简介本资源是一套基于Python与OpenCV实现的双目立体视觉图像匹配与测距系统面向计算机、人工智能、自动化、电子信息等专业的本科生及初学者解决三维空间中目标距离实时估算与视差匹配的核心问题适用于毕业设计、课程设计、期末大作业及项目立项演示。压缩包共164个文件含38个带完整注释的Python源码含主程序、标定、匹配、测距模块、49个BMP/JPG/PNG格式的双目校正与测试图像、10个Qt UI界面文件、5个PDF/DOCX格式的高分毕业论文与技术文档以及数据库脚本、配置文件和UI资源文件整体大小为96.25MB结构清晰、模块解耦、开箱即用。已有191人学习下载项目经导师指导并获95分答辩高分评价所有代码均通过实机调试验证功能完整、界面美观、操作简洁读者可直接部署运行亦可基于源码快速拓展深度估计、障碍物识别等进阶功能。1. 双目立体视觉不是“左右眼一减就出深度”这份 PythonOpenCV 源码把匹配误差从 ±15cm 压到 ±2.3cm专治毕业设计里“测距不准、匹配飘忽、标定崩溃”三大玄学病你是不是也试过用 OpenCV 的StereoBM或StereoSGBM跑通了双目示例但一换自己拍的图视差图就全是噪点标定板拍得再正重投影误差动不动 0.8 像素以上测个 80cm 的纸盒结果输出 62cm 或 97cm答辩时被问“误差来源在哪”只能含糊说“光照影响”这不是你代码写错了——是绝大多数开源双目项目漏掉了亚像素匹配校正、极线约束强化、视差后处理三道硬门槛。这份高分毕业设计源码核心价值不在“能跑”而在它用 127 行可读注释代码把 SGBM 参数空间压缩到 5 维可调范围内置极线校验失败自动降级机制并附带一份实测有效的标定 checklist含棋盘格拍摄角度、光照均匀性、图像分辨率下限。它不教你怎么推导对极几何而是告诉你当minDisparity0时numDisparities必须是 16 的整数倍否则cv2.reprojectImageTo3D会静默返回 NaN当blockSize5时P1和P2的比值必须控制在 4~8 之间否则边缘误匹配率飙升。适合正在赶毕设 deadline 的本科生、需要快速验证立体匹配效果的嵌入式工程师以及想搞懂“为什么我调参三天还是不准”的算法初学者。2. 从两张 BMP 图到三维坐标双目测距全流程拆解与关键参数实测边界双目立体视觉的落地难点从来不在理论而在每一步的物理约束如何映射到 OpenCV 函数参数。这份源码没跳过任何中间环节它先用cv2.findChessboardCorners提取标定板角点再通过cv2.calibrateCamera获取单目内参最后用cv2.stereoCalibrate联合优化双目外参。但真正决定精度的是后续匹配阶段的参数组合。我们来逐层拆解。2.1 标定阶段为什么你的重投影误差总卡在 0.7 像素上不去标定质量直接决定后续所有测距结果的天花板。源码中calibration.py的关键逻辑不是简单调用 API而是做了三重加固角点亚像素精化强制启用# calibration.py 片段 criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria) # 必须加否则角点定位漂移cornerSubPix的winSize(11,11)是经验值——小于 9 无法抑制噪声大于 13 易受邻近角点干扰。criteria中EPS0.001是硬门槛若迭代 30 次后位移仍 0.001 像素该角点直接丢弃避免污染标定矩阵。标定板姿态筛选机制源码在collect_calibration_images.py中加入姿态评估# 计算棋盘格平面法向量与光轴夹角 _, rvec, tvec cv2.solvePnP(obj_points, corners, camera_matrix, dist_coeffs) R, _ cv2.Rodrigues(rvec) normal_vector R[:, 2] # Z轴即平面法向 cos_angle abs(np.dot(normal_vector, [0,0,1])) # 与光轴夹角余弦 if cos_angle 0.85: # 大于 31° 角度即丢弃该帧 continue这步过滤掉倾斜过大的标定图因为大角度下角点检测鲁棒性断崖下跌。实测显示未加此过滤时平均重投影误差 0.78px加入后降至 0.32px。畸变模型选择依据源码默认启用cv2.CALIB_RATIONAL_MODEL有理函数畸变模型而非默认的cv2.CALIB_ZERO_TANGENT_DIST。原因普通摄像头径向畸变k1,k2,k3和切向畸变p1,p2需同时建模尤其 k3 对远端点影响显著。测试中仅用 k1,k2 时 1.2m 处点云扭曲达 4.7cm启用 k3 后压缩至 0.9cm。提示标定前务必用cv2.undistort预览矫正效果。若矫正后棋盘格直线仍弯曲说明标定图数量不足建议 ≥20 张或光照不均阴影区角点易丢失。2.2 匹配阶段SGBM 参数不是“越大越好”而是五维耦合约束cv2.StereoSGBM_create的 8 个参数中只有 5 个真正影响精度与鲁棒性平衡。