摄像头 - 对焦算法实现总结

对焦模式

常用的模式：CAF、TOUCH focus、auto focus。

CAF:
1、判断条件：环境亮度变化、陀螺仪之类传感器数据变化
2、检测到环境亮度或者传感器数据变化超过一定阀值
3、继续检测到环境亮度或者传感器数据变化已经稳定
4、触发CAF
　　 Touch focus
　　　　 1、点击预览界面时候触发
　　　　 2、点击位置坐标为对焦点，传入对焦算法中。
　　 auto focus：
　　　　 1、点击拍照时候触发
　　　　 2、对焦点为预览界面中心。

对焦算法结构

1、获得当前帧图像
2、图像清晰度计算
3、下一步马达位置计算
4、马达驱动
　　驱动马达之后，从新获得新的帧图像，继续清晰度计算，获得信息对焦位置，不断循环，直到找到最高清晰度的马达位置，对焦完成。

常用的清晰度评价算法有：
　　频域函数 :对焦越好、高频部分越多，细节越多，图像越清晰。
　　灰度函数 :对焦越好，和周围相邻灰度点差值越大，边缘越清晰，图像越清晰。
　　信息熵函数:对焦越好，图像包含的信息熵越大，包含信息量更大，图像越清晰。
　　统计学函数:对焦越好，直方图多样性越好，图像越清晰。

常用的搜索算法有：
　　 1、函数逼近法
　　 2、Fibbonacci搜索法
　　 3、爬山搜索算法

对焦算法中，基本都是在不停的做状态机查询，常用的状态有：
　　 1、等待对焦触发
　　 2、对焦参数更新(如图像分辨率变化或者对焦ROI坐标变化)
　　 3、对焦工作中
　　 4、对焦状态返回(对焦成功或者失败)

驱动马达

开环马达:以当前主流手机为例，驱动马达移动之后，自测需要50ms左右才能稳定。
闭环马达:以当前主流手机为例，驱动马达移动之后，自测需要15ms左右才能稳定。　
　
闭环马达对比开环马达优势：稳定速度更快，功耗更小。

时间消耗

1、等待图像稳定
2、马达推动　　
3、状态机查询、搜索算法、清晰度评价算法等程序运行。

只要时间消耗在：等待图像稳定。
　以当前主流手机为例：
　　 1、30fps帧率为例，一帧图像为33ms左右。若为开环马达，等待帧数需要为3、4帧。在这上面，每推动一次马达，消耗时间为100ms-133ms左右。若为闭环马达，需要等待2、3帧，每推动一次马达，消耗时间为66ms-100ms左右。
　　 2、马达推动稳定时间(15ms左右或者 50ms左右)
　　注意:因为马达推动稳定时间和图像帧收集等待时间为并行，所以这两者时间不用叠加。
　　 3、程序运行时间(15ms以下)
　　这些程序中，主要是清晰度计算花费时间，但是也不多，自测在几毫秒就。这部分时间和马达驱动时间为串行，需要叠加。
和图像帧收集等待时间并行。
　　 4、自测普通对焦一次时间消耗大致在600ms-1000ms左右，随着帧率降低，对焦消耗时间越多。
以上，对焦时间消耗主要为图像帧稳定上。

快速对焦

常见快速对焦
　　 1、激光对焦　　
　　 2、双摄视差对焦　　
　　 3、PdAF对焦
　　这些对焦方式，通过激光、视差、相位差之类方式，直接计算出大致的对焦点，然后再微调，实现对焦。
　　很大程度上减少了对焦搜索范围，大致上可以将对焦时间优化到300ms–500ms左右。
　　另外在快速对焦中，有些算法是直接计算出大致对焦点，没有继续微调对焦，这样对焦时间时间可以在100ms以内或左右。不过对焦效果
和对焦结果一致性会差一些。

注意

1、马达推动之后，需要等待图像稳定之后，才能计算清晰度
2、图像清晰度计算算法选择，需要对噪点之类不太敏感
3、对焦区域ROI的选择不能太小或者太大，1280X960的区域，可以选择160X160区域
4、如果有快速对焦功能，需要判断是否快速对焦成功，如果失败，则需要算法切换回普通对焦模式上，从新对焦。

摄像头 - 对焦算法实现总结相关推荐

常用AF对焦算法详解
常用的AF算法框架 module 由module分别输出两个通道给到AP, 分别传输PDBuffer与RawBuffer:然后由算法针对拿到的Buffer进行计算,输出对应的CAF与PD结果: TOF ...
整理智能车中使用到的摄像头图像处理算法
整理智能车中使用到的摄像头图像处理算法 19年的智能车竞赛给我留下了很深远的影响,不管是算法思路还是解决问题的方法对我来说都受益匪浅.今天整理资料时又翻出这些代码,回忆起做车时不分日夜地在赛道上调试, ...
3D结构光摄像头深度算法
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达光学和算法是3D结构光的核心能力,性能优越的3D结构光摄像头必须是光学系统和深度算法的完美融合,两者高 ...
3D结构光摄像头深度算法转载
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达光学和算法是3D结构光的核心能力,性能优越的3D结构光摄像头必须是光学系统和深度算法的完美融合,两者高 ...
3D深度体感摄像头自有算法的深度立体视觉传感器
rgbdsense基于结构光结合自有算法的深度立体视觉传感器,通过USB将深度数据与RGB数据传输至PC的免驱动设备.通过此次众筹为大家提供开放易用的3D深度摄像头,开发人员可借助PC用于3D成像,图 ...
java对焦_Android camera摄像头对焦，zoom的通知事件回调，告诉java应用层已经对焦完成...
在vendor/sec/sec_proprietary/smdkc110/libcamera/SecCameraHWInterface.cpp中,当对硬件设置完毕后,通知packages/apps/C ...
ADAS视觉方案盘点上篇：摄像头、芯片和算法
摄像头是ADAS核心传感器,相比毫米波雷达和激光雷达,最大优势在于识别(物体是车还是人.标志牌是什么颜色).汽车行业价格敏感,摄像头硬件成本相对低廉,因为近几年计算机视觉发展迅速,从摄像头角度切入AD ...
自动驾驶激光雷达、摄像头、毫米波雷达融合算法
无人驾驶汽车多传感器冗余下的数据融合算法研究 [论文]详见知网链接.ELSEVIER链接.IEEE链接,[开源项目]详见github链接 [编译运行]详见DWD_sensor_fusion编译运行目 ...
Android 摄像头调用（不含拍照），kotlin开源
mCurrentCamIndex = camIdx; //设置前置摄像头id }catch (RuntimeException e){ Log.e(TAG,"相机打开失败:" + ...

摄像头 - 对焦算法实现总结

对焦模式

对焦算法结构

驱动马达

时间消耗

快速对焦

注意

摄像头 - 对焦算法实现总结相关推荐

最新文章

热门文章