【Yolov5实战】人车距离风险评估方案

由于之前已经完成了Yolov5的安装、数据集标注、模型训练工作，在此便将训练完成的模型运用起来，完成一个项目。
上述提到的部分可见之前文章：

Yolov5安装及简单使用：Yolov5安装及简单使用
数据集标注：数据集标注方法
模型训练：用Yolov5训练数据集

1.项目思路

通过已经训练完成的模型，可以实现对需要检测的目标标记预测框，若要计算人与车的距离，不妨可以分别计算出人与车的中心点，然后计算二者距离即可，再根据距离来进行风险评估。

2.项目实现

# 计算物体中心点
def calculate_center_point(xy):
    return (int(xy[2]) + int(xy[0])) // 2, (int(xy[3]) + int(xy[1])) // 2

# 画出人和车的中心点
def plot_people_points(xy, im):
    thickness = -1
    color = [0, 255, 0]
    center = calculate_center_point(xy)
    radius = 10
    cv2.circle(im, center, radius, color, thickness)

def plot_car_points(xy, im):
    thickness = -1
    color = [0, 0, 255]  # red
    center = calculate_center_point(xy)
    radius = 10
    cv2.circle(im, center, radius, color, thickness)

# 计算人车距离
def calculate_distance(people_coords, car_coords):
    # 人与车的中心点
    centers_people = []
    centers_car = []

    # 分别计算中心点
    for i in people_coords:
        centers_people.append(calculate_center_point(i))
    for i_car in car_coords:
        centers_car.append(calculate_center_point(i_car))
    centers = itertools.product(people_coords, car_coords, repeat=1)
    for xy in centers:
        people_center_list = (((int(xy[0][2]) + int(xy[0][0])) // 2,
                        (int(xy[0][3]) + int(xy[0][1])) // 2))
        car_center_list = (((int(xy[1][2]) + int(xy[1][0])) // 2,
                     (int(xy[1][3]) + int(xy[1][1])) // 2))
        # 欧氏距离
        return ((car_center_list[0] - people_center_list[0]) ** 2 + (car_center_list[1] - people_center_list[1]) ** 2) ** 0.5

3.项目效果

4.改进思路

由于博主人工智能方面的学习初入门径，所以难免存在一些问题。

• 此处采用的是二维坐标来计算，不够准确，如果运用于实际，显然是不行的，可以修改为三维。
• 实时性不够，如若实际用于交通风险评估并给予示警，很显然是来不及的，可以改进算法来提高实时性。
• 显示结果太过冗杂，可以通过算法改进，通过某种机制来实现结果过滤，是显示的结果相对有意义。

5.源代码

源代码