目标检测最新论文（2023年目标检测毕业设计(yolov5车辆识别、车辆检测、车牌识别、行人识别)）
yolov5车辆识别视频
yolov5 yoloR对比行人车辆识别视频
yolov8识别视频
订阅专栏获得源码:
http://t.csdn.cn/zsG47
先看一下yolo发展史
二 、单目测距原理
图中有一个车辆 ，且车辆在地面上 ，其接地点Q必定在地面上 。那么Q点的深度便可以求解出来 。具体求解步骤懒得打公式了 ，就截图了 。在单目测距过程中 ，实际物体上的Q点在成像的图片上对应Q’点 ，Q’点距离o1点沿y轴的距离为o1p’ 。这个距离o1p’除以y轴像素焦距fy (单位为pixel) ，再求arctan即可得到角度b’ 。然后按图中步骤很容易理解了 。
三 、准备工作
参考我这篇文章：
第一步：将整个代码从github上下载下来 ，
网址：GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite
也可以直接到GitHub上搜yolov5
主要是安装版本与配置声明中所需在库 。
matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0
tensorboard>=2.4.1
seaborn>=0.11.0
pandas
pycocotools>=2.0 # COCO mAP
albumentations>=1.0.2(1)安装pytorch（建议安装gpu版本cpu版本太慢）
这些库中可能就pytorch比较难安装 ，其他库用pip install 基本能实现 。
可直接在Anaconda Prompt里输入：
pip install torch==1.7.0+cu101 torchvision==0.8.1+cu101 torchaudio===0.7.0 -f https://download.pytorch.org/whl/torch_stable.html
1.运行检测
下载完yolov5后 ，运行detect ，可以帮助我们检查上面的环境是不是安装成功 。
如果运行不报错 ，我们会在runs//detect//exp 文件夹下看到两张已经预测出的照片 。
3.运行检测
下载完yolov5后 ，运行detect ，可以帮助我们检查上面的环境是不是安装成功 。
如果运行不报错 ，我们会在runs//detect//exp 文件夹下看到两张已经预测出的照片 。
如果报错 ，问题也不大 ，看就是安装的环境版本比较低或者没安装 ，我们稍微调试一下就OK了 。
五 、数据集
我们先要创建几个文件夹用来存放数据和模型 。
在yolov5-master如下图所示文件夹
1.制作标签
这里我是以穿越火线为例 ，提供100个已经标记好的数据（放在文末） 。你也可以自己标记 ，一百张效果不是很好 ，可以多标记几张 。
(1)安装labelme
在Anaconda Prompt里pip install labelme
(2)使用labelme
在Anaconda Prompt里输入labelme ，会弹出一个窗口 。
然后打开图片所在的文件夹
点击rectangle ，标记想要识别的东西 。
环境准备
Anaconda 4.10.3 Tensorflow 2.6.0 python3.7.8 coding: utf-8 pycharm解释器：D:\Anaconda\envs\tensorflow\python.exe 以及各种第三方库
思路流程
1 、将图片通过opencv切割识别定位车牌 ，切割保存
2 、识别省份简称 、识别城市代号 、识别车牌编号功能描述
car_num_main.py :将图片转为灰度图像 ，灰度图像二极化 ，分割图像并分别保存为.jpg和.bmp文件 train-license-province.py : 省份简称训练识别 train-license-letters.py :城市代号训练识别 train-license-digits.py :车牌编号训练识别
细节阐述1 、图片切割后分别保存在两个文件夹./img_cut and ./img_cut_not_3240 2 、识别车牌需进入终端 ，在命令行中进入脚本所在目录 ， 输入执行如下命令：python train-license-province.py train 进行省份简称训练 输入执行如下命令：python train-license-province.py predict 进行省份简称识别 输入执行如下命令：python train-license-letters.py train 进行城市代号训练 输入执行如下命令：python train-license-letters.py predict 进行城市代号识别 输入执行如下命令：python train-license-digits.py train 进行车牌编号训练 输入执行如下命令：python train-license-digits.py predict 进行车牌编号识别 3 、将要识别的图片调为.jpg格式,大小调为像素600*413最佳 ，可依据代码酌情调试 4 、具体可以准确识别的车牌号参见数据集中训练集
