地平线双目深度估计参考算法 StereoNetPlus 优化思路解读

【参考算法】地平线双目深度估计参考算法 StereoNetPlus-v1.2.1

1.引言

本文将介绍地平线基于公版的双目深度估计算法 StereoNet 做的优化设计。首先介绍了双目深度估计的原理以及双目点云和 Lidar 点云的对比，然后由公版 StereoNet 的介绍切入到地平线参考算法的针对性优化，最后对可视化结果进行了解读。

2.双目深度估计原理

2.1 基本假设

假设双目系统是标准形式，即：

• 两相机内参数相同，即焦距、分辨率等参数一致；
• 两相机光轴平行；
• 成像平面处于同一水平线；
  假设以左相机坐标系为主坐标系，也就是说两相机只存在 X 轴方向上的平移变换。

2.2 几何法

• P 是待测物体上的某一点，
• O_R 与 O_T 分别是两个相机的光心，
• p、p'：点 P 在两个相机感光器上的成像点，相机的成像平面经过旋转后放在了镜头前方
• f 为相机焦距，B 为两相机中心距，Z 为我们想求得的深度信息。
  

公式中，焦距 f 和摄像头中心距 B 可通过标定得到，因此，只要获得了视差 d=X_R−X_T，就可以计算出深度 Z。

视差是同一个场景在两个相机下成像的像素的位置偏差。

2.3 相机参数推导法
由基本假设可以可知，左右相机内参相等，且左右相机只存在 X 轴方向的平移运动。那么有：

相机模型和各种坐标系介绍：https://blog.csdn.net/qq_40918859/article/details/122271381

2.4 双目点云和激光雷达点云的比较

参考链接：https://www.zhihu.com/question/264726552

• 感知距离
  双目模型在近处比较有优势（几十米），在远处的时候类似于单目，而 Lidar 感知距离可以达到 200m+（210-250）。
• 点云密度
  双目的点云比 Lidar 要稠密。双目模型估计出的深度是像素级别的，camera 分辨率越大，点云就越稠密。而 Lidar 的采样点覆盖相对于场景的尺度来讲，具有很强的稀疏性。
• 精度
  Lidar 是主动方法，双目是被动方法，而且双目是根据模型估计视差计算出的深度，存在一定的标定、安装误差以及深度失真问题，所以其输出的深度信息的精度是不及 Lidar 的，但是需要注意的是 Lidar 受天气影响更大。

双目测距在某些场景下，深度图边界容易失真，错误主要体现在以下三方面。

缺失（Missing）：边界缺失是指高质量 RGB 图像中存在真实对象边界，但在深度图中这些边界丢失了；

虚假（Fake）：虚假边界是指在深度图中存在对象边界，但在 RGB 图像中不存在真实边界的情况；

错位（Misaligned）：RGB 图像和深度图中均有真实边界，但彼此没有很好的对齐；

黑夜不 work

3. StereoNet

3.1 基本情况

• dataset: SceneFlow
• Input shape: 540x960
• 精度：

3.2 网络结构

3.2.1.特征提取

采用共享权重的孪生神经网络提取双目图像的特征，使用 K 个下采样 block 进行高层特征提取；

3.2.2.Cost volume 构建

• Cost volume 是在双目匹配中用于衡量左右视图的相似性的张量。
• 特征下采样之后，在低分辨率下计算 cost volume，输出的 shape 是

• Cost volume 的计算方式为 concat，即将左右视图的特征图在通道维进行 concat：

def build_concat_volume(
        self,
        refimg_fea: Tensor,
        targetimg_fea: Tensor,
        maxdisp: int,
    ) -> Tensor:
        """
        Build the concat cost volume.

        Args:
            refimg_fea: Left image feature.
            targetimg_fea: Right image feature.
            maxdisp: Maximum disparity value.

        Returns:
            volume: Concatenated cost volume.
        """

        B, C, H, W = refimg_fea.shape
        C = 2 * C
        tmp_volume = []
        for i in range(maxdisp):
            if i > 0:
                tmp = self.c_cat[i].cat(
                    (refimg_fea[:, :, :, i:], targetimg_fea[:, :, :, :-i]),
                    dim=1,
                )
                tmp_volume.append(self.c_pad[i](tmp).view(-1, 1, H, W))
            else:
                tmp_volume.append(
                    self.c_cat[i]
                    .cat((refimg_fea, targetimg_fea), dim=1)
                    .view(-1, 1, H, W)
                )
        volume = self.c_cat_final.cat(tmp_volume, dim=1).view(
            B, C, maxdisp, H, W
        )
        return volume

