简介：这是一套面向计算机、通信、人工智能及自动化等专业学生与从业者的双目视觉测量项目资料，以Python与OpenCV为核心工具，实现通过双目相机标定、立体匹配与视差计算来测量被摄物体实际尺寸的完整流程，可作为毕业设计、课程大作业或期末项目的参考方案，也适合具备一定基础后在此基础上修改扩展功能。资源包共23个文件，以21张jpg图像、1个py源码文件与1个md说明文档为主，图像涵盖左右相机采集的标定与测试样本，源码承载核心测量逻辑，文档则交代项目结构与使用方式，压缩包整体约2.26MB，体积轻便便于本地部署调试。目前已有200人学习关注。项目代码经过调试测试，答辩评审分达到98分，读者可据此掌握双目视觉从标定到尺寸解算的关键环节，理解视差与深度映射关系，并借助配套说明快速复现实验、排查常见问题，具备较高的学习借鉴价值。

1. 从一张照片到真实毫米：双目视觉尺寸测量到底在解决什么

用单目相机拍一个零件，你能拿到像素坐标，却拿不到真实尺寸——除非你在画面里放一把已知长度的尺子当参照。双目视觉的思路完全不同：两个相机从不同位置同时拍同一物体，靠视差反推深度，再结合相机内参把像素换算成毫米。这套方案在工业质检、零件分拣、毕业设计里都很常见，核心链路是「标定 → 校正 → 匹配 → 三维重建 → 尺寸计算」。

这个标题对应的项目，本质是用 Python 和 OpenCV 把上述链路串成一个可运行的尺寸测量工具：输入左右两张图，输出物体的长宽或某个特征的真实尺寸。它适合两类人——一类是计算机、电子信息、机械设计制造及其自动化专业做毕业设计的学生，需要一套能跑通、能讲清楚原理、能写进论文的完整代码；另一类是想快速验证双目测量可行性的工程师，先跑通最小闭环再决定要不要上结构光或激光。下面按「先立住原理、再动手复现、最后避坑」的顺序拆开讲。

2. 双目测距的几何原理与 OpenCV 标定链路

2.1 视差为什么能换出深度

双目视觉的底层公式只有一个，但它是整条链路的根。两个相机光心之间的距离叫基线 B，左右图像中同一个物点成像位置的横坐标差叫视差 d，焦距为 f，则深度 Z = f·B / d。视差越大，物体越近；视差越小，物体越远。这个反比关系决定了双目系统的精度分布——近处精度高，远处误差迅速放大。

理解这一点，就能明白为什么标定质量直接决定测量成败。f 和 B 的误差会线性传递到 Z，而视差 d 的误差在远处会被放大。所以做尺寸测量时，被测物体应尽量放在工作距离的中近段，别指望一套基线 60mm 的系统在 3 米外还能测到毫米级。

OpenCV 里对应的函数是stereoRectify和reprojectImageTo3D，前者把两个相机的成像面校正到共面行对齐，后者把视差图转成三维点云。校正之后，同一个物点在左右图中处于同一行，匹配搜索从二维降到一维，这是后续StereoBM或StereoSGBM能实时跑的前提。

2.2 用棋盘格做双目标定：采集与标定代码

标定的输入是一组左右同步拍摄的棋盘格图像，通常 15 到 25 对，棋盘格覆盖画面各个区域和角度。采集时棋盘格要平整，别用打印后卷边的纸。下面这段代码完成单目标定加双目标定，输出内参、畸变系数、旋转平移矩阵。

