YOLOv11视觉检测实战：安全距离测算全解析

一、引言：YOLOv11 为何能做安全距离测算？

随着智能交通、工业安防等场景对距离监测需求激增，传统雷达、激光设备因成本高、部署难受限。YOLOv11 作为最新一代目标检测算法，凭借实时性（30+ FPS） 与高精度检测特性，成为视觉测距的理想基座 ------ 其输出的目标边界框坐标，可直接关联几何模型计算真实距离，实现低成本、易部署的安全监测方案。

本文将聚焦单目视觉方案（最通用场景），详解从相机标定到安全预警的全流程，附代码实现与实战案例。

二、核心原理：3 步打通 "检测→测距→判定" 逻辑

2.1 基础：YOLOv11 的检测输出如何支撑测距？

YOLOv11 通过端到端网络输出目标的边界框（x1,y1,x2,y2） 、类别标签与置信度。其中边界框的像素尺寸（宽度 w=x2-x1，高度 h=y2-y1）是测距关键 ------ 基于 "近大远小" 的透视原理，结合相机参数与目标真实尺寸，即可反推距离。

2.2 核心：单目视觉测距的数学模型

单目测距依赖针孔相机模型与相似三角形原理，核心公式仅需 3 个参数：

Matlab 复制代码

距离Z（米）= (目标实际尺寸H × 相机焦距f) / 目标像素尺寸h

参数定义：

H：目标真实高度 / 宽度（如轿车宽 1.8 米、行人高 1.7 米）
f：相机焦距（像素单位，需标定获取）
h：YOLO 检测框的像素高度 / 宽度

推导过程（直观理解）：

Matlab 复制代码

真实场景中：相机焦距f ↔ 目标实际尺寸H → 形成三角形1
图像中：焦距f（像素） ↔ 检测框尺寸h（像素） → 形成三角形2
两三角形相似 → Z/H = f/h → Z = (H×f)/h

2.3 前提：相机标定（关键步骤，误差源头）

未标定的相机将导致测距误差超 30%，标定核心是获取内参矩阵 K：

复制代码

fx/fy：x/y 轴焦距（像素）
cx/cy：图像主点坐标（通常为图像中心）

标定实操步骤（OpenCV 实现）：

打印棋盘格标定板（如 9×6 角点）
从不同角度拍摄 15 + 张标定板图像
运行标定代码获取参数：

python 复制代码

import cv2
import numpy as np

# 1. 准备标定板参数
chessboard_size = (9, 6)
square_size = 0.025  # 棋盘格边长（米）

# 2. 提取角点
obj_points = []  # 真实世界坐标
img_points = []  # 图像像素坐标
objp = np.zeros((np.prod(chessboard_size), 3), np.float32)
objp[:, :2] = np.mgrid[0:chessboard_size[0], 0:chessboard_size[1]].T.reshape(-1, 2) * square_size

# 3. 遍历标定图计算
images = ["calib_1.jpg", "calib_2.jpg"]  # 标定图像列表
for img_path in images:
    img = cv2.imread(img_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret, corners = cv2.findChessboardCorners(gray, chessboard_size, None)
    if ret:
        obj_points.append(objp)
        img_points.append(corners)

# 4. 计算内参
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    obj_points, img_points, gray.shape[::-1], None, None
)
fx, fy = mtx[0, 0], mtx[1, 1]  # 提取焦距
cx, cy = mtx[0, 2], mtx[1, 2]  # 提取主点坐标

三、实战流程：YOLOv11 安全距离测算 4 步落地

以 "智能交通车辆安全距离监测" 为例（安全阈值设为 5 米），完整实现代码与解析如下：

3.1 环境搭建

bash 复制代码

# 核心依赖
pip install ultralytics==8.2.0  # YOLOv11需此版本
pip install opencv-python numpy scipy

3.2 模型加载与目标检测

使用预训练 YOLOv11 模型检测车辆，输出边界框信息：

python 复制代码

from ultralytics import YOLO

# 加载YOLOv11模型
model = YOLO("yolov11n.pt")  # 轻量化模型，n/s/m/l可选

def detect_vehicles(frame):
    """检测图像中的车辆，返回边界框与置信度"""
    results = model(frame, stream=True)
    vehicles = []  # 存储格式：(x1,y1,x2,y2, 置信度)
    for r in results:
        boxes = r.boxes
        for box in boxes:
            # 筛选车辆类别（COCO数据集类别2为汽车）
            if box.cls == 2 and box.conf > 0.5:
                x1, y1, x2, y2 = map(int, box.xyxy[0])
                vehicles.append((x1, y1, x2, y2, float(box.conf)))
    return vehicles

3.3 距离计算函数实现

结合标定参数与车辆真实尺寸（轿车宽 1.8 米）：

python 复制代码

# 相机标定参数（示例值，需替换为实际标定结果）
FX = 1200.0  # x轴焦距（像素）
VEHICLE_WIDTH = 1.8  # 车辆实际宽度（米）

def calculate_distance(box_width):
    """
    计算车辆与相机的距离
    box_width: 检测框像素宽度（x2-x1）
    """
    if box_width == 0:
        return 0.0
    # 应用核心公式
    distance = (VEHICLE_WIDTH * FX) / box_width
    return round(distance, 2)

# 示例：检测框宽100像素时
print(calculate_distance(100))  # 输出：21.60米（符合近大远小逻辑）

3.4 安全判定与结果可视化

标记危险距离并实时显示：

python 复制代码

import cv2

SAFE_DISTANCE = 5.0  # 安全距离阈值（米）

def draw_results(frame, vehicles):
    """绘制检测框、距离与安全状态"""
    for (x1, y1, x2, y2, conf) in vehicles:
        # 计算距离与宽度
        box_width = x2 - x1
        distance = calculate_distance(box_width)
        # 判定安全状态
        color = (0, 255, 0) if distance >= SAFE_DISTANCE else (0, 0, 255)
        label = f"Car: {distance}m"
        # 绘制
        cv2.rectangle(frame, (x1, y1), (x2, y2), color, 2)
        cv2.putText(frame, label, (x1, y1-10), 
                   cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)
    return frame

# 视频流处理主逻辑
cap = cv2.VideoCapture("traffic.mp4")  # 输入视频/摄像头（0为本地摄像头）
while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    vehicles = detect_vehicles(frame)
    frame_with_results = draw_results(frame, vehicles)
    cv2.imshow("Safety Distance Monitoring", frame_with_results)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()

四、场景扩展：从车辆到多场景适配

4.1 社交距离监测（疫情防控场景）

目标：行人（COCO 类别 0）
参数调整：行人实际肩宽 0.4 米，安全距离 2 米
核心优化：计算行人质心距离（而非边界框宽度）：

python 复制代码

def calculate_centroid_distance(box1, box2):
    """计算两个目标的质心距离（像素）"""
    cx1 = (box1[0] + box1[2]) // 2
    cy1 = (box1[1] + box1[3]) // 2
    cx2 = (box2[0] + box2[2]) // 2
    cy2 = (box2[1] + box2[3]) // 2
    # 像素距离转实际距离（需标定像素-米比例）
    pixel_per_meter = 50  # 1米=50像素（标定获取）
    return np.sqrt((cx1-cx2)**2 + (cy1-cy2)** 2) / pixel_per_meter

4.2 工业机械臂安全监测

目标：机械臂（自定义训练数据集）
参数：机械臂末端实际尺寸 0.2 米，安全距离 1 米
进阶功能：结合卡尔曼滤波预测轨迹，提前预警

五、精度优化：解决 90% 的测距误差问题

5.1 常见误差来源与对策

误差原因	解决方案
目标尺寸差异	按类别设置尺寸库（如卡车宽 2.5 米、轿车 1.8 米）
相机抖动	加入卡尔曼滤波平滑距离值
光照 / 遮挡	数据增强训练模型 + NMS 优化检测框
透视角度偏差	引入俯仰角修正公式：Z = h_cam /tan (θ)

5.2 进阶优化代码（卡尔曼滤波）

python 复制代码

from filterpy.kalman import KalmanFilter

def init_kalman_filter():
    """初始化卡尔曼滤波器"""
    kf = KalmanFilter(dim_x=2, dim_z=1)
    kf.x = np.array([[0.], [0.]])  # 初始状态（距离，速度）
    kf.F = np.array([[1., 1.], [0., 1.]])  # 状态转移矩阵
    kf.H = np.array([[1., 0.]])  # 观测矩阵
    kf.R = np.array([[0.1]])  # 观测噪声
    kf.P = np.array([[1., 0.], [0., 1.]])  # 协方差矩阵
    return kf

# 使用示例
kf = init_kalman_filter()
raw_distance = calculate_distance(box_width)
kf.predict()
kf.update(raw_distance)
smoothed_distance = kf.x[0][0]  # 平滑后的距离

六、总结与展望

YOLOv11 的实时检测能力与单目测距的低成本特性，使其成为安全距离监测的优选方案。核心在于 "标定准确参数 + 匹配目标尺寸 + 优化滤波算法"------ 普通场景可直接复用本文代码框架，仅需替换标定参数与目标尺寸库；高精度场景可结合双目视觉（基线 B + 视差 d 计算 Z=f・B/d）进一步提升精度。