攝像頭測距就是計算照片中的目標物體到相機的距離。可以使用相似三角形（triangle similarity）方法實現，或者使用更復雜但更準確的相機模型的內參來實現這個功能。

使用相似三角形計算物體到相機的距離

假設物體的寬度為 W，將其放到離相機距離為 D 的位置，然后對物體進行拍照。在照片上量出物體的像素寬度 P，于是可以得出計算相機焦距 F 的公式：

比如我在相機前 24 英寸距離（D=24 inches）的位置橫著放了一張 8.5 x 11 英寸（W=11 inches）的紙，拍照后通過圖像處理得出照片上紙的像素寬度 P=248 pixels。所以焦距 F 等于：

此時移動相機離物體更近或者更遠，我們可以應用相似三角形得到計算物體到相機的距離的公式：

原理大概就是這樣，接下來使用 OpenCV 來實現。

獲取目標輪廓

# 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)

定義一個 find_marker 函數，接收一個參數 iamge，用來找到要計算距離的物體。這里我們用一張 8.5 x 11 英寸的紙作為目標物體。第一個任務是在圖片中找到目標物體。

下面這三行是先將圖片轉換為灰度圖，并進行輕微模糊處理以去除高頻噪聲，然后進行邊緣檢測。

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
gray = cv2.GaussianBlur(gray, (5, 5), 0)
edged = cv2.Canny(gray, 35, 125)

做了這幾步后圖片看起來是這樣的：

現在已經可以清晰地看到這張紙的邊緣，接下來需要做的是找出這張紙的輪廓。

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 函數找到圖片中的眾多輪廓，然后獲取其中面積最大的輪廓，并假設這是目標物體的輪廓。

這種假設只適用于我們這個場景，在實際使用時，在圖片中找出目標物體的方法與應用場景有很大關系。

我們這個場景用簡單的邊緣檢測并找出最大的輪廓就可以了。當然為了使程序更具有魯棒性，也可以用輪廓近似，并剔除不是四個點的輪廓（紙張是一個有四個點的矩形），然后再找出面積最大，具有四個點的輪廓。

注意: 關于這個方法，詳情可以查看這篇文章，用于構建一個移動文本掃描工具。

我們也可以根據顏色特征在圖片中找到目標物體，因為目標物體和背景的顏色有著很明顯的不同。還可以應用關鍵點檢測（keypoint detection），局部不變性描述子（local invariant descriptors）和關鍵點匹配（keypoint matching）來尋找目標。但是這些方法不在本文的討論范圍內，而且高度依賴具體場景。

我們現在得到目標物體的輪廓了，find_marker 函數最后返回的是包含輪廓 (x, y) 坐標、像素長度和像素寬度的邊框，

計算距離

接下來該使用相似三角形計算目標到相機的距離。

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 函數傳入目標的實際寬度，計算得到的焦距和圖片上目標的像素寬度，就可以通過相似三角形公式計算目標到相機的距離了。

下面是調用 distance_to_camera 函數之前的準備：

# 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[1][0] * KNOWN_DISTANCE) / KNOWN_WIDTH

首先是測量目標物體的寬度，和目標物體到相機的距離，并根據上面介紹的方法計算相機的焦距。其實這些并不是真正的攝像機標定。真正的攝像機標定包括攝像機的內參，相關知識可以可以查看這里。

使用 cv2.imread 函數從磁盤加載圖片，然后通過 find_marker 函數得到圖片中目標物體的坐標和長寬信息，最后根據相似三角形計算出相機的焦距。

現在有了相機的焦距，就可以計算目標物體到相機的距離了。

# 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[1][0])


    # 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[1] - 200, image.shape[0] - 20), cv2.FONT_HERSHEY_SIMPLEX,
        2.0, (0, 255, 0), 3)
    cv2.imshow("image", image)
    cv2.waitKey(0)

使用 for 循環遍歷每個圖片，計算每張圖片中目標對象到相機的距離。在結果中，我們根據得到的輪廓信息將方框畫了出來，并顯示出了距離。下面是得到的幾個結果圖：

總結

通過這篇文章，我們學會了使用相似三角形計算圖片中一個已知物體到相機的距離。

需要先測量出目標物體的實際寬度和目標物體到相機的距離，然后使用圖像處理的方法自動計算圖片中目標物體的像素寬度，并使用相似三角形計算出相機的焦距。

根據相機的焦距就可以計算圖片中的目標物體到相機的距離。

原文作者Adrian Rosebrock博士 在此特別鳴謝