車輛跟蹤及測距

• 該項目一個基于深度學(xué)習(xí)和目標跟蹤算法的項目，主要用于實現(xiàn)視頻中的目標檢測和跟蹤。
• 該項目使用了 YOLOv5目標檢測算法和 DeepSORT
  目標跟蹤算法，以及一些輔助工具和庫，可以幫助用戶快速地在本地或者云端上實現(xiàn)視頻目標檢測和跟蹤！

教程博客_傳送門鏈接------->單目測距和跟蹤

yolov5 deepsort 行人/車輛（檢測 +計數(shù)+跟蹤+測距+測速）

• 實現(xiàn)了局域的出/入 分別計數(shù)。
• 顯示檢測類別，ID數(shù)量。
• 默認是 南/北 方向檢測，若要檢測不同位置和方向，需要加以修改
• 可在 count_car/traffic.py 點擊運行
• 默認檢測類別：行人、自行車、小汽車、摩托車、公交車、卡車、船。
• 檢測類別可在 objdetector.py 文件修改。

原文鏈接：https://blog.csdn.net/ALiLiLiYa/article/details/131819630

目標跟蹤

• YOLOv5是一種流行的目標檢測算法，它是YOLO系列算法的最新版本。
• YOLOv5采用了一種新的架構(gòu)，可以在保持高準確性的同時提高檢測速度。
• 在本文中，我們將介紹如何使用YOLOv5_deepsort算法來進行船舶跟蹤和測距。

教程博客_傳送門鏈接------->目標跟蹤

車道線識別

• 本文主要講述項目集成：從車道線識別、測距、到追蹤，集各種流行模型于一體！
• 不講原理，直接上干貨！
• 把下文環(huán)境配置學(xué)會，受益終生！
• 各大項目皆適用

！

教程博客_傳送門鏈接------->車道線識別+目標檢測
看下本項目的效果：

語義分割

• MMsegmentation是一個基于PyTorch的圖像分割工具庫，
• 它提供了多種分割算法的實現(xiàn)，包括語義分割、實例分割、輪廓分割等。
• MMsegmentation的目標是提供一個易于使用、高效、靈活且可擴展的平臺，以便開發(fā)者可以輕松地使用最先進的分割算法進行研究和開發(fā)

教程博客_傳送門鏈接------->語義分割

姿態(tài)識別

人

• 體姿態(tài)估計是計算機視覺中的一項重要任務(wù)
• 具有各種應(yīng)用，例如動作識別、人機交互和監(jiān)控。
• 近年來，基于深度學(xué)習(xí)的方法在人體姿態(tài)估計方面取得了顯著的性能。
• 其中最流行的深度學(xué)習(xí)方法之一是YOLOv7姿態(tài)估計模型

。
程博客_傳送門鏈接------->：姿態(tài)識別https://blog.csdn.net/ALiLiLiYa/article/details/129482358

圖像分類

• 在本教程中，您將學(xué)習(xí)如何使用遷移學(xué)習(xí)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)以進行圖像分類。您可以在 cs231n 上閱讀有關(guān)遷移學(xué)習(xí)的更多信息。
• 本文主要目的是教會你如何自己搭建分類模型，耐心看完，相信會有很大收獲。廢話不多說，直切主題…
• 首先們要知道深度學(xué)習(xí)大都包含了下面幾個方面：

1.加載（處理）數(shù)據(jù)
2.網(wǎng)絡(luò)搭建
3.損失函數(shù)（模型優(yōu)化）
4 模型訓(xùn)練和保存

• 把握好這些主要內(nèi)容和流程，基本上對分類模型就大致有了個概念。

**教程博客_傳送門鏈接--------->:圖像分類

交通標志識別

本

1. 項目是一個基于 OpenCV 的交通標志檢測和分類系統(tǒng)
2. 可以在視頻中實時檢測和分類交通標志。檢測階段使用圖像處理技術(shù)，
3. 在每個視頻幀上創(chuàng)建輪廓并找出其中的所有橢圓或圓形。它們被標記為交通標志的候選項。

教程博客_傳送門鏈接------->交通標志識別

表情識別、人臉識別

• 面部情緒識別（FER）是指根據(jù)面部表情識別和分類人類情緒的過程。
• 通過分析面部特征和模式，機器可以對一個人的情緒狀態(tài)作出有根據(jù)的推斷。
• 這個面部識別的子領(lǐng)域高度跨學(xué)科，涉及計算機視覺、機器學(xué)習(xí)和心理學(xué)等領(lǐng)域的知識

。

教程博客_傳送門鏈接------->表情識別

疲勞檢測

• 瞌睡經(jīng)常發(fā)生在汽車行駛的過程中
• 該行為害人害己，如果有一套能識別瞌睡的系統(tǒng)，那么無疑該系統(tǒng)意義重大！

教程博客_傳送門鏈接------->疲勞檢測

車牌識別

• 用python3+opencv3做的中國車牌識別
• 包括算法和客戶端界面，只有2個文件，一個是界面代碼，一個是算法代碼
• 點擊即可出結(jié)果，方便易用！

鏈接：車牌識別
大致的UI界面如下，點擊輸入圖片，右側(cè)即可出現(xiàn)結(jié)果！

代碼

額外說明：算法代碼只有500行，測試中發(fā)現(xiàn)，車牌定位算法的參數(shù)受圖像分辨率、色偏、車距影響。

--->qq 1309399183----------<代碼交流
	def from_pic(self):
		self.thread_run = False
		self.pic_path = askopenfilename(title="選擇識別圖片", filetypes=[("jpg圖片", "*.jpg")])
		if self.pic_path:
			img_bgr = predict.imreadex(self.pic_path)
			self.imgtk = self.get_imgtk(img_bgr)
			self.image_ctl.configure(image=self.imgtk)
			resize_rates = (1, 0.9, 0.8, 0.7, 0.6, 0.5, 0.4)
			for resize_rate in resize_rates:
				print("resize_rate:", resize_rate)
				r, roi, color = self.predictor.predict(img_bgr, resize_rate)
				if r:
					break
			#r, roi, color = self.predictor.predict(img_bgr, 1)
			self.show_roi(r, roi, color)

圖像去霧去雨+目標檢測+單目測距結(jié)合

• 0.0實時感知本車周圍物體的距離對高級駕駛輔助系統(tǒng)具有重要意義，當判定物體與本車距離小于安全距離時便采取主動剎車等安全輔助功，
• 0.1這將進一步提升汽車的安全性能并減少碰撞的發(fā)生。上一章本文完成了目標檢測任務(wù)，接下來需要對檢測出來的物體進行距離測量。
• 1.首先描述并分析了相機成像模型，推導(dǎo)了圖像的像素坐標系與世界坐標系之間的關(guān)系。
• 2.其次，利用軟件標定來獲取相機內(nèi)外參數(shù)并改進了測距目標點的選取。
• 3.最后利用測距模型完成距離的測量并對采集到的圖像進行仿真分析和方法驗證。
  傳送門鏈接------------->：單目測距
  

代碼

        for path, img, im0s, vid_cap in dataset:
        img = torch.from_numpy(img).to(device)
        img = img.half() if half else img.float()  # uint8 to fp16/32
        img /= 255.0  # 0 - 255 to 0.0 - 1.0
        if img.ndimension() == 3:
            img = img.unsqueeze(0)

        # Warmup
        if device.type != 'cpu' and (old_img_b != img.shape[0] or old_img_h != img.shape[2] or old_img_w != img.shape[3]):
            old_img_b = img.shape[0]
            old_img_h = img.shape[2]
            old_img_w = img.shape[3]
            for i in range(3):
                model(img, augment=opt.augment)[0]

        # Inference
        t1 = time_synchronized()
        with torch.no_grad():   # Calculating gradients would cause a GPU memory leak
            pred = model(img, augment=opt.augment)[0]
        t2 = time_synchronized()
         distance=object_point_world_position(u, v, h, w, out_mat, in_mat):

