CN113574406A - 用于识别至少一种材料特性的检测器 - Google Patents
用于识别至少一种材料特性的检测器 Download PDFInfo
- Publication number
- CN113574406A CN113574406A CN202080021006.0A CN202080021006A CN113574406A CN 113574406 A CN113574406 A CN 113574406A CN 202080021006 A CN202080021006 A CN 202080021006A CN 113574406 A CN113574406 A CN 113574406A
- Authority
- CN
- China
- Prior art keywords
- filter
- detector
- image
- distance
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000463 material Substances 0.000 title claims abstract description 338
- 238000011156 evaluation Methods 0.000 claims abstract description 296
- 230000003287 optical effect Effects 0.000 claims abstract description 206
- 230000001419 dependent effect Effects 0.000 claims abstract description 151
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 238000009499 grossing Methods 0.000 claims abstract description 39
- 238000005286 illumination Methods 0.000 claims description 212
- 238000012360 testing method Methods 0.000 claims description 74
- 238000000034 method Methods 0.000 claims description 71
- 238000005259 measurement Methods 0.000 claims description 56
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000003384 imaging method Methods 0.000 claims description 19
- 230000033001 locomotion Effects 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000003908 quality control method Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 160
- 238000006073 displacement reaction Methods 0.000 description 89
- 230000000875 corresponding effect Effects 0.000 description 60
- 238000012545 processing Methods 0.000 description 28
- 230000003595 spectral effect Effects 0.000 description 26
- 238000012546 transfer Methods 0.000 description 26
- 210000001519 tissue Anatomy 0.000 description 22
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 16
- 229910052710 silicon Inorganic materials 0.000 description 16
- 239000010703 silicon Substances 0.000 description 16
- 238000001514 detection method Methods 0.000 description 13
- 239000004065 semiconductor Substances 0.000 description 13
- 238000010191 image analysis Methods 0.000 description 11
- 230000001902 propagating effect Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 229910052751 metal Inorganic materials 0.000 description 7
- 239000002184 metal Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 5
- 239000002131 composite material Substances 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 238000002310 reflectometry Methods 0.000 description 5
- 238000000540 analysis of variance Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 239000002537 cosmetic Substances 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000005670 electromagnetic radiation Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000006260 foam Substances 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 239000002023 wood Substances 0.000 description 4
- 229910000673 Indium arsenide Inorganic materials 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 3
- 229910021417 amorphous silicon Inorganic materials 0.000 description 3
- 230000000386 athletic effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000012620 biological material Substances 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- RPQDHPTXJYYUPQ-UHFFFAOYSA-N indium arsenide Chemical compound [In]#[As] RPQDHPTXJYYUPQ-UHFFFAOYSA-N 0.000 description 3
- 229910010272 inorganic material Inorganic materials 0.000 description 3
- 239000011147 inorganic material Substances 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 239000011368 organic material Substances 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000010146 3D printing Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 2
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- 238000001134 F-test Methods 0.000 description 2
- 229910001218 Gallium arsenide Inorganic materials 0.000 description 2
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 2
- 206010033546 Pallor Diseases 0.000 description 2
- 239000004809 Teflon Substances 0.000 description 2
- 229920006362 Teflon® Polymers 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- -1 carpet Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 235000019688 fish Nutrition 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 230000001976 improved effect Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 235000020061 kirsch Nutrition 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 230000005693 optoelectronics Effects 0.000 description 2
- 239000000123 paper Substances 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 229910052704 radon Inorganic materials 0.000 description 2
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- YBNMDCCMCLUHBL-UHFFFAOYSA-N (2,5-dioxopyrrolidin-1-yl) 4-pyren-1-ylbutanoate Chemical compound C=1C=C(C2=C34)C=CC3=CC=CC4=CC=C2C=1CCCC(=O)ON1C(=O)CCC1=O YBNMDCCMCLUHBL-UHFFFAOYSA-N 0.000 description 1
- LHMQDVIHBXWNII-UHFFFAOYSA-N 3-amino-4-methoxy-n-phenylbenzamide Chemical compound C1=C(N)C(OC)=CC=C1C(=O)NC1=CC=CC=C1 LHMQDVIHBXWNII-UHFFFAOYSA-N 0.000 description 1
- 241000288673 Chiroptera Species 0.000 description 1
- 229910000661 Mercury cadmium telluride Inorganic materials 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000006071 cream Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010196 hermaphroditism Effects 0.000 description 1
- WPYVAWXEWQSOGY-UHFFFAOYSA-N indium antimonide Chemical compound [Sb]#[In] WPYVAWXEWQSOGY-UHFFFAOYSA-N 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005555 metalworking Methods 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004018 waxing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/46—Indirect determination of position data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/66—Tracking systems using electromagnetic waves other than radio waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/145—Illumination specially adapted for pattern recognition, e.g. using gratings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/95—Pattern authentication; Markers therefor; Forgery detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/56—Cameras or camera modules comprising electronic image sensors; Control thereof provided with illuminating means
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/74—Circuitry for compensating brightness variation in the scene by influencing the scene brightness using illuminating means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Optics & Photonics (AREA)
- Automation & Control Theory (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
提出了一种用于识别至少一种材料特性m的检测器(110)。检测器110包括：至少一个传感器元件(116)，其包括光学传感器(120)的矩阵(118)，光学传感器(120)各自具有光敏区域(122)。传感器元件(116)被配置为记录源自至少一个对象(112)的光束的至少一个反射图像。检测器(110)包括：至少一个评估装置(132)，其被配置为通过对反射图像的至少一个束轮廓的评估来确定材料特性。评估装置(132)被配置为通过将至少一个距离相关的图像滤波器Ф1应用于反射图像来确定至少一个距离特征
距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器；离焦深度滤波器；或其线性组合；或者是另一距离相关的图像滤波器Ф1其他，其通过|ρФ1其他,Фz|≥0.40来与光子深度比滤波器和/或离焦深度滤波器或其线性组合相关，其中，Фz是光子深度比滤波器或离焦深度滤波器或其线性组合中的一者。评估装置(132)被配置为通过将至少一个材料相关的图像滤波器Ф2应用于反射图像来确定至少一个材料特征
材料相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器，诸如高斯滤波器或中值滤波器；基于灰度级发生的对比度滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；阈值区域滤波器；或其线性组合；或者是另一材料相关的图像滤波器Ф2其他，其通过|ρФ2其他,Фm|≥0.40来与亮度滤波器、光斑形状滤波器、平方范数梯度、标准偏差、平滑滤波器、基于灰度级发生的能量滤波器、基于灰度级发生的同质性滤波器、基于灰度级发生的相异滤波器、劳氏能量滤波器、或阈值区域滤波器、或其线性组合中的一者或多者相关，其中Фm是亮度滤波器、光斑形状滤波器、平方范数梯度、标准偏差、平滑滤波器、基于灰度级发生的能量滤波器、基于灰度级发生的同质性滤波器、基于灰度级发生的相异滤波器、劳氏能量滤波器、或阈值区域滤波器、或其线性组合中的一者。评估装置(132)被配置为通过评估距离特征
和材料特征
来确定纵坐标z和材料特性m。
Description
技术领域
本发明涉及一种用于确定至少一个对象的至少一种材料特性的检测器、检测器系统和方法。本发明进一步涉及：用于在用户和机器之间交换至少一项信息的人机界面；娱乐装置；跟踪系统；相机；扫描系统；以及检测器装置的各种用途。根据本发明的装置、方法和用途具体地可例如被用在包括日常生活、安全性技术、游戏、交通技术、生产技术、摄影(诸如用于艺术、文档或技术目的的数字摄影或视频摄影)、安全技术、信息技术、农业、作物保护、维护、化妆品、医疗技术或科学的各种领域。然而，其他应用也是可能的。
背景技术
现有技术中已知大量用于材料分类和识别的方法。例如，材料识别可用于机器视觉应用、医疗应用和安全性应用，以用于图像分类目的或手势辨别算法。
例如，US 2016/0206216 A1描述了一种用于皮肤检测的装置、系统和方法。该装置包括用于获得场景的热传感器数据的热传感器输入、用于获得场景的光传感器数据的光传感器输入、以及用于分析获得的热传感器数据和获得的光传感器数据并且用于基于所述分析来检测场景内的皮肤区域的评估单元。US 2016/155006 A1描述了一种用于皮肤检测的装置和对应的方法。该装置包括：照射单元，其被配置为将预定的照射图案投影到场景上；成像单元，其被配置为获取场景的图像；以及评估单元，其被配置为通过分析在图像中再现的成像照射图案来评估所获取的图像，并且检测图像内的皮肤区域且基于所述分析将该皮肤区域与图像内的非皮肤区域区分开。
材料分类和识别通常在通过式束模式(through beam mode)下完成，即穿过样品照射光并分析消光。此外，可以在受控环境中在反射模式下进行材料分类和识别。然而，在反射模式下，通常需要大于1000nm的波长以便产生可靠的结果。因此，尽管已知的用于材料识别方法具有优势，但仍需要关于材料的可靠识别的新概念。具体地，非常需要根据材料的反射束轮廓来识别材料。然而，用于束轮廓分析(BPA)的大多数图像滤波器产生依赖于距离和材料两者的特征，使得材料的可靠的识别和分类是不可能的。典型的示例是从半透明材料反射的束轮廓的宽度。
DE 198 46 619 A1描述了结构化表面外观质量确定设备，其对来自光电传感器阵列的电测量信号进行评估以导出结构代码，该结构代码表征测量表面的结构相关的特性。
CN 108 363 482 A描述了一种基于双目结构光经由三维手势来控制智能电视的方法。该方法包括以下步骤：通过双目相机同步获取图像；根据获得的左右视图重建三维图像；执行预处理；在对三维手势进行分割后辨别手势动作；以及将辨别出的手势动作转换为针对智能电视的操作指令，并执行该操作指令。
US 2018/033146 A1描述了用于从结构化光图像确定深度图和反射率图的系统和方法。深度图可以通过捕获结构化光图像并且然后使用三角测量方法基于所捕获的结构化光图像中的点来确定深度图而确定。反射率图可以基于深度图并且基于对所捕获的结构化光图像中的点执行附加分析来确定。
发明内容
本发明解决的问题
因此，本发明的一个目的是面临已知装置和方法的上述技术挑战来提供装置和方法。具体地，本发明的目的是提供可以可靠地识别对象的至少一种材料特性的装置和方法，优选地以低技术努力并且在技术资源和成本方面具有低要求。
发明概述
具有独立权利要求的特征的本发明解决了该问题。在从属权利要求和/或以下说明书和详细实施例中呈现了可以单独或组合实现的本发明的有利发展。
如下面所使用的，术语“具有”、“包含”或“包括”或其任意语法变化以非排他性方式使用。因此，这些术语既可以指以下的情况：其中除了由这些术语引入的特征之外在该上下文中描述的实体中不存在其他特征的情况，并且还可以指除了由这些术语引入的特征之外存在一个或多个其他特征的情况。作为示例，表达“A具有B”“”、“A包含B”“”和“A包括B”可以指以下的情况：除B之外，A中不存在其他元素(即，其中A仅并且唯一地由B组成的情况)，并且指这样的情况：除B之外，实体A中还存在一个或多个其他元素，诸如元素C、元素C和D、或甚至其他元素。
此外，应注意，指示特征或元素可存在一次或多于一次的术语“至少一个”、“一个或多个”或类似表达通常在引入相应特征或元素时仅使用一次。在下面，在大多数情况下，当提及相应的特征或元素时，尽管相应的特征或元素可能只存在一次或多于一次，但不会重复“至少一个”或“一个或多个”的表达。
此外，如下面所使用的，术语“优选地”、“更优选地”、“特别地”、“更特别地”、“具体地”、“更具体地”或类似的术语与可选特征结合使用，而没有限制替代可能性。因此，由这些术语引入的特征是可选特征，并且不旨在以任何方式限制权利要求的范围。如本领域技术人员将认识到的，本发明可以通过使用替代特征来执行。类似地，由“在本发明的实施例中”引入的特征或类似表达旨在是可选特征，而对本发明的替代实施例没有任何限制，对本发明的范围没有任何限制，并且对关于以这种方式引入的特征与本发明的其他可选或非可选特征相结合的可能性没有任何限制。
在本发明的第一方面，公开了一种用于识别至少一种材料特性m的检测器。
如本文所使用的，术语“材料特性”是指被配置用于材料的表征和/或识别和/或分类的材料的至少一种任意特性。例如，材料特性可以是选自包括以下项的组中的特性：粗糙度、光进入材料的穿透深度、将材料表征为生物或非生物材料的特性、反射率、镜面反射率、漫反射率、表面特性、半透明度的度量(measure)、散射(具体地是背散射行为)等。该至少一种材料特性可以是选自包括以下项的组中的特性：散射系数、半透明度、透明度、与朗伯表面反射的偏差、散斑等。如本文所使用的，术语“识别至少一种材料特性”是指确定材料特性并将其分配给对象中的一项或多项。检测器可以包括至少一个数据库，该至少一个数据库包括具有预定义和/或预定材料特性的列表和/或表格，诸如查找列表或查找表。材料特性的列表和/或表格可以通过使用根据本发明的检测器执行至少一种测试测量来确定和/或生成，例如通过使用具有已知材料特性的样品执行材料测试。材料特性的列表和/或表格可以在制造商现场和/或由检测器的用户确定和/或生成。材料特性可以另外被分配给材料分类器，该材料分类器诸如材料名称、材料组(诸如生物或非生物材料、半透明或非半透明材料、金属或非金属、皮肤或非皮肤、毛皮或非毛皮、地毯或非地毯、反射或非反射、镜面反射或非镜面反射、泡沫或非泡沫、毛发或非毛发、粗糙度组等)中的一个或多个。检测器可以包括至少一个数据库，该至少一个数据库包括具有材料特性和相关联的材料名称和/或材料组的列表和/或表格。
具体地，检测器可以被配置用于生物组织的检测，具体地，人类皮肤。如本文所使用的，术语“生物组织”通常是指包含活细胞的生物材料。检测器可以是用于检测，具体地，用于生物组织(具体地，人体皮肤)的光学检测的装置。术语“生物组织的检测”是指确定和/或验证待检查或被测试的表面是否是或是否包括生物组织(具体地，人类皮肤)、和/或区分生物组织(具体地，人类皮肤)与其他组织(具体地，其他表面)、和/或区分不同类型的生物组织，诸如区分不同类型的人体组织，例如肌肉、脂肪、器官等。例如，生物组织可以是或者可以包括人体组织或其的部分，诸如皮肤、头发、肌肉、脂肪、器官等。例如，生物组织可以是或者可以包括动物组织或其一部分，诸如皮肤、毛皮、肌肉、脂肪、器官等。例如，生物组织可以是或者可以包括植物组织或其一部分。检测器可适于将动物组织或其的部分与例如农业机械或挤奶机的无机组织、金属表面、塑料表面中的一种或多种相区分。检测器可适于将植物组织或其的部分与例如农业机械的无机组织、金属表面、塑料表面中的一种或多种相区分。检测器可适于将食物和/或饮料与盘子和/或玻璃杯相区分。检测器可适于区分不同类型的食物，诸如水果、肉和鱼。检测器可适于将化妆品和/或涂抹的化妆品与人体皮肤相区分。检测器可适于将人体皮肤与泡沫、纸、木头、显示器、屏幕相区分。检测器可适于将人体皮肤与布料相区分。检测器可适于将维护产品与机器组件(诸如金属组件等)的材料相区分。检测器可适于将有机材料和无机材料相区分。检测器可适于将人体生物组织与人造或无生命对象的表面相区分。检测器特别可以用于非治疗和非诊断应用。
检测器可以是固定装置或移动装置。此外，检测器可以是独立装置或可以形成另一装置(诸如计算机、车辆或任何其他装置)的一部分。此外，检测器可以是手持装置。检测器的其他实施例是可行的。
一种用于识别至少一种材料特性m的检测器，包括
-至少一个传感器元件，其包括光学传感器的矩阵，光学传感器各自具有光敏区域，其中，传感器元件被配置为记录源自至少一个对象的光束的至少一个反射图像；
-至少一个评估装置，其被配置为通过对反射图像的至少一个束轮廓的评估来确定材料特性，
其中，评估装置被配置为通过将至少一个距离相关的图像滤波器Ф1应用于反射图像来确定至少一个距离特征
其中，距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器(depth-from-photon-ratio filter)；离焦深度滤波器(depth-from-defocus filter)；或其线性组合；或者是另一距离相关的图像滤波器
(Ф1other)，其通过
来与光子深度比滤波器和/或离焦深度滤波器或其线性组合相关，其中，Фz是光子深度比滤波器和/或离焦深度滤波器或其线性组合中的一者，其中，评估装置被配置为通过将至少一个材料相关的图像滤波器Ф2应用于反射图像来确定至少一个材料特征
其中，评估装置被配置为通过评估距离特征
和材料特征
来确定纵坐标z和材料特性m。
如本文所使用的，术语“传感器元件”通常指被配置为感测至少一个参数的装置或多个装置的组合。在这种情况下，参数具体地可以是光学参数，并且传感器元件具体地可以是光学传感器元件。传感器元件可以形成为单一的单个装置或者形成为多个装置的组合。传感器元件包括光学传感器的矩阵。传感器元件可以包括至少一个CMOS传感器。矩阵可以由独立的像素(诸如独立的光学传感器)组成。因此，可以组成无机光电二极管矩阵。然而，替代地，可以使用可商购的矩阵，诸如CCD检测器(诸如CCD检测器芯片)和/或CMOS检测器(诸如CMOS检测器芯片)中的一个或多个。因此，通常，传感器元件可以是和/或可以包括至少一个CCD和/或CMOS装置和/或光学传感器可以形成传感器阵列或可以是传感器阵列(诸如上述矩阵)的部分。因此，作为示例，传感器元件可以包括像素阵列，诸如矩形阵列，具有m行和n列，其中m、n独立地为正整数。优选地，给出多于一列和多于一行，即，n>1，m>1。因此，作为示例，n可以是2到16或更高并且m可以是2到16或更高。优选地，行数与列数之比接近1。作为示例，n和m可以被选择为使得0.3≤m/n≤3，诸如通过选择m/n＝1:1、4:3、16:9或类似的值。作为示例，阵列可以是方形阵列，具有相同数量的行和列，诸如通过选择m＝2、n＝2或m＝3、n＝3等。
该矩阵具体地可以是具有至少一行(优选为多个行)和多个列的矩形矩阵。作为示例，行和列可以基本上垂直定向。如本文所使用的，术语“基本上垂直”是指垂直取向的条件，具有例如±20°或更小的公差，优选±10°或更小的公差，更优选±5°或更小的公差。类似地，术语“基本上平行”是指平行取向的条件，具有例如±20°或更小的公差，优选±10°或更小的公差，更优选±5°或更小的公差。因此，作为示例，小于20°，特别是小于10°或甚至小于5°的公差是可以接受的。为了提供宽范围的视图，矩阵特别地可以具有至少10行，优选地至少500行，更优选地至少1000行。类似地，矩阵可具有至少10列，优选地至少500列，更优选地至少1000列。矩阵可以包括至少50个光学传感器，优选地至少100000个光学传感器，更优选地至少5000000个光学传感器。矩阵可以包括数百万像素范围内的多个像素。然而，其他实施例是可行的。因此，在期望轴向旋转对称的设置中，矩阵的光学传感器(也可以称为像素)的圆形布置或同心布置可能是优选的。
因此，作为示例，传感器元件可以是像素化光学装置的一部分或可以构成像素化光学装置。例如，传感器元件可以是和/或可以包括至少一个CCD和/或CMOS装置。作为示例，传感器元件可以是具有像素矩阵的至少一个CCD和/或CMOS装置的一部分或可以构成具有像素矩阵的至少一个CCD和/或CMOS装置，其中每个像素形成光敏区域。传感器元件可以采用滚动快门或全局快门方法来读出光学传感器的矩阵。
如本文所使用的，“光学传感器”通常是指用于检测光束的光敏装置，诸如用于检测由至少一个光束生成的照射和/或光斑。如本文进一步使用的，“光敏区域”通常是指光学传感器的可以由至少一个光束从外部照射的区域，该区域响应于照射而生成至少一个传感器信号。光敏区域可以具体地位于相应的光学传感器的表面上。然而，其他实施例是可行的。检测器可包括多个光学传感器，光学传感器各自具有光敏区域。如本文所使用的，术语“光学传感器各自具有至少一个光敏区域”是指具有多个单光学传感(single opticalsensor)器的配置，每个单光学传感器具有一个光敏区域，并且是指带有包括多个光敏区域的一个组合光学传感器的配置。因此，术语“光学传感器”另外指被配置为生成至少一个输出信号的光敏装置。在检测器包括多个光学传感器的情况下，每个光学传感器可被体现为使得在相应的光学传感器中恰好存在一个光敏区域，诸如通过提供可以被照射的恰好一个光敏区域，响应于该照射来针对整个光学传感器恰好创建一个均匀的传感器信号。因此，每个光学传感器可以是单区域光学传感器。然而，单区域光学传感器的使用使得检测器的设置特别简单和有效。因此，作为示例，可以在设置中使用可商购的光学传感器，诸如可商购的硅光电二极管，每个硅光电传感器恰好具有一个光敏区域。然而，其他实施例是可行的。
光学传感器具体地可以是或者可以包括至少一个光电检测器，优选地，无机光电检测器，更优选地，无机半导体光电检测器，最优选地，硅光电检测器。具体地，光学传感器在红外光谱范围内可能是敏感的。矩阵中的所有像素或矩阵中的至少一组光学传感器特别地可以是相同的。可以为不同的光谱范围专门设置矩阵中的相同像素的组，或者就光谱灵敏度而言，所有像素可以相同。此外，像素可以在尺寸上和/或关于它们的电子或光电特性相同。具体地，光学传感器可以是或可以包括在红外光谱范围内(优选地在700nm到3.0微米的范围内)敏感的无机光电二极管。具体地，光学传感器在近红外区域的一部分中是敏感的，其中硅光电二极管具体地适用于700nm至1100nm的范围内。可用于光学传感器的红外光学传感器可以是可商购的红外光学传感器，诸如可从德国莱茵河畔路德维希港(Ludwigshafen am Rhein,Germany)D-67056的trinamiXTM GmbH以商标名称Hertz-stueckTM可商购的红外光学传感器。因此，作为示例，光学传感器可以包括本征(intrinsic)光伏类型的至少一个光学传感器，更优选地，选自包括以下项的组的至少一个半导体光电二极管：Ge光电二极管、InGaAs光电二极管、扩展型InGaAs光电二极管、InAs光电二极管、InSb光电二极管、HgCdTe光电二极管。另外地或可替代地，光学传感器可以包括非本征(extrinsic)光伏类型的至少一个光学传感器，更优选地，选自包括以下项的组的至少一种半导体光电二极管：Ge:Au光电二极管、Ge:Hg光电二极管、Ge:Cu光电二极管、Ge:Zn光电二极管、Si:Ga光电二极管、Si:As光电二极管。另外地或可替代地，光学传感器可以包括：至少一个光电导传感器，诸如PbS或PbSe传感器；辐射热计，优选地从由VO辐射热计和非晶Si辐射热计构成的组中选择的辐射热计。
光学传感器在紫外、可见或红外光谱范围中的一个或多个范围中可以是敏感的。具体地，光学传感器在从500nm至780nm，最优选地在650nm至750nm，或在690nm至700nm的可见光谱范围内可以是敏感的。具体地，光学传感器在近红外区域中可以是敏感的。具体地，光学传感器在近红外区域的一部分中可以是敏感的，其中硅光电二极管特别适用于700nm至1000nm范围内。具体地，光学传感器在红外光谱范围内，具体地在780nm至3.0微米的范围内可以是敏感的。例如，光学传感器各自独立地可以是或可以包括从包括光电二极管、光电管、光电导体、光电晶体管或其的任何组合中选择的至少一种元件。例如，光学传感器可以是或可以包括选自包括以下项的组的至少一种元件：CCD传感器元件、CMOS传感器元件、光电二极管、光电管、光电导体、光电晶体管或其任何组合。可以使用任何其他类型的光敏元件。如将在下面进一步详细概述的，光敏元件通常可以完全或部分地由无机材料制成和/或可以完全或部分地由有机材料制成。最常见的是，如将在下面更详细概述的，可以使用一个或多个光电二极管，诸如可商购的光电二极管，例如无机半导体光电二极管。
优选地，光敏区域可以基本上垂直于检测器的光轴而定向。光轴可以是直的光轴或可以弯曲或甚至被拆分(split)，诸如通过使用一个或多个偏转元件和/或通过使用一个或多个分束器，其中在后一种情况下基本上垂直的取向可以指在光学设置(setup)的相应分支或束路径中的局部光轴。
光敏区域具体地可以朝向对象来定向。如本文所使用的，术语“朝向对象来定向”一般是指光敏区域的相应表面从对象来看完全或部分可见的情况。具体地，对象的至少一个点与相应光敏区域中的至少一个点之间的至少一条互连线可以与光敏区域的表面元素形成不为0°的角度，诸如在20°至90°范围内的角度，优选80至90°范围内的角度，诸如90°的角度。因此，当对象位于光轴上或靠近光轴时，从对象朝向检测器传播的光束可以基本上平行于光轴。如本文所使用的，术语“基本上垂直”是指垂直取向的条件，例如±20°或更小的公差，优选±10°或更小的公差，更优选±5°或更小的公差。类似地，术语“基本上平行”是指平行取向的条件，具有例如±20°或更小的公差，优选±10°或更小的公差，更优选±5°或更小的公差。
传感器元件被配置为记录源自至少一个对象的光束的至少一个反射图像。如本文所使用的，术语“反射图像”是指包括至少一个反射特征的由传感器元件确定的图像。如本文进一步使用的但不限于，术语“反射图像”具体可以涉及通过使用传感器元件记录的数据，诸如来自成像装置(诸如传感器元件的像素)的多个电子读数。因此，反射图像本身可以包括像素，其中图像的像素与传感器元件矩阵中的像素相关。因此，当提及“像素”时，要么是指由传感器元件的单个像素所生成的图像信息的单元，要么是直接指传感器元件的单个像素。如本文所使用的，术语“反射特征”是指由对象响应于具有例如至少一个照射特征的照射而生成的图像平面中的特征。如本文所使用的，术语“确定至少一个反射特征”是指对由对象响应于具有光束(特别地，具有至少一个照射特征)的照射而生成的至少一个光束进行成像和/或记录该至少一个光束。特别地，传感器元件可以被配置为至少确定反射图像和/或对该反射图像进行成像和/或记录该反射图像。反射图像可以包括至少一个反射图案，该至少一个反射图案包括至少一个反射特征。
检测器包括至少一个照射源。检测器可以包括至少一个照射源，该照射源被配置为用至少一个照射光束来照射对象。照射源可以被配置为在对象的至少一个表面上投影包括至少一个照射特征的至少一个照射图案。如本文所使用的，术语“至少一个照射源”是指被配置为提供用于对象的照射的至少一个照射光束(具体地，至少一个照射图案)的至少一个任意装置。照射源可以适于直接或间接地照射对象，其中照射光束被对象反射或散射，并且从而被至少部分地朝向检测器引导。照射源可以适于例如通过将光束朝向对象引导来照射对象，该对象反射光束。
照射源可以包括至少一个光源。照射源可以包括多个光源。照射源可以包括人工照射源，具体地，至少一个激光源和/或至少一个白炽灯和/或至少一个半导体光源，例如至少一个发光二极管，具体地，有机和/或无机发光二极管。作为示例，由照射源发出的光可以具有300至1100nm(特别地，500至1100nm)的波长。另外或可替代地，可以使用红外光谱范围内(诸如780nm至3.0μm的范围内)的光。具体地，可以使用近红外区域中的具体在700nm至1100nm的范围内适用硅光电二极管的一部分的光。使用近红外区域中的光使得光无法或仅微弱地被人眼检测到，并且仍然可以被硅传感器，特别是标准硅传感器检测到。照射源可以适于发射单一波长的光。在其他实施例中，照射可以适于发射具有多个波长的光，从而允许在其他波长通道中的附加测量。光源可以是或者可以包括至少一个多束光源。例如，光源可以包括至少一个激光源和一个或多个衍射光学元件(DOE)。
具体地，照射源可以包括至少一个激光器和/或激光源。可以采用各种类型的激光器，诸如半导体激光器、双异质结构激光器、外腔激光器、分离限制(separateconfinement)异质结构激光器、量子级联激光器、分布式布拉格反射器激光器、极化子激光器、混合硅激光器、扩展腔二极管激光器、量子点激光器、体(volume)布拉格光栅激光器、砷化铟激光器、晶体管激光器、二极管泵浦激光器、分布式反馈激光器、量子阱激光器、带间级联激光器、砷化镓激光器、半导体环激光器、扩展(extended)腔二极管激光器或垂直腔表面发射激光器。另外或可替代地，可以使用非激光光源，诸如LED和/或灯泡。照射源可以包括适于生成照射图案的一个或多个衍射光学元件(DOE)。例如，照射源可以适于生成和/或投影点云，例如照射源可以包括至少一个数字光处理投影仪、至少一个LCoS投影仪、至少一个空间光调制器；至少一个衍射光学元件；至少一个发光二极管阵列；至少一个激光光源阵列中的一者或多者。考虑到它们的被一般定义的束轮廓和其他可操作性特性，特别优选地使用至少一个激光源作为照射源。照射源可以集成到检测器的壳体中。
具体地，照射源可以被配置为发射红外光谱范围内的光。然而，应当注意，另外地或可替代地，其他光谱范围也是可行的。此外，照射源具体地可以被配置为发射调制或非调制光。在使用多个照射源的情况下，不同的照射源可以具有不同的调制频率，如下面进一步详细概述的，稍后可以使用该不同的调制频率来区分光束。检测器可以被配置为评估单个光束或多个光束。在多个光束从对象传播到检测器的情况下，可以提供用于区分光束的装置。因此，光束可以具有不同的光谱特性，并且检测器可以包括用于区分不同光束的一个或多个波长选择元件。然后可以独立地评估光束中的每个光束。作为示例，波长选择元件可以是或者可以包括一个或多个滤波器、一个或多个棱镜、一个或多个光栅、一个或多个二向色镜、或其任意组合。此外，另外地或可替代地，为了区分两个或更多个光束，可以以特定的方式调制光束。因此，作为示例，可以对光束进行频率调制，并且可以对传感器信号进行解调，以便根据它们的解调频率来部分地区分源自不同光束的传感器信号。这些技术通常是高频电子领域的技术人员已知的。通常，评估装置可以被配置用于区分具有不同调制的不同光束。
照射光束通常可以平行于光轴或相对于光轴倾斜，例如包括与光轴的角度。检测器可以被配置为使得照射光束从检测器沿着检测器的光轴朝向对象传播。为此，检测器可以包括至少一个反射元件，优选地至少一个棱镜，用于将照射光束偏转到光轴上。作为示例，照射光束(诸如激光光束)与光轴可以包括小于10°，优选小于5°，或甚至小于2°的夹角。然而，其他实施例是可行的。此外，照射光束可以在光轴上，也可以在光轴外。作为示例，照射光束可以平行于具有距光轴小于10mm，优选地距光轴小于5mm或甚至距光轴小于1mm的距离的光轴，或者甚至可以与光轴重合。
具体地，照射源和光学传感器可以布置在公共平面内或不同平面内。照射源和光学传感器可以具有不同的空间取向。特别地，照射源和传感器元件可以被布置成扭曲的布置。
照射源可以被配置为生成用于对象的照射的至少一个照射图案。照射图案可以包括选自包括以下项的组的至少一个图案：至少一个点图案，特别是伪随机点图案；随机点图案或准随机图案；至少一个Sobol图案；至少一个准周期图案；包括至少一个已知特征的至少一个图案；至少一个规则图案；至少一个三角形图案；至少一个六边形图案；至少一个矩形图案；包括凸出的均匀平铺(tiling)的至少一个图案；包括至少一条线的至少一个线图案；包括诸如平行线或交叉线的至少两条线的至少一个线图案。如本文所使用的，术语“图案”是指包括至少一个任意形状的特征的任意已知或预定布置。图案可以包括至少一个特征，诸如点或符号。图案可以包括多个特征。图案可以包括周期性或非周期性特征的排列。如本文所使用的，术语“至少一个照射图案”是指包括适于照射对象的至少一部分的至少一个照射特征的至少一个任意图案。如本文所使用的，术语“照射特征”是指图案的至少一个至少部分延伸的特征。照射图案可以包括单个照射特征。照射图案可以包括多个照射特征。例如，照射图案可以包括至少一个线图案。例如，照射图案可以包括至少一个条纹图案。例如，照射图案可以包括至少一个棋盘图案。例如，照射图案可以包括具有周期性或非周期性特征的布置的至少一个图案。照射图案可以包括规则的和/或恒定的和/或周期性的图案，诸如三角形图案、矩形图案、六边形图案或包括其他凸出的平铺的图案。照射图案可以表现出选自包括以下项的组的至少一个照射特征：至少一个点；至少一条线；至少两条线，诸如平行线或交叉线；至少一个点和一条线；至少一个具有周期性或非周期性特征的布置；至少一个任意形状的特征。例如，照射源可以适于生成和/或投影点云。照射图案的两个特征之间的距离和/或至少一个照射特征的面积可以依赖于图像中的模糊圆(circle ofconfusion)。照射源可以包括被配置为生成至少一个照射图案的至少一个光源。具体地，为了生成和投影照射图案，照射源可以包括至少一个激光源和至少一个衍射光学元件(DOE)。检测器可以包括适于投影至少一个点图案的至少一个点投影仪，诸如至少一个激光源和DOE。如本文进一步使用的，术语“投影至少一个照射图案”是指提供用于照射至少一个对象的至少一个照射图案。投影的照射图案可能很少，因为可能仅存在单个照射特征，诸如单个点。为了增加可靠性，照射图案可以包括若干照射特征，诸如若干点。如果图案稀少，可以使用单个图像来同时进行生物组织检测和面部识别。
例如，照射源可以包括至少一个线激光器。线激光器可以适于向对象发送激光线，例如水平或垂直激光线。照射源可以包括多个线激光器。例如，照射源可以包括至少两个线激光器，该至少两个线激光器可以被布置为使得照射图案包括至少两个平行或交叉的线。照射源可以包括至少一个光投影仪，该至少一个光投影仪适于生成点云，使得照射图案可以包括多个点图案。照射源可以包括至少一个掩模(mask)，该至少一个掩模适于根据由照射源生成的至少一个光束来生成照射图案。照射源可以是附接到或集成到诸如智能电话的移动装置中的一种。照射源可用于可在确定图像中所使用的其他功能，诸如自动对焦功能。照射源可以集成在移动装置中或附接到移动装置，诸如通过使用诸如USB的连接器或诸如耳机插孔的电话连接器。
如本文所使用的，术语“光线(ray)”通常是指垂直于光的波阵面的线，其指向能量流的方向。如本文所使用的，术语“束(beam)”通常是指光线的集合。在下面，术语“光线”和“束”将用作同义词。如本文进一步使用的，术语“光束”通常是指一定量的光，具体地，基本上在相同方向上行进的一定量的光，包括光束具有发散角(spreading angle)或扩展角(widening angle)的可能性。光束可以具有空间延伸。具体地，光束可以具有非高斯束轮廓。束轮廓可以选自包括以下项的组：梯形束轮廓；三角形束轮廓；锥形束轮廓。梯形束轮廓可以具有平台区域和至少一个边缘区域。如将在下面更详细概述的，光束具体地可以是高斯光束或高斯光束的线性组合。然而，其他实施例是可行的。传递装置可被配置用于调节、限定和确定束轮廓(特别是束轮廓的形状)中的一者或多者。
如本文所使用的，术语“对象”是指发射至少一个光束(具体地，至少一个反射图案)的点或区域。例如，对象可以是选自包括以下项的组中的至少一个对象：场景、诸如人的人类、木头、地毯、泡沫、诸如牛的动物、植物、一块组织、金属、玩具、金属对象、饮料、诸如水果、肉类、鱼类的食品、盘子、化妆品、涂抹化妆品、布料、毛皮、毛发、维护产品、面霜、油、粉末、地毯、果汁、悬浮物、油漆、植物、身体、身体的一部分、有机材料、无机材料、反光材料、屏幕、显示器、墙壁、诸如照片的一张纸。对象可包括至少一个表面，照射图案投影在该表面上。该表面可以适于至少部分地将照射图案反射回检测器。例如，不希望受该理论束缚，人体皮肤可以具有反射轮廓，其也表示为背散射轮廓，包括由表面的背反射所生成的部分(其表示为表面反射)、以及由穿透皮肤的光产生的非常漫反射所生成的部分(其表示为背反射的漫反射部分)。关于人体皮肤的反射轮廓，参考“Lasertechnik in der Medizin:Grundlagen,Systeme,Anwendungen”、“Wirkung von Laserstrahlung auf Gewebe”,1991,pages 171to 266,Jürgen Eichler,Theo Seiler,Springer Verlag,ISBN 0939-0979。皮肤的表面反射可能随着波长朝向近红外增加而增加。此外，穿透深度可以随着从可见光到近红外波长的增加而增加。背反射的漫反射部分可能随着光的穿透深度而增加。这些材料特性可用于将皮肤与其他材料相区分，具体是通过分析背散射轮廓。
至少一个光束可以从对象朝向检测器传播。光束可源自对象或可源自照射源，诸如源自直接或间接照射对象的照射源，其中光束被对象反射或散射，并且从而被至少部分地朝向检测器引导。检测器可用于主动和/或被动照射场景。例如，至少一个照射源可以适于照射对象，例如通过将光束朝向对象引导，该对象反射光束。作为至少一个照射源的补充或替代，检测器可以使用场景中已经存在的辐射，诸如来自至少一个环境光源的辐射。
传感器元件可以被配置为记录反射图像的至少一个反射特征的束轮廓。评估装置可以被配置为识别和/或选择由传感器元件提供的反射图像中的至少一个反射特征，具体地，至少一个光斑。评估装置可以被配置为执行至少一个图像分析和/或图像处理以便识别反射特征。图像分析和/或图像处理可以使用至少一种特征检测算法。图像分析和/或图像处理可以包括以下一项或多项：滤波；选择至少一个关注区域；形成由传感器信号产生的图像与至少一个偏移之间的差异图像；通过反转由传感器信号产生的图像来反转传感器信号；形成由不同时间处的传感器信号产生的图像之间的差异图像；背景校正；分解成颜色通道；分解成色调、饱和、以及亮度通道；频率分解；奇异值分解；应用光斑(blob)检测器；应用角点检测器；应用黑塞(Hessian)滤波器的行列式；应用基于主曲率的区域检测器；应用最大稳定的极值区域检测器；应用广义霍夫变换；应用脊检测器；应用仿射不变特征检测器；应用仿射适应的关注点(affine-adapted interest point)算子；应用哈里斯仿射区域检测器；应用黑塞仿射区域检测器；应用尺度不变特征变换；应用尺度空间极值检测器；应用局部特征检测器；应用加速鲁棒特征算法；应用梯度位置和取向直方图算法；应用取向梯度描述符的直方图；应用Deriche边缘检测器；应用差分边缘检测器；应用时空关注点检测器；应用Moravec角点检测器；应用Canny边缘检测器；应用高斯滤波器的拉普拉斯算子；应用高斯差分滤波器；应用索贝尔(Sobel)算子；应用拉普拉斯算子；应用Scharr算子；应用Prewitt算子；应用Roberts算子；应用Kirsch算子；应用高通滤波器；应用低通滤波器；应用傅立叶变换；应用Radon变换；应用霍夫变换；应用小波变换；阈值转换法；创建二进制图像。具体地，反射图像的评估包括选择反射图像中的关注区域。关注区域可以由用户手动确定或者可以自动确定，诸如通过辨别传感器元件生成的图像内的对象。例如，在点状反射特征的情况下，可以选择关注区域来作为光斑轮廓周围的区域。
例如，照射源可以适于生成和/或投影点云，使得在光学传感器(例如CMOS检测器)的矩阵上生成多个照射区域。另外，在光学传感器的矩阵上可能存在干扰，诸如由于光斑和/或外来光和/或多次反射引起的干扰。评估装置可以适于确定至少一个关注区域，例如由光束照射的一个或多个像素，该像素用于确定对象的纵坐标。例如，评估装置可以适于执行过滤方法，例如光斑分析和/或边缘滤波器和/或对象辨别方法。
评估装置可以被配置为执行至少一个图像校正。图像校正可以包括至少一种背景减法(background subtraction)。评估装置可适于从反射光束轮廓中去除背景光的影响，例如，通过成像而无需进一步照射。
评估装置可以被配置为通过对反射图像的束轮廓进行评估来确定材料特性m。如本文所使用的，术语“反射图像的束轮廓”是指反射图像的反射特征中的至少一个反射特征(诸如传感器元件上的光斑)的至少一种强度分布，其作为像素的函数。反射图像的束轮廓(也表示为反射束轮廓)可以选自包括以下项的组：梯形束轮廓；三角形束轮廓；锥形束轮廓、以及高斯束轮廓的线性组合。如本文所使用的，术语“评估束轮廓”是指将至少一个距离相关的图像滤波器和至少一个材料相关的图像滤波器应用于束轮廓和/或束轮廓的至少一个特定区域。如本文所使用的，术语“图像”是指二维函数f(x,y)，其中对于图像中的任何x、y位置给出了亮度和/或颜色值。该位置可以与记录像素对应地被离散化。亮度和/或颜色可以与光学传感器的位深度对应地被离散化。如本文所使用的，术语“图像滤波器”是指应用于束轮廓和/或束轮廓的至少一个特定区域的至少一种数学运算。具体地，图像滤波器Ф将图像f或图像中的关注区域映射到实数上，
其中
表示特征，特别地，该特征是在距离相关的图像滤波器的情况下的距离特征和在材料相关的图像滤波器的情况下的材料特征。图像可能经受噪声，并且对于特征也是如此。因此，特征可能是随机变量。特征可以是正态分布的。如果特征不是正态分布的，则可以诸如通过Box-Cox变换将它们变换为正态分布。
评估装置被配置为通过将至少一个距离相关的图像滤波器Ф1应用于反射图像来确定至少一个距离特征
如本文所使用的，术语“距离”是指对象(具体地是对象与检测器之间)的距离。如本文所使用的，术语“距离相关”图像滤波器是指具有距离相关的输出的图像。距离相关的图像滤波器的输出本文中表示为“距离特征
或“距离相关特征
距离特征可以是或者可以包括关于对象的距离的至少一种信息，诸如对象的距离的至少一种度量、距离值、对象的纵坐标等。距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器；离焦深度滤波器；或其线性组合；或者是另一距离相关的图像滤波器
其通过
来与光子深度比滤波器和/或离焦深度滤波器或其线性组合相关，其中Фz是光子深度比滤波器或离焦深度滤波器或其线性组合中的一者。另一距离相关的图像滤波器
可以通过
优选地通过
来与距离相关的图像滤波器Фz中的一个或多个相关。两个图像滤波器Фi和Фj的相似性可以通过它们特征的相关性来评估，具体地，通过计算皮尔逊(Pearson)相关系数，
其中μ和σ是所获得的特征的平均值和标准偏差。可以使用一组随机测试图像，具体地，使用填充有随机数的矩阵，来执行滤波器相关性的测试。可以选择随机测试图像的数量，使得相关性测试的结果在统计上是显著的。相关系数取介于-1和1之间的值，而0表示没有线性相关。相关系数非常适合于确定两个滤波器是否相似甚至等效。为了测量滤波器的特征是否与给定特性(例如距离)相关，可以选择测试图像以使得相关的滤波器实际上产生该特性。作为示例，为了测量滤波器的特征是否与距离相关，可以使用在不同距离记录的束轮廓来作为测试图像。为了获得可比较的、可传递的和透明的评估，可以限定测试图像的固定测试组。
例如，距离相关的图像滤波器可以是光子深度比滤波器。光子深度比滤波器可以包括对来自传感器元件的至少两个传感器信号的组合信号Q进行评估。评估装置可以被配置为通过对组合信号Q进行评估来确定距离特征
通过对组合信号Q进行评估而确定的距离特征可以直接对应于对象的纵坐标。如本文所使用的，“传感器信号”通常是指由光学传感器和/或光学传感器的至少一个像素响应于照射而生成的信号。具体地，传感器信号可以是或者可以包括至少一种电信号，诸如至少一种模拟电信号和/或至少一种数字电信号。更具体地，传感器信号可以是或者可以包括至少一个电压信号和/或至少一个电流信号。更具体地，传感器信号可以包括至少一个光电流。此外，可以使用原始传感器信号，或者检测器、光学传感器或任何其他元件可适于处理或预处理传感器信号(诸如通过滤波等进行预处理)，从而生成次级传感器信号，该次级传感器信号也可以用作传感器信号。如本文通常所使用的，术语“组合”通常可以指任意操作，其中两个或更多个分量(诸如信号)是以下中的一个或多个：被数学地合并以便形成至少一个合并的组合信号和/或是被比较以便形成至少一个比较信号或比较结果中。如本文所使用的，术语“组合信号Q”是指通过组合传感器信号来生成的信号，具体地，通过划分(divide)传感器信号、划分传感器信号中的倍数(multiples)、或划分传感器信号的线性组合中的一项或多项。特别地，组合信号可以是商信号。可以通过使用各种设备来确定组合信号Q。作为示例，可以使用并且可以在评估装置中实现用于得出组合信号的软件设备、用于得出组合信号的硬件设备或两者。因此，作为示例，评估装置可以包括至少一个除法器，其中除法器被配置用于得出商信号。除法器可以全部或部分地体现为软件除法器或硬件除法器中的一者或两者。
评估装置可以被配置用于通过划分传感器信号、划分传感器信号的倍数、划分传感器信号的线性组合中的一项或多项来得出组合信号Q。评估装置可以被配置用于使用组合信号Q与距离特征
之间的至少一种预定关系来确定距离特征
例如，评估装置被配置用于通过以下式子得出组合信号Q：
其中x和y是横坐标，A1和A2是从对象传播到检测器的光束在传感器位置处的至少一个束轮廓的不同区域(area)，以及E(x,y,zo)表示对象距离zo处给定的束轮廓。区域A1和区域A2可能不同。具体地，A1和A2不全等。因此，A1和A2关于形状或内容中的一项或多项可以是不同的。束轮廓可以是光束的横截面。束轮廓可以选自包括以下项的组：梯形束轮廓；三角形束轮廓；锥形束轮廓和高斯束轮廓的线性组合。通常，束轮廓依赖于亮度L(zo)和束形状S(x,y；zo)。因此，通过得出组合信号，可以允许独立于亮度来确定纵坐标。另外，使用组合信号允许独立于对象尺寸来确定距离zo。因此，组合信号允许独立于对象的材料特性和/或反射特性和/或散射特性并且独立于光源的改变(诸如通过透镜上的制造精度、热量、水、污垢、损坏等)来确定距离zo。作为示例，距离相关特征
可以是组合信号Q的函数，
而该函数可以是Q中的线性、二次或更高阶多项式。此外，作为示例，对象距离z0可以是距离相关特征
的函数，
而该函数可以是
中的线性、二次或更高阶多项式。因此，对象距离z0可以是组合信号Q的函数，z0＝z0(Q)，而该函数可以是Q中的线性、二次或更高阶多项式。
至少两个光学传感器的光敏区域可以被布置为使得第一传感器信号包括束轮廓的第一区域的信息并且第二传感器信号包括束轮廓的第二区域的信息。束轮廓的第一区域和束轮廓的第二区域是相邻的或重叠的区域中的一个或两者。如本文所使用的，术语“束轮廓的区域”通常指用于确定组合信号Q的传感器位置处的束轮廓的任意区域。
评估装置可以被配置为确定和/或选择束轮廓的第一区域和束轮廓的第二区域。束轮廓的第一区域可以包括束轮廓的基本上的边缘信息，并且束轮廓的第二区域可以包括束轮廓的基本上(essentially)的中心信息。束轮廓可以具有中心，即，束轮廓的最大值和/或束轮廓的平台的中心点和/或光斑的几何中心，以及具有从中心延伸的下降边缘。第二区域可以包括横截面的内部区域，而第一区域可以包括横截面的外部区域。如本文所使用的，术语“基本上的中心信息”通常是指与中心信息的比例(即，与中心对应的强度分布的比例)相比而言的低比例的边缘信息(即，与边缘对应的强度分布的比例)。优选地，中心信息具有小于10％，更优选地小于5％的边缘信息的比例，最优选地，中心信息不包括边缘内容。如本文所使用的，术语“基本上的边缘信息”通常是指与边缘信息的比例相比而言的低比例的中心信息。边缘信息可以包括特别地来自中心和边缘区域的整个束轮廓的信息。边缘信息可具有小于10％，优选地小于5％的中心信息的比例，更优选地，边缘信息不包括中心内容。如果束轮廓的至少一个区域靠近或围绕中心并且包括基本上的中心信息，则可以确定和/或选择束轮廓的至少一个区域作为束轮廓的第二区域。如果束轮廓的至少一个区域包括横截面的下降边缘的至少一部分，则可以确定和/或选择束轮廓的至少一个区域作为束轮廓的第一区域。例如，可以将横截面的整个区域确定为第一区域。束轮廓的第一区域可以是区域A2，并且束轮廓的第二区域可以是区域A1。
边缘信息可以包括与束轮廓的第一区域中的光子数量有关的信息，而中心信息可以包括与束轮廓的第二区域中的光子数量有关的信息。评估装置可以适于确定束轮廓的面积积分(area integral)。评估装置可以适于通过对第一区域进行积分和/或求和来确定边缘信息。评估装置可以适于通过对第二区域进行积分和/或求和来确定中心信息。例如，束轮廓可以是梯形束轮廓，并且评估装置可以适于确定梯形的积分。此外，当可以假定梯形束轮廓时，边缘和中心信号的确定可以用等效评估来代替，该等效评估利用梯形束轮廓的特性，诸如确定边缘的倾斜和位置以及中心平台的高度，以及通过几何考虑得出边缘和中心信号。
另外地或可替代地，评估装置可以适于从光斑的至少一个切片或切口确定中心信息或边缘信息中的一个或两者。例如，这可以通过用沿着切片或切口的线积分代替组合信号Q中的面积积分来实现。为了提高准确性，可以使用通过光斑的若干切片或切口并求平均。在椭圆形光斑轮廓的情况下，对多个切片或切口求平均可导致改善的距离信息。
评估装置可以被配置为通过以下中的一项或多项来得出组合信号Q：划分边缘信息和中心信息、划分边缘信息和中心信息的倍数、划分边缘信息和中心信息的线性组合。因此，基本上，光子比率可以用作该方法的物理基础。
评估装置可以具体地被配置用于通过划分第一和第二传感器信号、划分第一和第二传感器信号的倍数、或划分第一和第二传感器信号的线性组合来得出组合信号Q。作为示例，可以简单地将Q确定为Q＝s1/s2或Q＝s2/s1，其中s1表示第一传感器信号，并且s2表示第二传感器信号。另外地或可替代地，可以将Q确定为Q＝a·s1/b·s2或Q＝b·s2/a·s1，其中a和b是实数，作为示例，该实数可以是预定的或可确定的。另外地或可替代地，可以将Q确定为Q＝(a·s1+b·s2)/(c·s1+d·s2)，其中a、b、c和d是实数，作为示例，该实数是预定的或可确定的。作为后者的简单示例，可以将Q确定为Q＝s1/(s1+s2)。其他组合信号或者商信号也是可行的。
通常，组合信号Q是对象的纵坐标和/或光斑的大小(诸如光斑的直径或等效直径)的单调函数。因此，作为示例，具体地，在使用线性光学传感器的情况下，商Q＝s1/s2是光斑的大小的单调递减函数。不希望受到该理论的束缚，据信这是由于以下事实：在上述设置中，第一信号s1和第二信号s2两者均随着距光源的距离增加而作为平方函数来降低，因为到达检测器的光量减少。然而，其中，第一信号s1比第二信号s2更迅速地下降，因为在如实验中使用的光学设置中，图像平面中的光斑增大，并且因此散布在更大的区域上。因此，第一和第二传感器信号的商随着光束的直径或光斑在第一和第二光敏区域上的直径的增加而连续地降低。此外，商主要地独立于光束的总功率，因为光束的总功率在第一传感器信号和第二传感器信号两者中均形成因子。因此，组合信号Q可以形成次级信号，该次级信号在第一和第二传感器信号与光束的大小或直径之间提供唯一且明确的关系。另一方面，由于光束的尺寸或直径依赖于对象(入射光束从其朝向检测器传播)与检测器本身之间的距离，即依赖于对象的纵坐标，因此在第一和第二传感器信号与纵坐标之间可能存在唯一且明确的关系。对于后者，可以参考例如WO 2014/097181 A1。可以通过以下来确定预定关系：通过分析考虑(诸如通过假设高斯光束的线性组合)、通过经验测量(诸如以下测量：测量第一和第二传感器信号或测量根据对象的纵坐标得出的次级信号)、或两者。
关于组合信号Q的评估的进一步细节和实施例，例如可参考WO 2018/091640、WO2018/091649 A1和WO 2018/091638 A2，其全部公开通过引用并入本文。
例如，距离相关的图像滤波器可以是离焦深度滤波器。如上概述，评估装置可被配置为从传感器信号确定关注区域的至少一个图像。评估装置可被配置为通过优化至少一个模糊函数fa来从图像确定对象的距离特征
所确定的距离特征
可以直接对应于对象的纵坐标。距离特征
可以通过使用至少一种基于卷积的算法(诸如离焦深度算法)来确定。为了获得距图像的距离，离焦深度算法估计对象的离焦。对于该估计，假设了模糊函数。如本文所使用的，术语“模糊函数fa”(也称为模糊核或点扩散函数)是指检测器对来自对象的照射的响应函数。具体地，模糊函数对离焦对象的模糊进行建模。该至少一个模糊函数fa可以是由来自包括以下项的组中的至少一个函数所组成的函数或复合函数：高斯函数、正弦函数、抛物柱面函数(pillbox function)、平方函数、洛伦兹函数、径向函数、多项式、埃尔米特(Hermite)多项式、泽尼克(Zernike)多项式、勒让德(Legendre)多项式。
可以通过改变至少一个模糊函数的参数来优化模糊函数。反射图像可以是模糊图像ib。评估装置可以被配置为从模糊图像ib和模糊函数fa来重建距离特征
可以通过改变模糊函数的参数σ、通过最小化模糊函数fa和至少一个其他图像i’b的卷积与模糊图像ib之间的差，min‖(i′b*fa(σ(z))-ib)‖，来确定距离特征
σ(z)是一组距离相关的模糊参数。其他图像可能模糊或清晰。如本文所使用的，术语“清晰”或“清晰图像”是指具有最大对比度的模糊图像。可以通过与已知模糊函数的卷积来从模糊图像ib生成至少一个其他图像。因此，可以使用离焦深度算法来获得距离特征
评估装置可以被配置为在考虑到通过应用光子深度比滤波器确定的距离特征
和通过应用离焦深度滤波器确定的距离特征
的情况下来确定至少一个组合距离信息z。组合距离信息z可以是实函数，其依赖于通过应用光子深度比滤波器确定的距离特征
和通过应用离焦深度滤波器确定的距离特征
组合距离信息z可以是通过应用光子深度比滤波器确定的距离特征
和通过应用离焦深度滤波器确定的距离特征
的有理或无理多项式。离焦深度是对光子深度比的补充方法，但使用类似的硬件设置。此外，离焦深度距离测量可能具有类似的准确性。结合这两种技术可以产生具有更高精度的有利距离测量结果。
评估装置可以被配置为使用至少一个递归滤波器来确定至少一个组合距离信息。递归滤波器可以是至少一个卡尔曼滤波器或至少一个扩展卡尔曼滤波器(EKF)。组合距离信息z可以使用实函数z＝f(zDPR，zDFD)(诸如算术或几何平均值、多项式，优选地在zDPR和zDFD中高达八阶的多项式)获得，其中zDPR是通过应用光子深度比滤波器确定的距离特征
而
是通过应用离焦深度滤波器确定的距离特征
函数f可以是或可以基于预先记录的值的查找表。例如，评估装置可以包括至少一个数据存储装置，该数据存储装置被配置为存储预先记录的值和/或一个或多个查找表。函数f可以基于与用于在查找表中的值之间进行插值(interpolation)的插值方案组合的查找表。插值方案可以是线性插值、样条插值等。与模型或模型函数(诸如函数f，涉及z、zDFD和zDPR之间的关系)结合，zDFD和zDPR可以用作递归滤波器内的输入变量。模型或模型函数可以包括涉及距离z、zDFD和zDPR的统计假设和/或统计模型，诸如分布，诸如在实际距离zreal周围的测量距离z、zDFD和/或zDPR的高斯分布。
递归滤波器可以被配置为考虑其他传感器数据和/或其他参数来确定组合距离信息。其他参数可以包括来自传感器元件(例如CMOS传感器)的其他信息，诸如关于记录数据的质量和/或噪声的信息和/或关于过度曝光的信息和/或关于曝光不足的信息等。检测器可以包括被配置为确定其他传感器数据的至少一个其他传感器。递归滤波器可以被配置为考虑到其他传感器数据来确定组合距离信息。该其他传感器可以是选自包括包括以下项的组的至少一种传感器：温度传感器、照射传感器(诸如用于确定照射信息的控制传感器)、惯性测量单元；陀螺仪。模型和/或卡尔曼滤波器可以包括其他输入参数，诸如其他传感器数据，例如温度和/或来自陀螺仪的检测器运动和/或来自惯性测量单元的信息、和/或来自照射传感器的信息、和/或其他参数，诸如记录数据的质量/噪声、过度曝光、曝光不足等。其他传感器数据可以由传感器元件(特别是由至少一个CMOS传感器和/或由进一步的图像分析)提供。模型和/或卡尔曼滤波器可以包括至少一个材料特征
来作为输入变量。
例如，距离相关的图像滤波器可以是与光子深度比滤波器和/或离焦深度图像滤波器组合的结构光滤波器。例如，检测器可以包括至少两个传感器元件，每个传感器元件具有光学传感器的矩阵。至少一个第一传感器元件和至少一个第二传感器元件可以位于不同的空间位置。第一传感器元件与第二元件之间的相对距离可以是固定的。至少一个第一传感器元件可以适于确定至少一个第一反射图案，具体地，至少一个第一反射特征，以及至少一个第二传感器元件可以适于确定至少一个第二反射图案，具体地，至少一个第二反射特征。评估装置可以被配置为选择由第一传感器元件或第二传感器元件确定的至少一个图像来作为反射图像，并且被配置为选择由第一传感器元件或第二传感器元件中的另一个传感器元件确定的至少一个图像来作为参考图像。如本文所使用的，术语“参考图像”是指与反射图像不同的图像，其中与反射图像相比，该图像在不同的空间位置处被确定。参考图像可以通过记录至少一个参考特征、对至少一个参考特征成像、参考图像的计算中的一项或多项来确定。参考图像和反射图像可以是在具有固定距离的不同空间位置处确定的对象图像。距离可以是相对距离，也称为基线。评估装置可以适于选择反射图像中的至少一个反射特征并且确定反射图像中的所选反射特征的至少一个距离估计，该至少一个距离估计由通过应用光子深度比图像滤波器和/或离焦深度图像滤波器来确定的距离特征
和误差区间±ε给出的。
评估装置可适于确定至少一个参考图像中与至少一个反射特征对应的至少一个参考特征。如上概述，评估装置可适于执行图像分析并识别反射图像中的特征。评估装置可以适于识别参考图像中的至少一个参考特征，该参考特征具有与所选的反射特征基本上相同的纵坐标。术语“基本上相同”是指在10％、优选5％、最优选1％内相同。与反射特征对应的参考特征可以使用对极几何来确定。对于对极几何的描述，例如参考chapter 2inX.Jiang,H.Bunke:“Dreidimensionales Computersehen”Springer,Berlin Heidelberg,1997。对极几何可以假定参考图像和反射图像可以是在具有固定距离的不同空间位置和/或空间取向处确定的对象图像。评估装置可以适于确定参考图像中的对极线。参考图像和反射图像的相对位置可以是已知的。例如，参考图像和反射图像的相对位置可以存储在评估装置的至少一个存储单元内。评估装置可以适于确定从反射图像的所选反射特征延伸的直线。直线可以包括与所选特征对应的可能对象特征。直线和基线跨越对极平面。由于参考图像在与反射图像不同的相对位置确定，因此所对应的可能的对象特征可能会被成像在参考图像中的直线(称为对极线)上。因此，与反射图像的所选特征对应的参考图像的特征位于对极线上。由于图像的失真或系统参数的变化，诸如由于老化、温度变化、机械应力等，对极线可能相交或彼此非常接近和/或参考特征与反射特征之间的对应关系可能不清楚。此外，真实世界中的每个已知位置或对象都可以投影到参考图像上，反之亦然。由于检测器的校准，投影可能是已知的，而校准与特定相机的对极几何的教导是可比较的(comparable)。
评估装置可以被配置用于确定参考图像中的与距离估计对应的至少一个位移区域。如本文所使用的，术语“位移区域”是指参考图像中的区域，在该区域中，可以对与所选反射特征对应的参考特征进行成像。具体地，位移区域可以是参考图像中的区域，在该区域中，与所选反射特征对应的参考特征预期位于参考图像中。依赖于到对象的距离，与反射图像中的反射特征的图像位置相比，与反射特征对应的参考特征的图像位置可能在参考图像内移位。位移区域可以仅包括一个参考特征。位移区域还可以包括多于一个的参考特征。位移区域可以包括对极线或对极线的一部分。位移区域可以包括多于一个的对极线或多于一个的对极线的多个部分。如本文所使用的，术语“参考特征”是指参考图像的至少一个特征。位移区域可以沿着对极线延伸、与对极线正交、或两者。评估装置可以适于确定与距离特征对应的沿着对极线的参考特征并且确定与误差区间±ε对应或与对极线正交的沿着对极线的位移区域范围。距离估计的测量不确定性可能导致非圆形的位移区域，因为不同方向的测量不确定性可能不同。具体地，沿着一个对极线或多个对极线的测量不确定性可能大于在关于一个对极线或多个对极线的正交方向上的测量不确定性。位移区域可以包括在关于一个对极线或多个对极线的正交方向上的延伸。评估装置可以确定反射特征的图像位置周围的位移区域。评估装置可以适于确定距离估计并且确定与
对应的沿着对极线的位移区域。
评估装置可以被配置为将反射图案中的所选特征与位移区域内的参考图案的至少一个特征相匹配。如本文所使用的，术语“匹配”是指确定和/或评估对应的参考和反射特征。评估装置可以被配置为通过使用考虑了所确定的距离估计的至少一种评估算法来将反射图像中的所选特征与位移区域内的参考特征相匹配。评估算法可以是线性缩放算法。评估装置可以适于确定最靠近位移区域和/或在位移区域内的对极线。评估装置可以适于确定最靠近反射特征的图像位置的对极线。沿着对极线的位移区域的范围可以大于与对极线正交的位移区域的范围。评估装置可适于在确定对应的参考特征之前确定对极线。评估装置可以确定每个反射特征的图像位置周围的位移区域。评估装置可以适于诸如通过对最靠近位移区域的和/或在位移区域内的和/或沿着与对极线正交的方向最靠近位移区域的对极线进行分配，来向反射特征的每个图像位置的每个位移区域分配对极线。评估装置可以适于通过确定最靠近所分配的位移区域的和/或在所分配的位移区域内的和/或沿着所分配的对极线最靠近所分配的位移区域的和/或沿着所分配的对极线的在所分配的位移区域内的参考特征，来确定与反射特征的图像位置对应的参考特征。
评估装置可以被配置用于确定所匹配的参考特征和所选反射特征的位移。评估装置可以被配置用于使用纵坐标和位移之间的预定关系来确定所匹配的特征的纵向信息。如本文所使用的，术语“位移”是指参考图像中的位置与反射图像中的位置之间的差。如本文所使用的，术语“纵向信息”是指与纵坐标有关的信息。例如，纵向信息可以是距离值。预定关系可以是经验关系、半经验关系和通过分析所得出的关系中的一种或多种。评估装置可以包括用于存储预定关系(诸如查找列表或查找表)的至少一个数据存储装置。评估装置可以适于通过使用三角测量方法来确定预定关系。在已知反射图像中所选反射特征的位置和所匹配的参考特征的位置和/或所选反射特征与所匹配的参考特征的相对位移的情况下，对应的对象特征的纵坐标可通过三角测量确定。因此，评估装置可以适于选择例如后续和/或逐列的反射特征并且使用三角测量针对参考特征的每个潜在位置来确定对应的距离值。位移和对应的距离值可以存储在评估装置的至少一个存储装置中。
另外地或可替代地，评估装置可以被配置为执行以下步骤：
-针对每个反射特征的图像位置来确定位移区域；
-诸如通过对最靠近位移区域的和/或在位移区域内的和/或沿着与对极线正交的方向最靠近位移区域的对极线进行分配，来向每个反射特征的位移区域分配对极线；
-诸如通过对最靠近分配的位移区域的和/或在分配的位移区域内的和/或沿着分配的对极线最靠近分配的位移区域的和/或沿着分配的对极线在分配的位移区域内的参考特征进行分配，来向每个反射特征分配和/或确定至少一个参考特征。
另外地或可替代地，评估装置可以适于诸如通过比较参考图像内的对极线和/或反射特征的距离和/或通过比较误差加权距离(诸如参考图像内的对极线和/或反射特征的ε加权距离)并向参考特征和/或反射特征分配更短距离和/或ε加权距离的参考特征和/或对极线，来在要被分配给反射特征的参考特征和/或多于一个的对极线之间做出决定。
评估装置被配置为通过将至少一个材料相关的图像滤波器Ф2应用于反射图像来确定至少一个材料特征
如本文所使用的，术语“材料相关”的图像滤波器是指具有材料相关输出的图像。材料相关的图像滤波器的输出在本文中表示为“材料特征
或“材料相关特征
材料特征可以是或者可以包括关于对象的至少一种材料特性的至少一种信息。
材料相关的图像滤波器可以是选自包括以下项的组中的至少一种滤波器：亮度滤波器；光斑形状(spot shape)滤波器；平方范数梯度；标准偏差；平滑滤波器，诸如高斯滤波器或中值滤波器；基于灰度级发生(grey-level-occurrence-based)的对比度滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏(Law’s)能量滤波器；阈值区域滤波器；或其线性组合；或者是另一材料相关的图像滤波器
其通过
来与亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；或阈值区域滤波器；或其线性组合中的一者或多者相关，其中Фm是亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；或阈值区域滤波器；或其线性组合中的一者。另一材料相关的图像滤波器
通过
优选地通过
来与材料相关的图像滤波器Φm中的一个或多个相关。
材料相关的图像滤波器可以是通过假设检验的至少一个任意滤波器Φ。如本文所使用的，术语“通过假设检验”是指零假设H0被拒绝并且备择假设H1被接受的事实。假设检验可以包括通过将图像滤波器应用于预定义数据集来检验图像滤波器的材料相关性。数据集可以包括多个束轮廓图像。如本文所使用的，术语“束轮廓图像”是指NB高斯径向基函数之和，
其中，NB高斯径向基函数中的每一个由中心(xlk，ylk)、前因子alk和指数因子α＝1/∈定义。所有图像中的所有高斯函数的指数因子都相同。所有图像fk：
的中心位置xlk、ylk是相同的。数据集中的束轮廓图像中的每个束轮廓图像可以对应于材料分类器和距离。材料分类器可以是诸如“材料A”、“材料B”等的标签。可以结合以下参数表使用上述fk(x，y)的式子来生成束轮廓图像：
x、y的值是对应于具有
的像素的整数。图像可以具有32x32的像素尺寸。可以通过结合参数集使用上述fk的式子以获得对fk的连续描述，来生成束轮廓图像的数据集。32x32图像中每个像素的值可以通过在fk(x，y)中针对x、y插入0，...，31中的整数值来获得。例如，对于像素(6，9)，可以计算值fk(6，9)。
随后，对于每个图像fk，可以计算出与滤波器Φ对应的特征值
其中zk是与来自预定义数据集的图像fk对应的距离值。这产生了具有对应生成特征值
的数据集。假设检验可以使用滤波器不区分材料分类器的零假设。零假设可由H0：μ1＝μ2＝…＝μJ给出，其中μm是与特征值
对应的每个材料组的期望值。索引m表示材料组。假设检验可以使用滤波器确实区分至少两个材料分类器的替代假设。替代假设可由H1：
μm≠μm′给出。如本文所使用的，术语“不区分材料分类器”是指材料分类器的期望值相同。如本文所使用的，术语“区分材料分类器”是指材料分类器的至少两个期望值是不同的。如本文所使用的，“区分至少两种材料分类器”与“合适的材料分类器”同义使用。假设检验可以包括对生成的特征值进行的至少一种方差分析(ANOVA)。特别地，假设检验可以包括确定针对J个材料中的每一个材料的特征值的平均值，即，总共J个平均值，
其中m∈[0，1，…，J-1]，其中Nm给出了预定义数据集中J个材料中每一个材料的特征值的数量。假设检验可以包括确定所有N个特征值的平均值
假设检验可以包括确定以下范围内的均方和：
假设检验可以包括确定以下之间的均方和，
假设检验可以包括执行F检验：
□
其中d1＝N-J，d2＝J-1，
□F(x)＝1-CDF(x)
□p＝F(mssb/mssw)
在本文中，Ix是正则不完全贝塔函数(Beta-Function)，
其中欧拉(Euler)贝塔函数
dt和
是不完全贝塔函数。如果p值p小于或等于预定义的显著性水平，则图像滤波器可以通过假设检验。如果p≤0.075，优选p≤0.05，更优选p≤0.025，并且最优选p≤0.01，则滤波器可以通过假设检验。例如，在预定义的显著性水平为α＝0.075的情况下，如果p值小于α＝0.075，则图像滤波器可以通过假设检验。在该情况下，可以拒绝零假设H0，并且可以接受替代假设H1。图像滤波器因此区分至少两个材料分类器。因此，图像滤波器通过假设检验。
在下面，假设反射图像包括至少一个反射特征，具体地，光斑图像，来描述图像滤波器。光斑图像f可以由函数f：
给出，其中图像f的背景可能已经被减去。然而，其他反射特征也是可能的。
例如，材料相关的图像滤波器可以是亮度滤波器。亮度滤波器可以返回光斑的亮度度量以作为材料特征。材料特征可由下式确定
其中f是光斑图像。光斑的距离由z表示，其中z可以例如通过使用离焦深度或光子深度比技术和/或通过使用三角测量技术来获得。材料的表面法线由
给出，并且可以被获得以作为由至少三个测量点跨越的表面的法线。矢量
是光源的方向矢量。由于光斑的位置通过使用离焦深度或光子深度比技术和/或通过使用三角测量技术是已知，其中光源的位置被已知作为检测器系统的参数，d光线是光斑与光源位置之间的差分矢量。
例如，材料相关的图像滤波器可以是具有依赖于光斑形状的输出的滤波器。该材料相关的图像滤波器可以返回与材料的半透明度相关的值以作为材料特征。材料的半透明度影响光斑的形状。材料特征可由下式给出
其中0＜α，β＜1是针对光斑高度h的权重，并且H表示赫维赛德(Heavyside)函数，即，H(x)＝1：x≥0，H(x)＝0：x＜0。光斑高度h可由下式确定
其中Br是半径为r的光斑的内圆。
例如，材料相关的图像滤波器可以是平方范数梯度。该材料相关的图像滤波器可以返回与光斑的软和硬过渡和/或粗糙度的度量相关的值以作为材料特征。材料特征可以由下式定义
例如，材料相关的图像滤波器可以是标准偏差。光斑的标准偏差可由下式确定
其中μ是由μ＝∫(f(x))dx给出的平均值。
例如，材料相关的图像滤波器可以是诸如高斯滤波器或中值滤波器的平滑滤波器。在平滑滤波器的一个实施例中，该图像滤波器可以指与漫散射材料相比，体积散射表现出更少散斑对比度的观察结果。该图像滤波器可以量化与散斑对比度对应的光斑的平滑度以作为材料特征。材料特征可由下式确定
其中
是平滑度函数，例如中值滤波器或高斯滤波器。该图像滤波器可以包括除以距离z，如以上式子中所述。距离z可以例如使用离焦深度或光子深度比技术和/或通过使用三角测量技术来确定。这可允许滤波器对距离不敏感。在平滑滤波器的一个实施例中，平滑滤波器可以基于所提取的散斑噪声图案的标准偏差。散斑噪声图案N可以通过下式用经验的方式描述
f(x)＝f0(x)·(N(X)+1)，
其中f0是被去斑的光斑的图像。N(X)是对散斑图案进行建模的噪声项。去斑图像的计算可能是困难的。因此，去斑图像可以用f的平滑版本来近似，即，
其中
是类似于高斯滤波器或中值滤波器的平滑算子。因此，散斑图案的近似值可以由下式给出
该滤波器的材料特征可由下式确定
其中Var表示方差函数。
例如，图像滤波器可以是基于灰度级发生的对比度滤波器。该材料滤波器可以基于灰度级发生矩阵Mf，ρ(g1g2)＝[pg1，g2]，而pg1，g2是灰度组合(g1，g2)＝[f(x1，y1)，f(x2，y2)]的发生率，并且关系ρ定义了(x1，y1)与(x2，y2)之间的距离，其为ρ(x，y)＝(x+a，y+b)，其中a和b选自0、1。
基于灰度级发生的对比度滤波器的材料特征可以由下式给出
例如，图像滤波器可以是基于灰度级发生的能量滤波器。该材料滤波器基于上面定义的灰度级发生矩阵。
基于灰度级发生的能量滤波器的材料特征可以由下式给出
例如，图像滤波器可以是基于灰度级发生的同质性滤波器。该材料滤波器基于上面定义的灰度级发生矩阵。
基于灰度级发生的同质性滤波器的材料特征可以由下式给出
例如，图像滤波器可以是基于灰度级发生的相异滤波器。该材料滤波器基于上面定义的灰度级发生矩阵。
基于灰度级发生的相异滤波器的材料特征可以由下式给出
例如，图像滤波器可能是劳氏能量滤波器。该材料滤波器可以基于劳氏矢量L5＝[1，4，6，4，1]和E5＝[-1，-2，0，-2，-1]以及矩阵L5(E5)T和E5(L5)T。
图像fk与这些矩阵卷积：
以及
而劳氏能量滤波器的材料特征可由下式确定
例如，材料相关的图像滤波器可以是阈值区域滤波器。该材料特征可能涉及图像平面中的两个区域。第一区域Ω1可以是其中函数f大于α乘以f的最大值的区域。第二区域Ω2可以是其中函数f小于α乘以f的最大值但大于阈值ε乘以f的最大值的区域。优选地，α可以是0.5并且ε可以是0.05。由于散斑或噪声，这些区域可能不会简单地对应于光斑中心周围的内圆和外圆。作为示例，Ω1可以包括外圆中的散斑或未连接的区域。材料特征可由下式确定
其中Ω1＝{x|f(x)＞α·max(f(x))}并且Ω2＝{x|ε·max(f(x))＜f(x)＜α·max(f(x))}。
材料特性m和/或纵坐标z可以通过使用
与z、m之间的预定关系来确定。评估装置可以被配置为通过评估特征
来确定材料特性m和/或纵坐标z。例如，评估装置可以被配置为使用距离特征
与对象的纵坐标之间的至少一种预定关系来确定对象的纵坐标z。评估装置可以被配置为使用材料特征
与对象的材料特性之间的至少一种预定关系来确定对象的材料特性。预定关系可以是经验关系、半经验关系和通过分析所得出的关系中的一者或多者。评估装置可以包括用于存储预定关系(诸如查找列表或查找表)的至少一个数据存储装置。例如，可以在确定纵坐标z之后通过随后评估
来确定材料特性，使得可以考虑关于纵坐标z的信息以用于评估
具体地，材料特性m和/或纵坐标z可以由函数
和/或函数
确定。该函数可以是预定义和/或预定的。例如，该函数可以是线性函数。
在理想情况下，图像滤波器将产生仅依赖于距离或材料特性的特征。然而，束轮廓分析中所使用的图像滤波器可能产生依赖于距离和材料特性的特征，诸如半透明度。材料相关的图像滤波器或距离相关的图像滤波器中的至少一者可以是至少一个其他图像滤波器的特征
或
的函数。材料相关的图像滤波器或距离相关的图像滤波器中的至少一者可以是至少一个其他图像滤波器的函数。评估装置可以被配置为确定Φ1或Φ2中的至少一者是否是另一个图像滤波器的特征
或
的函数、和/或确定Φ1或Φ2中的至少一者是否是至少一个其他图像滤波器的函数。具体地，评估装置可以被配置为确定材料相关的图像滤波器和距离相关的图像滤波器的相关系数。在材料相关的图像滤波器与距离相关的图像滤波器的相关系数接近1或-1的情况下，可以通过将材料特征投影到具有最低方差的主轴上来投影距离。作为示例，可以将材料特征投影到与相关主分量正交的轴上。换句话说，可以将材料特征投影到第二主要分量上。这可以使用本领域技术人员已知的主分量分析来完成。评估装置可以被配置为将距离相关的图像滤波器和材料相关的图像滤波器同时应用于反射图像。特别地，评估装置可以被配置为同时确定与距离强相关且与材料特性弱相关的特征以及与距离弱相关且与材料特性强相关的特征。可替代地，评估装置可以被配置为将距离相关的图像滤波器和材料相关的图像滤波器顺序地或递归地应用于反射图像。评估装置可以被配置为通过将依赖于
和
中的至少一个的至少一个其他滤波器应用于反射图像来确定z和/或m中的至少一个。
如本文进一步使用的，术语“评估装置”通常是指适于执行指定操作的任意装置，优选地通过使用至少一个数据处理装置，并且更优选地，通过使用至少一个处理器和/或至少一个专用集成电路。因此，作为示例，至少一个评估装置可以包括具有存储在其上的软件代码的至少一个数据处理装置，该软件代码包括多个计算机命令。评估装置可以提供用于执行一个或多个指定操作的一个或多个硬件元件，和/或可以向一个或多个处理器提供在其上运行的用于执行一个或多个指定操作的软件。包括束轮廓的分析的上述操作由至少一个评估装置执行。因此，作为示例，上述关系中的一个或多个可以在软件和/或硬件中实现，诸如通过实现一个或多个查找表。因此，作为示例，评估装置可以包括一个或多个可编程装置，诸如一个或多个计算机、专用集成电路(ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)，它们被配置为执行上述评估。然而，另外地或可替代地，评估装置也可以完全或部分地由硬件体现。
检测器可进一步包括一个或多个附加元件，诸如一个或多个附加光学元件。此外，检测器可以完全或部分地集成到至少一个壳体中。
检测器可以包括选自包括以下项的组的至少一个光学元件：传递装置，诸如至少一个透镜和/或至少一个透镜系统、至少一个衍射光学元件。术语“传递装置”(也称为“传递系统”)通常可以指一个或多个光学元件，其适于诸如通过修改光束的束参数、光束的宽度、或光束的方向中的一者或多者来修改光束。传递装置可以适于将光束引导到光学传感器上。传递装置具体地可以包括以下中的一者或多者：至少一个透镜，例如选自包括以下项的组的至少一个透镜：至少一个聚焦可调透镜、至少一个非球面透镜、至少一个球面透镜、至少一个菲涅耳透镜；至少一个衍射光学元件；至少一个凹面镜；至少一个束偏转元件，优选至少一个反射镜；至少一个分束元件，优选分束立方体或分束镜中的至少一者；至少一个多透镜系统。如本文所使用的，术语传递装置的“焦距”是指可能撞击传递装置的入射准直光线进入“焦点”时的距离，该“焦点”也可以被称为“焦距点”。因此，焦距构成传递装置会聚撞击光束的能力的度量。因此，传递装置可以包括可以具有会聚透镜作用的一个或多个成像元件。举例来说，传递装置可具有一个或多个透镜，特别是一个或多个折射透镜，和/或一个或多个凸面镜。在该示例中，焦距可以被定义为从薄折射透镜的中心到薄透镜的主焦点的距离。对于会聚的薄折射透镜(诸如凸或双凸薄透镜)，焦距可以被视为正值，并且可以提供一个距离，在该距离处，撞击作为传递装置的薄透镜的准直光束可以聚焦到单个光斑中。另外，传递装置可包括至少一个波长选择元件，例如至少一个滤波器。另外地，传递装置可以设计为(例如，在传感器区域的位置处，并且特别是传感器区域中)将预定的束轮廓施加在电磁辐射上。原则上，传递装置的上述可选实施例可以单独地或以任何所需的组合来实现。
传递装置可具有光轴。特别地，检测器和传递装置具有公共光轴。如本文所使用的，术语“传递装置的光轴”通常是指透镜或透镜系统的镜面对称或旋转对称的轴。检测器的光轴可以是检测器的光学装置的对称线。该检测器包括至少一个传递装置，优选地具有至少一个透镜的至少一个传递系统。作为示例，传递系统可以包括至少一个束路径，其中束路径中的传递系统的元件以关于光轴旋转对称的方式定位。仍然，如还将在下面更详细地概述的，位于束路径内的一个或多个光学元件也可以关于光轴偏心或倾斜。然而，在该情况下，可以顺序地定义光轴，诸如通过互连束路径中的光学元件的中心，例如通过互连透镜的中心，其中，在该情况下，光学传感器不算作光学元件。光轴通常可以表示束路径。其中，检测器可以具有单个束路径，光束可以沿着该束路径从对象行进到光学传感器，或者可以具有多个束路径。作为示例，可以给出单个束路径，或者可以将束路径分成两个或更多个部分束路径。在后一种情况下，每个部分束路径可以具有其自己的光轴。光学传感器可以位于一个且相同的束路径或部分束路径中。然而，可替代地，光学传感器也可以位于不同的部分束路径中。
传递装置可以构成坐标系，其中纵坐标l是沿着光轴的坐标，并且其中d是距光轴的空间偏移。坐标系可以是极坐标系，其中传递装置的光轴形成z轴，并且其中距z轴的距离和极角可以用作附加坐标。平行于或反平行于z轴的方向可以被认为是纵向方向，并且沿着z轴的坐标可以被认为是纵坐标l。垂直于z轴的任何方向都可以被认为是横向方向，并且极坐标和/或极角可以被认为是横坐标。
如上概述，检测器可以能够确定对象的至少一个纵坐标，包括确定整个对象或其一个或多个部分的纵坐标的选项。例如，检测器可以被配置为通过使用至少一个距离相关滤波器并使用如上概述的光子深度比技术和/或离焦深度技术来确定对象的纵坐标。检测器可以被配置为确定对象的位置。如本文所使用的，术语“位置”是指关于对象和/或对象的至少一部分在空间中的位置和/或取向的至少一项信息。距离可以是纵坐标，或者可以有助于确定对象的点的纵坐标。另外地或可替代地，可以确定关于对象和/或对象的至少一部分的位置和/或取向的一项或多项其他信息。作为示例，另外，可以确定对象和/或对象的至少一部分的至少一个横坐标。因此，对象的位置可以暗示对象和/或对象的至少一部分的至少一个纵坐标。另外地或可替代地，对象的位置可以暗示对象和/或对象的至少一部分的至少一个横坐标。另外地或可替代地，对象的位置可以暗示对象的至少一个取向信息，其指示对象在空间中的取向。
