美國麻省理工學(xué)院（MIT）媒體實(shí)驗(yàn)室的研究人員已經(jīng)開發(fā)了一種新的成像系統(tǒng)：使用PF32 SPAD陣列+TDC 單光子計(jì)數(shù)相機(jī)和新的算法，測(cè)量被霧遮擋物體的距離。在實(shí)驗(yàn)中，該系統(tǒng)的表現(xiàn)比人類的視覺（因人的視線很難看穿霧氣）更好，這對(duì)于自動(dòng)駕駛來說是一個(gè)巨大的突破。

透過霧成像，在自動(dòng)駕駛汽車、增強(qiáng)駕駛、飛機(jī)、直升機(jī)、無人駕駛飛機(jī)和火車等行業(yè)中具有重要應(yīng)用價(jià)值和意義。透過霧成像和被霧遮擋對(duì)象反射光信號(hào)的分布（高斯）相比，透過霧成像討論的是從霧反射光信號(hào)的時(shí)間分布（Gamma）。這有助于區(qū)分從霧反射的背景光信號(hào)和從被遮擋物體反射的信號(hào)光子?；谶@一觀察，我們恢復(fù)了被密集、動(dòng)態(tài)和異質(zhì)霧阻擋的場(chǎng)景的反射率和深度。對(duì)于實(shí)際使用情況，成像系統(tǒng)采用基于LIDAR硬件，占地面積最小的光學(xué)反射模式設(shè)計(jì)。具體來說，使用單光子計(jì)數(shù)相機(jī)，對(duì)檢測(cè)到的單個(gè)光子進(jìn)行時(shí)間標(biāo)記。讓開發(fā)概率計(jì)算框架以在沒有先驗(yàn)知識(shí)的情況下從測(cè)量本身估計(jì)霧特性。同時(shí)，基于雷達(dá)的解決方案具有較差的分辨率（由于長波長），或者具有低信噪比的時(shí)間門控。

麻省理工學(xué)院（MIT）媒體實(shí)驗(yàn)室在使用PF32 SPAD陣列+TDC 單光子計(jì)數(shù)相機(jī)的時(shí)間相關(guān)數(shù)據(jù)預(yù)測(cè)目標(biāo)形狀

圖（b）中的分類顯示其預(yù)測(cè)準(zhǔn)確度> 70％

通過散射成像的傳統(tǒng)技術(shù)解決了反問題，并且受到使用多個(gè)校準(zhǔn)參數(shù)（例如相機(jī)視場(chǎng)，照明位置等）調(diào)諧正向模型的需要的限制。下面重點(diǎn)介紹成像技術(shù)，比如在識(shí)別并分類隱藏在散射介質(zhì)后面的物體，而且不隨模型訓(xùn)練范圍內(nèi)校準(zhǔn)參數(shù)的變化而變化。在使用數(shù)據(jù)驅(qū)動(dòng)方法，并利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）來研究校準(zhǔn)參數(shù)在訓(xùn)練范圍內(nèi)變化并且?guī)缀醪蛔兊哪Ｐ蜁r(shí)，而不是調(diào)整正演模型并直接反演光學(xué)散射。而在對(duì)校準(zhǔn)不敏感的散射條件下，大大的提高了成像的穩(wěn)定性。

據(jù)悉，CNN通過蒙特卡羅（MC）模型生成的大型合成數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)，該模型包含主要校準(zhǔn)參數(shù)的隨機(jī)實(shí)現(xiàn)，并在使用單光子計(jì)數(shù)相機(jī)進(jìn)行評(píng)估后，對(duì)隱藏在紙張后面的人體模型的姿勢(shì)進(jìn)行了預(yù)測(cè)，其中在三個(gè)姿勢(shì)中的30個(gè)測(cè)試中有23個(gè)分類正確（實(shí)際測(cè)量值準(zhǔn)確度為76.6％） 。而這種方法恰恰為實(shí)時(shí)非視距（NLOS）成像實(shí)際應(yīng)用鋪平了道路。

應(yīng)用場(chǎng)景

• 在充滿挑戰(zhàn)的天氣中進(jìn)行自主駕駛或輔助駕駛

• 飛機(jī)和直升機(jī)在濃霧環(huán)境中起飛、著陸和低空飛行

• 列車在惡劣天氣條件下以正常速度行駛

PF32 SPAD陣列+TDC 單光子計(jì)數(shù)相機(jī)是武漢東隆科技有限公司中國區(qū)總代理，它是一款32*32面陣SPAD探測(cè)器，區(qū)別于一般的SPAD面陣探測(cè)器，PF32 SPAD陣列+TDC 單光子計(jì)數(shù)相機(jī)的1024個(gè)單光子敏感SPAD像素陣列，都具有超快的55ps 時(shí)間分辨率TDC 電子元件，從而形成了一個(gè)并行的，功能強(qiáng)大，高度緊湊的系統(tǒng)。這種并行性讓生命科學(xué)、量子成像、激光雷達(dá)抑或是單光子成像領(lǐng)域的科研工作者，更加方便、簡單的獲取和驗(yàn)證實(shí)驗(yàn)結(jié)果。

參考文獻(xiàn)：

G. Satat et al.,"Object Classification through Scattering Media with Deep Learning on Time Resolved Measurement“

Optics Express Vol. 25, 17466-17479 (2017).