一种自适应对焦控制方法、摄像机以及存储介质

摘要

本发明提供一种自适应对焦控制方法、摄像机以及存储介质，属于摄像技术领域，具体包括：当目标图像的清晰度无法满足要求时，基于目标图像的目标物类型、清晰度确定对焦装置的电机的调节步长值，并基于调节步长值对所述电机进行调整，对调整后的目标图像进行清晰度的评价得到清晰度评价值；基于清晰度评价值进行修正得到修正步长值，并基其对电机进行调整直到获取N张清晰度满足要求的目标图像并将其作为筛选图像；至少基于频域函数、信息熵函数、时域函数对筛选图像进行清晰度的评价得到综合评价值，并将所述综合评价值最大的筛选图像所对应的电机的位置作为对焦角度，从而进一步提升了对焦的效率。

权利要求

1.一种自适应对焦控制方法，其特征在于，具体包括：

获取目标图像，并基于时域函数对所述目标图像进行清晰度的评价，并当所述清晰度无法满足要求时，进入下一步骤；

基于所述目标图像的目标物类型、清晰度确定对焦装置的电机的调节步长值，并基于所述调节步长值对所述电机进行调整，获取调整后的目标图像，并基于时域函数对所述调整后的目标图像进行清晰度的评价得到清晰度评价值；

基于所述清晰度评价值对所述调节步长值进行修正得到修正步长值，并基于修正步长值对所述电机进行调整，直到获取N张清晰度满足要求的目标图像并将其作为筛选图像；

所述N张清晰度满足要求的目标图像的取值范围在2张以上；

将清晰度最高的筛选图像作为备选图像，并基于其它的筛选图像与所述备选图像的清晰度的差值判断是否需要进一步筛选，若否，则将所述备选图像所对应的电机的位置作为对焦角度，若是，则进入下一步骤；

至少基于频域函数、信息熵函数、时域函数对所述筛选图像进行清晰度的评价得到综合评价值，并将所述综合评价值最大的筛选图像所对应的电机的位置作为对焦角度。

2.如权利要求1所述的自适应对焦控制方法，其特征在于，所述时域函数采用SMD函数、Tenengrad函数、方差函数、能量梯度函数、Brenner函数、拉普拉斯函数、Robert函数其中的任意一种。

3.如权利要求1所述的自适应对焦控制方法，其特征在于，所述目标物的类型包括固定目标物、非固定目标物，其中所述非固定目标物为可自行移动的物体，固定目标物为不可自行移动的物体，具体的采用基于图像识别算法的图像识别模型，确定所述目标物的类型。

4.如权利要求1所述的自适应对焦控制方法，其特征在于，所述调节步长值确定的具体步骤为：基于所述对焦装置的电机的步长调节范围确定步长调节限值，基于所述对焦装置的电机的单步调节范围确定单步调节限值；

基于所述目标图像的清晰度确定所述目标图像是否需要大步长的步长调节，若是，则基于所述单步调节限值的最大值作为调节步长值，若否，则进入下一步骤；

基于所述目标图像的清晰度确定所述目标图像是否需要小步长的步长调节，若是，则基于所述单步调节限值的最小值作为调节步长值，若否，则进入下一步骤；

对所述目标图像的目标物的类型进行识别，并基于所述目标物的类型确定是否需要大步长的步长调节，若是，则基于所述单步调节限值的最大值作为调节步长值，若否，则进入下一步骤；

基于所述目标图像的清晰度、目标图像的Range函数值、步长调节限值、单步调节限值确定所述调节步长值。

5.如权利要求4所述的自适应对焦控制方法，其特征在于，当所述目标图像的清晰度小于清晰度要求值时，则确定所述目标图像需要大步长的步长调节，当所述目标图像的清晰度大于清晰度设定值时，则确定所述目标图像需要小步长的步长调节，其中所述清晰度设定值大于清晰度要求值。

6.如权利要求1所述的自适应对焦控制方法，其特征在于，基于其它的筛选图像与所述备选图像的清晰度的差值判断是否需要进一步筛选，具体包括：所述其它的筛选图像为所述筛选图像除所述备选图像的筛选图像；

