CN110913129A - 基于bp神经网络的聚焦方法、装置、终端及存储装置 - Google Patents
基于bp神经网络的聚焦方法、装置、终端及存储装置 Download PDFInfo
- Publication number
- CN110913129A CN110913129A CN201911122299.7A CN201911122299A CN110913129A CN 110913129 A CN110913129 A CN 110913129A CN 201911122299 A CN201911122299 A CN 201911122299A CN 110913129 A CN110913129 A CN 110913129A
- Authority
- CN
- China
- Prior art keywords
- object distance
- neural network
- focusing
- current
- camera lens
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/67—Focus control based on electronic image sensor signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/67—Focus control based on electronic image sensor signals
- H04N23/675—Focus control based on electronic image sensor signals comprising setting of focusing regions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种基于BP神经网络的聚焦方法、装置、终端及存储装置,其中,基于BP神经网络的聚焦方法包括:利用相机镜头采集目标图像;将目标图像中拍摄对象的当前测量物距作为神经网络的输入参数以获得预测聚焦位置,当前测量物距为设置在镜头之外的距离传感器检测拍摄对象得到的。通过上述方式,本发明能够将与拍摄对象之间的当前测量物距作为神经网络输入参数,以得到最佳的聚焦位置,避免了在较大的聚焦范围内来确认聚焦清晰位置,缩减了聚焦时需要处理的数据量,提升了聚焦的速度和精度。
Description
技术领域
本申请涉及数字图像处理技术领域,特别是涉及一种基于BP神经网络的聚焦方法、装置、终端及存储装置。
背景技术
随着安防技术日趋成熟的发展,人们对于监控视频中3A(自动对焦(AF)、自动曝光(AE)、自动白平衡(AWB))图像算法的实时性和准确性要求越来越高。由于视频获取的是一个动态场景内容,焦点不断变化,尤其是变焦场景,如果自动聚焦算法不理想很容易出现聚焦过慢,甚至虚焦、离焦的情况。
目前,目前工程应用中普遍采用的聚焦策略是:分析采集到的图像信息,得到成像系统的当前调焦状态,通过驱动电机带动镜头遍历所有可能的聚焦位置,最后回到最佳聚焦位置,而这种聚焦算法依赖于镜头厂商出厂时提供的物距曲线来实现,另一方面,该种聚焦算法聚焦搜索范围较大,进一步导致聚焦速度较慢。
发明内容
本申请提供一种基于BP神经网络的聚焦方法、装置、终端及存储装置,以解决现有的聚焦方法聚焦速度慢,且依赖于物距曲线来实现的问题。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种基于BP神经网络的聚焦方法,包括:利用相机镜头采集目标图像;将目标图像中拍摄对象的当前测量物距作为神经网络的输入参数以获得预测聚焦位置,当前测量物距为设置在镜头之外的距离传感器检测拍摄对象得到的。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种基于BP神经网络的聚焦装置,包括:采集模块,用于利用相机镜头采集目标图像;输入模块,与采集模块耦接,用于将目标图像中拍摄对象的当前测量物距作为神经网络的输入参数以获得聚焦位置,当前测量物距为设置在镜头之外的距离传感器检测拍摄对象得到的。
为解决上述技术问题,本申请采用的再一个技术方案是:提供一种终端,该终端包括处理器、与处理器耦接的存储器、相机镜头及雷达,其中,存储器存储有用于实现上述基于BP神经网络的聚焦方法的程序指令;处理器用于执行存储器存储的程序指令以辅助聚焦,相机镜头用于采集图像;雷达用于获取图像中拍摄对象的当前测量物距。
为解决上述技术问题,本申请采用的再一个技术方案是:提供一种存储装置,存储有能够实现上述基于BP神经网络的聚焦方法的程序文件。
本申请的有益效果是:本发明通过获取相机镜头采集的目标图像中拍摄对象的当前测量物距,并将该当前测量物距作为神经网络的输入参数输入至训练好的神经网络中,从而得到预测聚焦位置,其通过对拍摄对象的当前测量物距的处理得到预测聚焦位置,避免了在较大的聚焦范围内搜索最佳聚焦位置,缩减了聚焦所需要的时间,提高了聚焦的速度,并且,通过采用当前测量物距和神经网络进行预测,进而避免了当前测量物距与实际聚焦使用的物距曲线存在一定误差的问题,提高了聚焦的精确度。
附图说明
图1是本发明第一实施例的基于BP神经网络的聚焦方法的流程示意图;
图2是本发明第二实施例的基于BP神经网络的聚焦方法的流程示意图;
图3是本发明第三实施例的基于BP神经网络的聚焦方法的流程示意图;
图4是本发明第四实施例的基于BP神经网络的聚焦方法的流程示意图;
图5是本发明第五实施例的基于BP神经网络的聚焦方法的流程示意图;
图6是本发明第六实施例的基于BP神经网络的聚焦方法的流程示意图;
图7是本发明实施例的基于BP神经网络的聚焦装置的结构示意图;
图8是本发明实施例的终端的结构示意图;
图9是本发明实施例的存储装置的结构示意图。
具体实施方式
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,所描述的实施例仅是本申请的一部分实施例,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。
本申请中的术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
图1是本发明第一个实施例的基于BP神经网络的聚焦方法的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图1所示的流程顺序为限。如图1所示,该方法包括步骤:
步骤S100:利用相机镜头采集目标图像。
步骤S101:将目标图像中拍摄对象的当前测量物距作为神经网络的输入参数以获得预测聚焦位置。
需要说明的是,当前测量物距为设置在镜头之外的距离传感器检测拍摄对象得到的。其中,该距离传感器包括但不限于雷达。
需要说明的是,该神经网络优选为BP(back propagation)神经网络,BP神经网络是一种多层反向传播神经网络,其主要特点是在传播过程中信号向前传递误差反向输出,首先,从基础数据中给出有代表性的网络输入信号(即样本数据),并根据所要关心的具体问题构造出期望的目标信号输入网络;然后,在网络学习和自适应过程中,通过输入信号正向的激活放大传播和误差的反向传播,不断修改和调整各层神经元的连接权值,使输出信号与期望目标输出信号间的误差信号减至最小,当其值小于某一给定值时,即认为完成或训练好该神经网络,在此基础上将进行下一步的预测或拟合。BP神经网络基本原理是:设定神经网络的输入样本,隐含层节点数和输出层节点数,先在隐含层激活并放大输入层的接收信号,同时反向传递输出与期望信号间的误差,再利用误差信号调整网络连接权值,直到网络连接权值的精度达到设定的要求时,网络建立停止网络训练,最后由输出层输出期望信号,继续后续数据的拟合与预测处理,BP神经网络共有三层学习过程,即输入层、隐含层和输出层。其过程主要有五个阶段:数据初始化,误差反馈,调整权值,计算精度以及断定结果。具体地,在本实施例中,该神经网络的训练过程具体包括:
首先,初始化BP神经网络,包括数据的归一化和神经元的初始化,其中,神经元的输出对于0~1之间的数据非常敏感,归一化能够显著提高训练效率。
其次,将获取的多组样本数据输入至该BP神经网络进行训练,从而对神经元进行误差量的修正,并对训练过程中的平均误差进行监控,直至平均误差低于预设精度范围时,训练完成。在一些实施例中,还可以是训练达到预设次数,则训练完成。
在步骤S100中,通过相机镜头采集目标图像的同时,还需通过距离传感器获取与拍摄对象之间的当前测量物距,再将该当前测量物距输入至训练好的神经网络,得到预测聚焦位置。具体地,输入至神经网络的参数除当前测量物距之外,还包括相机镜头的位姿参数,包括水平方向位置、垂直方向位置和倍率。
本发明第一个实施例的基于BP神经网络的聚焦方法通过获取相机镜头采集的目标图像中拍摄对象的当前测量物距,并将该当前测量物距作为神经网络的输入参数输入至训练好的神经网络中,从而得到预测聚焦位置,其通过对拍摄对象的当前测量物距的处理得到预测聚焦位置,避免了在较大的聚焦范围内搜索最佳聚焦位置,缩减了聚焦所需要的时间,提高了聚焦的速度,并且,通过采用当前测量物距和神经网络进行预测,进而避免了当前测量物距与实际聚焦使用的物距曲线存在一定误差的问题,提高了聚焦的精确度。
图2展示了本发明第二个实施例的基于BP神经网络的聚焦方法的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图2所示的流程顺序为限。如图2所示,该方法包括步骤:
步骤S200:利用相机镜头采集目标图像。
在本实施例中,图2中的步骤S200和图1中的步骤S100类似,为简约起见,在此不再赘述。
步骤S201:将相机镜头的当前位姿、当前测量物距作为神经网络的输入参数以获得预测物距。
