基于事件信息与深度学习的高动态范围三维重建

采用光学三维成像技术测量金属零件、黑色物体以及半透明物体等高动态范围（High dynamic range，HDR）表面的三维轮廓是一个极具挑战性的问题。目前，传统方法对存在较低反射以及半透明区域的场景进行重建还有一定的局限性，半透明物体的内部反射噪声很难消除。现有基于深度学习的方法通常使用相对较强的激光强度，这可能会损坏样品，同时会出现采集图像过曝现象，需要对激光强度进行繁琐的调整。针对这些问题，本文提出基于事件信息和深度学习算法的高动态场景三维测量方法。事件相机通过异步记录单个像素的亮度变化，无需等待全局曝光时间，具有高动态响应范围，能够充分采集到HDR场景的激光条纹反射信息。引入深度卷积神经网络（Deep convolutional neural network，DCNN）来消除半透明物体的内部噪声以及金属物体高反光的过曝影响，同时增强弱激光条纹图像质量。实验结果表明，本文方法能够应用低功率线激光扫描成功实现HDR场景的高质量三维重建。