当其它的筛选图像与所述备选图像的清晰度的差值的绝对值小于设定误差的数量大于N/2时，则确定需要进一步筛选。

7.如权利要求1所述的自适应对焦控制方法，其特征在于，所述综合评价值构建的具体步骤为：将备选图像以及与所述备选图像的清晰度的差值的绝对值小于设定误差的筛选图像作为可选图像；

基于滑动窗口的方式对所述可选图像进行划分得到待评估区域，并基于所述待评估区域的图像的梯度值对所述待评估区域进行筛选，得到筛选区域的图像；

基于所述筛选区域的图像的信息熵函数值对所述筛选区域进行进一步筛选得到评估区域的图像；

将所述评估区域的图像划分为三个通道得到三通道图像，并基于所述三通道图像的最大梯度和梯度变化量得到所述可选图像的图像质量评价值，并基于所述图像质量评价值确定是否需要对所述可选图像进行进一步的筛选，若是，则进入下一步骤，若否，则将所述图像质量评价值作为综合评价值；

将所述待评估区域的图像转换为灰度图像，并利用频域函数、信息熵函数、时域函数得到所述灰度图像的频域函数值、信息熵函数值、时域函数值；

基于所述频域函数值、信息熵函数值、时域函数值、图像质量评价值得到综合评价值。

8.一种摄像机，采用权利要求1‑7任一项所述的一种自适应对焦控制方法，包括：图像获取模块；图像评价模块；步长确定模块；对焦调节模块；

其中所述图像获取模块负责获取目标图像以及调整后的目标图像；

所述图像评价模块负责对图像的清晰度、清晰度评价值、综合评价值进行确定；

所述步长确定模块负责对所述调节步长值以及所述修正步长值进行确定；

所述对焦调节模块负责基于所述调节步长值以及所述修正步长值，通过电机进行对焦角度的调节。

9.一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1‑7任一项所述的一种自适应对焦控制方法。

说明书

一种自适应对焦控制方法、摄像机以及存储介质

技术领域

[0001] 本发明属于摄像技术领域，尤其涉及一种自适应对焦控制方法、摄像机以及存储介质。

背景技术

[0002] 为了实现对摄像机的自动对焦的控制，在授权发明专利授权公告号CN114760419B《一种基于深度学习的自动对焦方法及系统》中通过根据训练好的目标深度学习模型计算离焦图像的清晰度，获取电机步数范围，根据清晰度与电机步数范围，得到电机的移动步数，并控制电机根据移动步数进行移动，完成自动对焦，从而极大地提高了自动对焦的速度，减小了电机搜寻的范围，但是却存在以下技术问题：

[0003] 1、未考虑结合图像类型以及图像的清晰度进行单步步长的调节范围的确定，在进行自动对焦控制过程中，若图像类型的目标物是可移动的，或者图像的清晰度较差时，若与目标物为静止的或者图像的清晰度较高时，若采用相同的调节步长，则无法满足移动目标物的自动对焦的调整效率的要求。

[0004] 2、未考虑基于时域函数等处理速度较快的图像清晰度评价函数对电机的移动过程中的图像清晰度进行筛选，现有技术中，当电机在按照移动步数进行移动的过程中，每一步的图像均采用基于深度学习的清晰度评价模型，由于评价模型的复杂性，从而会导致自动对焦的速率受到一定程度的影响。

[0005] 针对上述技术问题，本发明提供了一种自适应对焦控制方法、摄像机以及存储介质。

发明内容

[0006] 根据本发明的一个方面，提供了一种自适应对焦控制方法。

[0007] 一种自适应对焦控制方法，其特征在于，具体包括：

[0008] S11获取目标图像，并基于时域函数对所述目标图像的清晰度的评价，并当所述清晰度无法满足要求时，进入步骤S12;

[0009] S12基于所述目标图像的目标物类型、清晰度确定对焦装置的电机的调节步长值，并基于所述调节步长值对所述电机进行调整，获取调整后的目标图像，并基于时域函数对所述调整后的目标图像进行清晰度的评价得到清晰度评价值；

[0010] S13基于所述清晰度评价值对所述调节步长值进行修正得到修正步长值，并基于修正步长值对所述电机进行调整，直到获取N张清晰度满足要求的目标图像并将其作为筛选图像；

[0011] S14将清晰度最高的筛选图像作为备选图像，并基于其它的筛选图像与所述备选图像的清晰度的差值判断是否需要进一步筛选，若否，则将所述备选图像所对应的电机的位置作为对焦角度，若是，则进入步骤S15；

[0012] S15至少基于频域函数、信息熵函数、时域函数对所述筛选图像进行清晰度的评价得到综合评价值，并将所述综合评价值最大的筛选图像所对应的电机的位置作为对焦角度。

[0013] 通过基于时域函数进行目标函数的清晰度评价，从而避免了原有的基于深度学习的方式导致的对焦效率过慢的技术问题，在保证图像的清晰度的分析的准确性的基础上，也保证了对焦的效率。

[0014] 通过基于所述目标图像的目标物类型、清晰度确定对焦装置的电机的调节步长值，从而使得电机的调整效率能够根据目标物类型的不同以及清晰度的不同进行动态调整，在保证对焦效率的基础上，也避免了清晰度较高的物体由于调整步长过大导致的清晰度较低的技术问题。

[0015] 通过筛选图像以及备选图像的确定，从而避免了原有的仅仅筛选得到一个图像导致的无法对最优的图像以及电机的步长的寻优的技术问题，在满足对焦效率的前提下，使得摄像机的调整角度能够更加准确。

[0016] 通过结合至少基于频域函数、信息熵函数、时域函数对所述筛选图像进行清晰度的评价得到综合评价值，并将所述综合评价值最大的筛选图像所对应的电机的位置作为对焦角度，从而实现了从多角度对筛选图像的清晰度的评价，提升了清晰度的评价的准确性和全面性，同时也保证了最终的对焦角度的筛选的准确性。

[0017] 另一方面，本申请实施例中提供一种摄像机，采用上述的一种自适应对焦控制方法，包括：

[0018] 图像获取模块；图像评价模块；步长确定模块；对焦调节模块；

[0019] 其中所述图像获取模块负责获取目标图像以及调整后的目标图像；

[0020] 所述图像评价模块负责对图像的清晰度、清晰度评价值、综合评价值进行确定；

[0021] 所述步长确定模块负责对所述调节步长值以及所述修正步长值进行确定；

[0022] 所述对焦调节模块负责基于所述调节步长值以及所述修正步长值，通过电机进行对焦角度的调节。

[0023] 另一方面，本申请实施例中提供一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能 够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种自适应对焦控制方法。

[0024] 另一方面，本发明提供了一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种自适应对焦控制方法。

[0025] 其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

[0026] 为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

[0027] 通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显；

[0028] 图1是根据实施例1的一种自适应对焦控制方法的流程图；

[0029] 图2是根据实施例1的调节步长值确定的具体步骤的流程图；

[0030] 图3是根据实施例1综合评价值构建的具体步骤的流程图；

[0031] 图4是根据实施例2的一种摄像机的结构图。

[0032] 图5是根据实施例3的一种计算机系统的结构图。

[0033] 图6是根据实施例4的一种计算机存储介质的结构图。

具体实施方式

[0034] 现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。

[0035] 用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。实施例1

[0036] 为解决上述问题，根据本发明的一个方面，如图1所示，提供了根据本发明的一个方面，提供了一种自适应对焦控制方法，其特征在于，具体包括：

[0037] S11获取目标图像，并基于时域函数对所述目标图像的清晰度的评价，并当所述清晰度无法满足要求时，进入步骤S12;

[0038] 需要说明的是，所述时域函数采用SMD函数、Tenengrad函数、方差函数、能量梯度函数、Brenner函数、拉普拉斯函数、Robert函数其中的任意一种。

[0039] 需要说明的是，基于时域函数的清晰度评价函数，大多是通过图像的边缘信息进行评价值的计算，因为清晰图像往往比模糊图像具有更多的边缘细节，边缘细节丰富的图像中相邻像素灰度值的变化程度较大，而图像的梯度函数值可以很好地反映上述情况，因此许多评价函数都是以梯度值来评估图像的清晰程度，目前常用的时域函数有SMD函数、Tenengrad 函数、方差函数、能量梯度函数、Brenner函数、拉普拉斯函数、Robert 函数等。

[0040] 具体的，采用SMD函数进行目标图像的清晰度的评价，其原理是将x和y方向上两个相邻像素的灰度值之差的绝对值相加。由于该函数仅执行图像像素的加法和减法，因此与其他函数相比，相对简单，评价函数的表达式为：

[0041] 其中，f(i,j)为目标图像在像素点(i,j)处的灰度值。

[0042] 具体的，采用方差函数进行目标图像的清晰度的评价，其没有直接使用图像的梯度信息进行评价，而是使用的图像像素之间的灰度差异来进行图像清晰度的评价，在函数公式中使用幂函数来放大与平均灰度值之间的差异，而不是简单地放大高灰度值。评价函数的表达式为：

[0043] 式中，μ表示目标图像的平均灰度值，图像的行数为M，列数为N。

[0044] 在另外一种可能的实施例中，为了提升目标图像的清晰度的评价的准确性，所述时域函数采用上述函数中的至少三种以上。

[0045] 在一种可能的实施例中，图像的清晰度为0.7时，而要求为0.8时，则此时需要继续进行对焦的处理。

[0046] 在本实施例中，通过基于时域函数进行目标函数的清晰度评价，从而避免了原有的基于深度学习的方式导致的对焦效率过慢的技术问题，在保证图像的清晰度的分析的准确性的基础上，也保证了对焦的效率。

[0047] S12基于所述目标图像的目标物类型、清晰度确定对焦装置的电机的调节步长值，并基于所述调节步长值对所述电机进行调整，获取调整后的目标图像，并基于时域函数对所述调整后的目标图像进行清晰度的评价得到清晰度评价值；

[0048] 需要说明的是，所述目标物的类型包括固定目标物、非固定目标物，其中所述非固定目标物为可自行移动的物体，固定目标物为不可自行移动的物体，具体的采用基于图像识别算法的图像识别模型，确定所述目标物的类型。

[0049] 可以理解的是，清晰度评价值的取值范围在0到1之间，具体的根据目标图像的时域函数的取值，通过归一化之后进行确定。

[0050] 在另外一种可能的实施例中，如图2所示，所述调节步长值确定的具体步骤为：

[0051] S21基于所述对焦装置的电机的步长调节范围确定步长调节限值，基于所述对焦装置的电机的单步调节范围确定单步调节限值；

[0052] 需要说明的是，对焦装置的电机的步长调节范围、对焦装置的电机的单步调节范围均根据对焦装置的类型以及对焦装置的电机的类型进行确定。

[0053] S22基于所述目标图像的清晰度确定所述目标图像是否需要大步长的步长调节，若是，则基于所述单步调节限值的最大值作为调节步长值，若否，则进入步骤S23；

[0054] 具体的举例说明，若目标图像的清晰度为0.8，而当其小于0.6的设定值时，说明目标图像的清晰度较差，需要大步长的步长调节。

[0055] S23基于所述目标图像的清晰度确定所述目标图像是否需要小步长的步长调节，若是，则基于所述单步调节限值的最小值作为调节步长值，若否，则进入步骤S24；

[0056] S24对所述目标图像的目标物的类型进行识别，并基于所述目标物的类型确定是否需要大步长的步长调节，若是，则基于所述单步调节限值的最大值作为调节步长值，若否，则进入步骤S25；

[0057] 需要说明的是，当目标物的类型为非固定目标物时，则采用大步长的步长调节，从而满足可移动物体的动态调节的需要。

[0058] S25基于所述目标图像的清晰度、目标图像的Range函数值、步长调节限值、单步调节限值确定所述调节步长值。

[0059] 需要说明的是，清晰图像的边缘轮廓清晰，其灰度值统计直方图的分布区间大；模糊图像的边缘模糊，边界灰度值差异小，灰度值统计直方图分布区间小。因此，可以通过统计直方图的灰度分布特征来表征图像清晰度，运用统计学理论的清晰度评价函数主要有 Range 函数、Vollaths函数等。

[0060] Range函数是通过计算图像灰度值统计直方图中最高灰度值和最低灰度值之间的差值进行清晰度评价的，差值越大，则图像的灰度值变化剧烈，图像越清晰。评价函数的表达式为：

[0061] 式中，Hk 表示灰度级为 k 的直方图值。

[0062] 可以理解的是，还可以进一步Vollaths 函数，也称为自相关函数，反映图像像素灰度值空间中两点之间的关系。考虑到清晰图像中的边缘锐利且丰富，表现出像素间的相关性低；模糊图像中的边缘向两边扩展，表现出像素的相关性高，因此，清晰图像的 Vollaths 函数曲线的顶部是尖锐的，而模糊图像的 Vollaths 函数曲线的顶部是柔和的，正是基于这一点，可以使用 Vollaths 函数来评价图像的清晰程度。评价函数的表达式为：

[0063]

[0064] 另外需要说明的是，基于所述目标图像的清晰度、目标图像的Range函数值、步长调节限值、单步调节限值进行所述调节步长值的确定的时候，可以通过采用基于层次分析法、数学模型或者机器学习算法的模型，均属于现有技术，此处不再一一赘述。

[0065] 可以理解的是，当所述目标图像的清晰度小于清晰度要求值时，则确定所述目标图像需要大步长的步长调节，当所述目标图像的清晰度大于清晰度设定值时，则确定所述目标图像需要小步长的步长调节，其中所述清晰度设定值大于清晰度要求值。

[0066] 在本实施例中，通过基于所述目标图像的目标物类型、清晰度确定对焦装置的电机的调节步长值，从而使得电机的调整效率能够根据目标物类型的不同以及清晰度的不同进行动态调整，在保证对焦效率的基础上，也避免了清晰度较高的物体由于调整步长过大导致的清晰度较低的技术问题。

[0067] S13基于所述清晰度评价值对所述调节步长值进行修正得到修正步长值，并基于修正步长值对所述电机进行调整，直到获取N张清晰度满足要求的目标图像并将其作为筛选图像；

[0068] 具体的，所述修正步长值根据调整后的目标图像的清晰度评价值与目标图像的清晰度的设定值的比值、调节步长值进行确定，其中所述调整后的目标图像的清晰度评价值与目标图像的清晰度的设定值的比值越大，则所述修正步长值越小。

[0069] 具体的，所述N张清晰度满足要求的目标图像的取值范围在2张以上。

[0070] S14将清晰度最高的筛选图像作为备选图像，并基于其它的筛选图像与所述备选图像的清晰度的差值判断是否需要进一步筛选，若否，则将所述备选图像所对应的电机的位置作为对焦角度，若是，则进入步骤S15；

[0071] 可以理解的是，基于其它的筛选图像与所述备选图像的清晰度的差值进行是否需要进一步筛选，具体包括：

[0072] 所述其它的筛选图像为所述筛选图像除所述备选图像的筛选图像；

[0073] 当其它的筛选图像与所述备选图像的清晰度的差值的绝对值小于设定误差的数量大于N/2时，则确定需要进一步筛选。

[0074] 在本实施例中，通过筛选图像以及备选图像的确定，从而避免了原有的仅仅筛选得到一个图像导致的无法对最优的图像以及电机的步长的寻优的技术问题，在满足对焦效率的前提下，使得摄像机的调整角度能够更加准确。

[0075] S15至少基于频域函数、信息熵函数、时域函数对所述筛选图像进行清晰度的评价得到综合评价值，并将所述综合评价值最大的筛选图像所对应的电机的位置作为对焦角度。

[0076] 在另外一种可能的实施例中，如图3所示，所述综合评价值构建的具体步骤为：

[0077] S31将备选图像以及与所述备选图像的清晰度的差值的绝对值小于设定误差的筛选图像作为可选图像；

[0078] S32基于滑动窗口的方式对所述可选图像进行划分得到待评估区域，并基于所述待评估区域的图像的梯度值对所述待评估区域进行筛选，得到筛选区域的图像；

[0079] 需要说明的是，在使用滑动窗口将图像划分为不同的区域后，先计算每个区域的最大梯度。像素(i, j)处的梯度 G(i, j)由以下公式进行计算：

[0080]

[0081] S33基于所述筛选区域的图像的信息熵函数值对所述筛选区域进行进一步筛选得到评估区域的图像；

[0082] 选择梯度最大的区域进行信息熵函数的计算，如下所示：

[0083]

[0084] S34将所述评估区域的图像划分为三个通道得到三通道图像，并基于所述三通道图像的最大梯度和梯度变化量得到所述可选图像的图像质量评价值，并基于所述图像质量评估值确定是否需要对所述可选图像进行进一步的筛选，若是，则进入步骤S35，若否，则将所述图像质量评估值作为综合评价值；

[0085] 需要说明的是，由于图像的模糊度可以通过像素灰度值的变化来表示，像素灰度值变化大的区域比变化慢的区域更有利于计算模糊度指标，而对于彩色图像，三种不同的通道比灰度图像包含更多的信息，为了充分利用这些信息，将彩色图像划分为三个通道，然后利用三通道图像计算的最大梯度和梯度变化量：

[0086]其中，GC1(i, j)、GC2(i, j)、GC3(i, j)表示不
同通道的梯度图像；MaxG、MinG 和 MeanG 代表三种不同梯度图像的最大值、最小值和平均值，VG 代表三通道图像的梯度变化。

[0087] 最后，通过以下公式得到图像质量评价值：

[0088] 其中α为常数；

[0089] S35将所述待评估区域的图像转换为灰度图像，并利用频域函数、信息熵函数、时域函数得到所述灰度图像的频域函数值、信息熵函数值、时域函数值；

[0090] S36 基于所述频域函数值、信息熵函数值、时域函数值、图像质量评价值得到综合评价值。

[0091] 需要说明的是，所述综合评价值可以采用基于ALCSO优化BP神经网络算法进行确定，预测模型构建的具体的步骤为：

[0092] （1）设置ALCSO参数，初始化种群；

[0093] （2）确定好训练样本，将述频域函数值、信息熵函数值、时域函数值、图像质量评价值作为输入样本，输出样本为对应的综合评价值；

[0094] （3）确定ALCSO训练目标。将神经网络的适应度函数（全局误差倒数）作为猫群的目标；

[0095] （4）ALCSO随机分组；

[0096] （5）计算每只猫的适应度，并根据ALCSO算法进行寻优；

[0097] （6）判读条件是否满足，若不满足，继续执行（4）；

[0098] （7）优化后的BP神经网络对样本进行训练，并得到预测模型。

[0099] 具体的ALCSO算法为改进型的CSO算法，针对CSO算法的改进中，提到使用惯性权重对算法的跟踪模式进行改进，其缺陷在于是一种线性的权重变化，对于处理一些特殊寻优问题表现出收敛过早的情况，由于线性的特点不能有效的适应算法的迭代过程，本发明提出使用logistic函数来进行优化，Logistic回归是机器学习中的一种模型，其logistic函数的数学公式描述如下所示：

[0100] 其中的最大值e为自然对数；x0为整个回归曲线的中点横坐标的值；K为定义曲线l决定整个曲线的曲率，也可理解为表示为整个曲线的变化率，足算法整体群落的非线性的变化，式中x表示为Wx。

[0101] 非线性自适应函数的取值应控制在1‑0.1之间，此时算法无论是收敛性以及精度相对来说都是最好的，故使用logistic函数作为权重时的公式为：

[0102]

[0103] 通过使用logistic函数来对施加自适应权重，随着迭代次数的增加，权重系数在不断非线性减少，当达到中心点值0.5时，权重急速下降，迭代后期时，权重下降又变得缓慢，此种自适应方式与猫群算法寻优特性相似。

[0104] 在本实施例中，通过结合至少基于频域函数、信息熵函数、时域函数对所述筛选图像进行清晰度的评价得到综合评价值，并将所述综合评价值最大的筛选图像所对应的电机的位置作为对焦角度，从而实现了从多角度对筛选图像的清晰度的评价，提升了清晰度的评价的准确性和全面性，同时也保证了最终的对焦角度的筛选的准确性。

[0105] 为了便于理解，本申请给出一具体的实施例：

[0106] 获取目标图像，并采用SMD函数进行目标图像的清晰度的评价，其原理是将x和y方向上两个相邻像素的灰度值之差的绝对值相加。由于该函数仅执行图像像素的加法和减法，因此与其他函数相比，相对简单，评价函数的表达式为：

[0107] 其中，f(i,j)为目标图像在像素点(i,j)处的灰度值，对所述目标图像的清晰度的评价，并当所述清晰度无法满足要求时，即图像的清晰度为0.7时，而要求为0.8时，则此时需要继续进行对焦的处理；

[0108] 基于所述目标图像的目标物类型、清晰度确定对焦装置的电机的调节步长值，并基于所述调节步长值对所述电机进行调整，获取调整后的目标图像，具体的，若目标图像的清晰度为0.8，而当其小于0.6的设定值时，说明目标图像的清晰度较差，需要大步长的步长调节，并基于时域函数对所述调整后的目标图像进行清晰度的评价得到清晰度评价值；

[0109] 所述其它的筛选图像为所述筛选图像除所述备选图像的筛选图像；

[0110] 当其它的筛选图像与所述备选图像的清晰度的差值的绝对值小于设定误差的数量大于N/2时，则确定需要进一步筛选；

[0111] 采用基于ALCSO优化BP神经网络算法进行确定综合评价值，并将所述综合评价值最大的筛选图像所对应的电机的位置作为对焦角度。实施例2

[0112] 如图4所示，本申请实施例中提供一种摄像机，采用上述的一种自适应对焦控制方法，包括：

[0113] 图像获取模块；图像评价模块；步长确定模块；对焦调节模块；

[0114] 其中所述图像获取模块负责获取目标图像以及调整后的目标图像；

[0115] 所述图像评价模块负责对图像的清晰度、清晰度评价值、综合评价值进行确定；

[0116] 需要说明的是，采用方差函数进行目标图像的清晰度的评价，其没有直接使用图像的梯度信息进行评价，而是使用的图像像素之间的灰度差异来进行图像清晰度的评价，在函数公式中使用幂函数来放大与平均灰度值之间的差异，而不是简单地放大高灰度值。评价函数的表达式为：

[0117] 式中，μ表示目标图像的平均灰度值，图像的行数为M，列数为N。

[0118] 需要说明的是，采用SMD函数进行目标图像的清晰度评价值的评价，其原理是将x和y方向上两个相邻像素的灰度值之差的绝对值相加。由于该函数仅执行图像像素的加法和减法，因此与其他函数相比，相对简单，评价函数的表达式为：

[0119] 其中，f(i,j)为目标图像在像素点(i,j)处的灰度值。

[0120] 需要说明的是，所述综合评价值可以采用基于ALCSO优化BP神经网络算法进行确定，如图5所示，预测模型构建的具体的步骤为：

[0121] （1）设置ALCSO参数，初始化种群；

[0122] （2）确定好训练样本，将述频域函数值、信息熵函数值、时域函数值、图像质量评价值作为输入样本，输出样本为对应的综合评价值；

[0123] （3）确定ALCSO训练目标。将神经网络的适应度函数（全局误差倒数）作为猫群的目标；

[0124] （4）ALCSO随机分组；

[0125] （5）计算每只猫的适应度，并根据ALCSO算法进行寻优；

[0126] （6）判读条件是否满足，若不满足，继续执行（4）；

[0127] （7）优化后的BP神经网络对样本进行训练，并得到预测模型。

[0128] 具体的ALCSO算法为改进型的CSO算法，针对CSO算法的改进中，提到使用惯性权重对算法的跟踪模式进行改进，其缺陷在于是一种线性的权重变化，对于处理一些特殊寻优问题表现出收敛过早的情况，由于线性的特点不能有效的适应算法的迭代过程，本发明提出使用logistic函数来进行优化，Logistic回归是机器学习中的一种模型，其logistic函数的数学公式描述如下所示：

[0129] 其中的最大值e为自然对数；x0为整个回归曲线的中点横坐标的值；K为定义曲线l决定整个曲线的曲率，也可理解为表示为整个曲线的变化率，足算法整体群落的非线性的变化，式中x表示为Wx。

[0130] 非线性自适应函数的取值应控制在1‑0.1之间，此时算法无论是收敛性以及精度相对来说都是最好的，故使用logistic函数作为权重时的公式为：

[0131] 其中Wx为权重， 为优化过之后的权重，t为当前迭代次数，T为最大迭代次数。

[0132] 通过使用logistic函数来对施加自适应权重，随着迭代次数的增加，权重系数在不断非线性减少，当达到中心点值0.5时，权重急速下降，迭代后期时，权重下降又变得缓慢，此种自适应方式与猫群算法寻优特性相似。

[0133] 所述步长确定模块负责对所述调节步长值以及所述修正步长值进行确定；

[0134] 需要说明的是，调节步长值确定的具体步骤为：

[0135] S21基于所述对焦装置的电机的步长调节范围确定步长调节限值，基于所述对焦装置的电机的单步调节范围确定单步调节限值；

[0136] 需要说明的是，对焦装置的电机的步长调节范围、对焦装置的电机的单步调节范围均根据对焦装置的类型以及对焦装置的电机的类型进行确定。

[0137] S22基于所述目标图像的清晰度确定所述目标图像是否需要大步长的步长调节，若是，则基于所述单步调节限值的最大值作为调节步长值，若否，则进入步骤S23；

[0138] 具体的举例说明，若目标图像的清晰度为0.8，而当其小于0.6的设定值时，说明目标图像的清晰度较差，需要大步长的步长调节。

[0139] S23基于所述目标图像的清晰度确定所述目标图像是否需要小步长的步长调节，若是，则基于所述单步调节限值的最小值作为调节步长值，若否，则进入步骤S24；

[0140] S24对所述目标图像的目标物的类型进行识别，并基于所述目标物的类型确定是否需要大步长的步长调节，若是，则基于所述单步调节限值的最大值作为调节步长值，若否，则进入步骤S25；

[0141] 需要说明的是，当目标物的类型为非固定目标物时，则采用大步长的步长调节，从而满足可移动物体的动态调节的需要。

[0142] S25基于所述目标图像的清晰度、目标图像的Range函数值、步长调节限值、单步调节限值确定所述调节步长值。

[0143] 所述对焦调节模块负责基于所述调节步长值以及所述修正步长值，通过电机进行对焦角度的调节。实施例3

[0144] 如图5所示，本申请实施例中提供一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种自适应对焦控制方法。

[0145] 需要说明的是，一种自适应对焦控制方法的具体步骤为：

[0146] 获取目标图像，并采用SMD函数进行目标图像的清晰度的评价，其原理是将x和y方向上两个相邻像素的灰度值之差的绝对值相加。由于该函数仅执行图像像素的加法和减法，因此与其他函数相比，相对简单，评价函数的表达式为：

[0147] 其中，f(i,j)为目标图像在像素点(i,j)处的灰度值，对所述目标图像的清晰度的评价，并当所述清晰度无法满足要求时，即图像的清晰度为0.7时，而要求为0.8时，则此时需要继续进行对焦的处理；

[0148] 基于所述目标图像的目标物类型、清晰度确定对焦装置的电机的调节步长值，并基于所述调节步长值对所述电机进行调整，获取调整后的目标图像，具体的，若目标图像的清晰度为0.8，而当其小于0.6的设定值时，说明目标图像的清晰度较差，需要大步长的步长调节，并基于时域函数对所述调整后的目标图像进行清晰度的评价得到清晰度评价值；

[0149] 所述其它的筛选图像为所述筛选图像除所述备选图像的筛选图像；

[0150] 当其它的筛选图像与所述备选图像的清晰度的差值的绝对值小于设定误差的数量大于N/2时，则确定需要进一步筛选；

[0151] 采用基于ALCSO优化BP神经网络算法进行确定综合评价值，并将所述综合评价值最大的筛选图像所对应的电机的位置作为对焦角度。

[0152] 具体的，本实施例还提供了一种计算机系统，该计算机系统包括通过系统总线连接的处理器、存储器、网络接口和数据库；其中，该计算机系统的处理器用于提供计算和控制能力；该计算机系统的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述的一种自适应对焦控制方法。
实施例4

[0153] 如图5所示，本发明提供了一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种自适应对焦控制方法。

[0154] 具体的，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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可 包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM （PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括 随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得， 诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强 型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM （RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

[0155] 在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0156] 另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

[0157] 功能如果以软件功能模块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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中，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)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：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。

[0158] 以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。