需要说明的是,当前位姿包括相机镜头当前的水平位置、垂直位置和倍率。
具体地,将相机镜头当前的水平位置、垂直位置和倍率,以及当前测量物距输入至训练好的神经网络中,神经网络根据输入的参数输出对应的预测物距。
步骤S202:判断多组样本数据中是否包括当前位姿。当多组样本数据中包括当前位姿时,执行步骤S203。当多组样本数据中不包括当前位姿时,执行步骤S204。
步骤S203:判断多组样本数据中当前位姿对应的样本测量物距与当前测量物距之间的变化量是否超过预设阈值。若是,则执行步骤S204;若否,则执行步骤S205。
需要说明的是,多组样本数据包括训练神经网络时的样本数据,其包括位姿以及该位姿对应的测量物距。该预设阈值预先设定
在步骤S203中,当多组样本数据中包括当前位姿时,获取多组样本数据中当前位姿对应的样本测量物距,再计算当前测量物距和样本测量物距。
需要说明的是,该多组样本数据为神经网络训练时的样本数据。具体地,若当前位姿为包括在该多组样本数据中,则执行步骤S204。
步骤S204:将当前位姿、当前测量物距作为新的样本数据对神经网络进行更新。
具体地,将该未包括在多组样本数据中的当前位姿、当前测量物距作为新的样本数据来对神经网络进行训练,从而保证对该神经网络训练的全面性。
步骤S205:通过预测物距拟合物距曲线得到预测聚焦位置。
需要说明的是,该物距曲线是相机镜头在出厂时厂家提供的不同物距下的曲线,该物距曲线又称变焦跟随曲线,通常是有一定弧度的一条曲线,镜头厂商出厂时会提供不同物距下该曲线,其物理意义可以理解为,指定物距下Zoom电机和Focus电机沿着该曲线走是全程清晰的。具体地,获取预测物距后,将该预测物距与物距曲线进行拟合,从而得到当前位姿下的预测聚焦位置。
本发明第二个实施例的基于BP神经网络的聚焦方法在第一个实施例的基础上,通过将相机镜头的当前位姿与神经网络进行训练时的多组样本数据进行比对,若多组样本数据中未包括当前位姿时,则将当前位姿和当前测量物距作为信息样本数据对神经网络进行训练,保证神经网络训练的全面性,使得相机镜头的各个角度都被训练到,从而在使用该基于BP神经网络的聚焦方法进行聚焦时,各个角度都能快速、准确地进行聚焦。
图3展示了本发明第三个实施例的基于BP神经网络的聚焦方法的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图3所示的流程顺序为限。如图3所示,该方法包括步骤:
步骤S300:利用相机镜头采集目标图像。
在本实施例中,图3中的步骤S300和图1中的步骤S100类似,为简约起见,在此不再赘述。
步骤S301:将目标图像中拍摄对象的当前测量物距作为神经网络的输入参数以获得预测聚焦位置。
在本实施例中,图3中的步骤S301和图1中的步骤S101类似,为简约起见,在此不再赘述。
步骤S302:利用当前测量物距计算前景深和后景深,以预测聚焦位置为中心结合前景深和后景深限定的范围为聚焦范围。
具体地,根据当前测量物距计算出前景深和后景深,在以预测聚焦位置为中心结合前景深和后景深限定出一个范围,并将这个范围设为聚焦范围。
其中,前景深计算公式为:
ΔL1=(F*δ*L2)/(f2+F*δ*L);
后景深的计算公式为:
ΔL2=(F*δ*L2)/(f2-F*δ*L)
其中,L为当前测量物距,F为相对孔径,即光圈F值,f为焦距,δ为弥散圆。
步骤S303:在聚焦范围内进行搜索以确认最终聚焦位置。
具体地,在聚焦范围内控制调焦马达移动,直接采集的图像质量达到最佳,得到最终聚焦位置。
本发明第三个实施例的基于BP神经网络的聚焦方法在第一个实施例的基础上,通过当前测量物距计算出前景深和后景深,再根据预测聚焦位置、前景深和后景深限定聚焦范围,进而在该聚焦范围内进行搜索,以确认最终聚焦位置,其通过前景深和后景深来限定聚焦范围,大幅度缩小了需要进行所搜的聚焦范围,从而提高了聚焦的速度,并且,考虑到预测聚焦位置并不一定是最优的聚焦位置,因此,以预测聚焦位置作为参考计算出前景深和后景深限定的聚焦范围,在该聚焦范围内再去确认最优的最终聚焦位置,保证聚焦效果最佳。
进一步的,在一些实施例中,也可以将预测聚焦位置直接作为最终聚焦位置。
图4展示了本发明第四个实施例的基于BP神经网络的聚焦方法的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图4所示的流程顺序为限。如图4所示,该方法包括步骤:
步骤S400:利用相机镜头采集目标图像。
在本实施例中,图4中的步骤S400和图1中的步骤S100类似,为简约起见,在此不再赘述。
步骤S401:将目标图像中拍摄对象的当前测量物距作为神经网络的输入参数以获得预测聚焦位置。
在本实施例中,图4中的步骤S401和图1中的步骤S101类似,为简约起见,在此不再赘述。
步骤S402:判断是否满足预设条件。若满足,则执行步骤S403~步骤S409;若不满足,则执行步骤S410。
需要说明的是,预设条件包括神经网络未完成更新,或神经网络未完成更新且相机镜头的当前位姿与任一历史样本数据中的位姿均不匹配。
具体地,神经网络未完成更新,或神经网络未完成更新且相机镜头的当前位姿与任一历史样本数据中的位姿均不匹配均说明当前的神经网络未训练至最佳,例如:未对相机镜头的每个位姿均训练到,此时,若满足该预设条件,则执行步骤S403~步骤S409,以保证能得到一个最优的聚焦位置,若不满足该预设条件,则执行步骤S410。
步骤S403:利用当前测量物距计算前景深和后景深,以预测聚焦位置为中心结合前景深和后景深限定的范围为聚焦范围,在聚焦范围内进行搜索以确认最终聚焦位置。
在本实施例中,图4中的步骤S403和图3中的步骤S302~步骤S303所述的内容类似,为简约起见,在此不再赘述。
步骤S404:计算当前的物距误差。
需要说明的是,物距误差为最终聚焦位置对应物距与预测聚焦位置对应物距之间的差值。
步骤S405:利用多组样本数据的物距误差与当前的物距误差计算平均误差。
具体地,根据多组样本数据计算出每一组样本数据的物距误差,计算方式与上述计算当前的物距误差的方式相同,再结合当前的物距误差计算出平均误差。
步骤S406:根据相机镜头的光圈值、光谱波长计算焦深,并根据焦深确认聚焦清晰时的像距范围。
需要说明的是,焦深的计算公式为:
Δ=2*F2*λ;
其中,F为相对孔径,即光圈F值,λ为光谱波长。理论上聚焦只有一个最清晰的位置,而根据几何光学原理,当像面沿光轴在焦平面位置附近移动时,在一定的范围内,所成像的模糊圆小于一定的阈值,这时所成的像仍然是清晰的,在保证清晰度的前提下,像面可移动的距离就是成像系统的焦深,在本实施例中,以焦深来确定聚焦清晰时的像距范围,其中像距范围为v为最终聚焦位置对应的像距。
步骤S407:结合高斯成像原理和像距范围计算聚焦清晰时的物距偏差范围,并将物距偏差范围作为预设精度范围。
具体地,根据高斯成像公式:
其中,u是物距,v是像距,f是焦距。当像距和焦距一定时,计算得到物距的大小:
步骤S408:判断平均误差是否处于预设精度范围内。当平均误差处于预设精度范围内时,执行步骤S409。
步骤S409:判定神经网络已完成更新。
具体地,当平均误差处于预设精度范围之内时,说明此时的神经网络的精度已满足要求,可以用作辅助聚焦。
步骤S410:将预测聚焦位置作为最终聚焦位置。
本发明第四个实施例的基于BP神经网络的聚焦方法在第一个实施例的基础上,通过设定预设条件以判断神经网络是否已经训练完成,若未训练完成,则通过前景深和后景深限定的聚焦范围来确定最终聚焦位置,从而保证最终预测结果的准确性,若满足预设条件,则直接将预测聚焦位置作为最终聚焦位置,减少最终的数据处理量,提高聚焦速度。并且,本实施例中还通过计算焦深以确定聚焦清晰时的像距范围,通过像距范围和高斯成像原理确认预设精度范围,以预测精度范围来确定神经网络是否更新完成。
图5展示了本发明第五个实施例的基于BP神经网络的聚焦方法的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图5所示的流程顺序为限。如图5所示,该方法包括步骤:
步骤S500:判断相机镜头的位姿或当前测量物距是否发生变化。若发生变化,则执行步骤S501~步骤S502。
具体地,通过获取相机镜头前后时刻的位姿和当前测量物距并进行对比,从而确定相机镜头的位姿或当前测量物距是否发生变化,若发生变化,则执行步骤S501~步骤S502。
步骤S501:利用相机镜头采集目标图像。
在本实施例中,图5中的步骤S501和图1中的步骤S100类似,为简约起见,在此不再赘述。
步骤S502:将目标图像中拍摄对象的当前测量物距作为神经网络的输入参数以获得预测聚焦位置。
在本实施例中,图5中的步骤S502和图1中的步骤S100类似,为简约起见,在此不再赘述。
本发明第五个实施例的基于BP神经网络的聚焦方法在第一个实施例的基础上,通过检测相机镜头的位姿是否发生变化以确定相机镜头是否需要进行调焦,当检测到相机镜头的位姿发生变化时,则控制相机镜头进行调焦操作,从而保证相机镜头拍摄的图像足够清晰。
图6展示了本发明第六个实施例的基于BP神经网络的聚焦方法的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图6所示的流程顺序为限。如图6所示,该方法包括步骤:
步骤S600:利用相机镜头采集目标图像。
在本实施例中,图6中的步骤S600和图1中的步骤S100类似,为简约起见,在此不再赘述。
步骤S601:计算目标图像的清晰度与相机镜头采集的上一张图像的清晰度的差值。
在步骤S601中,获取目标图像之后,计算该目标图像的清晰度。需要说明的是,在获取每张目标图像之后,均会计算该张目标图像的清晰度,再计算该目标图像的清晰度与相机镜头采集的上一张图像的清晰度的差值。
步骤S602:判断差值是否超过预设阈值。若是,则执行步骤S603;若否,则执行步骤S604。
在步骤S602中,根据该目标图像的清晰度与相机镜头采集的上一张图像的清晰度的差值进行判断,当该差值超过预设阈值时,说明相机镜头的位姿发生了较大变化,此时执行步骤S603;当该差值未超过预设阈值时,说明相机镜头的位姿变化较小,此时执行步骤S604。
步骤S603:将目标图像中拍摄对象的当前测量物距作为神经网络的输入参数以获得预测聚焦位置。
在本实施例中,图6中的步骤S603和图1中的步骤S101类似,为简约起见,在此不再赘述。
步骤S604:通过预设的聚焦算法进行计算得到预测聚焦位置。
需要理解的是,在相机镜头的位姿变化较小时,进行聚焦调整所需计算的数据量也较少,为了节省计算时间,降低资源损耗,可直接通过预设的聚焦算法进行计算得到预测聚焦位置,例如:通过爬山搜索算法来确定预测聚焦位置。
本发明第六个实施例的基于BP神经网络的聚焦方法在第一个实施例的基础上,通过将相机镜头拍摄的当前的目标图像的清晰度与上一张图像的清晰度进行比对,当两者之间的清晰度差值超过预设阈值时,说明相机镜头的位姿发生了较大变化,通过目标图像中拍摄对象的当前测量物距作为神经网络的输入参数以获得预测聚焦位置,缩短聚焦时间,加快聚焦速度,当两者之间的清晰度差值未超过预设阈值时,说明相机镜头的位姿发生的变化较小,可直接通过预设的聚焦算法进行计算和聚焦,减少数据处理量,提升聚焦速度。
图7是本发明实施例的基于BP神经网络的聚焦装置的结构示意图。如图7所示,该装置10包括采集模块11和输入模块12。
采集模块11,用于利用相机镜头采集目标图像。
输入模块12与采集模块11耦接,用于将目标图像中拍摄对象的当前测量物距作为神经网络的输入参数以获得聚焦位置,当前测量物距为设置在镜头之外的距离传感器检测拍摄对象得到的。
可选地,输入模块12将目标图像中拍摄对象的当前测量物距作为神经网络的输入参数以获得聚焦位置的操作可以为:输入模块12将相机镜头的当前位姿、当前测量物距作为神经网络的输入参数以获得预测物距,当前位姿包括相机镜头当前的水平位置、垂直位置和倍率;判断多组样本数据中是否包括当前位姿;若是,则当多组样本数据中当前位姿对应的样本测量物距与当前测量物距之间的差值超过预设阈值时,将当前位姿、当前测量物距作为新的样本数据对神经网络进行更新;若否,则将当前位姿、当前测量物距作为新的样本数据对神经网络进行更新;通过预测物距拟合物距曲线得到预测聚焦位置。
可选地,输入模块12还用于将预测聚焦位置作为最终聚焦位置;或者是利用当前测量物距计算前景深和后景深,以预测聚焦位置为中心结合前景深和后景深限定的范围为聚焦范围;在聚焦范围内进行搜索以确认最终聚焦位置。
可选地,输入模块12还用于判断是否满足预设条件。若满足,则利用当前测量物距计算前景深和后景深,以预测聚焦位置为中心结合前景深和后景深限定的范围为聚焦范围,在聚焦范围内进行搜索以确认最终聚焦位置,并且计算当前的物距误差,当前的物距误差为最终聚焦位置与预测聚焦位置之差;利用多组样本数据的物距误差与当前的物距误差计算平均误差;根据相机镜头的光圈值、光谱波长计算焦深,并根据焦深确认聚焦清晰时的像距范围;结合高斯成像原理和像距范围计算聚焦清晰时的物距偏差范围,并将物距偏差范围作为预设精度范围;判断平均误差是否处于预设精度范围内。当平均误差处于预设精度范围内时,判定神经网络已完成更新;若不满足,则将预测聚焦位置作为最终聚焦位置。
可选地,采集模块11在采集目标图像的操作之前,还用于判断相机镜头的位姿或当前测量物距是否发生变化;若发生变化,则执行利用相机镜头采集目标图像。
可选地,输入模块12在获得预测聚焦位置的操作之前,还用于计算目标图像的清晰度与相机镜头采集的上一张图像的清晰度的差值;判断差值是否超过预设阈值,若超过预设阈值,则将目标图像中拍摄对象的当前测量物距作为神经网络的输入参数以获得预测聚焦位置;若未超过预设阈值,则通过预设的聚焦算法进行计算得到预测聚焦位置。
请参阅图8,图8为本发明实施例的终端的结构示意图。如图8所示,该终端60包括处理器61及和处理器61耦接的存储器62、相机镜头63及雷达64。
存储器62存储有用于实现任一实施例所述的基于BP神经网络的聚焦方法的程序指令;
处理器61用于执行存储器62存储的程序指令以辅助聚焦;
相机镜头63用于采集图像;
雷达64用于获取图像中拍摄对象的当前测量物距。
其中,处理器61还可以称为CPU(Central Processing Unit,中央处理单元)。处理器61可能是一种集成电路芯片,具有信号的处理能力。处理器61还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
参阅图9,图9为本发明实施例的存储装置的结构示意图。本发明实施例的存储装置存储有能够实现上述所有方法的程序文件71,其中,该程序文件71可以以软件产品的形式存储在上述存储装置中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储装置包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请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,均同理包括在本申请的专利保护范围内。
Claims (12)
1.一种基于BP神经网络的聚焦方法,其特征在于,包括:
利用相机镜头采集目标图像;
将所述目标图像中拍摄对象的当前测量物距作为神经网络的输入参数以获得预测聚焦位置,所述当前测量物距为设置在所述镜头之外的距离传感器检测所述拍摄对象得到的。
2.根据权利要求1所述的方法,其特征在于,
将所述目标图像中拍摄对象的测量物距作为神经网络的输入参数以获得预测聚焦位置包括:
将所述相机镜头的当前位姿、所述当前测量物距作为所述神经网络的输入参数以获得预测物距,所述当前位姿包括所述相机镜头当前的水平位置、垂直位置和倍率;
通过所述预测物距拟合物距曲线得到所述预测聚焦位置。
3.根据权利要求1所述的方法,其特征在于,进一步包括:
将所述预测聚焦位置作为最终聚焦位置;或
利用所述当前测量物距计算前景深和后景深,以所述预测聚焦位置为中心,结合所述前景深和所述后景深限定的范围为聚焦范围;
在所述聚焦范围内进行搜索以确认最终聚焦位置。
4.根据权利要求1所述的方法,其特征在于,进一步包括:
判断是否满足预设条件;
若满足,则利用所述当前测量物距计算前景深和后景深,以所述预测聚焦位置为中心结合所述前景深和所述后景深限定的范围为聚焦范围,在所述聚焦范围内进行搜索以确认最终聚焦位置,否则将所述预测聚焦位置作为最终聚焦位置。
5.根据权利要求4所述的方法,其特征在于,
所述预设条件包括所述神经网络未完成更新,或所述神经网络未完成更新且所述相机镜头的当前位姿与任一历史样本数据中的位姿均不匹配。
6.根据权利要求4所述的方法,其特征在于,所述利用所述预测聚焦位置计算前景深和后景深,在所述聚焦范围内进行搜索以确认最终聚焦位置之后进一步包括:
计算当前的物距误差,所述当前的物距误差为所述最终聚焦位置与所述预测聚焦位置之差;
利用多组样本数据的物距误差与所述当前的物距误差计算平均误差;
判断所述平均误差是否处于预设精度范围内;
当所述平均误差处于预设精度范围内时,判定所述神经网络已完成更新。
7.根据权利要求6所述的方法,其特征在于,
判断所述平均误差是否处于预设精度范围内的步骤之前,包括:
根据相机镜头的光圈值、光谱波长计算焦深,并根据所述焦深确认聚焦清晰时的像距范围;
结合高斯成像原理和所述像距范围计算聚焦清晰时的物距偏差范围,并将所述物距偏差范围作为所述预设精度范围。
8.根据权利要求2所述的方法,其特征在于,
将所述相机镜头的当前位姿、所述当前测量物距作为所述神经网络的输入参数以获得预测物距的步骤之后,还包括:
判断多组样本数据中是否包括所述当前位姿;
若是,则当所述多组样本数据中所述当前位姿对应的样本测量物距与所述当前测量物距之间的变化量超过预设阈值时,将所述当前位姿、所述当前测量物距作为新的样本数据对所述神经网络进行更新。
若否,则将所述当前位姿、所述当前测量物距作为新的样本数据对所述神经网络进行更新。
9.根据权利要求1所述的方法,其特征在于,
利用相机镜头采集目标图像的步骤之前,还包括:
判断所述相机镜头的位姿或所述当前测量物距是否发生变化;
若发生变化,则执行所述利用相机镜头采集目标图像及其后续步骤。
10.一种基于BP神经网络的聚焦装置,其特征在于,包括:
采集模块,用于利用相机镜头采集目标图像;
输入模块,与所述采集模块耦接,用于将所述目标图像中拍摄对象的当前测量物距作为神经网络的输入参数以获得聚焦位置,所述当前测量物距为设置在所述镜头之外的距离传感器检测所述拍摄对象得到的。
11.一种终端,其特征在于,所述终端包括处理器、与所述处理器耦接的存储器、相机镜头及雷达,其中,
所述存储器存储有用于实现如权利要求1-9中任一项所述的基于BP神经网络的聚焦方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以辅助聚焦;
所述相机镜头用于采集图像;
所述雷达用于获取所述图像中拍摄对象的当前测量物距。
12.一种存储装置,其特征在于,存储有能够实现如权利要求1-9中任一项所述的基于BP神经网络的聚焦方法的程序文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911122299.7A CN110913129B (zh) | 2019-11-15 | 2019-11-15 | 基于bp神经网络的聚焦方法、装置、终端及存储装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911122299.7A CN110913129B (zh) | 2019-11-15 | 2019-11-15 | 基于bp神经网络的聚焦方法、装置、终端及存储装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110913129A true CN110913129A (zh) | 2020-03-24 |
CN110913129B CN110913129B (zh) | 2021-05-11 |
Family
ID=69816944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911122299.7A Active CN110913129B (zh) | 2019-11-15 | 2019-11-15 | 基于bp神经网络的聚焦方法、装置、终端及存储装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110913129B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111629147A (zh) * | 2020-06-04 | 2020-09-04 | 中国科学院长春光学精密机械与物理研究所 | 基于卷积神经网络的自动调焦方法及系统 |
CN113347335A (zh) * | 2021-05-31 | 2021-09-03 | 浙江大华技术股份有限公司 | 一种聚焦方法、装置、电子设备及存储介质 |
CN115802161A (zh) * | 2023-02-09 | 2023-03-14 | 杭州星犀科技有限公司 | 基于自学习的对焦方法、系统、终端及介质 |
CN116330285A (zh) * | 2023-03-20 | 2023-06-27 | 深圳市功夫机器人有限公司 | 机械臂控制方法、装置、机械臂及存储介质 |
CN117041710A (zh) * | 2023-08-18 | 2023-11-10 | 广州呗呗科技有限公司 | 一种跟焦器及其控制方法 |
CN117714861A (zh) * | 2023-08-01 | 2024-03-15 | 上海荣耀智慧科技开发有限公司 | 图像处理方法及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155653A (zh) * | 2014-08-18 | 2014-11-19 | 电子科技大学 | 一种基于特征距离子空间的sar后向投影成像方法 |
US20160132789A1 (en) * | 2013-09-30 | 2016-05-12 | Manyworlds, Inc. | Streams of Attention Method, System, and Apparatus |
CN109191413A (zh) * | 2018-08-21 | 2019-01-11 | 西京学院 | 一种基于改进型卷积神经网络的多聚焦图像融合方法 |
CN109492514A (zh) * | 2018-08-28 | 2019-03-19 | 初速度(苏州)科技有限公司 | 一种单相机采集人眼视线方向的方法及系统 |
CN109936696A (zh) * | 2019-02-28 | 2019-06-25 | 深圳大学 | 基于神经网络的光纤端面自动对焦的方法和相关装置 |
-
2019
- 2019-11-15 CN CN201911122299.7A patent/CN110913129B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160132789A1 (en) * | 2013-09-30 | 2016-05-12 | Manyworlds, Inc. | Streams of Attention Method, System, and Apparatus |
CN104155653A (zh) * | 2014-08-18 | 2014-11-19 | 电子科技大学 | 一种基于特征距离子空间的sar后向投影成像方法 |
CN109191413A (zh) * | 2018-08-21 | 2019-01-11 | 西京学院 | 一种基于改进型卷积神经网络的多聚焦图像融合方法 |
CN109492514A (zh) * | 2018-08-28 | 2019-03-19 | 初速度(苏州)科技有限公司 | 一种单相机采集人眼视线方向的方法及系统 |
CN109936696A (zh) * | 2019-02-28 | 2019-06-25 | 深圳大学 | 基于神经网络的光纤端面自动对焦的方法和相关装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111629147A (zh) * | 2020-06-04 | 2020-09-04 | 中国科学院长春光学精密机械与物理研究所 | 基于卷积神经网络的自动调焦方法及系统 |