然而，此外，对象的其他坐标，包括一个或多个横坐标和/或旋转坐标，可以由检测器确定，具体地由评估装置确定。因此，作为示例，一个或多个横向传感器可以用于确定对象的至少一个横坐标。可以确定光学传感器中的至少一个，从该光学传感器产生中心信号。这可以提供有关对象的至少一个横坐标的信息，其中，作为示例，可以使用简单的透镜等式进行光学转换并用于得出横坐标。另外地或可替代地，可以使用一个或多个附加横向传感器，并且可以由检测器包括。各种横向传感器在本领域中通常是已知的，诸如WO 2014/097181 A1中公开的横向传感器和/或其他位置敏感装置(PSD)，诸如象限二极管、CCD或CMOS芯片等。另外地或可替代地，作为示例，根据本发明的检测器可以包括R.A.Street(Ed.):Technology and Applications of Amorphous Silicon,Springer-VerlagHeidelberg,2010,pp.346-349中公开的一个或多个PSD。其他实施例是可行的。这些装置通常也可以实现在根据本发明的检测器中。作为示例，光束的一部分可以在检测器内被至少一个分束元件分开。作为示例，分开的部分可以被导向横向传感器(诸如CCD或CMOS芯片或相机传感器)，并且可以确定由分开的部分在横向传感器上生成的光斑的横向位置，从而确定对象的至少一个横坐标。因此，根据本发明的检测器可以是一维检测器，诸如简单的距离测量装置，或者可以被体现为二维检测器或甚至被体现为三维检测器。此外，如以上概述的或如以下进一步详细概述的，通过以一维方式扫描场景或环境，还可以创建三维图像。因此，根据本发明的检测器具体地可以是一维检测器、二维检测器或三维检测器之一。评估装置可以进一步被配置为确定对象的至少一个横坐标x、y。评估装置可以适于组合纵坐标和横坐标的信息并确定对象在空间中的位置。
光学传感器的矩阵的使用提供了多个优点和益处。因此，由光束在传感器元件上(诸如在传感器元件的矩阵的光学传感器的光敏区域的公共平面上)生成的光斑的中心可以随着对象的横向位置而变化。因此，光学传感器的矩阵的使用在对象的位置方面(具体地在对象的横向位置方面)提供了显著的灵活性。光斑在光学传感器的矩阵上的横向位置(诸如生成传感器信号的至少一个光学传感器的横向位置)可以用作附加信息项，从该信息项中可以导出关于对象的横向位置的至少一项信息，如例如在WO 2014/198629 A1中公开。另外地或可替代地，根据本发明的检测器可以包含至少一个附加横向检测器，用于除了至少一个纵坐标之外还检测对象的至少一个横坐标。
本发明在其他方面公开了一种用于识别至少一种材料特性m的检测器，包括：
-至少一个传感器元件，其包括光学传感器的矩阵，光学传感器各自具有光敏区域，其中，传感器元件被配置为记录源自至少一个对象的光束的至少一个反射图像；
-至少一个评估装置，其被配置为通过对反射图像的至少一个束轮廓的评估来确定材料特性，
其中，评估装置被配置为通过将至少一个距离相关的图像滤波器Ф1应用于反射图像来确定至少一个距离特征
其中，距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器；离焦深度滤波器；或其线性组合；或者是另一距离相关的图像滤波器
其通过
来与光子深度比滤波器和/或离焦深度滤波器或其线性组合相关，其中，Фz是光子深度比滤波器和/或离焦深度滤波器或其线性组合中的一者，
其中，评估装置被配置为通过将至少一个材料相关的图像滤波器Ф2应用于反射图像来确定至少一个材料特征
其中，材料相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器，诸如高斯滤波器或中值滤波器；基于灰度级发生的对比度滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；阈值区域滤波器；或其线性组合；或者是另一材料相关的图像滤波器
其通过
来与亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；或阈值区域滤波器；或其线性组合中的一者或多者相关，其中Фm是亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；或阈值区域滤波器；或其线性组合中的一者，
其中，评估装置被配置为通过评估距离特征
和材料特征
来确定纵坐标z和材料特性m。
关于定义和实施例，参考本发明的第一方面中描述的检测器的描述。
本发明在其他方面公开了一种用于识别至少一种材料特性m的检测器，包括：
-至少一个传感器元件，其包括光学传感器的矩阵，光学传感器各自具有光敏区域，其中，传感器元件被配置为记录源自至少一个对象的光束的至少一个反射图像；
-至少一个评估装置，其被配置为通过对反射图像的至少一个束轮廓的评估来确定材料特性，
其中，评估装置被配置为通过将至少一个距离相关的图像滤波器Ф1应用于反射图像来确定至少一个距离特征
其中，距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器；离焦深度滤波器；或其线性组合；或者是另一距离相关的图像滤波器
其通过
来与光子深度比滤波器和/或离焦深度滤波器或其线性组合相关，其中，Фz是光子深度比滤波器和/或离焦深度滤波器或其线性组合中的一者，
其中，评估装置被配置为通过将至少一个材料相关的图像滤波器Ф2应用于反射图像来确定至少一个材料特征
其中，材料相关的图像滤波器是通过假设检验的至少一个滤波器，其中，假设检验使用滤波器不区分材料分类器的零假设和滤波器区分至少两个材料分类器的替代假设，其中，如果p值p小于或等于预定义的显著性水平，则滤波器通过假设检验，
其中，评估装置被配置为通过评估距离特征
和材料特征
来确定纵坐标z和材料特性m。
关于定义和实施例，参考本发明的第一方面中描述的检测器的描述。
在本发明的其他方面，公开了一种检测器系统。检测器系统包括根据本发明(诸如根据上面公开的一个或多个实施例或根据下面进一步详细公开的一个或多个实施例)的至少一个检测器。检测器系统进一步包括至少一个信标装置，该信标装置适于将至少一个光束朝向检测器引导，其中信标装置是可附接到对象、可被对象握持和可集成到对象中的至少一种。下面将给出关于信标装置的进一步细节，包括其潜在的实施例。因此，该至少一个信标装置可以是或可以包括至少一个有源信标装置，该有源信标装置包括一个或多个照射源，诸如一个或多个光源，如激光器、LED、灯泡等。作为示例，由照射源发射的光可以具有300至500nm的波长。可替代地，如上概述，可以使用红外光谱范围，诸如在780nm至3.0μm的范围内。具体地，可以使用其中在700nm至1000nm的范围内硅光电二极管具体是可适用的近红外区域。如上概述，由一个或多个信标装置发射的光可以是未调制的或可以被调制的，以便区分两个或多个光束。另外地或可替代地，至少一个信标装置可以适于诸如通过包括了一个或多个反射元件，从而将一个或多个光束朝向检测器反射。此外，该至少一个信标装置可以是或可以包括适于散射光束的一个或多个散射元件。其中，可以使用弹性或非弹性散射。在至少一个信标装置适于朝向检测器反射和/或散射主光束的情况下，该信标装置可以适于使光束的光谱特性不受影响，或者可替代地可以适于诸如通过修改光束的波长来改变光束的光谱特性。
在本发明的其他方面，公开了一种用于在用户与机器之间交换至少一项信息的人机界面。人机界面包括根据以上公开的实施例和/或根据以下进一步详细公开的实施例中的一个或多个实施例的至少一个检测器系统。其中，至少一个信标装置适于直接或间接中的至少一种来附接到用户或由用户握持。人机界面被设计为借助于检测器系统确定用户的至少一个位置，其中，人机界面被设计为将至少一项信息分配给该位置。
在本发明的其他方面，公开了一种用于执行至少一个娱乐功能的娱乐装置。娱乐装置包括根据上面公开的实施例和/或根据下面进一步详细公开的实施例中的一个或多个实施例的至少一个人机界面。娱乐装置被配置为使得玩家能够借助于人机界面输入至少一项信息。娱乐装置进一步被配置为根据信息改变娱乐功能。
在本发明的其他方面，公开了一种用于跟踪至少一个可移动对象的位置的跟踪系统。跟踪系统包括根据涉及如上面公开的和/或如下面进一步详细公开的检测器系统的一个或多个实施例的至少一个检测器系统。跟踪系统进一步包括至少一个跟踪控制器。跟踪控制器适于跟踪对象在特定时间点的一系列位置。
在本发明的其他方面，公开了一种用于对至少一个对象成像的相机。相机包括根据涉及如上面公开或下面进一步详细公开的检测器的实施例中的任一实施例的至少一个检测器。
在本发明的其他方面中，提供了一种用于确定场景的深度轮廓的扫描系统，其也可暗示确定至少一个对象的至少一个位置。扫描系统包括根据本发明的至少一个检测器，诸如在上面列出的一个或多个实施例中公开的和/或在下面一个或多个实施例中公开的至少一个检测器。扫描系统进一步包括至少一个照射源，该照射源适于用至少一个光束来扫描场景，该光束也可以被称为照射光束或扫描光束。如本文所使用的，术语“场景”通常是指检测器可见的二维或三维范围，使得可以用检测器来对二维或三维范围的至少一种几何或空间特性进行评估。如本文进一步使用的，术语“扫描”通常指不同区域中的连续测量。因此，扫描具体地可以暗示至少一个第一测量，其中照射光束以第一方式取向或定向，以及至少一个第二测量，其中照射光束以与第一方式不同的第二方式取向或定向。扫描可以是连续扫描或逐步扫描。因此，以连续或逐步的方式，照射光束可以被引导到场景的不同区域，并且检测器可以被检测以针对每个区域生成至少一项信息，诸如至少一个纵坐标。作为示例，为了扫描对象，一个或多个照射光束可以连续地或以逐步的方式在对象的表面上产生光斑，其中生成光斑的纵坐标。然而，可替代地，光图案可用于扫描。扫描可以是点扫描或线扫描，或甚至可以是具有更复杂光图案的扫描。扫描系统的照射源可以不同于检测器的可选照射源。然而，可替代地，扫描系统的照射源也可以与检测器的至少一个可选照射源完全或部分相同或集成到其中。
因此，扫描系统可以包括至少一个照射源，该照射源适于发射被配置用于照射位于至少一个对象的至少一个表面处的至少一个点的至少一个光束。如本文所使用的，术语“点”是指对象表面的一部分上的区域，具体地是小区域，其可以被例如扫描系统的用户选择以由照射源照射。优选地，一方面，该点可以表现出尽可能小的尺寸，以便允许扫描系统确定扫描系统所包括的照射源与对象表面的部分(点可以尽可能精确地被定位在其上)之间的距离的值，并且另一方面，它可以尽可能大，以便允许扫描系统的用户或扫描系统本身，特别是通过自动程序，来检测对象表面相关部分上是否存在点。
为此，照射源可以包括人工照射源，特别是至少一个激光源和/或至少一个白炽灯和/或至少一个半导体光源，例如至少一种发光二极管，特别是有机和/或无机发光二极管。例如，由照射源发出的光可以具有300至500nm的波长。另外地或可替代地，可以使用红外光谱范围内(诸如780nm至3.0μm的范围内)的光。具体地，可以使用近红外区域的部分中的光，其中硅光电二极管具体地在700nm至1000nm的范围内适用。考虑到它们的通常定义的光束轮廓和其他可操作性特性，特别优选使用至少一个激光源作为照射源。在此，使用单个激光源可能是优选的，特别是在提供可容易地由用户存储和运输的紧凑扫描系统可能很重要的情况下。因此，照射源可以优选地是检测器的组成部分并且因此可以特别地集成到检测器中，诸如集成到检测器的壳体中。在优选实施例中，特别地，扫描系统的壳体可以包括至少一个显示器，该显示器被配置为诸如以易于阅读的方式向用户提供与距离相关的信息。在其他优选实施例中，特别地，扫描系统的壳体可以另外包括至少一个按钮，该按钮可以被配置用于操作与扫描系统相关的至少一个功能，诸如用于设置一个或多个操作模式。在其他优选实施例中，特别地，扫描系统的壳体可以另外包括至少一个紧固单元，该紧固单元可以被配置用于将扫描系统紧固到另一表面，诸如橡胶脚、底板或墙壁保持器，诸如包括磁性材料的基板或保持器，特别用于提高距离测量的准确度和/或用户对扫描系统的可操作性。
特别地，扫描系统的照射源因此可以发射单个激光束，该激光束可以被配置用于照射位于对象表面的单个点。通过使用根据本发明的至少一个检测器，因此可以生成关于至少一个点与扫描系统之间的距离的至少一项信息。因此，优选地，可以确定由扫描系统包括的照射系统与如由照射源生成的单个点之间的距离，诸如通过采用如由至少一个检测器所包括的评估装置。然而，扫描系统可以进一步包括附加评估系统，该附加评估系统可以特别适用于该目的。可替代地或另外地，可以考虑扫描系统(特别是扫描系统的壳体)的尺寸，并且因此可以可替代地确定扫描系统的壳体上的特定点(诸如壳体的前边缘或者后边缘)与单个点之间的距离。照射源可以适于生成和/或投影点云，例如照射源可以包括如下中的一者或多者：至少一个数字光处理投影仪、至少一个LCoS投影仪、至少一个空间光调制器；至少一个衍射光学元件；至少一个发光二极管阵列；至少一个激光光源阵列。
可替代地，扫描系统的照射源可以发射两个单独的激光束，该激光束可以被配置为在光束的发射方向之间提供相应的角度，诸如直角，由此可以照射位于同一对象表面或位于两个不同对象的两个不同表面处的两个相应的点。然而，两个单独激光束之间的相应角度的其他值也是可行的。该特征特别可以用于间接测量功能，诸如用于得出间接距离，诸如由于在扫描系统与点之间存在一个或多个障碍物或否则可能很难到达而可能无法直接访问。举例来说，因此，通过测量两个单独的距离并通过使用毕达哥拉斯公式(Pythagoras)得出高度来确定对象高度的值可能是可行的。特别地，为了能够保持相对于对象的预定水平(level)，扫描系统可以进一步包括至少一个水平单元，特别是集成气泡瓶，该集成气泡瓶可以用于保持用户预定义的水平。
作为进一步的替代，扫描系统的照射源可以发射多个单独的激光束，诸如激光束阵列，其可以相对于彼此表现出相应的间距(pitch)，特别是规则间距，并且可以以生成位于至少一个对象的至少一个表面上的点阵列的方式来排列。为此目的，可以提供特别适合的光学元件，诸如分束装置和反射镜，其可以允许所述的激光束阵列的生成。特别地，可以通过使用一个或多个可移动反射镜以周期性或非周期性方式重定向光束来引导照射源以便扫描区域或体积。
因此，扫描系统可以提供一个或多个点在一个或多个对象的一个或多个表面上的静态布置。可替代地，扫描系统的照射源，特别是一个或多个激光束，诸如上述激光束阵列，可被配置为提供一个或多个光束，该光束可以随着时间推移表现出变化的强度和/或随着时间的推移可能会经受发射方向的交替，特别是通过移动一个或多个反射镜，诸如被包括在所述微反射镜阵列内的微反射镜。结果，照射源可以被配置为通过使用具有由扫描系统的至少一个照射源生成的交替特征的一个或多个光束来扫描至少一个对象的至少一个表面的一部分以作为图像。特别地，扫描系统因此可以使用至少一次行扫描和/或线扫描，诸如顺序地或同时地扫描一个或多个对象的一个或多个表面。因此，扫描系统可适于通过测量三个或更多点来测量角度，或者扫描系统可适于测量角落或狭窄区域，诸如屋顶的三角形顶棚(gable)，使用传统的量尺很难接近该区域。作为非限制性示例，扫描系统可用在安全激光扫描仪中(例如生产环境中)、和/或用于确定对象形状的3D扫描这种中(诸如与3D打印、身体扫描、质量控制结合)、建筑应用中(例如作为测距仪)、物流应用中(例如用于确定包裹的大小或体积)、家庭应用中(例如在机器人真空吸尘器或割草机中)、或在可能包括扫描步骤的其他类型的应用中。作为非限制性示例，扫描系统可用于工业安全帘应用。作为非限制性示例，扫描系统可用于执行清扫、吸尘、拖地或打蜡功能、或庭院或花园护理功能，诸如割草或耙地。作为非限制性示例，扫描系统可以采用具有准直光学器件的LED照射源，并且可以适于将照射源的频率偏移到不同的频率以获得更准确的结果和/或采用滤波器来衰减某些频率，同时传输其他频率。作为非限制性示例，扫描系统和/或照射源可以作为一个整体旋转或使用专用电机仅旋转特定的光学组件，诸如反射镜、分束器等，这样在操作中，扫描系统可具有完整的360度观看，或甚至可以移动和/或旋转到平面外以进一步增加扫描区域。此外，照射源可以有源地瞄准预定方向。此外，为了允许有线电气系统的旋转，可以采用滑环(slip ring)、光数据传输、或电感耦合。
作为非限制性示例，扫描系统可以附接到三脚架并且指向具有多个角和表面的对象或区域。一个或多个灵活可移动的激光源附接到扫描系统。一个或多个激光源被移动以使得它们照射关注点。当按下扫描系统上的指定按钮时，照射点相对于扫描系统的位置被测量，并且位置信息经由无线接口传输到移动电话。位置信息存储在移动电话应用中。激光源被移动以照射其他关注点，该关注点的位置被测量并传输到移动电话应用。移动电话应用可以通过将相邻点与平面表面连接，来将点集变换为3D模型。3D模型可以被存储和进一步处理。所测量的点或表面之间的距离和/或角度可以直接显示在附接到扫描系统的显示器上或位置信息被传输到其中的移动电话上。
作为非限制性示例，扫描系统可以包括用于投影点的两个或更多个灵活可移动激光源和用于投影线的其他可移动激光源。线可用于沿线布置两个或更多激光光斑，并且扫描系统的显示器可以显示可沿着线(诸如等距)布置的两个或更多激光光斑之间的距离。在两个激光光斑的情况下，可以使用单个激光源，而使用一个或多个分束器或棱镜来修改投影点的距离，其中可以移动分束器或棱镜，使得投影的激光光斑分开或靠近。此外，扫描系统可以适于投影其他图案，诸如直角、圆形、正方形、三角形等，沿着这些图案可以通过投影激光光斑并测量它们的位置来进行测量。
作为非限制性示例，扫描系统可以适用于线扫描装置。特别地，扫描系统可以包括至少一个传感器线或行。三角测量系统需要足够的基线，使得在近场中不可能检测到。如果激光光斑在传递装置的方向上倾斜，则近场检测可以是可能的。然而，倾斜导致光斑移出视野，这限制了远场区域的检测。通过使用根据本发明的检测器可以克服这些近场和远场问题。特别地，检测器可以包括光学传感器的CMOS线。扫描系统可以适于检测在CMOS线上从对象传播到检测器的多个光束。光束可以在对象上的不同位置处或通过照射源的移动生成。如上面和下面更详细描述的，扫描系统可以适于确定光点中的每个光点的至少一个纵坐标。
作为非限制性示例，扫描系统可适于使用工具(诸如木材或金属加工工具，诸如锯、钻机等)支持工作。因此，扫描系统可以适于在两个相反方向上测量距离并在显示器中显示两个测量的距离或距离的总和。此外，扫描系统可以适于测量到表面边缘的距离，使得当扫描系统放置在表面上时，激光点沿着表面自动远离扫描系统移动，直到距离测量示出了由于表面的角落或边缘而引起的突然变化。这使得可以在扫描系统放置在木板上但远离木板端部时测量木板的端部的距离。此外，扫描系统可以在一个方向上测量木板端部的距离，并在相反方向上在指定距离内投影线或圆或点。扫描系统可以适于依赖于在相反方向上测量的距离，诸如依赖于预定的总距离，在一定距离内投影线或圆或点。这允许在投影位置处用工具(诸如锯或钻机)工作，而将扫描系统放置在距工具的安全距离处，并同时在距木板边缘预定距离处使用工具执行过程。此外，扫描系统可以适于在预定距离中在两个相反方向上投影点或线等。当距离的总和改变时，投影距离中的仅一个投影距离改变。
作为非限制性示例，扫描系统可以适于放置在表面上，诸如在其上执行诸如切割、锯切、钻孔等任务的表面上，并在预定距离中将线投影到表面上，该预定距离可以诸如采用扫描系统上的按钮进行调节。
作为非限制性示例，扫描系统可用在安全激光扫描仪中(例如在生产环境中)、和/或在用于确定对象形状的3D扫描装置中(诸如与3D打印、身体扫描、质量控制结合)、建筑应用中(例如作为测距仪)、物流应用中(例如用于确定包裹的大小或体积)、家庭应用中(例如在机器人真空吸尘器或割草机中)、或在可能包括扫描步骤的其他类型的应用中。
传递装置可以被设计为将从对象传播到检测器的光优选地依次馈送到光学传感器。该馈送可以可选地借助于成像或另外借助于传递装置的非成像特性来实现。特别地，传递装置还可以被设计为在电磁辐射随后被馈送到光学传感器之前来收集电磁辐射。传递装置也可以全部或部分地是至少一个可选照射源的组成部分，例如通过将照射源设计为提供具有定义的光学特性的光束，例如具有定义的或精确已知的光束轮廓，例如高斯束的至少一种线性组合，特别是具有已知光束轮廓的至少一种激光束。
对于可选照射源的潜在实施例，可以参考WO 2012/110924 A1。尽管如此，其他实施例也是可行的。从对象发出的光可以起源于对象本身，但也可以可选地具有不同的起源，并从该起源传播到对象并随后朝向横向和/或纵向光学传感器传播。后一种情况可以例如通过使用至少一个照射源来实现。该照射源可以例如是或包括环境照射源和/或可以是或可以包括人工照射源。举例来说，检测器本身可以包括至少一个照射源，例如至少一个激光器和/或至少一个白炽灯和/或至少一个半导体照射源，例如至少一个发光二极管，特别是有机和/或无机发光二极管。考虑到它们的通常定义的束轮廓和其他可操作性特性，特别优选地使用一个或多个激光器作为照射源或其一部分。照射源本身可以是检测器的组成部分或者另外独立于检测器形成。照射源可以特别地集成到检测器中，例如集成到检测器的壳体中。可替代地或另外地，至少一个照射源也可以集成到至少一个信标装置中或集成到一个或多个信标装置中和/或集成到对象中或连接到或空间耦接到对象。
从一个或多个可选信标装置发出的光可以，与从所述光起源于相应信标装置本身的选项相应地、可替代地或另外地，从照射源发出和/或被照射源激发。举例来说，从信标装置发出的电磁光可以由信标装置本身发射和/或被信标装置反射和/或在被馈送到检测器之前被信标装置散射。在该情况下，电磁辐射的发射和/或散射可以在没有电磁辐射的频谱影响或具有此类影响的情况下实现。因此，举例来说，例如根据斯托克斯或拉曼，在散射期间也可能发生波长偏移。此外，光的发射可以例如由主照射源(例如由被激发以产生发光(特别是磷光和/或荧光)的对象或对象的部分区域)激发。原则上，其他发射过程也是可能的。如果发生反射，则对象可以具有例如至少一个反射区域，特别是至少一个反射表面。所述反射表面可以是对象本身的一部分，但也可以是例如被连接或空间耦接到对象的反射器，例如被连接到对象的反射板。如果使用至少一个反射器，则它进而可以被视为检测器的一部分，该检测器的一部分例如与检测器的其他组成部分无关地连接到对象。
信标装置和/或至少一个可选的照射源通常可以发射以下中的至少一者的光：紫外光谱范围，优选地在200nm到380nm的范围内；可见光谱范围(380nm至780nm)；红外光谱范围，优选在780nm至3.0微米的范围内，更优选地在其中硅光电二极管具体地在700nm至1000nm的范围内适用的近红外区域的一部分。对于热成像应用，目标可以发射远红外光谱范围内(优选地在3.0微米到20微米的范围内)的光。例如，至少一个照射源适于发射可见光谱范围内的光，优选地在500nm至780nm的范围内，最优选地在650nm至750nm、或690nm至700nm。例如，至少一个照射源适于发射红外光谱范围内的光。然而，其他选项也是可行的。
光束到光学传感器的馈送特别地可以这样实现，即在光学传感器的可选传感器区域上产生光斑，例如光斑具有圆形、椭圆形、或不同配置的横截面。举例来说，检测器可以具有可视范围，特别是立体角(solid angle)范围和/或空间范围，在该可视范围内可以检测对象。优选地，传递装置可以被设计为使得例如在对象布置在检测器的可视范围内的情况下，光斑完全布置在光学传感器的传感器区上和/或传感器区域上。举例来说，可以选择具有对应大小的传感器区域以确保该条件。
在其他方面，本发明公开了一种通过使用根据本发明的至少一个检测器来确定至少一个对象的至少一种材料特性的方法。该方法包括以下步骤：
a)通过使用具有光学传感器的矩阵的至少一个传感器元件来确定对象的至少一个反射图像，光学传感器各自具有光敏区域；
b)通过使用至少一个评估装置对反射图像的至少一个束轮廓进行评估来确定材料特性，其中，该评估包括：
b1)通过将至少一个距离相关的图像滤波器Ф1应用于反射图像来确定至少一个距离特征
其中，距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器；离焦深度滤波器；或其线性组合；或者是另一距离相关的图像滤波器
其通过
来与光子深度比滤波器和/或离焦深度滤波器或其线性组合相关，其中，Фz是光子深度比滤波器和/或离焦深度滤波器或其线性组合中的一者，
b2)通过将至少一个材料相关的图像滤波器Ф2应用于反射图像来确定至少一个材料特征
其中，材料相关的图像滤波器是选自以下各构成的组中的至少一种滤波器：亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器，诸如高斯滤波器或中值滤波器；基于灰度级发生的对比度滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；阈值区域滤波器；或其线性组合；或者是另一材料相关的图像滤波器
其通过
来与亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；或阈值区域滤波器；或其线性组合中的一者或多者相关，其中Фm是亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；或阈值区域滤波器；或其线性组合中的一者，
b3)通过评估距离特征
和材料特征
来确定纵坐标z和材料特性m。
方法步骤可以以给定的顺序执行或可以以不同的顺序执行。此外，可能存在未列出的一个或多个附加方法步骤。此外，可以重复执行一个、多于一个或甚至所有方法步骤。对于细节、选项和定义，可以参考上面讨论的检测器。因此，具体地，如上所述，该方法可以包括使用根据本发明(诸如根据上面给出的或下面进一步详细给出的一个或多个实施例)的检测器。
在其他方面，本发明公开了一种通过使用根据本发明的至少一个检测器来确定至少一个对象的至少一种材料特性的方法。该方法包括以下步骤：
a)通过使用具有光学传感器的矩阵的至少一个传感器元件来确定对象的至少一个反射图像，光学传感器各自具有光敏区域；
b)通过使用至少一个评估装置对反射图像的至少一个束轮廓进行评估来确定材料特性，其中，该评估包括：
b1)通过将至少一个距离相关的图像滤波器Ф1应用于反射图像来确定至少一个距离特征
其中，距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器；离焦深度滤波器；或其线性组合；或者是另一距离相关的图像滤波器
其通过
来与光子深度比滤波器和/或离焦深度滤波器或其线性组合相关，其中，Фz是光子深度比滤波器和/或离焦深度滤波器或其线性组合中的一者，
b2)通过将至少一个材料相关的图像滤波器Ф2应用于反射图像来确定至少一个材料特征
其中，材料相关的图像滤波器是通过假设检验的至少一个滤波器，其中，假设检验使用滤波器不区分材料分类器的零假设和滤波器区分至少两个材料分类器的替代假设，其中，如果p值p小于或等于预定义的显著性水平，则滤波器通过假设检验，
b3)通过评估距离特征
和材料特征
来确定纵坐标z和材料特性m。
方法步骤可以以给定的顺序执行或可以以不同的顺序执行。此外，可能存在未列出的一个或多个附加方法步骤。此外，可以重复执行一个、多于一个或甚至所有方法步骤。对于细节、选项和定义，可以参考上面讨论的检测器。因此，具体地，如上概述，该方法可以包括使用根据本发明(诸如根据上面给出的或下面进一步详细给出的一个或多个实施例)的检测器。
在其他方面，本发明公开了一种通过使用根据本发明的至少一个检测器来确定至少一个对象的至少一种材料特性的方法。该方法包括以下步骤：
a)通过使用具有光学传感器的矩阵的至少一个传感器元件来确定对象的至少一个反射图像，光学传感器各自具有光敏区域；
b)通过使用至少一个评估装置对反射图像的至少一个束轮廓进行评估来确定材料特性，其中，该评估包括：
b1)通过将至少一个距离相关的图像滤波器Ф1应用于反射图像来确定至少一个距离特征
其中，距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器；离焦深度滤波器；或其线性组合；或者是另一距离相关的图像滤波器
其通过
来与光子深度比滤波器和/或离焦深度滤波器或其线性组合相关，其中，Фz是光子深度比滤波器和/或离焦深度滤波器或其线性组合中的一者，
b2)通过将至少一个材料相关的图像滤波器Ф2应用于反射图像来确定至少一个材料特征
b3)通过评估距离特征
和材料特征
来确定纵坐标z和材料特性m。
方法步骤可以以给定的顺序执行或可以以不同的顺序执行。此外，可能存在未列出的一个或多个附加方法步骤。此外，可以重复执行一个、多于一个或甚至所有方法步骤。对于细节、选项和定义，可以参考上面讨论的检测器。因此，具体地，如上概述，该方法可以包括使用根据本发明(诸如根据上面给出的或下面进一步详细给出的一个或多个实施例)的检测器。
在本发明的其他方面，出于使用的目的，提出了根据本发明(诸如根据上面给出的或下面进一步详细给出的一个或多个实施例)的检测器的用途，该用途选自包括以下项的组：交通技术中的位置测量；娱乐应用；安全性应用；监视应用；安全应用；人机界面应用；跟踪应用；摄影应用；成像应用或相机应用；绘制应用，用于生成至少一个空间的地图；用于车辆的归航(homing)或跟踪信标检测器；户外应用；移动应用；通信应用；机器视觉应用；机器人应用；质量控制应用；制造应用。
对象通常可以是有生命的或无生命的对象。检测器或检测器系统甚至可以包括至少一个对象，该对象由此形成检测器系统的一部分。然而，优选地，对象可以在至少一个空间维度中独立于检测器移动。对象通常可以是任意对象。在一个实施例中，对象可以是刚性对象。其他实施例是可行的，诸如其中对象是非刚性对象或可以改变其形状的对象的实施例。
关于本发明的检测器和装置的进一步用途，参考WO 2018/091649 A1、WO 2018/091638 A1和WO 2018/091640 A1，其内容通过引用被包括于此。
具体地，本申请可以应用于摄影领域。因此，检测器可以是摄影装置的一部分，具体地是数字相机的一部分。具体地，检测器可以用于3D摄影，具体地用于数字3D摄影。因此，检测器可以形成数字3D相机或者可以是数字3D相机的一部分。如本文所使用的，术语摄影通常是指获取至少一个对象的图像信息的技术。如本文进一步使用的，相机通常是被配置为执行摄影的装置。如本文进一步使用的，术语数字摄影通常是指通过使用多个光敏元件来获取至少一个对象的图像信息的技术，该光敏元件被配置为生成指示照射强度和/或颜色的电信号，优选地数字电信号。如本文进一步使用的，术语3D摄影一般是指在三个空间维度中获取至少一个对象的图像信息的技术。因此，3D相机是一种被配置为执行3D摄影的装置。相机通常可以被配置为获取单个图像，诸如单个3D图像，或者可以被配置为获取多个图像，诸如图像序列。因此，相机也可以是被配置用于视频应用的视频相机，诸如用于获取数字视频序列。
