Python OpenCV 双目标定与测距指南
一、流程概述
在进行双目标定和测距之前，我们需要了解所需的步骤。整个过程可以分为以下几个步骤：
| 阶段 | 步骤 | 说明 |
|---|---|---|
| 数据采集 | Camera Calibration Data | 收集标定图像，获取相机内参数和畸变系数 |
| 标定 | Stereo Calibration | 进行双目标定，计算相机之间的关系 |
| 计算深度距离 | Depth Calculation | 使用视差计算测距 |
二、每一步的实现
1. 数据采集（Camera Calibration Data）
在此步骤中，我们需要准备一些用于标定的图像，通常使用棋盘格图案。采集多张图像后我们可以通过 OpenCV 进行相机标定，来获取相机的内参数和畸变系数。
获取相机内参数和畸变系数的代码示例
import cv2
import numpy as np
import glob
# 准备棋盘格模型
chessboard_size = (9, 6) # 内角点数量(列，行)
square_size = 0.025 # 每个方格的真实世界尺寸（根据实际情况调整）
# 准备对象点和图像点
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) * square_size
obj_points = [] # 3D点
img_points = [] # 2D点
# 读取标定图像
images = glob.glob('calibration_images/*.jpg') # 图像路径
# 遍历图像进行角点检测
for img_path in images:
img = cv2.imread(img_path)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, corners = cv2.findChessboardCorners(gray, chessboard_size, None)
if ret:
obj_points.append(objp)
img_points.append(corners)
# 相机标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(obj_points, img_points, gray.shape[::-1], None, None)
注释
np.mgrid用于生成棋盘格的3D模型；cv2.findChessboardCorners用于检测图像中的棋盘格角点；cv2.calibrateCamera用于获取相机的内参数（mtx）和畸变系数（dist）。
2. 双目标定（Stereo Calibration）
双目标定的目的是确定两个相机之间的相对位置和姿态。我们将使用两台相机的标定结果，构建立体视觉系统。
双目标定的代码示例
# 假设已经得到左相机和右相机的标定参数, obj_points, img_points_left, img_points_right
# img_points_left & img_points_right是左右相机获取的角点
flags = 0
flags |= cv2.CALIB_FIX_INTRINSIC # 固定内参数
ret, _, _, _, _, R, T, E, F = cv2.stereoCalibrate(
obj_points, img_points_left, img_points_right, mtx_left, dist_left, mtx_right, dist_right, gray.shape[::-1], flags=flags
)
注释
cv2.stereoCalibrate用于进行双目标定，返回旋转矩阵（R）和平移向量（T）等信息。
3. 计算深度距离（Depth Calculation）
一旦我们得到了双目标定的参数，我们就可以计算图像中各个点的深度信息。这个通常通过计算视差来实现。
计算视差和深度的代码示例
# 读取左右图像
imgL = cv2.imread('left_image.jpg')
imgR = cv2.imread('right_image.jpg')
# 创建StereoSGBM对象
stereo = cv2.StereoSGBM_create(minDisparity=0,
numDisparities=16, # 视差范围
blockSize=5)
# 计算视差图
disparity = stereo.compute(imgL, imgR).astype(np.float32) / 16.0
# 计算深度图
focal_length = mtx_left[0, 0] # 使用左相机的焦距
baseline = np.linalg.norm(T) # 基线距离
depth_map = (focal_length * baseline) / disparity
注释
cv2.StereoSGBM_create创建一个立体匹配对象；stereo.compute用于计算视差图；- 根据视差计算深度图。
三、模型关系图
以下是模型的关系图，展示了相机、内参数和标定结果的关系：
erDiagram
Camera {
string id
float focal_length
float[] distortion_coefficients
}
CalibrationResult {
float[] rotation_matrix
float[] translation_vector
}
Camera ||--o| CalibrationResult : has
四、甘特图
下面的甘特图清晰地列出整个流程的时间安排：
gantt
title 开发流程时间表
dateFormat YYYY-MM-DD
section 数据采集
摄像头标定图像采集 :a1, 2023-10-01, 7d
section 双目标定
双目标定和参数计算 :after a1, 5d
section 深度计算
深度图计算 :after a1, 3d
五、结尾
通过上述步骤和代码示例，你应该能够理解并实现“Python OpenCV 双目标定与测距”的完整流程。在实际操作中，可能会遇到各种边缘情况和问题，建议多做实验和调试，以加深对代码及其实现的理解。同时，可以参考OpenCV的官方文档，获取更多详细信息。祝你在计算机视觉的学习旅程中取得优异的成果！
