許 鮮,陳 寧,陳玉鵬

(集美大學(xué)海洋裝備與機(jī)械工程學(xué)院,福建 廈門 361021)

0 引言

隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展，平面位姿估計(jì)在機(jī)器人技術(shù)、增強(qiáng)現(xiàn)實(shí)和虛擬現(xiàn)實(shí)、船舶海上作業(yè)等領(lǐng)域的應(yīng)用越來越廣泛[1-5]。盡管在過去幾十年中，已經(jīng)出現(xiàn)了很多平面位姿估計(jì)的方法，但是在快速準(zhǔn)確和適應(yīng)性方面還有很大的提升空間，尤其是對(duì)缺少紋理表面的平面目標(biāo)而言。

平面位姿估計(jì)的目的是檢測(cè)平面并估計(jì)其平移和旋轉(zhuǎn)。傳統(tǒng)視覺平面位姿估計(jì)通常分為兩類。1)基于特征的方法[6-7]，計(jì)算一組三維點(diǎn)和二維投影之間的對(duì)應(yīng)關(guān)系，得到相機(jī)與平面之間的相對(duì)位置和方向，比如通過在平面物體上添加特定標(biāo)志物，使用相機(jī)對(duì)特定標(biāo)志物進(jìn)行定位和檢測(cè)，實(shí)現(xiàn)檢測(cè)非接觸式的平面位姿檢測(cè)，其中比較成熟的方法有Aruco[8]，Apriltag[9]等。然而這些方法精度易受場(chǎng)景限制，依賴于特定的特征，這些特征對(duì)圖像變化和遮擋對(duì)不確定因素等的魯棒性較差。2)基于模板匹配的直接方法[10]，將姿態(tài)估計(jì)問題簡(jiǎn)化為模板匹配問題，通過優(yōu)化參數(shù)來估計(jì)姿態(tài)，觀察目標(biāo)圖像的剛性變換，但是這些模板匹配方法的主要缺點(diǎn)是，當(dāng)仿射或者單應(yīng)變換空間與姿態(tài)空間之間未對(duì)準(zhǔn)時(shí)，容易產(chǎn)生額外的附加姿態(tài)誤差。

隨著深度學(xué)習(xí)對(duì)場(chǎng)景理解能力的增強(qiáng)，基于深度學(xué)習(xí)的位姿估計(jì)方法實(shí)現(xiàn)了精度、實(shí)時(shí)性和魯棒性更好的位姿估計(jì)結(jié)果。Rad等[11]提出BB8網(wǎng)絡(luò)，從單張RGB圖像預(yù)測(cè)目標(biāo)3D邊框的2D投影，并使用PnP算法解算出目標(biāo)3D位姿；Kehl等[12]提出了SSD-6D網(wǎng)絡(luò)，使用合成數(shù)據(jù)集進(jìn)行訓(xùn)練，將SSD用于三維實(shí)例檢測(cè)和6D位姿估計(jì)，獲得更好的實(shí)時(shí)性；Xiang等[13]提出PoseCNN網(wǎng)絡(luò)，可以在雜亂場(chǎng)景中實(shí)現(xiàn)精確的物體6D姿態(tài)估計(jì)；Sida等[14]提出PVNet網(wǎng)絡(luò)，從單張RGB圖像預(yù)測(cè)目標(biāo)的語義分割和物體關(guān)鍵點(diǎn)的向量場(chǎng)，使用隨機(jī)投票算法計(jì)算出目標(biāo)的關(guān)鍵點(diǎn)，并使用PnP算法解算出目標(biāo)6D位姿；Chen等[15]提出DenseFusion網(wǎng)絡(luò)，在像素級(jí)別嵌入和融合顏色和深度信息，以估計(jì)RGB-D圖像中已知物體的6D位姿。然而現(xiàn)有大多數(shù)基于深度學(xué)習(xí)的位姿估計(jì)方法需要已知目標(biāo)的三維模型，且網(wǎng)絡(luò)的泛化性較差，很難實(shí)現(xiàn)未知模型的平面位姿估計(jì)。

最近的一些使用深度學(xué)習(xí)的平面重建方法可以從單幅RGB圖像中檢測(cè)平面實(shí)例分割、深度及法線信息。Liu等[16]提出了一種端到端的深度神經(jīng)網(wǎng)絡(luò)PlaneNet，從單幅RGB圖像中推算平面參數(shù)及其對(duì)應(yīng)的平面分割掩碼；Yang等[17]提出一種針對(duì)室外場(chǎng)景的非監(jiān)督學(xué)習(xí)方法PlaneRecover，預(yù)測(cè)平面實(shí)例分割及其平面參數(shù)。但PlaneNet和PlaneRecover兩者都需要事先給出單個(gè)圖像中的最大平面數(shù)，并且跨域的泛化能力較差。為了解決上述問題，Liu等[18]提出基于MaskRCNN的平面重建網(wǎng)絡(luò)PlaneRCNN，可以從單個(gè)RGB圖像中檢測(cè)出小的平面區(qū)域并重建分段平面深度圖；Yu等[19]提出了平面重建網(wǎng)絡(luò)PlanarReconstruction，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)得到每像素的嵌入映射，再使用聚類算法對(duì)嵌入向量分組得到任意數(shù)量的平面實(shí)例，通過平面參數(shù)預(yù)測(cè)分支得到平面參數(shù)。受這些工作的啟發(fā)，本文使用基于深度學(xué)習(xí)的方法進(jìn)行平面分割和法線估計(jì)，并經(jīng)過位姿解算實(shí)現(xiàn)單個(gè)RGB圖像的平面位姿估計(jì)，解決傳統(tǒng)視覺位姿估計(jì)需要添加特定標(biāo)志物和現(xiàn)有深度學(xué)習(xí)位姿估計(jì)算法需要已知物體三維模型的問題。

1 平面位姿估計(jì)試驗(yàn)系統(tǒng)

1.1 平面位姿估計(jì)試驗(yàn)系統(tǒng)硬件設(shè)計(jì)

基于實(shí)驗(yàn)需求搭建一套平面位姿估計(jì)實(shí)驗(yàn)系統(tǒng)，如圖1所示，包括六自由度運(yùn)動(dòng)模擬系統(tǒng)和視覺檢測(cè)系統(tǒng)。其中：六自由度運(yùn)動(dòng)模擬系統(tǒng)通過輸入設(shè)定的運(yùn)動(dòng)方程模擬需要的六自由度運(yùn)動(dòng)；視覺檢測(cè)系統(tǒng)通過相機(jī)可以獲得其安裝視野下的彩色RGB圖像，通過單目視覺位姿檢測(cè)算法檢測(cè)出目標(biāo)位姿，可對(duì)位姿估計(jì)效果進(jìn)行驗(yàn)證。

1.2 基于深度學(xué)習(xí)的單圖像位姿估計(jì)算法

本文的目標(biāo)是從單個(gè)RGB圖像推斷平面實(shí)例和平面位姿，算法框架如圖2所示。在第一個(gè)階段，使用多分枝的編碼器-解碼器網(wǎng)絡(luò)共同預(yù)測(cè)單圖像平面實(shí)例和法線?；赟canNet[20]數(shù)據(jù)集生成平面實(shí)例數(shù)據(jù)集，并進(jìn)行訓(xùn)練，輸入單張RGB圖像，采用編碼器-解碼器網(wǎng)絡(luò)獲得每個(gè)像素的關(guān)聯(lián)嵌入向量，使用均值漂移算法對(duì)嵌入向量進(jìn)行聚類，得到平面實(shí)例分割；共享編碼特征進(jìn)行平面參數(shù)分支解碼，得到每個(gè)像素的法線信息。第二個(gè)階段，對(duì)獲得的平面掩碼和法線進(jìn)行位姿解算，獲得平面的位姿，對(duì)實(shí)例分割和法線進(jìn)行位姿解算，得到每個(gè)平面實(shí)例的位姿信息，最后通過實(shí)驗(yàn)對(duì)基于深度學(xué)習(xí)的平面位姿估計(jì)算法的可行性進(jìn)行驗(yàn)證。

2 原理及方法

2.1 數(shù)據(jù)集構(gòu)建

用于平面位姿估計(jì)的深度學(xué)習(xí)算法需要大量數(shù)據(jù)集進(jìn)行訓(xùn)練，同時(shí)平面區(qū)域在圖像中可能具有復(fù)雜的邊界，手動(dòng)標(biāo)注這些區(qū)域非常耗時(shí)，并且不能保證對(duì)數(shù)據(jù)集提供精確的位姿標(biāo)注。為了避免繁瑣的手動(dòng)標(biāo)注過程，可以使用模型擬合算法，將現(xiàn)有RGB-D數(shù)據(jù)集中的每像素深度圖轉(zhuǎn)換為平面實(shí)例標(biāo)注，使用PlaneNet生成的ScanNet數(shù)據(jù)集[20]訓(xùn)練并評(píng)估該方法，通過將平面擬合到ScanNet的合并網(wǎng)格并將其投影回各個(gè)框架，可以獲取真實(shí)值。生成過程還包含來自ScanNet的語義注釋，結(jié)果數(shù)據(jù)集包含50 000個(gè)訓(xùn)練圖像和760張測(cè)試圖像，分辨率為256 px×192 px，數(shù)據(jù)集含有深度信息，并具有平面實(shí)例分割標(biāo)記及平面法線信息。

2.2 算法網(wǎng)絡(luò)結(jié)構(gòu)

平面位姿估計(jì)算法采用一種編碼器-解碼器的網(wǎng)絡(luò)結(jié)構(gòu)，如圖3所示。

其中：C為卷積層；P為池化層。輸入單張RGB圖像，編碼器使用ResNet101-FPN網(wǎng)絡(luò)，解碼器分別為平面/非平面語義分割，關(guān)聯(lián)嵌入向量和平面參數(shù)解碼，三個(gè)分支共享相同的高級(jí)特征映射。C1～C5采用自下向上的通路，即普通卷積特征自底向上逐層濃縮表達(dá)特征的過程。此過程低層表達(dá)邊緣等較淺層次的圖片信息特征，較高層表達(dá)較深層次的圖片特征，如物體輪廓、類別等。P1～P5采用自上至下的通路，處理每一層信息時(shí)會(huì)參考上一層的高維信息作為輸入。上層特征輸出的特征圖尺寸小但感受野更大，高維信息經(jīng)實(shí)驗(yàn)證實(shí)能夠?qū)罄m(xù)的目標(biāo)檢測(cè)、物體分類等任務(wù)發(fā)揮關(guān)鍵作用。解碼器網(wǎng)絡(luò)采用1×1卷積，可有效降低中間層次的通道數(shù)量，使輸出不同維度的各個(gè)特征圖有相同的通道數(shù)量。平面參數(shù)解碼分支得到法線估計(jì)結(jié)果，結(jié)合平面/非平面語義分割和平面參數(shù)解碼，使用均值漂移聚類算法對(duì)嵌入向量解碼進(jìn)行聚類，得到平面實(shí)例分割結(jié)果。深度學(xué)習(xí)算法的網(wǎng)絡(luò)輸出為法線估計(jì)和實(shí)例分割。

2.3 損失函數(shù)

對(duì)平面/非平面分割解碼器，由于平面/非平面分割區(qū)域在人為環(huán)境下不平衡，因此采用式(1)所示的平衡交叉熵?fù)p失函數(shù)。

(1)

