《Sensors》：A Blooming-Region-Aware Directional Weighting Filter for Correcting Blooming-Induced Background Depth Distortion in AMCW-ToF LiDAR Imaging of a High-Reflectance Object
编辑推荐：
摘要
在使用飞行时间激光雷达（ToF LiDAR）测量高反射率目标时，会产生强烈的反射光信号。接收此类强反射光信号的像素会发生饱和，并且由于串扰、镜头内部散射及相关效应，即使在饱和像素周围也会出现强度和深度畸变。以往针对ToF相机和LiDAR中此类泛光（bl
摘要
在使用飞行时间激光雷达（ToF LiDAR）测量高反射率目标时，会产生强烈的反射光信号。接收此类强反射光信号的像素会发生饱和，并且由于串扰、镜头内部散射及相关效应，即使在饱和像素周围也会出现强度和深度畸变。以往针对ToF相机和LiDAR中此类泛光（blooming）引起的深度畸变的研究，主要集中于去除畸变的背景像素，这限制了其直接校正高反射率目标周围背景深度畸变的能力。本文提出了一种泛光区域感知方向加权滤波方法，仅利用从单台振幅调制连续波飞行时间（AMCW-ToF）LiDAR获取的强度图和深度图，即可校正高反射率目标周围由泛光引起的背景深度畸变。所提方法基于强度图及强度图的梯度信息检测受泛光影响的背景区域。随后，对检测区域内每个待校正目标像素施加窗口核，并通过考虑核内像素间方向关系的多权重深度滤波来校正待校正目标像素的畸变深度。在验证过程中，根据滤波方法、目标距离、目标方向和背景信噪比（SNR）的变化，以均方误差（MSE）和均方根误差（RMSE）评估了校正性能。验证结果表明，在各种实验条件下，与泛光畸变深度相比，所提方法平均降低了49.811%的RMSE，表明其能够有效缓解高反射率目标周围的背景深度畸变。
**论文解读：面向高反射目标泛光畸变的区域感知方向加权滤波校正方法研究**
**一、研究背景与问题陈述**
三维深度信息作为环境感知的核心数据源，广泛应用于自主移动机器人、目标识别、障碍检测、建图与定位等智能系统中。飞行时间（Time-of-Flight, ToF）相机与ToF LiDAR因其能够直接提供目标物体的距离信息，在需要识别周围环境几何结构的机器人与自动驾驶系统中得到广泛部署。其中，振幅调制连续波飞行时间（Amplitude-Modulated Continuous-Wave Time-of-Flight, AMCW-ToF）传感器凭借其紧凑、经济高效的结构以及获取稠密深度图的能力，在室内移动机器人、三维测量与目标识别等领域发挥着关键作用。
然而，ToF与LiDAR传感器的测量精度易受测量环境、场景几何、表面反射率及光学特性等因素影响，产生多种深度畸变伪影，包括多路径干扰（Multipath Interference, MPI）、相位包裹、透明障碍物引起的误差以及飞点（Flying Pixels）等。特别地，当测量场景中存在高反射率目标时，其产生的强烈反射光信号会导致接收像素饱和，并因串扰、镜头内部散射及相关效应，在饱和像素周围引发强度和深度畸变，即泛光（Blooming）效应。这种泛光效应不仅使目标自身区域深度失效，更严重的是，其影响范围会扩散至目标周围的背景区域，形成虽具有有效深度值但已偏离真实背景深度的畸变带。
既有研究在应对此类问题时，存在明显局限。针对ToF相机与LiDAR深度畸变的研究，多聚焦于多路径干扰抑制、飞点校正、基于原始相关样本的深度细化以及模型或学习驱动的深度误差校正。针对高反射物体引发的泛光伪影，近期虽有研究利用合成数据及深度学习分割网络估计泛光伪影像素概率，但其主要目标在于伪影像素的估计或分割，并未将泛光畸变的背景深度恢复至接近真实背景深度。此外，针对LiDAR点云去噪与反射物体噪声去除的研究，也主要集中于稀疏离群点去除、天气噪声点去除或密集反射噪声去除，而非直接校正泛光畸变背景区域。因此，既往研究未充分解决将高反射目标周围的泛光诱导背景深度畸变定义为直接校正目标，并将其恢复至真实背景深度这一关键问题。
