相机拍摄参数调整方法、装置及电子设备与流程

1.本技术涉及通信技术领域，尤其涉及一种相机拍摄参数调整方法、装置及电子设备。


背景技术：

2.随着电子设备的普及，电子设备的功能越来越完善，电子设备集成有相机，能够满足人们日常的拍摄需求。目前在使用电子设备进行拍摄时，拍摄者依靠自身的拍摄经验调整相机拍摄参数，为获得好的拍摄效果，拍摄者需要反复调整相机拍摄参数，存在相机拍摄参数调整的效率低的问题。


技术实现要素：

3.本技术实施例提供一种相机拍摄参数调整方法、装置及电子设备，能够解决现有技术中拍摄者需要反复调整相机拍摄参数，相机拍摄参数调整的效率低的问题。
4.为了解决上述技术问题，本发明是这样实现的：
5.第一方面，本技术实施例提供了一种相机拍摄参数调整方法，所述方法包括：
6.获取拍摄图像的图像特征信息，基于所述图像特征信息对所述拍摄图像进行显著性目标检测，得到显著性目标检测结果；
7.基于所述图像特征信息和所述显著性目标检测结果调整相机拍摄参数。
8.第二方面，本技术实施例提供了一种相机拍摄参数调整装置，所述装置包括：
9.获取模块，用于获取拍摄图像的图像特征信息，基于所述图像特征信息对所述拍摄图像进行显著性目标检测，得到显著性目标检测结果；
10.调整模块，用于基于所述图像特征信息和所述显著性目标检测结果调整相机拍摄参数。
11.第三方面，本技术实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的相机拍摄参数调整方法中的步骤。
12.第四方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的相机拍摄参数调整方法中的步骤。
13.第五方面，本技术实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。
14.本技术实施例中，获取拍摄图像的图像特征信息，基于所述图像特征信息对所述拍摄图像进行显著性目标检测，得到显著性目标检测结果；基于所述图像特征信息和所述显著性目标检测结果调整相机拍摄参数。这样，结合显著性目标检测对相机拍摄参数进行调整，能够自动对相机拍摄参数进行调整，从而不需要拍摄者反复调整相机拍摄参数，能够
提高相机拍摄参数调整的效率。
附图说明
15.图1是本技术实施例提供的一种相机拍摄参数调整方法的流程图；
16.图2是本技术实施例提供的一种神经网络模型的结构示意图；
17.图3是本技术实施例提供的一种相机拍摄参数调整装置的结构示意图之一；
18.图4是本技术实施例提供的一种相机拍摄参数调整装置的结构示意图之二；
19.图5是本技术实施例提供的一种相机拍摄参数调整装置的结构示意图之三；
20.图6是本技术实施例提供的一种电子设备的结构示意图；
21.图7为本技术实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
22.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
23.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
24.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的相机拍摄参数调整方法进行详细地说明。
25.参见图1，图1是本技术实施例提供的一种相机拍摄参数调整方法的流程图，如图1所示，包括以下步骤：
26.步骤101、获取拍摄图像的图像特征信息，基于所述图像特征信息对所述拍摄图像进行显著性目标检测，得到显著性目标检测结果。
27.其中，拍摄图像可以是相机拍摄得到的任意一张图像。可以基于第一子网络模型对拍摄图像进行特征提取，得到图像特征信息，示例地，可以将拍摄图像输入第一子网络模型，进行特征提取，得到图像特征信息。可以基于第二子网络模型对所述图像特征信息进行显著性目标检测，得到显著性目标检测结果。显著性目标检测(salient object detection，sod)可以用于找到图像或者视频中最显著的物体，即显著性目标，并进行标记，显著性目标检测结果可用于图像编辑合成等。
28.步骤102、基于所述图像特征信息和所述显著性目标检测结果调整相机拍摄参数。
29.其中，相机拍摄参数可以包括曝光参数、白平衡参数、光圈参数、背光补偿参数等等。示例地，相机拍摄参数可以为曝光参数、白平衡参数、光圈参数、背光补偿参数中的任意一项或多项。