其中:F和B分別是前景(平面)和后景(非平面)像素點(diǎn)集;pi是第i個(gè)像素屬于前景的概率;ω是前景和后景像素點(diǎn)數(shù)的比值。

平面嵌入解碼器采用關(guān)聯(lián)嵌入的思想，為每個(gè)像素預(yù)測(cè)一個(gè)嵌入向量，采用式(2)中的判別損失函數(shù)，其中“拉”損失將每個(gè)嵌入拉到對(duì)應(yīng)實(shí)例的平均嵌入，而“推”損失將實(shí)例中心彼此推開，使同一平面實(shí)例中的像素比不同平面中的像素更接近。由于圖像中平面實(shí)例的數(shù)量不是先驗(yàn)已知的，采用均值漂移聚類算法將得到的嵌入向量分組成平面實(shí)例。標(biāo)準(zhǔn)均值漂移算法在每次迭代中對(duì)所有像素嵌入向量進(jìn)行兩兩距離計(jì)算，計(jì)算復(fù)雜度較大。為了解決實(shí)時(shí)性，PlanarReconstruction在聚類開始時(shí)過濾掉局部密度較低的錨點(diǎn)，并提出了均值漂移聚類的一個(gè)快速版本，只移動(dòng)嵌入空間中的少量錨點(diǎn)，并將每個(gè)像素分配給最近的錨點(diǎn)。聚類算法收斂后，形成聚類，每個(gè)聚類對(duì)應(yīng)一個(gè)平面實(shí)例，聚類中心是這個(gè)聚類中錨點(diǎn)的平均值。

LE=Lpull+Lpush。

(2)

其中：

(3)

(4)

其中:C是標(biāo)準(zhǔn)的聚類(平面)的數(shù)量;NC是每個(gè)聚類中元素的數(shù)量;xi是像素嵌入;μc是聚類C的平均嵌入;δv和δd分別是拉損失和推損失邊界。如果嵌入的像素是容易分離的，即類內(nèi)實(shí)例的距離大于δd或嵌入向量及其中心之間的距離小于δv,懲罰是零，否則懲罰將大幅增加。

平面參數(shù)分支推斷圖像每個(gè)像素點(diǎn)的平面參數(shù)，即點(diǎn)的法向量，使用式(5)中的L1損失即L1范數(shù)損失函數(shù)，也被稱為最小絕對(duì)值偏差，是目標(biāo)值與估計(jì)的絕對(duì)差值的均值。

(5)

已知同一平面上單位法線相等且滿足平面公式(6)。

nT·Q=1。

(6)

其中:n為平面法線，為單位法線矢量(M)除以平面偏距(d)，即n=M/d;Q為平面像素點(diǎn)3維坐標(biāo)。

由此先驗(yàn)知識(shí)，使用如式(7)所示損失函數(shù)，使同一平面實(shí)例上法線相等。

(7)

2.4 位姿解算

(8)

其中:α、β分別為繞x、y軸的轉(zhuǎn)動(dòng)角;[tx,ty,tz]T為平移矢量。

在相機(jī)坐標(biāo)系中，平面公式滿足式(9)。

nx·xc+ny·yc+nz·zc=1。

(9)

在理想針孔模型下，攝像機(jī)的成像模型齊次坐標(biāo)投影關(guān)系為：

(10)

其中：fx,fy為焦距；cx,cy為圖像中心與像素坐標(biāo)系原點(diǎn)像素偏差；R,T分別為旋轉(zhuǎn)矩陣和平移矩陣，M1,M2分別為攝像頭的內(nèi)參矩陣和外參矩陣；[uv]為像素坐標(biāo)系下坐標(biāo)點(diǎn)；[xcyczc]為相機(jī)坐標(biāo)系下坐標(biāo)點(diǎn)；[xwywzw]為世界坐標(biāo)系下坐標(biāo)點(diǎn)。

由式(10)和式(11)可得相機(jī)坐標(biāo)系下坐標(biāo)點(diǎn)為[xcyczc]。

(11)

聯(lián)立兩式解得:tx=x0；ty=y0；tz=z0；α=arcsin (ny)；β=arctan(-nx/nz)。代入式(8)可解得M2，得到平面的位姿。

