淺析自動(dòng)駕駛視覺感知算法

自動(dòng)駕駛視覺感知算法（一）

環(huán)境感知是自動(dòng)駕駛的第一環(huán)，是車輛和環(huán)境交互的紐帶。一個(gè)自動(dòng)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(dǎo)的多傳感器融合方案，典型代表是特斯拉；

②以激光雷達(dá)為主導(dǎo)，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(jìn)行介紹，其任務(wù)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(yīng)用于自動(dòng)駕駛的幾個(gè)任務(wù)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(biāo)檢測(cè)和跟蹤，以及2D場(chǎng)景的語義分割。近些年，深度學(xué)習(xí)滲透到視覺感知的各個(gè)領(lǐng)域，取得不錯(cuò)的成績(jī)，因此，我們梳理了一些經(jīng)典的深度學(xué)習(xí)算法。

01 目標(biāo)檢測(cè)

1.1 兩階段檢測(cè)

兩階段指的是實(shí)現(xiàn)檢測(cè)的方式有先后兩個(gè)過程，一是提取物體區(qū)域；二是對(duì)區(qū)域進(jìn)行CNN分類識(shí)別；因此，“兩階段”又稱基于候選區(qū)域（Region proposal）的目標(biāo)檢測(cè)。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(gè)端到端的檢測(cè)網(wǎng)絡(luò)。第一階段利用一個(gè)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(duì)齊候選特征的大??；第二階段用全連接層做細(xì)化分類和回歸。這里提出了Anchor的思想，減少運(yùn)算難度，提高速度。特征圖的每個(gè)位置會(huì)生成不同大小、長(zhǎng)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(wù)只用處理相對(duì)較小的變化，因此網(wǎng)絡(luò)的學(xué)習(xí)會(huì)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(gè)RoiHead層進(jìn)行級(jí)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(jìn)或者前人工作的雜燴，罕有突破性提升。

1.2 單階段檢測(cè)

相較于兩階段算法，單階段算法只需一次提取特征即可實(shí)現(xiàn)目標(biāo)檢測(cè)，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(duì)其進(jìn)行了改進(jìn)，提出YOLO的團(tuán)隊(duì)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(gè)改進(jìn)版本YOLOv2~YOLOv5。盡管預(yù)測(cè)準(zhǔn)確率不如雙階段目標(biāo)檢測(cè)算法，由于較快的運(yùn)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(cè)（無Anchor檢測(cè)）

這類方法一般是將物體表示為一些關(guān)鍵點(diǎn)，CNN被用來回歸這些關(guān)鍵點(diǎn)的位置。關(guān)鍵點(diǎn)可以是物體框的中心點(diǎn)（CenterNet）、角點(diǎn)（CornerNet）或者代表點(diǎn)（RepPoints）。CenterNet將目標(biāo)檢測(cè)問題轉(zhuǎn)換成中心點(diǎn)預(yù)測(cè)問題，即用目標(biāo)的中心點(diǎn)來表示該目標(biāo)，并通過預(yù)測(cè)目標(biāo)中心點(diǎn)的偏移量與寬高來獲取目標(biāo)的矩形框。Heatmap表示分類信息，每一個(gè)類別將會(huì)產(chǎn)生一個(gè)單獨(dú)的Heatmap圖。對(duì)于每張Heatmap圖而言，當(dāng)某個(gè)坐標(biāo)處包含目標(biāo)的中心點(diǎn)時(shí)，則會(huì)在該目標(biāo)處產(chǎn)生一個(gè)關(guān)鍵點(diǎn)，我們利用高斯圓來表示整個(gè)關(guān)鍵點(diǎn)，下圖展示了具體的細(xì)節(jié)。

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

1.4 Transformer檢測(cè)

無論是單階段還是兩階段目標(biāo)檢測(cè)，無論采用Anchor與否，都沒有很好地利用到注意力機(jī)制。針對(duì)這種情況，Relation Net和DETR利用Transformer將注意力機(jī)制引入到目標(biāo)檢測(cè)領(lǐng)域。Relation Net利用Transformer對(duì)不同目標(biāo)之間的關(guān)系建模，在特征之中融入了關(guān)系信息，實(shí)現(xiàn)了特征增強(qiáng)。DETR則是基于Transformer提出了全新的目標(biāo)檢測(cè)架構(gòu)，開啟了目標(biāo)檢測(cè)的新時(shí)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(duì)全局的空間關(guān)系進(jìn)行建模，最后得到的輸出通過二分圖匹配算法與手工標(biāo)注進(jìn)行匹配。

下表中的準(zhǔn)確度采用MSCOCO數(shù)據(jù)庫上的mAP作為指標(biāo)，而速度則采用FPS來衡量，對(duì)比了上述部分算法，由于網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)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(gè)算法的實(shí)現(xiàn)硬件平臺(tái)也不同，因此準(zhǔn)確率和速度并不完全可比，這里只列出來一個(gè)粗略的結(jié)果供大家參考。

