简介利用OpenCV与Python实现的相机到物体距离测量项目适合计算机视觉入门者、机器人或嵌入式开发者参考。项目基于三角形相似度原理只需预先测量目标物体的实际宽度或高度以及相机到该物体的初始距离即可通过图像处理自动计算焦距在后续图像中仅需检测到目标就能根据已知焦距估算出相机与物体的实时距离。压缩包共2个文件包含一个Python脚本完成图像列表初始化、目标检测与距离计算主流程和一个Markdown说明文档整体仅2KB结构精简便于快速阅读和迁移。已有757人学习浏览覆盖从相机标定参数到单目视觉测距的完整思路尤其适合做简单测距原型、教学演示或作为机器人避障、目标定位模块的起点能帮助读者理解像素尺寸与实际物理尺寸之间的换算逻辑。 做单目视觉测距这个项目最开始是因为一个自动化小设备需要判断前方物体是否进入了工作范围。手头只有一个USB摄像头又不想上激光雷达就试着用OpenCV加Python算距离。做下来发现路子是通的误差在可接受范围内代码也不复杂。这篇文章就把整个思路、标定方法、代码细节和踩过的坑完整写出来给想在类似场景里用单目测距的朋友一个参考。项目里说的OD就是Object Distance物体距离。核心逻辑一句话已知目标物体的真实宽度再通过相机标定得到焦距就能用像素宽度反推距离。这个方法在很多场合都够用比如简单的避障、靠近报警、目标定位辅助不需要额外的深度传感器成本低、部署快。适合刚接触OpenCV的初学者也适合想快速验证单测距方案的工程师。1. 单目测距的核心原理一张普通照片怎么算出距离1.1 相似三角形最朴素的测距模型先说原理这其实是个初中几何问题不是深度学习黑魔法。相机把三维世界投影到二维图像上遵循的是小孔成像模型。当一个宽度为W的物体摆在相机前方距离d处它在传感器上成的像宽度为p那么根据相似三角形存在一个固定关系d W × f / p这里的f是焦距单位是像素。等式的含义是物体越远成像越小像素宽度p越小d就越大呈反比关系。只要在某个已知距离下标定出f之后就能通过测量物体在图像中的像素宽度实时估算距离。我在实际项目里用的目标物是一张标准A4纸宽度21厘米。假如它在画面里占了1500个像素焦距f预先标定为3000像素那么真实距离就是0.21 × 3000 / 1500 0.42米。就这么简单。这个模型假设目标是正面朝向相机且地面或轨道相对平整在这些条件下精度足够稳定。1.2 为什么选单目相机而不是双目或深度相机最常见的方案有三种单目、双目、深度相机比如Kinect、RealSense。双目通过左右两幅图像的视差计算深度对基线和标定精度要求高环境光变化时容易“失灵”。深度相机直接出深度图效果好但成本高视场角和量程也有局限。单目方案最明显的优势是硬件门槛极低任意一个普通摄像头都能用。代价是我必须提前知道目标物的准确尺寸而且测的是“目标物到相机”的距离不是每个像素的深度。如果项目满足“目标物已知、场景可控”这两个条件单目测距是最省事的方案。做工业近距测距、AGV小车靠近检测这类应用完全够用。2. 工程准备工作环境搭建与焦距标定2.1 Python OpenCV 环境搭建与安装避坑先讲环境因为这块卡住的人最多。我用的是Python 3.9OpenCV 4.x版本。安装很简单一条命令解决pip install opencv-python如果后续要处理图像显示窗口建议顺手装上opencv-contrib-python包含了一些扩展模块pip install opencv-python-contrib-python这里有两个容易踩的坑。第一不要同时安装opencv-python和opencv-contrib-python二者有同名模块会互相覆盖import时可能报奇怪的错误。第二如果是在虚拟环境里一定要先激活虚拟环境再执行pip命令否则包装到了全局环境代码一运行就提示找不到cv2。检查是否成功在Python交互环境里执行import cv2 print(cv2.__version__)能输出版本号就说明环境OK了。如果提示ModuleNotFoundError: No module named cv2优先检查pip list里有没有opencv-python以及是不是多环境串了。2.2 焦距标定用已知距离反推焦距环境准备好之后第一步不是写测距代码而是先把焦距f标定出来。