CN105227810B - 一种基于bibavr算法的自动聚焦头盔摄像机 - Google Patents

Abstract

本发明公开了一种基于BIBAVR算法的自动聚焦头盔摄像机，提出了一种无参考图像清晰度评价算法BIBAVR，基于该算法又提出了一种自动聚焦算法，最后，应用无参考图像清晰度评价算法和自动聚焦算法提出了一种自动聚焦头盔摄像机。头盔摄像机包括自动聚焦的照相模式和快速去模糊的摄像模式。头盔摄像机主要由无线遥控器、蓄电池、图像传感器、电动对焦镜头、电机驱动模块、Si4432无线模块、WIFI模块、MicroSD卡模块以及控制电路板组成。无线遥控通过无线信号与头盔摄像机相连，完成对所述头盔摄像机工作模式的切换。图像传感器负责采集图像及视频，最终将清晰的图像传送至监控器或者主机端。

Description

一种基于BIBAVR算法的自动聚焦头盔摄像机

技术领域

本发明属于自动聚焦摄像技术领域，提出了一种无参考图像清晰度评价算法BIBAVR，英文全称为Blind image blur assessment based on valid reblur，基于该算法又提出了一种自动聚焦算法，最后，应用该自动聚焦算法提出了一种自动聚焦头盔摄像机。

背景技术

在矿井、铁路通道等施工现场，维护检修人员常常通过头盔摄像机实时拍摄现场视频，再传输给监控器端的专家分析处理。这种可随人员移动的便携设备使现场始终处于监控状态，大大提高了安全保障，既可将现场情况及时传回监控器端供专家分析处理，也可以为后期的分类、存储和检测提供便利。

现有适用于施工现场的头盔摄像机一般分为红外摄像和矿灯摄像监控两类。相关文献和专利一方面主要针对头盔的硬件设计，使之适合实时网络传输、便携头部佩戴或者解决防水防火等安全隐患；另一方面集成音频等功能，方便后端专家与佩戴工作人员实时交互。因便携性、价格等原因，目前头盔摄像机只包含摄像或者简单拍照功能，无法自动聚焦。由于人在行走过程难免造成摄像机的晃动，使拍摄的视频图像质量低下，图像模糊，这样的视频图像只能用于实时监测，不利于后端专家准确分析故障。因此需要在传统头盔摄像机基础上集成自动聚焦功能，以便可以拍摄聚焦清晰的图像供后端供专家分析问题。

为了有效地安全监控，头盔摄像机输出的视频要求画面清晰稳定，但是该需求常常难以达到。一方面，使用头盔摄像机的环境复杂，达不到清晰录像的要求，如矿井昏暗或不均匀的光线等；另一方面，受到环境和人员移动而产生抖动，图像出现画面模糊、辨识度较低、画面闪动等现象。现有的视频稳像技术多应用于军事、测绘、室外公共安全、无人驾驶、民用摄像、手持摄像机等领域，还没有专门面向头盔摄像机这一应用场景的视频稳像算法研究，因此对头盔摄像机拍摄的视频稳像处理具有重要的应用价值。

自动聚焦技术在照相器材、医学仪器、一些军用观测设备以及各种基于机器视觉的智能系统中有着广泛的用途。自动聚焦主要有以下三种实现方式：一是通过激光、红外线或者超声波对目标进行测距，根据所测距离驱动电机调节镜头至聚焦位置，这种方式也称为主动式聚焦方式；二是利用图像处理方法获取相应的信息，控制电机调节镜头至聚焦位置，这是一种较先进的自动聚焦方法；三是通过图像处理估计点扩散函数PSF，并根据得到的PSF进行图像恢复。其中，第二、三种方式被称为被动式聚焦方式。方法一需要红外线或超声波源及相应的传感器，这使得自动聚焦系统体积大，而且成本高，不适合用于头盔摄像机等便携式设备；方法三则只能在比较小的离焦范围内起作用，实际的图像模糊比较复杂，很难找到合适的点扩散函数，计算复杂度较高。因此针对便携式的头盔摄像机宜采用方法二，该方法主要包括聚焦调节和聚焦检测两个过程。