因此，通常，本发明进一步涉及一种用于对至少一个对象进行成像的相机，具体地是数字相机，更具体地是3D相机或数字3D相机。如上概述，如本文所使用的术语成像通常是指获取至少一个对象的图像信息。相机包括根据本发明的至少一个检测器。如上概述，相机可以被配置为获取单个图像或用于获取多个图像(诸如图像序列)，优选地用于获取数字视频序列。因此，作为示例，相机可以是或可以包括视频相机。在后一种情况下，相机优选地包括用于存储图像序列的数据存储器。
如在本发明中使用的，表述“位置”通常是指关于对象的一个或多个点的绝对位置和取向中的一者或多者的至少一项信息。因此，具体地，可以在检测器的坐标系中(诸如在笛卡尔坐标系中)确定位置。然而，另外地或可替代地，可以使用其他类型的坐标系，诸如极坐标系和/或球坐标系。
如上所述并且如下面将进一步详细描述的，本发明优选地可以应用于人机界面领域、运动领域和/或计算机游戏领域。因此，优选地，对象可以选自包括以下项的组：运动器材物品，优选地选自球拍、球杆、球棒构成的组的物品；衣服、帽子、鞋子物品。其他实施例是可行的。
关于用于确定对象的位置的坐标系(其可以是检测器的坐标系)，检测器可以构成坐标系，其中检测器的光轴形成z轴，并且其中，另外地，可以提供与z轴垂直并且彼此垂直的x轴和y轴。作为示例，检测器和/或检测器的一部分可以停留在该坐标系中的特定点处，诸如在该坐标系的原点处。在该坐标系中，与z轴平行或反平行的方向可以被认为是纵向方向，并且沿z轴的坐标可以被认为是纵坐标。垂直于纵向方向的任意方向可以被认为是横向方向，并且x坐标和/或y坐标可以被认为是横坐标。
可替代地，可以使用其他类型的坐标系。因此，作为示例，可以使用极坐标系，其中光轴形成z轴并且其中距z轴的距离和极角可以用作附加坐标。同样，平行或反平行于z轴的方向可以被认为是纵向方向，并且沿着z轴的坐标可以被认为是纵坐标。垂直于z轴的任何方向都可以被认为是横向方向，并且极坐标和/或极角可以被认为是横坐标。
检测器可以是被配置为提供关于至少一个对象和/或其一部分的位置的至少一项信息的装置。因此，位置可以指完全地描述对象或其一部分(优选地)在检测器的坐标系中的位置的信息项，或者可以指仅部分地描述位置的部分信息。检测器通常可以被配置为检测光束(诸如从信标装置朝向检测器传播的光束)的装置。
评估装置和检测器可以完全或部分地集成到单个装置中。因此，通常，评估装置也可以形成检测器的一部分。可替代地，评估装置和检测器可以完全或部分地体现为单独的装置。检测器可以包括其他组件。
检测器可以是固定装置或移动装置。此外，检测器可以是独立装置或可以形成另一装置(诸如计算机、车辆或任何其他装置)的一部分。此外，检测器可以是手持装置。检测器的其他实施例是可行的。
评估装置可以是或可以包括一个或多个集成电路，诸如一个或多个专用集成电路(ASIC)，和/或一个或多个数据处理装置，诸如一个或多个计算机，优选是一个或多个微计算机和/或微控制器、现场可编程阵列、或数字信号处理器。可以包括附加组件，诸如一个或多个预处理装置和/或数据采集装置，诸如用于接收和/或预处理传感器信号的一个或多个装置，诸如一个或多个AD转换器和/或一个或多个滤波器。此外，评估装置可以包括一个或多个测量装置，诸如用于测量电流和/或电压的一个或多个测量装置。此外，评估装置可以包括一个或多个数据存储装置。此外，评估装置可以包括一个或多个接口，诸如一个或多个无线接口和/或一个或多个有线绑定接口。
至少一个评估装置可以被配置为执行至少一个计算机程序，诸如被配置为执行或支持根据本发明的方法的一个或多个或甚至所有方法步骤的至少一个计算机程序。作为示例，可以实现一种或多种算法，通过使用传感器信号作为输入变量，该算法可以确定对象的位置。
评估装置可以连接到或可以包括至少一个其他数据处理装置，该数据处理装置可以用于信息(诸如由光学传感器和/或由评估装置获得的信息)的显示、可视化、分析、分发、通信或进一步处理中的一种或多种。作为示例，数据处理装置可以连接到或合并有显示器、投影仪、监视器、LCD、TFT、扬声器、多声道声音系统、LED图案或其他可视化装置中的至少一个。它可以进一步连接到或合并有能够使用电子邮件、文本消息、电话、蓝牙、Wi-Fi、红外或互联网接口、端口或连接中的一种或多种来发送加密或未加密的信息的通信装置或通信接口、连接器或端口中的至少一者。它可以进一步连接到或结合有处理器、图形处理器、CPU、开放式多媒体应用平台(OMAPTM)、集成电路、片上系统(诸如来自Apple A系列或SamsungS3C2系列的产品)、微控制器或微处理器、一个或多个存储块(诸如ROM、RAM、EEPROM或闪存)、定时源(诸如振荡器或锁相环)、计数器定时器、实时定时器或加电重置发生器、电压调节器、电源管理电路、或DMA控制器中的至少一者。各个单元可以进一步通过诸如AMBA总线的总线进行连接，或者集成在物联网或工业4.0型网络中。
评估装置和/或数据处理装置可通过其他外部接口或端口连接，或者具有其他外部接口或端口，这些外部接口或端口例如为以下项中的一者或多者：串行或并行接口或端口、USB、Centronics端口、FireWire、HDMI、以太网、蓝牙、RFID、Wi-Fi、USART或SPI、或模拟接口或端口(例如ADC或DAC中的一个或多个)、或标准化接口或端口，用于连接到其他装置，例如使用诸如CameraLink之类的RGB接口的2D相机装置。评估装置和/或数据处理装置可进一步通过处理器间接口或端口、FPGA-FPGA接口，或串行或并行接口端口中的一者或多者来实现连接。评估装置和数据处理装置可进一步连接到光盘驱动器、CD-RW驱动器、DVD+RW驱动器、闪存驱动器、存储卡、磁盘驱动器、硬盘驱动器、固态盘或固态硬盘中的一者或多者。
评估装置和/或数据处理装置可通过一个或多个其他外部连接器实现连接，或者具有一个或多个其他外部连接器，所述一个或多个其他外部连接器例如为电话连接器、RCA连接器、VGA连接器、雌雄同体连接器、USB连接器、HDMI连接器、8P8C连接器、BCN连接器、IEC60320 C14连接器、光纤连接器、D超小型连接器、RF连接器、同轴连接器、SCART连接器、XLR连接器中的一者或多者，和/或可以包含用于这些连接器中的一者或多者的至少一个合适的插座。
包含一个或多个根据本发明的检测器、评估装置或数据处理装置(例如包含光学传感器、光学系统、评估装置、通信装置、数据处理装置、接口、片上系统、显示装置或其他电子装置中的一者或多者)的单个装置的可能的实施例是：移动电话、个人计算机、平板PC、电视机、游戏机或其他娱乐装置。在进一步的实施例中，将在下面更详细描述的3D相机功能可以被集成在可用于传统2D数字相机的装置中，而在该装置的壳体或外观上没有显著的差异，其中对于用户而言的显著差异可以仅是获得和/或处理3D信息的功能。此外，根据本发明的装置可用于360°数字相机或环视相机。
具体而言，包含检测器和/或其一部分(例如评估装置和/或数据处理装置)的实施例可以是：移动电话，其包含显示装置、数据处理装置、光学传感器、可选的传感器光学器件、以及评估装置，以用于3D相机的功能。根据本发明的检测器具体地可以适用于在娱乐装置和/或诸如移动电话的通信装置中集成。
人机界面可以包括多个信标装置，这些信标装置被配置为直接地或间接地附接到用户和由用户握持中的至少一种。因此，信标装置可以分别通过任何合适的手段(例如通过适当的固定装置)独立地附接到用户。附加地或替代地，用户可在他的或她的手中和/或通过在身体部位上穿戴至少一个信标装置和/或包含信标装置的衣服来握持和/或携带至少一个信标装置或信标装置中的一种或多种。
信标装置通常可以是可由至少一个检测器检测到和/或便于被至少一个检测器检测到的任意装置。因此，如上面描述或将在下面更详细描述的，信标装置可以是被配置为生成将由检测器检测的至少一个光束的有源信标装置，例如通过具有用于生成至少一个光束的一个或多个照射源。附加地或替代地，该信标装置可以完全或部分地被设计为无源信标装置，例如通过提供被配置为反射由单独的照射源生成的光束的一个或多个反射元件。所述至少一个信标装置可以以直接或间接的方式永久地或暂时地附接到用户和/或可以由用户携带或握持。可以通过使用一个或多个附接装置和/或由用户自己，例如通过用户手持所述至少一个信标装置和/或通过用户穿戴信标装置，来实现所述附接。
附加地或替代地，信标装置可以是附接到对象以及集成到用户握持的对象中的至少一种，就本发明而言，这应当被包括到用户握持信标装置的选项的含义中。因此，如下面更详细描述的，信标装置可以附接到或集成到控制元件中，该控制元件可以是人机界面的一部分，并且可以由用户握持或携带，其取向可以由检测器装置来识别。因此，一般而言，本发明还涉及一种检测器系统，其包括至少一个根据本发明的检测器装置，并且可以进一步包括至少一个对象，其中信标装置是被附接到对象、由对象握持以及集成到对象中的一种。作为示例，该对象优选地可以形成控制元件，该控制元件的取向可以被用户识别。因此，如上面描述或在下面进一步描述的，检测器系统可以是人机界面的一部分。作为示例，用户可以以特定方式操作控制元件，以便将一项或多项信息发送到机器，例如以便将一个或多个命令发送到机器。
替代地，可以以其他方式使用检测器系统。因此，作为示例，检测器系统的对象可以不同于用户或用户的身体部位，并且作为示例，可以是独立于用户移动的对象。作为示例，检测器系统可用于控制装置和/或工业过程，诸如制造过程和/或机器人过程。因此，作为示例，对象可以是机器和/或机器部件，诸如机器人手臂，其取向可以通过使用检测器系统来检测。
人机界面可以被配置为使得检测器装置生成关于用户或用户的至少一个身体部位的位置的至少一项信息。具体而言，在已知至少一个信标装置到用户的附接的方式的情况下，通过评估至少一个信标装置的位置，可以获得关于用户或用户的身体部位的位置和/或取向的至少一项信息。
信标装置优选地为可附接到用户的身体或身体部位的信标装置和可由用户握持的信标装置中的一者。如上所述，信标装置可以完全或部分地被设计为有源信标装置。因此，信标装置可以包括至少一个照射源，其被配置为产生至少一个将被传输到检测器的光束，该光束优选地为至少一个具有已知光束特性的光束。附加地或替代地，信标装置可以包括至少一个发射器，其被配置为反射由照射源产生的光，由此产生将被传输到检测器的反射光束。
可以形成检测器系统的一部分的对象通常可以具有任意的形状。优选地，如上所述，作为检测器系统的一部分的对象可以是可由用户(例如手动地)操作的控制元件。作为示例，控制元件可以是或可以包括从由包括以下项的组中选择的至少一个元件：手套、外套、帽子、鞋、裤子和套装、可用手握住的手杖、球棒、球杆、球拍、拐杖、玩具(例如玩具枪)。因此，作为示例，检测器系统可以是人机界面和/或娱乐装置的一部分。
如本文中所使用的，娱乐装置是可以用于一个或多个用户(在下文中也被称为一个或多个玩家)的休闲和/或娱乐目的的装置。作为示例，娱乐装置可以用于游戏的目的，优选地用于计算机游戏的目的。因此，娱乐装置可以被实现为计算机、计算机网络或计算机系统，或者可以包括运行一个或多个游戏软件程序的计算机、计算机网络或计算机系统。
娱乐装置包括至少一个根据本发明(例如根据上面公开的实施例中的一个或多个和/或根据下面公开的实施例中的一个或多个)的人机界面。娱乐装置被设计为允许由玩家借助人机界面输入至少一项信息。该至少一项信息可以被传输到娱乐装置的控制器和/或计算机，和/或可以由娱乐装置的控制器和/或计算机使用。该至少一项信息优选地可以包括被配置为影响游戏过程的至少一个命令。因此，作为示例，该至少一项信息可以包括与玩家和/或玩家的一个或多个身体部位的至少一个取向有关的至少一项信息，由此允许玩家模拟游戏所需的特定位置和/或取向和/或动作。作为示例，可以模拟以下移动中的一者或多者并且将其传达到娱乐装置的控制器和/或计算机：跳舞；跑步；跳跃；挥动球拍；挥动球棒；挥动球杆；将对象指向另一对象，例如将玩具枪指向目标。
作为一部分或整体的娱乐装置，优选地娱乐装置的控制器和/或计算机，被设计为根据信息改变娱乐功能。因此，如上所述，可以根据至少一项信息而影响游戏过程。因此，娱乐装置可以包括一个或多个控制器，该一个或多个控制器可以从至少一个检测器的评估装置分开和/或可以与至少一个评估装置完全或部分地相同，或者甚至可以包括至少一个评估装置。优选地，至少一个控制器可以包括一个或多个数据处理装置，例如一个或多个计算机和/或微控制器。
如本文进一步使用的，跟踪系统是被配置为收集与至少一个对象和/或关于该对象的至少一部分的一系列过去的位置有关的信息的装置。另外，跟踪系统可以被配置为提供与至少一个对象或该对象的至少一个部分的至少一个预测的未来位置和/或取向有关的信息。跟踪系统可以具有至少一个跟踪控制器，该至少一个跟踪控制器可以完全或部分地体现为电子装置，优选地体现为至少一个数据处理装置，更优选地体现为至少一个计算机或微控制器。此外，该至少一个跟踪控制器可以完全或部分地包括至少一个评估装置和/或可以是至少一个评估装置的一部分和/或可以与至少一个评估装置完全或部分地相同。
跟踪系统包括至少一个根据本发明的检测器，例如至少一个在上面列出的一个或多个实施例中公开的和/或在下面的一个或多个实施例中公开的检测器。跟踪系统进一步包括至少一个跟踪控制器。该跟踪控制器被配置为跟踪对象在特定时间点处的一系列位置，例如通过记录多组数据或数据对，每组数据或数据对包括至少一个位置信息和至少一个时间信息。
跟踪系统可以进一步包括至少一个根据本发明的检测器系统。因此，除了至少一个检测器和至少一个评估装置以及可选的至少一个信标装置之外，跟踪系统可以进一步包括对象本身或对象的一部分，例如至少一个控制元件，该至少一个控制元件包括信标装置或至少一个信标装置，其中控制元件直接或间接地附接到或集成到待跟踪的对象中。
跟踪系统可以被配置为发起跟踪系统本身和/或一个或多个单独装置的一个或多个动作。为了后一目的，跟踪系统，优选地跟踪控制器，可以具有用于发起至少一个动作的一个或多个无线和/或有线接口和/或其他类型的控制连接。优选地，至少一个跟踪控制器可以被配置为根据对象的至少一个实际位置来发起至少一个动作。作为示例，该动作可以从由包括以下项的组中选择：对对象的未来位置的预测；将至少一个装置指向对象；将至少一个装置指向检测器；照射对象；照射检测器。
作为跟踪系统的应用的示例，跟踪系统可以用于连续地将至少一个第一对象指向至少一个第二对象，即使第一对象和/或第二对象可能移动。另外，潜在的示例可以在工业应用中(例如在机器人技术中)找到，和/或用于连续地在物品上工作，即使该物品在移动，例如在制造线或装配线中的制造期间。附加地或替代地，跟踪系统可被用于照射目的，例如用于通过连续地将照射源指向对象而持续照射对象，即使对象可能正在移动。其他应用可以在通信系统中找到，例如以便通过将发送器指向移动的对象来持续向移动的对象发送信息。
在本发明的其他方面，公开了一种用于电子装置中的惯性测量单元。惯性测量单元适于接收由根据本发明的至少一个检测器确定的数据。惯性测量单元进一步适于接收由选自包括以下项的组中的至少一个其他传感器确定的数据：轮速传感器、转向率传感器、倾斜传感器、取向传感器、运动传感器、磁流体动力学传感器、力传感器、角度传感器、角速率传感器、磁场传感器、磁力计、加速度计；陀螺仪。惯性测量单元适于通过对来自检测器和至少一个其他传感器的数据进行评估来确定电子装置的至少一个特性，该特性选自以下各构成的组：空间位置、空间中的相对或绝对运动、旋转、加速度、取向、角度位置、倾角、转向率、速度。
惯性测量单元可以包括根据本发明的检测器和/或可以经由至少一个数据连接而被连接到检测器。惯性测量单元的评估装置和/或至少一个处理装置可以被配置为确定至少一个组合距离信息，特别地使用至少一个递归滤波器。递归滤波器可以被配置为考虑其他传感器数据和/或其他参数(诸如来自惯性测量单元的其他传感器的其他传感器数据)来确定组合距离信息。关于惯性测量单元的定义和实施例，参考检测器的描述。
总的来说，在本发明的上下文中，以下实施例被认为是优选的：
实施例1：一种用于识别至少一种材料特性m的检测器，包括：
-至少一个传感器元件，其包括光学传感器的矩阵，光学传感器各自具有光敏区域，其中，传感器元件被配置为记录源自至少一个对象的光束的至少一个反射图像；
-至少一个评估装置，其被配置为通过对反射图像的至少一个束轮廓的评估来确定材料特性，
其中，评估装置被配置为通过将至少一个距离相关的图像滤波器Ф1应用于反射图像来确定至少一个距离特征
其中，距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器；离焦深度滤波器；或其线性组合；或者是另一距离相关的图像滤波器
其通过
来与光子深度比滤波器和/或离焦深度滤波器或其线性组合相关，其中，Фz是光子深度比滤波器或离焦深度滤波器或其线性组合中的一者，
其中，评估装置被配置为通过将至少一个材料相关的图像滤波器Ф2应用于反射图像来确定至少一个材料特征
其中，材料相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器，诸如高斯滤波器或中值滤波器；基于灰度级发生的对比度滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；阈值区域滤波器；或其线性组合；或者是另一材料相关的图像滤波器
其通过
来与亮度滤波器、光斑形状滤波器、平方范数梯度、标准偏差、平滑滤波器、基于灰度级发生的能量滤波器、基于灰度级发生的同质性滤波器、基于灰度级发生的相异滤波器、劳氏能量滤波器、或阈值区域滤波器、或其线性组合中的一者或多者相关，其中Фm是亮度滤波器、光斑形状滤波器、平方范数梯度、标准偏差、平滑滤波器、基于灰度级发生的能量滤波器、基于灰度级发生的同质性滤波器、基于灰度级发生的相异滤波器、劳氏能量滤波器、或阈值区域滤波器、或其线性组合中的一者，
其中，评估装置被配置为通过评估距离特征
和材料特征
来确定纵坐标z和材料特性m。
实施例2：根据前一实施例的检测器，其中，材料相关的图像滤波器是通过假设检验的至少一个滤波器，其中，假设检验使用滤波器不区分材料分类器的零假设和滤波器区分至少两个材料分类器的替代假设，其中，如果p值p小于或等于预定义的显著性水平，则滤波器通过假设检验。
实施例3：根据前一实施例的检测器，其中，p≤0.075，优选地，p≤0.05，更优选地，p≤0.025，最优选地，p≤0.01。
实施例4：根据前述实施例中任一项的检测器，其中，至少一种材料特性是选自包括以下项的组中的特性：散射系数、半透明度、透明度、与朗伯表面反射的偏差、散斑等。
实施例5：根据前述实施例中任一项的检测器，其中，另一距离相关的图像滤波器
通过
来与距离相关的图像滤波器Фz中的一个或多个相关，优选地，
实施例6：根据前述实施例中任一项的检测器，其中，另一材料相关的图像滤波器
通过
来与材料相关的图像滤波器Фm中的一个或多个相关，优选地，
实施例7：根据前述实施例中任一项的检测器，其中，材料特性m和/或纵坐标z通过使用
与z、m之间的预定关系来确定。
实施例8：根据前述实施例中任一项的检测器，其中，材料特性m和/或纵坐标z由函数z
和/或m
确定。
实施例9：根据前述实施例中任一项的检测器，其中，评估装置被配置为将距离相关的图像滤波器和材料相关的图像滤波器同时应用于反射图像。
实施例10：根据前述实施例中的任一项的检测器，其中，评估装置被配置为确定Ф1或Ф2中的至少一者是否是其他图像滤波器的特征
或
的函数，或者Ф1或Ф2中的至少一者是否是至少一个其他图像滤波器的函数，其中，评估装置被配置为将距离相关的图像滤波器和材料相关的图像滤波器顺序地或递归地应用于反射图像。
实施例11：根据前一实施例的检测器，其中，评估装置被配置为通过将依赖于
和
中的至少一者的至少一个其他滤波器应用于反射图像来确定z和/或m中的至少一者。
实施例12：根据前述实施例中任一项的检测器，其中，光子深度比滤波器包括：对来自传感器元件的至少两个传感器信号的组合信号Q进行评估，其中，评估装置被配置为通过划分传感器信号、划分传感器信号的倍数、划分传感器信号的线性组合中的一种或多种来得出组合信号Q，其中，评估装置被配置为使用组合信号Q与距离特征
之间的至少一个预定关系来确定距离特征
实施例13：根据前一实施例的检测器，其中，评估装置被配置为通过以下来得出组合信号Q：
其中，x和y是横坐标，A1和A2是束轮廓的不同区域，并且E(x,y,zo)表示对象距离zo处给定的束轮廓，其中，传感器信号中的每一个包括从对象传播到检测器的光束的束轮廓的至少一个区域的至少一个信息。
实施例14：根据前一实施例的检测器，其中，光敏区域被布置为使得第一传感器信号包括束轮廓的第一区域的信息，以及第二传感器信号包括束轮廓的第二区域的信息，其中，束轮廓的第一区域和束轮廓的第二区域是相邻的或重叠的区域中的一者或两者。
实施例15：根据前一实施例的检测器，其中，评估装置被配置为确定束轮廓的第一区域和束轮廓的第二区域，其中，束轮廓的第一区域包括束轮廓的基本上边缘信息，以及束轮廓的第二区域包括束轮廓的基本上中心信息，其中，边缘信息包括与束轮廓的第一区域中的光子数量有关的信息，以及中心信息包括与束轮廓的第二区域中的光子数量有关的信息。
实施例16：根据前述实施例中任一项的检测器，其中，离焦深度滤波器包括：使用至少一种基于卷积的算法，诸如离焦深度算法，其中，评估装置被配置为通过优化至少一个模糊函数fa来确定距离特征
其中，通过改变至少一个模糊函数的参数来优化模糊函数。
实施例17：根据前一实施例的检测器，其中，反射图像是模糊图像ib，其中，评估装置被配置为从模糊图像ib和模糊函数fa来重建距离特征
其中，通过改变模糊函数的参数σ来最小化模糊函数fa和至少一个其他图像i’b的卷积与模糊图像ib之间的差，min‖(i′b*fa(σ(z))-ib)‖，来确定距离特征
实施例18：根据前述两个实施例中任一项的检测器，其中，至少一个模糊函数fa是由来自包括以下项的组中的至少一个函数所组成的函数或复合函数：高斯函数、正弦函数、抛物柱面函数、平方函数、洛伦兹函数、径向函数、多项式、埃尔米特多项式、泽尼克多项式、勒让德多项式。
实施例19：根据前述实施例中任一项的检测器，其中，传感器元件包括至少一个CMOS传感器。
实施例20：根据前述实施例中任一项的检测器，其中，检测器包括至少一个照射源，其中，照射源被配置为生成用于照射对象的至少一个照射图案，其中，照射图案包括选自包括以下项的组中的至少一种图案：至少一个点图案，特别地，伪随机点图案；随机点图案或准随机图案；至少一个Sobol图案；至少一个准周期图案；包括至少一个已知特征的至少一个图案；至少一个规则图案；至少一个三角形图案；至少一个六边形图案；至少一个矩形图案；包括凸出的均匀平铺的至少一个图案；包括至少一条线的至少一个线图案；包括诸如平行线或交叉线的至少两条线的至少一个线图案。
实施例21：根据前一实施例的检测器，其中，照射源包括至少一个激光源和至少一个衍射光学元件。
实施例22：根据前述两个实施例中任一项的检测器，其中，检测器包括至少两个传感器元件，每个传感器元件具有光学传感器的矩阵，其中，至少一个第一传感器元件和至少一个第二传感器元件位于不同的空间位置，其中，评估装置被配置为选择由第一传感器元件或第二传感器元件确定的至少一个图像来作为反射图像，并且被配置为选择由第一传感器元件或第二传感器元件中的另一个传感器元件确定的至少一个图像来作为参考图像。
实施例23：根据前一实施例的检测器，其中，评估装置被配置为选择反射图像的至少一个反射特征，其中，评估装置被配置为确定由距离特征
和误差区间±ε给出的反射图像中的所选反射特征的至少一个距离估计，其中，评估装置被配置为确定参考图像中与距离估计对应的至少一个位移区域，其中，评估装置被配置为将所选反射特征与位移区域内的至少一个参考特征相匹配，其中，评估装置被配置为确定所匹配的参考特征和所选反射特征的位移，其中，评估装置被配置为使用纵坐标与位移之间的预定关系来确定所匹配的特征的纵坐标。
实施例24：根据前一实施例的检测器，其中，参考图像和反射图像是在具有固定距离的不同空间位置处确定的对象的图像，其中，评估装置适于确定参考图像中的对极线，其中，位移区域沿对极线延伸，其中，评估装置适于确定与距离特征
对应的沿着对极线的参考特征并且确定与误差区间±ε对应的沿着对极线的位移区域的范围。
实施例25:一种用于识别至少一种材料特性m的检测器，包括：
-至少一个传感器元件，其包括光学传感器的矩阵，光学传感器各自具有光敏区域，其中，传感器元件被配置为记录源自至少一个对象的光束的至少一个反射图像；
-至少一个评估装置，其被配置为通过对反射图像的至少一个束轮廓的评估来确定材料特性，
其中，评估装置被配置为通过将至少一个距离相关的图像滤波器Ф1应用于反射图像来确定至少一个距离特征
其中，距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器；离焦深度滤波器；或其线性组合；或者是另一距离相关的图像滤波器
其通过
来与光子深度比滤波器和/或离焦深度滤波器或其线性组合相关，其中，Фz是光子深度比滤波器或离焦深度滤波器或其线性组合中的一者，
其中，评估装置被配置为通过将至少一个材料相关的图像滤波器Ф2应用于反射图像来确定至少一个材料特征
其中，材料相关的图像滤波器是通过假设检验的至少一个滤波器，其中，假设检验使用滤波器不区分材料分类器的零假设和滤波器区分至少两个材料分类器的替代假设，其中，如果p值p小于或等于预定义的显著性水平，则滤波器通过假设检验，
其中，评估装置被配置为通过评估距离特征
和材料特征
来确定纵坐标z和材料特性m。
实施例26：根据前一实施例的检测器，其中，假设检验基于束轮廓图像的数据集，其中，每个束轮廓图像对应于材料分类器和距离。
实施例27：根据实施例25和26中任一项的检测器，其中p≤0.075，优选地，p≤0.05，更优选地，p≤0.025，最优选地，p≤0.01。
实施例28：根据实施例25至27中任一项的检测器，其中，至少一种材料特性是选自包括以下项的组中的特性：散射系数、半透明度、透明度、与朗伯表面反射的偏差、散斑等。
实施例29：根据实施例25至28中任一项的检测器，其中，另一距离相关的图像滤波器
通过
来与距离相关的图像滤波器Фz中的一个或多个相关，优选地，
实施例30：根据实施例25至29中任一项的检测器，其中，另一材料相关的图像滤波器
通过
来与材料相关的图像滤波器Фm中的一个或多个相关，优选地，
实施例31：根据实施例25至30中任一项的检测器，其中，材料相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器，诸如高斯滤波器或中值滤波器；基于灰度级发生的对比度滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；阈值区域滤波器；或其线性组合；或者是另一材料相关的图像滤波器
其通过
来与亮度滤波器、光斑形状滤波器、平方范数梯度、标准偏差、平滑滤波器、基于灰度级发生的能量滤波器、基于灰度级发生的同质性滤波器、基于灰度级发生的相异滤波器、劳氏能量滤波器、或阈值区域滤波器、或其线性组合中的一者或多者相关，其中Фm是亮度滤波器、光斑形状滤波器、平方范数梯度、标准偏差、平滑滤波器、基于灰度级发生的能量滤波器、基于灰度级发生的同质性滤波器、基于灰度级发生的相异滤波器、劳氏能量滤波器、或阈值区域滤波器、或其线性组合中的一者。
实施例32：根据实施例25至31中任一项的检测器，其中，材料特性m和/或纵坐标z通过使用
与z、m之间的预定关系来确定。
实施例33：根据实施例25至32中任一项的检测器，其中，材料特性m和/或纵坐标z由函数z
和/或m
确定。
实施例34：根据实施例25至33中任一项的检测器，其中，评估装置被配置为将距离相关的图像滤波器和材料相关的图像滤波器同时应用于反射图像。
实施例35：根据实施例25至34中任一项的检测器，其中，评估装置被配置为确定Ф1或Ф2中的至少一者是否是其他图像滤波器的特征
或
的函数，或者Ф1或Ф2中的至少一者是否是至少一个其他图像滤波器的函数，其中，评估装置被配置为将距离相关的图像滤波器和材料相关的图像滤波器顺序地或递归地应用于反射图像。
实施例36：根据前一实施例的检测器，其中，评估装置被配置为通过将依赖于
和
中的至少一者的至少一个其他滤波器应用于反射图像来确定z和/或m中的至少一者。
实施例37：根据实施例25至36中任一项的检测器，其中，光子深度比滤波器包括：对来自传感器元件的至少两个传感器信号的组合信号Q进行评估，其中，评估装置被配置为通过划分传感器信号、划分传感器信号的倍数、划分传感器信号的线性组合中的一种或多种来得出组合信号Q，其中，评估装置被配置为使用组合信号Q与距离特征
之间的至少一个预定关系来确定距离特征
实施例38：根据前一实施例的检测器，其中，评估装置被配置为通过以下来得出组合信号Q：
其中，x和y是横坐标，A1和A2是束轮廓的不同区域，并且E(x,y,zo)表示对象距离zo处给定的束轮廓，其中，传感器信号中的每一个包括从对象传播到检测器的光束的束轮廓的至少一个区域的至少一个信息。
实施例39：根据前一实施例的检测器，其中，光敏区域被布置为使得第一传感器信号包括束轮廓的第一区域的信息，以及第二传感器信号包括束轮廓的第二区域的信息，其中，束轮廓的第一区域和束轮廓的第二区域是相邻的或重叠的区域中的一者或两者。
实施例40：根据前一实施例的检测器，其中，评估装置被配置为确定束轮廓的第一区域和束轮廓的第二区域，其中，束轮廓的第一区域包括束轮廓的基本上边缘信息，以及束轮廓的第二区域包括束轮廓的基本上中心信息，其中，边缘信息包括与束轮廓的第一区域中的光子数量有关的信息，以及中心信息包括与束轮廓的第二区域中的光子数量有关的信息。
