单目视觉测距：YOLOv5与RKNN部署实战

1. 项目背景与核心价值

单目视觉测距一直是计算机视觉领域的经典难题。相比双目方案，单目系统硬件成本更低、部署更简单，但测距精度长期受限于特征匹配和深度估计的准确性。近年来随着YOLO等实时目标检测算法的成熟，结合深度学习的前景目标提取与几何测距方法，正在重新定义单目测距的技术路线。

这个项目完整实现了从相机标定到测距模型部署的全流程。核心创新点在于：

• 采用改进的YOLOv5s作为目标检测骨干网络
• 设计轻量化的距离回归头网络
• 开发高效的C++推理框架
• 支持RKNN芯片的NPU加速部署

实测在1080P分辨率下，对5米内的车辆测距误差小于3%，推理速度达到45FPS（RK3588平台）。这种方案特别适合车载ADAS、仓储机器人、智能监控等需要实时测距的场景。

2. 相机标定全流程详解

2.1 标定板选择与制作

推荐使用8x6的棋盘格标定板（方格边长建议30-50mm），打印时需确保：

• 使用哑光材质避免反光
• 方格边缘清晰无毛刺
• 整体平整无褶皱

实测发现：使用激光打印机+250g铜版纸的标定效果优于普通A4打印，边缘锯齿减少约60%

2.2 标定数据采集规范

1. 拍摄距离：0.5-3倍焦距范围
2. 角度覆盖：
   • 俯仰角±30°
   • 偏航角±45°
   • 滚转角±15°
3. 光照条件：至少包含顺光、逆光、侧光三种场景
4. 最少有效帧数：20帧（建议采集50帧以上）

python复制# OpenCV标定代码示例
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
objp = np.zeros((6*8,3), np.float32)
objp[:,:2] = np.mgrid[0:8,0:6].T.reshape(-1,2)

2.3 标定参数验证方法

1. 重投影误差检查：RMS应<0.5像素
2. 外参一致性验证：固定相机拍摄不同位姿标定板，旋转平移矩阵应符合物理运动规律
3. 实测距离校验：使用已知距离物体验证测距精度

3. YOLO测距模型设计

3.1 网络结构改进

mermaid复制graph TD
    A[YOLOv5s backbone] --> B[SPPF]
    B --> C[Neck]
    C --> D[Distance Head]
    D --> E[Depth Regression]
    E --> F[Kalman Filter]

1. 距离回归头设计：

   • 输入：608x608特征图
   • 输出：目标中心深度值+长宽高尺寸
   • 损失函数：Smooth L1 + IoU Loss

2. 关键改进点：

   • 增加可变形卷积(DCNv2)提升小目标检测
   • 使用SIoU替换CIoU损失
   • 添加注意力机制模块

3.2 数据增强策略

1. 几何变换：
   • 随机透视变换(概率0.5)
   • 尺度抖动(0.8-1.2x)
2. 色彩扰动：
   • HSV空间增强
   • 运动模糊模拟
3. 距离标签生成：
   • 基于激光雷达点云投影
   • 人工标注验证

4. RKNN部署优化技巧

4.1 模型量化方案

4.2 C++推理加速

1. 内存优化：
   • 预分配所有tensor内存
   • 使用内存池管理
2. 并行计算：
   • 异步流水线设计
   • 多核ARM NEON加速
3. 典型耗时分析：
   • 图像预处理：2.1ms
   • NPU推理：8.3ms
   • 后处理：1.6ms

cpp复制// 典型推理代码片段
rknn_input inputs[1];
inputs[0].index = 0;
inputs[0].buf = img_data;
inputs[0].size = img_size;
inputs[0].pass_through = false;
rknn_inputs_set(ctx, 1, inputs);

5. 实测性能与调优建议

5.1 不同平台对比

5.2 常见问题排查

1. 测距跳变问题：

   • 检查标定参数准确性
   • 增加卡尔曼滤波系数
   • 验证目标检测稳定性

2. NPU推理异常：

   • 确认RKNN工具链版本
   • 检查量化校准集代表性
   • 测试不同内存布局(NCHW/NHWC)

3. 距离误差过大：

   • 重新采集标定数据
   • 检查镜头畸变校正
   • 验证物理单位换算

6. 工程实践建议

1. 镜头选择：

   • 固定焦距优于变焦镜头
   • 光圈建议f/2.0-f/2.8
   • 避免鱼眼镜头(畸变过大)

2. 部署注意事项：

   • 保持相机固件版本一致
   • 运行时禁用CPU频率调节
   • 设置合理的散热方案

3. 扩展方向：

   • 融合IMU数据提升动态测距精度
   • 开发多相机联合标定方案
   • 支持夜间红外测距模式

在实际项目中，我们发现两个关键经验：一是标定阶段的光照条件要尽可能覆盖实际应用场景，二是RKNN模型转换时建议保留至少5%的FP16层以维持关键精度。这套系统在物流AGV项目中实现了±2%的测距精度，完全满足仓储环境下的导航需求。