最精确的做法是用棋盘格摄像头标定考虑畸变参数但对单目测距这个小需求来说有点重。我更推荐直接反推法三步搞定。把已知宽度的目标物放在距离相机正好1米远的位置保持目标物正对镜头拍一张清晰的图像。通过轮廓提取或其他方法得到目标物在图像中的像素宽度p然后代入公式反推f p × d / W假设A4纸在1米处测得的像素宽度是1420那么f 1420 × 1.0 / 0.21 ≈ 6762像素。这个f就是当前相机、当前分辨率下的焦距常数保存下来。标定时要注意两点。第一测量距离d要用卷尺精准量误差会直接放大到后续所有测量结果中。第二相机的自动对焦功能必须关掉或者把焦距固定住否则f一直在变测距结果完全没意义。我用的普通USB摄像头是定焦的没这个问题手机摄像头和某些带自动对焦的网络摄像头就要特别注意。2.3 标定结果验证多距离实测标定完成后我会在不同距离下拍一组照片记录像素宽度验证反推出的距离是否准。下面是我在项目里做的一组实测数据目标物是宽度0.21米的纸板真实距离米像素宽度像素计算距离米误差%0.3047000.3020.70.5028400.5010.20.8017600.8070.91.509401.5120.8误差基本在1%以内这个结果说明相似三角形模型在小角度、近距离场景下是非常可靠的。距离越远像素宽度越小单个像素的误差占比就越大这是单目测距天生的短板后面会详细讲。3. 代码实战完整的相机测距流程3.1 主流程设计整个测距程序可以分成五个环节图像采集、预处理、目标检测、距离计算、结果展示。我习惯写成一个类方便复用和扩展。核心解码流程如下从摄像头或图片读取帧。预处理灰度化、高斯模糊、边缘检测或阈值二值化。用findContours找出目标物轮廓筛选出面积最大的轮廓。用boundingRect获得轮廓外接矩形取矩形的宽度作为像素宽度p。代入公式计算距离。这个流程的关键在于步骤3和步骤4目标物必须和背景有足够的对比度。我做实验时用的是一块黑色纸板贴在白墙上这样阈值处理后轮廓非常干净。3.2 完整代码与逐段讲解下面是完整可运行的测距脚本基于OpenCV 4.x接口摄像头采用的索引是0如果打不开就改成1、2试试import cv2 # 标定参数 KNOWN_WIDTH 0.21 # 目标物真实宽度单位米 FOCAL_LENGTH 6762 # 步骤2标定出的焦距单位像素 def distance_to_camera(pixel_width): 根据像素宽度计算距离 return KNOWN_WIDTH * FOCAL_LENGTH / pixel_width def get_target_pixel_width(frame): 在图像帧中找目标物返回像素宽度 gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 高斯模糊去噪核大小选奇数 blurred cv2.GaussianBlur(gray, (7, 7), 0) # 用阈值二值化目标物为黑色背景为白色 _, thresh cv2.threshold(blurred, 60, 255, cv2.THRESH_BINARY_INV) # OpenCV 4.x 返回两个值轮廓和层级 contours, _ cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if not contours: return 0 # 取面积最大的轮廓减少噪声干扰 largest max(contours, keycv2.contourArea) x, y, w, h cv2.boundingRect(largest) return w # 打开摄像头 cap cv2.VideoCapture(0) if not cap.isOpened(): print(摄像头打开失败请检查设备编号或权限) exit() while True: ret, frame cap.read() if not ret: print(获取图像失败) break pixel_width get_target_pixel_width(frame) if pixel_width 0: distance distance_to_camera(pixel_width) cv2.putText(frame, fDistance: {distance:.2f} m, (30, 40), cv2.FONT_HERSHEY_SIMPLEX, 1.2, (0, 255, 0), 2) cv2.imshow(OD: Object Distance, frame) # 按 q 键退出 if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()代码里几个细节值得展开说。