Unterschätz den Aufwand nicht, wenn du 2 Kameras verwenden willst (Ich spreche da aus Erfahrung).

Wenn du die einfachsten Spezialfälle zur Stilisierung des ganzen Problems annimmst, kommst du schnell auf passable Ergebnisse was die Tiefenberechnung an sich betrifft.
Allerdings ist alles was darüber hinaus geht ein tierischer Aufwand (respektive Objekterkennung+Matching, u.U. Tracking)

Falls du es doch versuchen willst:
Das Buch "Multiple View Geometry in Computer Vision" von Richard Hartley und Andrew Zisserman ist zu empfehlen.