一、AF算法概述：自动对焦技术发展史
大家好，我是这次课程的主讲工程师。在相机系统这个行当摸爬滚打了十几年，我最大的感触就是——自动对焦（AF）算法，是成像系统的灵魂。今天咱们先聊聊AF的来龙去脉，以及这门课到底要学什么。
1.1 自动对焦技术发展史
自动对焦不是一天建成的。我刚开始做嵌入式相机时，用的还是最原始的“爬山法”，那叫一个慢啊。后来技术迭代，才有了今天又快又准的混合对焦。
核心观点：AF算法的发展，本质上是“速度”与“精度”的博弈。每一次技术跃迁，都是在解决上一代方案的痛点。
AF技术演进时间线
| 年代 | 技术阶段 | 代表方案 | 核心痛点 |
|---|---|---|---|
| 1980s | 被动式AF | 对比度检测（CDAF） | 速度慢，易陷入局部极值 |
| 1990s | 主动式AF | 红外/超声波测距 | 精度受限，无法远距离对焦 |
| 2000s | 相位检测AF（PDAF） | DSLR专用对焦传感器 | 需要专用硬件，成本高 |
| 2010s | 混合AF | PDAF + CDAF融合 | 算法复杂度高，调参困难 |
| 2020s | AI驱动AF | 深度学习预测对焦 | 算力需求大，数据依赖强 |
你看这个表，从CDAF到AI AF，每次升级都在解决上一代的问题。我个人习惯把AF发展史分成三个阶段：机械时代、电子时代、智能时代。机械时代靠物理测距，电子时代靠图像分析，智能时代靠数据驱动。
避坑指南：我曾经在一个项目中，为了省成本硬用CDAF做运动物体追焦，结果画面一直在“拉风箱”。后来换了PDAF+CDAF混合方案，问题才解决。选型时一定要看应用场景，别盲目追求新技术。
1.2 AF在成像系统中的核心地位
说白了，AF就是相机的“眼睛调焦系统”。没有它，拍出来的照片就是模糊的。但很多人低估了AF的复杂度——它不只是“找清晰点”，而是整个成像管线的调度中心。
我画了一张图，帮你理解AF在成像系统中的位置：
你想想看，AF算法要同时跟传感器、ISP、马达、镜头打交道。它得读懂图像特征，还得控制物理运动。我在项目中遇到过最头疼的问题，就是ISP的延迟导致AF“看到”的画面已经过时了，结果马达一直在追旧数据。
重要提醒：AF不是独立模块，它是成像管线的“粘合剂”。优化AF性能，必须同时考虑传感器帧率、ISP处理延迟、马达响应速度。单点优化往往效果有限。
1.3 课程整体框架与学习路径
这门课一共30章，我把它分成四个阶段。每个阶段解决一类问题，层层递进。
课程四阶段结构
| 阶段 | 章节范围 | 核心内容 | 学习目标 |
|---|---|---|---|
| 基础篇 | 第1-8章 | AF原理、评价函数、搜索策略 | 掌握AF算法基础，能实现简单CDAF |
| 进阶篇 | 第9-16章 | PDAF原理、混合AF、运动预测 | 理解相位检测，能设计混合对焦方案 |
| 实战篇 | 第17-24章 | 性能调优、场景适配、硬件协同 | 能独立优化AF系统，解决实际问题 |
| 前沿篇 | 第25-30章 | AI AF、事件相机AF、未来趋势 | 掌握前沿技术，具备创新能力 |
我个人建议的学习路径是这样的：
- 先啃基础篇——别急着玩高级算法，先把CDAF的爬山法、黄金分割法吃透。我记得刚入行时，一个简单的爬山法调参就折腾了两周。
- 再攻进阶篇——混合AF是当前主流，理解PDAF的相位差计算是关键。这里有个坑：不同传感器的PDAF像素排布差异很大，代码不能通用。
- 实战篇要动手——每章都有代码示例，我建议你边看边跑。性能优化这东西，纸上谈兵没用。
- 前沿篇开拓视野——AI AF是未来方向，但别迷信。我在项目中试过深度学习方案，效果确实好，但算力开销也大。
学习建议：每章结束后，试着用伪代码实现核心算法。不用跑通，但逻辑要自洽。这是我自己带团队时用的方法，效果不错。
你会学到什么？
- 算法层面：从CDAF到混合AF，再到AI AF，所有主流对焦算法
- 工程层面：性能调优方法论、硬件协同设计、场景适配策略
- 实战层面：10+个真实项目案例，涵盖手机、安防、车载等场景
- 工具层面：对焦评价工具、性能分析脚本、自动化测试框架
我的经验：学AF算法，最难的不是理解原理，而是把原理转化成代码。很多人在“评价函数”这块就卡住了——明明公式都懂，写出来的代码就是不对。别急，第3章我会专门讲这个。
好了，第一章就到这里。记住一句话：AF算法是成像系统的“眼睛”，而你是给这双眼睛赋予灵魂的人。接下来，咱们从最基础的对比度检测开始，一步步搭建你的AF知识体系。