4. AF 搜索策略：全局搜索、爬山算法、二分搜索、黄金分割搜索、自适应步长搜索

自动对焦的核心，说白了就是让镜头找到那个让图像最清晰的位置。但怎么找？总不能把整个行程都扫一遍吧？那太慢了。我做了这么多年 ISP，见过太多因为搜索策略选错导致对焦又慢又抖的案子。今天咱们就把五种主流策略掰开揉碎讲清楚。

4.1 全局搜索——最笨但最可靠的方法

全局搜索，也叫全行程扫描。镜头从近端走到远端，每走一步算一次清晰度评价函数值，最后挑出最大值对应的位置。

我刚开始做摄像头驱动时，就喜欢先用全局搜索摸一遍镜头的特性。为什么呢？因为这时候你还没摸清镜头的脾气，全局搜索能给你最完整的清晰度曲线。

项目	说明
步长	通常取镜头行程的 1/100 ~ 1/200
计算量	O(n)，n 为步数，一般 100~200 次
精度	受步长限制，步长越小越准但越慢
抗噪性	强，因为采样点密集，可做后处理平滑

4.2 爬山算法——最常用的局部搜索

爬山算法的思路很直观：往清晰度值增大的方向走，直到找到峰值。就像爬山一样，一直往上爬，爬到顶为止。

具体流程是这样的：

1. 从当前位置出发，先往一个方向走一步
2. 如果清晰度值变大，继续往同方向走
3. 如果清晰度值变小，掉头往反方向走
4. 如果两个方向都变小，说明到了峰顶，停止

爬山算法的步长怎么选？这是个学问。固定步长容易出问题：步长太大，可能跳过真正的峰值；步长太小，对焦太慢。我个人习惯用动态步长——初始大步快速接近，接近峰值时自动减小步长。

4.3 二分搜索——快但挑场景

二分搜索的前提是：清晰度曲线是单峰的。也就是说，从近到远，清晰度先增后减，只有一个最大值。

算法流程：

• 取行程中点，计算清晰度值
• 再取中点两侧各一点，比较三者大小
• 舍弃清晰度值较小的一侧，在剩下的一半继续搜索
• 重复直到区间小于阈值

二分搜索的收敛速度是 O(log n)，比全局搜索快得多。但问题在于——现实中的清晰度曲线往往不是完美的单峰。镜头马达的迟滞、场景中的周期性纹理，都会破坏单峰假设。

4.4 黄金分割搜索——比二分更聪明

黄金分割搜索是二分搜索的升级版。它不取中点，而是取黄金分割点（约 0.618 和 0.382 的位置）。这样做的好处是：每次迭代只需要计算一个新点，另一个点可以复用上一次的结果。

你看这个对比就明白了：

策略	每次迭代计算次数	收敛速度	区间缩小比例
二分搜索	2 次（中点 + 一侧）	O(log n)	50%
黄金分割	1 次（复用另一侧）	O(log n)	38.2%

黄金分割搜索每次只算一个新点，计算量更少。虽然区间缩小比例不如二分（38.2% vs 50%），但整体效率反而更高——因为清晰度评价函数的计算本身就很耗时。

4.5 自适应步长搜索——动态调整的艺术

前面几种策略的步长都是固定的。自适应步长搜索则根据当前清晰度值的变化趋势，动态调整步长。

核心逻辑：

• 清晰度变化大 → 大步前进，快速接近
• 清晰度变化小 → 小步微调，精确定位
• 清晰度下降 → 立即掉头，减小步长

我一般用清晰度值的差分作为步长调整的依据。比如：

// 伪代码：自适应步长调整
step = base_step * (1 + k * abs(diff))
if diff > 0:
    // 清晰度在上升，保持方向
    direction = current_direction
else:
    // 清晰度下降，掉头并减小步长
    direction = -current_direction
    step = step * 0.5

这里的 k 是步长增益系数，需要根据镜头特性调。k 太大，步长变化剧烈，容易震荡；k 太小，自适应效果不明显。

4.6 五种策略对比与选型建议

说了这么多，到底该用哪个？我整理了一个对比表，方便你选型：

策略	速度	精度	抗噪性	适用场景
全局搜索	慢	中	强	调试、首次对焦
爬山算法	中	高	弱	连续对焦、已知场景
二分搜索	快	高	弱	单峰场景、快速对焦
黄金分割	快	高	中	高精度、低功耗场景
自适应步长	中快	高	中	复杂场景、多峰曲线

实际项目中，我很少只用一种策略。通常的做法是：先用全局搜索或大步长爬山快速定位大致区间，再用黄金分割或自适应步长做精细搜索。这种混合策略既保证了速度，又兼顾了精度。