人工智能之数字生命--工程实践:获取高精度轮廓等信息

先把“双目差异”变成“深度/视差”，再用深度做分割，这样“存在”就变得非常清晰。

推荐流程：双目 → 视差/深度 → 存在掩膜 → 轮廓

1. 标定 + 极线校正（Rectify）
   没有这一步，后面的视差会非常飘，轮廓会抖，动态更没法做。

2. 计算视差图（Stereo Matching）
   用 OpenCVStereoSGBM（通常比 BM 好）得到 disparity。

3. 视差后处理

   • speckle 去噪、median/bilateral
   • 有条件用ximgproc::DisparityWLSFilter会明显更干净

4. 按深度分割存在（生成存在mask）

   • 近处物体：视差大；远处背景：视差小
   • 用阈值/分段阈值 + 连通域/聚类得到“存在候选”
   • 再用形态学 close/open 填洞

5. 从mask提轮廓
   findContours得到轮廓；需要更精细就用 depth 边界 + 图像边缘（Canny）做融合细化。

为什么这比“左右做差”更准

• 左右做差：本质是“视角变化造成的像素不对齐”，会把大量背景纹理误判为前景
• 视差/深度分割：直接在几何层面把前景（近）和背景（远）分开，对纹理/颜色不敏感，轮廓更闭合、更稳定，后续做“动态”才靠谱

一个可直接落地的 OpenCV C++ 核心示例（存在mask + 轮廓）

// 1) 假设你已经做完标定&校正，拿到了 rectLeft, rectRight (灰度)cv::Ptr<cv::StereoSGBM>sgbm=cv::StereoSGBM::create(/*minDisparity*/0,/*numDisparities*/128,// 必须是16的倍数：64/96/128.../*blockSize*/5);sgbm->setP1(8*1*5*5);sgbm->setP2(32*1*5*5);sgbm->setUniquenessRatio(10);sgbm->setSpeckleWindowSize(100);sgbm->setSpeckleRange(2);sgbm->setDisp12MaxDiff(1);sgbm->setMode(cv::StereoSGBM::MODE_SGBM_3WAY);cv::Mat disp16S;sgbm->compute(rectLeft,rectRight,disp16S);// 2) disparity 转 float（OpenCV 输出通常是 *16 的定点）cv::Mat disp;disp16S.convertTo(disp,CV_32F,1.0/16.0);// 3) 基于视差阈值做“近物体”mask（阈值要结合你的基线/分辨率调）floatnearDispTh=8.0f;// 例：>8 认为更靠近（需要你现场调）cv::Mat mask=disp>nearDispTh;// 4) 去噪&填洞mask.convertTo(mask,CV_8U,255);cv::morphologyEx(mask,mask,cv::MORPH_OPEN,cv::getStructuringElement(cv::MORPH_ELLIPSE,{3,3}));cv::morphologyEx(mask,mask,cv::MORPH_CLOSE,cv::getStructuringElement(cv::MORPH_ELLIPSE,{7,7}));// 5) 连通域过滤掉小碎片cv::Mat labels,stats,centroids;intn=cv::connectedComponentsWithStats(mask,labels,stats,centroids,8,CV_32S);cv::Mat clean=cv::Mat::zeros(mask.size(),CV_8U);for(inti=1;i<n;i++){intarea=stats.at<int>(i,cv::CC_STAT_AREA);if(area>500){// 过滤阈值按分辨率调clean.setTo(255,labels==i);}}// 6) 轮廓std::vector<std::vector<cv::Point>>contours;cv::findContours(clean,contours,cv::RETR_EXTERNAL,cv::CHAIN_APPROX_SIMPLE);

什么时候“左右两张做差”还能用？

只有在你满足这些条件时它才可能“凑合”：

• 画面很干净、背景纹理少、光照稳定
• 你先做了极线校正，并且做了某种对应/对齐（否则差异全是错位）
• 你只想要“可能存在的边界提示”，不追求闭合轮廓

但一旦你要为“动态”服务（连续帧稳定追踪、速度/位移估计、轮廓编码记忆），深度分割几乎是必选项。