02 目標(biāo)跟蹤

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

①由目標(biāo)檢測(cè)器在單幀圖像上得到目標(biāo)框輸出；

②提取每個(gè)檢測(cè)目標(biāo)的特征，通常包括視覺特征和運(yùn)動(dòng)特征；

③根據(jù)特征計(jì)算來自相鄰幀的目標(biāo)檢測(cè)之間的相似度，以判斷其來自同一個(gè)目標(biāo)的概率；

④將相鄰幀的目標(biāo)檢測(cè)進(jìn)行匹配，給來自同一個(gè)目標(biāo)的物體分配相同的ID。

深度學(xué)習(xí)在以上這四個(gè)步驟中都有應(yīng)用，但是以前兩個(gè)步驟為主。在步驟1中，深度學(xué)習(xí)的應(yīng)用主要在于提供高質(zhì)量的目標(biāo)檢測(cè)器，因此一般都選擇準(zhǔn)確率較高的方法。SORT是基于Faster R-CNN的目標(biāo)檢測(cè)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(biāo)跟蹤的速度，同時(shí)達(dá)到了SOTA的準(zhǔn)確率，也是在實(shí)際應(yīng)用中使用較為廣泛的一個(gè)算法。在步驟2中，深度學(xué)習(xí)的應(yīng)用主要在于利用CNN提取物體的視覺特征。DeepSORT最大的特點(diǎn)是加入外觀信息，借用了ReID模塊來提取深度學(xué)習(xí)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(cè)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(gè)Offset分支用來進(jìn)行前后幀的Association。與多個(gè)階段的Tracking-by-Detection相比，CenterTrack將檢測(cè)和匹配階段用一個(gè)網(wǎng)絡(luò)來實(shí)現(xiàn)，提高了MOT的速度。

03 語義分割

在自動(dòng)駕駛的車道線檢測(cè)和可行駛區(qū)域檢測(cè)任務(wù)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(kuò)張卷積和ASPP（Atrous Spatial Pyramid ?Pooling）結(jié)構(gòu)，對(duì)輸入圖像進(jìn)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(jī)場(chǎng)（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(fù)雜的decoder結(jié)構(gòu)。但同時(shí)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(gè)像素關(guān)系的缺點(diǎn)?？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(dòng)駕駛系統(tǒng)實(shí)時(shí)性的要求。算法流程如下圖所示。

自動(dòng)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(dòng)駕駛中必不可少的3D場(chǎng)景感知。因?yàn)樯疃刃畔?、目?biāo)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(dòng)駕駛系統(tǒng)對(duì)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(dá)（LiDAR）。但是，LiDAR也有其缺點(diǎn)，比如成本較高，車規(guī)級(jí)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(gè)非常有意義和價(jià)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(gè)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(yàn)知識(shí)或者一些額外信息（比如深度估計(jì)）來輔助解決。本次將從實(shí)現(xiàn)自動(dòng)駕駛的兩個(gè)基本任務(wù)（3D目標(biāo)檢測(cè)和深度估計(jì)）出發(fā)進(jìn)行相關(guān)算法介紹。

1.1 3D目標(biāo)檢測(cè)

表示轉(zhuǎn)換（偽激光雷達(dá)）：視覺傳感器對(duì)周圍其他車輛等的檢測(cè)通常會(huì)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(jī)外參準(zhǔn)確，此時(shí)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(cè)目標(biāo)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(gè)類似于ResNet的自上而下的網(wǎng)絡(luò)進(jìn)行3D目標(biāo)檢測(cè)。這些方法只適應(yīng)于車輛、行人這類貼地的目標(biāo)。對(duì)于交通標(biāo)志牌、紅綠燈這類非貼地目標(biāo)來說，可以通過深度估計(jì)來生成偽點(diǎn)云，進(jìn)而進(jìn)行3D檢測(cè)。Pseudo-LiDAR先利用深度估計(jì)的結(jié)果生成點(diǎn)云，再直接應(yīng)用基于激光雷達(dá)的3D目標(biāo)檢測(cè)器生成3D目標(biāo)框，其算法流程如下圖所示，

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

2D/3D幾何約束：對(duì)3D中心和粗略實(shí)例深度的投影進(jìn)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(biāo)框內(nèi)的圖像特征來估計(jì)目標(biāo)大小和朝向。然后，通過一個(gè)2D/3D的幾何約束來求解中心點(diǎn)3D位置。這個(gè)約束就是3D目標(biāo)框在圖像上的投影是被2D目標(biāo)框緊密包圍的，即2D目標(biāo)框的每條邊上都至少能找到一個(gè)3D目標(biāo)框的角點(diǎn)。通過之前已經(jīng)預(yù)測(cè)的大小和朝向，再配合上相機(jī)的標(biāo)定參數(shù)，可以求解出中心點(diǎn)的3D位置。2D和3D目標(biāo)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(biāo)框、3D目標(biāo)框以及相機(jī)參數(shù)合并起來作為輸入，采用全連接網(wǎng)絡(luò)預(yù)測(cè)更為精確的3D位置。

直接生成3DBox：這類方法從稠密的3D目標(biāo)候選框出發(fā)，通過2D圖像上的特征對(duì)所有的候選框進(jìn)行評(píng)分，評(píng)分高的候選框即是最終的輸出。有些類似目標(biāo)檢測(cè)中傳統(tǒng)的滑動(dòng)窗口方法。代表性的Mono3D算法首先基于目標(biāo)先驗(yàn)位置（z坐標(biāo)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(biāo)后，通過綜合2D圖像上的特征對(duì)其進(jìn)行評(píng)分，再通過CNN再進(jìn)行二輪評(píng)分得到最終的3D目標(biāo)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(xùn)練集數(shù)據(jù)的先驗(yàn)知識(shí)（如目標(biāo)實(shí)際大小的均值）確定的。M3D-RPN還同時(shí)采用了標(biāo)準(zhǔn)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(biāo)）分成多個(gè)組，每個(gè)組對(duì)應(yīng)不同的場(chǎng)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(jì)算量非常大。SS3D則采用更為高效的單階段檢測(cè)，包括用于輸出圖像中每個(gè)相關(guān)目標(biāo)的冗余表示以及相應(yīng)的不確定性估計(jì)的CNN，以及3D邊框優(yōu)化器。FCOS3D也是一個(gè)單階段的檢測(cè)方法，回歸目標(biāo)額外增加了一個(gè)由3D目標(biāo)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(jì)

不管是上述的3D目標(biāo)檢測(cè)還是自動(dòng)駕駛感知的另一項(xiàng)重要任務(wù)——語義分割，從2D擴(kuò)展到3D，都或多或少得應(yīng)用到了稀疏或稠密的深度信息。單目深度估計(jì)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(gè)像素對(duì)應(yīng)的場(chǎng)景深度值組成的圖像。輸入也可以是視頻序列，利用相機(jī)或者物體運(yùn)動(dòng)帶來的額外信息來提高深度估計(jì)的準(zhǔn)確度。相比于監(jiān)督學(xué)習(xí)，單目深度估計(jì)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(shí)現(xiàn)難度更小。單目深度估計(jì)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(duì)兩種。前者是建立在運(yùn)動(dòng)相機(jī)和靜止場(chǎng)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(shí)刻立體校正后的雙目圖像對(duì)進(jìn)行圖像重建，左右視圖的位姿關(guān)系通過雙目標(biāo)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(jìn)一步地提升了精度，但是，在逐層下采樣提取高級(jí)特征來增大感受野的同時(shí)，特征分辨率也在不斷下降，粒度不斷丟失，影響了深度的細(xì)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(fù)制帶來的偽影。但是，這對(duì)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(jì)任務(wù)。有監(jiān)督的DPT中就提出采用Transformer和多尺度結(jié)構(gòu)來同時(shí)保證預(yù)測(cè)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(zhǔn)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(gè)精確配準(zhǔn)的攝像頭，而且需要保證在車輛運(yùn)行過程中始終保持配準(zhǔn)的正確性。軟件上來說算法需要同時(shí)處理來自兩個(gè)攝像頭的數(shù)據(jù)，計(jì)算復(fù)雜度較高，算法的實(shí)時(shí)性難以保證。與單目相比，雙目的工作相對(duì)較少。接下來也同樣從3D目標(biāo)檢測(cè)和深度估計(jì)兩方面進(jìn)行簡(jiǎn)單介紹。

2.1 3D目標(biāo)檢測(cè)

3DOP是一個(gè)兩階段的檢測(cè)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(diǎn)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(biāo)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(diǎn)云，然后再應(yīng)用點(diǎn)云目標(biāo)檢測(cè)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(gè)端到端的框架，可提取用于立體匹配的像素級(jí)特征和用于目標(biāo)識(shí)別的高級(jí)特征，并且能同時(shí)估計(jì)場(chǎng)景深度和檢測(cè)3D目標(biāo)。Stereo R-CNN擴(kuò)展了 Faster R-CNN 用于立體輸入，以同時(shí)檢測(cè)和關(guān)聯(lián)左右視圖中的目標(biāo)。在RPN之后增加額外的分支來預(yù)測(cè)稀疏的關(guān)鍵點(diǎn)、視點(diǎn)和目標(biāo)尺寸，并結(jié)合左右視圖中的2D邊界框來計(jì)算粗略的3D目標(biāo)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(duì)齊來恢復(fù)準(zhǔn)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(jì)

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

對(duì)于每一個(gè)可能的d，都可以計(jì)算每個(gè)像素點(diǎn)處的匹配誤差，因此就得到了一個(gè)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(gè)像素處的視差（對(duì)應(yīng)最小匹配誤差的d），從而得到深度值。MC-CNN用一個(gè)卷積神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)兩個(gè)圖像塊的匹配程度，并用它來計(jì)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(xì)化成本，然后進(jìn)行左右一致性檢查以消除被遮擋區(qū)域中的錯(cuò)誤。PSMNet提出了一個(gè)不需要任何后處理的立體匹配的端到端學(xué)習(xí)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(gè)堆疊沙漏3D CNN進(jìn)一步強(qiáng)化全局信息。下圖是其網(wǎng)絡(luò)結(jié)構(gòu)。