引言

在計算機視覺領域，目標檢測與距離估算的結合是自動駕駛、機器人導航等場景的關鍵技術。本文將以YOLOv8模型為核心，結合單目相機的幾何模型，實現對視頻中目標的實時檢測與距離估算。代碼參考自單目測距原理博客，并通過實踐驗證其可行性。

---

環境準備

依賴庫安裝

pip install ultralytics opencv-python numpy

模型準備

• YOLOv11模型：下載預訓練模型（如yolo11l.pt），可通過YOLO官方文檔獲取。
• 視頻文件：準備測試視頻1.mp4，或使用攝像頭實時采集。

---

核心代碼解析

參數配置

f = 700            # 相機焦距（像素單位）
angle_a = 0        # 相機光軸與水平線的夾角（弧度）
camera_h = 1.7     # 相機離地高度（米）

參數說明：

• 焦距(f)：決定圖像縮放比例，需通過相機標定獲取。
• 相機高度(camera_h)：直接影響測距精度，需精確測量。
• 夾角(angle_a)：若相機安裝存在俯仰角，需校準此值。

YOLOv11目標檢測

model = YOLO("F:/mot/models/YOLO11/yolo11l.pt")  # 加載模型
results = model.track(frame, persist=True)       # 實時檢測與追蹤

• model.track()啟用追蹤功能，支持多目標持續跟蹤。
• results包含檢測框坐標、置信度、類別ID等信息。

距離估算核心邏輯

w, h = np.abs(x1-x2), np.abs(y1-y2)  # 計算目標框高度
angle_b = np.arctan(h / f)           # 計算像素高度對應的角度
angle_c = angle_b + angle_a          # 總夾角# 兩種距離公式對比
dis1 = camera_h / np.tan(angle_c)    # 簡化公式
dis2 = (camera_h / np.sin(angle_c)) * np.cos(angle_b)  # 參考公式

公式對比：

1. 簡化公式(dis1)：基于相似三角形原理推導，計算更高效。
2. 參考公式(dis2)：考慮相機姿態的幾何修正，理論上更精確。

---

輸出示例

id:5  class: car 0.92 dis1: 12.345m  dis2: 12.340m

• ID：目標追蹤ID（若未啟用追蹤則為-1）
• 類別：如car、person等
• 距離：兩種公式計算結果對比

---

實驗分析與優化建議

誤差來源探討

1. 相機標定誤差：焦距(f)和安裝高度(camera_h)的微小偏差會顯著影響結果。
2. 目標姿態假設：公式假設目標位于地平面，若目標懸浮（如無人機）會導致錯誤。
3. 像素高度測量：目標框高度(h)受檢測框精度影響，建議使用目標底部特征點替代。

改進建議

1. 相機標定：使用棋盤格標定工具（如OpenCV的calibrateCamera）獲取精準內參。
2. 動態角度補償：通過IMU傳感器獲取實時相機姿態(angle_a)，提升動態場景精度。
3. 深度學習優化：結合目標尺寸先驗知識（如車輛平均高度）校正測距結果。

---

完整代碼

import cv2
from ultralytics import YOLO
import numpy as np# 相機參數配置
f = 700
angle_a = 0
camera_h = 1.7# 加載YOLO模型
model = YOLO("F:/mot/models/YOLO11/yolo11l.pt")# 視頻捕獲
video_path = "1.mp4"
cap = cv2.VideoCapture(video_path)while cap.isOpened():ret, frame = cap.read()if not ret:breakresults = model.track(frame, persist=True)for result in results:boxes = result.boxes.xyxy.cpu().numpy()confidences = result.boxes.conf.cpu().numpy()class_ids = result.boxes.cls.cpu().numpy()for box, conf, cls_id, d in zip(boxes, confidences, class_ids, result.boxes):idx = int(d.id.item()) if d.is_track else -1x1, y1, x2, y2 = map(int, box)# 距離計算h = np.abs(y1 - y2)angle_b = np.arctan(h / f)angle_c = angle_b + angle_adis1 = camera_h / np.tan(angle_c)dis2 = (camera_h / np.sin(angle_c)) * np.cos(angle_b)# 繪制標注label = f"id:{idx} {model.names[int(cls_id)]} {conf:.2f} dis1:{dis1:.2f}m dis2:{dis2:.2f}m"cv2.rectangle(frame, (x1, y1), (x2, y2), (255, 0, 0), 2)cv2.putText(frame, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 2)cv2.imshow('YOLO Tracking', frame)if cv2.waitKey(1) & 0xFF == ord('q'):breakcap.release()
cv2.destroyAllWindows()

---

結語

本文通過YOLOv11實現了目標檢測與單目測距的融合應用，驗證了基于幾何模型的低成本測距方案可行性。實際部署中需注意：

1. 使用專業標定工具提升參數精度；
2. 針對特定場景（如車輛測距）優化目標高度先驗；
3. 結合濾波算法（如卡爾曼濾波）平滑距離輸出。

后續可探索多傳感器融合（如激光雷達+視覺）進一步提升精度，或嘗試單目深度估計網絡（如MiDaS）替代傳統幾何方法。