CN108810408A - 一种摄像头控制方法及装置和*** - Google Patents
一种摄像头控制方法及装置和*** Download PDFInfo
- Publication number
- CN108810408A CN108810408A CN201810561640.8A CN201810561640A CN108810408A CN 108810408 A CN108810408 A CN 108810408A CN 201810561640 A CN201810561640 A CN 201810561640A CN 108810408 A CN108810408 A CN 108810408A
- Authority
- CN
- China
- Prior art keywords
- camera
- neural network
- parameter
- image data
- environmental information
- 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
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
-
- 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
- H04N23/60—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
-
- 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
- H04N23/66—Remote control of cameras or camera parts, e.g. by remote control devices
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Studio Devices (AREA)
Abstract
本发明提供一种摄像头控制方法及装置和***,其中,摄像头控制方法包括:从摄像头采集的视频流中抽取图像数据;利用神经网络识别所述图像数据以得到摄像头所处工作环境的环境信息;根据所述环境信息调整所述摄像头的工作参数;根据调整后的所述工作参数驱动所述摄像头。通过神经网络识别摄像头的环境信息,使处在不同工作环境下的摄像头能够根据各自所处的工作环境来自主地、自动地、动态调节自身工作参数,以达到迅速适应各自工作环境,完成高质量的图像采集。
Description
技术领域
本发明属于摄像机控制技术领域,涉及一种摄像头控制方法及装置和***。
背景技术
在视频监控或图像采集的应用中,多个摄像头分别分布在不同的工作位置上,当这些摄像头开始工作时,通常需要预先设定好经过优化的固定的工作参数。然而在这些不同的工作位置上,往往拥有不一样的光线照射角度,不尽一致的自然环境变化,还有各种障碍物的影响等等。这些种种外部因素,形成了差异化的工作环境。而预先设定好工作参数的摄像头缺乏自适应的应变机制,当受到不同的外部因素干扰时,这些摄像头采集到的图像质量参差不齐,难以达到最佳效果。
目前,当面临这种问题的时候,人们通常的做法是根据个人的判断通过远程控制来手动调节摄像头的各种参数,以满足所处位置的图像采集要求。但这种做法通常效果比较差,很难适应实际的复杂多变的环境,难以满足图像采集的要求。
发明内容
鉴于现有技术中存在的技术缺陷和技术弊端,本发明实施例提供一种摄像头控制方法及装置和***,根据摄像头的工作环境自动调整摄像头的工作参数。
作为本发明实施例的一个方面,涉及一种摄像头控制方法,其中包括:
从摄像头采集的视频流中抽取图像数据;
利用神经网络识别所述图像数据以得到摄像头所处工作环境的环境信息;
根据所述环境信息调整所述摄像头的工作参数;
根据调整后的所述工作参数驱动所述摄像头。
具体地,从所述视频流抽取所述图像数据,具体包括:每隔预定时间从所述视频流中抽取所述图像数据。
具体地,所述神经网络包括至少一个神经网络,利用神经网络识别所述图像数据以得到摄像头所处工作环境的环境信息,具体包括:将所述图像数据分别发送给各个神经网络,由各神经网络识别所述图像数据;从各个神经网络接收相应的环境信息。
具体地,根据所述环境信息调整所述摄像头的工作参数,具体包括:将所述环境信息与预置的环境匹配条件进行匹配,得到与所述环境信息对应的目标环境匹配条件;从预置的环境匹配条件与参数调整策略的对应关系中,获取与所述目标环境匹配条件对应的参数调整策略;根据所述参数调整策略调整所述摄像头的工作参数。
具体地,所述环境信息包括以下一种或多种:物体信息、情景信息、清晰度信息和曝光信息;所述工作参数包括以下一种或多种:聚焦参数、白平衡参数和曝光参数。
作为本发明实施例的另一方面,涉及一种摄像头控制装置,其中包括:
抽取单元,用于从摄像头采集的视频流中抽取图像数据;
识别单元,用于利用神经网络识别所述图像数据以得到摄像头所处工作环境的环境信息;
调整单元,用于根据所述环境信息调整所述摄像头的工作参数;
控制单元,用于根据调整后的所述工作参数驱动所述摄像头。
具体地,所述抽取单元具体用于:每隔预定时间从所述视频流中抽取所述图像数据。
具体地,所述神经网络包括至少一个神经网络,所述识别单元具体用于:将所述图像数据分别发送给各个神经网络,由各神经网络识别所述图像数据;从各个神经网络接收相应的环境信息。
具体地,所述调整单元具体用于:将所述环境信息与预置的环境匹配条件进行匹配,得到与所述环境信息对应的目标环境匹配条件;从预置的环境匹配条件与参数调整策略的对应关系中,获取与所述目标环境匹配条件对应的参数调整策略;根据所述参数调整策略调整所述摄像头的工作参数。
具体地,所述环境信息包括以下一种或多种:物体信息、情景信息、清晰度信息和曝光信息;所述工作参数包括以下一种或多种:聚焦参数、白平衡参数和曝光参数。
作为本发明实施例的再一方面,涉及一种远程监控***,其中包括:上述摄像头控制装置;与所述摄像头控制装置相连接的至少一个摄像头;以及与所述摄像头控制装置经网络相连接的远程监控器。
作为本发明实施例的又一方面,涉及一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述摄像头控制方法。
本发明实施例通过神经网络识别摄像头的工作环境,使处在不同工作环境下的摄像头能够根据各自所处的工作环境来自主地、自动地、动态调节自身工作参数,以达到迅速适应各自工作环境,完成高质量的图像采集。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所记载的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例所述摄像头控制方法的流程图;
图2为本发明实施例所述远程监控***的结构示意图;
图3为本发明实施例所述摄像头控制装置的结构示意图;
图4为采用本发明进行摄像头调参后的图像效果对比图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种摄像头控制方法,该方法包括:从摄像头采集的视频流中抽取图像数据;利用神经网络识别图像数据以得到所述摄像头所处的工作环境的环境信息,根据所述环境信息调整所述摄像头的工作参数;并根据调整后的所述工作参数驱动所述摄像头。
神经网络可以代替人的感官来识别摄像头的工作环境,该工作环境可以由物体信息、情景信息、清晰度信息和曝光信息等环境信息来体现。针对不同的环境信息可以采用不同类型的神经网络进行识别,具体将在后续内容进行介绍。
本发明实施例中,所述神经网络为预先训练好的神经网络,即采用已知的训练样本图像对已知的基础网络模型进行迭代训练,以得到满足需求的神经网络。神经网络的训练过程可采用现有神经网络训练方式进行训练,本申请对神经网络的具体结构、训练方式不作严格限定。
本发明实施例,通过神经网络对摄像头采集的图像数据进行识别以得到摄像头所处工作环境的环境信息,使处在不同工作环境下的摄像头能够根据各自所处的工作环境来自主地、自动地、动态调节自身工作参数,以达到迅速适应各自工作环境,完成高质量的图像采集。
如图1所示,该方法例如可以包括如下步骤:
步骤100,从摄像头采集的视频流中抽取图像数据。
例如,可以每隔预定时间从视频流中抽取所述图像数据传递给所述神经网络,每次抽取时可以随机抽取一帧图像或多帧图像。其中的预定时间例如可以根据摄像头所处工作环境的变化频繁程度来确定,例如为1~10秒,优选为3秒。如果预定时间被设定得过长,则不能及时反映工作环境的变化,如果预定时间被设定得过短,则在工作环境尚无变化时就去调整参数,造成资源浪费。
此处需要说明的是,在将图像数据传递给神经网络之前也可以进行图像预处理,使得图像数据的大小和格式与神经网络的输入要求相匹配。
步骤200,利用神经网络识别所述图像数据以得到所述摄像头所处工作环境的环境信息。
其中,所述神经网络可以包括多个神经网络,通过该多个神经网络分别对图像数据进行识别得到不同的环境信息,神经网络的结构类型可以是卷积神经网络、深度神经网络等,本申请对神经网络的结构不做严格限定。步骤200具体实现可如下:将所述图像数据分别发送给各个神经网络,由各神经网络识别所述图像数据;从各个神经网络接收相应的环境信息。
在一个实施例中,本发明实施例中神经网络包括第一神经网络和第二神经网络,第一神经网络识别图像数据中的物体信息(例如可以包括动态物体和/或静态物体等,例如车辆、行人、自行车、摩托车、路灯、交通灯等);第二神经网络识别图像数据中的以下任意一种或多种信息:情景信息、清晰度信息和曝光信息等。
以第一神经网络为卷积神经网络为例,可以将上述图像数据作为卷积神经网络的输入,由卷积神经网络识别图像数据中的物体信息。具体地,该卷积神经网络(Convolutional Neural Network,简称:CNN)可以采用谷歌公司的深度卷积神经网络(Visual Geometry Group,简称:VGG)、AlexNet等CNN模型。由于图像数据中通常都会包含很多物体,而卷积神经网络以其局部权值共享的特殊结构在进行物体识别时具有更高的学习效率。当然,本领域技术人员也可以采用其他结构的神经网络来对图像数据进行识别,得到物体信息,本申请不做严格限定。
以第二神经网络为深度神经网络为例,可以将上述图像数据作为深度神经网络的输入,由所述深度神经网络识别所述图像数据中的情景信息、清晰度信息和/或曝光信息。其中。所述情景信息是指摄像头所处环境的情景,可以包括以下任意一种或多种:白天、黑夜、晴天、阴天、雪天、雨天、沙尘、雾霾、日光灯、钨光等等,可以用识别码表示情景信息;所述清晰度信息表示所述摄像头拍摄的图像数据的清晰程度,可以用识别码来标识清晰度;所述曝光信息表示所述摄像头拍摄的图像数据的曝光程度,例如包括欠曝光、过度曝光、正常曝光等,可以用识别码来标识该曝光程度,当然本领域技术人员也刻意设置所述报关信息表示摄像头拍摄的图像数据的曝光度。
此处需要说明的是,上述几种环境信息只是举例说明,还可以根据摄像头拍摄质量的需求,通过添加其他功能/用途的神经网络对图像数据进行识别以识别出更多的环境信息。
步骤300,根据所述环境信息调整所述摄像头的工作参数。
在一些实施例中,所述步骤300,具体实现可如下:可以预先预置有环境匹配条件与参数调整策略的对应关系,例如预先建立如表1所示的环境匹配条件与参数调整策略的对应关系;将识别出的环境信息与上述预置的环境匹配条件进行匹配,得到与所述环境信息对应的目标环境匹配条件,从上述对应关系中获取与所述目标环境匹配条件对应的参数调整策略,再根据该参数调整策略对工作参数进行调整。
表1
参数调整策略1 | 环境匹配条件1 |
参数调整策略2 | 环境匹配条件2 |
参数调整策略3 | 环境匹配条件3 |
…… | …… |
其中,上述环境匹配条件可以基于一种环境信息进行设定,也可以基于多种环境信息进行设定。
例如,以环境信息为曝光信息为例。假设曝光信息为曝光度,则:环境匹配条件为“曝光度低于预定值A”则对应的参数调整策略为“将曝光参数提高到M”;假设环境匹配条件为“曝光度高于预定值B”则对应的参数调整策略为“将曝光参数降低到N”;假设环境匹配条件为“曝光度大于A且小于B”则对应的参数调整策略为“不调整曝光参数”。例如,以曝光信息为曝光程度为例,假设环境匹配条件为“欠曝光”则对应的参数调整策略为“将曝光参数提高到M”;假设环境匹配条件为“过度曝光”则对应的参数调整策略为“将曝光参数降低到N”;假设环境匹配条件为“正常曝光”则对应的参数调整策略为“不调整曝光参数”。
例如,以环境信息为情景信息为例,预选设置有各种情景与白平衡参数取值的对应关系,将情景信息与各种情景匹配得到与该情景信息对应的目标情景,并根据该目标情景对应的白平衡参数调整摄像头的白平衡参数。
本发明实施例中,可根据每一种环境信息对应调整一个或多个摄像头的工作参数,例如,可以仅根据曝光信息调整曝光参数;可以仅根据情景信息调整白平衡参数;也可以根据物体信息、情景信息和清晰度信息共同调整前述曝光参数、白平衡参数、聚焦参数等;本领域技术人员可根据实际需求灵活设置环境匹配条件与参数调整策略的对应关系,本申请不作严格限定。
步骤400,根据调整后的所述工作参数驱动所述摄像头。
在一些可选的实施例中,前述步骤400可以将调整后的工作参数写入到摄像头的寄存器参数值列表中,并将该寄存器参数值列表发送给该摄像头,以便摄像头根据寄存器参数值列表中的工作参数进行图像采集。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述摄像头控制方法。图2为本发明实施例所述远程监控***的结构示意图,如图所示,包括:摄像头控制装置10、至少一个摄像头20以及远程监控器30。其中:
摄像头控制装置10通常作为主控(Master)端,摄像头20通常作为从属(Slave)端。摄像头20用于进行图像采集,其通过可以通过总线与摄像头控制装置10连接,例如,从摄像头20向摄像头控制装置10传输的图像数据可以经由LVDS((Low Voltage DifferentialSignaling,低压差分信号)总线;反之,从摄像头控制装置10向摄像头20传输的参数控制命令可以经由IIC(Inter-Integrated Circuit,互联集成电路)总线。
远程监控器30经由网络40与摄像头控制装置10相连,其用于监控由摄像头20采集到的图像数据。其中的网络40可以是以太网、广域网或局域网等,此处不做限定。当该***开始工作时,处于主控角色的摄像头控制装置10先通过IIC总线对每个摄像头20分别设定初始的工作参数,设定好之后由摄像头20开始采集图像,并通过LVDS总线将采集到的视频流传输给摄像头控制装置10,摄像头控制装置10同时采集来自多路摄像头20的图像数据,并将其压缩打包处理后通过网络40传输给位于网络40另一端的远程监控器30,再由远程监控器30根据监控的需要执行后继的分析处理工作。
摄像头控制装置10可以是基于ARM(Advanced RISC Machine,高级精简指令集计算机)架构的主控制器。
如图3所示,摄像头控制装置10可以大致分为硬件层、内核层和用户层。其中,硬件层用于与其他设备进行物理性连接和通信;内核层用于运行与操作***相关的程序;用户层用于运行针对用户需要而开发的程序。
为了实现摄像头的自动调参,摄像头控制装置10可以包括:抽取单元,用于从摄像头采集的视频流中抽取图像数据;识别单元,用于利用神经网络识别所述图像数据以得到摄像头所处工作环境的环境信息;调整单元,用于根据所述环境信息调整所述摄像头的工作参数;控制单元,用于根据调整后的所述工作参数驱动所述摄像头。
在一些可选的实施例中,所述抽取单元具体用于:每隔预定时间从所述视频流中抽取所述图像数据。
在一些可选的实施例中,所述神经网络包括至少一个神经网络,所述识别单元具体用于:将所述图像数据分别发送给各个神经网络,由各神经网络识别所述图像数据;从各个神经网络接收相应的环境信息。
在一些可选的实施例中,所述调整单元具体用于:将所述环境信息与预置的环境匹配条件进行匹配,得到与所述环境信息对应的目标环境匹配条件;从预置的环境匹配条件与参数调整策略的对应关系中,获取与所述目标环境匹配条件对应的参数调整策略;根据所述参数调整策略调整所述摄像头的工作参数。
所述环境信息包括以下一种或多种:物体信息、情景信息、清晰度信息和曝光信息。
所述工作参数包括以下一种或多种:聚焦参数、白平衡参数和曝光参数。
在一些可选的实施例中,前述抽取单元和控制单元可以由摄像头驱动模块13实现;识别单元可以由神经网络模块11实现;调整单元可以由决策算法模块12实现。
在一些可选的实施例中,内核层中具有摄像头驱动模块13,其中的摄像头驱动程序工作在内核态,向下它直接控制摄像头20等硬件设备的工作,向上为用户层程序提供如/dev/video(0、1、2、…)形式的设备操作接口。用户层中具有神经网络模块11和决策算法模块12,其中的算法程序工作在用户态,通过上述设备操作接口与摄像头驱动模块12交互。
摄像头驱动模块13可以同时运行两个逻辑线程,一个负责业务处理,也就是对摄像头20采集来的视频流进行压缩打包处理,然后将处理后的数据通过网络40传输给远程监控器30,实现远程监控业务;另一个专门负责环境自主感知和自主调参,具体工作原理如下:
摄像头驱动模块13每隔预定时间从摄像头20采集来的视频流中抽取图像数据,并将抽取的图像数据输入给神经网络模块11。神经网络模块11对接收到的图像数据进行识别得到摄像头20所处工作环境的环境信息,并将该环境信息发送给决策算法模块12。决策算法模块12根据所述环境信息调整所述摄像头的工作参数,并触发摄像头驱动模块13根据调整后的工作参数驱动所述摄像头20。
具体地,该神经网络模块11可以包括多个神经网络,通过该多个神经网络分别对图像数据进行识别得到不同的环境信息,神经网络的结构类型可以是卷积神经网络、深度神经网络等,本申请对神经网络的结构不做严格限定。
在一些可选的实施例中,所述神经网络模型11包括卷积神经网络和深度神经网络,通过卷积神经网络从图像数据中识别出物体信息,通过深度神经网络从图像数据中识别出情景信息、清晰度信息和/或曝光信息。此处需要说明的是,上述几种环境信息只是举例说明,还可以根据摄像头拍摄质量的需求,通过添加其他功能/用途的神经网络对图像数据进行识别以识别出更多的环境信息。
此后,决策算法模块12根据神经网络模块11识别出的环境信息,调整摄像头的工作参数。具体地,可以根据上述物体信息、情景信息、清晰度信息和/或曝光信息调整摄像头20的聚焦参数、白平衡参数和/或曝光参数。例如,决策算法模块12可以通过上述方法实施例中提到的预置参数调整策略与环境匹配条件的对应关系的方式进行决策运算生成决策数据,比如是否需要对物体聚焦,是否增加或减少曝光时间,是否增加白平衡控制等等,具体的举例,可参见上述方法实施例的相关内容,此处不再赘述。然后,根据这些决策数据生成一份摄像头20所需要的寄存器参数值列表,并通过设备操作接口,结合IOCTL***调用,将生成的寄存器参数列表传递给位于内核层的摄像头驱动模块13。
然后,摄像头驱动模块13根据由决策算法模块12调整后的工作参数驱动摄像头20。具体地,摄像头驱动模块13可以执行摄像头驱动程序将上述寄存器参数值列表写入摄像头20的硬件设备中,具体是通过IIC总线将寄存器参数值列表发给摄像头20,使摄像头20按照调整后的工作参数进行图像采集。
图4为采用本发明进行摄像头调参后的图像效果对比图。如图4所示,将摄像头20调参前采集到的图像数据输入给神经网络模块11,此处为深度神经网络;该深度神经网络识别出该图像的曝光度传递给决策算法模块12;决策算法模块12经决策运算后决定要提高曝光度,并经摄像头驱动模块13将该调参指令发送给摄像头20;摄像头20根据该指令以更高的曝光度进行图像采集,得到新的图像。如图4所示,调参后采集的图像比调参前采集的图像具有更佳的图像质量。
至此,从自主环境感知,到自主决策,再到参数命令的下发,最后到摄像头20重新工作,完成了一轮工作循环。此后,可以根据下一帧采集到的图像数据继续执行上述参数调整过程,如此循环往复,使摄像头20始终工作在与周围的工作环境相适应的状态下,从而保证最佳的拍摄效果。并且,整个调参的过程都是在摄像头控制装置10一端完成的,对于远程监控器30一端是透明的,因此不需要用户去通过远程监控器30远程操控摄像头20来完成参数控制的工作。
本发明如上各实施例均具有如下技术效果:
1.本发明各实施例仅需要使用来自于摄像头的图像数据基于深度学习即可实现控制,而不需要在摄像头附近另设传感器等硬件单元,从而简化了硬件设计,也大大降低了成本。
2.本发明各实施例的神经网络可以包含多种不同类型的神经网络,针对不同的环境信息进行识别,进而调整摄像头的多种工作参数,因此具有丰富的调参多样性。
3.本发明各实施例的神经网络可根据参数调整的需要增加相应的神经网络或调整决策算法,不需要增加新的芯片也不需要修改电路设计,即可灵活方便地扩展新的功能需求,具有较高的可扩展性。
4.本发明各实施例可以基于一个摄像头控制装置来集中控制多个摄像头,并能分别调节各个摄像头的工作参数,因此具有较高的工作效率。
5.本发明各实施例是通过对摄像头的寄存器参数的调整实现了对摄像头的控制,由于寄存器参数的控制范围多达几百个乃至上千个,与其他控制方式相比,能实现对摄像头的更全面且更直接的控制。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种摄像头控制方法,其特征在于,包括:
从摄像头采集的视频流中抽取图像数据;
利用神经网络识别所述图像数据以得到摄像头所处工作环境的环境信息;
根据所述环境信息调整所述摄像头的工作参数;
根据调整后的所述工作参数驱动所述摄像头。
2.如权利要求1所述的方法,其特征在于,从所述视频流抽取所述图像数据,具体包括:每隔预定时间从所述视频流中抽取所述图像数据。
3.如权利要求1所述的方法,其特征在于,所述神经网络包括至少一个神经网络,利用神经网络识别所述图像数据以得到摄像头所处工作环境的环境信息,具体包括:
将所述图像数据分别发送给各个神经网络,由各神经网络识别所述图像数据;
从各个神经网络接收相应的环境信息。
4.如权利要求1所述的方法,其特征在于,根据所述环境信息调整所述摄像头的工作参数,具体包括:
将所述环境信息与预置的环境匹配条件进行匹配,得到与所述环境信息对应的目标环境匹配条件;
从预置的环境匹配条件与参数调整策略的对应关系中,获取与所述目标环境匹配条件对应的参数调整策略;
根据所述参数调整策略调整所述摄像头的工作参数。
5.如权利要求1~4中任一项所述的方法,其特征在于,所述环境信息包括以下一种或多种:物体信息、情景信息、清晰度信息和曝光信息;
所述工作参数包括以下一种或多种:聚焦参数、白平衡参数和曝光参数。
6.一种摄像头控制装置,其特征在于,包括:
抽取单元,用于从摄像头采集的视频流中抽取图像数据;
识别单元,用于利用神经网络识别所述图像数据以得到摄像头所处工作环境的环境信息;
调整单元,用于根据所述环境信息调整所述摄像头的工作参数;
控制单元,用于根据调整后的所述工作参数驱动所述摄像头。
7.根据权利要求6所述的装置,其特征在于,所述抽取单元具体用于:每隔预定时间从所述视频流中抽取所述图像数据。
8.根据权利要求6所述的装置,其特征在于,所述神经网络包括至少一个神经网络,所述识别单元具体用于:
将所述图像数据分别发送给各个神经网络,由各神经网络识别所述图像数据;
从各个神经网络接收相应的环境信息。
9.根据权利要求6所述的装置,其特征在于,所述调整单元具体用于:
将所述环境信息与预置的环境匹配条件进行匹配,得到与所述环境信息对应的目标环境匹配条件;
从预置的环境匹配条件与参数调整策略的对应关系中,获取与所述目标环境匹配条件对应的参数调整策略;
根据所述参数调整策略调整所述摄像头的工作参数。
10.如权利要求6~9中任一项所述的装置,其特征在于,所述环境信息包括以下一种或多种:物体信息、情景信息、清晰度信息和曝光信息;
所述工作参数包括以下一种或多种:聚焦参数、白平衡参数和曝光参数。
11.一种远程监控***,其特征在于,包括:权利要求6~10中任一项所述的摄像头控制装置;
与所述摄像头控制装置相连接的至少一个摄像头;以及
