申请/专利权人：南京大学

申请日：2021-01-06

公开（公告）日：2024-04-12

公开（公告）号：CN114723797B

主分类号：G06T7/514

分类号：G06T7/514;G06T5/70;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.07.26#实质审查的生效;2022.07.08#公开

摘要：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。

主权项：1.一种基于深度学习的TOF深度成像方法，其特征在于，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，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。

全文数据：

权利要求：

百度查询： 南京大学 一种基于深度学习的TOF深度成像方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD