随着计算机视觉技术的不断发展、数字成像设备的不断升级,图像深度测量方法被广泛应用于智能机器人领域、交通辅助领域、3D建模领域和3D视频制作领域。经过对比激光、红外光、超声波、双目视觉和单目视觉等深度测量的方法,基于单目视觉的被动深度测量方法因其操作简单、成本低廉、具有较小的空间与载荷成为研究热点,不仅具有理论意义,更具有实用价值。本文主要利用图像中目标物体的特征来获取绝对深度信息。方法主要包括以下几个模块:基于灰度线性变换、平滑处理的图像预处理操作和改进的LBF模型图像分割;通过改进的Harris算法与改进的SIFT算法,提出Harris-SIFT算法并用其提取图像中目标物体的特征信息;利用凸包原理选取直线段,最后计算图像缩放率求得物体深度信息。本文从两个方面对相关算法进行优化:1)改进LBF模型的图像分割算法。通过分析标准LBF模型中高斯函数作为核函数应具备的性质,使用计算量小的复合函数模拟高斯函数,从而提高水平集的演化速度;通过引入图像增强算子,对图像进行校正、降噪和增强对比度的操作,从而提高图像中灰度值相近部分的分割效率。实验结果显示,本文改进的LBF模型比原模型分割图像时迭代次数减少,从而降低了分割时间,提升了算法性能。2)通过改进的Harris算法与改进的SIFT算法,提出适用于本研究的Harris-SIFT算法。首先,使用多尺度空间下Harris算法的特征点提取代替SIFT算法中的特征点提取,有效避免使用SIFT算法检测到冗余的特征点。其次,重新构造SIFT算法的特征描述子,通过降低描述子的维度和区分梯度值相同但不同灰度值的像素点,提高算法的准确率与检测效率。本文采用改进的Harris-SIFT算法提取图像中目标物体的特征,进而获得绝对深度信息。通过多种方法对多个物体进行深度测量实验,本文方法计算出的实际距离与测量距离间的误差率小于3.5%,优于其它方法。实验结果表明,本文研究的基于单目视觉的深度测量方法能较精确的测量出短距离内物体的深度信息。