基于深度学习的车辆姿态识别方法研究与系统实现
对于车辆姿态识别系统来说，其核心作用就是可以提高道路车辆的位置及姿态信息检测识别精度，以此来判断道路的行车路况，从而进一步实现自动驾驶功能并保证行车安全，同时提升驾乘人员的驾乘体验。从检测原理和流程来分析传统目标检测算法，此类算法存在检测过程繁琐，检测精度差等问题，因此本文以计算机视觉识别技术为基础，提出了一种基于CenterNet的车辆姿态识别方法。本文选用基于深度学习的CenterNet算法网络模型实现对车辆的检测与姿态的识别。本文针对研究内容将问题和解决方法归结为以下四点： (1)为了解决网络模型过大、训练慢的问题，选择EfficientNet轻量化网络架构，减少参数量。 (2)针对网络在车辆姿态识别中特征提取时存在降维导致维度缺失的问题，用ECA模块替换SE模块优化注意力机制的方式提升模型的精度。 (3)为了更好地训练神经网络并提升检测精度，将主干特征提取网络的激活函数更改为Mish激活函数。 (4)对于姿态表示中存在万向锁的问题，采用网络特征回归四元数的方式来解决，最终以x、y、z和欧拉角表示图片车辆姿态位置信息。 最后对改进后的网络模型进行训练和实验，实验结果表明，本文所改进的算法能适应多种不同的交通状况，无论车辆多少、远近及行人影响，均实现了对车辆的检测和姿态的识别，精确率和召回率均达到93％以上，体现了本文改进算法的鲁棒性。相较于改进前的算法模型，改进后的CenterNet网络模型大小减小了近13%，检测精确率增加了1.26%，整体上达到了本文的实验目标，有助于开发人员利用得到的信息实现更多的功能操作，更好地服务于消费者。
车辆姿态识别;计算机视觉;深度学习;CenterNet;注意力机制
河北工程大学
硕士
计算机技术
倪健;董强
2022
中文
TP391.41
2023-08-22（万方平台首次上网日期，不代表论文的发表时间）