📚 课程目录第4章全局搜索策略

4. 全局搜索策略：全局扫描原理、步长选择策略、粗扫与精扫结合、实际场景中的性能瓶颈

全局搜索，说白了就是让镜头从近端走到远端，把每个位置的图像清晰度都算一遍。听起来很笨，对吧？但它是所有智能搜索策略的“地基”。你想想看，如果连全局的清晰度曲线长什么样都不知道，那些花哨的爬山算法、二分法，很容易掉进局部极值的坑里。

我个人习惯把全局搜索叫做“摸底考试”。它不追求速度，只追求一件事——找到全局最清晰的那个点。这一节，我们就来聊聊怎么把这个“摸底”做得又快又准。

原理其实很简单：镜头从起始位置（通常是微距端）开始，按照固定的步长一步一步往前走。每走一步，就抓一帧图像，算一个清晰度评价值（比如我们之前讲的Tenengrad、Laplacian）。走完整个行程后，我们就得到了一条“位置-清晰度”曲线。

这条曲线的最高点，就是我们要找的对焦位置。

核心公式：

扫描范围 = 镜头总行程（Macro → Infinity）

扫描步数 = 扫描范围 / 步长

总耗时 = 扫描步数 × (镜头移动时间 + 图像采集时间 + 清晰度计算时间)

我在项目中遇到过一个问题：有些模组的镜头总行程是 1000 步，但实际有效的清晰范围可能只有 200 步。如果傻傻地从头扫到尾，大部分时间都浪费在模糊区域了。所以，聪明的做法是先确定一个“有效扫描区间”。

步长是全局搜索里最关键的参数。选大了，可能错过峰值；选小了，速度慢得让人抓狂。

步长的选择，本质上取决于镜头的“景深”。景深越浅，步长就要越小。我给大家一个经验公式：

// 步长估算
step_size = DOF * 0.8

// 其中 DOF (Depth of Field) 是镜头在当前光圈下的景深
// 0.8 是一个安全系数，防止刚好落在峰值两侧

举个例子：

镜头类型	光圈 (F#)	景深 (DOF)	推荐步长	扫描步数 (总行程1000)
手机广角	F/2.0	~15 步	12 步	~83 步
手机长焦	F/2.8	~8 步	6 步	~167 步
监控摄像头	F/1.6	~20 步	16 步	~63 步

我的小技巧： 如果时间允许，我会先做一次“粗扫”来估算景深。比如用 50 步的步长快速扫一遍，找到峰值的大概位置，然后根据峰值附近的曲线斜率，反推实际的景深范围。这样就能动态调整步长，而不是死记硬背一个固定值。

这是全局搜索里最实用的策略。说白了就是：先用大步子快速找到“大概位置”，再用小步子精确锁定“最佳位置”。

流程是这样的：

我曾经在一个项目中，用纯粗扫（步长 20）找到了大概位置，然后精扫（步长 3）只扫了 15 步。总步数从原来的 100 步降到了 35 步，速度提升了近 3 倍，精度反而更高了。

注意： 粗扫的步长不能太大。如果步长超过了景深的 3 倍，很可能直接跳过峰值区域。我见过一个案例，粗扫步长设了 50 步，结果峰值刚好落在两个采样点中间，两个点的清晰度都很低，导致精扫阶段找错了方向。嗯，这种坑踩过一次就不会再犯了。

理论讲完了，咱们聊聊现实。全局搜索在实际落地时，有几个绕不开的瓶颈：

速度瓶颈： 这是最直接的。每走一步都要等镜头稳定、抓图、算清晰度。如果场景光线暗，曝光时间变长，速度就更慢了。我曾经在暗光环境下做过测试，单步耗时从 30ms 飙升到 200ms，全局扫描一次要 20 秒，用户早就不耐烦了。
功耗瓶颈： 镜头频繁来回移动，VCM（音圈马达）的功耗不容小觑。尤其是在电池供电的设备上，连续做几次全局搜索，电量肉眼可见地往下掉。
运动模糊： 如果被摄物体在动，或者手持设备在抖，不同位置采集到的图像内容可能不一样。这会导致清晰度曲线出现“假峰值”。我遇到过最离谱的一次，全局扫描出来的峰值位置，居然是一个移动的树叶——它刚好在某个位置停了一下，清晰度就高了。
温度漂移： 镜头模组在工作时会发热，导致镜片位置发生微小的热膨胀。同一个物理位置，冷机和热机时的清晰度可能不一样。这个问题在户外阳光下尤其明显。

避坑指南： 我曾经在一个安防项目中，发现白天和晚上的最佳对焦位置差了 30 多步。排查了很久才发现，是红外滤光片切换时，光路发生了变化。从那以后，我每次做全局搜索都会加一个“滤光片状态”的标记，不同状态下分别做校准。

下面这张图，是我自己总结的全局搜索策略决策流程，希望能帮你理清思路：

最后说一句，全局搜索虽然慢，但它是最可靠的。在产线校准、首次对焦、或者场景剧烈变化时，我都会强制做一次全局搜索。等拿到了可靠的曲线数据，后续的快速搜索才能放心地“偷懒”。