【技术实现步骤摘要】
本专利技术涉及自动聚焦领域，尤其涉及一种基于深度学习的被动式自动聚焦算法。
技术介绍
1、现有产品、
的缺陷：本专利技术是基于当前的被动式自动聚焦算法，针对不同场景、不同画面清晰度特性，在摄像机自动聚焦领域的应用。目前的摄像头产品的被动式自动聚焦方案大多与画面清晰度曲线有关。
2、在某一倍率下，focus透镜模组从远离图像传感器一端的极限位置，往靠近传感器一端的极限位置运动的过程中，设备中图像传感器以25fps/30fps等帧率捕捉画面raw数据并通过isp(image signal processing)pipeline处理流(包括平台滤波处理)处理后输出当前帧画面的清晰度评价值(focus value，abbrev：fv)，且画面清晰度与fv呈正相关：即画面越清晰，fv越高。因此，在一定的focus电机行程范围内，理想情况下，随着focus电机从一端到另一端的移动过程中，滤波器输出的曲线形状形如高斯分布曲线。
3、现有的反差式自动聚焦方案使用的爬坡搜索算法，主要根据当前focus位置对应的fv数据的上升、下降次数来判断是否经过峰值点。
4、在实际使用过程中，平台输出的fv曲线并不一定是理想的高斯分布形，尤其是夜间低照度、少细节场景，通常会带有较多的毛刺和小凸起，曲线信噪比较低，因此容易引起清晰点的误判从而导致虚焦。
5、综上所述，需要一种基于深度学习的被动式自动聚焦算法来解决现有技术中所存在的不足之处。
技术实现思路
1、针
2、为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习的被动式自动聚焦算法，包括以下步骤：
3、步骤s1：搭建神经网络及训练模型；
4、步骤s2：准备测试数据集，将测试数据集输入训练模型，对神经网络进行训练，得到训练结果；
5、步骤s3：根据训练结果判断网络是否收敛，若网络收敛，则保存模型参数，反之，则调整网络参数重新训练网络，得到训练好的模型；
6、步骤s4：将训练好的模型一直到自动聚焦算法中，自动聚焦算法根据神经网络的输出概率向峰值点方向驱动focus电机，并判断峰值点概率是否超过预设阈值，若超过，则判定找到了清晰点，进入定焦流程并最终锁定清晰点，完成聚焦。
7、可选的，所述步骤s1中训练模型包括但不限于数据预处理模块，网络预测模块，网络反向传播模块。
8、可选的，所述步骤s2步骤中准备测试数据时，对不同的曲线阶段标注目标值标签，神经网络会根据输入的特征数据及其对应标签学习并记忆不同特征对应的曲线阶段。
9、可选的，所述步骤s2中对神经网络进行训练时，前期的训练，可以让focus电机在当前位置获取到画面的清晰度评价值后，对当前focus电机对应的画面清晰度评价值所处的曲线阶段进行预测，并根据历史数据输出未来一帧的数据。
10、可选的，所述步骤s4中聚焦步骤具体为：
11、步骤s41：根据神经网络的输出概率向峰值点方向驱动focus电机；
12、步骤s42：获取当前画面的统计信息，同时记录focus电机位置；
13、步骤s43：将画面统计信息作为特征向量输入到神经网络，并根据预测的清晰点方向移动focus电机；
14、步骤s44：判断移动过程中网络预测清晰点概率是否大于预设阈值，若是，则进入下一步骤，反之，则重复步骤s41-s44；
15、步骤s45：判断移动过程中网络预测的未来一帧数据是否小于当前帧，若是，则进入下一步骤，反之，则重复步骤s41-s45；
16、步骤s46：进入定焦流程，锁定清晰点位置，完成聚焦。
17、可选的，所述步骤s43具体为：
18、通过focus电机在当前位置获取到当前画面的清晰度评价值后，作为特征向量输入到神经网络模型中，网络模型可以根据历史输入数据及当前的输入数据输出当前focus坐标对应的曲线阶段预测值以及未来一帧的预测fv数据。
19、可选的，所述通过focus电机在当前位置获取到当前画面的清晰度评价值，具体为：
20、通过将focus电机从远离sensor的极限位置移动到靠近sensor的极限位置过程中，实时记录当前的focus电机位置对应的画面清晰度评价值，更换场景，重复执行该步骤以采集多组训练数据。
21、可选的，所述画面清晰度评价值的获取，具体为：
22、光线经过镜头模组，并在sensor靶面上成像，sensor捕捉光信号并转化成电信号后送入isp pipeline进行数字信号处理，并且进行iir以及fir滤波后输出当前画面的清晰度评价值。
23、可选的，所述预测fv数据时，在自动聚焦算法层面引入了自适应滑动窗口滤波机制：
24、网络输出当前focus位置对应的画面清晰度之后一场的预测fv数据，结合历史m场多窗口加权平均统计信息，通过非线性回归算法，拟合出一条平滑曲线，并将当前focus坐标对应的平滑曲线上的参数作为新的fv统计数据。。
25、本专利技术的有益效果：
26、1、本专利技术中，通过前期的训练，让网络对历史曲线数据形成记忆，从而达到对曲线的特征进行分类以及预测的目的，可以提升曲线的信噪比，进而提升聚焦精度和速度；
27、2、本专利技术中，基于深度学习的被动式自动聚焦算法能够极大程度上提升现有自动聚焦算法对于真实清晰点的识别概率，降低曲线毛刺带来的影响，提升图像信噪比，从而减少聚焦时间，减轻画面震荡程度并提升聚焦精度；
本文档来自技高网...【技术保护点】
1.一种基于深度学习的被动式自动聚焦算法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于深度学习的被动式自动聚焦算法，其特征在于，所述步骤S1中训练模型包括但不限于数据预处理模块，网络预测模块，网络反向传播模块。
3.根据权利要求1所述一种基于深度学习的被动式自动聚焦算法，其特征在于，所述步骤S2步骤中准备测试数据时，对不同的曲线阶段标注目标值标签，神经网络会根据输入的特征数据及其对应标签学习并记忆不同特征对应的曲线阶段。
4.根据权利要求1所述一种基于深度学习的被动式自动聚焦算法，其特征在于，所述步骤S2中对神经网络进行训练时，前期的训练，可以让focus电机在当前位置获取到画面的清晰度评价值后，对当前focus电机对应的画面清晰度评价值所处的曲线阶段进行预测，并根据历史数据输出未来一帧的数据。
5.根据权利要求1所述一种基于深度学习的被动式自动聚焦算法，其特征在于，所述步骤S4中聚焦步骤具体为：
6.根据权利要求5所述一种基于深度学习的被动式自动聚焦算法，其特征在于，所述步骤S43具体为：
7
8.根据权利要求6所述一种基于深度学习的被动式自动聚焦算法，其特征在于，所述画面清晰度评价值的获取，具体为：
9.根据权利要求6所述一种基于深度学习的被动式自动聚焦算法，其特征在于，所述预测FV数据时，在自动聚焦算法层面引入了自适应滑动窗口滤波机制：
...【技术特征摘要】
1.一种基于深度学习的被动式自动聚焦算法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于深度学习的被动式自动聚焦算法，其特征在于，所述步骤s1中训练模型包括但不限于数据预处理模块，网络预测模块，网络反向传播模块。
3.根据权利要求1所述一种基于深度学习的被动式自动聚焦算法，其特征在于，所述步骤s2步骤中准备测试数据时，对不同的曲线阶段标注目标值标签，神经网络会根据输入的特征数据及其对应标签学习并记忆不同特征对应的曲线阶段。
4.根据权利要求1所述一种基于深度学习的被动式自动聚焦算法，其特征在于，所述步骤s2中对神经网络进行训练时，前期的训练，可以让focus电机在当前位置获取到画面的清晰度评价值后，对当前focus电机对应的画面清晰度评价值所处的曲线...
【专利技术属性】
技术研发人员：孙志伟，傅清新，张涛，田炬，
申请(专利权)人：杭州寰宇微视科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。