30.另外，可以基于所述图像特征信息和所述显著性目标检测结果获取目标拍摄参
数，依据目标拍摄参数调整相机拍摄参数，目标拍摄参数可以为目标曝光参数、目标白平衡参数、目标光圈参数、目标背光补偿参数中的任意一项或多项，示例地，可以将所述图像特征信息和所述显著性目标检测结果输入第三子网络模型进行拍摄参数预测得到目标拍摄参数；或者，可以基于所述图像特征信息和所述显著性目标检测结果获取目标图像参数；依据所述目标图像参数调整相机拍摄参数。
31.需要说明的是，可以基于神经网络模型对拍摄图像进行预测，得到目标图像参数；依据所述目标图像参数对相机拍摄参数进行调整；其中，所述神经网络模型可以用于依据所述拍摄图像的图像特征信息及所述拍摄图像对应的显著性目标检测结果预测图像参数。
32.一种实施方式中，如图2所示，神经网络模型可以包括用于特征提取的第一子网络模型201、用于显著性目标检测的第二子网络模型202及用于图像参数预测的第三子网络模型203。第一子网络模型201可以为mobilenetv3模型，mobilenetv3模型是一种卷积神经网络模型。mobilenetv3模型可以包括conv2d层及多个bneck层，bneck层可以用于提取图像特征。第二子网络模型202可以为轻量级网络模型csf，csf可以进行跨领域特征融合，csf可以包括goctconv层，goctconv是一种广义的倍频程卷积(octave convolution，octconv)。第三子网络模型203可以包括依次连接的conv2d层，池化层，conv2d层以及全连接层。conv2d层可以实现二维卷积运算。
33.需要说明的是，轻量级网络模型csf可以由特征提取器和跨阶段的融合部分组成，可同时处理多个尺度的特征。特征提取器与层内多尺度块(ilblocks)堆叠在一起，并根据特征图的分辨率分为4个阶段，每个阶段分别具有3、4、6、4个ilblocks。由goctconv组成的跨阶段融合部分会处理来自特征提取器各阶段的特征以获得高分辨率的输出。goctconv用于在ilblock中引入多尺度。goctconv通过消除跨尺度的运算，使每个输入通道对应于具有相同分辨率的输出通道。
34.一种实施方式中，可以将mobilenetv3模型作为神经网络模型的主干(backbone)提取拍摄图像的图像深层特征和浅层特征。可以利用神经网络模型的主干的最后四层特征，使用csf进行跨领域特征融合，对拍摄图像进行显著性目标检测，得到显著性目标检测结果。将显著性目标检测结果与神经网络模型的主干的最后一层特征进行融合，得到融合特征信息。基于所述融合特征信息进行图像参数预测，得到目标图像参数。
35.一种实施方式中，以目标图像参数为目标反射率为例，在训练神经网络模型时，可以采集图片并标注图片的反射率作为神经网络模型的训练样本。采集图片时，可以在相机的专业模式下使用自动曝光保存dng和jpg格式的图片，对于同一个拍摄场景，分别拍摄放置有灰卡的图像，以及移开灰卡即未放置灰卡的图像。示例地，拍摄一张椅子，可以在该椅子上未放置灰卡时拍摄一张图像，并在该椅子上放置灰卡时拍摄一张图像。采用如下公式计算物体反射率：lux*r*k＝brightess，其中，lux为入射光照度，r为物体反射率，k为相机相关常数，brightness为图像亮度。针对放置灰卡的图像，获取灰卡部分的平均亮度，已知灰卡反射率为18％，计算出：lux*k＝brightness/18，由于k已知，可以计算出lux的值；针对未放置灰卡的图像，获取物体部分的平均亮度，根据上式计算出的lux，计算出物体反射率：r＝brightness/lux*k。从而可以实现对该拍摄场景的图片采集及图片反射率的标注。可以将采集的图片及标注的图片反射率输入神经网络模型对神经网络模型进行训练，训练得到的神经网络模型可以用于预测反射率。这样，通过神经网络模型预测反射率达成反射率回
归任务，能够通过深度学习技术，将显著性目标检测任务与反射率回归任务进行联合学习，将显著性检测特征融合进反射率回归任务中，能够较好地预测反射率。
36.一种实施方式中，以目标图像参数为目标图像亮度为例，在训练神经网络模型时，可以采集图片并标注图片的第一图像亮度作为神经网络模型的训练样本，第一图像亮度为图片的显示效果较好的图像亮度。可以在图片采集时，使用相机自动曝光拍摄一张图片，然后手动调整曝光到曝光合适位置拍摄一张图片，记录调整曝光后的图片亮度，作为第一图像亮度。采用自动曝光的图片及该图片的第一图像亮度作为训练样本对神经网络模型进行训练。示例地，某图片的平均亮度为155，明显存在过曝，经过人工调整曝光后，效果较好的图像亮度为100，因此确定第一图像亮度为100。训练得到的神经网络模型可以用于预测使得图片的显示效果较好的图像亮度。可选的，显示效果较好的图像亮度是指人眼看到的目标物体的亮度与照片中目标物体的亮度差异小于或等于预设值。
37.本技术实施例中，获取拍摄图像的图像特征信息，基于所述图像特征信息对所述拍摄图像进行显著性目标检测，得到显著性目标检测结果；基于所述图像特征信息和所述显著性目标检测结果调整相机拍摄参数。结合显著性目标检测对相机拍摄参数进行调整，能够自动对相机拍摄参数进行调整，从而不需要拍摄者反复调整相机拍摄参数，能够提高相机拍摄参数调整的效率。
38.可选的，所述基于所述图像特征信息和所述显著性目标检测结果调整相机拍摄参数，包括：
39.基于所述图像特征信息和所述显著性目标检测结果获取目标图像参数；
40.依据所述目标图像参数调整相机拍摄参数。
41.其中，目标图像参数可以包括目标图像亮度、目标反射率、目标色调、目标景深等等。示例地，目标图像参数可以为目标图像亮度、目标反射率、目标色调、目标景深中的任意一项或多项。
42.一种实施方式中，可以将所述显著性目标检测结果与目标特征信息进行融合处理，得到融合特征信息，所述目标特征信息为所述图像特征信息中的全部信息或部分信息；基于第三子网络模型对所述融合特征信息进行图像参数预测，得到目标图像参数。
43.一种实施方式中，以目标图像参数为目标图像亮度为例，可以根据预测得到的目标图像亮度调整相机曝光参数使得图像整体平均亮度与预测的目标图像亮度相同。这样，可以通过直接预测图像的效果较好的图像亮度来辅助曝光控制。
44.该实施方式中，基于所述图像特征信息和所述显著性目标检测结果获取目标图像参数；依据所述目标图像参数调整相机拍摄参数，从而能够结合显著性目标检测预测图像参数，依据图像参数对相机拍摄参数进行调整，能够提高相机拍摄参数调整的效率。
45.可选的，所述基于所述图像特征信息和所述显著性目标检测结果调整相机拍摄参数，包括：
46.将所述显著性目标检测结果与目标特征信息进行融合处理，得到融合特征信息，所述目标特征信息为所述图像特征信息中的全部信息或部分信息；
47.基于所述融合特征信息调整相机拍摄参数。
48.其中，可以基于第一子网络模型对拍摄图像进行特征提取，得到图像特征信息，基于第二子网络模型对所述图像特征信息进行显著性目标检测，得到显著性目标检测结果，
将所述显著性目标检测结果与目标特征信息进行融合处理，得到融合特征信息，所述目标特征信息为所述图像特征信息中的全部信息或部分信息。可以基于第三子网络模型对所述融合特征信息进行参数预测，得到目标图像参数或目标拍摄参数，基于目标图像参数或目标拍摄参数调整相机拍摄参数。这样，通过深度学习技术，将显著性目标检测结果融合进图像参数预测任务中，能够获得效果较好的相机拍摄参数。
49.另外，第一子网络模型可以采用卷积神经网络，和/或，全连接神经网络，和/或，循环神经网络，等等，本实施例对第一子网络模型的模型结构不进行限定。示例地，第一子网络模型可以为mobilenetv3模型。第二子网络模型可以采用卷积神经网络，和/或，全连接神经网络，和/或，循环神经网络，等等，本实施例对第二子网络模型的模型结构不进行限定。示例地，第二子网络模型可以为csf模型。第三子网络模型可以采用卷积神经网络，和/或，全连接神经网络，和/或，循环神经网络，等等，本实施例对第三子网络模型的模型结构不进行限定。示例地，第三子网络模型可以包括依次连接的卷积层(conv)，平均池化层(avgpool)，以及全连接层。
50.一种实施方式中，如图2所示，将mobilenetv3模型作为神经网络模型的主干(backbone)提取拍摄图像的图像深层特征和浅层特征。可以利用神经网络模型的主干的最后四层特征，使用csf进行跨领域特征融合。csf使用goctconv将具有与backbone中最后四层中每个阶段的最后一个卷积的不同尺度的特征作为输入，并进行跨阶段卷积以输出具有不同尺度的特征，为了在粒度级别上提取多尺度特征，特征的每个尺度都由一组具有不同扩展率的并行卷积处理。然后将特征发送到另一个goctconv 1
×
1卷积以生成更高分辨率的特征，然后再接另一个标准1
×
1卷积(conv)输出显著性图的显著性目标检测结果sod_result。将显著性目标检测结果插入(interpolate)，并与目标特征信息进行拼接，经过卷积运算后，输入conv2d层。
