【技术实现步骤摘要】
本专利技术涉及图像数据处理领域，尤其涉及一种基于飞行时间相机的关联成像系统。
技术介绍
1、飞行时间(time of flight,tof)相机是一种三维立体成像设备,具有体积小、测量误差小、抗干扰能力强、可直接输出深度图等优点。与结构光三维成像和双目视觉三维成像等其他三维成像方法相比，tof相机可以实时获取场景的深度和强度信息，大大增强了其应用前景。因此，几种tof摄像机在多媒体、消费电子、安防/监控、超分辨率成像、非视距成像、自动驾驶[34]等商业和研究领域得到了广泛的应用。
2、然而,由于多路径干扰和混合像素,与传统传感器相比,它通常具有较低的分辨率和信噪比。尽管tof相机已经取得了很大的进步，但在这些应用中，低像素分辨率和信噪比(snr)仍然是迄今为止未能突破的瓶颈。
3、为了使tof成像技术在各领域应用中产生高质量的图像数据，研究tof相机成像的步伐从未停止。随着科技发展，深度学习算法应用的广泛，将深度学习算法于tof成像技术结合产生一种新的成像系统，以根据使用的关联成像方法获得更优质的图像数据成为可能。
技术实现思路
1、为了解决tof相机成像的各种缺陷，获得高质量的图像数据，以便将tof相机应用于更多的
，本专利技术提出一种基于飞行时间相机传的关联成像系统，通过该系统对目标物进行图像采集后，能够生成一种高质量的图像数据。
2、本专利技术实施例的目的是提供一种基于飞行时间相机的关联成像系统，所述系统包括：光源设备、目标物、全反射
3、所述光源设备产生的光源照射所述目标物；
4、所述目标物所述光源得到的第一反射光入射到所述全反射棱镜；
5、所述全反射棱镜对所述第一反射光进行光路改变，得到第一变光信号；；
6、所述空间光调制器对所述第一变光信号进行调制处理，输出调制图像数据；
7、所述飞行时间相机采集所述空间光调制器反射所述第一变光信号后生成的第二反射光信号，生成桶信号数据；其中，所述第二反射光信号携带有目标物信息；
8、所述主控设备获取所述调制图像数据和所述桶信号数据；
9、所述主控设备采用预设深度学习算法对所述调制图像数据和所述桶信号数据进行数据处理，得到所述目标物的目标图像数据。
10、优选的，所述光源设备产生波长为850nm连续调制光。
11、优选的，所述空间光调制器为数字微镜器件。
12、优选的，所述飞行时间相机的分辨率为320×240。
13、优选的，在所述目标物和所述全反射棱镜之前还包括第一棱镜，所述第一棱镜用于对所述第一反射光进行光路改变，将所述第一反射光变为平行光束。
14、优选的，所述预设深度学习算法为u-net神经网络模型。
15、进一步优选的，所述主控设备采用预设深度学习算法对所述调制图像数据和所述桶信号数据进行处理，得到所述目标物的目标图像数据具体包括：
16、所述主控设备将所述调制图像数据和所述桶信号数据作为所述u-net神经网络模型的输入，所述u-net神经网络模型根据初始权重值生成预测图像数据；
17、所述主控设备根据所述预测图像数据生成所述目标图像数据。
18、进一步优选的，所述主控设备将所述调制图像数据和所述桶信号数据作为所述u-net神经网络模型的输入，所述u-net神经网络模型根据初始权重值生成预测图像数据具体包括：
19、所述主控设备对所述桶信号数据进行强度数据提取处理，得到所述原始强度数据值；
20、所述主控设备将所述调制图像数据和所述原始强度数据值作为所述u-net神经网络模型的输入；
21、所述u-net神经网络模型根据初始权重值生成初始预测图像数据和预测桶信号数据；
22、所述主控设备对所述预测桶信号数据和所述原始强度数据值进行均方误差计算，得到预测均方误差；
23、根据所述预测均方差得到所述u-net神经网络模型的损失函数；
24、所述主控设备根据所述预测桶信号数据、所述初始预测图像数据和所述损失函数，对所述u-net神经网络模型进行n次迭代处理，得到所述预测图像数据。
25、进一步优选的，所述主控设备将所述调制图像数据和所述桶信号数据作为所述u-net神经网络模型的输入，所述u-net神经网络模型根据初始权重值生成预测图像数据具体包括：
26、所述主控设备对所述桶信号数据进行深度数据提取处理，得到所述原始深度数据值；
27、所述主控设备将所述调制图像数据和所述原始深度数据值作为所述u-net神经网络模型的输入；
28、所述u-net神经网络模型根据初始权重值生成初始预测图像数据和预测桶信号数据；
29、所述主控设备对所述预测桶信号数据和所述原始深度数据值进行均方误差计算，得到预测均方误差；
30、根据所述预测均方差得到所述u-net神经网络模型的损失函数；
31、所述主控设备根据所述预测桶信号数据、所述初始预测图像数据和所述损失函数，对所述u-net神经网络模型进行n次迭代处理，得到所述预测图像数据。
32、进一步优选的，所述u-net神经网络模型的批量大小bs＝1和学习率lr＝0.9；
33、所述飞行时间相机的采样率sr＝0.25；
34、所述迭代次数n的取值为n＝30。
35、本专利技术提出的一种基于飞行时间相机传的关联成像系统，该系统使用tof相机作为桶检测器，并基于深度学习算法进行了目标物的图像数据采集，并对采集到的图像数据进行图像重建，该关联成像系统具有并且采样率低，重建的图像峰值信噪比高的优势。此外，本专利技术提出的基于飞行时间相机传的关联成像系统通过相应的关联成像方法在通过散射介质时也可以获得优质的目标图像数据，使得tof相机应用于相当恶劣的环境中如在散射介质中或水下成为可能。
本文档来自技高网...【技术保护点】
1.一种基于飞行时间相机的关联成像系统，其特征在于，所述系统包括光源设备、目标物、全反射棱镜、空间光调制器、飞行时间相机和主控设备；其中，
2.根据权利要求1所述关联成像系统，其特征在于，所述光源设备产生波长为850nm连续调制光。
3.根据权利要求1所述的关联成像系统，其特征在于，所述空间光调制器为数字微镜器件。
4.根据权利要求1所述的关联成像系统，其特征在于，所述飞行时间相机的分辨率为320×240。
5.根据权利要求1所述的关联成像系统，其特征在于，在所述目标物和所述全反射棱镜之前还包括第一棱镜，所述第一棱镜用于对所述第一反射光进行光路改变，将所述第一反射光变为平行光束。
6.根据权利要求1所述的关联成像系统，其特征在于，所述预设深度学习算法为U-net神经网络模型。
7.根据权利要求6所述的关联成像系统，其特征在于，所述主控设备采用预设深度学习算法对所述调制图像数据和所述桶信号数据进行处理，得到所述目标物的目标图像数据具体包括：
8.根据权利要求7所述的关联成像系统，其特征在于，所述主控
9.根据权利要求7所述的关联成像系统，其特征在于，所述主控设备将所述调制图像数据和所述桶信号数据作为所述U-net神经网络模型的输入，所述U-net神经网络模型根据初始权重值生成预测图像数据具体包括：
10.根据权利要求8或9所述的关联成像系统，其特征在于，所述U-net神经网络模型的批量大小BS＝1和学习率LR＝0.9；
...【技术特征摘要】
1.一种基于飞行时间相机的关联成像系统，其特征在于，所述系统包括光源设备、目标物、全反射棱镜、空间光调制器、飞行时间相机和主控设备；其中，
2.根据权利要求1所述关联成像系统，其特征在于，所述光源设备产生波长为850nm连续调制光。
3.根据权利要求1所述的关联成像系统，其特征在于，所述空间光调制器为数字微镜器件。
4.根据权利要求1所述的关联成像系统，其特征在于，所述飞行时间相机的分辨率为320×240。
5.根据权利要求1所述的关联成像系统，其特征在于，在所述目标物和所述全反射棱镜之前还包括第一棱镜，所述第一棱镜用于对所述第一反射光进行光路改变，将所述第一反射光变为平行光束。
6.根据权利要求1所述的关联成像系统，其特征在于，所述预设深度学习算法为u-net神经网络模型。...
【专利技术属性】
技术研发人员：谷鹏举，杨文，
申请(专利权)人：北京深测科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。