趙嘉豪，齊志權(quán)，齊智峰，王 皓，何 磊

（1. 北京理工大學(xué)機(jī)械與車輛學(xué)院，北京 100081； 2. 毫末智行科技有限公司，北京 100192）

前言

近些年，自動駕駛技術(shù)已經(jīng)成為汽車工業(yè)的重要研究領(lǐng)域。智能汽車環(huán)境感知技術(shù)是自動駕駛技術(shù)中不可缺少的一部分，為自動駕駛汽車的規(guī)劃和控制提供環(huán)境信息。

計算機(jī)視覺技術(shù)的快速發(fā)展和視覺傳感器具有的信息豐富、成本低廉的優(yōu)勢使得視覺環(huán)境感知廣泛應(yīng)用于自動駕駛環(huán)境感知。

早期，視覺環(huán)境感知大多利用幾何先驗知識作為感知引導(dǎo)。Stein 等［1］提出基于圖像中2D 位置，使用透視關(guān)系進(jìn)行自動駕駛中前方車輛測距，用于進(jìn)行車輛自適應(yīng)巡航控制。Chen等［2］基于地平面假設(shè)提出了用于自動駕駛的單目3D 目標(biāo)檢測模型。后續(xù)使用幾何先驗的方法中，Chabot 等［3］建立目標(biāo)CAD 模板庫用于車輛識別；Chen 等［4］引入PnP 投影進(jìn)行目標(biāo)定位；Chen 等［5］引入目標(biāo)相對位置優(yōu)化檢測效果。

基于幾何先驗的模型通常存在模型結(jié)構(gòu)復(fù)雜、部署困難的問題，因此，Zhou 等［6］參考2D 目標(biāo)檢測模型提出基于key-point 且不引入幾何先驗的3D 目標(biāo)檢測模型CenterNet?；贑enterNet 的思想，文獻(xiàn)［7］～文獻(xiàn)［9］中提出在2D 圖像中回歸3D 投影中心點，用于計算目標(biāo)3D 位置；Wang等［10］提出使用二維高斯分布定義中心度，提高3D 投影中心點定位精度。

同時，激光雷達(dá)在自動駕駛中的應(yīng)用促進(jìn)了基于圖像深度估計的單目3D 目標(biāo)檢測模型的發(fā)展。Wang 等［11］提出基于Pseudo-lidar（偽激光點云）單目3D 目標(biāo)檢測方法；Reading 等［12］提出點云深度離散化及BEV空間3D目標(biāo)檢測方法；Park等［13］提出基于Pseudo-lidar的one-stage單目3D目標(biāo)檢測模型。

實際應(yīng)用中，智能車輛通常在車身兩側(cè)安裝側(cè)視相機(jī)用于車身兩側(cè)環(huán)境感知。當(dāng)目標(biāo)車輛與自車橫向距離在5 m 以內(nèi)，縱向距離在8 m 以內(nèi)，且目標(biāo)車輛車身長度不小于10 m 時（并行大型車輛），目標(biāo)車輛在側(cè)視相機(jī)圖像中同時受到目標(biāo)截斷和圖像邊緣畸變影響，導(dǎo)致朝向角檢測穩(wěn)定性差。

由于目標(biāo)朝向角是預(yù)測目標(biāo)速度和軌跡的重要因素，進(jìn)一步影響到自車的規(guī)劃和控制，因此并行大型車輛朝向角檢測不穩(wěn)定對于智能車輛行駛安全性和舒適性造成極大影響。

國內(nèi)外專門針對此問題開展的研究工作較少，因此針對以上問題，本文在3D 目標(biāo)檢測朝向角處理中引入幾何先驗，做出如下工作：

（1） 提出一種使用相機(jī)逆投影方法計算大型車輛輪胎特征點位置，進(jìn)而計算大型車輛朝向角的方法；

（2） 基于已有3D 目標(biāo)檢測卷積神經(jīng)網(wǎng)絡(luò)模型，在不影響原有模型基礎(chǔ)上增加輪胎特征點檢測分支；

（3） 建立并行大型車輛朝向角驗證數(shù)據(jù)集，對算法進(jìn)行驗證。

1 基于輪胎特征點的朝向角計算

1.1 目標(biāo)截斷與圖像畸變具體影響分析

由實車側(cè)視相機(jī)道路拍攝如圖1 所示，目標(biāo)車輛由綠色方框包圍。目標(biāo)車輛車身較長，與自車并行，橫向距離較小，導(dǎo)致相機(jī)視野中不能包括完整車身，即目標(biāo)截斷。

圖1 實車采集圖像說明

圖像畸變指的是圖像中原本應(yīng)該是直線的地方發(fā)生不自然的變形或扭曲，如圖中兩條紅色直線為目標(biāo)車輛貨箱下邊緣在圖像中不同位置的切線，可以看到在圖像邊緣位置，畸變現(xiàn)象十分嚴(yán)重。

視覺感知實際應(yīng)用中，目標(biāo)截斷和圖像畸變的主要問題如下：

（1） 目標(biāo)截斷導(dǎo)致圖像中目標(biāo)信息缺失，相較于非截斷目標(biāo)，特征提取難度增大；

（2） 圖像畸變在大規(guī)模數(shù)據(jù)自動標(biāo)注中導(dǎo)致激光點云與圖像目標(biāo)無法對齊，影響標(biāo)注精度，進(jìn)一步影響3D目標(biāo)檢測效果。

由于同時受到以上兩個問題的影響，3D 目標(biāo)檢測模型對于并行大型車輛朝向角的預(yù)測效果較差。同時僅從3D 目標(biāo)檢測模型本身出發(fā)上述兩個問題很難得到有效解決，因此本文引入幾何先驗知識，提出基于輪胎特征點位置并行大型車輛朝向角計算方法。

1.2 朝向角和輪胎特征點定義

本文通過Prescan 搭建模擬場景對朝向角進(jìn)行描述。如圖2 所示，圖中轎車代表自車，廂式貨車代表目標(biāo)車輛，θ即為所求目標(biāo)車輛朝向角，將其定義為目標(biāo)車輛車身與自車車輛坐標(biāo)系X軸之間的夾角。

圖2 朝向角示意圖

對于一個大型車輛輪胎，本文定義了輪胎接地點、輪胎中心點、輪胎上頂點3 個特征點，如圖3 所示。

圖3 大型車輛輪胎特征點定義

1.3 相機(jī)逆投影模型與坐標(biāo)系

1.3.1 相機(jī)逆投影模型

圖4為針孔相機(jī)成像模型。

圖4 針孔相機(jī)成像模型 ［14］

基于此模型提出的相機(jī)逆投影模型如式（1）所示：

式中 ：（Xc，Yc，Zc） 為P點在相機(jī)坐標(biāo)系下位置；（u，v）為P點投影至圖像中像素坐標(biāo)系的坐標(biāo)；fx和fy為相機(jī)X和Y方向上的焦距； （cx，cy）為像素坐標(biāo)系中光軸對應(yīng)的坐標(biāo)；K為相機(jī)內(nèi)參矩陣，通常由相機(jī)標(biāo)定得到。

由于針孔相機(jī)模型僅能代表理想視覺傳感器，在實際成像中圖像會發(fā)生畸變， 因此本文使用多項式畸變模型進(jìn)行圖像坐標(biāo)修正。

1.3.2 車輛坐標(biāo)系與相機(jī)坐標(biāo)系描述

車輛坐標(biāo)系如圖5 白色坐標(biāo)系所示，坐標(biāo)系原點Ov建立在汽車后軸中心點，X軸指向車輛前進(jìn)方向，Y軸水平指向車輛左側(cè)，Z軸垂直于水平面向上。自動駕駛車輛中通常使用左前、右前、左后、右后4個側(cè)視相機(jī)進(jìn)行車身周圍環(huán)境感知，圖5 中藍(lán)色坐標(biāo)系為典型自動駕駛左前相機(jī)的相機(jī)坐標(biāo)系，Oc為相機(jī)坐標(biāo)系原點，為相機(jī)鏡頭光心位置，相機(jī)光軸與Z軸重合指向車輛左前方，X軸指向相機(jī)右側(cè)，Y軸指向相機(jī)下方。

圖5 車輛坐標(biāo)系與左前相機(jī)坐標(biāo)系

1.4 逆投影朝向角計算

1.4.1 特征點位置計算朝向角

如圖6 所示，目標(biāo)車輛不同輪胎同一類別特征點在自車車輛坐標(biāo)系下的坐標(biāo)可以用于估計目標(biāo)車輛朝向角。以圖中目標(biāo)車輛最前方輪胎和最后方輪胎的輪胎接地點為例計算目標(biāo)車輛朝向角。

圖6 特征點位置計算朝向角示例

式中：P1、P2代表選擇的兩個特征點在自車的車輛坐標(biāo)系下的位置；θ代表根據(jù)目標(biāo)車輛輪胎特征點計算得到的朝向角。

1.4.2 輪胎接地點逆投影朝向角計算

基于相機(jī)逆投影模型可以得到式（3），用于根據(jù)像素坐標(biāo)系中特征點像素坐標(biāo)計算車輛坐標(biāo)系下特征點3D坐標(biāo)。

式中：（u，v）為接地點特征點在像素坐標(biāo)系下的坐標(biāo)；Rvc、Tvc為由相機(jī)坐標(biāo)系到車輛坐標(biāo)系的旋轉(zhuǎn)矩陣和平移向量；K為相機(jī)內(nèi)參矩陣；（Xv，Yv，Zv）為特征點在車輛坐標(biāo)系下的3D 坐標(biāo)；Zc為特征點在相機(jī)坐標(biāo)系下的Z坐標(biāo)。

由于式中Zc為非固定值，無法通過標(biāo)定獲取，因此對于特征點中的接地點，本文中提出基于地平面假設(shè)［1］進(jìn)行信息補(bǔ)全，進(jìn)一步計算出接地點在自車車輛坐標(biāo)系下的位置。

地平面假設(shè)將自車周圍一定范圍內(nèi)的路面作為平面處理，則該范圍內(nèi)所有車輛接地點在自車車輛坐標(biāo)系下的Z坐標(biāo)為定值，代入式（3）有：

式中Zground為自車后軸距地面高度的相反數(shù)。

式（4）為可解的線性方程，可以計算出輪胎接地點在自車車輛坐標(biāo)系下準(zhǔn)確的3D 位置，任取目標(biāo)車輛兩個輪胎接地點代入式（2）可以求出目標(biāo)車輛朝向角。

車輛轉(zhuǎn)向時，由于車輛軸距遠(yuǎn)遠(yuǎn)大于前輪特征點移動距離，并且在車輛并行行駛時，一般轉(zhuǎn)向角較小，因此前輪轉(zhuǎn)角對車輛朝向角估計計算結(jié)果的影響較小。

1.4.3 輪胎非接地點特征點逆投影計算朝向角

在車輛實際行駛過程中，存在由于車道較窄相鄰車輛間距過近導(dǎo)致相機(jī)視野中無鄰近車輛接地點的情況，如圖7 所示。

圖7 無接地點并行大型車輛案例

在上述案例中，由于接地點信息丟失，無法使用基于地平面假設(shè)的朝向角計算方法，且不同車型輪胎大小不一致，無法獲取確定的特征點距地面高度，地平面假設(shè)無法使用，因此本文中提出了基于相對位置的非接地特征點大型車輛朝向角的計算方法。

