CN114430461B - 基于深度学习实现软光敏的方法、装置、终端及存储介质 - Google Patents
基于深度学习实现软光敏的方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN114430461B CN114430461B CN202210339044.1A CN202210339044A CN114430461B CN 114430461 B CN114430461 B CN 114430461B CN 202210339044 A CN202210339044 A CN 202210339044A CN 114430461 B CN114430461 B CN 114430461B
- Authority
- CN
- China
- Prior art keywords
- night
- target
- day
- prediction model
- images
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013135 deep learning Methods 0.000 title claims abstract description 38
- 206010034972 Photosensitivity reaction Diseases 0.000 title abstract description 8
- 230000036211 photosensitivity Effects 0.000 title abstract description 8
- 230000035945 sensitivity Effects 0.000 claims description 105
- 206010034960 Photophobia Diseases 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 18
- 208000013469 light sensitivity Diseases 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 12
- 230000001276 controlling effect Effects 0.000 description 16
- 230000008859 change Effects 0.000 description 12
- 238000005286 illumination Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- AIXMJTYHQHQJLU-UHFFFAOYSA-N chembl210858 Chemical compound O1C(CC(=O)OC)CC(C=2C=CC(O)=CC=2)=N1 AIXMJTYHQHQJLU-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- H04N23/667—Camera operation mode switching, e.g. between still and video, sport and normal or high- and low-resolution modes
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- H04N23/80—Camera processing pipelines; Components thereof
- H04N23/84—Camera processing pipelines; Components thereof for processing colour signals
- H04N23/88—Camera processing pipelines; Components thereof for processing colour signals for colour balance, e.g. white-balance circuits or colour temperature control
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Studio Devices (AREA)
Abstract
本申请适用于计算机视觉技术领域，提供了一种基于深度学习实现软光敏的方法、装置、终端及存储介质，所述基于深度学习实现软光敏的方法包括：获取所述图像采集装置的当前工作模式对应的目标日夜预测模型；基于所述图像采集装置在所述当前工作模式下连续采集的N帧图像，获取所述目标日夜预测模型对应的目标输入信息，N为大于零的整数；将所述目标输入信息输入所述目标日夜预测模型，得到所述图像采集装置的当前所处环境；若所述当前所处环境与所述当前工作模式不匹配，则控制所述图像采集装置切换至与所述当前所处环境匹配的工作模式。上述方案可以降低硬件成本和人力成本，且提高图像采集装置的工作模式的切换精度。
Description
技术领域
本申请属于计算机视觉技术领域，尤其涉及一种基于深度学习实现软光敏的方法、装置、终端及存储介质。
背景技术
随着视频监控越来越广泛的应用，24小时不间断监控成为了图像采集装置（例如摄像头）工作的基本要求，在图像采集装置的应用环境为日间时，图像采集装置可以利用可见光拍摄进而获取视频图像，但是当图像采集装置的应用环境为夜间时，无可见光且环境黑暗，图像采集装置无法直接拍摄到周围的视频图像，针对这种情况，通常采用红外灯发出红外线照射周围的环境，使可以接收到红外线反射所成的画面，因此图像采集装置可以利用安装在内部的红外灯获取黑暗环境中的视频图像，由于图像采集装置只有在周围环境无可见光时才开启红外灯，进入夜间拍摄模式，而为了实现图像采集装置在日夜工作模式下的有效切换，可以在进入夜间时通过光敏电阻控制滤光片切换，使图像采集装置处于红外导通状态启动红外灯。
而上述通过光敏电阻控制滤光片切换由于要在摄像机上加装光敏电阻，通常称为硬光敏方案，该方法硬件成本和人力成本较高，且容易因为光敏电阻的安装位置、器件老化等因素，降低图像采集装置的工作模式的切换精度。
发明内容
本申请实施例提供了一种基于深度学习实现软光敏的方法、装置、终端及存储介质，可以降低硬件成本和人力成本，且提高图像采集装置的工作模式的切换精度。
本申请实施例的第一方面提供了一种基于深度学习实现软光敏的方法，图像采集装置的工作模式包括白天模式和夜晚模式，所述方法包括：
获取所述图像采集装置的当前工作模式对应的目标日夜预测模型；
基于所述图像采集装置在所述当前工作模式下连续采集的N帧图像，获取所述目标日夜预测模型对应的目标输入信息；在所述当前工作模式为白天模式的情况下，所述目标日夜预测模型为第一日夜预测模型，所述目标日夜预测模型对应的目标输入信息为所述N帧图像和所述N帧图像对应的感光度；在所述当前工作模式为夜晚模式的情况下，所述目标日夜预测模型为第二日夜预测模型，所述目标日夜预测模型对应的目标输入信息为所述N帧图像对应的感光度和白平衡信号，N为大于零的整数；
将所述目标输入信息输入所述目标日夜预测模型，得到所述图像采集装置的当前所处环境；
若所述当前所处环境与所述当前工作模式不匹配，则控制所述图像采集装置切换至与所述当前所处环境匹配的工作模式。
本申请实施例的第二方面提供了一种基于深度学习实现软光敏的装置，所述基于深度学习实现软光敏的装置包括：
模型获取模块，用于获取所述图像采集装置的当前工作模式对应的目标日夜预测模型；
目标获取模块，用于基于所述图像采集装置在所述当前工作模式下连续采集的N帧图像，获取所述目标日夜预测模型对应的目标输入信息；在所述当前工作模式为白天模式的情况下，所述目标日夜预测模型为第一日夜预测模型，所述目标日夜预测模型对应的目标输入信息为所述N帧图像和所述N帧图像对应的感光度；在所述当前工作模式为夜晚模式的情况下，所述目标日夜预测模型为第二日夜预测模型，所述目标日夜预测模型对应的目标输入信息为所述N帧图像对应的感光度和白平衡信号，N为大于零的整数；
预测模块，用于将所述目标输入信息输入所述目标日夜预测模型，得到所述图像采集装置的当前所处环境；
切换模块，用于若所述当前所处环境与所述当前工作模式不匹配，则控制所述图像采集装置切换至与所述当前所处环境匹配的工作模式。
本申请实施例的第三方面提供了一种终端，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于深度学习实现软光敏的方法。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的基于深度学习实现软光敏的方法。
本申请实施例的第五方面提供了一种计算机程序产品，当所述计算机程序产品在终端上运行时，使得所述终端执行上述第一方面所述的基于深度学习实现软光敏的方法。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例通过获取图像采集装置在当前工作模式对应的目标日夜预测模型，并基于图像采集装置在当前工作模式下连续采集的N帧图像，获取到了目标日夜预测模型对应的目标输入信息。其中，图像采集装置的工作模式包括白天模式和夜晚模式，且在当前工作模式为白天模式的情况下，目标日夜预测模型为第一日夜预测模型，目标日夜预测模型对应的目标输入信息为N帧图像和N帧图像对应的感光度；而在当前工作模式为夜晚模式的情况下，目标日夜预测模型为第二日夜预测模型，目标日夜预测模型对应的目标输入信息为N帧图像对应的感光度和白平衡信号；将上述目标输入信息输入目标日夜预测模型，可以得出图像采集装置的当前所处环境。若当前所处环境与当前工作模式不匹配，则控制图像采集装置切换至与当前所处环境匹配的工作模式。上述基于图像采集装置采集到的图像采用深度学习模型进行分析，得出图像采集装置的当前所处环境，进而控制工作模式切换的软光敏方案由于无需安装光敏电阻，节约了硬件成本和人力成本，且提高图像采集装置的工作模式的切换精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种基于深度学习实现软光敏的方法的流程示意图；
图2是本申请实施例二提供的一种基于深度学习实现软光敏的方法的流程示意图；
图3是本申请实施例三提供的一种基于深度学习实现软光敏的方法的流程示意图；
图4是本申请实施例四提供的一种基于深度学习实现软光敏的装置的结构示意图；
图5是本申请实施例五提供的一种终端的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
通过研究发现，相比于在图像采集装置上加装光敏电阻的硬光敏方案，通过图像采集装置的内部响应信号、图像内容以及相应的判断算法，得出图像采集装置处于白天环境或者夜晚环境，进而控制红外灯是否开启（工作模式为夜晚模式时红外灯开启，工作模式为白天模式时红外灯关闭）的方案更能节约硬件成本和人力成本。其中，通过图像采集装置的内部响应信号、图像内容以及相应的判断算法得出图像采集装置所处的环境进而控制图像采集装置的工作模式的方案称为软光敏方案。软光敏方案可以准确感知周围环境的感光度，不会因为硬光敏方案中光敏电阻的安装位置、精度不足等问题影响实际效果，因为在软光敏方案中无需安装光敏电阻。
其中，图像采集装置的内部响应信号通常包括感光度、白平衡信号、曝光量等。在实际环境中，图像在不同时刻发生的变化都会体现在这些信号中，即可以根据这些信号的变化，得出图像采集装置在采集图像时所处的环境（即白天环境或夜晚环境）。
现有技术中，通常采用设置信号阈值的方法定量的分析图像中信号发生的变化，但信号阈值的设置还处于简单靠人为经验标定的阶段，且反映图像发生变化的信号在不同的环境中的变化具有多样性，难以通过先验知识进行统一的调控，因此通过设置信号阈值的方法定量的分析图像中信号发生的变化，得出图像采集装置在采集该图像时所处的环境，并根据图像采集装置所处的环境控制工作模式的切换的方案难以同时满足各种复杂的环境条件。
基于上述问题，本申请提供了一种基于深度学习实现软光敏的方法，通过获取图像采集装置在当前工作模式对应的目标日夜预测模型，并基于图像采集装置在当前工作模式下连续采集的N帧图像，获取目标日夜预测模型对应的目标输入信息。其中，图像采集装置的工作模式包括白天模式和夜晚模式，且在当前工作模式为白天模式的情况下，目标日夜预测模型为第一日夜预测模型，目标日夜预测模型对应的目标输入信息为N帧图像和N帧图像对应的感光度；而在当前工作模式为夜晚模式的情况下，目标日夜预测模型为第二日夜预测模型，目标日夜预测模型对应的目标输入信息为N帧图像对应的感光度和白平衡信号；将上述目标输入信息输入目标日夜预测模型，可以得出图像采集装置的当前所处环境。若当前所处环境与当前工作模式不匹配，则控制图像采集装置切换至与当前所处环境匹配的工作模式。上述基于图像采集装置采集到的图像采用深度学习模型进行分析，得出图像采集装置的当前所处环境，进而控制工作模式切换的软光敏方案由于无需安装光敏电阻，节约了硬件成本和人力成本，且提高了图像采集装置的工作模式的切换精度，同时基于深度学习模型对采集到的图像进行分析，更有利于发现各信号内部的相关性并建立对应模型，提升了软光敏算法的鲁棒性，以适应各种复杂的环境条件。
