如何使用计算机视觉模型计算距离？

当你过马路时看到一辆汽车朝你驶来，你可以立即大致判断它距离你有多远。这种快速、近乎本能的判断得益于你对周围环境的空间认知。基于这种感知，你可以决定是加快速度、停下来，还是继续行走。

同样，计算机视觉是人工智能（AI）的一个分支，它通过解读视觉数据，让机器能够理解周围环境。就像你可以评估汽车与自己的距离来快速做出决策一样，计算机视觉模型也可以分析图像和视频，帮助机器感知并响应周围的世界。

例如，Ultralytics YOLO11是一种计算机视觉模型，可以实时检测和跟踪图像及视频中的对象。简单来说，YOLO11通过一次查看整个图像，而不是分块处理，使运行速度更快、效率更高。它还可以处理实例分割、姿态估计和图像分类等计算机视觉任务。

具体来说，Ultralytics YOLO11的功能可用于计算对象之间的距离，这在制造业、零售和人群管理等许多领域都很有用，有助于提高安全性和效率。

本文将探讨如何在计算机视觉应用中使用 Ultralytics YOLO11进行距离计算、为什么这很重要，以及它对不同行业的影响。

图 1. 使用 YOLO 计算飞机着陆距离的示例。

计算机视觉中的距离计算概述#

计算机视觉中的距离计算包括检测、定位对象，以及测量图像中两个对象之间的像素距离。像素是构成数字图像的基本单位，每个像素代表一个具有特定颜色或强度值的点。

要将像素测量值转换为现实世界中的距离，标定是关键。你可以把它理解为先用尺子测量某个物体，再利用这个测量结果了解其他对象的大小。通过参考已知尺寸的对象，标定在像素与实际物理距离之间建立联系。

让我们通过一个示例了解其工作原理。在下图中，硬币是参考对象，其尺寸（0.9 英寸 × 1.0 英寸）已知。将其他对象的像素测量值与硬币的尺寸进行比较后，我们就可以计算出它们在现实世界中的大小。

图 2. 可以使用硬币作为参考物来测量其他对象在现实世界中的大小。

不过，距离计算是在二维（2D）平面中进行的，这意味着它只能测量对象之间的水平距离和垂直距离。这不同于深度估计，后者测量对象在三维空间中的距离，包括对象与摄像头之间的距离。

虽然深度摄像头可以测量真实深度并提供更详细的空间信息，但在许多情况下，简单的标定距离就足够了。例如，了解对象在二维平面中的间距对于对象跟踪或队列管理等任务已经足够，因此在这些场景中不需要进行深度估计。

了解使用 Ultralytics YOLO11 进行距离计算的原理#

接下来，让我们逐步了解如何利用 Ultralytics YOLO11 对对象检测和跟踪的支持来计算两个对象之间的距离。具体步骤如下：

• 检测和跟踪对象：Ultralytics YOLO11可以通过在视频帧中识别对象来检测对象，并跟踪其在连续帧中的移动。它会为每个对象分配唯一的跟踪 ID，使系统能够在整个视频中监控对象的位置和移动情况。
• 边界框：根据 Ultralytics YOLO11 的对象检测结果，在检测到的对象周围绘制边界框，从而确定对象在图像中的位置。
• 选择对象：可以选择两个对象作为关注目标，Ultralytics YOLO11会在对象实时移动时更新边界框。
• 质心计算：根据边界框角点的坐标计算质心（两个对象边界框的中心点），以表示对象的位置。
• 距离计算：随后可以使用两个对象的质心计算它们之间的欧几里得距离。欧几里得距离是二维平面中两点之间的直线距离，通过计算水平和垂直方向上的差值获得。这样可以得到两个对象之间以像素为单位的距离。

需要注意的是，使用这种方法计算出的距离只是估算值，因为它们基于二维像素测量结果。

图 3. 使用 Ultralytics YOLO 检测人员并计算距离。

YOLO 距离估计的影响#

考虑到使用 Ultralytics YOLO11 计算的距离属于估算值，你可能会想知道：它可以应用在哪里，又能带来什么改变？

由于这些距离估算值是通过标定得到的，因此其准确度足以应对许多实际场景。Ultralytics YOLO11 的距离估计在仓库等动态环境中特别有用，因为对象持续移动，需要实时调整才能确保各项工作顺利进行。

一个有趣的示例是使用 YOLO11 在传送带上跟踪包裹，并实时估算包裹之间的距离。这可以帮助仓库管理人员确保包裹之间保持适当间距，防止发生碰撞并让流程顺利运行。

在这种情况下，精确距离并不总是必要的。通常会设定一个最佳距离范围或阈值，因此估算值非常适合这类应用。

图 4. 使用 Ultralytics YOLO11 检测包裹并计算包裹之间的距离。

计算机视觉应用中的距离计算#

各种计算机视觉应用都可以受益于使用 Ultralytics YOLO11 计算对象之间的距离。例如，在零售分析中，通过实时跟踪顾客位置，它可以改进队列管理。这能帮助企业更合理地分配资源、缩短等待时间，并营造更顺畅的购物体验。通过动态调整人员配置并管理顾客流动，商店可以防止过度拥挤并优化空间利用。

同样，在交通管理中，距离估计有助于监测车辆间距并分析交通模式。它可用于检测危险行为（如跟车过近），并调整交通信号灯以保持交通顺畅。通过识别潜在问题并实时改进整体交通管理，它有助于提高道路安全性。

图 5. 视觉技术支持的距离计算可用于监测交通。

这项技术的另一个独特应用出现在COVID-19 大流行期间，当时它帮助推动了社交距离。它确保人们在公共场所、商店和医院保持安全距离，从而降低病毒传播风险。

通过实时跟踪距离，当人员彼此过于接近时，系统可以发出警报，使企业和医疗服务提供者更容易迅速采取应对措施，为所有人维持更安全的环境。

计算机视觉中距离计算的优缺点#

现在我们已经讨论了使用计算机视觉进行距离计算的一些应用，下面来进一步了解这样做所带来的相关优势：

• 自动化：视觉 AI 可以自动执行原本需要人工跟踪的距离计算任务，在提高生产力的同时减少人为错误和劳动力成本。
• 资源优化：了解对象的大致间距和接近程度后，可以优化资源（如人员或机械）的配置，减少浪费并改进工作流程。
• 设置复杂度低：完成设置后，视觉技术支持的距离计算系统相对易于维护，与依赖人工输入或复杂机械设备的其他系统相比，需要较少的人工干预。

尽管这些优势明显，但在实施此类系统时仍有一些限制需要注意。以下是使用计算机视觉进行距离计算时需要考虑的关键因素：

• 对环境因素敏感：光照条件、阴影、反射或遮挡都可能影响距离计算的准确性，导致潜在错误或结果不一致。
• 隐私问题：使用计算机视觉跟踪对象或人员可能引发隐私问题，尤其是在公共场所或可能涉及个人数据的敏感环境中。
• 多对象场景的复杂性：在包含大量移动对象的环境中，同时准确计算多个对象之间的距离可能会造成混淆，尤其是在对象彼此接近或相互交叉时。

要点总结#

使用 Ultralytics YOLO11 计算对象之间的距离是一种可靠的解决方案，可以支持决策制定。它在仓库、零售和交通管理等动态环境中特别有用，因为跟踪对象之间的接近程度可以提高效率和安全性。

Ultralytics YOLO11 可以自动执行通常需要人工完成的任务。尽管它面临一些挑战，例如对环境因素敏感和存在隐私问题，但自动化、可扩展性和易于集成等优势使其具有重要价值。随着计算机视觉不断发展，尤其是在距离计算等领域，我们很可能会看到机器与周围环境互动并理解周围环境的方式发生真正的转变。

加入我们的社区！探索我们的 GitHub 代码仓库，详细了解视觉 AI。如果你有兴趣运用计算机视觉，请查看我们的许可选项。访问我们的解决方案页面，了解医疗保健领域的计算机视觉如何提高效率，并了解农业领域的 AI所带来的影响！