与所述摄像头控制装置经网络相连接的远程监控器。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~5中任一项所述的摄像头控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810561640.8A CN108810408A (zh) | 2018-06-04 | 2018-06-04 | 一种摄像头控制方法及装置和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810561640.8A CN108810408A (zh) | 2018-06-04 | 2018-06-04 | 一种摄像头控制方法及装置和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108810408A true CN108810408A (zh) | 2018-11-13 |
Family
ID=64090325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810561640.8A Pending CN108810408A (zh) | 2018-06-04 | 2018-06-04 | 一种摄像头控制方法及装置和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108810408A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109803090A (zh) * | 2019-01-25 | 2019-05-24 | 睿魔智能科技(深圳)有限公司 | 无人拍摄自动变焦方法及***、无人摄像机及存储介质 |
CN110177222A (zh) * | 2019-06-26 | 2019-08-27 | 湖北亿咖通科技有限公司 | 一种结合车机闲散资源的摄像头曝光参数调整方法及装置 |
CN110248227A (zh) * | 2019-06-19 | 2019-09-17 | 福州瑞芯微电子股份有限公司 | 一种高效的影像显示方法和装置 |
CN110363159A (zh) * | 2019-07-17 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、电子设备及计算机可读存储介质 |
CN111246091A (zh) * | 2020-01-16 | 2020-06-05 | 北京迈格威科技有限公司 | 一种动态自动曝光控制方法和装置及电子设备 |
CN111565283A (zh) * | 2019-02-14 | 2020-08-21 | 初速度(苏州)科技有限公司 | 一种交通灯颜色的识别方法、校正方法和装置 |
CN111598958A (zh) * | 2020-05-19 | 2020-08-28 | 北京迁移科技有限公司 | 高质量3d点云图像快速获取***及方法 |
CN112381073A (zh) * | 2021-01-12 | 2021-02-19 | 上海齐感电子信息科技有限公司 | 基于ai人脸检测的iq调整方法及调整模块 |
CN114222075A (zh) * | 2022-01-28 | 2022-03-22 | 广州华多网络科技有限公司 | 移动端图像处理方法及其装置、设备、介质、产品 |
CN114338958A (zh) * | 2020-09-30 | 2022-04-12 | 华为技术有限公司 | 一种图像处理的方法及相关设备 |
CN114339022A (zh) * | 2020-09-30 | 2022-04-12 | 北京小米移动软件有限公司 | 摄像头拍摄参数确定方法、神经网络模型的训练方法 |
CN115914822A (zh) * | 2023-01-06 | 2023-04-04 | 北京麟卓信息科技有限公司 | 一种摄像头共享方法 |
WO2024031245A1 (zh) * | 2022-08-08 | 2024-02-15 | 北京原创力科技有限公司 | 一种基于相机阵列的同步视频拍摄方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102082899A (zh) * | 2009-11-27 | 2011-06-01 | 索尼公司 | 图像处理装置、图像处理方法、程序和记录介质 |
CN103888652A (zh) * | 2012-12-19 | 2014-06-25 | 深圳市欣动态影像科技有限公司 | 一种云台摄像机的场景自适应图像参数的控制方法 |
CN104092942A (zh) * | 2014-07-17 | 2014-10-08 | 深圳市中兴移动通信有限公司 | 拍摄方法和装置 |
CN104243832A (zh) * | 2014-09-30 | 2014-12-24 | 北京金山安全软件有限公司 | 通过移动终端进行拍摄的方法、装置及移动终端 |
CN104639894A (zh) * | 2014-12-11 | 2015-05-20 | 北京中星微电子有限公司 | 用于监控摄像机的图像聚焦方法和装置 |
