简介本资源是一套基于Python与OpenCV实现的普通相机图像测距系统完整工程面向计算机视觉初学者、高校课程设计学生及立体成像技术实践者解决单目/双目相机标定、视差计算与深度测量等核心问题适用于工业检测、机器人导航、三维重建等实际场景。压缩包共41个文件含26张标定用jpg图像左右相机各14张、6张结果可视化png图、4个核心Python脚本含stereo_calibration.py双目标定、main.py主流程、draw.py深度图绘制等、2个说明文档txt与docx、1个依赖清单及README.md等整体仅2.35MB轻量易部署。已有177人学习下载资源结构清晰bi_calibration-master目录组织左右图像对code模块封装全流程代码result子目录存放校正结果与视差图配套说明文件详述参数配置与使用逻辑。读者可直接运行复现单目内参标定、双目外参求解、SIFT特征匹配、视差图生成及深度映射全过程并获得可二次开发的模块化代码与可视化分析能力。1. 单目标定不等于能测距双目视差才是深度测量的硬通货你用手机拍一张照片想靠它算出画面里那棵树离你多远单靠一张图除非你知道树的真实高度、镜头焦距、拍摄距离三者中至少两个变量否则数学上无解——这是单目测距的根本瓶颈。但如果你手头有两台同步拍摄的普通USB相机甚至同一台相机左右平移后拍两帧就能绕过这个死结利用左右图像中同一物体像素位置的水平偏移即视差结合已知基线距离和焦距直接反推物理深度。本项目正是把这套理论落地成可运行代码的完整实现从单目相机内参标定、双目外参联合标定到立体校正、稠密视差图生成再到毫米级精度的深度映射与可视化。它不依赖专用硬件如Intel RealSense或ZED只用OpenCVPython普通摄像头适合工业检测现场快速部署、机器人避障算法验证、三维重建前期数据采集等真实场景。如果你正在调试双目模组却卡在视差图噪声大、深度跳变严重、标定后重投影误差超2像素这份代码包里的stereo_calibration.py和main.py就是你该立刻打开的调试入口。2. 单目标定用棋盘格图像解出相机“眼睛”的内在缺陷单目标定不是给相机拍照那么简单本质是建模它的光学畸变和成像几何。普通摄像头镜头存在径向畸变图像边缘呈桶形或枕形弯曲和切向畸变由镜头与传感器不平行引起这些缺陷会让直线在图像中弯曲导致后续测距结果系统性偏移。OpenCV的cv2.calibrateCamera()函数通过拍摄多张不同角度的棋盘格标定板图像拟合出相机内参矩阵含焦距fx/fy、主点坐标cx/cy和畸变系数k1/k2/p1/p2/k3从而为后续图像矫正提供数学依据。2.1 标定数据准备为什么必须拍15张以上不同姿态的棋盘格项目目录中的left/文件夹包含14张左相机标定图left01.jpg至left14.jpgright/同理。这些图像不是随意拍摄的——每张必须覆盖标定板在图像中的不同位置角落、中心、倾斜、不同旋转角度避免所有图像都正对镜头且棋盘格角点需清晰可见、无遮挡。OpenCV要求每张图像至少检测到完整内角点本项目使用9×6棋盘格需检测54个角点。若某张图因光照不均导致角点丢失calibration.py中cv2.findChessboardCorners()会返回False该图将被自动跳过。实际调试中我常额外增加2张高仰角、2张低俯角图像确保z轴方向畸变参数k3收敛更稳定。2.2 执行标定三步完成内参求解与畸变矫正标定流程封装在calibration.py中核心代码如下import cv2 import numpy as np import glob # 1. 定义棋盘格内角点数量列数-1, 行数-1 CHESSBOARD_SIZE (9, 6) # 2. 生成世界坐标系下角点真实坐标单位mm假设方格边长25mm objp np.zeros((CHESSBOARD_SIZE[0] * CHESSBOARD_SIZE[1], 3), np.float32) objp[:, :2] np.mgrid[0:CHESSBOARD_SIZE[0], 0:CHESSBOARD_SIZE[1]].T.reshape(-1, 2) * 25 # 3. 存储每张图像的角点坐标和对应世界坐标 objpoints [] # 3D points in real world space imgpoints [] # 2D points in image plane images glob.glob(left/*.jpg) for fname in images: img cv2.imread(fname) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 检测角点 ret, corners cv2.findChessboardCorners(gray, CHESSBOARD_SIZE, None) if ret: objpoints.append(objp) # 亚像素级精化角点位置提升精度关键 corners2 cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)) imgpoints.append(corners2) # 4. 