3. 核心参数解析（下）：视场角（FOV）、基线距离、焦距与深度精度的数学关系
上一节我们聊了分辨率、帧率和感光芯片。今天这几个参数，才是真正决定双目相机“能不能用”的关键。
视场角、基线距离、焦距——这三个参数是绑在一起的。你调一个，另外两个就得跟着变。我见过不少项目，选型时只看分辨率，结果装上去发现要么视野不够，要么深度精度差得离谱。嗯，今天我们就把它彻底讲透。
3.1 视场角（FOV）：你能看到多宽的世界
视场角，说白了就是相机能拍到的角度范围。水平方向叫HFOV，垂直方向叫VFOV，对角线叫DFOV。
计算公式其实很简单：
FOV = 2 × arctan( sensor_size / (2 × focal_length) )举个例子：
- 传感器宽度 6.4mm（1/2英寸常见规格）
- 焦距 8mm
- HFOV = 2 × arctan(6.4 / 16) ≈ 43.6°
我个人习惯先定FOV再反推焦距。为什么？因为应用场景决定了你需要看多宽。
经验法则：
- 室内SLAM：HFOV 90°~120°（要看到墙角和障碍物）
- 室外避障：HFOV 60°~90°（太宽了远处物体太小）
- 手势识别：HFOV 50°~70°（手部细节更重要）
我在做AGV项目时踩过一个坑。选了120°超广角镜头，想着视野大安全。结果边缘畸变严重，深度图在边缘区域直接废掉。后来换成90°镜头，配合畸变校正，效果反而更好。
注意：广角镜头（FOV > 100°）的边缘畸变很难完全校正。双目匹配对图像一致性要求极高，左右图畸变校正后的残差会直接影响深度精度。我个人不建议在双目系统上用超过110°的镜头。
3.2 基线距离：两个眼睛之间的距离
基线距离就是左右两个相机光心之间的距离。这个参数直接决定了深度测量的范围和精度。
核心公式：
Z = (f × B) / d其中：
- Z：目标深度
- f：焦距（像素单位）
- B：基线距离
- d：视差（像素）
你看，深度Z和视差d是反比关系。视差越大，深度越小。反过来，视差每变化1个像素，深度的变化量就是深度精度。
深度精度公式：
ΔZ = Z² / (f × B) × Δd这个公式太重要了。我建议你把它贴在工位上。
关键结论：
- 深度精度与距离的平方成正比——越远越不准
- 深度精度与基线距离成反比——基线越长越准
- 深度精度与焦距成反比——焦距越长越准
举个例子：
- Z = 5m，f = 1000像素，B = 0.1m，Δd = 0.1像素
- ΔZ = 25 / (1000 × 0.1) × 0.1 = 0.025m = 2.5cm
这个精度还不错。但如果Z变成10m：
- ΔZ = 100 / (1000 × 0.1) × 0.1 = 0.1m = 10cm
精度直接掉了4倍。
我的建议：选基线时，先确定你最关心的深度范围。比如做室内机器人，主要测距范围是0.5m~5m，那就按5m处的精度要求反推基线。我曾经有个项目要求10m处精度优于5cm，算下来基线得做到30cm以上——最后只能把相机装在机器人两侧，用结构件固定。
3.3 焦距：看得远还是看得清
焦距决定了两个东西：放大倍率和景深。
焦距越长：
- 视场角越小（看得窄）
- 远处物体在图像上更大（视差更大）
- 深度精度更高
- 但近处物体可能超出视场
焦距越短：
- 视场角越大（看得宽）
- 远处物体在图像上更小（视差更小）
- 深度精度更低
- 但近处物体也能看到
这里有个常见的误区。有人觉得焦距越长精度越高，那就选长焦呗。但你想想看，长焦意味着视场角小。如果基线固定，两个相机的重叠区域会变小。重叠区域小了，能匹配的特征点就少了，深度图会出现大片的空洞。
三者之间的约束关系：
视场角、基线、焦距不是独立参数。它们通过一个叫“立体视场重叠”的东西绑在一起。
重叠区域宽度 ≈ 2 × Z × tan(HFOV/2) - B
如果B太大或者HFOV太小，重叠区域可能为负——两个相机各看各的，根本没有立体视觉。
3.4 三个参数的权衡：一个实际案例
我去年做一个仓储机器人项目，要求：
- 检测距离：0.3m~8m
- 8m处深度精度优于10cm
- 水平视野不小于80°
算一下：
- 先定FOV：80°，传感器1/2英寸（宽6.4mm）
- 反推焦距：f = 6.4 / (2 × tan(40°)) ≈ 3.8mm
- 像素焦距：假设像素尺寸3μm，f_pixel = 3.8 / 0.003 ≈ 1267像素
- 按8m处精度10cm反推基线：B = Z² × Δd / (f × ΔZ) = 64 × 0.1 / (1267 × 0.1) ≈ 0.05m
算出来基线只要5cm就够了？等等，这里有个坑。
Δd=0.1像素是理想情况。实际项目中，光照变化、纹理不足、标定误差都会让匹配精度下降。我一般按Δd=0.3~0.5像素来算。
按Δd=0.3像素重新算：
- B = 64 × 0.3 / (1267 × 0.1) ≈ 0.15m
15cm基线，配合3.8mm焦距，80°FOV。这个组合在实际项目中验证过，效果不错。
避坑指南：我曾经按理论值选型，结果实际精度只有理论值的1/3。后来发现是镜头畸变和左右相机光轴不平行导致的。所以我的习惯是：理论计算值乘以1.5~2的安全系数，再选基线。
3.5 知识体系总览
下面这张图总结了三个参数之间的关系，以及它们如何影响深度精度：
3.6 实际选型中的权衡策略
说了这么多理论，实际选型时怎么操作？我一般按这个步骤来：
- 先定应用场景：室内还是室外？最近和最远检测距离是多少？
- 再定FOV：根据场景需求，确定水平视场角
- 反推焦距：根据传感器尺寸和FOV，算出焦距
- 计算基线：按最远距离处的精度要求，算出最小基线
- 验证重叠区域：检查在最远距离处，两个相机的视野重叠是否足够
- 留余量：理论值乘以1.5~2的安全系数
记住：没有完美的参数组合，只有最适合你应用的组合。宽FOV和长基线不可兼得，高精度和大范围也不可兼得。做嵌入式视觉，本质上就是在各种约束下找平衡点。
嗯，核心参数就讲到这里。这些公式和关系，我建议你拿自己的项目数据算一遍。算完你会发现，很多选型问题其实在纸上就能解决，不用等到硬件买回来才发现不对。
最后一个小技巧：如果你不确定怎么选，可以参考市面成熟产品的参数。Intel RealSense D435的基线是5cm，FOV约85°；ZED 2的基线是12cm，FOV约90°。这些产品经过了大量验证，参数组合是有参考价值的。
公众号:蓝海资料掘金营，微信deep3321