http://www.52rd.com/S_TXT/2016_6/TXT85047.HTM?WebShieldDRSessionVerify=Wz3h6srvu76qRI4MFxK8
前面介绍了双camera能实现的功能中其中很大的一类都是依赖于景深的计算。现在这类功能在手机上的应用也是相对成熟的。在这类功能中景深的计算是很重要的，如何计算景深，计算的准确性和性能都是决定最后能够实现什么样功能的关键。
很多人都会说其实我们从一张照片中也能看出哪个物体在前，哪个物体在后。这其实这是建立在我们大脑的一些视觉经验的基础上。比如近大远小，又比如物体影子的位置。这些经验确实很重要，但是在实际的计算机视觉中很难使用相同的方法，并且在很多情况即使人眼也没有办法分辨景深。比如说下面这个网上很热的图，哪个楼在前。
还有下图这种情况，利用平面上的图像在特殊的视觉角度。造成人的虚假3D视觉。
在仅仅从张图片中看在一条直线上的物体，很多不同距离的点再图片上映射的位置其实是一个。如下图的P和Q。光从照片无法得到距离信息。
而在实际场景，人眼分辨景深主要是依靠双目视觉分辨景深。这和双camera分辨景深的原理一样。主要方法是依靠三角定位的方法如下图。不过需要注意的是，下面这个公式是基于两个平行的完全相同的camera实现的。
从公式中可以得判断Z的距离中d和X的大小很关键.两个摄像头间的距离D很重要减少D的距离不仅会减少能测量的最大距离而且会减少相对景深间精度。而X的精度更多取决于像素的大小。在实际计算中不会小于一个像素。
实际计算中有的时候会将最大和最小距离间分割成多个不同平面。每个平面之间的精度由算法的实际精度决定。这样可以较少一些在景深计算中误差导致的精度的问题。
上面的公式是基于两个平行的相同camera的。但是实际使用的时候实际上有很多问题。比如在上图两个camera计算景深中总有一部分场景不能相交。因此实际的为了景深计算两个camera的FOV设计会不一样。主camera是用来取实际图的，副camera的图像主要是用来参考计算景深。副camera的FOV一般会大于主camera. 但是即使是这样距离较近的物体依然有可能不同时在两个camera图像当中。经过调整的计算景深范围的关系如下图。
但是这么计算之后的问题是由于两个摄像头的成像和物体的放缩比不一样。因此这么做之后在计算距离的时候要考虑将图像的放缩比变换成一样。实际上不仅是放缩比，包括畸变和姿势差。这在计算景深的都是很重要的矫正。本篇文章不以校准和矫正为主要内容
通过在左右两张图计算出不同点差异的图一般叫Disparity Map，这个图上表示的是两张图上相同点的位移差异，但是由于三角定位中的位移差异和Z成正比，因此很多时候Disparity Map 就直接被用作景深图。多数时候这个图是以灰度图的形式进行存储。
下图是如何通关过 Disparity Map 重建3D场景的过程。
计算景深的常用几个重要流程如下图。其中最后一步是用来3D重建，现在很多场景中并不单独使用。其中calibration和矫正是密切相关的，后面有机会我们可以单独讨论。本文主要讨论如何计算两张图的立体相关性这部分。
另外一个实际问题从图上看我们找到X1和X2似乎很简单。但是在实际图中如何能找到两个相同的点呢？当然全图找可以，但是如果全图寻找类似点的话精度或者这个问题其实也是双camera算法计算景深中的最重要算法重要问题。在实际使用状况下两个相机的坐标无任何约束关系，相机的内部参数可能不同，甚至是未知的。要刻画这种情况下的两幅图像之间的对应关系，需要引入一个重要的概念对极几何（Epipolargeometry）。其中有两个重要的概念两个重要的概念——对极矩阵(EpipolarMatrix)和基本矩阵(FundamentalMatrix)。这中间是描述两个camera图像中点对应的规律的。
多数算法在真正计算两张图之前首先要做的就是纠正两个camera图像的之间的对应关系。将极线纠正到平行，这样有利于后面的计算。
根据对极几何和矫正之后的图片，我们可以得到如何去搜索对应的点方法。但是在对应的极线上怎么来判断点是一样呢？常用的类似相关系数，或者Lucas-Kanade算法更适合计算整张图之间的位移的差异。在计算两个点之间的差异并怒好用。在成像系统中如果想单独从两个点的值来判断两个点是否一样也是有一些问题要解决，不仅两个camera本身的成像上就有差异，而且即使同一个camera拍摄过程中也会有噪声影响。因此仅用一个像素很难正确的找到对应像素的，多数情况下还是要借助周边的像素信息。一种比较简单且常用的方法是使用一个windows去寻找差异比使用一个像素会更好一些。因为在一个windows中有更多的纹理和差异信息方便比较。再根据之前矫正之后的图片逐个去比较是否相似就好了。
比较窗口里面的信息是否相同就可以使用很多图像匹配的方法了。比较简单的如计算像素亮度的SSD，绝对差等方法，也就是计算两块中相对的像素间的差值的平方或者绝对值。当然也可以用其它更加鲁棒的图像匹配算法，比如Opencv里面的RobustMatch算法。网上有文章大家可以自己找来看看。这里只是示意景深计算的过程。
SSD计算公式如下:
然后最简单的方法就是选择所有格子计算结果E最小的D作为差异。
但是同时又有了新的问题。当W选取比较小的时候景深图的噪声依然很大，而W选取大的时候景深图在X，Y方向上的分辨率牺牲又比较大。如何选择W大小需要在实际使用中根据需求惊醒选择。下面是同一张图在W为3X3和20X20像素的时候计算的结果。
即使是我们选择了一个较好的窗口，但是在很多情况就和下图一样得到的景深图依然不能十分满意。这是由于这个算法本身很多时候还有很多误判的时候。
景深图的计算的改进和算法中的预处理，图像匹配算法，还有景深图的后处理都有关系。下面是一个传统景深图的算法和改进算法的比较。
不过就和其它算法一样，计算景深也不止一种算法，在实际应用中的算法中经常会用很多不同的处理办法来解决不同的问题。有些改进办法是从源图的处理入手，有些是从处理之后的景深图进行改进，还有一些是利用滤波器，GPU，甚至机器学习的方法提高景深的计算速度和精度。下一篇中我们进一步的探讨一些简单的改进景深图计算的方法。