在自动驾驶、机器人导航和智能安防领域，视觉传感器测距技术正变得越来越重要。想象一下，一台扫地机器人如何避开茶几的腿？一辆无人车如何判断前方行人的距离？答案往往藏在视觉传感器的“眼睛”里。本文将以知乎风格，深入浅出地拆解视觉传感器测距的核心原理，从单目、双目到结构光，让你一次看懂。

最常见的单目视觉测距，它依赖的是“经验”和“几何”。单目摄像头就像一只眼睛，缺乏深度信息。但它通过捕捉物体的尺寸变化来计算距离——比如已知一个路标的高度是固定值，摄像头拍到它在图像中占用的像素，就能用相似三角形原理倒推出距离。这种方式成本低、计算快，但受限于需要先验知识，且对光照敏感。手机上的AR测距功能就常依赖单目算法，但测距精度在远距离时会急剧下降。

接下来是双目视觉测距，它模拟了人眼的工作原理。两个摄像头间隔固定距离（基线），像两只眼睛一样从不同角度拍摄同一物体。通过计算左右图像中对应点的像素差（视差），利用三角测量法精准得出距离。这就像你闭上一只眼，再睁开另一只，手指在眼前移动时感觉到的位置变化。双目测距的精度取决于基线长度和图像匹配算法。在机器人导航中，双目摄像头常用于10米内的测距，误差可控制在厘米级。但它的缺点是计算量大，且对纹理丰富的场景更有效，在平滑墙面或暗光条件下易失效。

结构光测距，它属于主动式传感器技术。视觉传感器会投射出编码好的光斑（如红外点阵或条纹），然后分析这些光斑在物体表面的变形来构建三维深度图。苹果iPhone的Face ID和微软Kinect都采用此技术。结构光的优势在于短距离内（0.2-5米）精度极高，可达毫米级，且不受物体纹理影响。但它容易受环境光干扰，在室外强光下表现不佳。在室内AR游戏中，它能精确捕捉手部动作，但在阳光直射下可能直接“瞎掉”。

综合来看，视觉传感器测距没有“万能”方案。单目适合低成本场景，双目适合中等精度需求，而结构光则主宰高精度短距应用。随着多传感器融合（如结合激光雷达）和深度学习的发展，视觉测距将更智能、更鲁棒。下次当你看到扫地机器人撞墙时，不妨想想它用的是哪种测距方式——这背后是工程师对光、几何和算法的巧妙平衡。