SGE: Structured Light System Based on Gray Code with an Event Camera
作者: Xingyu Lu, Lei Sun, Diyang Gu, Kaiwei Wang
分类: cs.CV
发布日期: 2024-03-12 (更新: 2025-03-29)
期刊: Opt. Express 32, 46044-46061 (2024)
DOI: 10.1364/OE.538396
💡 一句话要点
提出基于灰码的事件相机结构光系统以解决深度感知问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 深度感知 事件相机 结构光 灰码 实时处理 高精度估计 数据采集速度 机器人导航
📋 核心要点
- 现有的深度感知方法在速度和准确性之间存在权衡，难以满足实时应用的需求。
- 本文提出了一种基于事件相机和灰码的结构光系统，通过高效的模式投影与解码实现深度估计。
- 实验结果显示，该方法在数据采集速度上提升至41倍，同时保持与现有方法相当的准确性和空间分辨率。
📝 摘要（中文）
快速而准确的深度感知一直是一个重要的研究挑战。事件相机作为一种对强度变化快速响应的设备，为结构光系统提供了一种新解决方案。本文首次将灰码引入基于事件的结构光系统。我们的设置包括事件相机和数字光处理（DLP）投影仪，通过高速度投影和解码灰码模式实现深度估计。采用灰码进行点匹配，使得我们的方法对时间戳噪声免疫，实现了高速深度估计而不损失准确性和空间分辨率。实验结果表明，我们的方法在数据采集速度上超越了最先进的扫描方法（提高至41倍），同时保持了准确性和空间分辨率，提供了一种极具前景的超快、实时、高精度密集深度估计解决方案。
🔬 方法详解
问题定义：本文旨在解决现有深度感知方法在速度和准确性之间的权衡问题，尤其是在实时应用场景中的不足。现有方法往往无法在高速下保持高精度，导致应用受限。
核心思路：论文的核心思路是将灰码引入基于事件的结构光系统，通过高效的灰码模式投影和解码，克服时间戳噪声的影响，实现高速度和高精度的深度估计。
技术框架：整体架构包括事件相机和DLP投影仪，事件相机负责捕捉场景中的变化，DLP投影仪则用于快速投影灰码模式。系统通过解码捕获的事件数据来进行深度估计。
关键创新：最重要的技术创新在于将灰码与事件相机结合，利用灰码的二进制特性减少数据冗余，充分利用传感器带宽，从而实现高效的数据处理和深度估计。
关键设计：在设计中，采用了高频率的灰码投影，优化了解码算法以提高处理速度，并确保在高速度下仍能保持准确性和空间分辨率。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提方法在数据采集速度上提升至41倍，且在准确性和空间分辨率上与最先进的扫描方法相当。这一显著提升使得该方法在实时深度感知领域具有重要的应用前景。
🎯 应用场景
该研究具有广泛的潜在应用场景，包括机器人导航、增强现实、自动驾驶等领域。其高速度和高精度的深度估计能力能够显著提升这些应用的实时性能和准确性，推动相关技术的发展和应用落地。
📄 摘要（原文）
Fast and accurate depth sensing has long been a significant research challenge. Event camera, as a device that quickly responds to intensity changes, provides a new solution for structured light (SL) systems. In this paper, we introduce Gray code into event-based SL systems for the first time. Our setup includes an event camera and a Digital Light Processing (DLP) projector, enabling depth estimation through high-speed projection and decoding of Gray code patterns. By employing Gray code for point matching in event-based SL system, our method is immune to timestamp noise, realizing high-speed depth estimation without loss of accuracy and spatial resolution. The binary nature of events and Gray code minimizes data redundancy, enabling us to fully utilize sensor bandwidth at 100%. Experimental results show that our approach achieves accuracy comparable to state-of-the-art scanning methods while surpassing them in data acquisition speed (up to 41 times improvement) without sacrificing accuracy and spatial resolution. Our proposed approach offers a highly promising solution for ultra-fast, real-time, and high-precision dense depth estimation.