应理解，本实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请的技术方案，下面通过具体实施例来说明。
参照图1，示出了本申请实施例一提供的一种基于深度学习实现软光敏的方法的流程示意图。如图1所示，该基于深度学习实现软光敏的方法可以包括如下步骤：
步骤101，获取图像采集装置的当前工作模式对应的目标日夜预测模型。
其中，图像采集装置可以是指任一能够采集图像的装置，例如单目摄像头、双目摄像头等。图像采集装置的工作模式包括白天模式和夜晚模式，且图像采集装置在工作模式为白天模式的情况下，其内部的红外灯处于关闭状态；图像采集装置在工作模式为夜晚模式的情况下，其内部的红外灯处于开启状态。
其中，日夜预测模型可以是指基于对应的第一样本图像完成训练的神经网络模型，由于在不同工作模式下周围环境的影响存在不同，即在工作模式为白天模式，且图像采集装置的当前所处环境为夜晚环境时，若周围环境的光照比较亮，终端仅根据获取到的图像中感光度的变化，容易出现因光照太亮而不切换至夜晚模式的现象；在工作模式为夜晚模式，且图像采集装置当前所处环境为夜晚环境时，图像采集装置因周围环境出现的局部光照污染以及红外灯的反射，容易出现反复误切换白天模式的现象。因此，在不同的工作模式下，对应的日夜预测模型是不同的，其相对应的目标日夜预测模型要能够消除对应的工作模式下的容易出现的误切问题。
在本申请实施例中，可以基于图像采集装置的工作模式与日夜预测模型之间的对应关系，获取图像采集装置的当前工作模式对应的目标日夜预测模型，其中，对应关系至少包括图像采集装置的当前工作模式与日夜预测模型之间的映射关系。
步骤102，基于图像采集装置在当前工作模式下连续采集的N帧图像，获取目标日夜预测模型对应的目标输入信息。
在本申请实施例中，在当前工作模式为白天模式的情况下，获取的目标日夜预测模型为第一日夜预测模型，第一日夜预测模型对应的目标输入信息为N帧图像和N帧图像对应的感光度；在当前工作模式为夜晚模式的情况下，获取的目标日夜预测模型为第二日夜预测模型，第二日夜预测模型对应的目标输入信息为N帧图像对应的感光度和白平衡信号，且N为大于零的整数。
其中，第一日夜预测模型可以是指基于第一样本图像和第一样本图像对应的感光度对第一神经网络进行训练后得到的网络模型，第二日夜预测模型可以是指基于第一样本图像对应的感光度和第一样本图像对应的白平衡信号对第二神经网络进行训练后得到的网络模型。
应理解，第一神经网络以及第二神经网络的结构可以是基于深度学习的任一网络结构或者其网络结构的变体，例如Inception结构、深度残差网络、卷积网络结构、长短期记忆（Long ShortTerm Memory,LSTM）网络结构等，本申请对第一神经网络以及第二神经网络的具体结构不做限定。
在本申请实施例中，目标日夜预测模型对应的目标输入信息主要包括N帧图像对应的感光度、N帧图像对应的白平衡信号以及N帧图像。其中，N帧图像对应的感光度可以通过图像采集装置中的自动曝光系统获取，N帧图像对应的白平衡信号可以通过图像采集装置中的测色温系统获取。其中，感光度是指图像采集装置采集到图像对于光的灵敏度，又称ISO值，白平衡信号可以是指白平衡增益值，其影响图像发生变化的增益值主要包括红色增益值Rgain和蓝色增益值Bgain，因此可以选取红色增益值Rgain和蓝色增益值Bgain作为N帧图像对应的白平衡信号。
应理解，可以采用任意一种色彩通道增益的计算方法计算红色增益值Rgain和蓝色增益值Bgain，例如查表法、迭代法等，本申请对此不做限定。
在一种可能的实施方式中，基于图像采集装置在当前工作模式下连续采集的N帧图像，获取目标日夜预测模型对应的目标输入信息，包括：
对N帧图像进行色彩修正；
基于色彩修正后的N帧图像，获取目标日夜预测模型对应的目标输入信息。
在本申请实施例中，由于每台图像采集装置的内部参数设置不同，以及图像采集装置的型号差异，导致多个图像采集装置采集到的图片的质量存在差异，主要体现在色彩差异上，而色彩差异对目标输入信息的准确度有着较大的影响，因此在将目标输入信息输入至对应的目标日夜预测模型之前，应首先对图像采集装置采集到的N帧图像进行色彩修正，以还原图像的真实色彩，并在色彩修正得到色彩修正后的图像后，基于色彩修正后的N帧图像，获取目标日夜预测模型对应的目标输入信息，以保证目标输入信息的准确性。
应理解，通过色彩修正后，对应变化的目标输入信息为N帧图像对应的白平衡信号，由于N帧图像对应的感光度是通过图像采集装置中的自动曝光系统获取的，与是否进行色彩修正无关，因此在通过色彩修正后，N帧图像对应的感光度不发生变化。
步骤103，将目标输入信息输入目标日夜预测模型，得到图像采集装置的当前所处环境。
在本申请实施例中，在图像采集装置的工作模式为白天模式时，将目标输入信息输入目标日夜预测模型是指将N帧图像对应的感光度和N帧图像输入至第一日夜预测模型中，得出N帧图像分别对应于白天环境和夜晚环境的概率值，其中两个概率值可以是指第一日夜预测模型的全连接层输出的神经元的置信度，由于全连接层输出的神经元的置信度的总和为1，所以两个概率值的总和也为1，确定概率值中的最大值对应的环境为图像采集装置的当前所处环境，例如，得出N帧图像对应于白天环境的概率值为30%，对应于夜晚环境的概率值为70%，则可以确定图像采集装置的当前所处环境为夜晚环境。
在一种可能的实施方式中，在当前工作模式为白天模式的情况下，在将目标输入信息输入目标日夜预测模型之前，包括：
将N帧图像中每帧图像以及与该帧图像对应的感光度记录为一组第一输入信息，得到N组第一输入信息；
将目标输入信息输入目标日夜预测模型，包括：
将N组第一输入信息按照N帧图像采集时间的先后顺序输入第一日夜预测模型。
在本申请实施例中，由于第一日夜预测模型是根据一段时间内图像的变化信息对图像采集装置的当前所处环境进行预测，因此第一日夜预测模型在进行预测时，输入信息是N帧图像和N帧图像对应的感光度，又由于基于图像的变化与图像采集时间的先后顺序密切相关，因此需要将目标输入信息按照图像采集时间的先后顺序依次输入到第一日夜预测模型中，以得到预测结果（即图像采集装置的当前所处环境）。
示例性地，假设每帧图像对应的感光度为ISO i ，每帧图像为IMG i ，其中i=1,2,3…N，将N帧图像中每帧图像以及与该帧图像对应的感光度记录为一组第一输入信息为D i ={ISO i ，IMG i }，将N组第一输入信息按照N帧图像采集时间的先后顺序输入第一日夜预测模型，即将D1={ISO1，IMG1}，D2={ISO2，IMG2}，D3={ISO3，IMG3}，…，DN={ISON，IMGN}依次输入到第一日夜预测模型中。
在本申请实施例中，在图像采集装置的工作模式为夜晚模式时，将目标输入信息输入目标日夜预测模型是指将N帧图像对应的感光度和N帧图像对应的白平衡信号输入至第二日夜预测模型中，得出N帧图像分别对应于白天环境和夜晚环境的概率值，其中两个概率值可以是指第二日夜预测模型的全连接层输出的神经元的置信度，由于全连接层输出的神经元的置信度的总和为1，所以两个概率值的总和也为1，确定概率值中的最大值对应的环境为图像采集装置的当前所处环境，例如，得出N帧图像对应于白天环境的概率值为30%，对应于夜晚环境的概率值为70%，则可以确定图像采集装置的当前所处环境为夜晚环境。
在一种可能的实施方式中，在当前工作模式为夜晚模式的情况下，在将目标输入信息输入目标日夜预测模型之前，包括：
将N帧图像中每帧图像对应的感光度和白平衡信号记录为一组第二输入信息，得到N组第二输入信息；
将目标输入信息输入目标日夜预测模型，包括：
将N组第二输入信息按照N帧图像采集时间的先后顺序输入第二日夜预测模型。
在本申请实施例中，由于第二日夜预测模型是根据一段时间内图像的变化信息对图像采集装置的当前所处环境进行预测，因此第二日夜预测模型在进行预测时，输入信息是N帧图像对应的感光度和N帧图像对应的白平衡信号，又由于基于图像的变化与图像采集时间的先后顺序密切相关，因此需要将目标输入信息按照图像采集时间的先后顺序依次输入到二日夜预测模型中，以得到预测结果（即图像采集装置的当前所处环境）。
示例性地，假设每帧图像对应的感光度为ISO i ，每帧图像对应的白平衡信号为Rgain i 和Bgain i ，其中i=1,2,3…N，将N帧图像中每帧图像对应的感光度以及与每帧图像对应的白平衡信号记录为一组第二输入信息为E i ={ISO i ，Rgain i ，Bgain i }，将N组第二输入信息按照N帧图像采集时间的先后顺序输入第二日夜预测模型，即将E1={ISO1，Rgain1，Bgain1}，E2={ISO2，Rgain2，Bgain2}，E3={ISO3，Rgain3，Bgain3}，…，EN={ISON，RgainN，BgainN}依次输入到第二日夜预测模型中。
应理解，N指第一日夜预测模型和第二日夜预测模型中能输入的时序的最大帧数，N为大于零的整数，例如N可以取值为3。
步骤104，若当前所处环境与当前工作模式不匹配，则控制图像采集装置切换至于当前所处环境匹配的工作模式。
在本申请实施例中，当前所处环境与当前工作模式不匹配可以是指：图像采集装置在白天环境的工作模式为夜晚环境，或者，在夜晚环境的工作模式为白天环境。上述两种情况均表示图像采集装置的当前所处环境与当前工作模式不匹配。
在本申请实施例中，判断当前所处环境与当前工作模式是否匹配具体可以包括：
判断预设的对应关系中是否存在当前所处环境与当前工作模式之间的映射关系，对应关系至少包括白天环境与白天模式之间的映射关系，以及夜晚环境和夜晚模式之间的映射关系；
若对应关系中不存在当前所处环境与当前工作模式之间的映射关系，则确定当前所处环境与当前工作模式不匹配；
若对应关系中存在当前所处环境与当前工作模式之间的映射关系，则确定当前所处环境与当前工作模式匹配。
应理解，若当前所处环境与当前工作模式匹配，则控制图像采集装置维持当前工作模式。
在本申请实施例中，通过获取图像采集装置在当前工作模式对应的目标日夜预测模型，并基于图像采集装置在当前工作模式下连续采集的N帧图像，获取到了目标日夜预测模型对应的目标输入信息。其中，图像采集装置的工作模式包括白天模式和夜晚模式，且在当前工作模式为白天模式的情况下，目标日夜预测模型为第一日夜预测模型，目标日夜预测模型对应的目标输入信息为N帧图像和N帧图像对应的感光度；而在当前工作模式为夜晚模式的情况下，目标日夜预测模型为第二日夜预测模型，目标日夜预测模型对应的目标输入信息为N帧图像对应的感光度和白平衡信号；将上述目标输入信息输入目标日夜预测模型，可以得出图像采集装置的当前所处环境。若当前所处环境与当前工作模式不匹配，则控制图像采集装置切换至与当前所处环境匹配的工作模式。上述基于图像采集装置采集到的图像采用深度学习模型进行分析，得出图像采集装置的当前所处环境，进而控制工作模式切换的软光敏方案由于无需安装光敏电阻，节约了硬件成本和人力成本，且提高了图像采集装置的工作模式的切换精度。
参见图2，示出了本申请实施例二提供的一种基于深度学习实现软光敏的方法的流程示意图。如图2所示，该基于深度学习实现软光敏的方法可以包括如下步骤：
步骤201，获取图像采集装置的当前工作模式对应的目标日夜预测模型。
步骤202，基于图像采集装置在当前工作模式下连续采集的N帧图像，获取目标日夜预测模型对应的目标输入信息。
步骤203，将目标输入信息输入目标日夜预测模型，得到图像采集装置的当前所处环境。
本实施例步骤201-203与前述实施例步骤101-103相同，可以相互参阅，本实施例在此不再赘述。
步骤204，在当前工作模式为夜晚模式的情况下，将N帧图像按照N帧图像的先后顺序输入环境检测模型，以判断N帧图像中是否存在光源污染。
在本申请实施例中，相较于白天模式，夜晚模式更容易出现局部光照污染或者短时的不同距离的摄像头遮挡问题，例如，在出现不同距离的摄像头遮挡时，图像采集装置内的红外灯可能会将灯光的返回至图像采集装置中，出现内部光照污染的情形，而且若图像采集装置周围的路灯光照强度过大，也会对图像采集装置造成外部光照污染的情形，因此，相较于白天模式，在夜晚模式进行图像采集装置的当前所处环境的判断时，需要防止光照污染对判断结果的影响。
在本申请实施例中，为了防止光照污染对判断结果的影响，可以将N帧图像按照N帧图像的先后顺序输入环境检测模型，输出N帧图像中是否存在光源污染对应的概率值，若存在光源污染的概率值大于不存在光源污染的概率值，则确定N帧图像均不存在光源污染，即为正常的图像。可以将环境检测模型输出的结果作为夜晚模式下是否切换为白天模式的参考。
其中，环境检测模型可以是指基于第二样本图像对第三神经网络进行训练后得到的网络模型，第二样本图像是指存在光源污染的图像，且第三神经网络的结构是基于深度学习的任一网络结构或者其网络结构的变体，例如Inception结构、深度残差网络、卷积网络结构、LSTM网络结构等，本申请对第三神经网络的具体结构不做限定。
