CN109951628A - 模型构建方法、拍照方法、装置、存储介质及终端 - Google Patents
模型构建方法、拍照方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN109951628A CN109951628A CN201711392033.5A CN201711392033A CN109951628A CN 109951628 A CN109951628 A CN 109951628A CN 201711392033 A CN201711392033 A CN 201711392033A CN 109951628 A CN109951628 A CN 109951628A
- Authority
- CN
- China
- Prior art keywords
- picture
- human body
- model
- virtual objects
- gesture recognition
- 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 61
- 238000003860 storage Methods 0.000 title claims abstract description 41
- 238000013136 deep learning model Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 27
- 230000003190 augmentative effect Effects 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000644 propagated effect Effects 0.000 claims description 5
- 241000406668 Loxodonta cyclotis Species 0.000 claims 1
- 230000006855 networking Effects 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000008859 change Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 5
- 230000036544 posture Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 11
- 230000002093 peripheral effect Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010025 steaming Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请实施例公开了一种模型构建方法、拍照方法、装置、存储介质及终端。该方法包括获取设定数量的人体姿态图片，对所述人体姿态图片中的目标对象进行标记，得到图片样本，其中，所述目标对象包括头部、四肢、躯干中的至少一种；根据所述图片样本，采用设定的机器学习算法对预设的深度学习模型进行训练，得到姿态识别模型；发送所述姿态识别模型至移动终端。采用上述方法可以对图片中的人体姿态进行精确识别，对遮挡、视角变化具有良好的鲁棒性，解决相关图像识别技术存在的缺陷，提高了姿态识别准确率。
Description
技术领域
本申请实施例涉及拍摄技术，尤其涉及一种模型构建方法、拍照方法、装置、存储介质及终端。
背景技术
增强现实技术(Augmented Reality，AR)是一种将真实世界信息和虚拟世界信息“无缝”集成的新技术，可以使真实的环境和虚拟的物体实时地叠加到同一个画面或空间同时存在，并被人类感官所感知，从而达到超越现实的感官体验。
目前，AR技术被应用于医疗、文化、工业、娱乐和旅游等多个领域。例如，可以通过在照片中添加AR虚拟现实对象，丰富照片的显示效果。然而，相关图像识别技术存在缺陷，导致在照片中添加虚拟现实对象时，可能出现添加位置不准确的问题，从而影响照片的显示效果。
发明内容
本申请实施例提供一种模型构建方法、拍照方法、装置、存储介质及终端，可以准确地识别人体姿态。
第一方面，本申请实施例提供了一种模型构建方法，包括：
获取设定数量的人体姿态图片，对所述人体姿态图片中的目标对象进行标记，得到图片样本，其中，所述目标对象包括头部、四肢、躯干中的至少一种；
根据所述图片样本，采用设定的机器学习算法对预设的深度学习模型进行训练，得到姿态识别模型；
发送所述姿态识别模型至移动终端。
第二方面，本申请实施例还提供了一种拍照方法，包括：
获取待拍摄对象的第一预览图像；
通过预先配置的姿态识别模型识别所述第一预览图像中的人体姿态，其中，所述姿态识别模型为根据设定数量的图片样本训练的深度学习模型，所述图片样本根据包含目标对象的人体姿态图片确定；
获取虚拟对象，其中，所述虚拟对象用于为所述待拍摄对象提供增强现实效果；
根据所述人体姿态确定所述虚拟对象的添加位置，并在所述添加位置增加所述虚拟对象，形成第二预览图像；
获取拍摄指令，响应所述拍摄指令得到所述第二预览图像对应的拍摄图片。
第三方面，本申请实施例还提供了一种模型构建装置，该模型构建装置包括：
样本确定模块，用于获取设定数量的人体姿态图片，对所述人体姿态图片中的目标对象进行标记，得到图片样本，其中，所述目标对象包括头部、四肢、躯干中的至少一种；
模型训练模块，用于根据所述图片样本，采用设定的机器学习算法对预设的深度学习模型进行训练，得到姿态识别模型，所述图片样本根据包含目标对象的人体姿态图片确定；
模型发送模块，用于发送所述姿态识别模型至移动终端。
第四方面，本申请实施例还提供一种拍照装置，该拍照装置包括：
图像获取模块，用于获取待拍摄对象的第一预览图像；
姿态识别模块，用于通过预先配置的姿态识别模型识别所述第一预览图像中的人体姿态，其中，所述姿态识别模型为根据设定数量的图片样本训练的深度学习模型；
对象获取模块，用于获取虚拟对象，其中，所述虚拟对象用于为所述待拍摄对象提供增强现实效果；
对象添加模块，用于根据所述人体姿态确定所述虚拟对象的添加位置，并在所述添加位置增加所述虚拟对象，形成第二预览图像；
拍摄模块，用于获取拍摄指令，响应所述拍摄指令得到所述第二预览图像对应的拍摄图片。
第五方面，本申请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如上述第一方面所述的模型构建方法。
第六方面，本申请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如上述第二方面所述的拍照方法。
第七方面，本申请实施例还提供一种终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的模型构建方法。
第八方面，本申请实施例还提供另一种终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第二方面所述的拍照方法。
本申请实施例提供一种模型构建方案，通过获取设定数量的人体姿态图片，并对该人体姿态图片中的目标对象进行标记，得到图片样本；并根据所述图片样本，采用设定的机器学习算法对预设的深度学习模型进行训练，得到姿态识别模型；发送该姿态识别模型至移动终端，以使移动终端通过该姿态识别模型识别摄像头拍摄的照片中的人体姿态。采用上述技术方案，以具有各种姿态的人体姿态图片作为训练样本，采用机器学习算法对深度学习模型进行训练，得到姿态识别模型，可以使该姿态识别模型具备识别人体姿态的功能。又由于采用姿态识别模型对图片中的人体姿态进行识别，对遮挡、视角变化具有良好的鲁棒性，解决相关图像识别技术存在的缺陷，提高了姿态识别准确率。
附图说明
图1是本申请实施例提供的一种模型构建方法的流程图；
图2是本申请实施例提供的一种拍照方法的流程图；
图3是本申请实施例提供的一种根据人体姿态添加虚拟对象的示意图；
图4是本申请实施例提供的另一种拍照方法的流程图；
图5是本申请实施例提供的一种模型构建装置的结构框图；
图6是本申请实施例提供的一种服务器的结构框图；
图7是本申请实施例提供的一种拍照装置的结构框图；
图8是本申请实施例提供的一种移动终端的结构框图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
在人体姿态识别技术中，因为对于颜色、光照、遮挡等自然环境因素无法做到鲁棒，再加上人体姿态具有太多的自由度和观测角度，使得对图像或视频进行人体姿态估计是一项非常具有挑战性的工作。
相关技术提供采用人体姿态识别的方式通常是采用人体边缘、剪影轮廓及光流等信息。然而，这些特征对于噪声、部分遮挡及视角变化比较敏感，识别结果很容易受上述因素的影响，检测准确率受限。为了解决上述技术问题，本申请提出了一种模型构建方案，可以有效的改善人体姿态识别结果受遮挡及视角的影响的问题，提高了人体姿态识别的准确率。
图1为本申请实施例提供的一种模型构建方法的流程图，该方法可以由模型构建装置来执行，其中，该装置可由软件和/或硬件实现，一般可集成在终端中，该终端可以是服务器，如用于完成人体姿态模型创建、训练及优化等功能的服务器中。如图1所示，该方法包括：
步骤110、获取设定数量的人体姿态图片，对所述人体姿态图片中的目标对象进行标记，得到图片样本。
其中，人体姿态图片为包含人物的图片，且该图片中人物通过头、四肢或躯干摆出某种姿势。目标对象包括头部、四肢、躯干中的至少一种。
示例性的，通过网络爬虫从网络平台下载人体姿态图片，并将人体姿态图片进行分类。例如，按照人体姿态图片的来源将其分为运动类、影视类、表情包类等。在通过网络爬虫从网络平台图片库中获取到具有人物的网络图片后，对该网络图片中的人物的头部像素坐标、四肢像素坐标、躯干像素坐标进行标记，得到第一样本图片。标记的方式可以是通过肤色识别算法粗略的确定出人物的头部像素坐标、四肢像素坐标，进而，根据头部像素坐标及四肢像素坐标确定躯干像素坐标。基于上述坐标突出显示头部轮廓、四肢轮廓及躯干轮廓，从而实现对头部像素坐标、四肢像素坐标及躯干像素坐标的标记。例如，可以采用虚线框分别标记头部像素坐标、四肢像素坐标及躯干像素坐标的方式进行标记。
可选的，对头部轮廓、四肢轮廓及躯干轮廓进行间隔采样，将采样点作为标记点，以通过该标记点代表头部像素点、四肢像素点或躯干像素点，顺序连接该标记点实现对头部像素坐标、四肢像素坐标及躯干像素坐标的标记。其中，采样间隔可以根据实际需要自行设置。
将标记后的网络图片记为第一样本图片，将该第一样本图片存储于图片样本集。
可替代的，获取移动终端相册中的用户图片；对该用户图片中的人物头部像素坐标、四肢像素坐标、躯干像素坐标进行标记，得到第二样本图片；将该第二样本图片存入图片样本集。由于服务器从移动终端相册中获取用户图片之前需要获取用户许可，因此，服务器在首次由移动终端相册获取用户图片时，以对话框的形式显示询问信息，以询问是否授予服务器访问相册的权限。获取用户的输入指示，若用户输入肯定信息，则赋予该服务器访问相册的权限。服务器获取了移动终端相册中的用户图片后，采用上述相似的方法确定出用户图片中人物的头部像素坐标、四肢像素坐标，进而，根据头部像素坐标及四肢像素坐标确定躯干像素坐标。基于上述坐标突出显示头部轮廓、四肢轮廓及躯干轮廓，从而实现对头部像素坐标、四肢像素坐标及躯干像素坐标的标记。
将标记后的用户图片记为第二样本图片，并将该第二样本图片存储于图片样本集，从而，将存储有第一样本图片及第二样本图片的图片样本集作为训练深度学习模型图的片样本。
步骤120、根据所述图片样本，采用设定的机器学习算法对预设的深度学习模型进行训练，得到姿态识别模型。
其中，深度学习模型可以为卷积神经网络模型，可以预先设置隐藏层的数目以及输入层、隐藏层和输出层各层的节点数，以及初始化卷积神经网络的第一参数，其中，第一参数包括各层的偏置值及边的权重，初步得到神经网络模型的框架。
设定的机器学习算法包括前向传播算法和后向传播算法。示例性的，利用所述图片样本集对预设的深度学习模型进行前向传播和后向传播两个阶段的训练；在所述后向传播训练计算得到的误差达到期望误差值时，训练结束，并得到姿态识别模型。具体可以是根据该图片样本，采用前向传播算法及后向传播算法训练该卷积神经网络模型，学习出神经网络模型的框架的第二参数，其中，第二参数是计算图片样本的实际输出与期望输出的偏差，根据该偏差采用后向传播算法计算得到的修正参数，并采用该第二参数更新第一参数。然后，计算模型误差，其中，模型误差可以根据图片样本的实际输出与期望输出的偏差确定，在所述模型误差达到期望误差值时，训练结束，得到姿态识别模型。
步骤130、发送所述姿态识别模型至移动终端。
获取移动终端发送的模型下载请求，根据该下载请求将该姿态识别模型移植至移动终端。需要说明的是，由于服务器与移动终端的运算能力存在较大差异，在将姿态识别模型移植到移动终端之前，还需要对姿态识别模型进行优化。示例性的，采用预设的优化策略对所述卷积神经网络模型进行优化，其中，对所述卷积神经网络模型的优化包括内部网络结构优化、卷积层的实现方式优化、池化层的实现方式优化中的至少一项。例如，增加残差块构建残差神经网络模型，或者调整残差块的结构。又如，对于卷积层的实现方式的优化可以是减少输出通道和输入通道的连接数量，即输出通道不再和所有输入通道有关，只和相邻的输入通道相关。又如，在卷积层的实现上增加基层，将卷积分为两个步骤：首先，输入的每一通道单独运算，在同样尺寸卷积核的作用下，每一通道得到中间计算结果，将中间计算结果的每一个通道称为一个基层；然后，将各个通道进行合并，得到卷积层的输出结果。又如，通过需要的图像压缩系数设计池化层中用于图像压缩的矩阵。
本实施例的技术方案，通过获取设定数量的人体姿态图片，并对该人体姿态图片中的目标对象进行标记，得到图片样本；并根据所述图片样本，采用设定的机器学习算法对预设的深度学习模型进行训练，得到姿态识别模型；发送该姿态识别模型至移动终端，以使移动终端通过该姿态识别模型识别摄像头拍摄的照片中的人体姿态。采用上述技术方案，以具有各种姿态的人体姿态图片作为训练样本，采用机器学习算法对深度学习模型进行训练，得到姿态识别模型，可以使该姿态识别模型具备识别人体姿态的功能。由于姿态识别模型是从大量图片样本学习用于识别姿态的有效特征(包括视角、遮挡等)的，这些图像样本包含不同拍摄视角、摄像机与人物的不同距离、以及人物自身的多种遮挡程度等等，因此采用姿态识别模型对图片中的人体姿态进行识别，对遮挡、视角变化具有良好的鲁棒性，解决相关图像识别技术存在的识别不准确或误识别等缺陷，提高了姿态识别准确率。
图2是本申请实施例提供的一种拍照方法的流程图。该方法可以由拍照装置来执行，其中，该装置可由软件和/或硬件实现，一般可集成在移动终端中，如具有摄像头的移动终端。如图1所示，该方法包括：
步骤210、获取待拍摄对象的第一预览图像。
其中，第一预览图像可以包括用户在按下拍照按钮前，移动终端的拍摄界面中显示的摄像头所捕获的画面。本实施例中的第一预览图像可以是人物类图像。
具体的，移动终端对第一预览图像的获取操作可以由移动终端的***执行，或者由移动终端中含有拍摄功能的任意应用软件执行，获取第一预览图像的操作可以在用户的操作指示下由***或应用软件执行。例如，用户可直接打开移动终端***中的相机功能对人物进行拍照，也可以使用应用软件的拍照选项对人物进行拍照。
示例性的，该第一预览图像的获取方式可以是作为拍摄目标的人物通过摄像头中的镜头，将该人物的光学图像投射到感光芯片上，由感光芯片将光学图像信号转换为电信号，经过一系列设定的变换或处理后，得到第一预览图像，通过专用的接口(例如MIPI接口，即Mobile Industry Processor Interface，移动行业处理器接口)发送到移动终端主板中的ISP(Image Signal Processor，图像处理器)进行处理，最终转换成移动终端屏幕上可以显示的格式，在移动终端的显示屏上进行显示。
步骤220、通过预先配置的姿态识别模型识别所述第一预览图像中的人体姿态。
其中，姿态识别模型为根据设定数量的图片样本训练的深度学习模型，所述图片样本根据包含目标对象的人体姿态图片确定。该姿态识别模型可用于在输入第一预览图像之后，快速并准确的识别第一预览图像中的人体姿态。该姿态识别模型可以是卷积神经网络模型。本申请实施例中对该神经网络模型的层数、神经元的数量、卷积核和/或权重等网络参数不作限定。示例性的，该姿态识别模型可以是本申请实施例中基于设定数量的人体姿态图片，采用设定机器学习算法对预设的深度学习模型进行训练，得到的卷积神经网络模型。
其中，该姿态识别模型可以是在服务器中进行构建、训练及优化，并由服务器移植至到移动终端，并进行配置的。可选的，如果移动终端的处理能力允许的话，也可以在移动终端中进行模型构建、训练及优化处理。
示例性的，将第一预览图像输入该预先配置的姿态识别模型，通过该姿态识别模型识别该第一预览图像包含的人物的人体姿态。由于姿态识别模型是从大量图片样本(包含不同拍摄视角、摄像机与人物的不同距离、以及人物自身的多种遮挡程度)中学习出有效的特征，因此采用姿态识别模型对图片中的人体姿态进行识别，对遮挡、视角变化具有良好的鲁棒性。
步骤230、获取虚拟对象。
其中，虚拟对象用于为所述待拍摄对象提供增强现实效果，包括实体图像(例如篮球、足球、太阳、月亮或演员等实物的图像)、影视人物图像(如功夫熊猫、蓝精灵或超人等影视人物的图像)或者特效(例如烟雾效果、蒸汽效果及运动轨迹效果等)。可以将上述虚拟对象存储于虚拟对象库中。
在移动终端内预置虚拟对象库，该虚拟对象库中存储有各种虚拟对象。可以理解的是，该虚拟对象可以由网络平台获取，还可以由终端厂商自行设计。
若检测到识别出人体姿态，则展示虚拟对象库中的各种虚拟对象，供用户选择待添加至第一预览图像的虚拟对象，此时的虚拟对象是按照默认顺序进行展示。可选的，还可以展示与所确定的人体姿态关联的虚拟对象。例如，若检测出用户的姿态为跑步姿势，获取的虚拟对象包括跑道、终点线及彩带等等。若检测出用户的姿态为打篮球，则获取的虚拟对象包括篮球场地、篮球及球筐等。
步骤240、根据所述人体姿态确定所述虚拟对象的添加位置，并在所述添加位置增加所述虚拟对象，形成第二预览图像。
可以预先规定虚拟对象的添加位置，即以数据库的方式关联存储虚拟对象的添加位置与人体姿态的对应关系。例如，对于投篮姿势，规定在手部添加篮球；对于踢球姿势，规定在摆出踢动作的一只脚处添加足球；对于吹灭生日蜡烛的姿势，规定在生日蛋糕的正上方添加生日祝语等。将预先设定好的虚拟对象的添加位置与人体姿态的对应关系存储于预设数据库中。
在识别出人体姿态后，根据人体姿态及被选中的虚拟对象查询该预设数据库，根据查询结果确定虚拟对象与人体姿态的位置关系。例如，如果人体姿态为跑步，虚拟对象是跑道，则根据查询预设数据库的结果可以确定在第一预览图像中人物的脚下添加跑道。图3示出了一种根据人体姿态添加虚拟对象的示意图，如图3所示，获取第一预览图像310，在识别出第一预览图像310中的人体姿态为跑步时，显示虚拟对象选择窗口320，该虚拟对象选择窗口320包括虚拟对象图片321以及选项框322。若检测到用户选中跑道对应的选项框322，则将该第一预览图像310中人物的脚下设定区域内的像素点更换为虚拟对象对应的像素点，从而形成第二预览图像330。
步骤250、获取拍摄指令，响应所述拍摄指令得到所述第二预览图像对应的拍摄图片。
其中，拍摄指令可以是用户按下拍照按钮触发执行的操作指令，还可以是用户输入的拍照语音触发执行的操作指令，还可以是用户拍照手势触发执行的操作指令等等。
在检测到拍摄指令时，响应该拍摄指令对第二预览图像进行存储，得到第二预览图像对应的拍摄图片。示例性的，在检测到拍照按钮被按下时，保存第二预览图像得到拍摄图片，将该拍摄图片存储于移动终端的相册内。
本实施例的技术方案，通过获取待拍摄对象的第一预览图像；通过预先配置的姿态识别模型识别所述第一预览图像中的人体姿态；获取虚拟对象；根据所述人体姿态确定所述虚拟对象的添加位置，并在所述添加位置增加所述虚拟对象，形成第二预览图像；获取拍摄指令，响应所述拍摄指令得到所述第二预览图像对应的拍摄图片。采用上述技术方案，通过姿态识别模型识别第一预览图像中的人体姿态，避免拍摄视角、遮挡等对姿态识别准确率的影响，提高姿态识别的准确率；并根据人体姿态确定虚拟对象的添加位置，将增强现实功能与人体姿态检测相结合，实现在准确的位置精确的添加虚拟对象，提升拍摄照片的显示效果。
图4是本申请实施例提供的另一种拍照方法的流程图。如图4所示，该方法包括：
步骤401、获取待拍摄对象的第一预览图像。
步骤402、判断所述第一预览图像中是否包含皮肤对应的像素点，若否，则执行步骤403，否则执行步骤404。
对第一预览图像进行皮肤像素点检测的方法有很多中，本申请实施例并不作具体限定。例如，可以对第一预览图像进行图像处理，得到该第一预览图像的直方图，根据该直方图中像素点的灰度值分布，确定该第一预览图像中是否包含皮肤对应的像素点。又如，通过MATLAB建立区域模型，利用肤色在色彩中的取值范围，将能够满足一定条件的区域标记为肤色区域。利用此模型主要通过两个步骤：一是用统计法确定肤色的具体范围；二是通过此模型判定新像素或区域是否为肤色。因此，在一幅图片中，某一像素或区域满足肤色所在色彩区域中的取值范围判定为皮肤区域，否则为非皮肤区域。
步骤403、输出无法确定虚拟对象的添加位置的提示信息。
在第一预览图像中不包含皮肤对应的像素点时，以对话框的形式显示提示信息，以提示用户无法确定虚拟对象的添加位置，供用户选择是否添加虚拟对象。若用户选择继续添加，则为用户提供指定添加位置的功能。具体可以是，绘制第一图层，该第一图层用于显示待添加的虚拟对象，并且，第一图层除虚拟对象对应的像素坐标之外的位置为透明图层。在用户选择添加虚拟对象时，在第二图层之上显示第一图层，并获取用户对第一图层的操作指示。例如，用户可以将第一图层拖至待添加位置。在检测到用户指定的虚拟对象的添加位置后，合成第一图层与第二图层，以在第一预览图像的该用户指定的添加位置显示该虚拟对象。可以理解的是，图层的尺寸并不受移动终端的屏幕尺寸的限制，即图层的尺寸可以大于、等于或小于屏幕尺寸。
步骤404、将所述第一预览图像输入所述姿态识别模型。
其中，姿态识别模型可以为上述记载的根据设定数量的图片样本训练的深度学习模型。
在第一预览图像中包含皮肤对应的像素点时，通过姿态识别模型对第一预览图像进行识别，确定该第一预览图像包含的人体姿态。
步骤405、在拍摄场景下，获取增强现实功能的状态信息。
其中，拍摄场景是指当前界面为拍摄界面，包括但不限于通过摄像头获取人物图像的界面。
为移动终端的相机应用增加增强现实功能，即在用户通过相机应用拍摄时，可以选择是否开启增强现实功能。可选的，在拍摄界面下添加增强现实功能选项，通过选中该增强现实功能选项，启用增强现实功能。若检测到选中该增强现实功能选项，则确定未启用增强现实功能。
步骤406、在增强现实功能被启用时，按照使用频率对虚拟对象库中的虚拟对象进行降序排列，显示排序结果。
可以获取增强现实功能下的用户历史行为，分析该用户历史行为确定虚拟对象的使用频率，并按照该使用频率对虚拟对象进行降序排列，即使用最频繁的虚拟对象排在最前端。根据排序结果为虚拟对象配置显示优先级，在增强现实功能被启用后，若检测到人体姿态识别结果，则调用该虚拟对象库，并按照显示优先级显示该虚拟对象库中的虚拟对象，以供用户选择。
步骤407、获取虚拟对象。
获取用户选中的虚拟对象。用户选择虚拟对象的方式包括但不限于点击虚拟对象的图标，以语音输入的方式选择虚拟对象，以预设晃动次数等手势方式选择虚拟对象。
步骤408、根据所述人体姿态及所述虚拟对象查询预设数据库，确定所述虚拟对象的添加位置。
其中，所述预设数据库中关联存储人体姿态与虚拟对象的添加位置。例如，通过查询预设数据库可以确定在踢球姿态时，为脚部添加足球。
步骤409、采用所述虚拟对象的像素值替换所述添加位置对应的像素值，形成第二预览图像。
获取虚拟对象的轮廓，以该轮廓为边界，在根据人体姿态确定的虚拟对象的添加位置处选择与该边界重合的区域，采用虚拟对象的像素点替换该区域内的像素点，即将该区域内像素点的像素值对应替换为虚拟对象的像素值，形成第二预览图像。然后，将第二预览图像转换成移动终端屏幕上可以显示的格式，在移动终端的显示屏上进行显示。
步骤410、获取拍摄指令，响应所述拍摄指令得到所述第二预览图像对应的拍摄图片。
本实施例的技术方案，通过在获取待拍摄对象的第一预览图像之后，判断所述第一预览图像中是否包含皮肤对应的像素点；若是，则将所述第一预览图像输入所述姿态识别模型，可以避免将不具有人像的第一预览图片输入姿态识别模型，从而，减少GPU的数据处理量。另外，在检测到人体姿态的识别结果后，按照使用频率的降序排列结果显示虚拟对象，实现向用户推荐其常用的虚拟对象的功能，优化了人机交互效果。
图5是本申请实施例提供的一种模型构建装置的结构框图。该装置可由软件和/或硬件实现，一般可集成在终端中，该终端可以是服务器，用于通过执行模型构建方法来构建姿态识别模型。如图5所示，该装置包括：
样本确定模块510，用于获取设定数量的人体姿态图片，对所述人体姿态图片中的目标对象进行标记，得到图片样本，其中，所述目标对象包括头部、四肢、躯干中的至少一种；
模型训练模块520，用于根据所述图片样本，采用设定的机器学习算法对预设的深度学习模型进行训练，得到姿态识别模型；
模型发送模块530，用于发送所述姿态识别模型至移动终端。
本实施例的技术方案提供一种模型构建装置，以具有各种姿态的人体姿态图片作为训练样本，采用机器学习算法对深度学习模型进行训练，得到姿态识别模型，可以使该姿态识别模型具备识别人体姿态的功能。由于姿态识别模型是从大量图片样本学习用于识别姿态的有效特征(包括视角、遮挡等)的，这些图像样本包含不同拍摄视角、摄像机与人物的不同距离、以及人物自身的多种遮挡程度等等，因此采用姿态识别模型对图片中的人体姿态进行识别，对遮挡、视角变化具有良好的鲁棒性，解决相关图像识别技术存在的缺陷，提高了姿态识别准确率。
可选的，样本确定模块510具体用于：
获取网络平台图片库中的网络图片；
对所述网络图片中的人物的头部像素坐标、四肢像素坐标、躯干像素坐标进行标记，得到第一样本图片；
将所述第一样本图片存入图片样本集。
可选的，样本确定模块510具体用于：
获取移动终端相册中的用户图片；
对所述用户图片中的人物头部像素坐标、四肢像素坐标、躯干像素坐标进行标记，得到第二样本图片；
将所述第二样本图片存入图片样本集。
可选的，模型训练模块520具体用于：
利用所述图片样本集对预设的深度学习模型进行前向传播和后向传播两个阶段的训练；
在所述后向传播训练计算得到的误差达到期望误差值时，训练结束，并得到姿态识别模型。
可选的，所述姿态识别模型为卷积神经网络模型；
以及，该模型构建装置还包括：
模型优化模块，用于在发送所述姿态识别模型至移动终端之前，采用预设的优化策略对所述卷积神经网络模型进行优化，其中，对所述卷积神经网络模型的优化包括内部网络结构优化、卷积层的实现方式优化、池化层的实现方式优化中的至少一项。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本申请实施例所提供的拍照方法，该方法包括：
获取设定数量的人体姿态图片，对所述人体姿态图片中的目标对象进行标记，得到图片样本，其中，所述目标对象包括头部、四肢、躯干中的至少一种；
根据所述图片样本，采用设定的机器学习算法对预设的深度学习模型进行训练，得到姿态识别模型；
发送所述姿态识别模型至移动终端。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机***存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDORAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机***中，或者可以位于不同的第二计算机***中，第二计算机***通过网络(诸如因特网)连接到第一计算机***。第二计算机***可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机***中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的模型构建操作，还可以执行本申请任意实施例所提供的姿态识别模型的构建方法中的相关操作。
本申请实施例还提供一种终端，该终端可以是服务器或其它具有较强运算能力的电子设备，该服务器中集成了模型构建装置，用于通过执行模型构建方法来构建姿态识别模型。图6是本申请实施例提供的一种服务器的结构框图。如图6所示，该终端600包括存储器610和处理器620，其中，该存储器610，用于存储可执行程序代码及图片样本；该处理器620通过读取该存储器610中存储的可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以实现以下步骤：
获取设定数量的人体姿态图片，对所述人体姿态图片中的目标对象进行标记，得到图片样本，其中，所述目标对象包括头部、四肢、躯干中的至少一种；
根据所述图片样本，采用设定的机器学习算法对预设的深度学习模型进行训练，得到姿态识别模型；
发送所述姿态识别模型至移动终端。
可以理解的是上述终端的结构仅是一个示例，该终端可以包括但不限于上述示例中所述的存储器及处理器，还可以包括：外设接口、电源管理芯片、输入/输出(I/O)子***、其他输入/控制设备以及外部端口，这些部件通过一个或多个通信总线或信号线来通信。
上述实施例中提供的模型构建装置、存储介质及服务器可执行本申请实施例所提供的对应的模型构建方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的模型构建方法。
本申请实施例还提供了一种拍照装置，该装置可由软件和/或硬件实现，一般可集成在移动终端中，如具有摄像头的移动终端。图7是本申请实施例提供的一种拍照装置的结构框图，如图7所示，该装置包括：
图像获取模块710，用于获取待拍摄对象的第一预览图像；
姿态识别模块720，用于通过预先配置的姿态识别模型识别所述第一预览图像中的人体姿态，其中，所述姿态识别模型为根据设定数量的图片样本训练的深度学习模型，，该图片样本根据包含目标对象的人体姿态图片确定，可选的，所述图片样本包含人体姿态，深度学习模型为卷积神经网络模型；
对象获取模块730，用于获取虚拟对象，其中，所述虚拟对象用于为所述待拍摄对象提供增强现实效果；
对象添加模块740，用于根据所述人体姿态确定所述虚拟对象的添加位置，并在所述添加位置增加所述虚拟对象，形成第二预览图像；
拍摄模块750，用于获取拍摄指令，响应所述拍摄指令得到所述第二预览图像对应的拍摄图片。
本实施例的技术方案提供一种拍照装置，通过姿态识别模型识别第一预览图像中的人体姿态，避免拍摄视角、遮挡等对姿态识别准确率的影响，提高姿态识别的准确率；并根据人体姿态确定虚拟对象的添加位置，将增强现实功能与人体姿态检测相结合，实现在准确的位置精确的添加虚拟对象，提升拍摄照片的显示效果。
可选的，该拍照装置还包括：
判断模块，用于在获取待拍摄对象的第一预览图像之后，判断所述第一预览图像中是否包含皮肤对应的像素点；若是，则将所述第一预览图像输入所述姿态识别模型；否则，输出无法确定虚拟对象的添加位置的提示信息。
可选的，还包括：
状态信息获取模块，用于在获取虚拟对象之前，在拍摄场景下，获取增强现实功能的状态信息；
排序模块，用于在增强现实功能被启用时，按照使用频率对虚拟对象库中的虚拟对象进行降序排列，显示排序结果。
可选的，对象添加模块740具体用于：
根据所述人体姿态及所述虚拟对象查询预设数据库，确定所述虚拟对象的添加位置，其中，所述预设数据库中关联存储人体姿态与虚拟对象的添加位置；
采用所述虚拟对象的像素值替换所述添加位置对应的像素值。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于本申请实施例所提供的执行拍照方法，该方法包括：
获取待拍摄对象的第一预览图像；
通过预先配置的姿态识别模型识别所述第一预览图像中的人体姿态，其中，所述姿态识别模型为根据设定数量的图片样本训练的深度学习模型；
获取虚拟对象，其中，所述虚拟对象用于为所述待拍摄对象提供增强现实效果；
根据所述人体姿态确定所述虚拟对象的添加位置，并在所述添加位置增加所述虚拟对象，形成第二预览图像；
获取拍摄指令，响应所述拍摄指令得到所述第二预览图像对应的拍摄图片。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机***存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDORAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机***中，或者可以位于不同的第二计算机***中，第二计算机***通过网络(诸如因特网)连接到第一计算机***。第二计算机***可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机***中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的拍照操作，还可以执行本申请任意实施例所提供的将人体姿态与增强现实技术相结合的拍照方法中的相关操作。
本申请实施例还提供另一种终端，该终端中集成有上述实施例所述的拍照装置，可以执行基于人体姿态添加虚拟对象的操作。示例性的，该终端可以是移动终端。图8是本申请实施例提供的一种移动终端的结构框图，如图8所示，该移动终端可以包括：壳体(图中未示出)、存储器801、中央处理器(central processing unit，CPU)802(又称处理器，以下简称CPU)、电路板(图中未示出)和电源电路(图中未示出)。所述电路板安置在所述壳体围成的空间内部；所述CPU802和所述存储器801设置在所述电路板上；所述电源电路，用于为所述终端的各个电路或器件供电；所述存储器801，用于存储可执行程序代码、虚拟对象的添加位置的预设数据库等；所述CPU802通过读取所述存储器801中存储的可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以实现以下步骤：
获取待拍摄对象的第一预览图像；
通过预先配置的姿态识别模型识别所述第一预览图像中的人体姿态，其中，所述姿态识别模型为根据设定数量的图片样本训练的深度学习模型，所述图片样本根据包含目标对象的人体姿态图片确定；
获取虚拟对象，其中，所述虚拟对象用于为所述待拍摄对象提供增强现实效果；
根据所述人体姿态确定所述虚拟对象的添加位置，并在所述添加位置增加所述虚拟对象，形成第二预览图像；
获取拍摄指令，响应所述拍摄指令得到所述第二预览图像对应的拍摄图片。
所述终端还包括：外设接口803、RF(Radio Frequency，射频)电路805、音频电路806、扬声器811、电源管理芯片808、输入/输出(I/O)子***809、其他输入/控制设备810、触摸屏812、其他输入/控制设备810以及外部端口804，这些部件通过一个或多个通信总线或信号线807来通信。
应该理解的是，图示移动终端800仅仅是终端的一个范例，并且移动终端800可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
下面就本实施例提供的移动终端800进行详细的描述，该终端以手机为例。
存储器801，所述存储器801可以被CPU802、外设接口803等访问，所述存储器801可以包括高速随机存取存储器，还可以包括非易失性存储器，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
外设接口803，所述外设接口803可以将设备的输入和输出外设连接到CPU802和存储器801。
I/O子***809，所述I/O子***809可以将设备上的输入输出外设，例如触摸屏812和其他输入/控制设备810，连接到外设接口803。I/O子***809可以包括显示控制器8081和用于控制其他输入/控制设备810的一个或多个输入控制器8092。其中，一个或多个输入控制器8092从其他输入/控制设备810接收电信号或者向其他输入/控制设备810发送电信号，其他输入/控制设备810可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器8092可以与以下任一个连接：键盘、红外端口、USB接口以及诸如鼠标的指示设备。
触摸屏812，所述触摸屏812是用户终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。
I/O子***809中的显示控制器8081从触摸屏812接收电信号或者向触摸屏812发送电信号。触摸屏812检测触摸屏上的接触，显示控制器8081将检测到的接触转换为与显示在触摸屏812上的用户界面对象的交互，即实现人机交互，显示在触摸屏812上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。
RF电路805，主要用于建立手机与无线网络(即网络侧)的通信，实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地，RF电路805接收并发送RF信号，RF信号也称为电磁信号，RF电路805将电信号转换为电磁信号或将电磁信号转换为电信号，并且通过该电磁信号与通信网络以及其他设备进行通信。RF电路805可以包括用于执行这些功能的已知电路，其包括但不限于天线***、RF收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC(COder-DECoder，编译码器)芯片组、用户标识模块(Subscriber Identity Module，SIM)等等。
音频电路806，主要用于从外设接口803接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器811。
扬声器811，用于将手机通过RF电路805从无线网络接收的语音信号，还原为声音并向用户播放该声音。
电源管理芯片808，用于为CPU802、I/O子***及外设接口所连接的硬件进行供电及电源管理。
上述实施例中提供的拍照装置、存储介质及终端可执行本申请实施例所提供的对应的拍照方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的拍照方法。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。
Claims (15)
1.一种模型构建方法，其特征在于，包括：
获取设定数量的人体姿态图片，对所述人体姿态图片中的目标对象进行标记，得到图片样本，其中，所述目标对象包括头部、四肢、躯干中的至少一种；
根据所述图片样本，采用设定的机器学习算法对预设的深度学习模型进行训练，得到姿态识别模型；
发送所述姿态识别模型至移动终端。
2.根据权利要求1所述的方法，其特征在于，获取设定数量的人体姿态图片，对所述人体姿态图片中的目标对象进行标记，包括：
获取网络平台图片库中的网络图片；
对所述网络图片中的人物的头部像素坐标、四肢像素坐标、躯干像素坐标进行标记，得到第一样本图片；
将所述第一样本图片存入图片样本集。
3.根据权利要求1所述的方法，其特征在于，获取设定数量的人体姿态图片，对所述人体姿态图片中的目标对象进行标记，包括：
获取移动终端相册中的用户图片；
对所述用户图片中的人物头部像素坐标、四肢像素坐标、躯干像素坐标进行标记，得到第二样本图片；
将所述第二样本图片存入图片样本集。
4.根据权利要求2或3所述的方法，其特征在于，根据所述图片样本，采用设定的机器学习算法对预设的深度学习模型进行训练，得到姿态识别模型，包括：
利用所述图片样本集对预设的深度学习模型进行前向传播和后向传播两个阶段的训练；
在所述后向传播训练计算得到的误差达到期望误差值时，训练结束，并得到姿态识别模型。
5.根据权利要求4所述的方法，其特征在于，所述姿态识别模型为卷积神经网络模型；
以及，在发送所述姿态识别模型至移动终端之前，还包括：
采用预设的优化策略对所述卷积神经网络模型进行优化，其中，对所述卷积神经网络模型的优化包括内部网络结构优化、卷积层的实现方式优化、池化层的实现方式优化中的至少一项。
6.一种拍照方法，其特征在于，包括：
获取待拍摄对象的第一预览图像；
通过预先配置的姿态识别模型识别所述第一预览图像中的人体姿态，其中，所述姿态识别模型为根据设定数量的图片样本训练的深度学习模型，所述图片样本根据包含目标对象的人体姿态图片确定；
获取虚拟对象，其中，所述虚拟对象用于为所述待拍摄对象提供增强现实效果；
根据所述人体姿态确定所述虚拟对象的添加位置，并在所述添加位置增加所述虚拟对象，形成第二预览图像；
获取拍摄指令，响应所述拍摄指令得到所述第二预览图像对应的拍摄图片。
7.根据权利要求6所述的方法，其特征在于，在获取待拍摄对象的第一预览图像之后，还包括：
判断所述第一预览图像中是否包含皮肤对应的像素点；
若是，则将所述第一预览图像输入所述姿态识别模型；
否则，输出无法确定虚拟对象的添加位置的提示信息。
8.根据权利要求6所述的方法，其特征在于，在获取虚拟对象之前，还包括：
在拍摄场景下，获取增强现实功能的状态信息；
在增强现实功能被启用时，按照使用频率对虚拟对象库中的虚拟对象进行降序排列，显示排序结果。
9.根据权利要求6至8中任一项所述的方法，其特征在于，根据所述人体姿态确定所述虚拟对象的添加位置，并在所述添加位置增加所述虚拟对象，包括：
根据所述人体姿态及所述虚拟对象查询预设数据库，确定所述虚拟对象的添加位置，其中，所述预设数据库中关联存储人体姿态与虚拟对象的添加位置；
采用所述虚拟对象的像素值替换所述添加位置对应的像素值。
10.一种模型构建装置，其特征在于，包括：
样本确定模块，用于获取设定数量的人体姿态图片，对所述人体姿态图片中的目标对象进行标记，得到图片样本，其中，所述目标对象包括头部、四肢、躯干中的至少一种；
模型训练模块，用于根据所述图片样本，采用设定的机器学习算法对预设的深度学习模型进行训练，得到姿态识别模型；
模型发送模块，用于发送所述姿态识别模型至移动终端。
11.一种拍照装置，其特征在于，包括：
图像获取模块，用于获取待拍摄对象的第一预览图像；
姿态识别模块，用于通过预先配置的姿态识别模型识别所述第一预览图像中的人体姿态，其中，所述姿态识别模型为根据设定数量的图片样本训练的深度学习模型，所述图片样本根据包含目标对象的人体姿态图片确定；
对象获取模块，用于获取虚拟对象，其中，所述虚拟对象用于为所述待拍摄对象提供增强现实效果；
对象添加模块，用于根据所述人体姿态确定所述虚拟对象的添加位置，并在所述添加位置增加所述虚拟对象，形成第二预览图像；
拍摄模块，用于获取拍摄指令，响应所述拍摄指令得到所述第二预览图像对应的拍摄图片。
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至5中任一项所述的模型构建方法。
13.一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6至9中任一项所述的拍照方法。
14.一种终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的模型构建方法。
15.一种终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求6至9中任一项所述的拍照方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711392033.5A CN109951628A (zh) | 2017-12-21 | 2017-12-21 | 模型构建方法、拍照方法、装置、存储介质及终端 |
| PCT/CN2018/116800 WO2019120032A1 (zh) | 2017-12-21 | 2018-11-21 | 模型构建方法、拍照方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711392033.5A CN109951628A (zh) | 2017-12-21 | 2017-12-21 | 模型构建方法、拍照方法、装置、存储介质及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109951628A true CN109951628A (zh) | 2019-06-28 |
Family
ID=66992511
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711392033.5A Pending CN109951628A (zh) | 2017-12-21 | 2017-12-21 | 模型构建方法、拍照方法、装置、存储介质及终端 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109951628A (zh) |
| WO (1) | WO2019120032A1 (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110740264A (zh) * | 2019-10-31 | 2020-01-31 | 重庆工商职业学院 | 一种智能摄像数据快速采集***及采集方法 |
| CN111461014A (zh) * | 2020-04-01 | 2020-07-28 | 西安电子科技大学 | 基于深度学习的天线姿态参数检测方法、装置及存储介质 |
| CN112200126A (zh) * | 2020-10-26 | 2021-01-08 | 上海盛奕数字科技有限公司 | 一种基于人工智能跑步肢体遮挡姿态识别方法 |
| CN112307799A (zh) * | 2019-07-24 | 2021-02-02 | 鲁班嫡系机器人（深圳）有限公司 | 姿态识别方法、装置、***、存储介质及设备 |
| CN112306220A (zh) * | 2019-07-31 | 2021-02-02 | 北京字节跳动网络技术有限公司 | 基于肢体识别的控制方法、装置、电子设备及存储介质 |
| CN112396494A (zh) * | 2020-11-23 | 2021-02-23 | 北京百度网讯科技有限公司 | 商品引导方法、装置、设备及存储介质 |
| CN113762286A (zh) * | 2021-09-16 | 2021-12-07 | 平安国际智慧城市科技股份有限公司 | 数据模型训练方法、装置、设备及介质 |
| CN117115400A (zh) * | 2023-09-15 | 2023-11-24 | 深圳市红箭头科技有限公司 | 实时显示全身人体动作的方法、装置、计算机设备及存储介质 |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543578B (zh) * | 2019-08-09 | 2024-05-14 | 华为技术有限公司 | 物体识别方法及装置 |
| CN110866514A (zh) * | 2019-11-22 | 2020-03-06 | 安徽小眯当家信息技术有限公司 | 一种异常状态识别的方法、装置、客户端、服务器及计算机可读介质 |
| CN111597923B (zh) * | 2020-04-28 | 2023-05-12 | 上海伟声德智能科技有限公司 | 一种对人员温度进行监测的方法、装置和电子设备 |
| CN113596387B (zh) * | 2020-04-30 | 2023-10-31 | 中国石油天然气股份有限公司 | 监控*** |
| CN111798407B (zh) * | 2020-05-15 | 2024-05-21 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于神经网络模型的带电设备故障诊断方法 |
| CN111638795B (zh) * | 2020-06-05 | 2024-06-11 | 上海商汤智能科技有限公司 | 一种控制虚拟对象展示状态的方法及装置 |
| CN111640165A (zh) * | 2020-06-08 | 2020-09-08 | 上海商汤智能科技有限公司 | Ar合影图像的获取方法、装置、计算机设备及存储介质 |
| CN112069931A (zh) * | 2020-08-20 | 2020-12-11 | 深圳数联天下智能科技有限公司 | 一种状态报告的生成方法及状态监控*** |
| CN114077303A (zh) * | 2020-08-21 | 2022-02-22 | 广州视享科技有限公司 | Ar眼镜摄像头角度调整方法、装置、电子设备及介质 |
| CN112084965B (zh) * | 2020-09-11 | 2024-07-02 | 义乌市悦美科技有限公司 | 一种头皮头发检测装置及*** |
| CN118264891A (zh) * | 2020-09-15 | 2024-06-28 | 上海传英信息技术有限公司 | 图像处理方法、终端及计算机存储介质 |
| CN112614568B (zh) * | 2020-12-28 | 2024-05-28 | 东软集团股份有限公司 | 检查图像的处理方法、装置、存储介质和电子设备 |
| CN112991494B (zh) * | 2021-01-28 | 2023-09-15 | 腾讯科技（深圳）有限公司 | 图像生成方法、装置、计算机设备及计算机可读存储介质 |
| CN112836801A (zh) * | 2021-02-03 | 2021-05-25 | 上海商汤智能科技有限公司 | 深度学习网络确定方法、装置、电子设备及存储介质 |
| CN113325951B (zh) * | 2021-05-27 | 2024-03-29 | 百度在线网络技术（北京）有限公司 | 基于虚拟角色的操作控制方法、装置、设备以及存储介质 |
| CN114745576A (zh) * | 2022-03-25 | 2022-07-12 | 上海合志信息技术有限公司 | 一种家庭健身互动方法、装置、电子设备以及存储介质 |
| CN114822127B (zh) * | 2022-04-20 | 2024-04-02 | 深圳市铱硙医疗科技有限公司 | 一种基于虚拟现实设备的训练方法及训练装置 |
| CN116503508B (zh) * | 2023-06-26 | 2023-09-08 | 南昌航空大学 | 一种个性化模型构建方法、***、计算机及可读存储介质 |
| CN116661608B (zh) * | 2023-07-26 | 2023-10-03 | 海马云（天津）信息技术有限公司 | 虚拟人动捕的模型切换方法和装置、电子设备及存储介质 |
| CN116740768B (zh) * | 2023-08-11 | 2023-10-20 | 南京诺源医疗器械有限公司 | 基于鼻颅镜的导航可视化方法、***、设备及存储介质 |
| CN117456611B (zh) * | 2023-12-22 | 2024-03-29 | 拓世科技集团有限公司 | 一种基于人工智能的虚拟人物训练方法及*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103337083A (zh) * | 2013-07-11 | 2013-10-02 | 南京大学 | 一种非侵入式大运动条件下人体测量方法 |
| CN105706438A (zh) * | 2013-11-25 | 2016-06-22 | 高通股份有限公司 | 移动装置上的深度传感器的功率有效使用 |
| CN105760836A (zh) * | 2016-02-17 | 2016-07-13 | 厦门美图之家科技有限公司 | 基于深度学习的多角度人脸对齐方法、***及拍摄终端 |
| CN105787439A (zh) * | 2016-02-04 | 2016-07-20 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
| CN106097435A (zh) * | 2016-06-07 | 2016-11-09 | 北京圣威特科技有限公司 | 一种增强现实拍摄***及方法 |
| CN106127167A (zh) * | 2016-06-28 | 2016-11-16 | 广东欧珀移动通信有限公司 | 一种增强现实中目标对象的识别方法、装置及移动终端 |
| CN106155315A (zh) * | 2016-06-28 | 2016-11-23 | 广东欧珀移动通信有限公司 | 一种拍摄中增强现实效果的添加方法、装置及移动终端 |
| WO2017156243A1 (en) * | 2016-03-11 | 2017-09-14 | Siemens Aktiengesellschaft | Deep-learning based feature mining for 2.5d sensing image search |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101576953B (zh) * | 2009-06-10 | 2014-04-23 | 北京中星微电子有限公司 | 一种人体姿态的分类方法和装置 |
| WO2017164478A1 (ko) * | 2016-03-25 | 2017-09-28 | 한국과학기술원 | 미세 얼굴 다이나믹의 딥 러닝 분석을 통한 미세 표정 인식 방법 및 장치 |
-
2017
- 2017-12-21 CN CN201711392033.5A patent/CN109951628A/zh active Pending
-
2018
- 2018-11-21 WO PCT/CN2018/116800 patent/WO2019120032A1/zh active Application Filing
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103337083A (zh) * | 2013-07-11 | 2013-10-02 | 南京大学 | 一种非侵入式大运动条件下人体测量方法 |
| CN105706438A (zh) * | 2013-11-25 | 2016-06-22 | 高通股份有限公司 | 移动装置上的深度传感器的功率有效使用 |
| CN105787439A (zh) * | 2016-02-04 | 2016-07-20 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
| CN105760836A (zh) * | 2016-02-17 | 2016-07-13 | 厦门美图之家科技有限公司 | 基于深度学习的多角度人脸对齐方法、***及拍摄终端 |
| WO2017156243A1 (en) * | 2016-03-11 | 2017-09-14 | Siemens Aktiengesellschaft | Deep-learning based feature mining for 2.5d sensing image search |
| CN106097435A (zh) * | 2016-06-07 | 2016-11-09 | 北京圣威特科技有限公司 | 一种增强现实拍摄***及方法 |
| CN106127167A (zh) * | 2016-06-28 | 2016-11-16 | 广东欧珀移动通信有限公司 | 一种增强现实中目标对象的识别方法、装置及移动终端 |
| CN106155315A (zh) * | 2016-06-28 | 2016-11-23 | 广东欧珀移动通信有限公司 | 一种拍摄中增强现实效果的添加方法、装置及移动终端 |
Non-Patent Citations (1)
| Title |
|---|
| 王冉: "基于深度卷积神经网络的人体姿势估计研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112307799A (zh) * | 2019-07-24 | 2021-02-02 | 鲁班嫡系机器人（深圳）有限公司 | 姿态识别方法、装置、***、存储介质及设备 |
| CN112306220A (zh) * | 2019-07-31 | 2021-02-02 | 北京字节跳动网络技术有限公司 | 基于肢体识别的控制方法、装置、电子设备及存储介质 |
| CN110740264A (zh) * | 2019-10-31 | 2020-01-31 | 重庆工商职业学院 | 一种智能摄像数据快速采集***及采集方法 |
| CN111461014A (zh) * | 2020-04-01 | 2020-07-28 | 西安电子科技大学 | 基于深度学习的天线姿态参数检测方法、装置及存储介质 |
| CN111461014B (zh) * | 2020-04-01 | 2023-06-27 | 西安电子科技大学 | 基于深度学习的天线姿态参数检测方法、装置及存储介质 |
| CN112200126A (zh) * | 2020-10-26 | 2021-01-08 | 上海盛奕数字科技有限公司 | 一种基于人工智能跑步肢体遮挡姿态识别方法 |
| CN112396494A (zh) * | 2020-11-23 | 2021-02-23 | 北京百度网讯科技有限公司 | 商品引导方法、装置、设备及存储介质 |
| CN113762286A (zh) * | 2021-09-16 | 2021-12-07 | 平安国际智慧城市科技股份有限公司 | 数据模型训练方法、装置、设备及介质 |
| CN117115400A (zh) * | 2023-09-15 | 2023-11-24 | 深圳市红箭头科技有限公司 | 实时显示全身人体动作的方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019120032A1 (zh) | 2019-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109951628A (zh) | 模型构建方法、拍照方法、装置、存储介质及终端 | |
| CN111726536B (zh) | 视频生成方法、装置、存储介质及计算机设备 | |
| CN109194879B (zh) | 拍照方法、装置、存储介质及移动终端 | |
| CN108566516B (zh) | 图像处理方法、装置、存储介质及移动终端 | |
| CN107635095A (zh) | 拍摄照片的方法、装置、存储介质及拍摄设备 | |
| CN105378742B (zh) | 所管理的生物计量身份 | |
| KR20220100920A (ko) | 3d 신체 모델 생성 | |
| CN109951595A (zh) | 智能调节屏幕亮度的方法、装置、存储介质及移动终端 | |
| CN108681402A (zh) | 识别交互方法、装置、存储介质及终端设备 | |
| CN107820020A (zh) | 拍摄参数的调整方法、装置、存储介质及移动终端 | |
| CN110021061A (zh) | 搭配模型构建方法、服饰推荐方法、装置、介质及终端 | |
| CN108062526A (zh) | 一种人体姿态估计方法及移动终端 | |
| CN109348135A (zh) | 拍照方法、装置、存储介质及终端设备 | |
| CN109325450A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN110110118A (zh) | 妆容推荐方法、装置、存储介质及移动终端 | |
| CN109145809B (zh) | 一种记谱处理方法和装置以及计算机可读存储介质 | |
| CN108646920A (zh) | 识别交互方法、装置、存储介质及终端设备 | |
| CN104239416A (zh) | 一种用户识别方法和*** | |
| CN109224437A (zh) | 一种应用场景的交互方法和终端以及存储介质 | |
| CN117897734A (zh) | 基于身体姿势控制交互式时尚 | |
| CN109978640A (zh) | 服饰试穿方法、装置、存储介质及移动终端 | |
| CN109117760A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
| CN108712606A (zh) | 提示方法、装置、存储介质及移动终端 | |
| CN108494996B (zh) | 图像处理方法、装置、存储介质及移动终端 | |
| CN109200576A (zh) | 机器人投影的体感游戏方法、装置、设备和存储介质 |
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: 20190628 |