CN114785962A - 拍摄参数获取方法、装置、电子设备及可读存储介质 - Google Patents
拍摄参数获取方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN114785962A CN114785962A CN202210701139.3A CN202210701139A CN114785962A CN 114785962 A CN114785962 A CN 114785962A CN 202210701139 A CN202210701139 A CN 202210701139A CN 114785962 A CN114785962 A CN 114785962A
- Authority
- CN
- China
- Prior art keywords
- target object
- acquiring
- sequence frame
- object corresponding
- shooting
- 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
- H04N23/60—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
-
- 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
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/73—Circuitry for compensating brightness variation in the scene by influencing the exposure time
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种拍摄参数获取方法、装置、电子设备及可读存储介质,涉及图像处理技术领域,应用于电子设备,所述电子设备包括图像获取模块,所述方法包括:响应于拍摄请求,基于所述图像获取模块获取待检测视频数据;利用神经网络模型获取所述待检测视频数据中序列帧对应的目标物;利用速度检测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度;基于所述移动速度确认拍摄参数。本发明通过获取目标物的移动速度,基于移动速度确认拍摄参数,可以通过优化拍摄参数提高被拍摄的目标物的显示效果,提高了拍摄质量和成功率。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种拍摄参数获取方法、装置、电子设备及可读存储介质。
背景技术
目前,随着社会的发展和科技的进步,越来越多的智能设备拥有拍摄功能,人们也更多的使用这些智能设备进行拍摄。拍摄过程中,拍摄参数将直接对拍摄结果造成较大影响。然而,在拍摄过程中,智能设备对拍摄参数的获取能力不足。
发明内容
本发明实施例提供一种拍摄参数获取方法、装置、电子设备及计算机可读存储介质,可以通过优化拍摄参数提高被拍摄的目标物的清晰度,提高了拍摄质量和成功率。
为达到上述目的,本发明采用如下技术方案:
第一方面,提供一种拍摄参数获取方法,应用于电子设备,所述电子设备包括图像获取模块,所述方法包括:响应于拍摄请求,基于所述图像获取模块获取待检测视频数据;利用神经网络模型获取所述待检测视频数据中序列帧对应的目标物;利用速度检测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度;基于所述移动速度确认拍摄参数。
根据第一方面所述的方法可知,本发明通过获取待检测视频数据,利用神经网络模型以及速度监测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度,再基于移动速度确认拍摄参数。可以通过优化拍摄参数提高被拍摄的目标物的显示效果,提高了拍摄质量和成功率。
结合第一方面,在一种可能的设计方案中,所述拍摄参数包括曝光时间,基于所述移动速度确认拍摄参数,包括:基于所述移动速度,确认所述曝光时间的范围。
根据该可能的设计方案可知,可以基于所述移动速度,确认曝光时间的范围。通过限定曝光时间的范围,将被拍摄目标物尽可能的拍摄清晰,进一步的提高被拍摄目标物的显示效果。
结合第一方面,在一种可能的设计方案中,所述基于所述移动速度,确认所述曝光时间的范围,包括:基于所述移动速度,对照速度曝光表获取所述移动速度对应的安全曝光时间,所述安全曝光时间为拍摄所述移动速度对应的目标物的最长曝光时间;获取所述电子设备的曝光时间的范围中最小的值作为最短曝光时间;将所述最短曝光时间以及所述安全曝光时间之间的时间范围作为所述曝光时间的范围。
根据可能的设计方案可知,本实施例还可以通过速度曝光表获取安全曝光时间,通过电子设备获取最短曝光时间,将所述最短曝光时间以及所述安全曝光时间之间的时间范围作为所述曝光时间的范围。通过限定曝光时间的范围,在使被拍摄目标物尽可能拍摄清晰的同时,还可以对曝光时间在范围内进行调节,满足了用户其他使用需求。
结合第一方面,在一种可能的设计方案中,所述神经网络模型包括特征提取层、待选层以及位置估计层,所述利用神经网络模型获取所述待检测视频数据中序列帧对应的目标物,包括:利用所述特征提取层基于特征提取网络获取所述待检测视频数据中序列对应的目标物的特征图;利用所述待选层通过RPN模型对所述特征图进行处理获取待选特征图,所述待选特征图为N个,N个所述待选特征图大小不同;利用所述位置估计层通过RoIpooling模型将N个所述待选特征图处理为大小相同的所述待选特征图,并将所述待选特征图位确认为所述待检测视频数据中序列帧中对应的目标物。
根据可能的设计方案可知,本实施例还可以通过特征提取层、待选层以及位置估计层获取所述待检测视频数据中序列帧中对应的目标物。通过神经网络模型获取目标物的方式,能够实现快速、准确的识别目标物,从而能够减少获取拍摄所消耗的时间,提高了用户的使用体验。
结合第一方面,在一种可能的设计方案中,所述序列帧包括第一序列帧以及第二序列帧,所述第一序列帧位于所述第二序列帧之前,利用速度检测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度,包括:利用所述速度检测模型,获取所述第一序列帧对应的目标物以及所述第二序列帧对应的目标物之间的位置关系;获取所述第一序列帧以及所述第二序列帧之间的时间关系;基于所述位置关系以及所述时间关系,确认所述目标物的移动速度。
根据可能的设计方案可知,本实施例通过确认第一序列帧中对应的目标物以及第二序列帧中对应的目标物之间的位置关系,再基于时间关系确认目标物的移动速度。能够准确的获取到目标物的移动速度,使得获取到的拍摄参数更准确,提高用户的拍摄体验。
结合第一方面,在一种可能的设计方案中,所述利用所述速度检测模型,获取所述第一序列帧对应的目标物以及所述第二序列帧对应的目标物之间的位置关系,包括:将所述第一序列帧对应的目标物输入所述速度检测模型中,得到所述速度检测模型输出的所述第一序列帧对应的目标物的第一位置;基于第一位置,将所述第二序列帧对应的目标物输入所述速度检测模型中,得到所述速度检测模型输出的所述位置关系。
结合第一方面,在一种可能的设计方案中,所述基于预先训练的姿态识别算法通过所述人体图像获取所述关键部位的图像数据之前,还包括:基于初始模型获取样本图像的初始部位;获取所述样本图像的样本部位,所述样本部位为所述样本图像对应的标准部位;获取所述初始位置关系与所述样本部位之间的位置差异;基于所述位置差异训练所述初始模型,以降低所述初始部位与所述样本部位之间的位置差异。
根据可能的设计方案可知,本实施例可以通过预先训练得到的姿态识别算法获取人体图像中的关键部位的图像数据,具有较高的准确度。
结合第一方面,在一种可能的设计方案中,所述利用速度检测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度之前,还包括:基于初始模型获取样本视频中第一序列帧对应的目标和所述样本视频中第二序列帧对应的目标物之间的初始位置关系;获取样本位置关系,所述样本位置关系为所述样本视频中第一序列帧对应的目标和所述样本视频中第二序列帧对应的目标物之间的标准位置关系;获取所述初始位置关系与所述样本位置关系之间的位置差异;基于所述位置差异训练所述初始模型,以降低所述初始位置关系与所述样本位置关系之间的位置差异;若训练后的所述初始模型满足指定条件,将训练后的所述初始模型作为所述速度检测模型。
根据可能的设计方案可知,本实施例可以通过对初始模型使用样本视频进行训练,通过使用获取到的初始位置关系于样本位置关系之间的差异训练初始模型,获取速度检测模型。通过该训练得到的速度检测模型,可以更精确获取到的目标物的移动速度,从而提高获取到的拍摄参数的准确度,提高用户的使用体验。
第二方面,提供一种拍摄参数获取装置,应用于电子设备,所述电子设备包括图像获取模块,所述装置包括:获取单元,用于响应于拍摄请求,基于所述图像获取模块获取待检测视频数据;第一处理单元,用于利用神经网络模型获取所述待检测视频数据中序列帧对应的目标物;第二处理单元,用于利用速度检测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度;第三处理单元,用于基于所述移动速度确认拍摄参数。
此外,第二方面所述的拍摄参数获取装置的技术效果可以参考第一方面所述的拍摄参数获取方法的技术效果,此处不再赘述。
第三方面,本发明实施例提供了一种电子设备。该电子设备包括:处理器、摄像头和存储器;该存储器用于存储计算机程序,当该处理器执行该计算机程序时,以使该电子设备执行第一方面中的任意一种实现方式所述的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,包括:计算机程序或指令;当该计算机程序或指令在计算机上运行时,使得该计算机执行第一方面中的任意一种可能的实现方式所述的方法。
附图说明
图1为本发明实施例提供的拍摄参数获取方法的应用场景图;
图2为本发明实施例提供的拍摄参数获取方法的方法流程图;
图3为本发明实施例提供的拍摄参数获取装置的结构示意图;
图4为本发明实施例提供的可读存储介质的结构示意图。
具体实施方式
下面结合附图,对本发明中的技术方案进行描述。
在本发明实施例中,“示例地”、“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用示例的一词旨在以具体方式呈现概念。此外,在本发明实施例中,“和/或”所表达的含义可以是两者都有,或者可以是两者任选其一。
本发明实施例中,“图像”,“图片”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是一致的。“的(of)”,“相应的(corresponding,relevant)”和“对应的(corresponding)”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是一致的。
