CN116347230A - 自动聚焦的摄像机 - Google Patents

Abstract

本申请公开了一种自动聚焦的摄像机，本申请一个实施例提供一种聚焦方法，方法包括：获取在n个不同聚焦电机位置对当前拍摄场景分别采集的图像数据；基于各所述聚焦电机位置和对应的图像数据的清晰度评价值，对预设高斯函数进行拟合，生成清晰度评价值拟合函数，所述n大于或者等于所述预设高斯函数中自变量的数量；将所述清晰度评价值拟合函数中的最大清晰度评价值对应的选定聚焦电机位置，作为聚焦位置；控制聚焦电机移动至所述聚焦位置。本申请可同时提高自动对焦的速度和准确率。

Description

自动聚焦的摄像机

技术领域

本申请涉及图像处理技术领域，尤其涉及一种摄像机的自动聚焦方法。

背景技术

相关技术中，摄像系统的自动聚焦方式为，在聚焦电机移动过程中，经过粗搜、细搜和定焦三个阶段找到镜头图像清晰度评价值最大时的聚焦电机位置。其中，在聚焦过程中，聚焦过程可以通过清晰度评价值曲线进行描述，在聚焦电机的坐标位置处于清晰度评价值曲线的曲线平滑区域时，聚焦电机以大步长进入粗搜阶段，满足设定条件之后，聚焦电机在清晰度评价值曲线的有趋势区域以小步长进行细搜运动，最后在清晰点附近定焦。

但是，聚焦电机在聚焦过程中的步长调整策略依赖于实时曲线趋势中无趋势区域和有趋势区域的区分，导致当实时曲线趋势不明显时，整体聚焦速度较慢，或者当实时曲线趋势不平滑或者出现局部峰值点等噪音时，会出现聚焦点错误的情况。

申请内容

本申请的主要目的在于提供一种聚焦方法，旨在解决现有自动聚焦的聚焦速度较慢的技术问题。

为实现上述目的，本申请提供一种聚焦方法，方法包括：

获取在n个不同聚焦电机位置对当前拍摄场景分别采集的图像数据；

基于各聚焦电机位置和对应的图像数据的清晰度评价值，对预设高斯函数进行拟合，生成清晰度评价值拟合函数，n大于或者等于预设高斯函数中自变量的数量；

将清晰度评价值拟合函数中的最大清晰度评价值对应的选定聚焦电机位置，作为聚焦位置；

控制聚焦电机移动至聚焦位置。

在本申请可能一实施例中，预设高斯函数的自变量包括曲线峰值参数、曲线偏移参数、曲线宽幅参数以及曲线峰值参数对应的峰值坐标参数；

其中，曲线峰值参数基于图像数据的清晰度评价值中的第一最大清晰度评价值确定，曲线偏移参数基于图像数据的清晰度评价值中第一最小清晰度评价值确定，峰值坐标参数基于第一最大清晰度评价值对应的聚焦电机位置确定。

本申请实施例提出的一种聚焦方法，方法包括：获取在n个不同聚焦电机位置对当前拍摄场景分别采集的图像数据；基于各聚焦电机位置和对应的图像数据的清晰度评价值，对预设高斯函数进行拟合，生成清晰度评价值拟合函数，n大于或者等于预设高斯函数中自变量的数量；将清晰度评价值拟合函数中的最大清晰度评价值对应的选定聚焦电机位置，作为聚焦位置；控制聚焦电机移动至聚焦位置。

由此可见，相较于现有自动聚焦过程中受限于清晰度评价值曲线的实时曲线的趋势影响，本申请实施例基于n个已知的真实聚焦数据：聚焦电机位置和对应的图像数据的清晰度评价值，生成为高斯函数曲线的清晰度评价值拟合函数，然后通过清晰度评价值拟合函数直接预测聚焦位置，也即是清晰度评价值拟合函数的最大清晰度评价值对应的选定聚焦电机位置，从而可以不经过粗搜和细搜等阶段，更加快速地对焦至真实的清晰点位置，且不受到实时曲线的“毛刺”或者“局部峰值”等噪音的干扰，对焦更加准确，也即是本申请的聚焦方法可以同时提高自动对焦的速度和准确率。

附图说明

图1为本申请电子设备的结构示意图；

图2为现有技术中图像清晰度评价值曲线中的毛刺噪音现象；

图3为现有技术中图像清晰度评价值曲线中的局部峰值噪音现象；

图4为本申请聚焦方法第一实施例的流程示意图；

图5为本申请聚焦方法第二实施例的流程示意图；

图6为图5中步骤S330的细化流程示意图；

图7为本申请聚焦方法第三实施例的流程示意图；

图8为本申请聚焦装置实施例的功能模块示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在相关技术中，摄像系统的自动聚焦方式为在移动聚焦电机的过程中，找到镜头图像清晰度评价值最大时的电机位置。一般而言，自动聚焦为爬坡算法，具体为根据清晰度评价值曲线的最近几步的数据，判断下一步聚焦电机的走向，同时在清晰点附近，采取补偿策略，定焦到最终位置。

但是现有的爬坡算法存在以下两个问题：

一是聚焦速度较慢。具体的，每次拍摄时的聚焦过程一般分为粗搜、细搜和定焦三个阶段。一般拍摄场景下的清晰度评价值曲线中横坐标表示聚焦电机的电机坐标值，纵坐标表示清晰度评价值。在电机坐标处于曲线平滑区域时，聚焦电机以大步长进入粗搜阶段；满足一定条件之后，在曲线有趋势区域以小步长进行细搜运动；最后，在清晰点附近定焦。这种步长变化策略在清晰度评价值曲线比较宽的情况下，容易出现在有趋势阶段电机运动时间较长的问题，导致聚焦速度变慢。同时，在粗搜、细搜阶段的步长调整比较依赖于实时曲线趋势，而为了适配不同形态的曲线，电机从无趋势区域向有趋势区域运动时，步长调整策略更偏向于有趋势区域，从而导致整体聚焦速度较慢。

