本發(fā)明涉及光學鏡頭自動聚焦，尤其涉及一種光學鏡頭自動聚焦系統(tǒng)及方法。

背景技術：

1、自動聚焦（autofocus,?af）技術的目標是自動調(diào)整相機鏡頭的焦點，使拍攝的圖像更清晰。主流的自動聚焦技術主要分為兩大類：

2、相位檢測自動對焦(phase?detection?autofocus,?pdaf)：原理是在圖像傳感器上設置專門的相位檢測像素（或使用分離的相位檢測傳感器）。這些像素被分成幾對，每對像素接收來自鏡頭不同部分的光線。通過比較這些成對像素接收到的圖像之間的相位差，可以確定焦點是位于目標前方還是后方，以及需要移動鏡頭的方向和距離。

3、對比度檢測自動對焦(contrast?detection?autofocus,?cdaf)：原理是通過分析圖像傳感器捕獲的圖像的對比度來確定焦點。當圖像對比度最高時，認為圖像最清晰，即處于焦點位置。相機通過不斷移動鏡頭并比較圖像對比度，找到對比度最高的鏡頭位置。

4、然而，現(xiàn)有自動聚焦技術在復雜光照環(huán)境、低對比度場景以及快速移動物體拍攝時，聚焦精度和速度都會受到限制。復雜光照環(huán)境導致圖像傳感器過度曝光，對比度降低，cdaf?難以找到對比度峰值，pdaf?的相位檢測像素也會飽和。低對比度場景缺乏紋理和細節(jié)，cdaf?難以找到對比度變化，pdaf?的相位檢測像素也難以區(qū)分。快速移動物體導致難以預測物體運動軌跡，無法預判焦點位置。

技術實現(xiàn)思路

1、基于此，有必要提供一種光學鏡頭自動聚焦系統(tǒng)及方法，以解決至少一個上述技術問題。

2、為實現(xiàn)上述目的，一種光學鏡頭自動聚焦方法，包括以下步驟：

3、步驟s1：通過光場相機進行偏振光場采集，得到偏振多視圖圖像集；對偏振多視圖圖像集進行光場特征提取，得到偏振相位梯度譜；

4、步驟s2：根據(jù)偏振相位梯度譜進行偏振感知深度重建網(wǎng)絡構建，得到初步深度圖；根據(jù)初步深度圖進行光線追蹤模擬處理，得到增強深度圖；對初步深度圖以及增強深度圖進行深度圖優(yōu)化，得到優(yōu)化后深度圖；

5、步驟s3：獲取光學系統(tǒng)參數(shù)；對優(yōu)化后深度圖進行場景分層，得到分層場景；根據(jù)光學系統(tǒng)參數(shù)以及分層場景進行菲涅爾衍射模擬，得到菲涅爾衍射圖像集；對菲涅爾衍射圖像集進行焦平面預測，得到焦平面置信度圖；

6、步驟s4：根據(jù)焦平面置信度圖進行鏡頭位移計算，得到鏡頭位移量；根據(jù)鏡頭位移量進行鏡頭位移修正，并進行鏡頭控制指令生成，得到修正后鏡頭位移以及鏡頭控制指令；

7、步驟s5：根據(jù)鏡頭控制指令進行鏡頭移動，并進行聚焦狀態(tài)判斷，得到聚焦狀態(tài)；根據(jù)聚焦狀態(tài)進行聚焦迭代優(yōu)化，得到優(yōu)化鏡頭控制指令。

8、本發(fā)明通過結合光場相機和偏振片，實現(xiàn)了對場景光場信息的全面捕捉，為后續(xù)的深度重建和焦平面預測提供了更豐富、更可靠的信息，尤其在復雜光照和低對比度場景下，能夠顯著提升自動聚焦的精度和魯棒性。通過構建偏振感知深度重建網(wǎng)絡，并結合光線追蹤模擬和數(shù)據(jù)增強技術，實現(xiàn)了對深度信息的準確重建，并提升了網(wǎng)絡的泛化能力，為后續(xù)的焦平面預測奠定了基礎。通過對優(yōu)化后深度圖的場景分層和菲涅爾衍射模擬，能夠模擬不同深度層上的成像效果，并結合光場信息，實現(xiàn)對焦平面位置的準確預測，提高了自動聚焦的精度。通過計算并修正鏡頭位移，并生成鏡頭控制指令，實現(xiàn)了對鏡頭馬達的精確控制，從而將鏡頭移動到預測的最佳焦平面位置，實現(xiàn)快速自動聚焦。通過聚焦狀態(tài)判斷和迭代優(yōu)化，實現(xiàn)了對鏡頭位置的逐步調(diào)整，進一步提高了聚焦的精度和效率，確保了圖像的清晰度，從而完成了整個自動聚焦過程。因此，本發(fā)明提供了一種光學鏡頭自動聚焦方法，綜合利用了偏振信息、波動光學原理、光場信息和深度學習技術，構建了一個全新的自動聚焦框架。該框架不僅克服了傳統(tǒng)方法在復雜光照、低對比度和快速移動物體場景下的局限性，還提高了聚焦精度、速度和魯棒性。

9、優(yōu)選地，步驟s1包括以下步驟：

10、步驟s11：通過光場相機進行偏振光場采集，得到偏振多視圖圖像集；

11、步驟s12：對偏振多視圖圖像集進行視點圖像傅里葉變換，得到傅里葉變換譜；

12、步驟s13：對傅里葉變換譜進行相位梯度計算，得到相位梯度圖；

13、步驟s14：對相位梯度圖進行偏振相位梯度計算，得到偏振相位梯度圖；

14、步驟s15：對偏振相位梯度圖進行多維光場特征向量生成，得到偏振相位梯度譜。

15、本發(fā)明通過結合光場相機和線偏振片，實現(xiàn)了對場景光場的更全面、更細致的采樣。采集多個偏振方向的多視圖圖像，能夠獲取場景中光線的偏振特性，這為后續(xù)的深度重建和焦平面預測提供了更豐富的信息。與僅使用傳統(tǒng)相機相比，這種偏振光場采集能夠更好地捕捉場景的深度和結構信息，尤其是在復雜光照環(huán)境和低對比度場景下，能夠更有效地提取場景特征，從而提高后續(xù)自動聚焦的精度和魯棒性。通過將視點圖像從空間域轉換到頻域，能夠更好地分析圖像中的頻率分量。傅里葉變換譜提供了圖像在不同頻率上的能量分布，這對于后續(xù)的相位梯度計算和特征提取至關重要。頻域分析能夠突出圖像中的紋理和細節(jié)信息，尤其是在處理低對比度場景時，頻域信息能夠更有效地幫助提取圖像的特征，從而提高后續(xù)自動聚焦的準確性。通過計算傅里葉變換譜的相位梯度，能夠提取圖像的邊緣和結構信息。相位梯度反映了圖像中像素之間的相位變化，可以用于檢測圖像的邊緣、紋理和深度信息。相位梯度圖能夠突出圖像中的細節(jié)信息，減少光照變化的影響，提高后續(xù)深度重建和焦平面預測的準確性。通過融合不同偏振方向的相位梯度信息，能夠增強場景的偏振特性，從而提高深度和焦點信息的提取精度。偏振相位梯度圖結合了偏振信息和相位梯度信息，能夠更好地反映場景中光線的偏振狀態(tài)，為后續(xù)的深度重建和焦平面預測提供了更可靠的特征。在復雜光照環(huán)境和具有偏振特性的場景下，偏振相位梯度能夠更有效地提取場景的特征，從而提高自動聚焦的性能。通過將偏振相位梯度圖轉換為多維特征向量，能夠將光場的復雜信息進行壓縮和編碼，便于后續(xù)的深度重建和焦平面預測。偏振相位梯度譜包含了光場在傅里葉域中的偏振相關相位梯度信息，能夠全面地描述光場的特性，為后續(xù)的深度重建網(wǎng)絡提供了豐富的輸入特征。特征向量的形式便于深度學習網(wǎng)絡的處理，能夠提高計算效率和模型的泛化能力，從而提高整個自動聚焦系統(tǒng)的性能。

16、優(yōu)選地，步驟s11包括以下步驟：

17、步驟s111：將角度校準的線偏振片放置在光場相機的前面，進行光場相機與偏振片的同步控制，得到同步控制參數(shù)；

18、步驟s112：根據(jù)同步控制參數(shù)進行多偏振方向光場數(shù)據(jù)采集，得到原始光場圖像集；

19、步驟s113：對原始光場圖像集進行偏振片對光場影響的校正，得到校正后的光場圖像集；

20、步驟s114：對校正后的光場圖像集進行數(shù)據(jù)存儲與標記，得到偏振多視圖圖像集。

21、本發(fā)明通過精確校準線偏振片角度，確保了采集到的光場數(shù)據(jù)具有準確的偏振方向信息。同步控制光場相機和偏振片，保證了在不同偏振方向下采集的數(shù)據(jù)在時間上的同步性，這對于后續(xù)融合多偏振方向信息至關重要。同步控制參數(shù)的設定，使得光場相機與偏振片的協(xié)同工作能夠高效、準確地進行，為后續(xù)的多偏振光場數(shù)據(jù)采集打下堅實的基礎，從而提高自動聚焦的精度和魯棒性。通過在不同預設偏振方向下采集多視圖圖像，獲取了場景在不同偏振狀態(tài)下的光場信息。原始光場圖像集包含了豐富的偏振信息，為后續(xù)的偏振特性分析和特征提取提供了數(shù)據(jù)基礎。采集多視圖圖像，能夠獲取場景的立體信息，進一步增強了后續(xù)深度重建的能力。這種多偏振方向數(shù)據(jù)的采集，使得后續(xù)的自動聚焦方法能夠更好地適應復雜光照條件和具有偏振特性的場景，提高聚焦的準確性和可靠性。通過對偏振片的影響進行校正，消除了偏振片對光場數(shù)據(jù)帶來的不均勻性，保證了數(shù)據(jù)的準確性和可靠性。校正能夠有效減少由于偏振片透過率差異和光損耗引起的誤差，從而提高后續(xù)計算和分析的精度。校正后的光場圖像集，使得后續(xù)處理能夠更準確地反映場景的真實偏振特性，進一步提高了自動聚焦的性能。通過規(guī)范的數(shù)據(jù)存儲和標記，方便了后續(xù)的數(shù)據(jù)管理和處理。數(shù)據(jù)存儲能夠確保采集到的光場數(shù)據(jù)能夠被完整地保存，并能夠被后續(xù)的步驟所使用。數(shù)據(jù)標記，例如，文件名中包含偏振角度信息，使得可以方便地識別和調(diào)用不同偏振方向的數(shù)據(jù)。偏振多視圖圖像集為后續(xù)的特征提取、深度重建和焦平面預測提供了組織良好的數(shù)據(jù)，提高了整個自動聚焦系統(tǒng)的效率和可維護性。

22、優(yōu)選地，步驟s2包括以下步驟：

23、步驟s21：對偏振相位梯度譜進行偏振相位梯度譜預處理，得到預處理偏振相位梯度譜；

24、步驟s22：根據(jù)預處理偏振相位梯度譜進行偏振感知深度重建網(wǎng)絡構建，得到初步深度圖；

25、步驟s23：根據(jù)初步深度圖以及預處理偏振相位梯度譜進行光線追蹤模擬，并進行訓練數(shù)據(jù)增強，得到增強深度圖；

26、步驟s24：對初步深度圖以及增強深度圖進行深度圖優(yōu)化，得到優(yōu)化后深度圖。

27、本發(fā)明通過對偏振相位梯度譜（ppgs）進行預處理，確保了其能夠被深度重建網(wǎng)絡有效利用，并提升了網(wǎng)絡的訓練效率和穩(wěn)定性。預處理包括維度調(diào)整、歸一化和數(shù)據(jù)類型轉換，這些操作能夠統(tǒng)一輸入數(shù)據(jù)的格式，減少數(shù)值差異對訓練的影響，并提高計算效率。數(shù)據(jù)增強，例如隨機裁剪、旋轉和添加噪聲，可以增加數(shù)據(jù)的多樣性，提高網(wǎng)絡的泛化能力，從而提升自動聚焦系統(tǒng)在不同場景下的魯棒性。構建偏振感知深度重建網(wǎng)絡，實現(xiàn)了對偏振信息的有效利用，提高了深度重建的準確性。網(wǎng)絡結構包含編碼器、偏振感知模塊、解碼器和損失函數(shù)。編碼器提取pppgs的多尺度特征，偏振感知模塊專門處理偏振信息，解碼器將特征映射到深度圖。偏振感知模塊的設計使得網(wǎng)絡能夠學習不同偏振方向的特征之間的關聯(lián)，從而更好地捕捉場景的深度信息。使用均方誤差（mse）作為損失函數(shù)，能夠有效地訓練網(wǎng)絡，使其能夠準確地預測深度圖，從而提高自動聚焦的精度。通過光線追蹤模擬和訓練數(shù)據(jù)增強，豐富了訓練數(shù)據(jù)集，提升了深度重建網(wǎng)絡的泛化能力和魯棒性。光線追蹤模擬能夠生成與真實場景相似的圖像和深度圖，用于模擬不同的光照條件、視角變化和物體移動。使用光線追蹤模擬生成的數(shù)據(jù)增強訓練數(shù)據(jù)，使得網(wǎng)絡能夠在各種復雜場景下進行深度重建，提高了自動聚焦系統(tǒng)在不同環(huán)境下的適應能力。通過融合初步深度圖和增強深度圖，進一步提高了深度圖的精度和可靠性。融合操作能夠結合初步深度圖的先驗信息和增強深度圖的細節(jié)信息，從而生成質量更高的深度圖。加權平均融合方法，可以根據(jù)深度圖的質量，動態(tài)調(diào)整權重，使得融合結果更加精確。優(yōu)化后的深度圖為后續(xù)的焦平面預測提供了更可靠的深度信息，從而提高了自動聚焦的整體性能。

28、優(yōu)選地，步驟s22包括以下步驟：

29、步驟s221：對預處理偏振相位梯度譜進行初始卷積層特征提取，得到初步特征圖；根據(jù)初步特征圖進行下采樣層特征提取，得到下采樣后特征圖；

30、步驟s222：對下采樣后特征圖進行偏振通道分離，得到分離后偏振特征；

31、步驟s223：對分離后的偏振特征進行通道注意力引入，得到帶有通道注意力的偏振特征；

32、步驟s224：對帶有通道注意力的偏振特征進行偏振特征融合，得到融合后特征圖；

33、步驟s225：對融合后特征圖進行基于殘差塊編碼器的特征提取，得到編碼器輸出特征；

34、步驟s226：對編碼器輸出特征進行基于解碼器的特征映射，得到解碼器輸出特征；

35、步驟s227：對解碼器輸出特征進行深度圖輸出，得到初步深度圖。

36、本發(fā)明通過初始卷積層和下采樣層，實現(xiàn)了對pppgs的有效特征提取和多尺度表示。初始卷積層能夠從原始數(shù)據(jù)中提取初步的特征，為后續(xù)的處理奠定基礎。下采樣層通過卷積和池化操作，降低了特征圖的尺寸，并提取更高級別的抽象特征，使得網(wǎng)絡能夠捕捉圖像的全局信息，降低計算量，并提高網(wǎng)絡的魯棒性。多尺度特征能夠使深度重建網(wǎng)絡更好地理解場景的深度信息。通過通道分離，實現(xiàn)了對不同偏振方向信息的獨立處理，使得網(wǎng)絡能夠更好地利用偏振信息。分離后偏振特征使得網(wǎng)絡能夠針對每個偏振通道進行獨立的特征學習和處理，提高了網(wǎng)絡對偏振信息的敏感度。這種分離處理方式，能夠更好地捕捉不同偏振方向之間可能存在的差異和關聯(lián)，從而提高深度重建的精度。通過引入通道注意力機制，實現(xiàn)了對重要偏振特征通道的自適應加權，提高了網(wǎng)絡的性能。通道注意力機制能夠使網(wǎng)絡自動學習不同偏振方向特征的重要性，并對重要的特征通道進行增強，抑制不重要的特征通道，從而提升了特征的表達能力，并提高了深度重建的準確性。通過對帶有通道注意力的偏振特征進行融合，實現(xiàn)了對不同偏振通道信息的整合，從而增強了網(wǎng)絡的表達能力。融合操作能夠將不同偏振方向的特征整合起來，形成一個更全面的特征表示，從而提高網(wǎng)絡對場景信息的理解能力。融合后的特征圖包含了不同偏振方向的信息，為后續(xù)的深度重建提供了更豐富的特征表示。使用基于殘差塊的編碼器，能夠有效地提取更深層次的特征，并緩解梯度消失問題，從而提高模型的性能。殘差塊的設計使得網(wǎng)絡可以訓練更深，提取更復雜的特征。編碼器能夠將融合后特征圖轉化為更高級別的特征表示，為后續(xù)的深度圖生成提供更有效的特征。通過解碼器，實現(xiàn)了將編碼器提取的特征映射到深度圖。解碼器通過反卷積、上采樣和跳躍連接，逐漸恢復了特征圖的空間分辨率。解碼器輸出特征包含了用于生成深度圖的特征，為后續(xù)的深度圖輸出提供了必要的信息。通過將解碼器輸出特征映射到單通道深度圖，得到了初步深度圖。初步深度圖包含了場景中每個像素的深度信息，為后續(xù)的焦平面預測提供了基礎。

37、優(yōu)選地，步驟s3包括以下步驟：

38、步驟s31：對優(yōu)化后深度圖進行場景分層，得到分層場景；

39、步驟s32：獲取光學系統(tǒng)參數(shù)；根據(jù)分層場景進行菲涅爾衍射模擬，得到菲涅爾衍射圖像集；

40、步驟s33：對菲涅爾衍射圖像集進行衍射特征提取，得到衍射特征圖；

41、步驟s34：根據(jù)偏振相位梯度譜對分層場景進行光場聚焦評估，得到光場清晰度圖；

42、步驟s35：對衍射特征圖以及光場清晰度圖進行焦平面置信度計算，得到焦平面置信度圖。

43、本發(fā)明通過對優(yōu)化后深度圖進行場景分層，將三維場景分解為多個二維深度層，便于后續(xù)的菲涅爾衍射模擬和焦平面預測。場景分層能夠簡化后續(xù)處理的復雜度，使得可以獨立地對每個深度層進行分析。分層場景的構建，使得能夠更有效地評估不同深度層上的聚焦情況，提高焦平面預測的準確性。通過菲涅爾衍射模擬，模擬了光波在不同深度層的傳播過程，從而能夠預測不同深度層的成像效果。菲涅爾衍射模擬考慮了光波的波動特性，能夠更準確地模擬光波在傳播過程中的衍射現(xiàn)象。菲涅爾衍射圖像集，包含了不同深度層的衍射圖像，為后續(xù)的特征提取和焦平面預測提供了關鍵數(shù)據(jù)，從而提高自動聚焦的精度。通過提取菲涅爾衍射圖像的衍射特征，量化了不同深度層圖像的清晰度，為后續(xù)的焦平面置信度計算提供了依據(jù)。衍射特征，例如圖像對比度、邊緣銳度和頻域特征，能夠反映圖像的清晰程度。提取衍射特征圖，能夠有效地評估不同深度層的成像效果，為焦平面預測提供了重要的信息，從而提高自動聚焦的準確性。結合偏振相位梯度譜和分層場景，實現(xiàn)了對每個深度層的光場聚焦評估，為焦平面置信度計算提供了更全面的信息。光場聚焦評估結合了光場信息和深度信息，能夠更準確地評估不同深度層的聚焦程度。光場清晰度圖，包含了每個深度層的清晰度評估結果，為后續(xù)的焦平面置信度計算提供了重要的補充信息，從而提高自動聚焦的魯棒性。通過融合衍射特征圖和光場清晰度圖，計算了每個深度層的焦平面置信度，從而能夠準確地預測最佳焦平面位置。焦平面置信度圖能夠綜合考慮菲涅爾衍射模擬和光場聚焦評估的結果，從而更全面、更準確地評估不同深度層的聚焦程度。焦平面置信度圖，包含了不同深度層的聚焦置信度信息，為后續(xù)的鏡頭控制指令生成提供了關鍵信息，從而提高自動聚焦的精度。

44、優(yōu)選地，步驟s32包括以下步驟：

45、步驟s321：根據(jù)分層場景進行輸入光場構建，得到輸入光場；

46、步驟s322：對輸入光場進行光場填充，得到填充后光場；

47、步驟s323：對填充后光場進行光場傅里葉變換，得到頻域光場；

48、步驟s324：根據(jù)光學系統(tǒng)參數(shù)以及頻域光場進行傳播函數(shù)計算，得到傳播函數(shù)；

49、步驟s325：對傳播函數(shù)以及頻域光場進行頻域相乘，得到傳播后頻域光場；

50、步驟s326：對傳播后頻域光場進行光場逆傅里葉變換，得到衍射圖像；

51、步驟s327：根據(jù)衍射圖像以及分層場景進行每個深度層的菲涅爾衍射模擬，得到菲涅爾衍射圖像集。

52、本發(fā)明通過構建輸入光場，將分層場景的深度信息轉化為光波的復振幅分布，為后續(xù)的菲涅爾衍射模擬提供了基礎。輸入光場能夠準確地描述光波在不同深度層上的初始狀態(tài)，確保了衍射模擬的準確性。輸入光場的構建，使得能夠根據(jù)深度信息模擬光波的傳播過程，提高自動聚焦的精度。通過對輸入光場進行填充，避免了在后續(xù)的傅里葉變換和衍射模擬中出現(xiàn)邊緣效應，保證了模擬的準確性。填充操作能夠消除傅里葉變換的周期性邊界條件帶來的影響，使得模擬結果更加可靠。填充后的光場，為后續(xù)的計算提供了更穩(wěn)定的輸入，從而提高自動聚焦的精度。通過傅里葉變換，將填充后光場從空間域轉換到頻域，方便了后續(xù)的傳播函數(shù)計算和衍射模擬。頻域光場能夠描述光波的頻率分量，簡化了后續(xù)的計算過程。傅里葉變換能夠高效地計算，提高了模擬的效率。通過計算傳播函數(shù)，描述了光波在傳播過程中的變化，為后續(xù)的衍射模擬提供了關鍵信息。傳播函數(shù)能夠準確地描述光波在不同深度層的傳播特性，保證了衍射模擬的準確性。傳播函數(shù)的計算，使得能夠根據(jù)光學系統(tǒng)參數(shù)和深度信息模擬光波的傳播過程，提高自動聚焦的精度。通過將傳播函數(shù)與頻域光場進行頻域相乘，模擬了光波在傳播過程中的變化，并得到了傳播后的頻域光場。頻域相乘能夠高效地模擬光波的傳播過程，模擬結果更加準確。傳播后頻域光場包含了光波經(jīng)過傳播后的頻域信息，為后續(xù)的逆傅里葉變換提供了輸入。通過逆傅里葉變換，將傳播后頻域光場從頻域轉換到空間域，得到了衍射圖像，模擬了光波在傳播到焦平面后的光強分布。衍射圖像能夠直觀地展示不同深度層的成像效果，為后續(xù)的特征提取和焦平面預測提供了關鍵數(shù)據(jù)。逆傅里葉變換能夠高效地計算，提高了模擬的效率。通過對分層場景中的每個深度層進行菲涅爾衍射模擬，得到了菲涅爾衍射圖像集，從而能夠模擬不同深度層的成像效果，為后續(xù)的焦平面預測提供了關鍵數(shù)據(jù)。菲涅爾衍射圖像集包含了不同深度層的衍射圖像，能夠全面地反映不同深度層的光強分布。每個深度層的菲涅爾衍射模擬，使得能夠針對不同深度層進行清晰度評估，提高焦平面預測的精度。

53、優(yōu)選地，步驟s4包括以下步驟：

54、步驟s41：對焦平面置信度圖進行最佳焦平面位置確定，得到最佳焦平面深度；

55、步驟s42：獲取相機參數(shù)；根據(jù)最佳焦平面深度以及相機參數(shù)進行鏡頭位移計算，得到鏡頭位移量；

56、步驟s43：根據(jù)鏡頭位移量以及光學系統(tǒng)參數(shù)進行鏡頭位移修正，得到修正后鏡頭位移；

57、步驟s44：對修正后的鏡頭位移進行鏡頭控制指令生成，得到鏡頭控制指令。

58、本發(fā)明通過確定最佳焦平面深度，實現(xiàn)了對場景中最清晰焦平面位置的預測，為后續(xù)的鏡頭控制提供了目標。對焦平面置信度圖的處理，能夠快速、準確地找到置信度最高的深度值，即最佳焦平面深度。最佳焦平面深度的確定，使得能夠將鏡頭調(diào)整到最清晰的位置，提高自動聚焦的精度。通過計算鏡頭位移量，確定了鏡頭需要移動的距離，為后續(xù)的鏡頭控制提供了依據(jù)。鏡頭位移量的計算，考慮了相機的焦距、傳感器尺寸等參數(shù)，確保了計算的準確性。鏡頭位移量的計算，使得能夠將鏡頭移動到最佳焦平面深度對應的位置，從而實現(xiàn)自動聚焦。通過鏡頭位移修正，提高了鏡頭位移的準確性，從而提高了聚焦的精度。鏡頭位移修正考慮了光圈值、變焦信息等光學系統(tǒng)參數(shù)，使得鏡頭位移量更加精確。修正后的鏡頭位移，能夠更準確地控制鏡頭移動，從而實現(xiàn)更精確的自動聚焦。通過生成鏡頭控制指令，實現(xiàn)了對鏡頭馬達的控制，從而控制鏡頭移動到目標位置。鏡頭控制指令將修正后的鏡頭位移轉換為鏡頭馬達可以理解的信號，便于驅動鏡頭馬達。鏡頭控制指令的生成，使得能夠自動控制鏡頭移動，從而實現(xiàn)自動聚焦。

59、優(yōu)選地，步驟s5包括以下步驟：

60、步驟s51：根據(jù)鏡頭控制指令進行鏡頭移動，并進行當前圖像采集，得到當前圖像；

61、步驟s52：對當前圖像進行圖像清晰度評估，得到圖像清晰度值；

62、步驟s53：利用預設的清晰度閾值對圖像清晰度值進行聚焦狀態(tài)判斷，得到聚焦狀態(tài)；

63、步驟s54：根據(jù)聚焦狀態(tài)、圖像清晰度值、焦平面置信度圖以及修正后鏡頭位移進行聚焦迭代優(yōu)化，得到優(yōu)化鏡頭控制指令。

64、本發(fā)明通過根據(jù)鏡頭控制指令進行鏡頭移動，實現(xiàn)了對鏡頭位置的精確控制，并采集了當前圖像，為后續(xù)的聚焦狀態(tài)判斷和迭代優(yōu)化提供了數(shù)據(jù)基礎。鏡頭移動能夠將鏡頭移動到目標位置，并采集當前圖像，用于評估圖像的清晰度，從而判斷聚焦狀態(tài)。采集當前圖像，能夠獲取當前鏡頭位置下的場景信息，為后續(xù)的處理提供了數(shù)據(jù)基礎。通過對當前圖像進行圖像清晰度評估，量化了圖像的清晰程度，為后續(xù)的聚焦狀態(tài)判斷提供了依據(jù)。圖像清晰度評估，能夠有效地評估圖像的清晰程度，并得到圖像清晰度值，用于判斷聚焦狀態(tài)。圖像清晰度值的計算，使得能夠量化圖像的清晰程度，為后續(xù)的迭代優(yōu)化提供了參考。通過將圖像清晰度值與清晰度閾值進行比較，判斷了聚焦狀態(tài)，為后續(xù)的迭代優(yōu)化提供了控制條件。聚焦狀態(tài)判斷，能夠確定當前圖像是否已經(jīng)聚焦，并為后續(xù)的迭代優(yōu)化提供了控制條件。聚焦狀態(tài)的判斷，使得能夠確定是否需要進行進一步的迭代優(yōu)化，從而實現(xiàn)自動聚焦。通過聚焦迭代優(yōu)化，實現(xiàn)了對鏡頭位置的逐步調(diào)整，提高了聚焦的精度和效率。聚焦迭代優(yōu)化，能夠根據(jù)聚焦狀態(tài)、圖像清晰度值、焦平面置信度圖和修正后鏡頭位移，進行鏡頭位置的逐步調(diào)整。迭代優(yōu)化，能夠不斷調(diào)整鏡頭位置，直到圖像清晰度達到預設的閾值，或者達到預設的迭代次數(shù)，從而提高自動聚焦的精度和效率。

65、優(yōu)選地，本發(fā)明還提供了一種光學鏡頭自動聚焦系統(tǒng)，用于執(zhí)行如上所述的光學鏡頭自動聚焦方法，該光學鏡頭自動聚焦系統(tǒng)包括：

66、光場特征提取模塊，用于通過光場相機進行偏振光場采集，得到偏振多視圖圖像集；對偏振多視圖圖像集進行光場特征提取，得到偏振相位梯度譜；

67、深度信息重建模塊，用于根據(jù)偏振相位梯度譜進行偏振感知深度重建網(wǎng)絡構建，得到初步深度圖；根據(jù)初步深度圖進行光線追蹤模擬處理，得到增強深度圖；對初步深度圖以及增強深度圖進行深度圖優(yōu)化，得到優(yōu)化后深度圖；

68、焦平面預測模塊，用于獲取光學系統(tǒng)參數(shù)；對優(yōu)化后深度圖進行場景分層，得到分層場景；根據(jù)光學系統(tǒng)參數(shù)以及分層場景進行菲涅爾衍射模擬，得到菲涅爾衍射圖像集；對菲涅爾衍射圖像集進行焦平面預測，得到焦平面置信度圖；

69、鏡頭控制指令生成模塊，用于根據(jù)焦平面置信度圖進行鏡頭位移計算，得到鏡頭位移量；根據(jù)鏡頭位移量進行鏡頭位移修正，并進行鏡頭控制指令生成，得到修正后鏡頭位移以及鏡頭控制指令；

70、聚焦確認與優(yōu)化模塊，用于根據(jù)鏡頭控制指令進行鏡頭移動，并進行聚焦狀態(tài)判斷，得到聚焦狀態(tài)；根據(jù)聚焦狀態(tài)進行聚焦迭代優(yōu)化，得到優(yōu)化鏡頭控制指令。