Stereo Vision
La visión estereoscópica mide la profundidad emparejando cada punto entre dos cámaras separadas y triangulando el desplazamiento entre las vistas, como hacen los robots, los coches y los vehículos exploradores.
La visión estereoscópica es la técnica de visión artificial que permite recuperar la profundidad a partir de dos imágenes de la misma escena, captadas por cámaras separadas entre sí por una distancia conocida. Un punto de un objeto cercano se proyecta en posiciones claramente distintas en las imágenes izquierda y derecha, mientras que un punto lejano se proyecta casi en la misma posición, y ese desplazamiento horizontal, llamado disparidad, se convierte directamente en distancia mediante triangulación. La visión binocular humana funciona del mismo modo, con los ojos separados unos 6 cm. Los sistemas de cámaras estereoscópicas proporcionan a los sistemas de robótica, a los coches, a los drones y a los rovers planetarios una densa estimación de profundidad a partir de cámaras pasivas convencionales.
Cómo funciona la visión estereoscópica#
Un sistema estereoscópico necesita primero una calibración de cámara: la distancia focal y la distorsión de lente de cada cámara, además de la rotación y la traslación entre ambas. Después, la rectificación deforma las dos imágenes para que la geometría epipolar adopte su forma más sencilla: la correspondencia de cada punto se encuentra en la misma fila de la otra imagen. Así, el problema de correspondencia, que consiste en encontrar el mismo punto de la escena en ambas vistas, se convierte en una búsqueda unidimensional a lo largo de una fila. Para un píxel emparejado con disparidad d, la profundidad se obtiene mediante Z = f × B / d, donde f es la distancia focal en píxeles y B es la línea de base, es decir, la distancia entre las cámaras.
Este ejemplo ejecuta el comparador semiglobal de OpenCV sobre un par rectificado del benchmark estereoscópico Middlebury 2014, incluido en scikit-image junto con una disparidad de referencia real de precisión subpíxel medida con luz estructurada:
import cv2
import numpy as np
from skimage import data
# Rectified Middlebury stereo pair with ground-truth disparity (focal length 995 px, baseline 0.193 m)
left, right, true_disp = data.stereo_motorcycle()
left, right = cv2.cvtColor(left, cv2.COLOR_RGB2GRAY), cv2.cvtColor(right, cv2.COLOR_RGB2GRAY)
# Semi-global matching searches each pixel's row in the other image; OpenCV returns 1/16-pixel units
sgbm = cv2.StereoSGBM_create(minDisparity=0, numDisparities=80, blockSize=5, P1=200, P2=800, uniquenessRatio=10)
disp = sgbm.compute(left, right).astype(np.float32) / 16
# Score the pixels that have ground truth and a confident match
valid = np.isfinite(true_disp) & (disp > 0)
good = np.abs(disp - true_disp)[valid] < 1
print(f"Matched {valid.mean():.0%} of pixels, {good.mean():.1%} of them within 1 px of ground truth")
# Triangulate depth: Z = focal * baseline / (disparity + offset between the two principal points)
depth, true_depth = (994.978 * 0.193 / (d + 31.086) for d in (disp, true_disp))
print(f"Depth at the image center: {depth[250, 370]:.2f} m (ground truth {true_depth[250, 370]:.2f} m)")Imprime Matched 79% of pixels, 91.0% of them within 1 px of ground truth y una profundidad de 2.40 m en el centro de la imagen, igual que el valor de referencia. La mayoría de los píxeles sin correspondencia forman la franja de 80 píxeles a lo largo del borde izquierdo, donde la búsqueda entre 80 disparidades rebasaría el borde de la imagen derecha.
Algoritmos de correspondencia y precisión#
La comparación de pequeñas ventanas de píxeles falla cuando una ventana carece de textura, repite un patrón o abarca el borde de un objeto. El emparejamiento semiglobal, presentado por Heiko Hirschmüller en 2005 e implementado con modificaciones como StereoSGBM de OpenCV, añade una penalización de suavidad a los saltos de disparidad y acumula esa penalización a lo largo de varias rutas 1D que atraviesan la imagen; así completa las regiones con poca textura y mantiene nítidos los bordes de los objetos. Los métodos de aprendizaje profundo sustituyen los costes diseñados manualmente por mapas de características aprendidos y un volumen de costes para las disparidades candidatas, y RAFT-Stereo refina un campo de disparidad con actualizaciones recurrentes al estilo de las redes de flujo óptico. Los métodos se comparan en el banco de pruebas estereoscópico de Middlebury, iniciado por Daniel Scharstein y Richard Szeliski en 2002, y en las escenas de conducción de KITTI con datos de referencia obtenidos mediante LiDAR.
La precisión disminuye rápidamente con la distancia. Al derivar la fórmula de profundidad se obtiene un error de profundidad de aproximadamente Z² / (f × B) por cada píxel de error de disparidad, así que, con la cámara en posición elevada, un error de un píxel equivale a 3 cm a 2,4 m y a 52 cm a 10 m. Una línea de base más amplia o una distancia focal mayor amplían el rango útil, a costa de una distancia mínima mayor y de más zonas visibles para una sola cámara. Las cámaras estéreo activas, como la serie Intel RealSense D400, proyectan un patrón de puntos infrarrojos sobre la escena, lo que proporciona a las paredes lisas la textura que necesita el emparejamiento.
Visión estéreo frente a profundidad monocular y sensores activos#
La estimación monocular de profundidad predice la profundidad a partir de una sola imagen mediante señales aprendidas, como la perspectiva, el tamaño de los objetos y la oclusión, por lo que la escala procede de los datos de entrenamiento. En cambio, la visión estéreo mide la escala geométricamente a partir de la línea base. Los modelos de estimación de profundidad de Ultralytics YOLO26 utilizan el enfoque monocular: predicen un mapa de profundidad en metros a partir de una imagen RGB, y model.calibrate() ajusta su escala métrica a una cámara concreta a partir de un pequeño conjunto de imágenes con profundidades medidas. LiDAR y las cámaras de tiempo de vuelo miden la distancia de forma activa calculando el tiempo que tarda la luz emitida; muchos vehículos los combinan con visión estéreo mediante la fusión de sensores. La profundidad estéreo también alimenta la detección de objetos 3D, la reconstrucción 3D y el SLAM visual. Al añadir el tiempo, se convierte en flujo de escena: el movimiento 3D de cada punto.
Aplicaciones en el mundo real#
- Asistencia a la conducción: el sistema EyeSight de Subaru utiliza dos cámaras montadas cerca del retrovisor para medir la distancia a los vehículos y peatones que tiene delante, lo que permite el control de crucero adaptativo y el frenado automático de emergencia.
- Robots de recogida: las cámaras de profundidad estéreo montadas en brazos robóticos localizan piezas en contenedores y cintas transportadoras, y proporcionan la posición y orientación 3D que necesita una pinza.
- Drones: los drones de consumo, como la serie Mavic de DJI, detectan obstáculos con sensores de visión binocular orientados en varias direcciones.
- Róveres planetarios: el róver Perseverance de la NASA se desplaza por Marte de forma autónoma creando mapas 3D del terreno a bordo a partir de sus cámaras de navegación estéreo.










