1. ToF技术原理：从光子到点云

大家好，我是老张。做3D视觉这些年，接触过不少传感器。ToF（Time-of-Flight）是我个人觉得最「有意思」的一种。为什么？因为它测距的方式特别直接——直接测量光飞行的时间。说白了，就是给光掐表。

今天这一章，我们就把ToF的底裤扒干净。从工作原理开始，再跟结构光、激光雷达做个对比，最后聊聊ToF点云的数据特点。嗯，这些都是我踩过坑之后总结出来的。

1.1 ToF传感器工作原理

ToF的原理其实不复杂。你想想看，光速是固定的（约3×10⁸ m/s）。我们发射一束光，打到物体上再反射回来。记录下这段时间，距离就出来了。

公式很简单：

距离 = (光速 × 飞行时间) / 2

为什么要除以2？因为光走了个来回。这个我在项目里给新人解释过很多次，他们总忘。

实际工程中，ToF传感器主要分两种方案：

• 直接ToF（dToF）：直接测量单个光脉冲的飞行时间。精度高，但电路复杂。苹果的LiDAR用的就是这种。
• 间接ToF（iToF）：测量发射光和接收光之间的相位差。成本低，适合消费级产品。我早期做的扫地机器人项目用的就是iToF。

我给你们画个流程图，把整个信号链路理清楚：

1.2 ToF vs 结构光 vs 激光雷达

很多同学问我：「老张，这三种到底怎么选？」

我一般会反问：「你的应用场景是什么？」

咱们直接上对比表，一目了然：

特性	ToF	结构光	激光雷达
测距原理	光飞行时间	三角测量	脉冲/相位测距
工作距离	0.3-10m（消费级）	0.1-3m	10m-200m+
精度	cm级（1-3cm）	mm级（0.1-1mm）	cm级（1-5cm）
抗环境光	中等（需滤光片）	弱（易受干扰）	强（窄带滤波）
点云密度	高（全幅）	高（全幅）	低（扫描线）
帧率	30-60fps	10-30fps	5-20fps
成本	低（$10-50）	中（$20-100）	高（$100-10000+）
典型应用	手机、AR/VR、机器人	人脸识别、3D扫描	自动驾驶、测绘

我个人的选型建议：

• 室内近距离高精度（比如人脸解锁）：结构光更合适。但要注意，强光下结构光基本废掉。
• 中距离动态场景（比如机器人避障）：ToF是首选。帧率高，不怕运动模糊。
• 远距离大场景（比如自动驾驶）：老老实实上激光雷达。ToF和结构光都够不着。

1.3 ToF点云数据特点

好了，原理讲完了，对比也做了。咱们聊聊ToF点云到底长什么样。

我用过不少ToF传感器——英飞凌的、意法半导体的、索尼的。它们的点云数据有几个共性特点：

1. 密度高但噪声大：ToF能输出全幅深度图（比如640×480），每个像素一个深度值。但每个点的精度只有1-3cm，而且有随机噪声。
2. 边缘飞点：这是ToF的老毛病。在物体边缘，光斑一半打在物体上、一半打在背景上，测出来的深度值会「飘」。我处理过的最夸张的情况，边缘误差能达到10cm以上。
3. 运动模糊：因为ToF需要积分时间（通常几毫秒到几十毫秒），如果物体动得快，深度图会「拖尾」。嗯，这个在扫地机器人上特别明显。
4. 多径干扰：前面提过，墙角、金属表面这些地方，数据会偏大。
5. 温度漂移：ToF传感器对温度敏感。开机前几分钟和稳定后的数据可能差1-2cm。我习惯在代码里加一个「预热」逻辑。

最后分享一个我常用的预处理流程：

// 伪代码：ToF点云预处理
1. 原始深度图输入
2. 中值滤波（去除椒盐噪声）
3. 双边滤波（保留边缘，平滑内部）
4. 边缘飞点检测（梯度突变点剔除）
5. 时间域滤波（多帧平均，降低随机噪声）
6. 输出优化后的深度图/点云

这个流程我用了好几年，效果稳定。当然，具体参数要根据传感器型号和应用场景调。比如扫地机器人，我一般用3×3的中值滤波；如果是AR应用，双边滤波的sigma值要调小一点，不然边缘会糊。

好了，这一章就到这里。ToF的原理和特点你心里应该有数了。下一章我们开始动手——怎么把ToF的原始数据变成可用的点云。

---

公众号:蓝海资料掘金营，微信deep3321