轉載 Joe_quan的

http://blog.csdn.net/hysteric314/article/details/50456570?locationNum=3&fps=1

1 說明

怕以後忘了，現在總結一下前一段時間一直在弄的，有關雙目視覺的東西。
雙目視覺的原理網上有很多，我只簡單記錄一下我對於這個的理解。
具體的實現主要是參考大神的博客：
http://blog.csdn.net/chenyusiyuan/article/list/1
和這兩篇博文：
http://blog.csdn.net/sunanger_wang/article/details/7744015
http://blog.csdn.net/scyscyao/article/details/5443341

運行環境：
1.windows10
2.opencv 2.4.9
3.visual studio 2013
4.兩顆微軟HD-3000攝像頭

2 雙目測距原理

先說一下自己對雙目視覺實現原理的理解，不保證都是正確的：
首先就是這個經典的圖：

這個圖簡單的說明了雙目測距的基本原理，就是想方設法求出距離Z。
右下角Z的那個等式右邊的參數中：
f是每個攝像頭自己的焦距，也就是傳感器到鏡頭之間的距離。
T是兩個攝像頭的鏡頭之間的距離，這些都是確定的。
d是不確定的，d是一個物體在分別兩個傳感器上所成的像，也就是xl和xr之間的距離，是個變量。

所以爲了得出距離，每次就需要獲得d的值，之後根據相似三角形原理就可以求出Z。

現在問題來了，爲什麼上面那個圖，攝像頭的傳感器和鏡頭位置是反的呢？
看這個圖：

爲了數學上的處理方便，研究人員通常習慣採用虛擬平面V來替代成像平面I，其中虛擬平面V位於焦距平面F與物體之間，與成像平面關於焦點平面對稱。

3 opencv實現雙目測距的原理

上面就是雙目視覺的簡單原理介紹，公式什麼的不想往上寫了，跟實現什麼的也沒多大關係。
原理歸原理，用opencv實現雙目視覺的時候就是又一碼事了。
在opencv上實現雙目測距主要步驟是：

1.雙目校正和標定，獲得攝像頭的參數矩陣：
進行標定得出倆攝像頭的參數矩陣
cvStereoRectify 執行雙目校正
initUndistortRectifyMap 分別生成兩個圖像校正所需的像素映射矩陣
cvremap 分別對兩個圖像進行校正

2.立體匹配，獲得視差圖：
stereoBM生成視差圖
預處理：圖像歸一化，減少亮度差別，增強紋理
匹配過程：滑動sad窗口，沿着水平線進行匹配搜索，由於校正後左右圖片平行，左圖的特徵可以在右圖對應行找到最佳匹配
再過濾：去除壞的匹配點通過uniquenessratio
輸出視差圖disparity：如果左右匹配點比較稠密，匹配點多，得到的圖像與原圖相似度比較大，如果匹配點比較稀疏，得到的點與原圖相似度比較小

3.得出測距：

把生成的視差圖輸入 reprojectImageTo3D（）函數，生成3D點雲，3D點雲中保存有2D圖像的三維座標，再讀出每幀圖像的三維座標中的z軸的值，就得出了距離數據。

4 雙目測距代碼說明

我的這個雙目程序寫是很簡單和普通，部分關鍵代碼借鑑了大神的代碼，其實說是代碼其實只不過是某些opencv函數的使用方式而已，在大體上還是有很大的不同：

首先大神的程序整個都是基於MFC的，這樣做的話如果你想移植到arm板子上或是linux系統上就會很麻煩，所以我把整個程序包括圖像顯示，視差圖顯示，距離顯示等都完全使用opencv的函數來實現。

再者，在大神的程序中輸出距離的方式，我的理解是，首先得檢測到最近的物體的輪廓，然後在三維點雲中提取出這個輪廓的距離座標。但是實現起來不是很理想，如果視差圖的質量不高，根本檢測不到輪廓，不會觸發這個函數，更別提距離了。所以在我的程序中，得出距離的方式是用鼠標點視差圖的某個點，就會顯示這個點的距離，不過至今距離信息也不是很準確，有可能是一些參數沒弄好。

需要說明的是，對於兩個攝像頭來說，他們之間參數矩陣只有一個（如果兩攝像頭間相對位置不變的話），所以定標過程只需要一次即可。所以我的程序並沒有弄標定的東西（嫌麻煩），而是從外部讀取calib_paras.xml這個參數文件，這個文件可以通過大神的代碼來定標然後生成出來，還應該可以從matlab的標定工具箱來生成（下面的鏈接），不過我沒弄（matlab生成出的參數數據不知道怎麼用）。
http://www.vision.caltech.edu/bouguetj/calib_doc/

