简介这份基于Python的单目三维重建项目源码与文档说明主要面向计算机、通信、人工智能、自动化等相关专业的本专科学生、教师或从业者可支撑毕业设计、期末课程设计及项目实战。完整包共12个文件含Python主程序、Markdown说明文档、相机参数文本以及Checkerboard、Matches等标定与匹配效果图压缩后约25MB结构清晰便于翻阅。项目源自高分毕设答辩评审达到98分代码经过调试测试可稳定运行涵盖相机标定、特征匹配、三维重建等关键环节并配有文档说明既能帮助初学者按步骤理解算法实现也为进阶者预留了二次开发与功能调整的空间。目前已有180人学习浏览适合希望快速上手单目视觉三维重建的读者。1. 单目三维重建从哪里切入一台手机相机也能重建出三维模型做三维重建毕设最容易卡在第一步没有双目相机也没有深度相机手里只有一台手机题目却写着“基于 Python 的单目三维重建”。这套项目走的路线是——先用棋盘格照片标定出相机内参再用同一台相机拍两张有明显视差的照片提取 SIFT 特征匹配通过本质矩阵恢复相机位姿最后用三角化把二维匹配点变成三维空间点。源码里一条 3D_image_calibration.py 主线脚本串起全流程标定图、现场拍摄图、CameraParam.txt 内参文件、匹配可视化和重建图都留了档可以完整复现。它适合用来交毕设、做课程大作业也适合做三维视觉入门的第一份可运行基线。下面按“需求—设计—实现—避坑—验收”的结构展开。2. 总体设计标定、匹配、位姿、三角化的四段式管线2.1 技术选型为什么用 Python OpenCV而不是纯几何推导三维重建的教科书版本通常从对极几何讲起公式推导一大堆但真正落地时大部分几何计算在 OpenCV 里都有稳定实现自己手写反而容易引入数值问题。这个项目选 Python 3 OpenCV 的组合理由很直接一是接口齐全从棋盘格角点检测到三角化都有现成函数能把精力放在管线组织上二是 numpy 处理点集非常方便匹配点对、三维点云都是二维数组调试时直接打印形状和数值就能定位问题三是可视化方便匹配连线图、重建散点图都能快速输出这对毕设答辩很重要——评审愿意看到中间过程而不是只有一张结果图。选型的代价也要说清楚OpenCV 把很多算法封装成了黑匣子比如 triangulatePoints 内部做了 SVD 分解使用者不需要懂细节但要清楚它的输入输出约定和使用前提。这也是这套方案里反复强调“先标定、再匹配、最后三角化”顺序的原因每一步的输出格式都必须符合下一步的接口预期否则就会出现“单跑每段都对串起来全错”的尴尬局面。2.2 四段式管线每一阶段的输入、输出与文件对应关系整个工程的脉络是一条单向链路标定 → 匹配 → 位姿 → 三角化。前一段的输出就是后一段的输入中间产物全部落盘既方便调试也方便答辩时展示过程。各阶段的输入输出对应关系如下阶段输入核心 OpenCV 接口输出文件相机标定Checkerboard_Image 棋盘格图集findChessboardCorners、calibrateCameraCameraParam.txt、CameraDist.txt特征匹配IMG_20210620_104919.jpg、IMG_20210620_104927.jpgSIFT_create、BFMatcher匹配点对、MatchesImage.jpg、MatchesPoints.jpg位姿恢复匹配点对 内参矩阵findEssentialMat、recoverPose旋转矩阵 R、平移向量 T三角化与重建匹配点对 R、T 内参undistortPoints、triangulatePoints三维点云、重建.PNG、Reconstruction.jpg这样设计的一个好处是每一段都可以单独验收标定跑完先看重投影误差匹配跑完先看连线图位姿恢复跑完先看内点率最后才进入三角化。任何一段出了问题都能在前一段的输出上定位而不是等到最后结果一团糟再回头猜是哪一环坏了。2.3 相机标定模块棋盘格角点提取与内参求解标定是整个管线的地基。单目重建要利用本质矩阵恢复位姿而本质矩阵的定义依赖内参 K所以必须先标定。棋盘格标定用的是张正友方法OpenCV 的 calibrateCamera 就是它的工程实现。具体流程是读取一组棋盘格照片先做角点粗检再做亚像素精化最后用多张图联合求解内参、畸变系数和每张图的外参。import cv2 import numpy as np import glob # 棋盘格内角点数9×6 对应 10×7 的黑白格子 CHESS_W, CHESS_H 9, 6 SQUARE_SIZE 25.0 # 棋盘格边长单位 mm只影响标定结果的尺度 objp np.zeros((CHESS_W * CHESS_H, 3), np.float32) objp[:, :2] np.mgrid[0:CHESS_W, 0:CHESS_H].T.reshape(-1, 2) objp * SQUARE_SIZE obj_points [] # 每张图在世界坐标系下的角点坐标 img_points [] # 每张图在像素坐标系下的角点坐标 img_size None for path in sorted(glob.glob(Checkerboard_Image/*.jpg)): img cv2.imread(path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) if img_size is None: img_size gray.shape[::-1] ret, corners cv2.findChessboardCorners(gray, (CHESS_W, CHESS_H), None) if not ret: print(跳过低质量标定图, path) continue # 亚像素精化把角点定位精度从像素级提升到亚像素级 criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 30, 1e-4) corners cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria) obj_points.append(objp) img_points.append(corners) print(参与标定的有效图片数, len(obj_points)) ret, mtx, dist, rvecs, tvecs cv2.calibrateCamera( obj_points, img_points, img_size, None, None ) # 内参和畸变系数保存下来后续匹配、三角化都从文件读取 np.savetxt(CameraParam.txt, mtx, fmt%.6f) np.savetxt(CameraDist.txt, dist, fmt%.8f) print(标定 RMS 重投影误差, ret) print(内参矩阵\n, mtx)代码里有几个关键点值得说明。第一objp 的 z 坐标置零棋盘格被当作平面mgrid 生成的角点顺序必须和 findChessboardCorners 输出的角点顺序一致否则标定结果会错乱。第二cornerSubPix 不是可选的修饰而是必要步骤粗检的角点只有像素级精度直接拿去标定会让畸变系数抖动。第三calibrateCamera 返回的 ret 是 RMS 重投影误差单位是像素这个值直接决定内参可不可信通常要求小于 0.5。2.4 标定结果校验CameraParam.txt 里每个数的含义工程里标定结果落在 CameraParam.txt 中是一个三行三列的相机内参矩阵畸变系数单独存在 CameraDist.txt。拿到结果后先对照下面的正常范围做一次快速体检参数含义正常范围参考fx、fy焦距单位像素手机/普通相机通常在 1000~3000cx、cy光心位置应接近图像中心偏差一般不超过图像宽高的 10%k1、k2、k3径向畸变系数通常在 10^-2 到 10^-4 量级p1、p2切向畸变系数通常很小10^-4 量级这里特别提醒一个大部分人不会注意的检查点如果两次标定出来的 fx、fy 相差超过 5%或者 cx、cy 明显偏离图像中心不要急着往下走。先回头看标定图集——是不是少于 12 张是不是全部正面拍摄没有倾斜棋盘格是不是在画面里占比太小数据不行内参就是玄学后面匹配和重建做得再漂亮也白搭。按工程命名习惯SubstitutionCalibration_Image 里放的是同一台相机拍的备用标定图可以用它交叉验证内参稳定性跑一遍对比两次标定的 fx、fy 偏差这也是答辩时能主动展示的一个细节。3. 特征匹配与位姿恢复从 SIFT 匹配对到 R、T 的实现3.1 特征提取与匹配SIFT 的选型理由和距离比筛选标定完成之后管线进入特征匹配阶段。两张图是同一个相机在同一个场景前后拍的两帧要恢复相机移动必须先找到两帧之间的同名点。特征选择上工程用 SIFT 而不是 ORB原因是单目重建对匹配的稳定性要求高SIFT 对尺度变化和旋转具有不变性在纹理中等甚至偏弱的场景里误匹配也相对可控ORB 的优势是快但它的描述子区分度在墙面、瓷砖这类重复纹理场景里明显吃亏对极约束一过就暴露出大量误匹配。