立体视觉

立体视觉是一种测量物体远近的方法，它用并排放置的两台摄像头，靠的正是你两只眼睛用的同一个小窍门。竖起一根手指，先闭一只眼看它，再换另一只眼：手指看起来会相对背景往旁边跳一下。近的东西跳得多，远的东西几乎不动。立体视觉就是把这个“跳动”换算成距离。两台摄像头相隔一段固定的距离、朝同一方向架好，在同一瞬间各拍下场景的一张照片，系统再去比较这两张图。

每个点在左图和右图之间看起来移动的幅度，叫做视差，它是这套方法的核心。一个点如果在一张图里落在很靠某一侧、在另一张图里却落到另一侧很远的地方，它的视差就大，这意味着它离摄像头很近；而一个点如果在两张图里几乎落在同一个位置，它的视差就很小，说明它很远。由于两台摄像头之间的间距（叫做基线）和它们的焦距都已通过标定得知，简单的几何就能把每一个视差值直接换算成以米为单位的真实距离。难点在于“匹配”：对于左图里的每一个点，系统都必须在右图里找到那个一模一样的点——这正是特征和描述子大显身手的地方。

对整张图上的许多点都做一遍这样的匹配，你就得到一张深度图——一张每个像素存的不是颜色而是距离的图。有了这张图，机器人单凭普通摄像头、不靠激光也不靠特殊照明，就能判断墙、桌子或人有多远。其代价是：立体视觉需要看得见的纹理才能匹配，一面空白的白墙没有任何东西可供对齐，那里的深度就变得不可靠；而对于非常遥远的物体，它们的视差缩向零，精度也会随之下降。