[发明专利]自动对焦方法、装置、存储介质和计算机设备

说明书

本申请涉及一种自动对焦方法、装置、存储介质和计算机设备，所述方法包括以下步骤：通过图像清晰度评价函数获取待处理图像的评价曲线，得到清晰的图像画面，获取通过损失函数完成拟合训练的BP神经网络模型，将评价曲线中的物体位置数据输入BP神经网络模型，确定待处理图像的对焦点，使用损失函数对BP神经网络进行拟合训练，可以使误差达到最小，使用BP神经网络模型进行对焦点的预测，提高了自动对焦的速度；细对焦期间，使用模拟退火算法对对焦点进行优化处理，得到全局最优的对焦位置，避免了局部峰值的影响，提高了对焦的准确度，从而实现了快速准确地得到全局最佳对焦位置，完成自动对焦。

技术领域

本申请涉及光学成像技术领域，特别是涉及一种自动对焦方法、装置、存储介质和计算机设备。

背景技术

近年来，随着电子科技行业突飞猛进的发展，各种装置的摄像功能越来越强大，例如提升影像像素、强化自拍功能、加大光圈、增强光学防抖功能、加快对焦速度、自动对焦等。

自动对焦技术作为计算机视觉和各类成像系统的关键技术之一，在照相机、摄像机、显微镜、内窥镜等成像系统中有着广泛的用途。自动对焦(Auto Focus)是通过相机的传感器CCD接受物体反射光，然后经过计算机处理，带动装置进行对焦的方法。传统的自动对焦方法有测距法、像偏移法、焦点检测自动对焦法等，自动对焦系统中的另一个关键技术是对焦搜索策略，常见的有函数逼近法、Fibbonacci搜索法和爬山搜索法，但是现有的对焦技术中存在无法快速准确达到最佳对焦位置的问题。

发明内容

基于此，有必要针对无法快速准确达到最佳对焦位置的问题，提供一种能够快速准确达到最佳对焦位置的自动对焦方法、装置、存储介质和计算机设备。

一种自动对焦方法，包括以下步骤：

通过图像清晰度评价函数获取待处理图像的评价曲线；

获取通过损失函数完成拟合训练的BP神经网络模型；

将评价曲线中的物体位置数据输入BP神经网络模型，确定待处理图像的对焦点；

采用模拟退火算法，对对焦点进行优化处理，获取全局最优对焦位置。

在其中一个实施例中，通过图像清晰度评价函数获取待处理图像的评价曲线的步骤之前还包括：

通过将离散余弦变换评价函数与平方梯度函数加权叠加，形成图像清晰度评价函数。

在其中一个实施例中，获取通过损失函数完成拟合训练的BP神经网络模型的步骤之前还包括：

建立BP神经网络模型；

获取预定义最佳对焦位置向量；

获取BP神经网络模型的训练样本，根据损失函数和预定义最佳对焦位置向量进行拟合训练。

在其中一个实施例中，BP神经网络模型包括输入层、隐藏层和输出层，获取BP神经网络模型的训练样本，根据损失函数和预定义最佳对焦位置向量进行拟合训练的步骤包括：

由输入层接收训练样本，经过隐藏层进行信息处理，然后由输出层输出实际结果；

当实际结果与预定义最佳对焦位置向量不符时，获取误差结果，并将误差结果向隐藏层传播，通过损失函数和误差结果修改隐藏层参数。

在其中一个实施例中，损失函数为：

式中，表示神经网络权值参数矩阵，是θ的总集合，m表示训练样本个数，K表示输出单元数，L表示网络层数，Sl表示l层的单元数，λ表示训练步长。

在其中一个实施例中，采用模拟退火算法，对对焦点进行优化处理，获取全局最优对焦位置的步骤包括：