YOLOv5+单目测距（python）

YOLOv5+单目测距的结合应用

在计算机视觉领域，目标检测和测距是两个重要的研究方向。YOLOv5作为一种高效的目标检测模型，已广泛应用于各种场景。而单目测距是通过单个摄像头估算物体与摄像头之间的距离。本文将探讨如何结合这两者，以实现目标检测与距离估算的功能。

YOLOv5简介

YOLO（You Only Look Once）是一个快速且准确的目标检测系统。YOLOv5是其发展的重要版本，具有更高的检测精度和速度。它使用深度学习模型（通常是卷积神经网络）来同时进行物体定位和分类。

单目测距原理

单目测距通常依赖于已知物体的真实尺寸来计算与摄像头之间的距离。通过应用简单的相似三角形原理，可以使用对象在图像中的尺寸信息和摄像头的内参（如焦距）来估算距离。

必要的库和安装

首先，我们需要安装必要的库，包括YOLOv5、OpenCV、NumPy等。

pip install opencv-python numpy torch torchvision

YOLOv5模型加载和推理

下面是加载YOLOv5模型并进行目标检测的代码示例：

import torch
import cv2
import numpy as np

# 加载YOLOv5模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # 'yolov5s'为小型模型

# 读取图像
img = cv2.imread('test_image.jpg')

# 进行推理
results = model(img)

# 获取检测结果
detections = results.xyxy[0]  # xyxy格式 [x1, y1, x2, y2, confidence, class]

单目测距的实现

假设我们已经知道某个类别物体的实际高度或宽度（例如：人的平均身高约为1.75米），我们可以根据图像中物体的像素高度和摄像头的焦距来计算距离。

# 定义已知物体的真实高度（以米为单位）
known_height = 1.75  # 例如：人的平均高度

# 摄像头的焦距（以像素为单位）
focal_length = 800  # 需要根据实验校准

# 遍历检测的物体
for *bbox, conf, cls in detections.data:
    # 提取物体的高度（y轴坐标差）
    pixel_height = bbox[3] - bbox[1]  # y2 - y1

    # 计算距离
    distance = (known_height * focal_length) / pixel_height
    print(f'检测到 {model.names[int(cls)]}，距离：{distance:.2f}米')

结果展示

最后，我们可以在图像上绘制检测框和距离信息，以更直观地展示结果。

for *bbox, conf, cls in detections.data:
    label = f'{model.names[int(cls)]} {conf:.2f} ({distance:.2f}m)'
    cv2.rectangle(img, (int(bbox[0]), int(bbox[1])), (int(bbox[2]), int(bbox[3])), (255, 0, 0), 2)
    cv2.putText(img, label, (int(bbox[0]), int(bbox[1] - 10)), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 2)

# 显示结果图像
cv2.imshow('Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

总结

通过将YOLOv5与单目测距方法结合，我们可以有效地实现实时的目标检测与距离估算。这种结合在智能监控、自动驾驶、机器人导航等领域具有广泛的应用前景。未来，随着技术的进步和硬件的提升，这项技术将会变得更加成熟和实用。