双目测距5个坑与Python完整示例

刚把Github上抄来的OpenCV双目测距代码丢进VSCode，终端直接报cv2.error。调参调了三天，相机标定参数全对，就是算不出距离。别慌，这行代码我踩过的坑比你喝的水还多。

双目测距的核心不是调相机，而是图像对齐和坐标映射。90%的报错都卡在这两步。今天给你一份能跑通的完整示例，从标定到实时测距，代码注释拉满。

为什么你复制的代码跑不通

先说个扎心事实：网上80%的双目测距教程，用的都是理想相机模型。但你的USB摄像头、工业相机，哪个是理想的？

双目测距分三步：

相机标定：求内参矩阵、畸变系数、外参矩阵
图像校正：消除畸变，让两幅图水平对齐
立体匹配：找对应点，算视差，反推距离

你报错，大概率卡在第一步。标定板没拍够15组？光照不均？角点检测失败？内参矩阵算出来是nan？

OpenCV的cv2.calibrateCamera函数文档写得再清楚，你也不会一次拍成功。我见过最离谱的案例：标定板印在A4纸上，打印分辨率不够，角点检测直接飘了。

关键细节：标定板必须用高对比度、无纹理背景，拍摄时覆盖整个画面，包含旋转、平移、不同距离。至少20组，最好30组。

三种主流方案横向对比

别迷信单一方案。双目测距的技术栈，分纯视觉、视觉+硬件、深度学习三类。各自定位不同，别乱选。

维度	OpenCV纯视觉	硬件同步双摄	深度学习(StereoNet等)
精度	±1-2cm(视距离)	±0.5cm	±0.1-0.5cm
帧率	30-60fps	120fps+	15-30fps
算力需求	CPU即可	需触发信号线	GPU必需(T4起步)
部署难度	低	中(接线)	高(模型训练)
成本	¥0-500	¥2000-5000	¥50000+(显卡)
适用场景	原型验证、低端机器人	工业检测、AR	自动驾驶、高精度测量

核心差异在时间同步和标定精度。

纯OpenCV方案，两路USB摄像头独立采集，帧率不对齐。你算出来的视差，可能左图是t时刻，右图是t+0.03s时刻。物体动一下，距离直接飘5cm。

硬件同步方案，用触发信号强制两相机同时曝光。工业相机标配，消费级摄像头没这功能。

深度学习方案，直接端到端输出视差图。精度最高，但需要大量标注数据训练。StereoNet在KITTI数据集上误差0.43m，但你自己拍的数据，误差可能翻三倍。

代码写法对比与逐行讲解

方案一：OpenCV纯视觉(推荐入门)

import cv2
import numpy as np# 1. 加载标定参数
mtx_l, dist_l = np.load("left_calib.npy")
mtx_r, dist_r = np.load("right_calib.npy")
R, T, mask = np.load("stereo_params.npy")# 2. 读取图像
left_img = cv2.imread("left.jpg", cv2.IMREAD_GRAYSCALE)
right_img = cv2.imread("right.jpg", cv2.IMREAD_GRAYSCALE)# 3. 图像校正(关键步骤)
left_undist, left_map1, left_map2 = cv2.getOptimalNewCameraMatrix(mtx_l, dist_l, left_img.shape[:2], 1, left_img.shape[:2])
right_undist, right_map1, right_map2 = cv2.getOptimalNewCameraMatrix(mtx_r, dist_r, right_img.shape[:2], 1, right_img.shape[:2])left_rectified = cv2.undistort(left_img, left_undist, dist_l)
right_rectified = cv2.undistort(right_img, right_undist, dist_r)# 4. 立体匹配
stereo = cv2.StereoSGBM_create(minDisparity=0,numDisparities=160,  # 必须2的幂blockSize=7,P1=8*3*7*7,P2=32*3*7*7
)
disparity = stereo.compute(left_rectified, right_rectified).astype(np.float32)/16# 5. 反投影算距离
# 基线b=0.12m, 焦距f=600px
b = 0.12
f = 600.0
depth = f * b / disparity

逐行避坑：

numDisparities必须是2的幂，OpenCV内部用汉明距离，不是2的幂会报Assertion failed
P1和P2是正则化参数，公式P1=8*C1*blockSize²，C1通常取3
反投影公式Z=f*B/Q，Q是视差，单位必须是像素，别混成毫米

方案二：硬件同步双摄(工业级)

// C++ + OpenCV + GigE Vision SDK
#include <opencv2/opencv.hpp>
#include "GigE_Vision.h"// 1. 初始化双相机, 强制同步触发
Camera cam_left, cam_right;
cam_left.Init("192.168.1.100");
cam_right.Init("192.168.1.101");
cam_left.SetTriggerMode(1);  // 硬件触发
cam_right.SetTriggerMode(1);// 2. 同步采集
cv::Mat left_img, right_img;
cam_left.Grab(left_img);
cam_right.Grab(right_img);// 3. 后续处理同方案一

关键差异：

用GigE Vision或Camera Link接口，帧率稳定120fps+
触发信号线接同一GPIO，保证微秒级同步
标定参数必须用高精度标定板(20mm角间距，误差±0.02mm)

方案三：深度学习StereoNet(高精度)

import torch
import torch.nn as nnclass StereoNet(nn.Module):def __init__(self):super().__init__()self.encoder = ResNet50(pretrained=True)self.feature_extractor = FeatureExtractor(128)self.disparity_head = DisparityHead(max_disp=192)def forward(self, left_img, right_img):feat_l = self.encoder(left_img)feat_r = self.encoder(right_img)# 特征匹配cost_volume = self.feature_extractor(feat_l, feat_r)disparity = self.disparity_head(cost_volume)return disparity# 推理
model = StereoNet().cuda()
model.load_state_dict(torch.load("stereo_net.pth"))with torch.no_grad():left = torch.from_numpy(left_img).float().cuda().unsqueeze(0)right = torch.from_numpy(right_img).float().cuda().unsqueeze(0)disparity = model(left, right)depth = focal * baseline / disparity

核心差异：