51.需要说明的是，在对神经网络模型进行训练时，为减少训练样本的标注工作量，可以采用教师模型(teacher_model)csnet对样本图像进行显著性目标检测，将检测结果作为样本图像的显著性目标检测结果，从而不需要对样本图像标注显著性目标检测结果。
52.一种实施方式中，第三子网络模型可以包括卷积层，平均池化层，以及全连接层。示例地，卷积层、平均池化层及全连接层依次连接，融合特征信息输入卷积层，由全连接层输出目标图像参数。
53.该实施方式中，将所述显著性目标检测结果与目标特征信息进行融合处理，得到融合特征信息，所述目标特征信息为所述图像特征信息中的全部信息或部分信息；基于所述融合特征信息调整相机拍摄参数。这样，将显著性目标检测结果融合进图像参数预测任务中，能够获得较优的相机拍摄参数。
54.可选的，所述将所述显著性目标检测结果与目标特征信息进行融合处理，得到融合特征信息，包括：
55.将所述显著性目标检测结果与所述目标特征信息进行拼接处理，得到拼接信息；
56.将所述拼接信息与所述目标特征信息进行残差连接处理，得到融合特征信息。
57.其中，拼接信息可以是显著性目标检测结果与目标特征信息拼接后的信息。可以将显著性目标检测结果与目标特征信息在通道(channel)维度进行拼接，得到拼接信息。所述将所述拼接信息与所述目标特征信息进行残差连接处理，可以是，将拼接信息通过卷积
层进行拼接融合，得到融合后的特征，将融合后的特征与目标特征信息相加以进行残差连接处理，得到融合特征信息。
58.一种实施方式中，可以将神经网络模型的主干的最后一层输出，即mobilnetv3的特征(feature)的最后一层的输出feature_out，与显著性目标检测结果sod_result在通道维度进行拼接，拼接后通过一层1x1的卷积进行特征融合，得到融合后的特征feature_add_sod，将融合后的特征feature_add_sod与最后一层的输出feature_out进行相加，从而实现残差连接处理，得到融合特征信息。
59.该实施方式中，将所述显著性目标检测结果与所述目标特征信息进行拼接处理，得到拼接信息，将所述拼接信息与所述目标特征信息进行残差连接处理，得到融合特征信息，能够较好地融合多层图像特征与显著性目标检测结果。
60.可选的，所述获取拍摄图像的图像特征信息，包括：
61.基于第一子网络模型对拍摄图像进行特征提取，得到所述拍摄图像的图像特征信息；
62.其中，所述第一子网络模型包括依次连接的多个网络层，所述图像特征信息包括所述多个网络层中至少一个网络层输出的特征信息；
63.所述目标特征信息包括所述至少一个网络层中的部分网络层或全部网络层输出的特征信息。
64.其中，所述图像特征信息可以包括所述多个网络层中依次连接的至少两个网络层输出的特征信息。所述至少一个网络层可以包括所述第一子网络模型的最后一个网络层。所述目标特征信息可以包括所述第一子网络模型的最后一个网络层输出的特征信息。
65.一种实施方式中，第一子网络模型可以为mobilenetv3模型。mobilenetv3模型可以包括多个bneck层，图像特征信息可以包括最后四层bneck层输出的特征信息。目标特征信息可以为最后一层bneck层输出的特征信息。
66.该实施方式中，所述第一子网络模型包括依次连接的多个网络层，所述图像特征信息包括所述多个网络层中至少一个网络层输出的特征信息；所述目标特征信息包括所述至少一个网络层中的部分网络层或全部网络层输出的特征信息，这样，通过多层图像特征与显著性目标检测结果融合，能够较好地预测图像参数。
67.可选的，所述目标图像参数包括目标反射率，所述相机拍摄参数包括曝光参数，所述依据所述目标图像参数调整相机拍摄参数，包括：
68.依据所述目标反射率与预设反射率的差值确定亮度调整参数；
69.依据所述亮度调整参数调整所述曝光参数。
70.其中，预设反射率可以为18％，或者可以为17％，或者可以为其他值，本实施例对此不进行限定。亮度调整参数可以与所述目标反射率与预设反射率的差值相关。示例地，亮度调整参数可以为所述目标反射率与预设反射率的差值，或者，亮度调整参数可以为所述目标反射率与预设反射率的差值与第一预设系数的乘积，第一预设系数可以为0.1，或者1.1，或者2等等，本实施例对此不进行限定。在所述目标反射率与预设反射率的差值大于0时，亮度调整参数指示提高图像亮度，在所述目标反射率与预设反射率的差值小于0时，亮度调整参数指示降低图像亮度；。
71.另外，亮度调整参数可以与所述目标反射率与预设反射率的差值与预设反射率的
比值相关。示例地，亮度调整参数可以为所述目标反射率与预设反射率的差值与预设反射率的比值，或者，亮度调整参数可以为所述目标反射率与预设反射率的差值与预设反射率的比值与第二预设系数的乘积，第二预设系数可以为0.9，或者1.1，或者1.3等等，本实施例对此不进行限定。亮度调整参数可以用于表征待提高亮度或待降低亮度的百分比，在亮度调整参数大于0时，亮度调整参数为待提高亮度的百分比，在亮度调整参数小于0时，亮度调整参数为待降低亮度的百分比；等等，本实施例对此不进行限定。
72.一种实施方式中，可以计算所述目标反射率与预设反射率的差值，计算该差值与预设反射率的比值，并计算通过显著性目标检测获得的显著性目标占拍摄图像的占比，亮度调整参数可以基于差值与预设反射率的比值及显著性目标占拍摄图像的占比确定。示例地，可以确定目标乘积，目标乘积为该差值与预设反射率的比值，与显著性目标占拍摄图像的占比的乘积；其中，亮度调整参数可以与目标乘积相关。例如，亮度调整参数可以为目标乘积；或者可以为目标乘积与第三预设系数的乘积；等等。第三预设系数可以为0.9，或者1.1，或者1.3等等，本实施例对此不进行限定。
73.示例地，假设目标反射率为30，将目标反射率与18％做比，发现30高于18，则提高图像亮度，亮度调整参数可以为：(30-18)/18＝12/18＝66％，即可以将图像亮度提升66％。在实际应用中，可以根据实际使用效果对图像调整参数的设置进行调整，本实施例对此不进行限定。
74.另外，确定亮度调整参数之后，可以依据所述亮度调整参数对所述曝光参数进行调整，使得图像亮度满足所述亮度调整参数。示例地，拍摄图像的图像亮度为a,亮度调整参数指示将图像亮度提升66％，则可以对曝光参数进行调整使得图像亮度提升66％。调整曝光参数可以是调整感光度(iso)和/或快门时间等。
75.需要说明的是，随着手机拍摄性能快速发展，并且人们对于拍摄图像审美的要求逐渐提高，人们越来越希望能够使拍摄到的物体接近人眼看到的物体，即具有较强的真实性。对拍摄图像的真实性影响较大的一个因素是曝光控制，曝光控制主要用于调整图像亮度，相关技术中人们拍照时一般都会使用自动曝光设置，即有相机自动控制曝光。相机在自动控制曝光时，分为测光、曝光调整两个主要步骤，其中测光指测量当前物体反射光的强度，然后根据得到的图像亮度进行曝光调整，使成像的亮度接近真实的物体亮度。物体的反射率可以表征物体反射光的能力，与物体本身性质有关，比如物体材质及表面粗糙程度等。在曝光调整时，相关技术中有一个“18％灰”原则，即假设图像整体平均反射率为18％，这是因为，18％灰可以将人们眼中的绝大部分景物都能够展现出来，相机依此作为曝光依据，在大部分情况下可以获得基本正确的曝光结果。然而，由于“18％灰”的假设，当拍摄场景为反射率较高的场景，例如雪景、白色桌面等，会存在欠曝光的情况，导致图像整体偏灰；而当拍摄场景为反射率较低的场景，例如黑色桌面，黑色汽车等，会存在过曝光的情况，导致图像整体偏亮。本实施例通过预测拍摄场景的反射率获取当前拍摄场景是偏亮还是偏暗，以此来辅助曝光控制调整，能够提高图像拍摄效果。
76.该实施方式中，依据所述目标反射率与预设反射率的差值确定亮度调整参数，依据所述亮度调整参数对所述曝光参数进行调整，这样，能够结合显著性检测结果预测反射率，并通过预测的反射率调整曝光参数，能够自动对相机的曝光参数进行调整，从而不需要拍摄者反复调整相机的曝光参数，能够提高相机曝光参数调整的效率并且能够提高相机的
曝光控制效果。
77.需要说明的是，本技术实施例提供的相机拍摄参数调整方法，执行主体可以为相机拍摄参数调整装置，或者该相机拍摄参数调整装置中的用于执行加载相机拍摄参数调整方法的控制模块。本技术实施例中以相机拍摄参数调整装置执行加载相机拍摄参数调整的方法为例，说明本技术实施例提供的相机拍摄参数调整装置。
78.参见图3，图3是本技术实施例提供的一种相机拍摄参数调整装置的结构示意图，如图3所示，所述装置300包括：
79.获取模块301，用于获取拍摄图像的图像特征信息，基于所述图像特征信息对所述拍摄图像进行显著性目标检测，得到显著性目标检测结果；
80.调整模块302，用于基于所述图像特征信息和所述显著性目标检测结果调整相机拍摄参数。
81.可选的，如图4所示，所述调整模块302包括：
82.获取单元3021，用于基于所述图像特征信息和所述显著性目标检测结果获取目标图像参数；
83.第一调整单元3022，用于依据所述目标图像参数调整相机拍摄参数。
84.可选的，如图5所示，所述调整模块302包括：
85.融合单元3023，用于将所述显著性目标检测结果与目标特征信息进行融合处理，得到融合特征信息，所述目标特征信息为所述图像特征信息中的全部信息或部分信息；
86.第二调整单元3024，用于基于所述融合特征信息调整相机拍摄参数。
87.可选的，所述融合单元3023具体用于：
88.将所述显著性目标检测结果与所述目标特征信息进行拼接处理，得到拼接信息；
89.将所述拼接信息与所述目标特征信息进行残差连接处理，得到融合特征信息。
90.可选的，所述获取模块301具体用于：
91.基于第一子网络模型对拍摄图像进行特征提取，得到所述拍摄图像的图像特征信息；
92.基于所述图像特征信息对所述拍摄图像进行显著性目标检测，得到显著性目标检测结果；
93.其中，所述第一子网络模型包括依次连接的多个网络层，所述图像特征信息包括所述多个网络层中至少一个网络层输出的特征信息；
94.所述目标特征信息包括所述至少一个网络层中的部分网络层或全部网络层输出的特征信息。
95.可选的，所述目标图像参数包括目标反射率，所述相机拍摄参数包括曝光参数，所述第一调整单元3022具体用于：
96.依据所述目标反射率与预设反射率的差值确定亮度调整参数；
97.依据所述亮度调整参数调整所述曝光参数。
98.在本技术实施例中，获取模块，用于获取拍摄图像的图像特征信息，基于所述图像特征信息对所述拍摄图像进行显著性目标检测，得到显著性目标检测结果；调整模块，用于基于所述图像特征信息和所述显著性目标检测结果调整相机拍摄参数。这样，结合显著性目标检测对相机拍摄参数进行调整，能够自动对相机拍摄参数进行调整，从而不需要拍摄
者反复调整相机拍摄参数，能够提高相机拍摄参数调整的效率。
99.本技术实施例中的相机拍摄参数调整装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，非移动电子设备可以为服务器、网络附属存储器(network attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、柜员机或者自助机等，本技术实施例不作具体限定。
100.本技术实施例中的相机拍摄参数调整装置可以为具有操作系统的装置。该操作系统可以为安卓(android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本技术实施例不作具体限定。
101.本技术实施例提供的相机拍摄参数调整装置能够实现图1的方法实施例实现的各个过程，为避免重复，这里不再赘述。
102.可选的，如图6所示，本技术实施例还提供一种电子设备400，包括处理器401，存储器402，存储在存储器402上并可在所述处理器401上运行的程序或指令，该程序或指令被处理器401执行时实现上述相机拍摄参数调整方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
103.需要说明的是，本技术实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
104.图7为实现本技术实施例的一种电子设备的硬件结构示意图。
105.该电子设备500包括但不限于：射频单元501、网络模块502、音频输出单元503、输入单元504、传感器505、显示单元506、用户输入单元507、接口单元508、存储器509、以及处理器510等部件。
106.本领域技术人员可以理解，电子设备500还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器510逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图7中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
107.其中，处理器510用于：获取拍摄图像的图像特征信息，基于所述图像特征信息对所述拍摄图像进行显著性目标检测，得到显著性目标检测结果；
108.处理器510还用于：基于所述图像特征信息和所述显著性目标检测结果调整相机拍摄参数。
109.可选的，处理器510用于执行的所述基于所述图像特征信息和所述显著性目标检测结果调整相机拍摄参数，包括：
110.基于所述图像特征信息和所述显著性目标检测结果获取目标图像参数；
111.依据所述目标图像参数调整相机拍摄参数。
112.可选的，处理器510用于执行的所述基于所述图像特征信息和所述显著性目标检测结果调整相机拍摄参数，包括：
113.将所述显著性目标检测结果与目标特征信息进行融合处理，得到融合特征信息，
所述目标特征信息为所述图像特征信息中的全部信息或部分信息；
114.基于所述融合特征信息调整相机拍摄参数。
115.可选的，处理器510用于执行的所述将所述显著性目标检测结果与目标特征信息进行融合处理，得到融合特征信息，包括：
116.将所述显著性目标检测结果与所述目标特征信息进行拼接处理，得到拼接信息；
117.将所述拼接信息与所述目标特征信息进行残差连接处理，得到融合特征信息。
118.可选的，处理器510用于执行的所述获取拍摄图像的图像特征信息，包括：
119.基于第一子网络模型对拍摄图像进行特征提取，得到所述拍摄图像的图像特征信息；
120.其中，所述第一子网络模型包括依次连接的多个网络层，所述图像特征信息包括所述多个网络层中至少一个网络层输出的特征信息；
121.所述目标特征信息包括所述至少一个网络层中的部分网络层或全部网络层输出的特征信息。
122.可选的，所述目标图像参数包括目标反射率，所述相机拍摄参数包括曝光参数，处理器510用于执行的所述依据所述目标图像参数调整相机拍摄参数，包括：
123.依据所述目标反射率与预设反射率的差值确定亮度调整参数；
124.依据所述亮度调整参数调整所述曝光参数。
125.在本技术实施例中，处理器510用于：获取拍摄图像的图像特征信息，基于所述图像特征信息对所述拍摄图像进行显著性目标检测，得到显著性目标检测结果；处理器510还用于：基于所述图像特征信息和所述显著性目标检测结果调整相机拍摄参数。这样，结合显著性目标检测对相机拍摄参数进行调整，能够自动对相机拍摄参数进行调整，从而不需要拍摄者反复调整相机拍摄参数，能够提高相机拍摄参数调整的效率。
126.应理解的是，本技术实施例中，输入单元504可以包括图形处理器(graphics processing unit，gpu)5041和麦克风5042，图形处理器5041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元506可包括显示面板5061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板5061。用户输入单元507包括触控面板5071以及其他输入设备5072。触控面板5071，也称为触摸屏。触控面板5071可包括触摸检测装置和触摸控制器两个部分。其他输入设备5072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器509可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器510可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器510中。
127.本技术实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述相机拍摄参数调整方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
128.其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等。
129.本技术实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述相机拍摄参数调整方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
130.应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
131.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
132.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
133.上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。