CN110266963B - 一种对焦方法、装置、计算机可读存储介质及投影设备 - Google Patents

Abstract

本申请公开了一种对焦方法，所述对焦方法包括在焦距调节范围内确定最优焦距区间；确定所述最优焦距区间的评分梯度信息，并根据所述评分梯度信息确定优选焦距值；其中，所述优选焦距值对应的向量评分梯度在预设梯度区间内；根据所述优选焦距值执行对焦操作，本申请能够提高对焦精度。本申请还公开了一种对焦装置、一种计算机可读存储介质及一种投影设备，具有以上有益效果。

Description

一种对焦方法、装置、计算机可读存储介质及投影设备

技术领域

本发明涉及机器视觉技术领域，特别涉及一种对焦方法、装置、一种计算机可读存储介质及一种投影设备。

背景技术

随着图像处理技术与计算机技术迅猛的发展，智能对焦进入了以图像分析为基础、计算机处理图像数据的数字化时代，并开始应用于各个领域，发挥着越来越重要的作用。

相关技术中，投影产品主要通过红外测距法实现自动对焦，即向特定方向发射红外光并接受返回光线实现距离的测量，通过该距离计算物距实现自动对焦。但是，上述相关技术的对焦方法精度较低，对焦效果较差。

因此，如何提高对焦精度是本领域技术人员目前需要解决的技术问题。

发明内容

本申请的目的是提供一种对焦方法、装置、一种计算机可读存储介质及一种投影设备，能够提高对焦精度。

为解决上述技术问题，本申请提供一种对焦方法，该对焦方法包括：

在焦距调节范围内确定最优焦距区间；

确定所述最优焦距区间的评分梯度信息，并根据所述评分梯度信息确定优选焦距值；其中，所述优选焦距值对应的向量评分梯度在预设梯度区间内；

根据所述优选焦距值执行对焦操作。

可选的，在焦距调节范围内确定最优焦距区间包括：

在所述焦距调节范围内选择N个目标焦距值，并获取每一所述目标焦距值对应的第一示例图片；

确定所述第一示例图片的评价特征向量；

根据所述评价特征向量确定所述最优焦距区间。

可选的，在所述焦距调节范围内选择N个目标焦距值包括：

在所述焦距调节范围内等间距选择N个所述目标焦距值。

可选的，确定所述第一示例图片的评价特征向量包括：

利用预设图像处理算法对每一所述第一示例图片进行图像处理得到参考特征向量；其中，所述预设图像处理算法包括灰度梯度值算法、拉普拉斯算子、插分绝对值算法和图像饱和度算法中的任一种算法或任几种算法的组合。

根据所述参考特征向量和所述参考特征向量对应的算法权重值计算所述评价特征向量。

可选的，根据所述评价特征向量确定所述最优焦距区间包括：

利用平均自动聚类算法将所有所述评价特征向量聚类为多个向量类；

确定每一所述向量类的聚类中心的特征向量评分，并将所述特征向量评分最高的聚类中心所在的向量类设置为目标向量类；

将所述目标向量类对应的焦距区间设置为所述最优焦距区间。

可选的，确定所述最优焦距区间的评分梯度信息，并根据所述评分梯度信息确定优选焦距值包括：

从所述最优焦距区间中选择第一备选焦距值，确定所述第一备选焦距值对应的向量评分梯度；

判断所述第一备选焦距值的向量评分梯度是否在所述预设梯度区间内；

若是，则将所述第一备选焦距值设置为所述优选焦距值；

若否，则调整所述第一备选焦距值得到第二备选焦距值，并将所述第二备选焦距值作为新的第一备选焦距值，进入判断所述第一备选焦距值的向量评分梯度是否在所述预设梯度区间内的工作流程。

可选的，调整所述第一备选焦距值得到第二备选焦距值包括：

当所述第一备选焦距值的向量评分梯度大于所述预设梯度区间的上限值时，将所述第一备选焦距值增加第一变化量；其中，所述第一变化量的大小与第一差值正相关，所述第一差值为所述第一备选焦距值的向量评分梯度与所述上限值之差；

当所述第一备选焦距值的向量评分梯度小于所述预设梯度区间的下限值时，将所述第一备选焦距值减小第二变化量；其中，所述第二变化量的大小与第二差值正相关，所述第一差值为所述下限值与所述第一备选焦距值的向量评分梯度之差。

