CN111147737A

CN111147737A - 一种基于rbf神经网络的自动对焦方法及装置

Info

Publication number: CN111147737A
Application number: CN201911268611.3A
Authority: CN
Inventors: 温泽鑫; 周延周; 张道森; 谢侃; 谢胜利
Original assignee: Guangdong University of Technology
Current assignee: Guangdong University of Technology
Priority date: 2019-12-11
Filing date: 2019-12-11
Publication date: 2020-05-12

Abstract

本申请公开了一种基于RBF神经网络的自动对焦方法及装置，包括：获取物镜所处位置拍摄的图像，根据图像计算对应的聚焦评价值以及平均灰度值；将所述聚焦评价值以及平均灰度值输入到预设的RBF神经网络模型中，RBF神经网络模型输出物镜处于最佳聚焦点的位置；利用变焦电机驱动物镜调节至所述最佳聚焦点的位置。本申请能有效避免现有对焦搜索算法中局部峰值的影响，且能有效减少变焦电机来回运动的频率，缩短了对焦时间。

Description

一种基于RBF神经网络的自动对焦方法及装置

技术领域

本申请涉及工业自动化及自动对焦领域，具体涉及一种基于RBF神经网络的自动对焦方法及装置。

背景技术

在工业自动化中，很多情况下需要对相机进行自动对焦，以获取更为清晰的图像，进行后续的图像识别、处理等过程。

现有技术中，对相机进行对焦常用的算法是爬山算法，该算法需要电机频繁地来回运动以追寻到最佳聚焦位置点，而且还容易陷入局部极值点；曲线拟合搜索法对调焦评价函数曲线平坦区位置拟合无效，且也会受到局部峰值的影响，若要提高拟合效果将会增加运算量。

发明内容

本申请的目的是提供一种基于RBF神经网络的自动对焦方法及装置，能有效避免现有算法中局部峰值的影响，且能有效减少变焦电机来回运动的频率。

为了实现上述任务，本申请采用以下技术方案：

第一方面，本申请提供了一种基于RBF神经网络的自动对焦方法，包括：

获取物镜所处位置拍摄的图像，根据图像计算对应的聚焦评价值以及平均灰度值；

将所述聚焦评价值以及平均灰度值输入到预设的RBF神经网络模型中，RBF神经网络模型输出物镜处于最佳聚焦点的位置；

利用变焦电机驱动物镜调节至所述最佳聚焦点的位置。

进一步地，所述利用变焦电机驱动物镜调节至所述最佳聚焦点的位置之后，还包括：

左右移动物镜相同的距离并拍摄图像，根据图像计算对应的聚焦评价值，根据聚焦评价值判断所述位置是否为焦点位置，如不是，则将所述图像输入预设的RBF神经网络模型中，利用网络模型重新输出最佳聚焦点的位置。

进一步地，所述预设的RBF神经网络模型的建立过程包括：

建立训练数据集，所述训练数据集中包含多个样本，每个样本包括相机的物镜处于不同的N个位置时，在每个位置上获取的图像的聚焦评价值以及平均灰度值；

测量相机的物镜处于所述N个位置中的每个位置时，所述位置对应的焦点位置；

建立RBF神经网络并利用所述训练数据集进行训练，其中，将所述样本作为RBF神经网络的输入，在物镜处于每个位置时测量的焦点位置作为RBF神经网络的输出；

保存训练好的RBF神经网络模型作为所述预设的RBF神经网络模型。

进一步地，所述的N个位置中，相邻的位置之间等距。

第二方面，本申请提供了一种基于RBF神经网络的自动对焦装置，包括：

获取模块，用于获取物镜所处位置拍摄的图像，根据图像计算对应的聚焦评价值以及平均灰度值；

网络输出模块，用于将所述聚焦评价值以及平均灰度值输入到预设的RBF神经网络模型中，RBF神经网络模型输出物镜处于最佳聚焦点的位置；

调节模块，用于利用变焦电机驱动物镜调节至所述最佳聚焦点的位置。

进一步地，所述装置还包括预设模型确定模块，包括：

训练集模块，用于建立训练数据集，所述训练数据集中包含多个样本，每个样本包括相机的物镜处于不同的N个位置时，在每个位置上获取的图像的聚焦评价值以及平均灰度值；

测量模块，用于测量相机的物镜处于所述N个位置中的每个位置时，所述位置对应的焦点位置；

网络建立训练模块，用于建立RBF神经网络并利用所述训练数据集进行训练，其中，将所述样本作为RBF神经网络的输入，在物镜处于每个位置时测量的焦点位置作为RBF神经网络的输出；

