3、深度传感器原理：结构光、ToF、双目立体视觉、激光雷达的工作原理与优缺点对比

在物体尺寸测量与体积计算的实际工程中，深度数据的获取方式直接决定了系统的精度上限、成本预算、适用场景以及算法复杂度。目前主流的深度传感技术包括结构光、ToF（飞行时间）、双目立体视觉和激光雷达四大类。这四种技术虽然目标一致——获取场景中每个像素点的三维坐标，但其底层物理原理、硬件构成和数据处理方式截然不同。理解这些差异，是进行传感器选型、系统设计和误差分析的基础。本章将逐一剖析这四种技术的工作原理，并通过对比表格和实战案例，帮助你在面对具体测量任务时做出合理决策。

上图从原理、精度、范围和典型应用四个维度对四种技术进行了初步对比。可以看到，没有任何一种技术是万能的：结构光在近距离精度极高但易受环境光干扰；ToF在动态场景中表现优异但分辨率普遍偏低；双目成本最低但极度依赖纹理特征；激光雷达精度高、范围广但价格昂贵。下面我们逐一深入分析。

3.1 结构光技术：编码投影与三角测量

核心原理

结构光技术的核心思想是“主动投射已知图案，通过观察图案的形变来反推深度”。系统通常由一个红外激光投影仪和一个红外相机组成。投影仪向物体表面投射经过编码的光斑、条纹或网格图案，相机从另一个角度拍摄被物体表面调制后的图案。由于物体表面的凹凸起伏，投射的图案会发生几何畸变——凸起处条纹向左偏移，凹陷处条纹向右偏移。通过检测每个像素点相对于原始编码图案的偏移量（即视差），结合投影仪与相机之间的已知基线距离和标定参数，利用三角测量原理即可计算出该点的深度值。

判断方法与操作流程

在实际工程中，判断一个测量任务是否适合采用结构光技术，可以从以下三个维度进行考量：

• 距离范围：结构光在0.1m至1.5m范围内精度表现最佳，超过3m后，光斑密度急剧下降，编码图案在图像中难以分辨，深度误差呈指数级增长。
• 环境光条件：室内弱光或可控光照环境下效果最好。户外强光下，红外投影图案会被环境光中的红外成分淹没，导致解码失败。
• 物体表面特性：对低反射率（黑色物体）、高光泽（镜面）或透明物体，结构光容易产生测量空洞或错误深度。

操作流程上，结构光系统需要先进行出厂标定或现场标定，包括投影仪-相机的外参标定、投影仪的内参标定以及参考平面采集。每次测量前，建议先拍摄一帧无投影的纯红外图像用于背景光估计，再拍摄投影图案帧，两者相减可有效抑制环境光干扰。

案例拆解：手机人脸识别中的结构光

以某品牌手机的人脸识别模组为例，其投影仪投射约30000个红外光斑，相机分辨率为320×240。在30cm距离处，该系统可实现0.5mm的深度精度。但在强光下（>80klux），系统会主动切换为“补光模式”，降低投影功率并增加曝光时间，此时深度精度下降至2mm左右。该案例说明，结构光系统在消费电子中已经非常成熟，但其精度高度依赖环境控制。

常见误区：很多人认为结构光精度高，就适合所有近距离测量场景。实际上，对于体积计算而言，如果被测物体表面存在大量重复纹理（如编织袋、布料），结构光的编码图案可能发生混叠，导致深度图出现“拉丝”或“条纹状”噪声。此时需要配合空间滤波或多次投影不同编码图案来消除歧义。

3.2 ToF（飞行时间）技术：相位差与直接测距

核心原理

ToF技术的核心思想是“直接测量光飞行的时间”。系统向场景发射经过调制的红外光（通常是正弦波或方波），然后接收从物体表面反射回来的光。由于光速恒定，通过测量发射信号与接收信号之间的相位差（对于连续波调制）或时间差（对于脉冲调制），即可计算出光的飞行时间，进而得到距离。连续波ToF通常使用多个不同频率的调制信号来解算距离模糊问题，例如使用100MHz和120MHz两个频率组合，可将无模糊距离范围扩展到15m。

