用Python+OpenCV实现单目视觉测距：从A4纸标定到实战应用

在计算机视觉领域，单目测距一直是个既基础又实用的技术方向。想象一下，你只需要一个普通的USB摄像头和一张随处可见的A4纸，就能让计算机"看懂"物体距离——这听起来像是科幻场景，但通过OpenCV和Python的组合，我们完全可以在自己的电脑上实现这个功能。不同于需要昂贵硬件设备的深度相机方案，单目测距技术以其低成本、易实现的特性，成为许多创客、机器人爱好者和计算机视觉初学者的首选方案。

1. 环境准备与基础概念

在开始编码前，我们需要先理解几个核心概念。单目测距的基本原理其实源于初中物理的光学知识——相似三角形原理。当我们在固定焦距下拍摄已知尺寸的物体时，物体在图像中的像素尺寸与实际距离存在确定的数学关系。

1.1 必备工具安装

首先确保你的Python环境已经就绪（推荐Python 3.6+），然后通过pip安装必要的库：

pip install opencv-python numpy

对于国内用户，如果下载速度较慢，可以使用清华镜像源：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python numpy

1.2 硬件准备清单

• 普通USB摄像头（720p以上分辨率效果更佳）
• 标准A4纸（210×297mm）
• 测量工具（如卷尺，用于初始距离测量）
• 均匀光照环境（避免强光直射或阴影干扰）

提示：摄像头最好固定在一个位置，避免在标定过程中移动。手机摄像头也可以使用，但需要通过相应接口获取视频流。

2. 核心原理与数学推导

单目测距的核心公式基于相似三角形原理：

F = (P × D) / W

其中：

• F：相机焦距（像素单位）
• P：物体在图像中的像素宽度
• D：相机到物体的实际距离
• W：物体的实际宽度

这个公式的推导过程其实非常直观：

1. 在初始距离D处拍摄已知宽度W的物体（如A4纸），测量其在图像中的像素宽度P
2. 计算得到焦距F
3. 当物体移动时，通过检测新的像素宽度P'，即可计算新的距离D' = (W × F)/P'

2.1 实际测量中的误差来源

在实际应用中，我们需要考虑多种误差因素：

误差类型	影响程度	缓解方法
镜头畸变	高	使用cv2.calibrateCamera进行相机标定
测量不准确	中	使用精确测量工具，多次测量取平均
光照变化	中	保持稳定光照条件，或使用自适应阈值
角度偏差	高	确保相机与目标平面平行

3. 完整代码实现与分步解析

下面我们来实现一个完整的单目测距系统。代码分为三个主要部分：标记检测、焦距计算和距离测量。

3.1 标记检测函数

import cv2
import numpy as np

def find_marker(image):
    # 转换为灰度图并降噪
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    gray = cv2.GaussianBlur(gray, (5, 5), 0)
    
    # 边缘检测
    edged = cv2.Canny(gray, 35, 125)
    
    # 寻找轮廓
    contours, _ = cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
    
    # 获取面积最大的轮廓
    c = max(contours, key=cv2.contourArea)
    
    # 返回最小外接矩形
    return cv2.minAreaRect(c)

3.2 焦距计算函数

def calculate_focal_length(known_width, known_distance, image_path):
    # 读取参考图像
    image = cv2.imread(image_path)
    marker = find_marker(image)
    
    # 计算焦距
    focal_length = (marker[1][0] * known_distance) / known_width
    
    print(f"计算得到的焦距: {focal_length:.2f} pixels")
    return focal_length

3.3 距离测量函数

def distance_to_camera(known_width, focal_length, per_width):
    return (known_width * focal_length) / per_width

def measure_distance(image_path, focal_length, known_width):
    image = cv2.imread(image_path)
    marker = find_marker(image)
    
    # 计算距离
    distance = distance_to_camera(known_width, focal_length, marker[1][0])
    
    # 绘制边界框和距离信息
    box = cv2.boxPoints(marker)
    box = np.int0(box)
    cv2.drawContours(image, [box], -1, (0, 255, 0), 2)
    cv2.putText(image, f"{distance:.2f}cm", 
                (image.shape[1] - 300, image.shape[0] - 20),
                cv2.FONT_HERSHEY_SIMPLEX, 2.0, (0, 255, 0), 3)
    
    cv2.imshow("Distance Measurement", image)
    cv2.waitKey(0)
    return distance

4. 实战应用与效果优化

现在我们已经实现了基础功能，接下来让我们看看如何在实际项目中应用并优化这个系统。

4.1 完整工作流程

1. 初始标定：

   • 将A4纸放置在距离摄像头30cm处
   • 拍摄照片并保存为reference.jpg
   • 运行calculate_focal_length函数获取焦距

2. 距离测量：

   • 移动A4纸到不同位置
   • 对每个位置拍照并运行measure_distance函数
   • 比较测量结果与实际距离

4.2 提高精度的实用技巧

• 多角度标定法：在不同距离下拍摄多张参考图像，计算平均焦距
• 动态阈值调整：根据光照条件自动调整Canny边缘检测的阈值
• 轮廓过滤：只处理符合A4纸长宽比的轮廓，排除干扰物体
• 移动平均滤波：对视频流中的连续帧进行平均，减少瞬时误差

# 改进版的标记检测函数，增加轮廓过滤
def find_marker_enhanced(image):
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    gray = cv2.GaussianBlur(gray, (5, 5), 0)
    edged = cv2.Canny(gray, 35, 125)
    
    contours, _ = cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
    
    valid_contours = []
    for c in contours:
        rect = cv2.minAreaRect(c)
        width, height = rect[1]
        aspect_ratio = max(width, height) / min(width, height)
        
        # A4纸的长宽比约为1.414 (297/210)
        if 1.3 < aspect_ratio < 1.5:
            valid_contours.append(c)
    
    if valid_contours:
        c = max(valid_contours, key=cv2.contourArea)
        return cv2.minAreaRect(c)
    else:
        return None

4.3 实际应用场景扩展

这个基础技术可以扩展到许多有趣的应用中：

• 智能小车避障：实时测量前方障碍物距离
• 物品尺寸测量：结合已知距离，计算物体实际尺寸
• 互动装置：基于距离的人机交互界面
• 简易3D扫描：多角度距离测量重建物体形状

在最近的一个创客项目中，我使用这个技术为自动导引车(AGV)开发了低成本避障系统。通过将摄像头安装在车体前方，系统能够实时检测2米范围内的障碍物，精度达到了±3cm，完全满足室内低速导航的需求。