**二、研究目标与核心方法**
针对上述问题，研究人员提出了一种泛光区域感知方向加权滤波（Blooming-Region-Aware Directional Weighting Filter）方法，旨在仅利用单台AMCW-ToF LiDAR获取的强度图与深度图，直接校正高反射目标周围的泛光诱导背景深度畸变。该研究将高反射泛光引起的周围背景深度畸变定义为明确的校正问题，与以往主要关注飞点去除、物体边界伪影去除、点云去噪或泛光伪影像素估计的研究不同，本研究旨在将畸变背景深度恢复至更接近真实背景深度。
**三、主要关键技术方法**
本研究提出的方法框架包含基于强度的泛光区域检测模块与基于深度的校正模块。主要技术方法包括：第一，基于距离变换的核心区域中心估计与径向线生成，用于确定泛光扩散的参考坐标；第二，基于频域残差谱的显著性图计算与Sobel梯度幅值图的泛光起点与边界点检测，用于构建二维泛光畸变背景掩膜；第三，提出泛光区域感知方向加权滤波核，联合考虑像素标签依赖基础权重、核心中心引导的方向权重与高斯距离权重，对待校正像素进行多权重深度加权平均。实验采用LUCID Helios2 ToF相机，在受控实验环境下获取非镜面平面背景的真实深度图，并通过附加高反射目标获取泛光畸变深度图以构成配对数据。
**四、研究结果与分析**
**（一）方向加权的消融研究**
通过对比有无方向权重条件下的校正性能，验证了方向权重的核心贡献。在2.0 m黑色背景条件下，未使用方向权重时RMSE降低率仅为7.787%，而完整方法实现了57.880%的RMSE降低率，表明方向权重通过抑制核心方向畸变邻居深度贡献并增强背景方向邻居深度贡献，是RMSE降低的主要因素。
**（二）参数敏感性分析**
针对显著性百分位、梯度阈值、方向指数与高斯参数进行了单因素敏感性分析。结果显示，显著性百分位在99.5至99.9范围内校正性能完全一致；梯度阈值在100和300时性能相同，但500时RMSE降低率降至55.593%；方向指数从1增至5时RMSE降低率由54.420%提升至57.880%，继续增至9时仅边际提升；高斯参数在3至11范围内RMSE降低率保持57.629%至57.926%，性能总体稳定。
**（三）深度校正方法对比**
将所提方法与局部平面拟合、最近背景传播、拉普拉斯/泊松修复及迭代低通滤波四种方法进行对比。在单一评估条件下，所提方法实现了最低的MSE与RMSE（0.064 m2与0.254 m），以及最高的RMSE降低率44.025%，优于四种对比方法。30帧连续评估进一步表明，所提方法实现了47.396%的平均RMSE降低率，且帧间标准差仅1.565个百分点，显示出良好的帧间一致性。
**（四）不同实验条件下的校正性能**
在目标距离变化实验中，1.0 m至2.5 m距离范围内，棕色背景与黑色背景下RMSE降低率分别从26.199%与23.380%提升至60.676%与61.016%，表明距离增加时相对校正效果增强。在目标方向变化实验中，前方、右方和左方三种方向条件下，棕色背景与黑色背景的平均RMSE降低率分别达60.626%与58.910%，其中侧视方向条件校正效果优于正面方向。定性与定量结果均表明，所提方法在不同目标形状（三角形、圆形）与不同曝光时间（62.5、250、1000 μs）条件下均能有效缓解泛光诱导背景深度畸变。
**五、讨论与结论**
参数敏感性分析证实了所提方法在评估参数范围内的性能稳定性，方向权重消融实验确认了方向信息对于校正性能的主导作用。在方法对比中，所提方法生成的校正深度图与周围背景结构衔接更自然，且定量指标最优。30帧评估结果支持了单帧对比结论，表明校正性能在静态条件下具有高度帧间一致性。
本研究提出的泛光区域感知方向加权滤波方法，仅利用单台AMCW-ToF相机获取的强度图与深度图，即可有效校正高反射目标周围的泛光诱导背景深度畸变。在14种涉及目标距离、目标方向与背景SNR的定量实验条件下，该方法实现了平均49.811%与最大76.292%的RMSE降低率。研究结论表明，联合纳入泛光的径向扩散特性、邻居深度可靠性与空间邻近性的多权重校正策略，能够显著优于传统深度校正方法。
然而，该方法作为基于规则的算法，其性能对显著性百分位、梯度阈值、核尺寸及权重参数存在依赖性。在复杂背景下，无关强度梯度可能导致泛光掩膜过度扩张；在多目标场景中，邻近物体深度可能被纳入局部核而干扰周围深度结构。未来研究应开发自适应确定梯度阈值与核尺寸的方法，并构建超参数优化框架以适应不同场景条件。此外，本研究主要针对单高反射目标场景，多反射体或多泛光目标场景的验证与算法扩展，包括基于目标检测的候选区域分离与独立处理，是重要的后续研究方向。
