CN111787222A - 用于调节相机的方法、装置、电子设备与存储介质 - Google Patents

用于调节相机的方法、装置、电子设备与存储介质 Download PDF

Info

Publication number
CN111787222A
CN111787222A CN202010617545.2A CN202010617545A CN111787222A CN 111787222 A CN111787222 A CN 111787222A CN 202010617545 A CN202010617545 A CN 202010617545A CN 111787222 A CN111787222 A CN 111787222A
Authority
CN
China
Prior art keywords
camera
value
reward
parameters
increase
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.)
Pending
Application number
CN202010617545.2A
Other languages
English (en)
Inventor
齐欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010617545.2A priority Critical patent/CN111787222A/zh
Publication of CN111787222A publication Critical patent/CN111787222A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/617—Upgrading or updating of programs or applications for camera control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Studio Devices (AREA)

Abstract

本申请公开了一种用于调节相机的方法、装置、电子设备与存储介质，涉及计算机视觉领域。具体实现方案为：获取所述相机的当前网络状态值，其中所述当前网络状态值是根据所述相机采集的当前的图像信息确定的；将所述当前的网络状态值通过深度强化学习模型确定能使所述相机奖励值增大的网络动作值，其中所述奖励值与所述相机采集的图像质量参数相关，所述相机采集的图像质量随着所述奖励值的增大而提高，所述网络动作值包括能使所述奖励值增大的所述相机的参数；以及根据所述能使奖励值增大的网络动作值对所述相机的参数进行调节，以使得所述相机获取的图像质量更佳。

Description

用于调节相机的方法、装置、电子设备与存储介质
技术领域
本申请实施例涉及计算机技术中的计算机视觉领域，尤其涉及一种用于调节相机的方法、装置、电子设备与存储介质。
背景技术
随着人工智能与计算机视觉领域技术日趋成熟，用于人脸抓拍、人体检测等智能相机的应用场景越来越广泛，在安防、教育、交通、仓储物流等领域都可以应用智能相机。随着智能相机部署的数量激增，对这些智能相机的维护工作越来越繁重。目前，人脸识别等技术对相机获取图像中的人脸大小、清晰度以及亮度等均有严格要求，需要专业的现场工程师人工对智能相机的参数进行调节，以使得智能相机获取到的图像符合应用要求。
发明内容
本申请提供了一种用于调节相机的方法、装置、电子设备与存储介质。
根据本申请的第一方面，提供了一种用于调节相机的方法，包括：
获取所述相机的当前网络状态值，其中所述当前网络状态值是根据所述相机采集的当前的图像信息确定的；
将所述当前的网络状态值通过深度强化学习模型确定能使所述相机奖励值增大的网络动作值，其中所述奖励值与所述相机采集的图像质量参数相关，所述相机采集的图像质量随着所述奖励值的增大而提高，所述网络动作值包括能使所述奖励值增大的所述相机的参数；以及
根据所述能使奖励值增大的网络动作值对所述相机的参数进行调节，以使得所述相机获取的图像质量更佳。
根据本申请的第二方面，提供了一种用于调节相机的装置，包括：
获取模块，用于获取所述相机的当前网络状态值，其中所述当前网络状态值是根据所述相机采集的当前的图像信息确定的；
确定模块，用于将所述当前的网络状态值通过深度强化学习模型确定能使所述相机奖励值增大的网络动作值，其中所述奖励值与所述相机采集的图像质量参数相关，所述相机采集的图像质量随着所述奖励值的增大而提高，所述网络动作值包括能使所述奖励值增大的所述相机的参数；以及
调节模块，用于根据所述能使奖励值增大的网络动作值对所述相机的参数进行调节，以使得所述相机获取的图像质量更佳。
根据本申请的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述本申请第一方面所述的方法。
根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上述本申请第一方面所述的方法。
根据本申请的技术解决了现有技术中需要人工对智能相机的参数进行调节，存在的效率低下的问题，提高了对智能相机调节的效率。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请实施例提供的用于调节相机的方法适用的场景示意图；
图2是根据本申请实施例提供的用于调节相机的方法的流程示意图；
图3是根据本申请另一个实施例提供的用于调节相机的方法的流程示意图；
图4是根据本申请还一个实施例提供的用于调节相机的方法的流程示意图；
图5是根据本申请实施例提供的用于调节相机的装置的模块结构图；
图6是根据本申请另一个实施例提供的用于调节相机的装置的模块结构图；
图7是用来实现本申请实施例的用于调节相机的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
随着人工智能与计算机视觉领域技术日趋成熟，用于人脸抓拍、人体检测等智能相机的应用场景越来越广泛，在安防、教育、交通、仓储物流等领域都可以应用智能相机。随着智能相机部署的数量激增，对这些智能相机的维护工作越来越繁重。目前，人脸识别等技术对相机获取图像中的人脸大小、清晰度以及亮度等均有严格要求，需要专业的现场工程师人工对智能相机的参数进行调节，以使得智能相机获取到的图像符合应用要求。
现有技术中，对于智能(artificial intelligence，AI)相机的调节，通常采用如下方案来解决：(1)通过相机本地配置软件或网页，对相机参数进行调节。这种方案需要资深工程师到业务现场，例如，在对智能相机进行现场部署或者进行后续的维护时，对相机参数进行调节；(2)通过智能相机配置的远程软件或网页，对相机参数进行远程调节。这种方案资深工程师可以在远端，通过远端的相机调节软件平台进行远程操作，对相机参数进行调节，同时工程师通过对调节后的相机传送的视频流进行观察，通过经验判断调节后相机采集的图像质量是否达标。然而使用现有技术中的上述方法，需要工程师的参与，存在调节成本高、效率低下的问题。
考虑到上述问题，本申请提供一种用于调节相机的方法、装置、电子设备与存储介质，应用于计算机技术领域中的计算机视觉处理领域，通过将相机当前的网络状态值通过深度强化学习模型确定相机在能使奖励值增大的网络动作值，其中所述奖励值与所述相机采集的图像质量参数相关，所述相机采集的图像质量随着所述奖励值的增大而提高，所述网络动作值包括能使所述奖励值增大的所述相机的参数，并根据所述能使奖励值增大的网络动作值对所述相机的参数进行调节，以使得所述相机获取的图像质量更佳，提高了调节相机的效率，降低了相机调节成本，同时保证了相机调节后采集的图像质量。
本申请实施例提供的用于调节相机的方法，可以应用于对在安防、教育、交通、仓储物流、矿井等领域应用的智能相机进行调节。如图1所示，可以对应用于不同领域的智能相机，通过获取图像信息确定状态值，并将状态值通过深度强化学习模型来确定能使奖励值增大的网络动作值，并根据能使奖励值增大的网络动作值来对相机的参数，如相机角度、相机焦距、和相机光学参数进行调节使得智能相机具备更佳相机参数从而采集的图像质量更佳。下面参考图1，对本申请实施例进行详细描述。
图2是根据本申请实施例提供的用于调节相机的方法的流程示意图，如图2所示，该用于调节相机的方法包括步骤S201至步骤S203。
S201、获取所述相机的当前网络状态值，其中所述当前网络状态值是根据所述相机采集的当前的图像信息确定的。
