示例程序:关于双目视觉,标定,立体矫正，立体匹配(视差算法),点云,双目三维重建的原理以及代码 已经打包成软件 直接运行即可 可实现标定匹配点云可视化测距目标检测yolo 我看详细的视频效果 每一步都有教程可以直接用 包含源码 可二次开发 谨慎考虑

最近搞了个超有意思的双目视觉相关的项目，打包成了软件，直接运行就能体验，今天来跟大家唠唠其中的门道。

双目视觉原理基础

双目视觉模拟人类双眼感知世界的方式，通过两个摄像头获取不同视角的图像，利用视差来计算物体的深度信息。就像我们的双眼，能让我们感知到物体的远近。

标定

标定是双目视觉的重要前期步骤。它的目的是确定相机的内部参数（如焦距、主点位置等）和外部参数（相机之间的相对位置和姿态）。通过标定，我们能更准确地从图像信息中计算出物体的真实位置。

在OpenCV中，标定代码大概长这样：

import cv2
import numpy as np

# 准备棋盘格角点的世界坐标
objp = np.zeros((6*7, 3), np.float32)
objp[:, :2] = np.mgrid[0:7, 0:6].T.reshape(-1, 2)

# 储存棋盘格角点的世界坐标和图像坐标
objpoints = []  # 世界坐标
imgpoints = []  # 图像坐标

# 读取标定图像
images = cv2.imread('calibration_images/*.jpg')
for fname in images:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 寻找棋盘格角点
    ret, corners = cv2.findChessboardCorners(gray, (7, 6), None)

    if ret == True:
        objpoints.append(objp)
        imgpoints.append(corners)

        # 绘制并显示角点
        cv2.drawChessboardCorners(img, (7, 6), corners, ret)
        cv2.imshow('img', img)
        cv2.waitKey(500)

cv2.destroyAllWindows()

# 标定相机
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)

这段代码首先定义了棋盘格角点的世界坐标，然后遍历标定图像，寻找棋盘格角点，并将其世界坐标和图像坐标分别存储。最后使用cv2.calibrateCamera函数进行相机标定，得到相机的内参矩阵mtx、畸变系数dist等参数。

立体矫正

立体矫正的作用是让两个相机的图像平面平行且光轴平行，这样后续计算视差会更方便准确。简单来说，就是把两个摄像头拍到的图像“对齐”。

# 计算校正变换
R1, R2, P1, P2, Q, validPixROI1, validPixROI2 = cv2.stereoRectify(mtx1, dist1, mtx2, dist2, img_size, R, T, alpha=0)

# 计算映射表
map1x, map1y = cv2.initUndistortRectifyMap(mtx1, dist1, R1, P1, img_size, cv2.CV_32FC1)
map2x, map2y = cv2.initUndistortRectifyMap(mtx2, dist2, R2, P2, img_size, cv2.CV_32FC1)

# 进行图像校正
img1_rectified = cv2.remap(img1, map1x, map1y, cv2.INTER_LINEAR)
img2_rectified = cv2.remap(img2, map2x, map2y, cv2.INTER_LINEAR)

这里利用cv2.stereoRectify计算校正变换，cv2.initUndistortRectifyMap计算映射表，最后通过cv2.remap对图像进行校正。

立体匹配（视差算法）

立体匹配就是在两个校正后的图像中寻找对应的点，从而计算出视差。有很多算法可以实现，比如BM（Block Matching）算法。

stereo = cv2.StereoBM_create(numDisparities=16*4, blockSize=15)
disparity = stereo.compute(img1_rectified, img2_rectified)

这段代码使用cv2.StereoBM_create创建一个BM立体匹配器，设置参数numDisparities（视差范围）和blockSize（匹配块大小），然后通过compute方法计算视差图。

点云

通过视差图，我们可以进一步生成点云数据，将二维图像信息转化为三维空间信息。

points_3d = cv2.reprojectImageTo3D(disparity, Q)

cv2.reprojectImageTo3D函数根据视差图disparity和重投影矩阵Q将视差图重新投影到三维空间，得到点云数据points_3d。

双目三维重建

综合前面的步骤，我们就能实现双目三维重建，将物体的三维形状重建出来。

软件功能展示

我这个软件不仅实现了上述基础步骤，还集成了标定、匹配、点云可视化、测距、目标检测（用的yolo）等功能。每一步都有详细教程，小白也能轻松上手。而且软件包含源码，方便大家二次开发。不过二次开发还是要谨慎考虑，毕竟双目视觉涉及的知识点较多，要确保对原理和代码有足够了解。

总之，双目视觉技术在机器人导航、自动驾驶、三维建模等领域都有广泛应用，这次的项目算是对其一次深入探索，希望能给大家带来一些启发。