[发明专利]一种基于深度学习的相位展开方法

说明书

本发明公开了一种基于深度学习的相位展开方法，首先生成仿真数据来作为网络训练的训练集，通过相机采集被条纹编码的图片并使用相移轮廓术求解包裹相位，以此作为验证集。通过已搭建的全连接神经网络进行训练，训练完成后的模型可进行逐像素的条纹级次预测。本发明能够从两张包裹相位图中提取绝对相位信息，不但克服了相位展开效率低的缺陷，而且显著减少了模型训练时间，可适用于小型化快速三维成像系统。

技术领域

本发明属于基于条纹投影的三维成像技术领域，特别是基于深度学习的相位展开方法。

背景技术

三维成像技术可广泛应用于各个领域，如缺陷检测、逆向建模、文物保护和人机交互等。在诸多三维成像技术中，基于条纹投影的三维成像技术凭借其测量速度快、精度高、易于实现等优点脱颖而出，成为目前三维成像领域研究的热点。典型的条纹投影系统包含一个投影装置和至少一部相机，该技术通过将预先生成的一系列条纹通过数字投影装置投射到被测物体上，之后通过相机捕获被物体调制的条纹图案，并根据相应的解码算法来获得物体的相位信息，最终重构出物体的三维形貌。

由于被投射到物体上的条纹为正弦条纹，因此需要使用傅立叶法或相移法来提取相位信息，对应的三维成像技术被称为傅立叶轮廓术和相移轮廓术。傅立叶法通过单幅条纹图片就可以获得包裹相位信息，因此图片利用率较高。而相移法虽然虽然需要至少三张条纹图片才能获得包裹相位，却具有更强的抗干扰能力，可以获得更高的测量精度。

无论是何种方法，由于反正切函数的截断效应，通过条纹图片求得的相位信息被包裹在 ，这使得相位信息存在不连续性并呈锯齿状分布，必须要通过相位展开算法来获得绝对相位才能使其进一步用于三维重构。

典型的相位展开方法包括空间相位展开法、立体相位展开法和多频时间相位展开法。空间相位展开法通过对邻近像素进行分析来对当前像素解包裹，其限制在于无法处理存在多个物体或相位存在跳变的场景。而立体相位展开法将计算机视觉中的极线约束引入了到了相位展开中，利用多个相机视角的空间极线关系实现相位的无歧义展开，相较于空间相位展开法，该方法能够展开不连续物体的相位信息且无需额外的编码图案，但是当条纹密度较高时，立体相位展开法将难以找到匹配点而导致错误的相位展开，且该方法计算量大，需要使用并行计算来提高相位展开速度。而多频时间相位展开法通过对不同频率下同一像素的包裹相位进行计算来展开相位，可不受限于条纹的密度，同时还可应用于相位存在跳变的场景，因此该方法自上世纪90年代被提出以来，被广泛的应用于条纹投影系统中。但是该方法单次重建所需的条纹数量多，难以保证单次测量中相机视角下“运动物体准静止”的假设，因此往往只能运用于静态或低速场景。

为了使多频时间相位展开法可以应用于快速测量场景，学者们从三个方向作出了努力：开发更快帧率的硬件设备减少帧间间隔；补偿运动误差；提高测量效率。然而，使用帧率更高的设备往往意味着更高的投入成本和更大的硬件体积，对运动误差的补偿则存在不稳定性，因此无法应用于小型化三维成像系统或是移动设备。因此，在接下来的内容中，我们将重点关注测量效率的提高。