• 通过 concat 获得的 cost volumes 不包含有关特征相似性的信息，因此在后续模块中需要更多参数来学习相似度函数。
• maxdisp 是预先设定的最大视差，也就是模型能预测到的最大视差。

3.2.3.Cost volume 优化和计算视差

获得 4D cost volume，使用 conv3d 进行优化。

然后基于优化后的 cost volume 获得低分辨率下的视差图。cost volume 优化后得到 Nx1xDxHxW 大小的特征图，然后使用 softmax 得到在每个视差值下的概率。

相关代码：

        # Optimize cost volume to obtain low disparity
        for f in self.filter:
            cost0 = f(cost0)
        #优化视差
        cost0 = self.conv3d_alone(cost0)
        cost0 = cost0.squeeze(1)
        #转化为概率
        pred0 = self.softmax(cost0)
        #乘以对应的视差值
        pred0 = self.dis_mul(pred0)
        pred0 = self.dis_sum(pred0)

3.2.4.refine 到原图

利用层次化微调模块来逐渐对视差图进行修复，补充高频信息以实现边缘保留。具体做法是对粗糙的低分辨率视差图进行上采样，并根据粗糙视差图和原始左视图 rgb 输入预测出一个残差图，加到该视差图中获得一个细化视差图。

具体操作：

首先将深度图和 RGB 图像拼接（Concatenate），得到的拼合张量再经过一个 3x3 的卷积操作得到 32 通道的表示张量，之后再通过 6 个 残差块（Residual Block）的操作，每个残差块由于卷积、批正则化（Batch Normalization）、矫正线性单元（Leakey ReLU）等操作；为了扩大网络，在每个残差块中使用了扩张（Dilate）卷积的操作，最后经过一个 3x3 的卷积，得到最后的单通道深度图。

SteroNet 由左右图的特征经过连接得到一个 4D cost volume， 之后利用 3D 卷积进行代价聚合得到最终的视差图，这种方式导致其计算成本十分高昂。

4.StereoNetPlus

4.1 总体结构

4.2 模型优化点

4.2.1 特征提取

使用 MixVarGENet+FPN 来提取双目图像的多尺度特征；

4.2.2 Cost Volume 构建和优化

采用 AANet 的思想，基于相关性构建多尺度 cost volume，并进行尺度内和跨尺度融合，最终输出 1/8 原图尺度下的 cost volume。

AANet 网络

作者通过设计两个有效且高效的成本聚合模块：自适应同尺度聚合模块（Adaptive Intra-Scale Aggregation）和自适应跨尺度聚合模块（Adaptive Cross-ScaleAggregation）来实现成本聚合。并且使用特征相关性而不是 concat 的方式构造多尺度 Cost Volume。

cost volume 构建

使用 1/8，1/16， 1/32 原图尺度下的特征图构造多尺度 cost volume；

   def build_aanet_volume(self， refimg_fea， maxdisp， offset， idx):
        B， C， H， W = refimg_fea.shape
        num_sample = B // 2
        tmp_volume = []
        #maxdisp:最大预测视差
        for i in range(maxdisp):
            if i > 0:
                #计算左右视图特征的相关性
                cost = self.gc_mul[i + offset].mul(
                    refimg_fea[:num_sample， :， :， i:]，
                    refimg_fea[num_sample:， :， :， :-i]，
                )
                #取均值
                tmp = self.gc_mean[i + offset].mean(cost， dim=1)
                #padding
                tmp_volume.append(self.gc_pad[i + offset](tmp))
            else:
                #计算左右视图特征的相关性
                cost = self.gc_mul[i + offset].mul(
                    refimg_fea[:num_sample， :， :， :]，
                    refimg_fea[num_sample:， :， :， :]，
                )
                #取均值
                tmp = self.gc_mean[i + offset].mean(cost， dim=1)
                tmp_volume.append(tmp)

        volume = (
            self.gc_cat_final[idx]
            .cat(tmp_volume， dim=1)
            .view(num_sample， maxdisp， H， W)
        )
        return volume

ISA

在视差非连续时，边缘位置总会有一圈连续的错误匹配值，为了缓解这种 edge-fattening 问题，使用 3 个残差模块 BasicResBlock 对每个尺度的 cost volume 进行聚合。

CSA

双目图像进行下采样后，在相同的 patch 尺寸下，纹理信息将更具鉴别性，所以跨尺度成本聚合算法中引入了多尺度交互。最终的 cost volume 是通过对不同尺度的成本聚合结果进行自适应组合得到的，公式如下：

下面将对公式中的 3 种情况进行说明：

优化效果

由于没有使用 conv3d，所以相对于基础版模型，性能有了一定的提升。

基础版模型：720P 输入下，单核 fps 18.22， latency：54.9ms， 960*540 输入下精度 1.12（浮点）

优化版模型：54.9ms ->16.59ms epe: 1.12->0.948

4.2.3 计算粗略视差

使用融合后的 1/8 尺度下的 cost volume 计算小图视差。

        # Fusion costvolume as AANet
        aanet_volumes = aanet_volumes[::-1]
        for i in range(len(self.fusions)):
            fusion = self.fusions[i]
            aanet_volumes = fusion(aanet_volumes)
        #1/8尺度:1X24x68x120(24=192/8)
        cost0 = self.final_conv(aanet_volumes[0])
        # Obtain low disparity and unfold it.
        #转化为视差概率
        pred0 = self.softmax(cost0)
        #乘以对应的视差值范围[0,23]
        #24=192/8
        pred0 = self.dis_mul(pred0)
        #sum求和，获得1/8尺度下的粗略视差
        pred0 = self.dis_sum(pred0)
        #unfold操作:使用2x2conv替代
        #pred0_unfold shape:1x4x68x120
        pred0_unfold = self.unfold(pred0)

对粗略视差进行上采样时，会用到邻域点的特征，所以用了一个 unfold 的一个操作，先把这个视差从那个小图上面取出来，取出来过后，然后上采样，然后再跟 featuremap 预测出来的权重去相乘，最后会得到一个最终的时差值。这种做法会减少 refine 的过程中的计算量。

这里为了进一步节省耗时，使用 conv2x2 替换 unfold 操作：

class UnfoldConv(nn.Module):
    """
    A unfold module using conv.
    Args:
        in_channels: The channels of inputs.
        kernel_size: The kernel_size of unfold.
    """
    ...
    def forward(self, x: Tensor) -> Tensor:
        """Perform the forward pass of the model."""
        #将尺寸pad到（1,1,69,121）
        x = self.pad(x)
        #conv代替unfold
        x = self.conv(x)
        return x

4.2.4 refine 原图

使用左图特征预测出权重，然后和上采样到原图尺寸的粗略视差相乘，这样就得到了最终视差。

CoEx

• 特征提取：使用 MobileNetV2 作为主干特征提取器，因为它具有轻量级的特性，并构建了一个 U-Net 方式的上采样模块，在每个尺度层次上都有长跳跃连接；
• 构建 cost volume：在左右图像的 1/4 尺度上提取的特征图构建相关层，以输出 D/4×H/4×W/4 cost volume；
• cost volume 聚合：使用了 3D 卷积的沙漏结构，但减少了通道数量和网络深度以降低计算代价，在每一个模块之后加入引导代价体激励；
• Guided Cost volume Excitation （GCE）：利用从图像中提取的特征图作为成本聚合的指导，以提高精度

GCE

CoEx 使用 DeconvResModule 融合 P1/2、P1/4、P1/8 的左图特征，从而获得原始图像分辨率下的视差权重。

将预测到的权重和上采样到原图大小的粗略视差相乘：

1. 将双线性插值优化为最近邻插值；
2. 此部分在模型的后处理部分进行。

4.3 计算深度并可视化

4.3.1 计算深度

根据获得的视差计算像素深度：

#基于几何法，根据模型预测的视差计算深度
def process_outputs(model_outs， viz_func， vis_inputs):
    preds = model_outs.squeeze(0).cpu().numpy()
    f = float(vis_inputs["f"])
    baseline = float(vis_inputs["baseline"])
    img = vis_inputs["img"]
    #f:焦距；baseline:相机平行光轴之间的距离
    #preds:预测视差
    depth = baseline * f / preds
    preds = viz_func(img， preds， depth)
    return None

4.3.2 可视化

1. 可视化结果从左至右为：left 左图、right 右图、disparity 视差图、根据视差计算的 depth 深度图；
3. 视差图中的颜色代表：颜色越红，视差值越小；颜色越蓝，视差值越大；
5. 深度图中的颜色代表：颜色越红，对应的像素深度值则越小；颜色越蓝，对应的像素深度值则越大；
7. 视差图到深度图的计算原理可参考【双目深度估计】—原理理解中的几何法，相应代码可以参考 config 文件中的 process_outputs 函数。

参考链接

https://blog.csdn.net/sinat_29819401/article/details/12938220...