执行标定flags参数决定是否启用切向畸变模型 ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None, flagscv2.CALIB_RATIONAL_MODEL | cv2.CALIB_FIX_TANGENTIAL_DISTORTION )提示cv2.CALIB_RATIONAL_MODEL启用五参数径向畸变模型k1/k2/k3/k4/k5比默认的三参数模型k1/k2/k3更能抑制广角镜头边缘畸变cv2.CALIB_FIX_TANGENTIAL_DISTORTION固定切向畸变系数为0因普通USB相机切向畸变极小强行拟合反而引入噪声。标定完成后mtx即内参矩阵3×3dist为畸变系数数组。calibration.py会将结果保存至calibresult/目录下的left_camera.yml和right_camera.yml格式为YAML便于跨平台读取。2.3 矫正效果验证重投影误差低于0.5像素才算合格标定质量的核心指标是重投影误差Reprojection Error——将标定得到的内参和外参代入把世界坐标点投影回图像平面计算预测像素位置与实际检测角点的欧氏距离均值。calibration.py末尾输出类似Mean Reprojection Error: 0.32 pixels注意若误差0.8像素说明标定图像质量差如对焦模糊、光照不均或棋盘格尺寸输入错误*25处单位错写成cm需重新拍摄。项目提供的left04.jpg等图像经实测重投影误差为0.27像素满足工业级精度要求。3. 双目标定与立体校正让左右眼“看齐”才能算准视差双目系统测距的前提是左右相机严格共面且光轴平行——现实中两台相机必然存在旋转和平移偏差直接计算视差会导致深度图大面积空洞。双目标定要解出两相机间的旋转矩阵R和平移向量T即外参而立体校正Stereo Rectification则通过单应变换将左右图像扭曲成“虚拟共面”状态使匹配点仅在水平方向偏移。3.1 双目标定同步采集联合优化才是关键项目中bi_calibration-master/目录包含双目标定主逻辑。与单目标定不同双目标定必须使用同步拍摄的左右图像对left01.jpg配right01.jpg因为外参计算依赖同一时刻场景的几何约束。stereo_calibration.py调用cv2.stereoCalibrate()时传入所有左右图像的角点坐标和世界坐标# 加载左右相机各自标定结果来自calibration.py with open(calibresult/left_camera.yml) as f: left_data cv2.FileStorage(f.name, cv2.FILE_STORAGE_READ) left_mtx left_data.getNode(camera_matrix).mat() left_dist left_data.getNode(distortion_coefficients).mat() # 联合标定flags启用CALIB_FIX_INTRINSIC锁定内参避免重复优化 ret, _, _, _, _, R, T, E, F cv2.stereoCalibrate( objpoints, imgpoints_left, imgpoints_right, left_mtx, left_dist, right_mtx, right_dist, gray.shape[::-1], flagscv2.CALIB_FIX_INTRINSIC | cv2.CALIB_USE_INTRINSIC_GUESS )参数说明CALIB_FIX_INTRINSIC强制使用单目标定得到的内参不重新优化大幅提升外参求解稳定性CALIB_USE_INTRINSIC_GUESS告知OpenCV内参已知加速收敛。3.2 立体校正生成映射表并重映射图像标定得到R/T后cv2.stereoRectify()计算左右相机的校正旋转矩阵R1/R2和投影矩阵P1/P2R1, R2, P1, P2, Q, roi1, roi2 cv2.stereoRectify( left_mtx, left_dist, right_mtx, right_dist, gray.shape[::-1], R, T, alpha0 # alpha0表示裁剪无效区域 )alpha0是关键——它让校正后图像保留全部有效像素但会引入黑边若设为-1则自动缩放图像填满视图但牺牲部分视野。项目采用alpha0因深度计算需完整视场。随后用cv2.initUndistortRectifyMap()生成像素映射表map1x, map1y cv2.initUndistortRectifyMap(left_mtx, left_dist, R1, P1, gray.shape[::-1], cv2.CV_32FC1) map2x, map2y cv2.initUndistortRectifyMap(right_mtx, right_dist, R2, P2, gray.shape[::-1], cv2.CV_32FC1) # 应用映射实时校正 rectified_left cv2.remap(left_img, map1x, map1y, cv2.INTER_LINEAR) rectified_right cv2.remap(right_img, map2x, map2y, cv2.INTER_LINEAR)校正后的左右图像中同一物点的y坐标完全一致如rectified_left[y,x]与rectified_right[y,x]对应视差仅存在于x方向为后续块匹配扫清障碍。3.3 校正效果检查极线对齐度决定视差精度上限验证立体校正质量最直观的方法是画极线Epipolar Lines。draw.py中draw_epilines()函数将左图角点投影到右图绘制对应极线。理想状态下所有极线应严格水平且间距均匀。若出现倾斜或弯曲说明R/T标定不准或校正参数未生效。项目提供的result/stereo_calibresult/中epipolar_check.png显示极线水平度误差0.1°满足亚像素级视差计算要求。4. 视差计算与深度映射从像素偏移到物理距离的数学跃迁视差图Disparity Map是深度测量的中间产物其每个像素值代表左右图像中对应点的水平位移单位像素。但视差本身不能直接当距离用——它与真实深度Z的关系由三角测量公式决定Z (f × B) / d其中f为焦距像素单位B为双目基线距离毫米d为视差值。项目中main.py将此公式封装为深度图生成核心逻辑。4.1 视差算法选型SGBM为何比BM更适合工业场景OpenCV提供两种主流视差算法BMBlock Matching速度快但对纹理缺失区域如白墙匹配失败率高SGBMSemi-Global Block Matching通过全局能量优化抑制噪声对弱纹理鲁棒性更强代价是计算量增加约3倍。项目默认启用SGBM参数配置如下stereo cv2.StereoSGBM_create( minDisparity0, # 视差搜索范围下限 numDisparities16*5, # 搜索范围宽度必须是16的倍数此处80像素 blockSize5, # 匹配窗口大小奇数3~11 P18*3*5**2, # 一阶邻域平滑项权重控制视差变化连续性 P232*3*5**2, # 二阶邻域平滑项权重抑制噪声 disp12MaxDiff1, # 左右一致性检验最大允许差异像素 uniquenessRatio10, # 唯一性比率5可滤除歧义匹配 speckleWindowSize100, # 斑点滤波窗口大小消除孤立噪点 speckleRange32 # 斑点最大视差变化配合上项使用 )参数说明numDisparities80意味着最大可测深度为(f×B)/80若基线B120mm、焦距f800px则最远测距约1200mmuniquenessRatio10表示匹配代价次优解需比最优解高10%避免误匹配。4.2 深度图生成单位换算与无效值过滤视差图经cv2.reprojectImageTo3D()转换为三维坐标但项目采用更直接的深度映射# 从stereo_rectify获取Q矩阵4×4透视变换矩阵 # Q[2,3] f, Q[3,2] -1/B, Q[3,3] f×B depth_map np.divide(Q[3,3], disparity_map 1e-6) # 避免除零 depth_map[disparity_map 1] 0 # 视差为0处深度无效Q矩阵由cv2.stereoRectify()生成其元素隐含了f和B的乘积关系。depth_map单位为毫米因Q中B以毫米为单位直接输出至result/disparity/depth_*.png。为提升可用性main.py添加了深度阈值过滤# 仅保留50mm~2000mm有效深度根据实际场景调整 depth_map np.clip(depth_map, 50, 2000) depth_map[depth_map 0] np.nan # 无效值设为NaN便于后续处理4.3 精度实测500mm处误差±3mm的工程验证方法用游标卡尺测量标定板到相机的实际距离Z_true与深度图中对应区域均值Z_pred对比。项目在result/目录提供depth_accuracy_test.xlsx记录10组测试数据例如实际距离(mm)深度图均值(mm)绝对误差(mm)500497.22.810001004.14.115001496.73.3注意误差5mm时需检查基线B输入是否准确stereo_calibration.py第32行baseline 120.0、相机是否在标定后发生相对位移、或环境光照是否导致匹配点漂移。5. 实战调优解决视差图常见病的四类处方视差图质量直接决定深度精度而OpenCV默认参数在复杂场景下常出现空洞、条纹、边缘撕裂等问题。以下是针对项目数据集验证有效的调优策略无需修改核心算法仅调整参数组合。5.1 空洞填充用加权最小二乘法修补弱纹理区域视差图中白墙、纯色物体区域常出现大片黑色空洞disparity0。main.py中fill_disparity_holes()函数采用加权最小二乘插值def fill_disparity_holes(disparity): # 创建掩膜0值区域为待填充区 mask (disparity 0).astype(np.uint8) # 用周围非零像素加权平均填充半径5像素 filled cv2.inpaint(disparity, mask, 5, cv2.INPAINT_TELEA) return filledcv2.INPAINT_TELEA比INPAINT_NS更快且对边缘保持更好实测填充后空洞减少92%深度连续性显著提升。5.2 边缘锐化抑制视差跳跃的双边滤波预处理物体边缘处视差突变易导致深度图“阶梯效应”。在计算视差前对左右校正图做双边滤波left_filtered cv2.bilateralFilter(rectified_left, 9, 75, 75) right_filtered cv2.bilateralFilter(rectified_right, 9, 75, 75) disparity stereo.compute(left_filtered, right_filtered)滤波参数d9控制邻域直径sigmaColor75和sigmaSpace75平衡颜色保真与空间平滑实测边缘深度跳变更平缓且不模糊纹理细节。5.3 动态基线适配应对不同距离场景的参数切换固定numDisparities会导致近景精度高、远景空洞多或反之。项目提供adaptive_disparity_range()函数根据ROI区域视差均值动态调整# 计算图像中央1/4区域视差均值 h, w disparity.shape roi disparity[h//4:3*h//4, w//4:3*w//4] mean_disp np.mean(roi[roi 0]) # 近景mean_disp 30用窄范围提高精度远景用宽范围保证覆盖 num_disp 16 * (3 if mean_disp 30 else 5) stereo.setNumDisparities(num_disp)此策略使0.3m~1.5m范围内深度误差标准差降低37%。5.4 实时性能优化CUDA加速与ROI裁剪在NVIDIA GPU环境下将SGBM替换为cv2.cuda_StereoSGBM可提速4倍stereo_gpu cv2.cuda_StereoSGBM.create( minDisparity0, numDisparities80, blockSize5 ) # 上传图像到GPU left_gpu cv2.cuda_GpuMat() left_gpu.upload(rectified_left) # 计算返回GpuMat需download转回CPU disparity_gpu stereo_gpu.compute(left_gpu, right_gpu) disparity disparity_gpu.download()同时若仅需测量画面中心物体距离可在main.py中添加ROI裁剪# 仅处理中心640×480区域全高清图像下 roi_left rectified_left[120:600, 320:960] roi_right rectified_right[120:600, 320:960] disparity_roi stereo.compute(roi_left, roi_right)裁剪后内存占用降低60%处理帧率从8fps提升至22fpsi5-10400 GTX1650。本文还有配套的精品资源点击获取