在共焦非视距（NLOS）成像技术中，激光被角落或障碍物周围的墙壁反射。散射光返回到检测器，并通过密集型算法重建出三维图像。图片来源：美国斯坦福大学计算成像实验室。

激光雷达是自动驾驶汽车中的关键技术，能够通过测量物体的直接反射来确定它们的距离并形成前方道路的图像。但是激光雷达只能在其视距内对物体成像。为了增加安全性和效率，能够查看角落和障碍物周围的情况也是十分重要的。斯坦福大学的研究人员目前已经公布了一种有效的方法来做到这一点。该研究团队认为，这项使用共焦非视距（NLOS）成像的技术不仅能够用于自动驾驶技术，还可用于机器人视觉、遥感、**和医学成像。

计算能力需求

在非视距成像中，激光从角落或障碍物周围的墙壁反弹，以照亮隐藏的物体。物体散射的光子通过反向路线返回并被记录下来。然而，与激光雷达相反，在共焦非视距方案中记录的反射光子可能采取了无数条路径中的任何一条。这使得确定反射来自何处，并重建计算需求的三维图像，无论是在存储器还是处理能力方面的要求都很高。另外，返回到检测器的散射光通量很低，这意味着即使在黑暗环境下，采集时间也可能很长，并且需要使用高功率激光来克服环境光线产生的干扰。

共焦技术

斯坦福大学的团队使用共焦技术，而不是对墙上的一对点而是一个点进行照明和成像。其结果是一个光子计数直方图，其中有两个峰值：从激光脉冲直接反射的时间，以及从隐藏物体返回的光子壁反射的稍后时间，时间的差异即给出了隐藏物体和墙壁之间的光线传播时间。通过对整个感兴趣区域的密集点进行扫描并进行相同的测量，研究人员为每个扫描点积累了类似的时间数据。这使得他们能够开发出一个封闭形式的解决方案，被称为光锥变换从而重建图像。该算法通过对时间轴上的数据进行重采样，并在傅立叶变换域中使用逆滤波器执行三维卷积运算，沿深度维度重新采样卷积数据即可恢复隐藏对象的图像。

根据研究团队的观点，用独立的变换矩阵执行两个重采样步骤，并在傅里叶变换域中执行卷积运算，从而使该算法能够以“以计算和内存高效的方式处理大规模数据集”。将它们的方法与现有的反投影型方法重建，研究人员证明了该方法对于内存和处理要求的显著改善。他们还在间接的阳光照射下进行了室外实验，发现新共焦技术为反光物体，如道路标志提供的信号和范围也有了显著增加。

商业应用

该团队指出，尽管许多商用激光雷达系统已经使用共焦方案，但这些系统可能能够在最少的硬件修改下即可采用新的算法。斯坦福大学计算影像实验室博士后、论文的共同作者Matthew O'Toole表示：“我们相信计算算法已经能够用于激光雷达系统，关键问题是目前激光雷达系统的硬件是否支持这种类型的成像。”此外，概念验证集中于对隐蔽物体成像或者较不明亮的物体进行成像，例如反光路标或者穿着非反光服装的行人，都可能会使系统更难以识别。

该团队提出了三种改进其系统的方法，以便更接近实时帧速率。更强大的激光器将有助于减少采集时间，尽管为了眼睛安全，激光波长可能需要处于短波红外区域。对于逆反射物体，系统能够以最小的串扰进行并行测量，因此构建探测器阵列并使用漫射激光源，而不是像当前方案中那样进行单次成像。最后，在图形处理单元或现场可编程门阵列中实现算法能够进一步减少计算时间。

来源： https://www.osa-opn.org/home/newsroom/2018/march/imaging_the_hidden_road_ahead/

本文受译者委托，享有该文的专有出版权，其他出版单位或网站如需转载，请与本站联系，联系email：mail@opticsjournal.net。否则，本站将保留进一步采取法律手段的权利。