CN112911139A - 物品拍摄方法、装置、电子设备及存储介质 - Google Patents
物品拍摄方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112911139A CN112911139A CN202110052103.2A CN202110052103A CN112911139A CN 112911139 A CN112911139 A CN 112911139A CN 202110052103 A CN202110052103 A CN 202110052103A CN 112911139 A CN112911139 A CN 112911139A
- Authority
- CN
- China
- Prior art keywords
- shooting
- article
- item
- parameters
- image
- 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
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
- H04N23/80—Camera processing pipelines; Components thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- H04N23/61—Control of cameras or camera modules based on recognised objects
- H04N23/611—Control of cameras or camera modules based on recognised objects where the recognised objects include parts of the human body
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Studio Devices (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,公开了一种物品拍摄方法、装置、电子设备及存储介质,该方法包括:获取包括待拍摄物品的预览图像,从所述预览图像中识别所述待拍摄物品的物品参数,进一步地,可以将所述物品参数输入预先训练好的神经网络模型中,获得所述待拍摄物品对应的目标拍摄参数,并根据所述目标拍摄参数对所述待拍摄物品进行拍摄,获得目标拍摄图像。可见,本发明实施例能够基于深度学习自动调整拍摄参数,获得拍摄图像。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种物品拍摄方法、装置、电子设备及存储介质。
背景技术
随着移动终端(如智能手机、自动拍摄装置)拍照功能的日益强大,使用移动终端进行拍照已经成为人们日常拍照的常见方式。然而实践中发现,虽然移动终端的拍照功能强大,但是并不是所有的用户擅长拍照。通常,用户需要不断尝试着设置不同的拍摄参数,才能够拍出符合要求的图像,有时甚至设置了很多不同的拍摄参数,也难以拍出符合要求的图像,严重影响用户体验。
发明内容
本发明提供了一种物品拍摄方法、装置、电子设备及存储介质,能够基于深度学习自动调整拍摄参数,获得拍摄图像。
本发明第一方面公开了一种物品拍摄方法,所述方法包括:
获取包括待拍摄物品的预览图像;
从所述预览图像中识别所述待拍摄物品的物品参数;
将所述物品参数输入预先训练好的神经网络模型中,获得所述待拍摄物品对应的目标拍摄参数;
根据所述目标拍摄参数对所述待拍摄物品进行拍摄,获得目标拍摄图像。
作为一种可选的实施方式,在本发明第一方面中,所述获取包括待拍摄物品的预览图像之前,所述方法还包括:
获取多个物品的第一拍摄参数以及每个所述物品的第一拍摄参数对应的第一拍摄效果图像;
提取所述多个物品的第一物品参数;
根据所述第一物品参数,对所述多个物品进行聚类,获得多个类别;
建立每个类别的物品、第一拍摄参数以及第一拍摄效果图像的对应关系;
根据所述对应关系,生成物品拍摄数据库;
采用所述物品拍摄数据库中的训练样本,对初始网络模型进行训练,获得所述训练好的神经网络模型。
作为一种可选的实施方式,在本发明第一方面中,所述获取多个物品的第一拍摄参数以及每个所述物品的第一拍摄参数对应的第一拍摄效果图像之后,所述方法还包括:
对多个所述第一拍摄效果图像进行大数据分析,获得主流的多个目标拍摄效果图像;
根据多个所述目标拍摄效果图像,从所述多个物品中筛选出第一物品;
所述提取所述多个物品的第一物品参数包括:
提取所述第一物品的第一物品参数。
作为一种可选的实施方式,在本发明第一方面中,所述方法还包括:
将所述物品拍摄数据库上传至区块链上;
每隔预设时间,更新所述区块链上的所述物品拍摄数据库。
作为一种可选的实施方式,在本发明第一方面中,所述每隔预设时间,更新所述区块链上的所述物品拍摄数据库包括:
每隔预设时间,获取所述预设时间内接收到的第二物品的拍摄信息,所述拍摄信息包括第二拍摄参数以及第二拍摄效果图像;
识别所述第二物品的类别;
判断所述第二物品的类别是否属于所述物品拍摄数据库包括的类别;
若所述第二物品的类别不属于所述物品拍摄数据库包括的类别,且所述第二拍摄效果图像属于主流的拍摄效果图像,根据所述第二物品的类型,所述第二拍摄参数以及所述第二拍摄效果图像,更新所述区块链上的所述物品拍摄数据库。
作为一种可选的实施方式,在本发明第一方面中,所述方法还包括:
采用更新后的所述物品拍摄数据库中的训练样本,对所述神经网络模型进行重新训练。
作为一种可选的实施方式,在本发明第一方面中,所述方法还包括:
判断所述目标拍摄图像的拍摄效果是否符合所述神经网络模型的预设效果;
若所述目标拍摄图像的拍摄效果符合所述神经网络模型的预设效果,将所述目标拍摄参数以及所述目标拍摄图像进行分享。
本发明第二方面公开了一种物品拍摄装置,所述装置包括:
获取模块,用于获取包括待拍摄物品的预览图像;
识别模块,用于从所述预览图像中识别所述待拍摄物品的物品参数;
输入模块,用于将所述物品参数输入预先训练好的神经网络模型中,获得所述待拍摄物品对应的目标拍摄参数;
拍摄模块,用于根据所述目标拍摄参数对所述待拍摄物品进行拍摄,获得目标拍摄图像。
本发明第三方面公开了一种电子设备,所述电子设备包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的物品拍摄方法中的部分或全部步骤。
本发明第五方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于本发明第一方面公开的物品拍摄方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,可以先获取包括待拍摄物品的预览图像,从所述预览图像中识别所述待拍摄物品的物品参数,进一步地,可以将所述物品参数输入预先训练好的神经网络模型中,获得所述待拍摄物品对应的目标拍摄参数,并根据所述目标拍摄参数对所述待拍摄物品进行拍摄,获得目标拍摄图像。可见,通过本发明实施例,可以基于神经网络模型,根据物品参数获得对应的拍摄参数,而不需要用户手动去调整拍摄参数,进而根据神经网络模型输出的拍摄参数进行拍摄,能够获得拍摄效果较佳的拍摄图像。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种物品拍摄方法的流程示意图;
图2是本发明实施例公开的另一种物品拍摄方法的流程示意图;
图3是本发明实施例公开的一种物品拍摄装置的结构示意图;
图4是本发明实施例公开的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种物品拍摄方法、装置、电子设备及存储介质,可以基于神经网络模型,根据物品参数获得对应的拍摄参数,而不需要用户手动去调整拍摄参数,进而根据神经网络模型输出的拍摄参数进行拍摄,能够获得拍摄效果较佳的拍摄图像。
本发明提供的物品拍摄方法可以由终端设备、服务器或其它类型的电子设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该物品拍摄方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行所述物品拍摄方法。下面以电子设备作为执行主体为例对本发明公开实施例的物品拍摄方法进行说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种物品拍摄方法的流程示意图。其中,图1所描述的方法可以应用于电子设备中,该物品拍摄方法可以包括以下操作:
S11、电子设备获取包括待拍摄物品的预览图像。
本发明实施例中,用户需要对待拍摄物品进行拍摄时,可以进入拍摄应用,并获取待拍摄物品的预览图像,其中,该预览图像是待拍摄物品在所处环境中的真实图像。
S12、电子设备从所述预览图像中识别所述待拍摄物品的物品参数。
其中,物品参数可以包括:但不限于物品的形状(如圆形、长方形、正方形等)、颜色(如红色、蓝色、绿色等)、大小(如5cm长,3cm宽)以及表明纹理。
具体的,电子设备可以采用深度学习的物品识别算法来识别待拍摄物品的物品参数。
S13、电子设备将所述物品参数输入预先训练好的神经网络模型中,获得所述待拍摄物品对应的目标拍摄参数。
其中,目标拍摄参数可以包括:但不限于拍摄位置、灯光布局、拍摄角度、拍摄模式、拍摄图片大小、光圈、滤镜、对焦参数。
其中,神经网络模型的训练可以包括:
获取训练样本;
根据所述训练样本对神经网络模型进行训练;
调整所述神经网络模型的模型参数,以最小化损失函数,获得训练好的神经网络模型。
其中,训练样本可以来自于互联网上收集的多个图像样本,其中,该训练样本可以是有监督的训练样本,包括物品的物品参数以及对应的拍摄参数。
通过神经网络模型,可以自动根据物品参数获得对应的拍摄参数,而无需用户手动调整拍摄参数,从而提高了拍摄效率。
S14、电子设备根据所述目标拍摄参数对所述待拍摄物品进行拍摄,获得目标拍摄图像。
其中,根据神经网络模型输出的目标拍摄参数,对所述待拍摄物品进行拍摄,获得目标拍摄图像,能够获得较佳的拍摄效果,从而能够提高图像的拍摄质量,获得比较好的艺术效果。
作为一种可选的实施方式,所述方法还包括:
判断所述目标拍摄图像的拍摄效果是否符合所述神经网络模型的预设效果;
若所述目标拍摄图像的拍摄效果符合所述神经网络模型的预设效果,将所述目标拍摄参数以及所述目标拍摄图像进行分享。
在该实施方式中,在获得目标拍摄图像之后,还可以进一步判断所述目标拍摄图像的拍摄效果是否符合所述神经网络模型的预设效果;如果所述目标拍摄图像的拍摄效果符合所述神经网络模型的预设效果,表明所述目标拍摄图像的拍摄获得了预期效果,此时,可以将所述目标拍摄参数以及所述目标拍摄图像进行分享,以便于其他用户在拍摄时进行参考,提高拍摄效果。此外,如果所述目标拍摄图像的拍摄效果不符合所述神经网络模型的预设效果,可以基于该目标拍摄图像,对所述神经网络模型进行优化,不断调整模型参数,使得神经网络模型具有更好的鲁棒性。
可见,实施图1所述的方法,可以先获取包括待拍摄物品的预览图像,从所述预览图像中识别所述待拍摄物品的物品参数,进一步地,可以将所述物品参数输入预先训练好的神经网络模型中,获得所述待拍摄物品对应的目标拍摄参数,并根据所述目标拍摄参数对所述待拍摄物品进行拍摄,获得目标拍摄图像。可见,通过本发明实施例,可以基于神经网络模型,根据物品参数获得对应的拍摄参数,而不需要用户手动去调整拍摄参数,进而根据神经网络模型输出的拍摄参数进行拍摄,能够获得拍摄效果较佳的拍摄图像。
实施例二
请参阅图2,图2是本发明实施例公开的另一种物品拍摄方法的流程示意图。其中,图2所描述的方法可以应用于电子设备中。如图2所示,该物品拍摄方法可以包括以下操作:
S21、电子设备获取多个物品的第一拍摄参数以及每个所述物品的第一拍摄参数对应的第一拍摄效果图像。
其中,所述第一拍摄参数可以包括但不限于拍摄位置、灯光布局、拍摄角度、拍摄模式、拍摄图片大小、光圈、滤镜、对焦参数。
其中,第一拍摄效果图像即是根据第一拍摄参数进行拍摄获得的拍摄图像,该第一拍摄效果图像可以呈现某种拍摄效果,比如聚光效果、星芒效果、虚化效果等。
S22、电子设备对多个所述第一拍摄效果图像进行大数据分析,获得主流的多个目标拍摄效果图像。
其中,可以采用大数据分析技术,对多个所述第一拍摄效果图像进行大数据分析,从多个所述第一拍摄效果图像中筛选出主流的多个目标拍摄效果图像,其中,这些主流的多个目标拍摄效果图像可以认为是当前大众热衷的拍摄效果的图像,比较受欢迎。
S23、电子设备根据多个所述目标拍摄效果图像,从所述多个物品中筛选出第一物品。
其中,为了减少数据的冗余,提高后续神经网络模型的训练样本的有效性,可以根据多个所述目标拍摄效果图像,从所述多个物品中筛选出第一物品,进而根据筛选出的第一物品的相关参数进行后续处理。
S24、电子设备提取所述第一物品的第一物品参数。
其中,第一物品参数可以包括:但不限于物品的形状(如圆形、长方形、正方形等)、颜色(如红色、蓝色、绿色等)、大小(如5cm长,3cm宽)以及表明纹理。
S25、电子设备根据所述第一物品参数,对所述多个物品进行聚类,获得多个类别。
其中,可以采用聚类算法,根据所述第一物品参数,对所述多个物品进行聚类,获得多个类别。或者,可以采用预先训练好的分类模型,根据所述第一物品参数,对所述多个物品进行聚类,获得多个类别。
S26、电子设备建立每个类别的物品、第一拍摄参数以及第一拍摄效果图像的对应关系。
S27、电子设备根据所述对应关系,生成物品拍摄数据库。
其中,该物品拍摄数据库中存储了物品的不同类别、第一拍摄参数、第一拍摄效果图像以及该对应关系。
S28、电子设备采用所述物品拍摄数据库中的训练样本,对初始网络模型进行训练,获得所述训练好的神经网络模型。
其中,所述物品拍摄数据库中的训练样本来自于上述通过大数据采集的方式获得的,训练样本具有普片性,能够代表大多数用户的需求,基于该训练样本获得的神经网络模型,能够提高模型的准确性,得到符合要求的输出参数。
S29、电子设备获取包括待拍摄物品的预览图像。
S210、电子设备从所述预览图像中识别所述待拍摄物品的物品参数。
S211、电子设备将所述物品参数输入预先训练好的神经网络模型中,获得所述待拍摄物品对应的目标拍摄参数。
S212、电子设备根据所述目标拍摄参数对所述待拍摄物品进行拍摄,获得目标拍摄图像。
作为一种可选的实施方式,所述方法还包括:
将所述物品拍摄数据库上传至区块链上;
每隔预设时间,更新所述区块链上的所述物品拍摄数据库。
在该可选的实施方式中,为了确保数据的安全性和不可篡改性,可以将所述物品拍摄数据库上传至区块链上;同时,为了物品拍摄数据库的有效性和实时性,可以每隔预设时间,更新所述区块链上的所述物品拍摄数据库。
作为一种可选的实施方式,所述每隔预设时间,更新所述区块链上的所述物品拍摄数据库包括:
每隔预设时间,获取所述预设时间内接收到的第二物品的拍摄信息,所述拍摄信息包括第二拍摄参数以及第二拍摄效果图像;
识别所述第二物品的类别;
判断所述第二物品的类别是否属于所述物品拍摄数据库包括的类别;
若所述第二物品的类别不属于所述物品拍摄数据库包括的类别,且所述第二拍摄效果图像属于主流的拍摄效果图像,根据所述第二物品的类型,所述第二拍摄参数以及所述第二拍摄效果图像,更新所述区块链上的所述物品拍摄数据库。
在该可选的实施方式中,可以获取在预设时间内接收到的第二物品的拍摄信息,根据该拍摄信息可以判断第二拍摄效果图像是否属于主流的拍摄效果图像,同时,还可以判断第二物品的类别是否属于所述物品拍摄数据库包括的类别,如果所述第二物品的类别不属于所述物品拍摄数据库包括的类别,且所述第二拍摄效果图像属于主流的拍摄效果图像,表明当前出现了新的物品类别而且属于主流的拍摄效果图像,因此,需要根据所述第二物品的类型,所述第二拍摄参数以及所述第二拍摄效果图像,更新所述区块链上的所述物品拍摄数据库,以确保所述物品拍摄数据库的有效性和实时性。
作为一种可选的实施方式,所述方法还包括:
采用更新后的所述物品拍摄数据库中的训练样本,对所述神经网络模型进行重新训练。
在该可选的实施方式中,物品拍摄数据库更新后,也需要及时地对神经网络模型进行重新训练,以确保神经网络模型的有效性和实时性。
可见,通过图2所述的方法,可以通过大数据采集的方式生成物品拍摄数据库,并基于物品拍摄数据库中的样本训练神经网络模型,最后即可基于神经网络模型,根据物品参数获得对应的拍摄参数,而且,物品拍摄数据库以及神经网络模型均在实时更新,从而不仅可以根据神经网络模型输出的拍摄参数进行拍摄,获得拍摄效果较佳的拍摄图像,同时,还可以确保拍摄效果图像的实时更新,提高模型的有效性。
实施例三
请参阅图3,图3是本发明实施例公开的一种物品拍摄装置的结构示意图。其中,图3所描述的物品拍摄装置可以运行于电子设备中,具体可以参考图1或图2中的相关描述,在此不再赘述。如图3所示,该物品拍摄装置可以包括:
获取模块301,用于获取包括待拍摄物品的预览图像;
识别模块302,用于从所述预览图像中识别所述待拍摄物品的物品参数;
输入模块303,用于将所述物品参数输入预先训练好的神经网络模型中,获得所述待拍摄物品对应的目标拍摄参数;
拍摄模块304,用于根据所述目标拍摄参数对所述待拍摄物品进行拍摄,获得目标拍摄图像。
可选的,所述获取模块301,还用于获取多个物品的第一拍摄参数以及每个所述物品的第一拍摄参数对应的第一拍摄效果图像;
所述物品拍摄装置还可以包括:
提取模块,用于提取所述多个物品的第一物品参数;
聚类模块,用于根据所述第一物品参数,对所述多个物品进行聚类,获得多个类别;
建立模块,用于建立每个类别的物品、第一拍摄参数以及第一拍摄效果图像的对应关系;
生成模块,用于根据所述对应关系,生成物品拍摄数据库;
训练模块,用于采用所述物品拍摄数据库中的训练样本,对初始网络模型进行训练,获得所述训练好的神经网络模型。
可选的,所述物品拍摄装置还可以包括:
分析模块,用于对多个所述第一拍摄效果图像进行大数据分析,获得主流的多个目标拍摄效果图像;
筛选模块,用于根据多个所述目标拍摄效果图像,从所述多个物品中筛选出第一物品;
所述提取模块提取所述多个物品的第一物品参数包括:
提取所述第一物品的第一物品参数。
可选的,所述物品拍摄装置还可以包括:
上传模块,用于将所述物品拍摄数据库上传至区块链上;
更新模块,用于每隔预设时间,更新所述区块链上的所述物品拍摄数据库。
具体的,所述更新模块每隔预设时间,更新所述区块链上的所述物品拍摄数据库包括:
每隔预设时间,获取所述预设时间内接收到的第二物品的拍摄信息,所述拍摄信息包括第二拍摄参数以及第二拍摄效果图像;
识别所述第二物品的类别;
判断所述第二物品的类别是否属于所述物品拍摄数据库包括的类别;
若所述第二物品的类别不属于所述物品拍摄数据库包括的类别,且所述第二拍摄效果图像属于主流的拍摄效果图像,根据所述第二物品的类型,所述第二拍摄参数以及所述第二拍摄效果图像,更新所述区块链上的所述物品拍摄数据库。
可选的,所述训练模块,还用于采用更新后的所述物品拍摄数据库中的训练样本,对所述神经网络模型进行重新训练。
可选的,所述物品拍摄装置还可以包括:
判断模块,用于判断所述目标拍摄图像的拍摄效果是否符合所述神经网络模型的预设效果;
分享模块,用于若所述目标拍摄图像的拍摄效果符合所述神经网络模型的预设效果,将所述目标拍摄参数以及所述目标拍摄图像进行分享。
可见,实施图3所描述的装置,可以先获取包括待拍摄物品的预览图像,从所述预览图像中识别所述待拍摄物品的物品参数,进一步地,可以将所述物品参数输入预先训练好的神经网络模型中,获得所述待拍摄物品对应的目标拍摄参数,并根据所述目标拍摄参数对所述待拍摄物品进行拍摄,获得目标拍摄图像。可见,通过本发明实施例,可以基于神经网络模型,根据物品参数获得对应的拍摄参数,而不需要用户手动去调整拍摄参数,进而根据神经网络模型输出的拍摄参数进行拍摄,能够获得拍摄效果较佳的拍摄图像。
实施例四
请参阅图4,图4是本发明实施例公开的一种电子设备的结构示意图。其中,如图4所示,该电子设备可以包括:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
进一步的,还可以包括与处理器402耦合的输入接口403以及输出接口404;
其中,处理器402调用存储器401中存储的可执行程序代码,用于执行实施例一或实施例二中所描述的物品拍摄方法中的部分或全部步骤。
可见,实施图4所描述的电子设备,
实施例五
本发明实施例公开了一种计算机存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一或实施例二中所描述的物品拍摄方法中的部分或全部步骤。
实施例六
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的物品拍摄方法中的部分或全部步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种物品拍摄方法、装置、电子设备及存储介质所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项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;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种物品拍摄方法,其特征在于,所述方法包括:
获取包括待拍摄物品的预览图像;
从所述预览图像中识别所述待拍摄物品的物品参数;
将所述物品参数输入预先训练好的神经网络模型中,获得所述待拍摄物品对应的目标拍摄参数;
根据所述目标拍摄参数对所述待拍摄物品进行拍摄,获得目标拍摄图像。
2.根据权利要求1所述的物品拍摄方法,其特征在于,所述获取包括待拍摄物品的预览图像之前,所述方法还包括:
获取多个物品的第一拍摄参数以及每个所述物品的第一拍摄参数对应的第一拍摄效果图像;
提取所述多个物品的第一物品参数;
根据所述第一物品参数,对所述多个物品进行聚类,获得多个类别;
建立每个类别的物品、第一拍摄参数以及第一拍摄效果图像的对应关系;
根据所述对应关系,生成物品拍摄数据库;
采用所述物品拍摄数据库中的训练样本,对初始网络模型进行训练,获得所述训练好的神经网络模型。
3.根据权利要求2所述的物品拍摄方法,其特征在于,所述获取多个物品的第一拍摄参数以及每个所述物品的第一拍摄参数对应的第一拍摄效果图像之后,所述方法还包括:
对多个所述第一拍摄效果图像进行大数据分析,获得主流的多个目标拍摄效果图像;
根据多个所述目标拍摄效果图像,从所述多个物品中筛选出第一物品;
所述提取所述多个物品的第一物品参数包括:
提取所述第一物品的第一物品参数。
4.根据权利要求2所述的物品拍摄方法,其特征在于,所述方法还包括:
将所述物品拍摄数据库上传至区块链上;
每隔预设时间,更新所述区块链上的所述物品拍摄数据库。
5.根据权利要求4所述的物品拍摄方法,其特征在于,所述每隔预设时间,更新所述区块链上的所述物品拍摄数据库包括:
每隔预设时间,获取所述预设时间内接收到的第二物品的拍摄信息,所述拍摄信息包括第二拍摄参数以及第二拍摄效果图像;
识别所述第二物品的类别;
判断所述第二物品的类别是否属于所述物品拍摄数据库包括的类别;
若所述第二物品的类别不属于所述物品拍摄数据库包括的类别,且所述第二拍摄效果图像属于主流的拍摄效果图像,根据所述第二物品的类型,所述第二拍摄参数以及所述第二拍摄效果图像,更新所述区块链上的所述物品拍摄数据库。
6.根据权利要求5所述的物品拍摄方法,其特征在于,所述方法还包括:
采用更新后的所述物品拍摄数据库中的训练样本,对所述神经网络模型进行重新训练。
7.根据权利要求1至6中任一项所述的物品拍摄方法,其特征在于,所述方法还包括:
判断所述目标拍摄图像的拍摄效果是否符合所述神经网络模型的预设效果;
若所述目标拍摄图像的拍摄效果符合所述神经网络模型的预设效果,将所述目标拍摄参数以及所述目标拍摄图像进行分享。
8.一种物品拍摄装置,其特征在于,所述装置包括:
获取模块,用于获取包括待拍摄物品的预览图像;
识别模块,用于从所述预览图像中识别所述待拍摄物品的物品参数;
输入模块,用于将所述物品参数输入预先训练好的神经网络模型中,获得所述待拍摄物品对应的目标拍摄参数;
拍摄模块,用于根据所述目标拍摄参数对所述待拍摄物品进行拍摄,获得目标拍摄图像。
9.一种电子设备,其特征在于,所述电子设备包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的物品拍摄方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-7任一项所述的物品拍摄方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110052103.2A CN112911139A (zh) | 2021-01-15 | 2021-01-15 | 物品拍摄方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110052103.2A CN112911139A (zh) | 2021-01-15 | 2021-01-15 | 物品拍摄方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112911139A true CN112911139A (zh) | 2021-06-04 |
Family
ID=76114807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110052103.2A Pending CN112911139A (zh) | 2021-01-15 | 2021-01-15 | 物品拍摄方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112911139A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113453022A (zh) * | 2021-06-30 | 2021-09-28 | 康佳集团股份有限公司 | 一种图像显示方法、装置、电视机及存储介质 |
CN113556473A (zh) * | 2021-09-23 | 2021-10-26 | 深圳市天和荣科技有限公司 | 花朵开花过程的拍摄方法、装置、电子设备及存储介质 |
CN114071024A (zh) * | 2021-11-26 | 2022-02-18 | 北京百度网讯科技有限公司 | 图像拍摄方法、神经网络训练方法、装置、设备和介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106851099A (zh) * | 2017-01-22 | 2017-06-13 | 维沃移动通信有限公司 | 一种拍摄的方法及移动终端 |
CN109862272A (zh) * | 2019-03-05 | 2019-06-07 | 联想(北京)有限公司 | 一种处理方法及电子设备 |
US20190304118A1 (en) * | 2018-03-27 | 2019-10-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for generating image generative model |
WO2019213818A1 (zh) * | 2018-05-07 | 2019-11-14 | 合刃科技(武汉)有限公司 | 拍摄控制方法及电子装置 |
CN110750591A (zh) * | 2018-07-04 | 2020-02-04 | 全球智能股份有限公司 | 人工智能知识管理系统与其形成分布式记录的方法 |
DE102018126112A1 (de) * | 2018-10-19 | 2020-04-23 | HELLA GmbH & Co. KGaA | Trainingsverfahren für ein neuronales Netz für eine automatische Einstellung einer Kamera |
CN111310725A (zh) * | 2020-03-13 | 2020-06-19 | 恒睿(重庆)人工智能技术研究院有限公司 | 一种对象识别方法、系统、机器可读介质及设备 |
CN111814545A (zh) * | 2020-06-01 | 2020-10-23 | 北京简巨科技有限公司 | 作物识别方法、装置、电子设备及存储介质 |
-
2021
- 2021-01-15 CN CN202110052103.2A patent/CN112911139A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106851099A (zh) * | 2017-01-22 | 2017-06-13 | 维沃移动通信有限公司 | 一种拍摄的方法及移动终端 |
US20190304118A1 (en) * | 2018-03-27 | 2019-10-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for generating image generative model |
WO2019213818A1 (zh) * | 2018-05-07 | 2019-11-14 | 合刃科技(武汉)有限公司 | 拍摄控制方法及电子装置 |
CN111279684A (zh) * | 2018-05-07 | 2020-06-12 | 合刃科技(武汉)有限公司 | 拍摄控制方法及电子装置 |
CN110750591A (zh) * | 2018-07-04 | 2020-02-04 | 全球智能股份有限公司 | 人工智能知识管理系统与其形成分布式记录的方法 |
DE102018126112A1 (de) * | 2018-10-19 | 2020-04-23 | HELLA GmbH & Co. KGaA | Trainingsverfahren für ein neuronales Netz für eine automatische Einstellung einer Kamera |
CN109862272A (zh) * | 2019-03-05 | 2019-06-07 | 联想(北京)有限公司 | 一种处理方法及电子设备 |
