📚 课程目录第4章安防场景实战

4. 安防场景实战：红外夜视模式下的AF调优、宽动态（WDR）场景下的AF策略、多目标跟踪时的连续AF

好，咱们进入实战环节。前面几章讲了AF的基础原理和核心算法，但说实话，那些东西在实验室里跑得再好，到了真正的安防场景，该翻车还是翻车。我这些年调过的设备，少说也有上百款了，踩过的坑比走过的路还多。今天就把红外夜视、宽动态、多目标跟踪这三个最头疼的场景，掰开了揉碎了讲清楚。

  本章核心观点： 安防场景的AF调优，本质上是在「灵敏度」和「稳定性」之间找平衡。没有万能参数，只有最适合场景的策略。

4.1 红外夜视模式下的AF调优

先说说红外夜视。这个场景有多难？说白了，就是相机几乎「瞎」了。可见光没了，全靠红外灯补光，画面是黑白的，对比度极低，而且红外光波长和可见光不一样，焦平面天然就有偏移。

我记得有一次，给一个园区做夜间监控升级。白天对焦好好的，一到晚上画面就糊成一片。甲方项目经理急得直跳脚，说「你们这设备还不如我手机拍得清楚」。我过去一看，AF算法还在用白天的策略，那肯定不行。

4.1.1 红外截止滤镜的切换补偿

大多数安防摄像机都有ICR（红外截止滤镜）。白天滤镜在，滤掉红外光；晚上滤镜移开，让红外光进来。问题就出在这里——滤镜移开的那一刻，光路变了，焦平面也变了。

我个人的习惯是，在ICR切换的瞬间，强制触发一次AF重新对焦。但这里有个坑：

不能直接用白天的对焦位置——红外偏移量通常在5~20个步长之间，具体看镜头和传感器匹配
不能重新全行程扫描——太慢了，用户能明显感觉到「卡一下」

那怎么办？我一般用「偏移量预补偿 + 局部微调」的策略：

// 红外偏移预补偿示例（伪代码）
int infrared_offset = calibrate_offset(lens_id, sensor_id);
int day_focus_pos = get_current_focus_position();

if (icr_switched_to_ir) {
    int night_start_pos = day_focus_pos + infrared_offset;
    set_focus_position(night_start_pos);
    // 然后在 ±3 步长范围内做精细搜索
    fine_tune_focus(night_start_pos - 3, night_start_pos + 3);
}

经验之谈： 偏移量不是固定的。温度变化、红外灯老化都会影响。我建议在设备出厂前做一次全温范围的偏移标定，存到OTP里。别问我怎么知道的——有一批设备冬天全跑焦，就是因为没做低温标定。

4.1.2 低照度下的AF评价函数选择

红外夜视下，图像信噪比极低。传统的Tenengrad梯度函数，在噪声面前基本失效——噪声的梯度比真正的边缘还大。你想想看，算法把噪点当成细节去对焦，结果就是来回乱跳。

我推荐用以下两种方案：

评价函数	适用场景	优点	缺点
修正拉普拉斯（ML）	低照度、有纹理	对噪声有一定抑制	计算量稍大
带通滤波 + 能量统计	极低照度、无纹理	抗噪能力强	对焦精度略低

我个人更倾向于第二种。在红外模式下，先做一次带通滤波，把低频背景和高频噪声都滤掉，只保留中频的边缘信息，然后再算能量。效果比直接用梯度好得多。

注意： 红外夜视下，AF的搜索步长要适当加大。因为红外光波长长，焦深也更深，小步长搜索容易陷入局部极值。我一般把步长设为白天的1.5~2倍。

4.2 宽动态（WDR）场景下的AF策略

宽动态场景，说白了就是「亮的地方太亮，暗的地方太暗」。比如监控出入口，外面阳光明媚，里面黑漆漆的。这种场景下，AF算法很容易被高亮区域「带偏」。

为什么会这样？因为大多数AF评价函数都是基于全图或固定ROI的。WDR模式下，高亮区域过曝，梯度信息丢失；暗区欠曝，同样没有梯度。算法在整张图上找不到清晰的边缘，就开始乱猜。

4.2.1 动态ROI选择策略

我建议的做法是：不要用固定ROI，而是根据WDR的融合权重图来动态选择对焦区域。

现在的WDR算法，通常会把多帧曝光融合成一张图，同时生成一张权重图——权重高的区域，说明细节保留得好。我们就用这个权重图来指导AF：

从WDR模块拿到融合权重图
筛选出权重在0.6~0.9之间的像素区域（太高可能是过曝，太低可能是欠曝）
在这些区域中，选择梯度能量最大的区域作为ROI
只在这个ROI上计算AF评价函数

