CN111372037A - 目标抓拍系统和方法 - Google Patents

Abstract

本申请提供一种目标抓拍系统和方法，通过全景相机采集抓拍目标的全景信息，识别并跟踪到抓拍目标，触发细节相机对抓拍目标进行抓拍；细节相机通过对抓拍目标进行细节抓拍获取抓拍目标的细节信息；目标再识别模块在确定抓拍目标的细节信息非已存的细节信息时，输出细节信息；特征融合模块将全景信息和细节信息输入到预训练的第一网络模型进行目标特征识别，并将关联的目标特征进行融合，输出融合结果。因此本申请可以通过全景相机和细节相机联动的方式，获取抓拍目标的全景信息和细节信息，并通过目标再识别分析以及特征融合可以在保证获得目标特征完整性的情况下减少抓拍冗余数据的生成，从而可以提高抓拍精度和抓拍效率。

Description

目标抓拍系统和方法

技术领域

本申请涉及计算机视觉领域，尤其涉及一种目标抓拍系统和方法。

背景技术

目前，在视频监控领域的抓拍方案都或多或少存在一些缺点。比如现有的一种小区多设备联动抓拍监控系统及方法，该方案中小区多设备联动抓拍监控系统包括抓拍触发控制模块和小区抓拍管理平台系统，通过图像抓拍单元对进入特定抓拍区域的物体进行抓拍并对抓拍图像进行分析，但是该方案需要根据不同的抓拍目标对应不同的图像抓拍单元，从而需要采用多个不同抓拍相机实现对不同的抓拍目标的抓拍，因此部署成本较高。

再比如现有的一种用于违章停车的自动抓拍装置及自动抓拍方法，该方案中通过前端抓拍相机采用广角镜头监测整个监控区域，跟踪监控区域内的每一辆车的运动轨迹，当通过轨迹跟踪的方式发现停车事件后，通过控制镜头转动及变焦，对抓拍目标进行图像分析即车牌号识别，车牌号识别完成后抓拍相机又恢复到广角监控模式。该方案能由于只有一个抓拍相机，当抓拍相机变倍抓拍车牌时则会丢失该时间段内的全景信息，从而可能会漏掉其他车辆的违章情况，导致抓拍准确率较低。

又比如现有的一种目标物体抓拍方法及系统，该方案通过从广角相机所拍摄的视频数据中获取当前帧的视频图像，记录并更新目标状态映射表，然后根据所述目标状态映射表，调度长焦相机拍摄抓拍目标，但是该方案中在对某一视频图像帧中的一个抓拍目标进行抓拍后，若该抓拍目标在当前视频图像帧的下一帧中仍然存在，则在下一帧中会再次对该抓拍目标进行抓拍，由于该方案会对抓拍目标进行重复抓拍，从而导致该方案产生冗余数据。

发明内容

本申请提供一种目标抓拍方法及装置、目标抓拍系统，以解决相关技术中抓拍数据冗余以及需要多个抓拍机导致成本较高的技术问题。

第一方面，本申请实施例提供了一种目标抓拍系统，所述系统包括：

全景相机，用于采集抓拍目标的全景信息，若识别并跟踪到抓拍目标，则触发细节相机对所述抓拍目标进行抓拍，输出所述全景信息；

细节相机，用于通过对所述全景相机的所述抓拍目标进行细节抓拍获取所述抓拍目标的细节信息；

目标再识别模块，用于若确定所述抓拍目标的细节信息非已存的细节信息，则输出所述细节信息；

特征融合模块，用于将所述全景信息和所述细节信息输入到预训练的第一网络模型进行目标特征识别，并将关联的目标特征进行融合，输出融合结果。

作为一个实施例，所述全景相机具体用于：

对所述全景信息进行目标识别，得到目标在所述全景信息中的位置；

对所述目标在所述全景信息中的每一帧的位置进行关联，得到所述目标的轨迹；

若所述目标的轨迹满足抓拍条件，则确定所述目标为抓拍目标。

作为一个实施例，所述全景相机，还用于获取所述抓拍目标在所述全景信息中的位置及大小；

所述细节相机，还用于根据所述抓拍目标的位置确定出所述细节相机转动的指定位置，根据所述抓拍目标的大小确定出所述细节相机的放大倍率；所述细节相机转动至所述指定位置，并按所述放大倍率对所述抓拍目标进行细节抓拍。

