CN109495690A - 一种摄像处理方法 - Google Patents

Abstract

本发明涉及拍摄技术领域，具体涉及一种摄像处理方法。所述摄像处理方法包括步骤：获取人脸区域的平均亮度；控制延长摄像设备的快门时间进行拍摄；对拍摄获取的视频进行降噪处理后输出。通过获取人脸区域的平均亮度，根据平均亮度控制摄像设备的快门时间进行拍摄，并对拍摄获取的视频进行降噪处理后输出，在黑暗光源不足的环境下仍可拍摄得到清晰的视频。

Description

一种摄像处理方法

技术领域

本发明涉及拍摄技术领域，具体涉及一种摄像处理方法。

背景技术

摄像机，其工作的基本原理是：把光学图像信号转变为电信号，以便于存储或者传输。当我们拍摄一个物体时，此物体上反射的光被摄像机镜头收集，使其聚焦在摄像器件的受光面(例如摄像管的靶面)上，再通过摄像器件把光转变为电能，即得到了“视频信号”。光电信号很微弱，需通过预放电路进行放大，再经过各种电路进行处理和调整，最后得到的标准信号可以送到录像机等记录媒介上记录下来，或通过传播系统传播或送到监视器上显示出来。

随着科学技术的发展，摄像机的应用越来越广泛。摄像机应用于交通路况拍摄、监控、办公会议视频等。在黑暗光源不足的环境下，摄像机拍摄的视频会出现模糊、不清晰的问题。

提供一种摄像处理方法，在黑暗光源不足的环境下仍可拍摄到清晰的视频是本领域技术人员重点研究的问题之一。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种摄像处理方法，克服现有的摄像设备在黑暗光源不足的环境下拍摄到的视频出现模糊、不清晰的问题。

本发明解决其技术问题所采用的技术方案是：提供一种摄像处理方法，包括步骤：

获取人脸区域的平均亮度；

控制延长摄像设备的快门时间进行拍摄；

对拍摄获取的视频进行降噪处理后输出。

本发明的更进一步优选方案是：所述摄像处理方法在降噪处理前还包括步骤：

增大摄像设备的光圈。

本发明的更进一步优选方案是：所述获取人脸区域的平均亮度包括步骤：

识别待拍摄图像的人脸区域；

获取人脸区域中每一像素点的亮度值；

采用图像自然亮度算法对所述亮度值进行处理获取人脸区域的平均亮度。

本发明的更进一步优选方案是：所述摄像处理方法还包括步骤：

通过利用训练构建的机器学习模型对快门时间进行控制延长和对摄像设备的光圈进行控制增大。

本发明的更进一步优选方案是：所述训练构建机器学习模型包括步骤：

根据摄像过程中人脸与镜头的距离和人脸姿态变化不断设置延长的快门时间和增大的光圈倍数获取最佳的清晰视频以训练构建机器学习模型。

本发明的更进一步优选方案是：所述根据摄像过程中人脸与镜头的距离和人脸姿态变化不断设置延长的快门时间和增大的光圈倍数获取最佳的清晰视频以训练构建机器学习模型包括步骤：