保存模块，用于保存训练好的RBF神经网络模型作为所述预设的RBF神经网络模型。

第三方面，本申请提供了一种终端设备，包括包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行计算机程序时实现前述第一方面的基于RBF神经网络的自动对焦方法的步骤。

第四方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现前述第一方面的基于RBF神经网络的自动对焦方法的步骤。

本申请具有以下技术特点：

1.RBF神经网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的。网络的权就可由线性方程组直接解出，从而大大加快学习速度并避免局部极小问题。

2.RBF神经网络是种高效的前馈式网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。

3.与SOM神经网络相比较RBF方案省去原SOM方案的先分类，再与焦点矩阵对应的过程，从而节省了时间。

4.与传统的搜索算法相比，将会很大程度上减少电机移动的次数。

附图说明

图1为本申请的基于RBF神经网络的自动对焦方法的流程示意图；

图2为RBF神经网络的结构示意图；

图3为本申请的基于RBF神经网络的自动对焦装置的结构示意图；

图4为本申请的终端设备的结构示意图。

具体实施方式

工业上经常使用相机来做重复性的工作，每次开机启动的时候都会让相机先对固有目标坏境进行自动对焦，即要达到图像清晰度的峰值，在得到清晰图片后再会对其进行各种操作。为避免传统对焦搜索算法存在的局部峰值问题的影响，如图1所示，本申请提供了一种基于RBF神经网络的自动对焦方法，该方法可应用于工业上相机的自动对焦，所述方法包括：

S1，获取待拍摄位置的图像，根据图像计算对应的聚焦评价值以及平均灰度值；

S2，将所述聚焦评价值以及平均灰度值输入到预设的RBF神经网络模型中，RBF神经网络模型输出物镜处于最佳聚焦点的位置；

S3，利用变焦电机驱动物镜调节至所述最佳聚焦点的位置。

在本申请中所用到的RBF神经网络是一种三层神经网络，其包括输入层、隐层、输出层。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的，如图2所示。

本申请中在RBF神经网络的隐层中使用径向基函数Φ(x)作为激活函数，径向基函数通常采用的是高斯函数：

通过RBF神经网络的学习训练，可以实现函数逼近的功能，用输入向量和相应的输出向量训练一个网络逼近一个函数。

本申请利用RBF神经网络，首先采集样本对其进行训练，将训练后的模型作为预设的RBF神经网络模型，应用在工业相机的自动对焦过程中，经实际验证，能达到良好的效果。

在本申请的S2中，预设的RBF神经网络模型的建立过程为：

S21，建立训练数据集，所述训练数据集中包含多个样本，每个样本包括相机的物镜处于不同的N个位置时，在每个位置上获取的图像的聚焦评价值以及平均灰度值。即，先利用变焦电机驱动相机物镜至位置a1，在a1处采集图像，计算图像的聚焦评价值和平均灰度值，然后再驱动物镜至位置a2，在a2处采集图像，计算图像的聚焦评价值和平均灰度值；依次类推，共N处位置均进行相同的操作，得到一个样本。

其中，所述聚焦评价值采用现有技术中的聚焦评价函数计算得到。图像的清晰度对人来说是一种直观感受，需要把图像的清晰度转换成具体的数值(聚焦评价值)，即需要图像的清晰度指标，清晰度指标值越大，图像的清晰度越高，最佳聚焦位置的成像图像清晰度指标值最大。本申请中，对于每个位置采集的图像，利用聚焦评价函数计算对应的聚焦评价值，以反映此处图像的清晰度，并通过图像中各像素点的灰度值来计算图像的平均灰度值。

