企业官网建设流程全解析

简介：基于Python的双目立体视觉与三维重建项目源码，是面向计算机、通信、人工智能、自动化等相关专业学生和从业者的完整课程/毕设参考方案。项目答辩评分为98分，代码经调试可运行，适合作为期末大作业、课程设计或毕业设计的学习模板。资源共25个文件、压缩包33.78MB，包含14个Python脚本用于立体匹配、深度图生成与三维重建等流程，5个XML工程配置便于IDE导入，3个MP4演示视频展示运行效果，另有说明文档与代码注释辅助理解。内容预览可见相机标定、立体校正、WLS滤波、深度图后处理、视频转换等模块，覆盖从原始图像到三维重建输出的完整链路，目录结构清晰，方便按需阅读和二次开发。已有86人学习下载，整体具备较高借鉴价值，基础较好的读者可直接修改扩展功能。

1. 用双目立体视觉做三维重建：别急着跑代码，先想清楚输出长什么样

“基于python的双目立体视觉及三维重建”是高校大作业里的常青树题目，第一反应往往是找现成源码。我建议反过来，先想清楚输出长什么样：一张视差图，记录每个像素在左右图中的横向偏移；一份三维点云，记录场景在相机坐标系下的 XYZ 坐标。整套由五个环节串成：相机标定、立体校正、立体匹配（常见做法是 SGBM）、视差转点云、点云后处理。

用处很直接：机器人抓取要深度，工业测量要坐标，课设毕设要能演示效果。对没接触过 3D 视觉的 python 新手，按顺序跑通并弄清每段代码的输入输出，一周能交出闭环演示；熟手拿它当排查深度问题的骨架。下面按这个顺序逐环节拆开，重点放在能照做的代码、参数和翻车现场。

2. 把 Python 环境与源码结构理清：OpenCV 版本和五个数据流模块

2.1 版本选择的经验：Python 3.9~3.11 配 OpenCV 4.x，别让 conda 装出 OpenCV 3

很多人拿到这类带注释的 Python 源码，第一反应是去翻 python 安装教程。真正该先确认的是 OpenCV 和 numpy 的版本兼容——它直接决定你手里的源码是直接能跑还是要改一行行接口。以这类大作业最常用的组合，我一般推荐 Python 3.9 到 3.11 之间的解释器，OpenCV 4.x 主版本，numpy 锁在 1.21 到 1.26 之间。为什么这么保守？因为 OpenCV 的 wheel 对 numpy 版本有二进制约束，numpy 升到 2.x 之后，一部分 OpenCV 版本会在读取图像数组时直接报npy格式错误，属于那种网上搜不到答案、只能自己降级解决的折腾。

安装我建议用 conda 开独立环境，然后在 vscode 的 python 解释器选择里切过去，避免把视觉库装进全局环境污染其他项目。一条命令链解决：

conda create -n stereo python=3.10 -y conda activate stereo pip install opencv-python opencv-contrib-python numpy==1.23.5 matplotlib open3d

说明一下每个包的职责：opencv-python 负责标定、校正、匹配、重建的全部核心接口；opencv-contrib-python 是扩展模块，里面带ximgproc，后面做 WLS 视差滤波要用；numpy 是所有图像数组的载体，版本被 OpenCV 绑架，别乱升；matplotlib 用来把视差图拉伸成肉眼能看的样子；open3d 是点云可视化与滤波的主力。之所以不用 conda 默认源装 opencv，是因为部分 conda 源里 opencv 版本滞后，我曾见过旧教程把环境带成 OpenCV 3.4，结果源码里全是cv2.SGBM_create到cv2.StereoSGBM_create的兼容事故。

注意：装完先执行cv2.__version__，如果主版本号是 3，不要往下跑，直接重新装 OpenCV 4.x。后续代码全部按 4.x 接口写。

2.2 大作业源码的五个模块与数据流：每步输入输出要能对上

不管从哪个渠道拿到的源码，这类大作业的目录和函数划分基本逃不出五个模块。我拿到代码第一件事不是逐行读，而是先找这五个模块的入口，再顺着数据流核一遍，比盲目调参有效得多。整理成一张表：

