【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种基于tof传感器与激光器的非视域成像系统及重建方法。
技术介绍
1、非视域成像是指探测器借助中介反射面采集视场外目标光信息后进行计算成像的技术。非视域成像目的是通过对中介面上的散斑光信息进行光学逆运算或采集目标返回光信息实现非视域目标的成像或三维重建。该技术能够在洞穴探测、火灾救援等场景中起到关键的信息收集作用，具有重要的研究意义与应用价值。非视域目标的光信号通过中介面的反射进入成像系统，由于中介面散射特性导致目标光信号发生不同程度的随机散射，致使图像信息严重退化。在探测器采集过程中，为确保目标光信号进入传感器，需要分析光信号传播路径，同时为减少杂散光的干扰，需要避开由照明系统第一次入射在中介面上引起的后向杂散光。目前，非视域成像技术的方法通常有主动成像法与被动成像法。其中，主动成像方法分为瞬态成像和距离选通成像法，瞬态成像法是借助高速探测器与高速照明协调工作，采集目标的返回光信息进行时间与强度的精确重建，系统成本与维护成本较大，成像速度较慢；距离选通方法则是在高灵敏度探测器前增加距离选通门，通过时间的精确控制达到特性距离光信号的接收，从而避免中介面的一次散射而只接收目标光信息以达到非视域成像目的，该方法控制复杂，成像质量较差且速度较慢。被动成像方法则是通过采集中介面上的目标散斑光信息进行光学逆运算，以重建目标，但由于散射特性是未知的，逆运通常计算复杂且边界条件不足，局限性较大，成像结果较差。因此亟待设计一种简单易行且效果较好的方法以应对非视域成像场景的应用需求。
2、非视域成像从系
3、(1)基于超快照明与探测的瞬态非视域成像技术。利用飞秒激光器发射超短脉冲，直接探测与捕捉非视域目标光信息；或采用单光子探测器，通过扫机构统计光子数量实现非视域目标的识别。飞秒脉冲激光器的超短高能脉冲为测量空间信息提供了更宽泛的条件，而条纹管相机具有飞秒光信号的采集分辨力，当相机接收到连续发出的脉冲光信号后，可计算出光信号往返于目标与探测器之间的时间差，进而分辨出飞秒脉冲经历的光程，以实现目标三维重构。然而脉冲点光源需多次扫描照明，致使计算过程非常耗时，且纳秒级处理与运算的器件成本相对高昂与复杂。近年来，该方法虽然通过共聚焦光学系统以及单光子探测设备降低了成本以及成像速度，但该方法仍然存在高昂设备维护费用以及成像速度慢的问题。
4、(2)距离选通成像技术。在有效信号返回时，开启选通门，探测器只采集特定距离的返回光信号，从而有效避免反射面的杂散光的影响，实现非视域目标成像。然而，所采集数据仍然受到中介面的散射作用，需要根据物理特点实施逆运算，存在计算耗时长，逆运算模型复杂等问题，并且照明脉冲宽度对目标深度测量精度与最短测量距离有直接影响。
5、(3)被动非视域成像技术与其他方法。通过采集反射中介面上的散斑光信息，结合光路传播逆模型实现另一侧目标探测，该类方法缺少光传播时间的信息，难以实现非视域目标的三维重构，但此类成像系统相比上述两种具有更简单的维护方法，结合非朗伯散射中介面以及近年来人工智能相关技术，已经成为近年来的研究热点之一。
技术实现思路
1、本专利技术实施例的主要目的在于提出一种重建效果好、适用性强、成本低的基于tof传感器与激光器的非视域成像系统及重建方法，能够从深度退化图完全模糊的情况下重建出成像目标的轮廓，且存在着较少的阴影。
2、为实现上述目的，本专利技术实施例的一方面提出了一种基于tof传感器与激光器的非视域成像系统及重建方法，包括以下步骤：
3、搭建非视域成像场景，所述非视域成像场景由tof传感器、激光器、中介面、成像目标组成；
4、采集非视域数据集，所述非视域数据集由未经处理的原始深度退化图像和对应的深度清晰图像组成；
5、根据所述非视域数据集，搭建基于深度神经网络的变尺度编码-解码架构的三维重建模型用于重建非视域目标，并采用预处理后的所述非视域数据集完成所述三维重建模型的训练；
6、在完成对所述三维重建模型的训练后，将待重建的深度退化图像输入所述三维重建模型进行三维重建，输出非视域场景的深度重建图像。
7、在一些实施例中，所述搭建非视域成像场景，包括以下步骤：
8、通过照明光源发出调制光对目标充分照明，tof传感器通过照明光与接收光之间的相位差来实现深度计算成像；其中，基于tof传感器的非视域成像系统主要由照射单元、探测器、控制单元、处理器组成；
9、所述非视域成像系统的成像步骤包括以下步骤：