本发明实施例中,有时候下标如W1可能会笔误为非下标的形式如W1,在不强调其区别时,其所要表达的含义是一致的。
目前,随着社会的发展和科技的进步,越来越多的智能设备拥有拍摄功能,人们也更多的使用这些智能设备进行拍摄。拍摄过程中,拍摄参数将直接对拍摄结果造成较大影响。如何获取适当的参数,使提高拍摄质量和用户体验,是一个亟待解决的问题。
一般电子设备会基于当前拍摄的目标物进行整体拍摄参数的调整,使拍摄的图片亮度和当前目标物的亮度相近。然而,发明人在研究中发现,若对拍摄参数进行整体调整,容易造成图片中被拍摄的目标物不清晰,降低了用户使用体验。
因此,为了克服上述缺陷,本发明实施例提供了一种拍摄参数获取方法、装置、电子设备及可读存储介质,应用于电子设备,所述电子设备包括图像获取模块,所述方法包括:响应于拍摄请求,基于所述图像获取模块获取待检测视频数据;利用神经网络模型获取所述待检测视频数据中序列帧对应的目标物;利用速度检测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度;基于所述移动速度确认拍摄参数。利用神经网络模型以及速度监测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度,再基于移动速度确认拍摄参数。可以通过优化拍摄参数提高被拍摄的目标物的显示效果,提高了拍摄质量和成功率。
请参阅图1,图1示出了本发明实施例提供的一种拍摄参数获取方法的应用场景图,即拍摄场景100,该拍摄场景100包括电子设备110以及目标物120,其中该电子设备110包括图像获取模块111。
对于一些实施方式,电子设备110可以基于图像获取模块111获取目标物120的移动速度,从而获取针对目标物120的拍摄参数。其中,目标物120可以为单个物体,如图1中所示的一种汽车,也可以由多个物体组成,此处不做限定。电子设备110可以基于图像获取模块111采集到的图像信息对目标物进行选择,选中其中一个物体作为目标物120。具体的,可以基于神经网络模型进行选择。其中,电子设备110可以为智能手机、平板电脑等设备,还可以为智能数码相机等,需要说明的是,上述示出的电子设备110仅为说明本实施例,并不作为本发明实施例的限制。
请参阅图2,图2示出了本发明实施例提供的拍摄参数获取方法的方法流程图,该方法可以应用于图1所述的电子设备110。具体的,该方法包括步骤S210至步骤S240。
步骤S210:响应于拍摄请求,基于所述图像获取模块获取待检测视频数据。
步骤S220:利用神经网络模型获取所述待检测视频数据中序列帧对应的目标物。
步骤S230:利用速度检测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度。
步骤S240:基于所述移动速度确认拍摄参数。
对于一些实施方式,可以响应于拍摄请求,激活图像获取模块,开始采集待检测视频数据。其中,该拍摄请求可以由用户通过该电子设备上运行的应用程序输入,例如,用户打开拍照应用程序准备拍摄,此时该拍照应用程序可以发出拍摄请求。
本发明通过获取待检测视频数据,利用神经网络模型以及速度监测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度,再基于移动速度确认拍摄参数。可以通过优化拍摄参数提高被拍摄的目标物的显示效果,提高了拍摄质量和成功率。
可选的,拍摄参数可以由不同参数构成,例如,曝光时间、感光度、光圈大小等。对于本发明提供的一种实施方式,该拍摄参数可以为曝光时间。对于步骤S240,当拍摄参数包括曝光时间时,在执行步骤S240:基于所述移动速度确认拍摄参数时,还可以包括基于所述移动速度,确认所述曝光时间的范围。
容易知道的是,拍摄时被摄物体如果进行了移动,容易造成拍摄得到的图像中被摄物体模糊,造成拍摄质量的下降,也降低了用户体验。而降低曝光时间可以一定程度上降低被摄物体移动造成的图像中被摄物体模糊的情况。因此可以基于被摄物体的移动速度,确认曝光时间的范围,从而降低被摄物体移动造成的影响。根据该可能的设计方案可知,可以基于所述移动速度,确认曝光时间的范围。通过限定曝光时间的范围,将被拍摄目标物尽可能的拍摄清晰,进一步的提高被拍摄目标物的显示效果。
可选的,在执行基于所述移动速度,确认所述曝光时间的范围时,还可以包括:基于所述移动速度,对照速度曝光表获取所述移动速度对应的安全曝光时间,所述安全曝光时间为拍摄所述移动速度对应的目标物的最长曝光时间;获取所述电子设备的曝光时间的范围中最小的值作为最短曝光时间;将所述最短曝光时间以及所述安全曝光时间之间的时间范围作为所述曝光时间的范围。
其中,在拍摄过程中,目标物不同的移动速度,可以具有不同的安全曝光时间,该安全曝光时间为能够实现清晰拍摄该移动速度下的目标物的理论最长曝光时间,若超过该安全曝光时间,目标物有很大可能出现模糊、不清晰,会降低拍摄质量。所述电子设备的曝光时间范围为该电子设备能够实现的曝光时间范围,例如,从A秒至B秒这一时间范围,其中A可以为1/8000s,B可以为900s。
对于一些实施方式,可以预先将不同移动速度对应的安全曝光时间整合进速度曝光表,在获取到目标物的移动速度后,可以通过直接对照该速度曝光表获取该移动速度对应的安全曝光时间。例如,移动速度大于或等于0至小于A对应的安全曝光时间为T1,移动速度大于或等于A至小于B对应的安全曝光时间为T2,移动速度大于或等于B至小于C对应的安全曝光时间为T3。当获取到目标物的移动速度为x时,判断处于速度曝光表中的哪一个速度区间,将该区间对应的曝光时间作为该目标物移动速度对应的安全曝光时间。
进一步的,可以将该电子设备的曝光时间中最短的时间与上述获取到的安全曝光时间,作为该目标物移动当前移动速度对应的曝光时间范围。
根据可能的设计方案可知,本实施例还可以通过速度曝光表获取安全曝光时间,通过电子设备获取最短曝光时间,将所述最短曝光时间以及所述安全曝光时间之间的时间范围作为所述曝光时间的范围。通过限定曝光时间的范围,在使被拍摄目标物尽可能拍摄清晰的同时,还可以对曝光时间在范围内进行调节,满足了用户其他使用需求。
对于一些实施方式,在执行步骤S220:利用神经网络模型获取所述待检测视频数据中序列帧对应的目标物时,还可以包括:利用所述特征提取层基于特征提取网络获取所述待检测视频数据中序列对应的目标物的特征图;利用所述待选层通过RPN模型对所述特征图进行处理获取待选特征图,所述待选特征图为N个,N个所述待选特征图大小不同;利用所述位置估计层通过RoI pooling模型将N个所述待选特征图处理为大小相同的所述待选特征图,并将所述待选特征图确认为所述待检测视频数据中序列帧中对应的目标物。
其中,神经网络模型可以经过已知的深度学习算法进行目标检测,该神经网络模型具体可以包括特征提取层、待选层以及位置估计层。其中,利用所述特征提取层基于特征提取网络获取所述待检测视频数据中序列对应的目标物的特征图,其中该特征提取网络可以为VGG16网络,该网络可以基于真实的图像库中的图像数据对该特征提取网络进行预训练。需要说明的,该VGG16网络仅为本发明实施例的一种说明,可以根据需要选择合适的网络,此处不对网络的具体选择做说明。进一步的,待选层可以通过RPN模型提取待选特征图。具体的,可以利用卷积核来处理该特征图,该卷积核可以为2x2卷积核、3x3卷积核等,此处不做具体限定。基于特征图可以获取到N个待选特征图,其中N个所述待选特征图大小不同。进一步的,还可以通过位置估计层中包括的Rol pooling模型将上述N个大小不同的待选特征图转换为大小相同的待选特征图。对于一些实施方式,还可以采用回归算法从待选特征图中确认目标图像,将该目标图像作为所述待检测视频数据中序列帧中对应的目标物。
根据可能的设计方案可知,本实施例还可以通过特征提取层、待选层以及位置估计层获取所述待检测视频数据中序列帧中对应的目标物。通过神经网络模型获取目标物的方式,能够实现快速、准确的识别目标物,从而能够减少获取拍摄所消耗的时间,提高了用户的使用体验。
对于一些实施方式,在执行步骤S230:利用速度检测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度时,还可以包括:利用所述速度检测模型,获取所述第一序列帧对应的目标物以及所述第二序列帧对应的目标物之间的位置关系;获取所述第一序列帧以及所述第二序列帧之间的时间关系;基于所述位置关系以及所述时间关系,确认所述目标物的移动速度。根据可能的设计方案可知,本实施例通过确认第一序列帧中对应的目标物以及第二序列帧中对应的目标物之间的位置关系,再基于时间关系确认目标物的移动速度。能够准确的获取到目标物的移动速度,使得获取到的拍摄参数更准确,提高用户的拍摄体验。
可选的,利用速度检测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度之前,还可以包括:基于初始模型获取样本视频中第一序列帧对应的目标和所述样本视频中第二序列帧对应的目标物之间的初始位置关系;获取样本位置关系,所述样本位置关系为所述样本视频中第一序列帧对应的目标和所述样本视频中第二序列帧对应的目标物之间的标准位置关系;获取所述初始位置关系与所述样本位置关系之间的位置差异;基于所述位置差异训练所述初始模型,以降低所述初始位置关系与所述样本位置关系之间的位置差异;若训练后的所述初始模型满足指定条件,将训练后的所述初始模型作为所述速度检测模型。
具体的,可以利用样本视频对初始模型进行训练,其中样本视频可以为电影视频或网络小视频片段等,此处不做具体限定。可以基于初始模型获取样本视频中第一序列帧对应的目标物和所述样本视频中第二序列帧对应的目标物之间的初始位置关系,然后通过样本位置关系对获取到的初始位置关系进行校正,以减小所述初始位置关系与所述样本位置关系之间的位置差异。其中,样本位置关系为所述样本视频中第一序列帧对应的目标和所述样本视频中第二序列帧对应的目标物之间的标准位置关系,可以预先获取。然后通过设定指定条件,若训练后的所述初始模型满足指定条件,将训练后的所述初始模型作为所述速度检测模型。其中,该指定条件可以为收敛函数需要满足的值。
根据可能的设计方案可知,本实施例可以通过对初始模型使用样本视频进行训练,通过使用获取到的初始位置关系于样本位置关系之间的差异训练初始模型,获取速度检测模型。通过该训练得到的速度检测模型,可以更精确获取到的目标物的移动速度,从而提高获取到的拍摄参数的准确度,提高用户的使用体验。
进一步的,在获取到速度检测模型后,可以利用所述速度检测模型,获取所述第一序列帧对应的目标物以及所述第二序列帧对应的目标物之间的位置关系。具体的,一些实施例中可以包括:将所述第一序列帧对应的目标物输入所述速度检测模型中,得到所述速度检测模型输出的所述第一序列帧对应的目标物的第一位置;基于第一位置,将所述第二序列帧对应的目标物输入所述速度检测模型中,得到所述速度检测模型输出的所述位置关系。
具体的,可以通过速度监测模型,获取到第一序列帧中目标物的第一位置。其中,该电子设备还可以包括显示模块,例如,显示屏幕。该第一位置可以为基于该电子设备中的显示屏幕建立的坐标系,处于该坐标系中的第一坐标参数。具体的,该坐标系可以为基于电子设备的显示屏幕的坐标系,也可以为世界坐标系,在此不做限定。然后基于第二序列帧获取到该第二序列帧中的目标物体对应的第二坐标参数。基于第一坐标参数以及第二坐标参数可以获取到该目标物的移动速度。容易理解的是,该目标物的移动速度不是该目标物与地面的速度,而可以为该目标物在第一序列帧和第二序列帧之间的时间移动过该电子设备的显示屏幕中的距离。
又由于视频是由帧构成的,不同的视频同样的时间范围内可以有不同数量的帧。例如,视频1在时间A内可以有25帧,视频2在时间A内可以有30帧,视频C在时间A内可以有60帧。其中,视频在同样时间范围内帧的数量和视频的基本参数相关。因此可以通过获取该视频的基本参数,获知视频的帧率。该帧率为1s时间内视频的帧数量,例如,该帧率可以为25、30以及60等。通过获取第一序列以及该第二序列对应的帧,以及帧率,即可获取到获取所述第一序列帧以及所述第二序列帧之间的时间关系。该时间关系可以为第一序列与第二序列之间的时间差。一种示例性的,若帧率为25,即1s的时间内包括25帧,若第一序列帧为第一帧,第二序列帧为第十一帧,则第一序列与第二序列之间间隔10帧,10帧对应0.4s,即可以获取到所述第一序列帧以及所述第二序列帧之间的时间关系为0.4s。
进一步的,还可以基于所述位置关系以及所述时间关系,确认所述目标物的移动速度。例如,可以基于位置关系与时间关系的比值,作为表征目标物移动速度的值。容易理解的是该比值越大,即可表征目标物的移动速度越大。
基于图1和2详细说明了本发明实施例提供的拍摄参数获取方法,以下将详细说明与本发明实施例提供的拍摄参数获取方法对应的虚拟装置,即拍摄参数获取装置。
示例性地,图3是本发明实施例提供的拍摄参数获取装置300的结构示意图。如图3所示,拍摄参数获取装置300包括:获取单元310、第一处理单元320、第二处理单元330以及第三处理单元340。
为了便于说明,图3仅示出了该拍摄参数获取装置300的主要部件。
获取单元310,用于响应于拍摄请求,基于所述图像获取模块获取待检测视频数据;
第一处理单元320,用于利用神经网络模型获取所述待检测视频数据中序列帧对应的目标物;
可选的,第一处理单元320还用于利用所述特征提取层基于特征提取网络获取所述待检测视频数据中序列对应的目标物的特征图;利用所述待选层通过RPN模型对所述特征图进行处理获取待选特征图,所述待选特征图为N个,N个所述待选特征图大小不同;利用所述位置估计层通过RoI pooling模型将N个所述待选特征图处理为大小相同的所述待选特征图,并将所述待选特征图确认为所述待检测视频数据中序列帧中对应的目标物。
第二处理单元330,用于利用速度检测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度;
可选的,第二处理单元330还用于利用所述速度检测模型,获取所述第一序列帧对应的目标物以及所述第二序列帧对应的目标物之间的位置关系;获取所述第一序列帧以及所述第二序列帧之间的时间关系;基于所述位置关系以及所述时间关系,确认所述目标物的移动速度。
可选的,第二处理单元330还用于将所述第一序列帧对应的目标物输入所述速度检测模型中,得到所述速度检测模型输出的所述第一序列帧对应的目标物的第一位置;基于第一位置,将所述第二序列帧对应的目标物输入所述速度检测模型中,得到所述速度检测模型输出的所述位置关系。
可选的,第二处理单元330还用于基于初始模型获取样本视频中第一序列帧对应的目标物和所述样本视频中第二序列帧对应的目标物之间的初始位置关系;获取样本位置关系,所述样本位置关系为所述样本视频中第一序列帧对应的目标和所述样本视频中第二序列帧对应的目标物之间的标准位置关系;获取所述初始位置关系与所述样本位置关系之间的位置差异;基于所述位置差异训练所述初始模型,以降低所述初始位置关系与所述样本位置关系之间的位置差异;若训练后的所述初始模型满足指定条件,将训练后的所述初始模型作为所述速度检测模型。
第三处理单元340,用于基于所述移动速度确认拍摄参数。
可选的,第三处理单元340还用于基于所述移动速度,确认所述曝光时间的范围。
可选的,第三处理单元340还用于基于所述移动速度,对照速度曝光表获取所述移动速度对应的安全曝光时间,所述安全曝光时间为拍摄所述移动速度对应的目标物的最长曝光时间;获取所述电子设备的曝光时间的范围中最小的值作为最短曝光时间;将所述最短曝光时间以及所述安全曝光时间之间的时间范围作为所述曝光时间的范围。
此外,拍摄参数获取装置300的技术效果可以参考前述任一拍摄参数获取方法的技术效果,此处不再赘述。
可选地,本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质包括计算机程序或指令,当所述计算机程序或指令在计算机上运行时,使得本发明任一实施例所提供的拍摄参数获取方法或训练方法被执行。
可选地,本发明实施例还提供一种电子设备,用于执行本发明任一实施例所提供的拍摄参数获取方法、装置,或者用于执行本发明任一实施例所提供的训练方法、装置。
如图4所示,电子设备2000可以包括第一处理器2001。
可选地,电子设备2000还可以包括存储器2002和/或收发器2003。
其中,第一处理器2001与存储器2002和收发器2003耦合,如可以通过通信总线连接。
下面结合图4对电子设备2000的各个构成部件进行具体的介绍:
其中,第一处理器2001是电子设备2000的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,第一处理器2001是一个或多个中央处理器(centralprocessing unit,CPU),也可以是特定集成电路(application specific integratedcircuit,ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路,例如:一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA)。
可选地,第一处理器2001可以通过运行或执行存储在存储器2002内的软件程序,以及调用存储在存储器2002内的数据,执行电子设备2000的各种功能。
在具体的实现中,作为一种实施例,第一处理器2001可以包括一个或多个CPU,例如图4中所示出的CPU0和CPU1。
在具体实现中,作为一种实施例,电子设备2000也可以包括多个处理器,例如图4中所示的第一处理器2001和第二处理器2004。这些处理器中的每一个可以是一个单核处理器(single-CPU),也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
其中,所述存储器2002用于存储执行本发明方案的软件程序,并由第一处理器2001来控制执行,具体实现方式可以参考上述方法实施例,此处不再赘述。
可选地,存储器2002可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器2002可以和第一处理器2001集成在一起,也可以独立存在,并通过电子设备2000的接口电路(图4中未示出)与第一处理器2001耦合,本发明实施例对此不作具体限定。
收发器2003,用于与其他电子设备之间的通信。例如,电子设备2000为智能手机,收发器2003可以用于与网络设备通信,或者与另一个终端设备通信。又例如,电子设备2000为网络设备,收发器2003可以用于与终端设备通信,或者与另一个网络设备通信。
可选地,收发器2003可以包括接收器和发送器(图4中未单独示出)。其中,接收器用于实现接收功能,发送器用于实现发送功能。
可选地,收发器2003可以和第一处理器2001集成在一起,也可以独立存在,并通过电子设备2000的接口电路(图4中未示出)与第一处理器2001耦合,本发明实施例对此不作具体限定。
需要说明的是,图4中示出的电子设备2000的结构并不构成对该电子设备的限定,实际的电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
此外,电子设备2000的技术效果可以参考上述方法实施例所述的拍摄参数获取方法的技术效果,此处不再赘述。
应理解,在本发明实施例中的处理器可以是中央处理单元(central processingunit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本发明实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random accessmemory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
上述实施例,可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,本文中术语“和/或”,仅仅是一种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,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
本发明中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a, b, c, a-b, a-c, b-c, 或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种拍摄参数获取方法,其特征在于,应用于电子设备,所述电子设备包括图像获取模块,所述方法包括:
响应于拍摄请求,基于所述图像获取模块获取待检测视频数据;
利用神经网络模型获取所述待检测视频数据中序列帧对应的目标物;
利用速度检测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度;
基于所述移动速度确认拍摄参数。
2.根据权利要求1所述的拍摄参数获取方法,其特征在于,所述拍摄参数包括曝光时间,所述基于所述移动速度确认拍摄参数,包括:
基于所述移动速度,确认所述曝光时间的范围。
3.根据权利要求2所述的拍摄参数获取方法,其特征在于,所述基于所述移动速度,确认所述曝光时间的范围,包括:
基于所述移动速度,对照速度曝光表获取所述移动速度对应的安全曝光时间,所述安全曝光时间为拍摄所述移动速度对应的目标物的最长曝光时间;
获取所述电子设备的曝光时间的范围中最小的值作为最短曝光时间;
将所述最短曝光时间以及所述安全曝光时间之间的时间范围作为所述曝光时间的范围。
4.根据权利要求1所述的拍摄参数获取方法,其特征在于,所述神经网络模型包括特征提取层、待选层以及位置估计层,所述利用神经网络模型获取所述待检测视频数据中序列帧对应的目标物,包括:
利用所述特征提取层基于特征提取网络获取所述待检测视频数据中序列对应的目标物的特征图;
利用所述待选层通过RPN模型对所述特征图进行处理获取待选特征图,所述待选特征图为N个,N个所述待选特征图大小不同;
利用所述位置估计层通过RoI pooling模型将N个所述待选特征图处理为大小相同的所述待选特征图,并将所述待选特征图确认为所述待检测视频数据中序列帧中对应的目标物。
5.根据权利要求1所述的拍摄参数获取方法,其特征在于,所述序列帧包括第一序列帧以及第二序列帧,所述第一序列帧位于所述第二序列帧之前,所述利用速度检测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度,包括:
利用所述速度检测模型,获取所述第一序列帧对应的目标物以及所述第二序列帧对应的目标物之间的位置关系;
获取所述第一序列帧以及所述第二序列帧之间的时间关系;
基于所述位置关系以及所述时间关系,确认所述目标物的移动速度。
6.根据权利要求5所述的拍摄参数获取方法,其特征在于,所述利用所述速度检测模型,获取所述第一序列帧对应的目标物以及所述第二序列帧对应的目标物之间的位置关系,包括:
将所述第一序列帧对应的目标物输入所述速度检测模型中,得到所述速度检测模型输出的所述第一序列帧对应的目标物的第一位置;
基于第一位置,将所述第二序列帧对应的目标物输入所述速度检测模型中,得到所述速度检测模型输出的所述位置关系。
7.根据权利要求6所述的拍摄参数获取方法,其特征在于,所述利用速度检测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度之前,还包括:
基于初始模型获取样本视频中第一序列帧对应的目标物和所述样本视频中第二序列帧对应的目标物之间的初始位置关系;
获取样本位置关系,所述样本位置关系为所述样本视频中第一序列帧对应的目标和所述样本视频中第二序列帧对应的目标物之间的标准位置关系;
获取所述初始位置关系与所述样本位置关系之间的位置差异;
基于所述位置差异训练所述初始模型,以降低所述初始位置关系与所述样本位置关系之间的位置差异;
若训练后的所述初始模型满足指定条件,将训练后的所述初始模型作为所述速度检测模型。
8.一种拍摄参数获取装置,其特征在于,应用于电子设备,所述电子设备包括图像获取模块,所述装置包括:
获取单元,用于响应于拍摄请求,基于所述图像获取模块获取待检测视频数据;
第一处理单元,用于利用神经网络模型获取所述待检测视频数据中序列帧对应的目标物;
第二处理单元,用于利用速度检测模型获取所述待检测视频数据中序列帧对应的目标物的移动速度;
第三处理单元,用于基于所述移动速度确认拍摄参数。
9.一种电子设备,其特征在于,包括:处理器,所述处理器分别与存储器和摄像头耦合;
所述处理器,用于执行所述存储器中存储的计算机程序,以使得所述电子设备执行如权利要求1-7中任一项所述的拍摄参数获取方法。
10.一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包括计算机程序或指令,当所述计算机程序或指令在计算机上运行时,使得如权利要求1-7中任一项所述的拍摄参数获取方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210701139.3A CN114785962A (zh) | 2022-06-21 | 2022-06-21 | 拍摄参数获取方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210701139.3A CN114785962A (zh) | 2022-06-21 | 2022-06-21 | 拍摄参数获取方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114785962A true CN114785962A (zh) | 2022-07-22 |
Family
ID=82421691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210701139.3A Pending CN114785962A (zh) | 2022-06-21 | 2022-06-21 | 拍摄参数获取方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114785962A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2982990A1 (en) * | 2014-08-04 | 2016-02-10 | Ricoh Company, Ltd. | Movement information measuring device |
CN105959583A (zh) * | 2016-04-28 | 2016-09-21 | 努比亚技术有限公司 | 一种移动终端及其曝光方法 |
CN105976400A (zh) * | 2016-05-10 | 2016-09-28 | 北京旷视科技有限公司 | 基于神经网络模型的目标跟踪方法及装置 |
CN108564077A (zh) * | 2018-04-03 | 2018-09-21 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中数字的检测和识别方法 |
CN109688340A (zh) * | 2019-01-25 | 2019-04-26 | Oppo广东移动通信有限公司 | 曝光时间控制方法、装置、电子设备及存储介质 |
