git created on 2023/5/12
此项目为2023年秋同济大学CV课程作业，用于实现行人和减速带检测以及距离解算。 opencv version：4.7.0.22 (原先用的3.x，但是yolov7需要4.0+)。
代码除yolo基本代码外均为自己所写，如有不足还请包涵。
相机标定在calibration.py里实现。目前不足：鱼眼相机去畸变有点问题，其他均正常。
使用方法：运行calibration.py，按照提示运行即可。请注意，本程序capture时会自动清空标定板图片文件夹（已修改为可选择是否清空）。先capture拍照，拍照数目可以在程序里预设；然后calibrate标定，不同类型相机的结果会自动写入不同config里。然后可以undistort去畸变。
标定板相关请参考我的博客：openCV踩坑汇总 | 雨白的博客小屋 (ameshiro77.cn) 的目录2，本程序使用的标定板是x方向奇数11个、y方向偶数8个、角点间距1cm的标定板，在程序里为calibration.py的：
board = Board(11,8,10) #col row width(mm) 如果您的标定板与之不同，请务必记得修改。
2023/5/14 更新：
把部分函数放入到了utils/calibrate下，供其他程序使用。新增了鸟瞰图，运行birdeye.py即可。（已删）
PS：鸟瞰图转换中，标定板平面坐标系的原点以左上角为基础，向左上平移了200mm。
2023/5/23 更新：
下载了yolov7代码，能够检测视频中人物但是非常卡。
2023/6/11更新：
本项目作为课程作业提交，删了一些项目无关的代码。
本着有啥用啥的原则，我直接用宿舍的瓷砖标定了哈哈哈（其实之前用外面的瓷砖标定过，但是相机太烂了拍不清，在宿舍放了几个标志物再标定的）。
单应矩阵至少需要四个点，用findHomography函数，这里有个坑了我一下午的坑：这个函数找到的H满足 $$ c[x,y,1]^T = H[u,v,1]^T $$ 其中，u,v是成像坐标系的点，x,y是地面坐标系的点。一定注意还有个c，因为H是八自由度的，最后得到转换后的坐标不是标准齐次坐标，还要手动转化为标准齐次坐标。
程序运行方法：运行getHomography.py以拍照、鼠标点击获得像素以及标定（大体是这样，我最后把像素坐标写死了），然后求解H；运行getDistance以实现运用获得的H点击像素之后测距(可能以后会删除，因为这个.py是用来测试测距的)。
2023/5/29更新：
初步试了下用自己的数据集训练。建立了datasets文件夹，标注工具为labelimg。数据处理过程为：
1.将要标注的图片放到data/images里。
2.用labelimg标注，标注结果放到data/labels里。
3.进入yolo文件夹（否则路径不对），运行yolo文件夹下的data_process.py来划分数据，生成训练集等路径。参考博客：Yolov7训练自己的数据集（超详细） - 玻璃公主 - 博客园 (cnblogs.com)
github不传图片，请自己拍摄~
踩了以下坑，作个汇总以作为注意事项。
1.train.py的config我更改过。之前当使用预训练时，会报keyerror:"assets"的错误。(据我观察，这基本就是.pt文件路径不对的问题，请检查自己参数里的路径是否写对了)。
2.train.txt等等里面的路径最好还是写绝对路径，用os.getcwd和join拼接即可。
3.如果要用cpu训练，把utils/loss.py里面的780多行那几个device gpu：0务必改成cpu：0.
4.如果要使用预训练，请修改cfg/training/yolov7.yaml里的nc为对应数量。
5.训练前记得删除dataset文件夹里的cache！
6.yaml不要写汉语！！！会gbk错误
更新：加入了CBAM注意力机制，加了二值化处理。
最终结果：（视频截图 在远处的表现并不好 可能因为相机分辨率太低了，训练效果太差了）