源码将blockSize,numDisparities,minDisparity,P1,P2封装为可调模块并给出实测安全区间参数推荐值超出边界后果物理意义blockSize5~11奇数5噪声敏感11细节模糊匹配窗口过大导致误匹配匹配时局部窗口大小影响纹理弱区域鲁棒性numDisparities16×NN8~16非16倍数reprojectImageTo3D返回 NaN过大内存溢出且无精度增益最大视差搜索范围决定最大可测距离minDisparity0 或负值如 -16设为正数近处物体被截断设为过大负值远处噪声被误认为有效视差视差搜索起点负值可提升近景精度P18*blockSize*blockSize过小边缘断裂过大过度平滑丢失细小结构相邻像素视差变化惩罚项一阶P232*blockSize*blockSizeP2/P1 4误匹配多8过度平滑深度图“塑料感”强相邻像素视差变化惩罚项二阶源码中stereo_match.py的核心配置# stereo_match.py 关键参数组经 127 次实测收敛 stereo cv2.StereoSGBM_create( minDisparity0, numDisparities16*12, # 192对应 1.5m 测距上限基线6.5cm焦距800px blockSize7, # 平衡噪声抑制与边缘保持 P18*7*7, # 392控制水平方向视差连续性 P232*7*7, # 1568强化视差曲面平滑性 disp12MaxDiff1, # 视差一致性检查阈值1 易丢点 uniquenessRatio15, # 低于15% 置信度则丢弃防误匹配 speckleWindowSize100, # 斑点滤波窗口抑制孤立噪点 speckleRange2 # 斑点视差变化容忍度2 易连通真实物体 )注意disp12MaxDiff1这是左右一致性检查LR-check的硬阈值。若左图匹配点视差为 d1右图反向匹配为 d2则|d1-d2|≤1才保留。设为 0 会过度剔除设为 2 则引入大量伪深度。2.3 三维重建reprojectImageTo3D的输入陷阱与坐标系对齐很多同学卡在“明明视差图看着正常点云却是一片空白”。根源在于cv2.reprojectImageTo3D的输入要求极其苛刻视差图必须是 CV_32F 类型且值为 float# 错误示范直接传入 int16 视差图 # disparity stereo.compute(imgL, imgR) # 返回 int16 # points cv2.reprojectImageTo3D(disparity, Q) # ❌ 静默失败 # 正确做法强制转 float32 并归一化 disparity stereo.compute(imgL, imgR).astype(np.float32) disparity (disparity / 16.0) # SGBM 输出需除以16才是真实视差值 points cv2.reprojectImageTo3D(disparity, Q) # ✅SGBM 的compute()返回的是int16其值 真实视差 × 16定点数编码。不除 16 直接输入reprojectImageTo3D会导致 Z 坐标爆炸如真实 80cm 变成 12.8m。Q 矩阵必须与标定参数严格对应源码中Q由cv2.stereoRectify生成但新手常忽略alpha参数# alpha-1 表示裁剪无效区域推荐alpha0 表示保留全部像素含黑边 R1, R2, P1, P2, Q, roi1, roi2 cv2.stereoRectify( cameraMatrix1, distCoeffs1, cameraMatrix2, distCoeffs2, imageSize, R, T, alpha-1 # ⚠️ 必须设为 -1否则 Q 矩阵失效 )若alpha0Q矩阵第三行[0,0,-1,0]会被污染导致points[:,:,2]Z 坐标全为 0 或 inf。坐标系原点对齐实操reprojectImageTo3D默认以左相机光心为原点X 向右、Y 向下、Z 向前。但实际部署时常需转到机械臂基座坐标系。源码coordinate_transform.py提供刚体变换模板# 将点云从左相机坐标系 → 世界坐标系需提前标定外参 def transform_to_world(points_cam, R_world2cam, t_world2cam): # points_cam: (H,W,3) 点云 H, W points_cam.shape[:2] points_flat points_cam.reshape(-1, 3).T # (3, N) points_world R_world2cam points_flat t_world2cam.reshape(3,1) return points_world.T.reshape(H, W, 3)其中R_world2cam和t_world2cam需通过手眼标定获得源码附带hand_eye_calibration_demo.py脚本。3. 极线校验失败视差图全是雪花匹配飘忽不定——双目匹配五大血泪避坑指南双目项目最折磨人的不是写不出代码而是“看起来全对跑起来全错”。这份源码经过 95 分答辩验证背后是踩过无数坑后固化下来的防御性逻辑。以下是五个高频翻车现场按现象→原因→解决三步拆解每条都对应源码中的具体实现3.1 现象stereo.compute()返回全零视差图或大部分区域为 -1原因SGBM 内部匹配失败常见于numDisparities设置过大导致搜索空间溢出或blockSize过小使匹配窗口无法覆盖足够纹理。解决源码在stereo_match.py开头加入预检def validate_stereo_params(numDisparities, blockSize): if numDisparities % 16 ! 0: raise ValueError(fnumDisparities must be multiple of 16, got {numDisparities}) if blockSize 5 or blockSize 11 or blockSize % 2 0: raise ValueError(fblockSize must be odd integer in [5,11], got {blockSize}) # 自动修正 P1/P2避免手动计算错误 P1 8 * blockSize * blockSize P2 32 * blockSize * blockSize return P1, P2运行前强制校验杜绝参数非法。3.2 现象视差图边缘出现大片白色/黑色噪点且随光照变化剧烈原因未启用speckleFilter或uniquenessRatio过低导致低纹理区域如白墙、天空的随机匹配被采纳。解决源码默认开启斑点滤波并动态调整uniquenessRatio# 根据图像平均梯度自适应设置 grad_x cv2.Sobel(imgL, cv2.CV_64F, 1, 0, ksize3) grad_y cv2.Sobel(imgL, cv2.CV_64F, 0, 1, ksize3) mean_grad np.mean(np.sqrt(grad_x**2 grad_y**2)) uniqueness_ratio 10 if mean_grad 15 else 15 # 纹理弱时降低要求防过度剔除 stereo.setUniquenessRatio(uniqueness_ratio)3.3 现象标定后重投影误差合格0.3px但测距结果系统性偏大/偏小 10cm 以上原因双目基线baseline或焦距focal length在Q矩阵中未准确反映物理值。cv2.stereoRectify生成的Q基于像素单位但实际基线需用毫米测量。解决源码提供Q矩阵物理量校准接口def refine_Q_with_physical_params(Q, baseline_mm65.0, focal_px800.0): # Q[2,3] 对应 -f*baseline需用实测值替换 Q_refined Q.copy() Q_refined[2,3] -focal_px * baseline_mm # 单位px*mm return Q_refined # 使用前调用 Q refine_Q_with_physical_params(Q, baseline_mm64.8, focal_px798.2) # 实测值3.4 现象同一物体不同角度拍摄测距结果波动超 ±8cm且无规律原因未做极线校正rectification或校正后 ROIregion of interest未裁剪导致图像边缘存在无效黑边stereo.compute()在黑边区域强行匹配。解决源码强制执行 ROI 裁剪# rectify.py 中 map1_l, map2_l cv2.initUndistortRectifyMap(...) map1_r, map2_r cv2.initUndistortRectifyMap(...) imgL_rect cv2.remap(imgL, map1_l, map2_l, cv2.INTER_LINEAR) imgR_rect cv2.remap(imgR, map1_r, map2_r, cv2.INTER_LINEAR) # 关键裁剪有效区域 x, y, w, h roi1 # roi1 由 stereoRectify 返回 imgL_rect imgL_rect[y:yh, x:xw] imgR_rect imgR_rect[y:yh, x:xw] # ✅ 确保左右图尺寸严格一致3.5 现象程序运行时内存暴涨至 4GB然后崩溃原因numDisparities过大如设为 256且blockSize较大如 11导致 SGBM 内部动态规划表维度爆炸O(W×H×D×B²)。解决源码加入内存安全哨兵def estimate_memory_usage(img_shape, numDisparities, blockSize): H, W img_shape[:2] # SGBM 内存 ≈ W * H * numDisparities * (blockSize**2) * 4 bytes (float32) mem_mb (W * H * numDisparities * blockSize**2 * 4) / (1024**2) if mem_mb 2000: # 警告阈值 2GB raise MemoryError(fEstimated memory {mem_mb:.1f}MB exceeds safe limit. fReduce numDisparities or blockSize.) estimate_memory_usage((480,640), 192, 7) # 返回 1842MB安全4. 把测距误差从 ±15cm 压到 ±2.3cm亚像素匹配与视差后处理四步法精度跃迁的关键不在标定多完美而在于如何从原始视差图中榨取最后 0.5 像素的精度。这份源码的精华在于refine_disparity.py中实现的四步精细化流程。它不依赖深度学习纯 OpenCV 函数组合却让实测误差从毕业设计常见的 ±15cm 降至 ±2.3cm在 0.5~1.2m 范围内。下面拆解每一步的物理意义与代码实现。4.1 第一步视差图空洞填充Inpainting——补全因遮挡丢失的深度原始 SGBM 输出中物体边缘、细杆状物、透明材质区域常出现大面积黑色空洞值为 -1。传统插值如cv2.inpaint会模糊边缘。源码采用基于边缘引导的快速传播算法def edge_guided_inpaint(disparity, edges, radius3): # edges: 二值边缘图Canny 结果 # radius: 传播半径控制填充平滑度 mask (disparity 0).astype(np.uint8) # 空洞掩膜 # 仅在非边缘区域用均值填充边缘区域用最近邻保边 kernel np.ones((radius,radius), np.uint8) dilated_mask cv2.dilate(mask, kernel) smooth_region cv2.bitwise_and(dilated_mask, cv2.bitwise_not(edges)) sharp_region cv2.bitwise_and(dilated_mask, edges) # 平滑区均值滤波 disp_smooth cv2.blur(disparity, (3,3)) # 锐利区导向滤波保边 disp_sharp cv2.ximgproc.guidedFilter( guidedisparity, srcdisparity, radius2, eps100 ) # 合并 result np.where(smooth_region, disp_smooth, disparity) result np.where(sharp_region, disp_sharp, result) return result # 调用 edges cv2.Canny(cv2.cvtColor(imgL, cv2.COLOR_BGR2GRAY), 50, 150) disparity_filled edge_guided_inpaint(disparity, edges)注意guidedFilter的eps100是经验值。eps过小10会过度平滑过大500则失去保边效果。实测eps100在保持细杆结构的同时将空洞填充误差控制在 ±0.3 像素内。4.2 第二步亚像素视差精化Subpixel Refinement——把整数视差变成浮点精度SGBM 输出是整数视差但真实视差是连续值。源码用二次多项式拟合局部视差曲线实现亚像素def subpixel_refine(disparity, imgL, imgR, window_size5): h, w disparity.shape refined np.zeros_like(disparity, dtypenp.float32) half_win window_size // 2 for y in range(half_win, h-half_win): for x in range(half_win, w-half_win): d_int int(disparity[y, x]) if d_int 0: refined[y,x] d_int continue # 提取左图窗口和右图对应窗口考虑视差偏移 win_L imgL[y-half_win:yhalf_win1, x-half_win:xhalf_win1] # 右图窗口x-d_int 为中心 x_r max(half_win, min(w-half_win, x - d_int)) win_R imgR[y-half_win:yhalf_win1, x_r-half_win:x_rhalf_win1] # 计算 SSD平方差和在 d_int-1, d_int, d_int1 三个位置 ssd [] for d_off in [-1,0,1]: x_r_off max(half_win, min(w-half_win, x - (d_int d_off))) win_R_off imgR[y-half_win:yhalf_win1, x_r_off-half_win:x_r_offhalf_win1] ssd.append(np.sum((win_L.astype(float) - win_R_off.astype(float))**2)) # 二次拟合ssd a*d^2 b*d c顶点 d -b/(2a) a (ssd[0] ssd[2] - 2*ssd[1]) / 2.0 b (ssd[2] - ssd[0]) / 2.0 if abs(a) 1e-6: refined[y,x] float(d_int) else: d_subpix d_int - b/(2*a) # 亚像素视差 refined[y,x] max(0.0, d_subpix) # 限制下限 return refined # 调用耗时但必要 disparity_subpix subpixel_refine(disparity_filled, imgL_gray, imgR_gray)此步骤将视差分辨率从 1 像素提升至 0.1 像素量级对应深度精度提升约 3.2cm在 1m 处。4.3 第三步视差图置信度加权Confidence Weighting——给每个深度值打可信分并非所有像素的深度都同样可靠。源码基于局部纹理强度和左右一致性生成置信图def compute_confidence_map(disparity, imgL, imgR, Q): h, w disparity.shape conf_map np.zeros((h,w), dtypenp.float32) # 1. 纹理置信度基于图像梯度方差 grad_x cv2.Sobel(imgL, cv2.CV_64F, 1, 0, ksize3) grad_y cv2.Sobel(imgL, cv2.CV_64F, 0, 1, ksize3) grad_mag np.sqrt(grad_x**2 grad_y**2) # 局部方差窗口 5x5 grad_var cv2.blur(grad_mag**2, (5,5)) - cv2.blur(grad_mag, (5,5))**2 conf_texture np.clip(grad_var / 100.0, 0, 1) # 归一化到 [0,1] # 2. 一致性置信度左右匹配差异 disparity_right stereo_right.compute(imgR, imgL) # 右图作为参考 disparity_right (disparity_right / 16.0).astype(np.float32) # 双线性插值对齐因 rectify 后尺寸微调 disparity_right_aligned cv2.resize(disparity_right, (w,h)) diff_abs np.abs(disparity_subpix - disparity_right_aligned) conf_consistency np.clip(1.0 - diff_abs / 2.0, 0, 1) # 差异2像素则置信度为0 # 加权融合 conf_map 0.6 * conf_texture 0.4 * conf_consistency return conf_map # 调用 conf_map compute_confidence_map(disparity_subpix, imgL_gray, imgR_gray, Q)置信图后续用于点云滤波points_3d[conf_map 0.3] [0,0,0]直接剔除低可信度点。4.4 第四步点云空间滤波Spatial Filtering——在三维空间而非图像空间去噪传统图像域中值滤波会破坏深度边缘。源码在三维空间进行半径邻域统计滤波def spatial_outlier_removal(points_3d, conf_map, radius0.02, nb_neighbors20, std_ratio2.0): # points_3d: (H,W,3)展平为点云 valid_mask (conf_map 0.3) (points_3d[:,:,2] 0) # Z0 且可信 points_flat points_3d[valid_mask].reshape(-1,3) # 使用 Open3D 进行统计滤波需 pip install open3d import open3d as o3d pcd o3d.geometry.PointCloud() pcd.points o3d.utility.Vector3dVector(points_flat) # 统计离群点移除 cl, ind pcd.remove_statistical_outlier( nb_neighborsnb_neighbors, std_ratiostd_ratio # 标准差倍数2.0 为常用值 ) inlier_points np.asarray(cl.points) # 重构为 (H,W,3) 形式插值回原图 refined_3d np.zeros_like(points_3d) for i, (x,y,z) in enumerate(inlier_points): # 找到最近的图像坐标简化版实际用 KDTree 更准 y_idx np.argmin(np.abs(points_3d[:,:,1].flatten() - y)) x_idx np.argmin(np.abs(points_3d[:,:,0].flatten() - x)) h, w points_3d.shape[:2] yi, xi divmod(y_idx, w) refined_3d[yi,xi] [x,y,z] return refined_3d # 调用需提前安装 open3d points_3d_refined spatial_outlier_removal(points_3d, conf_map)此步骤将点云中孤立噪点如飞点、反射伪影彻底清除实测使 1m 处深度标准差从 1.8cm 降至 0.4cm。5. 毕业答辩前必做的三件事用这份源码生成高分可视化报告答辩不是考你代码多炫酷而是看你是否真正理解每个数字背后的物理意义。这份源码附带report_generator.py能一键生成导师最爱看的三类图表标定质量热力图、视差误差分布直方图、典型物体测距对比表。别再手动截图拼 PPT——用数据说话才是高分核心。5.1 标定质量热力图让重投影误差“看得见”导师最关心标定是否扎实。源码将cv2.calibrateCamera的重投影误差reprojection error渲染为热力图直观展示标定板各区域精度def plot_reprojection_error_heatmap(obj_points_list, img_points_list, camera_matrix, dist_coeffs, img_shape): h, w img_shape error_map np.zeros((h,w)) total_points 0 for obj_pts, img_pts in zip(obj_points_list, img_points_list): # 重投影 img_pts_proj, _ cv2.projectPoints(obj_pts, np.zeros(3), np.zeros(3), camera_matrix, dist_coeffs) img_pts_proj img_pts_proj.squeeze().astype(int) # 计算每个角点误差并累加到图像 for i, (x,y) in enumerate(img_pts): x_p, y_p img_pts_proj[i] if 0x_pw and 0y_ph: # 用高斯核扩散误差模拟人眼感知 y_grid, x_grid np.mgrid[max(0,y_p-5):min(h,y_p6), max(0,x_p-5):min(w,x_p6)] dist_sq (x_grid - x_p)**2 (y_grid - y_p)**2 kernel np.exp(-dist_sq / (2*2**2)) # σ2 error_map[y_grid, x_grid] np.sqrt((x-x_p)**2 (y-y_p)**2) * kernel total_points len(img_pts) # 归一化并绘制 error_map error_map / (total_points 1e-6) plt.figure(figsize(10,8)) plt.imshow(error_map, cmaphot, vmin0, vmax0.5) plt.colorbar(labelReprojection Error (pixels)) plt.title(Calibration Quality Heatmap) plt.savefig(calibration_quality.png, dpi300, bbox_inchestight) plt.show() # 调用需在标定后保存 obj_points_list/img_points_list plot_reprojection_error_heatmap(obj_points_list, img_points_list, camera_matrix, dist_coeffs, (480,640))生成的热力图中红色越深表示该区域角点重投影误差越大。若红斑集中在图像四角说明镜头畸变未充分建模若整体呈均匀浅黄色0.2px就是满分证据。5.2 视差误差分布直方图证明你的匹配不是“碰运气”用已知尺寸的标定板如 30mm 方格作为真值计算视差误差分布def plot_disparity_error_histogram(disparity_map, Q, ground_truth_distance1000): # Q[2,3] -f*bZ f*b / (ddelta_d) delta_d f*b*(1/Z - 1/Z_true) f_b -Q[2,3] # 单位px*mm z_true ground_truth_distance # mm # 提取中心区域视差避开边缘误差 h, w disparity_map.shape disp_center disparity_map[h//3:2*h//3, w//3:2*w//3] disp_center disp_center[disp_center 0] # 剔除无效值 # 计算理论视差 d_theory f_b / z_true errors disp_center - d_theory plt.figure(figsize(10,6)) plt.hist(errors, bins50, alpha0.7, colorsteelblue, edgecolorblack) plt.axvline(x0, colorred, linestyle--, labelTheoretical Disparity) plt.xlabel(Disparity Error (pixels)) plt.ylabel(Frequency) plt.title(fDisparity Error Distribution (True Distance: {z_true}mm)) plt.legend() plt.grid(True, alpha0.3) plt.savefig(disparity_error_hist.png, dpi300, bbox_inchestight) plt.show() # 调用在已知距离放置标定板拍摄 plot_disparity_error_histogram(disparity_subpix, Q, ground_truth_distance950)高分关键直方图峰值紧贴 0且 95% 数据落在 ±0.8 像素内。这比单纯说“精度高”有力十倍。5.3 典型物体测距对比表用真实场景数据封死质疑答辩时被问“实际测距准不准”别只说“我们测了”。源码measure_real_objects.py提供标准化测量协议def measure_object_distances(image_pairs, object_sizes_mm, Q): results [] for i, (imgL, imgR) in enumerate(image_pairs): # 获取点云 disp stereo.compute(imgL, imgR) / 16.0 points cv2.reprojectImageTo3D(disp, Q) # 定义 ROI如矩形框标注物体 rois [ (120, 80, 200, 150), # (x,y,w,h) 物体A (350, 100, 180, 140), # 物体B ] for j, (x,y,w,h) in enumerate(rois): roi_points points[y:yh, x:xw] # 过滤无效点 valid_z roi_points[:,:,2][roi_points[:,:,2] 0] if len(valid_z) p a hrefhttps://download.csdn.net/download/qq_38140936/89404910 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