攝像頭測(cè)距就是計(jì)算照片中的目標(biāo)物體到相機(jī)的距離。可以使用相似三角形（triangle similarity）方法實(shí)現(xiàn)，或者使用更復(fù)雜但更準(zhǔn)確的相機(jī)模型的內(nèi)參來實(shí)現(xiàn)這個(gè)功能。

使用相似三角形計(jì)算物體到相機(jī)的距離

假設(shè)物體的寬度為 W，將其放到離相機(jī)距離為 D 的位置，然后對(duì)物體進(jìn)行拍照。在照片上量出物體的像素寬度 P，于是可以得出計(jì)算相機(jī)焦距 F 的公式：

比如我在相機(jī)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(shí)移動(dòng)相機(jī)離物體更近或者更遠(yuǎn)，我們可以應(yīng)用相似三角形得到計(jì)算物體到相機(jī)的距離的公式：

原理大概就是這樣，接下來使用 OpenCV 來實(shí)現(xiàn)。

獲取目標(biāo)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(gè) find_marker 函數(shù)，接收一個(gè)參數(shù) iamge，用來找到要計(jì)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(biāo)物體。第一個(gè)任務(wù)是在圖片中找到目標(biāo)物體。

下面這三行是先將圖片轉(zhuǎn)換為灰度圖，并進(jìn)行輕微模糊處理以去除高頻噪聲，然后進(jìn)行邊緣檢測(cè)。

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(shè)這是目標(biāo)物體的輪廓。

這種假設(shè)只適用于我們這個(gè)場(chǎng)景，在實(shí)際使用時(shí)，在圖片中找出目標(biāo)物體的方法與應(yīng)用場(chǎng)景有很大關(guān)系。

我們這個(gè)場(chǎng)景用簡單的邊緣檢測(cè)并找出最大的輪廓就可以了。當(dāng)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(gè)點(diǎn)的輪廓（紙張是一個(gè)有四個(gè)點(diǎn)的矩形），然后再找出面積最大，具有四個(gè)點(diǎn)的輪廓。

注意: 關(guān)于這個(gè)方法，詳情可以查看這篇文章，用于構(gòu)建一個(gè)移動(dòng)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(biāo)物體，因?yàn)槟繕?biāo)物體和背景的顏色有著很明顯的不同。還可以應(yīng)用關(guān)鍵點(diǎn)檢測(cè)（keypoint detection），局部不變性描述子（local invariant descriptors）和關(guān)鍵點(diǎn)匹配（keypoint matching）來尋找目標(biāo)。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(chǎng)景。

我們現(xiàn)在得到目標(biāo)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(biāo)、像素長度和像素寬度的邊框，

計(jì)算距離

接下來該使用相似三角形計(jì)算目標(biāo)到相機(jī)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(biāo)的實(shí)際寬度，計(jì)算得到的焦距和圖片上目標(biāo)的像素寬度，就可以通過相似三角形公式計(jì)算目標(biāo)到相機(jī)的距離了。

下面是調(diào)用 distance_to_camera 函數(shù)之前的準(zhǔn)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[1][0] * KNOWN_DISTANCE) / KNOWN_WIDTH

首先是測(cè)量目標(biāo)物體的寬度，和目標(biāo)物體到相機(jī)的距離，并根據(jù)上面介紹的方法計(jì)算相機(jī)的焦距。其實(shí)這些并不是真正的攝像機(jī)標(biāo)定。真正的攝像機(jī)標(biāo)定包括攝像機(jī)的內(nèi)參，相關(guān)知識(shí)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(biāo)物體的坐標(biāo)和長寬信息，最后根據(jù)相似三角形計(jì)算出相機(jī)的焦距。

現(xiàn)在有了相機(jī)的焦距，就可以計(jì)算目標(biāo)物體到相機(jī)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[1][0])


    # 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[1] - 200, image.shape[0] - 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(gè)圖片，計(jì)算每張圖片中目標(biāo)對(duì)象到相機(jī)的距離。在結(jié)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(gè)結(jié)果圖：

總結(jié)

通過這篇文章，我們學(xué)會(huì)了使用相似三角形計(jì)算圖片中一個(gè)已知物體到相機(jī)的距離。

需要先測(cè)量出目標(biāo)物體的實(shí)際寬度和目標(biāo)物體到相機(jī)的距離，然后使用圖像處理的方法自動(dòng)計(jì)算圖片中目標(biāo)物體的像素寬度，并使用相似三角形計(jì)算出相機(jī)的焦距。

根據(jù)相機(jī)的焦距就可以計(jì)算圖片中的目標(biāo)物體到相機(jī)的距離。

原文作者Adrian Rosebrock博士 在此特別鳴謝