二是清晰度评价值曲线不平滑时，存在定焦准确率低的问题。爬坡算法的原理是找清晰度评价值最大值对应的峰值坐标，请参阅图1，而当清晰度评价值曲线的峰值附近出现毛刺等噪音时，峰值附近曲线形状极其不平滑，此时，爬坡算法定焦到的峰值点不一定是真正的最清晰点。请参阅图2，当清晰度评价值曲线出现局部峰值点等噪音时，爬坡算法容易定焦在局部峰值点附近，导致出现聚焦点错误的问题。

为此，本申请提供了一种聚焦方法，该方法通过基于n个已知的真实聚焦数据生成相应的高斯函数，即清晰度评价值拟合函数，然后据此预测得到清晰点位置，从而避免现有爬坡算法中步长策略的不确定性，加快聚焦速度，并避免现有清晰度评价值曲线的噪音等干扰，提高聚焦准确度。

下面结合一些具体实施例进一步阐述本申请的发明构思。

首先对本申请实施例涉及到的一些技术进行说明。

梯度下降法，是一个一阶最优化算法，通常也称为最陡下降法，要使用梯度下降法找到一个函数的局部极小值，必须向函数上当前点对应梯度(或者是近似梯度)的反方向的规定步长距离点进行迭代搜索。如果相反地向梯度正方向迭代进行搜索，则会接近函数的局部极大值点；这个过程则被称为梯度上升法，相反则称之为梯度下降法。

本申请实施例以下，将对本申请技术实现中应用到的电子设备进行说明：

参照图3，图3为本申请实施例方案涉及的硬件运行环境的电子设备的结构示意图。

如图3所示，该电子设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图3中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图3所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及聚焦程序。

在图3所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本申请电子设备中的处理器1001、存储器1005可以设置在电子设备中，电子设备通过处理器1001调用存储器1005中存储的聚焦程序，并执行本申请实施例提供的聚焦方法。

在一些实施例中，电子设备为拍摄设备，如手机、平板电脑或者监控摄像机等拍摄设备中的一种或多种。此时，电子设备还包括摄像模组，摄像模组包括聚焦电机、聚焦镜头和至少一种图像传感器。聚焦电机用于驱动聚焦镜头移动，图像传感器用于通过聚焦镜头采集图像。

或者，在另一些实施例中，电子设备为手机、平板、计算机或者工作站等智能终端，电子设备可以与拍摄设备通信连接，以根据拍摄设备拍摄的图像数据对拍摄设备的对焦位置进行调节。当然，电子设备100和拍摄设备200的具体类型不受限制，可以根据实际应用需求进行设置。例如，电子设备100和拍摄设备200可以为不同的设备，也可以为相同的设备。

基于上述电子设备的硬件结构但不限于上述硬件结构，本申请提供一种聚焦方法第一实施例。参照图4，图4示出了本申请聚焦方法第一实施例的流程示意图。

需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本实施例中，聚焦方法包括：

步骤S100、获取在n个不同聚焦电机位置对当前拍摄场景分别采集的图像数据。

步骤S200、基于各聚焦电机位置和对应的图像数据的清晰度评价值，对预设高斯函数进行拟合，生成清晰度评价值拟合函数。

具体的，本实施例的聚焦方法的执行主体为电子设备。电子设备可以是具有摄像模组的智能手机、平板电脑或者智能摄像机等。下文以摄像机进行举例说明。

当前拍摄场景为电子设备的摄像模组的聚焦镜头所能覆盖到的环境场景，可以是智能手机镜头视野中待拍摄的风景，或者摄像机的镜头视野中的当前场景等。此时摄像机可控制自身的摄像模组的聚焦电机分别在n个不同的聚焦电机位置，针对当前拍摄场景采集到的n个图像数据。此时的图像数据为真实聚焦数据。

具体而言，第一电机位置为拍摄开始时聚焦电机所在的位置，此时图像传感器可获取到第一图像数据。此时为了构建一曲线，因此还需要至少n-1个真实聚焦数据。为此，本实施例中可随机驱动聚焦电机移动来获得该第二电机位置和对应的第二图像数据。然后继续随机移动，直到获得n个图像数据。本实施例中，电机位置和对应的图像数据随机获得，可使得该数据更加真实，从而利于更快的聚焦。

当然，第一电机位置之后的聚焦电机位置还可以根据现有的爬坡算法确定，此时，第一电机位置之后的聚焦电机位置可根据聚焦电机的当前移动方向和预设步长确定。

其中，n大于或者等于预设高斯函数中自变量的数量。原因在于，对于不同拍摄设备、不同倍率或者不同使用场景下的拍摄设备的图像清晰度评价值曲线，虽然不同图像清晰度评价值曲线的上升或者下降程度不同，或者不同图像清晰度评价值曲线的最高点以及最低点的差异也很大，或者不同图像清晰度评价值曲线在不同的阶段都具有各自的不平滑区域。但是，本申请的发明人发现，不同拍摄设备、不同倍率或者不同使用场景下的拍摄设备的图像清晰度评价值曲线在整体趋势上均可近似地视为高斯函数曲线。由此，本实施例中，可基于预设高斯函数对至少n个图像数据的聚焦电机位置和清晰度评价值进行建模，从而生成清晰度评价值拟合函数。

可以理解的，生成的清晰度评价值拟合函数的横坐标为电机坐标信息，用于表示聚焦电机位置，纵坐标为聚焦电机处于该聚焦电机位置时，图像传感器对应采集的图像数据的清晰度评价值。

步骤S300、将清晰度评价值拟合函数中的最大清晰度评价值对应的选定聚焦电机位置，作为聚焦位置。

步骤S400、控制聚焦电机移动至聚焦位置。

在生成清晰度评价值拟合函数后，由于清晰度评价值拟合函数为高斯函数，因此将该清晰度评价值拟合函数的曲线绘制于平面坐标系上时，其在形状上呈现为一倒悬的钟形，此时可得到高斯函数曲线的最高点的坐标信息，也即是最大清晰度评价值对应的选定聚焦电机位置。可以理解的，选定聚焦电机位置为电子设备基于n个已知的真实聚焦数据，基于高斯函数预测得到的清晰点位置。

