Stereo-Detection:适合新手的双目测距开源项目

简介: Stereo-Detection:适合新手的双目测距开源项目

简介:Stereo-Detection 是一个传统的SGBM深度测距+yolov5目标检测,并部署在Jeston nano的开源教程。它致力于让更多的大四学生毕业,以及让研一学生入门


开源链接:yzfzzz/Stereo-Detection: Conventional SGBM depth ranging + yolov5 object detection with deployment on Jeston nano (github.com)

dafafa.drawio (5) (1).png

项目日志

  • 双目相机的标定和初始化(2022.7.3)
  • 运行BM、SGBM算法(2022.7.6)
  • 研究SGBM算法并得出良好的open3d模型(2022.7.15)
  • 实现双目测距(2022.7.27)
  • 双目相机测出Yolov5检测物体的距离(2022.7.29)
  • 视频帧率提高至6FPS(2022.7.30)
  • 使用C++重勾BM算法(2022.8.1)
  • 使用C++重构SGBM算法(2022.8.1)
  • 使用TensorRT、C++部署yolov5模型(2022.8.3)
  • 完成项目,帧率至少达到20FPS(2022.8.3)
  • 新增Jeston nano部署文件

环境说明

  • 🔥Tensorrt 8.4
  • 🚀Cuda 11.6.1 Cudnn 8.4.1
  • Opencv 4.5.1
  • Cmake 3.23.3
  • Visual Studio 2017
  • MX350,Windows10

文件说明

  • 💼BM、SGBM算法均有C++和Python两个版本

  • 📂tensorrt:模型部署文件,帧率为23fps

  • 📁yolov5-v6.1-pytorch-master:未部署前的python代码文件,帧率为5fps

  • stereo_introduce:双目摄像头基本资料

  • 📒双目视觉资料:从双目相机的标定(Matlab)到sgbm生成深度图的图文教程

  • stereo_shot.py:摄像头拍摄代码

  • 🎁Jeston nano_tensorrt:Jeston nano(Linux)部署资料

参考资料

1.🍔YOLOv5 Tensorrt Python/C++部署:YOLOv5 Tensorrt Python/C++部署_哔哩哔哩_bilibili

2.🍞Pytorch 搭建自己的YoloV5目标检测平台Bubbliiiing:Pytorch 搭建自己的YoloV5目标检测平台(Bubbliiiing 源码详解 训练 预测)-YoloV5整体结构介绍_哔哩哔哩_bilibili

3.CUDA的正确安装/升级/重装/使用方式:CUDA的正确安装/升级/重装/使用方式 - 知乎 (zhihu.com)

4.报错【Could not locate zlibwapi.dll. Please make sure it is in your library path】:Could not locate zlibwapi.dll. Please make sure it is in your library path_一休哥※的博客-CSDN博客

5.🍿windows下 C++ openCV配置及x86编译(傻瓜式教程):windows下 C++ openCV配置及x86编译(傻瓜式教程)_opencv x86_痕忆丶的博客-CSDN博客

6.树莓派开机自启动:树莓派开机自启动opencv程序脚本及报错分析_can’t initialize gtk backend in function 'cvinitsy_TohkaQAQ的博客-CSDN博

相关文章
|
10月前
|
算法 计算机视觉
OpenCV(四十一):图像分割-分水岭法
OpenCV(四十一):图像分割-分水岭法
146 0
|
10月前
|
编解码 算法 数据可视化
源码解读 | 单目相机实现3D目标检测—CaDDN
源码解读 | 单目相机实现3D目标检测—CaDDN
455 0
|
存储 传感器 编解码
3D激光SLAM:LeGO-LOAM论文解读---完整篇
![在这里插入图片描述](https://img-blog.csdnimg.cn/348d0b4467a24296a22413207566c67e.png) 论文的标题是:**LeGO-LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain** - 标题给出的应用场景是 **可变地形** - 重点是 **轻量级** 并 利用 **地面优化** - 本质依然是一个 **激光雷达里程计和建图**
3D激光SLAM:LeGO-LOAM论文解读---完整篇
|
存储 前端开发 数据可视化
3D激光SLAM:LeGO-LOAM---两步优化的帧间里程计及代码分析
**LeGO-LOAM**的全称是 Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain 其中LeGO就是轻量级和利用地面优化,轻量级的实现就是通过两步的优化方式,利用地面优化的部分也在两步优化的第一步中。 和原始LOAM一样,通过前后两帧点云来估计两帧之间的运动,从而累加得到前端里程计的输出,和上述方法使用线面约束同时优化六自由度帧间位姿不同,LeGO-LOAM的前端分成两个步骤,每个步骤估计三自由度的变量。 通过这种方式进行帧间里程计的运算,可以提供运算效率,使得可以在嵌入式平台
3D激光SLAM:LeGO-LOAM---两步优化的帧间里程计及代码分析
|
缓存 数据挖掘 计算机视觉
砥砺的前行|基于labview的机器视觉图像处理|NI Vision Assisant(五)——Grayscale(灰度图) 功能
砥砺的前行|基于labview的机器视觉图像处理|NI Vision Assisant(五)——Grayscale(灰度图) 功能
560 0
砥砺的前行|基于labview的机器视觉图像处理|NI Vision Assisant(五)——Grayscale(灰度图) 功能
|
7月前
|
数据可视化 图形学
小功能⭐️Unity2018 Shader Graph——全息影像、物体消融
小功能⭐️Unity2018 Shader Graph——全息影像、物体消融
|
10月前
|
算法 计算机视觉
OpenCV中使用加速鲁棒特征检测SURF与图像降噪讲解与实战(附源码)
OpenCV中使用加速鲁棒特征检测SURF与图像降噪讲解与实战(附源码)
127 0
|
机器学习/深度学习 算法 固态存储
10分钟学会使用YOLO及Opencv实现目标检测(下)|附源码
本文介绍使用opencv和yolo完成视频流目标检测,代码解释详细,附源码,上手快。
9187 1
|
存储 缓存 编解码
砥砺的前行|基于labview的机器视觉图像处理|NI Vision Assisant(三)——Image(图像) 功能
砥砺的前行|基于labview的机器视觉图像处理|NI Vision Assisant(三)——Image(图像) 功能
614 0
砥砺的前行|基于labview的机器视觉图像处理|NI Vision Assisant(三)——Image(图像) 功能
|
算法 计算机视觉
砥砺的前行|基于labview的机器视觉图像处理|NI Vision Assisant(六)——Binary(二值图) 功能
砥砺的前行|基于labview的机器视觉图像处理|NI Vision Assisant(六)——Binary(二值图) 功能
752 0
砥砺的前行|基于labview的机器视觉图像处理|NI Vision Assisant(六)——Binary(二值图) 功能