CN103217855B

CN103217855B - 摄像机自动聚焦方法

Info

Publication number: CN103217855B
Application number: CN201310113062.9A
Authority: CN
Inventors: 张君
Original assignee: SANTACHI VIDEO TECHNOLOGY (SHENZHEN) Co Ltd
Current assignee: Shenzhen Jin made video Polytron Technologies Inc
Priority date: 2013-04-02
Filing date: 2013-04-02
Publication date: 2015-07-15
Anticipated expiration: 2033-04-02
Also published as: CN103217855A

Abstract

本发明提供了一种摄像机自动聚焦方法，在调焦窗口的选择上对应正常照度、低照度提供了分别处理，在即不增加过多计算的基础上兼顾聚焦过程中对画面的上半以及左右两侧信息的纳入。而调焦搜索控制策略则采用了改进型的爬山算法，通过首先的粗调再由函数拟合找极值点，驱动电机到达极值点附近后再采用小步长的方法在极值点附近通过爬山算法进行细调，使得聚焦更为准确。而图像清晰度的评价则采用Brenner函数作为自动聚焦的评价函数，适合快速配合聚焦过程找到图像最清晰点。

Description

摄像机自动聚焦方法

技术领域

本发明涉及一种画面成像方法，尤其是指一种摄像机自动聚焦方法。

背景技术

在安全理念越来越重要的今天，安防监控系统的重要性也日益凸现，特别是一些比较敏感的场所，如银行、监狱、公路等，出于安全和管理的需要，人们需要知道这些场所发生的事件，对这些场所进行监控。出于对这些特殊场所的监控需求，能自动变焦、聚焦的一体化摄像机的越来越多的被需求。在一体化摄像机中，自动聚焦技术是摄像机的核心技术，能否快速、准确的实现自动聚焦是评价一体化摄像机品质的关键。聚焦速度和效果好坏，直接影响到用户对监控现场画面的抓取和录像。

传统摄像机所采用的自动聚焦技术大部分是基于测距原理的，如红外测距法和超声波测距法等，也还有一种聚焦检测法，如相位检测法(相位法)等，此两种聚焦技术都需要配备的额外的光电检测仪器。

因此，随着基于画面处理的自动聚焦方法的出现和改进，它已经逐渐替代传统的聚焦方法，特别是在摄像机成为最主要的聚焦方法。对于基于画面处理的自动聚焦而言，其依据的是被测目标的光学画面，首先对其数字画面进行采集，而后通过某种画面评价函数，对画面的清晰度进行评判，然后依靠某种调焦搜索控制策略，控制镜头。基于上面的工作方式，有三个十分重要的核心问题：图像清晰度的评价、调焦窗口的选择、调焦搜索控制策略。

其中，调焦窗口选择对画面处理的自动聚焦至关重要，究其原因主要有两点：(1)由于对画面运用聚焦评价函数进行的运算基本上与画面的像素成正比，为了达到实时性的要求，必须减少参加运算的像素的数量；(2)如果对整幅画面运用聚焦评价函数，画面中不重要的部分(背景)会对评价结果产生负面的影响，导致画面中的重要部分(成像主目标)无法准确对焦。

可见，调焦窗口的选取大小及位置直接决定了聚焦评价系统的运算量，决定了聚焦系统的反馈速度；另外窗口中是否包含了灰度信息、边缘信息等等因素都影响计算的准确性。

目前调焦窗口选择方法多采用以下几种：

1)、中心窗口的选择算法

如图1所示，所谓中心窗口的选择算法，就是选取人们最关心的画面的中央部分进行计算，这种选取方法适合大多数聚焦场景。

2)、多点窗口的选择算法

此种选择算法是根据人们摄影的习惯，主体景物主要分布在画面的中下部，即对画面进行划分，选择中部和下面两个窗口作为聚焦区域，如图2所示。

3)、关键点窗口的选择算法

在摄影中，除了中心点是人们关注的重心以外，还有另外4个也是视觉关键点，也就是所谓的画面的四个黄金分割点，如图3所示。

然而，方法1使用时若碰到当主体目标不在画面中心部位时，就会有很大的缺陷。而方法2、3虽然一定程度适应了主体景物偏移的情况，但此两种方式却都是以增加计算量和引入更多背景为代价的。

发明内容

本发明的目的在于克服了上述缺陷，提供一种计算量适中且快速的摄像机自动聚焦方法。

本发明的目的是这样实现的：

本发明的有益效果在于提供了一个整套的基于画面处理的自动聚焦方案，方案在调焦窗口的选择上对应正常照度、低照度提供了分别处理，在即不增加过多计算的基础上兼顾聚焦过程中对画面的上半以及左右两侧信息的纳入。而调焦搜索控制策略则采用了改进型的爬山算法，通过首先的粗调再由函数拟合找极值点，驱动电机到达极值点附近后再采用小步长的方法在极值点附近通过爬山算法进行细调，使得聚焦更为准确。而图像清晰度的评价则采用Brenner函数作为自动聚焦的评价函数，适合快速配合聚焦过程找到图像最清晰点。

附图说明

下面结合附图详述本发明的具体结构

图1为调焦窗口选择方法示例1；

图2为调焦窗口选择方法示例2；

图3为调焦窗口选择方法示例3；

图4为本发明的具体实施例方法流程图；

图5为一具体实施例中绘制的Brenner函数的曲线。

具体实施方式

为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。

背景技术的两种选择窗口时，往往只选择了人眼相对比较关注的画面作为计算的依据。但在监控领域，画面的上半以及左右两测，也会出现比较重要的信息，以上的两种方式都将此处忽略了。为此，本文提出以下窗口选择方法。

请参阅图4，本发明提供了一种摄像机自动聚焦方法，它包括步骤，

A)、画面分割，以网格状方式对画面进行分割；较佳的、此处分割的网格状状的行数与列数相同。

作为一实施例，步骤A中的网格状为10行*10列的网格，并按下表方式为每格图像编号，

1	2	3	4	5	6	7	8	9	10
										11	12	13	14	15	16	17	18	19	20
21	22	23	24	25	26	27	28	29	30
										31	32	33	34	35	36	37	38	39	40
41	42	43	44	45	46	47	48	49	50
										51	52	53	54	55	56	57	58	59	60
61	62	63	64	65	66	67	68	69	70
										71	72	73	74	75	76	77	78	79	80

81	82	83	84	85	86	87	88	89	90
										91	92	93	94	95	96	97	98	99	100

B)、对画面经分割后每块格子图像通过图像清晰度评价函数计算得到对应值。对应上述10*10分割实施例，本步骤即计算每FV_[n]值(n＝1-100)表示每个小格所计算的清晰度评价函数的值。

C)、区分照度，通过判断IR-CUT的切换状态区分照度情况，对应正常照度执行步骤D中的正常照度处理，对应低照度执行步骤D中的低照度处理；

D)、筛选画面经分割后的部分格子图像并根据权重关系计算得到画面整体的图像清晰度评价函数值FV。

正常照度处理：

d11)、对画面经分割后的格子图像分四类进行选择，第一类为分布于画面四角的格子图像，第二类为分布于画面两侧偏下部格子图像，第三类为位于画面中心部分的格子图像，第四类为位于第三类周围部分的各格子图像；

d12)、分别累加第一类、第二类、第三类、第四类选择的格子图像的图像清晰度评价函数值，然后加权平均得到画面整体的图像清晰度评价函数值。

对应上述10*10分割实施例，本步骤中第一类选择的格子图像包括上述编号1、2、9、10、91、92、99、100格的图像；第二类选择的格子图像包括41、51、61、71、50、60、70、80格的图像；第三类选择的格子图像包括34、35、36、37、44、45、46、47、54、55、56、57、64、65、66、67格的图像，第四类选择的格子图像包括5、6、14、15、16、17、24、25、26、27、33、38、43、48、53、58、63、68、74、75、76、77、84、85、86、87、95、96格的图像；