阈值那里用的THRESH_BINARY_INV是因为我的目标物是黑色、背景是白色目标是黑色区域所以反转一下变成了白色前景。如果你用的是白色目标物应该去掉INV后缀用THRESH_BINARY。还有findContours在OpenCV不同版本里返回值不一样4.x直接丢出两个值3.x还需要额外接收一个占位变量否则解包会报ValueError。这是用findContours最容易翻车的地方。3.3 距离抖动问题怎么让输出更稳直接跑上面代码你会发现距离数值一直在跳动即使物体纹丝不动数值也在几十毫米的范围内波动。这是因为噪点导致每次找到的轮廓边界有几像素的差异换算成距离就被放大了。离得越远抖动越明显。最简单的解决办法是加一个滑动平均滤波器把最近N帧的像素宽度存起来取平均值。N取5到10时稳定性提升很大响应延迟也不明显。下面这段代码是改进版的核心from collections import deque pixel_history deque(maxlen5) while True: # ... 前面代码一样 if pixel_width 0: pixel_history.append(pixel_width) smoothed_width sum(pixel_history) / len(pixel_history) distance distance_to_camera(smoothed_width)用滑动平均之后显示距离基本稳定在毫米级波动。如果你的场景里目标会快速移动则N值要调小否则会引入明显滞后。静态测量选5~10动态跟踪选2~3需要根据实时性需求权衡。4. 实操中的高频问题与排查心得4.1 安装与环境问题的对照排查我在社区里看到最多的报错就是环境问题。虽然表面现象五花八门但根因就那么几个整理成一张速查表报错现象可能原因解决办法ModuleNotFoundError: No module named cv2没装opencv-python或装错环境激活虚拟环境后执行pip install opencv-pythonImportError: dlopen/LIBEAY32.dll缺失Windows下OpenCV依赖缺失安装完整的Visual C运行库QObject::moveToThread: Current threadGUI框架冲突不要混用cv2.imshow和PyQt的交互循环摄像头打开黑屏设备被其他软件占用关闭占用摄像头的程序或换cap VideoCapture(1)cap.isOpened()为True但ret为False摄像头驱动兼容问题更新驱动或改用IP摄像头rtsp流接入这里重点说下“找不到cv2模块”这个坑。很多人是在系统Python里装成功但用VS Code或PyCharm运行时解释器选的是虚拟环境两个环境互相看不到。处理方式是在开发工具里确认当前使用的解释器路径或者在项目终端里执行pip install而不是在系统终端。4.2 目标检测不稳定轮廓提取的干扰因素轮廓提取失败的案例也很多。常见的情况是目标物轮廓断成好几块或者把背景里的噪声当成目标物。前者是因为阈值选择不当导致目标内部出现空洞后者是因为场景复杂有其他物体干扰。我采用的改进策略是对二值图做一次形态学闭运算把细小裂缝补上再筛掉面积明显不符的小轮廓。同时增加像素宽度的合理范围判断比如已知目标在0.3米到3米之间活动对应像素宽度在470到4700之间超出这个范围的直接丢弃。这一步能过滤掉绝大多数误检。还有一类问题是光照变化。环境光从强到弱同一张纸板的二值化阈值如果不变轮廓面积会剧烈变化。更稳的做法是用Canny边缘检测替代固定阈值或者用自适应阈值。自适应阈值更简单代码改动小推荐优先尝试thresh cv2.adaptiveThreshold(blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 21, 5)自适应阈值在处理不均匀光照时效果立竿见影付出的代价是对噪声更敏感需要配合中值滤波使用。4.3 精度持续优化如何让测距更持久可靠想让测距长期稳定使用这几点必须处理好。第一是固定焦距如果你的相机带了自动对焦要么关闭要么锁定焦距否则标定值会失效。第二是分辨率与焦距的关系视频分辨率调低后像素宽度也会变化f要重新标定最好写一个配置文件保存不同分辨率下的f值。第三是目标正对问题相机和目标之间有夹角时像素宽度会变窄测量距离会被拉大安装时尽量让目标物正对镜头。我踩过印象最深的一个坑是纸板在强光下的边缘反光导致轮廓外扩测出来的距离偏高。后来在目标物上贴了磨砂黑胶带反光问题彻底解决。如果你也遇到类似的问题可以考虑从材质上做文章而不是只调代码参数。注意该方法只能测量已知宽度目标物的距离目标长度、方向、遮挡都会直接影响准确率。如果目标是未知的单目测距的适用性就很有限了需要升级为双目或多视角方案。5. 这个方案的扩展空间单目测距方案做好之后可以很自然地扩展到更多场景。思路是替换目标检测模块不做简单的颜色阈值分割改成YOLO等目标检测网络输出检测框的宽度作为像素宽度再套用同一个距离公式就能对多种目标物进行测距。工业机械臂抓取场景里也可以在特定位置放置标识物比如AprilTag检测标识物宽度来计算相对位置。另外把距离计算和简单控制逻辑结合可以做出很多实用的小系统。比如靠近到阈值就触发蜂鸣器报警或者控制小车减速停止本质上就是把需求抽象成一个“距离判断”来解决。类似的需求在自动化小车、安全围栏预警、称重引导等场景里非常多见这套代码稍加改造即可复用到这些地方。最后想分享一个做这个项目时体会比较深的地方。单目测距的精度上限其实是由像素分辨率决定的在pixel_width较大的近距离范围内误差控制得很好但一旦物体远到只有几百像素宽误差就迅速增大。理解这个边界比多写几行代码更重要因为它决定了你能否在第一步就判断这个方法适不适合你的场景。希望这篇文章能帮你少走几个弯把测距功能稳稳落地。本文还有配套的精品资源点击获取 OpenCV单目视觉测距实战：从标定到代码实现
简介利用OpenCV与Python实现的相机到物体距离测量项目适合计算机视觉入门者、机器人或嵌入式开发者参考。项目基于三角形相似度原理只需预先测量目标物体的实际宽度或高度以及相机到该物体的初始距离即可通过图像处理自动计算焦距在后续图像中仅需检测到目标就能根据已知焦距估算出相机与物体的实时距离。压缩包共2个文件包含一个Python脚本完成图像列表初始化、目标检测与距离计算主流程和一个Markdown说明文档整体仅2KB结构精简便于快速阅读和迁移。已有757人学习浏览覆盖从相机标定参数到单目视觉测距的完整思路尤其适合做简单测距原型、教学演示或作为机器人避障、目标定位模块的起点能帮助读者理解像素尺寸与实际物理尺寸之间的换算逻辑。 做单目视觉测距这个项目最开始是因为一个自动化小设备需要判断前方物体是否进入了工作范围。手头只有一个USB摄像头又不想上激光雷达就试着用OpenCV加Python算距离。做下来发现路子是通的误差在可接受范围内代码也不复杂。这篇文章就把整个思路、标定方法、代码细节和踩过的坑完整写出来给想在类似场景里用单目测距的朋友一个参考。项目里说的OD就是Object Distance物体距离。核心逻辑一句话已知目标物体的真实宽度再通过相机标定得到焦距就能用像素宽度反推距离。这个方法在很多场合都够用比如简单的避障、靠近报警、目标定位辅助不需要额外的深度传感器成本低、部署快。适合刚接触OpenCV的初学者也适合想快速验证单测距方案的工程师。1. 单目测距的核心原理一张普通照片怎么算出距离1.1 相似三角形最朴素的测距模型先说原理这其实是个初中几何问题不是深度学习黑魔法。相机把三维世界投影到二维图像上遵循的是小孔成像模型。当一个宽度为W的物体摆在相机前方距离d处它在传感器上成的像宽度为p那么根据相似三角形存在一个固定关系d W × f / p这里的f是焦距单位是像素。等式的含义是物体越远成像越小像素宽度p越小d就越大呈反比关系。只要在某个已知距离下标定出f之后就能通过测量物体在图像中的像素宽度实时估算距离。我在实际项目里用的目标物是一张标准A4纸宽度21厘米。假如它在画面里占了1500个像素焦距f预先标定为3000像素那么真实距离就是0.21 × 3000 / 1500 0.42米。就这么简单。这个模型假设目标是正面朝向相机且地面或轨道相对平整在这些条件下精度足够稳定。1.2 为什么选单目相机而不是双目或深度相机最常见的方案有三种单目、双目、深度相机比如Kinect、RealSense。双目通过左右两幅图像的视差计算深度对基线和标定精度要求高环境光变化时容易“失灵”。深度相机直接出深度图效果好但成本高视场角和量程也有局限。单目方案最明显的优势是硬件门槛极低任意一个普通摄像头都能用。代价是我必须提前知道目标物的准确尺寸而且测的是“目标物到相机”的距离不是每个像素的深度。如果项目满足“目标物已知、场景可控”这两个条件单目测距是最省事的方案。做工业近距测距、AGV小车靠近检测这类应用完全够用。2. 工程准备工作环境搭建与焦距标定2.1 Python OpenCV 环境搭建与安装避坑先讲环境因为这块卡住的人最多。我用的是Python 3.9OpenCV 4.x版本。安装很简单一条命令解决pip install opencv-python如果后续要处理图像显示窗口建议顺手装上opencv-contrib-python包含了一些扩展模块pip install opencv-python-contrib-python这里有两个容易踩的坑。第一不要同时安装opencv-python和opencv-contrib-python二者有同名模块会互相覆盖import时可能报奇怪的错误。第二如果是在虚拟环境里一定要先激活虚拟环境再执行pip命令否则包装到了全局环境代码一运行就提示找不到cv2。检查是否成功在Python交互环境里执行import cv2 print(cv2.__version__)能输出版本号就说明环境OK了。如果提示ModuleNotFoundError: No module named cv2优先检查pip list里有没有opencv-python以及是不是多环境串了。2.2 焦距标定用已知距离反推焦距环境准备好之后第一步不是写测距代码而是先把焦距f标定出来。最精确的做法是用棋盘格摄像头标定考虑畸变参数但对单目测距这个小需求来说有点重。我更推荐直接反推法三步搞定。把已知宽度的目标物放在距离相机正好1米远的位置保持目标物正对镜头拍一张清晰的图像。通过轮廓提取或其他方法得到目标物在图像中的像素宽度p然后代入公式反推f p × d / W假设A4纸在1米处测得的像素宽度是1420那么f 1420 × 1.0 / 0.21 ≈ 6762像素。这个f就是当前相机、当前分辨率下的焦距常数保存下来。标定时要注意两点。第一测量距离d要用卷尺精准量误差会直接放大到后续所有测量结果中。第二相机的自动对焦功能必须关掉或者把焦距固定住否则f一直在变测距结果完全没意义。我用的普通USB摄像头是定焦的没这个问题手机摄像头和某些带自动对焦的网络摄像头就要特别注意。2.3 标定结果验证多距离实测标定完成后我会在不同距离下拍一组照片记录像素宽度验证反推出的距离是否准。下面是我在项目里做的一组实测数据目标物是宽度0.21米的纸板真实距离米像素宽度像素计算距离米误差%0.3047000.3020.70.5028400.5010.20.8017600.8070.91.509401.5120.8误差基本在1%以内这个结果说明相似三角形模型在小角度、近距离场景下是非常可靠的。距离越远像素宽度越小单个像素的误差占比就越大这是单目测距天生的短板后面会详细讲。3. 代码实战完整的相机测距流程3.1 主流程设计整个测距程序可以分成五个环节图像采集、预处理、目标检测、距离计算、结果展示。我习惯写成一个类方便复用和扩展。核心解码流程如下从摄像头或图片读取帧。预处理灰度化、高斯模糊、边缘检测或阈值二值化。用findContours找出目标物轮廓筛选出面积最大的轮廓。用boundingRect获得轮廓外接矩形取矩形的宽度作为像素宽度p。代入公式计算距离。这个流程的关键在于步骤3和步骤4目标物必须和背景有足够的对比度。我做实验时用的是一块黑色纸板贴在白墙上这样阈值处理后轮廓非常干净。