（附代码）干货 | 摄像头单目测距原理及实现-技术圈

点击左上方蓝字关注我们

一个专注于目标检测与深度学习知识分享的公众号

编者荐语

单目测距的核心是使用相似三角形来计算相机到一个已知的物体或者目标的距离。即：假设我们有一个宽度为 W 的目标或者物体。然后我们将这个目标放在距离我们的相机为 D 的位置。我们用相机对物体进行拍照并且测量物体的像素宽度 P 。这样我们就得出了相机焦距的公式：F = (P x D) / W，然后我们便可以使用此公式进行计算了。但在实际的情况下，还需要考虑各种其他的因素。

作者 | 吴建明wujianming@知乎

链接 | https://zhuanlan.zhihu.com/p/137943238

一．测距原理

空间的深度或距离等数据的摄像头。

人的眼睛长在头部的前方，两只眼的视野范围重叠，两眼同时看某一物体时，产生的视觉称为双眼视觉。

双眼视觉的优点是可以弥补单眼视野中的盲区缺损，扩大视野，并产生立体视觉。

也就是说，假如只有一只眼睛，失去立体视觉后，人判断距离的能力将会下降。

这也就是单目失明的人不能考取驾照的原因。

单纯的单目视觉测距，必须已知一个确定的长度。

f为摄像头的焦距，c为镜头光心。物体发出的光经过相机的光心，然后成像于图像传感器或者也可以说是像平面上，如果设物体所在平面与相机平面的距离为d，物体实际高度为H，在传感器上的高度为h，H一定要是已知的，我们才能求得距离d。

假设我们有一个宽度为 W 的目标或者物体。然后我们将这个目标放在距离我们的相机为 D 的位置。我们用相机对物体进行拍照并且测量物体的像素宽度 P 。这样我们就得出了相机焦距的公式：

F = (P x D) / W

例如，假设现在我们有一张A4纸（8.27in x 11.69in), in代表英寸，1in = 25.4mm。纸张宽度W=11.69in，相机距离纸张的距离D = 32in，此时拍下的照片中A4纸的像素宽度为P=192px（我的相机实际测量得到的值）。
此时我们可以算出焦距F=（192x30)/11.69。
当我们将摄像头远离或者靠近A4纸时，就可以用相似三角形得到相机距离物体的距离。
此时的距离：D’ = (W’ x F ) / P’。
（注意：这里测量的距离是相机到物体的垂直距离，产生夹角，测量的结果就不准确了。）

二．测距步骤：

1. 使用摄像机采集道路前方的图像；

2. 在道路区域对物体进行检测，通过矩形框将物体形状框出来。

3. 结合矩形框信息，找到该矩形框底边的两个像平面坐标，分别记为（u1，v1）和（u2，v2）;

4. 使用几何关系推导法，由像平面坐标点（u1, v1）、（u2, v2）推导出道路平面坐标（x1,y1）、（x2, y2）；（投影到地面上，z轴为0）

5. 通过欧氏距离公式计算出d。

三．难点整理：

1.图像畸变矫正模型的理解;

（标定参数，内参矩阵，畸变矩阵，外参矩阵（平移、旋转向量矩阵））

2.像素坐标与世界坐标公式的推导及验证；

3.测距方法，对于检测物体在摄像头前方、左侧、右侧的判别思路；

4.弄清反畸变；对于畸变矫正后的图像中的检测框中的点进行反畸变处理。

四．相机镜头畸变矫正-->得到相机的内外参数、畸变参数矩阵

1. 外参数矩阵。世界坐标经过旋转和平移，然后落到另一个现实世界点(摄像机坐标)上。

2. 内参数矩阵。告诉你上述那个点在1的基础上，是如何继续经过摄像机的镜头、并通过针孔成像和电子转化而成为像素点的。

3. 畸变矩阵。告诉你为什么上面那个像素点并没有落在理论计算该落在的位置上，还产生了一定的偏移和变形.

五．实现代码

#!/usr/bin/python3# -*- coding: utf-8 -*-# Date: 18-10-29import numpy as np # 导入numpy库import cv2 # 导入Opencv库KNOWN_DISTANCE = 32 # 这个距离自己实际测量一下KNOWN_WIDTH = 11.69 # A4纸的宽度KNOWN_HEIGHT = 8.27IMAGE_PATHS = ["Picture1.jpg", "Picture2.jpg", "Picture3.jpg"] # 将用到的图片放到了一个列表中# 定义目标函数def find_marker(image):gray_img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 将彩色图转化为灰度图gray_img = cv2.GaussianBlur(gray_img, (5, 5), 0) # 高斯平滑去噪edged_img = cv2.Canny(gray_img, 35, 125) # Canny算子阈值化cv2.imshow("降噪效果图", edged_img) # 显示降噪后的图片# 获取纸张的轮廓数据img, countours, hierarchy = cv2.findContours(edged_img.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)# print(len(countours))c = max(countours, key=cv2.contourArea) # 获取最大面积对应的点集rect = cv2.minAreaRect(c) # 最小外接矩形return rect# 定义距离函数def distance_to_camera(knownWidth, focalLength, perWidth):return (knownWidth * focalLength) / perWidth# 计算摄像头的焦距（内参）def calculate_focalDistance(img_path):first_image = cv2.imread(img_path) # 这里根据准备的第一张图片，计算焦距# cv2.imshow('first image', first_image)marker = find_marker(first_image) # 获取矩形的中心点坐标，长度，宽度和旋转角度focalLength = (marker[1][0] * KNOWN_DISTANCE) / KNOWN_WIDTH # 获取摄像头的焦距# print(marker[1][0])print('焦距(focalLength) = ', focalLength) # 打印焦距的值return focalLength# 计算摄像头到物体的距离def calculate_Distance(image_path, focalLength_value):image = cv2.imread(image_path)# cv2.imshow("原图", image)marker = find_marker(image) # 获取矩形的中心点坐标，长度，宽度和旋转角度， marke[1][0]代表宽度distance_inches = distance_to_camera(KNOWN_WIDTH, focalLength_value, marker[1][0])box = cv2.boxPoints(marker)# print("Box = ", box)box = np.int0(box)print("Box = ", box)cv2.drawContours(image, [box], -1, (0, 255, 0), 2) # 绘制物体轮廓cv2.putText(image, "%.2fcm" % (distance_inches * 2.54), (image.shape[1] - 300, image.shape[0] - 20),cv2.FONT_HERSHEY_SIMPLEX, 2.0, (0, 255, 0), 3)cv2.imshow("单目测距", image)if __name__ == "__main__":img_path = "Picture1.jpg"focalLength = calculate_focalDistance(img_path)for image_path in IMAGE_PATHS:calculate_Distance(image_path, focalLength)cv2.waitKey(0)cv2.destroyAllWindows()

END

双一流大学研究生团队创建，专注于目标检测与深度学习，希望可以将分享变成一种习惯！

整理不易，点赞三连↓