分享

TOF飞行时间深度相机介绍

 点云PCL 2022-08-22 发布于上海

公众号致力于分享点云处理,SLAM,三维视觉,高精地图相关的文章与技术,欢迎各位加入我们,一起交流一起进步,有兴趣的可联系微信:920177957。本文来自点云PCL博主的分享,未经作者允许请勿转载,欢迎各位同学积极分享和交流。

什么是飞行时间(ToF)

飞行时间原理是基于测量波从震源(飞行时间传感器)到目标和返回所需的时间,基于这些数据以及一些数学和物理知识(如波传播)可以确定该物体与震源的距离,根据技术的不同,可以使用不同类型的波来获得不同的结果,飞行时间是捕捉3D图像的几种方法之一,例如立体相机(具有两个单独的镜头以模拟人类视觉并重建深度感知的相机)或结构光成像(将结构图像投影到对象上,并根据网格的变形计算该对象的形状和距离)。

TOF优缺点

TOF工作条件

飞行时间技术的优点是它即使在光线很少或没有光线的情况下也能正常工作,事实上ToF被认为是一种“主动”成像技术,即依靠投射自身光线的技术,因此,它不需要任何外部光源来扫描周围环境,如立体相机就是被动成像技术。然而,由于基于飞行时间的技术依赖于发射和接收自身光的反向反射,因此在自然环境中(例如暴露在阳光下)它们可能表现不佳,这是因为其他光源发出的波会干扰相机设备发出的光。类似地,还有其他因素使ToF传感器更难正常工作,如“反光”表面(在不同方向反射光)或角落(产生多次反射)等。

TOF处理速度

飞行时间原理基于非常简单的数学和相对简单的算法,而立体相机需要复杂的校准和处理来生成深度图像,这就是为什么基于ToF技术的设备具有较低的系统要求,简单地说,在较小的处理器上工作更快,这一因素尤其适用于对要求处理速度至关重要的场景中,如自动驾驶汽车或工厂机器人和生产线范围场景中。另外飞行时间技术最显著的好处之一是:它可以在从半米到五米的范围内运行,一些飞行时间传感器的范围甚至可以达到10米!然而,结构光成像技术可能只有两到三米的范围,但它们往往更精确,因此,虽然ToF可以在短距离范围内工作,但他可能在远距离上有一定的误差。

TOF的相机精度

基于飞行时间的深度相机到底精度如何呢?它们的精度在很大程度上取决于与物体的距离,因此其精度通常估计为该测量距离的1%,比如,如果待测量物体距离5米,则ToF相机可以达到约5厘米的精度,这使得TOF相机视介于立体相机测量精度(精度约为距离的5-10%)和结构光传感器之间(其精度可低至1毫米)。

表1总结了TOF摄像机与立体视觉和结构光的比较。关键在于,TOF是一种经济高效、机械紧凑的深度成像解决方案,不受环境照明变化的影响,这种强大的组合使TOF传感器非常适合各种应用。

TOF相机的应用场景

客流统计、分流管理、无人零售

飞行时间技术在2020年真正走到了前台,当时社交距离和占用管理成为许多企业的必要条件,例如零售业,那时,基于飞行时间技术的设备开始用于客流计数软件,以提供比简单传感器更精确、更可靠的数据。使用飞行时间技术进行客流统计的最大好处是确保了高计数精度(高达98%),传感器提供了一种非参与、但也非侵入性的人员计数方法,这意味着游客不需要做任何事情(比如扫描二维码),只需进入会场进行则进行计数,维护了人员隐私,因为他们的真实图像并没有被捕捉到。

机器人学

飞行时间传感器也可用于物流和装配线自动化,使用的自主机器人需要计算机视觉,由于3D成像和高处理速度,ToF似乎是一个完美的解决方案,例如,有了ToF传感器,机器人手臂可以在装配线上分类物体,自动叉车可以拾取和搬运货物。但不仅仅是智能工厂可以从飞行时间技术中受益,且个人消费者也可以,3D ToF摄像机用于自动无人机和一些智能设备,如扫地机器人,它们确保机器人可以安全地避开所有障碍物。

智能手机

智能手机有了ToF摄像头可用于提高拍摄的照片的质量,由于它可以感知深度,手机可以利用它更好地理解照片中的背景,因为它在昏暗的光线下工作得很好,所以它也可以用于在没有最佳照明的地方拍摄更好的照片,基于飞行时间的技术也被用于运动检测和手势识别,使您可以在不触摸手机的情况下解锁手机,甚至还有一些应用程序使用手机中的ToF传感器进行距离测量!飞行时间技术及相机在商业、工业和个人用户中有着广泛的应用,可以被证明是机器人等领域某些发展的突破,具有巨大的潜力。

参考文献

https://www./lit/wp/sloa190b/sloa190b.pdf 

https://hal./hal-00725654/PDF/TOF.pdf

资源

三维点云论文及相关应用分享

【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法

3D目标检测:MV3D-Net

三维点云分割综述(上)

3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割(2020)

win下使用QT添加VTK插件实现点云可视化GUI

JSNet:3D点云的联合实例和语义分割

大场景三维点云的语义分割综述

PCL中outofcore模块---基于核外八叉树的大规模点云的显示

基于局部凹凸性进行目标分割

基于三维卷积神经网络的点云标记

点云的超体素(SuperVoxel)

基于超点图的大规模点云分割

更多文章可查看:点云学习历史文章大汇总

SLAM及AR相关分享

【开源方案共享】ORB-SLAM3开源啦!

【论文速读】AVP-SLAM:自动泊车系统中的语义SLAM

【点云论文速读】StructSLAM:结构化线特征SLAM

SLAM和AR综述

常用的3D深度相机

AR设备单目视觉惯导SLAM算法综述与评价

SLAM综述(4)激光与视觉融合SLAM

Kimera实时重建的语义SLAM系统

SLAM综述(3)-视觉与惯导,视觉与深度学习SLAM

易扩展的SLAM框架-OpenVSLAM

高翔:非结构化道路激光SLAM中的挑战

SLAM综述之Lidar SLAM

基于鱼眼相机的SLAM方法介绍

如果你对本文感兴趣,请后台发送“知识星球”获取二维码,务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球,免费下载pdf文档,和更多热爱分享的小伙伴一起交流吧!

以上内容如有错误请留言评论,欢迎指正交流。如有侵权,请联系删除

扫描二维码

                   关注我们

让我们一起分享一起学习吧!期待有想法,乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉,点云,高精地图,自动驾驶,以及机器人等相关的领域。

    转藏 分享 献花(0

    0条评论

    发表

    请遵守用户 评论公约

    类似文章 更多