基于聚焦曲面的快速聚焦算法的研究
发布时间：2021-09-04 09:46
在大倍率监控摄像机中,聚焦速度对摄像机有着重要的影响。为了提高聚焦速度和聚焦精度,通过对聚焦曲线的分析从而获得聚焦曲面,利用聚焦曲面,在变倍或者移动的同时进行跟焦处理,结合数字图像处理的方法,可以快速实现聚焦。为减小计算量,对分辨率为3840×2160的输出数据进行抽稀放缩,结合放缩后图像特点,使用快速DCT变换进行清晰度评价,从而实现局部小范围精确聚集。基于4K分辨率的33倍光学变焦网络摄像机对提出的算法进行验证,实验结果表明在保证画面清晰的跟焦处理结束后3.7秒内即可完成聚焦。
【文章来源】：现代计算机. 2019,(18)
【文章页数】：6 页
【部分图文】：
不同物距下的聚焦曲线图
翱冢??少计算。考虑到摄像机所使用的复杂场景，且可直接输出YUV数据，聚焦窗口必须以整个画面为窗口进行清新度评价，但真对高分辨率的图像来说，全局检测是非常慢的，尤其是使用DCT变换的方法[6]，对于大尺寸图片，其运算量非常之大，为减少计算量，本研究采用的方法是同时使用均匀抽稀和放缩法来减小图片尺寸。首先获取3840×2160的4K分辨率图像的灰度信息，之后对灰度信息进行抽稀从而缩小图片的尺寸，之后对抽稀后的图像进行放缩，进一步缩小图片尺寸，最后对放缩后的图片进行清晰度计算，如图4。数据经过抽稀后，数量大量减少，并且基本保证能反映原图形或曲线的基本形状特征，能够为进一步的处理节省空间和时间。图4抽稀结构图考虑到需要对全图进行清晰度评价的同时缩小图片尺寸来减少计算量，本研究使用抽稀放缩法进行构建清晰度评价窗口，原因有以下三点，第一，由于监控摄像机应用场景广泛，可能会出现部分遮挡的情况，不能只利用局部的清晰度评价值来作为全图清晰度值，防止发生近限聚焦（聚焦在较近的物体上）；第二，4K分辨率图片数据量大，相比较而言，任何在此基础上的计算都是非常慢的，无法做到实时处理，而由于相邻数据变化最小，考虑使用抽取相邻数据进行缩减尺寸，但抽取量又不能大少，以防止发生严重失真；第三，抽稀后图片相比较小，可以使用差值进行缩放，以弥补由于抽稀导致的失真，同时进一步减少尺寸，加快计算。22.2清晰度评价函数清晰度评价函数必须具有高灵敏度、单峰性、抗干扰性和简洁性[7]，以保证能够区分离焦和对焦状态的图像。其函数有很多，基于统计信息的清晰度评价函数，基于变换域的清晰度评价函数，基于灰度的清晰度评价函数。由于通过抽稀?
研究与开发现代计算机2019.06下图6实验场景图实验使用MATLABR2017在Windows64位系统中进行仿真，使用本研究所提算法结与其他算法进行比较，试验中α=0.25，β=0.1，γ=0.15，δ=0.3，仿真结果如图7。图7仿真结果表1各评价函数用时比较由上述实验结果可以看出，速度最快的是基于灰度检测的算法，但考虑到归一化评价函数的灵敏性来说，传统快速DCT变换以及本研究算法对其的改进灵敏性最高，而从运行时间上来说，而本研在速度和效果上均优于传统快速DCT变换，本算法的改进DCT方法运行时间不到传统快速DCT的1/10，证明了算法正确性和有效性。33.2实际场景实验及分析将本算法应用于33倍自研摄像机，结合激光测距对实际场景进行自动聚焦，聚焦时间如表2。表2实际场景聚焦时间表在表2中，远距离选取的是800米建筑物，中距离选取的25米建筑物，近距离选取的是3.5米带有条纹的平面，而大倍率是在Zoom为-3032（放大约29倍），小倍率是在Zoom为13656（放大约2倍）。由上表可以看出，当处于小倍率时，本研究所提算法，搜索区间较小，搜索次数较少，但是当处于大倍率下，由于聚焦搜索区间较大，搜索次数较多，导致聚焦时间变长，而在以上场景中平均聚焦时间为3.707秒，只进行两次聚焦搜索，在聚焦时间有所优化。4结语针对大倍率监控摄像机快速聚焦的要求，本文提出一种基于聚焦曲面为核心的快速聚焦的方法，同时针对4K分辨率的图像使用抽稀放缩法缩减数据量，使用改进型快速DCT变换作为评价函数，结合聚焦曲面的使用，提出了二次局部全搜索算法进行峰值搜索。实验结果表明，该方法可以通过快速
【参考文献】：
期刊论文
[1]基于DCT零系数和局部标准差的自动聚焦算法[J]. 吕美妮,玉振明. 激光技术. 2018(01)
[2]基于饱和像素剔除的自动对焦评价函数[J]. 王烨茹,冯华君,徐之海,李奇,陈跃庭. 光学学报. 2016(12)
[3]基于函数变化率的变阈值变步长自动聚焦方法[J]. 张劲峰,张继业. 计算机工程. 2016(07)
[4]严重离焦状态下的自动聚焦实现[J]. 蒋涛,左昉,王灵国. 激光技术. 2015(06)
[5]应用于大变倍监控摄像机的电动变焦跟踪[J]. 林忠,黄陈蓉,卢阿丽. 应用光学. 2015(05)
[6]变焦跟踪曲线在对焦中的应用[J]. 罗钧,孙力,闵志盛. 光学精密工程. 2011(10)
本文编号：3383039
【文章来源】：现代计算机. 2019,(18)
【文章页数】：6 页
【部分图文】：
不同物距下的聚焦曲线图
翱冢??少计算。考虑到摄像机所使用的复杂场景，且可直接输出YUV数据，聚焦窗口必须以整个画面为窗口进行清新度评价，但真对高分辨率的图像来说，全局检测是非常慢的，尤其是使用DCT变换的方法[6]，对于大尺寸图片，其运算量非常之大，为减少计算量，本研究采用的方法是同时使用均匀抽稀和放缩法来减小图片尺寸。首先获取3840×2160的4K分辨率图像的灰度信息，之后对灰度信息进行抽稀从而缩小图片的尺寸，之后对抽稀后的图像进行放缩，进一步缩小图片尺寸，最后对放缩后的图片进行清晰度计算，如图4。数据经过抽稀后，数量大量减少，并且基本保证能反映原图形或曲线的基本形状特征，能够为进一步的处理节省空间和时间。图4抽稀结构图考虑到需要对全图进行清晰度评价的同时缩小图片尺寸来减少计算量，本研究使用抽稀放缩法进行构建清晰度评价窗口，原因有以下三点，第一，由于监控摄像机应用场景广泛，可能会出现部分遮挡的情况，不能只利用局部的清晰度评价值来作为全图清晰度值，防止发生近限聚焦（聚焦在较近的物体上）；第二，4K分辨率图片数据量大，相比较而言，任何在此基础上的计算都是非常慢的，无法做到实时处理，而由于相邻数据变化最小，考虑使用抽取相邻数据进行缩减尺寸，但抽取量又不能大少，以防止发生严重失真；第三，抽稀后图片相比较小，可以使用差值进行缩放，以弥补由于抽稀导致的失真，同时进一步减少尺寸，加快计算。22.2清晰度评价函数清晰度评价函数必须具有高灵敏度、单峰性、抗干扰性和简洁性[7]，以保证能够区分离焦和对焦状态的图像。其函数有很多，基于统计信息的清晰度评价函数，基于变换域的清晰度评价函数，基于灰度的清晰度评价函数。由于通过抽稀?
研究与开发现代计算机2019.06下图6实验场景图实验使用MATLABR2017在Windows64位系统中进行仿真，使用本研究所提算法结与其他算法进行比较，试验中α=0.25，β=0.1，γ=0.15，δ=0.3，仿真结果如图7。图7仿真结果表1各评价函数用时比较由上述实验结果可以看出，速度最快的是基于灰度检测的算法，但考虑到归一化评价函数的灵敏性来说，传统快速DCT变换以及本研究算法对其的改进灵敏性最高，而从运行时间上来说，而本研在速度和效果上均优于传统快速DCT变换，本算法的改进DCT方法运行时间不到传统快速DCT的1/10，证明了算法正确性和有效性。33.2实际场景实验及分析将本算法应用于33倍自研摄像机，结合激光测距对实际场景进行自动聚焦，聚焦时间如表2。表2实际场景聚焦时间表在表2中，远距离选取的是800米建筑物，中距离选取的25米建筑物，近距离选取的是3.5米带有条纹的平面，而大倍率是在Zoom为-3032（放大约29倍），小倍率是在Zoom为13656（放大约2倍）。由上表可以看出，当处于小倍率时，本研究所提算法，搜索区间较小，搜索次数较少，但是当处于大倍率下，由于聚焦搜索区间较大，搜索次数较多，导致聚焦时间变长，而在以上场景中平均聚焦时间为3.707秒，只进行两次聚焦搜索，在聚焦时间有所优化。4结语针对大倍率监控摄像机快速聚焦的要求，本文提出一种基于聚焦曲面为核心的快速聚焦的方法，同时针对4K分辨率的图像使用抽稀放缩法缩减数据量，使用改进型快速DCT变换作为评价函数，结合聚焦曲面的使用，提出了二次局部全搜索算法进行峰值搜索。实验结果表明，该方法可以通过快速
【参考文献】：
期刊论文
[1]基于DCT零系数和局部标准差的自动聚焦算法[J]. 吕美妮,玉振明. 激光技术. 2018(01)
[2]基于饱和像素剔除的自动对焦评价函数[J]. 王烨茹,冯华君,徐之海,李奇,陈跃庭. 光学学报. 2016(12)
[3]基于函数变化率的变阈值变步长自动聚焦方法[J]. 张劲峰,张继业. 计算机工程. 2016(07)
[4]严重离焦状态下的自动聚焦实现[J]. 蒋涛,左昉,王灵国. 激光技术. 2015(06)
[5]应用于大变倍监控摄像机的电动变焦跟踪[J]. 林忠,黄陈蓉,卢阿丽. 应用光学. 2015(05)
[6]变焦跟踪曲线在对焦中的应用[J]. 罗钧,孙力,闵志盛. 光学精密工程. 2011(10)
本文编号：3383039
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3383039.html