3 實(shí)驗(yàn)

首先對(duì)平面重建網(wǎng)絡(luò)進(jìn)行復(fù)現(xiàn)和對(duì)比，在此基礎(chǔ)上選擇泛化性更好的平面重建網(wǎng)絡(luò)架構(gòu)。然后使用選定的平面重建網(wǎng)絡(luò)進(jìn)行平面實(shí)例分割和法線估計(jì)，在ScanNet數(shù)據(jù)集上對(duì)平面實(shí)例分割和法線估計(jì)的結(jié)果進(jìn)行量化分析和評(píng)估。最后在ScanNet數(shù)據(jù)集上對(duì)平面位姿估計(jì)的結(jié)果進(jìn)行對(duì)比分析，并在NYU數(shù)據(jù)集和平面位姿估計(jì)實(shí)驗(yàn)系統(tǒng)上進(jìn)行驗(yàn)證。使用PyTorch來實(shí)現(xiàn)本文的模型。服務(wù)器平臺(tái)配置：Intel(R) Core(TM) i7-7700K CPU@4.2GHz處理器，16 GB內(nèi)存，1T盤，8GB Geforce GTX 1070 GPU。

3.1 平面實(shí)例分割結(jié)果

平面重建網(wǎng)絡(luò)PlaneRCNN和PlanarReconstruction均使用ScanNet數(shù)據(jù)集進(jìn)行訓(xùn)練，并使用NYU數(shù)據(jù)集和用戶圖片對(duì)兩者的訓(xùn)練結(jié)果進(jìn)行測(cè)試，測(cè)后對(duì)比結(jié)果如圖5所示。由圖5可見，PlaneRCNN對(duì)小平面的檢測(cè)結(jié)果較好，但會(huì)誤識(shí)別多余的小平面。相比之下，PlanarReconstruction對(duì)小平面的檢測(cè)效果較差，但能夠檢測(cè)出較完整的平面，該網(wǎng)絡(luò)對(duì)平面實(shí)例的檢測(cè)具有更好的泛化性。因此本文嘗試在平面重建網(wǎng)絡(luò)PlanarReconstruction基礎(chǔ)上進(jìn)行平面位姿估計(jì)。

圖6為在ScanNet數(shù)據(jù)集上的平面實(shí)例分割結(jié)果，與真實(shí)平面實(shí)例分割相比，基本能得到數(shù)量和形狀一致的平面分割結(jié)果。平面召回率是正確預(yù)測(cè)標(biāo)準(zhǔn)平面的百分比，像素召回率是正確預(yù)測(cè)平面內(nèi)像素的百分比，因此，本文使用平面和像素召回率作為評(píng)價(jià)指標(biāo)。標(biāo)準(zhǔn)平面預(yù)測(cè)指標(biāo)：ⅰ)其中一個(gè)預(yù)測(cè)平面交并比(IOU，Intersection over Union)得分大于0.5；ⅱ)重疊區(qū)域平均深度差小于閾值，該閾值從0.05 m到0.60 m不等，增量為0.05 m，則認(rèn)為標(biāo)準(zhǔn)平面預(yù)測(cè)正確。實(shí)驗(yàn)中，通過該指標(biāo)進(jìn)行判定得到算法的平面和像素召回率，圖7為在ScanNet測(cè)試數(shù)據(jù)集上的平面召回率(藍(lán)色)和像素召回率(黑色)，可以看出測(cè)試集上平面召回率平均值為0.625，像素召回率平均值為0.773。

3.2 平面位姿檢測(cè)結(jié)果

法線估計(jì)的準(zhǔn)確性是平面位姿估計(jì)準(zhǔn)確率的關(guān)鍵因素。根據(jù)研究，平面法線召回率是正確預(yù)測(cè)標(biāo)準(zhǔn)平面法線的百分比，像素召回率是正確預(yù)測(cè)法線的平面內(nèi)像素的百分比。其中平面法線預(yù)測(cè)指標(biāo)為：ⅰ)其中一個(gè)預(yù)測(cè)平面交并比(IOU)得分大于0.5；ⅱ)預(yù)測(cè)法線與真實(shí)法線夾角小于閾值，該閾值從0到30°不等，增量為2.5°，則認(rèn)為平面法線預(yù)測(cè)正確。實(shí)驗(yàn)中，通過該指標(biāo)進(jìn)行判定，得到算法的平面和像素法線召回率。

如圖8為在ScanNet測(cè)試數(shù)據(jù)集上的平面法線召回率(藍(lán)色)和像素法線召回率(黑色),可以看出平面法線召回率平均值為0.414，像素法線召回率為0.328。

表1為在ScanNet測(cè)試數(shù)據(jù)集上的深度預(yù)測(cè)準(zhǔn)確率，其均方根誤差為0.039 m。由圖8和表1可以看出，相比平面實(shí)例分割效果，基于單圖像的平面法線預(yù)測(cè)精度還有較大提升空間。

表1 在ScanNet測(cè)試集上的深度預(yù)測(cè)準(zhǔn)確率Tab.1 Accuracy of depth prediction onScanNet test setAbs_RelSq_RelRMSERMSE_log0.096310.64020.03930.1239

使用位姿解算算法對(duì)平面實(shí)例分割和法線估計(jì)進(jìn)行位姿解算，在ScanNet數(shù)據(jù)集上的平面位姿估計(jì)結(jié)果如圖9所示。

其中：第2列為使用深度學(xué)習(xí)預(yù)測(cè)的平面實(shí)例分割和法線估計(jì)解算的平面位姿，第3列為使用數(shù)據(jù)集中真實(shí)平面實(shí)例分割和法線信息解算的平面位姿。圖9中，每個(gè)平面實(shí)例中心處均標(biāo)記解算得到的平面坐標(biāo)系，紅綠藍(lán)顏色的坐標(biāo)軸分別為x，y，z軸。本文采用的平面位姿估計(jì)計(jì)算法在簡(jiǎn)單場(chǎng)景下的位姿估計(jì)結(jié)果基本與真實(shí)值一致。

圖10為在用戶圖片和NYU數(shù)據(jù)集上的平面位姿檢測(cè)結(jié)果，可以看出位姿估計(jì)結(jié)果仍具有一定參考性。

實(shí)驗(yàn)中在ScanNet數(shù)據(jù)集上預(yù)測(cè)每張圖片平面位姿平均用時(shí)0.0545 s，實(shí)時(shí)性為18.5 f/s，基本滿足實(shí)時(shí)性要求。

4 結(jié)論

本文研究了基于深度學(xué)習(xí)的平面位姿檢測(cè)算法，采用編碼器-解碼器網(wǎng)絡(luò)從單個(gè)RGB圖像中檢測(cè)平面實(shí)例分割及法線信息，對(duì)每個(gè)平面進(jìn)行位姿解算，從而獲得其實(shí)時(shí)位姿。實(shí)驗(yàn)結(jié)果表明，在ScanNet測(cè)試數(shù)據(jù)集上的平面召回率為0.625，平面法線召回率為0.414，實(shí)時(shí)性為18.5 f/s。同樣在NYU和用戶自制的RGB圖上平面分割效果較好，但基于單圖像的平面法線預(yù)測(cè)準(zhǔn)確率較差，平面位姿估計(jì)效果有待提高。同時(shí)還表明，基于深度學(xué)習(xí)的RGB圖像平面位姿檢測(cè)方法是可行的，但平面檢測(cè)效果尤其是單圖像法線和深度估計(jì)的準(zhǔn)確率有待進(jìn)一步提升。未來改進(jìn)平面位姿檢測(cè)的工作應(yīng)該集中在研究更魯棒的實(shí)例分割和法線估計(jì)算法，嘗試多視圖、多傳感器融合等方法來提高平面位姿估計(jì)的準(zhǔn)確率。