这张表真正的价值是定位故障：每步的输出是下一步的输入，哪一环结果不对，就回头查上一环，而不是闷头调当前环节的参数。大作业最常见的连环翻车是视差图花成一团，第一反应调 SGBM 的blockSize，调了半小时没用，回去一查是立体校正就没做对，极线根本没对齐。这就是缺少数据流意识的代价。

源码拿到手后，先完整跑一遍，在每个模块出口打印 shape 和数值范围：内参矩阵是不是 3x3、畸变系数是不是 5 个左右、视差图最大值是不是在几十像素量级、点云是不是有限数。另外，文档说明部分不需要华丽，把这五步的输入输出截图各放一张，环境版本写清楚，再补一段参数说明，就是一份能拿高分的大作业文档。免费源码里常见的“文档说明”其实多数只抄了 README，反而是自己补数据流截图更实在。

2.3 第一遍跑通用公开数据集，自采双 USB 图留到调参阶段

第一次跑通整体链路，我不建议直接接两个 USB 摄像头。双 USB 摄像头有一个绕不过去的硬伤：没有硬件同步，两路图像的采集时刻能差出几十毫秒。场景里只要有人走动、手晃动，匹配立刻出错，你会误以为是算法问题，其实问题出在采集端。与其被这个干扰，第一遍先用公开的立体匹配数据集，比如 Middlebury 官方样本——左右图、相机参数、视差真值都备齐了，最适合验证代码链路是否正确。

公开集跑通之后，再换自采图像。拍摄时做到三点：两个摄像头水平固定，光轴尽量平行，别把左右镜头向内扭成“斗鸡眼”，那会严重损失远距离精度；场景保持静止，别放运动物体；光照稳定，别在窗边拍，强烈的反光和阴影变化会让角点检测和块匹配一起失灵。遵循这个顺序，你会把问题拆成两类：链路不通是代码问题，重建不准是标定和硬件问题。后者在下一章具体处理。

3. 相机标定的实操细节：重投影误差、畸变系数与棋盘格拍摄

3.1 棋盘格标定板拍 15 张：角度、位置和左右图同步

双目标定和单目标定一句话说清：单目标定解内参加畸变，双目标定在此基础上多解一个左右相机之间的旋转 R 和平移 T。R 和 T 直接决定极线校正的效果，也直接决定后面测距的精度。常见做法是打印一张棋盘格，贴在硬纸板或亚克力板上当标定板。注意这里有个细节容易踩：标定代码里写的(9, 6)是“内角点数”，不是棋盘格子的行列数。一张 10x7 的棋盘格图案，内角点是 9x6，买标定板或者打印前先确认，不然findChessboardCorners永远找不到。

拍摄数量要比多数人想的多。15 到 20 张是起步，覆盖画面中心和四个角，每张的标定板倾角都要变化，左右倾斜、上下倾斜、前后距离拉开都要有。画面中心的标定板主要贡献畸变系数，四角的标定板贡献内参和旋转，只把标定板放在正中央拍一圈，内参会偏得离谱。左右目必须同时采集同一块板子，且两边检测到的角点数量一致；如果某一对图里只有一边检测成功，直接丢弃这一对，别硬凑。

拍摄的时候标定板要占画面 1/3 以上，太小了角点提取不稳定，太大的话边缘容易出画面。光照要均匀，棋盘格表面的反光会干扰亚像素细化。这一环节偷懒，后面调什么都救不回来。

3.2 calibrateCamera 与 stereoCalibrate 的代码拆解与参数说明

标定代码核心是三步：找角点、亚像素细化、批量解算。先把角点找出来：

import cv2 import numpy as np CHECKERBOARD = (9, 6) # 内角点数，不是棋盘格行列数 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 1e-6) # objp 是每个内角点的三维坐标，单位默认是“格子数” objp = np.zeros((CHECKERBOARD[0] * CHECKERBOARD[1], 3), np.float32) objp[:, :2] = np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2) objpoints, imgpoints_l, imgpoints_r = [], [], [] for fname_l, fname_r in zip(images_left, images_right): img_l = cv2.imread(fname_l) img_r = cv2.imread(fname_r) gray_l = cv2.cvtColor(img_l, cv2.COLOR_BGR2GRAY) gray_r = cv2.cvtColor(img_r, cv2.COLOR_BGR2GRAY) ret_l, corners_l = cv2.findChessboardCorners(gray_l, CHECKERBOARD, None) ret_r, corners_r = cv2.findChessboardCorners(gray_r, CHECKERBOARD, None) if ret_l and ret_r: corners_l = cv2.cornerSubPix(gray_l, corners_l, (11, 11), (-1, -1), criteria) corners_r = cv2.cornerSubPix(gray_r, corners_r, (11, 11), (-1, -1), criteria) objpoints.append(objp) imgpoints_l.append(corners_l) imgpoints_r.append(corners_r)

这个代码块里最重要的一行是objp的单位。默认按“格子数”算，后面stereoCalibrate解出来的平移向量 T 的单位也是“格”。想要真实物理尺度，必须乘上实际格子边长，比如每格 0.024 米；或者直接写成objp[:, :2] = np.mgrid[...] * 0.024。这一步忘了，整个点云的尺寸会对不上实物，后面第 5 章会专门讲这个坑。cornerSubPix的窗口(11, 11)是亚像素搜索邻域，太小抗噪差，太大会在贴边角点时被旁边的角点干扰，一般 9 到 13 都可以。

解算分两步：先各自做单目标定，再联合做双目标定：

retL, mtxL, distL, _, _ = cv2.calibrateCamera(objpoints, imgpoints_l, gray_l.shape[::-1], None, None) retR, mtxR, distR, _, _ = cv2.calibrateCamera(objpoints, imgpoints_r, gray_r.shape[::-1], None, None) retS, mtxL, distL, mtxR, distR, R, T, E, F = cv2.stereoCalibrate( objpoints, imgpoints_l, imgpoints_r, mtxL, distL, mtxR, distR, gray_l.shape[::-1], criteria=criteria, flags=cv2.CALIB_FIX_INTRINSIC)

stereoCalibrate的返回解包顺序容易写错：依次是标定状态、左内参、左畸变、右内参、右畸变、旋转 R、平移 T、本质矩阵 E、基础矩阵 F。重点说flags=cv2.CALIB_FIX_INTRINSIC，它让双目标定只优化 R/T 和轻微修正内参，而不是从头解内参。当单目标定结果稳定时，这个 flag 能明显减少双目标定陷入局部极值的概率；不加的话，内参在双目标定里被大幅改写，可能出现前端重投影误差很低、重建却严重变形的情况，这是“标定误差小但结果错”最常见的来源之一。

3.3 标定结果看三项：重投影误差、畸变量级、基线实测

标定返回的数字不要只信retS，要按三条标准过。第一，重投影误差 RMS：一般压到 0.5 像素以内算健康，超过 0.8 基本是角点提取或拍摄有问题，别急着继续，先回看棋盘图有没有运动模糊或反光把角点拉偏。第二，畸变系数量级：USB 摄像头的 k1 通常在 0.1 到 0.3 之间，k2 在 0.01 到 0.1 之间，如果 k1 出现几十甚至几百，说明标定板覆盖的视角太少，或者图像尺寸传错了，这是输入问题不是算法问题。第三，左右内参的焦距 fx、fy 应非常接近，同型号双摄像头差到 5% 以上，基本可以怀疑装配有问题，成对换摄像头比重标定更实际。

还有一个非常直接的体检：np.linalg.norm(T)得到的是以棋盘格为单位的基线长度，用尺子量一下两个镜头光心之间的实际距离，换算后两者应接近。这一步只需要半分钟，但能同时验证单位、标定质量和硬件装配，很多看起来“玄学”的尺度错误在这一步就能暴露。

4. 立体校正与 SGBM 调参：从极线约束到能用的视差图

4.1 stereoRectify 与 remap：极线校正到底在做什么

立体校正的目的是把两台相机的成像平面“掰”成理想平行状态。校正前，空间同一点在左右图里不一定在同一行；校正后，同名点必须落在同一条水平线上，这称为极线约束。有了它，立体匹配的二维搜索降成一维搜索，SGBM 才能高效跑。这一步不严谨，后面所有匹配结果都是空中楼阁。

R1, R2, P1, P2, Q, validROI1, validROI2 = cv2.stereoRectify( mtxL, distL, mtxR, distR, gray_l.shape[::-1], R, T, alpha=0.0) mapL1, mapL2 = cv2.initUndistortRectifyMap( mtxL, distL, R1, P1, gray_l.shape[::-1], cv2.CV_32FC1) mapR1, mapR2 = cv2.initUndistortRectifyMap( mtxR, distR, R2, P2, gray_r.shape[::-1], cv2.CV_32FC1) rectL = cv2.remap(imgL, mapL1, mapL2, cv2.INTER_LINEAR) rectR = cv2.remap(imgR, mapR1, mapR2, cv2.INTER_LINEAR)

这段代码里最容易被忽略的是alpha参数。alpha=0 会尽量裁掉校正后没有图像内容的黑色边缘，输出尺寸不变但视野变小；alpha=1 保留全部原始像素，视场最大但黑色区域明显。大作业里用 0 省事，但如果你发现视差图边缘总是一圈黑，先检查是不是这里把有效像素裁掉了。Q 矩阵是从视差转点云的关键，后面重建要原样保留；它的Q[2][3]位置标的是主点偏移，Q[3][3]是基线倒数的相关量，判断尺度时可以回来对照。

校正有没有成功，最直观的验证是并排显示左右校正图，在左图上选一个明显特征点，看右图同名点是否在同一水平线。差 2 个像素以上，SGBM 的搜索结果就会大量出错。这一步值得花两分钟画条水平线确认，属于血泪经验。

4.2 SGBM 参数怎么设：numDisparities、blockSize、P1/P2 的调参顺序

SGBM 全称 Semi-Global Block Matching，核心是对每个像素做块匹配，同时加一个平滑惩罚约束相邻视差变化：小梯度变化用 P1 惩罚，大梯度变化用 P2 惩罚。最终视差图是“匹配代价”和“平滑约束”之间的平衡。OpenCV 把内部实现封装成了一个黑盒子，你只需要调几个旋钮，但必须知道它们各自的物理含义。

left_matcher = cv2.StereoSGBM_create( minDisparity=0, numDisparities=96, # 必须是 16 的倍数，决定最近可测距离和搜索范围 blockSize=7, # 奇数，3~21，越大匹配越平滑但边缘越钝 P1=8 * 3 * 7 * 7, # 相邻像素视差变化 1 的惩罚 P2=32 * 3 * 7 * 7, # 相邻像素视差变化 >1 的惩罚，一般取 P1 的 4 倍 disp12MaxDiff=1, # 左右一致性检查容差 uniquenessRatio=10, # 最优视差要明显优于次优，否则判不可靠 speckleWindowSize=150, # 去除视差噪点的连通域面积阈值 speckleRange=16, # 连通域内视差允许的最大差 mode=cv2.STEREO_SGBM_MODE_SGBM) disp = left_matcher.compute(rectL_gray, rectR_gray).astype(np.float32) / 16.0

调参顺序我建议固定下来：先定numDisparities，再定blockSize，最后动 P1/P2。numDisparities是 16 的倍数，值越大能测的最近距离越近，但计算量成倍涨；场景物体离相机 0.5 米、基线 60mm 时，96 到 128 是稳妥起点。blockSize在 7 到 11 之间选，它控制匹配窗口大小，窗口大了平坦区域空洞少但物体边缘会被磨圆。P1/P2 用默认比例8/32起步，不要一开始就乱动，这两个参数对结果的全局影响远大于前两个，调乱了会出现大面积的背景粘连。

另外有两处隐蔽的坑。第一，compute返回的视差图是定点格式，必须除以 16 才是真实的像素视差，漏掉这一步，后面的点云 Z 值会整体错 16 倍。第二，如果装了opencv-contrib-python，建议加一步 WLS 滤波，用左图色彩引导视差图平滑，能补掉不少遮挡和弱纹理空洞：

right_matcher = cv2.ximgproc.createRightMatcher(left_matcher) wls = cv2.ximgproc.createDisparityWLSFilter(left_matcher) wls.setLambda(8000) # 平滑强度，越大视差越平 wls.setSigmaColor(1.5) # 色彩相似度权重 disp = wls.filter(rectL_gray, disp, right_matcher.compute(rectR_gray, rectL_gray))

setLambda(8000)是默认经验值，画面噪声大往 12000 方向调，边缘细节要求高往 5000 方向调。setSigmaColor一般 1.2 到 2.0，它控制颜色差异对平滑权重的贡献，太小则滤波不起作用，太大则会把不同物体的边缘也抹平。

4.3 视差图质量检查：黑边、空洞和条纹分别说明什么

视差图出来先别急着转点云，用三分钟做质量检查。第一种脏数据：全图要么 0 要么噪声，多半是左右图没有校正对齐，回去修极线。第二种：物体边缘出现一圈黑边，这是遮挡的正常表现——左图能看到的边缘点，右图不一定能看到，SGBM 对遮挡区域本身的匹配不可靠；黑边宽几个像素可以靠 WLS 补，如果黑边连成片，要检查 P2 是不是太小。第三种：白墙这类平坦区域出现条纹状断层，视差值一会儿 90 一会儿 95，这是弱纹理区匹配代价不稳定，优先调低uniquenessRatio到 5 左右。

用 matplotlib 检查时，我习惯把视差图归一化到 0-255 再看：

import matplotlib.pyplot as plt disp_vis = cv2.normalize(disp, None, 0, 255, cv2.NORM_MINMAX).astype(np.uint8) plt.imshow(disp_vis, cmap='jet') plt.colorbar() plt.show()

这只是把数据拉伸到肉眼可见范围，不代表视差值变了。看到彩色图后，前景和背景之间的色差应当明显，物体边缘轮廓应当干净。如果边缘锯齿严重，回到blockSize和 P1/P2 调平滑；如果大量区域颜色一致没有层次，说明视差搜索范围太小或场景深度范围太大，需要重新评估numDisparities。

5. 大作业避坑清单：从标定翻车到点云分层的 5 个真实案例

5.1 校正后左右图上下错位：标定图像对没对齐

现象：stereoRectify加remap之后，左右图并排显示，同一个物体的 y 坐标差了五六个像素，后面视差图全是竖条纹噪声。 原因：标定用的左右图像对里混进了不对应的图片。双 USB 摄像头采集时，两张图的时间戳差几十毫秒，人在画面里动一下或者光照闪一下，两边棋盘格角点位置就不一致了。stereoCalibrate拿这些错误对解算，R/T 本身偏了，校正自然跟着偏。 解决：拍摄标定板时场景必须完全静止，并在代码里强制配对检查：左右图的角点数量必须相等，否则跳过这一对。另外可以打印每对图的corners像素坐标，检查有没有突变超过几个像素的异常对。这个检查值得写进标定脚本里，它能帮你过滤掉一半以上的无效数据。

5.2 视差图边缘大片黑洞：遮挡和弱纹理要分开处理

现象：物体轮廓在视差图里是黑色，像描了一圈粗边；同时白墙、桌面整块区域丢失。 原因：两类问题混在一起了。边缘黑边是遮挡：左图可见的边缘点在右图中不可见，SGBM 的左右一致性检查把这类像素判为无效。大面积丢失是弱纹理：白墙区域块匹配代价差异太小，算法选不出可信视差。如果 P2 设置过小，深度不连续处平滑约束也会失效，黑边会连成片。 解决：先区分再处理。遮挡黑边宽度通常几个像素，交给 WLS 滤波补；弱纹理空洞优先把uniquenessRatio降到 5，再适当加大blockSize让匹配窗口覆盖更多纹理。无效像素在转点云时统一用mask = disp > 0过滤，不要直接输出 0 坐标，否则点云中心会出现一团飞向无穷远的假点。

5.3 点云分层像千层饼：视差量化与平滑不足

现象：点云俯视图里，远处的墙面不是一个平面，而是沿深度方向分成很多层，像千层饼一样一层一层。 原因：视差图以像素为单位量化，一个像素的视差误差在深度上的影响随距离平方放大。3.5 米外的墙，1 像素视差对应的深度跳动就有几厘米，于是每个视差值天然形成一层。P1/P2 平滑不足时，噪声视差会加重分层。 解决：这是物理精度上限，不是 bug，但可以改善。先把视差图做一次 5x5 中值滤波再转点云，分层会肉眼可见地减少；或者把 WLS 的setLambda调到 12000 加强平滑。想根治就得做亚像素视差估计，常见土办法是在 SGBM 结果附近做二次抛物线插值，近景和平面的效果明显。数据侧能做的就是把标定做扎实，因为基线误差会直接放大到深度上。

