1. ToF技术原理：从光子到深度图
大家好，我是你们的老朋友。今天咱们来聊聊ToF技术的底层原理。说实话，我刚接触ToF时也被那些调制解调、相位计算搞得一头雾水。但干这行久了你会发现，ToF的核心思想其实很朴素——就是测量光飞一趟的时间。
你想想看，光速是固定的，每秒30万公里。如果我们能精确测出光从发射到返回的时间，那距离不就出来了吗？嗯，道理很简单，但工程实现上，这里面的门道可不少。
1.1 iToF与dToF：两种测距思路
ToF技术分两大流派：iToF（间接飞行时间）和dToF（直接飞行时间）。我在项目中两种都折腾过，各有各的脾气。
| 对比项 | iToF | dToF |
|---|---|---|
| 测距原理 | 通过相位差间接计算 | 直接测量光子飞行时间 |
| 典型芯片 | TI OPT系列、索尼DepthSense | ST VL53L系列、苹果LiDAR |
| 精度 | 毫米级（近距离） | 厘米级 |
| 抗干扰 | 易受多路径干扰 | 抗环境光能力强 |
| 典型应用 | 人脸识别、手势交互 | AR测距、扫地机避障 |
iToF 说白了就是「间接测量」。它不直接计时，而是发射连续调制的光波，然后检测反射光与发射光之间的相位偏移。相位差跟距离成正比，算一下就出来了。我在做手机前置3D摄像头时，用的就是iToF方案——近距离精度确实能到毫米级，但一到室外强光下就有点吃力。
dToF 就粗暴多了。它直接发射一个光脉冲，然后用高精度计时器记录光子往返的时间。你想想看，光1纳秒走30厘米，要测厘米级精度，计时精度得达到皮秒级。苹果的LiDAR用的就是SPAD阵列做dToF，我在iPad Pro上测过，5米外还能稳定出深度，确实猛。
核心结论：近距离高精度选iToF，远距离抗干扰选dToF。没有绝对的好坏，看场景。
1.2 调制解调方式：iToF的灵魂
iToF的调制方式，我习惯把它分成两类：连续波调制（CW）和脉冲调制。目前主流方案是CW调制，尤其是正弦波和方波。
正弦波调制：发射的是连续正弦波信号。接收端通过四个相位采样点（0°、90°、180°、270°）来解算相位差。公式很简单：
距离 d = (c × Δφ) / (4π × f_mod)
其中：
c = 光速（3×10⁸ m/s）
Δφ = 测量到的相位差（弧度）
f_mod = 调制频率（Hz）举个例子，调制频率100MHz，波长就是3米。如果相位差是90°，那距离就是0.75米。嗯，这里要注意——相位模糊问题。因为相位是周期性的，超过半个波长就会产生歧义。我早期做项目时就踩过这个坑，测出来的距离跳来跳去，后来加了多频调制才解决。
方波调制：用高低电平的方波信号，通过相关采样计算相位。方波的好处是驱动电路简单，但谐波分量多，精度不如正弦波。我个人习惯在低成本方案里用方波，高精度场景还是老老实实上正弦波。
我的经验：调制频率的选择是个权衡。频率越高，精度越好，但测距范围越小。100MHz下最大不模糊距离是1.5米，50MHz下是3米。选频率前先想清楚你的目标场景。
1.3 深度图与置信度图生成
好了，前面讲了原理，现在说说实际输出。ToF传感器最终会给你两样东西：深度图和置信度图。这两张图是后续所有处理的基础。
深度图：每个像素存储的是距离值，单位通常是毫米。格式上，我见过8位、16位、甚至32位浮点。16位是最常见的，能表示0到65535毫米，约65米，够用了。
深度图生成流程大致如下：
- 采集四个相位图像（I0、I90、I180、I270）
- 计算相位差：Δφ = arctan((I270 - I90) / (I180 - I0))
- 根据调制频率换算距离
- 做非线性校正（每个传感器都有自己的标定参数）
- 输出深度图
置信度图：这个很多人会忽略，但它其实特别重要。置信度图每个像素的值表示该点深度测量的可靠程度。值越高，说明信号质量越好。
置信度通常由以下几个因素决定：
- 接收光强：反射光越强，置信度越高
- 信噪比：信号与噪声的比值
- 调制对比度：反映调制信号的清晰度
- 一致性检查：多帧之间的稳定性
避坑指南：我曾经在项目里直接用原始深度图做重建，结果边缘全是飞点。后来才发现，那些飞点的置信度值极低。从那以后，我养成了一个习惯——任何深度处理前，先用置信度图做掩膜。置信度低于阈值的点直接扔掉，效果立竿见影。
实际应用中，我一般这样用置信度图：
# 伪代码示例
depth_img = load_depth("frame_001.depth")
confidence_img = load_confidence("frame_001.conf")
# 设置置信度阈值
threshold = 0.7
mask = confidence_img > threshold
# 只保留高置信度的深度点
filtered_depth = depth_img * mask嗯，就是这么简单。但效果真的立竿见影。
1.4 知识体系总览
为了让大家有个整体认识，我画了张图，把ToF技术原理的核心脉络梳理了一下：
这张图把ToF技术原理的核心脉络串起来了。从iToF和dToF两大分支出发，到调制解调方式，再到最终的深度图和置信度图输出。你跟着这个框架走，就不会迷失方向。
我的建议：初学者先别急着调参。先把iToF和dToF的区别搞清楚，再理解调制解调的原理。等你真正动手处理深度图时，你会发现置信度图才是那个「救命的家伙」。
好了，这一章的内容就到这里。ToF的原理说复杂也复杂，说简单也简单——无非就是测光飞的时间。但工程实现上，每一个环节都有坑。我在后面几章会继续分享实际项目中的踩坑经验，咱们一步步来。
公众号:蓝海资料掘金营，微信deep3321