在一个实施例中，所述图像信息可以包括但不限于人脸信息和人体结构化信息中的至少一种，所述图像质量参数可以包括但不限于清晰度、亮度和完整度。当所述图像信息包括人脸信息时，所述图像质量参数还可以包括人脸大小和人脸角度。
S202、将所述当前的网络状态值通过深度强化学习模型确定能使所述相机奖励值增大的网络动作值，其中所述奖励值与所述相机采集的图像质量参数相关，所述相机采集的图像质量随着所述奖励值的增大而提高，所述网络动作值包括能使所述奖励值增大的所述相机的参数。
在一个实施例中，所述深度强化学习模型包括但不限于神经卷积网络，可以对网络状态值进行学习，确定能使奖励值增大的网络动作值。
在一个实施例中，以所述图像信息包括人脸信息为例，所述奖励值可以是根据以人脸清晰度、人脸角度、人脸大小及人脸亮度等参数为参考的奖励值函数来确定的。奖励值越大，代表着获取的人脸图像质量越佳。
S203、根据所述能使奖励值增大的网络动作值对所述相机的参数进行调节，以使得所述相机获取的图像质量更佳。
一般来说，在奖励值增大时，相机所获取的图像质量更佳，进而可以根据能使奖励值增大的网络动作值(也即，相机的参数)，对相机进行调节，使得调节后的相机能够采集到的图像质量更佳。
在一个实施例中，所述相机的参数可以但不限于包括相机的角度、相机的焦距和相机的光学参数。所述光学参数可以包括但不限于:亮度、对比度、锐度、饱和度、最大增益、宽动态等级、人脸曝光等。
在一个实施例中，所述步骤203，可以包括：
根据能使所述奖励值增大的所述网络动作值，对所述相机的角度、所述相机的焦距和所述相机的光学参数中的至少一种进行调节。
在一个实施例中，可以将相机当前的网络动作值与能使奖励值增大的网络动作值相比较，以朝着调节后奖励值增大的方向，对相机参数进行调整。
在一个实施例中，可以通过云端控制前端相机角度在可控范围内进行旋转，在焦段内调节镜头焦距，将产生的实时相机角度和焦距传送到云端，以相机角度、焦距以及可调节的光学参数等作为深度强化学习模型的网络动作值；将人脸抓拍、人体检测等相机获取的人脸信息及人体的结构化信息传送到云端，作为深度强化学习模型的状态值；以人脸清晰度、人脸角度、人脸大小及人脸亮度等参数为参考的奖励值函数，计算当前状态下的奖励值。之后，可以将状态值输入到训练好的深度强化学习模型，以输出能使奖励值增大的网络动作值，并根据能使奖励值增大的网络动作值对相机角度、镜头焦距、光学参数等朝着奖励值增大的方向进行调整，以达到更佳状态。
本申请实施例提供的用于调节相机的方法，可在自动智能相机部署时、后期维护时、或者在云端收到相机的图像质量不达标，无法识别产生报警信息时，通过预先训练的深度强化学习模型，根据图像信息对应的网络状态值确定能使奖励值增大的网络动作值，从而可以根据该动作值对相机进行远程参数调节，以使得调节后的相机可以获取的图像质量更佳，与现有技术相比，提高了调节效率，减轻了调节成本，并且可以自动调整至更佳状态，操作过程简单有效。
图3是根据本申请另一个实施例提供的用于调节相机的方法的流程示意图，如图3所示，该方法包括步骤S301至步骤S304。
S301、根据所述相机的不同网络状态值，对所述深度强化学习模型进行训练，以确定能使所述相机奖励值增大的网络动作值。
在一个实施例中，可以以网络状态值(例如，相机获取的人脸信息和人体结构信息)为输入，以对应的网络动作值(相机的参数)为输出，沿奖励值(质量判断网络输出值)增大的方向梯度调整深度强化学习模型的参数，训练出在不同状态值输入下，能输出使奖励值增大的网络动作值。
在一个实施例中，对深度强化学习模型进行训练，可以包括：设计深度强化学习模型，选定深度强化学习模型所需的网络动作值、状态值以及奖励值函数。在一个实施例中，可以选取智能相机的相机角度(或称云台编码值)、焦距以及可设置的光学参数作为网络动作值；选取各个场景下，智能相机获取的图像信息(包括但不限于人脸信息、人体结构化信息等)作为网络状态值；以人脸信息为例，可以以人脸清晰度、人脸角度、人脸大小及人脸亮度等参数为奖励值函数的变量；将智能相机置于尽可能多的可能涉及的常见客户场景中，并分别将相机角度及各项参数调整到更佳状态，以将此时相机的参数作为各场景下的能使奖励值增大的网络动作值。
在一个实施例中，还可以对待调节的相机的网络动作值中涉及的参数进行随机初始化赋值，实现强化学习环境的复位，此时会产生新的状态值输入，将新的状态值输入深度强化学习模型，以产生新的网络动作值，并根据新的网络动作值，继续产生新的状态值，重复先前的过程，从而随着每步的进行，将训练出更佳的网络参数，得到使奖励函数值增大的网络模型。
在一个实施例中，还可以以奖励函数负相关函数作为深度强化网络损失函数，沿损失函数下降梯度，调整网络参数。
通过前期的训练得到的深度强化学习模型，可以覆盖各种常见的客户场景，从而使得将智能相机放置于各种场景中，通过深度强化学习模型都能自动对自身参数快速进行调节到更佳状态。
在一个实施例中，可以根据所述相机在不同场景下的不同网络状态值对所述深度强化学习模型深度强化学习模型进行训练，以确定所述相机在不同场景下能使奖励值增大的网络动作值。不同的场景，可以对应不同的环境参数，可以包括但不限于不同的光线强度、不同的背景色等，从而使得深度强化学习模型具有更高的普适性。
S302、获取所述相机的当前网络状态值，其中所述当前网络状态值是根据所述相机采集的当前的图像信息确定的。
该步骤与前述步骤S201类似，可以参见前述相关描述，具体不再赘述。
S303、将所述当前的网络状态值通过深度强化学习模型确定能使所述相机奖励值增大的网络动作值。
该步骤与前述步骤S202类似，可以参见前述相关描述，具体不再赘述。
S304、根据所述能使奖励值增大的网络动作值对所述相机的参数进行调节，以使得所述相机获取的图像质量更佳。
该步骤与前述步骤S203类似，可以参见前述相关描述，具体不再赘述。