步骤205，若N帧图像中均不存在光源污染，且图像采集装置的当前所处环境为白天环境，则控制图像采集装置切换至白天模式。
在本申请实施例中，若确定图像采集装置的当前所处环境为白天环境，且通过环境检测模型检测出N帧图像中均不存在光源污染，则可以确定图像采集装置的当前所处环境的最终结果为白天环境，此时控制图像采集装置切换至白天模式更加精确。
应理解，为了减少终端的计算量，可以首先通过第二日夜预测模型对当前所处环境进行预测，在得出当前所处环境为白天环境时，再将N帧图像输入至环境检测模型中，结合环境检测模型的结果进行判断图像采集装置最终的当前所处环境。即若第二日夜预测模型输出的当前所处环境为夜晚环境，则重新采集N帧图像，将重新采集的N帧图像输入到第二日夜预测模型中继续检测，直到检测出存在N帧图像对应的输出结果为当前所处环境为白天环境，在将该N帧图像输入到环境检测模型中，若环境检测模型输出的结果为该N帧图像中均不存在光源污染，则控制图像采集装置切换至白天模式。
相较于实施例一，本申请实施例为了解决因出现光源污染导致模型输出的检测结果不精确的问题，在工作模式为夜晚模式时，增加了环境检测模型，在环境检测模型检测出N帧图像中存在光源污染的情况下，不控制图像采集装置将工作模式切换为白天模式，可以解决因光源污染导致的夜晚误切的问题。
参见图3，示出了本申请实施例三提供的一种基于深度学习实现软光敏的方法的流程示意图。如图3所示，该基于深度学习实现软光敏的方法可以包括如下步骤：
步骤301，获取图像采集装置的当前工作模式对应的目标日夜预测模型。
步骤302，获取图像采集装置在当前工作模式下连续采集的N帧图像。
步骤303，基于N帧图像，获取目标日夜预测模型对应的目标输入信息。
本实施例步骤301-303与前述实施例步骤101-102相同，可以相互参阅，本实施例在此不再赘述。
步骤304，判断N帧图像对应的感光度是否与当前工作模式下的目标感光度阈值匹配。
其中，在当前工作模式为白天模式的情况下，目标感光度阈值可以为第一阈值，若N帧图像对应的感光度大于第一阈值，则确定N帧图像对应的感光度与目标感光度阈值匹配；在当前工作模式为夜晚模式的情况下，目标感光度阈值可以为第二阈值，若N帧图像对应的感光度小于第二阈值，则确定N帧图像对应的感光度与目标感光度阈值匹配。
其中，第一阈值可以与第二阈值相等，也可以不相等，具体可以根据用户对终端功耗的要求设置，本申请对此不做限定。
在本申请实施例中，在白天环境或者夜晚环境时，采集的图像对应的感光度一般具有一个对应的范围，例如在白天环境获取的图像的感光度一般情况下小于ISO1000，而夜晚环境获取的图像的感光度一般情况下大于ISO1000，因此可以首先判断N帧图像对应的感光度是否与当前工作模式下的目标感光度阈值匹配，设置目标感光度阈值为ISO1000。
示例性地，若工作模式为白天模式，则在获取的N帧图像中存在图像帧感光度大于ISO1000时，将该图像与该图像对应的感光度记录为一组第一输入信息，并依次判断N帧图像中每帧图像的感光度是否均大于ISO1000，将大于ISO1000的图像以及对应的感光度记录为多组第一输入信息，累积达到N组时，将N组第一输入信息输入至第一日夜预测模型中。由于终端在进行初始化时，获取的图像质量参差不齐，直接判断每帧图像的感光度容易导致判断不精确，因此可以连续获取T帧图像，并获取T帧图像对应的感光度，记录T帧图像对应的感光度的平均值，将该平均值与ISO1000进行对比，若该平均值大于ISO1000，则将T组第一输入信息输入至第一日夜预测模型中，例如T 可以取值20。
示例性地，若工作模式为夜晚模式，终端在切换为夜晚模式后首先经历初始化阶段，获取的图像质量参差不齐，直接判断每帧图像的感光度容易导致判断不精确，因此可以连续获取P帧图像（P可以取值为20），并获取P帧图像对应的感光度，记录P帧图像对应的感光度的平均值，在获取的N帧图像存在的图像感光度小于ISO1000且上述平均值与N帧图像中任一图像的感光度的差值大于ISO50时，将该图像对应的感光度与该图像对应的白平衡信号记录为一组第二输入信息，并依次判断N帧图像中每帧图像的感光度是否均小于ISO1000且与平均值的差值大于ISO50，将小于ISO1000且与平均值的差值大于ISO50的图像对应的感光度以及对应的白平衡信号记录为多组第二输入信息，累积达到N组时，将N组第二输入信息输入至第二日夜预测模型中。
应理解，将N帧图像对应的感光度与当前工作模式下的目标感光度阈值进行匹配判断，可以节省终端的功耗，当N帧图像对应的感光度与当前工作模式下的目标感光度阈值不匹配时，则无需将目标输入信息输入至对应的目标日夜预测模型中，以节省终端的功耗。
在本申请实施例中，若N帧图像对应的感光度与当前工作模式下的目标感光度阈值不匹配，则返回执行步骤302，以重新获取图像采集装置连续采集的N帧图像。步骤303基于重新获取的N帧图像，得到目标日夜预测模型对应的目标输入信息。进而判断重新获取的N帧图像对应的感光度是否与当前工作模式下的目标感光度阈值匹配，直到N帧图像对应的感光度与目标感光度阈值相匹配的情况下，执行步骤305。
步骤305，将目标输入信息输入目标日夜预测模型，得到图像采集装置的当前所处环境。
步骤306，在当前工作模式为夜晚模式的情况下，将N帧图像按照N帧图像的先后顺序输入环境检测模型，以判断N帧图像中是否存在光源污染。
步骤307，若N帧图像中均不存在光源污染，且图像采集装置的当前所处环境为白天环境，则控制图像采集装置切换至白天模式。
本实施例步骤305-307与前述实施例步骤203-205相同，可以相互参阅，本实施例在此不再赘述。
相较于实施例一，本申请实施例为了节省终端的功耗，在获取到目标日夜预测模型对应的目标输入信息后，对N帧图像对应的感光度与当前工作模式下的目标感光度阈值是否匹配进行了判断，且只有在两者匹配的情况下，才将将目标输入信息输入目标日夜预测模型进行预测，减少了很多无效预测，节省了终端的功耗。
参见图4，示出了本申请实施例四提供的一种基于深度学习实现软光敏的装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。
基于深度学习实现软光敏的装置具体可以包括如下模块：
模型获取模块401，用于获取图像采集装置的当前工作模式对应的目标日夜预测模型；
