摄像机阵列的成本通常最低,其开发工作主要在软件方面。双摄像头解决方案已经广泛应用于许多智能设备和移动电话中。ToF传感器的成本适中,而结构光的成本最高。但是,随着ToF的批量生产,预计其成本在不久的将来会大大降低。
●可扩展性
通过展望这些技术的潜力,我们可以更好地利用它们来满足未来的需求。
ToF是半导体技术,并且具有最佳的可伸缩性。它的深度精度可以通过片上时间数字转换器/混合电路进行缩放,其深度图分辨率可以通过传感器尺寸进行缩放,其测量范围可以通过光源功率/调制方案进行缩放,并且其功耗可以通过用半导体技术扩展规模。
另一方面,结构光具有不错的可伸缩性。光学系统是结构光的关键组成部分,光学系统可以随着封装技术而扩展(尽管不如半导体快)。
最后,缩放摄像机阵列主要依赖于软件:我们将需要更好的算法来缩放其深度感应性能。它更像是一个数学问题,而不是工程问题,而改进硬件并没有太大帮助。即使使用分辨率更高的相机,点匹配问题仍然存在。
资料来源:德州仪器
建议仅使用结构光来执行生物识别任务,因为它具有最佳的深度精度。游戏应用需要中等深度分辨率和快速响应,因此ToF传感器似乎是最合适的。对于其他应用程序(包括定位,识别,测量和增强现实),所有技术都可以做到,但是某些技术比其他技术更适合特定的应用场景。例如,相机阵列可能最适合在需要深度测量范围的开放空间中的AR应用,而ToF传感器最适合可以控制环境亮度的室内AR.
深度传感器的应用
1. AR / VR:用于感知真实的3D环境并在虚拟世界中重建它们
深度信息对于VR / AR设备的人机交互也是必需的。设备必须准确响应用户的3D运动,因此肯定需要高性能的深度传感器。
例如,谷歌的Project Tango使用深度传感器来准确地测量实际环境,并通知其图形算法将虚拟内容放置在适当的位置。与Pokemon Go的AR模式相反,由于算法没有环境深度信息,因此用户经常可以看到Pokemon放置在不正确的位置。
2.机器人:用于导航,定位,地图绘制和避免碰撞
许多仓库已经利用了将物品从一个地方运输到另一个地方的全自动驾驶汽车。车辆自行行驶的能力需要深度感应,以便能够知道它在环境中的位置,其他重要事物的位置,最重要的是,它如何安全地从A移到B.类似地,任何用于拾取目的依赖于深度感应来了解目标对象在哪里以及如何获取它。
这些相同的应用对于任何自动驾驶汽车的成功都是必不可少的。实际上,目前无人驾驶汽车面临的最重大挑战之一是为汽车配备精确的深度传感器和CV系统,而不会大幅增加成本。这仍然是一个竞争激烈的市场,许多新创公司都在争夺领导地位。
3.面部识别:在防止欺诈的同时提高便利性
大多数人脸识别系统使用2D相机捕获照片并将其发送给算法来确定人的身份。但是,这存在很大的漏洞:糟糕的演员会欺骗系统,因为他们无法分辨是看到的是真实的3D面孔还是2D照片。为了使人脸识别安全,必须使用具有深度感应功能的3D相机。
除了阻止漏洞外,3D人脸建模还可以传达人脸的更多特征,以实现更准确的识别。
4.手势和接近检测:用于游戏,安全性等
飞行时间(ToF)深度传感器已被许多设备用于这些目的。在简单的实现方式中,深度传感器仅需要检测一个点的深度信息,例如用于手势检测的手或用于接近度检测的脸部。因此,具有简单的光学器件(和较窄的视场)的深度传感系统就足够了。随着手势检测的发展,使用了更复杂的深度感应系统,例如Microsoft的Kinect.
深度传感器的创业机会
在未来几年中,深度感应将成为一个巨大的市场。当前,深度感测中的许多技术仍有很大的改进空间,这可能是技术初创公司的机会。此外,初创公司可以尝试将当前的深度感应技术用于新兴应用。
1、深度感测技术与CV应用程序的结合
深度感测系统可以与当前的计算机视觉应用程序结合使用,以大大提高其性能并满足实际部署的需求。这也有助于减轻极端情况的影响——2D中的许多极端情况实际上可能是3D世界中的正常情况。
深度感测可以使CV算法执行我们生活中更重要的事情,其中一些甚至可以是破坏性的创新,从而创造更多的市场,例如面部识别。
2、ToF传感器——以合理的价格使用脉冲激光
当前,用于移动设备的ToF传感器通常使用低成本的基于调制的光源。如前所述,基于调制的光源具有范围模糊性,并且其性能通常不如脉冲激光器。脉冲激光器已经成功地用于LiDAR中,但其成本,功耗和尺寸仍然不适用于移动设备。