CN113114924A - 图像拍摄方法、装置、计算机可读存储介质及电子设备 - Google Patents
图像拍摄方法、装置、计算机可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN113114924A CN113114924A CN202010033715.2A CN202010033715A CN113114924A CN 113114924 A CN113114924 A CN 113114924A CN 202010033715 A CN202010033715 A CN 202010033715A CN 113114924 A CN113114924 A CN 113114924A
- Authority
- CN
- China
- Prior art keywords
- image
- posture
- key points
- shot object
- pose
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 40
- 230000033001 locomotion Effects 0.000 claims description 39
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 15
- 238000012545 processing Methods 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000036544 posture Effects 0.000 description 131
- 210000002683 foot Anatomy 0.000 description 16
- 230000009191 jumping Effects 0.000 description 12
- 210000003127 knee Anatomy 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 210000002414 leg Anatomy 0.000 description 8
- 238000012790 confirmation Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 210000000707 wrist Anatomy 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 210000003423 ankle Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000004936 left thumb Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 210000004935 right thumb Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- H04N23/61—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
-
- 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
- H04N23/63—Control of cameras or camera modules by using electronic viewfinders
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
公开了一种图像拍摄方法、装置、计算机可读存储介质和电子设备，涉及图像处理技术领域。该方法包括：确定被拍摄对象在图像预览界面中的人体关键点；根据所述人体关键点，确定所述被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度；当所述姿态相似度满足第一预设条件时，触发拍照指令，生成包含所述被拍摄对象的图像。本公开实施例能够得到被拍摄对象处于特定姿态下的图像，从而达到预期的拍摄效果，有助于提升用户体验。
Description
技术领域
本公开涉及图像处理技术领域，具体涉及一种图像拍摄方法、装置、计算机可读存储介质及电子设备。
背景技术
拍照是人们记录生活的一种重要方式，手机、平板电脑和摄像机等终端设备也已经成为了人们生活中不可或缺的一个部分，人们经常会利用这些终端设备进行图像拍摄。用户在应用终端设备进行拍摄时，往往会有多样化的拍摄需求。例如，跳跃姿态是人们休闲、旅游中常用的一种拍照方式。跳跃姿态需要拍摄者把握拍照时机，在被拍摄者起跳瞬间拍摄者按下快门，高速连拍，最终在多张相片中进行人工筛选。然而大多数用户都不具备专业的拍摄技术，通过人工拍摄出的图像难以达到预期的拍摄效果。
发明内容
为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种图像拍摄方法、装置、计算机可读存储介质及电子设备。
根据本公开的一个方面，提供了一种图像拍摄方法，包括：确定被拍摄对象在图像预览界面中的人体关键点；根据所述人体关键点，确定所述被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度；当所述姿态相似度满足第一预设条件时，触发拍照指令，生成包含所述被拍摄对象的图像。
根据本公开实施例的另一个方面，提供了一种图像拍摄装置，包括：关键点确认模块，用于确定被拍摄对象在图像预览界面中的人体关键点；姿态确认模块，用于根据所述人体关键点，确定所述被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度；拍摄模块，用于当所述姿态相似度满足第一预设条件时，触发拍照指令，生成包含所述被拍摄对象的图像。
根据本公开实施例的另一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一实施例所提及的图像拍摄方法。
根据本公开实施例的另一个方面，提供了电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于执行上述任一实施例所提及的图像拍摄方法。
根据本公开实施例提供的图像拍摄方法，通过根据被拍摄对象的人体关键点，可以确定被拍摄对象的姿态，再根据被拍摄对象的姿态与姿态参考模板中的参考姿态可以确定二者之间的姿态相似度，当姿态相似度满足预设条件时，这表示被拍摄对象的特定姿态满足了预期的拍摄效果(例如，跳跃姿态)，此时可以执行拍摄操作，从而能够得到被拍摄对象处于特定姿态下的图像，进而达到预期的拍摄效果，有助于提升用户体验。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本公开一实施例提供的实施场景的示意图。