判断方法与操作流程

ToF传感器在选型时，需要重点关注以下参数：

• 调制频率与无模糊距离：调制频率越低，无模糊距离越大，但精度会下降。例如，10MHz调制频率对应15m无模糊距离，但精度约为3cm；而100MHz对应1.5m无模糊距离，精度可达5mm。
• 积分时间：积分时间越长，信噪比越高，但帧率下降，且运动物体容易产生拖影。
• 多路径干扰：在墙角、凹槽等场景中，光线可能经过多次反射后到达传感器，导致深度值偏大。

操作上，ToF传感器通常需要做“温度校准”和“距离偏移校准”。温度变化会导致激光二极管波长漂移，影响相位测量精度。建议在设备开机后等待3-5分钟热稳定后再进行测量。

案例拆解：物流包裹体积测量

在某物流分拣中心，使用ToF相机（分辨率为640×480，工作距离1.5m）测量包裹体积。初始测试时，测量误差达到±8%，远超±3%的验收标准。排查后发现两个问题：一是传送带振动导致相机与包裹之间的相对运动产生运动模糊；二是包裹表面有透明胶带，产生镜面反射导致深度空洞。解决方案是：将积分时间从500μs降低到200μs以减少运动模糊，同时增加一个辅助白光LED用于填充镜面反射区域的纹理信息。最终误差降至±2.5%。

经验提醒：ToF传感器对运动物体非常敏感，如果被测物体在测量过程中移动超过半个像素对应的空间尺寸，深度数据就会出现“飞点”。对于动态测量场景，建议选择支持多频调制和快速积分切换的ToF芯片，并在算法层面对每个像素的置信度进行判断。

3.3 双目立体视觉：被动视觉与特征匹配

核心原理

双目立体视觉模拟人眼感知深度的方式，使用两个水平放置的相机同时拍摄同一场景。由于两个相机的位置不同，同一物体在左右图像中的成像位置存在水平差异，即视差。视差大小与物体距离成反比：距离越近，视差越大；距离越远，视差越小。通过立体匹配算法找到左右图像中的对应点，计算视差图，再结合相机焦距和基线距离，即可通过三角测量计算出每个像素的深度。

判断方法与操作流程

双目系统的核心难点在于立体匹配。以下因素直接影响匹配质量：

• 纹理丰富度：纯色墙面、白纸等无纹理区域无法匹配，需要投射随机纹理光斑（主动双目）或使用结构光辅助。
• 基线距离：基线越长，深度精度越高，但近距离盲区越大，且两个相机的视角差异导致遮挡区域增多。
• 标定精度：双目系统对内外参标定误差极其敏感。标定误差0.1像素，在5m距离处可能导致约5mm的深度误差。

操作流程上，双目系统需要先进行双目标定（包括内参、外参、畸变系数），然后进行立体校正（极线校正），使左右图像的行对齐，将二维搜索降为一维搜索。匹配算法可选择BM（块匹配）、SGBM（半全局块匹配）或基于深度学习的匹配网络。

案例拆解：工业零件尺寸测量

在某汽车零部件工厂，需要测量一个直径约200mm的圆形法兰盘的孔径和平面度。使用双目系统（基线120mm，相机分辨率500万像素，工作距离800mm）。初始测量重复性为±0.15mm，但准确度与三坐标测量机对比偏差达到0.4mm。分析发现，偏差主要来源于镜头畸变校正不彻底——边缘像素的畸变残差导致视差计算偏差。解决方案是使用更高阶的畸变模型（5阶径向+3阶切向），并采集20组不同姿态的标定板图像进行重投影误差优化。最终准确度提升至±0.08mm。

常见误区：双目系统在室内光照均匀时表现良好，但一旦出现强光直射或阴影边缘，左右图像的亮度差异会导致匹配失败。不要认为双目是“零成本”方案——实际上，高质量的工业级双目相机加上标定设备和计算单元，总成本并不比入门级ToF低多少。