测试数据集
项目总体框架capture_img ：存放将要识别的车牌图片
img_cut：运行car_num_main.py后生成切割后的图片
img_cut_not_3240 ：运行 car_num_main.py 后生成切割后的图片（对比度加强）
test_images：存放测试图片
train_images: 存放训练图片
train-saver： 训练模型
过程展示PS D:\pycharm\pycharm_work> cd .\chepai\
PS D:\pycharm\pycharm_work\chepai> python train-license-province.py train
复制代码
PS D:\pycharm\pycharm_work\chepai> python train-license-province.py predict
复制代码
PS D:\pycharm\pycharm_work\chepai> python train-license-digits.py predict
复制代码
技术简介一 、Tensorflow
TensorFlow是一个开放源代码软件库 ，用于进行高性能数值计算 。借助其灵活的架构 ，用户可以轻松地将计算工作部署到多种平台（CPU 、GPU 、TPU）和设备（桌面设备 、服务器集群 、移动设备 、边缘设备等） 。
TensorFlow 是一个用于研究和生产的开放源代码机器学习库 。TensorFlow 提供了各种 API ，可供初学者和专家在桌面 、移动 、网络和云端环境下进行开发 。
TensorFlow是采用数据流图（data flow graphs）来计算,所以首先我们得创建一个数据流流图,然后再将我们的数据（数据以张量(tensor)的形式存在）放在数据流图中计算 。节点（Nodes）在图中表示数学操作,图中的边（edges）则表示在节点间相互联系的多维数据数组, 即张量（tensor) 。训练模型时tensor会不断的从数据流图中的一个节点flow到另一节点 。
二 、OpenCV
OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉和机器学习软件库 ，可以运行在Linux 、Windows 、Android和Mac OS操作系统上 。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成 ，同时提供了Python 、Ruby 、MATLAB等语言的接口 ，实现了图像处理和计算机视觉方面的很多通用算法 。
OpenCV提供的视觉处理算法非常丰富 ，并且它部分以C语言编写 ，加上其开源的特性 ，处理得当 ，不需要添加新的外部支持也可以完整的编译链接生成执行程序 ，所以很多人用它来做算法的移植 ，OpenCV的代码经过适当改写可以正常的运行在DSP系统和ARM嵌入式系统中 。其应用领域诸如：人机互动 ，物体识别 ，图像分割 ，人脸识别 ，动作识别 ，运动跟踪 ，机器人 ，运动分析 ，机器视觉 ，结构分析 ，汽车安全驾驶等领域 。
系统设计
车牌自动识别是以计算机视觉处理 、数字图像处理 、模式识别等技术为基础 ，对摄像机所拍摄的车辆图像或者视频图像进行处理分析 ，得到每辆车的车牌号码 ，从而完成识别的过程 。在此基础上 ，可实现停车场出入口收费管理 、盗抢车辆管理 、高速公路超速自动化管理 、闯红灯电子警察 、公路收费管理等各种交通监管功能 。
一 、系统处理流程车牌自动识别系统的设计包含车辆图像获取 、车牌区域定位 、车牌特征轮廓提取和车牌内容识别环节 。
二 、车牌获取
车牌图像获取是进行车牌识别的首要环节 ，车牌图像可以从摄像机拍摄的车辆图像或者视频图像中进行抽取 ，车牌图像的获取也可由用户手机拍摄后传入车牌识别系统 。
三 、灰度图像生成
摄像机拍摄的含有车牌信息的车辆图像是彩色的 ，为了提高车牌识别的抗外界干扰的能力 ，先将彩色车辆图像生成二值的灰度图像 ，实现基于色调的车牌区域定位 。由于国内的车牌往往是蓝底白字 ，因此 ，可以利用图像的色调或者色彩饱和度特征 ，生成二值灰度图像 ，从而实现更加准确地定位车牌位置 。
四 、车牌区域定位
车牌区域的定位采用基于形状的方法 。由于车辆图像背景比较复杂 ，所以应该根据车牌的特征进行初次筛选 。车牌的特征可以选择中国车牌的大小 、比例特征 ，因为车牌都是固定的矩形形状 ，通过首先寻找图像上拥有矩形特征的区域 ，然后再抽取这些区域 ，再结合车牌的长宽的比例特征可以筛选出相应的矩形区域 ，从而实现对车牌的准确定位 。
五 、特征轮廓提取
OpenCV 与 Python 的接口中使用 cv2.fifindContours() 函数来查找检测物体的轮廓 。
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！