原文链接：https://blog.csdn.net/weixin_50174671/article/details/148498651
一、yolov11+双目测距基本流程
yolov11 + 双目测距的大致流程就是：
双目标定 --> 立体校正（含消除畸变） --> 立体匹配 --> 视差计算 --> 深度计算(3D坐标)计算 --> 目标检测 --> 目标距离计算及可视化
下面将分别阐述每一个步骤并使用python来实现。
二、双目测距
其中双目测距的原理及过程请查看我下面的博客
三、目标检测
在本项目中，我们选用了轻量级且高效的目标检测模型 YOLOv11，并使用其 ONNX格式模型部署，结合OpenCV和ONNX Runtime完成前向推理，实现高性能目标识别。整个检测流程主要包括 模型转换、图像预处理、模型推理、后处理 四个步骤。
四、目标距离计算及可视化
在完成目标检测的后处理阶段后，系统已经获得每个候选目标的二维图像坐标和置信度信息。为了进一步实现三维感知功能，本系统结合双目测距模块输出的 points_3d，实现目标距离的估算与图像可视化展示。
五、整体代码介绍
本代码实现了基于双目立体视觉的目标检测与测距系统，涵盖了畸变矫正、立体校正、视差计算及深度计算和目标检测关键步骤。
测距模块从 stereoconfig 模块中加载相机标定参数，包括内外参和畸变系数，利用 OpenCV 的 cv2.stereoRectify() 对左右相机图像进行立体校正，保证图像对齐。随后，采用 SGBM（半全局匹配算法）计算视差图，并结合 WLS（加权最小二乘滤波）滤波器对视差图进行优化，提高视差的平滑性和准确性。接着，通过 cv2.reprojectImageTo3D() 将视差图转换成三维点云，得到每个像素的三维信息。检测模块基于ONNX格式的YOLO模型，结合后处理与非极大值抑制筛选检测框，并计算目标中心点的三维坐标实现距离估计。
系统支持两种运行模式：图片模式（imagemode）用于处理静态双目图像，摄像头模式（cameramode）支持实时视频流处理，实现动态测距与目标检测。可根据自己需求进行相应选择。
效果如下所示：
