本发明专利技术提供一种自动对焦方法及其装置、存储介质、计算机程序产品。该自动对焦方法包括：确定深度强化学习模型的状态空间、动作空间以及奖励函数；获取当前图像的图像清晰度和图像采集部采集当前图像时的采集参数；其中，状态空间包括图像清晰度和采集参数；动作空间包括采集参数；采集参数包括焦距和/或光圈大小；奖励函数是根据上述采集参数在相邻两次采集当前图像中的变化量和图像清晰度而得到的函数；深度强化学习模型基于图像清晰度和采集参数输出最优自动对焦策略。
【技术实现步骤摘要】
本专利技术涉及探测成像，具体涉及一种自动对焦方法及其装置、存储介质、计算机程序产品。
技术介绍
1、自动对焦技术是一个重要的研究方向。传统的自动对焦方法通常基于图像的相关清晰度指标(如对比度、梯度等)或者特征点匹配(如sift(一种尺度不变特征提取方法)、surf(一种用于图像识别的特征检测算法)等)，并通过对图像进行分析和处理，来自动调节相机的焦距或光圈大小，从而实现对焦。但是上述传统的自动对焦方法存在对光线、噪声等环境因素的敏感性不高，以及对目标物体的距离变化响应速度较慢等问题。
技术实现思路
1、本专利技术主要解决的技术问题是如何提高自动对焦的性能和鲁棒性。本专利技术提供一种自动对焦方法及其装置，能够实现对焦策略的优化，提高自动对焦的性能和鲁棒性。
2、根据第一方面，一种实施例中提供一种自动对焦方法，包括：
3、确定深度强化学习模型的状态空间、动作空间以及奖励函数；
4、获取图像采集部采集当前图像时的采集参数和该当前图像的图像清晰度；其中，所述状态空间包括所述图像清晰度和所述采集参数；所述动作空间包括所述采集参数；所述采集参数包括焦距和/或光圈大小；所述奖励函数是根据上述采集参数在相邻两次采集所述当前图像中的变化量和所述图像清晰度而得到的函数；
5、所述深度强化学习模型基于所述图像清晰度和所述采集参数输出最优自动对焦策略。
6、一实施例中，所述奖励函数的表达式为：
7、r＝α·c-β·|p|；
>8、其中，c表示所述图像清晰度；p表示上述变化量，|p|表示上述变化量的绝对值的总和；α表示第一权重系数，α>0；β表示第二权重系数，β>0。9、一实施例中，所述奖励函数的表达式为：
10、r＝α·c-β·|p|+γ·g；
11、其中，c表示所述图像清晰度；p表示上述变化量，|p|表示上述变化量的绝对值的总和；g等于1或0，1表示所述图像清晰度达到预设图像清晰度阈值，0表示所述图像清晰度未达到预设图像清晰度阈值；α表示第一权重系数；β表示第二权重系数；γ表示第三权重系数，γ>α>β>0。
12、一实施例中，所述奖励函数的表达式为：
13、r＝α·c-β·w(c,|p|)·|p|+γ·g；
14、其中，c表示所述图像清晰度；p表示上述变化量，|p|表示上述变化量的绝对值的总和；g等于1或0，1表示所述图像清晰度达到预设图像清晰度阈值，0表示所述图像清晰度未达到预设图像清晰度阈值；α表示第一权重系数；β表示第二权重系数；γ表示第三权重系数，γ>α>β>0；w(c,|p|)表示动态调整函数，在所述c和所述|p|增大时w(c,|p|)的数值减小。
15、一实施例中，所述w(c,|p|)的表达式为：
16、
17、其中，上述b和k均为预设的超参数。
18、根据第二方面，一种实施例中提供一种自动对焦装置，包括：
19、模型构建部，被配置为确定深度强化学习模型的状态空间、动作空间以及奖励函数；
20、清晰度计算部，被配置为获取当前图像的图像清晰度和图像采集部采集所述当前图像时的采集参数；其中，所述状态空间包括所述图像清晰度和所述采集参数；所述动作空间包括所述采集参数；所述采集参数包括焦距和/或光圈大小；所述奖励函数是根据上述采集参数在相邻两次采集所述当前图像中的变化量和所述图像清晰度而得到的函数；
21、最优策略输出部，被配置为所述深度强化学习模型基于所述图像清晰度和所述采集参数输出最优自动对焦策略；
22、图像采集部，被配置为根据所述最优自动对焦策略进行自动对焦。
23、一实施例中，所述奖励函数的表达式为：
24、r＝α·c-β·|p|+γ·g；
25、其中，c表示所述图像清晰度；p表示上述变化量，|p|表示上述变化量的绝对值的总和；g等于1或0，1表示所述图像清晰度达到预设图像清晰度阈值，0表示所述图像清晰度未达到预设图像清晰度阈值；α表示第一权重系数；β表示第二权重系数；γ表示第三权重系数，γ>α>β>0。
26、一实施例中，所述奖励函数的表达式为：
27、r＝α·c-β·w(c,|p|)·|p|+γ·g；
28、其中，c表示所述图像清晰度；p表示上述变化量，|p|表示上述变化量的绝对值的总和；g等于1或0，1表示所述图像清晰度达到预设图像清晰度阈值，0表示所述图像清晰度未达到预设图像清晰度阈值；α表示第一权重系数；β表示第二权重系数；γ表示第三权重系数，γ>α>β>0；w(c,|p|)表示动态调整函数，在所述c和所述|p|增大时w(c,|p|)的数值减小。
29、根据第三方面，一种实施例中提供一种计算机可读存储介质。该计算机可读存储介质包括程序。所述程序能够被处理器执行以实现如本文中任一实施例所述的方法。
30、根据第四方面，一种实施例中提供一种计算机程序产品，包括计算机程序和/或指令，所述计算机程序和/或指令被处理器执行时实现本文中任一实施例所述的方法。
31、本申请的有益效果是：
32、本自动对焦方法，通过构建深度强化学习模型，利用当前图像的图像清晰度和采集参数作为状态空间，以调节图像采集部的焦距和光圈大小作为动作空间，而奖励函数是根据上述采集参数在相邻两次采集当前图像中的变化量和图像清晰度而得到的函数；在获取当前图像的图像清晰度和图像采集部采集当前图像时的采集参数之后，深度强化学习模型基于图像清晰度和采集参数输出最优自动对焦策略，即实现对焦策略的优化，从而提高自动对焦的性能和鲁棒性。
本文档来自技高网...
【技术保护点】
1.一种自动对焦方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述奖励函数的表达式为：
3.如权利要求1所述的方法，其特征在于，所述奖励函数的表达式为：
4.如权利要求1所述的方法，其特征在于，所述奖励函数的表达式为：
5.如权利要求4所述的方法，其特征在于，所述w(C,|P|)的表达式为：
6.一种自动对焦装置，其特征在于，包括：
7.如权利要求6所述的自动对焦装置，其特征在于，所述奖励函数的表达式为：
8.如权利要求6所述的自动对焦装置，其特征在于，所述奖励函数的表达式为：
9.一种计算机可读存储介质，其特征在于，包括程序，所述程序能够被处理器执行以实现如权利要求1至5中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序和/或指令，其特征在于，所述计算机程序和/或指令被处理器执行时实现权利要求1至5中任一项所述的方法。
【技术特征摘要】
1.一种自动对焦方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述奖励函数的表达式为：
3.如权利要求1所述的方法，其特征在于，所述奖励函数的表达式为：
4.如权利要求1所述的方法，其特征在于，所述奖励函数的表达式为：
5.如权利要求4所述的方法，其特征在于，所述w(c,|p|)的表达式为：
6.一种自动对焦装置，其特征在于，包括：
7.如权...
【专利技术属性】
技术研发人员：戴齐飞，黄路，赵昀，李建华，赵勇，李福池，
申请(专利权)人：深圳市爱培科技术股份有限公司，
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。