[发明专利]一种基于参考信息辅助的深度学习的三维重构方法

权利要求书

1.一种基于参考信息辅助的深度学习的三维重构方法，其特征在于，包括如下步骤：

S1：构建深度卷积神经网络，所述深度卷积神经网络具有3条路径，定义该深度卷积神经网络为Recon_net；

S2：搭建条纹投影轮廓系统并标定，所述条纹投影轮廓系统生成训练集，所述Recon_net采集训练集进行训练，定义训练后的Recon_net为Recon_model；

S3：利用训练完成的Recon_model实现相位到深度的映射；

步骤S2包括如下步骤：S21、S22、S23和S24，其中步骤S21具体过程如下，搭建条纹投影轮廓系统，并对系统进行标定，其中搭建的条纹投影轮廓系统由一个投影仪和一个相机组成，投影仪和相机之间用1根触发线相连接，然后利用张正友标定算法，将整个系统标定到统一世界坐标系下，得到1个相机与投影仪的内参和外参，并将这些参数转化为二维到三维的映射参数；

步骤S22中，使用投影仪投影36幅3个频率的12步相移条纹图像，由相机同步采集所投影的条纹图像，并利用相移法和多频时间相位展开法生成训练Recon_net所需的参考输入数据，其中，使用投影仪向平板投影并由相机同步采集所投影的条纹图像，获得平板的高频绝对相位为和平板的深度信息为，使用投影仪向待测量物投影并由相机同步采集所投影的条纹图像，获得待测量物的高频绝对相位为和待测量物的深度信息为；

步骤S22包括如下步骤：S221、S222、S223、S224、S225和S226，步骤S221具体过程如下，使用投影仪投影36幅3个频率的12步相移条纹图像，3个频率分别为1频、8频、48频，相机同步采集所投影的条纹图像，记相机所采集的三个不同频率的条纹图像分别表示为、、，其中上标l、m和h分别表示1频、8频和48频，下标表示12幅相移条纹图像中的哪一幅，1频为低频，8频为中频，48频为高频；

步骤S222，使用多步相移法获取三个频率的包裹相位、、，上标表示不同的低、中、高频率：

（A）；

（B）；

（C）；

式中；

步骤S223，使用多频时间相位展开法获取中频包裹相位的绝对相位和高频包裹相位的绝对相位：

（D）；

（E）；

步骤S224，由获取的高频绝对相位，并通过S21中获得的标定参数可重构出平板的三维形貌信息，并获取深度信息；

步骤S225，利用步骤S221 - S224中的投影仪向平板投影36幅3个频率的12步相移条纹图像，由相机同步采集所投影的条纹图像，利用多步相移法和多频时间相位展开法获取平板的高频绝对相位和深度信息，定义获得平板的高频绝对相位为和平板的深度信息为，和的下标0表示来自于平板的参考数据，用于区分待测量物的高频绝对相位和深度信息，平板的高频绝对相位以及深度信息作为一组输入参考数据，通过在输入数据中加入参考数据能够让Recon_net更快、更容易地学习相位-深度的映射；

步骤S226，投影仪向待测量物投影36幅3个频率的12步相移条纹图像，由相机同步采集所投影的条纹图像，利用多步相移法和多频时间相位展开法获取被测物的高频绝对相位，以及对应的深度信息，参考数据为平板的高频绝对相位和深度信息，最终将参考数据以及待测量物的高频绝对相位作为Recon_net的一组输入数据，将待测量物的深度信息作为Recon_net的一组输出数据；

步骤S23具体过程如下，重复步骤S22，生成1000组训练数据，参考数据无需重复采集，即平板的高频绝对相位和平板的深度信息无需重复采集，只需采集待测量物的高频绝对相位和深度信息；

步骤S24，训练Recon_net，并生成训练模型Recon_model；

步骤S24具体过程如下，将、、作为输入数据，作为标准数据送入Recon_net，利用均方误差作为损失函数，计算标准值与Recon_net输出值之间的差异，结合反向传播法，反复迭代优化Recon_net的内部参数，直到损失函数收敛，此时Recon_net训练结束，在Recon_net的训练过程中，除第七卷积层（16）外，其余任意卷积层中使用的激活函数均为线性整流函数，迭代优化损失函数时，采用Adam算法寻找损失函数的最小值，记最终训练后的模型为Recon_model。