文章目录

前言

一、YOLO进行道路车辆检测

二、将SGBM算法与目标检测融合

1、原理

2、双目标定

3、生成深度图

4、计算距离

总结

前面两篇文章已经实现了yolo在ZCU104的部署，下面放一段yolo进行路面车辆检测的实例视频，并且本文还融合了SGBM算法进行双目测距。

先将结果放在最前面，第一个是单纯目标检测，第二个视频是sgbm+目标检测

yolo部署zcu104路面检测视频

双目测距和目标检测融合

本次使用的yolo模型检测数量为3，classification：car、person、cycle。

yolo部署zcu104路面检测视频

别的博客对SGBM算法有很详细的介绍，这里不进行多余的赘述。

SGBM算法主要是在于生成深度图，通过对生成的深度图进行距离的计算。下面是大致的原理图：

这一步主要是用Matlab进行标定，主要原理是根据棋盘图，得到自己相机的畸变参数等。

可以看到最后生成的深度图“disp8”以及我们所需要的坐标参数，x,y,z，之后在计算目标框距离时将会使用。

我们知道目标检测绘制框图主要是根据左上坐标或右下坐标进行绘制，那么要想得到目标的距离，我们需要得到目标中心点距离，进而从深度图中计算得到该中心点距离。我们先对一张图片进行测试。下面是双目相机拍摄的原图（这是我的大帅哥同学，想要联系方式可以私信我qaq）：

之后对两张图进行分割，立体匹配，最后生成深度图。

 而目标检测在对输出数据进行画框时会输出坐标信息，我们只需要根据相应坐标找出对应位置的距离即可。

 可以看一下最后处理图片的效果。

那么实现图片之后，对视频的处理也是类似的，我们已经实现了对视频的目标检测，那么只需要在每一帧进行处理的时候，运用每一帧输出的目标的坐标，去深度图计算对应位置距离即可，实现视频效果如下：

双目测距和目标检测融合

这次主要是实现了软硬件融合开发，以及对传统算法的改进，可以看到上板效果很不错。

但是只要人或物体出现在边缘，距离计算就很不准确，应该是标定的参数有些问题，后续继续规范规范标定参数，效果实现会更好。