做出分析反饋，主要任務(wù)之一是進(jìn)行目標(biāo)檢測(cè). 目標(biāo)檢測(cè)主要包含兩個(gè)階段：感興趣區(qū)域生成階段；三維包圍框回歸階段，主要進(jìn)行感興趣區(qū)域提煉，劃分目標(biāo)類別及尺寸[1?2].

目前普遍采用多傳感器融合的方式進(jìn)行目標(biāo)檢測(cè)，主要有決策級(jí)融合與特征級(jí)融合兩種方式. FpointNet[3]是一種典型的基于決策級(jí)融合二維區(qū)域建議網(wǎng)絡(luò)，從圖像中提取二維感興趣區(qū)域，投影到三維激光雷達(dá)點(diǎn)云中獲得三維視錐，之后輸送到Point-Net 為基礎(chǔ)的目標(biāo)檢測(cè)網(wǎng)絡(luò)，進(jìn)行三維包圍框預(yù)測(cè).ASVADI[4]等利用YOLOv3 網(wǎng)絡(luò)，將RGB 圖像和點(diǎn)云深度圖與反射強(qiáng)度圖結(jié)合，進(jìn)行特征層融合. 姚鉞等[5]利用Pointnet++提取特征并進(jìn)行目標(biāo)分類與包圍框回歸. VORA 等[6]提出了PointPainting 特征融合模式，將激光雷達(dá)點(diǎn)云數(shù)據(jù)投影到圖像坐標(biāo)，將圖像上的分類關(guān)聯(lián)到激光雷達(dá)點(diǎn)云，被賦予分類權(quán)重的激光雷達(dá)點(diǎn)云作為不同目標(biāo)檢測(cè)網(wǎng)絡(luò)（如Point RCNN[7]，Second[8]，VoxelNet[9]，PointPillar[10]等）的輸入，增強(qiáng)分類性能.CHEN 等[11]提出一種多視圖多模態(tài)融合模型-MV3D 網(wǎng)絡(luò)，在激光雷達(dá)點(diǎn)云鳥瞰圖上提取三維區(qū)域建議，投影到激光雷達(dá)前視圖與圖像平面，提取感興趣特征，通過(guò)多次融合回歸得到目標(biāo)類別與三維包圍框. SINDAGI 等[12]提出了MVX-Net 網(wǎng)絡(luò)，將激光雷達(dá)點(diǎn)云數(shù)據(jù)投影到圖像特征空間并體素化，非空的體素投影到圖像特征空間后獲得體素特征，輸入到VoxelNet 網(wǎng)絡(luò)中. SONG 等[13]將圖像顏色信息擴(kuò)展到體素通道，引入3D 離散卷積神經(jīng)網(wǎng)絡(luò)改進(jìn)目標(biāo)檢測(cè)網(wǎng)絡(luò).

基于多傳感器的目標(biāo)檢測(cè)方法雖然可以改善單一種類傳感器局限[14]，但是當(dāng)前檢測(cè)方法多集中于決策級(jí)融合，并且不同傳感器信息分支在訓(xùn)練中容易退化，導(dǎo)致信息不能完全利用，并且對(duì)小尺度目標(biāo)檢測(cè)精度都有待提升.

文中提出一種基于圖像和激光雷達(dá)點(diǎn)云數(shù)據(jù)的聯(lián)合多視角目標(biāo)檢測(cè)方法，利用包含特征級(jí)和決策級(jí)融合的AVOD 網(wǎng)絡(luò)，通過(guò)對(duì)多視角信息標(biāo)注損失函數(shù)的優(yōu)化，避免圖像分支網(wǎng)絡(luò)在訓(xùn)練時(shí)退化. 通過(guò)互投影池化層對(duì)不同模態(tài)數(shù)據(jù)進(jìn)行特征級(jí)融合，對(duì)網(wǎng)絡(luò)目標(biāo)檢測(cè)性能有所提高，尤其對(duì)小尺度如行人和騎車人目標(biāo)檢測(cè)精度提高顯著.

1 聯(lián)合多視角目標(biāo)檢測(cè)網(wǎng)絡(luò)

網(wǎng)絡(luò)使用來(lái)自激光雷達(dá)點(diǎn)云鳥瞰圖數(shù)據(jù)和相機(jī)前視圖RGB 圖像數(shù)據(jù)，在兩個(gè)階段均進(jìn)行融合操作，融合與檢測(cè)在網(wǎng)絡(luò)內(nèi)不斷交替進(jìn)行，是包含特征級(jí)和決策級(jí)融合的深度融合網(wǎng)絡(luò). 文中整體框架如圖1 所示.

圖1 三維目標(biāo)檢測(cè)網(wǎng)絡(luò)框架Fig.1 3D object detection network framework

聯(lián)合多視角目標(biāo)檢測(cè)網(wǎng)絡(luò)（AVOD）利用激光雷達(dá)和圖像的信息進(jìn)行融合，包括兩個(gè)階段：初始預(yù)測(cè)和檢測(cè)回歸. 分別包含數(shù)據(jù)預(yù)處理、特征提取、候選框推理、候選框融合、候選框篩選；候選框投影、特征融合、推理航向角、三維包圍框尺寸、目標(biāo)類別.其框架如圖2 所示.

圖2 聯(lián)合多視角目標(biāo)檢測(cè)深度融合網(wǎng)絡(luò)系統(tǒng)架構(gòu)Fig.2 The architecture of deep fusion network system for joint multi-view target detection

1.1 特征提取與區(qū)域建議網(wǎng)絡(luò)

AVOD 網(wǎng)絡(luò)第一階段由特征提取網(wǎng)絡(luò)和區(qū)域建議網(wǎng)絡(luò)組成，初步完成精度較低、召回率較高候選框的生成，盡量避免漏檢.

1.1.1 多尺度特征提取網(wǎng)絡(luò)

特征提取網(wǎng)絡(luò)綜合了VGG-16 網(wǎng)絡(luò)和特征金字塔網(wǎng)絡(luò)（FPN）結(jié)構(gòu)[15]. 選定原型為VGG-16 的特征提取器，將各自模態(tài)信息進(jìn)行特征提取. 網(wǎng)絡(luò)層數(shù)加深后，僅VGG-16 特征提取器得到的特征圖分辨率會(huì)越來(lái)越低，對(duì)于小尺度目標(biāo)而言，其特征隨著不斷的下采樣而丟失，使得網(wǎng)絡(luò)丟失小尺度目標(biāo)檢測(cè)能力，因此引入特征金字塔以解決多尺度目標(biāo)特征提取問(wèn)題.特征金字塔的結(jié)構(gòu)可以獲得所需的深層次網(wǎng)絡(luò)蘊(yùn)含的語(yǔ)義信息，同時(shí)保留淺層網(wǎng)絡(luò)蘊(yùn)含的原始細(xì)節(jié)信息.

特征金字塔是編碼器加上解碼器結(jié)構(gòu)，編碼由VGG-16 完成，解碼是一個(gè)通過(guò)逐步分層恢復(fù)分辨率的過(guò)程，利用反卷積對(duì)上一特征圖進(jìn)行上采樣，保證提升分辨率的同時(shí)保留高層語(yǔ)義信息.

1.1.2 空間3D 候選框生成

首先進(jìn)行空間3D 先驗(yàn)框的構(gòu)建. 先驗(yàn)框是一系列被預(yù)設(shè)好具有不同尺寸、寬高比的框，旨于盡快對(duì)目標(biāo)定位，提高召回率，引入3D 先驗(yàn)框?qū)す饫走_(dá)點(diǎn)云鳥瞰圖進(jìn)行目標(biāo)先驗(yàn)框的處理. 通過(guò)K-means聚類得到樣本先驗(yàn)框尺寸，以軸對(duì)齊的方式編碼獲得6 個(gè)參數(shù)（cx,cy,cz,dx,dy,dz）表示的先驗(yàn)框，其中（cx,cy,cz） 為中心點(diǎn)坐標(biāo)，（dx,dy,dz）為先驗(yàn)框各維度尺寸. （cx,cz） 在x、z平面上采樣，間隔為0.5 m，cy取決于傳感器與地面垂向距離.

該網(wǎng)絡(luò)將車輛聚類為兩種尺寸，將行人與騎車人聚類為一種尺寸，每種尺寸設(shè)置兩個(gè)角度（0°、90°）的位姿，粗略表示目標(biāo)的不同航向角. 需要篩選并移除稀疏激光雷達(dá)點(diǎn)云得到的空白先驗(yàn)框，保證每幀數(shù)據(jù)10 k～100 k 個(gè)有效框. 根據(jù)空間3D 先驗(yàn)框獲取不同模態(tài)下的特征圖區(qū)域，并將有效框通過(guò)坐標(biāo)轉(zhuǎn)換分別投影到鳥瞰圖和RGB 圖像上，經(jīng)過(guò)裁剪及雙邊濾波調(diào)整分辨率為3×3，便于進(jìn)行區(qū)域融合.