作为一个实施例，目标再识别模，具体用于将每一帧细节信息输入到预训练的第二网络模型中进行目标对比，判断当前帧的细节信息中的抓拍目标与上一帧的细节信息中的抓拍目标的目标相似度是否大于预设阈值，若是，则确定当前帧的细节信息为已存的细节信息；若否，则确定当前帧的细节信息为非已存的细节信息；输出非已存的细节信息。

第二方面，本申请实施例提供了一种目标抓拍方法，所述方法包括：

通过全景相机采集抓拍目标的全景信息，若识别并跟踪到抓拍目标，则触发细节相机对所述抓拍目标进行抓拍，输出所述全景信息；

通过细节相机对所述全景相机的所述抓拍目标进行细节抓拍获取所述抓拍目标的细节信息；

若确定所述抓拍目标的细节信息非已存的细节信息，则输出所述细节信息；

将所述全景信息和所述细节信息输入到预训练的第一网络模型进行目标特征识别，并将关联的目标特征进行融合，输出融合结果。

作为一个实施例，所述识别并跟踪到抓拍目标，包括：

对所述全景信息进行目标识别，得到目标在所述全景信息中的位置；对所述目标在所述全景信息中的每一帧的位置进行关联，得到所述目标的轨迹；若所述目标的轨迹满足抓拍条件，则确定所述目标为抓拍目标。

作为一个实施例，所述方法还包括：

获取所述抓拍目标在所述全景信息中的位置及大小；根据所述抓拍目标的位置确定出所述细节相机转动的指定位置，根据所述抓拍目标的大小确定出所述细节相机的放大倍率；将所述细节相机转动至所述指定位置，并按所述放大倍率对所述抓拍目标进行细节抓拍。

作为一个实施例，若确定所述抓拍目标的细节信息非已存的细节信息，则输出所述细节信息，包括：

将每一帧细节信息输入到预训练的第二网络模型中进行目标对比，判断当前帧的细节信息中的抓拍目标与上一帧的细节信息中的抓拍目标的目标相似度是否大于预设阈值，若是，则确定当前帧的细节信息为已存的细节信息；若否，则确定当前帧的细节信息为非已存的细节信息；输出非已存的细节信息。

第三方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述目标抓拍方法的任一步骤。

第四方面，本申请实施例提供了一种计算机设备，所述计算机设备包括存储器、处理器、通信接口以及通信总线；其中，所述存储器、处理器、通信接口通过所述通信总线进行相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的计算机程序，所述处理器执行所述计算机程序时实现上述目标抓拍方法的任一步骤。

本申请的实施例提供的技术方案可以包括以下有益效果：

本申请的目标抓拍系统和方法，可以通过全景相机采集抓拍目标的全景信息，若识别并跟踪到抓拍目标，则触发细节相机对所述抓拍目标进行抓拍；细节相机通过对所述全景相机的所述抓拍目标进行细节抓拍获取所述抓拍目标的细节信息；目标再识别模块在确定所述抓拍目标的细节信息非已存的细节信息时，输出所述细节信息；特征融合模块将所述全景信息和所述细节信息输入到预训练的第一网络模型进行目标特征识别，并将关联的目标特征进行融合，输出融合结果。因此本申请可以通过全景相机和细节相机联动的方式，获取抓拍目标的全景信息和细节信息，从而可以降低部署成本，同时全景相机和细节相机配合使用可以保证在抓拍细节时不会漏拍全景图像，从而可以提高抓拍精度和效率；进一步通过目标再识别分析以及特征融合可以在保证获得目标特征完整性的情况下减少抓拍冗余数据的生成。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是根据一示例性实施例示出的一种目标抓拍系统的结构示意图；

