Stereo Vision
了解立体视觉如何为 AI 提取 3D 深度信息。学习其工作原理、应用场景，以及如何将其与最新的 Ultralytics YOLO26 集成。
立体视觉（Stereo vision），也称为视差视觉，是一种计算机视觉技术，用于从数字图像中提取3D深度信息。通过比较从略微不同的角度拍摄的同一场景的两张或多张2D图像——模拟人类的双眼视觉——AI系统可以精确计算到物体的距离。这种能力是空间智能的基础，使机器能够安全地导航环境并与物理物体进行交互。
Link to this section立体视觉的工作原理#
该过程依赖于查找左、右摄像机视图之间的差异。其核心挑战在于对应问题，即识别两张图像中完全相同的像素或特征。一旦找到匹配点，系统就会计算水平位移，从而创建视差图。
在视差图中，较大的位移表示物体较近，而较小的位移则表示物体较远。通过三角测量，该地图随后被转换为密集的3D点云。虽然传统的数学算法在历史上一直驱动着这些计算，但现代方法越来越多地依赖卷积神经网络 (CNNs) 和深度学习来提高在复杂光照或无纹理区域中的特征匹配精度，正如最近的IEEE计算机视觉研究中所详述的那样。
Link to this section立体视觉与单目深度估计的对比#
区分立体视觉与仅使用单摄像头的深度估计技术非常重要。单目深度估计使用深度学习模型，基于透视和阴影等视觉线索从单张2D图像预测3D结构。相比之下，立体系统通过两个摄像镜头之间的几何关系直接测量深度。虽然单目方法在计算上更轻量，但立体视觉通常能提供更精确的实时深度测量，这对关键安全系统至关重要。
Link to this section现实世界的 AI 应用#
立体系统在各行各业中都至关重要，这些行业需要现实世界的3D目标检测和空间感知。
- 自动驾驶导航： 由Waymo等公司开发的自动驾驶技术使用立体摄像机实时精确测量到行人、其他车辆和障碍物的距离，并将这些精确的深度数据输入到预测建模系统中以规划安全路径。
- 工业机器人自动化： 制造机器人利用立体视觉进行复杂的料箱拣选任务。通过计算传送带上散落零件的精确深度和方向，机器人系统可以完美对齐其抓手，从而提高智能制造流水线的效率。
- 先进医学成像： 手术机器人和诊断系统利用立体摄像机在微创手术过程中为外科医生提供患者解剖结构的高精度3D视图，这一趋势在近期关于医学AI的arXiv预印本中经常被提及。
Link to this section将AI与立体数据集成#
开发人员通常将立体视觉与目标检测结合使用，以确定“是什么”以及“距离多远”。OpenCV框架通常用于生成视差图，并经常集成在更广泛的PyTorch或TensorFlow工作流中，而AI模型则负责处理感知。以下是使用Ultralytics YOLO26检测物体并检索其边界框的概念示例，这些边界框随后可用于从关联的OpenCV视差图中提取平均距离值。
import cv2
from ultralytics import YOLO
# Load the recommended Ultralytics YOLO26 model for high-speed edge inference
model = YOLO("yolo26n.pt")
# Read the left camera frame (typically used as the primary frame for detection)
left_frame = cv2.imread("left_camera_frame.jpg")
# Run inference to detect objects in the scene
results = model(left_frame)
# Extract bounding boxes to later combine with a stereo disparity map
for result in results:
for box in result.boxes.xyxy:
x1, y1, x2, y2 = map(int, box[:4])
print(f"Detected object bounding box: [{x1}, {y1}, {x2}, {y2}]")
# Depth values can now be extracted from the disparity map within this specific regionLink to this section进展与未来趋势#
训练和部署先进的感知模型已变得高度精简。通过使用Ultralytics Platform等工具，团队可以安全地标注立体对、训练鲁棒模型，并将其导出为TensorRT等优化格式，以便在边缘AI设备上实现低延迟推理。
来自Stanford Vision and Learning Lab等组织的近期进展表明，将立体视觉与Vision Transformers (ViT)以及来自Google DeepMind的基础模型相结合以更快解决对应问题的趋势日益明显。此外，随着来自Anthropic和OpenAI等行业领导者的多模态AI模型不断演进，鲁棒3D空间数据的集成将继续拓宽具身智能体感知和理解能力的边界。
