飞行时间传感器的优化方法及其系统技术方案

本公开涉及飞行时间传感器，公开了一种飞行时间传感器的优化方法及其系统。该方法包括：使用飞行时间传感器进行检测，获取检测结果的整体置信度；如果整体置信度低于预设的第一门限，则提取当前场景的特征参数，将所提取的特征参数输入预先训练好的用于场景类型识别的机器学习模型，根据该机器学习模型输出的场景类型确定新的调制频率，使用新的调制频率更新飞行时间传感器的调制频率。更新飞行时间传感器的调制频率。更新飞行时间传感器的调制频率。

【技术实现步骤摘要】
飞行时间传感器的优化方法及其系统


[0001]本公开涉及飞行时间传感器，特别涉及飞行时间传感器的优化技术。

技术介绍

[0002]TOF是飞行时间(Time of Flight)技术的缩写。TOF传感器发出经调制的近红外光，遇物体后反射，TOF传感器通过计算光线发射和反射时间差或相位差，来换算被拍摄景物的距离，以产生深度信息，此外再结合传统的相机拍摄，就能将物体的三维轮廓以不同颜色代表不同距离的地形图方式呈现出来。
[0003]当ToF传感器侦测到置信度很小的场景，可能因为置信度太小使得求出来的深度可信度很低，无法顺利在深度图上建立足够的深度信息。通常有两种原因会导致较低的置信度，第一种是因为调制频率的设定不符合目前使用的场景，第二种是因为遇到吸旋光性较强的物体(例如黑色物体或透明物体)。
[0004]遇到这种情况，现有技术的主要处理方法是去调整ToF传感器的操作参数，多数的方法是在多张不同帧给定不同的调制频率，再经由de-aliasing的算法得到较大的深度测量范围。
[0005]现有技术的第一个缺点在于，调制频率的设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种飞行时间传感器的优化方法，其特征在于，包括：使用飞行时间传感器进行检测，获取检测结果的整体置信度；如果所述整体置信度低于预设的第一门限，则提取当前场景的特征参数，将所提取的特征参数输入预先训练好的用于场景类型识别的机器学习模型，根据该机器学习模型输出的场景类型确定新的调制频率，使用新的调制频率更新所述飞行时间传感器的调制频率。2.如权利要求1所述的飞行时间传感器的优化方法，其特征在于，所述使用飞行时间传感器进行检测，获取检测结果的整体置信度，之后还包括：如果所述整体置信度高于所述第一门限，则将所述飞行时间传感器检测到的深度图和彩色图进行融合，得到彩色-深度融合图；在所述彩色-深度融合图中进行物体识别和物体分割，获得至少一个物体区域；对于每一个物体区域，如果该物体区域的局部置信度低于预设的第二门限，并且颜色深色程度超过预设的第三门限，则对该物体区域的局部置信度阈值进行调整，以尽量保留该物体区域的深度信息。3.如权利要求2所述的飞行时间传感器的优化方法，其特征在于，所述深度图是根据所述飞行时间传感器检测到的相位信息获得的。4.如权利要求2所述的飞行时间传感器的优化方法，其特征在于，所述在所述彩色-深度融合图中进行物体识别和物体分割，进一步包括：使用卷积深度神经网络识别物体表面的法线、遮挡边界、和透明物体的表面屏蔽，得到表面法线图、物体边界图和透明物体图；根据所述表面法线图、物体边界图和透明物体图进行物体识别和物体分割，从所述彩色-深度融合图中将识别出的物体所在的区域分割出来，作为所述物体区域。5.如权利要求1所述的飞行时间传感器的优化方法，其特征在于，所述当前场景的特征参数包括以下之一或其任意组合：所述检测结果的置信度直方图，从所述飞行时间传感器拍摄的彩色图中提取的边缘、角点、斑点。6.如权利要求1-5中任意一项所述的飞行时间传感器的优化方法，其特征在于，所述场景类型包括以下之一或其任意组合：室内、室外、灯光明亮、灯光昏暗、距离远、距离近。7.如权利要求6所述的飞行时间传感器的优化方法，其特征在于，所述根...

【专利技术属性】
技术研发人员：洪嘉良，卢一斌，
申请(专利权)人：神顶科技南京有限公司，
类型：发明
国别省市：