由此可见，相较于现有自动聚焦过程中受限于清晰度评价值曲线的实时曲线的趋势影响，本实施例基于n个已知的真实聚焦数据，直接生成高斯函数曲线的清晰度评价值拟合函数，然后通过清晰度评价值拟合函数直接预测聚焦位置，也即是清晰度评价值拟合函数的最大清晰度评价值对应的选定聚焦电机位置，从而可以不经过粗搜和细搜等阶段，更加快速地对焦至真实的清晰点位置，且不受到实时曲线的“毛刺”或者“局部峰值”等噪音的干扰，对焦更加准确，也即是本申请的聚焦方法可以同时提高自动对焦的速度和准确率。

摄像机在执行步骤S200时，可以基于数据拟合得到，此时，数据越多则得到的清晰度评价值拟合函数更加贴近真实聚焦数据，从而预测得到的聚焦位置准确率更高。

或者，作为一种实施方式，预设高斯函数的自变量包括曲线峰值参数、曲线偏移参数、曲线宽幅参数以及曲线峰值参数对应的峰值坐标参数。

其中，曲线峰值参数基于图像数据的清晰度评价值中的第一最大清晰度评价值确定，曲线偏移参数基于图像数据的清晰度评价值中第一最小清晰度评价值确定，峰值坐标参数基于第一最大清晰度评价值值对应的聚焦电机位置确定。

本实施方式中，在得到至少4个图像数据时对图像数据进行统计处理，然后将统计处理得到的数据带入到预设高斯函数中，得到所需的清晰度评价值拟合函数。

如预设高斯函数为：

其中，x为聚焦电机位置，k,μ,σ,b均为预设高斯函数的自变量，k为曲线峰值参数，b为曲线偏移参数，μ为k对应的峰值坐标信息，σ为曲线宽幅参数。f(xk,μ,σ,b)表示对应的清晰度评价值。

具体而言，k为高斯函数的曲线峰值参数，表示高斯函数的最高点的纵坐标，在本实施例中为清晰点位置对应的清晰度评价值，也即是聚焦场景中的第一最大清晰度评价值。在一示例中，k的取值范围为[1，∞]内的整数。

b为高斯函数的曲线偏移参数，表示高斯函数对应的最低点的纵坐标，在本实施例中为聚焦场景中的第一最小清晰度评价值。在一示例中，b的取值范围为[1，∞]内的整数。

μ为高斯函数的曲线峰值参数对应的横坐标，也即是选定聚焦电机位置，在本实施例中为聚焦位置。由于μ与聚焦电机的位置相关，须做归一化处理，归一化处理后μ的取值范围为[0，1]。可以理解的，聚焦过程中也即是确定μ的具体值。

σ为高斯函数的曲线宽幅参数，在本实施例中用于表示具有清晰趋势的聚焦电机坐标范围，从而可以用σ反应出清晰度评价值曲线的胖瘦。由于σ与聚焦电机的位置相关，须做归一化处理，归一化处理后σ的取值范围为(0,1]。

摄像机在执行步骤S200时，确定所有图像数据的清晰度评价值中的第一最大清晰度评价值、第一最小清晰度评价值，以及第一最大清晰度评价值对应的第一电机位置；然后基于第一最大清晰度评价值，更新初始高斯函数的曲线峰值参数，基于第一最小清晰度评价值，更新初始高斯函数的曲线偏移参数，基于第一电机位置，更新初始高斯函数的曲线偏移参数，生成清晰度评价值拟合函数。

以n＝4为例进行说明，摄像机执行步骤S100时获得的不同聚焦电机位置构造为一聚焦电机位置队列{x₁，x₂，x₃，x₄}，并得到各聚焦电机位置对应的图像数据的清晰度评价值，也构造为一清晰度评价值队列{y₁，y₂，y₃，y₄}，则可根据两个队列更新预设高斯函数的自变量。具体可根据以下公式进行更新：k＝max{y₁,y₂，y₃，y₄}，b＝min{y₁,y₂，y₃，y₄}，μ为max{y₁,y₂，y₃，y₄}在聚焦电机位置队列{x₁，x₂，x₃，x₄}中对应的值。而σ可取值为预设值，如在一示例中，可根据摄像模组的参数或者历史聚焦数据等确定σ＝0.1。由此，即可得到清晰度评价值拟合函数。

可见，本实施例中构建的清晰度评价值拟合函数通过曲线峰值参数和曲线偏移参数适配不同高度的图像清晰度评价值曲线，通过曲线宽幅参数适配不同胖瘦的图像清晰度评价值曲线，以使得可以适配形态各异的图像清晰度评价值曲线，从而使得本实施例提供聚焦方法具有普适性。

基于上述实施例，提出本申请聚焦方法第二实施例。参阅图5，图5为本申请聚焦方法第二实施例的流程示意图。

需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本实施例中，步骤S300具体包括：

步骤S310、判断当前拟合周期的清晰度评价值拟合函数的选定聚焦电机位置是否满足预设条件。

步骤S320、若不满足，则将选定聚焦电机位置作为补充采样位置，控制聚焦电机移动至补充采样位置处，获得补充图像数据。

步骤S330、基于补充采样位置和补充图像数据的清晰度评价值，更新清晰度评价值拟合函数，获得下一拟合周期的下一清晰度评价值拟合函数。

返回执行步骤S310，直至选定聚焦电机位置满足预设条件，执行步骤S340、将选定聚焦电机位置作为聚焦位置。

具体而言，在本实施例中，可将不同的清晰度评价值拟合函数对应不同的拟合周期。相应的，在清晰度评价值拟合函数发生变化后，则进入到下一拟合周期。

在当前拟合周期，摄像机根据聚焦电机已知的聚焦电机位置和对应的图像数据的清晰度评价值，生成一清晰度评价值拟合函数，据此预测得到当前拟合周期的选定聚焦电机位置。然后执行步骤S310，判断此时预测得到的选定聚焦电机位置是否满足预设条件。在满足预设条件时，可以认为预测得到的选定聚焦电机位置，即清晰点位置已经是真实的清晰点，然后执行步骤S340即可。

而在不满足预设条件时，可以认为预测得到的选定聚焦电机位置可能并不是真实的清晰点位置，还需要进一步的收集更多的真实聚焦数据，以使得函数预测更加逼近真实聚焦数据。由此，在本实施例中，为了收集更多的真实数据，摄像机接下来可执行步骤320，控制聚焦电机移动至选定聚焦电机位置处，获得补充图像数据。

不难看出，本实施例中，聚焦电机每次移动的位置是根据已知的真实聚焦数据拟合的高斯函数预测得到的、可能的清晰点位置，相较于现有自动聚焦过程中受限于清晰度评价值曲线的实时曲线的趋势影响，本实施例不受到实时曲线的趋势影响，可以更加快速地对焦至真实的清晰点位置。

选定聚焦电机位置和补充图像数据的清晰度评价值作为新的已知的真实聚焦数据，此时摄像机执行步骤330，可利用新的已知的真实聚焦数据和之前知晓的真实聚焦数据重新获得一高斯函数模型，也即是更新清晰度评价值拟合函数。然后，进入到下一拟合周期，将下一拟合周期作为当前拟合周期，从而根据聚焦电机在本次拍摄任务中的所有已知的聚焦电机位置和对应的图像数据的清晰度评价值，而不仅限于上一拟合周期的选定聚焦电机位置和对应的补充图像数据的清晰度评价值，预测得到当前拟合周期的选定聚焦电机位置。

如此，本实施例中，摄像机在当前拟合周期的选定聚焦电机位置不满足预设条件时，电子设备控制聚焦电机移动至当前拟合周期得到的选定聚焦电机位置处，采集得到补充图像数据，并计算得到清晰度评价值，即获得新的已知的聚焦电机位置和对应的图像数据的清晰度评价值。然后继续根据所有已知的聚焦电机位置和对应的图像数据的清晰度评价值得到新的清晰度评价值拟合函数，进入到下一拟合周期，再次预测清晰点位置。直到获得的清晰点位置符合预设条件，此时，可认为构建的动态高斯函数模型完成收敛，得到了真实的清晰点，即确定出了聚焦位置。

此外，本实施例中的聚焦过程也即是确定出逼近真实聚焦数据的高斯函数的k,μ,σ,b的具体值的过程。

不难看出，由于本实施例通过多个拟合周期动态地构建高斯函数模型，使得高斯函数模型逐渐逼近真实的聚焦数据，在此过程中通过高斯函数模型的选定聚焦电机位置计算得到真实的清晰点位置，相较于现有根据图像清晰度评价值曲线的步长策略计算得到清晰点位置过程中存在的“毛刺”、“局部峰值”等现象导致的聚焦不准确现象，本实施例可避免受到实时曲线的噪音干扰，对焦更加准确。由此，本实施例不仅可以提高自动对焦的速度，还可以提高自动对焦的准确率。

参阅图6，作为一种具体实施方式，步骤S330具体包括：

步骤S331、基于清晰度评价值拟合函数，获得已知电机位置集合中各已知电机位置对应的清晰度评价值预测数据。

其中，已知电机位置集合包括聚焦电机位置和补充采样位置。

步骤S332、基于已知图像数据集合中各已知图像数据的清晰度评价值和对应的清晰度评价值预测数据，获得清晰度评价值拟合函数对应的损失函数的函数值。

其中，已知图像数据集合包括图像数据和补充图像数据，且已知图像数据和已知电机位置一一对应。

步骤S333、若损失函数的函数值大于或者等于预设值，则对清晰度评价值拟合函数的自变量进行调整。

返回执行步骤S331，直至损失函数的函数值小于预设值，清晰度评价值拟合函数更新完成，获得下一清晰度评价值拟合函数。

具体而言，在本实施方式中，已知真实聚焦数据包括最初的n个聚焦电机位置及获得的n个图像数据的清晰度评价值，以及当前拟合周期获得的补充采样位置及获得的补充图像数据的清晰度评价值。由此可根据已知真实聚焦数据构造一训练样本集合。该训练样本集合包括电机位置样本集和清晰度评价值样本集，且电机位置样本集中的每个样本和清晰度评价值样本集中的样本一一对应。具体的，电机位置样本集根据已知电机位置集合构建，而清晰度评价值样本集根据已知图像数据集合构建。

进一步的，已知电机位置集合还包括至少一个历史拟合周期的历史选定聚焦电机位置；已知图像数据集合还包括至少一个历史选定聚焦电机位置对应的历史补充图像数据；历史拟合周期在当前拟合周期之前。

也即是，本实施例中，在步骤S331至步骤S333的循环过程中，历史选定聚焦电机位置和历史补充图像数据为在当前拟合周期之前的历史拟合周期获取到的选定聚焦电机位置和补充图像数据，从而也为真实聚焦数据。如此，在步骤S331至步骤S333的循环过程中，获取到的真实聚焦数据数量越来越多，从而得到的已知电机位置集合和已知图像数据集合的数据更加丰富，进而可使得拟合得到的清晰度评价值拟合函数和真实聚焦数据更加贴近，最终提高预测的清晰点位置的准确度。

如在第m个拟合周期，在获得训练样本集合后，摄像机执行步骤S331，此时，清晰度评价值预测数据

根据/>

获得，即把电机位置样本集中各个聚焦电机位置带入到当前的清晰度评价值拟合函数，获得电机位置样本对应的清晰度评价值预测数据。如在一示例中，对于电机位置样本集中的聚焦电机位置x_i，代入到清晰度评价值拟合函数得到对应的清晰度评价值预测数据/>

而清晰度评价值拟合函数的更新过程，也即是不断的更新调整高斯函数的自变量的过程，使得得到的清晰度评价值拟合函数与真实的聚焦数据拟合程度更高，同一聚焦电机位置对应的清晰度评价值数据之间的偏差更小。可以理解的，每次调整高斯函数的自变量可以是调整曲线峰值参数、曲线偏移参数、曲线宽幅参数以及峰值坐标参数中的至少一者。

