CN114339022B - 摄像头拍摄参数确定方法、神经网络模型的训练方法 - Google Patents

Abstract

本公开是关于一种摄像头拍摄参数确定方法、摄像头拍摄参数确定装置、神经网络模型的训练方法、神经网络模型的训练装置、电子设备、以及非临时性计算机可读存储介质。其中摄像头拍摄参数确定方法，应用于终端设备，终端设备包括朝向同一方向的第一摄像头和第二摄像头；方法包括：获取通过第一摄像头采集的第一图像；获取第一摄像头对应于第一图像的第一拍摄参数；根据第一图像、第一拍摄参数以及目标神经网络模型，确定第一摄像头切换至第二摄像头的情况下，第二摄像头所需的第二拍摄参数。基于当前摄像头采集的图像和拍摄参数，通过目标神经网络模型，能够得到其他摄像头的拍摄参数，在切换摄像头时，能够快速切换，降低了切换过程中的等待时间。

Description

摄像头拍摄参数确定方法、神经网络模型的训练方法

技术领域

本公开涉及图像拍摄领域，尤其涉及摄像头拍摄参数确定方法、摄像头拍摄参数确定装置、神经网络模型的训练方法、神经网络模型的训练装置、电子设备、以及非临时性计算机可读存储介质。

背景技术

目前，如手机、平板电脑等终端设备，在一侧设置有多个摄像头，以满足拍摄不同场景的需求，常见的后置摄像头可以分为标准镜头，微距镜头，广角镜头，中焦镜头，以及长焦镜头等等。摄像头需要根据当前采集的图像确定拍摄参数，例如曝光值等，调整好之后才能进行获取到优质的图像，也才能在终端设备上预览出优质的预览图像。

而用户在使用相机的过程中，可以根据需求通过用户界面切换摄像头，也可以是系统根据当前场景切换到最合适的摄像头。而切换后的摄像头需要开启后采集图像才能确定该摄像头的针对当前场景的拍摄参数，过程缓慢，需要等待一段时间才能获取到优质的图像，导致用户体验较差。

发明内容

为克服相关技术中存在的问题，本公开提供摄像头拍摄参数确定方法、摄像头拍摄参数确定装置、神经网络模型的训练方法、神经网络模型的训练装置、电子设备、以及非临时性计算机可读存储介质。

根据本公开实施例的第一方面，提供一种摄像头拍摄参数确定方法，应用于终端设备，所述终端设备包括朝向同一方向的第一摄像头和第二摄像头；所述方法包括：获取通过所述第一摄像头采集的第一图像；获取所述第一摄像头对应于所述第一图像的第一拍摄参数；根据所述第一图像、所述第一拍摄参数以及目标神经网络模型，确定所述第一摄像头切换至所述第二摄像头的情况下，所述第二摄像头所需的第二拍摄参数。

在一实施例中，所述方法还包括：确定所述第一摄像头的取景范围和所述第二摄像头的取景范围之间的重合关系；所述根据所述第一图像、所述第一拍摄参数以及目标神经网络模型，确定所述第一摄像头切换至所述第二摄像头的情况下，所述第二摄像头所需的第二拍摄参数，包括：根据所述第一图像、所述第一拍摄参数、所述重合关系以及目标神经网络模型，确定所述第二拍摄参数。

在一实施例中，所述方法还包括：响应于切换摄像头的指令，将所述第二拍摄参数作为所述第二摄像头的初始拍摄参数；获取通过所述第二摄像头采集的第二图像。

在一实施例中，所述第一拍摄参数包括以下一种或多种：曝光拍摄参数、对焦拍摄参数、白平衡拍摄参数；所述第二拍摄参数与所述第一拍摄参数相对应。

根据本公开实施例的第二方面，提供一种神经网络模型的训练方法，所述神经网络模型应用于终端设备，所述终端设备包括朝向同一方向的第一摄像头和第二摄像头；训练完成的目标神经网络模型应用于如第一方面所述的摄像头拍摄参数确定方法；所述神经网络模型的训练方法包括：获取训练集，其中，所述训练集包括：所述第一摄像头采集的第一训练图像、所述第一摄像头采集第一训练图像时的第一真实拍摄参数、所述第二摄像头采集的第二训练图像，以及所述第二摄像头采集第二训练图像时的第二真实拍摄参数；将第一训练图像和所述第一真实拍摄参数输入基础神经网络模型，得到所述基础神经网络模型输出的与所述第二摄像头对应的输出拍摄参数；基于所述第二真实拍摄参数和所述输出拍摄参数，对所述基础神经网络模型进行训练，得到所述目标神经网络模型。

在一实施例中，所述神经网络模型的训练方法还包括：确定所述第一摄像头的取景范围和所述第二摄像头的取景范围之间的重合关系；所述将第一训练图像和所述第一真实拍摄参数输入基础神经网络模型，得到所述基础神经网络模型输出的与所述第二摄像头对应的输出拍摄参数，包括：将所述第一训练图像、所述第一真实拍摄参数以及所述重合关系输入所述基础神经网络模型，得到所述基础神经网络模型输出的所述输出拍摄参数。

根据本公开实施例的第三方面，提供一种摄像头拍摄参数确定装置，应用于终端设备，所述终端设备包括朝向同一方向的第一摄像头和第二摄像头；所述装置包括：获取单元，用于获取通过所述第一摄像头采集的第一图像，以及所述第一摄像头对应于所述第一图像的第一拍摄参数；处理单元，用于根据所述第一图像、所述第一拍摄参数以及目标神经网络模型，确定所述第一摄像头切换至所述第二摄像头的情况下，所述第二摄像头所需的第二拍摄参数。

在一实施例中，所述装置还包括：确定单元，用于确定所述第一摄像头的取景范围和所述第二摄像头的取景范围之间的重合关系；所述处理单元还用于，根据所述第一图像、所述第一拍摄参数、所述重合关系以及目标神经网络模型，确定所述第二拍摄参数。

在一实施例中，所述装置还包括：拍摄单元，用于响应于切换摄像头的指令，将所述第二拍摄参数作为所述第二摄像头的初始拍摄参数；所述获取单元还用于，获取通过所述第二摄像头采集的第二图像。

在一实施例中，所述第一拍摄参数包括以下一种或多种：曝光拍摄参数、对焦拍摄参数、白平衡拍摄参数；所述第二拍摄参数与所述第一拍摄参数相对应。

根据本公开实施例的第四方面，提供一种神经网络模型的训练装置，所述神经网络模型应用于终端设备，所述终端设备包括朝向同一方向的第一摄像头和第二摄像头；训练完成的目标神经网络模型应用于如第一方面所述的摄像头拍摄参数确定方法；所述神经网络模型的训练装置包括：训练集获取单元，用于获取训练集，其中，所述训练集包括：所述第一摄像头采集的图像、所述第一摄像头采集第一训练图像时的第一真实拍摄参数、所述第二摄像头采集的第二训练图像，以及所述第二摄像头采集第二训练图像时的第二真实拍摄参数；计算单元，用于将第一训练图像和所述第一真实拍摄参数输入基础神经网络模型，得到所述基础神经网络模型输出的与所述第二摄像头对应的输出拍摄参数；训练单元，用于基于所述第二真实拍摄参数和所述输出拍摄参数，对所述基础神经网络模型进行训练，得到所述目标神经网络模型。

在一实施例中，所述装置还包括：确定单元，用于确定所述第一摄像头的取景范围和所述第二摄像头的取景范围之间的重合关系；所述计算单元还用于，将所述第一训练图像、所述第一真实拍摄参数以及所述重合关系输入所述基础神经网络模型，得到所述基础神经网络模型输出的所述输出拍摄参数。

根据本公开实施例的第五方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为：执行如前述第一方面所述的摄像头拍摄参数确定方法或如第二方面所述的神经网络模型的训练方法。

根据本公开实施例的第六方面，提供一种非临时性计算机可读存储介质，当存储介质中的指令由移动处理器执行时实现如前述第一方面所述的摄像头拍摄参数确定方法或如第二方面所述的神经网络模型的训练方法。

本公开的实施例提供的技术方案可以包括以下有益效果：基于当前进行图像采集的摄像头采集到的图像和拍摄参数，通过训练好的目标神经网络模型，能够得到其他摄像头的适于当前场景的拍摄参数，从而在切换摄像头时，其他摄像头的直接将目标神经网络模型确定的拍摄参数作为初始参数，能够快速的进行拍摄，直接获取优质的图像，降低了切换摄像头拍摄过程中的等待时间，提高了用户体验。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种摄像头拍摄参数确定方法的流程示意图。

图2是根据一示例性实施例示出的一种终端设备的示意图。

图3是根据一示例性实施例示出的一种终端设备多个摄像头图像采集范围的示意图。

图4是根据一示例性实施例示出的另一种摄像头拍摄参数确定方法的流程示意图。

图5是根据一示例性实施例示出的一种神经网络模型的训练方法的流程示意图。

图6是根据一示例性实施例示出的一种摄像头拍摄参数确定装置的示意框图。

图7是根据一示例性实施例示出的另一种摄像头拍摄参数确定装置的示意框图。

图8是根据一示例性实施例示出的另一种摄像头拍摄参数确定装置的示意框图。

图9是根据一示例性实施例示出的一种神经网络模型的训练装置的示意框图。

图10是根据一示例性实施例示出的另一种神经网络模型的训练装置的示意框图。

图11是根据一示例性实施例示出的一种装置的框图。

图12是根据一示例性实施例示出的一种装置的框图。

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公开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、本公开的一些方面相一致的装置和方法的例子。

在一些相关技术中，在如手机等终端设备中，可以在出厂前，在一个特定环境下，记录每个摄像头的曝光值等拍摄参数，作为这个摄像头的基准，然后根据每个摄像头的拍摄参数，推算出各个摄像头之间的参数关系，可以是差值关系或比例关系。但通过该种方式得到的参数关系不能覆盖所有场景。如果在一个与出厂前测定用的特定环境不同的环境下，从一个摄像头A切换到另一个摄像头B的时候，通过摄像头A的拍摄参数推算的B的拍摄参数，设置为摄像头B初始参数，由于拍摄参数并不准确，导致切换过去画面的亮度、焦距等会有明显的跳变，需要等待重新收敛，造成不好的用户体验。

在另一些相关技术中，当切换摄像头A到摄像头B的时候，系统会延迟切换，例如还是通过摄像头A继续采集图像并形成预览图像，同时，后台在开启摄像头A的情况下，同时开启摄像头B。摄像头B在采集图像会被后台丢弃前几帧，根据图像确定拍摄参数，当摄像头B拍摄参数确定后，如曝光收敛之后，才关闭摄像头A，切换到摄像头B采集图像并形成预览图像，导致切换的过程十分缓慢，在确定切换后需要等待一定时间，等待的时间终端设备显示黑屏或仍然显示摄像头A采集的画面。

为解决存在的问题，本公开实施例提供一种摄像头拍摄参数确定方法10，图1是根据一示例性实施例示出的一种摄像头拍摄参数确定方法10的流程示意图。本公开的摄像头拍摄参数确定方法10可以应用于如手机等终端设备中。图2示例性的示出了一种终端设备100的示意图，终端设备100可以包括朝向同一方向多个摄像头，如图2所示，终端设备100为手机，在背侧包括有三个摄像头110、120、130，三个摄像头可以分别是标准镜头，微距镜头，广角镜头，中焦镜头，以及长焦镜头等中的任意一个。并且，终端设备100摄像头数量不限于三个，也可以为两个，也可以是四个或者更多。每个摄像头的焦段可以不同，以适用于对不同远近的目标进行拍摄，图3示意性的示出了一种图像采集范围的示意图，以前述终端设备100同侧具有三个摄像头的情况为例，三个摄像头分别为广角摄像头110，常规摄像头120，以及人像摄像头130，其中，以常规摄像头120为基准焦距，则广角摄像头110的焦距为0.6倍焦距、人像摄像头130为两倍焦距，三个摄像头分别的图像采集范围111、121、131。在另一些情况下，一些摄像头的焦段也可以相同，但其他参数不同，如透光率等，例如适用于夜景的镜头和适用于白天的镜头。

在摄像头拍摄参数确定方法10的步骤中，以两个摄像头之间的切换为例进行说明，但并非限定终端设备仅有两个摄像头，摄像头拍摄参数确定方法10可以适用于多个摄像头之间的切换，原理相同。第一摄像头和第二摄像头可以是终端设备位于同一侧的任两个摄像头。如图1所示，摄像头拍摄参数确定方法10包括步骤S11、步骤S12和步骤S13。

