双目视觉测距技术解析与相机标定实践

1. 双目视觉测距：像人眼一样感知深度

你有没有想过，为什么我们人类能轻松判断一个物体离自己有多远？秘密就藏在我们的两只眼睛里。当我们用左眼和右眼同时看一个物体时，大脑会处理两个略有差异的图像，通过这种差异——也就是“视差”——来计算出物体的距离。双目视觉测距技术，正是模仿了人眼的这种天然能力。

简单来说，这项技术就是利用两个并排的、像我们双眼一样摆放的摄像头，同时拍摄同一场景。因为两个摄像头的位置略有不同，它们拍到的画面也会有微小的位置偏移。通过计算同一个物体在两个画面中像素位置的差异，再结合一些已知的物理参数，比如两个摄像头之间的距离（我们称之为“基线”），就能像解一道几何题一样，算出这个物体离摄像头到底有多远。

这项技术听起来很酷，那它能做什么呢？它的应用场景非常广泛。比如，在机器人导航中，机器人需要知道前方障碍物的精确距离，才能规划安全的行走路线。在自动驾驶领域，车辆需要实时感知周围车辆、行人的距离，做出刹车或转向的决策。在三维重建中，我们可以用双目相机扫描一个物体或一个房间，生成它的三维点云模型，用于虚拟现实、文物保护或者工业检测。甚至，我们日常玩的体感游戏、手机上的人脸识别解锁，背后都可能用到双目视觉的原理。

所以，无论你是机器人爱好者、自动驾驶的开发者，还是对三维视觉感兴趣的学生，理解双目视觉测距都是一项非常实用且基础的核心技能。接下来，我们就从最根本的原理开始，一步步拆解这个“用两只眼睛看世界”的技术。

2. 从几何模型到视差计算：测距的核心公式推导

要理解双目测距，我们得先建立一个清晰的几何模型。想象一下，你面前放着一个苹果，你的左眼和右眼就是两个相机镜头。我们把这两个镜头的光心位置分别记为 O_L 和 O_R，它们之间的距离就是基线长度 b。苹果这个点，我们叫它 P，它在空间中的坐标是 (X, Y, Z)，其中 Z 就是我们最想求的深度——苹果离我们有多远。

现在，这个苹果会在左相机和右相机的成像平面上留下投影，分别是点 P_L 和 P_R。这两个投影点在各自图像平面上的水平位置（物理距离）是不同的。这个水平位置的差值 (X_L - X_R)，就是最关键的视差。

根据相似三角形的原理，我们可以构建一个关系式。大三角形 P O_L O_R 和小三角形 P P_L P_R 是相似的。这个相似关系直接引出了深度 Z 与视差、焦距 f、基线 b 之间的关系。经过一系列的推导（这里我们略去复杂的中间代数步骤），最终可以得到那个灵魂公式：

Z = (f * b) / d

这个公式简洁而强大。其中：

• Z：目标点的深度（距离）。
• f：相机的焦距（物理长度）。
• b：两个相机光心之间的距离，即基线长度。
• d：视差，即同一个点在左右两个图像中水平像素坐标的差值 (u_L - u_R)。

公式的直观理解：你可以把它想象成一个杠杆。基线 b 和焦距 f 是固定的“力臂”，它们共同作用。当物体离我们很近时（Z 小），它在左右眼中的位置差异很大（d 大），就像你用手指在眼前交替闭眼看，手指跳动很明显。当物体很远时（Z 大），这种跳动就微乎其微了（d 很小）。公式 Z = (f*b)/d 完美地量化了这种关系：视差 d 越大，分母越大，深度 Z 就越小，表示物体越近。

在实际的像素坐标系中，我们通常使用以像素为单位的焦距 f_x（f_x = f / dx，dx 是每个像素的物理尺寸），以及像素单位的视差 d_pixel。所以公式更常写为：

Z = (f_x * b) / d_pixel

得到了深度 Z，我们还可以反推物体在空间中的 X 和 Y 坐标。结合相机的小孔成像模型，有：

X = (b * (u - u_0)) / d_pixel
Y = (b * (v - v_0)) / d_pixel

这里 (u, v) 是点在一张图像（比如左图）中的像素坐标，(u_0, v_0) 是图像的主点坐标（通常接近图像中心）。这样，空间中的一个三维点 (X, Y, Z) 就被完整地重建出来了。

看到这里，你可能觉得万事俱备，只差写代码了。但别急，这里有一个巨大的前提：我们假设两个相机是完美的，它们的成像平面完全平行，并且处于理想的“共面行对准”状态。然而，现实中的相机镜头存在畸变，两个相机在安装时也几乎不可能做到绝对平行。直接使用未处理的图像计算视差，结果会惨不忍睹。这就引出了下一个至关重要的步骤——