AF 自动对焦系统总览：从选主体到驱动镜组

自动对焦并不是一次“判断清不清晰”，而是一套闭环系统：先决定画面里谁应该清晰，再估计当前离焦状态，驱动镜组移动，最后用新一帧图像确认结果。拍照时它要尽快锁定，录像时还要在主体运动、遮挡和构图变化中保持稳定。

AF 系统在解决哪四件事#

一套完整 AF 可以拆成四层：

目标选择：人脸、眼睛、触控点或中央区域，谁拥有对焦优先级；
焦点观测：用 CDAF 清晰度分数、PDAF 相位差或深度信息估计离焦；
镜组控制：把观测换成位置、方向、速度和制动命令；
时序决策：在锁定、搜索、跟踪、丢失和重捕获状态之间切换。

四层必须协作。测量再准确，如果 ROI 选错，镜头只会非常可靠地对错地方；马达再快，如果缺少减速和回差补偿，也会越过焦点来回振荡。

ROI 决定“清晰”属于谁#

同一画面通常存在多个物距。前景人物和远处背景分别对应不同的最佳镜组位置，全画面平均分数容易被纹理丰富的背景支配。

主体 ROI背景 ROICC0 实拍样片

ROI 综合分数0.45

当前更清晰主体

对焦区域

镜组位置0.50

这张大光圈样片本身具有浅景深。滑杆模拟镜组位置，预览模糊量由选中 ROI 的教学分数驱动；真实离焦卷积不会是均匀 CSS blur。

中央对焦、触控对焦和眼部追踪的差别，首先在于它们怎样产生 ROI、权重和主体身份。主体暂时被遮挡时，系统还要决定保持原距离、扩大搜索区域，还是切换到新目标。

把多个区域合成一个焦点评价值#

设第 $i$ 个小区域的清晰度统计为 $s_i$ ，目标选择层给出的权重为 $w_i \ge 0$ ，最简单的 ROI 评价值可以写成：

S_{\mathrm{ROI}} = \frac{\sum_i w_i s_i}{\sum_i w_i + \varepsilon}

眼睛区域可以获得较大权重，背景和不可信区域获得较小权重。这里的 $S_{\mathrm{ROI}}$ 只是把“该对谁”交给控制层的接口； $s_i$ 可以来自 CDAF、PDAF 置信度或二者融合，并不限定具体焦点评价算子。

下面的独立 NumPy 示例构造了人物与背景各自的焦点评价曲线。改变人物权重后，综合分数的峰值会从纹理更强的背景转向人物：

1
import numpy as np
2

3
position = np.linspace(0.0, 1.0, 101)  # 归一化镜组位置
4
person = 0.75 * np.exp(-0.5 * ((position - 0.32) / 0.08) ** 2)
5
background = 1.00 * np.exp(-0.5 * ((position - 0.78) / 0.10) ** 2)
6

7
def roi_score(person_weight: float) -> np.ndarray:
8
    weights = np.array([person_weight, 1.0 - person_weight])
9
    scores = np.stack([person, background])
10
    return np.average(scores, axis=0, weights=weights)
11

12
for weight in (0.25, 0.85):
13
    score = roi_score(weight)
14
    best = position[np.argmax(score)]
15
    print(f"人物权重={weight:.2f}, 最佳镜组位置={best:.2f}")

这与上面的互动实验使用同一种教学模型：每个物距被简化为一条平滑单峰曲线。真实画面会受到纹理方向、噪声、运动、遮挡与多个局部峰影响，不能仅凭这个高斯模型预测真实镜头位置。

观测、控制和确认组成闭环#

CDAF 从最终图像统计清晰度，适合确认峰值，但单次测量通常不给出移动方向。PDAF 通过成对子像的相位差估计焦前或焦后，能快速给出初始方向和离焦量，却依赖相位像素、标定和有效纹理。实际系统常让 PDAF 快速接近，再由 CDAF 或相位残差确认。

得到离焦估计后，控制器还要把它换成镜组命令。镜头的命令位置不等于实际位置：摩擦、回差、温度、重力方向和机械惯性都会改变响应。AF 因而必须观察移动后的新帧，而不是把一次马达命令当作完成。

把镜组位置记为 $x_t$ ，观测层给出的带符号离焦量记为 $e_t$ ，最简闭环更新可以写成：

x_{t+1}=\operatorname{clip}\!\left(x_t + K(c_t)e_t,\ x_{\min},\ x_{\max}\right)

$c_t$ 是观测置信度，增益 $K(c_t)$ 在高置信度时允许较大动作，在低置信度时缩小动作或直接保持。量产系统还会加入镜组动力学、回差补偿、稳定等待和状态机；这个式子只用来说明“观测—动作—新观测”的反馈关系。

拍照 AF 与视频 AF 的目标不同#

单次 AF 更关心锁焦延迟和成功率，可以容忍较明显的快速移动。连续 AF 更关心观感：

主体小幅运动时不过度追随测量噪声；
路人短暂穿过时不立刻切换焦点；
确认主体持续运动后再平滑加速；
主体丢失时保留距离预测，并限制大范围拉风箱；
变焦或构图变化后，以可控速度重新捕获。

这就是为什么视频 AF 往往看起来比静态 AF 慢：它优化的是稳定、平滑和叙事意图，不只是最短到达时间。

AF 与 AE、ISP 的耦合#

曝光不足会让相位和清晰度统计淹没在噪声里；曝光时间过长又会把运动模糊伪装成离焦。降噪和锐化若在搜索过程中剧烈变化，也会破坏跨帧分数的一致性。因此 3A 需要共享状态：AE 在关键搜索阶段限制亮度跳变，AF 向 AE 提供锁定或运动信息，ISP 则保证统计链路尽量稳定。

工程验收关注什么#

近、中、远多个物距与镜组全行程；
人脸进出、遮挡、多主体竞争和低纹理目标；
低照、逆光、闪烁光源与快速运动；
不同纹理方向下的 PDAF 置信度；
镜组回差、温度、姿态与重复定位误差；
视频中的焦点呼吸、切换延迟和稳定性；
信息不足时能否降低置信度并安全回退。

AF 的核心不是“找最清晰的一帧”，而是持续回答三个问题：该对谁、该往哪走、什么时候应该停下或等待。后续两篇将分别展开 CDAF/PDAF 的观测原理，以及搜索、马达控制与连续追焦策略。