[发明专利]一种车辆姿态估计方法、终端设备及存储介质

说明书

本发明涉及一种车辆姿态估计方法、终端设备及存储介质，该方法中包括：S1：采集包含车辆的图像，并对图像中车辆对应的姿态和车辆目标的边界框进行标注，将标注后的图像组成训练集；S2：构建基于YOLOv2网络的车辆姿态估计模型，通过训练集对车辆姿态估计模型进行训练；S3：通过训练后的车辆姿态估计模型对车辆姿态和车辆目标进行估计。本发明可以和智能交通系统的检测任务融合为一个主干网络，具有较好的泛化性，不需要额外设计负责车辆姿态估计的网络结构，只需要修改检测器的输入和输出就能实现这种车辆姿态估计，在现实场景中具有较强的应用，且减少了硬件设施的消耗。

技术领域

本发明涉及车辆检测领域，尤其涉及一种车辆姿态估计方法、终端设备及存储介质。

背景技术

随着目前智能交通系统的发展，车辆数量激增，车牌识别、车型检测等都成为智能交通系统的主要组成部分，基于单目摄像机的标检测算法在车辆检测器中的应用取得了很大进展。然而，目前的车辆检测系统仍然存在局限性，比如只能检测和识别车辆，而不能识别车辆的特定姿态。目前使用最广泛的Pascal visual object classes(VOC)和Cityscapes数据库不提供车辆姿态的标注数据。车辆本身的姿态信息可以帮助获取到车辆的具体朝向和车牌的位置，能够更好的识别出车牌和进行车型分类，使智能交通系统能够更准确识别出车辆的品牌型号、车牌号，从而极大的方便交通监管。

发明内容

为了解决上述问题，本发明提出了一种车辆姿态估计方法、终端设备及存储介质。

具体方案如下：

一种车辆姿态估计方法，包括以下步骤：

S1：采集包含车辆的图像，并对图像中车辆对应的姿态和车辆目标的边界框进行标注，将标注后的图像组成训练集；

S2：构建基于YOLOv2网络的车辆姿态估计模型，通过训练集对车辆姿态估计模型进行训练；

车辆姿态估计模型通过多层卷积、leaky ReLU非线性激活、最大池化和批处理归一化从输入图像中提取多维特征图；输入图像被划分为w₀×h₀的网格，其中w₀和h₀分别表示图像为划分的网格中的列数和行数；多维特征图的维数为w₀×h₀×(n_c+n_p)×N，其中，n_c表示需要预测的姿态数，n_p表示将锚盒转换为边界框的参数个数，N表示分配给每个网格的锚框数量；

多维特征图的内容包括需要预测的姿态的概率和边界框的参数，根据边界框的参数和锚框的参数得到车辆目标的边界框；

S3：通过训练后的车辆姿态估计模型对车辆姿态和车辆目标进行估计。

进一步的，YOLOv2网络中输入层的分辨率设定为768×384或1024×512。

进一步的，姿态包括朝前、朝后、朝左和朝右。

进一步的，根据边界框的参数和锚框的参数得到车辆目标的边界框的方法为：

b_x＝A_x+Δ_x(I,ω)

b_y＝A_y+Δ_y(I,ω)

b_ω＝σ_ω(I,ω)A_ω

b_h＝σ_h(I,ω)A_h