基于YOLOv5+单目的物体距离和尺寸测量

目录

1，YOLOv5原理介绍

2,单目测尺寸以及距离原理

2.1单目测物体距离

2.2单目测物体尺寸

3，成果展示

3.3测距离

3.2测尺寸：

---

1，YOLOv5原理介绍

YOLOv5是目前应用广泛的目标检测算法之一，其主要结构分为两个部分：骨干网络和检测头。

骨干网络采用的是CSPDarknet53，这是一种基于Darknet框架的改进版卷积神经网络。CSPDarknet53通过使用残差结构和跨层连接来提高网络的表达能力，并且采用了空洞空间金字塔池化（ASPP）来实现多尺度的信息提取。这样设计的骨干网络具有较强的特征提取能力，可以有效地提取出图像中的目标信息。

检测头是YOLOv5的另一个关键组成部分，主要用于从骨干网络特征图中提取目标检测信息。它由三个子模块组成：SPP、PAN和YOLOv5输出层。

SPP模块：空洞空间金字塔池化模块，用于对特征图进行多尺度的池化和下采样操作，从而实现对不同大小的目标进行检测。

PAN模块：特征金字塔自上而下的路径，用于将不同层次的特征图融合在一起，并进行上采样操作，以便将低分辨率的特征图与高分辨率的特征图进行融合。

YOLOv5输出层：用于在特征图上进行目标检测，输出目标的类别、边界框位置和置信度等信息。其中，YOLOv5输出层采用特定的损失函数（GIoU和Focal Loss）来优化目标检测的精度和鲁棒性。

总体来说，YOLOv5的主要作用是实现对图像中的目标进行快速、准确的检测。与传统的目标检测算法相比，YOLOv5具有以下优点：

高速：YOLOv5采用了高效的网络结构和检测头，可以实现高速的目标检测。

精度：YOLOv5使用特定的损失函数和多尺度特征提取等技术，可以实现高精度的目标检测。

通用性：YOLOv5能够在不同的场景下进行目标检测，具有较强的通用性和适应性。

易用性：YOLOv5可以通过预训练模型和微调等方法进行快速部署和使用，具有良好的易用性和可扩展性。
 

2,单目测尺寸以及距离原理

2.1单目测物体距离

单目相机测距常用或者说实用的方法就是相似三角形法，为了让大家更好地理解程序，这里简单说一下相似三角形法。

相似三角形：假设我们有一个宽度为 W 的目标或者物体。然后我们将这个目标放在距离我们的相机为 D 的位置。我们用相机对物体进行拍照并且测量物体的像素宽度 P 。这样我们就得出了相机焦距的公式：

F = (P x D) / W

举个例子，假设我在离相机距离 D = 24 英寸的地方放一张标准的 8.5 x 11 英寸的 A4 纸（横着放；W = 11）并且拍下一张照片。我测量出照片中 A4 纸的像素宽度为 P = 249 像素。

因此我的焦距 F 是：

F = (248px x 24in) / 11in = 543.45

当我继续将我的相机移动靠近或者离远物体或者目标时，我可以用相似三角形来计算出物体离相机的距离：

D’ = (W x F) / P

为了更具体，我们再举个例子，假设我将相机移到距离目标 3 英尺（或者说 36 英寸）的地方并且拍下上述的 A4 纸。通过自动的图形处理我可以获得图片中 A4 纸的像素距离为 170 像素。将这个代入公式得：

D’ = (11in x 543.45) / 170 = 35 英寸

或者约 36 英寸，合 3 英尺。

从以上的解释中，我们可以看到，要想得到距离，我们就要知道摄像头的焦距和目标物体的尺寸大小，这两个已知条件根据公式：　　

D’ = (W x F) / P　

得出目标到摄像机的距离Ｄ，其中Ｐ是指像素距离，Ｗ是Ａ４纸的宽度，Ｆ是摄像机焦距。
 

2.2单目测物体尺寸

上述原理反推则可测物体尺寸，这里就不再赘述。

3，成果展示

3.3测距离

3.2测尺寸：