双目视觉下基于GGW-YOLOv8的车辆测距及识别技术OA

针对传统目标检测和测距技术存在测距传感器昂贵、复杂路段检测精度低、检测速率慢的问题,本文提出一种基于GGW-YOLOv8的车辆前车距离测量及目标识别技术。该算法对YOLOv8n进行改进,在中目标和大目标检测头前引入全局注意力机制(GAM),通过减少信息损失和放大全局交互提高模型对车辆目标的特征提取能力;在颈端网络引入GSConv轻量化卷积模块,通过深度可分离卷积和混洗操作减少模型参数量和计算量;用WIoU_v3损失函数替换原有的CIoU损失函数,通过非单调动态聚焦机制的梯度增益分配策略提升模型的泛化能力和网络边界框的回归精度;搭建基于SGBM半全局立体匹配算法的双目视觉测距系统进行车辆测距,开发融合车辆目标检测与测距的上位机系统,并将其移植部署到嵌入式边缘设备,开展实车搭载检测。实验结果表明,相较于YOLOv8n模型,本文改进模型参数量下降0.3M,计算量下降0.2G,在自制数据集和公共数据集上,检测精度分别提升0.8%和4.4%;在校内封闭路段,测距结果平均误差的绝对值为104 mm,平均相对误差为1.49%;在真实道路环境,平均误差的绝对值为307.4 mm,平均相对误差为3.29%,平均每帧耗时30.12 ms,可满足实际测距场景下的需求。