先给出求视觉深度的算法流程图：
摄像头标定：
摄像机标定的过程得出摄像机几何模型，给出透镜的畸变模型，这两个模型定义了摄像机的内参数模型。
摄像机几何模型：
针孔模型：
（Learning Opencv中的此环节各种名词的定义很混乱，在下面做一个统一）
成像平面：针孔平面。
图像平面：投影平面。
光轴：穿过针孔，与针孔平面垂直的直线。
焦距：针孔到图像平面距离。
针孔：投影中心。
主点：光轴与图像平面的焦点。
Z：针孔到物体的距离。
成像仪的中心：芯片感光阵列的中心点，图片的像素中心点。
由三角形相似
这个公式显示的图像是倒立的，为了便于计算，将针孔模型转化为计算模型，具体做法是交换图像平面与成像平面。
计算模型
若光轴与成像仪的交点刚好是图像平面的主点。那么得到的公式是：
但是这种情况在实际中几乎是不可能的。因此引入两个新的参数Cx，Cy，对可能的偏移进行建模。
最终得到的公式是：
方法1：Learning Opencv的第11章
利用函数cvCalibrateCamera2（）
方法2：Learning Opencv的第12章
利用函数cvStereoRectify（）；
求视觉深度，首先必须得看懂这个图
Cxleft和Cxright：像平面的像主点
Ol，Or：投影中心，针孔模型中的针孔。
T：投影中心间距
f：两个摄像头的焦距
d：两幅图像的视差
由三角形相似
由该公式可以看出，将求视觉深度转化为求两幅图像的视差。
然而在实际情况中，两个摄像头不可能严格地向前平行对准，当摄像头不向前平行对准时，会出现一个新的感兴趣点，称之为极点。（el，er）。
实际点P与两个极点构成的面，称为极面。
实际点P在投影面上的投影点称为，投影点，投影点与极点的连线称为极线。
该图呈现的便是立体成像的基本几何学：对极几何。
每一个物理世界的3D点，都对应一个极面，两条极线。由对极几何的定义可知，pl的匹配视图pr，一定在对应的极线上。于是便可以将二维收索转化为在沿着极线的一维搜索。
对极几何的意义在于，减少特征匹配的计算量，并且排除虚假匹配的点。
立体标定：计算空间上两台摄像机几何关系的过程。
立体校正：对个体图像进行纠正的过程。
如何计算极线？
计算极线需要知道两个摄像机的物理相对关系和像素相对关系，需要用到两个矩阵
基础矩阵和本征矩阵的对应关系
基础矩阵的计算：cvFindamentalmat（）；也可以通过cvStereoCalibrate（）函数得来。
由基础矩阵计算极线。
cvComputeCorrespondEpilines();
根据得到的极线来立体校正图像。
立体匹配，匹配两个不同摄像机视图的3D点，计算视差。
使用cvPerspectiveTransform（）或者成vReprojectImageTo3D（）；得到视觉深度。
Opencv打开指定摄像头