图2是根据一示例性实施例示出的目标再识别处理流程图；

图3是根据一示例性实施例示出的一种网络模型结构示意图；

图4是根据一示例性实施例示出的另一种网络模型结构示意图；

图5是根据一示例性实施例示出的一种目标抓拍方法的处理流程图；

图6是根据一示例性实施例示出的一种计算机设备的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

为了解决现有技术存在的问题，本申请提供一种目标抓拍系统和方法，可以通过全景相机采集抓拍目标的全景信息，若识别并跟踪到抓拍目标，则触发细节相机对所述抓拍目标进行抓拍；细节相机通过对所述全景相机的所述抓拍目标进行细节抓拍获取所述抓拍目标的细节信息；目标再识别模块在确定所述抓拍目标的细节信息非已存的细节信息时，输出所述细节信息；特征融合模块将所述全景信息和所述细节信息输入到预训练的第一网络模型进行目标特征识别，并将关联的目标特征进行融合，输出融合结果。因此本申请可以通过全景相机和细节相机联动的方式，获取抓拍目标的全景信息和细节信息，从而可以降低部署成本，同时全景相机和细节相机配合使用可以保证在抓拍细节时不会漏拍全景图像，从而可以提高抓拍精度和效率；进一步通过目标再识别分析以及特征融合可以在保证获得目标特征完整性的情况下减少抓拍冗余数据的生成。

本申请实施例提供了一种目标抓拍系统，图1是根据一示例性实施例示出的一种目标抓拍系统的结构示意图，该系统包括：

全景相机11，用于采集抓拍目标的全景信息，若识别并跟踪到抓拍目标，则触发细节相机对所述抓拍目标进行抓拍，输出所述全景信息；

本实施例中，首先全景相机11可以获取所拍摄的监控区域的全景信息，例如视频图像，之后利用所述全景信息进行目标识别和跟踪，若在所述全景信息中跟踪出目标，若确定抓拍目标，则可调度细节相机12对所述抓拍目标进行抓拍，并且输出所述全景信息。本实施例中，所述全景相机11可以为枪式摄像机，所述细节相机12可以为球式摄像机。

作为一个实施例，所述全景相机11可以对采集到的抓拍目标的所述全景信息进行目标识别，得到目标在所述全景信息中的位置，再对所述目标在所述全景信息中的每一帧的位置进行关联，得到所述目标的轨迹；然后判断目标的轨迹是否满足抓拍条件，若所述目标的轨迹满足抓拍条件，则确定所述目标为抓拍目标。

需要说明的是，上述抓拍条件可以预先设置，既可以针对具体事件进行设置，也可以针对普通的车辆、行人进行设置，比如可以为非法入侵、车辆跨线、人员倒地、人员聚集等。在跟踪出目标的轨迹后，判断目标是否满足抓拍条件的方法由抓拍条件决定。比如，若抓拍条件为非法入侵，则判断目标是否满足抓拍条件的方法为判断目标的轨迹是否进入预设的禁止入侵的区域，若进入，则确定目标满足抓拍条件，否则，确定目标不满足抓拍条件；又比如，若抓拍条件为车辆跨线，则判断目标是否满足抓拍条件的方法为判断目标的轨迹是否经过预设的禁止跨过的车道线，若经过，则确定目标满足抓拍条件，否则，确定目标不满足抓拍条件；另外，全景相机11可以支持多种事件报警，如区域入侵、跨线、倒地、人员聚集等各种事件，同时可以针对普通目标通过分类器输出其一般属性，如车辆的车牌、颜色等，行人的性别、年龄等；目标跟踪可以使用基于深度学习的目标检测算法实现，此处不再赘述。在进行目标跟踪时，还可以根据设置只对所述全景信息的特定区域进行分析，以提高目标抓拍的灵活性和针对性。