可选的，从所述最优焦距区间中选择第一备选焦距值，确定所述第一备选焦距值对应的向量评分梯度包括：

将所述最优焦距区间的最小焦距值作为所述第一备选焦距值；

在所述第一备选焦距值的预设焦距范围内调制M个参考焦距值；

将所述第一备选焦距值与M个所述参考焦距值设置为梯度评价类；

获取所述梯度评价类中每一焦距值对应的第二示例图片；

根据所有所述第二示例图片的评价特征向量的特征向量评分分布状况确定所述第一备选焦距值的向量评分梯度。

本申请还提供了一种对焦装置，该对焦装置包括：

焦距区间确定模块，用于在焦距调节范围内确定最优焦距区间；

焦距值确定模块，用于确定所述最优焦距区间的评分梯度信息，并根据所述评分梯度信息确定优选焦距值；其中，所述优选焦距值对应的向量评分梯度在预设梯度区间内；

对焦模块，用于根据所述优选焦距值执行对焦操作。

本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序执行时实现上述对焦方法执行的步骤。

本申请还提供了一种投影设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述对焦方法执行的步骤。

本申请提供了一种对焦方法，包括在焦距调节范围内确定最优焦距区间；确定所述最优焦距区间的评分梯度信息，并根据所述评分梯度信息确定优选焦距值；其中，所述优选焦距值对应的向量评分梯度在预设梯度区间内；根据所述优选焦距值执行对焦操作。

本申请首先在焦距调节范围内确定最优焦距区间实现初步对焦，由于向量评分梯度越接近预设梯度区间，该焦距值对应的特征向量评分越高，焦距值与特征向量评分对应的函数为单峰值函数，因此可以根据最优焦距区间的评分梯度信息确定特征向量评分的变化情况，进而确定向量评分梯度在预设梯度区间内的优选焦距值。本申请以向量评分梯度为判定依据实现对优选焦距的搜索，能够提高对焦精度。本申请同时还提供了一种对焦装置、一种计算机可读存储介质和一种投影设备，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例所提供的一种对焦方法的流程图；

图2为本申请实施例所提供的一种初步对焦的方法的流程图；

图3为本申请实施例所提供的一种深度对焦的方法的流程图；

图4为本申请实施例所提供的一种投影设备自动对焦方法的流程图；

图5为本申请实施例所提供的一种初步对焦时聚类方法的流程图；

图6为本申请实施例所提供的一种深度对焦时基于梯度上升确定焦距值的方法的流程图；

图7为本申请实施例所提供的一种对焦装置的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

下面请参见图1，图1为本申请实施例所提供的一种对焦方法的流程图，具体步骤可以包括：

S101：在焦距调节范围内确定最优焦距区间；

其中，本实施例所提供的对焦方法可以应用于投影设备、摄像机或智能手机等存在焦距调节操作的设备中。对焦又称为对光或聚焦，是指通过照相机对焦机构变动物距和相距的位置使被拍物成像清晰的过程。一般来说，具有对焦功能的设备从焦距调节范围最小值调节到焦距调节范围最大值的过程中，图像的清晰度变化为：先由模糊逐渐清晰，再由清晰变为模糊。可以将焦距值的大小与图像清晰程度的关系视为开口向下的二次函数，当到达峰值时图像的清晰程度最高。

可以理解的是，具有对焦功能的设备可以具有相应的焦距调节范围，作为一种可以存在的情况该焦距调节范围为一个连续的焦距值的区间，作为另一种可以存在的情况该焦距调节范围也可以为多个焦距差不大于预设值的焦距值的集合，本实施例不对焦距调节范围的具体取值进行限定。

最优焦距区间为包括最优焦距值的区间，最优焦距区间可以包括一个或多个焦距值。确定最优焦距值的方式有很多，例如可以根据焦距调节经验预先选择一个经验区域作为最优焦距区间，也可以在最优焦距区间选择多个焦距值，根据每一焦距值对应的图像清晰程度确定最优焦距区间，当然本实施例还可以将整个焦距调节范围设置为最优焦距区间。可以理解的是，本实施例中选择的最优焦距区间的区间范围越小，在后续确定优选焦距值的过程中工作量越小，因此确定合适的优选焦距区间可以提高对焦操作的效率。

S102：确定最优焦距区间的评分梯度信息，并根据评分梯度信息确定优选焦距值；

其中，最优焦距区间中某一特定焦距值对应的图片清晰度高于非最优焦距区间中某一特定焦距值对应的图片清晰度，本实施例中以特征向量评分作为图片清晰度的量化指标。

确定图像清晰度的方式有很多，作为一种可行的实施方式，可以利用频域函数、灰度函数、信息熵函数与统计学函数计算特征向量评分。还可以基于灰度图像的梯度类算法与频谱分析计算特征向量评分。图像色彩评价通常采用饱和度统计的方式，图像的饱和度表示色相中灰色分量所占的比例，使用从0(灰色)至100(完全饱和)的数值进行度量，保证了图像颜色的强度与纯度。作为另一种可行的实施方式，可以利用灰度梯度均值评价算法、拉普拉斯算子评价算法、差分绝对值评价算法与图像饱和度评价算法计算出的向量乘以不同权重，得到特征向量评分。特征向量评分越高的图像清晰度越高。

