Stereo Vision
La visione stereoscopica misura la profondità abbinando ciascun punto tra due telecamere sfalsate e triangolando lo spostamento tra le viste, come avviene nei robot, nelle auto e nei rover.
La visione stereo è la tecnica di visione artificiale che consente di ricavare la profondità da due immagini della stessa scena, acquisite da telecamere poste a una distanza nota l’una dall’altra. Un punto su un oggetto vicino si proietta in posizioni chiaramente diverse nelle immagini di sinistra e di destra, mentre un punto distante si proietta quasi nella stessa posizione; questo scarto orizzontale, chiamato disparità, si converte direttamente in distanza tramite triangolazione. La visione binoculare umana funziona allo stesso modo, con gli occhi distanti circa 6 cm. I sistemi stereo forniscono ai sistemi di robotica, alle auto, ai droni e ai rover planetari una stima densa della profondità a partire da normali telecamere passive.
Come funziona la visione stereo#
Un sistema stereo richiede innanzitutto la calibrazione delle telecamere: la lunghezza focale e la distorsione dell’obiettivo di ogni telecamera, oltre alla rotazione e alla traslazione tra le due. La rettificazione trasforma poi entrambe le immagini in modo che la geometria epipolare assuma la forma più semplice: la corrispondenza di ogni punto si trova sulla stessa riga dell’altra immagine. Il problema della corrispondenza, cioè trovare lo stesso punto della scena in entrambe le viste, diventa così una ricerca unidimensionale lungo una riga. Per un pixel abbinato con disparità d, la profondità si ricava da Z = f × B / d, dove f è la lunghezza focale in pixel e B è la baseline, ovvero la distanza tra le telecamere.
Questo esempio esegue il matcher semi-globale di OpenCV su una coppia rettificata del benchmark stereo Middlebury 2014, distribuito con scikit-image insieme alla disparità di ground truth accurata a livello subpixel, misurata con luce strutturata:
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)")Stampa Matched 79% of pixels, 91.0% of them within 1 px of ground truth e una profondità di 2.40 m al centro dell’immagine, pari al valore di ground truth. La maggior parte dei pixel senza corrispondenza forma una striscia di 80 pixel lungo il bordo sinistro, dove la ricerca tra 80 disparità supererebbe il margine dell’immagine destra.
Algoritmi di corrispondenza e accuratezza#
Il confronto di piccole finestre di pixel fallisce quando una finestra non ha texture, ripete uno schema o si estende oltre il bordo di un oggetto. Il matching semi-globale, introdotto da Heiko Hirschmüller nel 2005 e implementato in forma modificata in StereoSGBM di OpenCV, aggiunge una penalità di regolarità ai salti di disparità e la aggrega lungo diversi percorsi 1D nell’immagine; in questo modo riempie le regioni con texture debole mantenendo nitidi i bordi degli oggetti. I metodi di deep learning sostituiscono i costi definiti manualmente con mappe di caratteristiche apprese e un volume dei costi sulle disparità candidate; RAFT-Stereo perfeziona un campo di disparità con aggiornamenti ricorrenti sul modello delle reti per il flusso ottico. I metodi vengono confrontati sul benchmark stereo Middlebury, avviato da Daniel Scharstein e Richard Szeliski nel 2002, e sulle scene di guida di KITTI con ground truth LiDAR.
La precisione diminuisce rapidamente con la distanza. Derivando la formula della profondità si ottiene un errore di profondità di circa Z² / (f × B) per ogni pixel di errore di disparità; quindi, con la fotocamera in alto, un errore di un pixel equivale a 3 cm a 2,4 m e a 52 cm a 10 m. Una baseline più ampia o una lunghezza focale maggiore estendono la portata utile, ma aumentano la distanza minima e le regioni visibili da una sola fotocamera. Le fotocamere stereo attive, come la serie Intel RealSense D400, proiettano sulla scena un motivo di punti a infrarossi, dando alle pareti uniformi la texture necessaria per la corrispondenza.
Visione stereo, profondità monoculare e sensori attivi#
La stima monoculare della profondità prevede la profondità da una singola immagine usando indizi appresi come prospettiva, dimensioni degli oggetti e occlusione; la scala deriva quindi dai dati di addestramento, mentre lo stereo misura la scala geometricamente a partire dalla distanza tra le fotocamere. I modelli di stima della profondità Ultralytics YOLO26 seguono l'approccio monoculare e prevedono una mappa di profondità in metri da una singola immagine RGB; model.calibrate() adatta la scala metrica a una specifica fotocamera usando un piccolo gruppo di immagini con profondità misurata. Le fotocamere LiDAR e a tempo di volo misurano attivamente la distanza cronometrando la luce emessa; molti veicoli le combinano con lo stereo tramite la fusione dei sensori. La profondità stereo alimenta anche il rilevamento 3D degli oggetti, la ricostruzione 3D e lo SLAM visivo; aggiungendo il tempo si ottiene il flusso di scena, ossia il movimento 3D di ogni punto.
Applicazioni nel mondo reale#
- Assistenza alla guida: Il sistema EyeSight di Subaru usa due fotocamere montate vicino allo specchietto retrovisore per misurare la distanza dai veicoli e dai pedoni davanti al mezzo, per il cruise control adattivo e la frenata automatica d'emergenza.
- Prelievo robotizzato: Le fotocamere stereo di profondità montate sui bracci robotici individuano i componenti nei contenitori e sui nastri trasportatori, fornendo la posizione e l'orientamento 3D necessari alla pinza.
- Droni: I droni per il mercato consumer, come la serie Mavic di DJI, rilevano gli ostacoli con sensori di visione binoculare rivolti in più direzioni.
- Rover planetari: Il rover Perseverance della NASA guida autonomamente su Marte creando a bordo mappe 3D del terreno a partire dalle sue fotocamere stereo di navigazione.