5.4 点云整体比例不对：棋盘格单位没转成物理尺寸

现象：重建出来的点云 XYZ 读出来是“几个格子”这种无物理意义的数，比如 A4 纸宽 0.5，两面墙间距比实际大 10 倍。 原因：objp里棋盘格用的是格子数单位，T 的单位跟着变成“格”，Q 矩阵继承了这套非物理单位；或者实际格子边长 24mm，代码里却按 1 处理，整体尺度直接差 24 倍。这类问题完全没救之后只能回去重拍标定板，没有捷径。 解决：构造objp时把物理边长写进去，例如每格 0.024 米，并在代码注释里写明单位；标定后打印norm(T)，用尺子量两镜头光心间距，两者比例应当接近 1。这个检查花费半分钟，但它是“标定误差小但重建严重变形”的第一嫌疑，优先级高于任何调参。

5.5 OpenCV 3.x 与 4.x API 不兼容：先打印版本再写兼容分支

现象：跑源码直接报AttributeError: module 'cv2' has no attribute 'SGBM_create'，或者findContours解包报错。 原因：OpenCV 3.x 的 SGBM 创建函数叫cv2.SGBM_create，OpenCV 4.x 改名为cv2.StereoSGBM_create；类似地，cv2.findContours在 3.x 返回三个值，4.x 返回两个。网上流传的大作业源码大多写于 OpenCV 3 时代，版本一换就崩。 解决：先打印cv2.__version__，再写兼容分支：

import cv2 major = int(cv2.__version__.split('.')[0]) if major < 4: stereo = cv2.SGBM_create else: stereo = cv2.StereoSGBM_create left_matcher = stereo( minDisparity=0, numDisparities=96, blockSize=7, P1=8*3*7*7, P2=32*3*7*7)

这种问题还有个兜底技巧：全文搜索源码里所有cv2.XXX_create，把 3.x 旧名批量替换成 4.x 新名，替换完再跑一遍，别问我是怎么知道的。

6. 从视差图到三维点云：Q 矩阵换算与一把尺子的验证

6.1 用 reprojectImageTo3D 生成点云：Q 矩阵与单位

有校正后的视差图和stereoRectify输出的 Q 矩阵，生成点云就是一行调用：

points_3d = cv2.reprojectImageTo3D(disp, Q) # disp 必须是除以 16 后的浮点视差 valid = (disp > 0) & np.isfinite(points_3d).all(axis=2) xyz = points_3d[valid].reshape(-1, 3) rgb = cv2.cvtColor(rectL, cv2.COLOR_BGR2RGB)[valid].reshape(-1, 3)

reprojectImageTo3D的数学本质是每个像素的深度Z = 基线 * 焦距 / 视差，Q 矩阵把这套三角测量公式编码成矩阵乘法。它返回的点云单位与标定时棋盘格单位一致：objp用米就是米，用格子就是“格”。这个坑我踩过不止一次，后来定了个死规矩：标定时就把物理单位写进objp，并注释“如果单位不对，先查标定输入，不要动点云代码”。

点云生成后用 Open3D 做两步处理：先体素下采样，再统计滤波去掉离群点，防止单个错误视差带出飞点。统计滤波的nb_neighbors=20、std_ratio=2.0是常用起始值，点云越密，nb_neighbors可以加到 30 以上。

6.2 精度验证土办法：标尺、平面拟合和游标卡尺

重建精度靠什么验？论文里的高大上指标不好落地，我一般直接用一把尺子。把已知长度的纸板竖在场景里，在点云里选纸板两端点对应像素，取这两点的三维坐标算欧氏距离，和真实长度对比，能对上 3% 以内就算链路健康。另一个更稳的验证是重建标定板本身：板上角点的三维坐标理论上共面，用 numpy 对角点邻域做平面拟合，看拟合残差 RMS，小于毫米级说明标定和重建都没有大问题。这套验证方法不需要额外硬件，却能覆盖从标定到点云的全链路。

每次换摄像头或者换标定板，我都会把基线重新量一遍、棋盘格边长重新量一遍，这两分钟能省掉后面一整天的参数排查。当年翻车最惨的一次是把blockSize写成了偶数，OpenCV 直接抛异常；自那以后，所有“必须是奇数”“必须是 16 的倍数”这类约束，我都先写在代码注释里再动手。这个习惯一直留到现在。如果你后续想接触 nerf三维重建 这类新路线，双目的稠密点云也是一个足够好的几何先验。以上是这套方案从环境到验证的完整路线，希望帮到你。

本文还有配套的精品资源，点击获取