2、性能评估指标体系
各位工程师朋友，今天我们来聊聊深度相机评估里最核心的东西——指标体系。
说实话，我刚入行那会儿，拿到一款深度相机，第一反应就是看精度。后来踩了不少坑才发现，单看一个指标根本不够。你想想看，精度再高，帧率跟不上，动态场景就全糊了；视场角再大，测量范围窄得可怜，实际应用也受限。
所以，我习惯把性能评估拆成七个维度。这七个维度，就像木桶的七块板，哪块短了都不行。
2.1 精度（Accuracy）
精度是深度相机的命根子。说白了，就是测出来的距离跟真实距离差多少。
我一般把精度分成两类：
- 绝对精度：比如你测一面墙是1米，实际是1.002米，那误差就是2mm。这个指标在工业测量、建筑测绘里特别重要。
- 相对精度：同一个物体在不同距离下测，误差会不会飘？我见过一些模组，近处精度1mm，到了5米外直接跳到5cm，这种就属于相对精度差。
典型精度等级参考：
| 应用场景 | 要求精度 | 典型技术 |
|---|---|---|
| 人脸识别/刷脸支付 | ±1~3mm @ 0.5m | 结构光、ToF |
| 机器人避障 | ±1~3cm @ 3m | 双目、ToF |
| 工业3D测量 | ±0.1~0.5mm | 激光三角法 |
| AR/VR手势交互 | ±2~5mm @ 1m | 主动立体 |
我的经验：评估精度时别只看实验室数据。我在项目中遇到过，同一款模组在25℃恒温房里精度漂亮得很，拿到户外阳光下直接崩了。所以一定要做温度漂移测试和光照干扰测试。
2.2 分辨率（Resolution）
分辨率决定了你能看清多小的细节。深度图的分辨率通常用像素数表示，比如640×480、1280×720。
但这里有个坑——深度分辨率跟RGB分辨率往往不是一回事。很多模组RGB能到1080p，深度图却只有QVGA。你想想看，这俩分辨率不匹配，后续做对齐就够你头疼的。
我个人习惯把分辨率分成：
- 空间分辨率：一个像素对应多少毫米的物理空间。比如在1米处，640×480的深度图，每个像素大概对应1.5mm×1.5mm的区域。
- 深度分辨率：能区分的最小深度变化。有些ToF模组号称1mm深度分辨率，但那是理想情况，实际往往受噪声影响打折扣。
注意：分辨率越高，数据量越大，处理带宽和功耗都会跟着涨。我曾经评估过一款720p的ToF模组，帧率一开满，主控芯片直接过热降频。所以分辨率不是越高越好，够用就行。
2.3 帧率（Frame Rate）
帧率就是每秒出多少张深度图，单位fps。
为什么帧率重要？你想想看，如果做手势识别，30fps以下手一动就拖影；做机器人避障，低于15fps撞墙风险直线上升。
我一般这样划分：
- 低速场景（静态建模、3D扫描）：5~15fps够用
- 中速场景（人脸识别、人机交互）：30fps是门槛
- 高速场景（无人机避障、自动驾驶）：60fps甚至更高
避坑指南：我曾经评估过一款标称60fps的模组，结果发现60fps下深度图全是噪点，降到30fps才勉强能用。所以标称帧率一定要跟精度一起看，高帧率牺牲精度是常见套路。
2.4 视场角（FOV）
视场角决定了相机能看多宽。通常用水平FOV×垂直FOV表示，比如70°×55°。
这里有个容易忽略的点：FOV越大，边缘畸变越严重。我见过一些大广角模组，中心区域精度1mm，边缘直接飘到5mm。所以评估FOV时，一定要看有效FOV——也就是精度还能接受的区域。
不同应用对FOV的需求差异很大：
- 刷脸支付：水平40°~60°就够了
- 室内机器人：水平90°以上才安全
- AR眼镜：需要跟人眼FOV匹配，大概100°左右
2.5 测量范围（Range）
测量范围就是深度相机能测多远、多近。通常分近距、中距、远距三段。
我习惯这样分类：
| 类型 | 典型范围 | 代表技术 |
|---|---|---|
| 近距 | 0.1~1m | 结构光、主动立体 |
| 中距 | 0.3~5m | ToF、双目 |
| 远距 | 1~100m+ | 激光雷达、长距ToF |
注意：测量范围跟精度是强相关的。一般来说，越靠近标称范围的两端，精度越差。我测试过一款标称0.3~8m的ToF模组，在0.3m处误差3mm，到了8m处误差直接8cm。所以选型时一定要留余量。
2.6 功耗（Power Consumption）
功耗这个指标，做嵌入式的人最敏感。深度模组的功耗通常包括：激光/VCSEL发射功耗、传感器芯片功耗、计算芯片功耗。
我一般这样评估：
- 待机功耗：模组不工作时的功耗，通常<50mW
- 工作功耗：正常出图时的功耗，一般在0.5W~3W之间
- 峰值功耗：启动瞬间或高帧率模式下的功耗，可能翻倍
我的经验：做手机或AR眼镜项目时，功耗是硬约束。我曾经为了省200mW，把帧率从30fps降到25fps，结果手势识别延迟大了，用户体验直线下降。所以功耗优化一定要跟性能指标一起权衡，不能单方面压。
2.7 鲁棒性（Robustness）
鲁棒性，说白了就是抗干扰能力。这是最容易被忽视、但实际项目中最头疼的指标。
我一般从这几个维度评估：
- 环境光鲁棒性：强阳光下、暗光下、室内灯光下，深度图质量变化大不大？
- 温度鲁棒性：从-10℃到60℃，精度漂移多少？
- 材质鲁棒性：黑色物体、透明物体、高反光物体，能不能测到？
- 运动鲁棒性：物体快速移动时，深度图会不会出现拖影或空洞？
鲁棒性测试清单（我常用的）：
- 在1000lux和100000lux下分别测同一场景，看深度图空洞率
- 把模组放进恒温箱，从-10℃升到60℃，每10℃记录一次精度
- 用黑色亚光板、透明玻璃、镜面不锈钢分别测试，看哪些材质会失效
- 用摆锤做快速运动测试，看运动模糊程度
避坑指南：我曾经评估过一款双目模组，室内精度非常好，拿到户外阳光下直接废了——因为环境光太强，投影图案被淹没。所以鲁棒性测试一定要在真实场景下做，实验室数据只能参考。
好了，七个核心指标都讲完了。记住一句话：没有完美的深度相机，只有适合你场景的深度相机。选型时把这七个维度列个表，按应用场景加权打分，比单看一个指标靠谱得多。
公众号：蓝海资料掘金营，微信 deep3321