前言
整体实验步骤：
横切向矫正图像
构造函数CorrectImage 我们需要从单目相机参数中获取：内参矩阵、K\P值 如下代码段中所示。整体完成效果表示为：输入一张原始图像，输入一张矫正后的图像，这样可以减少测量距离误差。
def CorrectImage(Frame): cameraMatrix = np.array([[1321.395754, 13.90004046, 1254.996814], [0, 1308.603399, 621.1465241], [0, 0, 1]]) # 相机畸变系数矩阵，5*1矩阵(k1,k2,p1,p2,k3) distCoeffs = np.array([0.080593716, -0.025207783, 0.007709644, 0.014762425, 0]) h, w = Frame.shape[:2] newCameraMatrix, roi = cv2.getOptimalNewCameraMatrix(cameraMatrix, distCoeffs, (w, h), 1, (w, h), 0) # 计算无畸变和修正转换关系 mapx, mapy = cv2.initUndistortRectifyMap(cameraMatrix, distCoeffs, None, newCameraMatrix, (w, h), cv2.CV_16SC2) # 重映射 输入是矫正后的图像 CorrectFrame = cv2.remap(Frame, mapx, mapy, cv2.INTER_LINEAR) return CorrectFrame 复制代码
获取目标物坐标框&根据坐标计算目标像素宽高
这里我选用较为方便的圆检测，也可以替换为人脸检测，详情可以参考我的另外两篇博客，进行更改函数。
这里分开介绍：一个是圆形检测的另一个是人脸检测，这两种检测的差异在于圆心检测返回值是三个（圆心坐标x,y;圆的半径r）人脸检测返回的坐标是四个（左上角起始点x,y 和 目标物的宽高w,h）
对于圆形的高和宽为其直径（2xr),对于矩形框其宽高分别为（w,h）
根据比例计算目标距离
在上面我们得到了矫正后的图像，也对矫正后的图像进行了目标检测得到了目标物的像素宽和高。我们可以根据单目相机的像素（FX,FY），根据相似原理计算出目标距离。
这里仅以圆形为例子，给大家讲解如何利用比例进行测距，这里需要拿倒张氏标定得到的焦距FX和FY以及测量待测物的宽和高（在这里圆形的宽高相等为2r）。
FX对应了实体物体的宽
FY对应了实体物体的高
通过公式：距离= （焦距（X,Y） * 实体物的宽或高）/ 像素宽或高
def FindCoin(CoinImg): # 将图像转换为灰度图像 gray_img = cv2.cvtColor(CoinImg, cv2.COLOR_BGR2GRAY) # 高斯滤波降噪 gaussian_img = cv2.GaussianBlur(gray_img, (7, 7), 0) # 利用Canny进行边缘检测 edges_img = cv2.Canny(gaussian_img, 80, 180, apertureSize=3) # 自动检测圆 circles1 = cv2.HoughCircles(edges_img, cv2.HOUGH_GRADIENT, 1, 1000, param1=300, param2=10, minRadius=5, maxRadius=30) if circles1 is None: pass else: circles = circles1[0, :, :] circles = np.uint16(np.around(circles)) for i in circles[:]: cv2.circle(CoinImg, (i[0], i[1]), i[2], (0, 0, 255), 2) # print(i[0], i[1], i[2]) r = 2 * i[2] FX = 1321.395754 Coin_x = 0.054 # 实体圆的直径 FY = 1308.603399 Coin_y = 0.054 # 实体圆的直径 Distensx = (FX * Face_x) / r Distensy = (FY * Face_y) / r print("宽度计算的距离", Distensx) print("高度计算的距离", Distensy) 复制代码
测试截图：
