TOF(Time Of Flight 飞行时间)
最后终于轮到主角TOF了,其原理就是飞行时间测距法(Time Of Flight)。通过给目标连续发送光脉冲,然后用传感器接收从物体返回的光,通过探测光脉冲的飞行(往返)时间来得到目标物距离。
这种技术跟3D激光传感器原理类似,只不过3D激光传感器是逐点扫描,而TOF则是同时得到整幅图像的深度信息。跟结构光一样也是主动式投射红外光,但作用不是用来形成点阵纹理信息,而是利用高频调制入射光信号与反射光信号的变化来进行距离测量。
当然TOF同样也需要接收器,在接收前会先经过滤光片,确保只有与投射光源波长相同的光才能进入。然后TOF传感器会记录红外光往返与TOF模组与被测物体之间的相位数据。
需要注意的是,红外投射器和TOF传感器(也就是接收器),都需要高速信号控制才能达到深度测量精度。假如照射光与ToF传感器之间的时钟信号发生10ps的偏移,就相当于1.5mm的位移误差。
微软后来在Kinect V2上,就改用了来自以色列3DV的TOF技术。大疆无人机在智能避障方面,除了双目也会采用TOF红外的解决方案。智能手机方面,GoogleProject Tango采用了来自PMD的TOF深度相机,不过更多的还是红外距离传感器这种单点测距应用。
二、vivo TOF 3D超感应技术
vivo TOF 3D超感技术当然也是基于上述原理:发射器发出经调制的近红外光,遇到人或物体后反射,传感器在接收到红外光信息后,计算红外光线发射和反射的时间差,从而形成立体视觉。
行业顶级CCD传感器和低功耗的定制AFE芯片,是vivo TOF的硬件基础条件。再加上AI辅助深度优化以及3D建模算法,最终达到不输于结构光的毫米级别3D成像效果。
根据vivo官方技术文档介绍,TOF 3D超感应技术具备一下三点优势:
1.有效深度信息:vivo TOF 3D超感应技术的有效深度信息点高达30万,这里的信息点就是我们前面所有的TOF传感器。对比红外距离感应器的单点测距,30万个点就相当于有效深度信息为30万的红外面光源测距,自然能得到高精度的被测物体表面深度信息。
2.工作距离:vivo给出的数据是3米,这个距离大约是结构光技术的3倍。事实上TOF也确实具备更远的工作距离,但具体到1米范围内,特别是在20-30cm的面部识别场景下,跟结构光在精度上的差距并不大。
3.结构体积:vivo TOF的基线(BaseLine)也就是投射器与接收器之间的最短距离,要比结构光模块更短。同时Sensor的面积/体积也更加小巧,对于产品ID设计来说就不再需要那么长的“刘海”区域,同时对于内部空间特别PCB板的压力也更小。
根据vivo相关工程师描述,TOF 3D超感应技术算法的最大难点,在于如何控制30万个CCD传感器“开关”。另外如何实现毫米级响应,以及滤波算法、AI修复,也都是需要攻克的技术点。
三、“10倍”认知误区
如果你认真阅读了上面TOF相关的两个章节,应该能理解时间飞行(Time Of Flight)与3D结构光技术的本质区别。从测距建模到发射接收传感器,两者都是完全不同的理论算法和硬件基础。
在6月底上海MWC上,vivo说TOF相较于iPhone X,有效深度信息量是3D结构光的10倍。但事实上vivo并没有说明这个10倍的数据逻辑关系,所以几乎所有科技媒体都对此产生了「“10倍”认知误区」。