隧道内车距监测，低光环境测距防追尾，输出安全提醒。
1. 实际应用场景描述
场景：
在高速公路长隧道中，光照条件差，能见度受烟雾、灰尘、车灯反射等影响，驾驶员难以准确判断前车距离，容易发生追尾事故。本程序通过车载摄像头和毫米波雷达，实时监测与前车的距离，并在危险时发出声光提醒，辅助驾驶员保持安全车距。
痛点：
1. 低光环境：普通摄像头成像质量差，难以识别车辆。
2. 隧道内无GPS信号，无法依赖卫星定位。
3. 车速快，留给系统的反应时间短。
4. 多车并行，需准确区分前车与本车道其他车辆。
2. 核心逻辑讲解
1. 车辆检测
- 使用 YOLOv5 在低光增强后的图像中检测前方车辆。
- 结合 毫米波雷达 获取精确距离（弥补视觉不足）。
2. 车道线检测
- 使用 LaneNet 或传统霍夫变换确保只监测本车道前车。
3. 安全距离计算
- 根据当前车速和反应时间计算最小安全距离。
4. 风险判断与提醒
- 若实际距离 < 安全距离，触发蜂鸣器/屏幕警告。
5. 状态机管理
- 状态：初始化 → 检测 → 计算 → 判断 → 提醒。
3. 代码模块化设计
tunnel_distance_monitor/
├── main.py # 主程序入口
├── config.py # 配置文件
├── perception/ # 感知模块
│ ├── vehicle_detector.py
│ └── lane_detector.py
├── sensors/ # 传感器模块
│ └── radar_reader.py
├── safety/ # 安全逻辑
│ └── collision_warning.py
├── utils/ # 工具函数
│ └── image_enhance.py
├── README.md # 使用说明
└── requirements.txt # 依赖库
3.1 config.py
# 配置文件
VEHICLE_DETECTION_CONFIDENCE = 0.6
LANE_DETECTION_ENABLED = True
SAFE_TIME_GAP = 2.0 # 秒
MIN_SAFE_DISTANCE = 5.0 # 米
LOW_LIGHT_ENHANCE = True
3.2 perception/vehicle_detector.py
import torch
from config import VEHICLE_DETECTION_CONFIDENCE
class VehicleDetector:
def __init__(self, model_path='yolov5s.pt'):
self.model = torch.hub.load('ultralytics/yolov5', 'custom', path=model_path)
def detect(self, frame):
results = self.model(frame)
vehicles = []
for *xyxy, conf, cls in results.xyxy[0]:
if conf > VEHICLE_DETECTION_CONFIDENCE and int(cls) in [2, 5, 7]: # car, bus, truck
vehicles.append({
'bbox': [int(x) for x in xyxy],
'confidence': float(conf)
})
return vehicles
3.3 perception/lane_detector.py
import cv2
import numpy as np
class LaneDetector:
def detect(self, frame):
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150)
lines = cv2.HoughLinesP(edges, 1, np.pi/180, threshold=50, minLineLength=50, maxLineGap=20)
return lines
3.4 sensors/radar_reader.py
class RadarReader:
def read(self):
# 模拟毫米波雷达数据
return {'distance': 10.0, 'relative_speed': -2.0} # 米, m/s
3.5 safety/collision_warning.py
from config import SAFE_TIME_GAP, MIN_SAFE_DISTANCE
class CollisionWarning:
def __init__(self, speed):
self.speed = speed # m/s
def check(self, distance):
safe_gap = max(MIN_SAFE_DISTANCE, self.speed * SAFE_TIME_GAP)
if distance < safe_gap:
return True, safe_gap - distance
return False, 0
3.6 utils/image_enhance.py
import cv2
def enhance_low_light(image):
# CLAHE 增强对比度
lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
l, a, b = cv2.split(lab)
clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8))
l = clahe.apply(l)
lab = cv2.merge((l, a, b))
return cv2.cvtColor(lab, cv2.COLOR_LAB2BGR)
3.7 main.py
import cv2
import time
from perception.vehicle_detector import VehicleDetector
from perception.lane_detector import LaneDetector
from sensors.radar_reader import RadarReader
from safety.collision_warning import CollisionWarning
from utils.image_enhance import enhance_low_light
def main():
detector = VehicleDetector()
lane_detector = LaneDetector()
radar = RadarReader()
cap = cv2.VideoCapture(0)
speed = 15.0 # 假设车速 15 m/s (54 km/h)
while True:
ret, frame = cap.read()
if not ret:
break
if LOW_LIGHT_ENHANCE:
frame = enhance_low_light(frame)
vehicles = detector.detect(frame)
lanes = lane_detector.detect(frame) if LANE_DETECTION_ENABLED else None
radar_data = radar.read()
warning_system = CollisionWarning(speed)
is_danger, gap = warning_system.check(radar_data['distance'])
if is_danger:
print(f"⚠️ 危险！距离过近，建议减速！差距: {gap:.2f} 米")
# 这里可触发蜂鸣器或屏幕警告
time.sleep(0.1)
cap.release()
if __name__ == "__main__":
main()
4. README.md
# 隧道内车距监测与防追尾系统
基于 Python + YOLOv5 + 毫米波雷达的隧道安全车距监测程序。
## 功能
- 低光环境车辆检测
- 车道线识别
- 毫米波雷达测距
- 安全距离计算与预警
## 安装
bash
pip install -r requirements.txt
## 运行
bash
python main.py
## 配置
修改 `config.py` 调整检测阈值、安全距离等参数。
5. 使用说明
1. 连接摄像头和毫米波雷达到设备。
2. 安装依赖：
"pip install -r requirements.txt"。
3. 运行
"python main.py"。
4. 系统会实时检测前车距离并在危险时打印警告。
5. 可扩展为 ROS 节点控制真实车辆报警系统。
6. 核心知识点卡片
知识点 说明
YOLOv5 实时车辆检测
低光增强 CLAHE 提升图像质量
毫米波雷达 精确测距与相对速度
车道线检测 确保只监测本车道
安全距离公式 时间×速度+最小距离
状态机 管理检测与警告流程
7. 总结
本项目展示了如何将计算机视觉与传感器融合结合，在低光隧道环境下实现可靠的车距监测与防追尾功能。
未来可加入深度学习车道线检测（LaneNet）、多目标跟踪（DeepSORT）、V2X 车联网通信等高级功能，进一步提升安全性和智能化水平。
如果你需要，还可以：
- 集成 ROS2 + Autoware 实现完整ADAS功能
- 使用 OpenCV 深度估计 替代部分雷达功能
- 添加 PyQt 图形界面 实时显示车距与安全状态
利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！