研究背景
随着低空经济的崛起，无人机已成为城市感知与交通监控的关键节点。然而，传统基于水平矩形框（Axis-Aligned Bounding Box）的目标检测算法在处理无人机俯视视角时存在显著局限：当车辆倾斜停放、位于弯道或密集拥堵时，水平框会包含大量背景噪声（如相邻车道、绿化带），导致定位精度下降且无法获取车辆真实的朝向信息。基于 YOLO 框架研发的无人机视角旋转框 (OBB) 车辆检测系统，突破了这一瓶颈。该系统不仅能精准锁定车辆位置，更能通过旋转框实时解算每辆车的长、宽及精确旋转角度，还原车辆在真实世界中的姿态与占据空间。这一技术革新极大提升了复杂场景下的检测信噪比，为高精度交通流量统计、违章行为分析（如逆向行驶）、自动驾驶高精地图更新及智慧停车管理提供了不可或缺的细粒度数据支撑。
旋转框检测优势
本文采用的是旋转框目标检测模型，相较于传统水平框的目标框（Axis-Aligned Bounding Box, AABB）具有以下优势：
1. 更紧密的物体包围
示例：图中蓝色框为传统水平框检测结果，红色为旋转框检测结果
问题：传统框是水平和垂直的矩形，无法贴合倾斜或长宽比悬殊的物体（如车辆、船只、文本等），导致框内包含大量无关背景区域。
优势：旋转框通过引入角度参数（如旋转角或方向角），能更精确地贴合物体轮廓，减少冗余背景，提升检测的语义准确性。
2. 减少密集场景中的重叠问题
示例：左图为传统水平框检测结果，右图为旋转框检测结果
问题：传统框在物体密集或排列不规则时，检测框容易大面积重叠，导致非极大值抑制（NMS）误删正确检测。
优势：旋转框通过角度对齐物体，降低框之间的重叠率，缓解 NMS 的误判问题，提升召回率。
3. 提升倾斜物体的检测精度
问题：传统框对倾斜物体的标注会引入大量背景噪声，导致分类置信度下降或定位误差增大。
优势：旋转框通过方向感知建模，更适应物体的几何特性，尤其适合处理具有显著方向性的目标（如飞机、风力发电机叶片）。
示例：航拍图像中不同朝向的飞机、医学影像中倾斜的器官结构。
4. 支持更复杂的下游任务
优势：旋转框提供的角度和形状信息可直接用于后续任务，如：
- 实例分割：更精准的物体掩膜生成。
- 姿态估计：结合角度信息推断物体朝向。
- 运动预测（如自动驾驶）：通过方向角预判车辆行驶轨迹。
5. 特定领域的必要需求
- 遥感图像：建筑物、农田等目标通常具有任意方向，传统框难以满足检测需求。
- 文档分析：倾斜或弯曲的文本行需要旋转框准确定位。
- 工业检测：机械零件、PCB 板元件的方向对缺陷检测至关重要。
6. 更严格的评估指标
传统 IoU（交并比）对旋转框不敏感，旋转框通常使用旋转 IoU（Rotated IoU）或方向敏感损失函数，能更真实反映模型性能。
局限性
尽管旋转框有上述优势，但也面临挑战：
- 标注成本高：需要标注角度，工具和人工成本更高。
- 模型复杂度：需设计角度回归分支，可能增加训练难度。
- 计算开销：旋转框的 IoU 计算复杂度高于传统框。
总的来说，旋转框在密集场景、倾斜物体、方向敏感任务中优势显著，但其适用性需结合具体场景权衡。传统框因简单高效，仍是通用场景的主流选择，而旋转框是特定领域（如遥感、文本检测）的重要补充。
系统应用场景
- 交通流量分析：利用旋转框角度精准区分车道，解决跨道误检；实时统计车流、车型及排队长度，分析变道意图，辅助信号灯智能配时。
- 智慧停车监测：通过长宽与角度数据，精准识别压线、斜停等不规范行为，生成车位热力图以引导泊车，提升空间利用率。
- 安保违停执法：自动识别禁停区车辆，结合角度与尺寸判断滞留时长及车型，辅助非现场执法取证。
- 车路协同增强：补充路侧感知盲区，向网联车辆下发全局位置、朝向及尺寸数据，助力车辆预判轨迹与冲突。
主要工作内容
本文的主要内容包括以下几个方面：
- 搜集与整理数据集：搜集整理实际场景中无人机视角车辆的相关数据图片，并进行相应的数据处理，为模型训练提供训练数据集；
