一种摄像头的取景方法及系统
文献发布时间:2023-06-19 10:54:12
技术领域
本发明涉及摄像技术领域,尤其涉及一种摄像头的取景方法及系统。
背景技术
目前在一些拍摄场景中,例如手机拍摄、会议室、教师等应用场景中,由于摄像头视角比较大,拍摄人物在画面中会显得很小,或者人物的构图位置不佳,因此,需要对整体画面进行数字裁剪,使最终图像的视图大小较为合适、且人物在裁剪画面中的位置具有构图美感。而现有技术一般基于人脸识别技术,通过周期性获取图像中的人脸位置,计算一个合适的裁剪大小,并将所有人脸放置于图像中间位置,然后通过数字裁剪输出。现有技术基于人脸识别进行数字裁剪,由于在实际应用场景中人物脸部并不一定可见,导致在实际使用中会经常出现画面乱切、画面不稳定的问题,实际使用体验较差;而且单纯将检测得到的人脸边界框放置于画面中心,而无视人物的姿态、视角和距离的不同,导致最终呈现的视觉效果不好。
发明内容
本发明提供了一种摄像头的取景方法及系统,能使得画面稳定性强,构图具有美感,有利于提升视觉效果,提高了用户使用体验。
为实现上述设计,本发明采用以下技术方案:
一方面,提供了本发明提供了一种摄像头的取景方法,该摄像头的取景方法包括:
A、基于深度学习神经网络训练得到多裁剪尺度构图模型;
B、按预设周期获取图像帧,根据获取的当前帧图像中的人体检测框维护拍摄图像中的所有人物目标的轨迹列表;
C、根据每个人物目标的轨迹状态更新每个人物目标对应的轨迹的状态权重系数;
D、根据上一帧图像的裁剪系数、多裁剪尺度构图模型、轨迹列表及轨迹的权重系数计算当前帧图像的裁剪系数及裁剪参考位置;
E、根据所述当前帧图像的裁剪系数及裁剪参考位置从全景图像中获取当前帧图像的裁剪图像。
另一方面,本发明提供了一种摄像头的取景系统,该摄像头的取景系统,包括:
模型训练模块,用于基于深度学习神经网络训练得到多裁剪尺度构图模型;
轨迹维护模块,用于按预设周期获取图像帧,根据获取的当前帧图像中的人体检测框维护拍摄图像中的所有人物目标的轨迹列表;
权重系数更新模块,用于根据每个人物目标的轨迹状态更新每个人物目标对应的轨迹的状态权重系数;
计算模块,用于根据上一帧图像的裁剪系数、多裁剪尺度构图模型、轨迹列表及轨迹的权重系数计算当前帧图像的裁剪系数及裁剪参考位置;
裁剪模块,用于根据所述当前帧图像的裁剪系数及裁剪参考位置从全景图像中获取当前帧图像的裁剪图像。
与现有技术相比,本发明的有益效果为:本发明根据每条轨迹的权重系数及上一帧图像的裁剪系数计算当前帧图像的裁剪系数及参考位置,从而从全景图像中获取当前帧图像的裁剪图像,能使得画面稳定性强,构图具有美感,有利于提升视觉效果,提高了用户使用体验。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单的介绍,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,还可以根据本发明实施例的内容和这些附图获得其他的附图。
图1是本发明具体实施方式中实施例一提供的一种摄像头的取景方法的方法流程图。
图2是本发明具体实施方式中实施例二提供的一种摄像头的取景方法的方法流程图。
图3是本发明具体实施方式中实施例二提供的一种摄像头的取景方法的一子方法流程图。
图4是本发明具体实施方式中实施例二提供的不同裁剪系数对应的输出特征图的示意图。
图5是本发明具体实施方式中实施例二提供的一种摄像头的取景方法的另一子方法流程图。
