3D视觉高频术语小词典：从点云到立体匹配一次说清

接触3D视觉时，点云、视差、结构光、ToF……这些词总让人困惑？本文用名词小词典的方式，把高频术语一次说清。

点云与深度图：三维数据的两种基本形式

点云（Point Cloud） 是3D视觉最基础的数据形态。它是一组三维坐标点的集合，每个点包含X、Y、Z坐标，有时还附有颜色或反射强度信息。点云的密度直接影响模型细节——密度越高，对物体表面的描述越精细，但数据量和处理时间也越大。深度图（Depth Map） 则是另一种常见表达方式：每个像素的灰度值代表该点到相机的距离（深度值），形成一个二维矩阵。深度图可以直接从结构光或ToF相机获取，也可以由双目视觉算法计算得到，再通过相机内参反投影为点云。

两者的转换关系：深度图加上相机内参（焦距、主点）即可逐像素生成点云；反过来，将点云投影到成像平面也能得到深度图。实际应用中，深度图适合实时显示和简单的遮挡判断，而点云更适合三维重建、尺寸测量和SLAM建图。2026年，随着高分辨率3D相机普及，单帧点云数量轻松超过百万级，对计算和存储的压力也相应增大。

关键判断点： 选型时，如果只需要测距或避障，深度图往往足够；如果要进行精密的物体轮廓提取或逆向工程，需要点云。注意点云格式（PLY、PCD、LAS等）的兼容性，以及深度图的位深（8位、12位、16位）对精度的影响。

视差与立体匹配：双目视觉的两大核心

视差（Disparity） 是双目立体视觉的精髓。它是指空间同一点在左右两个相机图像中的像素位置之差。视差值与物体距离成反比：物体越近，视差越大；越远，视差越小（趋于0）。通过三角测量原理，利用视差和相机基线就能算出深度。

立体匹配（Stereo Matching） 是如何找到左右图像中对应点的算法过程。常见的立体匹配方法包括：块匹配（BM）、半全局匹配（SGBM）、全局优化（如图割）等。其中SGBM在速度与精度之间取得了较好平衡，被广泛采用。

关键判断点： 视差图的质量直接决定了深度精度。影响匹配效果的因素很多：纹理丰富度、光照一致性、基线长度等。室外强光或弱纹理表面（白墙、镜面）会导致匹配失败。2026年，学习型立体匹配网络（如PSMNet、RAFT-Stereo）在公开数据集上显著领先，但实际部署时仍需考虑算力与功耗的平衡。双目系统无需主动光源，成本较低，但弱光环境下性能下降明显。

结构光与ToF：主动式3D成像的两条路线

结构光（Structured Light） 通过投影仪向物体表面投射特定图案（条纹、散斑、编码光），相机拍摄被物体调制的图案，再根据图案变形或相位变化解算出深度。典型应用包括苹果Face ID、工业级的激光条纹扫描。结构光的优点是单帧即可获得高精度深度图，尤其适合静止或缓慢移动的物体；缺点是受环境光干扰大，在户外阳光下效果较差。

飞行时间法（Time-of-Flight, ToF） 则直接测量光脉冲从发射到反射回来的时间差，换算成距离。ToF相机每秒能捕获数十甚至上百帧深度图，实时性极好，在机器人避障、人流计数、手势识别中广泛使用。但ToF的分辨率通常低于结构光，且存在多路径干扰（光线在物体间多次反射导致测距偏差）。

关键判断点： 选型时，如果精度要求高于0.1mm且环境可控，优先考虑结构光；如果要求高帧率（>30fps）且对成本敏感，ToF更合适。注意两者的有效距离：结构光一般短于5米，ToF可达10-50米。2026年，混合方案（结构光+ToF）开始在少量产品中出现，试图取长补短。

激光三角法与3D线激光轮廓仪

激光三角法（Laser Triangulation） 是工业3D测量最成熟的技术之一。它用线激光器投射一条激光线在被测物体表面，相机从固定角度拍摄，利用激光线的变形计算该截面轮廓的高度。通过移动物体或相机，就能逐线扫描出完整三维形貌。

由此衍生出的3D线激光轮廓仪（3D Line Profile Sensor），集成了激光器、相机、光学镜头和处理单元，直接输出轮廓点云。这类传感器在工厂产线中用于检测接缝宽度、焊道高度、元件共面性等。其特点是测量速度快（每秒数万条轮廓线）、精度高（可达微米级），但对物体表面反光特性敏感——镜面或黑色吸光表面容易出现信号丢失。

关键判断点： 激光三角法的精度与工作距离和基线长度相关；通常短基线更准但可测范围小。注意激光安全等级（Class 2/3R/3B）在产线中需有人眼防护措施。2026年，蓝光激光器在部分产品中替代红光，以减少环境光干扰并提高对透明材料的测量能力。

刚体变换与手眼标定：让3D数据对齐的关键

刚体变换（Rigid Transformation） 描述物体沿三个坐标轴的平移和绕三个轴的旋转（共6个自由度），不改变物体形状。在3D视觉中，常用于拼接不同视角的点云（如ICP算法）、将机器人基坐标系与相机坐标系对齐等。

手眼标定（Hand-Eye Calibration） 则是求解相机固定在机器人末端（眼在手）或独立安装（眼固定）时，两个坐标系之间的刚体变换矩阵。只有经过精确标定，机器人才能根据视觉反馈准确抓取或放置物体。常用解法是AX=XB形式——通过多组末端位姿与标定板位姿求解。

关键判断点： 手眼标定的精度受标定板平面度、特征点提取精度、机器人重复定位精度等多因素影响。操作时至少采集15-20组姿态，且姿态变化要大（平移旋转范围尽可能覆盖常用区域）。标定完成后一定要验证：在空间固定一点，让机器人从不同姿态重复观察，观察坐标一致性误差。

FOV、分辨率与精度：3D视觉系统的三个硬指标

视场角（FOV, Field of View） 表示相机能看到的范围。对于3D相机，FOV又分为水平、垂直和对角线方向。FOV越大，单次可覆盖的区域越大，但角分辨率会下降。

分辨率 通常指深度图像的像素数量（如640×480、1280×1024）。分辨率越高，能够分辨的物体细节越丰富，但帧率和数据量也会对应变化。注意区分图像分辨率与点云密度。

精度（Accuracy） 指深度测量值与真实值的偏差，通常用毫米或微米表示。精度受传感器噪声、标定误差、算法处理等多环节影响。常见误解是“分辨率高则精度高”——实际不一定，因为深度值的离散化误差和噪声会随分辨率提高而被放大。

关键判断点： 选型时用“测量精度”与“重复精度”区别指标。重复精度反映系统在相同条件下多次测量的离散程度，通常比绝对精度好一个数量级。如果是作对比测量（如是否超差），重复精度更重要；如果是绝对尺寸判断，则需关注绝对精度。2026年，工业级3D相机的绝对精度普遍达到0.01-0.1mm，帧率在10-60fps区间。

常见问题