前言

本項目效果展示視頻：
https://www.bilibili.com/video/BV14d4y177vE/?spm_id_from=333.999.0.0&vd_source=8c532ded7c7c9041f04e35940d11fdae
1、本項目通過yolov8/yolov7/yolov5和deepsort實現(xiàn)了一個自動駕駛領(lǐng)域的追尾前車碰撞預(yù)警系統(tǒng)，可為一些同學(xué)的課設(shè)、大作業(yè)等提供參考。分別實現(xiàn)了自行車、汽車、摩托車、公交車、卡車的實時目標(biāo)檢測、跟車距離測量、車輛間的相對速度測量、基于人腦反應(yīng)時間和車輛剎停時間的碰撞預(yù)警功能。最終效果如下，紅色框代表易發(fā)生碰撞追尾的高風(fēng)險目標(biāo)，黃色框代表中風(fēng)險目標(biāo)，綠色框代表低風(fēng)險目標(biāo)。
2、可訓(xùn)練自己的數(shù)據(jù)集，可以換成yolov8/yolov7/yolov5各種版本的權(quán)重。

一、項目環(huán)境配置

不熟悉pycharm的anaconda的大兄弟請先看這篇csdn博客，了解pycharm和anaconda的基本操作。
https://blog.csdn.net/ECHOSON/article/details/117220445
anaconda安裝完成之后請切換到國內(nèi)的源來提高下載速度 ，命令如下：

conda config --remove-key channels
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple

首先創(chuàng)建python3.8的虛擬環(huán)境，請在命令行中執(zhí)行下列操作：

conda create -n yolov8 python==3.8.5
conda activate yolov8

1、pytorch安裝（gpu版本和cpu版本的安裝)

實際測試情況是yolov8/yolov7/yolov5在CPU和GPU的情況下均可使用，不過在CPU的條件下訓(xùn)練那個速度會令人發(fā)指，所以有條件的小伙伴一定要安裝GPU版本的Pytorch，沒有條件的小伙伴最好是租服務(wù)器來使用。GPU版本安裝的具體步驟可以參考這篇文章：https://blog.csdn.net/ECHOSON/article/details/118420968。
需要注意以下幾點：
1、安裝之前一定要先更新你的顯卡驅(qū)動，去官網(wǎng)下載對應(yīng)型號的驅(qū)動安裝
2、30系顯卡只能使用cuda11的版本
3、一定要創(chuàng)建虛擬環(huán)境，這樣的話各個深度學(xué)習(xí)框架之間不發(fā)生沖突
我這里創(chuàng)建的是python3.8的環(huán)境，安裝的Pytorch的版本是1.8.0，命令如下：

conda install pytorch==1.8.0 torchvision torchaudio cudatoolkit=10.2 # 注意這條命令指定Pytorch的版本和cuda的版本
conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cpuonly # CPU的小伙伴直接執(zhí)行這條命令即可

安裝完畢之后，我們來測試一下GPU是否可以有效調(diào)用：

2、pycocotools的安裝

pip install pycocotools-windows

3、其他包的安裝

另外的話大家還需要安裝程序其他所需的包，包括opencv，matplotlib這些包，不過這些包的安裝比較簡單，直接通過pip指令執(zhí)行即可，我們cd到y(tǒng)olov8代碼的目錄下，直接執(zhí)行下列指令即可完成包的安裝。

pip install -r requirements.txt

二、車輛檢測、實時跟蹤測速算法及代碼解讀

1、主函數(shù)各參數(shù)含義

如下代碼所示，可根據(jù)自己需求更改。使用yolov8s/yolov7s/yolov5s.pt、yolov8m/yolov7m/yolov5m.pt、yolov8l/yolov7l/yolov5.pt、yolov8x/yolov7x/yolov5.pt預(yù)訓(xùn)練權(quán)重均可，也可以使用自己訓(xùn)練好的權(quán)重，本項目中調(diào)用的是yolov8s.pt。

