[发明专利]一种基于深度学习的TOF深度成像方法

说明书

本发明公开了一种基于深度学习的TOF深度成像的方法。具体步骤如下：(1)向TOF成像网络输入深度图，使用可学习的矩阵模拟TOF的调制函数，根据深度图的像素值进行相应的移位；(2)使用可学习的矩阵模拟TOF的解调函数，与上一步的输出进行积分操作；(3)积分后加上环境光，再加入噪声，输入给去噪成像子网络；(4)将调制函数、解调函数以及去噪成像子网络同时训练；(5)使用训练得到的调制函数来调制激光二极管，照亮场景；(6)使用APD测量反射回的信号，与训练得到的解调函数相乘；(7)相乘后的信号经过低通滤波器，测量电压值；(8)电压值输入给训练得到的去噪成像子网络，完成TOF深度成像。本方法可以增强TOF深度成像对噪声的鲁棒性，提高成像的精度。

技术领域

本发明涉及计算摄像学和深度学习领域，尤其涉及一种基于深度学习的TOF深度成像技术。

背景技术

近年来，随着人工智能浪潮的兴起，将人工智能应用于计算摄像学的领域已经成为计算机视觉、数字信号处理、光学等领域的前沿研究热点。

对深度图的处理作为人工智能的一种应用正引起广泛的关注，深度成像的相关研究工作对于自动驾驶、地理遥感、医学成像等领域有着重要的意义。深度图应用范围广，相对二维图像，可通过距离信息获取物体之间更加丰富的位置关系，即区分前景与后景。经过进一步深化处理，可以完成三维建模等应用，而且可以能够快速完成对目标的识别与追踪。同时，深度信息依旧可以完成对目标图像的分割、标记、识别、跟踪等传统应用。

传统的Time-of-Flight(TOF)的深度成像方法，使用脉冲波直接测两个信号的时间间隔来获取深度信息，或者使用正弦信号作为调制和解调函数，通过测相位的方式来获取深度信息。但传统的TOF深度成像方法存在着一些缺点，例如：受到噪声的影响大，测量的精度相对较低；测量结果受被测物性质、外界环境和外界光源干扰较为明显；系统误差及随机误差对结果影响明显，需要进行后期数据处理等。

发明内容

为解决以上现有TOF成像方法中存在的缺陷，本发明的目的在于提出一种基于深度学习的TOF深度成像方法。

为达上述目的，本发明采用的技术方案如下：

一种基于深度学习的TOF深度成像方法，包括如下步骤：

步骤1，将训练数据集中的深度图输入到TOF成像网络，TOF成像网络包括调制函数、解调函数和去噪成像子网络；

步骤2，使用一个可学习的矩阵模拟实际TOF成像的调制函数，该矩阵根据深度图的每个像素的值进行相应的移位；

步骤3，使用另一个可学习的矩阵模拟实际TOF成像的解调函数，与步骤2的输出进行积分操作；

步骤4，将步骤3积分后的结果加上环境光以及光子噪声和传感器读取的噪声，构成带噪声的测量图；

步骤5，将带噪声的测量图输入给TOF成像网络的去噪成像子网络，去噪成像子网络与调制函数和解调函数同时用深度学习的方法训练，得到训练好的调制函数、解调函数和去噪成像子网络；

步骤6，使用步骤5训练得到的调制函数对激光二极管进行调制，驱动激光二极管发射激光照亮场景；

步骤7，场景物体表面反射回的反射光，经过分光器后，聚焦到探测器上，探测器接收到带有调制信息的反射信号；

步骤8，将步骤7的反射信号与步骤5训练得到的解调函数经过乘法器相乘，再经过低通滤波器进行积分，使用模数转换器对低通滤波器输出的电压进行采集；

步骤9，重复步骤6至步骤8，扫描场景中的每个点，完成对场景中所有的点的深度测量，得到带有噪声的测量图；

步骤10，把步骤9得到的带有噪声的测量图输入给步骤5训练得到的去噪成像子网络，得到场景的深度图，完成TOF深度成像。