(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210678776.3 (22)申请日 2022.06.16 (71)申请人 南京理工大 学 地址 210094 江苏省南京市孝陵卫20 0号 (72)发明人 郑东亮　朱戎彪　韩静　张凯　 赵洋　于浩天　张毅　 (74)专利代理 机构 南京苏创专利代理事务所 (普通合伙) 32273 专利代理师 王晶杰 (51)Int.Cl. G06T 3/40(2006.01) G06T 17/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于条纹图超分辨率重建的动态条纹投影 三维测量方法 (57)摘要 本发明涉及一种基于条纹图超分辨率重建 的动态条 纹投影三维测量方法， 涉及数字化逆向 工程和机器视觉领域。 包括如下步骤： 设计并训 练好细节恢复和超分辨率重建神经网络。 搭建三 维测量系统并采集条纹图。 将采集的到的条纹图 放入训练好的神经网络， 进行图像超分辨率重 建。 将得到的超分辨率的条纹图进行三维重建。 本发明提出的基于条纹图超分辨率重建的精确 动态三维测量技术通过对条纹图进行超分辨率 重建， 即解决了测量时难以避免的动态误差问 题， 又能得到精确的高分辨率图像， 进而得到更 准确稠密的三维数据。 提高了测量速度和效率。 权利要求书2页 说明书5页 附图2页 CN 115272065 A 2022.11.01 CN 115272065 A 1.一种基于条纹图超分辨率重建的动态条纹投影三维测量方法， 其特征在于： 包括如 下步骤： 步骤1： 设计构建自动恢复细节的超分辨 率重建神经网络； 步骤2： 采集物体高分辨率条纹图， 构建条纹退化模型， 对所述物体高分辨率条纹图退 化得到低分辨 率条纹图， 将若干低分辨 率条纹图和对应高分条纹图构建为数据集； 步骤3： 将步骤2中数据集应用于步骤1中的神经网络进行训练学习条纹退化的映射关 系， 得到训练完成的神经网络； 步骤4： 搭建三维测量系统， 使用相机快速测量待测物体， 采集待测物体的低分辨率原 始条纹图像； 步骤5： 将步骤4的原始条纹图像输入步骤3中训练完成的神经网络 中， 得到高分辨率图 像； 步骤6： 将步骤5得到的高分辨 率图像中各点代入如下公式 中： 其中(x,y)为像素点的坐标， N为一组相移条纹的步数， δn为相移量， In(x， y)为第n张相 移图在(x,y)点的像素灰度值， 基于格雷码的方式将包裹相位解包裹得到绝对相位， 结合所 得到的标定参数与绝对相位重建出待测物体的三维信息 。 2.根据权利要求1所述的基于条纹图超分辨率重建的动态条纹投影三维测量方法， 其 特征在于： 所述步骤1 中的神经网络以残差网络结构为主体， 所述神经网络包括依次跳跃连 接的第一卷积层、 若干个残差结构模块、 第二卷积层、 上采样模块和第三卷积层， 所述残差 结构模块依次包括一个卷积层、 校正线性单元、 一个卷积层和一个恒定缩放层， 所述上采样 模块包括卷积层和像素洗练层交替多组排列。 3.根据权利要求1所述的基于条纹图超分辨率重建的动态条纹投影三维测量方法， 其 特征在于： 所述步骤2中得到低分辨率条纹图的具体步骤为： 使用高分辨率相机将各高分辨 率条纹图根据退化模型得到低分辨率条纹图， 得到对应的低分辨率图像作为网络输入， 所 述退化模型为如下公式： 其中 表示第i个高分辨率条纹 图案， N表示相移正弦与灰色码图案相结合的数 量， H(x， y)表示条纹图案的光学模糊， 表示卷积运算子， v(x， y)表示随机噪声， D表示条纹 分辨率的降采样算子 。 4.根据权利要求1所述的基于条纹图超分辨率重建的动态条纹投影三维测量方法， 其 特征在于： 所述步骤2中得到推测高分辨率图像的具体步骤为： 将原始条纹图像采集完 毕后 输入训练完成的神经网络中， 使用如下公式进行神经网络的参数优化： 其中， Sθ为非线性映射函数， || ·||为`l1范数， Θ为可训练参数(即权重和偏差)， 进行权　利　要　求　书 1/2 页 2 CN 115272065 A 2批量训练， n表示使用随机梯度下降算法优化Θ时的小批量训练的大小， 条纹图案中的黑色 背景不参与训练， m表示有效像素的数量， 训练完成的神经网络基于原始条纹图像， 在不调 节其他参数情况 下输出相应的2倍、 4 倍或者8倍分辨 率的图像。权　利　要　求　书 2/2 页 3 CN 115272065 A 3