简介一份面向计算机视觉与机器人方向学习者的单目线激光三维重建项目资源。方案以OpenCV与PCL为核心覆盖相机标定、激光面标定、履带运动标定及点云生成与融合等完整流程适合希望掌握三维重建落地实现、开展实验或二次开发的中级开发者。压缩包共354个文件约104.5MB含可运行的exe、C工程源码sln/vcxproj/cpp、PCL点云与网格文件ply/obj、OpenCV调试符号pdb/ipdb/idb及大量png图像、tlog日志等既提供可执行验证成果也保留工程编译与调试所需目录。目前已有6662人学习下载重建效果较好可作为单目线激光方案的参考范例。读者不仅能获得完整源码和构建配置还能对照图像序列与中间文件理解标定到重建的每个环节对于学习OpenCV图像处理、PCL点云算法及两者结合的工程方法很有帮助。1. 单目线激光三维重建一台相机加一根激光线扫出的点云一台普通工业相机加一条一字线激光器扫一遍就能出一幅带毫米坐标的点云——这是单目线激光三维重建最直接的画面。它不依赖昂贵的结构光模组也不需要双目标定只要相机内参和激光光平面两条线都标定走通就能在几十到几百毫米的物距范围内把光条像素稳定换算出 XYZ。这套源码拿到手后完整的处理链条都在里面相机内参标定、光平面拟合、光条中心提取、三维重构与 PCL 点云落盘。适合要做轮廓测量、表面三维检测或者想低成本入门线结构光测量的开发者。它擅长扫描平整表面与规则台阶遇到强反光材质和高环境光时得先解决采集问题再谈精度。2. 先把测量原理吃透激光三角法的几何模型与硬件选型2.1 激光三角法几何模型为什么单目也能还原深度单目相机本身只能得到二维信息拿不到深度。加上一条线激光后激光器从侧面把光条投射到物体表面相机看到的是物体表面调制后的光条形状。光条上的每个像素对应物体表面一个点而这一点既落在相机的一条确定射线上又落在激光器发出的那个光平面上。射线和平面求交点三维坐标就解出来了。这是整套系统的核心约束也是“单目”能重建的底气。深度分辨率和几何参数直接挂钩。假设相机光轴与激光平面夹角为 θ基线为 b焦距为 f物距为 z像素物理尺寸为 ps那么单个像素对应的深度变化大约为Δz ≈ z² * ps / (f * b * sinθ)一个典型配置b 100mmf 12mmps 4.8umz 300mmθ 45°。代入算下来大约 0.4mm 每像素。想提高分辨率可以加大基线、增加焦距、缩小物距但基线一大近距离遮挡问题就严重焦距一长视野就窄物距一小测量范围又被压缩。参数之间互相牵制没有绝对最优只有具体工况下的折中。为什么选单目线激光而不是双目双目最大的痛点是立体匹配遇到白墙、深色塑料这类弱纹理表面匹配直接失败而线激光天然在暗背景上制造一条明确的高亮曲线特征清晰得多。代价是只能测量激光扫过的轮廓无法一次性得到整幅表面的深度图。如果被测对象静态可以用运动平台扫过去拼接如果动态就得看到激光线的每一帧都算一次轮廓。理解这一点后面做扫描路径规划就不容易跑偏。单目线激光还有一个容易被忽略的优点标定系统相对固定后每帧只处理一列或几列光条像素计算量远小于稠密立体匹配很合适部署在在线检测设备上。但要注意激光器和相机的位置关系一旦变动光平面参数就失效整套标定得重来这是排障时第一个要怀疑的点。2.2 硬件选型相机、镜头、激光器与滤光片的配合参数软件算法再漂亮采集端拉胯后面全白搭。线激光三维重建的硬件门槛不高但有几个参数需要一次配好。部件建议规格作用注意相机黑白、全局快门、1280×960 或以上减小运动拖影灰度提取稳定不要用带红外截止的彩色相机镜头6-16mm C 口定焦光圈 F1.4-F2.8控制物距与景深光圈调好后锁死激光器635/650nm 一字线功率 5-20mW投射测量光条需做遮挡防护直射有安全风险滤光片与激光波长相匹配的窄带滤光片滤除环境光干扰带宽 10nm 效果更好但入射角过大会偏谱标定板棋盘格格边长 20-30mm平面度好内参与光平面标定打印纸易弯折慎用大尺寸激光扫描场景相机尽量选全局快门卷帘快门在扫动物体时光条位置会逐行漂移重建出来的轮廓在扫描方向上有肉眼可见的倾斜。分辨率不用追求过高1280×960 在多数轮廓测量场景已经够用分辨率太高反而让光条宽度占的像素太少噪声被放大。镜头焦距的选择和物距配套考虑。物距 200mm、想覆盖 100mm 左右的视野用 8mm 或 12mm 镜头比较常见想扫更大范围就把物距拉远或换短焦距镜头。光圈收到 F2.8 附近能明显改善光条边缘的像差代价是光强变弱记得同步补曝光。激光器的线宽很关键。测量距离上光条宽度最好控制在 3-8 个像素太宽中心提取模糊太窄亚像素提取受噪声影响大。我一般先看厂家标注的“300mm 处线宽”再结合镜头的像素尺寸折算而不是到手后直接调功率。滤光片是我强烈建议加的一环。没有窄带滤光片时普通室内照明就能让光条背景灰度抬到五六十阈值分割很难受加了带通滤光片后背景压到接近零处理难度大幅下降。一次配齐这几样比后面写再多降噪算法都管用。激光器与相机光轴的夹角一般取 30°-60°。夹角越大高度分辨率越高但被测表面起伏大时阴影遮挡也越严重夹角太小深度变化在图像里表现很弱精度上不去。我的习惯是先定物距和量程再调夹角最后验证分辨率公式而不是上来就凭感觉摆位置。3. 标定是准度的基础相机内参与光平面拟合的实现3.1 相机内参标定棋盘格采集与 OpenCV 参数光平面标定依赖相机内参内参不准后面的平面方程全是歪的。OpenCV 的 calibrateCamera 足够用关键是采集姿势要覆盖整个视野。固定好相机和激光器后手持棋盘格在视野内拍 15-25 张姿态至少要包含中心正对、左右平移、上下平移、绕水平轴和垂直轴各倾斜 20° 左右。不要所有姿态都集中在一个平面附近那样罚函数退化内参会向某个方向明显偏斜。以下是完整的内参标定脚本直接改路径和棋盘参数就能跑。import cv2 import numpy as np import glob # 实测棋盘格边长单位 mm不要凭打印设置猜 squares 25.0 pattern (9, 6) # 内角点数列 x 行 objp np.zeros((pattern[0] * pattern[1], 3), np.float32) objp[:, :2] np.mgrid[0:pattern[0], 0:pattern[1]].T.reshape(-1, 2) * squares obj_points, img_points [], [] imgs sorted(glob.glob(calib/*.bmp)) for f in imgs: img cv2.imread(f) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners cv2.findChessboardCorners(gray, pattern, None) if not ret: continue # 角点没找全就丢不要硬用 criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 50, 0.0001) corners cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) obj_points.append(objp) img_points.append(corners) rms, K, dist, rvecs, tvecs cv2.calibrateCamera( obj_points, img_points, gray.shape[::-1], None, None) print(RMS re-projection error:, rms) print(K , K) print(dist , dist.ravel()) np.savez(camera.npz, KK, distdist)逻辑上findChessboardCorners 先粗定位角点cornerSubPix 再在局部窗口内做亚像素细化这一步能明显提升标定稳定性。rms 是重投影误差单位是像素我一般要求小于 0.1 像素如果超过 0.15优先检查棋盘格是否弯曲、是否有图像模糊、姿态是否太单一。参数说明squares 必须是实际物理边长用卡尺量不要直接用打印参数pattern 是内角点数不是棋盘格个数cornerSubPix 的窗口 11x11 对多数相机足够分辨率特别高的可以加到 (15, 15)。标定完后把 camera.npz 保存好光平面标定和重建代码都会用到它。3.2 光平面标定投影比例法与平面拟合光平面标定的本质是求激光平面在相机坐标系下的方程aX bY cZ d 0。最常用的做法是把棋盘格摆在视野里让激光线打在上面利用棋盘格作为已知尺寸的参考面反推出激光线上的三维点再用这些点拟合平面。这里用一个工程上很直接的方案对每个棋盘姿态先用 solvePnP 求出棋盘坐标系到相机坐标系的旋转和平移再找激光线与棋盘上某一行角点连线的交点利用线段比例关系算出该点在棋盘坐标系下的坐标最后变换到相机坐标系。光条穿过棋盘时最好同时穿过两到三行水平线和竖直线这样一次能采到多个三维点。import cv2 import numpy as np # 假设已加载 K, dist, 以及该姿态下的角点 corners # 棋盘原点取左上角内角点X 沿行方向Y 沿列方向单位 mm pattern (9, 6) squares 25.0 objp np.zeros((pattern[0] * pattern[1], 3), np.float32) objp[:, :2] np.mgrid[0:pattern[0], 0:pattern[1]].T.reshape(-1, 2) * squares ret, rvec, tvec cv2.solvePnP(objp, corners, K, dist) R, _ cv2.Rodrigues(rvec) # laser_point: 激光线与该行角点连线的图像交点亚像素坐标 def line_cross_with_row(u1, v1, u2, v2, lu, lv, idx): # 角点连线上两点 A(idx_row, 0) 和 B(idx_row, 1)这里以水平线为例 A np.array([u1, v1], dtypenp.float64) B np.array([u2, v2], dtypenp.float64) P np.array([lu, lv], dtypenp.float64) t np.dot(P - A, B - A) / np.dot(B - A, B - A) row_id, col_id idx # 角点索引用于换算出棋盘坐标 x_board col_id * squares if t 1e-6 else p a hrefhttps://download.csdn.net/download/qq_36638362/13082209 stylecolor:#ec7500;font-size:14px; 本文还有配套的精品资源点击获取 /a img altmenu-r.4af5f7ec.gif srchttps://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif stylewidth:16px;margin-left:4px;vertical-align:text-bottom;cursor:text; /p