在人脸与镜头的距离增大的情况下减少延长的快门时间，减少增大的光圈倍数，在人脸姿态变化快的情况下减少延长的快门时间，减少增大的光圈倍数；

结合人脸与镜头的距离和人脸姿态变化设置延长的快门时间和增大的光圈倍数。

本发明的更进一步优选方案是：所述摄像处理方法还包括步骤：

保留原有的机器学习模型的设置参数，通过迁移学习优化机器学习模型设置更优的延长的快门时间和增大的光圈倍数。

本发明的更进一步优选方案是：所述摄像处理方法还包括步骤：

预设人脸区域的亮度阈值；

将获取的人脸区域的平均亮度与亮度阈值进行比较；

根据比较结果启动通过利用训练构建的机器学习模型对快门时间进行控制延长和光圈进行控制增大。

本发明的更进一步优选方案是：所述摄像处理方法还包括步骤：

通过机器学习构建自适应降噪模型，在对拍摄获取的视频进行自适应性的降噪处理后输出。

本发明的更进一步优选方案是：所述通过机器学习构建自适应降噪模型包括步骤：

统计不同光照强度下视频图像的平均亮度，并确定时域降噪阈值和空域降噪阈值；

根据当前拍摄的视频图像计算图像平均亮度，并根据所述时域降噪阈值以及空域降噪阈值确定当前的时域、空域降噪级别；

根据所述时域降噪级别对视频图像进行时域降噪处理；

根据所述空域降噪级别对时域降噪处理后的图像进行空域降噪处理。

本发明的有益效果在于，与现有技术相比，通过获取人脸区域的平均亮度，根据平均亮度控制摄像设备的快门时间进行拍摄，并对拍摄获取的视频进行降噪处理后输出，在黑暗光源不足的环境下仍可拍摄得到清晰的视频。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明的摄像处理方法的流程框图；

图2是本发明的摄像处理方法的具体流程框图；

图3是本发明的获取人脸区域的平均亮度的流程框图；

图4是本发明的判断启动机器学习模型的流程框图；

图5是本发明的训练构建机器学习模型的流程框图；

图6是本发明的降噪处理的流程框图；

图7是本发明的降噪处理的另一实施例的流程框图。

具体实施方式

现结合附图，对本发明的较佳实施例作详细说明。

如图1至7所示，本发明提供一种摄像处理方法的优选实施例。

所述摄像处理方法包括步骤：

S10、获取人脸区域的平均亮度；

S20、控制延长摄像设备的快门时间进行拍摄；

S40、对拍摄获取的视频进行降噪处理后输出。

在黑暗光源不足的环境下，人脸区域的亮度低，会导致拍摄得到的视频模糊、不清晰，获取人脸区域的平均亮度后，通过控制延长摄像设备的快门时间后进行拍摄，再对拍摄获取的视频进行降噪处理，得到的视频中可清晰看清识别人脸，提高在黑暗光源不足的环境下摄像获取的视频的质量。

本发明的摄像处理方法可应用于摄像机、监控器、会议视频等摄像应用场合中。

进一步地，在降噪处理前还包括步骤：S30、增大摄像设备的光圈。增大光圈，可增大进光照度，减小景深，可使背景模糊化，使主要需要清晰显示识别的人脸区域相比于背景较清晰。

其中，在延长摄像设备的快门时间和增大摄像设备的光圈后，在黑暗光源不足的环境下所得到的视频画面是亮的，但会存在画面拖影、重影的现象，通过降噪处理，可输出人脸区域清晰的视频。

参考图3，本实施例的步骤S10中，所述获取人脸区域的平均亮度包括步骤：

S11、识别待拍摄图像的人脸区域；

S12、获取人脸区域中每一像素点的亮度值；

S13、采用图像自然亮度算法对所述亮度值进行处理获取人脸区域的平均亮度。

其中，在所拍摄的视频中主要是可对人脸区域进行识别，获取人的面部表情。所述像素点是指图像上的最小单元，像素点的亮度值表示该像素点对应的图像的亮度。

以及，待拍摄图像的人脸区域的识别主要依据人脸上的特征点的识别，对人脸图像进行特征点识别之前，还需要进行特征点提取和分类，这个过程一般需要做几何归一化算法和灰度归一化算法。

几何归一化算法是根据人脸定位结果将图像中人脸变换到同一位置和同样大小。灰度归一化算法是指对图像进行光照补偿等处理，光照补偿能够一定程度的克服光照变化的影响而提高特征点识别的准确度。

识别人脸过程中，首先将待确定的人脸图像和人脸模板进行模板匹配，如果匹配，那么将其投影到人脸子空间，由特征子脸技术判断是否为人脸。其中，模板匹配，是指按照人脸特征点，将人脸图像划分成14个不同区域，用每个区域的灰度统计值表示该区域，用整个样本的灰度平均值归一化，从而得到用特征点向量表示的人脸模板。通过非监督学习的方法对训练样本聚类，得到参考模板族。将测试图像的模板与参考模板在某种距离测度下匹配，通过阈值判断匹配程度。

特征子脸技术从统计的角度，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸(Eigenface)。实际上，特征脸反映了隐含在人脸样本集合内部的信息和人脸的结构关系。将眼睛、面颊、下颌的样本集协方差矩阵的特征向量称为特征眼、特征颌和特征唇，统称特征子脸。特征子脸在相应的图像空间中张成子空间，称为子脸空间。计算出测试图像窗口在子脸空间的投影距离，若窗口图像满足阈值比较条件，则判断其为人脸。该人脸对应的区域为人脸区域。

以及，图像自然亮度算法是指根据图像中每一像素点的亮度值计算图像平均亮度的算法。平均自然亮度值是表示图像的明亮程度的平均值。

本实施例中，所述摄像处理方法还包括步骤：

S22、通过利用训练构建的机器学习模型对快门时间进行控制延长和对摄像设备的光圈进行控制增大。

其中，训练构建机器学习模型包括步骤：

根据摄像过程中人脸与镜头的距离和人脸姿态变化不断设置延长的快门时间和增大的光圈倍数获取最佳的清晰视频以训练构建机器学习模型。

具体地，参考图5，步骤S22中，包括步骤：

S221、在人脸与镜头的距离增大的情况下减少延长的快门时间，减少增大的光圈倍数，在人脸姿态变化快的情况下减少延长的快门时间，减少增大的光圈倍数；

S222、结合人脸与镜头的距离和人脸姿态变化设置延长的快门时间和增大的光圈倍数。

本实施例中，所述摄像处理方法还包括步骤：

保留原有的机器学习模型的设置参数，通过迁移学习优化机器学习模型设置更优的延长的快门时间和增大的光圈倍数。

通过迁移学习优化，不断更新机器学习模型，能适应在不同环境亮度下调节设置延长的快门时间和光圈倍数的增大倍数，使摄像设备在不同的黑暗光源不足的环境下仍可获取清晰的视频。

本实施例中，参考图4，所述摄像处理方法还包括步骤：

S211、预设人脸区域的亮度阈值；

S212、将获取的人脸区域的平均亮度与亮度阈值进行比较；

S213、根据比较结果启动通过利用训练构建的机器学习模型对快门时间进行控制延长和光圈进行控制增大。

通过将实际检测计算获取的人脸区域的平均亮度与预设的亮度阈值进行比较，在人脸区域的平均亮度低于亮度阈值时，启动训练构建的机器学习模型对快门时间进行控制延长和光圈进行控制增大，增加进光量；在检测到的人脸区域的平均亮度不低于阈值时，不对摄像设备的快门时间和光圈进行调节。

本实施例中，所述摄像处理方法还包括步骤：

S41、通过机器学习构建自适应降噪模型，在对拍摄获取的视频进行自适应性的降噪处理后输出。通过自适应性降噪模型，根据不同光照强度下人脸区域的平均亮度进行降噪处理。

其中，参考图6，所述通过机器学习构建自适应降噪模型包括步骤：

S411、统计不同光照强度下视频图像的平均亮度，并确定时域降噪阈值和空域降噪阈值；

S412、根据当前拍摄的视频图像计算图像平均亮度，并根据所述时域降噪阈值以及空域降噪阈值确定当前的时域、空域降噪级别；

S413、根据所述时域降噪级别对视频图像进行时域降噪处理；

S414、根据所述空域降噪级别对时域降噪处理后的图像进行空域降噪处理。

通过自适应性降噪模型对获取的视频进行降噪，可降低在黑暗光源不足的环境下获取视频中图像信号噪波干扰，将减少和面噪点，获取人脸区域清晰可见的视频。

当然，在其他实施例中，参考图7，可通过以下步骤进行降噪处理：

S421、获取拍摄的前后两帧图像进行对比筛选处理，找出噪点位置；

S422、通过增益单元对噪点位置进行增益控制。

步骤S421和S422可降低在黑暗光源不足的环境下获取图像信号噪波干扰，将减少和面噪点，获取人脸区域清晰可见的视频。

其中，图像中噪点位置的出现是随机的，因此每一帧图像出现的噪点位置是不相同的，通过对比前后两帧图像，将噪点位置自动滤出，通过增益单元对噪点位置进行增益控制，从而输出比较纯净细腻的视频。

应当理解的是，以上实施例仅用以说明本发明的技术方案，而非对其限制，对本领域技术人员来说，可以对上述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而所有这些修改和替换，都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种摄像处理方法，其特征在于，包括步骤：

获取人脸区域的平均亮度；

控制延长摄像设备的快门时间进行拍摄；

对拍摄获取的视频进行降噪处理后输出。

2.根据权利要求1所述的摄像处理方法，其特征在于，所述摄像处理方法在降噪处理前还包括步骤：

增大摄像设备的光圈。

3.根据权利要求2所述的摄像处理方法，其特征在于，所述获取人脸区域的平均亮度包括步骤：

识别待拍摄图像的人脸区域；

获取人脸区域中每一像素点的亮度值；

采用图像自然亮度算法对所述亮度值进行处理获取人脸区域的平均亮度。

4.根据权利要求2所述的摄像处理方法，其特征在于，所述摄像处理方法还包括步骤：

通过利用训练构建的机器学习模型对快门时间进行控制延长和对摄像设备的光圈进行控制增大。

5.根据权利要求4所述的摄像处理方法，其特征在于，所述训练构建机器学习模型包括步骤：

根据摄像过程中人脸与镜头的距离和人脸姿态变化不断设置延长的快门时间和增大的光圈倍数获取最佳的清晰视频以训练构建机器学习模型。

6.根据权利要求5所述的摄像处理方法，其特征在于，所述根据摄像过程中人脸与镜头的距离和人脸姿态变化不断设置延长的快门时间和增大的光圈倍数获取最佳的清晰视频以训练构建机器学习模型包括步骤：

在人脸与镜头的距离增大的情况下减少延长的快门时间，减少增大的光圈倍数，在人脸姿态变化快的情况下减少延长的快门时间，减少增大的光圈倍数；

结合人脸与镜头的距离和人脸姿态变化设置延长的快门时间和增大的光圈倍数。

7.根据权利要求4所述的摄像处理方法，其特征在于，所述摄像处理方法还包括步骤：

保留原有的机器学习模型的设置参数，通过迁移学习优化机器学习模型设置更优的延长的快门时间和增大的光圈倍数。

8.根据权利要求3所述的摄像处理方法，其特征在于，所述摄像处理方法还包括步骤：

预设人脸区域的亮度阈值；

将获取的人脸区域的平均亮度与亮度阈值进行比较；

根据比较结果启动通过利用训练构建的机器学习模型对快门时间进行控制延长和光圈进行控制增大。

9.根据权利要求1所述的摄像处理方法，其特征在于，所述摄像处理方法还包括步骤：

通过机器学习构建自适应降噪模型，在对拍摄获取的视频进行自适应性的降噪处理后输出。

10.根据权利要求9所述的摄像处理方法，其特征在于，所述通过机器学习构建自适应降噪模型包括步骤：

统计不同光照强度下视频图像的平均亮度，并确定时域降噪阈值和空域降噪阈值；

根据当前拍摄的视频图像计算图像平均亮度，并根据所述时域降噪阈值以及空域降噪阈值确定当前的时域、空域降噪级别；

根据所述时域降噪级别对视频图像进行时域降噪处理；

根据所述空域降噪级别对时域降噪处理后的图像进行空域降噪处理。