路徑規(guī)劃

本節(jié)針對越野場景路徑規(guī)劃問題，采用柵格法建立障礙物、威脅物和越野道路模型，模擬真實的越野環(huán)境場景。

• 引入方向變化懲罰和局部區(qū)域復(fù)雜度懲罰來優(yōu)化A算法，使算法規(guī)劃出的路徑更平滑，算法效率更高效。

• 采用改進 Floyd 算法對路徑進行雙向平滑，并且進行了防碰撞處理，來確保規(guī)劃出路徑的安全可靠性。

• 仿真結(jié)果表明，所改進的 A算法與傳統(tǒng)算法相比較，效率提高了 30%，拐點數(shù)減少了4
  倍，所提算法能夠在越野環(huán)境多重因素綜合影響以及不同車輛性能和任務(wù)的要求下快速的規(guī)劃出安全的路徑。
  傳送門鏈接---------------->:A star
  

代碼

###############創(chuàng)建A-Star類############
class AStar:
    
    # 描述AStar算法中的節(jié)點數(shù)據(jù)
    class Node:  
        #初始化
        def __init__(self, point, startPoint,endPoint, g=0,w=1,p=1):
            self.point = point  # 自己的坐標
            self.father = None  # 父節(jié)點
            self.g = g       # g值，g值在用到的時候會重新算
            
            # 計算h值，采用曼哈頓距離
            #self.h = (abs(endPoint.x - point.x) + abs(endPoint.y - point.y)) * 10  
            
            #采用歐幾里得距離
            #self.h = math.pow((math.pow((endPoint.x - point.x),2) + math.pow((endPoint.y - point.y),2)),0.5)*10
            
            #采用對角距離
            pp=(1-p)+0.2*math.exp((math.pow((math.pow((endPoint.x - point.x),2) + math.pow((endPoint.y - point.y),2)),0.5))/(math.pow((math.pow((endPoint.x - startPoint.x),2) + math.pow((endPoint.y - startPoint.y),2)),0.5)))
            Diagonal_step = min((endPoint.x - point.x),(endPoint.y - point.y))
            straight_step = (abs(endPoint.x - point.x) + abs(endPoint.y - point.y)) - 2*Diagonal_step
            self.h  =(straight_step + math.pow(2,0.5)*Diagonal_step)*10*pp
            #print(pp)


            
    #初始化A-start
    def __init__(self, map2d, startPoint, endPoint, passTag=1.0):#map2d地圖信息，startPoint起點, endPoint終點, passTag=1.0為不可行駛區(qū)域

        # 開啟表
        self.openList = []
        # 關(guān)閉表
        self.closeList = []
        # 尋路地圖
        self.map2d = map2d
        # 起點終點
        if isinstance(startPoint, Point) and isinstance(endPoint, Point):
            self.startPoint = startPoint
            self.endPoint = endPoint
        else:
            self.startPoint = Point(*startPoint)
            self.endPoint = Point(*endPoint)
 
        # 不可行走標記
        self.passTag = passTag
 
    def getMinNode(self):
        """
        獲得openlist中F值最小的節(jié)點
        :return: Node
        """
        currentNode = self.openList[0]
        for node in self.openList:
            if node.g + node.h < currentNode.g + currentNode.h:
                currentNode = node
        return currentNode#返回最小代價的點
 

停車位檢測

• 基于深度學(xué)習(xí)的魚眼圖像中的停車點檢測和分類是為二維物體檢測而開發(fā)的。我們的工作增強了預(yù)測關(guān)鍵點和方框的能力。這在許多場景中很有用，因為對象不能用右上的矩形“緊密”表示。
• 一個這樣的例子，道路上的任何標記，由于透視效果，在現(xiàn)實世界中的對象矩形不會在圖像中保持矩形，所以關(guān)鍵點檢測顯得格外重要。魚眼圖像還呈現(xiàn)了觀察到這種現(xiàn)象的另一種場景，由于魚眼寬廣的視角，可以撲捉更多畫像

鏈接：停車位檢測

代碼

#全部代碼可加qq1309399183
def train():
    #parses command line args
    args = parse_args()

