0519-85602926 15861139266
攝像頭測距就是計算照片中的目標物體到相機的距離�？梢允褂孟嗨迫切危╰riangle similarity）方法實現(xiàn)，或者使用更復雜但更準確的相機模型的內(nèi)參來實現(xiàn)這個功能。
使用相似三角形計算物體到相機的距離
假設物體的寬度為 W，將其放到離相機距離為 D 的位置，然后對物體進行拍照。在照片上量出物體的像素寬度 P，于是可以得出計算相機焦距 F 的公式：
比如我在相機前 24 英寸距離（D=24 inches）的位置橫著放了一張 8.5 x 11 英寸（W=11 inches）的紙，拍照后通過圖像處理得出照片上紙的像素寬度 P=248 pixels。所以焦距 F 等于：
此時移動相機離物體更近或者更遠，我們可以應用相似三角形得到計算物體到相機的距離的公式：
原理大概就是這樣，接下來使用 OpenCV 來實現(xiàn)。
獲取目標輪廓
# import the necessary packages
from imutils import paths
import numpy as np
import imutils
import cv2
def find_marker(image):
# convert the image to grayscale, blur it, and detect edges
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
gray = cv2.GaussianBlur(gray, (5, 5), 0)
edged = cv2.Canny(gray, 35, 125)
# find the contours in the edged image and keep the largest one;
# we'll assume that this is our piece of paper in the image
cnts = cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
c = max(cnts, key = cv2.contourArea)
# compute the bounding box of the of the paper region and return it
return cv2.minAreaRect(c)
定義一個 find_marker 函數(shù)，接收一個參數(shù) iamge，用來找到要計算距離的物體。這里我們用一張 8.5 x 11 英寸的紙作為目標物體。第一個任務是在圖片中找到目標物體。
下面這三行是先將圖片轉換為灰度圖，并進行輕微模糊處理以去除高頻噪聲，然后進行邊緣檢測。
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
gray = cv2.GaussianBlur(gray, (5, 5), 0)
edged = cv2.Canny(gray, 35, 125)
做了這幾步后圖片看起來是這樣的：
現(xiàn)在已經(jīng)可以清晰地看到這張紙的邊緣，接下來需要做的是找出這張紙的輪廓。
cnts = cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
c = max(cnts, key = cv2.contourArea)
用 cv2.findContours 函數(shù)找到圖片中的眾多輪廓，然后獲取其中面積最大的輪廓，并假設這是目標物體的輪廓。
這種假設只適用于我們這個場景，在實際使用時，在圖片中找出目標物體的方法與應用場景有很大關系。
我們這個場景用簡單的邊緣檢測并找出最大的輪廓就可以了。當然為了使程序更具有魯棒性，也可以用輪廓近似，并剔除不是四個點的輪廓（紙張是一個有四個點的矩形），然后再找出面積最大，具有四個點的輪廓。
注意: 關于這個方法，詳情可以查看這篇文章，用于構建一個移動文本掃描工具。
我們也可以根據(jù)顏色特征在圖片中找到目標物體，因為目標物體和背景的顏色有著很明顯的不同。還可以應用關鍵點檢測（keypoint detection），局部不變性描述子（local invariant descriptors）和關鍵點匹配（keypoint matching）來尋找目標。但是這些方法不在本文的討論范圍內(nèi)，而且高度依賴具體場景。
我們現(xiàn)在得到目標物體的輪廓了，find_marker 函數(shù)最后返回的是包含輪廓 (x, y) 坐標、像素長度和像素寬度的邊框，
計算距離
接下來該使用相似三角形計算目標到相機的距離。
def distance_to_camera(knownWidth, focalLength, perWidth):
# compute and return the distance from the maker to the camera
return (knownWidth * focalLength) / perWidth
distance_to_camera 函數(shù)傳入目標的實際寬度，計算得到的焦距和圖片上目標的像素寬度，就可以通過相似三角形公式計算目標到相機的距離了。
下面是調(diào)用 distance_to_camera 函數(shù)之前的準備：
# initialize the known distance from the camera to the object, which
# in this case is 24 inches
KNOWN_DISTANCE = 24.0
# initialize the known object width, which in this case, the piece of
# paper is 12 inches wide
KNOWN_WIDTH = 11.0
# load the furst image that contains an object that is KNOWN TO BE 2 feet
# from our camera, then find the paper marker in the image, and initialize
# the focal length
image = cv2.imread("images/2ft.jpg")
marker = find_marker(image)
focalLength = (marker * KNOWN_DISTANCE) / KNOWN_WIDTH
首先是測量目標物體的寬度，和目標物體到相機的距離，并根據(jù)上面介紹的方法計算相機的焦距。其實這些并不是真正的攝像機標定。真正的攝像機標定包括攝像機的內(nèi)參，相關知識可以可以查看這里。
使用 cv2.imread 函數(shù)從磁盤加載圖片，然后通過 find_marker 函數(shù)得到圖片中目標物體的坐標和長寬信息，最后根據(jù)相似三角形計算出相機的焦距。
現(xiàn)在有了相機的焦距，就可以計算目標物體到相機的距離了。
# loop over the images
for imagePath in sorted(paths.list_images("images")):
# load the image, find the marker in the image, then compute the
# distance to the marker from the camera
image = cv2.imread(imagePath)
marker = find_marker(image)
inches = distance_to_camera(KNOWN_WIDTH, focalLength, marker)
# draw a bounding box around the image and display it
box = cv2.cv.BoxPoints(marker) if imutils.is_cv2() else cv2.boxPoints(marker)
box = np.int0(box)
cv2.drawContours(image, [box], -1, (0, 255, 0), 2)
cv2.putText(image, "%.2fft" % (inches / 12),
(image.shape - 200, image.shape - 20), cv2.FONT_HERSHEY_SIMPLEX,
2.0, (0, 255, 0), 3)
cv2.imshow("image", image)
cv2.waitKey(0)
使用 for 循環(huán)遍歷每個圖片，計算每張圖片中目標對象到相機的距離。在結果中，我們根據(jù)得到的輪廓信息將方框畫了出來，并顯示出了距離。下面是得到的幾個結果圖：
總結
通過這篇文章，我們學會了使用相似三角形計算圖片中一個已知物體到相機的距離。
需要先測量出目標物體的實際寬度和目標物體到相機的距離，然后使用圖像處理的方法自動計算圖片中目標物體的像素寬度，并使用相似三角形計算出相機的焦距。
根據(jù)相機的焦距就可以計算圖片中的目標物體到相機的距離。