CN105208364A (zh) * | 2014-06-27 | 2015-12-30 | 联想(北京)有限公司 | 一种图像白平衡控制方法、装置及电子设备 |
CN107454342A (zh) * | 2017-08-30 | 2017-12-08 | 努比亚技术有限公司 | 一种控制方法、移动终端及计算机可读存储介质 |
CN107820020A (zh) * | 2017-12-06 | 2018-03-20 | 广东欧珀移动通信有限公司 | 拍摄参数的调整方法、装置、存储介质及移动终端 |
-
2018
- 2018-06-04 CN CN201810561640.8A patent/CN108810408A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102082899A (zh) * | 2009-11-27 | 2011-06-01 | 索尼公司 | 图像处理装置、图像处理方法、程序和记录介质 |
CN103888652A (zh) * | 2012-12-19 | 2014-06-25 | 深圳市欣动态影像科技有限公司 | 一种云台摄像机的场景自适应图像参数的控制方法 |
CN105208364A (zh) * | 2014-06-27 | 2015-12-30 | 联想(北京)有限公司 | 一种图像白平衡控制方法、装置及电子设备 |
CN104092942A (zh) * | 2014-07-17 | 2014-10-08 | 深圳市中兴移动通信有限公司 | 拍摄方法和装置 |
CN104243832A (zh) * | 2014-09-30 | 2014-12-24 | 北京金山安全软件有限公司 | 通过移动终端进行拍摄的方法、装置及移动终端 |
CN104639894A (zh) * | 2014-12-11 | 2015-05-20 | 北京中星微电子有限公司 | 用于监控摄像机的图像聚焦方法和装置 |
CN107454342A (zh) * | 2017-08-30 | 2017-12-08 | 努比亚技术有限公司 | 一种控制方法、移动终端及计算机可读存储介质 |
CN107820020A (zh) * | 2017-12-06 | 2018-03-20 | 广东欧珀移动通信有限公司 | 拍摄参数的调整方法、装置、存储介质及移动终端 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109803090A (zh) * | 2019-01-25 | 2019-05-24 | 睿魔智能科技(深圳)有限公司 | 无人拍摄自动变焦方法及***、无人摄像机及存储介质 |
CN111565283A (zh) * | 2019-02-14 | 2020-08-21 | 初速度(苏州)科技有限公司 | 一种交通灯颜色的识别方法、校正方法和装置 |
CN110248227A (zh) * | 2019-06-19 | 2019-09-17 | 福州瑞芯微电子股份有限公司 | 一种高效的影像显示方法和装置 |
CN110177222A (zh) * | 2019-06-26 | 2019-08-27 | 湖北亿咖通科技有限公司 | 一种结合车机闲散资源的摄像头曝光参数调整方法及装置 |
CN110363159A (zh) * | 2019-07-17 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、电子设备及计算机可读存储介质 |
CN111246091B (zh) * | 2020-01-16 | 2021-09-03 | 北京迈格威科技有限公司 | 一种动态自动曝光控制方法和装置及电子设备 |
CN111246091A (zh) * | 2020-01-16 | 2020-06-05 | 北京迈格威科技有限公司 | 一种动态自动曝光控制方法和装置及电子设备 |
CN111598958A (zh) * | 2020-05-19 | 2020-08-28 | 北京迁移科技有限公司 | 高质量3d点云图像快速获取***及方法 |
CN114338958A (zh) * | 2020-09-30 | 2022-04-12 | 华为技术有限公司 | 一种图像处理的方法及相关设备 |
CN114339022A (zh) * | 2020-09-30 | 2022-04-12 | 北京小米移动软件有限公司 | 摄像头拍摄参数确定方法、神经网络模型的训练方法 |
CN114339022B (zh) * | 2020-09-30 | 2024-02-02 | 北京小米移动软件有限公司 | 摄像头拍摄参数确定方法、神经网络模型的训练方法 |
CN112381073A (zh) * | 2021-01-12 | 2021-02-19 | 上海齐感电子信息科技有限公司 | 基于ai人脸检测的iq调整方法及调整模块 |
CN114222075A (zh) * | 2022-01-28 | 2022-03-22 | 广州华多网络科技有限公司 | 移动端图像处理方法及其装置、设备、介质、产品 |
WO2024031245A1 (zh) * | 2022-08-08 | 2024-02-15 | 北京原创力科技有限公司 | 一种基于相机阵列的同步视频拍摄方法及*** |
CN115914822A (zh) * | 2023-01-06 | 2023-04-04 | 北京麟卓信息科技有限公司 | 一种摄像头共享方法 |
CN115914822B (zh) * | 2023-01-06 | 2023-04-25 | 北京麟卓信息科技有限公司 | 一种摄像头共享方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108810408A (zh) | 一种摄像头控制方法及装置和*** | |
CN110084307B (zh) | 一种基于深度强化学习的移动机器人视觉跟随方法 | |
WO2022165809A1 (zh) | 一种训练深度学习模型的方法和装置 | |
Tan et al. | Digital Twin-driven approach to improving energy efficiency of indoor lighting based on computer vision and dynamic BIM | |
CN110651301A (zh) | 用于自动为夜视图像着色的方法和*** | |
CN110751081B (zh) | 基于机器视觉的施工安全监控方法及装置 | |
CN110532937B (zh) | 基于识别模型与分类模型进行列车前向目标精准识别的方法 | |
CN109297978B (zh) | 基于双目成像的电力线路无人机巡检及缺陷智能诊断*** | |
CN111027415B (zh) | 一种基于偏振图像的车辆检测方法 | |
CN107689157B (zh) | 基于深度学习的交通路口可通行道路规划方法 | |
JP7461504B2 (ja) | モデル生成方法、画像透視図の決定方法、装置、ディバイス及び媒体 | |
CN102663344A (zh) | 基于图像分割的破损道路检测装置 | |
CN109996379B (zh) | 一种灯光控制方法及装置 | |
CN109949231A (zh) | 一种用于城市管理信息采集和处理的方法及装置 | |
JP2023540930A (ja) | ニューラル埋め込みを用いたカメラ画像又はビデオ処理パイプライン | |
AU2017443986B2 (en) | Color adaptation using adversarial training networks | |
CN104469321A (zh) | 红外光视频分析智能控制方法 | |
CN112001266B (zh) | 一种大型无人运输车监控方法及*** | |
CN114071842A (zh) | 一种基于目标检测和跟踪的智能舞台照明*** | |
CN109218587A (zh) | 一种基于双目摄像头的图像采集方法及*** | |
CN110059724A (zh) | 一种视觉图片样本的获取方法及装置 | |
CN113840125A (zh) | 投影仪的控制方法、装置、投影仪、存储介质 | |
CN112396637A (zh) | 一种基于3d神经网络的动态行为识别方法及*** | |
US20190246041A1 (en) | Method and device for object identification | |
CN205644076U (zh) | 一种agv视觉传感器动态亮度补偿装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200420 Address after: 101300, No. two, 1 road, Shunyi Park, Zhongguancun science and Technology Park, Beijing, Shunyi District Applicant after: BEIJING TUSEN ZHITU TECHNOLOGY Co.,Ltd. Address before: 101300, No. two, 1 road, Shunyi Park, Zhongguancun science and Technology Park, Beijing, Shunyi District Applicant before: BEIJING TUSEN WEILAI TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181113 |