5 雙目測距的代碼和實現

我的這個程序只負責打開攝像頭，顯示圖像，生成視差圖，顯示視差圖，求出點雲，得出距離，顯示距離。
也就是說他是在標定過程之後開始的，程序裏沒有攝像頭定標的過程和函數，所以要正確運行是需要calib_paras.xml這個文件的，也就是標定後得出的參數文件，可以通過運行大神的代碼定標後生成。
而且爲了保證你能正確成功的運行，最好確保你的電腦能運行的了大神的程序（地址如下）。
https://github.com/yuhuazou/StereoVision

我的程序：

#include "opencv2/video/tracking.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"
//#include <cv.h>
#include <cxmisc.h>
#include <highgui.h>
#include <cvaux.h>
#include <iostream>
#include <ctype.h>
//#include <unistd.h>
#include <stdlib.h>

#include <vector>
#include <string>
#include <algorithm>
#include <ctype.h>
#include <stdarg.h>
#include <string.h>

#include <stdio.h>


using namespace cv;
using namespace std;

//vector<Point2f> point1, point2;
bool left_mouse = false;
Point2f point;
int pic_info[4];
Mat gray, prevGray, image, image1;
const Scalar GREEN = Scalar(0, 255, 0);
int rect_width = 0, rect_height = 0;
Point tmpPoint;
int num = 0;
int m_frameWidth = 640;
int m_frameHeight = 480;
bool    m_Calib_Data_Loaded;        // 是否成功載入定標參數
cv::Mat m_Calib_Mat_Q;              // Q 矩陣
cv::Mat m_Calib_Mat_Remap_X_L;      // 左視圖畸變校正像素座標映射矩陣 X
cv::Mat m_Calib_Mat_Remap_Y_L;      // 左視圖畸變校正像素座標映射矩陣 Y
cv::Mat m_Calib_Mat_Remap_X_R;      // 右視圖畸變校正像素座標映射矩陣 X
cv::Mat m_Calib_Mat_Remap_Y_R;      // 右視圖畸變校正像素座標映射矩陣 Y
cv::Mat m_Calib_Mat_Mask_Roi;       // 左視圖校正後的有效區域
cv::Rect m_Calib_Roi_L;             // 左視圖校正後的有效區域矩形
cv::Rect m_Calib_Roi_R;             // 右視圖校正後的有效區域矩形
double          m_FL;
//CvStereoBMState *BMState = cvCreateStereoBMState();
int m_numberOfDisparies;            // 視差變化範圍
cv::StereoBM    m_BM;
CvMat* vdisp = cvCreateMat(480, 640, CV_8U);
cv::Mat img1, img2, img1p, img2p, disp, disp8u, pointClouds, imageLeft, imageRight, disparityImage, imaget1;
static IplImage *framet1 = NULL;
static IplImage *framet2 = NULL;
static IplImage *framet3 = NULL;
static IplImage *framet = NULL;


static void onMouse(int event, int x, int y, int /*flags*/, void* /*param*/){


    Mat mouse_show;
    image.copyTo(mouse_show);

    //char buffer[100];
    //sprintf(buffer, "D:\\l%d.jpg", num);
    //string t1(buffer);

    //sprintf(buffer, "D:\\r%d.jpg", num);
    //string t(buffer);



    if (event == CV_EVENT_LBUTTONDOWN)
    {
        pic_info[0] = x;
        pic_info[1] = y;
        cout << "x:" << pic_info[0] << "y:" << pic_info[1] << endl;
        left_mouse = true;

        //用於存儲打印圖片
        //imwrite(t, image);
    //  imwrite(t1, image1);
    //  num = num++;