3.2 完整代码与逐段讲解下面是完整可运行的测距脚本基于OpenCV 4.x接口摄像头采用的索引是0如果打不开就改成1、2试试import cv2 # 标定参数 KNOWN_WIDTH 0.21 # 目标物真实宽度单位米 FOCAL_LENGTH 6762 # 步骤2标定出的焦距单位像素 def distance_to_camera(pixel_width): 根据像素宽度计算距离 return KNOWN_WIDTH * FOCAL_LENGTH / pixel_width def get_target_pixel_width(frame): 在图像帧中找目标物返回像素宽度 gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 高斯模糊去噪核大小选奇数 blurred cv2.GaussianBlur(gray, (7, 7), 0) # 用阈值二值化目标物为黑色背景为白色 _, thresh cv2.threshold(blurred, 60, 255, cv2.THRESH_BINARY_INV) # OpenCV 4.x 返回两个值轮廓和层级 contours, _ cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if not contours: return 0 # 取面积最大的轮廓减少噪声干扰 largest max(contours, keycv2.contourArea) x, y, w, h cv2.boundingRect(largest) return w # 打开摄像头 cap cv2.VideoCapture(0) if not cap.isOpened(): print(摄像头打开失败请检查设备编号或权限) exit() while True: ret, frame cap.read() if not ret: print(获取图像失败) break pixel_width get_target_pixel_width(frame) if pixel_width 0: distance distance_to_camera(pixel_width) cv2.putText(frame, fDistance: {distance:.2f} m, (30, 40), cv2.FONT_HERSHEY_SIMPLEX, 1.2, (0, 255, 0), 2) cv2.imshow(OD: Object Distance, frame) # 按 q 键退出 if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()代码里几个细节值得展开说。阈值那里用的THRESH_BINARY_INV是因为我的目标物是黑色、背景是白色目标是黑色区域所以反转一下变成了白色前景。如果你用的是白色目标物应该去掉INV后缀用THRESH_BINARY。还有findContours在OpenCV不同版本里返回值不一样4.x直接丢出两个值3.x还需要额外接收一个占位变量否则解包会报ValueError。这是用findContours最容易翻车的地方。3.3 距离抖动问题怎么让输出更稳直接跑上面代码你会发现距离数值一直在跳动即使物体纹丝不动数值也在几十毫米的范围内波动。这是因为噪点导致每次找到的轮廓边界有几像素的差异换算成距离就被放大了。离得越远抖动越明显。最简单的解决办法是加一个滑动平均滤波器把最近N帧的像素宽度存起来取平均值。N取5到10时稳定性提升很大响应延迟也不明显。下面这段代码是改进版的核心from collections import deque pixel_history deque(maxlen5) while True: # ... 前面代码一样 if pixel_width 0: pixel_history.append(pixel_width) smoothed_width sum(pixel_history) / len(pixel_history) distance distance_to_camera(smoothed_width)用滑动平均之后显示距离基本稳定在毫米级波动。如果你的场景里目标会快速移动则N值要调小否则会引入明显滞后。静态测量选5~10动态跟踪选2~3需要根据实时性需求权衡。