细节相机12，用于通过对所述全景相机11的所述抓拍目标进行细节抓拍获取所述抓拍目标的细节信息；

细节相机12被全景相机11触发抓拍时，可以通过对所述全景相机11的所述抓拍目标进行细节抓拍获取所述抓拍目标的细节信息。

作为一个实施例，所述全景相机11可以在确定抓拍目标后，获取所述抓拍目标在所述全景信息中的位置及大小；然后触发相机相机12进行细节抓拍，则所述细节相机12可以根据所述抓拍目标的位置确定出所述细节相机12转动的指定位置，根据所述抓拍目标的大小确定出所述细节相机12的放大倍率；所述细节相机12转动至所述指定位置，并按所述放大倍率对所述抓拍目标进行细节抓拍。

可见，本实施例不需要使用多个抓拍机，仅借助于一个全景相机和细节相机对目标进行全景抓拍和细节抓拍，从而可以在保证数据完整性的同时降低部署成本。

目标再识别模块13，用于若确定所述抓拍目标的细节信息非已存的细节信息，则输出所述细节信息；

作为一个实施例，目标再识别模13具体可以处理流程如图2所示，其中包括：

步骤201、将每一帧细节信息输入到预训练的第二网络模型中进行目标对比；

其中，该第二网络模型可以为深度学习网络，通过第二网络模型对每一帧细节信息中的目标特征。该第二网络模型的结构如图3所示，其中包括主干网络CNN(Convolutional Neural Networks，卷积神经网络)，分类识别模块和度量模块，该第二网络模型可以通过输入两张图片(例如两张细节信息的图片)，经过主干网络分别提取两张图片的图像特征，然后经过分类识别模块分别获取两张图片的目标属性特征(例如人脸特征、车牌特征等)，再经过度量模块对目标属性特征的目标相似度进行度量，最后输出目标相似度的度量结果。以上网络结构仅为示例性说明，本申请对第二网络模型的结构不做限定。

步骤202、判断当前帧的细节信息中的抓拍目标与上一帧的细节信息中的抓拍目标的目标相似度是否大于预设阈值，若是，则转步骤203；若否，则转步骤204；

步骤203、确定当前帧的细节信息为已存的细节信息，并结束；

步骤204、确定当前帧的细节信息为非已存的细节信息，输出非已存的细节信息并结束。

可见，本实施例可根据抓拍的细节信息判断所述抓拍目标之前是否有被抓拍的情况，只有在未被抓拍的情况下，才会获取并输出所述抓拍目标的细节信息，因此可以减少抓拍冗余数据的生成，提高处理效率。

特征融合模块14可以将所述全景信息和所述细节信息输入到预训练的第一网络模型进行目标特征识别，并将关联的目标特征进行融合，输出融合结果。

在本实施例中，特征融合模块14收到全景信息和细节信息后，由于抓拍目标的全景信息中的抓拍目标较小，使得抓拍目标的部分属性难以识别(比如人脸信息、车牌号等)，所以具体在获取抓拍目标的属性时可以分别从全景信息和细节信息中获取部分属性并组合成目标的属性，以提高目标抓拍信息的完整性。比如从全景信息中获取抓拍目标的属性可以为车辆的颜色、行人的性别等，从细节信息中获取抓拍目标的属性可以为车辆的车牌号、行人的年龄等。由于全景信息中的人脸信息、车牌信息可能较难捕捉，而细节信息中这些信息会被放大，使得人脸和车牌则更易分辨，通过将两者特征融合，得到目标的完整属性。

具体可以通过将所述全景信息和所述细节信息输入到预训练的第一网络模型进行目标特征识别，其中该第一网络模型的结构如图4所示，其中包括主干网络CNN(Convolutional Neural Networks，卷积神经网络)和分类识别模块，该第一网络模型可以通过输入一张图片(细节信息的图片或者全景信息的图片)，经过主干网络提取图片的图像特征，然后经过分类识别模块获取目标属性特征，例如人脸特征、车牌特征等。以上网络结构仅为示例性说明，本申请对第一网络模型的结构不做限定。

通过第一网络模型可以得到全景信息中的目标属性特征，以及和细节信息中的目标属性特征，再将两者的属性特征中相关联的目标特征进行融合，即从两者的属性特征中查找所属为同一目标的属性特征并融合，得到该目标的完整属性特征。举例来讲，分别将全景信息和细节信息输入到第一网络模型，得到全景信息的目标属性特征一(例如车辆颜色、车辆外形、行人性别)和细节信息的目标属性特征二(例如车牌号、行人的人脸特征)，从而若当前需要获取的目标为车辆时，通过查找目标属性特征一与目标属性特征二中的均属于目标车辆的属性特征，即车辆颜色、车辆外形及车牌号，从而将获取的这三个属性特征进行融合得到车辆的完整属性特征。

由于现有技术中如果单独通过全景相机或者单独通过细节相机进行监控拍摄会因为相机的局限性导致获取的目标属性特征会比较片面，而使用多个相机去拍摄时，往往会将获取的目标属性特征全部输出，由于不同相机拍摄同一目标时往往获取到目标属性特征中会有一部分相同的目标属性特征，如果将目标属性特征全部输出又会导致数据的重复冗余，此外如果仅是单独输出每个图片对应的目标属性特征，后续在对该目标进行分析时，还需要手动的将目标的属性特征进行关联输出，从而导致效率较低。而本申请可以通过全景相机和细节相机联动获取目标的全景信息和细节信息后，通过分别分析全景信息和细节信息中目标属性特征并将所属同一目标的属性特征进行融合，从而可以保证目标属性完整的同时，避免数据冗余，另外还可以通过将同一目标的目标属性特征进行融合输出，从而避免人工的操作，提高分析效率。

基于相同的构思，本申请实施例提供了一种目标抓拍方法，图5是根据一示例性实施例示出的一种目标抓拍方法的处理流程图，该方法包括：

步骤501、通过全景相机采集抓拍目标的全景信息，若识别并跟踪到抓拍目标，则触发细节相机对所述抓拍目标进行抓拍，输出所述全景信息；

作为一个实施例，对全景信息进行识别并跟踪到抓拍目标，具体为：对所述全景信息进行目标识别，得到目标在所述全景信息中的位置；对所述目标在所述全景信息中的每一帧的位置进行关联，得到所述目标的轨迹；若所述目标的轨迹满足抓拍条件，则确定所述目标为抓拍目标。

步骤502、通过细节相机对所述全景相机的所述抓拍目标进行细节抓拍获取所述抓拍目标的细节信息；

作为一个实施例，进一步在获取所述抓拍目标在所述全景信息中的位置及大小；然后根据所述抓拍目标的位置确定出所述细节相机转动的指定位置，根据所述抓拍目标的大小确定出所述细节相机的放大倍率；将所述细节相机转动至所述指定位置，并按所述放大倍率对所述抓拍目标进行细节抓拍。从而实现全景相机和细节相机联动对抓拍目标进行全景抓拍和细节抓拍。

步骤503、若确定所述抓拍目标的细节信息非已存的细节信息，则输出所述细节信息；

作为一个实施例，可以将细节相机获取的每一帧细节信息输入到预训练的第二网络模型中进行目标对比，判断当前帧的细节信息中的抓拍目标与上一帧的细节信息中的抓拍目标的目标相似度是否大于预设阈值，若是，则确定当前帧的细节信息为已存的细节信息；若否，则确定当前帧的细节信息为非已存的细节信息；输出非已存的细节信息。

步骤504、将所述全景信息和所述细节信息输入到预训练的第一网络模型进行目标特征识别，并将关联的目标特征进行融合，输出融合结果。

可理解的是，本申请实施例提供的目标抓拍方法与目标抓拍系统相对应，具体内容可以参考目标抓拍系统各实施例的内容，在此不再赘述。

基于相同的构思，本公开还提供一种计算机设备，如图6所示，所述计算机设备包括存储器61、处理器62、通信接口63以及通信总线64；其中，所述存储器61、处理器62、通信接口63通过所述通信总线64进行相互间的通信；

所述存储器61，用于存放计算机程序；

所述处理器62，用于执行所述存储器61上所存放的计算机程序，所述处理器42执行所述计算机程序时实现本公开实施例提供的目标抓拍方法的任一步骤。

本公开还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现本公开实施例提供的目标抓拍方法的任一步骤。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种目标抓拍系统，其特征在于，所述系统包括：

