[发明专利]一种基于深度学习和结构光相结合的深度测量方法

权利要求书

1.一种基于深度学习和结构光相结合的深度测量方法，其特征在于，包括：

通过结构光视觉获得包裹形变相位；

通过深度学习获得初始深度值；

根据所述初始深度值获得第一相位补偿系数；

根据所述包裹形变相位和所述第一相位补偿系数获得真实形变相位，对所述真实形变相位进行相位展开，获得测量深度值；

包括以下步骤：

S1、构建结构光系统，对所述结构光系统进行标定，获得参考相位

S2、将N幅同频等相位差的正弦光栅条纹图依次向被测物体投影，并通过相机采集，获得N幅形变图；

S3、根据N幅所述形变图，得到包裹相位将所述包裹相位与所述参考相位进行比较，获得包裹形变相位

S4、基于步骤S2，对所述形变图进行正弦波影响消除处理，获得修正灰度图；

S5、基于步骤S4，通过卷积神经网络对所述修正灰度图进行深度估计，获得所述修正灰度图中每个像素点的初始深度值Z_(x,y)；

S6、基于步骤S5，根据所述初始深度值Z_(x,y)，获得第一相位补偿系数；

S7、基于步骤S3获得的所述包裹形变相位以及步骤S6获得的所述第一相位补偿系数，计算得到真实形变相位并根据所述真实形变相位计算得到测量深度值。

2.根据权利要求1所述的基于深度学习和结构光相结合的深度测量方法，其特征在于，步骤S1中，所述结构光系统包括：相机、投影仪、参考平面和被测物体；所述相机到所述投影仪之间的基线距离为d，所述相机到所述参考平面的深度为Z₀。

3.根据权利要求1所述的基于深度学习和结构光相结合的深度测量方法，其特征在于，步骤S4中，所述正弦波影响消除处理具体为：将N幅所述形变图在同一像素位置的灰度值进行取均值处理。

4.根据权利要求1所述的基于深度学习和结构光相结合的深度测量方法，其特征在于，步骤S5中，所述卷积神经网络具体采用自我监督单眼深度估计网络。

5.根据权利要求1所述的基于深度学习和结构光相结合的深度测量方法，其特征在于，步骤S6的具体方式为：

S6.1、根据第一深度值Z₀和所述初始深度值Z_(x,y)，得到第二深度值ΔZ_(x,y)：

ΔZ_(x,y)＝Z₀-Z_(x,y) (1)

其中，所述第一深度值Z₀为所述结构光系统中的相机到参考平面的深度值，所述第二深度值ΔZ_(x,y)为深度网络初始估计的被测物体到参考平面的深度值；

S6.2、将所述第二深度值ΔZ_(x,y)作为引导，获得所述第一相位补偿系数；

其中，根据所述第一相位补偿系数计算出的被测物体到参考平面的深度值最接近所述第二深度值ΔZ_(x,y)。

6.根据权利要求5所述的基于深度学习和结构光相结合的深度测量方法，其特征在于，步骤S6.2的具体计算方式为：

计算结果包括：L(m₀)＞L(m₁)＞L(m₂)＞…；

当L(m)取最小时，对应的m为所述第一相位补偿系数；

其中，h_(x,y)(m)为根据相位补偿系数m计算出的被测物体到参考平面的深度值，记为第三深度值；L(m)为所述第三深度值与所述第二深度值之间的误差值，L(m_i)为从大到小排序为第i+1位的误差值，f₀为正弦光栅条纹图的频率，d为所述结构光系统中的投影仪和相机之间的基线距离。

7.根据权利要求6所述的基于深度学习和结构光相结合的深度测量方法，其特征在于，步骤S7中，所述真实形变相位的具体计算方式为：

其中，公式(5)中的m为所述第一相位补偿系数。

8.根据权利要求7所述的基于深度学习和结构光相结合的深度测量方法，其特征在于，步骤S7中，所述测量深度值的具体计算方式为：

其中，公式(6)中的h(x,y)为被测物体的表面一点p(x,y)相对于参考平面的测量深度值。