说明：文中所举例的产品比较早，读者把重点放在学习原理上就好。

目前的深度相机根据其工作原理可以分为三种：TOF、RGB双目、结构光。

一、三种相机的参数对比

深度学习 像素 深度图像素值_深度学习 像素

从分辨率、帧率、软件复杂度、功耗等方面来考虑
1. 分辨率
  • TOF方案深度图分辨率很难提高，一般都达不到VGA（640x480）分辨率。比如Kinect2的TOF方案深度图分辨率只有512x424。而Google和联想合作的PHAB2手机的后置TOF深度相机分辨率只有224x171。TOF方案受物理器件的限制，分辨率很难做到接近VGA的，即使做到，也会和功耗呈指数倍增长。
  • 结构光的分辨率在较近使用范围内会大大高于TOF方案。比如目前结构光方案的深度图最高可以做到1080p左右的分辨率了。
2. 帧率
  • 帧率的话，TOF方案可以达到非常高的帧率，差不多上百fps吧。结构光方案帧率会低点，典型的是30fps，不过这也基本够用了。
3. 软件复杂度
  • 结构光因为需要对编码的结构光进行解码，所以复杂度要比直接测距的TOF高一些。
4. 功耗
  • TOF是激光全面照射，而结构光是只照射其中局部区域，比如PrimeSense的伪随机散斑图案，只覆盖了不到十分之一的空间。另外，TOF发射的是高频调制脉冲，而结构光投射图案并不需要高频调制，所以结构光的功耗要比TOF低很多。还是以伪随机散斑结构光为例，结构光方案功耗只有TOF的十分之一不到吧。

下面是三种方案在分辨率，帧率，软件复杂度和功耗方面的对比结果。

深度学习 像素 深度图像素值_红外_02

  • 结构光方案还有一个优势在于技术成熟，PrimeSense很早就把结构光技术用在kinect一代产品中了。 目前结构光技术有如下几种变种：一种是单目IR+投影红外点阵，另外一种是双目IR+投影红外点阵，这样相当于结构光+双目立体融合了，深度测量效果会比前者好一些，比如Intel RealSense R200采用的就是双目IR+投影红外点阵，不足之处就是体积较大。而单目IR+投影红外点阵的方案虽然体积较小，但是效果会差一点。
5. 计算复杂度
  • 结构光方案的计算方式也分几种：一是直接用ASIC（专用集成电路）进行计算，成本稍微高一点，但是处理速度快，支持高帧率和高分辨率深度相机，关键是比通用芯片功耗低。二是DSP+软件算法，成本跟用ASIC差不多，但支持不了高帧率高分辨率，功耗比ASIC稍高。三是直接用手机的AP(Application Processor)进行纯软件计算，这个不需要额外增加硬件成本，但是比较消耗AP的计算资源。同样也不支持高帧率高分辨率，功耗比较大。
  • iPhone X的深度相机技术方案： 结构光原理的深度相机。具体来说是：单目IR+投影红外点阵+ASIC方案 。该方案在深度分辨率、深度测量精度上有较大优势，实时性处理和全天候工作也都有保障，功耗也相对较低，就是成本稍高了一些。