在相機(jī)光心處定義中間坐標(biāo)系Om，其原點與相機(jī)坐標(biāo)系重合，坐標(biāo)系XYZ軸與車輛坐標(biāo)系方向一致。

定義Tvc：

式中Tx、Ty、Tz分別為由相機(jī)坐標(biāo)系到車輛坐標(biāo)系的X、Y、Z軸坐標(biāo)的平移量。

對于空間一點P在車輛坐標(biāo)系下坐標(biāo)為（Xv，Yv，Zv），其在中間坐標(biāo)系的坐標(biāo)（Xm，Ym，Zm）為

將式（6）代入式（2）得

式中： （Xm1，Ym1）、（Xm2，Ym2）表示用于計算朝向角的特征點在中間坐標(biāo)系的位置；θ為目標(biāo)車輛朝向角。

式（7）證明通過特征點在中間坐標(biāo)系坐標(biāo)同樣可以計算目標(biāo)車輛朝向角，但是對于非接地特征點，其在中間坐標(biāo)系的坐標(biāo)依舊無法求取，因此本文利用大型車輛前后輪特征點高度一致的特征計算朝向角。

首先，本文對于前后輪特征點高度進(jìn)行假設(shè)，設(shè)其在車輛坐標(biāo)系下的真實高度為Zt，則在中間坐標(biāo)系中其真實高度Zmt=Zt-Tz，得到特征點在中間坐標(biāo)系的坐標(biāo)計算式：

式中：（u，v）為特征點在圖像像素坐標(biāo)系下的坐標(biāo)；Rvc為相機(jī)坐標(biāo)系到車輛坐標(biāo)系轉(zhuǎn)換的旋轉(zhuǎn)矩陣；K為相機(jī)內(nèi)參矩陣；(X＇mt，Y＇mt，1)為假設(shè)Zc為1 時計算得到的特征點在相機(jī)坐標(biāo)系下的坐標(biāo)；（Xm，Ym，Zm）為計算得到的像素點在中間坐標(biāo)系的坐標(biāo)。

然后，將式（9）代入式（7），得

式中：Zc1、Zc2分別是選中的兩個特征點在相機(jī)坐標(biāo)系下的深度；(X＇mt1，Y＇mt1，1)、(X＇mt2，Y＇mt2，1)為選中的兩個特征點在假設(shè)Zc為1時的中間坐標(biāo)系坐標(biāo)。

根據(jù)式（9）和式（10），因為前后輪特征點在自車車輛坐標(biāo)系下Zt相等，所以Zc1=Zc2，則式（11）可以進(jìn)一步簡化為

其中：

式中：(u1，v1)、(u2，v2)代表選中的特征點在像素坐標(biāo)系下的坐標(biāo)；Rvc為相機(jī)坐標(biāo)系到車輛坐標(biāo)系的旋轉(zhuǎn)矩陣；K為相機(jī)內(nèi)參矩陣；θ為根據(jù)目標(biāo)車輛輪胎特征點計算得到的朝向角。

2 大型車輛輪胎特征點檢測模型

2.1 輪胎特征點檢測模型結(jié)構(gòu)設(shè)計

本文在原有3D 目標(biāo)檢測模型基礎(chǔ)上增加輕量化分支用于輪胎特征點檢測。3D 目標(biāo)檢測模型用于周圍環(huán)境3D 目標(biāo)檢測，根據(jù)目標(biāo)3D 位置和類別篩選出并行大型車輛，在此基礎(chǔ)上，應(yīng)用本文提出的算法進(jìn)行并行大型車輛的朝向角估計計算。

在分支結(jié)構(gòu)設(shè)計上，本文中使用檢測精度和檢測速度均表現(xiàn)良好且在工業(yè)界有較多應(yīng)用的yoloV3神經(jīng)網(wǎng)絡(luò)算法的模型結(jié)構(gòu)［15］。yoloV3為全卷積onestage 模型，其檢測速度優(yōu)于two-stage 方法。同時，yoloV3 的FPN 結(jié)構(gòu)可以提取不同尺寸的特征圖，在多個特征圖中進(jìn)行檢測，相較于在單個尺寸特征圖進(jìn)行檢測能夠有更好的召回率。

模型網(wǎng)絡(luò)結(jié)構(gòu)如圖8 所示，分為兩個分支：主分支用于單目3D 目標(biāo)檢測，根據(jù)輸入圖像進(jìn)行車輛兩側(cè)環(huán)境感知；子分支用于大型車輛輪胎特征點檢測。子分支模型結(jié)構(gòu)與主分支完全一致，不同之處在于為了降低子分支的算力消耗，backbone 采用移除全連接層后的ResNet18，而不是與主分支相同的移除全連接層后的ResNet34［16］。

圖8 輪胎特征點檢測模型網(wǎng)絡(luò)結(jié)構(gòu)圖

圖片經(jīng)過前處理后輸入到主分支backbone 中，主分支backbone 對輸入圖片進(jìn)行處理后輸出4 個不同大小的特征層，其中后3 個高級特征層用于主分支進(jìn)行3D 目標(biāo)檢測。第一個低級特征層為144×256，通道數(shù)為64，作為輪胎特征點檢測分支的輸入。特征點檢測分支backbone 輸出3 個不同尺度的特征層用于輪胎特征點檢測。

模型兩個分支均使用了FPN對不同尺度的特征進(jìn)行融合，其具體結(jié)構(gòu)如圖9 所示。backbone 輸出的特征層由低級到高級為特征層1 到特征層3。特征層輸入到FPN 中，進(jìn)行逐級的特征融合后輸出。圖中DBL 表示由Conv、BN、Leaky relu 順序連接組成的模塊。

圖9 FPN結(jié)構(gòu)

檢測頭結(jié)構(gòu)采用yoloV3的檢測頭結(jié)構(gòu)。每一個尺度的特征層由FPN 結(jié)構(gòu)輸出后經(jīng)過一個DBL 模塊處理，再經(jīng)過一次卷積為最終輸出。輪胎特征點檢測模型的3 個尺度分別將圖片分割為9×16、18×32、36×64 的網(wǎng)格，其中每個網(wǎng)格內(nèi)設(shè)置3 個anchor用于進(jìn)行特征點檢測。

2.2 模型訓(xùn)練及結(jié)果

輪胎特征點檢測方案采用了基于yoloV3 的anchor based 檢測方法。圖10 所示為輪胎特征點標(biāo)注示例，將特征點標(biāo)注為以特征點為中心的2D邊界框，同時將輪胎整體進(jìn)行標(biāo)注。在訓(xùn)練時將3 類特征點與輪胎整體作為4個不同的類別進(jìn)行處理。

圖10 特征點標(biāo)注示例

本文標(biāo)注并行大型車輛數(shù)據(jù)共7998張圖片，其中隨機(jī)選取7593 張圖片作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，剩余405張數(shù)據(jù)作為驗證集用于模型訓(xùn)練驗證。

由于主分支訓(xùn)練數(shù)據(jù)集達(dá)到10 萬量級，子分支訓(xùn)練數(shù)據(jù)集僅有7593 張，訓(xùn)練數(shù)據(jù)量極度不平衡，且需要優(yōu)先保證主分支的模型性能，因此本文在訓(xùn)練時，首先對主分支進(jìn)行訓(xùn)練。主分支訓(xùn)練完畢后，將主分支所有參數(shù)凍結(jié)，在此基礎(chǔ)上進(jìn)行子分支的訓(xùn)練，保證子分支訓(xùn)練不影響主分支模型性能。

訓(xùn)練數(shù)據(jù)原始圖片為1920×1080，前處理中圖片尺寸調(diào)整為1024×576 作為模型輸入。在子分支訓(xùn)練中，本文基于不同的數(shù)據(jù)增強(qiáng)方式進(jìn)行了兩次實驗，驗證不同數(shù)據(jù)增強(qiáng)方式下模型訓(xùn)練結(jié)果。兩次實驗中僅數(shù)據(jù)增強(qiáng)方式不同，訓(xùn)練集和驗證集保持一致，訓(xùn)練次數(shù)均設(shè)置為140，實時記錄每次訓(xùn)練的損失值，在訓(xùn)練結(jié)束后在驗證集中進(jìn)行模型驗證。

