王鸽 2024年 指导教师：廖开阳

随着国家经济和科技的飞速发展，家庭汽车在国内的普及程度不断提高。然而，随之而来的是交通事故的频繁发生，这已成为一个不容忽视的社会问题。面对复杂的道路情况，驾驶者需要及时准确地判断车辆之间的距离，以避免碰撞和事故的发生。单目测距系统的应用可以为驾驶者提供重要的辅助，帮助他们预测潜在的危险，并及时采取措施避免事故的发生。然而，目前的单目相机车辆测距算法存在一些问题，其中包括精度不稳定和对小目标识别困难等。因此，改进和优化现有的单目测距系统对于提高道路安全性至关重要。本文旨在提出基于深度学习的神经网络算法和单目视觉的车辆目标测距系统。研究的重点将集中在以下三个方面：

（1）提出YOLOv5s 目标检测算法

在当前车辆目标检测领域，尽管已有众多算法得到了广泛应用，但在面对小目标检测时，仍存在着诸多挑战。小目标由于其在图像中所占像素较少，特征信息不丰富，使得检测算法难以准确捕捉和识别。为了解决这一问题，我们深入研究了现有的车辆目标检测算法，并进行了详细的对比分析。经过对比，我们发现基于YOLOv5s 算法网络框架在处理小目标检测方面表现出了显著的优势。YOLOv5s 作为YOLO 系列算法中的一种轻量级版本，不仅具有较高的检测速度，而且在小目标检测方面也具有较好的性能。

（2）提出几何测距算法

在距离测量领域，单目测距和双目测距是两种常见的技术方法。本文在深入比较了两者之间的差异后，决定采用单目摄像头进行图像的捕捉工作。这是因为单目测距具有设备简单、成本低廉以及易于集成等优点，尽管它在精度方面可能略逊于双目测距，但在许多实际应用中，其性价比和实用性足以满足需求。单目测距主要依赖于图像处理技术和算法，通过对摄像头捕捉到的图像进行特征提取和匹配，进而推算出目标与摄像头之间的距离。为了提高测距精度，本文基于目标检测下的坐标系之间的转换关系，提出了一种基于相似三角的测量方法。这种方法首先通过目标检测算法确定目标在图像中的位置，然后利用相似三角形的性质，将图像坐标系中的目标位置转换为实际空间中的距离。

（3）实验验证

在本文中，我们将深入探讨一种基于单目相机的几何测距模型，并通过采集驾驶环境中的视觉信息，对这些数据进行整理和分析，以验证该模型的有效性。这种测距模型不仅有助于提升自动驾驶系统的性能，还能为驾驶者提供更加精确和可靠的车辆间距信息，从而保障行车安全。

综上所述，本文提出的单目相机几何测距模型在实际驾驶环境中表现出了良好的性能。通过采集和分析驾驶环境中的视觉信息，我们验证了该模型的有效性，并证明了其在实际应用中的可行性和优势。未来，我们将继续优化和完善该模型，以期在自动驾驶和智能交通领域发挥更大的作用。

图1 车辆识别检测结果

图2 车辆距离检测结果