步骤S11，获取通过第一摄像头采集的第一图像。

本公开实施例中，第一摄像头可以是终端设备在开启拍摄功能后的默认摄像头；第一摄像头也可以是在任何情况下，当前进行图像采集的摄像头，例如在根据需要，选取并切换的摄像头。在需要拍摄时，可以通过第一摄像头采集当前场景的图像，并可以在终端设备上进行显示实时采集的预览图像。

步骤S12，获取第一摄像头对应于第一图像的第一拍摄参数。

第一摄像头可以根据当前场景，确定适合的拍摄参数。本公开实施例中，拍摄参数可以包括曝光拍摄参数、对焦拍摄参数、白平衡拍摄参数中的一种或者多种。摄像头能够根据当前场景，调整拍摄参数，从而获取到优质的图像。随着场景的变化，实时采集的图像也随之变换，同时，摄像头也会实时的调整拍摄参数，拍摄参数与实时采集的图像存在对应关系。

步骤S13，根据第一图像、第一拍摄参数以及目标神经网络模型，确定第一摄像头切换至第二摄像头的情况下，第二摄像头所需的第二拍摄参数。

本公开实施例中，基于第一摄像头对当前场景采集的第一图像，以及第一摄像头对应第一图像的拍摄参数，输入到训练好的目标神经网络模型，通过目标神经网络模型进行计算，能够得到第二摄像头适于当前场景的第二拍摄参数，即，第二摄像头通过第二拍摄参数采集当前场景的图像时能够得到优质的图像，从而降低了第二摄像头确定拍摄参数的时间。在一实施例中，第一拍摄参数可以包括以下一种或多种：曝光拍摄参数、对焦拍摄参数、白平衡拍摄参数，相应的，第二拍摄参数与第一拍摄参数相对应。例如，第一拍摄参数为曝光拍摄参数，则通过上述方式得到的第二拍摄参数也为曝光拍摄参数。目标神经网络模型的训练过程可以通过在多种场景下的训练数据进行训练，从而使得在实际应用中，目标神经网络模型能够根据第一图像以及第一拍摄参数，得到更为准确的第二拍摄参数，能够适用于多种场景。

同时，本公开实施例以第一摄像头和第二摄像头为例，实际应用中还可以包括其他摄像头，神经网络模型能够基于第一图像以及第一拍摄参数，得到全部摄像头适于当前拍摄场景的拍摄参数，从而用户切换任何一个摄像头，均能够快速的完成切换，切换后的摄像头由于提前确定了拍摄参数，能够快速的获取高质量的图像，在预览图像中不会出现跳变，例如，切换后的预览图像过亮或过暗的情况，可以通过本公开实施例的方式避免。

在一实施例中，摄像头拍摄参数确定方法10还可以包括：确定第一摄像头的取景范围和第二摄像头的取景范围之间的重合关系；步骤S13还可以包括：根据第一图像、第一拍摄参数、重合关系以及目标神经网络模型，确定第二拍摄参数。本公开实施例中，重合关系指的是两个摄像头之间，同时进行图像采集时，取景范围之间的关系，终端设备在同一侧具有多个摄像头，每个摄像头取景的范围可能不同，两两之间可能存在重合区域和非重合区域，因此在确定第二摄像头的拍摄参数时，第二摄像头采集当前图像时至少会采集到重合区域内的图像，所以在通过目标神经网络模型计算第二摄像头的拍摄参数过程中，可以对重合区域设置更高的权重，从而提高第一图像的重合区域对计算结果、也就是第二拍摄参数的影响，同时，也可以相对的降低非重合区域对计算结果的影响，使得能够让神经网络模型获取到更多有用的信息，从而让结果更加准确、可靠。如图3所示，终端设备100同侧的三个摄像头进行图像采集时，由于镜头的参数设置，例如广角、焦距等，对该方向全景区域A内不同大小规格的区域进行采集，采集的图像采集范围111、121、131两两之间均存在重合区域，例如广角摄像头110和常规摄像头120的重合区域即为常规摄像头120的采集范围121。两个摄像头图像采集的重合区域即是这两个摄像头对同一场景进行图像采集时，都会采集到的图像范围，该区域内的亮度、色温等情况，能够影响这两个摄像头进行图像采集时的拍摄参数。而在两个摄像头的重合区域之外的范围，仅能够影响能采集到该区域的摄像头的拍摄参数。因此，基于一个摄像头采集的图像确定另一个摄像头采集图像的拍摄参数时，神经网络模型考虑重合区域的影响，能够提高重合区域的权重，使得结果更加准确，也能降低神经网络模型体积以及计算量。

在一实施例中，如图4所示，摄像头拍摄参数确定方法10还可以包括：步骤S14，响应于切换摄像头的指令，将第二拍摄参数作为第二摄像头的初始拍摄参数；步骤S15，获取通过第二摄像头采集的第二图像。本实施例步骤S14中，可以是用户根据需要通过触控等操作输入的指令，根据用户的指令切换摄像头；也可以是终端设备根据当前摄像头采集的图像，通过场景识别算法，确定当前拍摄场景，并基于此，选取适配于当前拍摄场景的摄像头，生成切换摄像头的指令。根据切换摄像头的指令，确定切换后的摄像头为第二摄像头，根据前述实施例，第二摄像头适于当前采集图像的第二拍摄参数已经基于第一摄像头的信息得到了，因此，可以直接将合适的第二拍摄参数设置为第二摄像头的初始参数，并启动第二摄像头，进而通过第二摄像头进行图像采集。实现了快速切换，采集到的第二图像不会出现过亮或过暗的现象，可以直接用于预览或拍摄成照片。

基于同一发明构思，本公开实施例还提供一种神经网络模型的训练方法20。通过神经网络模型的训练方法20完成训练的目标神经网络模型可以应用于终端设备，并应用于如前述任一实施例的摄像头拍摄参数确定方法10。如图2所示，终端设备100包括朝向同一方向的多个摄像头110、120、130。在神经网络模型的训练方法20的步骤中，以两个摄像头为例进行说明，但并非限定终端设备仅有两个摄像头，神经网络模型的训练方法20可以适用于多个摄像头数据的训练，原理相同。第一摄像头和第二摄像头可以是终端设备位于同一侧的任两个摄像头。如图5所示，神经网络模型的训练方法20可以包括：步骤S21至步骤S24。

步骤S21，获取训练集，其中，训练集包括：第一摄像头采集的第一训练图像、第一摄像头采集第一训练图像时的第一真实拍摄参数、第二摄像头采集的第二训练图像，以及第二摄像头采集第二训练图像时的第二真实拍摄参数。

本公开实施例中，可以通过第一摄像头和第二摄像头在各种环境的场景中同时拍摄多个图像作为训练集，同时，在每个摄像头在一个场景中拍摄一个图像后，记录该摄像头对应于该图像的拍摄参数。在训练数据中，在多种环境中采集图像，能够提高训练的质量，增强在实际应用中神经网络模型的适应能力，能够在不同环境中得到更加准确的结果。从而，使得在切换摄像头进行采集的时候，切换后的摄像头的初始参数更加准确，不产生跳变。

步骤S22，将第一训练图像和第一真实拍摄参数输入基础神经网络模型，得到基础神经网络模型输出的与第二摄像头对应的输出拍摄参数。

在训练过程中，输入第一摄像头采集的第一训练图像，以及第一摄像头对应于该图像的第一真实拍摄参数。通过一个摄像头的数据，经过基础神经网络模型的计算，得到第二摄像头对应于该图像的拍摄参数。通过该种方式训练出的神经网络模型，在实际应用中，可以基于当前拍摄的摄像头采集的图像以及该摄像头的当前拍摄参数，能够得到其余全部摄像头对应的拍摄参数，从而在进行切换时，直接可以设置初始拍摄参数。

步骤S23，基于第二真实拍摄参数和输出拍摄参数，对基础神经网络模型进行训练，得到目标神经网络模型。

最后，根据基础神经网络模型输出的输出拍摄参数，与实际对应于该图像的第二摄像头的第二真实拍摄参数进行比对，计算损失，并根据损失调整神经网络模型的参数，直至损失值小于一预设阈值，在损失足够收敛的情况下，可以认为神经网络模型输出的结果足够可靠，完成训练。计算损失可以采用多种计算损失的损失函数进行计算，也可以通过比较输出结果和训练数据之间的欧式距离等方式计算损失。同样原理的，可以将第二摄像头的第二训练图像，以及所述第二摄像头采集第二训练图像时的第二真实拍摄参数作为输入，通过基础神经网络模型计算得到对应于第一摄像头的输出拍摄参数，再通过第一摄像头的真实拍摄参数对基础神经网络模型进行训练，从而训练完成后得到的目标神经网络模型能够在第二摄像头采集图像时，计算第一摄像头的拍摄参数，从而在第二摄像头切换到第一摄像头的情况下能够缩短切换时间。同理的，在对具有三个或三个以上摄像头的终端设备，训练基础神经网络模型的情况下，可以将每个摄像头的图像和真实拍摄参数作为输入，输出其他摄像头的拍摄参数，分别训练模型，从而使得神经网络模型能够通过终端设备的任一个摄像头当前拍摄的画面以及拍摄参数，得到其他任一摄像头的拍摄参数，使得实际应用中能够应对各种切换方式。

其中，神经网络模型可以是一个整体的模型，也可以是针对每个摄像头设置独立的子模型，分别训练子模型，训练后设置于终端设备中，根据当前拍摄图像的摄像头选取相对应的子模型，通过子模型得到其他摄像头的拍摄参数。设置子模型的方式能够降低训练量，模型的总参数少，训练更加有针对性，结果也能够更加准确。以前述终端设备100为例，具有三个摄像头，可以分别对应训练三个子模型，每个子模型用于在对应的摄像头进行图像采集时，将该摄像头采集的图像和拍摄参数输入对应的子模型，子模型并输出其余两个摄像头对应于当前图像的拍摄参数。

通过上述方式训练好的神经网络模型设置于终端设备中，用于如前述任一实施例的摄像头拍摄参数确定方法10中，能够基于当前进行图像采集的摄像头采集到的图像和拍摄参数，通过训练好的目标神经网络模型，能够得到其他摄像头的适于当前场景的拍摄参数，从而在切换摄像头时，其他摄像头的直接将目标神经网络模型确定的拍摄参数作为初始参数，能够快速的进行拍摄，直接获取优质的图像，降低了切换摄像头拍摄过程中的等待时间，提高了用户体验。

在一实施例中，神经网络模型的训练方法20还可以包括：确定第一摄像头和第二摄像头采集图像的重合关系；步骤S22还可以包括将第一训练图像、第一真实拍摄参数以及重合关系输入基础神经网络模型，得到基础神经网络模型输出的输出拍摄参数。本实施例中，可以确定摄像头两两之间采集图像的重合关系。基于一个摄像头采集的图像确定另一个摄像头采集图像的拍摄参数时，神经网络模型考虑重合区域的影响，能够提高重合区域的权重，使得结果更加准确，也能降低神经网络模型体积以及计算量。

基于相同的构思，本公开实施例还提供摄像头拍摄参数确定装置300和神经网络模型的训练装置400。

可以理解的是，本公开实施例提供的摄像头拍摄参数确定装置300和神经网络模型的训练装置400。为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开实施例中所公开的各示例的单元及算法步骤，本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本公开实施例的技术方案的范围。

图6是根据一示例性实施例示出的一种摄像头拍摄参数确定装置300框图。摄像头拍摄参数确定装置300，可以应用于终端设备，终端设备包括朝向同一方向的第一摄像头和第二摄像头。参照图6，摄像头拍摄参数确定装置300可以包括：获取单元310，用于获取通过第一摄像头采集的第一图像，以及第一摄像头对应于第一图像的第一拍摄参数；处理单元320，用于根据第一图像、第一拍摄参数以及目标神经网络模型，确定第一摄像头切换至第二摄像头的情况下，第二摄像头所需的第二拍摄参数。

在一实施例中，如图7所示，摄像头拍摄参数确定装置300还可以包括：确定单元330，用于确定第一摄像头的取景范围和第二摄像头的取景范围之间的重合关系；处理单元320还用于，根据第一图像、第一拍摄参数、重合关系以及目标神经网络模型，确定第二拍摄参数。

在一实施例中，如图8所示，摄像头拍摄参数确定装置300还可以包括：拍摄单元340，用于响应于切换摄像头的指令，将第二拍摄参数作为第二摄像头的初始拍摄参数；获取单元310还用于，获取通过第二摄像头采集的第二图像。

在一实施例中，第一拍摄参数包括以下一种或多种：曝光拍摄参数、对焦拍摄参数、白平衡拍摄参数；第二拍摄参数与第一拍摄参数相对应。

关于上述实施例中的摄像头拍摄参数确定装置300，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图9是根据一示例性实施例示出的一种神经网络模型的训练装置400框图。神经网络模型的训练装置400，可以应用于终端设备，终端设备包括朝向同一方向的第一摄像头和第二摄像头训练完成的目标神经网络模型应用于如前述任一实施例的摄像头拍摄参数确定方法10。如图9所示，神经网络模型的训练装置包括：训练集获取单元410，用于获取训练集，其中，训练集包括：第一摄像头采集的图像、第一摄像头采集第一训练图像时的第一真实拍摄参数、第二摄像头采集的第二训练图像，以及第二摄像头采集第二训练图像时的第二真实拍摄参数；计算单元420，用于将第一训练图像和第一真实拍摄参数输入基础神经网络模型，得到基础神经网络模型输出的与第二摄像头对应的输出拍摄参数；训练单元430，用于基于第二真实拍摄参数和输出拍摄参数，对基础神经网络模型进行训练，得到目标神经网络模型。

在一实施例中，如图10所示，神经网络模型的训练装置400还可以包括：确定单元440，用于确定第一摄像头的取景范围和第二摄像头的取景范围之间的重合关系；计算单元420还用于，将第一训练图像、第一真实拍摄参数以及重合关系输入基础神经网络模型，得到基础神经网络模型输出的输出拍摄参数。

关于上述实施例中的神经网络模型的训练装置400，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图11是根据一示例性实施例示出的一种用于确定摄像头拍摄参数或用于训练神经网络模型的装置框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图11，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

图12是根据一示例性实施例示出的一种用于确定摄像头拍摄参数或用于训练神经网络模型的装置1100的框图。例如，装置1100可以被提供为一服务器。参照图12，装置1100包括处理组件1122，其进一步包括一个或多个处理器，以及由存储器1132所代表的存储器资源，用于存储可由处理组件1122的执行的指令，例如应用程序。存储器1132中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1122被配置为执行指令，以执行上述方法锂电池激活充电方法

装置1100还可以包括一个电源组件1126被配置为执行装置1100的电源管理，一个有线或无线网络接口1150被配置为将装置1100连接到网络，和一个输入输出(I/O)接口1158。装置1100可以操作基于存储在存储器1132的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

可以理解的是，本公开中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。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。

进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，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，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本公开范围的情况下，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。

进一步可以理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作。

进一步可以理解的是，除非有特殊说明，“连接”包括两者之间不存在其他构件的直接连接，也包括两者之间存在其他元件的间接连接。

进一步可以理解的是，本公开实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种摄像头拍摄参数确定方法，其特征在于，应用于终端设备，所述终端设备包括朝向同一方向的第一摄像头和第二摄像头；所述方法包括：

获取通过所述第一摄像头采集的第一图像；

获取所述第一摄像头对应于所述第一图像的第一拍摄参数，并确定所述第一摄像头的取景范围和所述第二摄像头的取景范围之间的重合关系；

根据所述第一图像、所述第一拍摄参数、所述重合关系以及目标神经网络模型，确定所述第一摄像头切换至所述第二摄像头的情况下，所述第二摄像头所需的第二拍摄参数；

所述第一摄像头和所述第二摄像头的取景范围存在重合区域和非重合区域，确定所述第二拍摄参数过程中所述重合区域的权重高于所述非重合区域的权重。

2.根据权利要求1所述的摄像头拍摄参数确定方法，其特征在于，所述方法还包括：

响应于切换摄像头的指令，将所述第二拍摄参数作为所述第二摄像头的初始拍摄参数；

获取通过所述第二摄像头采集的第二图像。

3.根据权利要求1所述的摄像头拍摄参数确定方法，其特征在于，

所述第一拍摄参数包括以下一种或多种：曝光拍摄参数、对焦拍摄参数、白平衡拍摄参数；

所述第二拍摄参数与所述第一拍摄参数相对应。

4.一种神经网络模型的训练方法，其特征在于，所述神经网络模型应用于终端设备，所述终端设备包括朝向同一方向的第一摄像头和第二摄像头；训练完成的目标神经网络模型应用于如权利要求1-3任一项所述的摄像头拍摄参数确定方法；

所述神经网络模型的训练方法包括：

获取训练集，其中，所述训练集包括：所述第一摄像头采集的第一训练图像、所述第一摄像头采集第一训练图像时的第一真实拍摄参数、所述第二摄像头采集的第二训练图像，以及所述第二摄像头采集第二训练图像时的第二真实拍摄参数；

确定所述第一摄像头的取景范围和所述第二摄像头的取景范围之间的重合关系；

将所述第一训练图像、所述第一真实拍摄参数以及所述重合关系输入基础神经网络模型，得到所述基础神经网络模型输出的输出拍摄参数；

所述第一摄像头和所述第二摄像头的取景范围存在重合区域和非重合区域，获取所述基础神经网络模型输出的输出拍摄参数过程中所述重合区域的权重高于所述非重合区域的权重；基于所述第二真实拍摄参数和所述输出拍摄参数，对所述基础神经网络模型进行训练，得到所述目标神经网络模型。

5.一种摄像头拍摄参数确定装置，其特征在于，应用于终端设备，所述终端设备包括朝向同一方向的第一摄像头和第二摄像头；所述装置包括：

获取单元，用于获取通过所述第一摄像头采集的第一图像，以及所述第一摄像头对应于所述第一图像的第一拍摄参数；

确定单元，用于确定所述第一摄像头的取景范围和所述第二摄像头的取景范围之间的重合关系；

处理单元，根据所述第一图像、所述第一拍摄参数、所述重合关系以及目标神经网络模型，确定所述第一摄像头切换至所述第二摄像头的情况下，所述第二摄像头所需的第二拍摄参数；

所述第一摄像头和所述第二摄像头的取景范围存在重合区域和非重合区域，确定所述第二拍摄参数过程中所述重合区域的权重高于所述非重合区域的权重。

6.根据权利要求5所述的摄像头拍摄参数确定装置，其特征在于，所述装置还包括：拍摄单元，用于响应于切换摄像头的指令，将所述第二拍摄参数作为所述第二摄像头的初始拍摄参数；

所述获取单元还用于，获取通过所述第二摄像头采集的第二图像。

7.根据权利要求5所述的摄像头拍摄参数确定装置，其特征在于，

所述第一拍摄参数包括以下一种或多种：曝光拍摄参数、对焦拍摄参数、白平衡拍摄参数；

所述第二拍摄参数与所述第一拍摄参数相对应。

8.一种神经网络模型的训练装置，其特征在于，所述神经网络模型应用于终端设备，所述终端设备包括朝向同一方向的第一摄像头和第二摄像头；训练完成的目标神经网络模型应用于如权利要求1-3任一项所述的摄像头拍摄参数确定方法；

所述神经网络模型的训练装置包括：

训练集获取单元，用于获取训练集，其中，所述训练集包括：所述第一摄像头采集的图像、所述第一摄像头采集第一训练图像时的第一真实拍摄参数、所述第二摄像头采集的第二训练图像，以及所述第二摄像头采集第二训练图像时的第二真实拍摄参数；

确定单元，用于确定所述第一摄像头的取景范围和所述第二摄像头的取景范围之间的重合关系；

计算单元，用于将所述第一训练图像、所述第一真实拍摄参数以及所述重合关系输入基础神经网络模型，得到所述基础神经网络模型输出的输出拍摄参数；

所述第一摄像头和所述第二摄像头的取景范围存在重合区域和非重合区域，获取所述基础神经网络模型输出的输出拍摄参数过程中所述重合区域的权重高于所述非重合区域的权重；

训练单元，用于基于所述第二真实拍摄参数和所述输出拍摄参数，对所述基础神经网络模型进行训练，得到所述目标神经网络模型。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储计算机程序的存储器；

其中，所述计算机程序被处理器执行，以实现权利要求1-3任一项所述的摄像头拍摄参数确定方法或如权利要求4所述的神经网络模型的训练方法。

10.一种非临时性计算机可读存储介质，存储计算机程序，当所述计算机程序由处理器执行时，实现如权利要求1-3任一项所述的摄像头拍摄参数确定方法或如权利要求4所述的神经网络模型的训练方法。