在调整过程中，通过损失函数表示生成的清晰度评价值拟合函数和真实聚焦数据之间的偏差程度。作为本实施例的一种选择，可通过真实聚焦数据和计算得到的清晰度评价值预测数据之间的平方误差进行评价。如损失函数可构造为：

当然，在另一些实施例中，损失函数还可采用范数损失函数等其他损失函数，本实施例对此并不限制。

本实施例中，提前配置有一预设值E_th，在每次计算得到损失函数的函数值后，将函数值和预设值进行比较，当E(k,μ,σ,b)≥E_th时，为满足训练结束条件，可认为真实聚焦数据和计算得到的清晰度评价值预测数据之间的偏差较大，需要进一步调整高斯函数的自变量。循环执行步骤S331至步骤S333，直至E(k,μ,σ,b)＜E_th，此时，可以近似认为训练得到了和训练样本集合偏差值较小的清晰度评价值拟合函数，其可以较为准确的反应真实聚焦数据，从而可以据此预测当前真实聚焦数据最可能的清晰点位置。

本实施例中，通过在训练过程中使得损失函数尽可能地小，以使得更新得到的高斯函数尽可能地和已知的真实聚焦数据拟合程度更高。

作为一种实施方式，电子设备在执行步骤S333时，会基于梯度下降算法对清晰度评价值拟合函数的自变量进行调整。

本实施例中，采用梯度下降算法对清晰度评价值拟合函数的自变量进行调整，以提高训练速度，更快地完成对清晰度评价值拟合函数的自变量的调整，以尽快得到新的清晰度评价值拟合函数。此时，训练目标就是找出一组合适的自变量，使损失函数足够小。损失函数中一点的梯度指向损失函数上升最快的方向，其反方向函数值则下降。所以只需要将自变量沿着与梯度相反的方向移动，就可以使损失函数逐渐减小。

具体的，在训练过程中，第t+1次自变量调整后的自变量中的k可通过下列公式一确定：

k_t为训练过程中第t次自变量调整后的曲线峰值参数，η为梯度调整的步长，可由用户提前配置为一预设值。

第t+1次自变量调整后的自变量中的b可通过下列公式二确定：

b_t为训练过程中第t次自变量调整后的曲线偏差参数。

第t+1次自变量调整后的自变量中的σ可通过下列公式三确定：

σ_t为训练过程中第t次自变量调整后的曲线宽幅参数。

第t+1次自变量调整后的自变量中的μ可通过下列公式四确定：

μ_t训练过程中第t次自变量调整后的峰值坐标参数。

值得一提的是，每次开始更新函数的自变量时，即每次开始训练时，清晰度评价值拟合函数可以和之前的清晰度评价值拟合函数一致，即以之前的清晰度评价值拟合函数作为初始模型开始训练。或者，在一种实施方式中，步骤S331具体包括：

步骤S3311、基于已知图像数据集合中各已知图像数据的清晰度评价值，获得第二最大清晰度评价值、第二最小清晰度评价值。

步骤S3312、确定第二最大清晰度评价值对应的第二电机位置。

步骤S3313、基于第二最大清晰度评价值、第二最小清晰度评价值和第二电机位置，对清晰度评价值拟合函数的自变量进行调整，获得调整后的清晰度评价值拟合函数。

步骤S3314、基于调整后的清晰度评价值拟合函数，获得各已知电机位置对应的清晰度评价值预测数据。

具体而言，由于高斯函数为对称函数，因此高斯函数的解在聚焦电机的可移动范围内并不唯一，所以直接用梯度下降算法调整高斯函数的自变量可能会向错误的解偏移，远离正确的解。为此，本实施例在使用梯度下降算法前对解的搜索范围进行限定，以确定唯一正确解。

由于高斯函数是对具体图像清晰度评价值曲线的拟合，因此可确认发现k的解在图像清晰度评价值曲线的最大值附近，b的解在图像清晰度评价值曲线的最小值附近，μ的解是在图像清晰度评价值曲线最大值对应的峰值坐标参数附近，而σ_m的解在前一次函数更新后确定的高斯函数的σ_m-1附近。其中，m为第m次拟合周期。即前后两个拟合周期中，两者的σ较为接近。

因此，本实施例中，先根据已知的真实聚焦数据粗略锁定解空间，即得到每次训练过程的清晰度评价值拟合函数的初始自变量值，然后在初始自变量值的基础上，按照梯度下降算法进行进一步的微调。

具体的，在第m-1个拟合周期确定的清晰度评价值拟合函数，预测出来最大y值的峰值坐标参数，即m-1个选定聚焦电机位置，可表示为μ_m-1。在不符合预设条件后，则驱动聚焦电机移动至到μ_m-1采集图像，此时的补充采样位置为x_m＝μ_m-1，并获得补充图像数据y_m。下一拟合周期的下一清晰度评价值拟合参数的自变量在训练过程中的初始自变量值可据此确定为：k_m′＝max{y₁,y₂，…y_m}，b_m′＝min{y₁,y₂，...，y_m}，μ′_m为k′_m＝max{y₁,y₂，...y_m}对应的聚焦电机位置。而σ′_m＝σ′_m-1，即此时，并不对清晰度评价值拟合函数的曲线宽幅参数进行调整。得到调整后的清晰度评价值拟合函数为：

也即是第m个拟合周期的训练开始时的清晰度评价值拟合函数。然后将电机位置样本集{x₁,x₂，...，x_m}带入/>

得到清晰度评价值预测数据

此后，摄像机执行步骤S332和步骤S333，并在执行步骤S333时，利用梯度下降算法对调整后的清晰度评价值拟合函数的自变量进行调整，以最终训练得到第m个拟合周期的清晰度评价值拟合函数：

不难看出，本实施例中，先根据已知的真实聚焦数据得到训练开始时的高斯函数的初始自变量值，从而粗略锁定解空间，然后再用梯度下降算法小步长在解空间内寻找解，从而不仅可以确定唯一的解，即使得损失函数最小的自变量，还能加快训练过程中收敛速度，更快地完成对清晰度评价值拟合函数的函数参数的调整。

