yolov8sgbm算法改进

### YOLOR8 SGBM算法改进方法及最新研究进展

#### 算法背景与基础原理
YOLOR8结合了YOLOv4的目标检测框架以及SGBM（Stereo Global Matching）用于深度估计的技术。SGBM作为一种高效的立体匹配算法，在双目视觉领域有着广泛应用，其通过半全局匹配的方式提高了匹配准确性[^1]。

#### 改进方向一：优化特征提取网络
为了提升目标识别精度并加快处理速度，研究人员尝试引入更先进的卷积神经网络作为特征提取器替代传统的方法。例如采用EfficientNet或RegNet等轻量化模型代替原有的Darknet53架构，从而使得整个系统的性能得到显著增强[^2]。

#### 改进方向二：融合多尺度信息
针对不同距离物体之间的差异性表现问题，有学者提出了基于金字塔结构或多分支设计的思想来进行多层次的信息融合操作。具体来说就是在原有基础上加入额外的路径来传递高低分辨率下的上下文关系，以此改善远近景物间的相对位置判断能力[^3]。

#### 改进方向三：自适应参数调整机制
考虑到实际应用场景中的光照变化等因素可能影响最终结果的质量，部分工作致力于构建一种能够自动调节内部配置项(如视差范围、平滑系数等) 的智能化方案。该类技术通常依赖于机器学习算法训练而成，并能根据不同环境条件动态改变相应设定以达到最佳效果[^4]。

import cv2 as cv
from yolor import detect_objects  # 假设这是yolor的一个接口函数


def improved_sgbm(image_left, image_right):
    """
    使用改进后的SGBM算法进行深度图计算.
    
    参数:
        image_left (numpy.ndarray): 左相机拍摄到的画面数据.
        image_right (numpy.ndarray): 右相机获取的数据.

    返回值:
        disparity_map (numpy.ndarray): 计算所得的视差图.
    """

    stereo = cv.StereoSGBM_create(
        minDisparity=0,
        numDisparities=16 * 7,
        blockSize=9,
        P1=8*3*window_size**2,
        P2=32*3*window_size**2,
        disp12MaxDiff=1,
        uniquenessRatio=10,
        speckleWindowSize=100,
        speckleRange=32
    )

    objects_info = detect_objects([image_left])  # 对左眼图像做一次对象检测
    
    for obj in objects_info['detections']:
        x_center, y_center = int(obj['bbox'][0]), int(obj['bbox'][1])
        
        # 动态调整某些关键参数...
        if 'person' == obj['class_name']:  
            stereo.setSpeckleWindowSize(150)

    disparity_map = stereo.compute(image_left, image_right).astype(np.float32)/16.0
    return disparity_map