[发明专利]一种基于深度学习的条纹投影时间相位展开方法

说明书

本发明公开了一种基于深度学习的条纹投影时间相位展开方法，首先向被测对象投影四组三步相移光栅图案，频率分别为1、8、32和64，相机采集光栅图利用三步相移法得到包裹相位图；然后使用基于时间相位展开的多频算法对包裹相位图进行相位展开得到频率为64的相位的周期级次图，并搭建一个残差卷积神经网络，设置其输入数据是频率为1和64的包裹相位图，输出数据是频率为64的相位的周期级次图，最后制作训练集和验证集对网络进行训练和验证，网络检验测试集输出频率为64的相位的周期级次图。本发明采用深度学习的方法使用频率为1的包裹相位图展开频率为64的包裹相位图，可以得到错误点更少，准确度更高的绝对相位图。

技术领域

本发明属于光学测量技术领域，具体涉及一种基于深度学习的条纹投影时间相位展开方法。

背景技术

近几十年，快速三维形貌测量技术被广泛的应用于各个领域，如智能监控，工业质量控制和三维人脸识别等。在众多三维形貌测量方法中，基于结构光和三角测量原理的条纹投影轮廓术是最实用的技术之一，由于它具有无接触、全场、高精度和高效等优点，主流的条纹投影轮廓术一般需经过三个流程实现三维测量，分别是相位恢复、相位展开和相位到高度的映射。

在相位恢复技术中，最常用的两种方法是傅里叶轮廓术和相移轮廓术。傅里叶轮廓术只需一张条纹图即可提取相位，但这种方法受到频谱混叠的影响，导致测量结果的质量很差，不能测量形貌复杂的物体。相比于傅里叶轮廓术，相移轮廓术具有对环境光不敏感、能够获得像素级相位测量的优点，它适合于测量具有复杂表面的物体。但是这个方法一般需要投影多幅相移条纹图(至少三幅)实现相位提取。随着高速相机和DLP投影技术的快速发展，使得相移轮廓术也可以用于实现快速三维测量。但是，傅里叶轮廓术和相移轮廓术都使用反正切函数提取相位，反正切函数的值域[0,2π]，因此这两种方法都只能得到包裹相位图，其中存在2π的相位跳变。因此，需要实施相位展开技术使包裹相位图变为绝对相位图。

目前主流的相位展开方法是时域相位展开与空域相位展开。一方面，空域相位展开只需一幅包裹相位图即可实现相位展开，但是不能有效测量复杂物体或者多个孤立物体，容易出现相位展开错误。另一方面，时域相位展开能够稳定地展开包裹相位，但是需要使用多幅不同频率的包裹相位图，这极大地影响相位展开的效率从而降低三维测量的速度。常用的时域相位展开技术有三个：基于时间相位展开的多频算法，基于时间相位展开的外差法和基于时间相位展开的数论法。其中，基于时间相位展开的多频算法能够实现最好的相位展开结果，而多波长法则对噪声最敏感(文献“Temporal phase unwrappingalgorithms for fringe projection profilometry:A comparative review”，作者ChaoZuo等)。基于时间相位展开的多频算法的原理是使用单周期的低频包裹相位展开高频包裹相位图，由于测量过程中的噪声影响，通常多频法只能展开频率为20的高频包裹相位图。而更高频率的相位图拥有更高的精度，因此为了实现高精度的三维测量往往需要投影多组不同频率的条纹图。这进一步降低了条纹投影轮廓术的测量效率从而抑制了其测量运动物体的能力。因此，针对基于条纹投影轮廓术的三维成像技术而言，目前尚缺乏一种测量精度与测量效率兼得的方法。

发明内容

本发明目的在于提供一种基于深度学习的条纹投影时间相位展开方法，在不增加投影仪投影图案数的前提下，实现高精度的三维测量。

实现本发明目的的技术解决方案为：一种基于深度学习的条纹投影时间相位展开方法，首先向被测对象投影四组三步相移光栅图案，频率分别为1,8,32和64，相机采集光栅图利用三步相移法得到包裹相位图；其次，使用基于时间相位展开的多频算法对包裹相位图进行相位展开得到频率为64的相位的周期级次图；然后搭建一个残差卷积神经网络，设置其输入数据是频率为1和64的包裹相位图，输出数据是频率为64的相位的周期级次图；最后制作训练集和验证集对网络进行训练和验证，网络检验测试集输出频率为64的相位的周期级次图。