摄像头测距就是计算照片中的目标物体到相机的距离。可以使用相似三角形（triangle similarity）方法实现，或者使用更复杂但更准确的相机模型的内参来实现这个功能。

使用相似三角形计算物体到相机的距离

假设物体的宽度为 W，将其放到离相机距离为 D 的位置，然后对物体进行拍照。在照片上量出物体的像素宽度 P，于是可以得出计算相机焦距 F 的公式：

比如我在相机前 24 英寸距离（D=24 inches）的位置横着放了一张 8.5 x 11 英寸（W=11 inches）的纸，拍照后通过图像处理得出照片上纸的像素宽度 P=248 pixels。所以焦距 F 等于：

此时移动相机离物体更近或者更远，我们可以应用相似三角形得到计算物体到相机的距离的公式：

原理大概就是这样，接下来使用 OpenCV 来实现。

获取目标轮廓

# 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)

定义一个 find_marker 函数，接收一个参数 iamge，用来找到要计算距离的物体。这里我们用一张 8.5 x 11 英寸的纸作为目标物体。第一个任务是在图片中找到目标物体。

下面这三行是先将图片转换为灰度图，并进行轻微模糊处理以去除高频噪声，然后进行边缘检测。

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

gray = cv2.GaussianBlur(gray, (5, 5), 0)

edged = cv2.Canny(gray, 35, 125)

做了这几步后图片看起来是这样的：

现在已经可以清晰地看到这张纸的边缘，接下来需要做的是找出这张纸的轮廓。

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 函数找到图片中的众多轮廓，然后获取其中面积最大的轮廓，并假设这是目标物体的轮廓。

这种假设只适用于我们这个场景，在实际使用时，在图片中找出目标物体的方法与应用场景有很大关系。

我们这个场景用简单的边缘检测并找出最大的轮廓就可以了。当然为了使程序更具有鲁棒性，也可以用轮廓近似，并剔除不是四个点的轮廓（纸张是一个有四个点的矩形），然后再找出面积最大，具有四个点的轮廓。

注意: 关于这个方法，详情可以查看这篇文章，用于构建一个移动文本扫描工具。

我们也可以根据颜色特征在图片中找到目标物体，因为目标物体和背景的颜色有着很明显的不同。还可以应用关键点检测（keypoint detection），局部不变性描述子（local invariant descriptors）和关键点匹配（keypoint matching）来寻找目标。但是这些方法不在本文的讨论范围内，而且高度依赖具体场景。

我们现在得到目标物体的轮廓了，find_marker 函数最后返回的是包含轮廓 (x, y) 坐标、像素长度和像素宽度的边框，

计算距离

接下来该使用相似三角形计算目标到相机的距离。

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 函数传入目标的实际宽度，计算得到的焦距和图片上目标的像素宽度，就可以通过相似三角形公式计算目标到相机的距离了。

下面是调用 distance_to_camera 函数之前的准备：

# 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

首先是测量目标物体的宽度，和目标物体到相机的距离，并根据上面介绍的方法计算相机的焦距。其实这些并不是真正的摄像机标定。真正的摄像机标定包括摄像机的内参，相关知识可以可以查看这里。

使用 cv2.imread 函数从磁盘加载图片，然后通过 find_marker 函数得到图片中目标物体的坐标和长宽信息，最后根据相似三角形计算出相机的焦距。

现在有了相机的焦距，就可以计算目标物体到相机的距离了。

# 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 循环遍历每个图片，计算每张图片中目标对象到相机的距离。在结果中，我们根据得到的轮廓信息将方框画了出来，并显示出了距离。下面是得到的几个结果图：

总结

通过这篇文章，我们学会了使用相似三角形计算图片中一个已知物体到相机的距离。

需要先测量出目标物体的实际宽度和目标物体到相机的距离，然后使用图像处理的方法自动计算图片中目标物体的像素宽度，并使用相似三角形计算出相机的焦距。

根据相机的焦距就可以计算图片中的目标物体到相机的距离。