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', nargs='+', type=str, default='yolov5s.pt', help='model.pt path(s)')
    parser.add_argument('--source', type=str, default='data/videos/test.mp4', help='source')  #  file/folder, 0 for webcam
    parser.add_argument('--img-size', type=int, default=640, help='inference size (pixels)')
    parser.add_argument('--conf-thres', type=float, default=0.25, help='object confidence threshold')
    parser.add_argument('--iou-thres', type=float, default=0.45, help='IOU threshold for NMS')
    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--view-img', action='store_true', help='display results',default=True)
    parser.add_argument('--save-txt', action='store_true', help='save results to *.txt')
    parser.add_argument('--save-conf', action='store_true', help='save confidences in --save-txt labels')
    parser.add_argument('--nosave', action='store_true', help='do not save images/videos')    # store_true為保存視頻或者圖片，路徑為runs/detect
    parser.add_argument('--classes', nargs='+', type=int, help='filter by class: --class 0, or --class 0 2 3')
    parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS')
    parser.add_argument('--augment', action='store_true', help='augmented inference')
    parser.add_argument('--update', action='store_true', help='update all models')
    parser.add_argument('--project', default='runs/detect', help='save results to project/name')  # 結(jié)果視頻的保存路徑
    parser.add_argument('--name', default='exp', help='save results to project/name')
    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
    parser.add_argument("--config_deepsort", type=str, default="deep_sort/configs/deep_sort.yaml")

2、算法實現(xiàn)

使用yolov5和deepsort分別實現(xiàn)車輛的目標(biāo)檢測、跟蹤，再利用檢測和跟蹤的結(jié)果實時計算車速。首先使用提前設(shè)定好的車輛真實寬度和檢測出來的車輛像素寬度求出真實距離和像素距離的比值，再使用每輛車的前后兩幀框的中心坐標(biāo)計算出兩幀之間移動的像素距離。利用這個比值和像素距離做映射，就可以求出兩幀之間車輛移動的真實距離。然后距離除以兩幀之間的時間，就是速度了。本測速算法中將車輛真實移動距離與像素移動距離看成是線性關(guān)系，僅在監(jiān)控相機軸線與車輛移動方向垂直時才能成立，并且檢測出來的車輛框在空間上會產(chǎn)生一定形變，使得真實距離和像素距離的映射關(guān)系不準(zhǔn)確。有興趣的同學(xué)可以在代碼中加入透視變換，將圖像變成類似于遙感數(shù)據(jù)的俯瞰圖，實現(xiàn)測速后再將圖像變換為原始圖像視角。

3、核心代碼

我的項目將測速代碼封裝到了Estimated_speed()函數(shù)里面，有詳細(xì)注釋，調(diào)用即可。需要注意的是，由于本項目測試視頻為行車記錄儀視角所拍攝，拍攝設(shè)備本身也在移動，此處測得的車速為車輛之間的相對速度。

def Estimated_speed(locations, fps, width):
    present_IDs = []
    prev_IDs = []
    work_IDs = []
    work_IDs_index = []
    work_IDs_prev_index = []
    work_locations = []  # 當(dāng)前幀數(shù)據(jù)：中心點x坐標(biāo)、中心點y坐標(biāo)、目標(biāo)序號、車輛類別、車輛像素寬度
    work_prev_locations = []  # 上一幀數(shù)據(jù)，數(shù)據(jù)格式相同
    speed = []
    for i in range(len(locations[1])):
        present_IDs.append(locations[1][i][2])  # 獲得當(dāng)前幀中跟蹤到車輛的ID
    for i in range(len(locations[0])):
        prev_IDs.append(locations[0][i][2])  # 獲得前一幀中跟蹤到車輛的ID
    for m, n in enumerate(present_IDs):
        if n in prev_IDs:  # 進行篩選，找到在兩幀圖像中均被檢測到的有效車輛ID，存入work_IDs中
            work_IDs.append(n)
            work_IDs_index.append(m)
    for x in work_IDs_index:  # 將當(dāng)前幀有效檢測車輛的信息存入work_locations中
        work_locations.append(locations[1][x])
    for y, z in enumerate(prev_IDs):
        if z in work_IDs:  # 將前一幀有效檢測車輛的ID索引存入work_IDs_prev_index中
            work_IDs_prev_index.append(y)
    for x in work_IDs_prev_index:  # 將前一幀有效檢測車輛的信息存入work_prev_locations中
        work_prev_locations.append(locations[0][x])
    for i in range(len(work_IDs)):
        speed.append(
            math.sqrt((work_locations[i][0] - work_prev_locations[i][0]) ** 2 +  # 計算有效檢測車輛的速度，采用線性的從像素距離到真實空間距離的映射
                      (work_locations[i][1] - work_prev_locations[i][1]) ** 2) *  # 當(dāng)視頻拍攝視角并不垂直于車輛移動軌跡時，測算出來的速度將比實際速度低
            width[work_locations[i][3]] / (work_locations[i][4]) * fps / 5 * 3.6 * 2)
    for i in range(len(speed)):
        speed[i] = [round(speed[i], 1), work_locations[i][2]]  # 將保留一位小數(shù)的單位為km/h的車輛速度及其ID存入speed二維列表中
    return speed