CN111310725A (zh) * | 2020-03-13 | 2020-06-19 | 恒睿(重庆)人工智能技术研究院有限公司 | 一种对象识别方法、系统、机器可读介质及设备 |
CN111814545A (zh) * | 2020-06-01 | 2020-10-23 | 北京简巨科技有限公司 | 作物识别方法、装置、电子设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113453022A (zh) * | 2021-06-30 | 2021-09-28 | 康佳集团股份有限公司 | 一种图像显示方法、装置、电视机及存储介质 |
CN113556473A (zh) * | 2021-09-23 | 2021-10-26 | 深圳市天和荣科技有限公司 | 花朵开花过程的拍摄方法、装置、电子设备及存储介质 |
CN113556473B (zh) * | 2021-09-23 | 2022-02-08 | 深圳市天和荣科技有限公司 | 花朵开花过程的拍摄方法、装置、电子设备及存储介质 |
CN114071024A (zh) * | 2021-11-26 | 2022-02-18 | 北京百度网讯科技有限公司 | 图像拍摄方法、神经网络训练方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112911139A (zh) | 物品拍摄方法、装置、电子设备及存储介质 | |
CN110569695B (zh) | 基于定损图像判定模型的图像处理方法和装置 | |
CN103617432B (zh) | 一种场景识别方法及装置 | |
AU2017261537A1 (en) | Automated selection of keeper images from a burst photo captured set | |
CN109325429B (zh) | 一种关联特征数据的方法、装置、存储介质及终端 | |
CN110569808A (zh) | 活体检测方法、装置及计算机设备 | |
CN109815844A (zh) | 目标检测方法及装置、电子设备和存储介质 | |
JP5366756B2 (ja) | 情報処理装置及び情報処理方法 | |
CN111738735B (zh) | 一种图像数据处理方法、装置和相关设备 | |
CN108198177A (zh) | 图像获取方法、装置、终端及存储介质 | |
CN112101359B (zh) | 文本公式的定位方法、模型训练方法及相关装置 | |
CN111935479A (zh) | 一种目标图像确定方法、装置、计算机设备及存储介质 | |
CN110852147A (zh) | 一种安防报警方法、装置、服务器及计算机可读存储介质 | |
CN111263955A (zh) | 一种目标对象的移动轨迹确定方法和装置 | |
CN105825228B (zh) | 图像识别方法及装置 | |
CN111126254A (zh) | 图像识别方法、装置、设备及存储介质 | |
CN112712564A (zh) | 相机的拍摄方法和装置、存储介质、电子装置 | |
CN116246200A (zh) | 一种基于视觉识别的屏显信息偷拍检测方法及系统 | |
CN111247790A (zh) | 一种图像处理方法、装置、图像拍摄和处理系统及载体 | |
CN114445752A (zh) | 一种用于证件照片采集的动态引导方法及装置 | |
CN109583477B (zh) | 一种图像的像素分类处理方法、装置及电子设备 | |
CN113469135A (zh) | 对象身份信息的确定方法、装置、存储介质及电子装置 | |
CN113824874A (zh) | 辅助摄像方法、装置、电子设备及存储介质 | |
CN113259734A (zh) | 针对交互场景的智能导播方法、装置、终端和存储介质 | |
CN112839167A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 |
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: 20210604 |
|
RJ01 | Rejection of invention patent application after publication |