双目立体视觉实战解析：从三角测量到极线校正的深度重建

1. 双目立体视觉基础原理

第一次接触双目立体视觉时，我被它模拟人眼的工作原理深深吸引。想象一下，当你闭上一只眼睛时，判断物体的距离会变得困难；而睁开双眼后，大脑通过比较两幅图像的差异就能轻松感知深度。这就是双目视觉的核心思想——通过两个摄像头模拟人眼，计算视差来重建三维世界。

在实际项目中，我常用一对经过严格校准的工业相机搭建系统。两个相机之间的水平距离（基线距离T）是关键参数，就像人的瞳距一样直接影响测量范围。基线越大，远距离测量越准，但会牺牲近距离的视野重叠区域。经过多次实验，我发现对于室内机器人导航，6-12cm的基线距离是最佳选择。

这里有个生活化的类比：假设你伸直手臂竖起大拇指，分别用左右眼观察。当拇指离眼睛很近时，左右眼看到的拇指位置差异很大（大视差）；当拇指逐渐远离，这个差异会变小（小视差）。双目系统就是用数学公式量化这个过程：

python复制depth = (focal_length * baseline) / disparity

其中focal_length是相机焦距，baseline是两相机间距，disparity是同一物体在两幅图像中的像素坐标差。这个简单的三角测量公式，却是整个深度重建的基石。

2. 三角测量的实战细节

很多教程只给出理论公式，却忽略了实际工程中的关键点。根据我的踩坑经验，三角测量要获得准确结果，必须处理好三个环节：

首先是相机标定。有次项目 deadline 前夜，我们的深度图总是扭曲，后来发现是标定板拍摄时存在反光。现在我的标准流程是：

• 使用高对比度棋盘格（建议打印在哑光材质上）
• 从不同角度拍摄至少20组图像
• 用OpenCV的cv2.calibrateCamera()同时计算内外参和畸变系数

其次是视差计算精度。早期我们直接用整数像素坐标做减法，结果深度图出现明显分层。后来改用亚像素级角点检测，精度提升显著：

python复制# 亚像素级角点优化
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
corners = cv2.cornerSubPix(gray_image, corners, (11,11), (-1,-1), criteria)