图2是本公开一示例性实施例提供的图像拍摄方法的流程示意图。
图3是本公开一示例性实施例提供的人体关键点的结构示意图。
图4是本公开另一示例性实施例提供的图像拍摄方法的流程示意图。
图5是本公开又一示例性实施例提供的图像拍摄方法的流程示意图。
图6是本公开再一示例性实施例提供的图像拍摄方法的流程示意图。
图7是本公开再一示例性实施例提供的图像拍摄方法的流程示意图。
图8是本公开一示例性实施例提供的图像拍摄装置的框图。
图9是本公开一示例性实施例提供的电子设备的结构示意图。
具体实施方式
下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
申请概述
目前，对于特定姿势的拍摄，例如跳跃姿态的拍摄，通常需要拍摄者把握拍照时机，在被拍摄者完成特定姿势的瞬间拍摄者按下快门进行高速连拍，最终在多张相片中进行人工筛选。然而大多数用户都不具备专业的拍摄技术，通过人工拍摄出的图像难以达到预期的拍摄效果。
针对上述问题，本公开实施例提供了一种图像拍摄方法，通过预设神经网络模型来提取被拍摄对象的人体关键点，根据提取到的被拍摄对象的人体关键点，确定被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度，当姿态相似度满足预设条件时执行拍摄操作，进而生成包含被拍摄对象的图像。与现有的特定姿势的拍照方法相比，由于本公开实施例所提及的拍摄方法不需要拍摄者把握拍照时机，同时也不需要对拍摄出的图像进行筛选，因此本公开实施例所提及的拍摄方法能够得到被拍摄对象处于特定姿态下的图像，达到预期的拍摄效果，有助于提升用户体验。
在介绍了本公开的基本原理之后，下面将参考附图来具体介绍本公开的各种非限制性实施例。
示例性系统
图1是本公开实施例所提供的一种实施场景的示意图。该实施场景包括：服务器140和多个终端设备110、120、130。其中，终端设备110、120、130具备摄像头，可以获取待处理图像150。
终端设备110、120、130可以是手机、游戏主机、平板电脑、照相机、摄像机、车载电脑等移动终端设备，或者，终端设备110、120、130也可以是个人计算机(PersonalComputer，PC)，比如膝上型便携计算机和台式计算机等等。本领域技术人员可以知晓，上述终端设备110、120、130的类型可以相同或者不同，其数量可以更多或更少。比如上述终端可以各为一个，或者上述终端为几十个或几百个，或者更多数量。本公开实施例对终端的数量和设备类型不加以限定。
终端设备110、120、130与服务器140之间通过通信网络相连。可选的，通信网络是有线网络或无线网络。可选的，服务器140是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心。
终端设备110、120、130中可以部署有神经网络模型，用于对待处理图像150进行图像处理。在一实施例中，终端设备110、120、130通过神经网络模型对待处理图像150进行关键点提取，以得到所述被拍摄对象的人体关键点，然后终端设备110、120、130根据所述人体关键点来确定被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度，最后当所述姿态相似度满足预设条件时，就可以触发终端设备110、120、130的拍照指令，从而生成包含被拍摄对象的图像。其中，姿态参考模板存储在姿态数据库中，通过提取包含人体的图像中的人体关键点信息，并根据人体关键点信息来确定该包含人体的图像中人体的参考姿态，以得到该姿态参考模板。
在一些可选的实施例中，还可以通过服务器140中的神经网络模型对待处理图像150进行图像处理。在一实施例中，终端设备110、120、130可以将其获取到的待处理图像150或者图像处理结果等发送给服务器140，服务器140通过其上的神经网络模型对待处理图像150进行关键点提取，以得到所述被拍摄对象的人体关键点，然后服务器140再将被拍摄对象的人体关键点发送给终端设备110、120、130，终端设备110、120、130根据所述人体关键点来确定被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度，最后当所述姿态相似度满足预设条件时，就可以触发终端设备110、120、130的拍照指令，从而生成包含被拍摄对象的图像。
在另一些可选的实施例中，还可以利用服务器140中的神经网络模型对待处理图像150进行图像处理。在一实施例中，终端设备110、120、130在获取到待处理图像150的同时，从服务器140处获取神经网络模型以对待处理图像150进行关键点提取，以得到所述被拍摄对象的人体关键点，然后终端设备110、120、130根据所述人体关键点来确定被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度，最后当所述姿态相似度满足预设条件时，就可以触发终端设备110、120、130的拍照指令，从而生成包含被拍摄对象的图像。
通过上述几个实施场景，能够得到被拍摄对象处于特定姿态下的图像，达到预期的拍摄效果，有助于提升用户体验。
示例性方法
图2是本公开一示例性实施例提供的图像拍摄方法的流程示意图。该方法可以应用于如图1所示的实施场景中，由上述图1中所示的终端设备执行，但本公开实施例不以此为限。该终端设备可以是手机、游戏主机、平板电脑、照相机、摄像机、车载电脑等具有拍摄功能的移动终端设备，或者，终端设备也可以是个人计算机(Personal Computer，PC)，比如膝上型便携计算机和台式计算机等具有拍摄功能的非移动终端设备，本公开实施例对此不作限定。
如图2所示，本公开实施例提供的图像拍摄方法包括如下步骤：
S201：确定被拍摄对象在图像预览界面中的人体关键点。
在一实施例中，当终端设备启动拍摄功能后，该终端设备的摄像头开始进入取景状态，并通过该终端设备的图像预览界面展示包括被拍摄对象的当前帧图像。终端设备对当前帧图像进行图像识别，确定当前帧图像中被拍摄对象的人体关键点。其中，当前帧图像用于表示图像预览界面中展示的当前包含被拍摄对象的帧图像。
应当理解，可以基于人体姿态识别算法等相关技术中的识别人体关键点的方法得到本公开中的人体关键点。在一实施例中，被拍摄对象的人体关键点可以是被拍摄对象具有明显视觉特征的各个关键点。上述被拍摄对象的人体关键点可以是人体关节点，例如人体头部、颈部、肩部、肘部、胯部、膝部、脚部等人体关节部位的特征点。例如如图3所示，上述被拍摄对象的人体关键点可以包括以下二十五个关键点中的至少两个关键点：
头部关键点1、颈部关键点2、脊柱关键点3、中脊柱关键点4、脊柱底关键点5、左肩关键点21、右肩关键点22、左手肘关键点23、右手肘关键点24、左手腕关键点25、右手腕关键点26、左手关键点27、右手关键点28、左拇指关键点29、右拇指关键点30、左手尖关键点31、右手尖关键点32、左胯部关键点33、右胯部关键点34、左膝盖关键点35、右膝盖关键点36、左脚踝关键点37、右脚踝关键点38、左脚关键点39以及右脚关键点40。
本公开实施例仅以上述二十五个关键点为例介绍人体关键点，在其它可能的实现方式中，被拍摄对象的人体关键点也可以包含人体中其它部位的关键点，例如左眼关键点、右眼关键点、左耳关键点、右耳关键点、鼻子关键点、脚尖关键点等，本公开实施例对此不作限定。
S202：根据所述人体关键点，确定所述被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度。
在一实施例中，可以从姿态数据库中确定用户需要采用的姿态参考模板。其中，该姿态参考模板可以仅包括由人体关键点构成的人体的参考姿态(如图3所示)，也可以包括人体本身和由人体关键点构成的人体的参考姿态，对本公开实施例对此并不作限定。
需要说明的是，该姿态数据库可以是来自于网络端的标准的姿态数据库，也可以为用户自定义的姿态数据库。该姿态数据库包括多张姿态参考模板，且通过提取包含人体的图像中的人体关键点信息，并根据人体关键点信息，确定该包含人体的图像中人体的参考姿态，以得到该姿态参考模板。
在一实施例中，终端设备接收用户通过从预先建立的姿态数据库中选取的包含参考姿态的姿态参考模板；根据被拍摄对象的人体关键点的位置信息，可以确定被拍摄对象的姿态；然后根据图像相似度匹配算法，计算当前帧图像中的被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度。
S203：当所述姿态相似度满足第一预设条件时，触发拍照指令，生成包含所述被拍摄对象的图像。
需要说明的是，本公开实施例对第一预设条件不作限定，比如，当上述姿态相似度位于预设取值范围内时，这表示姿态相似度满足了第一预设条件，此时即可触发拍照指令，进而生成包含被拍摄对象的图像；或者，当上述姿态相似度大于或等于第一相似度阈值时，即可触发拍照指令，进而生成包含被拍摄对象的图像。本公开实施例对第一相似度阈值和预设取值范围的大小不作特别限定，本领域的技术人员可根据实际的应用情况进行设置。
应当理解，本公开实施例并不对通过触发拍照指令所生成的包含被拍摄对象的图像的个数作进一步限定，可以只生成一张包含被拍摄对象的图像，也可以生成多张包含被拍摄对象的图像，只要所生成的包含被拍摄对象的图像满足特定的姿态即可。
由此可见，根据本公开实施例提供的上述图像拍摄方法，根据被拍摄对象的人体关键点可以确定被拍摄对象的姿态，再根据被拍摄对象的姿态与姿态参考模板中的参考姿态确定二者之间的姿态相似度，当姿态相似度满足预设条件时，这表示被拍摄对象的特定姿态满足了预期的拍摄效果(例如，跳跃姿态)，此时可以执行拍摄操作，从而能够得到被拍摄对象处于特定姿态下的图像，进而达到预期的拍摄效果，有助于提升用户体验。
在本公开一实施例中，如图4所示，可以根据以下两步骤确定被拍摄对象在图像预览界面中的人体关键点：
S401：获取图像预览界面中的待处理图像。
在一实施例中，当终端设备启动拍摄功能后，该终端设备的摄像头开始进入取景状态，此时呈现在图像预览界面中的图像便是待处理图像，但是需要说明的是，该待处理图像中应该包含被拍摄对象，且该被拍摄对象是处于运动状态中的，通过该终端设备的图像预览界面可以实时的展示包括被拍摄对象的待处理图像处于不同运动时刻的图像，而终端设备可以实时的获取被拍摄对象在每一运动时刻的图像。
在一实施例中，上述步骤S401获取图像预览界面中的所述待处理图像包括以下两个步骤：
1)采用预设算法判断图像预览界面中是否存在所述被拍摄对象，所述预设算法包括光流算法、帧间差分算法、背景差分算法中的至少一个；2)当图像预览界面的当前帧图像中存在所述被拍摄对象时，将所述当前帧图像获取为待处理图像。
应当理解，用户通过从预先建立的姿态数据库中选取包含参考姿态的姿态参考模板，或者通过该图像预览界面所属的应用程序中的预设控制按钮，触发当前拍摄处于预设姿态拍摄模式下。在该预设姿态拍摄模式下，当终端设备获取图像预览界面中的当前帧图像，并对该当前帧图像进行目标检测，判断该当前帧图像中是否包含人体，也即被拍摄对象。当该当前帧图像中包含被拍摄对象时，将该当前帧图像获取为待处理图像。
还应当理解，当该当前帧图像中不包含被拍摄对象时，继续检测预设时间段内，图像预览界面中是否包含被拍摄对象。若预设时间段内仍然没有检测到被拍摄对象，此时可输出提醒消息，该提醒消息用于提醒用户将终端设备的摄像头对准被拍摄对象。若预设时间段内检测到被拍摄对象，可将该当前包括被拍摄对象的图像帧获取为该待处理图像。示例地，该被拍摄对象为运动的人体。
在一实施例中，可以通过预设算法对该当前帧图像进行目标检测，根据图像预览界面的当前帧图像中是否存在运动的人体来判断图像预览界面中是否存在上述被拍摄对象。当图像预览界面的当前帧图像中存在运动的人体时，确定图像预览界面中存在被拍摄对象；否则，图像预览界面中不存在被拍摄对象。上述预设算法例如为光流算法、帧间差分算法、背景差分算法、高斯混合模型(Mixture of Gaussian mode)或样本一致性建模算法(SACON)等。其中，背景差分算法是用当前帧图像减去背景图像，得到差值图像，该差值图像即为被拍摄对象。帧间差分算法是对相邻的两帧或者三帧图像，利用像素之间的差异性判断其中是否存在被拍摄对象的方法。光流算法为将图像预览界面中的当前帧图像变成速度的矢向量，如果当前帧图像中没有运动的人体，则光流矢向量在整个当前帧图像区域中是连续变化的，当当前帧图像中有运动的人体时，当前帧图像中的运动的人体和背景之间存在着相对运动，运动的人体所形成的速度的矢向量必然和背景的速度的矢向量有所不同，如此便可以计算出运动的人体，也即被拍摄的对象。
示例地，也可以通过基于深度学习的算法对该当前帧图像进行目标检测，以判断该当前帧图像中是否包含人体。上述基于深度学习的算法可以为单点多框探测(SingleShot MultiBox Detector,SSD)算法、YOLO(You Only Look Once)算法、快速区域卷积神经网络(faster Region-Convolutional Neural Networks，faster RCNN)、特征金字塔网络(feature pyramid networks,FPN)等。
S402：通过预设神经网络模型对待处理图像进行关键点提取，得到所述被拍摄对象的人体关键点。
应当理解，终端设备中预先部署有该预设神经网络模型，或者当终端设备处于预设姿态拍摄模式下时，从网络端获取该预设神经网络模型。可选地，预设神经网络模型可以为卷积神经网络(Convolutional Neural Network，CNN)、深度神经网络(Deep NeuralNetwork，DNN)或循环神经网络(Recurrent Neural Network，RNN)等，本公开实施例对预设神经网络模型的类型不作限定。可选地，预设神经网络模型的网络结构可以根据计算机视觉任务设计自主设计得到，或者，预设神经网络模型的网络结构可以采用现有的网络结构的至少一部分，例如，掩膜-区域卷积神经网络(Mask-RCNN)、密集姿态-区域卷积神经网络(DensePose-RCNN)、堆叠沙漏网络(Stacked Hourglass Network)和孪生网络(Siamesenetwork)等，本公开实施例对预设神经网络模型的网络结构不作限定。
在一实施例中，通过预设神经网络模型采用开放姿态(OpenPose)算法、实时多人姿态估计(Realtime Multi-Person Pose Estimation)算法、密集姿态(DensePose)算法等人体姿态识别算法或其他自主设计的人体姿态识别算法，对待处理图像进行关键点提取，可以得到被拍摄对象的人体关键点。
如图5所示，在上述图2所示实施例的基础上，步骤S202可包括如下步骤：
S5011：计算所述人体关键点在所述图像预览界面上的像面坐标。
应当理解，由于终端设备可以实时的获取被拍摄对象在每一运动时刻的图像，根据上述预设神经网络模型可以得到被拍摄对象的人体关键点，同时也可以得到被拍摄对象在每一运动时刻的人体关键点的位置信息。在图像预览界面中的包含被拍摄对象的初始帧图像或者被拍摄对象的运动的位置、速度、加速度等小于特定值的帧图像被称为参考帧图像，参考帧图像用于作为确定人体关键点的像面坐标的参考信息，本公开实施例对参考帧图像的具体类型并不作限定。
在一实施例中，以图像预览界面的参考帧图像中的被拍摄对象的人体关键点的位置信息为参考，通过比对待处理图像中的人体关键点的位置信息和参考帧图像中的人体关键点的位置信息，可以获取待处理图像中的人体关键点在图像预览界面上的像面坐标。可选地，可以以参考帧图像中的人体关键点的位置信息为原点，建立待处理图像中的人体关键点在图像预览界面上的坐标系，例如以参考帧图像中的人体脚部关键点、腰部关键点、头部关键点等的位置信息为原点，对应确定待处理图像中的人体脚部关键点、腰部关键点、头部关键点等人体关键点的像面坐标。或者，还可以根据被拍摄对象在世界坐标系中的位置信息，确定被拍摄对象的人体关键点在图像预览界面上的像面坐标，本公开实施例对此不作限定。
S5012：当人体关键点在图像预览界面上的像面坐标满足第二预设条件时，计算被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度。
应当理解，该第二预设条件可以根据具体应用情况进行设置，例如当人体关键点在图像预览界面上的像面坐标在预设范围内时，这表示人体关键点在图像预览界面上的像面坐标满足了第二预设条件，此时可以计算被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度，也就是说，第二预设条件就是指根据具体应用情况所设置的像面坐标处于预设范围内的条件。示例地，以被拍摄对象跳跃拍照为例，可以根据被拍摄对象的人体关键点的像面坐标，确定被拍摄对象的人体关键点离地面的距离，进而设置该预设范围，但本公开实施例不以此为限，还可以直接根据像面坐标确定该预设范围。
在一实施例中，为获取到被拍摄对象的人体关键点离地面的距离，首先确定被拍摄对象静止时腰部关键点的像面坐标，再基于成像原理以及图像识别及分析技术，根据被拍摄对象的跳跃速度和被拍摄对象静止到获取到待处理图像的时间间隔，计算待处理图像中的被拍摄对象跳跃之后腰部关键点的像面坐标，最后根据被拍摄对象静止时腰部关键点的像面坐标和被拍摄对象跳跃之后腰部关键点的像面坐标，就可以估算得到被拍摄对象的腰部关键点离地面的距离，进而设置该预设范围；在另一实施例中，为获取到被拍摄对象的人体关键点离地面的距离，首先确定参考帧图像的腰部关键点的像面坐标，以确定参考帧图像的腰部关键点与地面之间的相对位置信息，在获取到待处理图像后，确定待处理图像的腰部关键点的像面坐标，以确定待处理图像的腰部关键点与参考帧图像的腰部关键点之间的相对位置信息，最后根据参考帧图像的腰部关键点与地面之间的相对位置信息和待处理图像的腰部关键点与参考帧图像的腰部关键点之间的相对位置信息，就可以估算得到被拍摄对象的腰部关键点离地面的距离，进而设置该预设范围。
示例地，可以根据上述预设神经网络模型采用的人体姿态识别算法得到各个人体关键点和各个人体关键点的位置信息，并根据各个人体关键点之间的连接关系，将各个人体关键点连接在一起，以得到待处理图像中被拍摄对象的姿态。例如，连接手腕关键点、肘部关键点和肩部关键点得到被拍摄对象的手臂姿态，以及连接脚部关键点、膝部关键点和胯部关键点得到腿部姿态等。
在一实施例中，根据余弦距离(余弦相似性)、曼哈顿距离(Manhattan distance)、欧式距离等图像相似度匹配算法，可以计算得到被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度。
在另一实施例中，还可以通过上述预设神经网络模型直接对比待处理图像中的人体关键点和姿态参考模板中的参考姿态，得到待处理图像中的被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度。
由此可见，本公开实施例提供的上述图像拍摄方法，由于精准地计算得到了所述人体关键点在所述图像预览界面上的像面坐标，并当人体关键点在图像预览界面上的像面坐标满足第二预设条件时，计算被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度，这样相对于人工拍摄而言，能够更加精准地将被拍摄对象处于特定姿态下的图像拍摄到，从而达到预期的拍摄效果，有助于提升用户体验。
如图6所示，在上述图2所示实施例的基础上，步骤S202可包括如下步骤：
S6011：根据所述人体关键点，确定所述被拍摄对象在该图像预览界面上的运动轨迹。
应当理解，由于终端设备可以实时的获取被拍摄对象在每一运动时刻的图像，不同运动时刻的图像对应不同帧图像，也就是说终端设备可以实时的获取图像预览界面中的包括被拍摄对象的多帧图像，根据上述预设神经网络模型可以得到被拍摄对象的人体关键点，同时也可以得到被拍摄对象在每一运动时刻的人体关键点的位置信息，所以可以通过该图像预览界面的包括被拍摄对象的多帧图像中的人体关键点的位置信息，得到被拍摄对象在该图像预览界面上的运动轨迹。例如，通过对比多帧图像中被拍摄对象的特定人体关键点的位置关系，确定该被拍摄对象的运动轨迹，但本公开实施例不以此为限，还可以通过其他方法确定被拍摄对象的运动轨迹。
在一实施例中，根据该被拍摄对象的运动轨迹，可以判断被拍摄对象的运动行为，例如以脚部关键点和胯部关键点为例，当根据多帧图像确定脚部关键点和胯部关键点的运动轨迹为离开地面向上运动时，可以确定被拍摄对象的运动行为为跳跃，或者当脚部关键点和胯部关键点的运动轨迹为水平移动时，可以确定被拍摄对象的运动行为水平行进。
S6012：当所述运动轨迹满足第三预设条件时，计算所述被拍摄对象的姿态与所述姿态参考模板中的参考姿态之间的姿态相似度。
应当理解，该第三预设条件可以根据具体应用情况进行设置，例如当被拍摄对象的运动轨迹为预设运动轨迹时，这表示被拍摄对象的运动轨迹满足了第三预设条件，此时可以计算所述被拍摄对象的姿态与所述姿态参考模板中的参考姿态之间的姿态相似度，也就是说，第三预设条件就是指根据具体应用情况所设置的被拍摄对象的运动轨迹为预设运动轨迹的条件。示例地，该预设运动轨迹可以为跳跃、手臂或腿部沿特定方向运动等，本公开实施例对预设运动轨迹不作限定。
示例地，可以根据上述预设神经网络模型和人体姿态识别算法得到人体关键点和人体关键点的位置信息，并根据人体关键点之间的关系，连接该人体关键点，得到待处理图像中被拍摄对象的姿态。例如，连接手腕关键点、肘部关键点和肩部关键点得到被拍摄对象的手臂姿态，以及连接脚部关键点、膝部关键点和胯部关键点得到腿部姿态等。
本公开实施例可以参考图5所对应的实施例中的姿态相似度的计算方法，确定被拍摄对象的姿态与所述姿态参考模板中的参考姿态之间的姿态相似度，在此不再赘述。
由此可见，根据本公开实施例提供的上述图像拍摄方法，由于根据所述人体关键点，精准地确定了所述被拍摄对象在该图像预览界面上的运动轨迹，并当所述运动轨迹满足第三预设条件时，计算所述被拍摄对象的姿态与所述姿态参考模板中的参考姿态之间的姿态相似度，这样相对于人工拍摄而言，能够更加精准地将被拍摄对象处于特定姿态下的图像拍摄到，从而达到预期的拍摄效果，有助于提升用户体验。
如图7所示，在上述图2所示实施例的基础上，步骤S202可包括如下步骤：
S7011：根据人体关键点中的多个关键点之间的相对位置关系，确定所述被拍摄对象的姿态。
应当理解，由于终端设备可以实时的获取被拍摄对象在每一运动时刻的图像，根据上述预设神经网络模型可以得到被拍摄对象的人体关键点，同时也可以得到被拍摄对象在每一运动时刻的人体关键点的位置信息。当确定了人体关键点的位置信息之后，还可以从人体关键点中选取多个关键点，并根据该多个关键点的位置信息，计算该多个关键点之间的相对位置关系。例如，可以根据图3中的二十五个人体关键点中选取脚部关键点、膝部关键点以及胯部关键点，以此构成腿部关键部位，确定腿部关键部位的多个关键点之间的相对位置关系；或者根据胯部关键点以及脚部关键点，确定被拍摄对象的躯干部分与脚部的相对位置关系等。
示例地，当被拍摄对象的左脚部关键点和左膝部关键点之间的连线与左胯部关键点和左膝部关键点之间的连线之间的夹角位于预设夹角范围内，和/或被拍摄对象的右脚部关键点和右膝部关键点之间的连线与右胯部关键点和右膝部关键点之间的连线之间的夹角位于预设夹角范围内时，可以确定被拍摄对象的姿态为跳跃。应当理解，该预设夹角范围例如为30度至120度，其具体取值可以根据具体应用情况进行设置，本公开实施例对此不作限定。
示例地，还可以根据被拍摄对象躯体一侧或两侧的胯部关键点和脚部关键点之间的相对距离的大小，确定被拍摄对象的姿态，例如，当被拍摄对象躯体一侧或两侧的胯部关键点和脚部关键点之间的相对距离小于特定距离阈值时，确定被拍摄对象的姿态为跳跃。应当理解，该特定距离阈值的具体取值可以根据具体应用情况进行设置，本公开实施例对此不作限定。
示例地，也可以根据上述预设神经网络模型和人体姿态识别算法得到人体关键点和人体关键点的位置信息，并根据人体关键点之间的关系，连接该人体关键点，得到待处理图像中被拍摄对象的姿态。例如，连接手腕关键点、肘部关键点和肩部关键点得到被拍摄对象的手臂姿态，以及连接脚部关键点、膝部关键点和胯部关键点得到腿部姿态等。
S7012：当所述被拍摄对象的姿态满足第四预设条件时，确定所述被拍摄对象的姿态与所述参考姿态模板中的参考姿态之间的姿态相似度。
应当理解，该第四预设条件可以根据具体应用情况进行设置，例如当确定被拍摄对象的姿态为预设姿态时，这表示所述被拍摄对象的姿态满足了第四预设条件，此时可以计算被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度，也就是说，第四预设条件就是指根据具体应用情况所设置的被拍摄对象的姿态为预设姿态的条件。示例地，该预设姿态可以为跳跃、沿水平方向运动、歪头、摆手等姿态，本公开实施例对预设姿态的具体形态不作限定。
类似地，本公开实施例可以参考图5所对应的实施例中的姿态相似度的计算方法，确定被拍摄对象的姿态与所述姿态参考模板中的参考姿态之间的姿态相似度，在此不再赘述。
由此可见，根据本公开实施例提供的上述图像拍摄方法，由于根据人体关键点中的多个关键点之间的相对位置关系，精准地确定了所述被拍摄对象的姿态，并当所述被拍摄对象的姿态满足第四预设条件时，确定所述被拍摄对象的姿态与所述参考姿态模板中的参考姿态之间的姿态相似度，这样相对于人工拍摄而言，能够更加精准地将被拍摄对象处于特定姿态下的图像拍摄到，从而达到预期的拍摄效果，有助于提升用户体验。
示例性装置
本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图8是本公开一示例性实施例提供的图像拍摄装置的框图。该装置800具有实现上述方法实施例图2和4至7中的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置800可以包括：关键点确认模块810、姿态确认模块820以及拍摄模块830。
关键点确认模块810，用于确定被拍摄对象在图像预览界面中的人体关键点。
在一实施例中，当终端设备启动拍摄功能后，该终端设备的摄像头开始进入取景状态，并通过该终端设备的图像预览界面展示包括被拍摄对象的当前帧图像。关键点确认模块810对当前帧图像进行图像识别，确定当前帧图像中被拍摄对象的人体关键点。其中，当前帧图像用于表示图像预览界面中展示的当前包含被拍摄对象的帧图像。
姿态确认模块820，用于根据所述人体关键点，确定所述被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度。
需要说明的是，该姿态数据库可以是来自于网络端的标准的姿态数据库，也可以为用户自定义的姿态数据库。该姿态数据库包括多张姿态参考模板，且通过提取包含人体的图像中的人体关键点信息，并根据人体关键点信息，确定该包含人体的图像中人体的参考姿态，以得到该姿态参考模板。
在一实施例中，姿态确认模块820接收用户通过从预先建立的姿态数据库中选取的包含参考姿态的姿态参考模板；根据被拍摄对象的人体关键点的位置信息，可以确定被拍摄对象的姿态；然后根据图像相似度匹配算法，计算包含被拍摄对象的图像中的被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度。
拍摄模块830，用于当所述姿态相似度满足第一预设条件时，触发拍照指令，生成包含所述被拍摄对象的图像。
需要说明的是，本公开实施例对第一预设条件不作限定，比如，当上述姿态相似度位于预设取值范围内时，拍摄模块830即可触发拍照指令，进而生成包含被拍摄对象的图像；或者，当上述姿态相似度大于或等于第一相似度阈值时，拍摄模块830即可触发拍照指令，进而生成包含被拍摄对象的图像。本公开实施例对第一相似度阈值和预设取值范围的大小不作特别限定，本领域的技术人员可根据实际的应用情况进行设置。
在一个可选实施例中，关键点确认模块810还包括图像获取单元811，用于获取所述图像预览界面中的待处理图像；以及关键点提取单元812，用于通过预设神经网络模型对所述待处理图像进行关键点提取，得到所述被拍摄对象的人体关键点。
在一个可选实施例中，图像获取单元811被配置为采用预设算法判断所述图像预览界面中是否存在所述被拍摄对象，所述预设算法包括光流算法、帧间差分算法、背景差分算法中的至少一个；以及当所述图像预览界面的当前帧图像中存在所述被拍摄对象时，将所述当前帧图像获取为所述待处理图像。
在一个可选实施例中，姿态确认模块820还可以包括像面坐标计算单元821，用于计算所述人体关键点在所述图像预览界面上的像面坐标；以及姿态相似度计算单元824，用于当所述人体关键点在所述图像预览界面上的像面坐标满足第二预设条件时，计算所述被拍摄对象的姿态与所述姿态参考模板中的参考姿态之间的姿态相似度。
在一个可选实施例中，姿态确认模块820还可以包括运动轨迹确定单元822，用于根据所述人体关键点，确定所述被拍摄对象在该图像预览界面上的运动轨迹；以及姿态相似度计算单元824，用于当所述运动轨迹满足第三预设条件时，计算所述被拍摄对象的姿态与所述姿态参考模板中的参考姿态之间的姿态相似度。
在一个可选实施例中，姿态确认模块820还可以包括位置关系确定单元823，用于根据人体关键点中的多个关键点之间的相对位置关系；以及姿态相似度计算单元824，用于当所述被拍摄对象的姿态满足第四预设条件时，确定所述被拍摄对象的姿态与所述参考姿态模板中的参考姿态之间的姿态相似度。
在一个实施例中，所述人体关键点包括所述被拍摄对象的人体关节点。本公开实施例提供的图像处理装置，根据被拍摄对象的人体关键点，可以确定被拍摄对象的姿态，再根据被拍摄对象的姿态与姿态参考模板中的参考姿态确定出二者之间的姿态相似度，当姿态相似度满足预设条件时，这表示被拍摄对象的特定姿态满足了预期的拍摄效果(例如，跳跃姿态)，此时可以执行拍摄操作，从而能够得到被拍摄对象处于特定姿态下的图像，进而达到预期的拍摄效果，有助于提升用户体验。
示例性电子设备
下面，参考图9来描述根据本公开实施例的电子设备。图9是本公开一示例性实施例提供的电子设备的结构示意图。如图9所示，电子设备900包括一个或多个处理器910和存储器920。
处理器910可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备900中的其他组件以执行期望的功能。
存储器920可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器910可以运行所述程序指令，以实现上文所述的本公开的各个实施例的图像拍摄方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如姿态参考模板、待处理图像以及参考帧图像等各种内容。
在一个示例中，电子设备900还可以包括：输入装置930和输出装置940，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。其中，输入装置930包括但不限于为键盘、鼠标、摄像头等等。
当然，为了简化，图9中仅示出了该电子设备900中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备900还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的图像拍摄方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的图像拍摄方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种图像拍摄方法，包括：
确定被拍摄对象在图像预览界面中的人体关键点；
根据所述人体关键点，确定所述被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度；
当所述姿态相似度满足第一预设条件时，触发拍照指令，生成包含所述被拍摄对象的图像。
2.根据权利要求1所述的方法，其中，所述根据所述人体关键点，确定所述被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度，包括：
计算所述人体关键点在所述图像预览界面上的像面坐标；
当所述人体关键点在所述图像预览界面上的像面坐标满足第二预设条件时，计算所述被拍摄对象的姿态与所述姿态参考模板中的参考姿态之间的姿态相似度。
3.根据权利要求1所述的方法，其中，所述根据所述人体关键点，确定所述被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度，包括：
根据所述人体关键点，确定所述被拍摄对象在所述图像预览界面上的运动轨迹；
当所述运动轨迹满足第三预设条件时，计算所述被拍摄对象的姿态与所述姿态参考模板中的参考姿态之间的姿态相似度。
4.根据权利要求1所述的方法，其中，所述根据所述人体关键点，确定所述被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度，包括：
根据所述人体关键点中的多个关键点之间的相对位置关系，确定所述被拍摄对象的姿态；
当所述被拍摄对象的姿态满足第四预设条件时，确定所述被拍摄对象的姿态与所述参考姿态模板中的参考姿态之间的姿态相似度。
5.根据权利要求1-4中任一项所述的方法，其中，所述确定被拍摄对象在图像预览界面中的人体关键点，包括：
获取所述图像预览界面中的待处理图像；
通过预设神经网络模型对所述待处理图像进行关键点提取，得到所述被拍摄对象的人体关键点。
6.根据权利要求5所述的方法，其中，所述获取所述图像预览界面中的待处理图像，包括：
采用预设算法判断所述图像预览界面中是否存在所述被拍摄对象，所述预设算法包括光流算法、帧间差分算法、背景差分算法中的至少一个；
当所述图像预览界面的当前帧图像中存在所述被拍摄对象时，将所述当前帧图像获取为所述待处理图像。
7.根据权利要求1-4中任一项所述的方法，其中，所述人体关键点包括所述被拍摄对象的人体关节点。
8.一种图像拍摄装置，包括：
关键点确认模块，用于确定被拍摄对象在图像预览界面中的人体关键点；
姿态确认模块，用于根据所述人体关键点，确定所述被拍摄对象的姿态与姿态参考模板中的参考姿态之间的姿态相似度；
拍摄模块，用于当所述姿态相似度满足第一预设条件时，触发拍照指令，生成包含所述被拍摄对象的图像。
9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7中任一所述的图像拍摄方法。
10.一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于执行上述权利要求1-7任一所述的图像拍摄方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010033715.2A CN113114924A (zh) | 2020-01-13 | 2020-01-13 | 图像拍摄方法、装置、计算机可读存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010033715.2A CN113114924A (zh) | 2020-01-13 | 2020-01-13 | 图像拍摄方法、装置、计算机可读存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113114924A true CN113114924A (zh) | 2021-07-13 |
Family
ID=76709451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010033715.2A Pending CN113114924A (zh) | 2020-01-13 | 2020-01-13 | 图像拍摄方法、装置、计算机可读存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113114924A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115174803A (zh) * | 2022-06-20 | 2022-10-11 | 平安银行股份有限公司 | 自动拍照方法及相关设备 |
| CN117156260A (zh) * | 2023-10-30 | 2023-12-01 | 荣耀终端有限公司 | 拍照方法及电子设备 |
| WO2024111429A1 (ja) * | 2022-11-25 | 2024-05-30 | 日本電気株式会社 | 姿勢評価装置、姿勢評価システム、姿勢評価方法、及びプログラム |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120262593A1 (en) * | 2011-04-18 | 2012-10-18 | Samsung Electronics Co., Ltd. | Apparatus and method for photographing subject in photographing device |
| US20140219550A1 (en) * | 2011-05-13 | 2014-08-07 | Liberovision Ag | Silhouette-based pose estimation |
| CN104125396A (zh) * | 2014-06-24 | 2014-10-29 | 小米科技有限责任公司 | 图像拍摄方法和装置 |
| CN105120144A (zh) * | 2015-07-31 | 2015-12-02 | 小米科技有限责任公司 | 图像拍摄方法和装置 |
| CN106791364A (zh) * | 2016-11-22 | 2017-05-31 | 维沃移动通信有限公司 | 一种多人拍照的方法及移动终端 |
| CN108229369A (zh) * | 2017-12-28 | 2018-06-29 | 广东欧珀移动通信有限公司 | 图像拍摄方法、装置、存储介质及电子设备 |
| CN108307116A (zh) * | 2018-02-07 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 图像拍摄方法、装置、计算机设备和存储介质 |
| CN108600639A (zh) * | 2018-06-25 | 2018-09-28 | 努比亚技术有限公司 | 一种人像图像拍摄的方法、终端及计算机可读存储介质 |
| CN109005336A (zh) * | 2018-07-04 | 2018-12-14 | 维沃移动通信有限公司 | 一种图像拍摄方法及终端设备 |
| CN109194879A (zh) * | 2018-11-19 | 2019-01-11 | Oppo广东移动通信有限公司 | 拍照方法、装置、存储介质及移动终端 |
| CN109658323A (zh) * | 2018-12-19 | 2019-04-19 | 北京旷视科技有限公司 | 图像获取方法、装置、电子设备和计算机存储介质 |
| CN109714539A (zh) * | 2019-01-25 | 2019-05-03 | Oppo广东移动通信有限公司 | 基于姿态识别的图像采集方法、装置及电子设备 |
| CN109788191A (zh) * | 2018-12-21 | 2019-05-21 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 拍照方法、装置、计算机设备和存储介质 |
| CN110113523A (zh) * | 2019-03-15 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 智能拍照方法、装置、计算机设备及存储介质 |
-
2020
- 2020-01-13 CN CN202010033715.2A patent/CN113114924A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120262593A1 (en) * | 2011-04-18 | 2012-10-18 | Samsung Electronics Co., Ltd. | Apparatus and method for photographing subject in photographing device |
| US20140219550A1 (en) * | 2011-05-13 | 2014-08-07 | Liberovision Ag | Silhouette-based pose estimation |
| CN104125396A (zh) * | 2014-06-24 | 2014-10-29 | 小米科技有限责任公司 | 图像拍摄方法和装置 |
| CN105120144A (zh) * | 2015-07-31 | 2015-12-02 | 小米科技有限责任公司 | 图像拍摄方法和装置 |