本实施例中的评分梯度信息指最优焦距区间内特征向量评分随焦距值变化而改变的梯度，当焦距值达到特征向量最大值对应的最优焦距时特征向量评分的梯度为0。本实施例中提到的优选焦距值对应的向量评分梯度在预设梯度区间内，预设梯度区间可以为0梯度附近的区间，例如该区间可以为梯度为(-0.5，0.5)。因此，本实施例可以选择特征向量评分梯度接近0的焦距值作为优选焦距值。当然，本实施例还可以将特征向量评分梯度为0的焦距值最为优选焦距值，在此处不进行限定。

S103：根据优选焦距值执行对焦操作。

其中，本步骤建立在确定优选焦距值的基础上，可以根据该优选焦距值执行对焦操作。

本实施例首先在焦距调节范围内确定最优焦距区间实现初步对焦，由于向量评分梯度越接近预设梯度区间，该焦距值对应的特征向量评分越高，焦距值与特征向量评分对应的函数为单峰值函数，因此可以根据最优焦距区间的评分梯度信息确定特征向量评分的变化情况，进而确定向量评分梯度在预设梯度区间内的优选焦距值。本实施例以向量评分梯度为判定依据实现对优选焦距的搜索，能够提高对焦精度。

根据图1对应的实施例可知，图1描述的对焦方案中S101属于初步对焦，S102属于深度对焦，下面通过以下几个实施例详细介绍的初步对焦和深度对焦的操作流程。

请参见图2，图2为本申请实施例所提供的一种初步对焦的方法的流程图，本实施例是对图1对应实施例中S101的进一步补充，可以将本实施例与图1对应的实施例相结合得到更为优选的实施方式，本实施例可以包括以下步骤：

S201：在焦距调节范围内选择N个目标焦距值，并获取每一目标焦距值对应的第一示例图片；

其中，本步骤中选择N的各目标焦距值的目的在于：确定焦距调节范围内各个区域内的焦距值的图片清晰度，作为一种可行的实施方式，可以在焦距调节范围内随机选择N个目标焦距值，但需要任意两个目标焦距值之间的焦距差大于特定焦距差值。作为另一种可行的实施方式，可以在焦距调节范围内等间距选择N个目标焦距值。举例说明，后一种选择目标焦距值的实施方式，例如某设备的焦距调节范围为10mm至70mm，需要选择7个目标焦距值，因此以10mm为间隔距离依次选择10mm、20mm、30mm、40mm、50mm、60mm和70mm作为目标焦距值。

第一示例图片指在某一目标焦距值下对于特定物体的拍摄图片或特定图片的投影图片。具体地说，当本实施例的执行主体为投影设备时，在选择N个目标焦距值之后可以在每一目标焦距值下对同一张图片进行投影得到N个第一示例图片。当本实施例的执行主体为图像拍摄设备时，在选择N个目标焦距值之后可以在每一目标焦距值下对同一区域进行拍摄操作得到N个第一示例图片。

S202：确定第一示例图片的评价特征向量；

其中，本实施例为了评价每一个目标焦距值对应的第一示例图片的清晰程度，引入评价特征向量作为图片清晰度的评价参数。作为一种可行的实施方式，本实施例可以利用预设图像处理算法对每一第一示例图片进行图像处理得到参考特征向量，进而根据参考特征向量和参考特征向量对应的算法权重值计算评价特征向量。当然，上述预设图像处理算法可以包括灰度梯度值算法、拉普拉斯算子、插分绝对值算法和图像饱和度算法中的任一种算法或任几种算法的组合。

S203：根据评价特征向量确定最优焦距区间。

在得到每一第一示例图片的评价特征向量的基础上，本实施例可以确定每一评价特征向量的特征向量评分，根据特征向量评分的大小确定最优焦距区间。本实施例可以将评价特征向量的长度设置为特征向量评分。

作为一种可行的实施方式，本实施例中根据评价特征向量确定最优焦距区间可以包括以下操作：利用平均自动聚类算法将所有评价特征向量聚类为多个向量类；确定每一向量类的聚类中心的特征向量评分，并将特征向量评分最高的聚类中心所在的向量类设置为目标向量类；将目标向量类对应的焦距区间设置为最优焦距区间。