匹配部分用 kNN 加距离比筛选这是 SIFT 匹配的标准做法也是整条管线里过滤误匹配的第一道关。import cv2 import numpy as np # 两张图必须是同一台相机拍摄且存在明显视差 img1 cv2.imread(IMG_20210620_104919.jpg) img2 cv2.imread(IMG_20210620_104927.jpg) gray1 cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) gray2 cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY) sift cv2.SIFT_create() kp1, des1 sift.detectAndCompute(gray1, None) kp2, des2 sift.detectAndCompute(gray2, None) # kNN 匹配取每个描述子的前 2 个最近邻 bf cv2.BFMatcher(cv2.NORM_L2) raw_matches bf.knnMatch(des1, des2, k2) good [] for m, n in raw_matches: # 最近邻距离显著小于次近邻才认为是一对可靠匹配 if m.distance 0.75 * n.distance: good.append(m) vis cv2.drawMatches( img1, kp1, img2, kp2, good, None, flagscv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS ) cv2.imwrite(MatchesImage.jpg, vis) # 提取成三角化阶段所需的点对格式每行一个点列是 x、y pts1 np.float32([kp1[m.queryIdx].pt for m in good]) pts2 np.float32([kp2[m.trainIdx].pt for m in good]) print(有效匹配对数, len(good))0.75 这个阈值来自 SIFT 论文作者的经验值含义是如果最优匹配的距离不小于次近邻的 0.75 倍说明匹配的区分度不够很可能是重复纹理造成的误配。实际使用中0.6 更严格、匹配对更少但更干净0.8 更宽松但杂音多工程默认 0.75 属于平衡点。如果后续本质矩阵求解时内点率很低优先把这个阈值往 0.6 方向调而不是去怀疑 RANSAC。匹配的数量和分布对后续位姿恢复影响很大。SIFT 在千万像素级别的照片上通常能检出几千个关键点经过距离比筛选后保留两三百对是正常状态。如果保留的对数不足 100优先检查是不是拍摄场景太单调如果保留了几百对但分布集中在一个区域要考虑是不是局部纹理重复。这两种情况都建议重拍而不是继续往下走。3.2 本质矩阵与位姿恢复已经标定就不要再绕回基础矩阵得到匹配点对之后下一步是恢复两帧之间的相机运动。两帧之间的约束由本质矩阵 E 描述满足 x2^T E x1 0其中 x1、x2 是一对同名点在图像上的齐次坐标。这里必须强调一个前提本质矩阵的定义建立在已标定相机之上必须先有内参矩阵 K如果没有标定只能用基础矩阵 F而 F 只能给出极线约束不能直接恢复 R、T。这正是工程里先做棋盘格标定的原因。# 内参矩阵从标定结果文件读取不要手动敲 mtx np.loadtxt(CameraParam.txt).reshape(3, 3) # 五点法 RANSAC一次性剔除误匹配并求解本质矩阵 E, mask_inlier cv2.findEssentialMat( pts1, pts2, mtx, methodcv2.RANSAC, prob0.999, threshold1.0 ) # 由本质矩阵恢复相机位姿返回的 mask 是 RANSAC 内点的索引 _, R, T, mask_pose cv2.recoverPose(E, pts1, pts2, mtx) print(RANSAC 内点数量, int(mask_inlier.sum())) print(旋转矩阵 R\n, R) print(平移向量 T, T.ravel())findEssentialMat 的 method 参数用 RANSAC目的是在求解过程中同时把残留的误匹配排除掉。threshold 的单位是像素含义是内点到极线的距离上限1.0 是常见起步值。