深度图的获取方法丰富多样，可以根据是否需要向目标投射激光、电磁波等分为主动深度成像和被动深度成像。获取的深度信息能够提供场景的位置、结构等信息，在工业生产、军事观测和现实生活中都有广泛应用。

深度成像，旨在测量场景各点的深度，即距离测试者的距离。关于深度成像的研究由来已久，方法也多种多样，其基本思想在于从传感器数据去挖掘深度线索，继而重构场景深度图。除了采用接触式直接测量深度以外，还可以基于数字图像和视频重建深度，并且不需要计算场景的实际深度（或距离），而是采用度量深度线索（比如弥散斑、视差、运动偏移等）的像素数来描述。

早在20世纪60年代，就有研究者从图形的纹理信息中寻找深度信息。紧接着，随着计算机视觉等领域的发展和应用领域迅速增长的需求，基于结构光、光度立体、立体视觉、飞行时间等一系列相关方法成为了该领域的研究热点，并取得了长足进展。鉴于从二维图像恢复深度信息病态性高，计算摄像的研究方法通过结合光学和计算的思路，降低病态性，提升深度重建的精度，对于深度成像起到了积极的推动作用。

基于多视点成像的深度估计：从不同视点对三维场景进行二维成像的时候，场景内同一点在多幅图像会形成位置偏差（视差），且视差与该点所处的深度相关。因此，利用多视点成像可以有效获取场景深度。类似地，可以通过一段二维视频图像帧之间的对应关系推测场景深度。

如果采用镜头成像系统，不同深度的点在成像平面会形成不同大小的弥散斑，利用弥散斑的大小也可以有效地恢复场景的深度。随着计算摄像的发展，通过编码光圈等对弥散斑的形状进一步调制，可以实现更精准的深度成像。

纹理，特别是固定单眼视图，提供了关于可见表面的三维结构的重要信息来源。规则纹理的透视收缩变化提供了关于局部表面方向的有用信息。通过计算局部仿射变形和推测局部表面方向，也可以恢复深度图。

光线在场景中传输的路径和时间与场景结构有关，因为通过向场景投射主动光，可以根据光的飞行时间和轨迹来推测场景表面的深度。运用此原理的典型的方法有飞行时间法、三角法、结构光法等。其中三角法、结构光法等可以与多相机投影几何相结合，提升深度成像的鲁棒性和准确度。

具有深度变化的三维表面，在不同角度的光照下会呈现不同的表观，其中也蕴含了表面法向的信息。光度立体法有效地利用这一特点，通过获取控制光照和视角条件下的2幅及以上数量的图像，求解表面法向量，继而利用线积分计算场景的深度信息。

鉴于人类在进化过程中积累了丰富的关于场景深度的先验，因此基于单张二维图像依然可以很好的判断场景的深度。广大研究者们还提出通过机器学习等方法来学习自然场景的深度先验知识，从单张二维图像进行深度获取。这一思路随着机器学习、尤其是深度学习等方法的发展越来越受到广泛的重视。

深度采集是计算机视觉领域的核心问题，尽管已经取得长足进步，但还未能满足日益提高和随时代变化的领域需求。深度采集呈现出以下研究趋势：

尽管静态场景的深度重建精度已经逐渐提高，但是在实际应用场景中仍然面临挑战。深度获取的主要目标已经从单

纯的提高重建精度逐渐过渡到考察重建速度、重建鲁棒性等综合指标。

现有的诸多深度获取方法都对采集环境有严格的限制，因此在自然环境下往往无法得到理想的效果。为此，如何在非可控条件下实现高性能的深度获取至关重要。

随着移动设备等飞速普及，广大研究者们致力于将深度获取设备小型化，以实现便携式的采集，甚至希望能够集成或者附加在小型终端。