图4是根据本申请还一个实施例提供的用于调节相机的方法的流程示意图，如图4所示，该方法包括步骤S401至步骤S405。
S404、获取所述相机的当前网络状态值，其中所述当前网络状态值是根据所述相机采集的当前的图像信息确定的。
具体实施方式与步骤301类似，具体不再赘述。
S402、将所述当前的网络状态值通过深度强化学习模型确定能使所述相机奖励值增大的网络动作值。
S403、根据所述能使奖励值增大的网络动作值对所述相机的参数进行调节。
步骤S401至步骤403分别与前述步骤S201至步骤S203类似，此处不再赘述。
S404、确定增大的奖励值是否达到奖励值阈值；。
该步骤中的奖励值阈值可以根据实际需求，例如图像质量需求，进行设置，例如可以是最大奖励值的90％、最大奖励值等，但不限于此。当增大的奖励值未达到奖励值阈值时，可以重复执行前述步骤S401至S403，至到增大后的奖励值到达奖励值阈值。
S405、当所述增大的奖励值达到所述奖励值阈值，结束调节。
通过设置奖励值阈值，可以在满足图像质量要求的情况下，在图像质量与相机参数调节之间做一个平衡，从而进一步提高相机参数调节的效率。
图5是根据本申请实施例提供的用于调节相机的装置的模块结构图，如图5所示，该用于调节相机的装置500，包括获取模块501、确定模块502、和调节模块503，其中，
获取模块501，用于获取所述相机的当前网络状态值，其中所述当前网络状态值是根据所述相机采集的当前的图像信息确定的；
确定模块502，用于将所述当前的网络状态值通过深度强化学习模型确定能使所述相机奖励值增大的网络动作值，其中所述奖励值与所述相机采集的图像质量参数相关，所述相机采集的图像质量随着所述奖励值的增大而提高，所述网络动作值包括能使所述奖励值增大的所述相机的参数；以及
调节模块503，用于根据所述能使奖励值增大的网络动作值对所述相机的参数进行调节，以使得所述相机获取的图像质量更佳。
在一个实施例中，所述图像信息包括人脸信息和人体结构化信息中的至少一种，所述图像质量参数包括清晰度、亮度和完整性。
在一个实施例中，所述图像信息包括人脸信息时，所述图像质量参数还包括人脸大小和人脸角度。
在一个实施例中，所述相机的参数包括相机的角度、相机的焦距和相机的光学参数。
在一个实施例中，所述调节模块503，用于：
根据能使奖励值增大的所述网络动作值，对所述相机的角度、所述相机的焦距和所述相机的光学参数中的至少一种进行调节。
在一个实施例中，所述确定模块502，还用于：
确定增大的奖励值是否达到奖励值阈值；以及
当所述增大的奖励值达到所述奖励值阈值，结束调节。
图6是根据本申请另一个实施例提供的用于调节相机的装置的模块结构图，如图6所示，该用于调节相机的装置600，包括获取模块601、确定模块602、调节模块603和训练模块604。该用于调节相机的装置600与该用于调节相机的装置500相比，多了训练模块604，其他模块类似。
训练模块604，用于根据所述相机的不同网络状态值，对所述深度强化学习模型进行训练，以确定能使所述相机奖励值增大的网络动作值。
在一个实施例中，所述训练模块604，用于：
根据所述相机在不同场景下的不同网络状态值对所述深度强化学习模型深度强化学习模型进行训练，以确定所述相机在不同场景下能使奖励值增大的网络动作值。
本申请实施例所提供的用于调节相机的装置，其实现原理和技术效果与前述方法实施例类似，具体不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图7所示，是根据本申请实施例的视频类型检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的视频类型检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的视频类型检测方法。
存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的视频类型检测方法对应的程序指令/模块(例如，附图5所示的获取模块501、确定模块502和调节模块503、附图6所示的训练模块604)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的视频类型检测方法。
存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于视频类型检测方法的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至用于视频类型检测的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于视频类型检测方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与用于视频类型检测方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算机程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算机程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过将待检测类型的视频进行关键帧抽取，并将关键帧通过待检测类型对应的所有算法模型(例如粗分类算法模型、细分类算法模型、特征标识算法模型和特征人物算法模型)，以确定关键帧的置信度分数，并根据关键帧的置信度分数通过融合策略算法模型确定待检测类型的视频的置信度分数，进而可以将待检测类型的置信度分数与某一视频类型对应的置信度分数阈值进行比较以确定该视频的类型是否为该视频类型，从而提高视频类型检测的准确性。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (18)

1.一种用于调节相机的方法，包括：
获取所述相机的当前网络状态值，其中所述当前网络状态值是根据所述相机采集的当前的图像信息确定的；
将所述当前的网络状态值通过深度强化学习模型确定能使所述相机奖励值增大的网络动作值，其中所述奖励值与所述相机采集的图像质量参数相关，所述相机采集的图像质量随着所述奖励值的增大而提高，所述网络动作值包括能使所述奖励值增大的所述相机的参数；以及
根据所述能使奖励值增大的网络动作值对所述相机的参数进行调节，以使得所述相机获取的图像质量更佳。
2.根据权利要求1所述的方法，在所述将所述当前的网络状态值通过深度强化学习模型确定能使所述相机奖励值增大的网络动作值之前，还包括：
根据所述相机的不同网络状态值，对所述深度强化学习模型进行训练，以确定能使所述相机奖励值增大的网络动作值。
3.根据权利要求2所述的方法，其中，所述根据所述相机的不同网络状态值，对所述深度强化学习模型深度强化学习模型进行训练，以确定能使所述相机奖励值增大的网络动作值，包括：
根据所述相机在不同场景下的不同网络状态值对所述深度强化学习模型深度强化学习模型进行训练，以确定所述相机在不同场景下能使奖励值增大的网络动作值。
4.根据权利要求1所述的方法，其中，所述图像信息包括人脸信息和人体结构化信息中的至少一种，所述图像质量参数包括清晰度、亮度和完整度。
5.根据权利要求4所述的方法，其中，所述图像信息包括人脸信息时，所述图像质量参数还包括人脸大小和人脸角度。
6.根据权利要求1所述的方法，其中，所述相机的参数包括相机的角度、相机的焦距和相机的光学参数。
7.根据权利要求6所述的方法，其中，所述根据所述能使奖励值增大的网络动作值对所述相机的参数进行调节，包括：
根据所述能使所述奖励值增大的所述网络动作值，对所述相机的角度、所述相机的焦距和所述相机的光学参数中的至少一种进行调节。
8.根据权利要求1所述的方法，还包括：
确定增大的奖励值是否达到奖励值阈值；以及
当所述增大的奖励值达到所述奖励值阈值，结束调节。
9.一种用于调节相机的装置，包括：
获取模块，用于获取所述相机的当前网络状态值，其中所述当前网络状态值是根据所述相机采集的当前的图像信息确定的；
确定模块，用于将所述当前的网络状态值通过深度强化学习模型确定能使所述相机奖励值增大的网络动作值，其中所述奖励值与所述相机采集的图像质量参数相关，所述相机采集的图像质量随着所述奖励值的增大而提高，所述网络动作值包括能使所述奖励值增大的所述相机的参数；以及
调节模块，用于根据所述能使奖励值增大的网络动作值对所述相机的参数进行调节，以使得所述相机获取的图像质量更佳。
10.根据权利要求9所述的装置，还包括：
训练模块，用于根据所述相机的不同网络状态值，对所述深度强化学习模型进行训练，以确定能使所述相机奖励值增大的网络动作值。
11.根据权利要求10所述的装置，其中，所述训练模块，用于：
根据所述相机在不同场景下的不同网络状态值对所述深度强化学习模型深度强化学习模型进行训练，以确定所述相机在不同场景下能使所述奖励值增大的网络动作值。
12.根据权利要求9所述的装置，其中，所述图像信息包括人脸信息和人体结构化信息中的至少一种，所述图像质量参数包括清晰度、亮度和完整性。
13.根据权利要求12所述的装置，其中，所述图像信息包括人脸信息时，所述图像质量参数还包括人脸大小和人脸角度。
14.根据权利要求9所述的装置，其中，所述相机的参数包括相机的角度、相机的焦距和相机的光学参数。
15.根据权利要求14所述的装置，其中，所述调节模块，用于：
根据所述能使所述奖励值增大的所述网络动作值，对所述相机的角度、所述相机的焦距和所述相机的光学参数中的至少一种进行调节。
16.根据权利要求9所述的装置，其中，所述确定模块，还用于：
确定增大的奖励值是否达到奖励值阈值；以及
当所述增大的奖励值达到所述奖励值阈值，结束调节。
17.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
CN202010617545.2A 2020-06-30 2020-06-30 用于调节相机的方法、装置、电子设备与存储介质 Pending CN111787222A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010617545.2A CN111787222A (zh) 2020-06-30 2020-06-30 用于调节相机的方法、装置、电子设备与存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010617545.2A CN111787222A (zh) 2020-06-30 2020-06-30 用于调节相机的方法、装置、电子设备与存储介质