计算为：

式中，FV_第一类为编号1、2、9、10、91、92、99、100格的图像的FV之和；

FV_第二类为编号41、51、61、71、50、60、70、80格的图像的FV之和；

FV_第三类为编号34、35、36、37、44、45、46、47、54、55、56、57、64、65、66、67格的图像的FV之和；

FV_第四类为编号5、6、14、15、16、17、24、25、26、27、33、38、43、48、53、58、63、68、74、75、76、77、84、85、86、87、95、96格的图像的FV之和；

a_n(n＝1-4)，表示每一类图像的计算时的权值。

对应本本实施例中，最佳的是其中第三类的权重值即a₃的值相对其它三类的权重值较大，这样的选择画面即可以满足中心为重的选择，又可以兼顾主题景物偏移的情况。

低照度处理：

d21)、对画面经分割后的格子图像分三类进行选择，第一类为分布于画面左下角及右下角的格子图像，第二类为位于画面中心部分的格子图像，第三类为位于第二类周围部分的各格子图像；；

d22)、分别累加第一类、第二类、第三类选择的格子图像的图像清晰度评价函数值，然后加权平均得到画面整体的图像清晰度评价函数值；

对应上述10*10分割实施例，本步骤中第一类选择的格子图像包括91、92、99、100格的图像；第二类选择的格子图像包括34、35、36、37、44、45、46、47、54、55、56、57、64、65、66、67格的图像，第三类选择的格子图像包括5、6、14、15、16、17、24、25、26、27、33、38、43、48、53、58、63、68、74、75、76、77、84、85、86、87、95、96格的图像。

计算为：

式中，FV_第一类为编号91、92、99、100格的图像的FV之和；

FV_第三类为编号5、6、14、15、16、17、24、25、26、27、33、38、43、48、53、58、63、68、74、75、76、77、84、85、86、87、95、96格的图像的FV之和；

a_n(n＝1-3)，表示每一类图像的计算时的权值。关于此权重值，实质为一个计算加权平均的一个系数，是一个相对值，根据实际应用需要进行调整设定即可。

在上面的叙述中，相对正常照度时去除了画面中的一部分，在晚上时，对于监控领域来讲，经常在画面的左上和右上有路灯等强光出现，此时将此部分去除，主要是为了将此强光对于聚焦的影响去掉。另外，对应本本实施例中，最佳的是，此选择中也是第三类画面即a₃的权重值相对较大，这样还是选择了以画面中心为主体的情况。

E)、通过爬山搜索算法反复驱动调焦电机运行并比较画面的图像清晰度评价函数值直至完成聚焦。

本步骤为对应基于画面处理的自动聚焦的调焦搜索控制策略，策略中主要是聚焦点搜索算法，它决定了自动聚焦能否快速的驱动镜头调整到正焦位置。由于聚焦评价函数多为单峰曲线，所以也称为极点搜索算法。此算法通过比较离散位置的聚焦评价函数值，得出镜头的移动方向和步长，反馈控制直到最佳成像位置点。比较典型的评价函数峰值搜索方法有Fibonacci搜索法、爬山法等，本步骤中选用的是爬山算法。

然而，传统的爬山算法，采用固定的步长来搜索曲线的最高点，在搜索时容易错过最清晰点，且容易形成震荡，找不到最清晰的点。为此，本文使用以下方法来寻找最清晰点。因此本实施例中提供了一种改进的爬山搜索方法，具体包括步骤：

e1)、聚焦粗调，驱动调焦电机在固定步长SP驱动下运行一个完整的调焦行程，并同时在固定时间间隔记录对应画面的图像清晰度评价函数值FV，而后将记录的所有画面的图像清晰度评价函数值连成曲线；

e2)、聚焦粗调定位，用由图像清晰度评价函数值与固定步长构成的二次函数来拟合此曲线，取两者拟合的极值点，以该极值点作为标准进行聚焦细调。

如，二次函数可为：fv＝as²+bs+c式中，fv代表画面的清晰度函数值FV，s表示电机的步长。式中a，b，c是通过统计的数据反推回去的函数的系数，因此此处无需特别说明。

当图像最清晰时，其FV达到最大值，故而根据拟合的曲线找到曲线的极值点，则图像的最清晰点在此极值点附近，此时完成粗调过程。

e3)、聚焦细调，驱动调焦电机运行到极值点附近，获取此时画面的图像清晰度评价函数值；向调焦电机发送一个正向的调整步长S₁(S₁<SP)驱动，获取此时画面的图像清晰度评价函数值；

e4)、比较当前画面的图像清晰度评价函数值FV_当前与前一画面的图像清晰度评价函数值FV_前1，若前者大FV_当前>FV_前1说明此时向右运动时正确的，则应保持此方向执行步骤e5，若前者小则执行步骤e8；

e5)、计算当前画面的图像清晰度评价函数值与前一画面的图像清晰度评价函数值的差值，即判断|FV_当前-FV_前1|与fv的大小(fv表示两者之间的差距，用来判断两副图像之间的值是否相差极大)，若差值fv大于设定阈值则执行步骤e6，若差值小于设定阈值则执行步骤e7，若差值等于设定阈值则意味着聚焦已找到最清晰点，聚焦完成；

e6)、向调焦电机发送一个正向的调整步长驱动，而后转回步骤e4；

e7)、向调焦电机发送一个正向的小于调整步长的步长(即小步长S₂，S₂<S₁)驱动，而后转回步骤e4；

e8)、计算当前画面的图像清晰度评价函数值与前一画面的图像清晰度评价函数值的差值，若差值大于设定阈值则执行步骤e9，若差值小于设定阈值则执行步骤e10，若差值等于设定阈值则聚焦完成，不再进行后续步骤；

e9)、向调焦电机发送一个反向的调整步长驱动，而后转回步骤e4；

e10)、向调焦电机发送一个反向的小于调整步长(即小步长S₂，S₂<S₁)的步长驱动，而后转回步骤e4。

可见，上述改进的爬山算法首先在整个聚焦范围进行粗调，用固定的步长SP走完全程，在电机走动的过程中，按照固定的时间T记录此时的清晰度评价函数值FV，而后用三阶的函数来拟合此曲线，并找到曲线的极值点，而后驱动电机到达极值点附近，此时完成粗调过程，然后再采用小步长的方法在极值点附近通过爬山算法进行细调。

在一实施例中，本发明提供了一种基于画面处理的自动聚焦的图像清晰度评价函数的选用方案。

由于清晰度评价函数对自动聚焦系统来说是非常关键的存在，它关系到是否能准确的找到最清晰的一点。图像清晰度评价函数的种类很多，根据其依据可以分为两类，时域分析和频域分析。

其中，时域分析是基于灰度值进行分析，图像的清晰度不同，其灰度值也随之变化。当图像比较清晰时，则图像包含的细节比较丰富，表现为图像灰度变化明显，有较锐化的边缘。时域分析常用的几种方法是Brenner函数、梯度平方函数、方差标准函数、基于Sobel算子的Tenengrad函数等。

本发明方案选用了Brenner函数作为图像清晰度评价函数，Brenner函数又叫做梯度滤波器法(gradient filter focusing method)，其算法公式为：

E = \underset{x}{Σ} \underset{y}{Σ} {[f (x + i) - f (x, y)]}^{2}

式中，E是评价函数的值，i为自然数1,2…

参见附图5的采用摄像机采集的95幅图像，图像序列按照离焦-聚焦-离焦的顺序排列绘制的Brenner函数的曲线，可以看出，Brenner函数在最清晰点附近变化较大，方便找到最清晰点，故而本文在此选用Brenner函数作为自动聚焦的评价函数。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims

1.一种摄像机自动聚焦方法，其特征在于：它包括步骤，

A)、画面分割，以网格状方式对画面进行分割；

B)、对画面经分割后每块格子图像通过图像清晰度评价函数计算得到对应值；

D)、筛选画面经分割后的部分格子图像并根据权重关系计算得到画面整体的图像清晰度评价函数值；

正常照度处理：

d12)、分别累加第一类、第二类、第三类、第四类选择的格子图像的图像清晰度评价函数值，然后加权平均得到画面整体的图像清晰度评价函数值；

低照度处理：

d21)、对画面经分割后的格子图像分三类进行选择，第一类为分布于画面左下角及右下角的格子图像，第二类为位于画面中心部分的格子图像，第三类为位于第二类周围部分的各格子图像；

E)、通过爬山搜索算法反复驱动调焦电机运行并比较画面的图像清晰度评价函数值直至完成聚焦；

所述步骤E具体包括步骤，

e1)、聚焦粗调，驱动调焦电机在固定步长驱动下运行一个完整的调焦行程，并同时在固定时间间隔记录对应画面的图像清晰度评价函数值，而后将记录的所有画面的图像清晰度评价函数值连成曲线；

e2)、聚焦粗调定位，用由图像清晰度评价函数值与固定步长构成的二次函数来拟合此曲线，取两者拟合的极值点，以该极值点作为标准进行聚焦细调；

e3)、聚焦细调，驱动调焦电机运行到极值点附近，获取此时画面的图像清晰度评价函数值；向调焦电机发送一个正向的调整步长驱动，获取此时画面的图像清晰度评价函数值；此步骤中，所述调整步长小于固定步长；

e4)、比较当前画面的图像清晰度评价函数值与前一画面的图像清晰度评价函数值，若前者大则执行步骤e5，若前者小则执行步骤e8；

e5)、计算当前画面的图像清晰度评价函数值与前一画面的图像清晰度评价函数值的差值，若差值大于设定阈值则执行步骤e6，若差值小于设定阈值则执行步骤e7，若差值等于设定阈值则聚焦完成，不再进行后续步骤；

e7)、向调焦电机发送一个正向的小于调整步长的步长驱动，而后转回步骤e4；

e10)、向调焦电机发送一个反向的小于调整步长的步长驱动，而后转回步骤e4。

2.如权利要求1所述的摄像机自动聚焦方法，其特征在于：所述图像清晰度评价函数为Brenner函数。

3.如权利要求1-2任意一项所述的摄像机自动聚焦方法，其特征在于：所述步骤A中的网格状的行数与列数相同。

4.如权利要求3所述的摄像机自动聚焦方法，其特征在于：所述步骤A中的网格状为10行*10列的网格，并按下表方式为每格图像编号，

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100

所述步骤D中正常照度处理的第一类选择的格子图像包括上述编号1、2、9、10、91、92、99、100格的图像；第二类选择的格子图像包括41、51、61、71、50、60、70、80格的图像；第三类选择的格子图像包括34、35、36、37、44、45、46、47、54、55、56、57、64、65、66、67格的图像，第四类选择的格子图像包括5、6、14、15、16、17、24、25、26、27、33、38、43、48、53、58、63、68、74、75、76、77、84、85、86、87、95、96格的图像；

所述步骤D中低照度处理的第一类选择的格子图像包括91、92、99、100格的图像；第二类选择的格子图像包括34、35、36、37、44、45、46、47、54、55、56、57、64、65、66、67格的图像，第三类选择的格子图像包括5、6、14、15、16、17、24、25、26、27、33、38、43、48、53、58、63、68、74、75、76、77、84、85、86、87、95、96格的图像。