CN104182970B - 一种基于摄影构图规则的留念照人像站位推荐方法 - Google Patents
一种基于摄影构图规则的留念照人像站位推荐方法 Download PDFInfo
- Publication number
- CN104182970B CN104182970B CN201410389510.2A CN201410389510A CN104182970B CN 104182970 B CN104182970 B CN 104182970B CN 201410389510 A CN201410389510 A CN 201410389510A CN 104182970 B CN104182970 B CN 104182970B
- Authority
- CN
- China
- Prior art keywords
- people
- scenery
- erect
- rule
- portrait
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于摄影构图规则的留念照人像站位推荐方法。此方法由三个有效步骤组成:1)利用图片样本中人与景物相对位置关系,学习正规则,分析人应该站在场景中的哪个位置;2)基于经验性构图规则,定义反规则,决定场景中不适合站人的区域;3)结合步骤1)得到的正规则得分和步骤2)得到的反规则得分,得到每个人站位总得分,对场景进行最优位置搜索。最终在景物图上画出人形图标把人像站位推荐给用户。
Description
技术领域
本发明属于计算摄影学及图像处理领域,涉及摄影构图规则的留念照人像站位推荐方法。
背景技术
在旅行时,人们经常会在景点拍照留念,这些留念照通常包含两部分:人物和背景。然而,业余摄影师在拍摄留念照时经常会忽略人像的站位对留念照构图的影响,所以可以考虑用现有的图像处理相关方法来引导用户站位,拍摄出构图理想的留念照。
在摄影学中,存在一些经验性构图规则可以引导用户拍摄,但是这些规则不足以应对各种复杂的背景、场景。构造一个构图理想的图片数据集,然后从中学习不同场景下人与景物的相对位置关系,再结合摄影学中的经验性构图规则,可以为用户提供一个较理想的站位推荐。
发明内容
本发明的主要目的是基于摄影构图规则,为正在摄影的用户实时推荐人像的站位,使用户拍出构图理想的留念照。
本发明提供了一种基于摄影构图规则的留念照人像站位推荐方法,包括以下步骤:
1)构建一个构图理想的人像数据集,利用数据集图片样本中人与景物相对位置关系,学习正规则,分析人应该站在场景中的哪个位置;
2)基于经验性构图规则,定义反规则,决定场景中不适合站人的区域;
3)结合步骤1)得到的正规则和步骤2)得到的反规则计算合理的人像站位,并推荐站位推荐给拍照的用户。
所述的基于摄影构图规则的留念照人像站位推荐方法目标是在用户拍照时给出站位推荐,而非照片的后期处理。
所述的构图理想的人像数据集只考虑站立姿势的人像,不考虑坐着、躺着、半蹲等其他姿势。
所述的构图理想的人像数据集,选取3000张人像数据集图片,每张图片满足包含且仅包含一个主角,包含清晰、明显的景物,并且是自然图像三个原则,邀请25个人为3000张图片打分,选出得分从高到低的前500张图片并进行左右对称翻转,得到1000张作为最终构图理想的人像数据集。
所述对图片中的人物进行参数化表达,忽略不同人的身材差异,用一个固定长宽比的矩阵描述人。利用3维向量H(x,α)描述人的站位,其中2维向量x表示人物位置(人脸中心点)坐标,标量α反应人物大小(人脸面积与图片面积比)。
所述对图片中的景物进行参数化表达,定义一个90维的特征S:前85维元素是对提取到的景物的二值掩码进行金字塔采样(pyramid sampling)的结果,S(0),S(1∶4),S(5∶20)和S(21∶84)分别表示第1层到第4层金字塔采样,每个单元中被标记为景物的像素的比例被赋给S中对应的维度,同时引入5维元素S(85∶89)描述景物在图像中的分布,按5种不同的方式将景物的二值掩码分为两个部分(左右、上下、内外、左上右下和右上左下),然后计算两个部分被标记为景物的像素比例的差,赋给对应的维度,S(0)反应景物大小,S(1∶84)描述景物的形状及位置;S(85∶89)反应景物更多地分布在哪一部分。
所述的不同种类的场景拥有不同的构图规则,不能用统一模型来建模人与景物的位置关系,所以将数据集中的所有图像按照景物的特征分为多类,再对每一类单独地分析适用于这一类的构图特征,本发明将所有图像按照景物的特征分为15类,利用K-means算法对其求解。
所述的对于给定的一类景物,通过浏览属于这类景物的留念照发现,有不止一个理想的人的站位,本发明使用混合高斯模型(Gaussian Mixture Model)对每一类场景合适的人的位置坐标进行统计分析,利用单一的高斯模型估算合适的人物大小。
所述的通过学习得到的人的位置坐标和大小分布可以用来指导图像中哪些部分适合站人,本发明称之为正规则。
所述的反规则来自于三条常用的经验性构图规则:人尽量不要挡住景物中的显著区域;人不能挡住景物中的消失点;明显的直线不能贯穿人的头部,每一条准则都会为任一的人的站位H提供一个量化分数,反规则的总得分就是三个量化分数的乘积:
Score-(H)=Score-(H|S)·Score-(H|V)·Score-(H|L)
其中,S,V和L分别表示景物图的显著区域、消失点和直线。
所述的反规则之人尽量不要挡住景物中的显著区域,显著区域是用户想要合照的景物本身或者景物中重要的部分,所以对人的站位H的评估取决于该站位挡住多少显著区域:
S是通过区域对比度的方法得到的显著区域的二值掩码。Recth表示的是当人站在h处占据图像中的矩形区域。符号“&”表示“和”操作,可以计算出显著区域中被人遮挡的区域。‖·‖统计二值掩码中非零像素的个数。本发明利用参数λs来调整Score-(H|S)的范围,可以起到权衡反规则得到各项之间的权重的作用。在本发明中,λs被设为4。
所述的反规则之人不能挡住景物中的消失点,消失点反映了场景中深度的渐变过程,可以为图像增加纵深感,所以在最终的人像照片中,场景中的消失点不应该被人遮挡,本发明通过检查人的站位是否与消息点的位置重合来计算站位H的得分:
Score-(H|V)=1-λv×1(RectH(V)=1)
本发明用V表示消失点的2维坐标。将权重λv设为0.9。
所述的反规则之明显的直线不能贯穿人的头部,本发明应用Hough变换来检测景物图中比较显著的长直线,直线的二值掩码表达为L,人的站位确定后,可以估计到人头部的位置,将其记为HeadH,所以要求人的头部和直线的掩码的交集为空:
Score-(H|L)=1-λL×1(Headh&L)
本发明设置权重λL为0.7。
所述的一种基于摄影构图规则的留念照人像站位推荐方法,每个人的站位总得分通过正、反规则的得分相乘得到,本发明预先为每个景物类别生成多张正规则得分图,每张得分图表示的是对于给定的人的大小每个位置坐标的得分,然后,对于测试的场景计算正规则得分,只需确 认该场景属于哪个类别,然后加载该类别的正规则得分图;对于反规则,本发明利用图像滤波器加速反规则得分的计算。
所述的人的站位总得分计算方法确定后,利用遍历搜索来寻找最佳站位,站位的横坐标搜索范围是0到1,人物大小的范围是0.04到0.07,站位的纵坐标搜索范围是0.9-t到1(t表示平均人形中人脸部中心点到人脚部的距离),本发明以0.005的步长遍历3维搜索空间,寻找得分最高的人的站位,然后在景物图中相应位置画出人形,推荐给用户。
本发明在保证实时性的基础上,给用户推荐较好的留念照站位。
附图说明
图1是本发明一种基于摄影构图规则的留念照人像站位推荐方法流程图。
图2是人像站位推荐结果示意图。
具体实施方式
下面结合本发明中的附图,对本发明的技术方案进行清晰、完整地描述。基于本发明的实施例,本领域普通技术人员在没有做创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种基于摄影构图规则的留念照人像站位推荐方法,图1展示了该方法的整体流程。基于摄影构图规则的留念照人像站位推荐方法具体实施步骤如下:
步骤1,采集图片数据,学习正规则。本发明选取留念照3000张,每张图片满足包含且仅包含一个主角,包含清晰、明显的景物,并且是自然图像三个原则。邀请25个人为3000张图片打分,选出得分从高到低的前500张图片并进行左右翻转,最终1000张作为人像数据集,将搜集到的图片中的人和景物提取出来,对它们进行参数化表达。不同种类的场景拥有不同的构图规则,不能用统一模型来建模人与景物的位置关系,所以将数据集中的所有图像按照景物的特征分为多类,再对每一类单独地分析适用于这一类的构图特征,本发明将所有图像按照景物的特征分为15类,利用K-means算法对其求解。对于给定的一类景物,通过浏览属于这类景物的留念照发现,有不止一个理想的人的站位,本发明使用混合高斯模型(Gaussian Mixture Model)对每一类场景合适的人的位置坐标进行统计分析,利用单一的高斯模型估算合适的人物大 小。过学习得到的人的位置坐标和大小分布可以用来指导图像中哪些部分适合站人,本发明称之为正规则。
步骤2,基于经验性构图规则,定义反规则。反规则来自于三条常用的经验性构图规则:人尽量不要挡住景物中的显著区域;人不能挡住景物中的消失点;明显的直线不能贯穿人的头部,每一条准则都会为任一的人的站位提供一个量化分数,反规则的总得分就是三个量化分数的乘积。
步骤3,利用正规则和反规则计算合理的人物站位。每个人的站位总得分通过正、反规则的得分相乘得到,本发明预先为每个景物类别生成多张正规则得分图,每张得分图表示的是对于给定的人的大小每个位置坐标的得分,然后,对于测试的场景计算正规则得分,只需确认该场景属于哪个类别,然后加载该类别的正规则得分图;对于反规则,本发明利用图像滤波器加速反规则得分的计算。人的站位总得分计算方法确定后,利用遍历搜索来寻找最佳站位,站位的横坐标搜索范围是0到1,人物大小的范围是0.04到0.07,站位的纵坐标搜索范围是0.9-t到1(t表示平均人形中人脸部中心点到人脚部的距离),本发明以0.005的步长遍历3维搜索空间,寻找得分最高的人的站位,然后在景物图中相应位置画出人形,推荐给用户,参见图2。
最后,以上所述仅为本发明较有代表性的实施例。本领域的普通技术人员可在不脱离本发明的发明思想情况下,对上述实施例做出种种修改或变化,因而本发明的保护范围并不被上述实施例所限,而应该是符合权利要求数提到的创新性特征的最大范围。
Claims (8)
1.一种基于摄影构图规则的留念照人像站位推荐方法,其特征在于该方法包括如下步骤:
步骤1)构建一个构图理想的人像数据集,利用数据集图片样本中人与景物相对位置关系,学习正规则,分析人应该站在场景中的哪个位置;所述的构图理想的人像数据集只考虑站立姿势的人像,不考虑坐着、躺着、半蹲姿势;
将数据集图片样本中的人和景物提取出来,对它们进行参数化表达;
对数据集图片样本中的人物进行参数化表达,忽略不同人的身材差异,用一个固定长宽比的矩阵描述人;利用3维向量H(x,α)描述人的站位,其中2维向量x表示人物位置坐标,标量α反应人物大小;
对数据集图片样本中的景物进行参数化表达,定义一个90维的特征S:前85维元素是对提取到的景物的二值掩码进行金字塔采样的结果,S(0),S(1∶4),S(5∶20)和S(21∶84)分别表示第1层到第4层金字塔采样,每个单元中被标记为景物的像素的比例被赋给S中对应的维度,同时引入5维元素S(85∶89)描述景物在图像中的分布,按左右、上下、内外、左上右下和右上左下这5种不同的方式将景物的二值掩码分为两个部分,然后计算两个部分被标记为景物的像素比例的差,赋给对应的维度,S(0)反应景物大小,S(1∶84)描述景物的形状及位置;S(85∶89)反应景物更多地分布在哪一部分;
步骤2)基于经验性构图规则,定义反规则,决定场景中不适合站人的区域;
步骤3)结合步骤1)得到的正规则和步骤2)得到的反规则计算合理的人像站位,并推荐站位给拍照的用户。
2.根据权利要求1所述的一种基于摄影构图规则的留念照人像站位推荐方法,其特征在于:构建一个构图理想的人像数据集具体是:选取3000张人像数据集图片,每张图片满足包含且仅包含一个主角,包含清晰、明显的景物,并且是自然图像三个原则,邀请25个人为3000张图片打分,选出得分从高到低的前500张图片并进行左右对称翻转,得到1000张作为最终构图理想的人像数据集。
3.根据权利要求1所述的一种基于摄影构图规则的留念照人像站位推荐 方法,其特征在于:不同种类的场景拥有不同的构图规则,不能用统一模型来建模人与景物的位置关系,将数据集中的所有图像按照景物的特征分为15类,再对每一类单独地分析适用于这一类的构图特征。
4.根据权利要求3所述的一种基于摄影构图规则的留念照人像站位推荐方法,其特征在于:对于给定的一类景物,通过浏览属于这类景物的留念照发现,有不止一个理想的人的站位,使用混合高斯模型对每一类场景合适的人的位置坐标进行统计分析,利用单一的高斯模型估算合适的人物大小。
5.根据权利要求1所述的一种基于摄影构图规则的留念照人像站位推荐方法,其特征在于:通过学习得到的人的位置坐标和大小分布可以用来指导图像中哪些部分适合站人,称之为正规则。
6.根据权利要求1所述的一种基于摄影构图规则的留念照人像站位推荐方法,其特征在于:反规则来自于三条常用的经验性构图规则:人尽量不要挡住景物中的显著区域;人不能挡住景物中的消失点;明显的直线不能贯穿人的头部,每一条准则都会为任一的人的站位H提供一个量化分数,反规则的总得分就是三个量化分数的乘积:
Score-(H)=Score-(H|S)·Score-(H|V)·Score-(H|L)
其中,S,V和L分别表示景物图的显著区域、消失点和直线;
所述显著区域是用户想要合照的景物本身或者景物中重要的部分,所以对人的站位H的评估取决于该站位挡住多少显著区域:
S是通过区域对比度的方法得到的显著区域的二值掩码;RectH表示的是当人站在H处占据图像中的矩形区域;符号“&”表示“和”操作,可以计算出显著区域中被人遮挡的区域;||.||统计二值掩码中非零像素的个数;参数λs用来调整Score-(H|S)的范围,可以起到权衡反规则得到各项之间的权重的作用;
所述消失点反映了场景中深度的渐变过程,可以为图像增加纵深感,所以在最终的人像照片中,场景中的消失点不应该被人遮挡,通过检查人的站位是否与消息点的位置重合来计算站位H的得分:
Score-(H|V)=1-λv×1(RectH(V)=1)
V表示消失点的2维坐标,λv表示权重;
应用Hough变换来检测景物图中比较显著的长直线,直线的二值掩码表 达为L,人的站位确定后,可以估计到人头部的位置,将其记为HeadH,所以要求人的头部和直线的掩码的交集为空:
Score-(H|L)=1-λL×1(HeadH&L)。
7.根据权利要求1所述的一种基于摄影构图规则的留念照人像站位推荐方法,其特征在于:每个人的站位总得分通过正、反规则的得分相乘得到,预先为每个景物类别生成多张正规则得分图,每张得分图表示的是对于给定的人的大小每个位置坐标的得分,然后,对于测试的场景计算正规则得分,只需确认该场景属于哪个类别,然后加载该类别的正规则得分图;对于反规则,利用图像滤波器加速反规则得分的计算。
8.根据权利要求7所述的一种基于摄影构图规则的留念照人像站位推荐方法,其特征在于:人的站位总得分计算方法确定后,利用遍历搜索来寻找最佳站位,站位的横坐标搜索范围是0到1,人物大小的范围是0.04到0.07,站位的纵坐标搜索范围是0.9-t到1,t表示平均人形中人脸部中心点到人脚部的距离,以0.005的步长遍历3维搜索空间,寻找得分最高的人的站位,然后在景物图中相应位置画出人形,推荐给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410389510.2A CN104182970B (zh) | 2014-08-08 | 2014-08-08 | 一种基于摄影构图规则的留念照人像站位推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410389510.2A CN104182970B (zh) | 2014-08-08 | 2014-08-08 | 一种基于摄影构图规则的留念照人像站位推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104182970A CN104182970A (zh) | 2014-12-03 |
CN104182970B true CN104182970B (zh) | 2017-01-25 |
Family
ID=51963988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410389510.2A Active CN104182970B (zh) | 2014-08-08 | 2014-08-08 | 一种基于摄影构图规则的留念照人像站位推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104182970B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572830A (zh) * | 2014-12-09 | 2015-04-29 | 百度在线网络技术(北京)有限公司 | 推荐拍摄信息的处理方法及装置 |
CN105100625B (zh) * | 2015-08-27 | 2018-06-12 | 华南理工大学 | 一种基于图像美学的人物图像辅助拍摄方法和系统 |
CN105630935B (zh) * | 2015-12-21 | 2019-09-13 | 魅族科技(中国)有限公司 | 图片推荐方法和装置 |
CN105894016B (zh) * | 2016-03-29 | 2020-02-21 | 联想(北京)有限公司 | 图像处理方法和电子设备 |
US10218901B2 (en) | 2017-04-05 | 2019-02-26 | International Business Machines Corporation | Picture composition adjustment |
CN107018330A (zh) * | 2017-04-19 | 2017-08-04 | 中国电子科技集团公司电子科学研究院 | 一种实时拍照指导方法及装置 |
WO2018192244A1 (zh) * | 2017-04-19 | 2018-10-25 | 中国电子科技集团公司电子科学研究院 | 一种智能设备的拍摄引导方法 |
CN107835364A (zh) * | 2017-10-30 | 2018-03-23 | 维沃移动通信有限公司 | 一种拍照辅助方法及移动终端 |
CN108989670A (zh) * | 2018-07-18 | 2018-12-11 | 奇酷互联网络科技(深圳)有限公司 | 移动终端和引导用户拍照的方法、装置 |
CN109978884B (zh) * | 2019-04-30 | 2020-06-30 | 恒睿(重庆)人工智能技术研究院有限公司 | 基于人脸分析的多人图像评分方法、系统、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102414717A (zh) * | 2009-04-29 | 2012-04-11 | 皇家飞利浦电子股份有限公司 | 选择相机的最佳观察角位置的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100063876A1 (en) * | 2008-09-11 | 2010-03-11 | Gm Global Technology Operations, Inc. | Algorithmic creation of visual images |
-
2014
- 2014-08-08 CN CN201410389510.2A patent/CN104182970B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102414717A (zh) * | 2009-04-29 | 2012-04-11 | 皇家飞利浦电子股份有限公司 | 选择相机的最佳观察角位置的方法 |
Non-Patent Citations (3)
Title |
---|
AESTHETIC COMPOSITION REPRESETATION FOR PORTRAIT PHOTOGRAPHING RECOMMENDATION;Yanhao Zhang 等;《2012 19th IEEE International Conference on Image Processing》;20121003;2753-2756 * |
Learning to Photograph: A Compositional Perspective;Bingbing Ni 等;《IEEE TRANSACTIONS ON MULTIMEDIA》;20130831;第15卷(第5期);1138-1151 * |
Where should I stand? Learning based human position recommendation for mobile photographing;Pengfei Xu 等;《Multimedia Tools and Applications》;20140331;第69卷(第1期);第1节,第2节,第3节,第4.3节,第4.4节,第5节,第5.2节,图3,图5 * |
Also Published As
Publication number | Publication date |
---|---|
CN104182970A (zh) | 2014-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104182970B (zh) | 一种基于摄影构图规则的留念照人像站位推荐方法 | |
CN103413347B (zh) | 基于前景背景融合的单目图像深度图提取方法 | |
CN101558404B (zh) | 图像分割 | |
Choutas et al. | Accurate 3D body shape regression using metric and semantic attributes | |
CN104751407B (zh) | 一种用于对图像进行虚化的方法和装置 | |
CN110348445A (zh) | 一种融合空洞卷积和边缘信息的实例分割方法 | |
CN107832672A (zh) | 一种利用姿态信息设计多损失函数的行人重识别方法 | |
CN106096542B (zh) | 基于距离预测信息的图像视频场景识别方法 | |
CN104299245B (zh) | 基于神经网络的增强现实跟踪方法 | |
CN109583481B (zh) | 一种基于卷积神经网络的细粒度服装的属性识别方法 | |
CN103262126B (zh) | 图像处理装置、照明处理装置及其方法 | |
CN104881642A (zh) | 一种内容推送方法、装置及设备 | |
CN110110578B (zh) | 一种室内场景语义标注方法 | |
CN107170037A (zh) | 一种基于多摄像机的实时三维点云重建方法和系统 | |
CN102156985A (zh) | 基于虚拟卡口的行人及车辆数目计数方法 | |
CN102271262B (zh) | 用于3d显示的基于多线索的视频处理方法 | |
CN101339661B (zh) | 一种基于手持设备运动检测的实时人机交互方法和系统 | |
CN102034267A (zh) | 基于关注度的目标物三维重建方法 | |
WO2018053952A1 (zh) | 一种基于场景样本库的影视图像深度提取方法 | |
CN106529432A (zh) | 一种深度融合显著性检测与先验知识的手部区域分割方法 | |
CN104517095A (zh) | 一种基于深度图像的人头分割方法 | |
CN102567716A (zh) | 一种人脸合成系统及实现方法 | |
CN107273933A (zh) | 一种图像追踪分类器的构建方法及应用其的人脸追踪方法 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN109636764A (zh) | 一种基于深度学习与显著性检测的图像风格转移方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |