本文由林大佬原创，转载请注明出处，来自腾讯、阿里等一线AI算法工程师组成的QQ交流群欢迎你的加入: 1037662480

这篇教程是一个新纪元，如果你还没有学完目标检测从入门到精通，不妨可以关注一下我们的专栏，职业输送高科技干货知识，关注这一个专栏你便可以掌握所有AI以及机器人相关的知识。如果你目标检测已经觉得自己牛逼到了极点，那接下来可以来挑战下一个任务，进行单目的3D目标检测。

如果你不知道Tesla是什么，进入官网http://tesla.cn了解一下，听说最近马斯克把FSD涨价一千美元了，声称FSD的价值高达数十万美元，这一涨价一台iPhone没了，工资没怎么长，要买的东西疯了似的涨。没办法，虽然国情就如此呢，既然你涨那么猛，不如我们来模仿一下你的核心技术，FSD最牛逼的是啥？不外乎是基于摄像头的一整套自动驾驶系统。今天我们要做的，就是用一个超级简单的模型，来做一个3D的单目目标检测模型。

在这个教程里面，涉及到的东西比较多，比如：

• 摄像头的投影矩阵，位姿变换；
• 基于关键点热力图的预测模型；
• 3D世界坐标系与摄像头坐标系的转换；
• 摄像头坐标系与像素点的转换；
• 摄像头内参外参的概念；
• 必要的深度学习知识。

讲了这么多，先来看看我们要实现的单目3D检测的效果把：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-hYP417bb-1590138365079)(https://i.loli.net/2020/05/21/eWlfXiJkRL2V4vG.gif)]

我们实现将构建在smoke之上。在smoke之前，其实也有很多尝试使用单目进行3d检测的网络模型，比如CenterNet3D，比如RTM3D等，最新smoke似乎表现出了最好的性能，实测下来在速度和精度上都有一个不错的均衡。

smoke我们有一个fork的版本，在这上面我们做的改进主要有：

• 原始版本只能从dataloader里面做inference，我们实现了只需要输入一张image，就可以将3D框预测出来并visualize；
• 原始的版本有着各种各样的路径bug，而现在你可以传入一个KITTI的video sequence path，就可以直接对这个video进行预测，所有的内参外参都自动帮你处理；
• 原始的版本依赖于DLA，我们尝试修改了不同的骨干网络，实验发现，更轻量的网络可以在更小的计算量下获得差不多的性能。
• 我们探索了模型在wild数据上的效果，比如我们从网上找的交通场景的3D检测方法（当然前提是你得知道摄像头的内参），具体实验结果我们也在我们的fork版本中有提供。

BTW，smoke这篇论文应该是纵目科技做的。

从模型层面来说，背后idea也很简单，通过前置的网络得到一系列的热力图，对这些热力图进行分类和定位，这里和centernet或者说其他模型不同的地方就在于，回归的不是4个点，而是6个点。包含哪6个点？

whl
xyz

其实就是定义物体的尺寸和位置。事实上仅有这些还是不够的，因为如果你是一个空间的自由物体，你会有俯仰，还有侧倾，因此真正定义一个物体的姿态是需要在加上3个自由度的，事实上，在大多数情况下，我们的汽车不太可能在水平上面上进行翻转，包括人也是。因此我们在加上一个水平上的转向角就够了。

这就构成了我们用单目进行3D检测的解决方案。

在我们fork的版本的代码中，有一段这样的定义：

class KittiSmokeDetectionInfo(object):
    def __init__(self, line):
        '''
        [ 0.0000000e+00  1.6826042e+00  4.7441586e+02  1.8074373e+02
   5.3575635e+02  2.2734413e+02  1.4526575e+00  1.6065563e+00
   3.7408915e+00 -6.1363697e+00 -2.0827448e-01  3.2981182e+01
   1.4986509e+00  6.4066571e-01]
        '''
        self.name = line[0]

        # self.truncation = float(line[1])
        # self.occlusion = int(line[2])

        # local orientation = alpha + pi/2
        self.alpha = float(line[1])

        # in pixel coordinate
        self.xmin = float(line[2])
        self.ymin = float(line[3])
        self.xmax = float(line[4])
        self.ymax = float(line[5])

        # height, weigh, length in object coordinate, meter
        self.h = float(line[6])
        self.w = float(line[7])
        self.l = float(line[8])

        # x, y, z in camera coordinate, meter
        self.tx = float(line[9])
        self.ty = float(line[10])
        self.tz = float(line[11])

        # global orientation [-pi, pi]
        self.rot_global = float(line[12])

这其实就是将smoke模型里面的每个index的值的定义进行了分配，这方便与我们后面拿取其中的数值进行推理和可视化。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-d2muebeJ-1590138365082)(https://i.loli.net/2020/05/22/GCZOExXNaSeT5oM.png)]

论文效果显示，其精确度远超现有的单目3D检测方法，包括Centernet，实际上预测效果也不错。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-S9NPcDtV-1590138365083)(https://i.loli.net/2020/05/22/z1rmVGWyNbUajS6.gif)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-sQrDoZs8-1590138365085)(https://s1.ax1x.com/2020/05/22/YLxQaT.gif)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XuUhTzOc-1590138365087)(https://i.loli.net/2020/05/22/zL1iBmP8gMT5K4h.png)]

单目3D检测有一个很直接的问题，训练出来的模型是否和摄像机的外参数有关？事实上，通常情况下，我们在做一个单目3D模型的时候，会使用一个固定的摄像机内参，典型的例子如Centernet3D，这种训练出来的模型只能在固定的场景下用，如果你换一个摄像机，或者你自己有一个摄像机，知道内参，然后随便拍一张照片或者录制一段驾驶视频，预测出来的结果应该是不准的。

在smoke模型训练的时候，需要提供的参数包括：

• 标注的物体长宽高，在真实3D环境下的物体尺寸，单位是m；
• 摄像头的内参，其实这个内参主要是将物体的中心点位置，映射到摄像机的坐标系下；
• 物体的中心点位置；
• 物体的航向角。

这里需要注意的是，实际上我们并不需要更多的角度自由度，只需要一个Y轴的转向角即可，这个我们将用来估算3Dbox的转向姿态。

在我们的fork代码中，你可以只输入一张图片，就可以完成3D框的预测，使用我们预先设定好的内参。（注意，这么做是因为KITTI数据中大部分的摄像机内参差不多，我们测试了很多段视频，即便是互相使用内参，结果也差不多）。当然这只是映射到图片之后的效果，可能真实场景下的效果会不准，但是谁care呢，毕竟你深度不知道（此处需要毫米波雷达）。

 	data_f = args.data
    calib_f = args.calib_file
    if not calib_f:
        calib_f = os.path.join(os.path.dirname(
            os.path.dirname(data_f)), 'calib_cam_to_cam.txt')
    print('calib file: ', calib_f)

    # we have to load image sequence or image's intrinsics K first
    K = get_P_from_str(
        '7.215377e+02 0.000000e+00 6.095593e+02 4.485728e+01 0.000000e+00 7.215377e+02 1.728540e+02 2.163791e-01 0.000000e+00 0.000000e+00 1.000000e+00 2.745884e-03')
    K = K[:3, :3]
    calib = get_P_from_str('7.215377000000e+02 0.000000000000e+00 6.095593000000e+02 3.485728000000e+01 0.000000000000e+00 7.215377000000e+02 1.728540000000e+02 1.163791000000e-01 0.000000000000e+00 0.000000000000e+00 1.000000000000e+00 2.745884000000e-03')

    print('K: ', K)
    print('P: ', calib)

    if os.path.isdir(data_f):
        all_imgs = glob.glob(os.path.join(data_f, '*.png'))
        all_imgs = sorted(all_imgs)
        print(all_imgs[0])

        img = cv2.imread(all_imgs[0])
        videowriter = cv2.VideoWriter('res.mp4',  cv2.VideoWriter_fourcc(*'DIVX'), 25, (1242, 375))

        for img_f in all_imgs:
            # img = cv2.imread(img_f)
            img = Image.open(img_f)
            inn, target = prepare_data(img, cfg, K)
            # 开始预测

大家请注意，在KITTI中，testing和training的calib标注格式是一样的，你一般只需要拿到这个P。而在sequence的raw data里面，calib的标注格式和他们不同。

你需要拿到的也是这个P，但是K实际上P左上角的3x3的矩阵。也就是说P实际上是内参和外参的综合体。实际预测的时候我们拿到这个P就可以了，我们提供了方法抽取出内参K和calib矩阵。

尽管我们在视频上通过标定好的内外参数，准确的可视化了我们的3D检测结果，基本上证明了3D目标检测的可行性以及它的准确性，但还有几个问题值得我们深入思考：

• 模型真的是sensor independent的吗？假如我们有自己的数据集，用KITTI train的模型，是否也可以inference？
• 如果我们要train自己的data，我们如何去prepare我们的数据？需要用到Lidar吗？

对于这些问题的思考，欢迎来家来社区发帖，来探讨你的想法，如果你是专业做3D单目目标检测的，也欢迎假如我们的社群一起交流探讨，专业的单目3D目标检测交流微信群，添加微信 jintianandmerry 加入。

如果你想学习人工智能，对前沿的AI技术比较感兴趣，可以加入我们的知识星球，获取第一时间资讯，前沿学术动态，业界新闻等等！你的支持将会鼓励我们更频繁的创作，我们也会帮助你开启更深入的深度学习之旅！

最后本文用到的所有代码，在神力AI平台。地址：