周苏 郑淼 郑守建 金杰

（同济大学，上海 201804）

主题词：卷积神经网络 位姿估计 单目视觉 自动驾驶

1 前言

目标的位姿估计方法大致可分为基于激光雷达和基于视觉的2 类方法，其中，基于视觉的方法又分为单目视觉方法和双目视觉方法。以激光雷达作为传感器的位姿估计方法[1]利用三维点云数据结合深度学习对车辆目标的位姿信息进行估计，检测精度高，鲁棒性好，但往往面临成本、体积和满足车规级要求等问题。基于双目视觉的方法[2-4]利用左、右图像的视差对不同距离的目标提取相应的特征，且基线越长，测量距离越远，精度虽高，却很难满足实时性要求。相比之下，单目视觉以其成本低、速度快等优点在自动驾驶场景中有着广泛的应用。

在目标的位姿估计中，目标的距离、语义信息和姿态信息是不可或缺的。在距离检测方面，单目视觉方法一般采取标定的方式进行距离估计[5-6]，即利用先验信息，以目标的检测框底边来估计目标的距离。对于目标姿态和尺度信息，单目视觉更多采用估计的方式，其中，对目标的语义特征进行建模用于估计目标姿态，目标的参考基准可用于估计尺度信息[7]。例如，Roddick[8]基于ResNet50网络，对输入图片进行特征提取，并对特征进行正交变换处理，解决了透视效果影响的视角问题。但一方面该深度学习方法训练消耗较大，另一方面，其所搭建的神经网络提取特征困难，导致目标尺度估计的准确率低；而在传统的基于……