大联大友尚安森美半导体感光芯片USB双目摄像头模组试用体验】使用opencv进行测距

这个图简单的说明了双目测距的基本原理，就是想方设法求出距离Z。

右下角Z的那个等式右边的参数中：

f是每个摄像头自己的焦距，也就是传感器到镜头之间的距离。

T是两个摄像头的镜头之间的距离，这些都是确定的。

d是不确定的，d是一个物体在分别两个传感器上所成的像，也就是xl和xr之间的距离，是个变量。

所以为了得出距离，每次就需要获得d的值，之后根据相似三角形原理就可以求出Z。



那么在高精度的测量，你首先要面对的就是进行被测试标靶之间的距离标定。因为我们的摄像头的高度是固定的（也必须要固定， 如果要上下移动，则需要对多点标定，这里就不多做演示了），所以我们需要一个标准的物品，比如一个一元的硬币。而实际的产品开发中，这个校准物品的精度与表面洁净程度也是非常高，这样才能减少对测试数据的校准。

而在这里，我们只使用1元硬币作为参考，仅作为演示



检测方法很简单，边缘检测圆形，转成黑白图像（注意，如果要更高的精度，底层最好是有强烈反差的这样边缘更好检测，我用的是黑色）



int main(intargc, char** argv)

{

    const char* filename = "target.jpg";



    Mat img = imread(filename);

    if (img.empty())

    {

        cout << "can not open "<< filename << endl;

        return -1;

    }



    Mat img3,img2,img4;



    //cvtColor(img, cimg, COLOR_GRAY2BGR);

    cvtColor(img, img2, COLOR_BGR2GRAY);   //把彩色图转换为黑白图像

    GaussianBlur(img2, img2, Size(9, 9), 2, 2);

    threshold(img2, img3, 90, 255,THRESH_BINARY);  //图像二值化，，注意阈值变化

    namedWindow("detecte circles",CV_NORMAL);

    imshow("detecte circles", img3);

    Canny(img3, img3, 50, 100);//边缘检测

    namedWindow("detect circles",CV_NORMAL);

    imshow("detect circles", img3);

    vector>contours;

    vectorhierarchy;

    findContours(img3, contours, hierarchy,CV_RETR_EXTERNAL, CV_CHAIN_APPROX_NONE);//查找出所有的圆边界

    int index = 0;

    for (; index >= 0; index =hierarchy[index][0])

    {

        Scalar color(rand() & 255, rand()& 255, rand() & 255);

        drawContours(img, contours, index,color, CV_FILLED, 8, hierarchy);

    }



    namedWindow("detected circles",CV_NORMAL);

    imshow("detected circles", img);

    //标准圆在图片上一般是椭圆，所以采用OpenCV中拟合椭圆的方法求解中心

    Mat pointsf;

    Mat(contours[0]).convertTo(pointsf,CV_32F);

    RotatedRect box = fitEllipse(pointsf);

    cout << box.center;

    waitKey();



    return 0;

}



这样我们就得到一个像素值。就是我们从摄像头中获得的镜头尺寸。而RMB硬币的直径又是已知的，网上可以查到，那么我们就可以得到一个实际尺寸和摄像头检测项目的比例，再加上固定的距离D，就可以得到一个距离比例尺。

当然这里需要注意，检测的需要依次对2个摄像头进行检测。而且位置需要固定，至于为什么,理由也很简单，角度的偏移和摄像头的畸变都会导致校准系数偏差。而后期我们在实际测量中，也应该保证靠近这个范围内。如果你说硬要在视场中对所有位置一视同仁，那么你需要进行n次的算法比较，进度在不同的位置对应的系数，而这个系数一般来说近似于一个线性，而由于这部分比较复杂和消耗时间，所以我在这里就不做过多采样和计算。只要把被测物放在我们校准物的附近就可以





那么到了现在，一切似乎都是水到渠成，那么开始我们的最后的计算。具体的结果如下图所示：