2、核心深度技术原理（上）：双目立体视觉原理、结构光原理（散斑与编码光）、ToF（飞行时间）原理

各位同学，欢迎来到深度相机选型的核心章节。

说实话，市面上那么多深度相机，原理无非就那三大类：双目、结构光、ToF。你搞懂了它们，选型就成功了一半。今天咱们就把这三兄弟的底裤扒干净。

2.1 双目立体视觉：最像人眼的技术

双目立体视觉，说白了就是模仿人的双眼。你想想看，为什么你能判断远处那杯咖啡离你有多远？因为你的左眼和右眼看到的画面有细微差别，大脑通过这个差别算出了距离。

相机也是一样。两个摄像头，左右放置，同时拍一张照片。然后算法去找左图里的某个像素点，在右图里对应哪个位置。这个位置的偏移量，我们叫「视差」。视差越大，物体越近；视差越小，物体越远。

数学上，深度 Z 和视差 d 的关系很简单：

Z = (f * B) / d

其中：
Z  = 深度值（单位：mm）
f  = 焦距（单位：pixel）
B  = 基线长度（两个相机光心的距离，单位：mm）
d  = 视差（单位：pixel）

这个公式告诉我们两件事：

• 基线越长，测距越远。 但基线太长，近处物体就出画了。这是个 trade-off。
• 视差精度决定深度精度。 亚像素匹配能做到 0.1 pixel 的精度，但需要好的纹理。

立体匹配的三大流派

立体匹配是双目系统的灵魂。我把它分成三类：

流派	代表算法	速度	精度	适用场景
局部匹配	BM、SAD、NCC	快（实时）	中等	纹理丰富的场景
全局匹配	GC、Graph Cut	慢（离线）	高	弱纹理、重复纹理
半全局匹配	SGM、SGBM	较快	较高	工业、自动驾驶

2.2 结构光原理：主动投射的「作弊器」

结构光，说白了就是「我主动给你打上标记，然后我来认」。双目是被动地等自然光，结构光则是主动投射已知图案，然后相机拍下被物体表面调制后的图案，通过图案的变形来算深度。

这里有两个主流分支：

散斑结构光

投射器打出密密麻麻的随机光斑（像星空一样）。每个光斑的局部图案都是独一无二的。相机拍下后，算法通过识别这些光斑的偏移量来计算深度。

代表产品：微软 Kinect v1、苹果 Face ID。

我的感受：散斑结构光在室内效果极好，但一到室外，太阳光里的红外成分会把散斑淹没。我试过在正午阳光下用 Kinect v1，深度图直接废了。所以它天生是室内选手。

编码结构光

投射的不是随机散斑，而是有规律的编码图案。比如格雷码、相移条纹。通过多帧图案的时序变化，逐像素解码出深度。

优势：精度极高，可以达到亚毫米级。

劣势：需要投射多帧图案，所以只能拍静态物体。动起来就糊了。

2.3 ToF（飞行时间）：直接测光速

ToF 的原理最暴力——直接测量光从发射到返回的时间。光速是已知的（3×10⁸ m/s），时间乘以光速再除以2，就是距离。

但光速太快了，1米的距离，光只需要 3.3 纳秒。普通电子设备根本测不了这么短的时间。所以 ToF 分成了两派：

iToF（间接飞行时间）

不直接测时间，而是测相位差。发射连续调制的红外光，接收到的光会有相位延迟，通过相位差反推距离。

• 优点：芯片工艺成熟，成本低，分辨率可以做到 VGA 甚至更高。
• 缺点：存在「距离模糊」问题——相位差每 2π 循环一次，超过量程就会混淆。

dToF（直接飞行时间）

直接测单个光脉冲的往返时间。用 SPAD（单光子雪崩二极管）来捕捉单个光子。

• 优点：没有距离模糊，测距远（几十米甚至上百米），抗环境光强。
• 缺点：分辨率低（目前主流是 QVGA），成本高。

2.4 三大技术对比总结

维度	双目立体视觉	结构光	ToF
主动光源	不需要	需要（红外激光）	需要（红外激光/LED）
室外表现	优秀（依赖自然光）	差（太阳光干扰）	良好（dToF 更优）
弱纹理表现	差	优秀	优秀
精度	中等（随距离下降）	高（近距离）	中等（随距离下降）
帧率	30-60fps	30fps（散斑）/ 1-10fps（编码）	30-120fps
功耗	低（纯计算）	中等	高（激光发射）
典型距离	0.5m - 50m	0.1m - 5m	0.1m - 30m
代表产品	ZED、Intel T265	Kinect v1、Face ID	Kinect v2、iPhone X 后置

---

公众号:蓝海资料掘金营，微信deep3321