4. 实操中的高频问题与排查心得4.1 安装与环境问题的对照排查我在社区里看到最多的报错就是环境问题。虽然表面现象五花八门但根因就那么几个整理成一张速查表报错现象可能原因解决办法ModuleNotFoundError: No module named cv2没装opencv-python或装错环境激活虚拟环境后执行pip install opencv-pythonImportError: dlopen/LIBEAY32.dll缺失Windows下OpenCV依赖缺失安装完整的Visual C运行库QObject::moveToThread: Current threadGUI框架冲突不要混用cv2.imshow和PyQt的交互循环摄像头打开黑屏设备被其他软件占用关闭占用摄像头的程序或换cap VideoCapture(1)cap.isOpened()为True但ret为False摄像头驱动兼容问题更新驱动或改用IP摄像头rtsp流接入这里重点说下“找不到cv2模块”这个坑。很多人是在系统Python里装成功但用VS Code或PyCharm运行时解释器选的是虚拟环境两个环境互相看不到。处理方式是在开发工具里确认当前使用的解释器路径或者在项目终端里执行pip install而不是在系统终端。4.2 目标检测不稳定轮廓提取的干扰因素轮廓提取失败的案例也很多。常见的情况是目标物轮廓断成好几块或者把背景里的噪声当成目标物。前者是因为阈值选择不当导致目标内部出现空洞后者是因为场景复杂有其他物体干扰。我采用的改进策略是对二值图做一次形态学闭运算把细小裂缝补上再筛掉面积明显不符的小轮廓。同时增加像素宽度的合理范围判断比如已知目标在0.3米到3米之间活动对应像素宽度在470到4700之间超出这个范围的直接丢弃。这一步能过滤掉绝大多数误检。还有一类问题是光照变化。环境光从强到弱同一张纸板的二值化阈值如果不变轮廓面积会剧烈变化。更稳的做法是用Canny边缘检测替代固定阈值或者用自适应阈值。自适应阈值更简单代码改动小推荐优先尝试thresh cv2.adaptiveThreshold(blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 21, 5)自适应阈值在处理不均匀光照时效果立竿见影付出的代价是对噪声更敏感需要配合中值滤波使用。4.3 精度持续优化如何让测距更持久可靠想让测距长期稳定使用这几点必须处理好。第一是固定焦距如果你的相机带了自动对焦要么关闭要么锁定焦距否则标定值会失效。第二是分辨率与焦距的关系视频分辨率调低后像素宽度也会变化f要重新标定最好写一个配置文件保存不同分辨率下的f值。第三是目标正对问题相机和目标之间有夹角时像素宽度会变窄测量距离会被拉大安装时尽量让目标物正对镜头。我踩过印象最深的一个坑是纸板在强光下的边缘反光导致轮廓外扩测出来的距离偏高。后来在目标物上贴了磨砂黑胶带反光问题彻底解决。如果你也遇到类似的问题可以考虑从材质上做文章而不是只调代码参数。注意该方法只能测量已知宽度目标物的距离目标长度、方向、遮挡都会直接影响准确率。如果目标是未知的单目测距的适用性就很有限了需要升级为双目或多视角方案。5. 这个方案的扩展空间单目测距方案做好之后可以很自然地扩展到更多场景。思路是替换目标检测模块不做简单的颜色阈值分割改成YOLO等目标检测网络输出检测框的宽度作为像素宽度再套用同一个距离公式就能对多种目标物进行测距。工业机械臂抓取场景里也可以在特定位置放置标识物比如AprilTag检测标识物宽度来计算相对位置。另外把距离计算和简单控制逻辑结合可以做出很多实用的小系统。比如靠近到阈值就触发蜂鸣器报警或者控制小车减速停止本质上就是把需求抽象成一个“距离判断”来解决。类似的需求在自动化小车、安全围栏预警、称重引导等场景里非常多见这套代码稍加改造即可复用到这些地方。最后想分享一个做这个项目时体会比较深的地方。单目测距的精度上限其实是由像素分辨率决定的在pixel_width较大的近距离范围内误差控制得很好但一旦物体远到只有几百像素宽误差就迅速增大。理解这个边界比多写几行代码更重要因为它决定了你能否在第一步就判断这个方法适不适合你的场景。希望这篇文章能帮你少走几个弯把测距功能稳稳落地。本文还有配套的精品资源点击获取