[发明专利]动态物体的三维成像方法、装置、设备及存储介质

权利要求书

1.一种动态物体的三维成像方法，其特征在于，包括：

按照预设的两种条纹频率对动态物体进行条纹投影并拍摄条纹图；

将所述条纹图输入至预设的图像特征提取模型中进行特征提取处理，分别获得所述动态物体的像素点实部分布图和像素点虚部分布图；

根据所述像素点实部分布图和像素点虚部分布图，对所述动态物体的像素点进行相位计算，获得所述动态物体的折叠相位图，并对所述折叠相位图进行相位展开处理，获取所述动态物体的绝对相位图；

根据所述绝对相位图，将所述动态物体的所有像素点进行双目匹配及深度计算，获得各像素点对应的三维坐标值，以根据所述各像素点对应的三维坐标值构建所述动态物体的三维图像。

2.根据权利要求1所述的动态物体的三维成像方法，其特征在于，所述将所述条纹图输入至预设的图像特征提取模型中进行特征提取处理，分别获得所述动态物体的像素点实部分布图和像素点虚部分布图的步骤之前，还包括：

根据所述条纹图中的背景强度分布确定所述条纹图的除噪阈值，按照所述除噪阈值对所述条纹图进行除噪处理。

3.根据权利要求1所述的动态物体的三维成像方法，其特征在于，所述将所述条纹图输入至预设的图像特征提取模型中进行特征提取处理，分别获得所述动态物体的像素点实部分布图和像素点虚部分布图的步骤之前，还包括：

采用预先搭建的正弦条纹投影测量系统在若干种不同频率下收集物体条纹图样本；

采用相移法计算出所述物体条纹图样本中表示物体的所有像素点的实部数据值和虚部数据值；

将所述物体条纹图样本作为模型输入以及将所述物体条纹图样本中表示物体的所有像素点的实部数据值和像素点虚部数据值作为模型输出训练预设的卷积神经网络模型至收敛状态，生成图像特征提取模型。

4.根据权利要求3所述的动态物体的三维成像方法，其特征在于，所述将所述物体条纹图样本作为模型输入以及将所述物体条纹图样本中表示物体的所有像素点的实部数据值和像素点虚部数据值作为模型输出训练预设的卷积神经网络模型至收敛状态，生成图像特征提取模型的步骤中，包括：

将收集到的所有物体条纹图样本按照预设的分配比例进行随机分配，获得训练样本集和验证样本集；

针对分配至所述训练样本集中的第一物体条纹图样本，将所述第一物体条纹图样本作为模型输入及将所述第一物体条纹图样本中表示物体的所有像素点的实部数据值和虚部数据值作为模型输出训练所述预设的卷积神经网络模型，获得训练后的卷积神经网络模型；

针对分配至所述验证样本集中的第二物体条纹图样本，将所述第二物体条纹图样本输入至所述训练后的卷积神经网络模型进行特征提取处理，获取所述训练后的卷积神经网络模型输出的表示物体的所有像素点的第一实部数据值和第一虚部数据值；

将所述训练后的卷积神经网络模型输出的表示物体的所有像素点的第一实部数据值和第一虚部数据值与所述第二物体条纹图样本通过相移法计算获得的表示物体的所有像素点的实部数据值和虚部数据值进行相似度比对，获得相似度值；

将所述相似度值与上一轮迭代训练的相似度值进行比较，若所述相似度的增长幅度小于预设阈值，则判断所述训练后的卷积神经网络模型已训练至收敛状态，将所述训练后的卷积神经网络模型生成为图像特征提取模型。

5.根据权利要求4所述的动态物体的三维成像方法，其特征在于，所述将所述相似度值与上一轮迭代训练的相似度值进行比较，若所述相似度的增长幅度小于预设阈值，则判断所述训练后的卷积神经网络模型已训练至收敛状态，将所述训练后的卷积神经网络模型生成为图像特征提取模型的步骤之后，还包括：

根据所述图像特征提取模型输出的表示物体的所有像素点的实部数据值和虚部数据值以及所述物体条纹图样本通过相移法计算获得的表示物体的所有像素点的实部数据值和虚部数据值，构建所述图像特征提取模型的第一损失函数；

获取所述物体条纹图样本的调制分布，构建所述图像特征提取模型的第二损失函数；

将所述第一损失函数和所述第二损失函数进行加权整合，生成所述图像特征提取模型的总损失函数，采用所述总损失函数对所述图像特征提取模型进行模型优化训练。