[发明专利]基于TOF成像系统的深度融合方法和TOF相机有效
申请号: | 201711170732.5 | 申请日: | 2017-11-22 |
公开(公告)号: | CN109819173B | 公开(公告)日: | 2021-12-03 |
发明(设计)人: | 陈立刚;赵俊能;周劲蕾 | 申请(专利权)人: | 浙江舜宇智能光学技术有限公司 |
主分类号: | H04N5/235 | 分类号: | H04N5/235;H04N5/225 |
代理公司: | 上海领洋专利代理事务所(普通合伙) 31292 | 代理人: | 罗晓飞 |
地址: | 310000 浙江省杭州市滨江区长河街道滨安路1190号3*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 tof 成像 系统 深度 融合 方法 相机 | ||
1.一基于TOF成像系统的深度融合方法,其中,所述TOF成像系统被适用于获取至少一目标对象的深度信息,其特征在于,包括以下步骤:S1:一曝光数据模块获取该目标对象的至少一长曝光数据以及至少一短曝光数据;
S2:一计算模块获取该目标对象的至少一深度数据,其中所述深度数据包括至少一短深度数据以及至少一长深度数据,其中,在所述步骤S2之后进一步包括以下步骤:S4:调整所述短深度数据,所述步骤S4进一步包括以下步骤:S41:判断所述短深度数据是否符合要求;S42:响应于所述短深度数据不符合要求,启动一自动曝光模块以自动曝光算法调整所述短曝光数据;以及,S43:依据所述短曝光数据调整所述短深度数据,其中,所述自动曝光算法,包括:响应于所述短深度数据不符合要求,获取自动曝光时间;以及,以所述自动曝光时间代替所述短曝光数据对应的当前短曝光时间,以获得更新的短曝光数据直到所述更新的短曝光数据的短深度数据符合要求;以及
S3:一融合模块融合所述短深度数据以及所述长深度数据,以获取该目标对象的至少一融合数据,其中,所述步骤S3进一步包括以下步骤:S31:当所述长深度数据对应的坐标像素对应的数值大于一阈值,则所述坐标像素赋值为所述长深度数据;以及,S32:当所述长深度数据对应的坐标像素对应的数值小于或等于所述阈值,则所述坐标像素赋值为所述短深度数据,其中,所述阈值被实施为在长曝光模式下较近物体处于最佳深度效果的深度值。
2.根据权利要求1任一所述的基于TOF成像系统的深度融合方法,其中,所述步骤S1进一步包括以下步骤:
S11:一判断模块判断该目标对象的类型,当该目标对象为一远场景对象时执行步骤S12,当该目标对象为一近场景对象时执行步骤S13;
S12:所述曝光数据模块获取该目标对象的至少一双频长曝光数据以及所述短曝光数据;以及
S13:所述曝光数据模块获取该目标对象的至少一单频长曝光数据以及所述短曝光数据。
3.根据权利要求2所述的基于TOF成像系统的深度融合方法,其中,所述步骤S2进一步包括以下步骤:
S21:所述计算模块分别获取所述长曝光数据以及所述短曝光数据;
S22:所述计算模块依据所述长曝光数据以及所述短曝光数据,判断是否需要进行多核运算,当需要执行多核运算时,执行步骤S23;以及
S23:分割所述长曝光数据和/或所述短曝光数据,多核运算获取所述深度数据。
4.根据权利要求3所述的基于TOF成像系统的深度融合方法,其中,所述双频长曝光数据被实施为所述TOF模组以至少一双频近红外光获取所述目标对象的数据,其中所述双频近红外光被实施为对两种频率调制解调后得到的近红外光。
5.根据权利要求4所述的基于TOF成像系统的深度融合方法,其中,所述单频长曝光数据被实施为所述TOF模组以至少一单频近红外光获取所述目标对象的数据。
6.根据权利要求5所述的基于TOF成像系统的深度融合方法,其中,所述长曝光数据包括至少一长曝光时间以及对应所述长曝光时间的初始图像数据,所述短曝光数据包括至少一短曝光时间以及对应所述短曝光时间的初始图像数据。
7.根据权利要求3所述的基于TOF成像系统的深度融合方法,其中,所述步骤S23中,所述长曝光数据以及短曝光数据被存放在至少一慢速缓存,所述计算模块利用直接内存存取的方式将存储在所述慢速缓存中的所述长曝光数据和/或短曝光数据提取到至少一快速缓存,并在所述快速缓存中计算获取所述深度数据。
8.根据权利要求7所述的基于TOF成像系统的深度融合方法,其中,所述慢速缓存被实施为至少一双倍速率同步动态随机存储器,所述快速缓存被实施为至少一高速缓冲存储器。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江舜宇智能光学技术有限公司,未经浙江舜宇智能光学技术有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201711170732.5/1.html,转载请声明来源钻瓜专利网。