双目三维重建系统 (双目标定+立体校正+双目测距+点云显示+多种点云处理算法) Python源码：基于OpenCV的图像处理，Open3D的点云处理，基于深度学习的立体匹配和视差计算方法 代码包含: 1、支持双USB/单USB连接线的双目摄像头 2、支持单目相机标定支持双目相机标定无需 Matlab标定 3、另提供基于Matlab工具箱的标定方法 4、支持使用WLS滤波器对SGBM算法视差图进行滤波，并通过高斯滤波和相机参数得到点云三维坐标 5、提供基于深度学习的立体匹配和视差计算参考实验项目 6、支持双目测距，误差在lcm内(鼠标点击图像即可获得其深度距离)，支持Open3D和PCL点云显示 7、提供部分常用的点云处理算法Python例程源码 提供所有文件的执行流程和提示
两枚摄像头组成的立体视觉系统就像人眼，拍张照就能算出物体离你多远。今天咱们用Python+OpenCV+Open3D，自己搭个能测距、能生成点云的实战系统。准备好你的摄像头和键盘，直接开干！
硬件准备：给双目摄像头接上电
市面常见的双目模组分两种：单USB接口（左右目图像合并传输）和双USB独立传输。代码里已经封装了这两种情况的视频流读取方法：
# 单USB设备示例（图像左右拼接） cap = cv2.VideoCapture(0) ret, frame = cap.read() left_img = frame[:, :frame.shape[1]//2] right_img = frame[:, frame.shape[1]//2:] # 双USB设备示例（需提前确认设备索引） cap_left = cv2.VideoCapture(0) cap_right = cv2.VideoCapture(1)标定：给摄像头做个体检
别急着拍！摄像头出厂都有畸变，得先标定。用棋盘格在镜头前晃悠拍20张图，系统自动计算内参和畸变系数。这里有个偷懒技巧——直接用A4纸打印棋盘格，贴硬纸板上当标定板。
# 自动检测棋盘格角点 ret, corners = cv2.findChessboardCorners(gray_img, (9,6), None) if ret: # 亚像素级角点优化 cv2.cornerSubPix(gray_img, corners, (11,11), (-1,-1), criteria) obj_points.append(objp) img_points.append(corners) # 双目标定核心代码（得到相机矩阵和相对位置） ret, K1, D1, K2, D2, R, T, E, F = cv2.stereoCalibrate( obj_points, img_points_l, img_points_r, K1, D1, K2, D2, (w,h), flags=cv2.CALIB_FIX_INTRINSIC)立体校正：让画面对齐得像强迫症
双目三维重建系统 (双目标定+立体校正+双目测距+点云显示+多种点云处理算法) Python源码：基于OpenCV的图像处理，Open3D的点云处理，基于深度学习的立体匹配和视差计算方法 代码包含: 1、支持双USB/单USB连接线的双目摄像头 2、支持单目相机标定支持双目相机标定无需 Matlab标定 3、另提供基于Matlab工具箱的标定方法 4、支持使用WLS滤波器对SGBM算法视差图进行滤波，并通过高斯滤波和相机参数得到点云三维坐标 5、提供基于深度学习的立体匹配和视差计算参考实验项目 6、支持双目测距，误差在lcm内(鼠标点击图像即可获得其深度距离)，支持Open3D和PCL点云显示 7、提供部分常用的点云处理算法Python例程源码 提供所有文件的执行流程和提示
标定完要做图像校正，让左右图的每一行严格水平对齐。想象给两个摄像头戴上了特制眼镜，画面瞬间整齐划一。
# 计算校正映射表 R1, R2, P1, P2, Q, _, _ = cv2.stereoRectify( K1, D1, K2, D2, (w,h), R, T, alpha=0) mapx1, mapy1 = cv2.initUndistortRectifyMap(K1, D1, R1, P1, (w,h), cv2.CV_32F) mapx2, mapy2 = cv2.initUndistortRectifyMap(K2, D2, R2, P2, (w,h), cv2.CV_32F) # 实时校正演示 left_rect = cv2.remap(left_img, mapx1, mapy1, cv2.INTER_LINEAR) right_rect = cv2.remap(right_img, mapx2, mapy2, cv2.INTER_LINEAR)深度计算：SGBM算法与WLS滤波的默契配合
SGBM算法算出的视差图像被泼了墨水？上WLS滤波器！这对黄金搭档能让视差图边缘更干净：
# SGBM参数配置（重点调整这几个参数！） window_size = 5 min_disp = 0 num_disp = 64 stereo = cv2.StereoSGBM_create( minDisparity=min_disp, numDisparities=num_disp, blockSize=window_size, P1=8*3*window_size**2, P2=32*3*window_size**2) # WLS滤波 wls_filter = cv2.ximgproc.createDisparityWLSFilter(stereo) disparity = stereo.compute(left_rect, right_rect).astype(np.float32)/16.0 filtered_disp = wls_filter.filter(disparity, left_rect)点云生成：从二维到三维的魔法时刻
拿到视差图后，结合Q矩阵就能算出三维坐标。Open3D的三行代码可视化让点云显示变得超简单：
# 视差转点云 points = cv2.reprojectImageTo3D(filtered_disp, Q) mask = (filtered_disp > filtered_disp.min()) pcd = o3d.geometry.PointCloud() pcd.points = o3d.utility.Vector3dVector(points[mask]) o3d.visualization.draw_geometries([pcd])实战技巧：
- 标定失败？检查棋盘格是否完全进入画面，尝试不同倾斜角度
- 视差图出现断层？适当增大numDisparities参数，但别超过摄像头实际视差范围
- 点云稀疏？用双边滤波预处理图像，削弱噪声干扰
系统还集成了深度学习立体匹配模型（比如PSMNet），替换传统方法只需修改几行代码。想要测距功能？鼠标点选图像任意位置，控制台直接输出该点距离——实测键盘按键这类小物体误差能控制在1cm以内。
源码包里附赠了点云降采样、法线估计、ICP配准等常用算法，直接运行main.py跟着提示操作就能体验完整流程。遇到坑？记得查文档里的Q&A部分，常见问题都已整理好解决方案。