CN112804463A (zh) * | 2019-10-28 | 2021-05-14 | 中兴通讯股份有限公司 | 一种曝光时间控制方法、装置、终端及可读存储介质 |
CN114268743A (zh) * | 2020-09-16 | 2022-04-01 | 北京小米移动软件有限公司 | 图像获取方法、装置、设备及存储介质 |
-
2022
- 2022-06-21 CN CN202210701139.3A patent/CN114785962A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2982990A1 (en) * | 2014-08-04 | 2016-02-10 | Ricoh Company, Ltd. | Movement information measuring device |
CN105959583A (zh) * | 2016-04-28 | 2016-09-21 | 努比亚技术有限公司 | 一种移动终端及其曝光方法 |
CN105976400A (zh) * | 2016-05-10 | 2016-09-28 | 北京旷视科技有限公司 | 基于神经网络模型的目标跟踪方法及装置 |
CN108564077A (zh) * | 2018-04-03 | 2018-09-21 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中数字的检测和识别方法 |
CN109688340A (zh) * | 2019-01-25 | 2019-04-26 | Oppo广东移动通信有限公司 | 曝光时间控制方法、装置、电子设备及存储介质 |
CN112804463A (zh) * | 2019-10-28 | 2021-05-14 | 中兴通讯股份有限公司 | 一种曝光时间控制方法、装置、终端及可读存储介质 |
CN114268743A (zh) * | 2020-09-16 | 2022-04-01 | 北京小米移动软件有限公司 | 图像获取方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10896518B2 (en) | Image processing method, image processing apparatus and computer readable storage medium | |
CN109376667B (zh) | 目标检测方法、装置及电子设备 | |
CN111160379B (zh) | 图像检测模型的训练方法及装置、目标检测方法及装置 | |
WO2020192483A1 (zh) | 图像显示方法和设备 | |
US10872420B2 (en) | Electronic device and method for automatic human segmentation in image | |
CN108876791B (zh) | 图像处理方法、装置和系统及存储介质 | |
US9569854B2 (en) | Image processing method and apparatus | |
CN108875723B (zh) | 对象检测方法、装置和系统及存储介质 | |
CN111402130B (zh) | 数据处理方法和数据处理装置 | |
WO2018120460A1 (zh) | 图像焦距检测方法、装置、设备及计算机可读存储介质 | |
CN111539412B (zh) | 一种基于ocr的图像分析方法、系统、设备及介质 | |
CN111598065B (zh) | 深度图像获取方法及活体识别方法、设备、电路和介质 | |
CN109241888B (zh) | 神经网络训练与对象识别方法、装置和系统及存储介质 | |
CN110543838A (zh) | 车辆信息检测的方法及装置 | |
CN112602319B (zh) | 一种对焦装置、方法及相关设备 | |
CN114267041B (zh) | 场景中对象的识别方法及装置 | |
US20210150746A1 (en) | Electronic apparatus and method for controlling thereof | |
CN113228622A (zh) | 图像采集方法、装置及存储介质 | |
CN107832598B (zh) | 解锁控制方法及相关产品 | |
CN113837257B (zh) | 一种目标检测方法及装置 | |
CN108734712B (zh) | 背景分割的方法、装置及计算机存储介质 | |
CN107563257B (zh) | 视频理解方法及装置 | |
CN114785962A (zh) | 拍摄参数获取方法、装置、电子设备及可读存储介质 | |
CN111611836A (zh) | 基于背景消除法的船只检测模型训练及船只跟踪方法 | |
US20220122341A1 (en) | Target detection method and apparatus, electronic device, and computer storage medium |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220722 |