  关键点： WDR场景下，AF的ROI不能太大，也不能太小。太大容易引入无效区域，太小又可能丢失目标。我一般取图像面积的5%~10%。

4.2.2 多曝光帧的AF同步问题

WDR通常需要两帧或三帧不同曝光的图像合成。但AF算法如果只拿合成后的图像做评价，会有一个延迟问题——合成帧的生成速度比原始帧慢。

我曾经遇到过一个情况：AF的反馈周期比WDR的合成周期还长，导致对焦动作永远慢半拍。画面一会儿清楚一会儿模糊，用户投诉说「这摄像头是不是坏了」。

解决方案其实不复杂：

方案A： 用WDR的短曝光帧单独做AF评价。短曝光帧虽然暗，但运动模糊少，边缘信息相对可靠。
方案B： 把AF的更新频率降到WDR合成频率的一半，保证每次AF动作都能拿到最新的合成帧。

我个人推荐方案A。短曝光帧的帧率更高，AF响应更快。但要注意，短曝光帧的噪声也大，需要配合前面说的抗噪评价函数使用。

4.3 多目标跟踪时的连续AF

最后这个场景，是最考验算法功力的。多目标跟踪，意味着画面里同时有多个移动的人或车。AF该对谁？怎么跟？

你想想看，如果AF跟着最近的目标走，结果远处突然出现一个更重要的目标（比如有人摔倒），那怎么办？如果AF平均所有目标，结果就是所有目标都模糊。

4.3.1 目标优先级与AF调度

我设计过一个基于优先级的AF调度策略，核心思路是：

优先级	目标类型	AF行为
P0（最高）	人形目标（尤其是摔倒、奔跑）	锁定对焦，不切换
P1	车辆、大型物体	跟踪对焦，允许切换
P2	其他移动目标	背景对焦，不主动跟踪

这个优先级不是写死的。我习惯让算法根据目标的行为动态调整优先级。比如一个目标突然加速，或者轨迹异常，优先级自动提升。

避坑指南： 我曾经把优先级调得太敏感，结果一只飞过的鸟让AF从跟踪人切换到跟踪鸟，画面来回抽风。后来加了一个「锁定时间」——优先级提升后，至少锁定0.5秒才能切换。

4.3.2 连续AF的平滑过渡

多目标跟踪时，AF最怕的就是频繁切换目标。每次切换，镜头都要重新对焦，画面就会「呼吸」一下。用户看着特别难受。

我的做法是：

不立即切换： 当检测到更优目标时，先计算当前目标和更优目标的景深差。如果景深差小于某个阈值（比如0.5米），就不切换。
渐进式移动： 如果必须切换，用S曲线控制对焦马达的速度，而不是直接跳到目标位置。这样画面过渡更自然。

// 平滑过渡示例（伪代码）
float current_pos = get_focus_position();
float target_pos = calculate_target_focus(high_priority_target);

if (abs(target_pos - current_pos) < DEAD_ZONE) {
    // 景深差太小，不动作
    return;
}

// S曲线速度控制
float speed = calculate_s_curve_speed(current_pos, target_pos);
move_focus_motor(speed, target_pos);

4.3.3 预测性对焦

这个算是我比较得意的一个设计。多目标跟踪时，如果等到目标移动了再对焦，永远慢一步。为什么不提前预测目标的位置？

我用卡尔曼滤波预测目标在下一帧的位置，然后提前把焦点移到预测位置。等目标真的到了那个位置，焦点已经到位了。效果非常明显——画面几乎感觉不到对焦延迟。

  效果数据： 在实测中，加入预测性对焦后，多目标跟踪场景下的对焦延迟从平均120ms降到了40ms以下。用户反馈「画面终于不晃了」。

但要注意，预测性对焦不能滥用。如果目标运动轨迹突变（比如突然转身），预测会失败。我加了一个置信度判断——预测误差超过阈值时，立即切换到实时对焦模式。

嗯，这三个场景讲完了。红外夜视、宽动态、多目标跟踪，每一个都是安防行业绕不过去的坎。但反过来想，也正是这些坎，让我们的算法有了用武之地。调优没有终点，只有不断逼近极限。