基于上述实施例，提出本申请聚焦方法第三实施例，参阅图7，图7为本申请聚焦方法第三实施例的流程示意图。

需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本实施例中，步骤S310具体包括：

步骤S311、确定清晰度评价值拟合函数对应的选定聚焦电机位置以及上一清晰度评价值拟合函数对应的上一选定聚焦电机位置。

步骤S312、判断选定聚焦电机位置和上一选定聚焦电机位置是否一致。

若一致，则执行步骤S313、确定选定聚焦电机位置满足预设条件。

若不一致，则执行步骤S314、确定选定聚焦电机位置不满足预设条件。

上一清晰度评价值拟合函数为当前拟合周期的上一拟合周期对应的清晰度评价值拟合函数。相应的，上一选定聚焦电机位置即为上一拟合周期对应的清晰度评价值拟合函数的选定聚焦电机位置。

本实施例提供了一种判断是否得到真实清晰点的方式，具体而言，收敛到真实清晰点的预设条件可以是相邻两个拟合周期得到的选定聚焦电机位置一致，如在第m-1个拟合周期的清晰度评价值拟合函数预测出来最大y值的坐标，即选定聚焦电机位置为μ_m-1，而聚焦电机移动获取到新的真实聚焦数据，并更新得到第m个拟合周期的清晰度评价值拟合函数，其预测得到的选定聚焦电机位置为μ_m。当μ_m-1＝μ_m，则可以认为已经得到了真实清晰点。

当然，在一些其他实施例中，预设条件还可以是相邻两次确定的选定聚焦电机位置的差小于预设阈值，或者相邻若干次确定的选定聚焦电机位置的均方差小于预设阈值等，本实施例对此并不限制。

不难看出，本实施例中，相较于其他条件，通过判断选定聚焦电机位置和上一选定聚焦电机位置是否一致，使得真实清晰点位置更加可信。

为使得本领域技术人员，更好地理解本申请权利要求的保护范围。以下通过具体的应用场景中的具体实施示例，对本申请权利要求记载的技术方案进行解释说明，可以理解的是，以下示例仅用于解释本申请，而不用于限定本申请权利要求的保护范围。

在一示例中，电子设备为摄像机时，摄像机镜头内形成的帧图像即为聚焦电机在第一电机位置x₁时的第一图像数据，第一图像数据具有清晰度评价值y₁。此可作为第1个拟合周期。然后可基于聚焦电机在第一电机位置时的当前移动方向继续驱动聚焦电机移动0.5σ来获得该第二电机位置x₂和对应的第二图像数据。第二图像数据具有清晰度评价值y₂。

然后据此确定出初始高斯函数的函数参数：k₂＝max{y₁,y₂}，b₂＝min{y₁,y₂}，μ₂为max{y₁,y₂}对应的聚焦电机位置。而σ₂可取值为预设值，如σ₂＝0.1。从而得到当前拟合周期训练开始时的清晰度评价值拟合函数：

根据

预测得到清晰度评价值预测数据/>

和

然后根据损失函数/>

计算此时的损失函数的函数值。当E(k,μ,σ,b)≥E_th时，未满足训练结束条件，可认为真实聚焦数据和计算得到的清晰度评价值预测数据之间的偏差较大，需要进一步基于梯度下降算法对/>

的自变量进行调整。此时直至E(k,μ,σ,b)＜E_th，从而得到第2个拟合周期的清晰度评价值拟合函数为：

然后，进入第2个拟合周期，摄像机驱动聚焦电机移动至μ₂处采集补充图像数据，并获得补充图像数据的清晰度评价值y₃，此时，x₃＝μ₂。此时的训练样本集为：{y₁,y₂,y₃}和{x₁,x₂,x₃}。然后，据此确定出第3个拟合周期的

清晰度评价值拟合函数的初始自变量值：k′₃＝max{y₁,y₂，y₃}，b₃＝min{y₁,y₂，y₃}，μ₃为k′₃对应的聚焦电机位置。而σ′₃＝σ₂。从而得到第2拟合周期训练开始时的清晰度评价值拟合函数：

根据{x₁,x₂,x₃}和

预测得到清晰度评价值预测数据/>

和/>

然后根据损失函数/>

计算此时的损失函数的函数值。当E(k,μ,σ,b)≥E_th时，未满足训练结束条件，可认为真实聚焦数据和计算得到的清晰度评价值预测数据之间的偏差较大，需要进一步基于梯度下降算法对

的函数参数进行调整。直至E(k,μ,σ,b)＜E_th，从而得到第3个拟合周期的清晰度评价值拟合函数为/>

判断μ₃是否等于μ₂，若不成立，驱动聚焦电机移动至到μ₃处采集补充图像数据，并获得补充图像数据的清晰度评价值y₄，此时，x₄＝μ₃。然后继续进行构建训练样本、确定初始自变量值、清晰度评价值预测、损失函数计算和基于梯度下降算法的训练步骤，直到获得第4个拟合周期的清晰度评价值拟合函数，并进入到第4个拟合周期。

如此，在第m-1个拟合周期，驱动聚焦电机移动至到μ_m-1处采集图像，并获得y_m，此时，x_m＝μ_m-1。此时的训练样本集为：{y₁,y₂,…，y_m}和{x₁,x₂,…，x_m}。然后，据此确定出当前预测周期训练开始时的清晰度评价值拟合函数的初始自变量值：k′_m＝max{y₁,y₂，…，y_m}，b′_m＝min{y₁,y₂，…，y_m}，μ′_m为k′_m对应的聚焦电机位置。而σ′_m＝σ_m-1。从而得到调整后的清晰度评价值拟合函数：

根据{x₁,x₂,…，x_m}和

预测得到清晰度评价值预测数据队列：/>

然后根据损失函数/>

计算此时的损失函数的函数值。当E(k,μ,σ,b)≥E_th时，未满足训练结束条件，可认为真实聚焦数据和计算得到的清晰度评价值预测数据之间的偏差较大，需要进一步基于梯度下降算法对/>

的自变量进行调整。直至E(k,μ,σ,b)＜E_th，从而得到第m个预测周期的清晰度评价值拟合函数为/>

然后进入到第m个拟合周期，判断μ_m＝μ_m-1是否成立，当μ_m＝μ_m-1时，则可以认为已经得到了真实清晰点。

基于同一发明构思，请参阅图8，本申请还提供了一种聚焦装置，包括：

数据获取模块，用于获取在n个不同聚焦电机位置对当前拍摄场景分别采集的图像数据；

函数生成模块，用于基于各聚焦电机位置和对应的图像数据的清晰度评价值，对预设高斯函数进行拟合，生成清晰度评价值拟合函数，n大于或者等于预设高斯函数中自变量的数量；

位置预测模块，用于将清晰度评价值拟合函数中的最大清晰度评价值对应的选定聚焦电机位置，作为聚焦位置；

电机控制模块，用于控制聚焦电机移动至聚焦位置。

在本申请可能一实施例中，预设高斯函数的自变量包括曲线峰值参数、曲线偏移参数、曲线宽幅参数以及曲线峰值参数对应的峰值坐标参数；

其中，曲线峰值参数基于图像数据的清晰度评价值中的第一最大清晰度评价值确定，曲线偏移参数基于图像数据的清晰度评价值中第一最小清晰度评价值确定，峰值坐标参数基于第一最大清晰度评价值对应的聚焦电机位置确定。

在本申请可能一实施例中，预设高斯函数为：

其中，x为聚焦电机位置，k,μ,σ,b均为预设高斯函数的自变量，k为曲线峰值参数，b为曲线偏移参数，μ为峰值坐标信息，σ为曲线宽幅参数。

在本申请可能一实施例中，函数生成模块，包括：

数据统计处理单元，用于确定所有图像数据的清晰度评价值中的第一最大清晰度评价值、第一最小清晰度评价值，以及第一最大清晰度评价值对应的第一电机位置；

函数生成单元，用于基于第一最大清晰度评价值，更新初始高斯函数的曲线峰值参数，基于第一最小清晰度评价值，更新初始高斯函数的曲线偏移参数，基于第一电机位置，更新初始高斯函数的曲线偏移参数，生成清晰度评价值拟合函数。

在本申请可能一实施例中，位置预测模块，包括：

判断单元，用于判断当前拟合周期的清晰度评价值拟合函数的选定聚焦电机位置是否满足预设条件；

采样单元，用于若不满足，则将选定聚焦电机位置作为补充采样位置，控制聚焦电机移动至补充采样位置处，获得补充图像数据；

函数更新单元，用于基于补充采样位置和补充图像数据的清晰度评价值，更新清晰度评价值拟合函数，获得下一拟合周期的下一清晰度评价值拟合函数；进入下一拟合周期，触发判断单元返回执行判断当前拟合周期的清晰度评价值拟合函数的选定聚焦电机位置是否满足预设条件，直至选定聚焦电机位置满足预设条件，将选定聚焦电机位置作为聚焦位置。

在本申请可能一实施例中，函数更新单元，具体用于基于清晰度评价值拟合函数，获得已知电机位置集合中各已知电机位置对应的清晰度评价值预测数据；已知电机位置集合包括聚焦电机位置和补充采样位置；基于已知图像数据集合中各已知图像数据的清晰度评价值和对应的清晰度评价值预测数据，获得清晰度评价值拟合函数对应的损失函数的函数值；已知图像数据集合包括图像数据和补充图像数据，且已知图像数据和已知电机位置一一对应；若损失函数的函数值大于或者等于预设值，则对清晰度评价值拟合函数的自变量进行调整；返回执行基于清晰度评价值拟合函数，获得已知电机位置集合中各已知电机位置对应的清晰度评价值预测数据，直至损失函数的函数值小于预设值，清晰度评价值拟合函数更新完成，获得下一清晰度评价值拟合函数。

在本申请可能一实施例中，函数更新单元，具体用于基于梯度下降算法对清晰度评价值拟合函数的自变量进行调整。

在本申请可能一实施例中，函数更新单元，具体用于基于已知图像数据集合中各已知图像数据的清晰度评价值，获得第二最大清晰度评价值和第二最小清晰度评价值；确定第二最大清晰度评价值对应的第二电机位置；基于第二最大清晰度评价值、第二最小清晰度评价值和第二电机位置，对清晰度评价值拟合函数的自变量进行调整，获得调整后的清晰度评价值拟合函数；基于调整后的清晰度评价值拟合函数，获得各已知电机位置对应的清晰度评价值预测数据；

函数更新单元，还具体基于梯度下降算法对调整后的清晰度评价值拟合函数的自变量进行调整。

在本申请可能一实施例中，已知电机位置集合还包括至少一个历史拟合周期的历史选定聚焦电机位置，已知图像数据集合还包括至少一个历史选定聚焦电机位置对应的历史补充图像数据；历史拟合周期在当前拟合周期之前。

在本申请可能一实施例中，判断单元具体用于确定清晰度评价值拟合函数的选定聚焦电机位置，以及上一清晰度评价值拟合函数对应的上一选定聚焦电机位置；判断选定聚焦电机位置和上一选定聚焦电机位置是否一致；若一致，则确定选定聚焦电机位置满足预设条件。

需要说明的是，本实施例中的关于聚焦装置的各实施方式以及其达到的技术效果可参照前述实施例中聚焦方法的各种实施方式，这里不再赘述。

此外，本申请实施例还提出一种计算机存储介质，存储介质上存储有聚焦程序，聚焦程序被处理器执行时实现如上文的聚焦方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。确定为示例，程序指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等，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)执行本申请各个实施例的方法。

以上仅为本申请的优选实施例，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 (10)

