Debido a los problemas de sensores de distancia costosos, baja precisión en zonas complejas y baja velocidad de detección en las tecnologías tradicionales de detección y medición de distancia de objetivos, este artículo propone una tecnología de medición de distancia y reconocimiento de vehículos delanteros basada en GGW-YOLOv8. El algoritmo mejora YOLOv8n introduciendo un mecanismo de atención global (GAM) antes de las cabezas de detección de objetivos medianos y grandes, mejorando la capacidad del modelo para extraer características de los vehículos mediante la reducción de la pérdida de información y la ampliación de la interacción global; se introduce un módulo de convolución ligero GSConv en la red del cuello, que reduce la cantidad de parámetros y el cálculo mediante convoluciones separables en profundidad y operaciones de mezcla; se reemplaza la función de pérdida CIoU original por WIoU_v3 para mejorar la capacidad de generalización y la precisión de regresión de los cuadros delimitadores de la red mediante una estrategia de asignación de ganancia de gradiente con un mecanismo dinámico de enfoque no monótono; se construye un sistema de medición de distancia con visión estereoscópica basado en el algoritmo de emparejamiento semi-global SGBM para medir distancias a vehículos, se desarrolla un sistema de computadora principal que fusiona la detección de objetivos y la medición de distancia, que se porta y despliega en dispositivos de borde embebidos para pruebas en vehículos reales. Los resultados experimentales muestran que, en comparación con el modelo YOLOv8n, el modelo mejorado reduce la cantidad de parámetros en 0.3M, el cálculo en 0.2G, y mejora la precisión de detección en un 0.8% y un 4.4% en conjuntos de datos propios y públicos respectivamente; en un tramo cerrado del campus, el error absoluto medio del resultado de medición es de 104 mm, el error relativo medio es de 1.49%; en un ambiente vial real, el error absoluto medio es de 307.4 mm, el error relativo medio es de 3.29%, el tiempo medio por cuadro es de 30.12 ms, satisfaciendo las necesidades de escenarios de medición reales.

Detección de objetivos vehiculares;YOLOv8;Medición estereoscópica;Despliegue embebido