具体的，上述利用平均自动聚类算法将所有评价特征向量聚类为多个向量类的操作可以包括以下步骤：

步骤1：以焦距值为索引构建所有评价特征向量的评价特征字典；

步骤2：从评价特征字典中随机选择一个评价特征向量作为临时中心点，并将每一临时中心点对应的评价特征向量标记为已访问；

步骤3：确定评价特征字典中与临时中心点距离小于第一预设值的同类评价特征向量，并将同类评价特征向量属于临时中心点所在类的概率加第二预设值；

步骤4：计算临时中心点到每一同类评价特征向量的距离向量，将所有距离向量相加得到总距离向量；

步骤5：控制临时中心点向总距离向量方向移动目标距离；其中，目标距离为总距离向量的长度；

步骤6：判断目标距离是否小于第三预设值；若否，则进入步骤7；若是，则进入步骤8；

步骤7：将向总距离向量方向移动目标距离的临时中心点作为新的中心点进入步骤3；

步骤8：判断向总距离向量方向移动目标距离的临时中心点与已存在类中心点的距离是否小于第四预设值；若是，则进入步骤9；若否，则进入步骤10；

步骤9：将同类评价特征向量与已存在类中心点所在的类进行合并；

步骤10：将同类评价特征向量作为新类保存至已存在类中；

步骤11：判断评价特征字典中的所有评价特征向量是否均被标记为已访问；若是，则进入步骤12；若否，则进入步骤2；

步骤12：根据每一评价特征向量对每个类的归属概率的最大值将有评价特征向量聚类为多个向量类。

请参见图3，图3为本申请实施例所提供的一种深度对焦的方法的流程图，本实施例是对图1对应实施例中S102的进一步补充，可以将本实施例与图1或图2对应的实施例相结合得到更为优选的实施方式，本实施例可以包括以下步骤：

S301：从最优焦距区间中选择第一备选焦距值；

S302：确定第一备选焦距值对应的向量评分梯度；

其中，本实施例可以从最优焦距区间中随机选择一个焦距值作为第一备选焦距值，也可以将最优焦距区间的最小焦距值或最大焦距值作为第一备选焦距值。

下面以选择最优焦距区间的最小焦距值作为第一备选焦距值为例说明S302中确定向量评分梯度的过程，具体可以包括以下步骤：

S3021：在第一备选焦距值的预设焦距范围内调制M个参考焦距值；

S3022：将第一备选焦距值与M个参考焦距值设置为梯度评价类；

S3023：获取梯度评价类中每一焦距值对应的第二示例图片；

S3024：根据所有第二示例图片的评价特征向量的特征向量评分分布状况确定第一备选焦距值的向量评分梯度。

其中，上述过程中通过在第一备选焦距值附件调制M个参考焦距值，根据M个参考焦距值和第一备选焦距值对应的特征向量评分确定第一备选焦距值的向量评分梯度。举例说明上述过程，例如选择10.00mm作为第一备选焦距值，调制得到的4个参考焦距值分别为9.98mm、9.99mm、10.01mm和10.02mm，将9.98mm、9.99mm、10.00mm、10.01mm和10.02mm这五个焦距值对应的特征向量评分变化率作为第一备选焦距10.00对应的向量评分梯度。

S303：判断第一备选焦距值的向量评分梯度是否在预设梯度区间内；若是，则进入S304；若否，则进入S305；

其中，当第一备选焦距值的向量评分梯度在预设梯度区间内时，说明第一备选焦距值下的图像清晰度符合预设要求，可以直接将第一备选焦距值设置为优选焦距值，并根据优选焦距值执行对焦操作。

当第一备选焦距值的向量评分梯度不在预设梯度区间内时，说明第一备选焦距值下的图像清晰度不符合预设要求，需要在最优焦距区间内重新确定新的第一备选焦距值并重新进入S302的相关操作。

S304：将第一备选焦距值设置为优选焦距值；

S305：调整第一备选焦距值得到第二备选焦距值，并将第二备选焦距值作为新的第一备选焦距值，进入判断第一备选焦距值的向量评分梯度是否在预设梯度区间内的工作流程。

其中，S305建立在第一备选焦距值的向量评分梯度不在预设梯度区间内的基础上，可以调整第一备选焦距值得到第二备选焦距值，并将第二备选焦距值作为新的第一备选焦距值进入S302的相关操作。

可以理解的是，当图像清晰度最大值对应的焦距值的向量评分梯度为0，预设梯度区间为在0附近的区间，因此向量评分梯度的值越接近0该向量评分梯度越接近预设梯度区间。作为一种可行的实施方式，可以根据第一备选焦距值的向量评分梯度与预设梯度区间的差值调整第一备选焦距值，具体过程如下：

当第一备选焦距值的向量评分梯度大于预设梯度区间的上限值时，将第一备选焦距值增加第一变化量；其中，第一变化量的大小与第一差值正相关，第一差值为第一备选焦距值的向量评分梯度与上限值之差。当第一备选焦距值的向量评分梯度小于预设梯度区间的下限值时，将第一备选焦距值减小第二变化量；其中，第二变化量的大小与第二差值正相关，第一差值为下限值与第一备选焦距值的向量评分梯度之差。

其中，本实施例在确定最优焦距区间的基础上，选择第一备选焦距值根据第一备选焦距值的向量评分梯度选择新的第一备选焦距值，直至第一备选焦距值的向量评分梯度在预设梯度区间内。

作为一种可行的实施方式，将图1、图2和图3对应实施例相结合后可以得到更为优选的对焦方案，具体的过程可以包括以下步骤：

步骤1：在焦距调节范围内等间距选择N个目标焦距值，并获取每一目标焦距值对应的第一示例图片；

步骤2：利用预设图像处理算法对每一第一示例图片进行图像处理得到参考特征向量；

其中，预设图像处理算法包括灰度梯度值算法、拉普拉斯算子、插分绝对值算法和图像饱和度算法中的任一种算法或任几种算法的组合。

步骤3：根据参考特征向量和参考特征向量对应的算法权重值计算评价特征向量。

步骤4：利用平均自动聚类算法将所有评价特征向量聚类为多个向量类；

步骤5：确定每一向量类的聚类中心的特征向量评分，并将特征向量评分最高的聚类中心所在的向量类设置为目标向量类；

步骤6：将目标向量类对应的焦距区间设置为最优焦距区间。

步骤7：将最优焦距区间的最小焦距值作为第一备选焦距值；

步骤8：在第一备选焦距值的预设焦距范围内调制M个参考焦距值；

步骤9：将第一备选焦距值与M个参考焦距值设置为梯度评价类；

步骤10：获取梯度评价类中每一焦距值对应的第二示例图片，根据所有第二示例图片的评价特征向量的特征向量评分分布状况确定第一备选焦距值的向量评分梯度。

步骤11：判断第一备选焦距值的向量评分梯度是否在预设梯度区间内；若是，则进入步骤12；若否，则进入步骤13；

步骤12：将第一备选焦距值设置为优选焦距值；

步骤13：调整第一备选焦距值得到第二备选焦距值，并将第二备选焦距值作为新的第一备选焦距值，进入步骤11判断第一备选焦距值的向量评分梯度是否在预设梯度区间内的工作流程。

步骤14：根据优选焦距值执行对焦操作。

本实施例先采用遍历法、均值聚类算法以估计出最优焦距区间，改变投影产品焦距值后完成初步对焦功能；进一步的本实施例在初步对焦产生的最优焦距区间范围内使用局域最优搜索以处理特征数据，最大程度的降低了假峰值的搜索，在获取精准焦距位置后调制投影产品焦距，最终实现深度对焦的相关功能。本实施例可以在设备选择调焦时迅速完成粗略的初步对焦功能，且投影出的图像基本满足人眼对图片清晰度的一般性要求。当存在进一步精准对焦的需要，本实施例也可以以较快的速度完成投影产品的精准对焦，即在初步对焦的基础上完成了局部最优值的智能搜索。

下面通过在实际应用中的投影设备的对焦方法说明上述实施例描述的流程。

请参见图4，图4为本申请实施例所提供的一种投影设备自动对焦方法的流程图。本实施例可以包括初步对焦与深度对焦两个部分。初步对焦的过程主要包括均匀的大间隔改变投影产品的焦距值，同时根据RGB摄像头传回的数据完成投影综合评价；按照焦距升序规则形成投影评价字典，并利用平均自动聚类算法实现图像评价字典中最优区间的估计，最终初步实现智能粗对焦的相关功能。深度对焦在上述初步对焦过程中估计出的最优区间范围内计算最小焦距值，然后在最小焦距值附近以均匀、很小的间隔的调制投影产品的焦距，同时根据RGB摄像头传回的数据完成投影综合评价，并按照焦距升序规则形成投影评价字典；利用数据间的梯度规律实现局部最优搜索，循环对当前的焦距值进行更新，直至由投影评价字典计算出的梯度小于阈值时停止，即此时的焦距值为投影产品的最佳焦距，最终实现智能深度对焦的相关功能。

下面详细介绍初步对焦和深度对焦：

1、初步对焦

在投影设备的焦距范围内依次均匀的以较大间隔改变其焦距值，并利用RGB摄像头拍摄不同焦距位置下投影的图片，为了快速完成智能初步对焦的工作，本实施例选取投影产品焦距范围内的50个焦距值(均匀大间隔)进行处理，分别计算此50个焦距值下的投影评价特征，组成以焦距值为索引的投影评价特征字典，并根据焦距升序的规则对投影评价特征字典进行了重新排序。其中，本实施例在计算投影产品的投影评价特征向量时，可以采用多种图像评价算法，主要包括：灰度梯度均值、拉普拉斯算子、差分绝对值与图像饱和度，将这些评价算法计算出的向量乘以不同权重后组成智能初步对焦的投影评价特征。

请参见图5，图5为本申请实施例所提供的一种初步对焦时聚类方法的流程图。针对所有投影评价特征利用平均自动聚类算法沿着密度上升的方向寻找属于同一个类的数据：在未被标记的投影评价特征字典中随机选择一个作为类中心center；找出离center距离在阈值之内的所有数据，记为集合M，并认为这些数据属于类C，将属于这个类的数据的概率加1；以center为中心，计算从center开始到上述集合M中每个元素的向量；将这些向量相加得到向量change，center＝center+change，即center沿着change的方向移动，移动的距离是||change||；重复上述步骤，直到||change||很小(即，迭代到收敛)，记录此时的center，此迭代过程中遇到的数据都应归类到C；如果收敛时当前类C的center与其它已经存在的类中心的距离小于阈值，那么将其与C合并，否则将C作为新的聚类并增加1类；重复以上步骤直到所有的数据都被标记访问；根据每个数据对每个类的访问概率，取访问概率最大的那个类作为当前数据所属的类。

计算center至集合M中每个元素的向量和f时，具体的使用方法如公式(1)，其中r为类半径值，C_K,d/nr^d为单位密度。

根据上述均值自动聚类算法计算出每个中心点的向量，利用加权处理对向量中元素进行融合以获取中心点值，选取最大中心点值对应的类为最佳焦距类，根据最佳焦距类中所有向量的焦距值索引确定投影产品最佳的焦距区间，并以类中心点向量的焦距值索引作为智能初步对焦的输出，改变投影产品的焦距至输出位置处以完成初步对焦的功能。

为了提高智能初步对焦算法的处理速度，本实施例选取50个焦距值进行分析。经过初步的对焦处理，投影出的图像经试验统计可满足人眼对图像清晰度的一般性需求，初步保证了投影产品智能对焦的准确度。

2、深度对焦

本实施例在计算深度对焦的投影评价特征向量时，可以采用了与初步对焦时相同的图像评价算法：灰度梯度均值、拉普拉斯算子、差分绝对值、图像饱和度，但可以将另一组不同的权重乘以这些评价算法计算出的值后再次相加，最终获取深度对焦时的投影评价特征值。

请参见图6，图6为本申请实施例所提供的一种深度对焦时基于梯度上升确定焦距值的方法的流程图。为了实现投影产品的进一步精确对焦需求，本实施例在深度对焦时利用数据间的梯度(导数)规律对局部最优值进行了搜索，具体为：首先确定最佳焦距区间范围内(初步对焦时获取)的最小焦距值，在最小焦距值附近依次以均匀的、非常小的间隔调制出5个不同焦距，同时利用RGB摄像头拍摄此不同焦距值下的投影；计算上述5个焦距下的投影评价特征值以获取梯度，并根据梯度值更新投影产品下一次调制的焦距；以新的焦距为中心，在其附近依次以均匀的、非常小的间隔再调制出5个不同焦距，同时利用RGB摄像头拍摄其不同焦距值下的投影；计算这5个焦距下的投影评价特征值后获取梯度，判断当前梯度是否小于阈值，如果大于阈值则继续循环以继续更新投影产品的焦距，如果小于阈值(梯度非常小情况下)则循环停止，调制投影产品焦距至该位置处以完成其智能深度对焦的功能。

投影产品的当前焦距值更新公式具体如公式(2)，其中

为指数衰减的学习率，F表示5个不同的焦距值，x表示不同焦距值F下对应的投影评价特征，focalLen为投影产品的当前焦距值，利用平均变化率对其进行了不断更新。

本实施例通过多种图像评价算法实现对当前捕捉的投影进行评估，获取到不同焦距位置下投影图像的特征。本实施例为了满足不同客户与应用场景的需求提出了递进的两种功能：初步对焦与深度对焦。投影产品初步对焦时，为了提高算法的处理速度，本实施例选取焦距范围内等间隔的50个焦距值进行处理，并使用均值自动聚类算法准确的完成最佳焦距区间的估计，最终快速实现了智能初步对焦的功能。投影产品深度对焦时，为提高深度对焦算法的精确度，本实施例在初步对焦算法分析的基础上，在初步对焦输出的最佳焦距区间内再次进行了局部最优搜索，本发明并没有选择以均匀的、极小间隔遍历最佳焦距区间以进行精细分析的方法，而是选择利用数据间梯度的规律对局部最优值进行了智能搜索，大大加快了算法的处理速度，同时也保证了投影产品深度对焦的精准度。

请参见图7，图7为本申请实施例所提供的一种对焦装置的结构示意图；

该装置可以包括：

焦距区间确定模块100，用于在焦距调节范围内确定最优焦距区间；

焦距值确定模块200，用于确定最优焦距区间的评分梯度信息，并根据评分梯度信息确定优选焦距值；其中，优选焦距值对应的向量评分梯度在预设梯度区间内；

对焦模块300，用于根据优选焦距值执行对焦操作。

本实施例首先在焦距调节范围内确定最优焦距区间实现初步对焦，由于向量评分梯度越接近预设梯度区间，该焦距值对应的特征向量评分越高，焦距值与特征向量评分对应的函数为单峰值函数，因此可以根据最优焦距区间的评分梯度信息确定特征向量评分的变化情况，进而确定向量评分梯度在预设梯度区间内的优选焦距值。本实施例以向量评分梯度为判定依据实现对优选焦距的搜索，能够提高对焦精度。

进一步的，焦距区间确定模块200包括：

第一示例图片获取单元，用于在焦距调节范围内选择N个目标焦距值，并获取每一目标焦距值对应的第一示例图片；

向量确定单元，用于确定第一示例图片的评价特征向量；

区间确定单元，用于根据评价特征向量确定最优焦距区间。

进一步的，第一示例图片获取单元具体为，用于在焦距调节范围内等间距选择N个目标焦距值，并获取每一目标焦距值对应的第一示例图片的单元。

进一步的，向量确定单元包括：

参考向量确定子单元，用于利用预设图像处理算法对每一第一示例图片进行图像处理得到参考特征向量；其中，预设图像处理算法包括灰度梯度值算法、拉普拉斯算子、插分绝对值算法和图像饱和度算法中的任一种算法或任几种算法的组合。

计算子单元，用于根据参考特征向量和参考特征向量对应的算法权重值计算评价特征向量。

进一步的，区间确定单元包括：

聚类子单元，用于利用平均自动聚类算法将所有评价特征向量聚类为多个向量类；

目标向量类设置子单元，用于确定每一向量类的聚类中心的特征向量评分，并将特征向量评分最高的聚类中心所在的向量类设置为目标向量类；

最优区间确定子单元，用于将目标向量类对应的焦距区间设置为最优焦距区间。

进一步的，焦距值确定模块200包括：

梯度确定单元，用于从最优焦距区间中选择第一备选焦距值，确定第一备选焦距值对应的向量评分梯度；

焦距调整单元，用于判断第一备选焦距值的向量评分梯度是否在预设梯度区间内；若是，则将第一备选焦距值设置为优选焦距值；若否，则调整第一备选焦距值得到第二备选焦距值，并将第二备选焦距值作为新的第一备选焦距值，进入判断第一备选焦距值的向量评分梯度是否在预设梯度区间内的工作流程。

进一步的，焦距调整单元调整第一备选焦距值得到第二备选焦距值的过程包括：

当第一备选焦距值的向量评分梯度大于预设梯度区间的上限值时，将第一备选焦距值增加第一变化量；其中，第一变化量的大小与第一差值正相关，第一差值为第一备选焦距值的向量评分梯度与上限值之差；

当第一备选焦距值的向量评分梯度小于预设梯度区间的下限值时，将第一备选焦距值减小第二变化量；其中，第二变化量的大小与第二差值正相关，第一差值为下限值与第一备选焦距值的向量评分梯度之差。

进一步的，梯度确定单元包括：

焦距选择子单元，用于将最优焦距区间的最小焦距值作为第一备选焦距值；

焦距调制子单元，用于在第一备选焦距值的预设焦距范围内调制M个参考焦距值；

设置子单元，用于将第一备选焦距值与M个参考焦距值设置为梯度评价类；

第二示例图片获取子单元，用于获取梯度评价类中每一焦距值对应的第二示例图片；

梯度计算子单元，用于根据所有第二示例图片的评价特征向量的特征向量评分分布状况确定第一备选焦距值的向量评分梯度。

由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

本申请还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本申请还提供了一种投影设备，可以包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然所述投影设备还可以包括各种网络接口，电源等组件。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (9)

