李瑞龍，吳川*，朱明

（1.中國(guó)科學(xué)院 長(zhǎng)春光學(xué)精密機(jī)械與物理研究所，吉林 長(zhǎng)春130033；2.中國(guó)科學(xué)院大學(xué)，北京100049）

1 引 言

隨著自動(dòng)駕駛技術(shù)的發(fā)展，三維目標(biāo)檢測(cè)成為三維場(chǎng)景感知和理解的核心，是車(chē)輛與外界信息交互的重要渠道，從而實(shí)現(xiàn)車(chē)輛與周邊環(huán)境的信息交互，在自動(dòng)駕駛中扮演不可替代的作用［1］。其中，基于激光雷達(dá)點(diǎn)云的三維目標(biāo)檢測(cè)算法從點(diǎn)云數(shù)據(jù)精確的幾何形狀和特征信息預(yù)估三維邊界框和類(lèi)別，實(shí)現(xiàn)檢測(cè)目標(biāo)功能。激光雷達(dá)具有精度高、探測(cè)距離遠(yuǎn)、不受天氣光照影響、數(shù)據(jù)穩(wěn)定性強(qiáng)的優(yōu)點(diǎn)，基于點(diǎn)云的視覺(jué)感知技術(shù)也成為自動(dòng)駕駛的研究熱點(diǎn)，在三維目標(biāo)檢測(cè)中占主導(dǎo)地位。

點(diǎn)云是目標(biāo)表面特性的海量點(diǎn)的集合，包含目標(biāo)場(chǎng)景的立體坐標(biāo)信息、反射強(qiáng)度、法向量、局部稠密度和局部曲率等特征。由于點(diǎn)云在空間中離散分布，因此具有稀疏性且分布不均的特點(diǎn)［2］，不能直接運(yùn)用處理圖像的方式處理點(diǎn)云數(shù)據(jù)，也無(wú)法利用傳統(tǒng)算法獲取點(diǎn)云豐富的結(jié)構(gòu)信息和空間語(yǔ)義信息。隨著深度學(xué)習(xí)在處理點(diǎn)云方面取得突破性進(jìn)展，現(xiàn)已發(fā)展出很多基于深度學(xué)習(xí)的三維目標(biāo)檢測(cè)方向，主要分為基于點(diǎn)云的方法和基于體素的方法。

PointNet［3］直接使用點(diǎn)云作為輸入，利用卷積神經(jīng)網(wǎng)絡(luò)有效解決無(wú)序點(diǎn)云特征建模問(wèn)題。使用空間變換矩陣預(yù)測(cè)網(wǎng)絡(luò)學(xué)習(xí)原始三維點(diǎn)云的空間分布特性，將具有同一特征的三維點(diǎn)云對(duì)齊后送入多層感知機(jī)提取特征。但是在點(diǎn)云數(shù)據(jù)稀疏時(shí)，目標(biāo)主干點(diǎn)的點(diǎn)云缺失導(dǎo)致無(wú)法準(zhǔn)確提取全局特征，魯棒性效果較差。PointNet++［4］根據(jù)CNN多層感受野思想，設(shè)置不同的鄰域搜索半徑（Ball Query），使用PointNet提取不同尺度范圍的點(diǎn)云特征，再使用多層感知機(jī)生成全局特征，最終實(shí)現(xiàn)點(diǎn)級(jí)特征分類(lèi)。PointNet++在點(diǎn)云語(yǔ)義分割任務(wù)上效果較好，但其鄰域搜索復(fù)雜度較高，無(wú)法實(shí)時(shí)處理。PointNet及PointNet++實(shí)現(xiàn)了對(duì)點(diǎn)云的處理與特征提取，在后續(xù)算法中得到了廣泛的應(yīng)用。

PointRCNN［5］算法使用原始點(diǎn)云作為輸入，在第一階段，使用PointNet++逐點(diǎn)提取特征向量，將點(diǎn)云分類(lèi)為前景和背景，再使用多層感知機(jī)根據(jù)每個(gè)前景點(diǎn)的特征向量生成3D檢測(cè)框。在第二階段，將語(yǔ)義特征和局部空間特征結(jié)合對(duì)檢測(cè)框進(jìn)行優(yōu)化。STD［6］（Sparse-to-Dense 3D Object Detector for Point Cloud）在第一階段使用PointsPool將內(nèi)部點(diǎn)特征從稀疏表達(dá)轉(zhuǎn)換為致密表示，在每個(gè)點(diǎn)上使用球形錨框生成準(zhǔn)確的三維檢測(cè)框。在第二階段通過(guò)IoU分支回歸邊界框。結(jié)果顯示，STD在精度和速度方面均優(yōu)于PointRCNN。

三維點(diǎn)云空間劃分成的立方體稱(chēng)為體素，體素能有效表示點(diǎn)云空間。Voxelnet［7］將點(diǎn)云劃分為等間距的規(guī)則體素，使用VFE層（Voxel feature encoder）將每個(gè)體素內(nèi)的點(diǎn)的特征量化統(tǒng)一，再采用3D卷積神經(jīng)網(wǎng)絡(luò)提取點(diǎn)云特征信息，最終使用RPN網(wǎng)絡(luò)生成檢測(cè)框，實(shí)現(xiàn)端到端訓(xùn)練。

PointPillars［8］網(wǎng)絡(luò)通過(guò)在鳥(niǎo)瞰圖（Bird’s Eye View，BEV）上劃分網(wǎng)格，實(shí)現(xiàn)立柱形式的體素的劃分。通過(guò)立柱的劃分，將三維點(diǎn)云空間降維生成鳥(niǎo)瞰圖，借鑒成熟的二維圖像卷積網(wǎng)絡(luò)進(jìn)行特征提取和邊界框回歸，實(shí)現(xiàn)端到端的訓(xùn)練，最終實(shí)現(xiàn)62 Hz的運(yùn)行速度。Voxel R-CNN［9］算法由3D骨干網(wǎng)、2D鳥(niǎo)瞰圖區(qū)域提議網(wǎng)絡(luò)和SSD檢測(cè)頭組成，利用體素聚合模塊直接從體素特征中提取三維特征，算法檢測(cè)速度較慢。

在三維目標(biāo)檢測(cè)算法中，點(diǎn)表示的方法可以保留點(diǎn)云精確位置，算法精度高，但將點(diǎn)云直接作為輸入的計(jì)算量較大?；隗w素劃分的方法具有速度優(yōu)勢(shì)，但體素的劃分會(huì)導(dǎo)致三維特征信息丟失，影響檢測(cè)精度。

兩種點(diǎn)云表示方法各有優(yōu)缺點(diǎn)。本文將點(diǎn)云和體素兩種數(shù)據(jù)表示方法結(jié)合使用，通過(guò)對(duì)體素化的點(diǎn)云數(shù)據(jù)進(jìn)行處理保證運(yùn)行速度，同時(shí)結(jié)合點(diǎn)表示的方法聚合點(diǎn)云特征保證準(zhǔn)確率，實(shí)現(xiàn)了速度與準(zhǔn)確率的平衡。

2 基于體素的三維目標(biāo)檢測(cè)

本文提出的Pillar RCNN（Pillar Region withCNN feature）由3個(gè)核心模塊組成：（1）基于稀疏卷積的3D主干網(wǎng)絡(luò)；（2）2D主干網(wǎng)絡(luò)和RPN（Region Proposal Network）模塊；（3）體素RoI多尺度特征聚合模塊。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 Pillar RCNN框架圖Fig.1 Framework of Pillar RCNN

