第1章结构光三维重建概述

一、结构光三维重建概述

结构光，说白了就是「主动投射已知图案，再从相机拍回来的图像中解算深度」。你想想看，人眼靠双目视差感知距离，但遇到光滑白墙就抓瞎了——因为没有纹理特征可以匹配。结构光就是干这个的：我主动往物体上打光，把「特征」硬塞给场景。

我习惯把结构光系统比作「光学尺子」。投影仪投出编码好的光条纹，相当于在空间里刻上了刻度。相机拍下被物体调制后的变形图案，通过分析条纹的弯曲、断裂、位移，就能算出每个像素对应的三维坐标。

核心公式（三角测量原理）：

Z = (B * f) / (d + Δd)

其中 B 是基线距离，f 是相机焦距，d 是标定得到的初始偏移，Δd 是条纹位移量。嗯，公式看着简单，但实际工程里光标定这一步就能折腾掉你一周时间。

结构光技术其实不新。我记得最早接触这个方向是在2010年左右，那时候用的还是「相移法+格雷码」的组合，投影仪得是DLP的，帧率低得可怜，拍一个物体要好几秒。

1980s-1990s： 学术探索期。主要用单条纹扫描，精度高但速度慢。那时候一篇论文能发顶刊，因为硬件限制太大。
2000s： DLP投影仪普及，相移法开始实用化。我2012年做过一个项目，用德州仪器的LightCrafter投影仪，勉强能做到实时重建——但分辨率只有640×480。
2013年： 苹果收购PrimeSense，结构光开始进入消费电子。Kinect v1用的就是散斑结构光，虽然精度一般，但让全世界看到了「低成本3D感知」的可能性。
2017年至今： iPhone X的Face ID把结构光推向巅峰。VCSEL激光器+DOE衍射光学元件，把整个系统缩小到指甲盖大小。嗯，这里有个坑——消费级结构光为了小型化，牺牲了很大一部分精度。

个人经验： 如果你现在要选方案，工业检测建议用「相移法+多频外差」，消费电子用「散斑结构光」。我曾经在两个方案之间反复横跳，最后发现没有银弹，只有最适合场景的。

结构光的应用范围比大多数人想象的要广。我把它分成三大类：

这是结构光最「正统」的应用场景。PCB焊点检测、汽车钣金件形变测量、手机中框平面度检测……说白了就是「用光代替卡尺」。我做过一个锂电池极片涂布检测项目，要求精度0.02mm，最后用的就是双目光栅结构光。

Face ID带火了这个方向。但你要知道，结构光做人脸识别有个天然优势：它不怕光照变化。普通RGB相机在逆光下基本废掉，但结构光主动发光，黑夜也能用。我2018年帮客户调过一款门禁设备，室内外切换时识别率从92%掉到67%，最后发现是环境红外干扰——加了个带通滤波器就解决了。

这个方向最近很火。结构光可以快速获取物体表面点云，用于虚拟试衣、文物数字化、游戏资产制作。但说实话，消费级结构光的精度做精细建模还是不够——我试过用iPhone的LiDAR（虽然它是ToF）扫描人脸，毛孔细节完全丢失。

应用领域	典型精度要求	推荐方案	我的踩坑记录
工业检测	0.01-0.1mm	双目光栅	标定板不平导致全局误差
人脸识别	1-3mm	散斑结构光	环境红外干扰
AR/VR	0.5-2mm	单目+散斑	运动模糊严重
文物数字化	0.05-0.2mm	相移法+多频	高反表面难处理

很多新手问我：「到底选单目还是双目？」我的回答是：先搞清楚你的约束条件。

一个相机+一个投影仪。优点是结构简单、成本低。缺点是必须标定投影仪的内参，而且对投影仪的畸变很敏感。我2015年做过一个单目方案，投影仪用的是普通商用投影仪，畸变大到离谱——后来换了工业投影仪才搞定。

两个相机+一个投影仪。说白了就是「双目立体视觉+主动纹理投影」。优点是鲁棒性好，两个相机互为冗余。缺点是标定复杂——你需要标定两个相机之间的外参，还要标定投影仪和每个相机的关系。我曾经因为标定板温度变化导致热膨胀，标定结果漂移了0.3mm。

一个红外相机+一个VCSEL激光器+DOE。这是消费电子的主流方案。优点是体积小、功耗低。缺点是精度有限（通常1-3mm），而且散斑图案是固定的，遇到高反光表面容易失效。

避坑指南： 我曾经在散斑方案上栽过跟头——以为散斑是「万能方案」，结果遇到黑色塑料件直接翻车。黑色吸光，散斑对比度不够，匹配算法直接崩溃。后来加了偏振片才勉强能用。

下面这张图是我自己整理的「结构光三维重建知识体系」。你跟着这个框架学，不会走偏。

这张图我画了好几个版本才定稿。你注意看，整个体系是「原理→模块→子模块→输出→应用」的递进关系。我建议你按照这个框架来学习，先搞懂三角测量原理，再分别攻克硬件、算法、标定三大块。

本章小结：

结构光不是什么黑魔法，它就是「主动投射+三角测量」的工程实现。选方案时记住三点：

公众号:蓝海资料掘金营，微信deep3321