8：点云处理—常见的四种3D相机

1、3D相机结构光

基本原理:

结构光技术通过投射特定图案（如条纹或点阵）到物体表面，利用摄像头捕捉形变图案，计算物体表面的三维信息。

优点：

高精度：在近距离测量中精度高，微米~毫米精度,1米范围内达毫米精度。

测量范围较大：可测量米级物体，适合测试静态物体。

主动投影：适合弱光照使用。

缺点：

环境光敏感：强光下图案容易被干扰，影响精度。

计算复杂：匹配和深度计算需要较高计算资源。

成本较高：高质量设备和算法开发成本较高。

适用场景：

适用于较大范围测量，如机器人导航、车辆避障和环境感知等

2、TOF （飞行时间）

基本原理:

通过发射脉冲光（激光或LED）到目标物体，并测量光返回的时间来计算深度信息。

优点：

测量速度快：适合实时应用。

抗环境光干扰：使用调制光，抗环境光干扰能力强。

适合远距离测量：适合大范围场景的深度测量。

缺点：

精度较低：近距离测量精度不如结构光和线激光。

分辨率较低：通常分辨率较低。

适用场景：

自动驾驶:车辆周围环境的深度感知和障碍物检测。

机器人导航：用于服务机器人、仓储机器人的避障和路径规划。

3、双目检测

基本原理:

采用两台相机从不同角度拍摄物体，模拟人眼视觉，通过对比左右图像中的像素视差（disparity），计算物体的深度信息。

优点：

无需主动光源：依赖环境光，适用于多种光照条件。

实时性：硬件和算法优化后，可实现实时深度感知。

成本较低：相比激光雷达等设备，双目摄像头成本较低。

缺点：

依赖纹理：在纹理缺乏的区域（如白墙），特征匹配困难，影响精度。

计算复杂：特征匹配和视差计算需要较高的计算资源。

基线限制：基线长度影响测量范围和精度，过短或过长都会带来问题。

环境光影响：在光照不足或过强时，图像质量下降，影响检测效果。

适用场景：

适用于动态场景，适应性强，可用于机器人视觉、自动驾驶等

4、线激光3D相机

马克拉伯的3D线激光轮廓传感器就属于这一类。

基本原理:

线激光3D相机是一种基于激光三角测量（Laser Triangulation）的深度测量原理。它通过投射一条激光线到物体表面，并由相机从一定角度捕捉激光线的形变情况，然后计算出物体的深度信息，通过物体或相机移动，生成完整3D点云。

工作步骤：

线激光投射：激光器发射一条细窄的线状激光到被测物体表面，该激光线在物体表面形成一条亮的轮廓曲线。激光一般为红色或蓝色激光，波长分别为650nm、450nm、405nm，

我们目前采用405nm。特定波长激光可以减少干扰提高测量精度。

相机捕捉形变的激光线：

高速工业相机从一定角度拍摄被测物体上的激光线形变，由于物体的高度不同，激光线在相机视角下的形状也会发生变化。

深度计算：

根据激光线的形变情况，利用三角测量原理计算物体表面的深度信息。

运动生成3D点云：

让物体在传送带上移动，相机连续捕捉激光线形变，从而逐行拼接出完整的3D点云数据。

优点：

高精度：在近距离测量中精度高，可达到um级别，适用于精密测量。

高分辨率：能获取高分辨率的三维信息(3200点)。

抗环境光干扰：激光亮度高，且使用特定波长激光器，抗环境光干扰能力强

缺点：

需移动扫描：需要移动激光相机或物体进行扫描，不适合大范围、全景3D建模（如房屋布局、地形地貌）。

盲区：扫描过程存在视野盲区、镜面样品检测效果不理想。

适用场景：

工业自动化检测：在线检测产品的尺寸、轮廓、形状、表面缺陷、PCB板检测、汽车零件测量、食品包装检查。
焊缝检测：扫描焊缝轮廓、深度、间隙，确保焊接质量.
机器人引导：用于机器人抓取、装配、焊接等场景，提供高精度3D视觉数据。