CN113347335A (zh) * | 2021-05-31 | 2021-09-03 | 浙江大华技术股份有限公司 | 一种聚焦方法、装置、电子设备及存储介质 |
CN115802161A (zh) * | 2023-02-09 | 2023-03-14 | 杭州星犀科技有限公司 | 基于自学习的对焦方法、系统、终端及介质 |
CN116330285A (zh) * | 2023-03-20 | 2023-06-27 | 深圳市功夫机器人有限公司 | 机械臂控制方法、装置、机械臂及存储介质 |
CN117714861A (zh) * | 2023-08-01 | 2024-03-15 | 上海荣耀智慧科技开发有限公司 | 图像处理方法及电子设备 |
CN117041710A (zh) * | 2023-08-18 | 2023-11-10 | 广州呗呗科技有限公司 | 一种跟焦器及其控制方法 |
CN117041710B (zh) * | 2023-08-18 | 2024-04-19 | 广州呗呗科技有限公司 | 一种跟焦器及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110913129B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110913129B (zh) | 基于bp神经网络的聚焦方法、装置、终端及存储装置 | |
WO2021208371A1 (zh) | 多摄变焦控制方法、装置、电子系统及存储介质 | |
CN109922251B (zh) | 快速抓拍的方法、装置及系统 | |
JP6663040B2 (ja) | 奥行き情報取得方法および装置、ならびに画像取得デバイス | |
US10387477B2 (en) | Calibration for phase detection auto focus (PDAF) camera systems | |
EP3318054B1 (en) | Systems and methods for autofocus trigger | |
EP1956831B1 (en) | Focus adjusting device, image pickup apparatus, and focus adjustment method | |
US20160295097A1 (en) | Dual camera autofocus | |
US8861948B2 (en) | Image pickup apparatus | |
EP2618558B1 (en) | Camera system and auto focus method | |
US10594939B2 (en) | Control device, apparatus, and control method for tracking correction based on multiple calculated control gains | |
US20170230649A1 (en) | Calibration of hybrid auto focus (af) imaging systems | |
CN108710192B (zh) | 基于统计数据的自动对焦系统和方法 | |
CN104469167A (zh) | 自动对焦方法及装置 | |
US20160306135A1 (en) | Optical apparatus, display controlling method, and display controlling program | |
WO2017117749A1 (zh) | 基于多种测距方式的跟焦系统、方法及拍摄系统 | |
CN112653835B (zh) | 聚焦状态的判断方法、装置及存储介质 | |
CN112333379A (zh) | 图像对焦方法、装置及图像采集设备 | |
CN106415348A (zh) | 摄像装置及对焦控制方法 | |
US20080080848A1 (en) | Camera focusing system and method thereof | |
CN104601883A (zh) | 一种图像拍摄的方法及装置 | |
JP6734994B2 (ja) | ステレオ計測装置及びシステム | |
CN114979472B (zh) | 一种自动对焦方法、装置、设备及可读存储介质 | |
WO2024032125A1 (zh) | 摄像头监控方法及装置 | |
EP3723358B1 (en) | Image processing apparatus, control method thereof, and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |