3. 相机运动与抖动分析：手持拍摄、车载运动、无人机抖动特性
做防抖算法，第一步不是调参数，而是搞清楚你的对手是谁。
我入行那会儿接过一个项目，客户说「画面抖得厉害，你们给稳一下」。结果一分析，既有手持的随机晃动，又有车载的低频颠簸，还有风引起的微振动。三种抖动混在一起，单一算法根本搞不定。从那以后，我养成了一个习惯——拿到视频先做运动分析，搞清楚抖动源，再选方案。
这一章，咱们就把三种最常见的运动场景拆开来看。它们的频率、幅度、规律完全不同，对应的防抖策略也天差地别。
3.1 手持拍摄：高频随机 + 低频漂移
手持拍摄是咱们接触最多的场景。你想想看，手机、微单、运动相机，大部分时候都是人拿着拍。
手持抖动的核心特征有两个：
- 高频随机抖动：频率集中在 1–10 Hz，幅度小（1–5 像素）。这是手部肌肉不自觉的微颤，无法通过「端稳」消除。
- 低频漂移：频率 0.1–1 Hz，幅度大（几十到上百像素）。这是身体重心移动、呼吸起伏、或者你边走边拍造成的。
关键指标：手持拍摄的抖动能量，约 70% 集中在 2–8 Hz 频段。这个频段恰好是人眼最敏感的运动范围——所以你会觉得「抖得头晕」。
我在项目中遇到过一种情况：用户用手机拍小孩玩耍，画面忽左忽右。一开始我以为是高频抖动，上了强滤波，结果画面变得「黏糊糊」的，运动拖尾严重。后来一分析，其实是低频漂移占主导——用户跟着小孩来回走动，身体转向才是主因。
所以我的建议是：先做运动分离。用高通滤波器提取高频抖动，用低通滤波器提取低频漂移，分别处理。
| 抖动类型 | 频率范围 | 幅度 | 典型成因 | 处理策略 |
|---|---|---|---|---|
| 高频随机抖动 | 1–10 Hz | 1–5 px | 手部肌肉微颤 | 低通滤波 / 卡尔曼滤波 |
| 低频漂移 | 0.1–1 Hz | 10–100+ px | 身体移动、呼吸 | 运动补偿 + 裁剪 |
| 突发抖动 | 瞬时 | 5–20 px | 手被碰、换手 | 异常检测 + 插值 |
避坑指南：我曾经在手持防抖里直接用全局运动估计，结果遇到画面中有快速移动的物体（比如飞过的鸟），运动向量全被带偏了。后来改用 特征点匹配 + RANSAC 剔除离群点，才把真正的相机运动分离出来。
3.2 车载运动：低频主导 + 路面激励
车载场景跟手持完全不一样。你坐在车里，相机固定在支架上或者车身上，抖动源变成了路面和车辆本身。
车载抖动的特点很鲜明：
- 低频主导：频率集中在 0.5–5 Hz，幅度大（10–50 像素）。这是车辆通过颠簸路面、减速带、转弯时产生的。
- 路面激励：不同路面产生不同频率的振动。柏油路平滑，振动小；碎石路振动频率高一些；越野路面低频大幅跳动。
- 车辆自身振动：发动机怠速、悬挂系统、轮胎动平衡都会引入特定频率的抖动。
我记得有一次做车载监控项目，测试时发现画面每隔几秒就规律性地抖一下。查了半天，发现是雨刮器在高速运行时产生的振动传递到了摄像头支架上。嗯，这种「非路面」的干扰源，有时候比路面本身还难搞。
注意：车载场景下，运动模糊和抖动经常同时出现。低频大幅抖动会导致帧间位移过大，卷帘快门效应也会更明显。防抖算法必须结合去模糊和去卷帘快门处理，否则效果大打折扣。
车载防抖的另一个难点是：运动预测。手持拍摄你可以容忍一定的延迟，但车载场景（尤其是辅助驾驶）要求实时性极高。我建议使用 IMU（惯性测量单元）数据辅助，用陀螺仪和加速度计提前感知车辆姿态变化，比纯视觉算法快 10–20 ms。
| 路面类型 | 振动频率 | 典型幅度 | 防抖难度 |
|---|---|---|---|
| 柏油路 | 0.5–2 Hz | 5–15 px | 低 |
| 碎石路 | 2–5 Hz | 15–30 px | 中 |
| 越野路面 | 0.5–3 Hz | 30–80 px | 高 |
| 减速带 | 瞬时冲击 | 50–100+ px | 极高 |
3.3 无人机抖动：高频振动 + 风扰 + 姿态变化
无人机抖动，是我个人觉得最「棘手」的场景。为什么？因为它的抖动源太多了，而且互相耦合。
拆开来看，主要有三类：
- 电机/螺旋桨高频振动：频率 50–200 Hz，幅度小（1–3 像素）。这是电机高速旋转产生的机械振动，通过机身传递到相机。
- 风扰引起的低频摆动：频率 1–5 Hz，幅度 5–20 像素。无人机在风中会像「钟摆」一样晃动，尤其是悬停时。
- 姿态变化引起的运动：无人机转向、加速、减速时，相机跟随机身做大幅运动，幅度可达 50–200 像素。
核心矛盾：高频振动需要强滤波，但强滤波会引入延迟，导致姿态变化时的运动响应变慢。说白了，就是「稳」和「快」之间的 trade-off。
我在做无人机航拍防抖时，踩过一个坑：直接用电子防抖（EIS）处理所有抖动，结果高频振动是压住了，但无人机快速转向时画面「卡顿」感特别明显。后来我换了个思路——分频段处理：
- 高频振动（>20 Hz）：用机械减震 + 电子防抖的强滤波，直接滤掉。
- 中频风扰（1–20 Hz）：用卡尔曼滤波做平滑，保留一定的运动响应。
- 低频姿态变化（<1 Hz）：不做滤波，只做运动补偿，保证画面跟随性。
经验之谈：我曾经在无人机上试过纯视觉防抖，结果在光线不好的时候特征点匹配失败率很高。后来加了 IMU 数据做融合，用陀螺仪估计高频振动，用视觉估计低频运动，效果好了不止一个档次。
3.4 三种场景对比：一张图看懂
下面这张 SVG 图，把三种场景的抖动特征、频率分布和推荐策略做了个汇总。你可以把它当作一个快速参考。
3.5 我的选择框架
说了这么多，最后分享一个我自己的决策框架。拿到一个防抖需求，我会按这个顺序问自己：
- 抖动源是什么？——手持？车载？无人机？还是混合场景？
- 频率分布如何？——用频谱分析工具（比如 FFT）看一眼能量集中在哪个频段。
- 实时性要求多高？——消费级视频可以容忍 50–100 ms 延迟，但辅助驾驶要求 <10 ms。
- 有没有辅助传感器？——有 IMU 的话，优先用 IMU 做高频估计，视觉做低频补偿。
- 运动模糊严重吗？——严重的话，先做去模糊，再做防抖，顺序不能反。
最后提醒一句：不要迷信「万能防抖算法」。我见过太多团队拿着一个算法硬套所有场景，结果每个场景都做不好。先分析，再选方案，才是正道。