用matlab实现由双目图恢复出场景视距图（深度图）的代码，亲测可用，提供大家参考参考。

适用于双目测距，图像匹配，障碍物识别等。基于SIFT算法，快速匹配，得到各匹配点的偏移量，经过筛选后，精确度较高，因而也能得到物体与摄像头之间的距离。 匹配率很高。

1.本系统适用于利用机器视觉和图像处理测量尺寸 2.本系统采用LabVIEW 2015开发， 请使用2015及以上版本打开 3.本系统设定的测量对象为快递盒，可以获得 长宽 高 尺寸

针对AD-Census变换采用固定权重将AD变换代价与Census变换代价合成的双目立体匹配代价无法体现像素点区域特征的问题，提出一种基于自适应权重AD-Census变换的双目立体匹配算法。算法首先通过增加相邻像素点的灰度差阈值条件改善十字支撑自适应窗口；然后以每个像素点的十字支撑自适应窗口的最短臂长为自变量，利用指数形式的函数，进行AD变换代价与Census变换代价合成权重的自适应设置。由于像素点十字支撑自适应窗口的最短臂长能够反映像素点的区域特性，因此自适应设置的权重大小与像素点的区域特性直接相关，计算图像边缘区域像素点的匹配代价时，AD变换的权重大；计算平滑区域像素点的匹配代价时，Census变换的权重大。Middlebury第3代双目立体匹配评估平台的结果显示，基于自适应权重AD-Census变换的双目立体匹配性能与基于AD-Census变换的双目立体匹配性能相比，所有图像集的全部像素点的视差平均误差减小了25%，非遮挡像素点的视差平均误差减小了20%，性能得到了提升；平台上包括Adir在内的多个图像集的匹配结果表明基于自 适应权重AD-Census变换的双目立体匹配更适合含纹理丰富、存在重复区域的图像。

基于现实世界是一个三维空间,所以对计算机视觉的研究也应该是在三维空间中进行的。 在自动驾驶过程中的首要任务就是道路识别[1],主要是图像特征法和模型匹配法来进行识别。行驶过程中需要进行障碍物检测 [2]和路标路牌识别等,此时车辆上的信息采集便可以运用单目视觉或者多目视觉。相比之下,运用多目视觉更具优势,获取的图像信息可构建成三维空间,物体运动以及遮挡等问题对其影响较小。目前有很多智能小车的研究都是基于室内环境的研究,本文基于室外环境,采用双目摄像机模型

Android系统双目摄像头调用demo，通过Android系统Camera类调用两个摄像头并显示。

通过配置OpenCV，在VC6.0下实现双目立体匹配，包括基于稀疏点、密集点的匹配及其重建。

个人整理的vs2017读取彩色双目相机程序，亲测可用，并带有截图保存功能。欢迎学友相互指教。

sfm双目重建python版本（仅两张图像实现，不包含多视图）

双目立体视觉测量系统是工业测量中的重要手段，三维重建是双目立体视觉测量体统中非常重要的一环。基于视差原理的传统三维重建模型是对双目立体视觉系统的一种理想化抽象。通过分析由平面到三维点的实际映射过程，提出了一种更加符合实际数据的三维重建模型，异面直线公垂线三维重建方法。该方法通过计算两摄像机光心与其各自像点构成的两条空间直线的公垂线，即两条异面直线的最小距离点来定位三维空间点，且其最小距离参数可有效判断误匹配点。通过实验对该方法进行了验证。结果表明该方法可达到传统视觉三维重建方法的测量精度，并可有效判断匹配点是否为误匹配点。