對(duì)于復(fù)雜場(chǎng)景而言，先驗(yàn)框數(shù)量可能保留到100 k，需要使用1×1 卷積核對(duì)特征圖降維以減輕后續(xù)網(wǎng)絡(luò)運(yùn)算負(fù)擔(dān)，其作用體現(xiàn)在保留不同維度信息的同時(shí)大幅減少運(yùn)算量，同時(shí)實(shí)現(xiàn)不同模態(tài)特征圖跨通道特征級(jí)融合. 拼接不同模態(tài)的同一先驗(yàn)框中特征圖進(jìn)行拼接，再利用1×1 卷積對(duì)新張量進(jìn)行卷積運(yùn)算.

式中： ωi為待學(xué)習(xí)的權(quán)重；fo為特征圖每個(gè)通道包含像素值；b為偏移量.

之后將融合后的特征圖送到兩個(gè)全連接層，進(jìn)行前背景推理和三維包圍框回歸，得到規(guī)范化后的參數(shù)（ ?tx,?ty,?tz,?dx,?dy,?dz） ，其中（ ?tx,?ty,?tz）是規(guī)范化后的中心偏移量，（ ?dx,?dy,?dz）為規(guī)范化后的尺寸縮放量.

損失函數(shù)計(jì)算采用Smooth L1 與交叉熵函數(shù)的多任務(wù)策略，對(duì)三維包圍框和目標(biāo)二元分類分別進(jìn)行計(jì)算，損失函數(shù)為

式中：i為先驗(yàn)框序號(hào)；pi為此先驗(yàn)框被判定為目標(biāo)的概率；ti為 先驗(yàn)框尺寸參數(shù)向量；Nobj為先驗(yàn)框數(shù)目,個(gè)；Lobj為 交叉熵?fù)p失函數(shù)；為先驗(yàn)框正負(fù)樣本標(biāo)志（1 為正樣本，0 為負(fù)樣本）； λ為超參數(shù)，是用于平衡二元分類任務(wù)和包圍框回歸任務(wù)權(quán)重的參數(shù)，其值默認(rèn)為 λ =5；Nreg為目標(biāo)框數(shù)目；Lreg為Smooth L1損失函數(shù)；是此先驗(yàn)框?qū)?yīng)樣本值.

對(duì)背景框判定，以鳥瞰圖先驗(yàn)框和樣本2D 交并比（IoU）[16]為判據(jù)，具體如表1 所示，被判定為背景框的先驗(yàn)框不加入計(jì)算，既不是目標(biāo)框也不是背景框的不參與訓(xùn)練，達(dá)到初步篩選的目的. 利用二維非極大值抑制算法進(jìn)一步剔除冗余目標(biāo)，保留IoU 閾值為0.8 且最多不超過(guò)前1 024 個(gè)的目標(biāo)框，以便提高召回率，降低漏檢.

表1 樣本2D IoU 判定指標(biāo)Tab.1 Sample 2D IoU judgment indicators

1.2 目標(biāo)檢測(cè)網(wǎng)絡(luò)

在得到粗略估計(jì)的候選框三維尺寸之后，進(jìn)行候選框尺寸的精細(xì)回歸，計(jì)算航向角與目標(biāo)類別判斷，同時(shí)進(jìn)行特征第二次融合.

對(duì)三維包圍框尺寸估計(jì)時(shí)首先考慮編碼方式.主要有兩種常用編碼方式：利用六面體的8 個(gè)頂點(diǎn)編碼和軸對(duì)齊方式編碼. 第一種方式能獲得準(zhǔn)確的尺寸估計(jì)，但是所需參數(shù)量較多；第二種利用中心點(diǎn)坐標(biāo)和沿3 個(gè)坐標(biāo)軸的棱長(zhǎng)編碼（第一階段使用），所需參數(shù)量較小，但是不能編碼航向角信息. 本階段采用新的編碼方式對(duì)三維包圍框尺寸編碼，使用底面4 點(diǎn)以及2 個(gè)高度值（底面、頂面與地平面高度）的方式編碼六面體，不僅可以獲得準(zhǔn)確的尺寸估計(jì)，而且所需參數(shù)量較小，編碼方式如圖3 所示.

圖3 三維包圍框編碼方式Fig.3 Encoding method of 3D bounding box

回歸后的目標(biāo)共10 個(gè)參數(shù)，相比于8 個(gè)角點(diǎn)編碼方式所需的24 個(gè)參數(shù)大幅減少，回歸后10 個(gè)參數(shù)包 括8 個(gè) 角 點(diǎn) 偏 移 量 ?x,?y和 2 個(gè) 高 度 偏 移 量?h（?x1,···,?x4,?y1,···,?y4,?h1,?h2）. 維護(hù)得到的角點(diǎn)，并約束4 個(gè)角點(diǎn)構(gòu)成一個(gè)矩形，選擇各邊中點(diǎn)，將對(duì)邊中點(diǎn)連線，取較長(zhǎng)邊作為坐標(biāo)軸基準(zhǔn)，具體實(shí)現(xiàn)如圖4.

圖4 4 個(gè)角點(diǎn)確定方法Fig.4 Determination method of four corner points

AVOD 網(wǎng)絡(luò)航向角編碼方式如圖5 所示，計(jì)算方法基于一個(gè)二元向量隱式表達(dá)航向角，即（xor,yor）=（cosθ ,sinθ ），使[? π,π]中的每一角度都有唯一單位向量相對(duì)應(yīng)，保證航向角唯一性.

圖5 航向角編碼方式示意圖Fig.5 Schematic diagram of the heading angle coding method

損失函數(shù)由三維包圍框尺寸計(jì)算、航向角估計(jì)與目標(biāo)類別三個(gè)任務(wù)損失函數(shù)構(gòu)成. 使用原始的256 通道特征圖，將來(lái)自區(qū)域建議網(wǎng)絡(luò)的候選框投影到特征圖上獲得候選特征，對(duì)投影后的特征圖調(diào)整分辨率到7×7 像素，并對(duì)元素取平均后融合. 融合后的特征通過(guò)三個(gè)每層2 048 個(gè)節(jié)點(diǎn)的全連接層，分別輸出三維包圍框、航向角估計(jì)、目標(biāo)類別，其中目標(biāo)類別使用交叉熵代價(jià)函數(shù)來(lái)計(jì)算，其余兩個(gè)使用Smooth L1 損失函數(shù)計(jì)算. 最后對(duì)包圍框篩選，利用2D 非極大值抑制算法輸出檢測(cè)結(jié)果. 得到AVOD 網(wǎng)絡(luò)的損失函數(shù)計(jì)算式（5）：

式中：Lcls為 交叉熵函數(shù)；Lreg為3D 包圍框的Smooth L1 損失函數(shù)；Lang為航向角估計(jì)的Smooth L1 損失函數(shù)；Ncls為先驗(yàn)框數(shù)目；Nreg為目標(biāo)框總數(shù)目. 根據(jù)鳥瞰圖中IoU 來(lái)判別候選框類型，對(duì)于車輛目標(biāo)，鳥瞰圖IoU>0.65 時(shí)為正樣本；對(duì)于行人和騎車人，IoU>0.55 為正樣本，并參與到計(jì)算之中.

1.3 多視角標(biāo)注信息聯(lián)合損失函數(shù)

優(yōu)化網(wǎng)絡(luò)檢測(cè)頭部分損失函數(shù)計(jì)算：將圖像前視圖與激光雷達(dá)點(diǎn)云鳥瞰特征圖作為兩個(gè)分支，以各模態(tài)樣本標(biāo)注為基準(zhǔn)監(jiān)督學(xué)習(xí)，計(jì)算各自損失函數(shù)，針對(duì)性地優(yōu)化特征提取網(wǎng)絡(luò)，防止圖像特征提取網(wǎng)絡(luò)退化，框架如圖6 所示.

圖6 多視角標(biāo)注信息聯(lián)合損失函數(shù)Fig.6 Joint loss function of multi-view annotation information

對(duì)不同模態(tài)信息處理中加入全連接層，首先進(jìn)行包圍框尺寸和目標(biāo)類別的預(yù)判，之后將預(yù)判結(jié)果與標(biāo)注信息對(duì)比，計(jì)算各模態(tài)損失函數(shù).

式中：Lsub-cls為分類模塊損失函數(shù)；Lsub-reg為包圍框尺寸計(jì)算損失函數(shù)；N為目標(biāo)框的總數(shù)量，為前視圖正樣本數(shù)量，為鳥瞰圖正樣本數(shù)量，單位（個(gè)）；I為選出正樣本目標(biāo)框的篩選函數(shù)，為正值；、分別為圖像和鳥瞰圖分支對(duì)第i目標(biāo)框的分類估計(jì)值；和為圖像和鳥瞰圖的標(biāo)注信息；、為包圍框尺寸偏移量和伸縮量；和為對(duì)應(yīng)的標(biāo)注信息.

對(duì)于正樣本的判定，基于包圍框與標(biāo)注信息框的交并比來(lái)劃分. 在鳥瞰圖中，車輛類別的交并比大于0.65 為正樣本，小于0.55 為負(fù)樣本，行人與騎車人類別的交并比大于0.45 為正樣本，小于0.4 為負(fù)樣本；在前視圖中，車輛類別的交并比大于0.7 為正樣本，小于0.5 為負(fù)樣本，行人和騎車人類別交并比大于0.6 為正樣本，小于0.4 為負(fù)樣本. 對(duì)于不屬于正負(fù)樣本的目標(biāo)框來(lái)說(shuō)，不參與損失函數(shù)統(tǒng)計(jì). 最終得到多視角標(biāo)注信息網(wǎng)絡(luò)的聯(lián)合損失函數(shù)AVOD-MLI（multi-view label information）：

三維包圍框的尺寸偏移和航向角的損失函數(shù)利用Smooth L1 函數(shù)實(shí)現(xiàn)，目標(biāo)分類的損失函數(shù)利用交叉熵函數(shù)實(shí)現(xiàn)， λ作為超參數(shù)來(lái)權(quán)衡各任務(wù)損失函數(shù)權(quán)重.

2 雙視角互投影融合方法的AVODMPF 網(wǎng)絡(luò)

2.1 AVOD-MPF 網(wǎng)絡(luò)框架

AVOD 網(wǎng)絡(luò)的數(shù)據(jù)融合發(fā)生在特征層，通過(guò)拼接后按元素求平均的方式進(jìn)行融合，為了保證拼接時(shí)特征圖分辨率一致，經(jīng)由池化層進(jìn)行裁剪. 這種融合方式可能會(huì)使不同模態(tài)數(shù)據(jù)相互干擾，從而削弱特征.

文中通過(guò)加入互投影池化層來(lái)改進(jìn)網(wǎng)絡(luò)的融合階段，改進(jìn)后的網(wǎng)絡(luò)可以優(yōu)化不同模態(tài)數(shù)據(jù)特征融合，充分利用了激光雷達(dá)點(diǎn)云的稀疏性，將互投影池化層插入到VGG 特征提取網(wǎng)絡(luò)之后，即特征金字塔的編碼器之后，解碼器之前，改進(jìn)后的網(wǎng)絡(luò)稱為AVOD-MPF（mutual projection fusion,MPF）網(wǎng)絡(luò)，局部網(wǎng)絡(luò)結(jié)構(gòu)如圖7.

2.2 互投影池化層

通過(guò)坐標(biāo)互投影，將激光雷達(dá)點(diǎn)云變換到圖像前視圖，并將圖像變換到激光雷達(dá)點(diǎn)云鳥瞰圖，從而獲得激光雷達(dá)點(diǎn)云在前視圖的特征圖以及圖像在激光雷達(dá)點(diǎn)云鳥瞰圖上的特征圖，結(jié)構(gòu)如圖8 所示. 通過(guò)相機(jī)與激光雷達(dá)的坐標(biāo)轉(zhuǎn)換矩陣P∈R3×4進(jìn)行前視圖與鳥瞰圖之間的轉(zhuǎn)換，如下式：

圖8 互投影池化層融合Fig.8 Mutual projection pooling layer fusion

式中：（x,y） 為鳥瞰圖像素坐標(biāo);（u,v）為圖像的像素坐標(biāo)；f(x,y)和g(u,v)為 兩個(gè)特征圖；k(u,v)為運(yùn)算核；X=[x y z1]T，P12是P前兩行的子矩陣.

通過(guò)上述轉(zhuǎn)換會(huì)造成一個(gè)（u,v） 對(duì)應(yīng)多個(gè)（x,y）的狀況，并且多個(gè)（x,y） 點(diǎn)近似為直線（ λx,λy），影響運(yùn)算，因此依據(jù)激光雷達(dá)點(diǎn)云的稀疏性進(jìn)行稀疏化，進(jìn)行非齊次轉(zhuǎn)換. 假定前視圖尺寸Lf×Wf，鳥瞰圖尺寸Hb×Wb， 激光點(diǎn)云記為（{xi,yi,zi）,i=1,2,···N}，則得到轉(zhuǎn)換方程式為

由多模態(tài)數(shù)據(jù)的對(duì)應(yīng)性，可以將式（11）轉(zhuǎn)化為

其中，

多傳感器數(shù)據(jù)投影是雙向進(jìn)行的，可以在不同視角下形成特征圖. 在拼接前對(duì)每一特征圖進(jìn)行歸一化處理，利用批正則化層來(lái)實(shí)現(xiàn)；將前視圖特征圖與稀疏矩陣相乘并與鳥瞰圖數(shù)據(jù)的特征圖相拼接融合，類似的鳥瞰圖的特征圖以同樣方式與前視圖特征圖相拼接融合. 其中稀疏矩陣X尺寸為L(zhǎng)fWf×HbWb， 尺寸為Hb×Wb×A的特征圖轉(zhuǎn)化后為尺寸HbWb×A的矩陣F. 最終得到特征圖T=MF，其尺寸為L(zhǎng)fWf×A.

3 驗(yàn)證與分析

3.1 三維目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)

KITTI 數(shù)據(jù)集[17]本身根據(jù)各種狀況將目標(biāo)進(jìn)行劃分，三種難度級(jí)別為：簡(jiǎn)單（最小包圍框高度≥40像素，目標(biāo)完全可見(jiàn)，截?cái)唷?5%）、中等（最小包圍框高度≥25 像素，目標(biāo)部分可見(jiàn)，截?cái)唷?0%）、困難（困難：最小包圍框高度≥25 像素，目標(biāo)難以看見(jiàn)，截?cái)唷?0%），劃分依據(jù)主要是目標(biāo)大小、遮擋以及截?cái)嗲闆r.

文中網(wǎng)絡(luò)主要針對(duì)車輛、行人、騎車人進(jìn)行目標(biāo)檢測(cè)，并在驗(yàn)證集上統(tǒng)計(jì)標(biāo)注樣本和目標(biāo)檢測(cè)結(jié)果，利用三維平均精度AP3D來(lái)評(píng)價(jià)目標(biāo)檢測(cè)網(wǎng)絡(luò)在三維尺度的檢測(cè)精度.

3.2 訓(xùn)練策略與設(shè)備

對(duì)于目標(biāo)檢測(cè)任務(wù)，KITTI 數(shù)據(jù)集擁有大量的圖像和激光雷達(dá)點(diǎn)云數(shù)據(jù)用于訓(xùn)練，針對(duì)不同尺度的目標(biāo)訓(xùn)練了兩種模型，分別對(duì)應(yīng)車輛、行人以及騎車人，為了確保網(wǎng)絡(luò)改進(jìn)結(jié)果的合理性與有效性，分別對(duì)原AVOD 網(wǎng)絡(luò)、AVOD-MLI 網(wǎng)絡(luò)、AVOD-MPF 網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練并進(jìn)行結(jié)果對(duì)比.

文中所用的訓(xùn)練機(jī)配置為：32 GB 內(nèi)存，11 G 顯存，Nvidia 1080Ti 顯卡，IntelCore i7-8700K @3.70 GHz ×12 的CPU，在Ubuntu 16.04 操作系統(tǒng)下進(jìn)行，深度學(xué)習(xí)框架為Tensorflow.

3.3 訓(xùn)練過(guò)程與結(jié)果驗(yàn)證

3.3.1 AVOD 網(wǎng)絡(luò)訓(xùn)練及結(jié)果

使用ADAM 優(yōu)化器對(duì)模型參數(shù)進(jìn)行優(yōu)化，設(shè)定初始學(xué)習(xí)率為0.000 1，指數(shù)衰減，共120 k 次迭代訓(xùn)練，每100 k 次訓(xùn)練進(jìn)行一次衰減，衰減系數(shù)定為0.1.全連接層引入dropout 方法，并利用批正則化方法.區(qū)域建議網(wǎng)絡(luò)中設(shè)定建議框樣本為512 個(gè)，第2 階段的檢測(cè)網(wǎng)絡(luò)1 024 個(gè)樣本，正負(fù)樣本各一半，并將此兩個(gè)網(wǎng)絡(luò)進(jìn)行聯(lián)合訓(xùn)練.