1.一种对焦方法，其特征在于，包括：

在焦距调节范围内确定最优焦距区间；

确定所述最优焦距区间的评分梯度信息，并根据所述评分梯度信息确定优选焦距值；其中，所述优选焦距值对应的向量评分梯度在预设梯度区间内；

根据所述优选焦距值执行对焦操作；

其中，在焦距调节范围内确定最优焦距区间包括：

在所述焦距调节范围内选择N个目标焦距值，并获取每一所述目标焦距值对应的第一示例图片；

确定所述第一示例图片的评价特征向量；

根据所述评价特征向量确定所述最优焦距区间；

其中，根据所述评价特征向量确定所述最优焦距区间包括：

利用平均自动聚类算法将所有所述评价特征向量聚类为多个向量类；

确定每一所述向量类的聚类中心的特征向量评分，并将所述特征向量评分最高的聚类中心所在的向量类设置为目标向量类；

将所述目标向量类对应的焦距区间设置为所述最优焦距区间。

2.根据权利要求1所述对焦方法，其特征在于，在所述焦距调节范围内选择N个目标焦距值包括：

在所述焦距调节范围内等间距选择N个所述目标焦距值。

3.根据权利要求1所述对焦方法，其特征在于，确定所述第一示例图片的评价特征向量包括：

利用预设图像处理算法对每一所述第一示例图片进行图像处理得到参考特征向量；其中，所述预设图像处理算法包括灰度梯度值算法、拉普拉斯算子、插分绝对值算法和图像饱和度算法中的任一种算法或任几种算法的组合；

根据所述参考特征向量和所述参考特征向量对应的算法权重值计算所述评价特征向量。

4.根据权利要求1至3任一项所述对焦方法，其特征在于，确定所述最优焦距区间的评分梯度信息，并根据所述评分梯度信息确定优选焦距值包括：

从所述最优焦距区间中选择第一备选焦距值，确定所述第一备选焦距值对应的向量评分梯度；

判断所述第一备选焦距值的向量评分梯度是否在所述预设梯度区间内；

若是，则将所述第一备选焦距值设置为所述优选焦距值；

若否，则调整所述第一备选焦距值得到第二备选焦距值，并将所述第二备选焦距值作为新的第一备选焦距值，进入判断所述第一备选焦距值的向量评分梯度是否在所述预设梯度区间内的工作流程。

5.根据权利要求4所述对焦方法，其特征在于，调整所述第一备选焦距值得到第二备选焦距值包括：

当所述第一备选焦距值的向量评分梯度大于所述预设梯度区间的上限值时，将所述第一备选焦距值增加第一变化量；其中，所述第一变化量的大小与第一差值正相关，所述第一差值为所述第一备选焦距值的向量评分梯度与所述上限值之差；

当所述第一备选焦距值的向量评分梯度小于所述预设梯度区间的下限值时，将所述第一备选焦距值减小第二变化量；其中，所述第二变化量的大小与第二差值正相关，所述第一差值为所述下限值与所述第一备选焦距值的向量评分梯度之差。

6.根据权利要求4所述对焦方法，其特征在于，从所述最优焦距区间中选择第一备选焦距值，确定所述第一备选焦距值对应的向量评分梯度包括：

将所述最优焦距区间的最小焦距值作为所述第一备选焦距值；

在所述第一备选焦距值的预设焦距范围内调制M个参考焦距值；

将所述第一备选焦距值与M个所述参考焦距值设置为梯度评价类；

获取所述梯度评价类中每一焦距值对应的第二示例图片；

根据所有所述第二示例图片的评价特征向量的特征向量评分分布状况确定所述第一备选焦距值的向量评分梯度。

7.一种对焦装置，其特征在于，包括：

焦距区间确定模块，用于在焦距调节范围内确定最优焦距区间；

焦距值确定模块，用于确定所述最优焦距区间的评分梯度信息，并根据所述评分梯度信息确定优选焦距值；其中，所述优选焦距值对应的向量评分梯度在预设梯度区间内；

对焦模块，用于根据所述优选焦距值执行对焦操作；

其中，所述焦距区间确定模块包括：

第一示例图片获取单元，用于在焦距调节范围内选择N个目标焦距值，并获取每一目标焦距值对应的第一示例图片；

向量确定单元，用于确定第一示例图片的评价特征向量；

区间确定单元，用于根据评价特征向量确定最优焦距区间；

所述区间确定单元包括：

聚类子单元，用于利用平均自动聚类算法将所有评价特征向量聚类为多个向量类；

目标向量类设置子单元，用于确定每一向量类的聚类中心的特征向量评分，并将特征向量评分最高的聚类中心所在的向量类设置为目标向量类；

最优区间确定子单元，用于将目标向量类对应的焦距区间设置为最优焦距区间。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述对焦方法的步骤。

9.一种投影设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述对焦方法的步骤。

Images