import cv2 import numpy as np import glob # 棋盘格内角点数量，比如 9x6 的格子，内角点是 8x5 CHESSBOARD = (8, 5) # 棋盘格单个方格的真实边长，单位 mm，必须用尺子量准 SQUARE_SIZE = 25.0 # 生成棋盘格的三维世界坐标，Z=0 平面 objp = np.zeros((CHESSBOARD[0] * CHESSBOARD[1], 3), np.float32) objp[:, :2] = np.mgrid[0:CHESSBOARD[0], 0:CHESSBOARD[1]].T.reshape(-1, 2) objp *= SQUARE_SIZE def calibrate_single(image_paths): objpoints, imgpoints = [], [] gray_shape = None for fname in image_paths: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray_shape = gray.shape[::-1] ret, corners = cv2.findChessboardCorners(gray, CHESSBOARD, None) if ret: # 亚像素精化，标定精度靠这一步 corners = cv2.cornerSubPix( gray, corners, (11, 11), (-1, -1), (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)) objpoints.append(objp) imgpoints.append(corners) ret, mtx, dist, _, _ = cv2.calibrateCamera( objpoints, imgpoints, gray_shape, None, None) return ret, mtx, dist, objpoints, imgpoints, gray_shape # 左右相机分别标定 retL, mtxL, distL, objL, imgL, shape = calibrate_single( sorted(glob.glob('calib/left/*.jpg'))) retR, mtxR, distR, objR, imgR, _ = calibrate_single( sorted(glob.glob('calib/right/*.jpg'))) # 双目标定，固定内参只优化外参 flags = cv2.CALIB_FIX_INTRINSIC retS, mtxL, distL, mtxR, distR, R, T, E, F = cv2.stereoCalibrate( objL, imgL, imgR, mtxL, distL, mtxR, distR, shape, criteria=(cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 1e-5), flags=flags) print('基线 B =', np.linalg.norm(T), 'mm') np.savez('stereo_params.npz', mtxL=mtxL, distL=distL, mtxR=mtxR, distR=distR, R=R, T=T)

逻辑说明：findChessboardCorners找角点，cornerSubPix把角点精度从像素级提到亚像素级，这一步不做，标定重投影误差会明显偏大。calibrateCamera分别求左右内参和畸变，stereoCalibrate在固定内参的前提下求两个相机之间的旋转 R 和平移 T，T 的模长就是基线。参数方面，CHESSBOARD必须和实际棋盘内角点数一致，写错一位角点全找不到；SQUARE_SIZE用卡尺量，别信打印标注的尺寸，打印机缩放会带来百分之几的系统误差。

2.3 立体校正与视差图生成

标定完拿到参数，下一步是校正。校正的目的是让左右图像行对齐，之后匹配只需在同一行找对应点。

import cv2 import numpy as np data = np.load('stereo_params.npz') mtxL, distL = data['mtxL'], data['distL'] mtxR, distR = data['mtxR'], data['distR'] R, T = data['R'], data['T'] h, w = 480, 640 # 计算校正变换 R1, R2, P1, P2, Q, _, _ = cv2.stereoRectify( mtxL, distL, mtxR, distR, (w, h), R, T, alpha=0) # 生成映射表，避免每帧重复计算 mapLx, mapLy = cv2.initUndistortRectifyMap( mtxL, distL, R1, P1, (w, h), cv2.CV_32FC1) mapRx, mapRy = cv2.initUndistortRectifyMap( mtxR, distR, R2, P2, (w, h), cv2.CV_32FC1) imgL = cv2.imread('scene/left.jpg') imgR = cv2.imread('scene/right.jpg') rectL = cv2.remap(imgL, mapLx, mapLy, cv2.INTER_LINEAR) rectR = cv2.remap(imgR, mapRx, mapRy, cv2.INTER_LINEAR) # SGBM 视差计算，参数直接影响稠密度和噪声 grayL = cv2.cvtColor(rectL, cv2.COLOR_BGR2GRAY) grayR = cv2.cvtColor(rectR, cv2.COLOR_BGR2GRAY) stereo = cv2.StereoSGBM_create( minDisparity=0, numDisparities=16 * 6, # 必须是 16 的整数倍 blockSize=5, P1=8 * 3 * 5 ** 2, P2=32 * 3 * 5 ** 2, disp12MaxDiff=1, uniquenessRatio=10, speckleWindowSize=100, speckleRange=2, mode=cv2.STEREO_SGBM_MODE_SGBM_3WAY) disp = stereo.compute(grayL, grayR).astype(np.float32) / 16.0 # 视差转三维 points3D = cv2.reprojectImageTo3D(disp, Q)

逻辑说明：stereoRectify的alpha=0表示校正后只保留有效像素，画面会裁掉一部分边缘，但不会引入黑色无效区；如果想让画面完整，改成alpha=1，代价是边缘出现无效像素。initUndistortRectifyMap生成映射表后可以缓存，视频流场景下不要每帧重算。StereoSGBM_create里numDisparities决定搜索范围，物体越近需要的视差范围越大，设小了近处物体直接丢失；blockSize越大视差图越平滑但边缘越糊，5 是常用起点；uniquenessRatio用来剔除误匹配，10 到 15 之间比较稳。

2.4 从三维点云到真实尺寸

拿到points3D后，每个像素对应一个 (X, Y, Z) 毫米坐标。测量物体尺寸的常见做法是：先分割出目标区域，再在点云里取该区域的包围盒或特征点距离。

import numpy as np import cv2 # 用颜色阈值或轮廓分割出目标，得到掩码 mask = cv2.inRange(rectL, (0, 0, 80), (80, 80, 255)) mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, np.ones((5, 5), np.uint8)) # 只保留有效视差区域 valid = (disp > disp.min()) & (disp < disp.max()) & (mask > 0) pts = points3D[valid] # 去掉离群点，Z 方向 3 倍标准差以外剔除 z = pts[:, 2] keep = np.abs(z - np.median(z)) < 3 * np.std(z) pts = pts[keep] # 包围盒尺寸，单位 mm xmin, ymin, zmin = pts.min(axis=0) xmax, ymax, zmax = pts.max(axis=0) print('宽 %.2f mm, 高 %.2f mm, 厚 %.2f mm' % (xmax - xmin, ymax - ymin, zmax - zmin))

逻辑说明：掩码用来限定测量区域，避免背景点云干扰包围盒。离群点剔除很关键，视差图在物体边缘和纹理缺失区会产生飞点，不剔除的话包围盒会被拉大好几毫米。参数上，形态学核大小根据物体尺寸调，小物体用 3x3，大物体可以到 7x7。这里输出的是轴对齐包围盒，如果物体在画面里是斜的，需要先做主成分分析找主轴再算尺寸，否则测出来偏大。

3. 把测量精度从厘米级压到毫米级：参数调优与验证

3.1 影响精度的四个关键参数

双目测量的误差来源不止一个，按影响从大到小排：标定重投影误差、基线长度、视差算法参数、被测距离。下面这张表是我在实际调试中总结的参数对照，可以直接拿去当调参起点。

标定重投影误差要盯住，stereoCalibrate返回的 ret 值如果大于 0.5 像素，说明采集的棋盘图质量不够或者角点检测有偏差，这时候后面怎么调视差参数都救不回来。我一般要求单目重投影误差在 0.2 像素以内，双目在 0.3 以内才继续往下做。

3.2 用已知尺寸物体做精度验证

调完参数必须验证，不能只看视差图好看就下结论。找一个已知尺寸的标准件，比如 50mm 的量块或者打印后卡尺量过的方块，放在工作距离上测，对比测量值和真值。

import numpy as np def measure_error(true_size, measured_size): abs_err = abs(measured_size - true_size) rel_err = abs_err / true_size * 100 return abs_err, rel_err # 在多个距离上重复测量，画误差曲线 distances = [300, 500, 800, 1200] # mm for d in distances: # 每个距离采集一组左右图，跑完整链路得到 measured measured = run_pipeline(f'scene/{d}mm/left.jpg', f'scene/{d}mm/right.jpg') ae, re = measure_error(50.0, measured) print('距离 %dmm: 绝对误差 %.2fmm, 相对误差 %.2f%%' % (d, ae, re))

逻辑说明：验证要在多个工作距离上做，因为双目误差随距离增长。如果 300mm 处误差 0.5mm、1200mm 处误差 5mm，说明系统适合近距测量，论文里就要如实写工作范围。参数上，true_size必须用更高精度的工具测，用卡尺量方块比用直尺靠谱。这一步的数据直接可以放进毕业设计的结果分析章节。

3.3 纹理缺失表面的处理办法

被测物体表面如果是纯色、反光或者透明，SGBM 会大面积匹配失败，视差图出现空洞。常见做法是投影散斑或者贴随机纹理贴纸。如果条件不允许，可以退而求其次用边缘特征做稀疏匹配，精度下降但至少能出结果。

# 对弱纹理区域，先用 CLAHE 增强局部对比度再算视差 clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8, 8)) grayL_eq = clahe.apply(grayL) grayR_eq = clahe.apply(grayR) disp_eq = stereo.compute(grayL_eq, grayR_eq).astype(np.float32) / 16.0

