[發明專利]一種基于深度學習的拍攝構圖方法和系統

有效

• 申請號: 201711097542.5
• 申請日: 2017-11-09
• 公開（公告）號: CN107705307B
• 公開（公告）日: 2021-01-01
• 發明（設計）人: 張明;于佳弘;劉博;楊星彤
• 申請（專利權）人: 睿魔智能科技（東莞）有限公司;東莞松山湖國際機器人研究院有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/60;G06T7/73
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 羅曉林;楊桂洋

本發明公開了一種基于深度學習的拍攝構圖方法和系統，包括以下步驟：對拍攝鏡頭中的目標對象進行實時感知；建立構圖訓練集，利用該構圖訓練集訓練深度神經網絡，以包含完整目標對象的圖片為輸入，以最優構圖方案為學習目標；將感知到的當前的目標對象輸入深度神經網絡中，基于該深度神經網絡輸出當前最優的構圖方案，得到包含目標對象的二維平面位置信息和縮放信息。本發明能夠自動檢測拍攝對象，生成最優構圖方案，節省人力成本。

技術領域

本發明屬于拍攝領域，具體地說是一種基于深度學習的拍攝構圖方法和系統。

背景技術

在傳統攝影中，如何確定當前畫面的構圖是一個非常重要的問題，構圖的好壞直接影響拍攝的效果。構圖一般由攝影師根據對象需求，結合自身經驗，運用九宮格、對角線、X型、三角等構圖技巧完成。該過程依賴攝影師的專業知識，對攝影師自身的技能要求較高，人力成本高。沒有經過專業訓練和學習的人，難以拍攝出較佳效果的畫面。

發明內容

本發明要解決的技術問題是提供一種基于深度學習的拍攝構圖方法和系統，能夠自動檢測拍攝對象，生成最優構圖方案，節省人力成本，適用范圍廣。

為了解決上述技術問題，本發明采取以下技術方案：

一種基于深度學習的拍攝構圖方法，包括以下步驟：

對拍攝鏡頭中的目標對象進行實時感知；

建立構圖訓練集，利用該構圖訓練集訓練深度神經網絡，以包含完整目標對象的圖片為輸入，以最優構圖方案為學習目標；

將感知到的當前的目標對象輸入深度神經網絡中，基于該深度神經網絡輸出當前最優的構圖方案，得到包含目標對象的二維平面位置信息和放縮信息。

所述建立構圖訓練集具體為：

計算當前畫面的放縮倍數z，將目標對象進行放縮z倍處理；

根據構圖原則，設定若干條相互交叉的參考線，將所有參考線的所有交點集合定義為V_p＝{v_p}；

對目標對象建立完整的骨架模型，標記骨架模型上所有節點v_o的集為V_o＝{v_o}，節點的坐標(x,y)以拍攝的圖像的左上角(0,0)為參考點，骨架模型上的相鄰節點之間形成的線段e_o的集合標記為E_o＝{e_o}，骨架模型上的各節點設定相應的權重w_o，該權重集為W_o＝{w_o}；

標記骨架模型上某一節點v_o到相鄰最近的參考線交點的距離為標記骨架模型上某一對相鄰節點所形成的線段e_o與水平方向的夾角為θ_∥(e_o)、以及與垂直方向的夾角為θ_⊥(e_o)，并且該線段e_o的參考偏移角度被定義為Θ(e_o)＝min{θ_∥(e_o),θ_⊥)e_o)}；

在當前拍攝畫面中，當目標對象的完整骨架模型節點距參考線交點越近，相鄰節點形成的線段與水平方向或垂直方向的角度偏移越小時，構圖評分越高，構圖方案越優，直到得到最優構圖方案。

所述最優的構圖方案具體為，在目標對象經過z倍放縮滿足成像大小的前提下，尋找獲取目標對象的平面位置信息(x,y)，使得

最小，其中cost＝f(·)為關于自變量的正相關函數，當cost值最小時

目標對象所在的平面位置信息(x,y)為最優位置，構圖水平的評分