随着智能交通技术的不断发展,汽车的辅助驾驶系统得到了更广泛的应用,可靠的辅助驾驶系统不仅需要准确地识别固定的交通信号指示灯,而且需要具备对复杂的交通指挥姿态做出迅速响应和处理的能力。但是,目前交通指挥姿态识别技术大多专注于模型的设计优化,以RGB图片作为网络输入进行训练和识别,但图像背景往往较复杂,一定程度上影响了交通指挥姿态的识别精度。针对上述问题,本文基于Dens Pose网络可提取人体3D纹理信息等优势,提出先对交通指挥姿态进行基于纹理的估计,再利用Inception V3网络进行交通指挥姿态识别的方法。本文主要研究内容如下:首先,本文系统地分析了交通指挥姿态的估计和识别任务。研究了卷积神经网络的基本模型结构,并详细地分析了前向传播过程与反向传播过程。之后描述了本文所用交通指挥姿态数据集采集的具体过程,该数据集的采集考虑了光线变化、距离远近等11个不同复杂场景,并对该数据集进行了数据扩增和图像尺寸归一化的数据预处理。其次,本文研究了传统的基于骨骼关键点的姿态估计方法。针对该估计方法存在的光线、复杂背景、遮挡等问题,本文提出了使用3D几何信息和纹理信息表示人体Dense Pose的方法用于交通指挥姿势估计。该方法首先将人体分为24个部分进行回归,在对人体上的每个像素点进行部分回归,估计出包含交通姿态几何空间信息和纹理信息的UV贴图表示。实验表明,本文提出的交通指挥姿态密集估计方法不仅能消除图像背景中的冗余信息,而且包含人体3D纹理信息的表示方法更能表征交通指挥姿态的本质特征。最后,本文研究了交通指挥姿态识别方法。将传统机器学习方法和基于卷积神经网络的迁移学习方法进行对比。将RGB、骨骼关键点和密集姿态三种不同的交通指挥姿态数据分别输入传统机器学习网络和迁移学习的Inception V3网络中进行姿势识别。实验结果表明本文提出的基于密集姿态的交通指挥姿势估计方法在Inception V3网络下具有更高的识别率。