全景相机，用于采集抓拍目标的全景信息，若识别并跟踪到抓拍目标，则触发细节相机对所述抓拍目标进行抓拍，输出所述全景信息；

细节相机，用于通过对所述全景相机的所述抓拍目标进行细节抓拍获取所述抓拍目标的细节信息；

目标再识别模块，用于若确定所述抓拍目标的细节信息非已存的细节信息，则输出所述细节信息；

特征融合模块，用于将所述全景信息和所述细节信息输入到预训练的第一网络模型进行目标特征识别，并将关联的目标特征进行融合，输出融合结果。

2.根据权利要求1所述的系统，其特征在于，所述全景相机具体用于：

对所述全景信息进行目标识别，得到目标在所述全景信息中的位置；

对所述目标在所述全景信息中的每一帧的位置进行关联，得到所述目标的轨迹；

若所述目标的轨迹满足抓拍条件，则确定所述目标为抓拍目标。

3.根据权利要求1所述的系统，其特征在于，

所述全景相机，还用于获取所述抓拍目标在所述全景信息中的位置及大小；

所述细节相机，还用于根据所述抓拍目标的位置确定出所述细节相机转动的指定位置，根据所述抓拍目标的大小确定出所述细节相机的放大倍率；所述细节相机转动至所述指定位置，并按所述放大倍率对所述抓拍目标进行细节抓拍。

4.根据权利要求1所述的系统，其特征在于，

目标再识别模，具体用于将每一帧细节信息输入到预训练的第二网络模型中进行目标对比，判断当前帧的细节信息中的抓拍目标与上一帧的细节信息中的抓拍目标的目标相似度是否大于预设阈值，若是，则确定当前帧的细节信息为已存的细节信息；若否，则确定当前帧的细节信息为非已存的细节信息；输出非已存的细节信息。

5.一种目标抓拍方法，其特征在于，所述方法包括：

通过全景相机采集抓拍目标的全景信息，若识别并跟踪到抓拍目标，则触发细节相机对所述抓拍目标进行抓拍，输出所述全景信息；

通过细节相机对所述全景相机的所述抓拍目标进行细节抓拍获取所述抓拍目标的细节信息；

若确定所述抓拍目标的细节信息非已存的细节信息，则输出所述细节信息；

将所述全景信息和所述细节信息输入到预训练的第一网络模型进行目标特征识别，并将关联的目标特征进行融合，输出融合结果。

6.根据权利要求5所述的方法，其特征在于，所述识别并跟踪到抓拍目标，包括：

对所述全景信息进行目标识别，得到目标在所述全景信息中的位置；对所述目标在所述全景信息中的每一帧的位置进行关联，得到所述目标的轨迹；若所述目标的轨迹满足抓拍条件，则确定所述目标为抓拍目标。

7.根据权利要求5所述的方法，其特征在于，所述方法还包括：

获取所述抓拍目标在所述全景信息中的位置及大小；根据所述抓拍目标的位置确定出所述细节相机转动的指定位置，根据所述抓拍目标的大小确定出所述细节相机的放大倍率；将所述细节相机转动至所述指定位置，并按所述放大倍率对所述抓拍目标进行细节抓拍。

8.根据权利要求5所述的方法，其特征在于，若确定所述抓拍目标的细节信息非已存的细节信息，则输出所述细节信息，包括：

将每一帧细节信息输入到预训练的第二网络模型中进行目标对比，判断当前帧的细节信息中的抓拍目标与上一帧的细节信息中的抓拍目标的目标相似度是否大于预设阈值，若是，则确定当前帧的细节信息为已存的细节信息；若否，则确定当前帧的细节信息为非已存的细节信息；输出非已存的细节信息。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现所述权利要求5-8的方法的任一步骤。

10.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器、通信接口以及通信总线；其中，所述存储器、处理器、通信接口通过所述通信总线进行相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的计算机程序，所述处理器执行所述计算机程序时实现所述权利要求5-8的方法的任一步骤。

Images