双目摄像头实现双目测距

双目摄像头实现双目测距 双目摄像头实现双目测距

目录

1.双目测距原理

2.双目测距实现

3.3D点云显示

4.项目代码

---

双目立体视觉深度相机实现双目测距功能，主要分为4个步骤：相机标定+双目校正+双目匹配+计算深度信息：

(1）相机标定：需要对双目相机进行标定，得到两个相机的内外参数、单应矩阵。
(2)  双目校正：根据标定结果对原始图像进行校正，校正后的两张图像位于同一平面且互相平行。
(3）双目匹配：对校正后的两张图像进行像素点匹配。
(4）计算深度图：根据匹配结果计算每个像素的深度，从而获得深度图。

本篇将着重介绍双目测距的深度图计算原理和实现，关于相机标定+双目校正+双目匹配等内容，鄙人已经整理了一个完整的项目内容，详情请查看博客《双目三维重建系统(双目标定+立体校正+双目测距+点云显示)Python》

双目三维重建系统(双目标定+立体校正+双目测距+点云显示)Python_pan_jinquan的博客-CSDN博客​本博客将实现Python版本的双目三维重建系统，项目代码实现包含：`双目标定`，`立体校正（含消除畸变)`，`立体匹配`，`视差计算`和`深度距离计算/3D坐标计算` 的知识点。限于篇幅，本博客不会过多赘述算法原理，而是手把手教你，如果搭建一套属于自己的双目三维重建的系统。该系统包含：支持双USB连接线的双目摄像头支持单USB连接线的双目摄像头(左右摄像头被拼接在同一个视频中显示)支持单目相机标定:mono_camera_calibration.py支持双目相机标定:stereo_camerahttps://panjinquan.blog.csdn.net/article/details/121301896

---

1.双目测距原理

原理很简单，利用了相似三角形计算距离，所以双目测距的主要任务在于前期摄像头的定标、双目图像点的特征匹配上。 

---

2.双目测距实现

实现双目测距最关键的步骤是获得视差图，视差图计算请查看博客《双目三维重建系统(双目标定+立体校正+双目测距+点云显示)Python》

得到了视差图之后，就可以计算像素深度了,在opencv中使用StereoRectify()函数可以得到一个重投影矩阵Q，它是一个4*4的视差图到深度图的映射矩阵(disparity-to-depth mapping matrix )，使用Q矩阵和cv2.reprojectImageTo3D即可实现将像素坐标转换为三维坐标，该函数会返回一个3通道的矩阵，分别存储X、Y、Z坐标（左摄像机坐标系下）。

def reprojectImageTo3D(disparity, Q, _3dImage=None, handleMissingValues=None, ddepth=None):
    """
    :param disparity: 输入视差图
    :param Q: 输入4*4的视差图到深度图的映射矩阵，即重投影矩阵 通过stereoRectify得到
            (disparity-to-depth mapping matrix)
    :param _3dImage: 映射后存储三维坐标的图像
             contains 3D coordinates of the point (x,y) computed from the disparity map
    :param handleMissingValues: 计算得到的非正常值是否给值，如果为true则给值10000
    :param ddepth: 输出类型 -1 即默认为CV_32FC3 还可以是 CV_16S, CV_32S, CV_32F
    :return:
    """

运算如下：

 

重投影矩阵Q中和为左相机主点在图像中的坐标，f为焦距，为两台相机投影中心间的平移（负值），即基线baseline,相当于平移向量T[0], 是右相机主点在图像中的坐标。

其中Z即是深度距离depth：

其中 f 为焦距长度（像素焦距），b为基线长度，d为视差，与为两个相机主点的列坐标。

这里有个地方需要注意，如果获得视差图像是CV_16S类型的，这样的视差图的每个像素值由一个16bit表示，其中低位的4位存储的是视差值得小数部分，所以真实视差值应该是该值除以16。在进行映射后应该乘以16，以获得毫米级真实位置。

    def get_depth(self, disparity, Q, scale=1.0, method=False):
        """
        reprojectImageTo3D(disparity, Q),输入的Q,单位必须是毫米(mm)
        :param disparity: 视差图
        :param Q: 重投影矩阵Q=[[1, 0, 0, -cx]
                           [0, 1, 0, -cy]
                           [0, 0, 0,  f]
                           [1, 0, -1/Tx, (cx-cx`)/Tx]]
            其中f为焦距，Tx相当于平移向量T的第一个参数
        :param scale: 单位变换尺度,默认scale=1.0,单位为毫米
        :return depth:ndarray(np.uint16),depth返回深度图, 即距离
        """
        # 将图片扩展至3d空间中，其z方向的值则为当前的距离
        if method:
            points_3d = cv2.reprojectImageTo3D(disparity, Q)  # 单位是毫米(mm)
            x, y, depth = cv2.split(points_3d)
        else:
            # baseline = abs(camera_config["T"][0])
            baseline = 1 / Q[3, 2]  # 基线也可以由T[0]计算
            fx = abs(Q[2, 3])
            depth = (fx * baseline) / disparity
        depth = depth * scale
        # depth = np.asarray(depth, dtype=np.uint16)
        depth = np.asarray(depth, dtype=np.float32)
        return depth

• 运行demo.py后，鼠标点击图像任意区域，终端会打印对应距离
• 鼠标点击手部区域会打印距离摄像头的距离约633mm,即0.63米，还是比较准的

(x,y)=(203,273),depth=633.881653mm
(x,y)=(197,329),depth=640.386047mm
(x,y)=(222,292),depth=631.549072mm
(x,y)=(237,270),depth=630.389221mm
(x,y)=(208,246),depth=652.560669mm

 双目测距的精度 说明：

根据上式可以看出，某点像素的深度精度取决于该点处估计的视差d的精度。假设视差d的误差恒定，当测量距离越远，得到的深度精度则越差，因此使用双目相机不适宜测量太远的目标。

如果想要对与较远的目标能够得到较为可靠的深度，一方面需要提高相机的基线距离，但是基线距离越大，左右视图的重叠区域就会变小，内容差异变大，从而提高立体匹配的难度，另一方面可以选择更大焦距的相机，然而焦距越大，相机的视域则越小，导致离相机较近的物体的距离难以估计。

理论上，深度方向的测量误差与测量距离的平方成正比，而X/Y方向的误差与距离成正比；而距离很近时，由于存在死角，会导致难以匹配的问题；想象一下，如果你眼前放置一块物体，那你左眼只能看到物体左侧表面，右眼同理只能看到物体右侧表面，这时由于配准失败，导致视差计算失败；这个问题在基线越长，问题就越严重

 双目立体视觉系统精度分析_3D Vision-CSDN博客_双目视觉定位精度在一个三维测量项目中，如果采用立体视觉方案，首先，要根据测量需求（精度、测量范围、速度等），确定立体视觉的硬件方案。Thomas Luhmann在他的《Close-Range Photogrammetry and 3D Imaging》（2014）中，给出立体视觉系统的简化分析方法。这个方法假设两个相机的光轴平行，基线与光轴垂直，基线长度b和焦距值c不存在误差。分析了图像处理误差对立体定位https://blog.csdn.net/xuyuhua1985/article/details/50151269

---

3.3D点云显示

恢复三维坐标后，就可以使用python-pcl和Open3D库显示点云图

PCL Python版比较难安装，如果安装不了，那可以采用Open3D勉强凑合使用吧

如下图所示，你可以用鼠标旋转坐标轴，放大点云

2D-RGBOpen3D点云显示PCL点云显示

    def show_3dcloud_for_open3d(self, frameL, frameR, points_3d):
        """
        使用open3d显示点云
        :param frameL:
        :param frameR:
        :param points_3d:
        :return:
        """
        if self.use_open3d:
            x, y, depth = cv2.split(points_3d)  # depth = points_3d[:, :, 2]
            self.open3d_viewer.show(color_image=frameL, depth_image=depth)

    def show_3dcloud_for_pcl(self, frameL, frameR, points_3d):
        """
        使用PCL显示点云
        :param frameL:
        :param frameR:
        :param points_3d:
        :return:
        """
        if self.use_pcl:
            self.pcl_viewer.add_3dpoints(points_3d, frameL)
            self.pcl_viewer.show()

---

4.项目代码

【完整的项目代码】：https://download.csdn.net/download/guyuealian/42517006

《双目三维重建系统(双目标定+立体校正+双目测距+点云显示)Python》

双目三维重建系统(双目标定+立体校正+双目测距+点云显示)Python_pan_jinquan的博客-CSDN博客​本博客将实现Python版本的双目三维重建系统，项目代码实现包含：`双目标定`，`立体校正（含消除畸变)`，`立体匹配`，`视差计算`和`深度距离计算/3D坐标计算` 的知识点。限于篇幅，本博客不会过多赘述算法原理，而是手把手教你，如果搭建一套属于自己的双目三维重建的系统。该系统包含：支持双USB连接线的双目摄像头支持单USB连接线的双目摄像头(左右摄像头被拼接在同一个视频中显示)支持单目相机标定:mono_camera_calibration.py支持双目相机标定:stereo_camerahttps://panjinquan.blog.csdn.net/article/details/121301896