recoverPose 内部会对 E 做奇异值分解数学上一共有 4 组可能的 R、T 组合OpenCV 会通过深度正向检查自动选择唯一正确的一组这也是为什么这段代码看起来很短却可靠。一个容易忽略的细节是 recoverPose 返回的 T 是归一化向量模长恒为 1。这意味着单目重建只能恢复相对尺度两个相机之间的真实距离是未知的重建出来的三维点坐标同样只有相对意义。这个 up-to-scale 特性在三角化章节会继续展开。如果打印出来的 R 对角线偏离 1 很远单位矩阵才是正解大概率是匹配质量太差或两张图视差过小先回上一节调阈值。调用 findEssentialMat 时传入的 pts1、pts2 顺序必须和 recoverPose 保持一致并且要和三角化阶段“第一张图对应 [I | 0]”的约定统一。实际工程里经常出现两段代码分别写过、pts 顺序在中间被调换结果位姿看起来合理、重建点却整体异常的问题。建议在主脚本里把 pts1 固定为 104919 这张图的关键点从匹配到三角化全程保持命名一致。3.3 匹配结果可视化MatchesImage 和 MatchesPoints 怎么用工程里特征匹配阶段会同时输出 MatchesImage.jpg 和 MatchesPoints.jpg前者是整图连线后者是局部放大的匹配点位图。答辩时这两张图是最直观的过程证据。检查这两个文件的重点是看三点匹配线是否整体有序、是否覆盖整幅画面而不是只集中在局部一块、点数是否足够少于 100 对通常会让位姿恢复非常脆弱。如果匹配点只集中在一个角上说明场景纹理分布不均拍摄时应该让画面包含更多可匹配的物体如果局部点很密但其它区域没有要考虑是不是重复纹理导致的误匹配集中这时收紧距离比阈值比增加特征点数更有效。从这张图还能间接判断视差方向所有连线朝同一方向偏移说明相机是纯平移连线呈放射状说明相机有旋转分量两种都属于正常的拍摄状态。4. 三角化重建与结果校验把二维点变成三维点云4.1 三角化实现归一化坐标与投影矩阵的约定位姿恢复拿到 R、T 后就到了最后一步对每一对匹配点用两条视线在空间中求交。由于存在噪声两条视线通常不交于一点cv2.triangulatePoints 用 SVD 求最小二乘意义下的三维点。使用前要理解它的坐标约定函数同时支持归一化坐标和像素坐标但投影矩阵的构造方式不同。工程里为了减少数值问题先用 undistortPoints 把像素点去畸变并归一化此时第一相机的投影矩阵是 [I | 0]第二相机是 [R | T]。# 第一相机置于世界坐标系原点 P1 np.hstack((np.eye(3), np.zeros((3, 1)))) # 第二相机由位姿恢复结果构造 P2 np.hstack((R, T)) # 先做去畸变 归一化让三角化在归一化坐标下进行 pts1_norm cv2.undistortPoints(pts1.reshape(-1, 1, 2), mtx, dist) pts2_norm cv2.undistortPoints(pts2.reshape(-1, 1, 2), mtx, dist) points4d cv2.triangulatePoints(P1, P2, pts1_norm, pts2_norm) # 齐次坐标转非齐次第四行是齐次因子 points3d points4d[:3] / np.clip(points4d[3], 1e-8, None) points3d points3d.T # 每行一个三维点注意这里的 undistortPoints 必须用标定阶段保存的畸变系数 dist。如果直接拿原始像素坐标喂给 triangulatePoints投影矩阵就要改成 mtx 点乘 [R | T] 的形式否则两个相机的投影模型不一致重建结果会整体失真。这是工程里最容易踩的接口约定问题后面避坑章节还会再提。points4d 的形状是 4×N第四行是齐次坐标的 w 分量。三维点就是前三行除以 w之所以加一个 np.clip 的下限保护是为了防止个别点为 0 或在数值上接近 0 造成除零溢出。转换后的 points3d 每行对应一对匹配点顺序与输入的 pts1_norm、pts2_norm 一一对应后面做重投影误差评估时可以直接按行对齐。4.2 重建结果校验深度必须为正误差必须可控三角化输出不等于重建完成。单目重建里最典型的失败模式是三维点被重建到了相机后方或者飘到离相机极远的位置。所以在输出点云之前需要做两步校验。# 1) 深度检查点在两个相机坐标系下的 z 都必须为正 pts_in_cam2 (R points3d.T).T T.ravel() mask_valid (points3d[:, 2] 0) (pts_in_cam2[:, 2] 0) pts_filtered points3d[mask_valid] pts2_filtered pts2[mask_valid] print(深度为正的点占比%.2f%% % (100 * mask_valid.mean())) # 2) 重投影误差把三维点投影回第二张图与原始像素点比较 hom np.hstack((pts_filtered, np.ones((len(pts_filtered), 1)))) P2_pix mtx P2 # 像素坐标下的投影矩阵 proj2 (P2_pix hom.T).T proj2 proj2[:, :2] / proj2[:, 2:3] err np.linalg.norm(proj2 - pts2_filtered, axis1) print(重投影误差中位数%.2f px % np.median(err)) print(误差超过 3 px 的点占比%.2f%% % (100 * (err 3).mean()))深度检查的原理是 cheirality 约束一个正确的三维重建点必须在两个相机的前方也就是在各自的相机坐标系里 z 坐标为正。深度为负的点通常是误匹配或位姿恢复错误的体现直接剔除是最稳妥的做法。重投影误差是三维重建的标准质量指标——把重建出的三维点用已知的相机参数重新投影回图像和原始像素点做距离比较。中位数在 3 像素以内属于可接受范围如果中位数到了 10 像素量级说明位姿或内参里有一环是错的不要靠硬滤波掩盖。工程里这两步校验的结果会自动打印在终端基于这个输出再生成重建可视化图。整个过程不再是黑匣子出图而是一次可验证的计算答辩时把这些统计量展示出来比单纯秀一张重建图有说服力得多。注意P2_pix mtx P2 仅当 P2 是 [R | T] 且点云坐标是世界坐标时才成立。如果前面用了像素坐标和带内参的投影矩阵这里就不能再乘一次内参。4.3 重建结果解读重建.PNG、Reconstruction.jpg 与单目尺度工程最终输出两张重建图。重建.PNG 通常是三维点云散点图用 matplotlib 画出 xyz 三个维度能从图上直观看到物体轮廓Reconstruction.jpg 更侧重展示相机位姿关系或带颜色的重建结果。两者配合使用的好处是散点图证明“三维点存在”位姿图证明“相机运动被正确恢复”缺一不可。读这些图时也应该知道它的局限——单目重建的尺度是相对的。前面说过 recoverPose 把 T 归一化为 1所以三维点坐标的数值大小没有绝对意义只能反映物体各部位的相对远近和形状结构。要想得到真实尺度必须在场景里放一个已知尺寸的参考物棋盘格就正好再对齐尺度。如果场景里有棋盘格可以在重建后做一个后处理取两个已知距离的三维点计算它们当前坐标下的距离与真实距离的比值把所有点除以这个比值。这种事后对齐的方式在答辩演示里很加分因为评审能看到你不只理解了算法还知道它的度量缺陷和补救手段。5. 常见问题与排查单目重建最容易翻车的五个点四段式管线能跑通并不代表任何数据都能跑通。按我调试这类项目的经验问题多数不在算法本身而在采集习惯和中间验证的缺失上。下面五个点按“现象—原因—解决”写排查时可以直接对照。5.1 标定结果不稳定换一组图内参就变了现象用 5、6 张棋盘格图标定fx 和 fy 相差 20% 以上重投影误差超过 1 像素换一组图再跑内参明显不同。原因棋盘格标定需要足够多的投影约束图太少、角度太单一全正面拍摄、棋盘格在画面里占比太小都会让内参求解退化。解决标定图不少于 12 张覆盖不同位置和大约 ±30° 的倾斜角棋盘格占画面三分之一以上每张图都必须过 cornerSubPix 亚像素精化。还有一个最容易被忽略的前提——标定图必须由最终拍摄重建那两张图的同一台相机拍摄分辨率也要一致。很多“内参发散”的玄学问题最后查出来都是标定图和重建图来自不同设备。5.2 角点检测失败或数量不对现象findChessboardCorners 经常返回 False或者检测出的角点排数少于设定值。原因棋盘格被画面边缘裁切、纸张弯折不平、强反光或过曝都会导致角点特征消失。解决拍摄时让棋盘格完整入镜且四周留白纸面尽量压平光线均匀避免镜面反射如果反光严重可以先用 CLAHE 做一次对比度增强再检测。注意角点数量要按“内角点”设置9×6 是指内部的角点阵列是 9 列 6 行对应棋盘格是 10×7这个数设错程序会把有效图全部跳过这时先数清楚自己棋盘格的黑白格子数再回来改参数。5.3 匹配对很多但本质矩阵恢复出的 R、T 乱跳现象MatchesImage.jpg 上连线密密麻麻但 RANSAC 内点率只有 30% 左右R 对角线偏离 1 很远T 方向每次运行都不一样。原因距离比筛选没做或者阈值放到了 0.8 以上大量误匹配直接进入了 findEssentialMatRANSAC 也救不回来。解决先确认用的是 knnMatch(des1, des2, k2) 加 0.75 距离比的组合然后把阈值收到 0.6匹配对减少但更干净同时检查两张图之间是不是存在重复纹理墙面、瓷砖这类场景最容易出问题有的话换一个有明确物体的拍摄角度。匹配质量是位姿恢复的上限这一步花的时间永远值得。5.4 三角化出一堆深度为负的点现象重建散点图一片混乱程序打印的深度为正的点占比低于 70%。原因最常见有两类一是 recoverPose 恢复的 R、T 存在符号歧义代码没有做后续的符号修正二是传给三角化的两张图顺序与 R、T 对应的相机位置不一致比如把第二张图当成了第一张。解决统一约定“第一张图对应 [I | 0]第二张图对应 [R | T]”三角化后用 cheirality 检查把 z 为负的点剔除如果整体深度都为负把 T 取反再跑一次三角化对比重投影误差保留误差小的一组。这个取反操作在单目重建里是常规手段不算 hack原理是 E 分解出的两组符号解在几何上都是合法的要靠深度约束来选。5.5 两张图视差太小重建结果全是噪声现象两张照片几乎一样图像上物体位置变化很小三角化出来的点方差巨大点云呈“炸开”状态。原因相机移动的基线太短三角化在微小视差下的深度估计是病态的一点像素噪声都会被放大成巨大的深度误差。解决拍第二张图时让相机有明显的横向移动并伴随轻微旋转使物体在两幅图中的位置发生可观察的变化同时保证场景有足够多可匹配的特征。判断有没有视差可以做一个量化检查打印匹配点的平均像素位移如果低于 30 像素基本可以判定视差不足需要重拍。宁可多移动一点也不要两张图拍得像同一帧。6. 验收标准与答辩演示把重建效果讲成有效成果6.1 验收清单从环境到结果的六项检查项目验收建议按下面的清单逐项过既覆盖功能也覆盖精度每一项都有对应的文件或终端输出可查验收项通过标准检查依据环境按 main env.txt 安装依赖后主脚本无报错运行终端完整输出标定输出 CameraParam.txtRMS 重投影误差小于 0.5 像素标定打印的 ret匹配输出 MatchesImage.jpg连线整体有序无明显交叉目视检查位姿RANSAC 内点率大于 60%T 方向符合拍摄直觉内点打印数量三角化深度为正的点占比大于 90%重投影误差中位数小于 3 像素脚本自动统计文档README.md 能说明运行步骤与各参数作用阅读检查这六项全过项目才算是可以拿去演示的状态。注意不要把“能运行”当验收标准对三维重建来说跑通只代表程序没有崩溃数值对不对、几何合不合理是另一回事。6.2 答辩演示按链路讲现场改一个参数答辩演示建议分三步走。第一步讲链路用一张图把“标定 → 匹配 → 位姿 → 三角化”四段串起来每段对应工程里的一个输出文件评审能顺着你的思路走。第二步做现场微调把距离比从 0.75 改成 0.5重新跑匹配展示匹配对变少、连线更干净的过程——这一个动作就能证明你理解参数含义而不只是把代码跑通。第三步讲结果用重建.PNG 和 Reconstruction.jpg 说明重建出的形状和相对位置关系主动点出单目重建只有相对尺度并说明如果要绝对尺度应如何用参考物对齐。被问频率最高的三个问题可以提前准备。第一个是“单目为什么也能重建”答靠两帧间的视差和已标定的内参恢复相对深度输出是相对尺度的三维点。第二个是“为什么用 SIFT 而不是 ORB”答SIFT 对尺度和旋转不变、误匹配少更稳符合工程优先保证可复现性的诉求。第三个是“本质矩阵和基础矩阵有什么区别”答基础矩阵描述未标定图像间的极线约束本质矩阵建立在已标定相机上由它可以直接恢复相机位姿这正是本项目的路线。最后说一个我自己的教训。有一版方案为了赶进度我从网上找了一批棋盘格图做标定重建用的却是自己手机拍的现场图结果内参和实际相机完全对不上三角化出来全是乱点调了一整晚才发现问题出在“标定图和重建图不是同一台相机”。从那以后我每次做三维重建都强制走一遍“当天设备当天标定”的流程标定图不少于 12 张两张重建图先肉眼确认有视差再进管线。这个习惯让我后续的调试再没在数据层面栽过跟头。这套四段式方案如果和你手头的毕设、课设方向对得上顺着源码和文档跑通一遍就能得到一份完整且可答辩的交付。希望帮到你。本文还有配套的精品资源点击获取