逻辑说明：CLAHE 把局部对比度拉高，让弱纹理区域产生可匹配的梯度。clipLimit控制增强强度，3.0 是温和档，再高会放大噪声。这个方法对金属拉丝面、塑料白件有一定效果，但对镜面反射无能为力，那种情况只能改硬件方案。

4. 双目尺寸测量的避坑与排查清单

4.1 标定重投影误差偏大

现象：stereoCalibrate返回的误差超过 0.5 像素，校正后左右图行不对齐。原因通常是棋盘格图像太少、角度覆盖不够，或者棋盘格不平整导致角点检测偏移。解决：补拍到 20 对以上，棋盘格覆盖画面四角和中心，打印后贴在硬板上，采集时避免运动模糊。

4.2 视差图大面积全黑

现象：disp几乎全是负值或零，点云为空。原因多半是numDisparities设小了，近处物体视差超出搜索范围；或者左右图顺序搞反，compute的第一个参数必须是左图。解决：把numDisparities加到 192 试一次，确认左右图没有互换，再检查校正后的图是否行对齐。

4.3 测量值随距离线性偏大

现象：物体放远一点，测出来的尺寸就大一圈。原因是标定得到的基线或焦距有系统误差，误差随 Z 放大。解决：重新标定，重点检查SQUARE_SIZE是否量准；如果基线是手工输入的，用np.linalg.norm(T)从标定结果里取，别自己填。

4.4 边缘飞点拉大包围盒

现象：包围盒尺寸比实际大 3 到 5 毫米，点云在物体边缘有散乱点。原因是视差在深度不连续处匹配错误。解决：加speckleWindowSize滤波，或者在计算包围盒前做统计离群点剔除，前面代码里的 3 倍标准差方法就能压下去大部分。

4.5 运行报 ModuleNotFoundError: No module named 'opencv'

现象：import cv2直接报错。原因是只装了 Python 没装 OpenCV，或者装到了另一个 Python 环境。解决：确认python -m pip install opencv-python opencv-contrib-python装在了当前解释器下，VSCode 里检查右下角选的解释器路径和 pip 装的是同一个。opencv-contrib-python包含 SGBM 等扩展模块，别只装基础包。

5. 让测量结果可复现：把标定参数固化成配置文件

做到这里，链路已经能跑通，但每次换场景都要重新标定、重新调参，效率很低。我的习惯是把标定结果和算法参数写进一个 YAML 配置文件，主程序只读配置，这样换相机只需换配置，代码不动。

import yaml import numpy as np def save_config(path, mtxL, distL, mtxR, distR, R, T, algo): cfg = { 'left': {'mtx': mtxL.tolist(), 'dist': distL.tolist()}, 'right': {'mtx': mtxR.tolist(), 'dist': distR.tolist()}, 'extrinsic': {'R': R.tolist(), 'T': T.tolist()}, 'sgbm': algo } with open(path, 'w') as f: yaml.safe_dump(cfg, f) def load_config(path): with open(path) as f: cfg = yaml.safe_load(f) return (np.array(cfg['left']['mtx']), np.array(cfg['left']['dist']), np.array(cfg['right']['mtx']), np.array(cfg['right']['dist']), np.array(cfg['extrinsic']['R']), np.array(cfg['extrinsic']['T']), cfg['sgbm'])

逻辑说明：YAML 可读性好，参数改了肉眼能看出来，比 pickle 适合毕业设计答辩时展示。algo字典里放numDisparities、blockSize这些，调参时只改配置不改代码。加载后转回 numpy 数组，后续流程不变。

再进一步，把测量结果和当时的配置一起存成 CSV，每次实验都有记录，论文里的数据表直接从这里出。我吃过亏——早期调参时改了代码没记参数，回头复现不出最好那组结果，只能重标重调，浪费两天。后来养成习惯：任何一次有效测量，配置、图像路径、测量值、真值四列一起落盘。这个习惯比任何算法技巧都值钱。

验证方法上，除了前面说的多距离对比，还可以做一个重复性测试：同一个物体、同一个位置，连续采集 20 次，看测量值的标准差。标准差反映系统稳定性，如果标准差超过 0.5mm，说明视差图抖动大，要回去查光照或者uniquenessRatio。这套流程走下来，一个能写进毕业设计、也能拿去和工业方案对比的双目尺寸测量系统就成型了。希望帮到你。

本文还有配套的精品资源，点击获取