3D行人框检测论文笔记

原文：3D Bounding Box Estimation Using Deep Learning and Geometry

Summary

3D物体框预测是一个6DoF问题（3维位置+3维尺寸+3维朝向），在2D目标检测比较成熟的情况下，准确地做到3D物体框的检测依然存在很多困难。此前，对于3D物体框的检测手段有匹配物体关键点的和基于渲染的3D模型的，但是在硬件计算量和3D物体框属性完整性上存在问题。

本文基于CNN网络及VGG架构，提出了一个轻量级的、可搭载的可预测3D物体框所有属性的模型：模型从相机投影公式出发，在2D物体框的每一条边至少存在一个3D物体框拐角在图像上的投影的假设下，使用模型预测期望准确性较高的属性，再根据相机投影公式的约束将余下的不便预测的属性求解出。

1. 2D物体框由模型预测，其4条边参与的约束公式能给出4条约束。
2. 3D尺寸和3D朝向由模型预测，其能够将原问题的9自由度降低至3自由度。
3. 1中的4条约束用于求解2中剩余的3个自由度，多出来的约束用于选择误差最小的”3D顶点落在2D边框“的配置。

文章研究领域的任务类型区分（可能分类存在问题）：

• viewpoint estimation：视角检测是一个与相机位置有关的概念，其表示物体相对相机坐标系下的朝向情况。（一般朝向都指代在世界坐标下的角度情况，即orientation）
  • viewpoint与orientation、azimuth关系为\(viewpoint = orientation + azimuth\)，orientation是物体在世界坐标下的朝向，azimuth是物体相对相机的方向。
  • 当物体在世界坐标系下保持静止不动时，若相机发生移动则viewpoint可能变化。
• orientation estimation：物体在世界坐标系下的朝向。
• object dimension estimation：物体的尺寸，length + width + height。
• position estimation: 预测某点在3D位移坐标下的位置。
• 3D pose estimation：The combination of position and orientation is referred to as the pose of an object 。

注：

• 本文研究的3D物体框预测问题 = 3D pose + dimension = orientation + position + dimension。

• 在本文中，viewpoint可以被称作局部朝向（local orientation)，而orientation则被称作全局朝向（globla orientation）。

图示：

Highlights

1 约束设计和预测属性选择

原理公式

在理想相机环境下，给定相机固有矩阵\(K\),物体的姿态（pose）\((R, T) \in SE(3)\) 和 某点在物体坐标系下的坐标 \(\pmb{X_o} = [X, Y, Z, 1]^T\)，其投影在图像上的位置为$$\pmb{x} = [x, y, 1]^T$$:

上述公式的右侧可以进一步地拆分为$K [\begin{matrix} R & T \end{matrix}][\begin{matrix} L \ 1 \end{matrix}] = K(RL + T) \(（其中\)L = [X,Y,Z]\()， 可解释为在\)x\(的坐标是物体坐标系的中心在世界坐标下的位移\)T\(，再加上\)X_o\(坐标经过旋转矫正与世界坐标无旋度差异的坐标，最后再经过相机矩阵\)K$所得到的。

约束设计

模型假设：在正确标注出的2D物体框与3D物体框之间，对于2D物体框在图像上的每一条边，必定包含3D图像框的一个顶点在图像上的投影。

若以2D物体框在x方向的最小坐标为例，并且3D框的\(\pmb{X_0}=[d_x/2, -d_y/2, d_x/2]^T\)对应2D框在x方向的下界，则可以写作:

注：\(()_x\)表示仅取结果x方向上的值。

下面分析3D物体框求解任务中的自由度：

• K：相机固有属性，已知
• R：旋转倾向矩阵（世界坐标），在3D物体框预测任务中占有3个自由度（3个未知数）。
• T：位移矩阵（世界坐标），在……任务重占有3个自由度（3个未知数）。
• \(X_i\)：3D框的顶点（物体坐标），等价于3D框的尺寸，在……任务重占有3个自由度（3个未知数）。

???在利用上述的约束公式由于2D框有4条边，因此能够提供4个约束，显然无法直接求解。

因此方法使用SOTA模型求解出了2D物体框，并选择了旋转矩阵R和尺寸信息\(X_0, X_1, ..., X_7\)共6个自由度用模型预测。剩余的3个自由度（物体位移）用4个约束是能够解出的。

但同时，还存在一个潜在自由度——模型假设中的边框与顶点的对应关系是不一定的（该自由度取值数量有限，根据公式真实情况应该是\(8^4=4096\)中的至少一个），因此4个约束恰好求解。在求解时，可以有限遍历所有对应关系，使用3个约束求解物体位移，再使用1个约束用以验证对应关系的正确性，最终选择验证时误差最小的作为解答。

2 朝向预测的目标函数

图像信息比较直观地显示了物体相对相机的朝向（viewpoint），在结合物体相对相机所在的方位信息（azimuth)，利用公式\(orientation = viewpoint - azimuth\)才能够求解世界坐标下的绝对朝向，因此3D物体框的朝向信息是模型的输出再经过角度运算得到的。

下图展示了物体在不动情况下，视角运动造成的viewpoint、azimuth变化。

?? 注：为了方便表述，将viewpoint表示为局部朝向（local orientation），将orientation表示为全局朝向(global orientation)。

损失函数设计

常用损失函数：Mean Square Error，表现不佳。其鼓励模型预测各类连续分布情景下的平均状态，导致陷入平均状态，推理结果四不像。

借鉴anchor box的方位角损失函数设计：

在目标识别领域，锚框技术是常用的一种技术。通过在目标区域人为预先设定锚框的位置和尺寸，模型的任务转变为对于每个锚框，预测其中的物体类别（包括背景类型）以及物体真实框相对设定锚框的位置偏移和尺寸偏移。

本模型在预测时借鉴了这类思想，首先将3D的局部朝向可能的区域人为划分为多个区域（区域之间允许有重叠），模型的任务转变为预测局部朝向落在各区域的概率（分类任务）和局部朝向相对每个区域中心的偏移量（回归任务）。

• \(L_{conf}\)表示分类任务的目标函数。
• \(L_{loc} = -\frac{1}{n_\theta*}\Sigma cos(\theta^* - c_i - \Delta\theta_i)\)，\(n_{\theta^*}\)表示划分区域数量。

物体尺寸估计的损失函数设计：

和方位角不同，在应用场景下物体的尺寸差异较大，不易产生平均模式的问题，因此使用MSE作为目标函数。

对于模型最终结构和输出如下图所示：

实验操作

• 对于KITTI数据集的数据增强：
  • 所有输入的图像块resize到224x224.
  • 随机的色彩失真
  • 随机的镜像变换
  • 限制总训练实例的数量，并重复将汽车数据用于训练。
• 疑问
  • 从论文来看，3D物体框的尺寸和朝向预测仅使用了局部的2D物体框信息，实验结果显示模型是利用物体的某些关键部件（如轮胎）用以判断的，这对被resize的图像进行尺寸预测是否可行呢？（仅拼接视觉效果人工都很难做到，一种猜测是根据某些尺寸一定的部件进行估计)

3D行人框检测论文笔记

原文：https://www.cnblogs.com/sinoyou/p/12776197.html