網(wǎng)絡(luò)訓(xùn)練的總損失值由兩部分：檢測(cè)網(wǎng)絡(luò)損失（AVOD 損失）以及區(qū)域建議網(wǎng)絡(luò)損失（RPN 損失）構(gòu)成，如圖9 (a)所示. 其中AVOD 損失包含AVOD 回歸損失與AVOD 分類損失，如圖9 (b)所示，回歸損失為主要影響要素，占據(jù)AVOD 損失極大比例，且趨勢(shì)與之相似. 對(duì)AVOD 回歸損失進(jìn)行分析，如圖9 (c)所示，包含回歸定位損失與回歸航向角損失. 模型在訓(xùn)練中損失值隨迭代次數(shù)增加而呈下降和收斂之勢(shì)，最后訓(xùn)練損失到達(dá)0.615 2.

圖9 AVOD 網(wǎng)絡(luò)訓(xùn)練過(guò)程中損失函數(shù)值的變化Fig.9 Changes in loss function values during AVOD network training

選取F-pointNet 網(wǎng)絡(luò)進(jìn)行對(duì)比，結(jié)果如表2 所示.

表2 AVOD 網(wǎng)絡(luò)在驗(yàn)證集上的AP3DTab.2 AP3D of AVOD network on validation set

表中可以看出AVOD 網(wǎng)絡(luò)具有更好的車輛目標(biāo)檢測(cè)精度，對(duì)于困難和中等類別的車輛檢測(cè)精度分別提高了8.37%、5.34%，處理有遮擋和截?cái)嗄繕?biāo)的效果較好，但是對(duì)于小尺度目標(biāo)的檢測(cè)精度較低.

3.3.2 AVOD-MLI 網(wǎng)絡(luò)訓(xùn)練及結(jié)果

使用ADAM 優(yōu)化器，初始學(xué)習(xí)率0.000 1，指數(shù)衰減，每100 k 次迭代進(jìn)行一次衰減，衰減因子0.1.使用最小批尺寸為1 的Xavier 對(duì)鳥瞰圖特征提取網(wǎng)絡(luò)初始化，圖像數(shù)據(jù)特征提取網(wǎng)絡(luò)加入預(yù)訓(xùn)練的ImageNet 權(quán)重. 區(qū)域建議網(wǎng)絡(luò)仍設(shè)定512 個(gè)建議框樣本，第二階段的檢測(cè)網(wǎng)絡(luò)1 024 個(gè)樣本，正負(fù)樣本各一半.

AVOD-MLI 網(wǎng)絡(luò)訓(xùn)練時(shí)損失值如圖10 所示.AVOD-MLI 網(wǎng)絡(luò)的AP3D，與AVOD 網(wǎng)絡(luò)對(duì)比如 表3 所示.

圖10 AVOD-MLI 網(wǎng)絡(luò)訓(xùn)練損失值變化曲線Fig.10 AVOD-MLI network training loss value change curve

表3 AVOD-MLI 網(wǎng)絡(luò)在KITTI 數(shù)據(jù)集上的AP3DTab.3 AP3D of AVOD-MLI network on KITTI dataset

從表3 可以看出AVOD-MLI 網(wǎng)絡(luò)對(duì)于車輛目標(biāo)效果不明顯，可能是由于對(duì)于車輛目標(biāo)而言，較大的尺寸差異造成激光雷達(dá)點(diǎn)云特征圖的分支占據(jù)了較大比例，圖像分支未能帶來(lái)顯著提升. 對(duì)于小尺度目標(biāo)來(lái)說(shuō)，激光雷達(dá)點(diǎn)云特征反而被削弱，圖像特征能夠帶來(lái)更多的紋理信息，因此對(duì)于行人目標(biāo)和騎車人目標(biāo)而言，提升更為明顯，對(duì)于行人目標(biāo)，不同難度目標(biāo)分別提高了1.18%，1.79%，2.75%.

3.3.3 AVOD-MPF 網(wǎng)絡(luò)訓(xùn)練及結(jié)果

引入ADAM 優(yōu)化器，初始學(xué)習(xí)率0.000 1，指數(shù)衰減，每30k 次迭代進(jìn)行一次衰減，衰減因子0.8.使用最小批尺寸為1 的Xavier 對(duì)鳥瞰圖特征提取網(wǎng)絡(luò)初始化，圖像數(shù)據(jù)特征提取網(wǎng)絡(luò)加入預(yù)訓(xùn)練的ImageNet 權(quán)重. 區(qū)域建議網(wǎng)絡(luò)仍設(shè)定512 個(gè)建議框樣本，第2 階段的檢測(cè)網(wǎng)絡(luò)1 024 個(gè)樣本，正負(fù)樣本各一半.