1.一种聚焦方法，其特征在于，所述方法包括：

获取在n个不同聚焦电机位置对当前拍摄场景分别采集的图像数据；

基于各所述聚焦电机位置和对应的图像数据的清晰度评价值，对预设高斯函数进行拟合，生成清晰度评价值拟合函数，所述n大于或者等于所述预设高斯函数中自变量的数量；

将所述清晰度评价值拟合函数中的最大清晰度评价值对应的选定聚焦电机位置，作为聚焦位置；

控制聚焦电机移动至所述聚焦位置。

2.根据权利要求1所述的聚焦方法，其特征在于，所述预设高斯函数的自变量包括曲线峰值参数、曲线偏移参数、曲线宽幅参数以及所述曲线峰值参数对应的峰值坐标参数；

其中，所述曲线峰值参数基于所述图像数据的清晰度评价值中的第一最大清晰度评价值确定，所述曲线偏移参数基于所述图像数据的清晰度评价值中第一最小清晰度评价值确定，所述峰值坐标参数基于所述第一最大清晰度评价值值对应的聚焦电机位置确定。

3.根据权利要求2所述的聚焦方法，其特征在于，所述预设高斯函数为：

其中，x为所述聚焦电机位置，k,μ,σ,b均为所述预设高斯函数的自变量，k为所述曲线峰值参数，b为所述曲线偏移参数，μ为所述峰值坐标信息，σ为所述曲线宽幅参数。

4.根据权利要求2所述的聚焦方法，其特征在于，所述基于各所述聚焦电机位置和对应的图像数据的清晰度评价值，对预设高斯函数进行拟合，生成清晰度评价值拟合函数，包括：

确定所有所述图像数据的清晰度评价值中的第一最大清晰度评价值、第一最小清晰度评价值，以及所述第一最大清晰度评价值对应的第一电机位置；

基于所述第一最大清晰度评价值，更新所述初始高斯函数的曲线峰值参数，基于所述第一最小清晰度评价值，更新所述初始高斯函数的曲线偏移参数，基于所述第一电机位置，更新所述初始高斯函数的曲线偏移参数，生成所述清晰度评价值拟合函数。

5.根据权利要求1所述的聚焦方法，其特征在于，所述将所述清晰度评价值拟合函数的最大清晰度评价值对应的选定聚焦电机位置，作为聚焦位置，包括：

判断当前拟合周期的所述清晰度评价值拟合函数的所述选定聚焦电机位置是否满足预设条件；

若不满足，则将所述选定聚焦电机位置作为补充采样位置，控制所述聚焦电机移动至所述补充采样位置处，获得补充图像数据；

基于所述补充采样位置和所述补充图像数据的清晰度评价值，更新所述清晰度评价值拟合函数，获得下一拟合周期的下一清晰度评价值拟合函数；

进入下一拟合周期，返回执行所述判断当前拟合周期的所述清晰度评价值拟合函数的所述选定聚焦电机位置是否满足预设条件，直至所述选定聚焦电机位置满足预设条件，将所述选定聚焦电机位置作为所述聚焦位置。

6.根据权利要求5所述的聚焦方法，其特征在于，所述基于所述采样位置和所述补充图像数据的清晰度评价值，更新所述清晰度评价值拟合函数，获得下一拟合周期的下一清晰度评价值拟合函数，包括：

基于所述清晰度评价值拟合函数，获得已知电机位置集合中各已知电机位置对应的清晰度评价值预测数据；所述已知电机位置集合包括所述聚焦电机位置和所述补充采样位置；

基于已知图像数据集合中各已知图像数据的清晰度评价值和对应的所述清晰度评价值预测数据，获得所述清晰度评价值拟合函数对应的损失函数的函数值；所述已知图像数据集合包括所述图像数据和补充图像数据，且所述已知图像数据和所述已知电机位置一一对应；

若所述损失函数的函数值大于或者等于预设值，则对所述清晰度评价值拟合函数的自变量进行调整；

返回执行所述基于所述清晰度评价值拟合函数，获得已知电机位置集合中各已知电机位置对应的清晰度评价值预测数据，直至所述损失函数的函数值小于所述预设值，所述清晰度评价值拟合函数更新完成，获得所述下一清晰度评价值拟合函数。

7.根据权利要求6所述的聚焦方法，其特征在于，对所述清晰度评价值拟合函数的自变量进行调整，包括：

基于梯度下降算法对所述清晰度评价值拟合函数的自变量进行调整。

8.根据权利要求7所述的聚焦方法，其特征在于，所述基于所述清晰度评价值拟合函数，获得已知电机位置集合中各已知电机位置对应的清晰度评价值预测数据，包括：

基于已知图像数据集合中各已知图像数据的清晰度评价值，获得第二最大清晰度评价值和第二最小清晰度评价值；

确定所述第二最大清晰度评价值对应的第二电机位置；

基于所述第二最大清晰度评价值、所述第二最小清晰度评价值和所述第二电机位置，对所述清晰度评价值拟合函数的自变量进行调整，获得调整后的清晰度评价值拟合函数；

基于所述调整后的清晰度评价值拟合函数，获得各所述已知电机位置对应的所述清晰度评价值预测数据；

所述基于梯度下降算法对所述清晰度评价值拟合函数的自变量进行调整，包括：

基于梯度下降算法对所述调整后的清晰度评价值拟合函数的自变量进行调整。

9.根据权利要求6所述的聚焦方法，其特征在于，所述已知电机位置集合还包括至少一个历史拟合周期的历史选定聚焦电机位置，所述已知图像数据集合还包括至少一个所述历史选定聚焦电机位置对应的历史补充图像数据；所述历史拟合周期在所述当前拟合周期之前。

10.根据权利要求5至9任一项所述的聚焦方法，其特征在于，所述判断当前拟合周期的所述清晰度评价值拟合函数的所述选定聚焦电机位置是否满足预设条件，包括：

确定所述清晰度评价值拟合函数的所述选定聚焦电机位置，以及上一清晰度评价值拟合函数对应的上一选定聚焦电机位置；

判断所述选定聚焦电机位置和所述上一选定聚焦电机位置是否一致；

若一致，则确定所述选定聚焦电机位置满足预设条件。

Images