实施例41：根据实施例25至40中任一项的检测器，其中，离焦深度滤波器包括：使用至少一种基于卷积的算法，诸如离焦深度算法，其中，评估装置被配置为通过优化至少一个模糊函数fa来确定距离特征
其中，通过改变至少一个模糊函数的参数来优化模糊函数。
实施例42：根据前一实施例的检测器，其中，反射图像是模糊图像ib，其中，评估装置被配置为从模糊图像ib和模糊函数fa来重建距离特征
其中，通过改变模糊函数的参数σ来最小化模糊函数fa和至少一个其他图像i’b的卷积与模糊图像ib之间的差，min‖(i′b*fa(σ(z))-ib)‖，来确定距离特征
实施例43：根据实施例25至42中任一项的检测器，其中，至少一个模糊函数fa是由来自包括以下项的组中的至少一个函数所组成的函数或复合函数：高斯函数、正弦函数、抛物柱面函数、平方函数、洛伦兹函数、径向函数、多项式、埃尔米特多项式、泽尼克多项式、勒让德多项式。
实施例44：根据实施例25至43中任一项的检测器，其中，传感器元件包括至少一个CMOS传感器。
实施例45：根据实施例25至44中任一项的检测器，其中，检测器包括至少一个照射源，其中，照射源被配置为生成用于照射对象的至少一个照射图案，其中，照射图案包括选自包括以下项的组中的至少一种图案：至少一个点图案，特别地，伪随机点图案；随机点图案或准随机图案；至少一个Sobol图案；至少一个准周期图案；包括至少一个已知特征的至少一个图案；至少一个规则图案；至少一个三角形图案；至少一个六边形图案；至少一个矩形图案；包括凸出的均匀平铺的至少一个图案；包括至少一条线的至少一个线图案；包括诸如平行线或交叉线的至少两条线的至少一个线图案。
实施例46：根据前一实施例的检测器，其中，照射源包括至少一个激光源和至少一个衍射光学元件。
实施例47：根据前述两个实施例中任一项的检测器，其中检测器包括至少两个传感器元件，每个传感器元件具有光学传感器的矩阵，其中，至少一个第一传感器元件和至少一个第二传感器元件位于不同的空间位置，其中，评估装置被配置为选择由第一传感器元件或第二传感器元件确定的至少一个图像来作为反射图像，并且被配置为选择由第一传感器元件或第二传感器元件中的另一个传感器元件确定的至少一个图像来作为参考图像。
实施例48：根据前一实施例的检测器，其中，评估装置被配置为选择反射图像的至少一个反射特征，其中，评估装置被配置为确定由距离特征
和误差区间±ε给出的反射图像中的所选反射特征的至少一个距离估计，其中，评估装置被配置为确定参考图像中与距离估计对应的至少一个位移区域，其中，评估装置被配置为将所选反射特征与位移区域内的至少一个参考特征相匹配，其中，评估装置被配置为确定所匹配的参考特征和所选反射特征的位移，其中，评估装置被配置为使用纵坐标与位移之间的预定关系来确定所匹配的特征的纵坐标。
实施例49：根据前一实施例的检测器，其中，参考图像和反射图像是在具有固定距离的不同空间位置处确定的对象的图像，其中，评估装置适于确定参考图像中的对极线，其中，位移区域沿对极线延伸，其中，评估装置适于确定与距离特征
对应的沿着对极线的参考特征并且确定与误差区间±ε对应的沿着对极线的位移区域的范围。
实施例50：一种用于识别至少一种材料特性m的检测器，包括：
-至少一个传感器元件，其包括光学传感器的矩阵，光学传感器各自具有光敏区域，其中，传感器元件被配置为记录源自至少一个对象的光束的至少一个反射图像；
-至少一个评估装置，其被配置为通过对反射图像的至少一个束轮廓的评估来确定材料特性，
其中，评估装置被配置为通过将至少一个距离相关的图像滤波器Ф1应用于反射图像来确定至少一个距离特征
其中，距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器；离焦深度滤波器；或其线性组合；或者是另一距离相关的图像滤波器
其通过
来与光子深度比滤波器和/或离焦深度滤波器或其线性组合相关，其中，Фz是光子深度比滤波器或离焦深度滤波器或其线性组合中的一者，
其中，评估装置被配置为通过将至少一个材料相关的图像滤波器Ф2应用于反射图像来确定至少一个材料特征
其中，评估装置被配置为通过评估距离特征
和材料特征
来确定纵坐标z和材料特性m。
实施例51：根据前一实施例的检测器，其中，材料相关的图像滤波器是通过假设检验的至少一个滤波器，其中，假设检验使用滤波器不区分材料分类器的零假设和滤波器区分至少两个材料分类器的替代假设，其中，如果p值p小于或等于预定义的显著性水平，则滤波器通过假设检验。
实施例52：根据前一实施例的检测器，其中，假设检验基于束轮廓图像的数据集，其中，每个束轮廓图像对应于材料分类器和距离。
实施例53：根据实施例50和52中任一项的检测器，其中p≤0.075，优选地，p≤0.05，更优选地，p≤0.025，最优选地，p≤0.01。
实施例54：根据实施例50至53中任一项的检测器，其中，至少一种材料特性是选自包括以下项的组中的特性：散射系数、半透明度、透明度、与朗伯表面反射的偏差、散斑等。
实施例55：根据实施例50至54中任一项的检测器，其中，另一距离相关的图像滤波器
通过
来与距离相关的图像滤波器Фz中的一个或多个相关，优选地，
实施例56：根据实施例50至55中任一项的检测器，其中，另一材料相关的图像滤波器
通过
来与材料相关的图像滤波器Фm中的一个或多个相关，优选地，
实施例57：根据实施例50至56中任一项的检测器，其中，材料相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器，诸如高斯滤波器或中值滤波器；基于灰度级发生的对比度滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；阈值区域滤波器；或其线性组合；或者是另一材料相关的图像滤波器
其通过
来与亮度滤波器、光斑形状滤波器、平方范数梯度、标准偏差、平滑滤波器、基于灰度级发生的能量滤波器、基于灰度级发生的同质性滤波器、基于灰度级发生的相异滤波器、劳氏能量滤波器、或阈值区域滤波器、或其线性组合中的一者或多者相关，其中Фm是亮度滤波器、光斑形状滤波器、平方范数梯度、标准偏差、平滑滤波器、基于灰度级发生的能量滤波器、基于灰度级发生的同质性滤波器、基于灰度级发生的相异滤波器、劳氏能量滤波器、或阈值区域滤波器、或其线性组合中的一者。
实施例58：根据实施例50至57中任一项的检测器，其中，材料特性m和/或纵坐标z通过使用
与z、m之间的预定关系来确定。
实施例59：根据实施例50至58中任一项的检测器，其中，材料特性m和/或纵坐标z由函数z
和/或m
确定。
实施例60：根据实施例50至59中任一项的检测器，其中，评估装置被配置为将距离相关的图像滤波器和材料相关的图像滤波器同时应用于反射图像。
实施例61：根据实施例50至60中任一项的检测器，其中，评估装置被配置为确定Ф1或Ф2中的至少一者是否是其他图像滤波器的特征
或
的函数，或者Ф1或Ф2中的至少一者是否是至少一个其他图像滤波器的函数，其中，评估装置被配置为将距离相关的图像滤波器和材料相关的图像滤波器顺序地或递归地应用于反射图像。
实施例62：根据前一实施例的检测器，其中，评估装置被配置为通过将依赖于
和
中的至少一者的至少一个其他滤波器应用于反射图像来确定z和/或m中的至少一者。
实施例63：根据实施例50至62中任一项的检测器，其中，光子深度比滤波器包括：对来自传感器元件的至少两个传感器信号的组合信号Q进行评估，其中，评估装置被配置为通过划分传感器信号、划分传感器信号的倍数、划分传感器信号的线性组合中的一种或多种来得出组合信号Q，其中，评估装置被配置为使用组合信号Q与距离特征
之间的至少一个预定关系来确定距离特征
实施例64：根据前一实施例的检测器，其中，评估装置被配置为通过以下来得出组合信号Q：
其中，x和y是横坐标，A1和A2是束轮廓的不同区域，并且E(x,y,zo)表示对象距离zo处给定的束轮廓，其中，传感器信号中的每一个包括从对象传播到检测器的光束的束轮廓的至少一个区域的至少一个信息。
实施例65：根据前一实施例的检测器，其中，光敏区域被布置为使得第一传感器信号包括束轮廓的第一区域的信息，以及第二传感器信号包括束轮廓的第二区域的信息，其中，束轮廓的第一区域和束轮廓的第二区域是相邻的或重叠的区域中的一者或两者。
实施例66：根据前一实施例的检测器，其中，评估装置被配置为确定束轮廓的第一区域和束轮廓的第二区域，其中，束轮廓的第一区域包括束轮廓的基本上边缘信息，以及束轮廓的第二区域包括束轮廓的基本上中心信息，其中，边缘信息包括与束轮廓的第一区域中的光子数量有关的信息，以及中心信息包括与束轮廓的第二区域中的光子数量有关的信息。
实施例67：根据实施例50至66中任一项的检测器，其中，离焦深度滤波器包括：使用至少一种基于卷积的算法，诸如离焦深度算法，其中，评估装置被配置为通过优化至少一个模糊函数fa来确定距离特征
其中，通过改变至少一个模糊函数的参数来优化模糊函数。
实施例68：根据前一实施例的检测器，其中，反射图像是模糊图像ib，其中，评估装置被配置为从模糊图像ib和模糊函数fa来重建距离特征
其中，通过改变模糊函数的参数σ来最小化模糊函数fa和至少一个其他图像i’b的卷积与模糊图像ib之间的差，min‖(i′b*fa(σ(z))-ib)‖，来确定距离特征
实施例69：根据实施例50至68中任一项的检测器，其中，至少一个模糊函数fa是由来自包括以下项的组中的至少一个函数所组成的函数或复合函数：高斯函数、正弦函数、抛物柱面函数、平方函数、洛伦兹函数、径向函数、多项式、埃尔米特多项式、泽尼克多项式、勒让德多项式。
实施例70：根据实施例50至69中任一项的检测器，其中，传感器元件包括至少一个CMOS传感器。
实施例71：根据实施例50至70中任一项的检测器，其中，检测器包括至少一个照射源，其中，照射源被配置为生成用于照射对象的至少一个照射图案，其中，照射图案包括选自包括以下项的组中的至少一种图案：至少一个点图案，特别地，伪随机点图案；随机点图案或准随机图案；至少一个Sobol图案；至少一个准周期图案；包括至少一个已知特征的至少一个图案；至少一个规则图案；至少一个三角形图案；至少一个六边形图案；至少一个矩形图案；包括凸出的均匀平铺的至少一个图案；包括至少一条线的至少一个线图案；包括诸如平行线或交叉线的至少两条线的至少一个线图案。
实施例72：根据前一实施例的检测器，其中，照射源包括至少一个激光源和至少一个衍射光学元件。
实施例73：根据前述两个实施例中任一项的检测器，其中检测器包括至少两个传感器元件，每个传感器元件具有光学传感器的矩阵，其中，至少一个第一传感器元件和至少一个第二传感器元件位于不同的空间位置，其中，评估装置被配置为选择由第一传感器元件或第二传感器元件确定的至少一个图像来作为反射图像，并且被配置为选择由第一传感器元件或第二传感器元件中的另一个传感器元件确定的至少一个图像来作为参考图像。
实施例74：根据前一实施例的检测器，其中，评估装置被配置为选择反射图像的至少一个反射特征，其中，评估装置被配置为确定由距离特征
和误差区间±ε给出的反射图像中的所选反射特征的至少一个距离估计，其中，评估装置被配置为确定参考图像中与距离估计对应的至少一个位移区域，其中，评估装置被配置为将所选反射特征与位移区域内的至少一个参考特征相匹配，其中，评估装置被配置为确定所匹配的参考特征和所选反射特征的位移，其中，评估装置被配置为使用纵坐标与位移之间的预定关系来确定所匹配的特征的纵坐标。
实施例75：根据前一实施例的检测器，其中，参考图像和反射图像是在具有固定距离的不同空间位置处确定的对象的图像，其中，评估装置适于确定参考图像中的对极线，其中，位移区域沿对极线延伸，其中，评估装置适于确定与距离特征
对应的沿着对极线的参考特征并且确定与误差区间±ε对应的沿着对极线的位移区域的范围。
实施例76：一种检测器系统，该检测器系统包括至少一个根据实施例1至24、25至49、或50至75中任一项的检测器，检测器系统进一步包括适于将至少一个光束朝向检测器引导的至少一个信标装置，其中，信标装置是可附接到对象、可由对象保持、以及可集成到对象中的至少一种。
实施例77：一种用于在用户与机器之间交换至少一项信息的人机界面，其中，人机界面包括至少一个根据前一实施例的检测器系统，其中，至少一个信标装置适于是被直接或间接地附接到用户和由用户保持中的至少一种，其中，人机界面被设计为借助于检测器系统来确定用户的至少一个位置，其中，人机界面被设计为向位置分配至少一项信息。
实施例78：一种用于执行至少一个娱乐功能的娱乐装置，其中，娱乐装置包括至少一个根据前一实施例的人机界面，其中，娱乐装置被设计为使能玩家借助于人机界面输入至少一项信息，其中，娱乐装置被设计为根据信息改变娱乐功能。
实施例79：一种用于跟踪至少一个可移动对象的位置的跟踪系统，跟踪系统包括至少一个根据涉及检测器系统的前述实施例中任一项的检测器系统，跟踪系统进一步包括至少一个跟踪控制器，其中，跟踪控制器适于跟踪对象在特定时间点的一系列位置。
实施例80：一种用于确定场景的深度轮廓的扫描系统，该扫描系统包括至少一个根据实施例1至24、25至49、或50至75中任一项的检测器，该扫描系统进一步包括适于用至少一个光束扫描场景的至少一个照射光源。
实施例81：一种用于对至少一个对象成像的相机，该相机包括至少一个根据实施例1至24、25至49、或50至75中任一项的检测器。
实施例82：一种在电子装置中使用的惯性测量单元，其中，惯性测量单元适于接收由至少一个根据实施例1至24、25至49、或50至75中任一项的检测器所确定的数据，其中，惯性测量单元进一步适于接收由至少一个其他传感器所确定的数据，其他传感器选自包括以下项的组：轮速传感器、转向率传感器、倾斜传感器、取向传感器、运动传感器、磁流体动力学传感器、力传感器、角度传感器、角速率传感器、磁场传感器、磁力计、加速度计；陀螺仪，其中，惯性测量单元适于通过对来自检测器和至少一个其他传感器的数据进行评估来确定电子装置的至少一种特性，至少一种特性选自包括以下项的组：空间位置、空间中的相对或绝对运动、旋转、加速度、取向、角度位置、倾角、转向率、速度。
实施例83：一种用于通过使用至少一个根据前述实施例中任一项的检测器来确定至少一个对象的至少一种材料特性的方法，方法包括以下步骤：
a)通过使用具有光学传感器的矩阵的至少一个传感器元件来确定对象的至少一个反射图像，光学传感器各自具有光敏区域；
b)通过使用至少一个评估装置对反射图像的至少一个束轮廓进行评估来确定材料特性，其中，评估包括：
b1)通过将至少一个距离相关的图像滤波器Ф1应用于反射图像来确定至少一个距离特征
其中，距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器；离焦深度滤波器；或其线性组合；或者是另一距离相关的图像滤波器
其通过
来与光子深度比滤波器和/或离焦深度滤波器或其线性组合相关，其中，Фz是光子深度比滤波器或离焦深度滤波器或其线性组合中的一者，
b2)通过将至少一个材料相关的图像滤波器Ф2应用于反射图像来确定至少一个材料特征
其中，材料相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器，诸如高斯滤波器或中值滤波器；基于灰度级发生的对比度滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；阈值区域滤波器；或其线性组合；或者是另一材料相关的图像滤波器
其通过
来与亮度滤波器、光斑形状滤波器、平方范数梯度、标准偏差、平滑滤波器、基于灰度级发生的能量滤波器、基于灰度级发生的同质性滤波器、基于灰度级发生的相异滤波器、劳氏能量滤波器、或阈值区域滤波器或其线性组合中的一者或多者相关，其中Фm是亮度滤波器、光斑形状滤波器、平方范数梯度、标准偏差、平滑滤波器、基于灰度级发生的能量滤波器、基于灰度级发生的同质性滤波器、基于灰度级发生的相异滤波器、劳氏能量滤波器、或阈值区域滤波器或其线性组合中的一者，
b3)通过评估距离特征
和材料特征
来确定纵坐标z和材料特性m。
实施例84：一种用于通过使用至少一个根据实施例25至49中任一项的检测器来确定至少一个对象的至少一个材料特性的方法，该方法包括以下步骤：
a)通过使用具有光学传感器的矩阵的至少一个传感器元件来确定对象的至少一个反射图像，光学传感器各自具有光敏区域；
b)通过使用至少一个评估装置对反射图像的至少一个束轮廓进行评估来确定材料特性，其中，评估包括：
b1)通过将至少一个距离相关的图像滤波器Ф1应用于反射图像来确定至少一个距离特征
其中，距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器；离焦深度滤波器；或其线性组合；或者是另一距离相关的图像滤波器
其通过
来与光子深度比滤波器和/或离焦深度滤波器或其线性组合相关，其中，Фz是光子深度比滤波器或离焦深度滤波器或其线性组合中的一者，
b2)通过将至少一个材料相关的图像滤波器Ф2应用于反射图像来确定至少一个材料特征
其中，材料相关的图像滤波器是通过假设检验的至少一个滤波器，其中，假设检验使用滤波器不区分材料分类器的零假设和滤波器区分至少两个材料分类器的替代假设，其中，如果p值p小于或等于预定义的显著性水平，则滤波器通过假设检验，
b3)通过评估距离特征
和材料特征
来确定纵坐标z和材料特性m。
实施例85：一种用于通过使用至少一个根据实施例50至75中任一项的检测器来确定至少一个对象的至少一个材料特性的方法，该方法包括以下步骤：
a)通过使用具有光学传感器的矩阵的至少一个传感器元件来确定对象的至少一个反射图像，光学传感器各自具有光敏区域；
b)通过使用至少一个评估装置对反射图像的至少一个束轮廓进行评估来确定材料特性，其中，评估包括：
b1)通过将至少一个距离相关的图像滤波器Ф1应用于反射图像来确定至少一个距离特征
其中，距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器；离焦深度滤波器；或其线性组合；或者是另一距离相关的图像滤波器
其通过
来与光子深度比滤波器和/或离焦深度滤波器或其线性组合相关，其中，Фz是光子深度比滤波器或离焦深度滤波器或其线性组合中的一者，
b2)通过将至少一个材料相关的图像滤波器Ф2应用于反射图像来确定至少一个材料特征
b3)通过评估距离特征
和材料特征
来确定纵坐标z和材料特性m。
实施例86：一种根据实施例1至24、25至49、或50至75中任一项的检测器的用途，出于使用目的，用途选自包括以下项的组：交通技术中的位置测量；娱乐应用；安全性应用；监视应用；安全应用；人机界面应用；物流应用；跟踪应用；户外应用；移动应用；通信应用；摄影应用；机器视觉应用；机器人应用；质量控制应用；制造应用。
附图说明
通过结合从属权利要求的以下优选示例性实施例的描述，本发明的其它可选细节和特征是显而易见的。在该上下文中，可以以孤立的方式或与其它特征组合地实现特定特征。本发明不限于示例性实施例。在附图中示意性地示出了示例性实施例。在各个附图中，相同的附图标记指代相同的元件或具有相同功能的元件，或者关于其功能彼此对应的元件。
具体地，在附图中：
图1示出了根据本发明的检测器的实施例；
图2示出了被应用于数据集的光斑形状材料相关的图像滤波器的所得材料特征的统计数据；以及
图3示出了束轮廓图像。
具体实施方式
图1以高度示意性的方式示出了用于识别至少一个对象112的至少一种材料特性m的检测器110的实施例。检测器110包括具有光学传感器120的矩阵118的至少一个传感器元件116。光学传感器120各自具有光敏区域122。
传感器元件116可以形成为单一的单个装置或形成为多个装置的组合。矩阵118具体地可以是或者可以包括具有一行或多行和一列或多列的矩形矩阵。行和列具体地可以以矩形方式布置。然而，其他布置也是可行的，诸如非矩形布置。作为示例，圆形布置也是可行的，其中元件围绕中心点布置成同心圆或椭圆。例如，矩阵118可以是单行像素。其他布置也是可行的。
矩阵118的光学传感器120具体地可以在尺寸、灵敏度和其他光学、电学和机械特性中的一个或多个方面相等。矩阵118中所有光学传感器120的光敏区域122具体地可以位于公共平面中，公共平面优选地面向对象112，以使得从对象传播到检测器110的光束可以在公共平面上生成光斑。光敏区域122可以具体地位于相应光学传感器120的表面上。然而，其他实施例也是可行的。光学传感器120可以包括例如至少一个CCD和/或CMOS装置。作为示例，光学传感器120可以是像素化光学装置的一部分或构成像素化光学装置。作为示例，光学传感器120可以是具有像素矩阵的至少一个CCD和/或CMOS装置的一部分或构成具有像素矩阵的至少一个CCD和/或CMOS装置，每个像素形成光敏区域122。
光学传感器120具体地可以是或者可以包括光电检测器，优选地，无机光电检测器，更优选地，无机半导体光电检测器，最优选地，硅光电检测器。具体地，光学传感器120可以在红外光谱范围内敏感。矩阵118中所有光学传感器120或矩阵118中的至少一组光学传感器120具体地可以是相同的。矩阵118中相同光学传感器120的组可以具体地被提供用于不同的光谱范围，或者所有光学传感器在光谱灵敏度方面可以是相同的。此外，光学传感器120在尺寸上和/或关于它们的电子或光电特性可以是相同的。矩阵118可以由独立的光学传感器120组成。因此，可以组成无机光电二极管的矩阵118。然而，可替代地，可以使用可商购的矩阵，诸如CCD检测器(诸如CCD检测器芯片)和/或CMOS检测器(诸如CMOS检测器芯片)中的一者或多者。
光学传感器120可以形成传感器阵列或者可以是传感器阵列的一部分，诸如上述矩阵。因此，作为示例，检测器110可以包括像素阵列，诸如矩形阵列，具有m行和n列，其中m、n独立地为正整数。优选地，给出多于一列和多于一行，即，n>1，m>1。因此，作为示例，n可以是2到16或更高并且m可以是2到16或更高。优选地，行数与列数之比接近1。作为示例，n和m可以被选择为使得0.3≤m/n≤3，诸如通过选择m/n＝1:1、4:3、16:9或类似的值。作为示例，阵列可以是方形阵列，具有相同数量的行和列，诸如通过选择m＝2、n＝2或m＝3、n＝3等。
矩阵118具体地可以是具有至少一行(优选为多个行)和多个列的矩形矩阵。作为示例，行和列可以基本上垂直定向。为了提供宽范围的视图，矩阵118特别地可以具有至少10行，优选地至少50行，更优选地至少100行。类似地，矩阵可具有至少10列，优选地至少50列，更优选地至少100列。矩阵118可以包括至少50个光学传感器120，优选地至少100个光学传感器120，更优选地至少500个光学传感器120。矩阵118可以包括数百万像素范围内的多个像素。然而，其他实施例是可行的。
检测器110可以进一步包括照射源124。作为示例，照射源124可以被配置为生成用于照射对象112的照射光束126。检测器110可以被配置为使得照射光束126沿着检测器110的光轴128从检测器110朝向对象112传播。为此，检测器110可以包括至少一个反射元件，优选地，至少一个棱镜，用于偏转到光轴128上的照射光束。
照射源124可以包括至少一个光源。照射源124可以包括多个光源。照射源124可以包括人工照射源，具体地，至少一个激光源和/或至少一个白炽灯和/或至少一个半导体光源，例如至少一个发光二极管，具体地，有机和/或无机发光二极管。作为示例，由照射源124发出的光可以具有300至1100nm(特别地，500至1100nm)的波长。另外或可替代地，可以使用红外光谱范围内(诸如780nm至3.0μm的范围内)的光。具体地，可以使用近红外区域中的具体在700nm至1100nm的范围内适用硅光电二极管的一部分的光。使用近红外区域中的光使得光无法或仅微弱地被人眼检测到，并且仍然可以被硅传感器，特别是标准硅传感器检测到。照射源124可以适于发射单一波长的光。在其他实施例中，照射可以适于发射具有多个波长的光，从而允许在其他波长通道中的附加测量。光源可以是或者可以包括至少一个多束光源。例如，光源可以包括至少一个激光源和一个或多个衍射光学元件(DOE)。
具体地，照射源124可以包括至少一个激光器和/或激光源。可以采用各种类型的激光器，诸如半导体激光器、双异质结构激光器、外腔激光器、分离限制异质结构激光器、量子级联激光器、分布式布拉格反射器激光器、极化子激光器、混合硅激光器、扩展腔二极管激光器、量子点激光器、体布拉格光栅激光器、砷化铟激光器、晶体管激光器、二极管泵浦激光器、分布式反馈激光器、量子阱激光器、带间级联激光器、砷化镓激光器、半导体环激光器、扩展腔二极管激光器或垂直腔表面发射激光器。另外或可替代地，可以使用非激光光源，诸如LED和/或灯泡。照射源124可以包括适于生成照射图案的一个或多个衍射光学元件(DOE)。例如，照射源124可以适于生成和/或投影点云，例如照射源124可以包括至少一个数字光处理投影仪、至少一个LCoS投影仪、至少一个空间光调制器；至少一个衍射光学元件；至少一个发光二极管阵列；至少一个激光光源阵列中的一者或多者。考虑到它们的被一般定义的束轮廓和其他可操作性特性，特别优选地使用至少一个激光源作为照射源。照射源124可以集成到检测器110的壳体中。
照射光束126可以从对象112朝向检测器110传播。检测器110可以用于主动和/或被动照射场景。例如，至少一个照射源124可以适于照射对象112，例如，通过将光束朝向对象112引导，该对象112反射该光束。除了至少一个照射源124之外或替代地，检测器110可以使用场景中已经存在(诸如来自至少一个环境光源)的辐射。
照射源124可以用至少一种照射图案来照射至少一个对象112。照射图案可以包括多个点来作为图像特征。这些点被示为从照射源124发出的光束126。
检测器110可以包括至少一个传递装置129，该传递装置129包括以下中的一者或多者：至少一个透镜，例如选自包括以下项的组的至少一个透镜：至少一个聚焦可调透镜、至少一个非球面透镜、至少一个球面透镜、至少一个菲涅耳透镜；至少一个衍射光学元件；至少一个凹面镜；至少一个束偏转元件，优选至少一个反射镜；至少一个分束元件，优选分束立方体或分束镜中的至少一者；至少一个多透镜系统。特别地，传递装置129可以包括至少一个准直透镜，该准直透镜适于将至少一个物点聚焦在图像平面中。
每个光学传感器120可以被设计为响应于由从对象112传播到检测器110的反射光束130对其相应的光敏区域122进行照射而生成至少一个传感器信号。传感器元件116可以被配置为确定由反射光束130在光学传感器120上生成的至少一个反射特征的至少一个反射图像。反射图像可以是通过使用传感器元件116记录的数据，诸如来自成像装置的多个电子读数，诸如传感器元件116的像素。反射图像本身可以包括像素，图像的像素与传感器元件116的矩阵118的像素相关。矩阵118可以包括反射图像126。例如，在用点图案进行照射的情况下，反射图像可以包括点以作为反射特征。这些点可以由源自至少一个对象112的反射光束130产生。
传感器元件116可以被配置为记录反射图像的至少一个反射特征的束轮廓。检测器110包括至少一个评估装置132。评估装置132可以被配置为识别和/或选择由传感器元件116提供的反射图像中的至少一个反射特征，具体地，至少一个光斑。评估装置132可以被配置为执行至少一个图像分析和/或图像处理以便识别反射特征。图像分析和/或图像处理可以使用至少一种特征检测算法。图像分析和/或图像处理可以包括以下一项或多项：滤波；选择至少一个关注区域；形成由传感器信号产生的图像与至少一个偏移之间的差异图像；通过反转由传感器信号产生的图像来反转传感器信号；形成由不同时间处的传感器信号产生的图像之间的差异图像；背景校正；分解成颜色通道；分解成色调、饱和、以及亮度通道；频率分解；奇异值分解；应用光斑检测器；应用角点检测器；应用黑塞滤波器的行列式；应用基于主曲率的区域检测器；应用最大稳定的极值区域检测器；应用广义霍夫变换；应用脊检测器；应用仿射不变特征检测器；应用仿射适应的关注点算子；应用哈里斯仿射区域检测器；应用黑塞仿射区域检测器；应用尺度不变特征变换；应用尺度空间极值检测器；应用局部特征检测器；应用加速鲁棒特征算法；应用梯度位置和取向直方图算法；应用取向梯度描述符的直方图；应用Deriche边缘检测器；应用差分边缘检测器；应用时空关注点检测器；应用Moravec角点检测器；应用Canny边缘检测器；应用高斯滤波器的拉普拉斯算子；应用高斯差分滤波器；应用索贝尔算子；应用拉普拉斯算子；应用Scharr算子；应用Prewitt算子；应用Roberts算子；应用Kirsch算子；应用高通滤波器；应用低通滤波器；应用傅立叶变换；应用Radon变换；应用霍夫变换；应用小波变换；阈值转换法；创建二进制图像。具体地，反射图像的评估包括选择反射图像中的关注区域。关注区域可以由用户手动确定或者可以自动确定，诸如通过辨别传感器元件116生成的图像内的对象。例如，在点状反射特征的情况下，可以选择关注区域来作为光斑轮廓周围的区域。
评估装置132可以被配置为通过对反射图像的束轮廓进行评估来确定材料特性m。反射图像的束轮廓可以选自包括以下项的组：梯形束轮廓；三角形束轮廓；锥形束轮廓、以及高斯束轮廓的线性组合。评估装置132可以被配置为将至少一个距离相关的图像滤波器和至少一个材料相关的图像滤波器应用于束轮廓和/或束轮廓的至少一个特定区域。具体地，图像滤波器Ф将图像f或图像中的关注区域映射到实数上，
其中
表示特征，特别地，该特征是在距离相关的图像滤波器的情况下的距离特征和在材料相关的图像滤波器的情况下的材料特征。图像可能经受噪声，并且对于特征也是如此。因此，特征可能是随机变量。特征可以是正态分布的。如果特征不是正态分布的，则可以诸如通过Box-Cox变换将它们变换为正态分布。
评估装置132被配置为通过将至少一个距离相关的图像滤波器Ф1应用于反射图像来确定至少一个距离特征
距离特征可以是或者可以包括关于对象112的距离的至少一种信息，诸如对象112的距离的至少一种度量、距离值、对象的纵坐标等。距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器；离焦深度滤波器；或其线性组合；或者是另一距离相关的图像滤波器
其通过
来与光子深度比滤波器和/或离焦深度滤波器或其线性组合相关，其中Фz是光子深度比滤波器或离焦深度滤波器或其线性组合中的一者。另一距离相关的图像滤波器
可以通过
优选地通过
来与距离相关的图像滤波器Фz中的一个或多个相关。两个图像滤波器Фi和Фj的相似性可以通过它们特征的相关性来评估，具体地，通过计算皮尔逊(Pearson)相关系数，
其中μ和σ是所获得的特征的平均值和标准偏差。可以使用一组随机测试图像，具体地，使用填充有随机数的矩阵，来执行滤波器相关性的测试。可以选择随机测试图像的数量，使得相关性测试的结果在统计上是显著的。相关系数取介于-1和1之间的值，而0表示没有线性相关。相关系数非常适合于确定两个滤波器是否相似甚至等效。为了测量滤波器的特征是否与给定特性(例如距离)相关，可以选择测试图像以使得相关的滤波器实际上产生该特性。作为示例，为了测量滤波器的特征是否与距离相关，可以使用在不同距离记录的束轮廓来作为测试图像。为了获得可比较的、可传递的和透明的评估，可以限定测试图像的固定测试组。
例如，距离相关的图像滤波器可以是光子深度比滤波器。光子深度比滤波器可以包括对来自传感器元件的至少两个传感器信号的组合信号Q进行评估。评估装置可以被配置为通过对组合信号Q进行评估来确定距离特征
通过对组合信号Q进行评估而确定的距离特征可以直接对应于对象的纵坐标。可以通过使用各种设备来确定组合信号Q。作为示例，可以使用并且可以在评估装置中实现用于得出组合信号的软件设备、用于得出组合信号的硬件设备或两者。因此，作为示例，评估装置132可以包括至少一个除法器134，其中除法器134被配置用于得出商信号。除法器134可以全部或部分地体现为软件除法器或硬件除法器中的一者或两者。
评估装置132可以被配置用于通过划分传感器信号、划分传感器信号的倍数、划分传感器信号的线性组合中的一项或多项来得出组合信号Q。评估装置132可以被配置用于使用组合信号Q与距离特征
之间的至少一种预定关系来确定距离特征
例如，评估装置被配置用于通过以下式子得出组合信号Q：
其中x和y是横坐标，A1和A2是从对象传播到检测器的光束在传感器位置处的至少一个束轮廓的不同区域，以及E(x,y,zo)表示对象距离zo处给定的束轮廓。区域A1和区域A2可能不同。具体地，A1和A2不全等。因此，A1和A2关于形状或内容中的一项或多项可以是不同的。束轮廓可以是光束的横截面。束轮廓可以选自包括以下项的组：梯形束轮廓；三角形束轮廓；锥形束轮廓和高斯束轮廓的线性组合。通常，束轮廓依赖于亮度L(zo)和束形状S(x,y；zo)。因此，通过得出组合信号，可以允许独立于亮度来确定纵坐标。另外，使用组合信号允许独立于对象尺寸来确定距离zo。因此，组合信号允许独立于对象112的材料特性和/或反射特性和/或散射特性并且独立于光源的改变(诸如通过透镜上的制造精度、热量、水、污垢、损坏等)来确定距离zo。作为示例，距离相关特征
可以是组合信号Q的函数，
而该函数可以是Q中的线性、二次或更高阶多项式。此外，作为示例，对象距离z0可以是距离相关特征
的函数，
而该函数可以是
中的线性、二次或更高阶多项式。因此，对象距离z0可以是组合信号Q的函数，z0＝z0(Q)，而该函数可以是Q中的线性、二次或更高阶多项式。
至少两个光学传感器120的光敏区域122可以被布置为使得第一传感器信号包括束轮廓的第一区域的信息并且第二传感器信号包括束轮廓的第二区域的信息。束轮廓的第一区域和束轮廓的第二区域是相邻的或重叠的区域中的一个或两者。
评估装置132可以被配置为确定和/或选择束轮廓的第一区域和束轮廓的第二区域。束轮廓的第一区域可以包括束轮廓的基本上的边缘信息，并且束轮廓的第二区域可以包括束轮廓的基本上(essentially)的中心信息。束轮廓可以具有中心，即，束轮廓的最大值和/或束轮廓的平台的中心点和/或光斑的几何中心，以及具有从中心延伸的下降边缘。第二区域可以包括横截面的内部区域，而第一区域可以包括横截面的外部区域。优选地，中心信息具有小于10％，更优选地小于5％的边缘信息的比例，最优选地，中心信息不包括边缘内容。边缘信息可以包括特别地来自中心和边缘区域的整个束轮廓的信息。边缘信息可具有小于10％，优选地小于5％的中心信息的比例，更优选地，边缘信息不包括中心内容。如果束轮廓的至少一个区域靠近或围绕中心并且包括基本上的中心信息，则可以确定和/或选择束轮廓的至少一个区域作为束轮廓的第二区域。如果束轮廓的至少一个区域包括横截面的下降边缘的至少一部分，则可以确定和/或选择束轮廓的至少一个区域作为束轮廓的第一区域。例如，可以将横截面的整个区域确定为第一区域。束轮廓的第一区域可以是区域A2，并且束轮廓的第二区域可以是区域A1。
边缘信息可以包括与束轮廓的第一区域中的光子数量有关的信息，而中心信息可以包括与束轮廓的第二区域中的光子数量有关的信息。评估装置132可以适于确定束轮廓的面积积分。评估装置132可以适于通过对第一区域进行积分和/或求和来确定边缘信息。评估装置132可以适于通过对第二区域进行积分和/或求和来确定中心信息。例如，束轮廓可以是梯形束轮廓，并且评估装置可以适于确定梯形的积分。此外，当可以假定梯形束轮廓时，边缘和中心信号的确定可以用等效评估来代替，该等效评估利用梯形束轮廓的特性，诸如确定边缘的倾斜和位置以及中心平台的高度，以及通过几何考虑得出边缘和中心信号。
另外地或可替代地，评估装置可以适于从光斑的至少一个切片或切口确定中心信息或边缘信息中的一个或两者。例如，这可以通过用沿着切片或切口的线积分代替组合信号Q中的面积积分来实现。为了提高准确性，可以使用通过光斑的若干切片或切口并求平均。在椭圆形光斑轮廓的情况下，对多个切片或切口求平均可导致改善的距离信息。
评估装置132可以被配置为通过以下中的一项或多项来得出组合信号Q：划分边缘信息和中心信息、划分边缘信息和中心信息的倍数、划分边缘信息和中心信息的线性组合。因此，基本上，光子比率可以用作该方法的物理基础。
评估装置132可以具体地被配置用于通过划分第一和第二传感器信号、划分第一和第二传感器信号的倍数、或划分第一和第二传感器信号的线性组合来得出组合信号Q。作为示例，可以简单地将Q确定为Q＝s1/s2或Q＝s2/s1，其中s1表示第一传感器信号，并且s2表示第二传感器信号。另外地或可替代地，可以将Q确定为Q＝a·s1/b·s2或Q＝b·s2/a·s1，其中a和b是实数，作为示例，该实数可以是预定的或可确定的。另外地或可替代地，可以将Q确定为Q＝(a·s1+b·s2)/(c·s1+d·s2)，其中a、b、c和d是实数，作为示例，该实数是预定的或可确定的。作为后者的简单示例，可以将Q确定为Q＝s1/(s1+s2)。其他组合信号或者商信号也是可行的。
关于对组合信号Q的评估和对纵坐标z的确定的进一步细节和实施例，例如可参考WO 2018/091640、WO 2018/091649 A1和WO 2018/091638 A2，其全部公开通过引用并入本文。
例如，距离相关的图像滤波器可以是离焦深度滤波器。如上概述，评估装置132可被配置为从传感器信号确定关注区域的至少一个图像。评估装置132可被配置为通过优化至少一个模糊函数fa来从图像确定对象的距离特征
所确定的距离特征
可以直接对应于对象的纵坐标。距离特征
可以通过使用至少一种基于卷积的算法(诸如离焦深度算法)来确定。为了获得距图像的距离，离焦深度算法估计对象的离焦。对于该估计，假设了模糊函数。具体地，模糊函数对离焦对象的模糊进行建模。该至少一个模糊函数fa可以是由来自包括以下项的组中的至少一个函数所组成的函数或复合函数：高斯函数、正弦函数、抛物柱面函数、平方函数、洛伦兹函数、径向函数、多项式、埃尔米特多项式、泽尼克多项式、勒让德多项式。
可以通过改变至少一个模糊函数的参数来优化模糊函数。反射图像可以是模糊图像ib。评估装置可以被配置为从模糊图像ib和模糊函数fa来重建距离特征
可以通过改变模糊函数的参数σ、通过最小化模糊函数fa和至少一个其他图像i’b的卷积与模糊图像ib之间的差，min‖(i′b*fa(σ(z))-ib)‖，来确定距离特征
σ(z)是一组距离相关的模糊参数。其他图像可能模糊或清晰。可以通过与已知模糊函数的卷积来从模糊图像ib生成至少一个其他图像。因此，可以使用离焦深度算法来获得距离特征
评估装置132可以被配置为在考虑到通过应用光子深度比滤波器确定的距离特征
和通过应用离焦深度滤波器确定的距离特征
的情况下来确定至少一个组合距离信息z。组合距离信息z可以是实函数，其依赖于通过应用光子深度比滤波器确定的距离特征
和通过应用离焦深度滤波器确定的距离特征
组合距离信息z可以是通过应用光子深度比滤波器确定的距离特征
和通过应用离焦深度滤波器确定的距离特征
的有理或无理多项式。离焦深度是对光子深度比的补充方法，但使用类似的硬件设置。此外，离焦深度距离测量可能具有类似的准确性。结合这两种技术可以产生具有更高精度的有利距离测量结果。
例如，距离相关的图像滤波器可以是与光子深度比滤波器和/或离焦深度图像滤波器组合的结构光滤波器。检测器110可以包括至少两个传感器元件116，每个传感器元件116具有光学传感器120的矩阵118。至少一个第一传感器元件和至少一个第二传感器元件可以位于不同的空间位置。第一传感器元件与第二元件之间的相对距离可以是固定的。至少一个第一传感器元件可以适于确定至少一个第一反射图案，具体地，至少一个第一反射特征，以及至少一个第二传感器元件可以适于确定至少一个第二反射图案，具体地，至少一个第二反射特征。评估装置132可以被配置为选择由第一传感器元件或第二传感器元件确定的至少一个图像来作为反射图像，并且被配置为选择由第一传感器元件或第二传感器元件中的另一个传感器元件确定的至少一个图像来作为参考图像。参考图像可以通过记录至少一个参考特征、对至少一个参考特征成像、参考图像的计算中的一项或多项来确定。参考图像和反射图像可以是在具有固定距离的不同空间位置处确定的对象图像。距离可以是相对距离，也称为基线。评估装置132可以适于选择反射图像中的至少一个反射特征并且确定反射图像中的所选反射特征的至少一个距离估计，该至少一个距离估计由通过应用光子深度比图像滤波器和/或离焦深度图像滤波器来确定的距离特征
和误差区间±ε给出的。
评估装置132可适于确定至少一个参考图像中与至少一个反射特征对应的至少一个参考特征。评估装置132可适于执行图像分析并识别反射图像中的特征。评估装置132可以适于识别参考图像中的至少一个参考特征，该参考特征具有与所选的反射特征基本上相同的纵坐标。评估装置132可以适于确定参考图像中的对极线。参考图像和反射图像的相对位置可以是已知的。例如，参考图像和反射图像的相对位置可以存储在评估装置的至少一个存储单元内。评估装置132可以适于确定从反射图像的所选反射特征延伸的直线。直线可以包括与所选特征对应的可能对象特征。直线和基线跨越对极平面。由于参考图像在与反射图像不同的相对位置确定，因此所对应的可能的对象特征可能会被成像在参考图像中的直线(称为对极线)上。因此，与反射图像的所选特征对应的参考图像的特征位于对极线上。由于图像的失真或系统参数的变化，诸如由于老化、温度变化、机械应力等，对极线可能相交或彼此非常接近和/或参考特征与反射特征之间的对应关系可能不清楚。此外，真实世界中的每个已知位置或对象都可以投影到参考图像上，反之亦然。由于检测器的校准，投影可能是已知的，而校准与特定相机的对极几何的教导是可比较的。
评估装置132可以被配置用于确定参考图像中的与距离估计对应的至少一个位移区域。具体地，位移区域可以是参考图像中的区域，在该区域中，与所选反射特征对应的参考特征预期位于参考图像中。依赖于到对象112的距离，与反射图像中的反射特征的图像位置相比，与反射特征对应的参考特征的图像位置可能在参考图像内移位。位移区域可以仅包括一个参考特征。位移区域还可以包括多于一个的参考特征。位移区域可以包括对极线或对极线的一部分。位移区域可以包括多于一个的对极线或多于一个的对极线的多个部分。位移区域可以沿着对极线延伸、与对极线正交、或两者。评估装置132可以适于确定与距离特征对应的沿着对极线的参考特征并且确定与误差区间±ε对应或与对极线正交的沿着对极线的位移区域范围。距离估计的测量不确定性可能导致非圆形的位移区域，因为不同方向的测量不确定性可能不同。具体地，沿着一个对极线或多个对极线的测量不确定性可能大于在关于一个对极线或多个对极线的正交方向上的测量不确定性。位移区域可以包括在关于一个对极线或多个对极线的正交方向上的延伸。评估装置132可以确定反射特征的图像位置周围的位移区域。评估装置132可以适于确定距离估计并且确定与
对应的沿着对极线的位移区域。
评估装置132可以被配置为将反射图案中的所选特征与位移区域内的参考图案的至少一个特征相匹配。评估装置132可以被配置为通过使用考虑了所确定的距离估计的至少一种评估算法来将反射图像中的所选特征与位移区域内的参考特征相匹配。评估算法可以是线性缩放算法。评估装置132可以适于确定最靠近位移区域和/或在位移区域内的对极线。评估装置132可以适于确定最靠近反射特征的图像位置的对极线。沿着对极线的位移区域的范围可以大于与对极线正交的位移区域的范围。评估装置可适于在确定对应的参考特征之前确定对极线。评估装置132可以确定每个反射特征的图像位置周围的位移区域。评估装置132可以适于诸如通过对最靠近位移区域的和/或在位移区域内的和/或沿着与对极线正交的方向最靠近位移区域的对极线进行分配，来向反射特征的每个图像位置的每个位移区域分配对极线。评估装置132可以适于通过确定最靠近所分配的位移区域的和/或在所分配的位移区域内的和/或沿着所分配的对极线最靠近所分配的位移区域的和/或沿着所分配的对极线的在所分配的位移区域内的参考特征，来确定与反射特征的图像位置对应的参考特征。
评估装置132可以被配置用于确定所匹配的参考特征和所选反射特征的位移。评估装置132可以被配置用于使用纵坐标和位移之间的预定关系来确定所匹配的特征的纵向信息。例如，纵向信息可以是距离值。预定关系可以是经验关系、半经验关系和通过分析所得出的关系中的一种或多种。评估装置132可以包括用于存储预定关系(诸如查找列表或查找表)的至少一个数据存储装置。评估装置132可以适于通过使用三角测量方法来确定预定关系。在已知反射图像中所选反射特征的位置和所匹配的参考特征的位置和/或所选反射特征与所匹配的参考特征的相对位移的情况下，对应的对象特征的纵坐标可通过三角测量确定。因此，评估装置132可以适于选择例如后续和/或逐列的反射特征并且使用三角测量针对参考特征的每个潜在位置来确定对应的距离值。位移和对应的距离值可以存储在评估装置132的至少一个存储装置中。
另外地或可替代地，评估装置132可以被配置为执行以下步骤：
-针对每个反射特征的图像位置来确定位移区域；
-诸如通过对最靠近位移区域的和/或在位移区域内的和/或沿着与对极线正交的方向最靠近位移区域的对极线进行分配，来向每个反射特征的位移区域分配对极线；
-诸如通过对最靠近分配的位移区域的和/或在分配的位移区域内的和/或沿着分配的对极线最靠近分配的位移区域的和/或沿着分配的对极线在分配的位移区域内的参考特征进行分配，来向每个反射特征分配和/或确定至少一个参考特征。
评估装置132被配置为通过将至少一个材料相关的图像滤波器Ф2应用于反射图像来确定至少一个材料特征
材料特征可以是或者可以包括关于对象112的至少一种材料特性的至少一种信息。
材料相关的图像滤波器可以是选自包括以下项的组中的至少一种滤波器：亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器，诸如高斯滤波器或中值滤波器；基于灰度级发生的对比度滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；阈值区域滤波器；或其线性组合；或者是另一材料相关的图像滤波器
其通过
来与亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；或阈值区域滤波器；或其线性组合中的一者或多者相关，其中Фm是亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；或阈值区域滤波器；或其线性组合中的一者。另一材料相关的图像滤波器
通过
优选地通过
来与材料相关的图像滤波器Фm中的一个或多个相关。关于示例性的材料相关图像滤波器的描述，可参考上面给出的亮度滤波器、光斑形状滤波器、平方范数梯度、标准偏差、平滑滤波器(诸如高斯滤波器或中值滤波器)、基于灰度级发生的对比度滤波器、基于灰度级发生的能量滤波器、基于灰度级发生的同质性滤波器、基于灰度级发生的相异滤波器、劳氏能量滤波器、以及阈值区域滤波器的描述。
材料相关的图像滤波器可以是通过假设检验的至少一个任意滤波器Φ。如本文所使用的，假设检验可以包括通过将图像滤波器应用于预定义数据集来检验图像滤波器的材料相关性。数据集可以包括多个束轮廓图像。束轮廓图像可以由是指NB高斯径向基函数之和来给出，
其中，NB高斯径向基函数中的每一个由中心(xlk，ylk)、前因子alk和指数因子α＝1/∈定义。所有束轮廓图像中的所有高斯函数的指数因子都相同。所有图像fk：
的中心位置xlk、ylk是相同的。可以结合以下参数表使用上述fk(x，y)的式子来生成束轮廓图像
x、y的值是对应于具有
的像素的整数。图像可以具有32x32的像素尺寸。可以通过结合参数集使用上述fk的式子以获得对fk的连续描述，来生成束轮廓图像的数据集。32x32图像中每个像素的值可以通过在fk(x，y)中针对x、y插入0，...，31中的整数值来获得。例如，对于像素(6，9)，可以计算值fk(6，9)。图3示出由示例性数据集定义的束轮廓图像的实施例。
示例性数据集在下面呈现。以下参数表列出了所有图像fk的所有高斯函数glk的中心位置，xlk＝xl，ylk＝yl：
以下参数表列出了由图像索引k引用的材料分类器，特别地，针对白色特氟龙(Teflon)目标(表示为对照)、织物、深色皮肤(表示为深色_皮肤)、苍白皮肤(表示为苍白_皮肤)和高度半透明的皮肤(表示为半透明)、以及每个图像fk的距离z：
以下参数表列出了图像索引k和高斯索引l所引用的每个图像fk中高斯函数glk的前因子alk：
对于所有图像fk的所有高斯函数glk，指数因子α＝1/∈由ε＝2.0615528128088303给出。
随后，对于每个图像fk，可以计算出与滤波器Φ对应的特征值
其中zk是与来自预定义数据集的图像fk对应的距离值。这产生了具有对应生成特征值
的数据集。假设检验可以使用滤波器不描述(describe)材料分类器的零假设。零假设可由H0：μ1＝μ2＝…＝μJ给出，其中μm是与特征值
对应的每个材料组的期望值。假设检验可以使用滤波器确实描述材料分类器的替代假设。替代假设可由H1：
给出。假设检验可以包括对生成的特征值进行的至少一种方差分析(ANOVA)。特别地，假设检验可以包括确定针对每个材料的特征值的平均值，即，总共J个平均值，
其中m∈[0，1，…，J-1]，其中Nm给出了预定义数据集中J个材料中每一个材料的材料的特征值的数量。假设检验可以包括确定所有特征值的平均值
假设检验可以包括确定以下范围内的均方和：
假设检验可以包括确定以下之间的均方和，
假设检验可以包括执行F检验：
□
其中d1＝N-J，d2＝J-1，
□F(x)＝1-CDF(x)
□p＝F(mssb/mssw)
在本文中，I是正则不完全贝塔函数，
其中欧拉贝塔函数
和
是不完全贝塔函数。如果p值p小于或等于预定义的显著性水平，则图像滤波器可以通过假设检验。如果p≤0.075，优选p≤0.05，更优选p≤0.025，并且最优选p≤0.01，则滤波器可以通过假设检验。例如，如果p值小于α＝0.05，则图像滤波器可以通过假设检验。在该情况下，可以拒绝零假设H0，并且可以接受替代假设H1。图像滤波器因此区分至少两个材料分类器。因此，图像滤波器通过假设检验。
图2示出使用光斑形状滤波器计算不同材料组的材料特征的实验结果。具体地，材料特征
表示为不同材料，即从左到右表示为板的木板、织物、深色皮肤、苍白皮肤、表示为半透明的高度半透明的皮肤，并示出皮肤材料(右)与其他材料(左)的分离。光斑形状滤波器通过了假设检验。从F检验计算出的p值为0.0076。因此，关于0.01的显著性水平，可以拒绝零假设H0。此外，关于0.01的显著性水平，可以接受替代假设H1。因此，图像滤波器区分至少两个材料分类器。此外，图2示出每材料的特征的平均值
作为相应框内的线。竖条标记了Q1-1.5四分位距(IQR)和Q3+1.5IQR，其中IQR＝Q3-Q1，Q1和Q3是第一和第三四分位数。该框标记了Q1和Q3四分位数。异常值(outlier)被绘制为点。图2示出了，该材料特征将所有皮肤样本与非皮肤样本分离。换句话说，皮肤和非皮肤材料的皮肤特征的期望值不同。
此外，图1以高度示意性的图示示出了检测器110的示例性实施例，其中检测器110具体可以体现为相机136和/或可以是相机136的一部分。相机136可以被制造用于成像，具体地用于3D成像，并且可以被制造用于获取静止图像和/或图像序列，诸如数字视频剪辑。其他实施例是可行的。图1进一步示出了检测器系统138的实施例，其除了至少一个检测器110之外，还包括一个或多个信标装置140，在该示例中，该信标装置可以附接和/或集成到对象112中，该对象112的位置将通过使用检测器110来检测。图1进一步示出人机界面142的示例性实施例，其包括至少一个检测器系统138；并且进一步示出娱乐装置144，其包括人机界面142。该图进一步示出用于跟踪对象112的位置的跟踪系统146的实施例，其包括检测器系统138。装置和系统的组件将在下面进一步详细解释。
图1进一步示出用于扫描包括对象112的场景(诸如用于扫描对象112和/或用于确定至少一个对象112的至少一个位置)的扫描系统148的示例性实施例。扫描系统148包括至少一个检测器110，以及进一步可选地，包括至少一个照射源124，以及可选地，包括至少一个其他照射源(这里没有描述)。照射源124通常被配置为发射至少一个照射光束，诸如用于照射至少一个点，该点例如是位于信标装置140的一个或多个位置上和/或位于对象112的表面上的点。扫描系统148可以被设计为生成包括对象112的场景的轮廓和/或对象112的轮廓，和/或可以被设计为通过使用至少一个检测器110来生成关于至少一个点与扫描系统148(具体地，检测器110)之间的距离的至少一项信息。
除了光学传感器120之外，检测器110包括至少一个评估装置132，该至少一个评估装置132具有例如至少一个图像分析装置150和/或至少一个位置评估装置152，如图1中象征性地描绘的。评估装置132的组件可以完全或部分地集成到不同的装置中和/或可以完全或部分集成到检测器110的其他组件中。除了完全或部分组合两个或多个组件的可能性之外，光学传感器120中的一个或多个光学传感器和评估装置132的组件中的一个或多个组件可以通过一个或多个连接器154和/或通过一个或多个接口来相互连接，如图1中象征性地描绘的。此外，一个或多个连接器154可以包括一个或多个驱动器和/或用于修改或预处理传感器信号的一个或多个装置。此外，代替使用至少一个可选的连接器154，评估装置132可以完全或部分地集成到光学传感器120中的一个或两个中和/或集成到检测器110的壳体156中。另外地或可替代地，评估装置132可以完全或部分地设计为单独的装置。
在该示例性实施例中，位置可被检测到的对象112可被设计为运动器材的物品和/或可形成控制元件或控制装置158，其位置可由用户160操纵。作为示例，对象112可以是或者可以包括球棒、球拍、球杆或任何其他运动器材和/或假运动器材。其他类型的对象112是可能的。此外，用户160他或她自己可以被认为是对象112，其位置将被检测到。
如上概述，检测器110包括光学传感器120。光学传感器120可以位于壳体156内部。此外，检测器110可以包括至少一个传递装置129，诸如一个或多个光学系统，优选地包括一个或多个透镜。优选地关于检测器110的光轴128来同心定位的壳体156内部的开口162优选地限定了检测器110的观看方向164。可以定义坐标系166，其中与光轴128平行或反平行的方向可以定义为纵向方向，而与光轴128垂直的方向可以定义为横向方向。在图1中象征性地描绘的坐标系166中，纵向方向由z表示，而横向方向分别由x和y表示。其他类型的坐标系也是可行的，诸如非笛卡尔坐标系。
如上概述，通过使用检测器110确定对象112和/或其一部分的位置可用于提供人机界面142，以便向机器168提供至少一项信息。在图1中示意性描绘的实施例中，机器168可以是计算机和/或可以包括计算机。其他实施例是可行的。评估装置132甚至可以完全或部分地集成到机器168中，诸如集成到计算机中。
如上概述，图1还描绘了跟踪系统146的示例，其被配置用于跟踪至少一个对象112和/或其部分的位置。跟踪系统146包括检测器110和至少一个跟踪控制器170。跟踪控制器170可以适于跟踪在特定时间点的对象112的一系列位置。跟踪控制器170可以是独立装置和/或可以完全或部分地集成到机器168(具体地，计算机，如图1所示)中和/或集成到评估装置132中。
类似地，如上概述，人机界面142可以形成娱乐装置144的一部分。机器168(具体地，计算机)也可以形成娱乐装置144的一部分。因此，借助于用户160用作对象112和/或借助于用户160操纵用作对象112的控制装置，用户160可以将至少一项信息(诸如至少一个控制命令)输入到计算机中，从而改变娱乐功能，诸如控制计算机的进程。
图1还描绘了在电子装置中使用的惯性测量单元172的示例。惯性测量单元172适于接收由检测器110确定的数据。惯性测量单元172进一步适于接收由选自包括以下项的组中的至少一个其他传感器确定的数据：轮速传感器、转向率传感器、倾斜传感器、取向传感器、运动传感器、磁流体动力学传感器、力传感器、角度传感器、角速率传感器、磁场传感器、磁力计、加速度计；陀螺仪，其中，惯性测量单元适于通过评估来自检测器和至少一个其他传感器的数据来确定电子装置的至少一个特性，该特性选自以下各构成的组：空间位置、空间中的相对或绝对运动、旋转、加速度、取向、角度位置、倾角、转向率、速度。
惯性测量单元172可以包括检测器110和/或可以经由至少一个数据连接而被连接到检测器110。惯性测量单元172的评估装置132和/或至少一个处理装置可以被配置为确定至少一个组合距离信息，特别地使用至少一个递归滤波器。递归滤波器可以被配置为考虑其他传感器数据和/或其他参数(诸如来自惯性测量单元172的其他传感器的其他传感器数据)来确定组合距离信息。
参考编号列表
110 检测器
112 对象
116 传感器元件
118 矩阵
120 光学传感器
122 光敏区域
124 照射源
126 照射光束
128 光轴
129 传递装置
130 反射光束
132 评估装置
134 除法器
136 相机
138 检测器系统
140 信标装置
142 人机界面
144 娱乐装置
146 跟踪系统
148 扫描系统
150 图像分析装置
152 位置评估装置
154 连接器
156 壳体
158 控制装置
160 用户
162 开口
164 观看方向
166 坐标系
168 机器
170 跟踪控制器
172 惯性测量单元
引用的参考文献
US 2016/0206216 A1
US 2016/155006 A1
“Lasertechnik in der Medizin:Grundlagen,Systeme,Anwendungen”,“Wirkungvon Laserstrahlung auf Gewebe”,1991,pages 171to 266,Jürgen Eichler,TheoSeiler,Springer Verlag,ISBN 0939-0979
WO 2014/097181 A1
WO 2018/091640 A1
WO 2018/091649 A1和WO 2018/091638 A2
chapter 2in X.Jiang,H.Bunke:，，Dreidimensionales Computersehen“Springer,Berlin Heidelberg,1997
R.A.Street(Ed.):Technology and Applications of Amorphous Silicon,Springer-Verlag Heidel-berg,2010,pp.346-349
WO 2012/110924 A1
DE 198 46 619 A1
CN 108 363 482 A
US 2018/033146 A1
Claims (25)
1.一种用于识别至少一种材料特性m的检测器(110)，包括：
-至少一个传感器元件(116)，其包括光学传感器(120)的矩阵(118)，所述光学传感器(120)各自具有光敏区域(122)，其中，所述传感器元件(116)被配置为记录源自至少一个对象(112)的光束的至少一个反射图像；
-至少一个评估装置(132)，其被配置为通过对所述反射图像的至少一个束轮廓的评估来确定所述材料特性，
其中，所述评估装置(132)被配置为通过将至少一个距离相关的图像滤波器Ф1应用于所述反射图像来确定至少一个距离特征
其中，所述距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器；离焦深度滤波器；或其线性组合；或者是另一距离相关的图像滤波器
其通过
来与所述光子深度比滤波器和/或所述离焦深度滤波器或其线性组合相关，其中，Фz是所述光子深度比滤波器或所述离焦深度滤波器或其线性组合中的一者，
其中，所述评估装置(132)被配置为通过将至少一个材料相关的图像滤波器Ф2应用于所述反射图像来确定至少一个材料特征
其中，所述材料相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器，诸如高斯滤波器或中值滤波器；基于灰度级发生的对比度滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；阈值区域滤波器；或其线性组合；或者是另一材料相关的图像滤波器
其通过
来与所述亮度滤波器、所述光斑形状滤波器、所述平方范数梯度、所述标准偏差、所述平滑滤波器、所述基于灰度级发生的能量滤波器、所述基于灰度级发生的同质性滤波器、所述基于灰度级发生的相异滤波器、所述劳氏能量滤波器、或所述阈值区域滤波器、或其线性组合中的一者或多者相关，其中Фm是所述亮度滤波器、所述光斑形状滤波器、所述平方范数梯度、所述标准偏差、所述平滑滤波器、所述基于灰度级发生的能量滤波器、所述基于灰度级发生的同质性滤波器、所述基于灰度级发生的相异滤波器、所述劳氏能量滤波器、或所述阈值区域滤波器、或其线性组合中的一者，
其中，所述评估装置(132)被配置为通过评估所述距离特征
和所述材料特征
来确定纵坐标z和所述材料特性m。
2.根据前一权利要求所述的检测器(110)，其中，所述材料相关的图像滤波器是通过假设检验的至少一个滤波器，其中，所述假设检验使用所述滤波器不区分材料分类器的零假设和所述滤波器区分至少两个材料分类器的替代假设，其中，如果p值p小于或等于预定义的显著性水平，则所述滤波器通过所述假设检验。
3.根据前一权利要求所述的检测器(110)，其中，p≤0.075，优选地，p≤0.05，更优选地，p≤0.025，最优选地，p≤0.01。
4.根据前述权利要求中任一项所述的检测器(110)，其中，所述至少一种材料特性是选自包括以下项的组中的特性：散射系数、半透明度、透明度、与朗伯表面反射的偏差、散斑等。
5.根据前述权利要求中任一项所述的检测器(110)，其中，所述另一距离相关的图像滤波器
通过
来与所述距离相关的图像滤波器Фz中的一个或多个相关，优选地，
6.根据前述权利要求中任一项所述的检测器(110)，其中，所述另一材料相关的图像滤波器
通过
来与所述材料相关的图像滤波器Фm中的一个或多个相关，优选地，
7.根据前述权利要求中任一项所述的检测器(110)，其中，所述材料特性m和/或所述纵坐标z通过使用
与z、m之间的预定关系来确定。
8.根据前述权利要求中任一项所述的检测器(110)，其中，所述材料特性m和/或所述纵坐标z由函数z
和/或m
确定。
9.根据前述权利要求中任一项所述的检测器(110)，其中，所述评估装置(132)被配置为将所述距离相关的图像滤波器和所述材料相关的图像滤波器同时应用于所述反射图像。
10.根据前述权利要求中任一项所述的检测器(110)，其中，所述评估装置(132)被配置为确定Ф1或Ф2中的至少一者是否是其他图像滤波器的所述特征
或
的函数，或者Ф1或Ф2中的至少一者是否是所述至少一个其他图像滤波器的函数，其中，所述评估装置(132)被配置为将所述距离相关的图像滤波器和所述材料相关的图像滤波器顺序地或递归地应用于所述反射图像。
11.根据前一权利要求所述的检测器(110)，其中，所述评估装置(132)被配置为通过将依赖于
和
中的至少一者的至少一个其他滤波器应用于所述反射图像来确定z和/或m中的至少一者。
12.根据前述权利要求中任一项所述的检测器(110)，其中，所述光子深度比滤波器包括：对来自所述传感器元件(116)的至少两个传感器信号的组合信号Q进行评估，其中，所述评估装置(132)被配置为通过划分所述传感器信号、划分所述传感器信号的倍数、划分所述传感器信号的线性组合中的一种或多种来得出所述组合信号Q，其中，所述评估装置(132)被配置为使用所述组合信号Q与所述距离特征
之间的至少一个预定关系来确定所述距离特征
13.根据前述权利要求中任一项所述的检测器(110)，其中，所述离焦深度滤波器包括：使用至少一种基于卷积的算法，诸如离焦深度算法，其中，所述评估装置被配置为通过优化至少一个模糊函数fa来确定所述距离特征
其中，通过改变所述至少一个模糊函数的参数来优化所述模糊函数。
14.根据前述权利要求中任一项所述的检测器(110)，其中，所述传感器元件(116)包括至少一个CMOS传感器。
15.根据前述权利要求中任一项所述的检测器(110)，其中，所述检测器(110)包括至少一个照射源(124)，其中，所述照射源(124)被配置为生成用于照射所述对象的至少一个照射图案，其中，所述照射图案包括选自包括以下项的组中的至少一种图案：至少一个点图案，特别地，伪随机点图案；随机点图案或准随机图案；至少一个Sobol图案；至少一个准周期图案；包括至少一个已知特征的至少一个图案；至少一个规则图案；至少一个三角形图案；至少一个六边形图案；至少一个矩形图案；包括凸出的均匀平铺的至少一个图案；包括至少一条线的至少一个线图案；包括诸如平行线或交叉线的至少两条线的至少一个线图案。
16.根据前一权利要求所述的检测器(110)，其中，所述照射源(124)包括至少一个激光源和至少一个衍射光学元件。
17.一种检测器系统(138)，所述检测器系统(138)包括至少一个根据前述权利要求中任一项所述的检测器(110)，所述检测器系统(138)进一步包括适于将至少一个光束朝向所述检测器(110)引导的至少一个信标装置(140)，其中，所述信标装置(140)是可附接到所述对象(112)、可由所述对象(112)保持、以及可集成到所述对象(112)中的至少一种。
18.一种用于在用户(160)与机器(168)之间交换至少一项信息的人机界面(142)，其中，所述人机界面(142)包括至少一个根据前一权利要求所述的检测器系统(138)，其中，所述至少一个信标装置(140)适于是被直接或间接地附接到所述用户(160)和由所述用户(160)保持中的至少一种，其中，所述人机界面(142)被设计为借助于所述检测器系统(138)来确定所述用户(160)的至少一个位置，其中，所述人机界面(142)被设计为向所述位置分配至少一项信息。
19.一种用于执行至少一个娱乐功能的娱乐装置(144)，其中，所述娱乐装置(144)包括至少一个根据前一权利要求所述的人机界面(142)，其中，所述娱乐装置(144)被设计为使能玩家借助于人机界面(142)输入至少一项信息，其中，所述娱乐装置(144)被设计为根据所述信息改变所述娱乐功能。
20.一种用于跟踪至少一个可移动对象的位置的跟踪系统(146)，所述跟踪系统(146)包括至少一个根据涉及检测器系统的前述权利要求中任一项所述的检测器系统(138)，所述跟踪系统(146)进一步包括至少一个跟踪控制器(170)，其中，所述跟踪控制器(170)适于跟踪所述对象(112)在特定时间点的一系列位置。
21.一种用于确定场景的深度轮廓的扫描系统(148)，所述扫描系统(148)包括至少一个根据涉及检测器的前述权利要求中任一项所述的检测器(110)，所述扫描系统(148)进一步包括适于使用至少一个光束来扫描所述场景的至少一个照射源。
22.一种用于对至少一个对象(112)成像的相机(136)，所述相机(136)包括至少一个根据涉及检测器的前述权利要求中任一项所述的检测器(110)。
23.一种在电子装置中使用的惯性测量单元(172)，其中，所述惯性测量单元(172)适于接收由至少一个根据涉及检测器的前述权利要求中任一项所述的检测器(110)所确定的数据，其中，所述惯性测量单元(172)进一步适于接收由至少一个其他传感器所确定的数据，所述至少一个其他传感器选自包括以下项的组：轮速传感器、转向率传感器、倾斜传感器、取向传感器、运动传感器、磁流体动力学传感器、力传感器、角度传感器、角速率传感器、磁场传感器、磁力计、加速度计；陀螺仪，其中，所述惯性测量单元适于通过对来自所述检测器和所述至少一个其他传感器的所述数据进行评估来确定所述电子装置的至少一种特性，所述至少一种特性选自包括以下项的组：空间位置、空间中的相对或绝对运动、旋转、加速度、取向、角度位置、倾角、转向率、速度。
24.一种用于通过使用至少一个根据涉及检测器的前述权利要求中任一项所述的检测器(110)来确定至少一个对象(112)的至少一种材料特性的方法，所述方法包括以下步骤：
a)通过使用具有光学传感器(120)的矩阵(118)的至少一个传感器元件(116)来确定所述对象(112)的至少一个反射图像，所述光学传感器(120)各自具有光敏区域(122)；
b)通过使用至少一个评估装置(132)对所述反射图像的至少一个束轮廓进行评估来确定所述材料特性，其中，所述评估包括：
b1)通过将至少一个距离相关的图像滤波器Ф1应用于所述反射图像来确定至少一个距离特征
其中，所述距离相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：光子深度比滤波器；离焦深度滤波器；或其线性组合；或者是另一距离相关的图像滤波器
其通过
来与所述光子深度比滤波器和/或所述离焦深度滤波器或其线性组合相关，其中，Фz是所述光子深度比滤波器或所述离焦深度滤波器或其线性组合中的一者，
b2)通过将至少一个材料相关的图像滤波器Ф2应用于所述反射图像来确定至少一个材料特征
其中，所述材料相关的图像滤波器是选自包括以下项的组中的至少一种滤波器：亮度滤波器；光斑形状滤波器；平方范数梯度；标准偏差；平滑滤波器，诸如高斯滤波器或中值滤波器；基于灰度级发生的对比度滤波器；基于灰度级发生的能量滤波器；基于灰度级发生的同质性滤波器；基于灰度级发生的相异滤波器；劳氏能量滤波器；阈值区域滤波器；或其线性组合；或者是另一材料相关的图像滤波器
其通过
来与所述亮度滤波器、所述光斑形状滤波器、所述平方范数梯度、所述标准偏差、所述平滑滤波器、所述基于灰度级发生的能量滤波器、所述基于灰度级发生的同质性滤波器、所述基于灰度级发生的相异滤波器、所述劳氏能量滤波器、或所述阈值区域滤波器或其线性组合中的一者或多者相关，其中Фm是所述亮度滤波器、所述光斑形状滤波器、所述平方范数梯度、所述标准偏差、所述平滑滤波器、所述基于灰度级发生的能量滤波器、所述基于灰度级发生的同质性滤波器、所述基于灰度级发生的相异滤波器、所述劳氏能量滤波器、或所述阈值区域滤波器或其线性组合中的一者，
b3)通过评估所述距离特征
和所述材料特征
来确定纵坐标z和所述材料特性m。
25.一种根据涉及检测器的前述权利要求中任一项所述的检测器(110)的用途，出于使用目的，所述用途选自包括以下项的组：交通技术中的位置测量；娱乐应用；安全性应用；监视应用；安全应用；人机界面应用；物流应用；跟踪应用；户外应用；移动应用；通信应用；摄影应用；机器视觉应用；机器人应用；质量控制应用；制造应用。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP19163250.4 | 2019-03-15 | ||
| EP19163250 | 2019-03-15 | ||
| PCT/EP2020/056759 WO2020187719A1 (en) | 2019-03-15 | 2020-03-13 | Detector for identifying at least one material property |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113574406A true CN113574406A (zh) | 2021-10-29 |
Family
ID=65818227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080021006.0A Pending CN113574406A (zh) | 2019-03-15 | 2020-03-13 | 用于识别至少一种材料特性的检测器 |
Country Status (6)
| Country | Link |
|---|---|
| US (2) | US11947013B2 (zh) |
| EP (1) | EP3938802A1 (zh) |
| JP (1) | JP2022525204A (zh) |
| KR (1) | KR20210137193A (zh) |
| CN (1) | CN113574406A (zh) |
| WO (1) | WO2020187719A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023156319A1 (en) * | 2022-02-15 | 2023-08-24 | Trinamix Gmbh | Image manipulation for material information determination |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11860292B2 (en) | 2016-11-17 | 2024-01-02 | Trinamix Gmbh | Detector and methods for authenticating at least one object |
| KR20220103962A (ko) | 2019-11-27 | 2022-07-25 | 트리나미엑스 게엠베하 | 디스플레이를 통한 깊이 측정 |
| JP7317732B2 (ja) * | 2020-01-20 | 2023-07-31 | 株式会社東芝 | 推定装置、物体搬送システム、推定方法、およびプログラム |
| KR20230107574A (ko) | 2020-11-13 | 2023-07-17 | 트리나미엑스 게엠베하 | 디스플레이를 통한 깊이 측정 |
| US20240037201A1 (en) | 2021-02-18 | 2024-02-01 | Trinamix Gmbh | Optical skin detection for face unlock |
| EP4423525A1 (en) | 2021-10-26 | 2024-09-04 | trinamiX GmbH | Extended material detection involving a multi wavelength projector |
| WO2023083848A1 (en) | 2021-11-09 | 2023-05-19 | Trinamix Gmbh | Self learning grasp sequence for robot bin picking |
| CN118613712A (zh) | 2022-01-24 | 2024-09-06 | 特里纳米克斯股份有限公司 | 通过立体射束剖面分析实现增强的材料检测 |
| WO2023156475A1 (en) | 2022-02-15 | 2023-08-24 | Trinamix Gmbh | Method for protecting information displayed on a display device and display device |
| WO2023156473A1 (en) | 2022-02-15 | 2023-08-24 | Trinamix Gmbh | Method for determining an access right of a user, requesting computer device, authenticating computer device, and authenticating system |
| CN118765408A (zh) | 2022-02-15 | 2024-10-11 | 特里纳米克斯股份有限公司 | 包括从图像中提取的材料数据的面部认证 |
| CN118696353A (zh) | 2022-02-15 | 2024-09-24 | 特里纳米克斯股份有限公司 | 用于认证对象的方法 |
| KR20240141765A (ko) | 2022-02-15 | 2024-09-27 | 트리나미엑스 게엠베하 | 이미지로부터 추출된 재질 데이터에 기초한 오클루전 검출을 포함하는 얼굴 인증 |
| CN118715548A (zh) | 2022-02-15 | 2024-09-27 | 特里纳米克斯股份有限公司 | 用于识别主体的系统 |
| WO2023156478A1 (en) | 2022-02-15 | 2023-08-24 | Trinamix Gmbh | Method for operating a display device, and display device having a secure authentication process |
| CN118696354A (zh) | 2022-02-15 | 2024-09-24 | 特里纳米克斯股份有限公司 | 用于表征用于认证的对象的方法和设备 |
| CN118696358A (zh) | 2022-02-15 | 2024-09-24 | 特里纳米克斯股份有限公司 | 用于确定对象的材料的系统和方法 |
| WO2023156314A1 (en) | 2022-02-15 | 2023-08-24 | Trinamix Gmbh | User-trained system |
| KR20230127925A (ko) | 2022-02-25 | 2023-09-01 | 김정국 | 특성 검출 시스템 및 방법 |
| WO2023170129A1 (en) | 2022-03-09 | 2023-09-14 | Trinamix Gmbh | 8bit conversion |
| US11915395B2 (en) * | 2022-07-20 | 2024-02-27 | GM Global Technology Operations LLC | Holographic display system for a motor vehicle with real-time reduction of graphics speckle noise |
| CN114943755B (zh) * | 2022-07-25 | 2022-10-04 | 四川省产品质量监督检验检测院 | 一种基于双目结构光三维重建相位图像的处理方法 |
| WO2024088738A1 (en) | 2022-10-25 | 2024-05-02 | Trinamix Gmbh | Image manipulation for detecting a state of a material associated with the object |
| WO2024132784A1 (en) | 2022-12-21 | 2024-06-27 | Trinamix Gmbh | Measurement of a performance of a light source |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19846619A1 (de) * | 1998-10-09 | 2000-04-27 | Byk Gardner Gmbh | Vorrichtung und Verfahren zur Bestimmung der Qualität strukturierter Oberflächen |
| WO2009049887A1 (de) * | 2007-10-16 | 2009-04-23 | I F M Electronic Gmbh | Verfahren und vorrichtung zur abstandsbestimmung |
| JP2013064625A (ja) * | 2011-09-16 | 2013-04-11 | Dainippon Printing Co Ltd | 個体識別装置、個体識別方法、及びプログラム |
| CN105452895A (zh) * | 2013-06-13 | 2016-03-30 | 巴斯夫欧洲公司 | 用于光学地检测至少一个对象的检测器 |
| CN106997586A (zh) * | 2016-01-25 | 2017-08-01 | 杭州海康威视数字技术股份有限公司 | 一种物体材料确定方法、装置及系统 |
| CN107429998A (zh) * | 2015-03-30 | 2017-12-01 | 富士胶片株式会社 | 距离图像获取装置以及距离图像获取方法 |
| US20180033146A1 (en) * | 2016-07-27 | 2018-02-01 | Michael Bleyer | Reflectivity map estimate from dot based structured light systems |
| CN109416249A (zh) * | 2016-04-28 | 2019-03-01 | 特里纳米克斯股份有限公司 | 用于光学检测至少一个对象的检测器 |
| WO2019042956A1 (en) * | 2017-08-28 | 2019-03-07 | Trinamix Gmbh | DETECTOR FOR DETERMINING A POSITION OF AT LEAST ONE OBJECT |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106019305B (zh) | 2011-02-15 | 2019-10-11 | 巴斯夫欧洲公司 | 用于光学检测至少一种物体的检测器 |
| JP6415447B2 (ja) | 2012-12-19 | 2018-10-31 | ビーエーエスエフ ソシエタス・ヨーロピアＢａｓｆ Ｓｅ | １つ以上の物体を光学的に検出するための検出器 |
| US10242278B2 (en) | 2014-12-01 | 2019-03-26 | Koninklijke Philips N.V. | Device and method for skin detection |
| EP3230691A4 (en) * | 2014-12-09 | 2018-08-15 | Basf Se | Optical detector |
| EP3230689A4 (en) * | 2014-12-09 | 2018-08-15 | Basf Se | Optical detector |
| JP2018510669A (ja) | 2015-01-19 | 2018-04-19 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 皮膚検出に関するデバイス、システム、及び方法 |
| KR102502094B1 (ko) | 2016-11-17 | 2023-02-21 | 트리나미엑스 게엠베하 | 적어도 하나의 피사체를 광학적으로 검출하기 위한 검출기 |
| CN108363482A (zh) * | 2018-01-11 | 2018-08-03 | 江苏四点灵机器人有限公司 | 一种基于双目结构光的三维手势控制智能电视的方法 |
-
2020
- 2020-03-13 US US17/439,492 patent/US11947013B2/en active Active
- 2020-03-13 KR KR1020217033204A patent/KR20210137193A/ko unknown
- 2020-03-13 EP EP20709234.7A patent/EP3938802A1/en active Pending
- 2020-03-13 CN CN202080021006.0A patent/CN113574406A/zh active Pending
- 2020-03-13 JP JP2021555478A patent/JP2022525204A/ja active Pending
- 2020-03-13 WO PCT/EP2020/056759 patent/WO2020187719A1/en active Application Filing
-
2024
- 2024-01-29 US US18/425,144 patent/US20240241255A1/en active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19846619A1 (de) * | 1998-10-09 | 2000-04-27 | Byk Gardner Gmbh | Vorrichtung und Verfahren zur Bestimmung der Qualität strukturierter Oberflächen |
| JP2000131226A (ja) * | 1998-10-09 | 2000-05-12 | Byk Gardner Gmbh | 構造体表面の品質を測定するための装置と方法 |
| WO2009049887A1 (de) * | 2007-10-16 | 2009-04-23 | I F M Electronic Gmbh | Verfahren und vorrichtung zur abstandsbestimmung |
| JP2013064625A (ja) * | 2011-09-16 | 2013-04-11 | Dainippon Printing Co Ltd | 個体識別装置、個体識別方法、及びプログラム |
| CN105452895A (zh) * | 2013-06-13 | 2016-03-30 | 巴斯夫欧洲公司 | 用于光学地检测至少一个对象的检测器 |
| CN107429998A (zh) * | 2015-03-30 | 2017-12-01 | 富士胶片株式会社 | 距离图像获取装置以及距离图像获取方法 |
| CN106997586A (zh) * | 2016-01-25 | 2017-08-01 | 杭州海康威视数字技术股份有限公司 | 一种物体材料确定方法、装置及系统 |
| CN109416249A (zh) * | 2016-04-28 | 2019-03-01 | 特里纳米克斯股份有限公司 | 用于光学检测至少一个对象的检测器 |
| US20180033146A1 (en) * | 2016-07-27 | 2018-02-01 | Michael Bleyer | Reflectivity map estimate from dot based structured light systems |
| WO2019042956A1 (en) * | 2017-08-28 | 2019-03-07 | Trinamix Gmbh | DETECTOR FOR DETERMINING A POSITION OF AT LEAST ONE OBJECT |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023156319A1 (en) * | 2022-02-15 | 2023-08-24 | Trinamix Gmbh | Image manipulation for material information determination |
Also Published As
| Publication number | Publication date |
|---|---|
| US20240241255A1 (en) | 2024-07-18 |
| JP2022525204A (ja) | 2022-05-11 |
| WO2020187719A1 (en) | 2020-09-24 |
| EP3938802A1 (en) | 2022-01-19 |
| US11947013B2 (en) | 2024-04-02 |
| KR20210137193A (ko) | 2021-11-17 |
| US20220157044A1 (en) | 2022-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11947013B2 (en) | Detector for identifying at least one material property | |
| US11989896B2 (en) | Depth measurement through display | |
| CN111587384B (zh) | 用于确定至少一个对象的位置的检测器 | |
| CN109964144B (zh) | 用于光学探测至少一个对象的检测器 | |
| JP7438223B2 (ja) | 少なくとも１つの物体の位置を決定するための検出器 | |
| JP7502316B2 (ja) | 少なくとも１つの物体を照射するためのプロジェクタを備えた検出器 | |
| JP2023134626A (ja) | 少なくとも一つの幾何学情報を決定するためのレンジファインダ | |
| US20230078604A1 (en) | Detector for object recognition | |
| CN113544745A (zh) | 用于确定至少一个对象的位置的检测器 | |
| JP2023516032A (ja) | ジェスチャ認識 | |
| KR20230107574A (ko) | 디스플레이를 통한 깊이 측정 | |
| US11906421B2 (en) | Enhanced material detection by stereo beam profile analysis | |
| Win | Curve and Circle Fitting of 3D Data Acquired by RGB-D Sensor | |
| KR20240093513A (ko) | 멀티 파장 프로젝터와 관련된 확장된 재료 검출 | |
| JP2024512247A (ja) | 顔ロック解除のための光学的皮膚検出 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |