年龄诱导离焦对车载摄像头目标检测性能影响的量化研究

为解决车载摄像头因老化或温度变化导致的离焦问题及其对安全关键目标检测的影响，研究人员开展了离焦对多种预训练目标检测模型性能影响的系统性研究。通过构建可控离焦实验平台，模拟不同距离（2-100米）和离焦程度（±50微米）下的驾驶场景，评估了YOLOv8、F-RCNN等模型的召回率（Recall）和置信度。结果表明：在40米内模型对离焦具有强鲁棒性，但60米后召回率骤降至0.5以下；高空间频率目标（如自行车）对离焦更敏感。该研究为车载摄像头公差设计提供了量化依据，对ADAS（高级驾驶辅助系统）可靠性优化具有重要意义。

　　

随着自动驾驶和高级驾驶辅助系统（ADAS）的快速发展，车载摄像头已成为环境感知的核心传感器。然而，摄像头在长期使用中会因温度变化、材料老化等因素产生离焦（Defocus），导致成像质量下降。更棘手的是，传统光学指标如调制传递函数（MTF）虽能评估成像清晰度，却无法直接反映其对安全关键功能——如行人、车辆检测的影响。这一"光学性能-算法表现"的关联断层，使得工程师难以在摄像头公差设计和成本控制间取得平衡。

为解决这一难题，研究人员设计了一项创新实验：将量产车载摄像头的传感器与镜头分离，通过精密位移平台模拟±50微米的离焦（相当于老化或温变导致的典型位移量），在2-100米距离范围内采集包含行人、自行车、汽车的静态场景图像。研究团队选取了9种主流目标检测模型（包括YOLOv8x、F-RCNN等），通过对比其在离焦图像中的召回率（Recall）和置信度，首次建立了离焦程度与算法性能的定量关系。

关键技术方法包括：1）改装量产摄像头实现可控离焦，采用0.1μm精度位移传感器校准；2）基于ISO12233标准测量空间频率响应（SFR₅₀）量化离焦程度；3）构建包含3类目标（行人、自行车、汽车）的静态场景数据集，人工标注零离焦图像作为真值；4）采用交并比（IoU）阈值0.5评估模型检测效果，计算召回率和平均置信度。

研究结果揭示多个重要发现：

1. 距离主导效应
   在40米内，即使存在50微米离焦，大型模型（如F-RCNN）召回率仍保持0.92以上。但超过60米后，所有模型召回率骤降至0.5以下，100米时仅能检测到1个目标。这表明目标像素面积（与距离平方成反比）比离焦更影响检测性能。

2. 离焦的非对称影响
   高空间频率目标（如自行车辐条）对离焦最敏感：在40米距离，-50微米离焦会使自行车检测完全失效，而汽车（低空间频率）仍可被识别。有趣的是，适度离焦（-10微米）有时能提升检测置信度——模型会忽略被遮挡车辆，转而更确信地识别主车。

3. 模型架构差异
   两阶段检测器（如F-RCNN）在远距离表现最优，但计算成本高；单阶段模型（如YOLOX-tiny）在40米内性价比最高。小型模型（参数<10M）对离焦更敏感，40米处召回率可降低36%（相较大型模型）。

4. 边缘区域脆弱性
   位于图像边缘的行人（尤其是2米近距离）检测率异常低，推测因镜头畸变和离焦叠加导致特征丢失。这提示ADAS需特别优化边缘区域的检测算法。

这项研究首次通过实验证实：在60米内的典型驾驶场景中，车载摄像头可容忍±30微米的离焦而不影响安全关键检测；但超出此范围需优先保障光学性能。该结论为摄像头公差设计提供了量化标准——例如在40-60米关键距离带，需将离焦控制在±20微米内以确保VRU（弱势道路使用者）检测可靠性。未来研究可结合动态场景和更多环境变量（如夜间、雨雾），进一步细化ADAS的光学-算法协同设计准则。论文发表在工程领域期刊《Results in Engineering》，为自动驾驶产业链的摄像头选型与算法适配提供了重要理论支撑。