| CN106791364A (zh) * | 2016-11-22 | 2017-05-31 | 维沃移动通信有限公司 | 一种多人拍照的方法及移动终端 |
| CN108229369A (zh) * | 2017-12-28 | 2018-06-29 | 广东欧珀移动通信有限公司 | 图像拍摄方法、装置、存储介质及电子设备 |
| CN108307116A (zh) * | 2018-02-07 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 图像拍摄方法、装置、计算机设备和存储介质 |
| CN108600639A (zh) * | 2018-06-25 | 2018-09-28 | 努比亚技术有限公司 | 一种人像图像拍摄的方法、终端及计算机可读存储介质 |
| CN109005336A (zh) * | 2018-07-04 | 2018-12-14 | 维沃移动通信有限公司 | 一种图像拍摄方法及终端设备 |
| CN109194879A (zh) * | 2018-11-19 | 2019-01-11 | Oppo广东移动通信有限公司 | 拍照方法、装置、存储介质及移动终端 |
| CN109658323A (zh) * | 2018-12-19 | 2019-04-19 | 北京旷视科技有限公司 | 图像获取方法、装置、电子设备和计算机存储介质 |
| CN109788191A (zh) * | 2018-12-21 | 2019-05-21 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 拍照方法、装置、计算机设备和存储介质 |
| CN109714539A (zh) * | 2019-01-25 | 2019-05-03 | Oppo广东移动通信有限公司 | 基于姿态识别的图像采集方法、装置及电子设备 |
| CN110113523A (zh) * | 2019-03-15 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 智能拍照方法、装置、计算机设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115174803A (zh) * | 2022-06-20 | 2022-10-11 | 平安银行股份有限公司 | 自动拍照方法及相关设备 |
| WO2024111429A1 (ja) * | 2022-11-25 | 2024-05-30 | 日本電気株式会社 | 姿勢評価装置、姿勢評価システム、姿勢評価方法、及びプログラム |
| CN117156260A (zh) * | 2023-10-30 | 2023-12-01 | 荣耀终端有限公司 | 拍照方法及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11074436B1 (en) | Method and apparatus for face recognition | |
| Suau et al. | Real-time head and hand tracking based on 2.5 D data | |
| WO2016127437A1 (zh) | 活体人脸验证方法及系统、计算机程序产品 | |
| JP6362085B2 (ja) | 画像認識システム、画像認識方法およびプログラム | |
| US20160217326A1 (en) | Fall detection device, fall detection method, fall detection camera and computer program | |
| CN113114924A (zh) | 图像拍摄方法、装置、计算机可读存储介质及电子设备 | |
| KR101288447B1 (ko) | 시선 추적 장치와 이를 이용하는 디스플레이 장치 및 그 방법 | |
| JP6460862B2 (ja) | ジェスチャ認識装置、システム及びそのプログラム | |
| US11244154B2 (en) | Target hand tracking method and apparatus, electronic device, and storage medium | |
| KR102412553B1 (ko) | 인공지능 기반 댄스 동작 비교 방법 및 장치 | |
| US20210191519A1 (en) | Gesture recognition method and apparatus, electronic device, and storage medium | |
| CN111353336A (zh) | 图像处理方法、装置及设备 | |
| US20120169860A1 (en) | Method for detection of a body part gesture to initiate a web application | |
| JP2019040306A (ja) | 情報処理装置、情報処理プログラム、及び、情報処理方法 | |
| JP2017054493A (ja) | 情報処理装置及びその制御方法及びプログラム | |
| JP4659722B2 (ja) | 人体特定領域抽出・判定装置、人体特定領域抽出・判定方法、人体特定領域抽出・判定プログラム | |
| CN109753859B (zh) | 在图像中检测人体部件的装置和方法及图像处理系统 | |
| CN114140721A (zh) | 射箭姿态评估方法、装置、边缘计算服务器及存储介质 | |
| CN114463781A (zh) | 确定触发手势的方法、装置及设备 | |
| JP7501747B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
| CN115499580B (zh) | 多模式融合的智能取景方法、装置及摄像设备 | |
| JP2017097549A (ja) | 画像処理装置、方法、及びプログラム | |
| JP7566586B2 (ja) | 推定装置、推定システム、推定方法及びプログラム | |
| JP2019040592A (ja) | 情報処理装置、情報処理プログラム、及び、情報処理方法 | |
| CN112183155B (zh) | 动作姿态库建立、动作姿态生成、识别方法及装置 |
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: 20210713 |
|
| RJ01 | Rejection of invention patent application after publication |