    }
    else if (event == CV_EVENT_LBUTTONUP)
    {
        left_mouse = false;
    }
    else if ((event == CV_EVENT_MOUSEMOVE) && (left_mouse == true))
    {
    }
}



int loadCalibData()
{
    // 讀入攝像頭定標參數 Q roi1 roi2 mapx1 mapy1 mapx2 mapy2
    try
    {
        cv::FileStorage fs("calib_paras.xml", cv::FileStorage::READ);
        cout << fs.isOpened() << endl;

        if (!fs.isOpened())
        {
            return (0);
        }

        cv::Size imageSize;
        cv::FileNodeIterator it = fs["imageSize"].begin();

        it >> imageSize.width >> imageSize.height;
    //  if (imageSize.width != m_frameWidth || imageSize.height != m_frameHeight)   {           return (-1);        }

        vector<int> roiVal1;
        vector<int> roiVal2;

        fs["leftValidArea"] >> roiVal1;

        m_Calib_Roi_L.x = roiVal1[0];
        m_Calib_Roi_L.y = roiVal1[1];
        m_Calib_Roi_L.width = roiVal1[2];
        m_Calib_Roi_L.height = roiVal1[3];

        fs["rightValidArea"] >> roiVal2;
        m_Calib_Roi_R.x = roiVal2[0];
        m_Calib_Roi_R.y = roiVal2[1];
        m_Calib_Roi_R.width = roiVal2[2];
        m_Calib_Roi_R.height = roiVal2[3];


        fs["QMatrix"] >> m_Calib_Mat_Q;
        fs["remapX1"] >> m_Calib_Mat_Remap_X_L;
        fs["remapY1"] >> m_Calib_Mat_Remap_Y_L;
        fs["remapX2"] >> m_Calib_Mat_Remap_X_R;
        fs["remapY2"] >> m_Calib_Mat_Remap_Y_R;

        cv::Mat lfCamMat;
        fs["leftCameraMatrix"] >> lfCamMat;
        m_FL = lfCamMat.at<double>(0, 0);

        m_Calib_Mat_Q.at<double>(3, 2) = -m_Calib_Mat_Q.at<double>(3, 2);

        m_Calib_Mat_Mask_Roi = cv::Mat::zeros(m_frameHeight, m_frameWidth, CV_8UC1);
        cv::rectangle(m_Calib_Mat_Mask_Roi, m_Calib_Roi_L, cv::Scalar(255), -1);

        m_BM.state->roi1 = m_Calib_Roi_L;
        m_BM.state->roi2 = m_Calib_Roi_R;

        m_Calib_Data_Loaded = true;

        string method;
        fs["rectifyMethod"] >> method;
        if (method != "BOUGUET")
        {
            return (-2);
        }

    }
    catch (std::exception& e)
    {
        m_Calib_Data_Loaded = false;
        return (-99);
    }

    return 1;


}
void updatebm()
{
    m_BM.state->preFilterCap = 31;
    m_BM.state->SADWindowSize = 19;
    m_BM.state->minDisparity = 0;
    m_BM.state->numberOfDisparities = 96;
    m_BM.state->textureThreshold = 10;
    m_BM.state->uniquenessRatio = 25;
    m_BM.state->speckleWindowSize = 100;
    m_BM.state->speckleRange = 32;

    m_BM.state->disp12MaxDiff = -1;

}
int  bmMatch(cv::Mat& frameLeft, cv::Mat& frameRight, cv::Mat& disparity, cv::Mat& imageLeft, cv::Mat& imageRight)
{

    // 輸入檢查
    if (frameLeft.empty() || frameRight.empty())
    {
        disparity = cv::Scalar(0);
        return 0;
    }
    if (m_frameWidth == 0 || m_frameHeight == 0)
    {
        //if (init(frameLeft.cols, frameLeft.rows, "calib_paras.xml"/*待改爲由本地設置文件確定*/) == 0) //執行類初始化
        //  {
        return 0;
        //}
    }

    // 轉換爲灰度圖
    cv::Mat img1proc, img2proc;
    cvtColor(frameLeft, img1proc, CV_BGR2GRAY);
    cvtColor(frameRight, img2proc, CV_BGR2GRAY);

    // 校正圖像，使左右視圖行對齊    
    cv::Mat img1remap, img2remap;
    //cout << m_Calib_Data_Loaded << endl;

    if (m_Calib_Data_Loaded)
    {
        remap(img1proc, img1remap, m_Calib_Mat_Remap_X_L, m_Calib_Mat_Remap_Y_L, cv::INTER_LINEAR);     // 對用於視差計算的畫面進行校正
        remap(img2proc, img2remap, m_Calib_Mat_Remap_X_R, m_Calib_Mat_Remap_Y_R, cv::INTER_LINEAR);
    }
    else
    {
        img1remap = img1proc;
        img2remap = img2proc;
    }

    // 對左右視圖的左邊進行邊界延拓，以獲取與原始視圖相同大小的有效視差區域
    cv::Mat img1border, img2border;
    if (m_numberOfDisparies != m_BM.state->numberOfDisparities)
        m_numberOfDisparies = m_BM.state->numberOfDisparities;
    copyMakeBorder(img1remap, img1border, 0, 0, m_BM.state->numberOfDisparities, 0, IPL_BORDER_REPLICATE);
    copyMakeBorder(img2remap, img2border, 0, 0, m_BM.state->numberOfDisparities, 0, IPL_BORDER_REPLICATE);

    // 計算視差
    cv::Mat dispBorder;


    m_BM(img1border, img2border, dispBorder);
    //cvFindStereoCorrespondenceBM(img1border, img2border, dispBorder,BMState);
    // 截取與原始畫面對應的視差區域（捨去加寬的部分）
    cv::Mat disp;
    disp = dispBorder.colRange(m_BM.state->numberOfDisparities, img1border.cols);
    disp.copyTo(disparity, m_Calib_Mat_Mask_Roi);

    //reprojectImageTo3D(dispBorder, pointClouds, m_Calib_Mat_Q, true);

    // 輸出處理後的圖像
    //cout << m_Calib_Data_Loaded << endl;
    if (m_Calib_Data_Loaded)
    {
        remap(frameLeft, imageLeft, m_Calib_Mat_Remap_X_L, m_Calib_Mat_Remap_Y_L, cv::INTER_LINEAR);
        rectangle(imageLeft, m_Calib_Roi_L, CV_RGB(0, 0, 255), 3);
    }

    else
        frameLeft.copyTo(imageLeft);


    if (m_Calib_Data_Loaded)
        remap(frameRight, imageRight, m_Calib_Mat_Remap_X_R, m_Calib_Mat_Remap_Y_R, cv::INTER_LINEAR);
    else
        frameRight.copyTo(imageRight);
    rectangle(imageRight, m_Calib_Roi_R, CV_RGB(0, 0, 255), 3);


    return 1;
}

int getDisparityImage(cv::Mat& disparity, cv::Mat& disparityImage, bool isColor)
{
    // 將原始視差數據的位深轉換爲 8 位
    cv::Mat disp8u;
    if (disparity.depth() != CV_8U)
    {
        if (disparity.depth() == CV_8S)
        {
            disparity.convertTo(disp8u, CV_8U);
        }
        else
        {
            disparity.convertTo(disp8u, CV_8U, 255 / (m_numberOfDisparies*16.));
        }
    }
    else
    {
        disp8u = disparity;
    }

    // 轉換爲僞彩色圖像 或 灰度圖像
    if (isColor)
    {
        if (disparityImage.empty() || disparityImage.type() != CV_8UC3 || disparityImage.size() != disparity.size())
        {
            disparityImage = cv::Mat::zeros(disparity.rows, disparity.cols, CV_8UC3);
        }

        for (int y = 0; y<disparity.rows; y++)
        {
            for (int x = 0; x<disparity.cols; x++)
            {
                uchar val = disp8u.at<uchar>(y, x);
                uchar r, g, b;

                if (val == 0)
                    r = g = b = 0;
                else
                {
                    r = 255 - val;
                    g = val < 128 ? val * 2 : (uchar)((255 - val) * 2);
                    b = val;
                }

                disparityImage.at<cv::Vec3b>(y, x) = cv::Vec3b(r, g, b);

            }
        }
    }
    else
    {
        disp8u.copyTo(disparityImage);
    }

    return 1;
}

int getPointClouds(cv::Mat& disparity, cv::Mat& pointClouds)
{
    if (disparity.empty())
    {
        return 0;
    }

    //計算生成三維點雲
//  cv::reprojectImageTo3D(disparity, pointClouds, m_Calib_Mat_Q, true);

    reprojectImageTo3D(disparity, pointClouds, m_Calib_Mat_Q, true);

    pointClouds *= 1.6;


    for (int y = 0; y < pointClouds.rows; ++y)
    {
        for (int x = 0; x < pointClouds.cols; ++x)
        {
            cv::Point3f point = pointClouds.at<cv::Point3f>(y, x);
            point.y = -point.y;
            pointClouds.at<cv::Point3f>(y, x) = point;
        }
    }

    return 1;
}

void detectDistance(cv::Mat& pointCloud)
{
    if (pointCloud.empty())
    {
        return;
    }

    // 提取深度圖像
    vector<cv::Mat> xyzSet;
    split(pointCloud, xyzSet);
    cv::Mat depth;
    xyzSet[2].copyTo(depth);

    // 根據深度閾值進行二值化處理
    double maxVal = 0, minVal = 0;
    cv::Mat depthThresh = cv::Mat::zeros(depth.rows, depth.cols, CV_8UC1);
    cv::minMaxLoc(depth, &minVal, &maxVal);
    double thrVal = minVal * 1.5;
    threshold(depth, depthThresh, thrVal, 255, CV_THRESH_BINARY_INV);
    depthThresh.convertTo(depthThresh, CV_8UC1);
    //imageDenoising(depthThresh, 3);

    double  distance = depth.at<float>(pic_info[0], pic_info[1]);
    cout << "distance:" << distance << endl;
}


int main(int argc, char** argv)
{
    //讀取攝像頭
    VideoCapture cap(0); 
    VideoCapture cap1(1);

    if (!cap.isOpened())
    {
        cout << "error happened while open cam 1"<<endl;
        return -1;
    }
    if (!cap1.isOpened())
    {
        cout << "error happened while open cam 2" << endl;
        return -1;
    }

    namedWindow("left", 1);
    namedWindow("right", 1);
    namedWindow("disparitycolor", 1);

    setMouseCallback("disparitycolor", onMouse, 0);


    loadCalibData();

    cout << m_Calib_Data_Loaded << endl;

    while (true)
    {

            Mat frame;
            Mat frame1;
            cap.read(frame);
            cap1.read(frame1);
            if (frame.empty())          break;
            if (frame1.empty())         break;

            frame.copyTo(image);
            frame1.copyTo(image1);
            updatebm();
            bmMatch(frame, frame1, disp, imageLeft, imageRight);
            imshow("left", imageLeft);
            imshow("right", imageRight);

            getDisparityImage(disp, disparityImage, true);
            //  framet2 = &IplImage(disparityImage);
            //  cvShowImage("disparitycolor", framet2);

                getPointClouds(disp, pointClouds);

            imshow("disparitycolor", disparityImage);

            detectDistance(pointClouds);

            waitKey(100);


    }
    //std::swap(point2, point1);
    //  cv::swap(prevGray, gray);

    return 0;

}

我的使用的雙目攝像頭

正面照片

程序跑出來的效果截圖

截圖中分別是左右攝像頭的圖像，距離顯示，和視差圖顯示。

能看出視差圖不是很準，首先是因爲參數沒時間仔細調，再關鍵是總是有人來動我的攝像頭，花了半天時間來標定好，別人拿手一掰一碰，倆攝像頭相對位置就又變了，前面標定的工作全白費，後來索性就不管了。

視差圖不準，距離信息也肯定不是很準，大多數情況是16000，上面的圖裏用鼠標點視差圖中紅色那一條，距離顯示中首先會輸出該點的x，y座標，然後就是該點的距離座標，也就是這個點z軸的值。

總體來說就是還得調。

6 接下來

以上就差不多是前段時間弄的東西，本打算把雙目測距移植到NVIDIA jetson tk1上看看效果，不過沒弄完，目前進程是：上面的代碼已經可以在tk1上編譯成功了，就是死活運行不了，我懷疑是tk那個板子是不是不支持打開和顯示倆攝像頭，這個問題花點時間我覺得應該是可以解決的，不過現在弄別的東西了，也懶得查了。

【計算機視覺】完全基於opencv的雙目景深與測距的實現

轉載 Joe_quan的

http://blog.csdn.net/hysteric314/article/details/50456570?locationNum=3&fps=1

目錄

1 說明

2 雙目測距原理

3 opencv實現雙目測距的原理

4 雙目測距代碼說明

5 雙目測距的代碼和實現

6 接下來

python gdal 安裝使用（Windows， python 3.6.8）

【無人駕駛】“自主代客泊車”概述 1

【無人駕駛】“自主代客泊車”/自動泊車方案調研 2

[自動駕駛]高德的高精度地圖

[學習SLAM]分析總結常見的幾種移動機器人底盤類型及其運動學

[自動駕駛]車載多傳感器融合定位方案：GPS +IMU+MM

Mac下配置sublime實現LaTeX

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結

【計算機視覺】 完全基於opencv的雙目景深與測距的實現

轉載 Joe_quan的

http://blog.csdn.net/hysteric314/article/details/50456570?locationNum=3&fps=1

目錄

1 說明

2 雙目測距原理

3 opencv實現雙目測距的原理

4 雙目測距代碼說明

5 雙目測距的代碼和實現

6 接下來

【計算機視覺】完全基於opencv的雙目景深與測距的實現