    #parses args from file
    if args.config_file is not None:
        cfg_from_file(args.config_file)

    if (args.FIX_MODEL_CHECKPOINT):
      args.FIX_MODEL_CHECKPOINT = args.FIX_MODEL_CHECKPOINT.replace(" ", "")
      args.FIX_MODEL_CHECKPOINT = args.FIX_MODEL_CHECKPOINT.replace("=", "")
      cfg.RESUME_CHECKPOINT = args.FIX_MODEL_CHECKPOINT
      cfg.CHECK_PREVIOUS = False
      if (os.path.exists(cfg.RESUME_CHECKPOINT) == False):
          print('Exiting the process as asked model for resuming is not found')
          exit()

    if (args.RESUME_CHECKPOINT):
      cfg.RESUME_CHECKPOINT = args.RESUME_CHECKPOINT

    if (args.LOG_DIR):
      cfg.EXP_DIR = args.LOG_DIR

    cfg.LOG_DIR = cfg.EXP_DIR

    if (args.PHASE):
      cfg.PHASE = []
      cfg.PHASE.append(args.PHASE)

    if (args.EVAL_METHOD):
      cfg.DATASET.EVAL_METHOD = args.EVAL_METHOD

    #for backward compatibility
    if cfg.DATASET.DATASET == 'psd':
      cfg.DATASET.DATASET = 'tiod'

    if cfg.DATASET.BGR_OR_RGB == True:
        #cfg.DATASET.PIXEL_MEANS = (123.68, 116.78, 103.94)
        #cfg.DATASET.PIXEL_MEANS = (123, 117, 104)
        cfg.DATASET.PIXEL_MEANS = (128.0, 128.0, 128.0) # simpler mean subtraction to keep data in int8 after mean subtraction

    print("cfg: ", cfg)

    for phase in cfg.PHASE:
      cfg_dir = cfg.LOG_DIR + '/' + phase + '_cfg/'
      os.makedirs(os.path.dirname(cfg_dir), exist_ok=True)
      shutil.copy(args.config_file, cfg_dir)

    # to making every run consistent # TII
    np.random.seed(100)
    torch.manual_seed(100)
    torch.cuda.manual_seed(100)
    random.seed(100)
    torch.cuda.manual_seed_all(999)
    torch.backends.cudnn.enabled = False

    train_model()

if __name__ == '__main__':
    train()

圖像霧去雨與目標檢測

• 針對不同的天氣則采取不同的圖像前處理方法來提升圖像質(zhì)量。
• 霧天天氣 時，針對當下求解的透射率會導(dǎo)致去霧結(jié)果出現(xiàn)光暈、偽影現(xiàn)象，本文采用加權(quán)最小二乘法細化透射率透。
• 針對四叉樹法得到的大氣光值不精確的問題，改進四叉樹法來解決上述問題。將上述得到的透射率和大氣光值代入大氣散射模型完成去霧處理；
• 在圖像處理后加入目標檢測，提高了目標檢測精度以及目標數(shù)量。

下圖展現(xiàn)了霧天處理后的結(jié)果
圖第一列為霧霾圖像，第二列為沒有加入圖像處理的目標檢測結(jié)果圖，第三列為去霧后的目標檢測結(jié)果圖。

無人機檢測

• 反無人機目標檢測與跟蹤的意義在于應(yīng)對無人機在現(xiàn)實世界中可能帶來的潛在威脅，并保障空域安全。以下是這方面的幾個重要意義：
• 空域安全：無人機的廣泛應(yīng)用給空域安全帶來了新的挑戰(zhàn)。通過開展反無人機目標檢測與跟蹤研究，可以及時發(fā)現(xiàn)和追蹤潛在的無人機入侵行為，確?？沼虻陌踩椭刃?。
• 防范惡意活動：無人機技術(shù)的快速發(fā)展也為一些惡意活動提供了新的工具和手段，如無人機進行窺探、非法監(jiān)聽、破壞等。反無人機目標檢測與跟蹤的研究可以幫助及時發(fā)現(xiàn)和阻止這些惡意活動，維護社會的穩(wěn)定和安全

。
傳送門鏈接-------------->:無人機檢測

文章來源地址http://www.zghlxwxcb.cn/news/detail-712806.html

到了這里，關(guān)于計算機視覺實戰(zhàn)項目3（圖像分類+目標檢測+目標跟蹤+姿態(tài)識別+車道線識別+車牌識別+無人機檢測+A*路徑規(guī)劃+單目測距與測速+行人車輛計數(shù)等）的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！