基于YOLOv11与单目测距的实战教程：从目标检测到距离估算-EW帮帮网

引言

在计算机视觉领域，目标检测与距离估算的结合是自动驾驶、机器人导航等场景的关键技术。本文将以YOLOv8模型为核心，结合单目相机的几何模型，实现对视频中目标的实时检测与距离估算。代码参考自单目测距原理博客，并通过实践验证其可行性。

环境准备

依赖库安装

pip install ultralytics opencv-python numpy

模型准备

YOLOv11模型：下载预训练模型（如yolo11l.pt），可通过YOLO官方文档获取。
视频文件：准备测试视频1.mp4，或使用摄像头实时采集。

核心代码解析

参数配置

f = 700            # 相机焦距（像素单位）
angle_a = 0        # 相机光轴与水平线的夹角（弧度）
camera_h = 1.7     # 相机离地高度（米）

参数说明：

焦距(f)：决定图像缩放比例，需通过相机标定获取。
相机高度(camera_h)：直接影响测距精度，需精确测量。
夹角(angle_a)：若相机安装存在俯仰角，需校准此值。

YOLOv11目标检测

model = YOLO("F:/mot/models/YOLO11/yolo11l.pt")  # 加载模型
results = model.track(frame, persist=True)       # 实时检测与追踪

model.track()启用追踪功能，支持多目标持续跟踪。
results包含检测框坐标、置信度、类别ID等信息。

距离估算核心逻辑

w, h = np.abs(x1-x2), np.abs(y1-y2)  # 计算目标框高度
angle_b = np.arctan(h / f)           # 计算像素高度对应的角度
angle_c = angle_b + angle_a          # 总夹角

# 两种距离公式对比
dis1 = camera_h / np.tan(angle_c)    # 简化公式
dis2 = (camera_h / np.sin(angle_c)) * np.cos(angle_b)  # 参考公式

公式对比：

简化公式(dis1)：基于相似三角形原理推导，计算更高效。
参考公式(dis2)：考虑相机姿态的几何修正，理论上更精确。

输出示例

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

ID：目标追踪ID（若未启用追踪则为-1）
类别：如car、person等
距离：两种公式计算结果对比

实验分析与优化建议

误差来源探讨

相机标定误差：焦距(f)和安装高度(camera_h)的微小偏差会显著影响结果。
目标姿态假设：公式假设目标位于地平面，若目标悬浮（如无人机）会导致错误。
像素高度测量：目标框高度(h)受检测框精度影响，建议使用目标底部特征点替代。

改进建议

相机标定：使用棋盘格标定工具（如OpenCV的calibrateCamera）获取精准内参。
动态角度补偿：通过IMU传感器获取实时相机姿态(angle_a)，提升动态场景精度。
深度学习优化：结合目标尺寸先验知识（如车辆平均高度）校正测距结果。

完整代码

import cv2
from ultralytics import YOLO
import numpy as np

# 相机参数配置
f = 700
angle_a = 0
camera_h = 1.7

# 加载YOLO模型
model = YOLO("F:/mot/models/YOLO11/yolo11l.pt")

# 视频捕获
video_path = "1.mp4"
cap = cv2.VideoCapture(video_path)

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    
    results = 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 -1
            x1, y1, x2, y2 = map(int, box)
            
            # 距离计算
            h = np.abs(y1 - y2)
            angle_b = np.arctan(h / f)
            angle_c = angle_b + angle_a
            dis1 = camera_h / np.tan(angle_c)
            dis2 = (camera_h / np.sin(angle_c)) * np.cos(angle_b)
            
            # 绘制标注
            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'):
        break

cap.release()
cv2.destroyAllWindows()

结语

本文通过YOLOv11实现了目标检测与单目测距的融合应用，验证了基于几何模型的低成本测距方案可行性。实际部署中需注意：

使用专业标定工具提升参数精度；
针对特定场景（如车辆测距）优化目标高度先验；
结合滤波算法（如卡尔曼滤波）平滑距离输出。

后续可探索多传感器融合（如激光雷达+视觉）进一步提升精度，或尝试单目深度估计网络（如MiDaS）替代传统几何方法。

基于YOLOv11与单目测距的实战教程：从目标检测到距离估算

引言