4、AF算法基础：对焦评价函数、搜索策略与马达驱动

自动对焦（AF）是摄像头成像质量的核心环节，其本质是一个搜索-评价-驱动的闭环过程。本章深入剖析AF算法的三大基石：对焦评价函数（如何判断图像清晰度）、搜索策略（如何高效找到最佳对焦位置）以及马达驱动（如何物理移动镜头）。理解这三者的协同关系，是掌握RK平台3A联合调试的关键。

4.1 对焦评价函数：清晰度的量化标尺

对焦评价函数（Focus Measure）用于计算图像中高频细节的丰富程度。图像越清晰，边缘越锐利，高频分量越强。在RK平台中，常用的评价函数包括基于梯度的Sobel算子和Laplacian算子。

4.1.1 Sobel算子：一阶梯度评价

Sobel算子通过计算图像在水平（x）和垂直（y）方向的一阶梯度来评估清晰度。其核心是使用两个3x3的卷积核分别提取边缘信息。

• 原理：对焦准确的图像，边缘处灰度变化剧烈，梯度值大；离焦图像边缘模糊，梯度值小。
• 计算公式：
  Gx = [[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]] 与图像卷积
  Gy = [[-1, -2, -1], [0, 0, 0], [1, 2, 1]] 与图像卷积
  最终评价值 F = Σ(|Gx| + |Gy|) 或 F = Σ√(Gx² + Gy²)。
• 特点：对噪声有一定抑制能力，计算量适中，是工程中最常用的评价函数之一。

4.1.2 Laplacian算子：二阶梯度评价

Laplacian算子是一个二阶微分算子，对图像中的灰度突变（如边缘、角点）更为敏感。

• 原理：通过计算图像的二阶导数，检测灰度变化的速率。对焦准确时，边缘处的二阶导数过零点更尖锐。
• 常用卷积核：
  L = [[0, -1, 0], [-1, 4, -1], [0, -1, 0]]
  评价值 F = Σ|L * Image|。
• 特点：对噪声非常敏感，但能提供更精细的清晰度变化曲线。通常需要配合高斯滤波预处理。

4.1.3 评价函数对比

4.2 搜索策略：高效寻找最佳对焦点

有了评价函数，AF算法需要一种策略来搜索评价函数的峰值位置。常见的搜索策略包括爬山法和全局搜索，以及它们的变种。

4.2.1 爬山法（Hill Climbing）

爬山法是一种局部搜索算法，模拟“爬山”过程：沿着评价函数值增加的方向移动镜头，直到找到峰值。

• 步骤：
  1. 初始化：从当前位置开始，设定一个初始步长。
  2. 移动：向一个方向移动镜头，计算新位置的评价值。
  3. 比较：如果新评价值大于当前值，继续同方向移动；如果小于，则反向移动。
  4. 收敛：当步长减小到阈值以下，或连续多次移动评价值不再增加，则认为找到峰值。
• 优点：速度快，计算量小，适合连续对焦（CAF）。
• 缺点：容易陷入局部极值（如面对低对比度物体或噪声干扰时），且对初始位置敏感。

4.2.2 全局搜索（Global Search）

全局搜索（也称为全行程扫描）在镜头整个物理行程范围内，等间隔采样并计算评价值，然后选择评价值最高的位置。

• 步骤：
  1. 将镜头从近端（Macro）移动到远端（Infinity），或反之。
  2. 在移动过程中，每隔固定步长采集一帧图像并计算评价值。
  3. 遍历所有采样点后，选择评价值最大的位置作为对焦目标。
• 优点：一定能找到全局最优解（在采样分辨率内），不受局部极值影响。
• 缺点：速度慢，耗时较长（通常需要数百毫秒到数秒），不适合视频连续对焦。

4.2.3 搜索策略对比

4.3 马达驱动：物理执行机构

评价函数和搜索策略最终需要由马达驱动来物理移动镜头。在RK平台手机摄像头方案中，最常用的两种马达是VCM（音圈马达）和步进电机。

4.3.1 VCM（音圈马达）

VCM是目前手机摄像头最主流的对焦马达，其原理类似于扬声器：通过改变线圈中的电流大小，在磁场中产生不同大小的力，从而推动镜头移动。

• 驱动方式：模拟电压或PWM（脉冲宽度调制）控制。RK平台通常通过I2C接口向VCM驱动芯片（如DW9714、AK7314）写入DAC值（0~1023），控制镜头位置。
• 特点：
  • 体积小，功耗低，响应速度快（毫秒级）。
  • 位置控制精度高，但存在磁滞效应（Hysteresis）：从不同方向到达同一位置时，实际物理位置可能不同。
  • 需要初始化校准：上电后需要执行一次“归零”动作，找到物理行程的起点。

4.3.2 步进电机

步进电机通过接收脉冲信号，按固定的步进角度旋转，再通过丝杆或齿轮机构将旋转运动转化为直线运动，推动镜头。

• 驱动方式：数字脉冲信号。RK平台通过GPIO或专用驱动芯片（如DRV8834）输出脉冲序列，控制电机转动的步数和方向。
• 特点：
  • 开环控制即可实现精确定位，无磁滞问题。
  • 扭矩大，适合驱动较重的镜头模组（如潜望式长焦镜头）。
  • 存在失步风险：当负载过大或脉冲频率过高时，电机可能无法跟上指令。
  • 功耗和噪声通常比VCM大。

4.3.3 马达驱动对比

4.4 本章小结：AF算法协同要点

在RK平台进行AF调试时，需要将评价函数、搜索策略和马达驱动三者作为一个整体来考虑：

• 评价函数选择：根据场景动态切换Sobel和Laplacian，或使用加权混合。
• 搜索策略优化：采用“全局搜索粗定位 + 爬山法精定位”的混合策略，兼顾速度和准确性。
• 马达驱动补偿：针对VCM的磁滞效应，在搜索算法中实现单向逼近逻辑；针对步进电机，设置合理的加减速曲线防止失步。
• 系统级协同：AF算法需要与AE（自动曝光）联动，因为曝光时间变化会影响图像信噪比，进而影响评价函数的可靠性。