双目测距中基于三角形原理的视差与深度计算原理​（下）

视差图的生成与遍历计算

视差图是一张与输入图像尺寸相同的灰度图，其中每个像素的灰度值代表该位置的视差值。生成视差图的过程本质上是对左右两幅图像进行像素级匹配的过程，而遍历视差图的每个点则是为了获取场景中每个空间点的视差信息，进而计算其深度。

视差图的生成机制

视差图的生成依赖于立体匹配算法，其核心任务是在右图像中为左图像的每个像素找到对应的匹配点。常用的匹配算法包括基于区域的匹配（如块匹配）、基于特征的匹配（如 SIFT 特征匹配）和基于深度学习的匹配（如 SGM、PSMNet 等）。

以块匹配算法为例，其原理是：对于左图像中某个像素 (x, y)，在右图像的同一行（y 坐标相同）上划定一个搜索范围，通过计算像素块的相似度（如 SSD、NCC 等度量）找到最佳匹配点，该点与左图像像素的水平距离即为视差 d。

遍历视差图的原理与意义

视差图中的每个像素点 (x, y) 对应场景中三维点 (x', y', Z)，其中 Z 为深度信息。遍历视差图的过程，就是逐个提取每个像素的视差值 d (x, y)，并代入深度公式 Z = B × f /d (x, y) 计算对应点的深度。

这一过程的必要性在于：场景中不同物体的深度存在差异，同一物体表面也可能因姿态变化产生深度渐变。只有通过逐点遍历，才能完整重建出场景的深度信息，形成稠密的深度图。例如，在自动驾驶场景中，路面、车辆、行人等不同目标的深度差异显著，遍历视差图可确保每个目标的距离都被精准计算。

关键技术细节与误差控制

在实际应用中，视差计算的精度直接影响深度测量的准确性，而遍历过程需要处理多种误差来源：

系统标定误差：基线长度 B 和焦距 f 的标定误差会直接传递到深度计算中。通过张氏标定法等精确标定方法，可将标定误差控制在 0.1% 以内。

匹配歧义性：在纹理缺失区域（如白墙）、重复纹理区域（如棋盘格）或运动模糊区域，容易出现匹配错误，导致视差图中出现噪声点。通过引入平滑约束（如左右一致性检查）和后处理算法（如中值滤波），可有效剔除异常值。

视差范围限制：由于摄像头分辨率有限，视差的最大可能值由基线长度和焦距决定。当物体距离过远导致视差小于 1 像素时，深度计算会出现较大误差，此时需通过增大基线或使用长焦镜头扩展测量范围。

畸变校正：摄像头透镜的径向畸变和切向畸变会导致像点偏移，需在立体匹配前通过畸变模型（如 Brown 模型）进行校正，确保左右图像的像素在同一 epipolar 线上，减少匹配难度。

应用场景与技术发展

基于视差图遍历的双目测距技术已广泛应用于机器人导航、工业检测、虚拟现实等领域。例如，在服务机器人中，通过实时遍历视差图，机器人可感知周围环境的深度分布，实现避障和路径规划；在 3D 重建中，稠密视差图为三维模型的构建提供了精确的深度数据。

随着深度学习技术的发展，视差图的生成精度和效率不断提升。端到端的立体匹配网络（如 GCNet、RAFT-Stereo）通过学习图像的上下文信息，能够在复杂场景中生成更高质量的视差图，使遍历计算得到的深度信息更接近真实值。同时，硬件加速（如 FPGA、GPU）的应用大幅提升了视差图遍历和深度计算的速度，满足了实时性要求较高的场景（如自动驾驶）。

总结

双目测距中通过三角形原理计算深度的过程，本质上是将二维图像的视差信息转化为三维深度信息的几何映射。遍历视差图的每个点，是将这一映射关系应用于场景中每个空间点的必要步骤，其核心逻辑源于相似三角形的比例关系。随着标定技术、匹配算法和硬件性能的不断进步，基于视差的双目测距技术在精度和鲁棒性上持续提升，为计算机视觉感知三维世界提供了坚实的技术支撑。