OpenCV双目测距实战：从标定到三维重建的完整流程（附Python代码）

OpenCV双目测距实战：从标定到三维重建的完整流程（附Python代码）

在计算机视觉领域，双目测距技术因其成本适中、精度可靠的特点，被广泛应用于机器人导航、自动驾驶、工业检测等场景。本文将带你完整实现一个基于OpenCV的双目测距系统，从相机标定到深度计算，最后完成三维重建。

1. 双目视觉基础原理

双目测距的核心思想是三角测量。当两个摄像头从不同角度观察同一场景时，物体在左右图像中的位置会存在差异（视差），这种差异与物体的距离成反比关系。具体而言：

• 基线距离(B)：两个摄像头光心之间的水平距离
• 焦距(f)：摄像头的焦距（像素单位）
• 视差(d)：物体在左右图像中的水平坐标差

深度Z的计算公式为：

Z = (B × f) / d

关键参数影响：

实际项目中，我们还需要考虑：

• 镜头畸变校正
• 图像对齐（极线校正）
• 立体匹配算法选择
• 深度图后处理

2. 硬件准备与相机标定

2.1 硬件配置建议

# 推荐的双目相机配置参数
camera_params = {
    'resolution': (1280, 720),  # 建议至少720P
    'frame_rate': 30,           # 工业场景可提升至60fps
    'sync_mode': 'hardware',    # 硬件同步可减少时序误差
    'baseline': 120,            # 单位mm，根据测距需求调整
    'lens_fov': 90              # 视场角，广角镜头需更多畸变校正
}

2.2 相机标定实战

标定过程分为单目标定和双目标定两个阶段：

1. 采集标定板图像：

# 使用如下命令通过OpenCV采集图像
python capture_calib.py --left 0 --right 1 -n 30 -d ./calib_imgs

2. 单目标定代码：

def single_camera_calibration(images, pattern_size=(9,6)):
    obj_points = []  # 3D世界坐标
    img_points = []  # 2D图像坐标
    
    # 准备标定板角点的世界坐标 (0,0,0), (1,0,0), ..., (8,5,0)
    objp = np.zeros((pattern_size[0]*pattern_size[1], 3), np.float32)
    objp[:,:2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1,2)
    
    for img in images:
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        ret, corners = cv2.findChessboardCorners(gray, pattern_size, None)
        
        if ret: