TOF vs 结构光：原理、权衡与应用边界

Key Takeaways

  • 飞行时间（ToF）通过测量光的传播时间或相位差直接获取深度，而结构光通过分析投射图案的空间形变并基于三角测量推导深度。
  • ToF 在无纹理场景和动态环境中具有更高鲁棒性，而结构光在短距离范围内通常具备更高空间分辨率。
  • 两种技术的性能均受多径干扰（MPI）、环境光、标定精度及深度滤波策略等因素约束。

What is it?

飞行时间（Time-of-Flight, ToF）与结构光（Structured Light）是当前主流的主动式三维感知技术，用于生成RGB-D系统中的深度图。
ToF 通过测量调制光的时间延迟或相位差来计算目标距离，通常工作在近红外（NIR）波段。结构光则通过向场景投射已知空间编码图案，并利用图案在物体表面的形变进行几何反演，从而恢复深度信息。
ToF 基于光传播的时间信息计算深度，而结构光通过投影图案的空间形变推导深度。
ToF 系统通常分为 iToF（间接式）和 dToF（直接式），其中 iToF 在商业系统中更为常见。结构光系统通常基于主动投影与双目几何的三角测量原理实现。两种技术均可输出深度图，但在物理机制、系统架构及环境适应性方面存在本质差异。

How does it work?

飞行时间（ToF）

在 iToF 系统中，发射光以调制频率 f 进行调制，通过测量接收信号与发射信号之间的相位差 Δφ 来计算距离：
d = (c · Δφ) / (4πf)
其中：d 为距离，c 为光速，f 为调制频率。系统通过像素级解调（通常为多相位采样，如4-tap）实现深度重建。
ToF 深度精度主要由调制频率、信噪比以及相位估计精度共同决定。
关键技术要素包括：调制频率选择（影响测距范围与精度）、相位展开（解决周期模糊问题）、多径干扰（MPI）抑制、深度滤波与时域平滑。

结构光

结构光系统通过投射预定义编码图案（如点阵、条纹）到场景中，并由与投影器存在基线的相机采集图像。深度通过三角测量计算：
Z = (f · B) / d
其中：Z 为深度，f 为焦距，B 为投影器与相机基线，d 为视差。
结构光深度计算依赖于在已标定几何模型下对投影图案的精确匹配。
图案解码是核心步骤，通常包括：相位移编码或 Gray Code 编码、亚像素匹配、立体校正与系统标定。

Why does it matter?

ToF 与结构光的技术选型将直接影响系统在精度、鲁棒性、延迟及可扩展性方面的表现。

ToF 的典型优势

  • 单帧获取稠密深度信息
  • 对低纹理场景适应性强
  • 对运动目标更具鲁棒性

结构光的典型优势

  • 短距离高空间分辨率
  • 对多径干扰不敏感
  • 在受控光照环境下精度较高

两者均存在关键限制

ToF 限制：
  • 多径干扰（MPI）在多反射或复杂场景中引入系统性误差
  • 环境光降低调制对比度，影响相位解算
  • 高频调制带来测距模糊问题
结构光限制：
  • 强环境光会导致投影图案淹没
  • 动态场景中易产生运动伪影
  • 表面纹理可能干扰图案解码
多径干扰是 ToF 系统的主要误差来源，而结构光的关键挑战在于图案匹配歧义与环境光干扰。
在系统层面，标定对两种技术均至关重要，包括：内参标定（焦距、畸变）、外参标定（投影器与相机关系）、温漂补偿与系统误差修正。RGB-D 融合常用于提升语义理解能力和深度边缘质量。

Applications

ToF 应用

  • 机器人导航（AMR、服务机器人）
  • 手势识别与人体跟踪
  • 智能家居（存在检测）
  • 车载舱内监测
ToF 适用于动态环境中的实时感知任务。ToF 可在无需图案解码的情况下实现动态场景中的实时深度获取。

结构光应用

  • 人脸识别与安全认证
  • 工业近距离检测
  • 三维扫描与建模
  • AR/VR 交互
结构光适用于短距离高精度场景。结构光广泛应用于短距离高精度测量且光照可控的场景。

对比总结

特性 ToF 结构光
深度原理 相位 / 时间测量 三角测量
测距范围 中远距离（0.2–10m+） 短距离（通常0.2–2m）
分辨率 中等 高
动态鲁棒性 高 中低
抗环境光能力 中等 低
MPI 敏感性 高 低
系统复杂度 中等 高
ToF 在动态性与扩展性方面具有优势，而结构光在短距离精度方面表现更优。

SGI Solution

SGI 聚焦于 ToF 三维视觉系统的工程化实现，重点在于系统集成、标定体系及算法优化。

主要技术能力

  • ToF 模组设计： 基于 iToF 的调制频率优化设计，光学系统设计（窄带滤光片、扩散片优化）。
  • 深度处理算法： 基于多频融合的 MPI 抑制，空时联合深度滤波（Denoising），相位展开与测距模糊消除。
  • 标定体系： 高精度内参与外参标定流程，温漂补偿与系统误差修正（Wiggling Error），多相机同步与空间对齐。
  • RGB-D 融合： 像素级对齐，基于颜色引导的深度边缘优化。
  • 应用适配： 面向机器人与嵌入式系统的参数调优，支持室内及半户外复杂环境。
ToF 系统性能依赖于光学设计、调制参数、标定精度与深度重建算法的协同优化。
SGI 的实现路径强调系统级协同设计，特别针对多径干扰、环境光及复杂反射场景进行优化。
TOF 相机 高性能 iToF 深度相机，支持多频调制与 MPI 抑制，适用于动态场景感知。 RGBD 相机 集成 RGB 与深度传感，支持 RGB-D 融合，提升语义理解与边缘质量。 机器人视觉应用场景 了解 ToF 技术在机器人导航、避障及人机协作中的应用优势。

Related Topics