根據(jù)點(diǎn)云場(chǎng)景比較稀疏的特點(diǎn)，本文重新設(shè)計(jì)了三維子流形稀疏卷積骨干網(wǎng)絡(luò)，快速將體素下采樣為立柱形式，生成致密的二維鳥(niǎo)瞰圖信息。再使用PointNet++提取鄰域體素的點(diǎn)云特征，利用聚合模塊對(duì)二維鳥(niǎo)瞰圖的特征和鄰域體素特征進(jìn)行級(jí)聯(lián)，進(jìn)行三維邊界框進(jìn)一步的回歸細(xì)化。

2.1 點(diǎn)云數(shù)據(jù)預(yù)處理及體素化

三維空間內(nèi)點(diǎn)云具有無(wú)序性。首先將場(chǎng)景空間內(nèi)劃分為立體體素。對(duì)于點(diǎn)云數(shù)據(jù)，以車(chē)輛前進(jìn)方向?yàn)閄軸，左右方向?yàn)閅軸，垂直于X-Y平面的方向?yàn)閆軸［10］，設(shè)檢測(cè)目標(biāo)場(chǎng)景在3個(gè)軸上范圍區(qū)間為L(zhǎng)，單位為m，取LX×LY×LZ=[0，70.4]×[-40，40]×[-3，1]，體素大小為rX×rY×rZ=0.05 m×0.05 m×0.1 m，得到目標(biāo)場(chǎng)景為1 408×1 600×40個(gè)初始體素。非空體素內(nèi)隨機(jī)采樣5個(gè)點(diǎn)來(lái)代表體素，若點(diǎn)云數(shù)量不足5個(gè)則重復(fù)采樣，初始特征取三維坐標(biāo)（x，y，z）及反射率rr。體素的尺寸大小直接影響算法運(yùn)行速度，其中非空體素僅占檢測(cè)空間的5%～10%。因?yàn)榇罅坎话c(diǎn)云的體素的存在，體素的稀疏性較強(qiáng)，傳統(tǒng)的三維卷積網(wǎng)絡(luò)遍歷體素空間會(huì)極大降低模型推理速度，占用大量?jī)?nèi)存，這既浪費(fèi)了計(jì)算資源，也浪費(fèi)了內(nèi)存資源。為克服密集卷積的缺點(diǎn)，本文使用三維稀疏卷積提取體素內(nèi)點(diǎn)云特征。

2.2 基于稀疏卷積三維主干網(wǎng)絡(luò)

為加速普通三維卷積運(yùn)行速度在S3D-CNN［11］（Sparse 3D Convolutional Neural Network）網(wǎng)絡(luò)中使用三維稀疏卷積層進(jìn)行加速運(yùn)算。三維稀疏卷積層遵循如果沒(méi)有相關(guān)的輸入點(diǎn)，則不計(jì)算輸出點(diǎn)的原則。本文采用三維稀疏卷積對(duì)體素?cái)?shù)據(jù)進(jìn)行卷積運(yùn)算，卷積范圍內(nèi)無(wú)點(diǎn)云的體素不進(jìn)行計(jì)算，在加速運(yùn)算的同時(shí)減小內(nèi)存占用。然而，由于存在大量活動(dòng)點(diǎn)，如有數(shù)據(jù)體素相鄰區(qū)域的無(wú)數(shù)據(jù)的體素，以該體素為卷積中心，經(jīng)過(guò)卷積運(yùn)算后仍會(huì)有輸出，導(dǎo)致輸出稀疏度高于輸入稀疏度，后續(xù)卷積層的速度降低。如圖2（a）所示，左圖經(jīng)過(guò)多層三維稀疏卷積后，在中間和右圖的輸出數(shù)據(jù)量逐漸增加。Graham提出子流形三維稀疏卷積［12］，在輸入位置處于有數(shù)據(jù)狀態(tài)時(shí)，對(duì)應(yīng)輸出位置進(jìn)行卷積計(jì)算。經(jīng)過(guò)子流形稀疏卷積后，稀疏性不變，如圖2（b）所示，對(duì)左圖進(jìn)行子流形三維稀疏卷積后，中間和右圖輸出數(shù)據(jù)大小不變。

