当前位置：首页 > news >正文

YOLOv8与双目视觉结合的车辆测距技术实践

news 2026/7/25 8:59:49

1. 项目背景与核心价值

在智能交通和自动驾驶领域，车辆距离的精确测量一直是个关键难题。传统单目摄像头方案虽然成本低，但测距精度受限于单视角的先天缺陷。而激光雷达方案虽然精度高，但成本昂贵难以普及。这个项目正是瞄准了这个痛点，采用YOLOv8目标检测结合双目视觉的SGBM立体匹配算法，实现了高性价比的车辆测距方案。

我去年参与过一个园区无人车项目，当时尝试过多种测距方案。单目摄像头在10米外的测距误差能达到±1.5米，而双目方案在相同条件下误差可以控制在±0.3米内。这个项目最吸引我的地方在于，它把YOLOv8这个当前最先进的目标检测算法，和经典的立体视觉技术做了巧妙结合，既保证了检测精度又提升了测距可靠性。

2. 技术方案整体设计

2.1 系统架构解析

整个系统的工作流程可以分为三个核心环节：

目标检测：使用YOLOv8实时检测画面中的车辆
立体匹配：通过SGBM算法计算视差图
距离计算：结合视差和相机参数计算实际距离

这种架构的优势在于：

YOLOv8的检测精度高（在COCO数据集上mAP达到53.7%）
SGBM算法对纹理丰富的场景匹配效果好
整个流程可以在普通GPU上实时运行（实测GTX 1660 Ti能达到25FPS）

2.2 硬件选型建议

根据我的实测经验，推荐以下硬件配置：

摄像头：Basler ace acA1920-50gc（200万像素，全局快门）
基线距离：12-15cm（距离精度和视场角的平衡）
计算设备：NVIDIA Jetson Xavier NX（适合嵌入式部署）

注意：摄像头必须严格同步触发，时间差超过1ms会导致明显的匹配误差。我们曾因这个细节导致测距波动达到10%。

3. 核心算法实现细节

3.1 YOLOv8检测优化

针对车辆检测的特殊需求，我对标准YOLOv8做了以下改进：

数据增强策略：
- 添加了模拟雨天、雾天的数据增强
- 针对远距离小目标增加了专门的正样本
模型结构调整：

# yolov8s.yaml backbone: - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2 - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4 - [-1, 3, C2f, [128, True]] - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8 # 精简了原版结构，提升小目标检测能力

训练技巧：
- 采用AdamW优化器（lr=0.001）
- 添加了EIoU损失函数
- 使用COSINE学习率调度

经过这些优化，在自建车辆数据集上mAP@0.5从78.3%提升到了85.6%，特别是50米外的车辆检出率提高了23%。

3.2 SGBM立体匹配实现

SGBM（Semi-Global Block Matching）算法的关键参数配置：

参数	推荐值	作用说明
minDisparity	0	最小视差
numDisparities	64	视差搜索范围
blockSize	9	匹配块大小
P1	839	平滑度惩罚系数
P2	3239	平滑度惩罚系数
disp12MaxDiff	1	左右一致性检查阈值
preFilterCap	63	预处理滤波截断值

实际调试中发现两个关键点：

P1/P2参数需要根据基线距离调整，我们总结的经验公式：
```
P1 = 8 * 通道数 * blockSize² P2 = 4 * P1
```
必须进行后处理：

# 视差图后处理 def post_process(disp): disp = cv2.medianBlur(disp, 3) disp = cv2.threshold(disp, 0, numDisparities, cv2.THRESH_TOZERO)[1] return disp

3.3 距离计算原理

双目测距的核心公式：

距离Z = (f × B) / d

其中：

f：相机焦距（像素单位）
B：基线距离（两摄像头间距）
d：视差值

在实际工程中还需要考虑：

相机标定误差补偿
镜头畸变校正
温度引起的焦距变化（每℃变化约0.02%）

我们开发了动态校准策略：

class DistanceCalculator: def __init__(self, calib_params): self.K1, self.K2 = calib_params['K1'], calib_params['K2'] self.D1, self.D2 = calib_params['D1'], calib_params['D2'] def calculate(self, bbox, disp_map): # 获取检测框中心点 cx = (bbox[0] + bbox[2]) / 2 cy = (bbox[1] + bbox[3]) / 2 # 提取视差值（取ROI区域中值） roi = disp_map[cy-10:cy+10, cx-10:cx+10] d = np.median(roi[roi > 0]) # 计算距离 Z = (self.K1[0,0] * self.B) / (d + 1e-5) return Z

4. 工程实现关键问题

4.1 实时性优化

在Jetson Xavier NX上的性能优化手段：

模型量化：

python export.py --weights yolov8s.pt --include onnx --half

TensorRT加速：

# 创建TRT引擎 logger = trt.Logger(trt.Logger.WARNING) builder = trt.Builder(logger) network = builder.create_network() parser = trt.OnnxParser(network, logger) # ...（省略引擎构建过程）

流水线并行：

将检测、匹配、计算分配到不同CUDA流
使用双缓冲技术减少等待时间

优化前后性能对比：

优化阶段	推理速度(FPS)	内存占用(MB)
原始模型	15.2	1256
FP16量化	22.7	892
TensorRT	38.5	743

4.2 典型问题排查

我们在实际部署中遇到的主要问题及解决方案：

远距离测距不准：

原因：视差小于1个像素时量化误差显著
解决：采用亚像素插值算法

disp = disp.astype(np.float32) disp = cv2.medianBlur(disp, 3) disp = cv2.remap(disp, ..., cv2.INTER_CUBIC) # 三次样条插值

车辆遮挡导致的测距跳变：

现象：相邻帧距离突变超过20%
解决：添加卡尔曼滤波

class DistanceFilter: def __init__(self): self.kf = cv2.KalmanFilter(2,1) self.kf.measurementMatrix = np.array([[1,0]], np.float32) self.kf.processNoiseCov = np.eye(2, dtype=np.float32) * 1e-5 def update(self, z): self.kf.predict() return self.kf.correct(np.array([[z]], np.float32))

夜间性能下降：

对策：添加红外补光灯（850nm波长）
修改SGBM参数：

stereo.setPreFilterCap(31) # 降低预处理阈值 stereo.setUniquenessRatio(15) # 提高唯一性约束

5. 完整实现代码框架

以下是核心代码的结构说明：

vehicle_distance/ ├── calibrate/ # 相机标定工具 │ ├── stereo_calib.py # 双目标定 │ └── rectification.py # 极线校正 ├── detection/ # 目标检测 │ ├── train.py # 模型训练 │ └── inference.py # 推理接口 ├── stereo/ # 立体匹配 │ ├── sgbm.py # SGBM实现 │ └── postprocess.py # 视差后处理 └── main.py # 主流程

关键接口调用示例：

# 初始化 detector = YOLOv8Detector("yolov8s.trt") matcher = SGMMatcher(calib_file="calib.json") calculator = DistanceCalculator(calib_file="calib.json") # 处理帧循环 while True: left_img, right_img = camera.get_frame() # 检测车辆 detections = detector(left_img) # 计算视差 disp = matcher.compute(left_img, right_img) # 计算距离 for det in detections: if det.class_id == 2: # 车辆类 distance = calculator.calculate(det.bbox, disp) print(f"Vehicle at {distance:.2f}m")