原文鏈接：攝像頭單目測距原理及實現
可以觀看這個視頻，了解針孔相機和透鏡。

攝像頭單目測距原理及實現

一．測距原理

空間的深度或距離等數據的攝像頭。

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，產生的視覺稱為雙眼視覺。

雙眼視覺的優點是可以彌補單眼視野中的盲區缺損，擴大視野，并產生立體視覺。

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。物體發出的光經過相機的光心，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。

下面的相機焦距f并不是透鏡的焦距，而是焦距+z0,這個我們必須要清楚。因為成像是在像平面，并不是成像在焦平面，焦平面的距離才是f，但是我們下面的模型不需要知道實際的f，所以就使用了像平面的距離焦距f+z0作為相機焦距f。

由相似三角形，可以得到:
$$\frac{h}{H}=\frac{f}{d}$$

第一步，求相機焦距：

對于蠟燭，我們可以：

• 1.測量蠟燭的高度 $H$，作為先驗知識；
• 2.測量蠟燭到相機光心的距離 $d$;
• 3.通過相機拍攝的這一幀蠟燭圖像，可以得到蠟燭在圖像中的高度所占像素個數 $h$；

知道了$H,h,d$這三個量，就可以求出相機的焦距$f$，即：
$$f=\frac{h?d}{H}$$
需要注意，相機的焦距是個固定值，只要使用該方法求出焦距后，以后就不用再求了。但是，可能需要多次測量求平均值。

第二步，求物體距離相機的實際距離：

得到了相機焦距$f$，對于放在其他位置的任意物體，就可以根據：

• 1.該物體的先驗值高度 $H$；
• 2.統計出該物體在該幀圖像中的高度所占像素個數 $h$；
• 3.前面求出來的相機焦距固定值 $f$；

得到物體距離相機的實際距離$d$：

$$d=\frac{H?f}{h}$$

---

同理，你也可以通過測量蠟燭的寬度來求相機的焦距$f$。
假設我們有一個寬度為 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w 。這樣我們就得出了相機焦距的公式：$$f=\frac{w?d}{W}$$
例如，假設現在我們有一張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w=192px（我的相機實際測量得到的值）。
此時我們可以算出焦距$$f=（192?30)/11.69$$
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： $$d^{\prime }=\frac{W^{\prime }?f}{w^{\prime }}$$

注意：這里測量的距離是相機到物體的垂直距離，產生夾角，測量的結果就不準確了。為什么？下圖說明結果并不會不準確啊？

二．測距步驟：

• 1.使用攝像機采集道路前方的圖像；
• 2.在道路區域對物體進行檢測，通過矩形框將物體形狀框出來。
• 3.結合矩形框信息，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.使用幾何關系推導法，由像平面坐標點（u1, v1）、（u2, v2）推導出道路平面坐標（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，內參矩陣，畸變矩陣，外參矩陣（平移、旋轉向量矩陣））

• 2.像素坐標與世界坐標公式的推導及驗證；
• 3.測距方法，對于檢測物體在攝像頭前方、左側、右側的判別思路；(為什么？)
• 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–>得到相機的內外參數、畸變參數矩陣

1. 外參數矩陣。世界坐標經過旋轉和平移，然后落到另一個現實世界點(攝像機坐標)上。

2. 內參數矩陣。告訴你上述那個點在1的基礎上，是如何繼續經過攝像機的鏡頭、并通過針孔成像和電子轉化而成為像素點的。

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，還產生了一定的偏移和變形.

---

五．實現代碼

#!/usr/bin/python3# -- coding: utf-8 --# Date: 18-10-29import numpy as np # 導入numpy庫import cv2 # 導入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def find_marker(image):gray_img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 將彩色圖轉化為灰度圖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# 獲取紙張的輪廓數據img, countours, hierarchy = cv2.findContours(edged_img.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)# print(len(countours))c = max(countours, key=cv2.contourArea) # 獲取最大面積對應的點集rect = cv2.minAreaRect? # 最小外接矩形return rect# 定義距離函數def distance_to_camera(knownWidth, focalLength, perWidth):return (knownWidth * focalLength) / perWidth# 計算攝像頭的焦距（內參）def calculate_focalDistance(img_path):first_image = cv2.imread(img_path) # 這里根據準備的第一張圖片，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()

總結

以上是生活随笔為你收集整理的【自动驾驶】摄像头单目测距原理及实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。