另外，我的項目中將每輛車的中心坐標(biāo)軌跡和車速分別寫入了根目錄下的track.txt和speed.txt，實現(xiàn)了每輛車的速度和軌跡信息記錄。

# 將每幀檢測出來的目標(biāo)中心坐標(biāo)和車輛ID寫入txt中,實現(xiàn)軌跡跟蹤
if len(location) != 0:
    with open('track.txt', 'a+') as track_record:
        track_record.write('frame:%s\n' % str(frame_idx))
        for j in range(len(location)):
            track_record.write('id:%s,x:%s,y:%s\n' % (str(location[j][2]), str(location[j][0]), str(location[j][1])))
    print('done!')
locations.append(location)
print(len(locations))
# 每五幀寫入一次測速的數(shù)據(jù)，進行測速
if len(locations) == 5:
    if len(locations[0]) and len(locations[-1]) != 0:
        locations = [locations[0], locations[-1]]
        speed = Estimated_speed(locations, fps, width)
    with open('speed.txt', 'a+') as speed_record:
        for sp in speed:
            speed_record.write('id:%s %skm/h\n' % (str(sp[1]), str(sp[0])))  # 將每輛車的速度寫入項目根目錄下的speed.txt中
    locations = []

4、效果展示

如圖所示，每個目標(biāo)車輛測出來的速度和行駛軌跡的中心坐標(biāo)分別存儲在兩個txt里面，id值用于區(qū)分不同的車輛，frame值代表視頻的第幾幀，x、y分別表示橫縱坐標(biāo)值。

三、跟車距離測量算法及代碼解讀

1、主函數(shù)各參數(shù)含義

foc = 500.0        # 鏡頭焦距,單位為mm
real_hight_bicycle = 26.04      # 自行車高度，注意單位是英寸
real_hight_car = 59.08      # 汽車高度
real_hight_motorcycle = 47.24      # 摩托車高度
real_hight_bus = 125.98      # 公交車高度
real_hight_truck = 137.79   # 卡車高度

# 自定義函數(shù)，單目測距
def detect_distance_car(h):
    dis_inch = (real_hight_car * foc) / (h - 2)
    dis_cm = dis_inch * 2.54
    dis_cm = int(dis_cm)
    dis_m = dis_cm/100
    return dis_m

2、算法實現(xiàn)

車輛距離計算公式：D = (F*W)/P，其中D是目標(biāo)到攝像機的距離(即車輛距離）, Ｆ是相機焦距, W是目標(biāo)的寬度或者高度, P是指目標(biāo)在圖像中所占據(jù)的x方向像素的寬或者y方向像素的高（由目標(biāo)檢測結(jié)果可獲取）。首先需要設(shè)置好鏡頭焦距，這個參數(shù)可以通過在網(wǎng)上查詢拍攝設(shè)備的參數(shù)獲取，我這里用的測試視頻使用行車記錄儀拍攝，焦距為500mm，然后分別設(shè)置好自行車、汽車、摩托車、公交車和卡車的實際高度（單位為英寸），利用該公式就能計算出前車距離。本質(zhì)上就是通過車輛現(xiàn)實尺寸和像素尺寸實現(xiàn)了一個距離映射。

3、效果展示

如圖所示，1.6km/h代表這輛車相對拍攝設(shè)備行駛的相對速度，car代表目標(biāo)類別為汽車，0.83為目標(biāo)的置信度，2.42m為測得的跟車距離。

四、前車碰撞預(yù)警（追尾預(yù)警）算法及代碼解讀

1、算法實現(xiàn)

首先通過detect.py函數(shù)里的time_person變量設(shè)置人腦反應(yīng)后的剎車時間，單位為s，即人開始反應(yīng)后踩下剎車到車輛剎停的時間，這個時間與車輛本身的速度有關(guān)，后續(xù)可通過車機系統(tǒng)接口讀取該速度，實現(xiàn)更好的預(yù)警效果。這里我們的預(yù)設(shè)值為3s。

    time_person = 3   # 設(shè)置人腦反應(yīng)后的剎車時間，單位為s，即從人反應(yīng)后踩下剎車到車輛剎停的時間，這個時間與車輛本身的速度有關(guān)，后續(xù)可通過車機系統(tǒng)接口讀取該速度，實現(xiàn)更好的預(yù)警效果

再調(diào)用plot_one_box()函數(shù)，將前述變量 time_person、所測得的車輛目標(biāo)速度、類別名稱等值傳入。

plot_one_box(xyxy, im0, speed, outputs, time_person, label=label, color=[0, 0, 255], line_thickness=3, name=names[int(cls)])  # 調(diào)用函數(shù)進行不同類別的測距，并繪制目標(biāo)框

plot_one_box()函數(shù)在plots.py中的定義如下，首先根據(jù)不同的標(biāo)簽名稱調(diào)用不同的函數(shù)計算跟車距離，再利用測出來的速度和距離計算時間t，與預(yù)先設(shè)定的人腦反應(yīng)后的剎車時間time_person在draw_speed()函數(shù)中進行比較，并返回一個標(biāo)記值flag。若時間t小于time_person的1/2，則判定為高風(fēng)險，并將車輛目標(biāo)繪制為紅色框進行預(yù)警；若時間t介于time_person和time_person的1/2之間，則判定為低風(fēng)險，并將車輛目標(biāo)繪制為黃色框進行預(yù)警；若時間t大于time_person，則并將車輛目標(biāo)繪制為綠色框，判定為無風(fēng)險。

def plot_one_box(x, img, speed, outputs, time_person, color=None, label=None, line_thickness=3, name=None):
    # Plots one bounding box on image img
    tl = line_thickness or round(0.002 * (img.shape[0] + img.shape[1]) / 2) + 1  # line/font thickness
    color = color or [random.randint(0, 255) for _ in range(3)]
    c1, c2 = (int(x[0]), int(x[1])), (int(x[2]), int(x[3]))
    # w = int(x[2]) - int(x[0])  # 框的寬
    h = int(x[3]) - int(x[1])    # 框的高
    dis_m = 1.00
    if name == 'bicycle':    # 根據(jù)標(biāo)簽名稱調(diào)用不同函數(shù)計算距離
        dis_m = detect_distance_bicycle(h)
    elif name == 'car':
        dis_m = detect_distance_car(h)
    elif name == 'motorcycle':
        dis_m = detect_distance_motorcycle(h)
    elif name == 'bus':
        dis_m = detect_distance_bus(h)
    elif name == 'truck':
        dis_m = detect_distance_truck(h)
    label += f'  {dis_m}m'    # 在標(biāo)簽后追加距離
    # 利用測出來的速度和距離計算時間，與預(yù)先設(shè)定的人腦反應(yīng)后的剎車時間進行比較，
    flag=''
    if len(outputs) > 0:
        bbox_xyxy = outputs[:, :4]
        identities = outputs[:, -2]
        img, flag = draw_speed(img, speed, bbox_xyxy, identities, time_person, dis_m)
    if flag == "High risk":   # 根據(jù)判定的不同風(fēng)險等級，繪制不同顏色的目標(biāo)框，起到預(yù)警的作用
        cv2.rectangle(img, c1, c2, [0, 0, 255], thickness=tl, lineType=cv2.LINE_AA)
        if label:
            tf = max(tl - 1, 1)  # font thickness
            t_size = cv2.getTextSize(label, 0, fontScale=tl / 3, thickness=tf)[0]
            c2 = c1[0] + t_size[0], c1[1] - t_size[1] - 3
            cv2.rectangle(img, c1, c2, [0, 0, 255], -1, cv2.LINE_AA)  # filled
            cv2.putText(img, label, (c1[0], c1[1] - 2), 0, tl / 3, [225, 255, 255], thickness=tf, lineType=cv2.LINE_AA)
    elif flag == "Low risk":
        cv2.rectangle(img, c1, c2, [0, 215, 255], thickness=tl, lineType=cv2.LINE_AA)
        if label:
            tf = max(tl - 1, 1)  # font thickness
            t_size = cv2.getTextSize(label, 0, fontScale=tl / 3, thickness=tf)[0]
            c2 = c1[0] + t_size[0], c1[1] - t_size[1] - 3
            cv2.rectangle(img, c1, c2, [0, 215, 255], -1, cv2.LINE_AA)  # filled
            cv2.putText(img, label, (c1[0], c1[1] - 2), 0, tl / 3, [225, 255, 255], thickness=tf, lineType=cv2.LINE_AA)
    else:
        cv2.rectangle(img, c1, c2, [48, 128, 20], thickness=tl, lineType=cv2.LINE_AA)
        if label:
            tf = max(tl - 1, 1)  # font thickness
            t_size = cv2.getTextSize(label, 0, fontScale=tl / 3, thickness=tf)[0]
            c2 = c1[0] + t_size[0], c1[1] - t_size[1] - 3
            cv2.rectangle(img, c1, c2, [48, 128, 20], -1, cv2.LINE_AA)  # filled
            cv2.putText(img, label, (c1[0], c1[1] - 2), 0, tl / 3, [225, 255, 255], thickness=tf, lineType=cv2.LINE_AA)

2、效果展示

如圖所示，正前方有四輛車由于跟車距離過近和相對速度過快，觸發(fā)了系統(tǒng)的預(yù)警功能，目標(biāo)框分別顯示為紅色和黃色，起到對駕駛員或自動駕駛系統(tǒng)進行提醒的作用。還有目標(biāo)由于距離過遠(yuǎn)，對車輛的行車安全不構(gòu)成威脅，所以顯示為綠色框。

五、總結(jié)及源碼獲取

1、總結(jié)

本項目基于深度目標(biāo)檢測和跟蹤技術(shù)，結(jié)合了一些圖像邏輯后處理算法，實現(xiàn)了車輛檢測、跟蹤、測速、車間距離的測量和前車碰撞預(yù)警的功能，檢測準(zhǔn)確率較高，算法實時性較好，對于自動駕駛車輛的交通安全和環(huán)境感知具有一定參考意義和實用價值。

2、項目資源獲取(yolov8/yolov7/yolov5版本均可提供)

項目內(nèi)容：

包含完整word版本說明文檔，可用于寫論文、課設(shè)報告的參考。

資源獲?。?mark hidden color="red">文章來源：http://www.zghlxwxcb.cn/news/detail-765487.html

獲取整套代碼、測試視頻、訓(xùn)練好的權(quán)重和說明文檔(有償)
上交碩士，技術(shù)夠硬，也可以指導(dǎo)深度學(xué)習(xí)畢設(shè)、大作業(yè)等。
-----------QQ----  3582584734  -----------    

文章來源地址http://www.zghlxwxcb.cn/news/detail-765487.html

到了這里，關(guān)于yolov8/yolov7/yolov5-車輛測距+前車碰撞預(yù)警(追尾預(yù)警)+車輛檢測識別+車輛跟蹤測速(算法-畢業(yè)設(shè)計)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)！