1. 相机模型与单目测距基础第一次接触单目测距时我和大多数人一样充满疑惑用单个摄像头真能测出距离吗后来在停车场倒车时突然想通了——当我们看到后视镜里越来越近的障碍物其实大脑就在做单目测距。这个生活场景揭示了单目测距的核心通过物体在图像中的变化反推真实距离。相机模型可以类比为我们的眼睛。想象你拿着一个纸筒看远处的路灯纸筒代表镜头视网膜就是图像传感器。当路灯距离变化时它在纸筒另一端形成的像会变大变小。这个简单的凸透镜成像原理就是针孔相机模型的物理基础。在实际工程中我们需要用数学语言描述这个过程。相机坐标系(Xc,Yc,Zc)的原点位于镜头光心Z轴指向拍摄方向。假设地面有个路灯底座点Q它在图像平面的投影Q的坐标(y)与真实高度(H)存在关系y f * (Yc / Zc)其中f是焦距。当相机以俯角α安装时通过三角函数推导可得距离公式distance H / (tan(α atan(y/f)) * cos(α))这个公式揭示了单目测距的三大依赖相机高度H测量误差会线性影响结果俯角α需要精确的水平校准焦距f必须通过标定获得准确值2. 相机标定实战指南去年给工厂做AGV导航系统时我花了整整两天调试标定参数。当时用普通USB摄像头采集的测距数据波动超过20%后来发现是忽略了镜头的桶形畸变。这个教训让我明白标定质量直接决定测距精度。推荐使用OpenCV的棋盘格标定法具体操作流程准备标定板打印10x7的棋盘格图案每个方格2cm贴在平整硬纸板上多角度拍摄在不同距离0.5m-3m、不同倾斜角度拍摄15-20张照片运行标定脚本import cv2 import numpy as np # 准备对象点 (0,0,0), (1,0,0),...,(9,6,0) objp np.zeros((6*9,3), np.float32) objp[:,:2] np.mgrid[0:9,0:6].T.reshape(-1,2) # 检测角点 img cv2.imread(calib.jpg) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners cv2.findChessboardCorners(gray, (9,6), None) # 标定计算 ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( [objp], [corners], gray.shape[::-1], None, None)关键参数说明参数名物理意义典型值范围mtx[0,0]x轴焦距(fx)500-2000像素mtx[1,1]y轴焦距(fy)通常接近fxdist[0]径向畸变k1-0.2~0.2tvecs[0][2]相机高度根据安装位置实测建议标定板要占图像1/3以上面积使用cv2.CALIB_FIX_ASPECT_RATIO保持fx/fy比例标定后要用cv2.undistort()验证矫正效果3. YOLOv5与测距的工程融合在最新版的YOLOv5 v7.0中我们可以通过修改detect.py实现端到端测距。核心思路是利用检测框底部中点作为测距参考点。但实际测试发现直接使用原始框会导致10%以上的误差特别是对远处的小物体。经过多次实验我总结出三点优化策略参考点修正对行人等直立物体将参考点上移5%框高动态滤波对连续5帧距离变化15%的结果进行中值滤波高度补偿不同物体类别采用预设高度轿车1.5m卡车3m等关键代码实现def estimate_distance(det, cam_matrix, height1.5): 单目测距核心函数 Args: det: YOLOv5检测结果 [x1,y1,x2,y2,conf,cls] cam_matrix: 相机内参矩阵 height: 物体预设高度 # 获取检测框底部中点 (u,v) u (det[0] det[2]) / 2 v det[3] - 0.05 * (det[3] - det[1]) # 上移5% # 坐标转换 fx cam_matrix[0,0] fy cam_matrix[1,1] v0 cam_matrix[1,2] # 角度计算 beta np.arctan((v - v0) / fy) distance height / np.tan(beta np.radians(15)) # 假设俯角15度 return distance部署时的性能优化技巧使用torch.jit.trace将模型转为TorchScript对640x480图像在Jetson Nano上可达15FPS开启halfTrue使用FP16推理可提升30%速度4. 误差分析与调优方案上周测试时遇到个有趣现象同一辆卡车在10米处测距误差仅8%但在3米处误差却达到25%。经过反复验证发现是相机俯角导致的比例失真问题。这引出了单目测距的一个重要结论误差与距离成非线性关系。常见误差来源及解决方案误差类型影响程度解决方法相机高度误差线性影响使用激光测距仪校准俯角偏差近距离影响大加装水平仪辅助安装物体高度假设类别相关建立高度-类别映射表镜头畸变边缘区域明显采用更高精度标定建议的验证流程在5m、10m、15m位置放置标定物采集100帧数据计算平均误差根据误差曲线调整高度参数对于需要厘米级精度的场景如自动泊车可以考虑增加距离分段补偿系数融合IMU数据补偿车身震动使用车道线等参照物进行动态校准在工程实践中单目测距最适合1-20米范围的中距离检测。我曾将这套方案用于智能叉车系统通过结合二维码定位最终实现了±5%的测距精度。关键是要根据具体场景做参数调优——就像调整相机焦距一样需要耐心地反复微调。