圖11 為兩次實驗中的損失函數(shù)變化圖。實驗1為數(shù)據(jù)增強(qiáng)中配置了mossaic和mixup兩種數(shù)據(jù)增強(qiáng)方式，實驗2 中僅配置了mixup 一種數(shù)據(jù)增強(qiáng)方式。兩次實驗中l(wèi)oss函數(shù)在20次訓(xùn)練時均基本達(dá)到收斂狀態(tài)。圖12 為實驗2 模型對白天和夜晚的輪胎特征點檢測結(jié)果。

圖11 模型訓(xùn)練損失函數(shù)

圖12 模型檢測結(jié)果

3 算法實現(xiàn)

本文基于python語言實現(xiàn)提出的朝向角計算方法。圖13 為算法實現(xiàn)主體邏輯。

圖13 朝向角處理邏輯

（1） 各相機(jī)拍攝的圖像首先經(jīng)過網(wǎng)絡(luò)進(jìn)行3D目標(biāo)檢測和特征點檢測，輸出圖像內(nèi)各個目標(biāo)的3D位置及其2D 邊界框和圖像內(nèi)特征點位置。若圖像中不存在特征點，則直接返回3D目標(biāo)檢測結(jié)果。

（2） 如果圖像內(nèi)檢測到特征點，則進(jìn)行特征點匹配。在模型輸出的3D 目標(biāo)中篩選出并行大型車輛及其2D 邊界框，通過2D 邊界框包含關(guān)系進(jìn)行特征點和目標(biāo)車輛的匹配。隨后對所有匹配到特征點的并行大型車輛進(jìn)行朝向角計算。

（3） 根據(jù)本文算法進(jìn)行朝向角計算。

（4） 對于3D 目標(biāo)檢測結(jié)果中朝向角和特征點計算得到的朝向角進(jìn)行篩選處理。

（5） 輸出并行大型車輛朝向角最終檢測結(jié)果。

具體匹配結(jié)果計算大型車輛朝向角流程如圖14 所示。輸入為并行大型車輛及該車輛匹配到的特征點。

圖14 朝向角計算流程

（1） 若目標(biāo)車輛匹配到兩個及以上接地特征點，則優(yōu)先使用接地點進(jìn)行朝向角計算?；诘仄矫婕僭O(shè)計算所有接地點位置，選擇距離最遠(yuǎn)的兩個接地點進(jìn)行朝向角計算。

（2） 若接地點特征點數(shù)量不足兩個，則使用中心點或上頂點根據(jù)相對位置計算朝向角。將同類別的特征點均假設(shè)Zc為1 后進(jìn)行位置計算。選擇相對位置最遠(yuǎn)的兩個特征點，根據(jù)相對位置計算目標(biāo)車輛朝向角。

（3） 若3個類別特征點的數(shù)量均不足兩個，則無法進(jìn)行朝向角計算，輸出3D 目標(biāo)檢測結(jié)果中的朝向角。

4 實驗結(jié)果與分析

本文主要針對并行大型車輛的朝向角檢測進(jìn)行研究，用于驗證本文朝向角計算算法有效性的實驗數(shù)據(jù)均來自實驗車道路采集，包含大客車、貨車、板車等大型車輛。

圖15 為大型車輛朝向角計算可視化結(jié)果，左上、右上、左下、右下順序4 張圖片分別代表實驗車采集的左前方、右前方、左后方、右后方視角的同一時刻的相機(jī)數(shù)據(jù)。右側(cè)網(wǎng)格圖為根據(jù)檢測結(jié)果進(jìn)行鳥瞰圖視角下可視化的結(jié)果，每個網(wǎng)格代表實際空間中5 m 范圍。目標(biāo)大型車輛在鳥瞰圖可視化結(jié)果中用紅色方框表示。

圖15 大型車輛朝向角可視化

圖中綠色方框代表模型檢出的2D 邊界框，其中up、mid、down、wheel標(biāo)注分別對應(yīng)于輪胎上頂點、輪胎中心點、輪胎接地點、輪胎整體（圖中區(qū)域有限僅顯示單詞前3 個字母），為特征點檢測子分支檢測出的輪胎特征點以及輪胎。

本文從路測數(shù)據(jù)中并行大型車輛情景中篩選出不同時刻共計158 張圖片以及對應(yīng)時刻各傳感器數(shù)據(jù)，作為最終并行大型車輛朝向角計算結(jié)果實驗評測集。根據(jù)激光雷達(dá)點云進(jìn)行標(biāo)定，作為評測集中目標(biāo)朝向角真值。

表1 為單目3D 檢測模型和特征點檢測算法在評測集中統(tǒng)計數(shù)據(jù)對比。評測集中存在一部分目標(biāo)，其在相機(jī)視野中的輪胎數(shù)量少于兩個，特征點朝向角計算方法無法處理，因此特征點朝向角計算方法統(tǒng)計數(shù)量少于模型3D目標(biāo)檢測。

表1 朝向角檢測結(jié)果對比

特征點朝向角計算方法誤差均值相較于模型3D 目標(biāo)檢測方法降低1.63°，誤差范圍在5°、10°、20°以內(nèi)占比分別提高1.2、3.7、2.9 個百分點，朝向角計算穩(wěn)定性有明顯提高。

為保證模型實時性要求，本文對模型增加特征點檢測分支前后進(jìn)行檢測速度和參數(shù)量對比，對比結(jié)果如表2 所示。模型基于mmdetection 代碼平臺實現(xiàn)，其中pytorch 版本為1.6.0，mmcv 版本為1.3.14，GPU 采用V100 顯卡，CUDA 版本為11.0。增加輪胎分支后，模型參數(shù)量增加64%，由25.77×106增加至42.30×106，fps 降低39%，由103.4 降至62.8，滿足大于30 fps的實際使用需求。

表2 模型檢測速度及參數(shù)量對比

本文采用實驗2 模型作為最終特征點檢測模型，其驗證結(jié)果如表3 所示，模型準(zhǔn)確率約為98%。召回率最小值為輪胎中心點的召回率81.0%，最大值為接地點的召回率87.2%。

表3 特征點檢測準(zhǔn)確率與召回率

表4 為特征點定位精度統(tǒng)計結(jié)果，分別統(tǒng)計了不同特征點的平均定位誤差。分析統(tǒng)計結(jié)果可以發(fā)現(xiàn)特征點X方向定位誤差略大于Y方向定位誤差，約為5 像素，Y方向平均定位誤差約為3 像素。兩個方向上定位精度均滿足車輛朝向角計算需求。

表4 特征點定位精度統(tǒng)計

5 結(jié)論

針對單目3D 目標(biāo)檢測在自動駕駛實際應(yīng)用中并行大型車輛朝向角預(yù)測穩(wěn)定差的問題，本文引入幾何先驗知識，基于相機(jī)逆投影模型提出利用輪胎特征點計算并行車輛朝向角的方法，基于已有3D 目標(biāo)檢測卷積神經(jīng)網(wǎng)絡(luò)模型，在不影響原有模型基礎(chǔ)上增加輪胎特征點檢測分支，建立并行大型車輛朝向角驗證集驗證所設(shè)計算法，結(jié)果表明：

（1） 本文提出的利用輪胎特征點計算并行車輛朝向角的方法，能夠提高單目3D目標(biāo)檢測模型針對并行大型車輛的朝向角檢測穩(wěn)定性；

（2） 增加輪胎特征點檢測分支后，3D 目標(biāo)檢測模型計算速度仍能夠滿足實時性需求；

（3） 輪胎特征點檢測子分支具有較高的準(zhǔn)確率和定位精度，能夠保證算法穩(wěn)定性。