圖2 三維稀疏卷積（a）和子流形稀疏卷積（b）運(yùn)算示意圖Fig.2 Sample images of sparse 3D convolutional（a）and submanifold 3D sparse convolutional（b）

本文設(shè)計(jì)了一個(gè)主要由兩種稀疏三維卷積網(wǎng)絡(luò)組成的三維骨干網(wǎng)絡(luò)。兩種類(lèi)型的稀疏卷積塊由稀疏三維卷積塊和子流形稀疏三維卷積塊組成。在三維卷積模塊中，稀疏卷積中步長(zhǎng)為2，負(fù)責(zé)將三維體素進(jìn)行下采樣，降低三維分辨率。這種稀疏卷積操作會(huì)降低數(shù)據(jù)的稀疏性，但可以提取更加豐富的結(jié)構(gòu)特征，同時(shí)經(jīng)過(guò)子流形稀疏卷積后，數(shù)據(jù)的稀疏性保持不變。子流形稀疏卷積中步長(zhǎng)為1。兩種稀疏卷積模塊后均使用BN和ReLU層，實(shí)現(xiàn)數(shù)據(jù)的歸一化，加快學(xué)習(xí)速度。最終初始體素維度逐步下采樣至150×200×1，快速實(shí)現(xiàn)立柱形式的體素。

2.3 鳥(niǎo)瞰圖目標(biāo)檢測(cè)主干網(wǎng)絡(luò)

三維骨干網(wǎng)將體素化的點(diǎn)云信息逐漸轉(zhuǎn)換為特征體塊，然后將輸出張量沿Z軸疊加生成鳥(niǎo)瞰圖特征映射。二維主干網(wǎng)由3部分組成：兩個(gè)標(biāo)準(zhǔn)4層3×3特征提取子網(wǎng)絡(luò)和一個(gè)多尺度特征融合子網(wǎng)絡(luò)，在每個(gè)卷積層后進(jìn)行BN和ReLU運(yùn)算。第一個(gè)特征提取模塊的X、Y軸上分辨率與3D骨干網(wǎng)輸出分辨率相同，第二個(gè)特征提取模塊分辨率為上一模塊的1/2，最后多尺度特征融合子網(wǎng)絡(luò)將兩模塊的特征進(jìn)行融合，構(gòu)建高分辨率的特征圖。最后將二維主干網(wǎng)的輸出與RPN中1×1卷積層進(jìn)行卷積，生成三維目標(biāo)預(yù)測(cè)框和預(yù)測(cè)類(lèi)別。

2.4 多尺度體素特征聚合模塊

為了更好地從三維體素空間內(nèi)聚合空間上下文信息，提高算法準(zhǔn)確率，使用多尺度體素RoI特征聚合模塊，如圖3所示。將稀疏的三維體塊表示為一組非空體素中心點(diǎn)及對(duì)應(yīng)的特征向量，體素中心坐標(biāo)通過(guò)位置索引、體素邊界計(jì)算得來(lái)。與無(wú)序的點(diǎn)云相比，體素在量化空間中有規(guī)律地排列，方便查詢(xún)相鄰體素，例如查詢(xún)26臨近體素可以通過(guò)索引值偏移{(οx(chóng)，οy，οz)，οx(chóng)，οy，οz?[-1，0，1]}得到。在體素查詢(xún)中采用曼哈頓距離Dα，β計(jì)算相鄰體素α=(iα，jα，kα)，β=(iβ，jβ，kβ)的距離：

圖3 多尺度體素RoI聚合模塊二維示意圖Fig.3 2D diagram of multi-scale voxel RoI aggregation module

區(qū)域推薦網(wǎng)絡(luò)RPN生成的三維檢測(cè)框劃分為6×6×6子體素網(wǎng)格，每個(gè)子體素網(wǎng)格使用中心點(diǎn)為索引，體素RoI特征聚合模塊將子體素鄰近體素的特征整合到網(wǎng)格點(diǎn)中進(jìn)行特征提取，沒(méi)有直接使用最大池化層（Max Pooling）簡(jiǎn)單聚合相鄰體素的特征，而是使用PointNet模塊將鄰域體素聚合為：

vi-gi為一個(gè)相鄰體素的位置關(guān)系，?i為vi點(diǎn)代表的鄰域體素經(jīng)過(guò)PointNet模塊得到的體素特征，Ψ(·)表示多層感知機(jī)。最后再使用最大池化層（Max Pooling）或平均池化層（Average pooling）處理多層感知機(jī)輸出的特征。最大池化層能夠減小由卷積層參數(shù)誤差造成的均值偏移，更好地保留紋理信息，效果較好。鄰域內(nèi)每個(gè)體素重復(fù)上述過(guò)程。利用體素RoI聚合模塊，在每個(gè)從3D骨干網(wǎng)的最后兩個(gè)階段的體素中提取體素特征。每個(gè)階段設(shè)置兩個(gè)曼哈頓距離閾值對(duì)多尺度的體素進(jìn)行分組。將從不同階段和尺度匯集的特征進(jìn)行拼接，得到體素RoI特征進(jìn)行邊界框的精細(xì)回歸。

本文將兩種池化層對(duì)特征提取模塊的影響進(jìn)行對(duì)比實(shí)驗(yàn)（表1），發(fā)現(xiàn)最大池化層效果較好，故后文均采用最大池化層。檢測(cè)模塊將多尺度體素RoI特征作為輸入。首先使用2個(gè)多層感知機(jī)將RoI特征轉(zhuǎn)換為特征向量，再分別送入邊界框回歸分支和置信度預(yù)測(cè)分支。邊界框回歸分支預(yù)測(cè)三維檢測(cè)框與目標(biāo)真值框的偏差，置信度預(yù)測(cè)分支預(yù)測(cè)三維檢測(cè)框分?jǐn)?shù)，得到最終檢測(cè)輸出。

表1 最大池化層和平均池化層在3D目標(biāo)檢測(cè)上汽車(chē)類(lèi)目標(biāo)AP40精度對(duì)比Tab.1 Accuracy comparison of max pooling layer and average pooling layer in 3D object detection of car AP40 （%）

2.5 參數(shù)設(shè)置

參數(shù)設(shè)置中汽車(chē)的檢測(cè)框設(shè)置為[3.9×1.6×1.56]，行 人 檢 測(cè) 框 設(shè) 置[0.8×0.6×1.73]，自行車(chē)檢測(cè)框設(shè)置大小為[1.76×0.6×1.73]。初始學(xué)習(xí)率為0.01，區(qū)域推薦網(wǎng)絡(luò)中使用非極大值抑制（NMS），IoU閾值為0.7，保留100個(gè)檢測(cè)區(qū)域作為檢測(cè)頭的輸入。在檢測(cè)階段，再次應(yīng)用NMS，IoU閾值為0.1，去除冗余預(yù)測(cè)。本文對(duì)多尺度體素RoI模塊設(shè)置在三維骨干網(wǎng)絡(luò)的最后的模塊3和模塊4上不同作用鄰域閾值進(jìn)行實(shí)驗(yàn)。經(jīng)過(guò)實(shí)驗(yàn)對(duì)比，在三維骨干最后兩模塊中曼哈頓距離閾值均設(shè)置為［1，2］、［2，4］。不同鄰域閾值對(duì)多尺度RoI特征聚合模塊在3D目標(biāo)檢測(cè)上汽車(chē)類(lèi)AP40效果對(duì)比如表2所示。

表2 不同鄰域閾值對(duì)多尺度RoI特征聚合模塊在3D目標(biāo)檢測(cè)上汽車(chē)類(lèi)AP40效果對(duì)比Tab.2 Comparison of car AP40 effects of different neighborhood thresholds on multi-scale ROI feature aggregation module in 3D object detection（%）

3 損失函數(shù)設(shè)計(jì)

根據(jù)KITTI數(shù)據(jù)集目標(biāo)框標(biāo)注信息，可以將目標(biāo)量化為Gb=(xb，yb，zb，lb，wb，hb，θb)的七維向量，(xb，yb，zb)為 目標(biāo)框中 心 坐標(biāo)，(lb，wb，hb)為目標(biāo)框的長(zhǎng)寬高，θb代表目標(biāo)框在鳥(niǎo)瞰圖上繞Z軸的旋轉(zhuǎn)角度。在訓(xùn)練階段，檢測(cè)框也量化為Gpred=(xpred，ypred，zpred，lpred，wpred，hpred，θpred)七維向量，參數(shù)意義與目標(biāo)真值框意義相同，針對(duì)類(lèi)別為汽車(chē)的目標(biāo)，真實(shí)框與檢測(cè)框IoU閾值大于0.6的視為前景目標(biāo)框，小于0.45視為背景目標(biāo)框，介于0.45～0.6之間視為無(wú)效框，對(duì)網(wǎng)絡(luò)學(xué)習(xí)無(wú)貢獻(xiàn)。針對(duì)行人和騎自行車(chē)的人，閾值選擇為0.35和0.5。目標(biāo)真值框與前景目標(biāo)預(yù)測(cè)框可以編碼為：

3.1 RPN損失函數(shù)

根據(jù)邊界框的分類(lèi)設(shè)計(jì)RPN損失函數(shù)：

式中Npost為前景目標(biāo)框的數(shù)量，和為分類(lèi)和目標(biāo)框回歸分支的輸出，和為真值框分類(lèi)標(biāo)簽和目標(biāo)框。由于數(shù)據(jù)集中的正負(fù)樣本比例失衡，雖然網(wǎng)絡(luò)采用數(shù)據(jù)增強(qiáng)方法擴(kuò)展了正樣本，但與檢測(cè)框相比比例仍不平衡。類(lèi)別分類(lèi)采用Focal loss［13］分類(lèi)交叉熵?fù)p失解決類(lèi)別不平衡分布問(wèn)題，具體如式（5）所示：

式中：α為平衡因子，γ為調(diào)整因子，ppred為分類(lèi)預(yù)測(cè)值。實(shí)驗(yàn)中取值α=0.25，γ=2?；貧w目標(biāo)邊界框時(shí)采用Huber Loss，增強(qiáng)對(duì)預(yù)測(cè)邊框回歸的魯棒性。當(dāng)預(yù)測(cè)偏差小于δ時(shí)，采用平方誤差；當(dāng)預(yù)測(cè)偏差大于δ時(shí)，采用線性誤差。公式如式（6）所示：

3.2 預(yù)測(cè)損失

檢測(cè)分支得到前景目標(biāo)框與真值框進(jìn)行IoU操作后，得到檢測(cè)框與真值框的交并比。檢測(cè)分支的損失函數(shù)如式（7）所示：

式中IoUi為與真值框?qū)?yīng)第i個(gè)前景框的IoU，θH和θL分 別 為 前 景IoU閾 值 和 背 景IoU閾 值。本文采用二元交叉熵?fù)p失進(jìn)行置信度預(yù)測(cè)，回歸損失為Huber Loss。最終損失函數(shù)為：

式中Ns為訓(xùn)練階段采樣的錨框個(gè)數(shù)，L(IoUi≥θreg)表示只計(jì)算IoUi≥θreg的區(qū)域提案才會(huì)導(dǎo)致回歸損失，θreg取0.55。

4 實(shí)驗(yàn)過(guò)程

本文使用KITTI數(shù)據(jù)集評(píng)估Pillar RCNN在汽車(chē)、行人和自行車(chē)上3D目標(biāo)檢測(cè)和BEV目標(biāo)檢測(cè)任務(wù)的性能。KITTI［14］數(shù)據(jù)集的點(diǎn)云數(shù)據(jù)通過(guò)VelodyneHDL-64E機(jī)械式旋轉(zhuǎn)激光雷達(dá)采集。考慮到目標(biāo)的大小、遮擋和截?cái)啵總€(gè)類(lèi)的對(duì)象被劃分為3個(gè)不同的難度級(jí)別：容易、中等和困難。本文將7 481個(gè)樣本分為包含3 712個(gè)樣本的子訓(xùn)練集和包含3 769個(gè)樣本的子驗(yàn)證集，遵循KITTI的官方評(píng)估協(xié)議，對(duì)3D物體檢測(cè)和BEV物體檢測(cè)進(jìn)行評(píng)估，汽車(chē)的IoU閾值為0.7，行人和騎自行車(chē)的人的IoU閾值為0.5，平均精度（AP）的計(jì)算作為性能衡量。

4.1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)環(huán)境操作系統(tǒng)為Ubuntu18.04，硬件顯卡型號(hào)為NVIDIA 2080Ti，Intel（R）CoreTMi9-9900K CPU@3.60 GHz。實(shí)驗(yàn)程序基于Pytorch1.3框架編寫(xiě)，Python環(huán)境為3.6。

4.2 數(shù)據(jù)增強(qiáng)

本文通過(guò)數(shù)據(jù)增強(qiáng)策略生成更多的目標(biāo)樣本訓(xùn)練模型。首先根據(jù)SECOND［15］中的方法，從訓(xùn)練數(shù)據(jù)集中收集目標(biāo)樣例，包括標(biāo)簽、三維真值框和框內(nèi)的點(diǎn)云。對(duì)于子訓(xùn)練集中的場(chǎng)景，隨機(jī)選 取其他場(chǎng)景15、10、10個(gè)汽車(chē)、行人和騎自行車(chē)的人的數(shù)據(jù)，融合到訓(xùn)練數(shù)據(jù)中。同時(shí)，所有的目標(biāo)真值框和相應(yīng)的點(diǎn)云分別圍繞Z軸旋轉(zhuǎn)，并沿著X、Y、Z軸平移，旋轉(zhuǎn)角度沿φ[-π20，π 20]均勻分布，平移量服從高斯分布μ[0，0.25]。如果背景點(diǎn)與目標(biāo)三維真值框沖突，移除背景點(diǎn)。最后整體場(chǎng)景隨機(jī)全局旋轉(zhuǎn)，旋轉(zhuǎn)量服從φ[-π 4，π 4]均勻分布，沿X、Y、Z軸按照高斯分布μ[0，0.2]隨機(jī)全局平移，按照φ[0.95，1.05]均勻分布隨機(jī)縮放。

5 實(shí)驗(yàn)結(jié)果分析

Pillar RCNN在KITTI訓(xùn)練數(shù)據(jù)集訓(xùn)練120個(gè)epoch，在驗(yàn)證集進(jìn)行自動(dòng)評(píng)估，采用平均精度（AP11）進(jìn)行比較，實(shí)驗(yàn)結(jié)果如圖4所示，檢測(cè)結(jié)果投影到對(duì)應(yīng)圖像和點(diǎn)云中。

圖4 三維檢測(cè)效果在圖像和點(diǎn)云中的投影圖Fig.4 Projection of 3D detection effects in images and point clouds

實(shí)驗(yàn)結(jié)果通過(guò)與基于雷達(dá)數(shù)據(jù)的PointPillars、PIXOR［16］、VoxelNet、SECOND、Voxel R-CNN

和基于點(diǎn)云和圖像融合的MV3D［17］等經(jīng)典網(wǎng)絡(luò)進(jìn)行對(duì)比（上述網(wǎng)絡(luò)性能來(lái)自文獻(xiàn)），最終在三維檢測(cè)和鳥(niǎo)瞰圖上的實(shí)驗(yàn)結(jié)果如表3、表4所示。

表3 KITTI測(cè)試數(shù)據(jù)集3D目標(biāo)AP11精度對(duì)比Tab.3 Performance comparison on the KITTI test set with AP calculated by 11 recall positions of 3D object（%）

表4 KITTI測(cè)試數(shù)據(jù)集BE V目標(biāo)AP11精度對(duì)比Tab.4 Performance comparison on the KITTI test set with AP calculated by 11 recall positions of BEV object（%）

Pillar RCNN在3D目標(biāo)檢測(cè)上效果較好，在檢測(cè)精度和速度上取得了較好的平衡。3D目標(biāo)檢測(cè)經(jīng)過(guò)體素RoI特征模塊匹配，相較于PointPillars檢測(cè)性能在3個(gè)類(lèi)別上均實(shí)現(xiàn)了明顯提升，其中自行車(chē)和汽車(chē)兩種類(lèi)別的3D檢測(cè)類(lèi)別提升效果明顯，自行車(chē)類(lèi)的中等難度提升13.34%，汽車(chē)類(lèi)別中困難難度提升了8.85%。在汽車(chē)類(lèi)別上檢測(cè)精度在Voxel R-CNN上效果較好，中等難度比Pillar RCNN高0.91%。表3為3D目標(biāo)檢測(cè)的AP11精度對(duì)比。Pillar RCNN在各項(xiàng)檢測(cè)任務(wù)上相較于其他網(wǎng)絡(luò)均有不錯(cuò)的提升，算法實(shí)時(shí)性與性能取得平衡。但PointPillars在檢測(cè)速度上具有明顯優(yōu)勢(shì)。PointPillars在劃分體素階段直接把檢測(cè)空間劃分為立柱形式的體素，沒(méi)有使用三維卷積和體素RoI模塊，且PointPillars經(jīng)過(guò)NVIDIA TensorRT模塊加速，算法速度優(yōu)勢(shì)明顯。TensorRT加速模塊不支持稀疏卷積，但在Pytorch原始框架測(cè)試Pillar RCNN仍取得了40.3 Hz的檢測(cè)速度，驗(yàn)證了Pillar RCNN算法的性能。

Pillar RCNN在目標(biāo)檢測(cè)上對(duì)于大目標(biāo)檢測(cè)效果較好，對(duì)行人類(lèi)別檢測(cè)效果不具有優(yōu)勢(shì)。因?yàn)樵O(shè)置體素尺寸較大，經(jīng)過(guò)三維骨干網(wǎng)絡(luò)8倍下采樣，行人目標(biāo)區(qū)域在致密的二維空間中占不超過(guò)兩個(gè)像素點(diǎn)，目標(biāo)較小，因此在目標(biāo)檢測(cè)中對(duì)于行人等小目標(biāo)檢測(cè)效果較一般。

6 結(jié) 論

本文研究了基于立柱體素三維目標(biāo)檢測(cè)算法在點(diǎn)云場(chǎng)景中的應(yīng)用。針對(duì)點(diǎn)云稀疏性，重新設(shè)計(jì)了稀疏三維卷積主干網(wǎng)絡(luò)提取特征，能夠快速將三維體素量化為二維致密區(qū)域特征，同時(shí)避免了直接劃分立柱體素丟失三維空間信息的缺點(diǎn)。經(jīng)過(guò)多尺度體素RoI特征聚合模塊實(shí)現(xiàn)特征融合后，進(jìn)一步細(xì)化邊界框檢測(cè)三維目標(biāo)，提高了檢測(cè)精度。Pillar RCNN使用稀疏卷積降低傳統(tǒng)三維卷積的計(jì)算冗余，提高了算法檢測(cè)性能。在KITTI數(shù)據(jù)集上的實(shí)驗(yàn)表明，Pillar RCNN實(shí)現(xiàn)了速度與檢測(cè)精度之間的平衡，在3D目標(biāo)檢測(cè)任務(wù)上進(jìn)一步提升了三維檢測(cè)算法性能。