目标获取模块402，用于基于图像采集装置在当前工作模式下连续采集的N帧图像，获取目标日夜预测模型对应的目标输入信息；在当前工作模式为白天模式的情况下，目标日夜预测模型为第一日夜预测模型，目标日夜预测模型对应的目标输入信息为N帧图像和N帧图像对应的感光度；在当前工作模式为夜晚模式的情况下，目标日夜预测模型为第二日夜预测模型，目标日夜预测模型对应的目标输入信息为N帧图像对应的感光度和白平衡信号，N为大于零的整数；
预测模块403，用于将目标输入信息输入目标日夜预测模型，得到图像采集装置的当前所处环境；
切换模块404，用于若当前所处环境与当前工作模式不匹配，则控制图像采集装置切换至与当前所处环境匹配的工作模式。
在本申请实施例中，基于深度学习实现软光敏的装置具体还可以包括如下模块：
环境检测模块，用于在当前工作模式为夜晚模式的情况下，将N帧图像按照N帧图像采集时间的先后顺序输入环境检测模型，以判断N帧图像中是否存在光源污染。
在本申请实施例中，在基于深度学习实现软光敏的装置包括环境检测模块的情况下，切换模块404具体可以用于：
若N帧图像中均不存在光源污染，且图像采集装置的当前所处环境为白天环境，则控制图像采集装置切换至白天模式。
在本申请实施例中，预测模块403具体可以包括如下子模块：
概率获取子模块，用于将目标输入信息输入目标日夜预测模型，得到N帧图像分别对应于白天环境和夜晚环境的概率值；
环境确定子模块，用于确定概率值中的最大值对应的环境为图像采集装置的当前所处环境。
在本申请实施例中，在当前工作模式为白天模式的情况下，基于深度学习实现软光敏的装置具体还可以包括如下模块：
第一输入确定模块，用于将N帧图像中每帧图像以及与该帧图像对应的感光度记录为一组第一输入信息，得到N组第一输入信息。
在本申请实施例中，在基于深度学习实现软光敏的装置包括第一输入确定模块的情况下，预测模块403具体可以用于：
将N组第一输入信息按照N帧图像采集时间的先后顺序输入第一日夜预测模型。
在本申请实施例中，在当前工作模式为夜晚模式的情况下，基于深度学习实现软光敏的装置具体还可以包括如下模块：
第二输入确定模块，用于将N帧图像中每帧图像对应的感光度和白平衡信号记录为一组第二输入信息，得到N组第二输入信息。
在本申请实施例中，在基于深度学习实现软光敏的装置包括第二输入确定模块的情况下，预测模块403具体可以用于：
将N组第二输入信息按照N帧图像采集时间的先后顺序输入第二日夜预测模型。
在本申请实施例中，基于深度学习实现软光敏的装置具体还可以包括如下模块：
判断模块，用于判断N帧图像对应的感光度是否与当前工作模式下的目标感光度阈值匹配；在当前工作模式为白天模式的情况下，目标感光度阈值为第一阈值，若N帧图像对应的感光度大于第一阈值，则确定N帧图像对应的感光度与目标感光度阈值匹配；在当前工作模式为夜晚模式的情况下，目标感光度阈值为第二阈值，若N帧图像对应的感光度小于第二阈值，则确定N帧图像对应的感光度与目标感光度阈值匹配；
循环执行模块，用于若N帧图像对应的感光度与目标感光度阈值不匹配，则基于图像采集装置在当前工作模式下重新连续采集的N帧图像，返回执行判断N帧图像对应的感光度是否与当前工作模式下的目标感光度阈值匹配的步骤，直到N帧图像对应的感光度与目标感光度阈值匹配。
在本申请实施例中，在基于深度学习实现软光敏的装置包括判断模块和循环执行模块的情况下，预测模块403具体可以用于：
在N帧图像对应的感光度与目标感光度阈值匹配的情况下，将目标输入信息输入目标日夜预测模型，得到图像采集装置的当前所处环境。
在本申请实施例中，目标获取模块402具体可以包括如下子模块：
修正子模块，用于对N帧图像进行色彩修正；
信息获取子模块，用于基于色彩修正后的N帧图像，获取目标日夜预测模型对应的目标输入信息。
本申请实施例提供的基于深度学习实现软光敏的装置可以应用在前述方法实施例中，详情参见上述方法实施例的描述，在此不再赘述。
图5是本申请实施例五提供的终端的结构示意图。如图5所示，该实施例的终端500包括：至少一个处理器510（图5中仅示出一个）处理器、存储器520以及存储在所述存储器520中并可在所述至少一个处理器510上运行的计算机程序521，所述处理器510执行所述计算机程序521时实现上述基于深度学习实现软光敏的方法实施例中的步骤。
所述终端500可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端可包括，但不仅限于，处理器510、存储器520。本领域技术人员可以理解，图5仅仅是终端500的举例，并不构成对终端500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器510可以是中央处理单元(Central Processing Unit，CPU)，该处理器510还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器520在一些实施例中可以是所述终端500的内部存储单元，例如终端500的硬盘或内存。所述存储器520在另一些实施例中也可以是所述终端500的外部存储设备，例如所述终端500上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器520还可以既包括所述终端500的内部存储单元也包括外部存储设备。所述存储器520用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器520还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（RandomAccess Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当所述计算机程序产品在终端上运行时，使得所述终端执行时可实现上述各个方法实施例中的步骤。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制。尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于深度学习实现软光敏的方法，其特征在于，图像采集装置的工作模式包括白天模式和夜晚模式，所述方法包括：
获取所述图像采集装置的当前工作模式对应的目标日夜预测模型；
基于所述图像采集装置在所述当前工作模式下连续采集的N帧图像，获取所述目标日夜预测模型对应的目标输入信息；在所述当前工作模式为白天模式的情况下，所述目标日夜预测模型为第一日夜预测模型，所述目标日夜预测模型对应的目标输入信息为所述N帧图像和所述N帧图像对应的感光度；在所述当前工作模式为夜晚模式的情况下，所述目标日夜预测模型为第二日夜预测模型，所述目标日夜预测模型对应的目标输入信息为所述N帧图像对应的感光度和白平衡信号，N为大于零的整数；
将所述目标输入信息输入所述目标日夜预测模型，得到所述图像采集装置的当前所处环境；
若所述当前所处环境与所述当前工作模式不匹配，则控制所述图像采集装置切换至与所述当前所处环境匹配的工作模式。
2.如权利要求1所述的方法，其特征在于，还包括：
在所述当前工作模式为夜晚模式的情况下，将所述N帧图像按照所述N帧图像采集时间的先后顺序输入环境检测模型，以判断所述N帧图像中是否存在光源污染；
所述若所述当前所处环境与所述当前工作模式不匹配，则控制所述图像采集装置切换至与所述当前所处环境匹配的工作模式，包括：
若所述N帧图像中均不存在光源污染，且所述图像采集装置的当前所处环境为白天环境，则控制所述图像采集装置切换至所述白天模式。
3.如权利要求1所述的方法，其特征在于，所述将所述目标输入信息输入所述目标日夜预测模型，得到所述图像采集装置的当前所处环境，包括：
将所述目标输入信息输入所述目标日夜预测模型，得到所述N帧图像分别对应于白天环境和夜晚环境的概率值；
确定概率值中的最大值对应的环境为所述图像采集装置的当前所处环境。
4.如权利要求1所述的方法，其特征在于，在所述当前工作模式为白天模式的情况下，在将所述目标输入信息输入所述目标日夜预测模型之前，包括：
将所述N帧图像中每帧图像以及与该帧图像对应的感光度记录为一组第一输入信息，得到N组第一输入信息；
所述将所述目标输入信息输入所述目标日夜预测模型，包括：
将所述N组第一输入信息按照所述N帧图像采集时间的先后顺序输入所述第一日夜预测模型。
5.如权利要求1所述的方法，其特征在于，在所述当前工作模式为夜晚模式的情况下，在所述将所述目标输入信息输入所述目标日夜预测模型之前，包括：
将所述N帧图像中每帧图像对应的感光度和白平衡信号记录为一组第二输入信息，得到N组第二输入信息；
所述将所述目标输入信息输入所述目标日夜预测模型，包括：
将所述N组第二输入信息按照所述N帧图像采集时间的先后顺序输入所述第二日夜预测模型。
6.如权利要求1所述的方法，其特征在于，还包括：
判断所述N帧图像对应的感光度是否与所述当前工作模式下的目标感光度阈值匹配；在所述当前工作模式为白天模式的情况下，所述目标感光度阈值为第一阈值，若所述N帧图像对应的感光度大于第一阈值，则确定所述N帧图像对应的感光度与所述目标感光度阈值匹配；在所述当前工作模式为夜晚模式的情况下，所述目标感光度阈值为第二阈值，若所述N帧图像对应的感光度小于第二阈值，则确定所述N帧图像对应的感光度与所述目标感光度阈值匹配；
若所述N帧图像对应的感光度与所述目标感光度阈值不匹配，则基于所述图像采集装置在所述当前工作模式下重新连续采集的N帧图像，返回执行所述判断所述N帧图像对应的感光度是否与所述当前工作模式下的目标感光度阈值匹配的步骤，直到所述N帧图像对应的感光度与所述目标感光度阈值匹配；
所述将所述目标输入信息输入所述目标日夜预测模型，包括：
在所述N帧图像对应的感光度与所述目标感光度阈值匹配的情况下，将所述目标输入信息输入所述目标日夜预测模型，得到所述图像采集装置的当前所处环境。
7.如权利要求1所述的方法，其特征在于，所述基于所述图像采集装置在所述当前工作模式下连续采集的N帧图像，获取所述目标日夜预测模型对应的目标输入信息，包括：
对所述N帧图像进行色彩修正；
基于色彩修正后的N帧图像，获取所述目标日夜预测模型对应的目标输入信息。
8.一种基于深度学习实现软光敏的装置，其特征在于，所述装置包括：
模型获取模块，用于获取图像采集装置的当前工作模式对应的目标日夜预测模型；
目标获取模块，用于基于所述图像采集装置在所述当前工作模式下连续采集的N帧图像，获取所述目标日夜预测模型对应的目标输入信息；在所述当前工作模式为白天模式的情况下，所述目标日夜预测模型为第一日夜预测模型，所述目标日夜预测模型对应的目标输入信息为所述N帧图像和所述N帧图像对应的感光度；在所述当前工作模式为夜晚模式的情况下，所述目标日夜预测模型为第二日夜预测模型，所述目标日夜预测模型对应的目标输入信息为所述N帧图像对应的感光度和白平衡信号，N为大于零的整数；
预测模块，用于将所述目标输入信息输入所述目标日夜预测模型，得到所述图像采集装置的当前所处环境；
切换模块，用于若所述当前所处环境与所述当前工作模式不匹配，则控制所述图像采集装置切换至与所述当前所处环境匹配的工作模式。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，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7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210339044.1A CN114430461B (zh) | 2022-04-01 | 2022-04-01 | 基于深度学习实现软光敏的方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210339044.1A CN114430461B (zh) | 2022-04-01 | 2022-04-01 | 基于深度学习实现软光敏的方法、装置、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114430461A CN114430461A (zh) | 2022-05-03 |
| CN114430461B true CN114430461B (zh) | 2022-07-19 |
Family
ID=81314469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210339044.1A Active CN114430461B (zh) | 2022-04-01 | 2022-04-01 | 基于深度学习实现软光敏的方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114430461B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115460344B (zh) * | 2022-08-02 | 2023-12-19 | 深圳海翼智新科技有限公司 | 摄像装置异常的处理方法、摄像装置、服务器及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107948521A (zh) * | 2017-12-01 | 2018-04-20 | 深圳市同为数码科技股份有限公司 | 一种基于ae和awb统计信息的摄像机日夜模式切换系统 |
| CN108377340A (zh) * | 2018-05-10 | 2018-08-07 | 杭州雄迈集成电路技术有限公司 | 一种基于rgb-ir传感器日夜模式自动切换方法及装置 |
| CN112804449A (zh) * | 2020-12-30 | 2021-05-14 | 深圳市慧眼视讯电子有限公司 | 摄像头图像采集模式的确定方法、电子设备及存储介质 |
| US11165954B1 (en) * | 2019-06-19 | 2021-11-02 | Objectvideo Labs, Llc | Scene-aware custom tuned video surveillance detection system |
| KR20210132552A (ko) * | 2020-04-27 | 2021-11-04 | 계명대학교 산학협력단 | 자율차량에서 주야간 보행자 감지를 위한 적응적 스위처 및 이를 이용한 보행자 감지 장치 |
| CN113747149A (zh) * | 2021-08-26 | 2021-12-03 | 浙江大华技术股份有限公司 | 滤光片的异常检测方法、装置、电子装置和存储介质 |
-
2022
- 2022-04-01 CN CN202210339044.1A patent/CN114430461B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107948521A (zh) * | 2017-12-01 | 2018-04-20 | 深圳市同为数码科技股份有限公司 | 一种基于ae和awb统计信息的摄像机日夜模式切换系统 |
| CN108377340A (zh) * | 2018-05-10 | 2018-08-07 | 杭州雄迈集成电路技术有限公司 | 一种基于rgb-ir传感器日夜模式自动切换方法及装置 |
| US11165954B1 (en) * | 2019-06-19 | 2021-11-02 | Objectvideo Labs, Llc | Scene-aware custom tuned video surveillance detection system |
| KR20210132552A (ko) * | 2020-04-27 | 2021-11-04 | 계명대학교 산학협력단 | 자율차량에서 주야간 보행자 감지를 위한 적응적 스위처 및 이를 이용한 보행자 감지 장치 |
| CN112804449A (zh) * | 2020-12-30 | 2021-05-14 | 深圳市慧眼视讯电子有限公司 | 摄像头图像采集模式的确定方法、电子设备及存储介质 |
| CN113747149A (zh) * | 2021-08-26 | 2021-12-03 | 浙江大华技术股份有限公司 | 滤光片的异常检测方法、装置、电子装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114430461A (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108683862B (zh) | 成像控制方法、装置、电子设备及计算机可读存储介质 | |
| CN110166707B (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| AU2019326496A1 (en) | Method for capturing images at night, apparatus, electronic device, and storage medium | |
| CN109788207A (zh) | 图像合成方法、装置、电子设备及可读存储介质 | |
| CN108804658B (zh) | 图像处理方法和装置、存储介质、电子设备 | |
| CN109005369B (zh) | 曝光控制方法、装置、电子设备以及计算机可读存储介质 | |
| US20200068112A1 (en) | Exposure Control Method and Device, and Electronic Device | |
| CN110708463B (zh) | 对焦方法、装置、存储介质及电子设备 | |
| CN108093183B (zh) | 一种摄像机日夜模式切换方法及终端设备 | |
| CN111083385B (zh) | 一种双目或多目摄像头曝光方法、系统和存储介质 | |
| CN109361853B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN109089041A (zh) | 拍摄场景的识别方法、装置、电子设备和存储介质 | |
| CN107690804B (zh) | 一种图像处理方法及用户终端 | |
| CN113065374A (zh) | 一种二维码识别方法、装置及设备 | |
| CN112087611A (zh) | 电子设备及其显示屏调节方法 | |
| CN114430461B (zh) | 基于深度学习实现软光敏的方法、装置、终端及存储介质 | |
| CN111937497B (zh) | 一种控制方法、控制装置及红外摄像机 | |
| CN113840095A (zh) | 一种补光灯控制方法及相关装置 | |
| CN115297267B (zh) | 一种用于校准图像采集模组曝光时长的方法以及装置 | |
| CN116614700A (zh) | 一种图像拍摄参数的自适应调整方法、系统和车辆 | |
| CN109756680A (zh) | 图像合成方法、装置、电子设备及可读存储介质 | |
| CN115861088A (zh) | 红外摄像头的非均匀性漂移实时校正方法和系统 | |
| CN113038026B (zh) | 图像处理方法和电子设备 | |
| WO2020019266A1 (zh) | 一种图像处理方法及装置 | |
| CN113132645A (zh) | 图像采集方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |