在嵌入式视觉和机器人领域，测距是一个绕不开的核心需求。无论是避障、定位，还是简单的物体检测，视觉传感器都能通过图像信息直接或间接地计算出距离。很多人以为视觉测距必须依赖昂贵的深度相机或激光雷达，但其实只要掌握了几种核心的视觉测距代码逻辑，普通的单目或双目摄像头同样能实现厘米级的测距精度。

我们从最基础的代码实现开始，一步步拆解视觉传感器测距的底层原理与实战技巧。

我们要明确视觉测距的两种主流方式：单目测距和双目测距。单目测距通常依赖于已知的物体尺寸或地面平面假设，通过小孔成像模型和相似三角形原理来计算距离。如果你知道一个目标物体的实际高度（例如一个0.5米高的交通锥），那么在图像中检测到它的像素高度后，就可以通过相机的焦距和像素尺寸反推出距离。下面是一段简化的单目测距Python代码示例，基于OpenCV：

``python

import cv2

import numpy as np

假设相机内参（焦距f，单位像素）

focal_length = 800 示例值，需实际标定

known_height = 0.5 物体实际高度（米）

def estimate_distance(object_pixel_height):

distance = (known_height focal_length) / object_pixel_height

return distance

在图像中检测物体并获取其像素高度（此处为示意）

cap = cv2.VideoCapture(0)

while True:

ret, frame = cap.read()

假设通过YOLO或颜色检测找到物体，并得到其像素高度为200像素

pixel_height = 200 示例值

dist = estimate_distance(pixel_height)

print(f"估计距离: {dist:.2f} 米")

cv2.imshow('Frame', frame)

if cv2.waitKey(1) & 0xFF == ord('q'):

break

cap.release()

cv2.destroyAllWindows()

`

这段代码看似简单，但实际部署时核心难点在于相机内参的精确标定，以及物体检测的鲁棒性。如果使用一个固定尺寸的标定板（如棋盘格），通过OpenCV的cv2.calibrateCamera()函数可以获取更准确的焦距和畸变参数。

接下来是双目视觉测距。双目测距的优势在于不需要知道物体先验尺寸，完全依靠左右相机图像的视差来计算深度。其核心代码逻辑基于立体匹配算法，例如SGBM（半全局块匹配）。以下是双目测距的一个基础实现：

`python

import cv2

import numpy as np

加载左右图像

img_left = cv2.imread('left.jpg', 0)

img_right = cv2.imread('right.jpg', 0)

设置SGBM参数

stereo = cv2.StereoSGBM_create(minDisparity=0, numDisparities=165, blockSize=11)

disparity = stereo.compute(img_left, img_right).astype(np.float32) / 16.0

视差转深度：深度 = (基线长度 焦距) / 视差

baseline = 0.1 相机基线（米）

focal_length_px = 800 像素焦距

depth_map = np.where(disparity > 0, (baseline focal_length_px) / disparity, 0)

print("深度图生成成功，单位：米")

此处可进一步对深度图进行滤波、可视化等操作

`

但要注意，直接使用OpenCV的默认参数往往会导致深度图噪声极大。优化方向包括：调整numDisparities和blockSize，对左右图像进行极线校正，以及对输出视差图进行WLS滤波（加权最小二乘滤波）。实际项目中，我推荐使用cv2.ximgproc.createDisparityWLSFilter`来平滑结果，能显著提升测距精度。

我们要讨论一个容易忽略的点：视觉传感器的选型与场景适配。对于室内短距离测距（0.3-5米），双目视觉效果极佳；对于户外远距离（10米以上），单目结合已知尺寸的标定物反而更稳定。光线变化、纹理缺失都会影响匹配效果，因此在实际代码中一定要加入图像预处理（如直方图均衡化、高斯模糊）来增强鲁棒性。

总结一下视觉传感器测距代码的关键：先标定相机，再选择合适的测