【技术实现步骤摘要】
本专利技术涉及目标检测和双目测距，尤其涉及一种基于双目视觉的行人预警方法和系统。
技术介绍
1、目标检测分为传统的目标检测与基于深度学习的目标检测。传统目标检测分为手动选择候选区域、提取特征、分类器分类三个主要步骤。如hari特征、sobel边缘检测特征、hog特征等。基于深度学习的目标检测算法是使用卷积神经网络提取特征的方式，这种方式为卷积、池化、上采样，最后自动检测及分类所需目标的高维特征。这种高维特征具有极强的表达能力与泛化性，所以其在复杂场景下的检测性能较好，可满足工业界的大部分应用需求。基于深度学习的目标检测算法根据其算法流程特点大致可以分为两类：两阶段目标检测算法和单阶段目标检测算法。两阶段目标检测算法的主要代表是r-cnn系列，单阶段目标检测算法的代表有yolo系列。
2、现有双目行人检测及测距方案，存在神经网络结构设计复杂，导致特征的泛化能力较弱，在复杂场景中性能表现较差的问题。具体表现为识别效果不够好，准确率不高、计算量较大，运算速度慢、可能产生多个正确识别以及很小的群体检测效果不好，不常见的角度的目标泛化性能偏弱的结果等多个缺点，从而导致行人测距不准确，测距结果不稳定。
技术实现思路
1、有鉴于此，有必要提供一种基于双目视觉的行人预警方法和系统，用以解决现有技术的上述缺陷。
2、为了解决上述问题，第一方面，本专利技术提供一种基于双目视觉的行人预警系统，包括：
3、利用预先训练好的目标检测模型对双目相机采集的图像进行目标检测，得
4、通过双目立体匹配算法得到目标的视差图，根据所述目标的视差图和目标的位置信息，得到目标与双目相机的距离；
5、根据目标与双目相机的距离，进行避障预警判断。
6、优选的，所述引入biformer注意力机制的yolov7模型包括多个cbs模块、多个elan模块、多个mp模块、一个biformer注意力机制模块以及一个sppcspc模块，所述biformer注意力机制模块设置于sppcspc模块之前。
7、优选的，所述目标检测模型的训练步骤包括：
8、构建目标检测模型；
9、收集不同场景下包含目标的多张图像，构建训练数据集；
10、基于训练数据集对所述目标检测模型进行训练，测试目标检测模型的map值，直到所述目标检测模型的map值达到预设目标值，得到训练好的目标检测模型。
11、优选的，所述构建目标检测模型，具体包括：
12、在yolov7模型主干网络的sppcspc模块之前设置biformer注意力机制模块；
13、去除yolov7模型的32倍下采样尺度的检测头，将yolov7模型由三尺度输出结构转变为双尺度输出结构，得到优化后的yolov7模型，将优化后的yolov7模型作为目标检测模型。
14、优选的，所述通过双目立体匹配算法得到目标的视差图，具体包括：
15、对双目相机获取的左、右图像进行畸变矫正；
16、通过sgbm立体匹配算法得到畸变矫正后左、右图像的视差图，计算目标在左、右图像中的视差值。
17、优选的，所述目标为行人，所述双目相机搭载于施工机器上。
18、第二方面，本专利技术还提供一种基于双目视觉的行人预警系统，包括：
19、目标检测模块，用于利用预先训练好的目标检测模型对双目相机采集的图像进行目标检测，得到目标在图像中的位置信息；其中，所述目标检测模型为引入biformer注意力机制的yolov7模型；
20、双目测距模块，用于通过双目立体匹配算法得到目标的视差图，根据所述目标的视差图和目标的位置信息，得到目标与双目相机的距离；
21、避障预警模块，用于根据目标与双目相机的距离，进行避障预警判断。
22、优选的，行人预警系统还包括：
23、模型构建模块，用于在yolov7模型主干网络的sppcspc模块之前设置biformer注意力机制模块；去除yolov7模型的32倍下采样尺度的检测头，将yolov7模型由三尺度输出结构转变为双尺度输出结构，得到优化后的yolov7模型，将优化后的yolov7模型作为目标检测模型。
24、第三方面，本专利技术还提供了一种电子设备，包括存储器和处理器，其中，
25、所述存储器，用于存储程序；
26、所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现如本专利技术第一方面实施例所述的基于双目视觉的行人预警方法中的步骤。
27、第四方面，本专利技术还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现如本专利技术第一方面实施例所述的基于双目视觉的行人预警方法中的步骤。
28、采用上述实施例的有益效果是：本专利技术提供的基于双目视觉的行人预警方法及系统，在yolov7模型中引入biformer注意力机制，提高目标检测的准确率和检测速率。改进立体匹配算法以提高测距精度，结合目标检测技术与双目测距技术，实现行人目标检测及测距功能。本方案应用于道路施工场景时，能够解决行人测距不准确的问题，避免在施工路段时机器作业与行人之间没有保持好安全距离导致发生事故。
本文档来自技高网...【技术保护点】
1.一种基于双目视觉的行人预警方法，其特征在于，包括：
2.根据权利要求1所述的基于双目视觉的行人预警方法，其特征在于，所述引入BiFormer注意力机制的YOLOv7模型包括多个CBS模块、多个ELAN模块、多个MP模块、一个BiFormer注意力机制模块以及一个SPPCSPC模块，所述BiFormer注意力机制模块设置于SPPCSPC模块之前。
3.根据权利要求1所述的基于双目视觉的行人预警方法，其特征在于，所述目标检测模型的训练步骤包括：
4.根据权利要求3所述的基于双目视觉的行人预警方法，其特征在于，所述构建目标检测模型，具体包括：
5.根据权利要求1所述的基于双目视觉的行人预警方法，其特征在于，所述通过双目立体匹配算法得到目标的视差图，具体包括：
6.根据权利要求1所述的基于双目视觉的行人预警方法，其特征在于，所述目标为行人，所述双目相机搭载于施工机器上。
7.一种基于双目视觉的行人预警系统，其特征在于，包括：
8.根据权利要求1所述的基于双目视觉的行人预警系统，其特征在于，其特征在于，
9.一种电子设备，
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现上述权利要求1至6中任意一项所述的基于双目视觉的行人预警方法中的步骤。
...【技术特征摘要】
1.一种基于双目视觉的行人预警方法，其特征在于，包括：
2.根据权利要求1所述的基于双目视觉的行人预警方法，其特征在于，所述引入biformer注意力机制的yolov7模型包括多个cbs模块、多个elan模块、多个mp模块、一个biformer注意力机制模块以及一个sppcspc模块，所述biformer注意力机制模块设置于sppcspc模块之前。
3.根据权利要求1所述的基于双目视觉的行人预警方法，其特征在于，所述目标检测模型的训练步骤包括：
4.根据权利要求3所述的基于双目视觉的行人预警方法，其特征在于，所述构建目标检测模型，具体包括：
5.根据权利要求1所...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。