10、激光器在同步信号的驱动下，发射高频调制光对目标进行照明，光束照射到目标物体并被反射；
11、探测器接收被反射的光信号，同时在tof传感器上成像；
12、存储器临时存储捕获的图像和深度数据；
13、处理器对图像和深度数据进行处理，通过数据接口与外部计算设备连接，将数据传输到计算机设备进行处理和存储。
14、在一些实施例中，所述采集非视域数据集，包括以下步骤：
15、使用tof传感器与激光器对成像目标进行成像，获取目标每个像素点的深度信息；
16、采用所述非视域成像场景采集深度图像数据，在采集过程中，将中介面与成像目标之间的界面更换为镜子；
17、在成像目标底下放置旋转台，通过旋转一周来获得成像目标不同角度的特征。
18、在一些实施例中，所述根据所述非视域数据集，搭建基于深度神经网络的变尺度编码-解码架构的三维重建模型用于重建非视域目标，并采用预处理后的所述非视域数据集完成所述三维重建模型的训练，包括以下步骤：
19、在编码器端，使用resnet-50作为特征提取网络，所述特征提取网络引入了瓶颈残差模块组成，以构建输入与输出之间的残差关系；其中，所述特征提取网络分为5个阶段，第一个阶段将预处理的深度退化图像输入特征提取网络提取多层特征，后四个阶段分别包含3、4、6、3个瓶颈残差模块；
20、在解码器端，对每个阶段获得的有效特征分别应用通道注意力模块进行处理；该过程具体为：将上一阶段提取的特征经过通道注意力模块后进行上采样，最后与次一阶段提取的特征进行相加后作为次一阶段对应通道注意力模块的输入，使用跳跃连接实现多尺度的有效特征融合；在解码器末端，对各阶段通过通道注意力解码的特征进行上采样，然后进行融合特征，输出最终的深度重建图像。
21、在一些实施例中，所述方法还包括：
22、所述三维重建模型在训练前对非视域数据集进行深度数据预处理，具体为：输入大小为192×192的深度退化图像，输出为96×96大小的深度重建图像；
23、采用matlab编程语言实现非视域三维重建模型，损失函数设置为均方误差，利用ad本文档来自技高网...
【技术保护点】
1.一种基于TOF传感器与激光器的非视域成像系统及重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于TOF传感器与激光器的非视域成像系统及重建方法，其特征在于，所述搭建非视域成像场景，包括以下步骤：
3.根据权利要求1所述的一种基于TOF传感器与激光器的非视域成像系统及重建方法，其特征在于，所述采集非视域数据集，包括以下步骤：
4.根据权利要求1所述的一种基于TOF传感器与激光器的非视域成像系统及重建方法，其特征在于，所述根据所述非视域数据集，搭建基于深度神经网络的变尺度编码-解码架构的三维重建模型用于重建非视域目标，并采用预处理后的所述非视域数据集完成所述三维重建模型的训练，包括以下步骤：
5.根据权利要求1所述的一种基于TOF传感器与激光器的非视域成像系统及重建方法，其特征在于，所述方法还包括：
6.一种使用TOF传感器与激光器的非视域成像系统，其特征在于，包括：
7.根据权利要求6所述的一种使用TOF传感器与激光器的非视域成像系统，其特征在于，所述第二模块，具体用于：
8
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至5中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
...【技术特征摘要】
1.一种基于tof传感器与激光器的非视域成像系统及重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于tof传感器与激光器的非视域成像系统及重建方法，其特征在于，所述搭建非视域成像场景，包括以下步骤：
3.根据权利要求1所述的一种基于tof传感器与激光器的非视域成像系统及重建方法，其特征在于，所述采集非视域数据集，包括以下步骤：
4.根据权利要求1所述的一种基于tof传感器与激光器的非视域成像系统及重建方法，其特征在于，所述根据所述非视域数据集，搭建基于深度神经网络的变尺度编码-解码架构的三维重建模型用于重建非视域目标，并采用预处理后的所述非视域数据集完成所述三维重建模型的训练，包括以下步骤：
【专利技术属性】
技术研发人员：方宇杰，吴浚铭，宋欣，
申请(专利权)人：北京理工大学珠海学院，
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。