无参考图像清晰度评价算法的研究中，最常用的算法评价指标有：线性皮尔森相关系数LPCC，斯皮尔曼等级相关系数SROCC，平均绝对误差MAE，离出率OR等，这类指标旨在计算算法评价图像分数与实际人类主观评分之间的关系，可以很好的反应算法与人类视觉评价的相似程度。由于人是头盔摄像机拍摄视频或图像的最终接收者，所以头盔摄像机的聚焦函数也要求达到与人类视觉一致的质量评价结果；同时头盔摄像机对实时性有严格要求，需要聚焦函数复杂度较低，算法高效准确。

近年来许多国内外学者从人类视觉感知出发，研究无参考图像质量评价算法，最典型的算法有Ferzli提出的空域JNB算法和对该算法的改进Niranjan D.Narvekar提出的CPBD算法，Anish Mittal提出在时域操作的BRISQUE算法等。与基于边缘检测的自动聚焦模块图像聚焦算法相比，该类算法的主要优势是符合人类视觉感知特点，但需要提取大量图像特征，计算复杂度较高，不适宜实时监测的应用场景。因此，我们急需一种可以折中的算法，要求该算法不仅计算简单高效，而且要与人类视觉感知相近，我们提出了BIBAVR算法用于评价无参考图像的图像清晰度。

发明内容

为了克服上述现有技术的不足，本发明提出了一种无参考图像清晰度评价算法BIBAVR，基于该算法又提出了一种自动聚焦算法，最后，提出了一种自动聚焦头盔摄像机。

1.无参考图像清晰度评价算法BIBAVR，其实现步骤如下：

1)计算有效再模糊最小标准差；

2)计算有效再模糊最大标准差；

3)计算BIBAVR结果。

2.自动聚焦算法，其实现步骤如下：

1)通过摄像头粗采样获取低分辨率图像；

2)使用提出的BIBAVR算法进行图像清晰度评价；

3)对清晰度不满足要求的图像进行自动化聚焦调整；

4)对清晰度满足要求的图像进行细采样，获取清晰图像并保存。

3.自动聚焦头盔摄像机

头盔摄像机是主要的前端设备，拍摄的图像或者视频可经无线网络传送至后端计算机存储。当系统处于照相模式时，系统会自动调焦，拍摄聚焦清晰的高质量图像，经网络传输至监控器端由专家分析问题；当操作人员处于行动状态可以切换至摄像模式，自动滤除模糊严重图像。同时，考虑到头盔摄像机的便携性，不适宜加入过多硬件设置，我们在拍照和摄像两种模式下共用同一图像清晰度评价算法BIBAVR。在照相模式中，将图像清晰度评价算法BIBAVR的评价结果集成到自动聚焦算法中，快速实现自动调焦；在摄像模式中，使用BIBAVR算法评价无参考图像的清晰度，快速滤除视频中质量特别低的图像，为后端专家提供清晰稳定的视频内容。相比现有技术，本发明具有如下有益效果：

(1)无参考图像清晰度评价算法BIBAVR对图像无依赖性，可以更加准确反映人类视觉特征，满足实时图像质量评价要求。

(2)自动聚焦算法在照相机聚焦调节阶段可以大大减少搜索空间，控制电机快速定位清晰图像位置，实现快速准确的自动聚焦效果。

(3)与现有技术相比，本发明提出的头盔摄像机集成了自动聚焦的照相功能和快速去模糊的视频拍摄功能，功能更为强大，也更符合头盔摄像机的应用需求。

附图说明

图1为：图像清晰度评价算法BIBAVR流程图

图2为：图像清晰度评价算法BIBAVR原理图

图3为：图像再模糊原理图

图4为：自动聚焦流程图

图5为：头盔摄像机应用示意图

图6为：头盔摄像机功能示意图

图7为：头盔摄像机外部结构

图8：为：无线遥控器内部结构

图9为：头盔摄像机内部结构

图10为：头盔摄像机内部原理图

图11为：模糊帧快速滤除流程图

具体实施方式

为进一步阐述本发明达成预定目的所采取的技术手段及功效，以下将结合附图及实施例说明本发明的具体实施方式、结构特征及其功效。首先详细介绍图像清晰度评价BIBAVR算法，最后将该算法的图像质量评价结果应用到头盔摄像机的自动聚焦中，结合具体实例说明自动聚焦头盔摄像机的工作原理及流程。

1.图像清晰度评价BIBAVR算法

本专利在再模糊理论的基础上，通过使用图像有效再模糊最小和最大标准差，提出了无参考图像清晰度评价BIBAVR算法。通过理论证明该算法可以有效反映图像清晰度，在多个数据集上测试，验证BIBAVR算法与人类视觉感知更为相近，与其他几种流行算法相比，该算法不仅真实反映了现实场景拍摄图像的清晰度，而且计算简单，算法复杂度较低，可以满足实时检测的要求，算法流程图由图1给出，算法的原理由图2给出。

图像再模糊是指对待检测图像进行模糊的操作。人类视觉系统可以很容易找出多幅图像中最为模糊的一幅，不同清晰度图像达到有效再模糊的参数不同，且呈现规律性，基于此提出了无参考图像清晰度评价BIBAVR算法。

(1)图像再模糊

假设待评价图像都存在不同程度的失真现象，可以由一幅绝对清晰图像I₀经图像模糊操作获得，通常采用高斯模糊。其原理由图3给出。再模糊图像I₂可以表示为：

I₂＝I₁*g₂＝(I₀*g₁)*g₂＝I₀*(g₁*g₂)

其中g₁*g₂是两个高斯函数的卷积，即再模糊图像I₂是在绝对清晰图像I₀上进行了两个高斯函数的卷积的模糊获取到的，如下式：

其中x，y为图像上各个像素点的时域坐标，σ₁是高斯函数g₁中的标准差，σ₂是高斯函数g₂中的标准差。

(2)计算有效再模糊最小标准差

对I₁进行再模糊得到I₂，将刚刚使I₁、I₂满足I₂≠I₁关系的标准差，称为I₁的有效再模糊最小标准差σ_2min，其公式定义如下：

σ_2min＝min(σ₂|I₂＝I₁*g(σ₂)，I₂≠I₁)

在对待检测图像进行再模糊过程中，发现较模糊图像的有效再模糊标准差更大。可以通过实验，把不同模糊程度的图像有效再模糊，分别对比最小标准差验证该结论，也可通过计算模糊程度与有效再模糊最小标准差的单调性从理论上证明该结论。

(3)计算有效再模糊最大标准差

对I₁进行再模糊得到I₂，参数为σ₂，小幅度增加参数值，选择σ′₂(0.1≥σ′₂＞σ₂)对I₁进行再模糊得到再模糊图像I′₂，若I₂与I′₂相同，即再加大标准差σ₂，对I₁进行再模糊，再模糊图像I₂的模糊严重程度不会再增加，表示已经达到I₁再模糊的最大严重程度。此时的参数为有效再模糊最大标准差σ_2max。

显而易见，当对一幅较清晰的图像和一幅较模糊的图像进行再模糊时，达到最大模糊程度的有效再模糊最大标准差满足较清晰图像的值较大，较模糊的图像的值较小。

(4)计算BIBAVR结果

上文可知，模糊图像具有较大的有效再模糊最小标准差，同时具有较小的有效再模糊最大标准差。因此分别计算较清晰图像I₁₁与较模糊图像I₁₂的再模糊有效标准差范围如下式：

Range₁＝σ_21max-σ_21min

Range₂＝σ_22max-σ_22min

其中，I₁₁的有效标准差范围为Range₁，I₁₂的有效标准差范围为Range₂，因此可以得出Range₁＞Range₂，即较模糊图像具有较小的有效标准差范围和较大的有效再模糊最小标准差。因此，以再模糊的最小有效标准差和范围的比值作为图像清晰度的评价算法BIBAVR：

Range＝σ_2max-σ_2min

其中σ_2min为最小有效模糊标准差，σ_2max为最大有效模糊标准差，BIBAVR值越大说明图片越模糊，值越小图像越清晰。

BIBAVR算法的一个重要优点是对图像内容没有依赖性，在各类图像上均可取得与人类视觉感知一致的评价分数，且算法复杂度较低。我们对公开数据集LIVE，CSIQ，IVC，TID2013中包含的高斯模糊图像(471幅)和头盔摄像机实地采集视频图像(973幅)共1444幅图像统计分析，采用无参考图像清晰度评价算法中经常使用的皮尔曼等级相关系数SROCC评价算法性能，该指标计算了算法评价图像分数与实际人类主观评分之间的相关性，可以很好的反应算法与人类视觉评价的相似程度。BIBAVR评价结果分布在(0，0.5)区间内，结合人类直觉感知质量MOS评价分数，BIBAVR值小于0.1的图像均视为清晰图像，人眼感知不到视觉差异。同时，由于实际环境的限制，现实拍摄图像很难达到绝对清晰，实际清晰图像评价分数一般位于[0.06，0.1]区间内。算法性能如下表：

从上表可知，BIBAVR算法与人类视觉感知相近，算法执行效率较高。在NWII数据集上测试，目前先进的无训练集图像质量评价JNB和CPBD算法的平均时间为0.763s和0.454s；有训练的评价SSEQ与BRISQUE算法的平均执行时间分别是2.379s和0.281s。

在聚焦点两侧，BIBAVR算法具有单峰性。本算法不依赖于样本，对目标聚焦时，在峰值处取0.06，该值对应聚焦点。实际操作中当评价值达到0.1则认为图像清晰度已符合要求，这会大大较少电机搜索范围，实现快速聚焦。同时，BIBAVR算法不计算图像边缘，因此对噪声具有鲁棒性。综上所述，BIBAVR算法适合应用到便携式设备自动聚焦模块中。

2.自动聚焦算法

自动聚焦模块主要完成所述头盔摄像机的自动聚焦功能，自动聚焦算法的流程图由图4给出，当工作人员切换到拍照模式时，首先，在系统刚开始进行调焦时，摄像头工作于低采样速率模式下，即获取粗采样的低分辨率图像。由于自然条件的限制，图像质量无法达到绝对清晰，一般清晰图像的BIBAVR结果位于[0.06，0.1]之间，该区间内的图像人类视觉很难区分清晰差异。因此我们将评价分数小于等于0.1的图像均视为聚焦清晰图像，反之，为模糊图像。然后，将摄像机获取的图像送入图像清晰度评价算法，若图像清晰度满足要求，则控制摄像机进行细采样，获取清晰图片并保存；若图像清晰度不满足要求，假设图像清晰度值用Q表示，即当Q大于等于0.1，则进行自动化聚焦。由于摄像头在进行第一次对焦之前焦距停留的地方是未知的，因此，系统在进行第一次拍照时，会根据计算得到的清晰度Q值直接控制电机进行正转调焦，在此过程中系统会记录下清晰度Q值以及电机的旋转方向。在完成第一次调焦之后，系统采集得到另外一个清晰度值的图像，然后根据上一次记录下来的电机旋转方向以及调焦前后得到的两幅图像Q值的大小，来控制调焦电机的旋转方向。具体的调焦流程如图4所示，直至图像清晰度满足Q小于0.1时，结束系统的自动聚焦过程。具体自动聚焦算法流程如下：

1)摄像头进行粗采样拍摄图像，输入图像清晰度评价函数，计算图像清晰度值Q，如果图像清晰度不满足要求，即Q值大于等于0.1，则调到步骤2)；如果清晰度满足要求，即Q值小于0.1，则调到步骤6)；

2)如果是第一次聚焦操作，即第一次判断Q值，则计算电机的步进量S，调整电机，跳到步骤1，电机的步进量S可表示为：

S＝(Q-0.1)²×2¹⁰

聚焦时电机会根据图像清晰度值与0.1的差距采用不同的步进量，距离0.1越远，步进量越大，即控制电机粗调焦；距离0.1越近步进量越小，即细调焦，直至获取最优的清晰度值，即清晰度Q值小于或等于0.1，如果不是第一次聚焦操作，则跳到步骤3)；

3)判断上一次电机的转动方向，如果上一次电机是正转，则调到步骤4)，如果上一次是反转则调到步骤5)；

4)将本次图像的清晰度值Q与上一次图像清晰度值相比，如果清晰度值减小，则将电机正转；如果清晰度值增大，将电机反转，电机的步进量为S＝(Q-0.1)²×2¹⁰，电机调焦后，调到步骤1)；

5)将本次图像的清晰度值Q与上一次图像清晰度值相比，如果清晰度值减小，则将电机反转；如果清晰度值增大，将电机正转，电机的步进量为S＝(Q-0.1)²×2¹⁰，电机调焦后，调到步骤1)；

6)按照此时的聚焦结果，使用摄像头细采样，拍摄图像并保存，算法结束。

采用粗细结合的调焦方案，大大减小了电机的移动次数，由于评价算法对图像内容无依赖性，当图像质量达到0.1或者小于0.1时，确定找到了对焦位置，与传统登山法来回搜索相比，较少了电机来回移动的次数，这使我们可以快速有效的实现相机的自动聚焦功能。

3.自动聚焦头盔摄像机组成

自动聚焦头盔摄像机的应用示意图由图5给出，用户可通过无线遥控器控制头盔摄像机的工作模式，头盔摄像机与计算机通过无线网络连接。头盔摄像机的功能示意图由图6给出，包括自动聚焦的照相功能和快速去模糊的视频稳像功能。头盔摄像机的外部结构由图7给出。下面将结合具体的硬件设计详细介绍自动聚焦头盔摄像机的组成。

(1)无线遥控器

无线遥控器内部由钮扣电池、按键、无线发送模块组成，完成对所述头盔摄像机工作模式的切换功能。

无线遥控器的硬件结构由图8给出。其由3V纽扣电池供电，为达到低功耗的目的，MCU采用MSP430单片机，无线模块采用Silicon公司的si4432芯片。单片机与无线模块之间通过SPI总线连接。当按下按键时，单片机向无线模块发送指令，无线模块将指令转换为无线信号发射。

(2)头盔摄像机

头盔摄像机主要由无线遥控器、蓄电池、图像传感器、电动对焦镜头、电机驱动模块、Si4432无线模块、WIFI模块、MicroSD卡模块以及控制电路板组成。所述头盔摄像机的内部结构图由如图9给出。

头盔摄像机的两侧具有两个尺寸完全一致的5V蓄电池负责供电。在控制电路板上选取ARM9内核的三星S3C2440处理器，该处理器基于ARM9内核，主频为400MHz。处理器、SDRAM、NAND Flash组成嵌入式最小系统，JTAG接口访问CPU的内部寄存器和挂在CPU总线上的设备。Si4432无线模块负责接收无线遥控器发送的指令，通过SPI总线连接到CPU。WIFI模块负责将处理好的图片或视频发送到计算机，通过SDIO接口连接到CPU。MicroSD卡模块负责在不用无线的时候将处理好的图片或视频保存起来，通过SDIO接口连接到CPU。图像传感器负责采集图像及视频，数据通过并行数据线与CPU连接，控制命令通过SCCB总线与CPU连接。电机驱动模块负责将对焦控制信号放大，以便驱动电动对焦镜头实现聚焦操作。

(3)后端设备

后端设备主要由无线通信模块、计算机及存储单元组成，可实时的控制所述头盔摄像机的工作模式，接收头盔摄像的发送过来的图像和视频数据。

4.自动聚焦头盔摄像机工作原理

所述头盔摄像机内部工作原理图由图10给出。从实现功能的角度可以将该系统划分为四个模块，即工作模式控制模块、自动对焦模块、视频预处理模块，图像/视频输出模块。以上所述模块在用户设定的工作模式下，可完成自动对焦、输出图像及视频的功能。下面将结合具体操作实例介绍头盔摄像机各个工作模块。

(1)工作模式控制模块

实施例1：

工作模式控制模块由外部无线遥控器、模式切换电路以及摄像机工作模式控制逻辑三部分组成。所述外部无线遥控器有三个按键，分别控制头盔摄像机系统的开/关、拍照和录取视频。所述外部无线遥控器模块采用5V钮扣电池供电，采用NRF2401无线模块进行按键数据的发送。发送的按键数据经过所述头盔摄像机主控电路板接收后，解析出相应的按键值直接用于控制系统的工作状态，同时后端也可通过无线网络主动控制摄像机的工作模式，切换头盔摄像机的工作状态。

(2)自动聚焦模块

实施例2：

自动聚焦模块中的核心内容是自动聚焦算法，算法流程图由图4给出，当工作人员切换到拍照模式时，摄像机会根据拍摄的图像的清晰度Q值进行聚焦，当拍摄的图像清晰都不符合要求时，摄像机会自动控制电机进行调焦，在此过程中系统会记录下清晰度Q值以及电机的旋转方向，第一次电机的转向默认为正向。在完成第一次调焦之后，系统采集新的图像并计算图像清晰度值，然后根据上一次记录下来的电机旋转方向以及调焦前后得到的两幅图像Q值的大小，来控制调焦电机的旋转方向，直至图像清晰度满足Q小于0.1时，结束系统的自动聚焦过程。

(3)视频预处理模块

头盔摄像头拍摄的部分视频图像质量低下，一方面是因为工作人员头部的有意运动和无意运动都会造成抖动，有可能出现猛然一闪的情况，即头盔摄像机在短时间内离开了当前的拍摄目标物，然后又在短时间内回到拍摄目标物，在曝光时间内，产生了高速运动；另一方面使用头盔摄像机的特殊场景，如矿井中光照情况不均匀，会出现光照突变等情况。因此头盔摄像机会拍摄一些无意义或者质量低下的视频帧。这些模糊帧相对于摄像机获取的庞大的视频帧只是少数，缺失不会对视频的流畅性造成影响，为了保证视频处理的实时性，删除策略应该优先考虑，因此我们对视频预处理，将质量低下的视频图像快速滤除。

头盔摄像头的视频帧是否清晰是由视频观看者决定，即要从人类视觉系统角度判定一个视频帧是否清晰。本专利提出的BIBAVR算法从人类感知出发，不仅可以应用到照相模式的自动聚焦环节，也可以用于视频模式的快速模糊帧检测，该方法避免了额外的硬件设置。算法流程由图11给出。

实施例3：

从头盔摄像机获得原始视频，对其拆帧处理，获取单幅视频图像。调用BIBAVR算法进行评分。我们对如上1444幅不同场景图像统计分析，评价分数大于0.2的图像均为无意义的模糊帧，无法从中获得有效的图像信息。因此对评价分数大于0.2的图像快速删除，一方面可以减少网络传输负担，另一方面也减少这些无意义的视频图像给后端专家带来视觉疲劳。

(4)图像/视频输出模块

实施例4：

图像输出：在图10中给出的反馈回路中，电机在系统的控制下最终会停留在最佳焦距处，此时，采样控制模块会以最高采样速率采样摄像头数据，从而获得最佳清晰度图像，通过所述NRF2401无线收发模块将数据传输至后端进行处理。

视频输出：通过SPI总线协议控制NRF2401无线收发模块，完成对摄像机采集到的视频实时传输。

Claims (2)

1.一种基于BIBAVR算法的自动聚焦头盔摄像机，其特征在于，该头盔摄像机包括：一种无参考图像清晰度评价算法BIBAVR；一种自动聚焦算法；一种自动聚焦头盔摄像机；

其中，无参考图像清晰度评价算法BIBAVR的实现步骤包括：

1)输入待评价图像I₁；

2)计算有效再模糊最小标准差：对图像I₁进行高斯再模糊得到图像I₂，记录刚刚使I₁、I₂满足I₂≠I₁关系的高斯模糊标准差σ_2min，计算公式为：

σ_2min＝min(σ₂|I₂＝I₁*g(σ₂)，I₂≠I₁)，

其中，g为高斯函数，σ₂是高斯函数g的标准差；

3)计算有效再模糊最大标准差：小幅度增加标准差σ₂的值，选择σ′₂对I₁进行再模糊得到再模糊图像I′₂，σ′₂取值范围为0.1≥σ′₂＞σ₂，若I₂与I′₂相同，即再加大标准差σ₂，对I₁进行再模糊，再模糊图像I₂的模糊严重程度不会再增加，表示已经达到I₁再模糊的最大严重程度，此时的参数为有效再模糊最大标准差σ_2max；

4)计算BIBAVR结果，计算方法为：

Range＝σ_2max-σ_2min

其中σ_2min为最小有效模糊标准差，σ_2max为最大有效模糊标准差；

其中，一种自动聚焦算法的实现步骤包括：

1)摄像头进行粗采样拍摄图像，输入图像清晰度评价函数，计算图像清晰度值Q，如果图像清晰度不满足要求，即Q值大于等于0.1，则跳到步骤2)；如果清晰度满足要求，即Q值小于0.1，则跳到步骤6)；

2)如果是第一次聚焦操作，即第一次判断Q值，则计算电机的步进量S，调整电机，跳到步骤1)，电机的步进量S可表示为：S＝(Q-0.1)²×2¹⁰，聚焦时电机会根据图像清晰度值与0.1的差距采用不同的步进量，距离0.1越远，步进量越大，即控制电机粗调焦；距离0.1越近步进量越小，即细调焦，直至获取最优的清晰度值，即清晰度Q值小于或等于0.1，如果不是第一次聚焦操作，则跳到步骤3)；

3)判断上一次电机的转动方向，如果上一次电机是正转，则跳到步骤4)，如果上一次是反转则跳到步骤5)；

4)将本次图像的清晰度值Q与上一次图像清晰度值相比，如果清晰度值减小，则将电机正转；如果清晰度值增大，将电机反转，电机的步进量为S＝(Q-0.1)²×2¹⁰，电机调焦后，跳到步骤1)；

5)将本次图像的清晰度值Q与上一次图像清晰度值相比，如果清晰度值减小，则将电机反转；如果清晰度值增大，将电机正转，电机的步进量为S＝(Q-0.1)²×2¹⁰，电机调焦后，跳到步骤1)；

6)按照此时的聚焦结果，使用摄像头细采样，拍摄图像并保存，算法结束。

2.根据权利要求1所述的一种基于BIBAVR算法的自动聚焦头盔摄像机，其特征在于，所述的一种自动聚焦头盔摄像机，头盔摄像机主要由无线遥控器、蓄电池、图像传感器、电动对焦镜头、电机驱动模块、Si4432无线模块、WIFI模块、MicroSD卡模块以及控制电路板组成，无线遥控内部由钮扣电池、按键、无线发送模块组成，通过无线信号与头盔摄像机相连，完成对所述头盔摄像机工作模式的切换；头盔摄像机的两侧具有两个尺寸完全一致的5V蓄电池负责供电；在控制电路板上选取ARM9内核的三星S3C2440处理器，该处理器基于ARM9内核，主频为400MHz；处理器、SDRAM、NAND Flash组成嵌入式最小系统，JTAG接口访问CPU的内部寄存器和挂在CPU总线上的设备；Si4432无线模块负责接收无线遥控发送的指令，通过SPI总线连接到CPU；WIFI模块负责将处理好的图片或视频发送到计算机，通过SDIO接口连接到CPU；MicroSD卡模块负责在不用无线的时候将处理好的图片或视频保存起来，通过SDIO接口连接到CPU；图像传感器负责采集图像及视频，数据通过并行数据线与CPU连接，控制命令通过SCCB总线与CPU连接；电机驱动模块负责将对焦控制信号放大，以便驱动电动对焦镜头实现聚焦操作。