[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

说明书

本发明属于三维重建技术领域，公开了一种基于深度学习和结构光相结合的深度测量方法，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；根据初始深度值获得第一相位补偿系数；根据包裹形变相位和第一相位补偿系数获得真实形变相位，对真实形变相位进行相位展开，获得测量深度值。本发明解决了现有技术中深度测量的精度较低的问题，能够有效提高测量精度。

技术领域

本发明涉及三维重建技术领域，尤其涉及一种基于深度学习和结构光相结合的深度测量方法。

背景技术

传统的二维成像技术已经不能满足现在人们的需要，由于图像是三维空间在光学系统的投影，仅仅实现图像层次的识别是不够的，计算机视觉的更高层次必然是准确的获得物体在三维空间中的形状、位置、姿态，通过三维重建技术实现物体在三维空间的检测、识别、追踪以及交互。现在，越来越多基于三维图像的技术不断涌现，为了获取真实的三维图像，通常要对场景或物体进行深度感知。

在一系列采集三维信息的技术中，结构光技术是一种理论完备且具有充分可行性深度感知技术，通常，结构光技术先将多个固定的正弦波模板对被测物体进行投影，该模板在物体表面会发生形变，再用相机采集形变图。最后通过计算模板在场景中显现出的形变或模板与图像上的点的对应关系，利用三角测量法精准地计算场景中深度。近年来，深度学习发展迅速，尤其在计算机视觉领域取得了很大进展，深度学习的方法也可以实现场景的深度估计，它通过设计复杂的多层卷积神经网络(CNN)结构，使用多样的网络结构以拟合图像和深度间的关系，通过完全的端到端的训练快速地实现对单幅图像的深度估计。

然而，上述两种深度感知技术都有他们的局限性。相位结构光技术存在相位包裹问题，其测量相位为真实相位除以2π取模的结果，而只有将包裹相位展开得到真实相位之后才能正确获得场景的深度值和三维信息。深度学习则面临着高效率的局部算法导致匹配效果较差的问题。

发明内容

本申请实施例通过提供一种基于深度学习和结构光相结合的深度测量方法，解决了现有技术中深度测量的精度较低的问题。

本申请实施例提供一种基于深度学习和结构光相结合的深度测量方法，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。

优选的，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。

优选的，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。