减速带检测 图像测距系统 减速带图像识别

减速带检测和测距系统实现

一、编译环境配置

1. 创建编译环境

使用Anaconda创建用于运行YOLOv8训练模型的虚拟环境：

conda create-nyolov8python=3.8conda activate yolov8

在激活的yolov8环境中，跳转到项目文件夹并安装依赖：

pipinstallultralytics# 其他依赖如opencv等按需添加

2. PyCharm环境配置

在PyCharm中配置Conda虚拟环境：

1. 【设置】-【项目】-【Python解释器】-【添加】
2. 选择【Conda环境】-【现有环境】
3. 指定解释器路径：(anaconda安装路径)\envs\yolov8\python.exe
4. 指定Conda可执行文件：(anaconda安装路径)\Scripts\conda.exe

二、系统准备工作

1. 相机标定

• 设备需求：鱼眼相机、标准棋盘格
• 标定过程：计算相机内参矩阵和畸变系数，用于后续图像去畸变处理
  

2. 单应矩阵标定

• 设备需求：鱼眼相机、移动小车、地面关键点(如瓷砖)
• 处理流程：
  1. 对鱼眼图像进行去畸变处理
  2. 建立地面坐标系与图像坐标系的映射关系
  3. 计算透视变换矩阵H

3. 减速带检测模型训练

• 工具：YOLOv8框架
• 数据：使用提供的专业减速带数据集
• 输出：生成speedbump.pt模型文件

三、项目目录结构说明

1. 视频数据目录

• captured_video/：原始拍摄视频
• captured_undistorted_video/：去畸变后的视频
• captured_detected_video/：含减速带识别和测距结果的视频

2. 标定数据目录

• calibration_images/：相机标定用棋盘格图片
• calibration_corners_images/：棋盘格角点检测结果
• marked_points_image/：测距用地面瓷砖标记图片

3. 处理中间结果

• undistorted_frames/：视频分帧去畸变结果
• marked_frames/：标注了减速带和距离的帧
• generated_video/：最终输出视频

4. 配置文件与工具

• configs/：存储系统配置
  • H_matrix.npy：透视变换矩阵
  • camera_intrinsic.py：相机内参和畸变系数
• utils/：工具函数集
  • capture.py：图像采集
  • file_operations.py：文件操作
  • generate_video.py：视频生成
  • split_video_and_undistort.py：视频分帧去畸变
  • calibration.py：相机标定相关

5. 核心功能模块

• capture_video.py：视频采集(含实时去畸变)
• detect.py：离线视频处理(检测+测距)
• capture_detect.py：实时检测与测距
• homography.py：单应矩阵计算
• speedbump.pt：训练好的YOLOv8模型

四、核心功能实现

1. 图像去畸变处理

• 基于相机标定参数
• 使用OpenCV的undistort函数
• 处理效果对比存储在undistorted_frames/

2. 减速带检测

• 加载预训练YOLOv8模型(speedbump.pt)
• 实现多尺度检测
• 检测结果可视化标注

3. 减速带距离计算

• 基于单应矩阵H实现图像坐标到地面坐标的转换
• 计算减速带中心点到相机的实际距离
• 距离信息实时显示在视频画面中

五、系统使用流程

1. 完成相机标定和单应矩阵计算
2. 训练或获取减速带检测模型
3. 选择运行模式：
   • 离线处理：python detect.py
   • 实时检测：python capture_detect.py
4. 结果视频保存在generated_video/目录
   

该系统实现了从图像采集、预处理到目标检测、距离测量的完整流程，为智能交通和车辆辅助驾驶提供了实用的技术解决方案。