目前人們如果想探測環境深度信息，主要依賴于三種技術，分別是相機陣列， TOF（time of flight）技術，以及基于結構光的深度探測技術。

　　結構光：接收器使用激光光源投射目標物，檢測反射目標物的變形，以基于幾何形狀計算深度圖。它必須掃描整個平面以獲得需要時間的深度圖，因此它是非常準確的。但是，此方法對環境亮度敏感，因此通常僅在黑暗或室內區域使用。

　　飛行時間（ToF）：

　　ToF 主要有兩種方法。第一個很簡單：激光源發出一個脈沖，傳感器檢測到該脈沖在目標物體上的反射，以記錄其飛行時間。知道了光的恒定速度后，系統可以計算出目標物體的距離。為了確保高精度，脈沖周期必須短，這導致較高的成本。另外，需要高分辨率的時間數字轉換器，這會消耗很多功率。這種方法通常可以在高性能 ToF 傳感器中找到。

　　計算時間的另一種方法是發出調制光源并檢測反射光的相位變化。相變可以通過混合技術容易地測量。調制激光源比發出短脈沖更容易，并且混合技術比時間數字轉換器更易于實現。此外，LED 可用作調制光源來代替激光。因此，基于調制的 ToF 系統適合于低成本 ToF 傳感器。

　　相機陣列：

　　攝像頭陣列方法使用放置在不同位置的多個攝像頭來捕獲同一目標的多個圖像，并根據幾何結構計算深度圖。在計算機視覺中，這也稱為“立體視圖”或“立體”。最簡單但最受歡迎的相機陣列是雙相機，其中兩個相機相隔一定距離以模仿人眼。對于空間中的每個點，在兩個攝像機圖像中的位置均出現可測量的差異。然后，通過基本幾何來計算深度。相機陣列的主要挑戰是如何在多個圖像中找到匹配點。匹配點搜索涉及復雜的 CV 算法。目前，深度學習可以幫助您找到準確度較高的匹配點，但是其計算成本很高。另外，有很多點很難找到匹配點。例如，在上面的瓦格納雕像的兩個視圖中，鼻子是最容易匹配的點，因為它的特征易于提取和比較。但是，對于面部的其他部分（尤其是面部無紋理的表面），很難找到匹配點。當兩個相機圖像的遮擋不同時，匹配會更加復雜。目前，相機陣列作為深度傳感器的魯棒性仍然是一個具有挑戰性的問題。
?