Publications (1)

Publication Number Publication Date
CN111787222A true CN111787222A (zh) 2020-10-16

Family

ID=72761360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010617545.2A Pending CN111787222A (zh) 2020-06-30 2020-06-30 用于调节相机的方法、装置、电子设备与存储介质

Country Status (1)

Country Link
CN (1) CN111787222A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170070659A1 (en) * 2015-09-08 2017-03-09 Canon Kabushiki Kaisha Methods for adjusting control parameters on an image capture device
CN107403446A (zh) * 2016-05-18 2017-11-28 西门子保健有限责任公司 用于使用智能人工代理的图像配准的方法和系统
CN107810505A (zh) * 2015-03-27 2018-03-16 英特尔公司 实时图像捕获参数的机器学习
CN110249622A (zh) * 2017-01-28 2019-09-17 微软技术许可有限责任公司 实时的语义感知的相机曝光控制
CN111246091A (zh) * 2020-01-16 2020-06-05 北京迈格威科技有限公司 一种动态自动曝光控制方法和装置及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107810505A (zh) * 2015-03-27 2018-03-16 英特尔公司 实时图像捕获参数的机器学习
US20170070659A1 (en) * 2015-09-08 2017-03-09 Canon Kabushiki Kaisha Methods for adjusting control parameters on an image capture device
CN107403446A (zh) * 2016-05-18 2017-11-28 西门子保健有限责任公司 用于使用智能人工代理的图像配准的方法和系统
CN110249622A (zh) * 2017-01-28 2019-09-17 微软技术许可有限责任公司 实时的语义感知的相机曝光控制
CN111246091A (zh) * 2020-01-16 2020-06-05 北京迈格威科技有限公司 一种动态自动曝光控制方法和装置及电子设备

Similar Documents

Publication Publication Date Title
CN111833340B (zh) 图像检测方法、装置、电子设备及存储介质
CN111598818A (zh) 人脸融合模型训练方法、装置及电子设备
CN111757098B (zh) 安装智能人脸监控摄像机后的调试方法、装置、摄像机和介质
CN110659600B (zh) 物体检测方法、装置及设备
CN111931591A (zh) 用于构建关键点学习模型的方法、装置、电子设备及可读存储介质
CN112149636A (zh) 用于检测目标物体的方法、装置、电子设备及存储介质
CN110717933B (zh) 针对运动物体漏检的后处理方法、装置、设备和介质
CN111861955A (zh) 构建图像编辑模型的方法以及装置
CN110675635B (zh) 相机外参的获取方法、装置、电子设备及存储介质
CN112270745B (zh) 一种图像生成方法、装置、设备以及存储介质
CN111767853A (zh) 车道线检测方法和装置
CN111626263B (zh) 一种视频感兴趣区域检测方法、装置、设备及介质
CN110728284A (zh) 一种基于深度学习的边缘计算烟火识别方法及智能终端
CN112561053A (zh) 图像处理方法、预训练模型的训练方法、装置和电子设备
CN112380392A (zh) 用于分类视频的方法、装置、电子设备及可读存储介质
CN111523467B (zh) 人脸跟踪方法和装置
CN112507833A (zh) 人脸识别及模型训练的方法、装置、设备和存储介质
CN112561059B (zh) 用于模型蒸馏的方法和装置
CN112949467B (zh) 人脸检测方法、装置、电子设备和存储介质
CN111986263B (zh) 图像处理方法、装置、电子设备及存储介质
CN113361303B (zh) 临时交通标志牌识别方法、装置及设备
CN110798681B (zh) 成像设备的监测方法、装置和计算机设备
CN110889392B (zh) 人脸图像处理的方法及装置
CN111783600A (zh) 一种人脸识别模型训练方法、装置、设备及介质
CN111787222A (zh) 用于调节相机的方法、装置、电子设备与存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20201016

RJ01 Rejection of invention patent application after publication