如何用Python和点云转2D坐标为3D？求3D两人距离计算方案

1. 补全3D坐标转换函数的核心逻辑 #

你提供的reconstruct_3D函数仅生成了图像像素坐标矩阵u和v，缺少针孔相机模型的核心转换步骤。完整实现如下：

import numpy as np

def reconstruct_3D(depth, f):
    """
    Reconstruct depth to 3D pointcloud with the provided focal length.
    Args:
        depth: HxW array, depth map（单位：真实物理长度，比如米）
        f: 相机焦距（像素单位，可从相机内参获取）
    Return:
        pcd: N X 3 array, point cloud（每行对应一个像素的3D坐标，单位与depth一致）
    """
    cu = depth.shape[1] / 2  # 图像主点x坐标（像素中心）
    cv = depth.shape[0] / 2  # 图像主点y坐标（像素中心）
    height, width = depth.shape
    
    # 生成全图像素的u、v坐标矩阵
    u = np.tile(np.arange(width), (height, 1))
    v = np.tile(np.arange(height), (width, 1)).T
    
    # 针孔相机模型逆投影：将像素坐标+深度转为3D世界坐标
    x = (u - cu) * depth / f
    y = (v - cv) * depth / f
    z = depth
    
    # 把HxW的3通道矩阵转为Nx3的点云格式
    pcd = np.stack([x, y, z], axis=-1).reshape(-1, 3)
    return pcd

关键说明：

• 输入的depth必须是真实物理单位的深度图（比如米），如果是模型输出的归一化深度，需要先还原为真实值
• f是相机的焦距（像素单位），可从相机内参文件或标定结果中获取

2. 从YOLO检测结果映射到3D坐标 #

结合你已掌握的YOLO质心计算方法，步骤如下：

• 用YOLO检测图像中的两个人，得到各自的bounding box（x1,y1,x2,y2）
• 计算每个目标的2D质心坐标：u = (x1 + x2)/2，v = (y1 + y2)/2（注意转换为整数像素索引）
• 从深度图中提取该质心位置的深度值z：z = depth[int(v), int(u)]
• 单独计算该点的3D坐标（无需生成全图点云，提升效率）：

  def pixel_to_3d(u, v, z, f, cu, cv):
      x = (u - cu) * z / f
      y = (v - cv) * z / f
      return np.array([x, y, z])
  

3. 计算3D空间中两人的真实距离 #

得到两个人的3D坐标P1=(x1,y1,z1)和P2=(x2,y2,z2)后，直接用欧几里得距离公式计算真实空间距离：

def calculate_3d_distance(p1, p2):
    return np.sqrt((p1[0]-p2[0])**2 + (p1[1]-p2[1])**2 + (p1[2]-p2[2])**2)

对比2D方法的优势：

• 2D方法计算的是图像平面的像素距离，需要结合人体高度等先验知识估算真实距离，误差较大
• 3D方法直接计算物理空间中的直线距离，无需额外先验，精度取决于深度图的准确性

内容的提问来源于stack exchange，提问作者user44840