AVOD-MPF 網(wǎng)絡(luò)訓(xùn)練時(shí)損失值如圖11 所示. 隨著迭代次數(shù)增加，網(wǎng)絡(luò)總損失逐漸收斂，終值為0.269 5，如圖10(a)所示，AVOD-MPF 檢測(cè)網(wǎng)絡(luò)變化值與AVOD-MPF 回歸損失分別如圖11(b)、11(c)所示，學(xué)習(xí)率如圖12 所示.

圖11 AVOD-MPF 網(wǎng)絡(luò)訓(xùn)練損失值變化曲線Fig.11 AVOD-MPF network training loss value change curve

圖12 AVOD-MPF 網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)率Fig.12 AVOD-MPF network training learning rate

行人和車輛檢測(cè)如圖13 和圖14 所示，其中13(a)和14(a)為最終3D 目標(biāo)檢測(cè)結(jié)果；圖13(b)和14(b)為第1 階段網(wǎng)絡(luò)處理結(jié)果，實(shí)線框?yàn)榻ㄗh框，虛線框?yàn)闄z測(cè)框；圖13(c)和14(c)為整體網(wǎng)絡(luò)回歸結(jié)果，虛線框?yàn)闃?biāo)注框，實(shí)線框?yàn)闄z測(cè)框.

圖13 行人檢測(cè)示例Fig.13 Example of pedestrian detection

圖14 車輛檢測(cè)示例Fig.14 Vehicle detection example

AVOD-MPF 網(wǎng)絡(luò)的AP3D與AVOD 網(wǎng)絡(luò)對(duì)比如表4 所示.

表3 和表4 數(shù)據(jù)顯示加入互投影池化層的 AVODMPF 網(wǎng)絡(luò)保留了AVOD 網(wǎng)絡(luò)本身對(duì)于車輛目標(biāo)檢測(cè)的優(yōu)勢(shì)，相比于F-pointNet 網(wǎng)絡(luò)，對(duì)遮擋嚴(yán)重的車輛目標(biāo)檢測(cè)精度提高了8.62%. 同時(shí)提高了AVOD 網(wǎng)絡(luò)對(duì)小尺度目標(biāo)的檢測(cè)精度，對(duì)于中等難度目標(biāo)來(lái)說(shuō)，AVOD-MPF 網(wǎng)絡(luò)將行人檢測(cè)精度提高了2.03%，騎車人檢測(cè)精度提高了2.34%，說(shuō)明加入的互投影池化層能夠提升網(wǎng)絡(luò)性能，改善了原AVOD 網(wǎng)絡(luò)小尺度目標(biāo)檢測(cè)精度不高的問(wèn)題.

表4 AVOD-MPF 網(wǎng)絡(luò)在KITTI 數(shù)據(jù)集上的AP3DTab.4 AP3D of AVOD-MPF network on KITTI dataset

4 結(jié) 論

提出一種基于視覺(jué)與激光雷達(dá)的多視角互投影融合的三維目標(biāo)檢測(cè)方法，改進(jìn)對(duì)車輛檢測(cè)精度較高的AVOD 網(wǎng)絡(luò)，通過(guò)互投影的方式加強(qiáng)不同模態(tài)信息數(shù)據(jù)關(guān)聯(lián)并進(jìn)行特征級(jí)融合. 相比于其他算法以及原網(wǎng)絡(luò)來(lái)說(shuō)，文中使用的AVOD-MPF 網(wǎng)絡(luò)方法具有明顯優(yōu)勢(shì)，實(shí)驗(yàn)數(shù)據(jù)和結(jié)果表明，本方法不僅能夠?qū)崿F(xiàn)三維目標(biāo)檢測(cè)時(shí)特征級(jí)和決策級(jí)融合，而且在保留AVOD 網(wǎng)絡(luò)對(duì)車輛目標(biāo)檢測(cè)優(yōu)勢(shì)的同時(shí)，也提升了對(duì)行人和騎車人等小尺度目標(biāo)的檢測(cè)精度，對(duì)于有遮擋的目標(biāo)復(fù)雜場(chǎng)景也有較好的適應(yīng)性，為小尺度目標(biāo)檢測(cè)提供了一種新的思路.