（附代碼）干貨 | 攝像頭單目測距原理及實現(xiàn)
點擊左上方藍字關(guān)注我們
作者 | 吳建明wujianming@知乎
鏈接 | https://zhuanlan.zhihu.com/p/137943238
一．測距原理
空間的深度或距離等數(shù)據(jù)的攝像頭。
人的眼睛長在頭部的前方，兩只眼的視野范圍重疊，兩眼同時看某一物體時，產(chǎn)生的視覺稱為雙眼視覺。
雙眼視覺的優(yōu)點是可以彌補單眼視野中的盲區(qū)缺損，擴大視野，并產(chǎn)生立體視覺。
也就是說，假如只有一只眼睛，失去立體視覺后，人判斷距離的能力將會下降。
這也就是單目失明的人不能考取駕照的原因。
單純的單目視覺測距，必須已知一個確定的長度。
f為攝像頭的焦距，c為鏡頭光心。物體發(fā)出的光經(jīng)過相機的光心，然后成像于圖像傳感器或者也可以說是像平面上，如果設(shè)物體所在平面與相機平面的距離為d，物體實際高度為H，在傳感器上的高度為h，H一定要是已知的，我們才能求得距離d。
假設(shè)我們有一個寬度為 W 的目標或者物體。然后我們將這個目標放在距離我們的相機為 D 的位置。我們用相機對物體進行拍照并且測量物體的像素寬度 P 。這樣我們就得出了相機焦距的公式：
F = (P x D) / W
例如，假設(shè)現(xiàn)在我們有一張A4紙（8.27in x 11.69in), in代表英寸，1in = 25.4mm。紙張寬度W=11.69in，相機距離紙張的距離D = 32in，此時拍下的照片中A4紙的像素寬度為P=192px（我的相機實際測量得到的值）。
此時我們可以算出焦距F=（192x30)/11.69。
當我們將攝像頭遠離或者靠近A4紙時，就可以用相似三角形得到相機距離物體的距離。
此時的距離：D’ = (W’ x F ) / P’。
（注意：這里測量的距離是相機到物體的垂直距離，產(chǎn)生夾角，測量的結(jié)果就不準確了。）
二．測距步驟：
1. 使用攝像機采集道路前方的圖像；
2. 在道路區(qū)域?qū)ξ矬w進行檢測，通過矩形框?qū)⑽矬w形狀框出來。
3. 結(jié)合矩形框信息，找到該矩形框底邊的兩個像平面坐標，分別記為（u1，v1）和（u2，v2）;
4. 使用幾何關(guān)系推導(dǎo)法，由像平面坐標點（u1, v1）、（u2, v2）推導(dǎo)出道路平面坐標（x1,y1）、（x2, y2）；（投影到地面上，z軸為0）
5. 通過歐氏距離公式計算出d。
三．難點整理：
1.圖像畸變矯正模型的理解;
（標定參數(shù)，內(nèi)參矩陣，畸變矩陣，外參矩陣（平移、旋轉(zhuǎn)向量矩陣））
2.像素坐標與世界坐標公式的推導(dǎo)及驗證；
3.測距方法，對于檢測物體在攝像頭前方、左側(cè)、右側(cè)的判別思路；
4.弄清反畸變；對于畸變矯正后的圖像中的檢測框中的點進行反畸變處理。
四．相機鏡頭畸變矯正-->得到相機的內(nèi)外參數(shù)、畸變參數(shù)矩陣
1. 外參數(shù)矩陣。世界坐標經(jīng)過旋轉(zhuǎn)和平移，然后落到另一個現(xiàn)實世界點(攝像機坐標)上。
2. 內(nèi)參數(shù)矩陣。告訴你上述那個點在1的基礎(chǔ)上，是如何繼續(xù)經(jīng)過攝像機的鏡頭、并通過針孔成像和電子轉(zhuǎn)化而成為像素點的。
3. 畸變矩陣。告訴你為什么上面那個像素點并沒有落在理論計算該落在的位置上，還產(chǎn)生了一定的偏移和變形.
五．實現(xiàn)代碼
#!/usr/bin/python3# -*- coding: utf-8 -*-# Date: 18-10-29import numpy as np # 導(dǎo)入numpy庫import cv2 # 導(dǎo)入Opencv庫KNOWN_DISTANCE = 32 # 這個距離自己實際測量一下KNOWN_WIDTH = 11.69 # A4紙的寬度KNOWN_HEIGHT = 8.27IMAGE_PATHS = ["Picture1.jpg", "Picture2.jpg", "Picture3.jpg"] # 將用到的圖片放到了一個列表中# 定義目標函數(shù)def find_marker(image):gray_img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 將彩色圖轉(zhuǎn)化為灰度圖gray_img = cv2.GaussianBlur(gray_img, (5, 5), 0) # 高斯平滑去噪edged_img = cv2.Canny(gray_img, 35, 125) # Canny算子閾值化cv2.imshow("降噪效果圖", edged_img) # 顯示降噪后的圖片# 獲取紙張的輪廓數(shù)據(jù)img, countours, hierarchy = cv2.findContours(edged_img.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)# print(len(countours))c = max(countours, key=cv2.contourArea) # 獲取最大面積對應(yīng)的點集rect = cv2.minAreaRect(c) # 最小外接矩形return rect# 定義距離函數(shù)def distance_to_camera(knownWidth, focalLength, perWidth):return (knownWidth * focalLength) / perWidth# 計算攝像頭的焦距（內(nèi)參）def calculate_focalDistance(img_path):first_image = cv2.imread(img_path) # 這里根據(jù)準備的第一張圖片，計算焦距# cv2.imshow('first image', first_image)marker = find_marker(first_image) # 獲取矩形的中心點坐標，長度，寬度和旋轉(zhuǎn)角度focalLength = (marker[1][0] * KNOWN_DISTANCE) / KNOWN_WIDTH # 獲取攝像頭的焦距# print(marker[1][0])print('焦距(focalLength) = ', focalLength) # 打印焦距的值return focalLength# 計算攝像頭到物體的距離def calculate_Distance(image_path, focalLength_value):image = cv2.imread(image_path)# cv2.imshow("原圖", image)marker = find_marker(image) # 獲取矩形的中心點坐標，長度，寬度和旋轉(zhuǎn)角度， marke[1][0]代表寬度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) # 繪制物體輪廓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("單目測距", 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
整理不易，點贊三連↓