yolov5 deepsort-船舶目标检测+目标跟踪+单目测距+速度测量(代码+教程)

简介: yolov5 deepsort-船舶目标检测+目标跟踪+单目测距+速度测量(代码+教程)

简介

YOLOv5是一种流行的目标检测算法,它是YOLO系列算法的最新版本。YOLOv5采用了一种新的架构,可以在保持高准确性的同时提高检测速度。在本文中,我们将介绍如何使用YOLOv5算法来进行船舶跟踪和测距。


算法流程

首先,我们需要准备一个船舶检测模型。我们可以使用YOLOv5算法对一组带有船舶的图像进行训练,以便模型可以学习如何检测船舶。在训练之后,我们可以使用该模型来检测新图像中的船舶。

一旦我们有了一个船舶检测模型,就可以开始跟踪船舶。我们可以使用跟踪算法,例如Kalman滤波器或卡尔曼滤波器和粒子滤波器,来跟踪检测到的船舶。这些算法可以使用检测到的船舶位置和速度信息来估算船舶的未来位置,并且能够在目标运动模式发生变化时进行自适应。


在跟踪船舶时,我们还可以使用光流算法来估算船舶的速度和方向。光流是一种计算像素在连续帧之间的运动的方法,这可以用来估算船舶的速度和方向。通过将光流算法与跟踪算法结合使用,我们可以更好地跟踪船舶,并估算出船舶的未来位置和速度。


运行demo.py代码

def main():

    func_status = {}
    func_status['headpose'] = None

    name = 'demo'

    det = Detector()
    cap = cv2.VideoCapture(VIDEO_PATH)
    fps = int(cap.get(5))
    print('fps:', fps)
    t = int(1000/fps)

    size = None
    videoWriter = None

    while True:

        # try:
        _, im = cap.read()
        if im is None:
            break

        result1 = det.feedCap(im, func_status)
        result = result1['frame']
        #object1 = result['list_of_ids']
        boxes=result1['obj_bboxes']
#########################################
        curr_x=0
        curr_y=0

        if boxes:
            print("-----------",boxes)
            print('------------type:',type(boxes))
            for l in range(len(boxes)):
                x1, y1, x2, y2, lbl, conf=boxes[l][0],boxes[l][1],boxes[l][2],boxes[l][3],boxes[l][4],boxes[l][5]
                result_speed = calculate_velocity(curr_x, curr_y, x2, y2, 1, 0.5)/3.6
                curr_x=x1
                curr_y =y1

                print("速度:", result_speed)
                actual_height=20
                actual_width=100
                triangle_height=y2-y1
                triangle_width=x2-x1
                focal_length=10
                distance=calculate_distance(actual_height, actual_width, triangle_height, triangle_width, focal_length)
                print("di----------s",type(distance))
                if distance <10 and result_speed>10:
                    color=(0,255,255)
                result = draw_boxes(result, boxes, identities=None, offset=(0, 0), color=color,distance=distance,speed=result_speed)

        else:
            color=(255,0,0)
##################################################
        result=draw_boxes(result, boxes, identities=None, offset=(0, 0),color=color)

        result = imutils.resize(result, height=500)
        if videoWriter is None:
            fourcc = cv2.VideoWriter_fourcc(
                'm', 'p', '4', 'v')  # opencv3.0
            videoWriter = cv2.VideoWriter(
                RESULT_PATH, fourcc, fps, (result.shape[1], result.shape[0]))

        videoWriter.write(result)
        cv2.imshow(name, result)
        cv2.waitKey(t)

        if cv2.getWindowProperty(name, cv2.WND_PROP_AUTOSIZE) < 1:
            # 点x退出
            break

    cap.release()
    videoWriter.release()
    cv2.destroyAllWindows()


最后,我们可以使用摄像头的参数和船舶图像的尺寸来测量船舶的距离。通过计算船舶在图像中的像素大小,然后使用相机参数和船舶的实际大小来计算船舶与相机之间的距离。这可以用于跟踪船舶并估算船舶的远近。


结果


单目标


多目标跟踪


总结

总之,使用YOLOv5算法进行船舶跟踪和测距是一种高效准确的方法。通过训练一个船舶检测模型,并结合跟踪算法和光流算法来跟踪船舶,我们可以估算出船舶的未来位置和速度。然后,使用摄像头的参数和船舶图像的尺寸来测量船舶的距离,我们可以更好地了解船舶的远近。

相关文章
|
机器学习/深度学习 存储 监控
yolov5单目测距+速度测量+目标跟踪(算法介绍和代码)
yolov5单目测距+速度测量+目标跟踪(算法介绍和代码)
|
计算机视觉 Python
Yolov5双目测距-双目相机计数及测距教程(附代码)
Yolov5双目测距-双目相机计数及测距教程(附代码)
|
传感器 C++ 计算机视觉
【opencv3】详述PnP测距完整流程(附C++代码)
【opencv3】详述PnP测距完整流程(附C++代码)
1185 0
|
传感器 机器学习/深度学习 编解码
最新综述!基于视觉的自动驾驶环境感知(单目、双目和RGB-D)
目相机使用来自单个视点的图像数据作为输入来估计对象深度,相比之下,立体视觉是基于视差和匹配不同视图的特征点,深度学习的应用也进一步提高了准确性。此外,SLAM可以建立道路环境模型,从而帮助车辆感知周围环境并完成任务。本文介绍并比较了各种目标检测和识别方法,然后解释了深度估计的发展,并比较了基于单目、立体和RGB-D传感器的各种方法,接下来回顾并比较了SLAM的各种方法。最后总结了当前存在的问题,并提出了视觉技术的未来发展趋势。
最新综述!基于视觉的自动驾驶环境感知(单目、双目和RGB-D)
|
机器学习/深度学习 编解码 监控
计算机视觉实战项目4(单目测距与测速+摔倒检测+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A_路径规划+行人车辆计数+动物识别等)-1
计算机视觉实战项目4(单目测距与测速+摔倒检测+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A_路径规划+行人车辆计数+动物识别等)-1
|
数据挖掘 PyTorch 算法框架/工具
人脸识别中的损失函数ArcFace及其实现过程代码(pytorch)--理解softmax损失函数及Arcface
人脸识别中的损失函数ArcFace及其实现过程代码(pytorch)--理解softmax损失函数及Arcface
1365 0
|
机器学习/深度学习 人工智能 算法
AI计算机视觉笔记十一:yolo5+Deepsort实现目标检测与跟踪(CPU版)
DeepSORT是一种基于深度学习的计算机视觉跟踪算法,扩展了SORT算法,通过添加外观描述符减少身份切换,提高跟踪效率。本文档提供了DeepSORT环境搭建步骤,包括创建虚拟环境、安装依赖及解决常见错误等,最终实现人员和车辆的跟踪计数功能。适合无GPU设备的学习者参考。
|
机器学习/深度学习 监控 并行计算
yolov5 deepsort 行人/车辆(检测 +计数+跟踪+测距+测速)
yolov5 deepsort 行人/车辆(检测 +计数+跟踪+测距+测速)
|
机器学习/深度学习 存储 安全
基于YOLOv8深度学习的复杂场景下船舶目标检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测
基于YOLOv8深度学习的复杂场景下船舶目标检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测
|
计算机视觉
【目标跟踪】卡尔曼滤波器(Kalman Filter) 含源码
【目标跟踪】卡尔曼滤波器(Kalman Filter) 含源码
630 0