图6是本发明具体实施方式中实施例二提供的一种摄像头的取景方法的又一子方法流程图。
图7是本发明具体实施方式中实施例二提供的一种摄像头的取景方法的再一子方法流程图。
图8是本发明具体实施方式中实施例二提供的极点示意图。
图9是本发明具体实施方式中实施例二提供的时序插值处理示意图。
图10是本发明具体实施方式中实施例三提供的一种摄像头的取景系统的结构方框图。
图11是本发明具体实施方式中实施例四提供的一种摄像头的取景系统的结构方框图。
图12是本发明具体实施方式中实施例四提供的一种摄像头的取景系统的一子结构方框图。
图13是本发明具体实施方式中实施例四提供的一种摄像头的取景系统的另一子结构方框图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面将结合附图对本发明实施例的技术方案作进一步的详细描述,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,本领域技术人员在没有作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。
请参考图1,其是本发明具体实施方式中实施例一提供的一种摄像头的取景方法的方法流程图。如图1所示,该摄像头的取景方法包括步骤S110~步骤S150,具体内容如下:
步骤S110:基于深度学习神经网络训练得到多裁剪尺度构图模型。
本实施例的多裁剪尺度构图模型基于深度学习神经网络得到,有利于提高系统的响应速度。
步骤S120:按预设周期获取图像帧,根据获取的当前帧图像中的人体检测框维护拍摄图像中的所有人物目标的轨迹列表。
周期性获取图像帧,检测获取的图像帧中的人物检测框,根据检测到的人体检测框维护拍摄图像中的所有人物目标的轨迹列表,即检测摄像头拍摄的图像中的人物目标,自动对检测的人物目标进行创建、更新、或删除轨迹,即对轨迹列表进行维护,本实施例根据轨迹列表对裁剪的画面进行控制,可以确保所有人物目标都是连续的,这大大提高了画面控制的稳定性和流畅性。
步骤S130:根据每个人物目标的轨迹状态更新每个人物目标对应的轨迹的状态权重系数。
根据轨迹状态来对每一轨迹的权重系数进行设置,当人物目标处于进入状态时,根据轨迹的帧数按照预设增加规则增加对应轨迹的权重系数,即当人物目标的轨迹处于进入状态时,计数器重新对该轨迹的帧数进行计数,权重系数随着轨迹的帧数的增加从0增加到1;当人物目标的轨迹处于有效状态时,保持对应轨迹的权重系数不变,即始终保持权重系数为1;当人物目标的轨迹处于失效状态时,计数器重新对该轨迹的不存在匹配人体检测框的图像的帧数进行计数,权重系数随着轨迹的帧数的增加从1降低到0。
步骤S140:根据上一帧图像的裁剪系数、多裁剪尺度构图模型、轨迹列表及轨迹的权重系数计算当前帧图像的裁剪系数及裁剪参考位置。
步骤S150:根据所述当前帧图像的裁剪系数及裁剪参考位置从全景图像中获取当前帧图像的裁剪图像。
最后,根据当前帧图像的裁剪系数及裁剪参考位置从全景图像中获取当前帧图像的裁剪图像,完成对全景图像的数据裁剪。
综上所述,本实施例通过对人物目标的轨迹列表进行更新,并根据人物目标的轨迹状态分配轨迹状态权重系数,根据上一帧图像的裁剪系数、多裁剪尺度构图模型、轨迹列表及轨迹的权重系数计算当前帧图像的裁剪系数及裁剪参考位置,本实施例通过轨迹列表的设计防止人物目标进入或退出画面时带来的抖动问题,使得对画面的控制更为稳定和流畅,本实施例也达到了构图效果更佳的技术效果,提升了视觉效果,提高了用户的使用体验。
请参考图2,其是本发明具体实施方式中实施例二提供的一种摄像头的取景方法的方法流程图。如图2所示,该摄像头的取景方法包括步骤S210~步骤S260,具体内容如下。
步骤S210:基于深度学习神经网络训练得到多裁剪尺度构图模型。
在一些实施例中,如图3所示,所述步骤S210:基于深度学习神经网络训练得到多裁剪尺度构图模型包括步骤S211~步骤S215,具体内容如下:
步骤S211:按预设规则生成一裁剪系数序列。
裁剪系数α表示从原始图像中裁剪多大的范围,其取值范围为(0,1]。为了让整幅图像能自动适配到不同的裁剪范围,可按预设规则将一幅图像划定成N个固定裁剪尺寸,例如取N=10,裁剪系数序列为:{1.0,0.9,0.8,……,0.2,0.1}={α
步骤S212:依次从图像数据集中选取一张原始图像,将选取的原始图像中每个像素点都重新映射到所述裁剪系数序列的每一裁剪系数上进行计算,得到在每一裁剪系数下的参考构图结果。
将原始图像中每个像素点映射到裁剪系数序列中进行计算,获取在每一裁剪系数下的参考构图结果:{s
步骤S213:利用深度学习神经网络预测选取的原始图像中每个像素点映射到所述裁剪系数序列的每一裁剪系数的预测构图结果。
步骤S214:根据所述参考构图结构和所述预测构图结构计算损失值,并根据所述损失值对所述深度学习神经网络进行调节。
步骤S215:对图像数据集中的每张原始图像不断重复步骤S212~步骤S214,直至步骤S214中的损失值不再下降时,结束对深度学习神经网络的训练,得到训练好的基于深度学习神经网络的多裁剪尺度构图模型。
本实施中对图像数据集中的每张原始图像依次执行步骤S212~步骤S214,若步骤S214中的损失值仍存在变化,则继续获取图像数据集中的原始图像不断重复步骤S212~步骤S214,直至步骤S214中的损失值不再下降时,结束对深度学习神经网络的训练,得到训练好的基于深度学习神经网络的多裁剪尺度构图模型。本实施例对摄像头拍摄的整幅图像内的人物目标进行构图取景的最优化,最终输出的图像是经过裁剪得到的,经过步骤S211~步骤S215训练得到的基于深度学习神经网络的多裁剪尺度构图模型能够应对不同裁剪系数的变化。
步骤S220:按预设周期获取图像帧,根据获取的当前帧图像中的人体检测框维护拍摄图像中的所有人物目标的轨迹列表。
周期性获取图像帧,检测获取的图像帧中的人物检测框,根据检测到的人体检测框维护拍摄图像中的所有人物目标的轨迹列表,即检测摄像头拍摄的图像中的人物目标,自动对检测的人物目标进行创建、更新、或删除轨迹,即对轨迹列表进行维护,本实施例根据轨迹列表对裁剪的画面进行控制,可以确保所有人物目标都是连续的,这大大提高了画面控制的稳定性和流畅性。
在一些实施例中,如图5所示,步骤S220:按预设周期获取图像帧,根据获取的当前帧图像中的人体检测框维护拍摄图像中的所有人物目标的轨迹列表包括步骤S221~步骤S224,具体内容如下:
步骤S221:按预设周期获取图像帧。
步骤S222:获取当前帧图像中的人物目标的人体检测框。
步骤S223:将获取的人物目标的人体检测框根据预设距离匹配规则与轨迹列表中的轨迹进行匹配,若匹配成功,则执行步骤S224;若匹配不成功,则执行步骤S225。
步骤S224:根据人物目标的人体检测框的位置更新对应轨迹的位置,并根据对应轨迹的帧数更新人物目标的轨迹状态。
步骤S225:于轨迹列表中创建一新的轨迹,并将该人物目标的轨迹状态修改为创建状态。
具体的,在一些实施例中,获取当前帧图像中的人物目标的人体检测框,将获取的人体检测框与轨迹列表中各轨迹进行距离匹配,按照距离从小到大排序进行遍历,若获取的人体检测框与某一轨迹对应的人体检测框匹配、且距离不超过阈值,则获取的人体检测框与该轨迹匹配成功,根据获取的人体检测框的位置更新该轨迹的位置;若获取的人体检测框与轨迹列表中的各轨迹对应的人体检测框均不匹配,则为该人体检测框重新创建一轨迹。
若轨迹匹配成功,则根据人物目标的人体检测框的位置更新对应轨迹的位置,并根据对应轨迹的帧数更新人物目标的轨迹状态。其中,在本实施例中,根据对应轨迹的帧数更新人物目标的轨迹状态,包括:若上一帧图像中存在匹配的人物目标的人体检测框,且对应轨迹的存在的帧数为1,则更新人物目标的轨迹状态为创建状态;即该人物目标的轨迹刚创建,则该人物目标的轨迹状态为创建状态。若上一帧图像中存在匹配的人物目标的人体检测框,且对应轨迹的存在的帧数等于第一预置帧数,则更新人物目标的轨迹状态为进入状态;本实施例利用计数器对每条轨迹的帧数进行计数,当该人物目标的对应轨迹的存在的帧数等于第一预置帧数,则将人物目标的轨迹状态从创建状态更新为进入状态。若上一帧图像中存在匹配的人物目标的人体检测框,且对应轨迹的存在的连续帧数等于第二预置帧数,则将人物目标的轨迹状态从进入状态更新为有效状态;当人物目标连续若干帧都存在匹配的人体检测框,即连续第二预置帧数的图像帧均有人体检测框与轨迹匹配,则将该轨迹的轨迹状态从进入状态更新为有效状态。若上一帧图像中不存在匹配的人物目标的人体检测框,且对应轨迹的不存在的连续帧数等于第三预置帧数,则更新人物目标的轨迹状态为失效状态;即当上一帧图像中不存在人体检测框与轨迹匹配,且不存在匹配的人体检测框的图像帧的连续帧数等于第三预置帧数,则该人物目标的轨迹状态为失效状态。若上一帧图像中不存在匹配的人物目标的人体检测框,且对应轨迹的不存在的连续帧数等于第四预置帧数,则更新人物目标的轨迹状态为退出状态;即当上一帧图像中不存在人体检测框与轨迹匹配,且不存在匹配人体检测框的图像帧的连续帧数达到第四预置帧数,则将人物目标的轨迹状态从无效状态更新为退出状态。
不同于现有技术的对人物目标的轨迹状态只有进入状态和退出状态,本实施例通过将人物目标的轨迹状态分成创建状态、进入状态、有效状态、失效状态和退出状态,实现了对人物目标拍摄的“软进软出”,能有效防止了人物目标进入或退出画面时对控制上带来的抖动问题。在一些实施例中,第一预置帧数为20,第二预置帧数为25,第三预置帧数为20,第四预置帧数为25。
步骤S230:根据每个人物目标的轨迹状态更新每个人物目标对应的轨迹的状态权重系数。
本实施例针对所有处于进入状态、有效状态和失效状态的轨迹会按照一定的权重参与后续的构图参考位置计算中。在一些实施例中,步骤S230:根据每个人物目标的轨迹状态更新每个人物目标对应的轨迹的状态权重系数具体包括:若人物目标的轨迹状态为创建状态,则将对应轨迹的状态权重系数设为0;若人物目标的轨迹状态为进入状态,则根据轨迹的帧数按照预设增加规则增加对应轨迹的状态权重系数;若人物目标的轨迹状态为有效状态,则保持对应轨迹的状态权重系数不变;若人物目标的轨迹状态为失效状态,则根据轨迹的帧数按照预设减少规则减少对应轨迹的状态权重系数;若人物目标的轨迹状态为退出状态,则将对应轨迹删除。
在本实施例中,根据轨迹状态来对每一轨迹的权重系数进行设置,当人物目标处于进入状态时,根据轨迹的帧数按照预设增加规则增加对应轨迹的权重系数,即当人物目标的轨迹处于进入状态时,计数器重新对该轨迹的帧数进行计数,权重系数随着轨迹的帧数的增加从0增加到1;当人物目标的轨迹处于有效状态时,保持对应轨迹的权重系数不变,即始终保持权重系数为1;当人物目标的轨迹处于失效状态时,计数器重新对该轨迹的不存在匹配人体检测框的图像的帧数进行计数,权重系数的随着轨迹的帧数的增加从1降低到0。
步骤S240:根据上一帧图像的裁剪系数、多裁剪尺度构图模型、轨迹列表及轨迹的权重系数计算当前帧图像的裁剪系数及裁剪参考位置。
在一些实施例中,如图6所示,步骤S240具体包括步骤S241~S245,具体如下:
步骤S241:将当前帧图像输入到多裁剪尺度构图模型中得到当前帧图像的裁剪系数参考值。
具体的,如图7所示,步骤S241包括步骤S2411~S2413,具体如下:
步骤S2411:将当前帧图像输入到多裁剪尺度构图模型中,获取多裁剪尺度构图模型的输出特征图的第一通道。
步骤S2412:获取所述第一通道上的最左侧极点和最右侧极点。
步骤S2413:根据所述最左侧极点和最右侧极点计算得到当前帧图像的裁剪系数参考值。
利用输出特征图的第一通道计算裁剪系数参考值,如果某个位置的值大于其邻域(半径为r)内其他所有点的值,且其自身值超过预置阈值,则称其为一个极点。找到第一通道上的所有极点,并定义最左侧的极点(pl)和最右侧的极点(pr),它们的值分别为s
α
其中,α
其中,Ω(p,r)表示点p的半径为r的邻域,Ω(p,r)={i,j|p
步骤S242、利用滞环控制器根据上一帧图像的裁剪系数对当前帧图像的裁剪系数参考值进行调节,得到当前帧图像的裁剪系数。
为了防止画面频繁做细微调节,本实施利用滞环控制器根据上一帧图像的裁剪系数α
步骤S243、从裁剪系数序列中获取与上一帧图像的裁剪系数相邻的两个裁剪系数。
于裁剪系数序列{α
步骤S244、根据每条轨迹的位置范围以及所述相邻的两个裁剪系数对应的特征图计算相邻的两个裁剪系数对应的裁剪参考位置。
其中,根据轨迹的位置范围Bt,以及对应的相邻的两个系数值α
步骤S245、根据所述上一帧图像的裁剪系数、及其相邻的两个裁剪系数和相邻的两个裁剪系数对应的裁剪参考位置计算每条轨迹的裁剪参考位置。
利用式(5)根据所述上一帧图像的裁剪系数α
步骤S246、根据每条轨迹的裁剪参考位置,及每条轨迹对应的状态权重系数计算得到当前帧图像的裁剪参考位置。
每条轨迹的裁剪参考位置为(x
步骤S250:对上一帧图像和当前帧图像的裁剪系数及裁剪参考位置进行时序插值处理。
步骤S260:利用经过时序插值处理后的裁剪系数及裁剪参考位置获取对应帧图像的裁剪图像;根据所述当前帧图像的裁剪系数及裁剪参考位置从全景图像中获取当前帧图像的裁剪图像。
本实施例对对上一帧图像的裁剪系数及裁剪参考位置和当前帧图像的裁剪系数及裁剪参考位置进行时序插值处理,能达到较为平滑的控制效果,经过时序插值处理后,裁剪范围的变化更为平滑、流程,有利于提升用户体验。
如图9所示,黑色圆点为实际计算值,“X”点为时域插值点。图9为3倍的插值倍率,即两次计算值之间等时间间隔插入2个插值点。时序插值处理可以选取当前及过去的若干个点进行插值,例如将当前的计算值和过去的2个实际计算值进行时序插值计算,以生成当前节点前面的两个插值点,因此时序插值处理后的输出信号会比实际的图像滞后1个计算周期。时序插值方法可以选择当前通用的二次或三次插值方法,这里不再赘述。
最后,利用经过时序插值处理后的裁剪系数及裁剪参考位置获取时序插值处理对应帧图像的裁剪图像;根据当前帧图像的裁剪系数α
本实施例基于人测框来对人物目标的轨迹列表进行更新,并根据人物目标的轨迹状态分配轨迹权重系数,通过轨迹列表的设计防止人物目标进入或退出画面时带来的抖动问题,使得对画面的控制更为稳定和流程,根据上一帧图像的裁剪系数、多裁剪尺度构图模型、轨迹列表及轨迹的权重系数计算当前帧图像的裁剪系数及裁剪参考位置,使得裁剪得到的图像构图效果更佳,并利用时序插值法对裁剪系数进行处理,使得画面更为流畅。
以下是本发明具体实施方式中提供的一种摄像头的取景系统的实施例,系统的实施例基于上述的摄像头的取景方法的实施例实现,在摄像头的取景系统中未尽的描述,请参考前述摄像头的取景方法的实施例。
请参考图10,其是本发明具体实施方式中实施例三提供的一种摄像头的取景系统的结构方框图。如图10所示,该摄像头的取景系统包括:模型训练模块10、轨迹维护模块20、权重系数更新模块30、计算模块40和裁剪模块50,具体内容如下。
模型训练模块10,用于基于深度学习神经网络训练得到多裁剪尺度构图模型。
轨迹维护模块20,用于按预设周期获取图像帧,根据获取的当前帧图像中的人体检测框维护拍摄图像中的所有人物目标的轨迹列表。
权重系数更新模块30,用于根据每个人物目标的轨迹状态更新每个人物目标对应的轨迹的状态权重系数。
计算模块40,用于根据上一帧图像的裁剪系数、多裁剪尺度构图模型、轨迹列表及轨迹的权重系数计算当前帧图像的裁剪系数及裁剪参考位置。
裁剪模块50,用于根据所述当前帧图像的裁剪系数及裁剪参考位置从全景图像中获取当前帧图像的裁剪图像。
综上所述,本实施例通过对人物目标的轨迹列表进行更新,并根据人物目标的轨迹状态分配轨迹状态权重系数,根据上一帧图像的裁剪系数、多裁剪尺度构图模型、轨迹列表及轨迹的权重系数计算当前帧图像的裁剪系数及裁剪参考位置,本实施例通过轨迹列表的设计防止人物目标进入或退出画面时带来的抖动问题,使得对画面的控制更为稳定和流畅,本实施例也达到了构图效果更佳的技术效果,提升了视觉效果,提高了用户的使用体验。
请参考图11,其是本发明具体实施方式中实施例四提供的一种摄像头的取景系统的结构方框图。如图11所示,该摄像头的取景系统包括:模型训练模块10、轨迹维护模块20、权重系数更新模块30、计算模块40、插值处理模块60和裁剪模块50,具体内容如下。
模型训练模块10,用于基于深度学习神经网络训练得到多裁剪尺度构图模型。
在一些实施例中,模型训练模块10具体用于:
a、按预设规则生成一裁剪系数序列;
b、依次从图像数据集中选取一张原始图像,将选取的原始图像中每个像素点都重新映射到所述裁剪系数序列的每一裁剪系数上进行计算,得到在每一裁剪系数下的参考构图结果;
c、利用深度学习神经网络预测选取的原始图像中每个像素点映射到所述裁剪系数序列的每一裁剪系数的预测构图结果;
d、根据所述参考构图结构和所述预测构图结构计算损失值,并根据所述损失值对所述深度学习神经网络进行调节;
e、对图像数据集中的每张原始图像不断重复步骤b~d,直至步骤d中的损失值不再下降时,结束对深度学习神经网络的训练,得到训练好的基于深度学习神经网络的多裁剪尺度构图模型。
轨迹维护模块20,用于按预设周期获取图像帧,根据获取的当前帧图像中的人体检测框维护拍摄图像中的所有人物目标的轨迹列表。
在一些实施例中,如图12所示,轨迹维护模块20具体包括:
图像帧获取单元21,用于按预设周期获取图像帧;
检测框获取单元22,用于获取当前帧图像中的人物目标的人体检测框;
匹配单元23,用于将获取的人物目标的人体检测框根据预设距离匹配规则与轨迹列表中的轨迹进行匹配;
更新单元24,用于若匹配单元匹配成功,则根据人物目标的人体检测框的位置更新对应轨迹的位置,并根据对应轨迹的帧数更新人物目标的轨迹状态;
创建单元25,用于若匹配单元匹配不成功,则于轨迹列表中创建一新的轨迹,并将该人物目标的轨迹状态修改为创建状态。
权重系数更新模块30,用于根据每个人物目标的轨迹状态更新每个人物目标对应的轨迹的状态权重系数。
在一些实施例中,权重系数更新模块30具体用于若人物目标的轨迹状态为创建状态,则将对应轨迹的状态权重系数设为0;若人物目标的轨迹状态为进入状态,则根据轨迹的帧数按照预设增加规则增加对应轨迹的状态权重系数;若人物目标的轨迹状态为有效状态,则保持对应轨迹的状态权重系数不变;若人物目标的轨迹状态为失效状态,则根据轨迹的帧数按照预设减少规则减少对应轨迹的状态权重系数;若人物目标的轨迹状态为退出状态,则将对应轨迹删除。
计算模块40,用于根据上一帧图像的裁剪系数、多裁剪尺度构图模型、轨迹列表及轨迹的权重系数计算当前帧图像的裁剪系数及裁剪参考位置。
在一些实施例中,如图13所示,计算模块40具体包括:
裁剪系数得到单元41,用于将当前帧图像输入到多裁剪尺度构图模型中得到当前帧图像的裁剪系数参考值。
在一些实施例中,裁剪系数得到单元41具体用于:
将当前帧图像输入到多裁剪尺度构图模型中,获取多裁剪尺度构图模型的输出特征图的第一通道;
获取所述第一通道上的最左侧极点和最右侧极点;
根据所述最左侧极点和最右侧极点计算得到当前帧图像的裁剪系数参考值。
裁剪系数调节单元42,用于利用滞环控制器根据上一帧图像的裁剪系数对当前帧图像的裁剪系数参考值进行调节,得到当前帧图像的裁剪系数。
相邻裁剪系数获取单元43,用于从裁剪系数序列中获取与上一帧图像的裁剪系数相邻的两个裁剪系数。
相邻参考位置计算单元44,用于根据每条轨迹的位置范围以及所述相邻的两个裁剪系数对应的特征图计算相邻的两个裁剪系数对应的裁剪参考位置。
轨迹裁剪位置计算单元45,用于根据所述上一帧图像的裁剪系数、及其相邻的两个裁剪系数和相邻的两个裁剪系数对应的裁剪参考位置计算每条轨迹的裁剪参考位置。
图像裁剪位置计算单元46,用于根据每条轨迹的裁剪参考位置,及每条轨迹对应的状态权重系数计算得到当前帧图像的裁剪参考位置。
插值处理模块60,用于对上一帧图像和当前帧图像的裁剪系数及裁剪参考位置进行时序插值处理。
裁剪模块50,用于利用经过时序插值处理后的裁剪系数及裁剪参考位置获取对应帧图像的裁剪图像;根据所述当前帧图像的裁剪系数及裁剪参考位置从全景图像中获取当前帧图像的裁剪图像。
综上所述,本实施例提供摄像头的取景系统基于人测框来对人物目标的轨迹列表进行更新,并根据人物目标的轨迹状态分配轨迹权重系数,通过轨迹列表的设计防止人物目标进入或退出画面时带来的抖动问题,使得对画面的控制更为稳定和流程,根据上一帧图像的裁剪系数、多裁剪尺度构图模型、轨迹列表及轨迹的权重系数计算当前帧图像的裁剪系数及裁剪参考位置,使得裁剪得到的图像构图效果更佳,并利用时序插值法对裁剪系数进行处理,使得画面更为流畅。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理,而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
- 一种摄像头的取景方法及系统
- 一种智能机后摄像头转置及360度取景光学系统