深度图,作为场景三维信息的表达方式,已经被广泛应用于计算机视觉、机器人、人机交互等各个方面。不同于传统的纹理图,获取高精度的深度图仍然是一个开放的问题。这其中干扰产生的深度丢失问题,以及场景几何信息引起的大面积深度信息丢失问题是深度图中较为严重的问题。针对这两个问题,本文着重进行研究并提出相应的解决方法。针对多深度测量系统中存在的干扰问题,本文从分析结构光测量原理的角度,提出多级模板的概念。模板设计中,主要采用了de Bruijn序列以及伪随机矩阵的编码方式。水平维度上,de Bruijn序列用来构建不同编码单元的唯一性。每一个水平维度的编码单元采用伪随机矩阵的方式,从而实现了多级模板中每一个像素的唯一性。与此同时,通过设计不同的de Bruijn序列以及伪随机矩阵,可以产生多个相互正交的多级模板。深度计算过程中,相互叠加的多个模板可以根据其正交性有效分离,并利用de Bruijn序列的特性获取较为粗糙的深度图。通过分析伪随机矩阵的特性,可以进一步获得较高质量的深度图。因此,利用正交多级模板,可以有效解决多深度测量系统中的干扰问题。针对平面中存在的大面积深度丢失问题,本文提出基于ProSAC的深度恢复算法。考虑到大面积深度丢失区域的特点,即只有少数轮廓像素点的深度信息已知,可利用ProSAC算法筛选高质量轮廓像素点并拟合出平面方程,并根据拟合出的平面方程对目标区域进行深度恢复。对轮廓点的质量评价中,主要采用纹理相似性计算以及统计直方图分析的方法。由于统计直方图分析方法建立在深度图本身的基础上,该方法具有更好的应用性,尤其是缺少纹理图情况下。实验结果进一步表明,在多深度测量系统或大面积深度丢失情况下,本文提出的算法能够有效改善深度图精度,增强深度图质量。