4. 目标检测基础：YOLO系列原理、点云检测（PointPillars）、检测输出格式（Bounding Box）
各位好，我是老张。今天咱们聊聊感知融合里最基础、也最核心的一块——目标检测。说白了，就是让车“看见”并“认出”周围的东西。摄像头看到的是像素，激光雷达看到的是点云，怎么把这些原始数据变成一个个有意义的“框”，这就是我们要解决的问题。
我个人习惯把目标检测分成两大流派：基于图像的（比如YOLO）和基于点云的（比如PointPillars）。两者思路不同，但最终输出的东西是一样的——Bounding Box。嗯，咱们一个一个来。
4.1 YOLO系列：从“看一眼”到“看一眼就懂”
YOLO（You Only Look Once）这个名字起得真贴切。它不像老派的R-CNN那样先提候选区域再分类，而是直接拿整张图过一遍神经网络，同时输出“这是什么”和“在哪儿”。
我最早接触YOLOv3的时候，觉得这玩意儿太暴力了。但后来发现，暴力也有暴力的好处——快，真快。在自动驾驶这种实时性要求极高的场景下，YOLO几乎是唯一的选择。
4.1.1 核心思想：网格化 + 回归
YOLO的核心逻辑其实不复杂：
- 把输入图片分成 S×S 的网格。比如 7×7，或者 13×13。
- 每个网格负责检测中心点落在它里面的物体。
- 每个网格预测 B 个边界框（Bounding Box），以及每个框的置信度（Confidence Score）。
- 同时预测 C 个类别概率。
你想想看，这样一来，输出就是一个 S×S×(B×5 + C) 的张量。5 代表 (x, y, w, h, confidence)。
关键点：YOLO把检测问题当作一个回归问题来处理。不是“先找区域再分类”，而是“直接回归出框的位置和类别”。这是它快的原因，也是它早期对小物体检测不准的原因。
4.1.2 从v3到v8：我踩过的坑
YOLOv3 是经典，但我在项目中遇到过一个问题：它对遮挡严重的行人检测效果很差。后来换了 YOLOv5，用了更深的骨干网络和更好的数据增强，情况好了不少。
到了 YOLOv8，其实已经非常成熟了。我个人建议，如果项目刚起步，直接上 YOLOv8 或者 YOLOv9 就行。别在 v3 上浪费时间了，除非你要做学术对比。
避坑指南：我曾经在某个项目中，为了追求极致速度，把 YOLO 的输入分辨率从 640×640 降到了 320×320。结果检测精度掉了 15 个点。后来发现，对于远距离的小目标，分辨率是关键。所以，别盲目压缩输入尺寸。
4.2 点云检测：PointPillars 是怎么工作的
摄像头有它的局限性——晚上看不清，逆光也难受。激光雷达就不一样了，它直接给你三维空间里的点云数据。但点云是稀疏的、无序的，怎么处理？
PointPillars 是我个人非常喜欢的一个方案。它把点云“竖起来”处理，思路很巧妙。
4.2.1 核心思想：把点云“拍扁”成伪图像
PointPillars 的做法分三步：
- Pillar 化：把点云在 XY 平面上划分成一个个网格（Pillar）。每个 Pillar 就是一个垂直的柱子，里面包含若干个点。
- 特征提取：对每个 Pillar 里的点，用 PointNet 提取特征。说白了，就是把每个点的 (x, y, z, intensity) 加上一些相对坐标，然后通过一个简单的 MLP 网络，得到一个 Pillar 级别的特征向量。
- 散射回伪图像：把这些特征向量放回到原来的网格位置，就得到了一张“伪图像”。这张图的每个像素，其实对应着一个 Pillar 的特征。
嗯，到这里，点云检测问题就转化成了图像检测问题。后面就可以直接用 2D 的检测网络（比如 SSD 或者 YOLO 的变体）来处理了。
为什么这么做？ 因为 3D 卷积太慢了。PointPillars 把 3D 问题降维到 2D，在保持精度的同时，速度提升了一个数量级。我在实际部署时，PointPillars 在嵌入式设备上能跑到 30 FPS 以上。
4.2.2 我在项目中遇到的点云问题
我曾经在一个雨雪天气的测试中，发现 PointPillars 的检测框抖动得很厉害。后来排查发现，是雨滴和雪花产生的噪声点被当成了有效目标。解决办法也很简单——在预处理阶段加一个高度滤波，只保留地面以上 0.5 米到 3 米范围内的点。效果立竿见影。
注意：点云检测对“稀疏性”非常敏感。如果激光雷达的线束太少（比如 16 线），远距离的点会非常稀疏，检测效果会急剧下降。这时候，融合摄像头信息就变得至关重要。
4.3 检测输出格式：Bounding Box 的“身份证”
不管你是用 YOLO 还是 PointPillars，最终输出的东西都是一样的——Bounding Box。但这里有个坑：2D 框和 3D 框的格式完全不同。
4.3.1 2D Bounding Box
对于摄像头图像，输出的是 2D 框。常见格式有：
- (x1, y1, x2, y2)：左上角和右下角坐标。这是最直观的。
- (cx, cy, w, h)：中心点坐标 + 宽高。YOLO 系列常用这种。
- 归一化坐标：所有值除以图像宽高，范围在 [0, 1] 之间。方便不同分辨率之间迁移。
4.3.2 3D Bounding Box
对于激光雷达点云，输出的是 3D 框。格式要复杂得多：
| 参数 | 含义 | 示例值 |
|---|---|---|
| x, y, z | 框的中心点坐标（通常以激光雷达为原点） | 10.5, 2.3, 0.8 |
| w, l, h | 宽、长、高（注意：长是车辆行驶方向） | 1.8, 4.5, 1.6 |
| yaw | 偏航角（绕 Z 轴的旋转角度） | 0.78 rad |
| class_id | 类别编号 | 2（代表“car”） |
| confidence | 置信度 | 0.95 |
个人经验：在融合 2D 和 3D 检测结果时，我习惯把 3D 框投影到图像平面上，生成一个“虚拟 2D 框”，然后跟摄像头检测到的 2D 框做 IoU 匹配。这样做的好处是，可以同时利用图像的颜色信息和点云的深度信息，提高检测的鲁棒性。
4.4 本章知识体系：一张图看懂
下面这张 SVG 图，是我自己画的。它把本章的核心逻辑串起来了——从传感器数据到最终输出，一目了然。
嗯，这张图把咱们今天讲的内容串起来了。左边是摄像头图像走 YOLO，右边是点云走 PointPillars，最终都汇聚到 Bounding Box 输出。说白了，不管中间怎么折腾，最后给到下游融合模块的，就是这些框。
总结一下：YOLO 的核心是“看一眼就懂”，PointPillars 的核心是“把点云拍扁”。两者输出的 Bounding Box 格式虽然不同，但最终都要统一成 (x, y, w, h, yaw, class, confidence) 这样的标准格式，才能被感知融合模块消费。
好了，这一节就到这儿。记住，检测只是第一步，后面的融合、跟踪、预测才是真正考验系统能力的地方。咱们下一节见。