从SGBM参数调优到精度提升：我的鱼眼双目测距实战踩坑记录

鱼眼镜头在机器人导航、VR全景拍摄等领域越来越常见，但它的超大视场角也给双目测距带来了独特挑战。去年参与一个室内机器人项目时，我花了两周时间反复调试StereoSGBM参数，才让鱼眼双目的测距精度达到实用水平。本文将分享参数调优过程中的关键发现，特别是那些文档里没写的实战细节。

1. 鱼眼双目标定的特殊处理

鱼眼镜头的畸变模型与普通针孔相机截然不同。OpenCV的fisheye模块虽然提供了标定工具，但实际使用时有几个坑需要注意：

• 标定板覆盖率：鱼眼镜头边缘畸变极大，标定板必须覆盖到图像边缘区域。我们使用60cm×60cm的大棋盘格，拍摄时确保四角都出现在画面中。
• 拍摄姿势多样性：鱼眼镜头对姿态变化更敏感，标定时要多角度拍摄（俯仰±30°、旋转±45°），我们最终用了35张有效图片。
• 标定参数验证：鱼眼模型标定后，建议用projectPoints反向验证重投影误差。我们遇到过一次K3系数异常大的情况，导致边缘点重投影误差超过5像素，重新标定后解决。

鱼眼双目标定的核心代码如下：

cpp复制// 单目标定
double rms = fisheye::calibrate(
    objectPoints, imagePoints, 
    imageSize, K, D, 
    rvecs, tvecs, 
    fisheye::CALIB_RECOMPUTE_EXTRINSIC | fisheye::CALIB_FIX_SKEW
);

// 双目标定
rms = fisheye::stereoCalibrate(
    objectPoints, imagePoints1, imagePoints2,
    K1, D1, K2, D2,
    imageSize, R, T,
    fisheye::CALIB_FIX_INTRINSIC  // 保持单目标定结果
);

注意：鱼眼镜头的畸变系数D通常有4个参数(k1,k2,k3,k4)，而普通相机模型只有5个(k1,k2,p1,p2,k3)

2. SGBM参数对鱼眼图像的影响分析

StereoSGBM有12个可调参数，经过上百次测试后，我发现这三个参数对鱼眼图像影响最大：

blockSize的权衡：在走廊场景测试发现，当blockSize从5增加到9时，墙面区域的噪声点减少40%，但门框边缘变得模糊。最终我们采用动态调整策略——中心区域用blockSize=5，边缘区域用blockSize=9。

numDisparities的坑：一开始设成16×10=160，结果近处物体出现阶梯状视差。后来发现鱼眼镜头的有效视差范围其实更小，改成16×6=96后效果更好，计算量还减少了37%。

3. 针对不同场景的参数优化方案

经过多个场景实测，总结出以下配置组合：

3.1 室内环境（办公室/走廊）

python复制sgbm.setBlockSize(7)
sgbm.setNumDisparities(80)  # 16×5
sgbm.setUniquenessRatio(10)
sgbm.setSpeckleWindowSize(200)  # 鱼眼图像需要更大值

纹理丰富区域（如地毯、书架）：

• 降低P1/P2值（我们用的P1=8×3×7²=1176，P2=32×3×7²=4704）
• 打开MODE_HH模式获取更平滑视差

弱纹理区域（如白墙）：

• 开启preFilterCap（设63）
• 提高uniquenessRatio到15

3.2 室外环境（停车场/广场）

python复制sgbm.setMode(StereoSGBM.MODE_SGBM_3WAY)
sgbm.setBlockSize(11)
sgbm.setP1(8×3×11²=2904)  # 更大窗口需要调整P1/P2

4. 后处理技巧提升可用性

原始视差图常有噪声和空洞，这几个后处理方法很实用：

1. 视差滤波：WLS滤波能保留边缘同时平滑区域

   cpp复制Ptr<DisparityWLSFilter> wls_filter = createDisparityWLSFilter(sgbm);
   wls_filter->setLambda(8000.0);
   wls_filter->setSigmaColor(1.5);
   wls_filter->filter(left_disp, left_img, filtered_disp);
   

2. 空洞填充：对于深度连续区域（如墙面），用邻域均值填充比直接插值更合理

3. 边缘锐化：对矫正后的鱼眼图像先做unsharp masking，可提升5-8%的匹配准确率

实测发现，经过优化的鱼眼双目系统在3米范围内能达到2%的相对精度，满足我们扫地机器人的避障需求。最意外的是，适当调高speckleWindowSize到200-300，反而比默认值100更适合鱼眼图像的散斑过滤。