简介这是一份面向计算机、通信、人工智能、自动化等专业学生与从业者的双目视觉测量项目源码包以Python与OpenCV为核心实现通过双目相机标定与立体匹配测量被摄物体实际尺寸适合作为毕业设计、课程大作业或进阶练手参考。压缩包共23个文件约2.26MB其中21张jpg为左右相机采集的标定与测试图像1个py脚本承载核心测量逻辑1个md文档说明项目结构与使用方式整体轻量、便于快速跑通。目前已有200人学习下载。项目代码经过调试测试可直接运行读者能从中掌握相机标定、视差计算、深度恢复与尺寸换算的完整链路并借助配套图像复现实验流程基础较好的同学还可在此基础上修改调整扩展测距、三维重建等功能具备较高的学习借鉴价值。1. 双目视觉测尺寸一份能跑通的 PythonOpenCV 毕设源码到底长什么样很多人第一次接触双目视觉测量物体尺寸都是被“视差”“标定”“极线校正”这几个词劝退的。但如果你手上有一份结构清晰的源码事情会简单很多——这份基于 Python OpenCV 的双目视觉尺寸测量项目就是这样一个能直接跑起来的完整工程。它用左右两个相机拍摄同一物体通过立体匹配算出视差再结合标定参数把像素差换算成真实物理尺寸。整个项目包含 m.py 主程序、左右相机标定图、多组测试图像left_0 到 left_8、right_0 到 right_8以及 README 说明文档适合计算机、自动化、人工智能方向的学生做毕业设计或课程大作业也适合想入门双目视觉的开发者拿来拆解学习。你不需要从零推导公式但需要理解每一步在做什么否则换个场景就调不动了。2. 双目测尺寸的数学底子从视差到毫米的换算链路2.1 为什么两个相机就能测出尺寸单目相机拍一张图你只能知道物体在图像里占了多少像素但没法知道它离你多远——因为透视投影把深度信息压掉了。双目视觉的核心思路是用两个位置固定的相机同时拍同一个物点在左右图中会落在不同位置这个位置差叫视差disparity。视差越大物体越近视差越小物体越远。有了视差和相机焦距、基线距离就能用三角测量算出深度 Z f × B / d其中 f 是焦距像素单位B 是两相机光心距离d 是视差。拿到深度后再结合像素当量每个像素对应多少毫米就能把图像里量到的像素长度换算成真实尺寸。这条链路里标定负责把 f、B 和畸变系数算准立体匹配负责把 d 算准缺一不可。2.2 标定参数怎么来、怎么用标定是整个测量的地基。常见做法是打印一张棋盘格左右相机各拍十几张不同角度的照片用 OpenCV 的findChessboardCorners和calibrateCamera分别求出左右相机的内参矩阵和畸变系数再用stereoCalibrate做双目标定得到右相机相对左相机的旋转矩阵 R 和平移向量 T。T 的模长就是基线 B。标定完还要做立体校正用stereoRectify和initUndistortRectifyMap把左右图对齐到同一极线这样后续匹配时只需要在同一行找对应点搜索范围从二维降到一维速度和准确率都会好很多。这份源码里虽然没有单独的标定脚本但 README 里给出了标定参数的含义和填写位置你换自己的相机时只需要把新标定结果替换进去即可。2.3 从像素到毫米像素当量怎么算很多人以为有了深度 Z 就万事大吉其实还差一步。深度 Z 告诉你物体离相机平面多远但你要测的是物体表面两点之间的实际距离。假设在深度 Z 处图像上两点像素距离为 p那么实际距离 L p × Z / f其中 f 是焦距像素单位。这个 Z / f 就是该深度下的像素当量单位是毫米/像素。注意像素当量随深度变化——物体离得越远同样像素代表的实际尺寸越大。所以测量时必须保证被测物体和标定时的参考平面在同一深度附近否则误差会明显放大。源码里 m.py 的主流程就是先算视差图再取物体区域的平均深度最后用这个深度去换算尺寸。3. 把源码跑起来环境、标定文件与主程序拆解3.1 环境准备与依赖安装这份项目依赖 Python 3 和 OpenCV。如果你还没装 OpenCV常见做法是用 pip 直接装pip install opencv-python opencv-contrib-python numpyopencv-python是主包opencv-contrib-python包含一些扩展模块比如立体匹配的某些算法numpy用于矩阵运算。装完后在 Python 里执行import cv2; print(cv2.__version__)确认版本建议用 4.x 以上。如果你用的是 Anaconda也可以conda install -c conda-forge opencv。注意不要同时装多个版本的 OpenCV否则容易出现ModuleNotFoundError: No module named cv2或者函数找不到的玄学问题。3.2 标定参数文件怎么填源码里标定参数一般写在 m.py 开头或者单独的 config 区域。你需要填入左右相机的内参矩阵、畸变系数、旋转矩阵和平移向量。如果你直接用项目自带的测试图left_0 到 left_8、right_0 到 right_8那标定参数已经配好了直接跑就行。如果你想用自己的相机就需要重新标定。标定步骤大致是打印棋盘格 → 左右同时拍 15 到 20 组 → 用 OpenCV 标定脚本算出参数 → 替换到 m.py 对应位置。注意棋盘格要平整拍摄时覆盖画面各个区域否则标定误差会直接传递到测量结果。3.3 主程序 m.py 的执行流程m.py 是整个项目的入口典型流程是读左右图 → 去畸变和校正 → 立体匹配算视差 → 提取目标区域 → 计算深度和像素当量 → 输出尺寸。下面是一个简化版的代码骨架帮你理解每一步在做什么import cv2 import numpy as np # 1. 读取左右图像 imgL cv2.imread(left_0.jpg) imgR cv2.imread(right_0.jpg) # 2. 转为灰度图立体匹配通常在灰度图上做 grayL cv2.cvtColor(imgL, cv2.COLOR_BGR2GRAY) grayR cv2.cvtColor(imgR, cv2.COLOR_BGR2GRAY) # 3. 创建 StereoSGBM 匹配器 stereo cv2.StereoSGBM_create( minDisparity0, numDisparities64, # 视差搜索范围必须是 16 的倍数 blockSize11, # 匹配块大小奇数越大越平滑但细节丢失 P18 * 3 * 11 ** 2, # 平滑惩罚参数1 P232 * 3 * 11 ** 2, # 平滑惩罚参数2 disp12MaxDiff1, uniquenessRatio10, speckleWindowSize100, speckleRange32 ) # 4. 计算视差图 disparity stereo.compute(grayL, grayR).astype(np.float32) / 16.0 # 5. 视差转深度需要标定得到的 f 和 B f 700.0 # 焦距像素单位来自标定 B 60.0 # 基线毫米来自标定 depth f * B / (disparity 1e-6) # 加小量避免除零 # 6. 取目标区域平均深度换算像素当量 mask disparity 0 mean_depth np.mean(depth[mask]) pixel_size mean_depth / f # 毫米/像素 # 7. 假设在图像上量得物体宽度为 200 像素 object_width_px 200 object_width_mm object_width_px * pixel_size print(f物体实际宽度约为 {object_width_mm:.2f} mm)这段代码里numDisparities决定视差搜索范围如果你的物体比较近、视差大就要调大这个值blockSize影响匹配平滑度太小会噪太大会糊。P1和P2是平滑惩罚项一般按blockSize的平方来设。视差图里黑色区域是匹配失败的地方计算深度时要排除掉。最后得到的pixel_size就是当前深度下的像素当量用它乘像素长度就是实际尺寸。3.4 测试图像怎么用项目自带 left_0 到 left_8、right_0 到 right_8 共 9 组左右图还有 melonL.jpg 和 melonR.jpg 作为示例。你可以先用这些图跑通流程观察视差图效果再换自己的图。注意左右图必须一一对应命名要成对否则程序会读错。如果视差图大面积发黑通常是左右图没对齐或者numDisparities设小了。4. 避坑与排查双目测量里最容易翻车的五个地方4.1 视差图大面积黑色深度算不出来现象stereo.compute出来的视差图几乎全黑只有零星亮点。原因通常是左右图没有经过立体校正极线不水平匹配器找不到对应点或者numDisparities太小物体视差超出了搜索范围。解决先确认是否做了stereoRectify和remap如果没有补上校正步骤然后把numDisparities调大比如从 64 调到 128 或 256直到视差图出现连续区域。4.2 测量结果随物体位置漂移现象同一个物体放在画面不同位置测出来的尺寸不一样。原因是像素当量依赖深度而深度在画面不同区域可能有偏差尤其是镜头畸变没校正干净的时候。解决确保标定参数准确去畸变步骤不能省测量时尽量把物体放在画面中心区域避开边缘畸变大的地方如果精度要求高可以对目标区域做深度平均而不是取单点。4.3 标定参数填错导致深度为负或无穷大现象深度图出现负值或者极大值。原因是基线 B 或焦距 f 填反了或者视差为 0 时除了零。解决检查标定得到的 T 向量基线是 T 的模长不是某个分量在深度公式里加一个小量1e-6避免除零如果深度符号不对检查视差定义方向有些匹配器输出的是右图相对左图的视差符号要对应。4.4 换自己的图片后程序报错或结果离谱现象用自带图正常换自己的图就崩或者测出来差好几倍。原因是新图片的分辨率和标定时的分辨率不一致内参矩阵是按标定分辨率算的直接套用会错。解决要么把新图缩放到标定分辨率要么按比例缩放内参矩阵中的焦距和主点坐标。另外新图的拍摄距离如果和标定时差别大像素当量也会变需要重新确认深度范围。4.5 OpenCV 版本差异导致函数不可用现象代码里用了cv2.StereoSGBM_create但报错说没有这个函数。原因是 OpenCV 版本太老或者装的是精简版。解决升级到 opencv-python 4.x或者改用cv2.StereoSGBM()老版本写法。另外某些 contrib 模块的函数需要opencv-contrib-python才有装包时注意区分。5. 进阶技巧用重投影误差验证标定质量把测量精度再提一档标定做完不是就完了你得知道它准不准。最直接的验证方法是重投影误差把标定板上的角点用标定参数投影回图像和实际检测到的角点比算平均像素误差。OpenCV 的calibrateCamera会返回这个误差一般小于 0.5 像素算合格大于 1 像素就要重新标。双目标定还可以看stereoCalibrate返回的 RMS 误差同样越小越好。另一个提精度的技巧是不要直接用整幅视差图算深度而是先分割出目标区域只在该区域内取视差中值。中值比均值抗噪能避开匹配失败的离群点。如果你要测的是规则物体比如方块、圆柱可以先做边缘检测或轮廓提取把物体边界找出来再在边界内算深度这样像素当量更稳定。还有一个容易被忽略的点光照。双目匹配对亮度差异很敏感左右相机曝光不一致会导致匹配失败。常见做法是拍摄时锁定曝光和白平衡或者后期做直方图均衡化。如果条件允许用主动光源比如环形灯打光能明显改善视差图质量。我自己的习惯是每次换相机或换拍摄距离都先拍一组棋盘格重新标定然后用一个已知尺寸的物体比如硬币或量块验证一遍误差在可接受范围内再开始正式测量。从那以后我每次动相机位置都强制走一遍标定和验证再也没出现过测出来差几毫米的翻车。希望帮到你。本文还有配套的精品资源点击获取