camera_AF算法——1

简介

  本篇主要是对实现对焦算法的总结记录。

对焦模式

  常用模式:CAF、TOUCH focus、auto focus。
  CAF:
       1、判断条件:环境亮度变化、陀螺仪之类传感器数据变化
       2、检测到环境亮度或者传感器数据变化超过一定阀值
       3、继续检测到环境亮度或者传感器数据变化已经稳定
       4、触发CAF
    Touch focus
       1、点击预览界面时候触发
       2、点击位置坐标为对焦点,传入对焦算法中。
    auto focus:
       1、点击拍照时候触发
       2、对焦点为预览界面中心。

对焦算法结构

       1、获得当前帧图像
       2、图像清晰度计算
       3、下一步马达位置计算
       4、马达驱动
  驱动马达之后,从新获得新的帧图像,继续清晰度计算,获得信息对焦位置,不断循环,直到找到最高清晰度的马达位置,对焦完成。
  常用的清晰度评价算法有:
          频域函数  :对焦越好、高频部分越多,细节越多,图像越清晰。
          灰度函数  :对焦越好,和周围相邻灰度点差值越大,边缘越清晰,图像越清晰。
          信息熵函数:对焦越好,图像包含的信息熵越大,包含信息量更大,图像越清晰。
          统计学函数:对焦越好,直方图多样性越好,图像越清晰。
  常用的搜索算法有:
          1、函数逼近法
          2、Fibbonacci搜索法
          3、爬山搜索算法
  对焦算法中,基本都是在不停的做状态机查询,常用的状态有:
          1、等待对焦触发
          2、对焦参数更新(如图像分辨率变化或者对焦ROI坐标变化)
          3、对焦工作中
          4、对焦状态返回(对焦成功或者失败)

驱动马达

  	开环马达:以当前主流手机为例,驱动马达移动之后,自测需要50ms左右才能稳定。
  	闭环马达:以当前主流手机为例,驱动马达移动之后,自测需要15ms左右才能稳定。
  	闭环马达对比开环马达优势:稳定速度更快,功耗更小。

时间消耗

  	1、等待图像稳定
  	2、马达推动
  	3、状态机查询、搜索算法、清晰度评价算法等程序运行。
  	只要时间消耗在:等待图像稳定。
  	    以当前主流手机为例:
  	        1、30fps帧率为例,一帧图像为33ms左右。若为开环马达,等待帧数需要为3、4帧。在这上面,每推动一次马达,消耗时间为
                  100ms-133ms左右。若为闭环马达,需要等待2、3帧,每推动一次马达,消耗时间为66ms-100ms左右。
  	        2、马达推动稳定时间(15ms左右 或者 50ms左右)
  	           注意:因为马达推动稳定时间和图像帧收集等待时间为并行,所以这两者时间不用叠加。
  	        3、程序运行时间(15ms以下)
  	           这些程序中,主要是清晰度计算花费时间,但是也不多,自测在几毫秒就。这部分时间和马达驱动时间为串行,需要叠加。
                  和图像帧收集等待时间并行。
  	        4、自测普通对焦一次时间消耗大致在600ms-1000ms左右,随着帧率降低,对焦消耗时间越多。
  	 以上,对焦时间消耗主要为图像帧稳定上。

快速对焦

   常见快速对焦
  	1、激光对焦
  	2、双摄视差对焦
  	3、PdAF对焦
  	这些对焦方式,通过激光、视差、相位差之类方式,直接计算出大致的对焦点,然后再微调,实现对焦。
  	很大程度上减少了对焦搜索范围,大致上可以将对焦时间优化到300ms--500ms左右。
  	另外在快速对焦中,有些算法是直接计算出大致对焦点,没有继续微调对焦,这样对焦时间时间可以在100ms以内或左右。不过对焦效果
和对焦结果一致性会差一些。

注意

  	1、马达推动之后,需要等待图像稳定之后,才能计算清晰度
  	2、图像清晰度计算算法选择,需要对噪点之类不太敏感
  	3、对焦区域ROI的选择不能太小或者太大,1280X960的区域,可以选择160X160区域
  	4、如果有快速对焦功能,需要判断是否快速对焦成功,如果失败,则需要算法切换回普通对焦模式上,从新对焦。
在ROS2中,需要对代码进行一些修改和调整来适应新的API和数据类型。以下是将代码移植到ROS2的示例: ```cpp #include "rclcpp/rclcpp.hpp" #include "sensor_msgs/msg/camera_info.hpp" class CheckpointDetector : public rclcpp::Node { public: CheckpointDetector() : Node("checkpoint_detector") { camera_info_subscription_ = create_subscription<sensor_msgs::msg::CameraInfo>( "camera_info", 10, std::bind(&CheckpointDetector::cameraInfoCallback, this, std::placeholders::_1)); } private: void cameraInfoCallback(const sensor_msgs::msg::CameraInfo::SharedPtr camera_info) { sensor_msgs::msg::CameraInfo my_camera_info; my_camera_info.header = camera_info->header; my_camera_info.distortion_model = camera_info->distortion_model; my_camera_info.binning_x = camera_info->binning_x; my_camera_info.binning_y = camera_info->binning_y; my_camera_info.width = camera_info->width; my_camera_info.height = camera_info->height; my_camera_info.d = camera_info->d; my_camera_info.k = camera_info->k; my_camera_info.p = camera_info->p; my_camera_info.r = camera_info->r; } rclcpp::Subscription<sensor_msgs::msg::CameraInfo>::SharedPtr camera_info_subscription_; }; int main(int argc, char** argv) { rclcpp::init(argc, argv); rclcpp::spin(std::make_shared<CheckpointDetector>()); rclcpp::shutdown(); return 0; } ``` 请注意,ROS2中使用`rclcpp`库代替了ROS中的`ros::NodeHandle`和`ros::Subscriber`等。另外,`sensor_msgs::CameraInfo`的成员变量名称也有所不同。在ROS2中,它们被改为小写字母。 你可以将这个代码段放入你的ROS2工程中,并进行构建和运行。这样,当订阅到`camera_info`主题时,`cameraInfoCallback`函数将被调用,并将`camera_info`消息的内容赋值给`my_camera_info`变量。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值