3.4 激光雷达：主动扫描与点云生成

核心原理

激光雷达（LiDAR）通过发射激光束并测量其往返时间来计算距离。与ToF相机的面阵成像不同，激光雷达通常采用单点或多线扫描方式，逐点测量距离，生成稀疏或密集的三维点云。根据扫描机制，可分为机械旋转式、MEMS振镜式、固态Flash式和OPA相控阵式。机械式激光雷达通过旋转电机带动激光收发模块旋转，实现360°扫描；固态激光雷达则通过控制光束方向实现扫描，无机械运动部件，可靠性更高。

判断方法与操作流程

激光雷达在物体尺寸测量中的选型要点包括：

• 线束数量：16线、32线、64线、128线。线束越多，垂直分辨率越高，对物体轮廓的还原越精细。对于体积测量，至少需要32线才能较准确还原物体顶部轮廓。
• 测距精度与反射率：激光雷达的测距精度通常与物体反射率相关。黑色物体反射率低，可能导致测距值偏大或丢失点云。
• 扫描频率：10Hz、20Hz等。对于运动物体，扫描频率越高，点云畸变越小。

操作上，激光雷达需要定期清洁窗口，并注意避免阳光直射传感器接收窗口，否则可能造成饱和或损坏。

案例拆解：大型货车的体积测量

在某港口，需要测量进入闸口的货车装载体积。采用两台32线机械式激光雷达，分别安装在闸口两侧，对货车进行扫描。初始方案中，雷达安装高度为3m，俯仰角30°，但测量结果与地磅称重换算的体积偏差达到15%。分析发现，货车顶部为弧形篷布，单侧扫描只能看到部分轮廓，且篷布在风中抖动导致点云噪声。改进方案：增加一台顶置激光雷达，三台雷达数据融合；同时使用点云配准算法（ICP）将不同时刻的扫描帧对齐。最终体积测量误差控制在±3%以内。

经验提醒：激光雷达点云是稀疏的，对于体积计算，不能直接对原始点云积分，而应先进行点云滤波（去除离群点）、地面分割、物体聚类，然后构建三角网格或体素模型，最后计算体积。点云密度不足时，可采用插值或曲面拟合算法补全。

3.5 四种技术综合对比与选型决策

对比维度	结构光	ToF	双目立体视觉	激光雷达
测距原理	编码图案三角测量	光飞行时间/相位差	自然光特征匹配三角测量	激光脉冲飞行时间
典型精度	0.1-1mm（近距离）	1-3cm	1-5mm（取决于基线和分辨率）	0.5-2cm
测量范围	0.1-3m	0.1-10m	0.3-20m	0.5-200m
环境光敏感度	高（红外易受干扰）	中（需滤光片）	低（依赖可见光纹理）	低（主动光源）
计算复杂度	低（解码+三角测量）	低（相位解算）	高（立体匹配）	中（点云处理）
硬件成本	中（投影仪+相机）	中高（专用ToF芯片）	低（两个普通相机）	高（激光器+扫描机构）
点云密度	高（面阵）	高（面阵）	高（面阵）	低-中（扫描线）
典型应用	人脸识别、小型零件测量	手势识别、AR/VR、包裹体积	工业测量、机器人导航	自动驾驶、测绘、大型物体体积

在实际选型时，建议遵循以下决策路径：首先确定测量距离范围——如果小于3m且精度要求达到毫米级，优先考虑结构光；如果距离在0.5-5m且需要实时动态测量，ToF是平衡之选；如果成本敏感且场景纹理丰富，双目是性价比最高的方案；如果测量距离超过10m或需要户外作业，激光雷达几乎是唯一选择。其次，评估环境光条件——户外强光下，结构光和ToF都会受到不同程度的影响，双目和激光雷达更具鲁棒性。最后，考虑点云密度需求——如果需要对物体进行精细的三维重建，面阵式的结构光、ToF或双目更合适；如果只需要测量整体尺寸和体积，稀疏点云的激光雷达配合拟合算法也能满足要求。

综合复盘：四种技术并非互斥关系。在实际工程中，常采用“多传感器融合”策略——例如使用ToF提供初始深度图，双目提供高分辨率纹理和边缘信息，再通过融合算法生成高精度、高分辨率的深度数据。这种混合方案在高端工业测量设备中已逐渐成为主流。

← 上一章 📖 返回目录 下一章 →