📚 课程目录第1章 AF基础概念

1、AF基础概念：什么是自动对焦？VCM马达工作原理、AF评价函数简介

1.1 自动对焦——相机为什么要“动”起来？

自动对焦，说白了就是让镜头自己找到最清晰的位置。你按下快门，相机内部就开始“思考”：当前画面清不清晰？如果不清晰，该往哪个方向调？

我刚开始接触高通平台时，觉得AF就是个简单的“找最大值”过程。后来才发现，这里面门道很深。你想想看，如果画面本身就很模糊，或者光线很暗，系统怎么知道往哪个方向走才是对的？

自动对焦的核心，其实就三件事：

测量——当前画面的清晰度是多少？
判断——该往近处调还是远处调？
驱动——让马达走到目标位置。

这三步循环执行，直到找到最清晰的那个点。嗯，听起来简单，但实际做起来，坑不少。

1.2 VCM马达——让镜头“动起来”的功臣

VCM（Voice Coil Motor，音圈马达）是目前手机摄像头最常用的驱动方案。它的原理其实和扬声器很像——通电线圈在磁场中受力，带动镜头上下移动。

我个人习惯把VCM马达的工作方式总结成一张表：

参数	说明	典型值
驱动电流	控制镜头位移的输入信号	0 ~ 100 mA
行程范围	镜头从最近到最远的物理移动距离	0.2 ~ 0.5 mm
分辨率	最小可控制的位移步长	1 ~ 10 μm
响应时间	从指令发出到位置稳定的时间	5 ~ 20 ms
谐振频率	马达自身的机械共振点	50 ~ 200 Hz

我在项目中遇到过一个问题：某款模组的VCM马达在特定频率下会剧烈抖动，导致AF反复震荡。后来发现是驱动波形没做平滑处理，触发了谐振。从那以后，我每次调AF都会先测一下马达的谐振点。

注意：VCM马达的行程不是线性的。靠近两端时，同样的电流变化，位移量会变小。这就是所谓的“饱和区”。AF搜索策略必须避开这个区域，否则精度会大打折扣。

1.3 AF评价函数——怎么判断“清晰”？

评价函数，就是给画面清晰度打分的工具。高通平台主要支持两种：对比度法和相位差法。

1.3.1 对比度法（Contrast AF）

对比度法的逻辑很直观：清晰的图像，边缘锐利，相邻像素的亮度差异大；模糊的图像，边缘平滑，差异小。

常见的对比度评价函数有：

Tenengrad函数——基于Sobel算子计算梯度幅值，然后求和。我比较喜欢用这个，因为它对边缘敏感，而且计算量适中。
Laplacian函数——用二阶微分检测边缘。优点是响应快，缺点是对噪声敏感。
方差函数——计算像素灰度值的方差。简单粗暴，但在纹理丰富的场景下效果不错。

举个例子，Tenengrad函数的计算过程大致是这样：

// 伪代码：Tenengrad 对比度计算
float computeTenengrad(uint8_t* image, int width, int height) {
    float sum = 0.0f;
    for (int y = 1; y < height - 1; y++) {
        for (int x = 1; x < width - 1; x++) {
            // Sobel 水平梯度
            int gx = -image[(y-1)*width + (x-1)] + image[(y-1)*width + (x+1)]
                     -2*image[y*width + (x-1)] + 2*image[y*width + (x+1)]
                     -image[(y+1)*width + (x-1)] + image[(y+1)*width + (x+1)];
            // Sobel 垂直梯度
            int gy = -image[(y-1)*width + (x-1)] -2*image[(y-1)*width + x] - image[(y-1)*width + (x+1)]
                     +image[(y+1)*width + (x-1)] +2*image[(y+1)*width + x] + image[(y+1)*width + (x+1)];
            sum += sqrtf(gx*gx + gy*gy);
        }
    }
    return sum;
}

对比度法的优点是实现简单，不需要额外硬件。但缺点也很明显：

需要来回搜索，速度慢
在低对比度场景（如白墙）下容易失效
容易陷入局部最大值

1.3.2 相位差法（Phase Detection AF）

相位差法就高级一些了。它通过传感器上的专用像素（PD像素）来检测光线入射角度，直接判断当前是“前焦”还是“后焦”。

高通平台上的PDAF实现，我总结下来有几个关键点：

PD像素分布——通常以2x2或4x4的pattern嵌入在正常像素中
相位差计算——左右两组PD像素的亮度曲线错位量，就是相位差
换算关系——相位差 = 0 表示合焦；正值表示前焦；负值表示后焦

  核心区别：对比度法只能告诉你“当前清不清晰”，但不知道“该往哪走”。相位差法直接告诉你“偏了多少、往哪偏”。所以PDAF的搜索速度通常比对比度法快3~5倍。

不过，相位差法也有自己的问题。我曾经调试过一款模组，PDAF在暗光下误差很大，相位差和实际离焦量不成线性关系。后来发现是PD像素的灵敏度匹配没做好，左右通道的增益不一致。

1.4 两种方法的融合——Hybrid AF

高通平台实际用的是混合对焦：先用PDAF快速跳到大致位置，再用对比度法做精细微调。这样既保证了速度，又保证了精度。

下面这张图展示了Hybrid AF的基本流程：

1.5 高通平台上的AF架构

在高通平台上，AF相关的模块主要分布在三个层级：

层级	模块	职责
应用层	Camera HAL / AF Algorithm	策略决策、搜索算法、场景判断
框架层	CamX / Chi	UAF（用户AF）和IAF（内部AF）调度
驱动层	Kernel VCM Driver / ISP	马达控制、PD数据采集、统计信息上报

我个人习惯把AF算法看作一个“黑盒”，输入是ISP上报的统计信息（对比度值、相位差值），输出是马达的目标位置。至于中间怎么搜、怎么跳，那就是后面章节要讲的内容了。

小经验：调试AF时，我建议先把ISP上报的原始数据打出来看看。很多问题其实出在数据源上——比如对比度值被截断了，或者相位差符号反了。先确认数据是对的，再调算法，能省不少时间。

1.6 本章小结

这一章我们聊了自动对焦的基本概念：

AF的本质是“测量→判断→驱动”的闭环
VCM马达通过电流控制镜头位移，但要注意饱和区和谐振
对比度法靠图像梯度打分，相位差法靠PD像素测方向
高通平台用Hybrid AF，先粗后精