作为优选，本申请的一个实施例中，通过变焦电机驱动物镜处于不同的4个位置，且相邻位置之间等距。

S22测量相机的物镜处于所述N个位置中的每个位置时，所述位置对应的焦点位置。即在位置a1时，通过手工测量该位置对应的实际焦点的位置，并进行保存；按照同样的方法，得到其他N-1个位置对应的焦点的位置。

S23，建立RBF神经网络并利用所述训练数据集进行训练，其中，将所述样本作为RBF神经网络的输入，在物镜处于每个位置时测量的焦点位置作为RBF神经网络的输出。即，RBF神经网络的输入是相机的物镜处于某位置以及该位置对应图像的聚焦评价值以及平均灰度值，网络的输出则是对应的焦点的位置，通过对RBF神经网络的训练，使网络来模拟这一映射功能。

训练数据集中样本的数量越多，网络训练精度相对越高。本申请的实施例中，采集100组样本进行网络的训练。

S24，保存训练好的RBF神经网络模型作为所述预设的RBF神经网络模型。

待上述RBF神经网络训练好之后，保存训练后的模型，在实际使用时，对于物镜所处的位置，获取该位置拍摄的图像，计算图像对应的聚焦评价值以及平均灰度值；将位置、图像的聚焦评价值、平均灰度值作为网络模型的输入，网络模型的输出即为对应的焦点位置，即所述的最佳聚焦点的位置。

优选地，在S3之后，还可以包括：

左右移动物镜相同的距离并拍摄图像，即以当前位置为中心分别向左、向右移动物镜并拍摄图像，根据图像计算对应的聚焦评价值，根据聚焦评价值判断所述位置是否为焦点位置，如不是，则将所述图像输入预设的RBF神经网络模型中，利用网络模型重新输出最佳聚焦点的位置。

根据本申请的另一方面，提供了一种基于RBF神经网络的自动对焦装置1，如图3所示，包括：

获取模块11，用于获取物镜所处位置拍摄的图像，根据图像计算对应的聚焦评价值以及平均灰度值；

网络输出模块12，用于将所述聚焦评价值以及平均灰度值输入到预设的RBF神经网络模型中，RBF神经网络模型输出物镜处于最佳聚焦点的位置；

调节模块13，用于利用变焦电机驱动物镜调节至所述最佳聚焦点的位置。

进一步地，所述装置还包括预设模型确定模块，包括：

请参阅图4，本申请实施例进一步提供一种终端设备2，该终端设备2可以为计算机、服务器；包括存储器22、处理器21以及存储在存储器22中并可在处理器上运行的计算机程序23，处理器21执行计算机程序23时实现上述基于RBF神经网络的自动对焦方法，例如，前述的S1至S3。

计算机程序23也可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器22中，并由处理器21执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序23在终端设备2中的执行过程，例如，计算机程序23可以被分割为获取模块、识别模块、显示模块，各模块的功能参见前述装置中的描述，不再赘述。

本申请的实施提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述基于RBF神经网络的自动对焦方法，例如，前述的S1至S3。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims

1.一种基于RBF神经网络的自动对焦方法，其特征在于，包括：

利用变焦电机驱动物镜调节至所述最佳聚焦点的位置。

2.根据权利要求1所述的基于RBF神经网络的自动对焦方法，其特征在于，所述利用变焦电机驱动物镜调节至所述最佳聚焦点的位置之后，还包括：

3.根据权利要求1所述的基于RBF神经网络的自动对焦方法，其特征在于，所述预设的RBF神经网络模型的建立过程包括：

4.根据权利要求3所述的基于RBF神经网络的自动对焦方法，其特征在于，所述的N个位置中，相邻的位置之间等距。

5.一种基于RBF神经网络的自动对焦装置，其特征在于，包括：

6.根据权利要求5所述的基于RBF神经网络的自动对焦装置，其特征在于，所述装置还包括预设模型确定模块，包括：

7.一种终端设备，包括包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现根据权利要求1至4中任一权利要求所述方法的步骤。

8.一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时实现根据权利要求1至4中任一权利要求所述方法的步骤。