Python单目视觉测距：低成本ADAS方案实现

1. 项目概述：单目视觉测距在辅助驾驶中的应用

这个Python单目车辆测距程序的核心价值在于：仅用普通摄像头就能实现前车距离估算，为低成本ADAS系统提供了可行方案。我在汽车电子行业工作多年，见过太多团队被昂贵的激光雷达和多目方案拖垮预算。而单目方案虽然精度略低，但在高速跟车、碰撞预警等常见场景中完全够用。

程序的工作原理类似于人类驾驶员判断车距的方式——通过已知物体尺寸（如前车宽度）与成像大小的比例关系反推距离。就像我们能够根据远处行人看起来"很小"来判断距离一样，程序通过OpenCV识别车辆边界框，再结合相机标定参数计算实际距离。

2. 核心算法原理解析

2.1 相机标定与透视变换

任何视觉测距的前提都是准确的相机标定。我习惯用棋盘格标定法获取以下关键参数：

python复制# 示例标定代码
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)

其中mtx矩阵包含焦距(fx,fy)和光学中心(cx,cy)参数。实测发现，普通行车记录仪的fx值通常在700-1200像素之间，这会导致距离估算10米时约有±0.3米的误差。

重要提示：标定必须在实际安装位置进行！我曾遇到因重新安装行车记录仪导致测距误差增加47%的案例。

2.2 车辆检测与边界框确定

YOLOv3-tiny是性价比最高的选择，在Jetson Nano上能跑30FPS：

python复制net = cv2.dnn.readNet("yolov3-tiny.weights", "yolov3-tiny.cfg")
layer_names = net.getLayerNames()
output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]

关键技巧是只保留"car"类别的检测结果，并且过滤置信度<0.5的检测框。实测表明，夜间行驶时需要将阈值降至0.3以避免漏检。

2.3 距离计算公式推导

基于相似三角形原理的核心公式：

code复制实际距离 = (车辆实际宽度 × 焦距) /