如何使用OpenCV的ArUco框架计算相机到ArUco标记的距离

核心实现逻辑 #

整个测算的底层是小孔成像的相似三角形原理，分两种实现路径：

1. 高精度方案（推荐）：依赖预先标定的相机内参（内参矩阵、畸变系数），结合识别到的标记角点坐标，直接解算标记相对于相机的三维位姿，平移向量的Z轴分量就是相机光心到标记平面的直线距离，误差通常可以控制在1%以内。
2. 简易方案（无标定场景用）：不需要相机标定，提前通过已知距离的标记测算出等效焦距，后续通过成像的像素边长反向推算距离，精度受标定场景影响较大，误差一般在5%以上。

注意：所有测算的前提是你提前知道所用ArUco标记的实际物理边长，比如打印的标记边长为5cm，就需要把这个值作为固定参数传入算法。

具体操作步骤（高精度方案，OpenCV 4.x版本） #

• 步骤1：准备前置参数
  • 完成单目相机标定，得到内参矩阵camera_matrix、畸变系数dist_coeffs，这两个参数可以消除镜头畸变带来的成像形变，是精度的核心保障
  • 测量你使用的ArUco标记的实际物理边长，记为marker_length，单位建议统一用米，后续输出的距离单位也会是米
• 步骤2：初始化ArUco检测器
  对应代码示例：

  import cv2
  import numpy as np
  
  # 替换为你实际使用的ArUco字典，示例为6x6规格、共250个标记的字典
  aruco_dict = cv2.aruco.getPredefinedDictionary(cv2.aruco.DICT_6X6_250)
  detect_params = cv2.aruco.DetectorParameters()
  aruco_detector = cv2.aruco.ArucoDetector(aruco_dict, detect_params)
  

  如果你用的是OpenCV 4.6及更早版本，把检测器初始化部分替换为旧版接口即可：

  aruco_dict = cv2.aruco.Dictionary_get(cv2.aruco.DICT_6X6_250)
  detect_params = cv2.aruco.DetectorParameters_create()
  

• 步骤3：检测图像中的ArUco标记
  可以对单张图像或者视频流逐帧做检测：

  # 单张图像检测示例，视频流场景替换为从摄像头取帧即可
  frame = cv2.imread("aruco_test.jpg")
  # 检测输出：标记角点坐标、标记ID、未识别成功的候选区域
  corners, ids, rejected = aruco_detector.detectMarkers(frame)
  

• 步骤4：解算位姿提取距离
  检测到有效标记后，调用位姿解算接口直接得到距离：

  if ids is not None:
      # 解算每个标记的旋转向量、平移向量
      rvecs, tvecs, _ = cv2.aruco.estimatePoseSingleMarkers(
          corners, 
          marker_length, 
          camera_matrix, 
          dist_coeffs
      )
      # 遍历所有识别到的标记输出距离
      for idx in range(len(ids)):
          # 平移向量的第三个分量就是相机到标记的直线距离
          distance = tvecs[idx][0][2]
          print(f"标记ID {ids[idx][0]} 距离相机：{distance:.2f}m")
  

• 步骤5：精度优化（可选）
  • 对检测到的角点做亚像素优化，进一步提升角点坐标精度，降低距离误差
  • 连续检测多帧取距离平均值，消除单帧识别的波动误差
  • 尽量保证标记平面和相机成像平面平行，标记和相机夹角超过30°时，测算误差会明显升高

内容的提问来源于stack exchange，提问作者Simon