拍摄参数设置的方法、装置、终端及存储介质与流程

本申请实施例涉及计算机技术领域，特别涉及一种拍摄参数设置方法、装置、终端及存储介质。

背景技术：

安装有摄像头的终端具有拍摄功能。随着用户对摄像头拍摄出的图像的质量要求越来越高，终端还具有对拍摄参数进行调节的功能。其中，拍摄参数是指在使用摄像头拍摄图像时使用的参数。

目前，对拍摄参数进行调节的方法为：终端显示拍摄参数的调节控件，接收作用于调节控件的调节操作，根据调节操作设置对应的拍摄参数。

然而，上述调节方式需要用户手动设置拍摄参数，随着拍摄参数的类型的增多，用户需要设置的次数也随之增多，设置拍摄参数的效率较低，

技术实现要素：

本申请实施例提供的拍摄参数设置方法、装置、终端及存储介质，可以解决设置拍摄参数的效率较低的问题。所述技术方案如下：

第一方面，提供了一种拍摄参数设置方法，所述方法包括：

获取拍摄组件的位姿参数和当前所处环境的环境参数；

将所述位姿参数和所述环境参数输入参数推荐模型，得到推荐拍摄参数；

根据所述推荐拍摄参数设置拍摄参数；

其中，所述参数推荐模型是根据样本位姿参数、样本环境参数和样本拍摄参数确定的；所述样本拍摄参数是指历史拍摄图像时的实际拍摄参数；所述样本位姿参数是指以所述样本拍摄参数拍摄图像时，所述拍摄组件历史的位姿参数；所述样本位姿参数是指以所述样本拍摄参数拍摄图像时，所述拍摄组件历史的环境参数。

第二方面，提供了一种拍摄参数设置装置，所述装置包括：

参数获取单元，用于获取拍摄组件的位姿参数和当前所处环境的环境参数；

参数推荐单元，用于将所述位姿参数和所述环境参数输入参数推荐模型，得到推荐拍摄参数；

参数设置单元，用于根据所述推荐拍摄参数设置拍摄参数；

其中，所述参数推荐模型是根据样本位姿参数、样本环境参数和样本拍摄参数确定的；所述样本拍摄参数是指历史拍摄图像时的实际拍摄参数；所述样本位姿参数是指以所述样本拍摄参数拍摄图像时，所述拍摄组件历史的位姿参数；所述样本位姿参数是指以所述样本拍摄参数拍摄图像时，所述拍摄组件历史的环境参数。

第三方面，提供了一种终端，所述终端包括处理器、与所述处理器相连的存储器，以及存储在所述存储器上的程序指令，所述处理器执行所述程序指令时实现第一方面提供的拍摄参数设置方法。

第四方面，一种计算机可读介质，其上存储有程序指令，所述程序指令被处理器执行时实现第一方面提供的拍摄参数设置方法。

本申请实施例提供的技术方案带来的有益效果包括：

通过在拍摄图像时，获取当前拍摄组件的姿态参数和当前环境的环境参数，将该姿态参数和环境参数输入参数推荐模型；由于该参数推荐模型是根据用户历史拍摄图像的规律确定的，因此，终端可以通过该参数推荐模型确定出符合用户拍摄图像的习惯的推荐拍摄参数，由于该推荐拍摄参数符合用户拍摄习惯，因此，被用户采纳的概率较高，这样，无需用户自行设置拍摄参数，且可以保证终端自动设置的拍摄参数的准确性，可以提高终端设置拍摄参数的效率。

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是本申请一个示例性实施例提供的拍摄参数设置方法的流程图；

图2是本申请一个示例性实施例提供的样本库的示意图；

图3是本申请一个示例性实施例提供的获取推荐拍摄参数的示意图；

图4是本申请一个示例性实施例提供的获取推荐拍摄参数的示意图；

图5是本申请一个示例性实施例提供的设置拍摄参数的示意图；

图6是本申请一个实施例提供的拍摄参数设置装置的结构方框图；

图7是本申请一个实施例提供的终端的结构方框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

首先，对本申请涉及的若干名词进行介绍。

参数推荐模型：是一种用于根据输入的位姿参数和环境参数确定拍摄组件的推荐拍摄参数的数学模型。

参数推荐模型是根据样本位姿参数、样本环境参数和样本拍摄参数确定的。其中，样本拍摄参数是指历史拍摄图像时的实际拍摄参数；样本位姿参数是指以样本拍摄参数拍摄图像时，拍摄组件历史的位姿参数；样本位姿参数是指以样本拍摄参数拍摄图像时，拍摄组件历史的环境参数。

其中，样本位姿参数、样本环境参数和样本拍摄参数存储于终端的样本库。样本库包括至少一组样本，每组样本包括同时采集到的样本位姿参数、样本环境参数和样本拍摄参数。

可选地，位姿参数包括但不限于：旋转角度、与地面之间的垂直距离和与拍摄对象之间的水平距离中的至少一种。

旋转角度包括：拍摄组件在垂直方向上的旋转角度和拍摄组件在水平方向上的旋转角度中的至少一种。可选地，旋转角度是通过加速度传感器采集到的；或者，是通过对采集到的预览图像进行图像识别得到的。其中，加速度传感器可以设置在拍摄组件中；或者，设置在终端的与拍摄组件相独立的其它位置，本实施例对此不作限定。

可选地，与地面之间的垂直距离是通过加速度传感器采集到的。与地面之间的垂直距离是指：加速度传感器与地面之间的垂直距离。

可选地，与拍摄对象之间的水平距离是通过距离传感器采集到的。与拍摄对象之间的水平距离是指：距离传感器与拍摄对象之间的水平距离。

可选地，环境参数包括但不限于：环境光强度、当前时间、当前地理位置、拍摄对象的数量、拍摄对象的对象特征和拍摄场景的场景特征中的至少一种。

环境光强度是通过光传感器采集到的；地理位置是通过全球定位系统(Global Positioning System，GPS)传感器采集到的；拍摄对象的数量、拍摄对象的对象特征和拍摄场景的场景特征是通过对预览图像进行图像识别得到的。

本申请中，预览图像是指在拍摄图像之前在终端的显示屏中显示的图像。

可选地，在将位姿参数和环境参数输入参数推荐模型之前，还可以将该位姿参数和/或环境参数转化为参数推荐模型支持的数据格式。

比如：将当前时间转化为该当前时间所属的时间段。示意性地，将一天中的24小时每隔10分钟分为一段，则得到144个时间段。此时，在将当前时间转换第i段时，i表示当前时间所处的时间段为第i个时间段，1≤i≤144，i为整数。当然，也可以按照其它方式划分时间段，不同的时间段之间的时长可以相同，也可以不同，本实施对此不作限定。

又比如：将当前地理位置转化为该地理位置对应的类型。示意性地，1表示旅游类型、2表示企业类型、3表示居民楼类型等。

又比如：将拍摄对象的对象特征转化为特征向量。示意性地，特征向量包括n位，第1位表示拍摄对象是否为人物、第2位表示人物的年龄、第3位表示人物的性别等。其中，n为正整数。

又比如：将拍摄场景的场景特征转化为特征向量。示意性地，特征向量包括m位，第1位表示拍摄场景是否包括树木、第2位表示拍摄场景是否包括湖泊、第3位表示拍摄场景是否包括墙壁等。其中，m为正整数。

当然，也可以通过其它方式对位姿参数和/或环境参数进行转化，本申请对此不作限定。

可选地，输入参数推荐模型的位姿参数和环境参数的格式为向量。

可选地，参数推荐模型包括但不限于：K-均值聚类算法、逻辑回归(Logistic Regression，LR)模型和贝叶斯(Bayesian)模型中的至少一种。

K-均值聚类算法是一种将在某些方面具有相似性的数据进行组织分类的算法。K均值聚类算法的过程包括：随机选取K个对象作为初始的聚类中心；计算每个对象与各个聚类中心之间的距离，把该对象分配给距离它最近的聚类中心，其中，聚类中心以及分配给它们的对象就代表一个聚类。在所有对象都被分配之后，每个聚类的聚类中心会根据聚类中现有的对象被重新计算，直至没有(或小于或等于i个)对象被重新分配给不同的聚类；和/或，没有(或小于或等于j个)聚类中心再发生变化时停止。其中，i和j均为正整数。当然，K-均值聚类算法的停止循环的条件也可以为其它条件，本申请对此不作限定。

本申请中，K-均值聚类算法用于对样本位姿参数、样本环境参数和样本拍摄参数进行分类。

逻辑回归模型是指在线性回归的基础上，套用一个逻辑函数建立的模型。可选地，本申请中，逻辑回归模型用于对样本位姿参数、样本环境参数和样本拍摄参数进行分类。

示意性地，逻辑回归模型通过如下数学模型表示：

其中，x1、x2……xn是不同类型的状态数据；σ(z)＝1/(e^-z)；θ1、θ2……θ2n是逻辑回归模型的模型参数，θ0、θ1、θ2……θ2n可以是开发人员设置的，或者，也可以是根据样本位姿参数、样本环境参数和样本拍摄参数训练得到的。

贝叶斯模型是一种以动态模型为研究对象的时间序列参数推荐模型。可选地，本申请中，贝叶斯模型用于预测群消息被用户关注的概率。

示意性地，贝叶斯模型通过如下数学模型表示：

其中，A、B……X是样本参数，该样本参数包括同一时刻采集到的样本位姿参数和样本环境。N(A)为样本库中包括样本参数A的总数、N(B)为样本库中包括样本参数B的总数……N(X)为样本库中包括样本参数X的总数。N为样本库中样本的组数，每组样本包括同时采集到的样本位姿参数、样本环境参数和样本拍摄参数。N(A，J)为同一组样本中样本参数为A且样本拍摄参数为J的总组数、N(B，J)为同一组样本参数为B且样本拍摄参数为J的总组数……N(X，J)为同一组样本中样本参数为X且样本拍摄参数为J的总组数。N(J)为样本库中样本拍摄参数为J的次数。

当然，参数推荐模型还可以为其它模型，比如：深度神经网络(Deep Neural Network，DNN)模型、循环神经网络(Recurrent Neural Networks，RNN)模型、嵌入(embedding)模型、梯度提升决策树(Gradient Boosting Decision Tree，GBDT)模型等，本实施例在此不再一一列举。

DNN模型是一种深度学习框架。DNN模型包括输入层、至少一层隐层(或称，中间层)和输出层。可选地，输入层、至少一层隐层(或称，中间层)和输出层均包括至少一个神经元，神经元用于对接收到的数据进行处理。可选地，不同层之间的神经元的数量可以相同；或者，也可以不同。

RNN模型是一种具有反馈结构的神经网络。在RNN模型中，神经元的输出可以在下一个时间戳直接作用到自身，即，第i层神经元在m时刻的输入，除了(i-1)层神经元在该时刻的输出外，还包括其自身在(m-1)时刻的输出。

embedding模型是基于实体和关系分布式向量表示，将每个三元组实例中的关系看作从实体头到实体尾的翻译。其中，三元组实例包括主体、关系、客体，三元组实例可以表示成(主体，关系，客体)；主体为实体头，客体为实体尾。比如：小明的爸爸是大明，则通过三元组实例表示为(小明，爸爸，大明)。

GBDT模型是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结果累加起来作为最终结果。决策树的每个节点都会得到一个预测值，以年龄为例，预测值为属于年龄对应的节点的所有人年龄的平均值。

可选地，本申请中各步骤的执行主体为终端；终端中安装有拍摄组件，或者，终端与安装有拍摄组件的设备通过有线或无线的方式相连。示意性地，拍摄组件为摄像头。终端包括但不限于：手机、可穿戴式设备、照相机、摄像机、平板电脑、智能机器人、智能家居设备、膝上型便携计算机和台式计算机中的至少一种。在实际实现时，本申请中各个步骤可以由终端中的操作系统执行；或者，由控制拍摄组件的客户端执行，本申请对此不作限定。

图1是本申请的一个示例性实施例示出的拍摄参数设置方法的流程图。该拍摄参数设置方法包括以下几个步骤。

步骤101，获取拍摄组件的位姿参数和当前所处环境的环境参数。

位姿参数包括但不限于：旋转角度、与地面之间的垂直距离和与拍摄对象之间的水平距离中的至少一种。

环境参数包括但不限于：环境光强度、当前时间、当前地理位置、拍摄对象的数量、拍摄对象的对象特征和拍摄场景的场景特征中的至少一种。

在一个示例中，终端获取拍摄组件的位姿参数和当前所处环境的环境参数，包括：对拍摄组件采集到的预览图像进行识别，得到拍摄对象；在拍摄对象为预设拍摄对象时，获取位姿参数和环境参数。

可选地，终端通过图像识别算法对预览图像进行识别，得到拍摄图像。可选地，预览图像是拍摄组件维持某一位姿不变时采集到的一帧图像。

可选地，预设拍摄对象为历史拍摄到的图像中拍摄次数最多的拍摄对象。

在另一个示例中，在拍摄组件的运行时长达到预设时长时，获取位姿参数和环境参数。

可选地，预设时长为终端中默认设置的；或者，预设时长是通过人机交互接口接收到的。预设时长可以为1秒、3秒、5秒等，本实施例不对预设时长的数值作限定。

可选地，拍摄组件的运行时长是指终端调用拍摄组件之后，该拍摄组件的运行时长。

步骤102，将位姿参数和环境参数输入参数推荐模型，得到推荐拍摄参数。

其中，参数推荐模型是根据样本位姿参数、样本环境参数和样本拍摄参数确定的；样本拍摄参数是指历史拍摄图像时的实际拍摄参数；样本位姿参数是指以样本拍摄参数拍摄图像时，拍摄组件历史的位姿参数；样本位姿参数是指以样本拍摄参数拍摄图像时，拍摄组件历史的环境参数。

示意性地，参考图2所示的样本库，该样本库中，属于同一行的样本位姿参数、样本环境参数和样本拍摄参数为一组样本。

可选地，拍摄组件包括设置于终端前端的拍摄组件和设置于终端后端的拍摄组件；或者，终端包括一组拍摄组件，该组拍摄组件既可以设置在终端前端，也可以设置在终端后端。此时，参数推荐模型包括第一参数推荐模型和第二参数推荐模型，当拍摄组件设置于终端前端时，将位姿参数和环境参数输入第一参数推荐模型；当拍摄组件设置于终端后端时，将位姿参数和环境参数输入第二参数推荐模型。

其中，第一参数推荐模型是在使用设置于终端前端的拍摄组件拍摄图像时，根据采集到的样本位姿参数、样本环境参数和样本拍摄参数确定的；第二参数推荐模型是在使用设置于终端后端的拍摄组件拍摄图像时，根据采集到的样本位姿参数、样本环境参数和样本拍摄参数确定的。

当然，无论拍摄组件设置在终端的前端还是在后端，终端也可以将采集到的位姿参数和环境参数输入统一的参数推荐模型，本实施例对此不作限定。

参考图3，以参数推荐模型为逻辑回归模型为例，若位姿参数包括表示旋转角度的参数x1；环境参数包括表示环境光强度的参数x2、表示拍摄场景的场景特征的参数x3和表示拍摄对象的对象特征的参数x4；则将x1、x2、x3和x4输入逻辑回归模型，经过逻辑回归模型处理后，得到推荐拍摄参数。

可选地，每个逻辑回归模型输出的推荐拍摄参数为一组参数。

可选地，参数推荐模型可以包括多个逻辑回归模型，参数推荐模型的输出结果为多个逻辑回归模型输出的推荐拍摄参数的平均值。

参考图4，以参数推荐模型为贝叶斯模型为例，若位姿参数包括表示旋转角度的参数x1；环境参数包括表示环境光强度的参数x2、表示拍摄场景的场景特征的参数x3和表示拍摄对象的对象特征的参数x4；则将x1、x2、x3和x4输入贝叶斯模型，经贝叶斯模型处理后，得到推荐拍摄参数。

可选地，每个贝叶斯模型可以得到样本库中每个推荐拍摄参数被设置的概率，贝叶斯模型得到的推荐拍摄参数可以是概率最大的推荐拍摄参数。

示意性地，推荐拍摄参数包括：滤镜、特效相框、特效贴纸、镜头尺寸、光圈大小、快门、曝光补偿、感光度和白平衡中的至少一种。

其中，滤镜用于过滤自然光调整图像的色调。特效相框是指附加在图像边缘之上的图层。特效贴纸是指附加在拍摄对象某一部位之上的图层，比如：拍摄对象为人物，特效贴纸可以是在头顶部位之上的形状为发卡的图层。镜头尺寸是指镜头用于采集图像的范围。光圈用于控制镜头的通光量。快门用于控制感光片的有效曝光时间。曝光补偿用于提高图像亮度。感光度用于调整底片对光的灵敏程度。白平衡用于调节显示器中红、绿、蓝三基色混合生成后白色的精确度。

步骤103，根据推荐拍摄参数设置拍摄参数。

可选地，终端将推荐拍摄参数直接设置为拍摄参数；或者，终端输出询问信息，该询问信息用于确定是否使用推荐拍摄参数作为拍摄参数；在接收到根据询问信息输入的确认操作时，将推荐拍摄参数设置为拍摄参数。

推荐拍摄参数的类型与终端实际使用的拍摄参数的类型相同，示意性地，拍摄参数包括：滤镜、特效相框、特效贴纸、镜头尺寸、光圈大小、快门、曝光补偿、感光度和白平衡中的至少一种。

参考图5，终端得到推荐拍摄参数后，输出询问信息501，在接收到作用于确认控件502上的确认操作时，终端将推荐拍摄参数设置为拍摄参数。可选地，若终端接收到根据询问信息输入的取消操作，比如：作用于取消控件503上的取消操作，终端使用默认的拍摄参数，或者，使用上一次拍摄图像时使用的拍摄参数。

综上所述，本实施例提供的拍摄参数设置方法，通过在拍摄图像时，获取当前拍摄组件的姿态参数和当前环境的环境参数，将该姿态参数和环境参数输入参数推荐模型；由于该参数推荐模型是根据用户历史拍摄图像的规律确定的，因此，终端可以通过该参数推荐模型确定出符合用户拍摄图像的习惯的推荐拍摄参数，由于该推荐拍摄参数符合用户拍摄习惯，因此，被用户采纳的概率较高，这样，无需用户自行设置拍摄参数，且可以保证终端自动设置的拍摄参数的准确性，可以提高终端设置拍摄参数的效率。

另外，通过在拍摄对象为预设拍摄对象时，获取位姿参数和环境参数；由于预设拍摄图像为拍摄次数较多的拍摄对象，说明终端历史设置的拍摄参数与该预设拍摄对象有关，此时，在拍摄对象为预设拍摄对象时，才获取位姿参数和环境参数，进行拍摄参数的推荐，可以提高终端推荐拍摄参数的准确性。

另外，由于有时拍摄组件是在误触情况下被调用的，此时，拍摄组件的运行时长通常较短，因此，本实施例通过在拍摄组件的运行时长达到预设时长时，再获取位姿参数和环境参数，避免了拍摄组件被误触调用时，终端仍旧进行拍摄参数推荐，浪费终端资源的问题，可以节省终端的资源。

另外，由于终端前端的拍摄组件拍摄图像时使用的拍摄参数可能与终端后端的拍摄组件拍摄图像时使用的拍摄参数不同，因此，本实施例通过在终端前端的拍摄组件拍摄图像时，将姿态参数和环境参数输入第一参数推荐模型；在终端后端的拍摄组件拍摄图像时，将姿态参数和环境参数输入第二参数推荐模型，使得终端为不同位置的拍摄组件建立不同的参数推荐模型，可以提高终端推荐拍摄参数的准确性。

可选地，本申请中，终端可以对参数推荐模型进行更新。此时，在步骤203之后，获取以位姿参数和环境参数拍摄图像时的实际拍摄参数；将位姿参数作为样本位姿参数、将环境参数作为样本环境参数、并将实际拍摄参数作为样本拍摄参数，对参数推荐模型进行更新，得到更新后的参数推荐模型，参数推荐模型用于在下一次进行图像拍摄时确定推荐拍摄参数。

其中，实际拍摄参数可以是推荐拍摄参数；或者，也可以是在推荐拍摄参数的基础上调节得到的拍摄参数。

其中，终端根据样本位姿参数、样本环境参数和样本拍摄参数对参数推荐模型进行更新，包括以下几个步骤：

1、将至少一组样本位姿参数、样本环境参数输入参数推荐模型，得到训练结果。

2、根据训练结果和每组样本位姿参数、样本环境参数对应的样本拍摄参数确定损失函数值。

示意性地，损失函数通过下述数据模型表示：

Cost(hθ(x⁽ⁱ⁾),y⁽ⁱ⁾)＝-y⁽ⁱ⁾loghθ(x⁽ⁱ⁾)-(1-y⁽ⁱ⁾)log(1-hθ(x⁽ⁱ⁾)

其中，N为样本库中样本的组数，i为第i组样本。hθ(x)⁽ⁱ⁾为参数推荐模型根据第i组样本位姿参数、样本环境参数得到的训练结果，y⁽ⁱ⁾为第i组样本位姿参数、样本环境参数对应的第i组样本拍摄参数。

3、通过梯度下降算法根据损失函数值更新参数推荐模型中的模型参数，得到更新后的模型参数。

示意性地，梯度下降算法通过下述数学模型表示：

其中，J(θ)为损失函数值，θj为第j种样本参数的权重，xjⁱ为第i组样本参数中的第j种样本参数。

示意性地，根据梯度下降算法的数学模型更新参数推荐模型中的模型参数的过程通过下述公式表示：

其中，α为学习步长，α为常数，α的值可以是终端默认设置；或者，也可以是用户设置的。本实施例不对α的取值作限定，示意性地，α为0.5。

可选地，{θ0、θ1、θ2……θ2n}的初始值可以是终端默认设置的。

4、检测更新后的模型参数与更新前的模型参数之间的差值是否小于预设阈值；在该差值小于预设阈值时，训练结束，得到训练后的参数推荐模型；在该差值大于或等于预设阈值时，继续从步骤1开始训练参数推荐模型。

本实施例中，通过根据姿态参数、环境参数和实际拍摄参数对参数推荐模型进行训练；使得该参数推荐模型能够适应用户拍摄图像的习惯，可以提高通过参数推荐模型推荐拍摄参数的准确性。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

请参考图6，其示出了本申请一个实施例提供的拍摄参数设置装置的结构方框图，该拍摄参数设置装置可通过软件、硬件或者两者的结合实现成为拍摄参数设置设备的部分或者全部。该装置可以包括：参数获取单元610、参数推荐单元620和参数设置单元630。

参数获取单元610，用于获取拍摄组件的位姿参数和当前所处环境的环境参数；

参数推荐单元620，用于将所述位姿参数和所述环境参数输入参数推荐模型，得到推荐拍摄参数；

参数设置单元630，用于根据所述推荐拍摄参数设置拍摄参数；

其中，所述参数推荐模型是根据样本位姿参数、样本环境参数和样本拍摄参数确定的；所述样本拍摄参数是指历史拍摄图像时的实际拍摄参数；所述样本位姿参数是指以所述样本拍摄参数拍摄图像时，所述拍摄组件历史的位姿参数；所述样本位姿参数是指以所述样本拍摄参数拍摄图像时，所述拍摄组件历史的环境参数。

所述位姿参数包括：旋转角度、与地面之间的垂直距离和与拍摄对象之间的水平距离中的至少一种；

所述环境参数包括：环境光强度、当前时间、当前地理位置、所述拍摄对象的数量、所述拍摄对象的对象特征和拍摄场景的场景特征中的至少一种。

可选地，所述参数获取单元610，用于：

对所述拍摄组件采集到的预览图像进行识别，得到拍摄对象；

在所述拍摄对象为预设拍摄对象时，获取所述位姿参数和所述环境参数。

可选地，所述参数获取单元610，用于：

在所述拍摄组件的运行时长达到预设时长时，获取所述位姿参数和所述环境参数。

可选地，所述参数推荐模型包括第一参数推荐模型和第二参数推荐模型，所述参数推荐单元620，用于：

当所述拍摄组件设置于终端前端时，将所述位姿参数和所述环境参数输入所述第一参数推荐模型，所述第一参数推荐模型是在使用设置于所述终端前端的拍摄组件拍摄图像时，根据采集到的样本位姿参数、样本环境参数和样本拍摄参数确定的；

当所述拍摄组件设置于终端后端时，将所述位姿参数和所述环境参数输入所述第二参数推荐模型，所述第二参数推荐模型是在使用设置于所述终端后端的拍摄组件拍摄图像时，根据采集到的样本位姿参数、样本环境参数和样本拍摄参数确定的。

可选地，所述拍摄参数包括：滤镜、特效相框、特效贴纸、镜头尺寸、光圈大小、快门、曝光补偿、感光度和白平衡中的至少一种。

可选地，所述装置还包括：

获取单元，用于获取以所述位姿参数和所述环境参数拍摄图像时的实际拍摄参数；

更新单元，用于将所述位姿参数作为所述样本位姿参数、将所述环境参数作为所述样本环境参数、并将所述实际拍摄参数作为所述样本拍摄参数，对所述参数推荐模型进行更新，得到更新后的参数推荐模型，所述参数推荐模型用于在下一次进行图像拍摄时确定推荐拍摄参数。

相关细节参考上述方法实施例。

本申请还提供一种计算机可读介质，其上存储有程序指令，程序指令被处理器执行时实现上述各个方法实施例提供的拍摄参数设置方法。

本申请还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例提供的拍摄参数设置方法。

参考图7，其示出了本申请一个示例性实施例提供的终端的结构方框图。本申请中的终端可以包括一个或多个如下部件：处理器710和存储器720。

处理器710可以包括一个或者多个处理核心。处理器710利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储器720内的指令、程序、代码集或指令集，以及调用存储在存储器720内的数据，执行终端的各种功能和处理数据。可选地，处理器710可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器710可集成中央处理器(Central Processing Unit，CPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统和应用程序等；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器710中，单独通过一块芯片进行实现。

可选地，处理器710执行存储器720中的程序指令时实现下上述各个方法实施例提供的拍摄参数设置方法。

存储器720可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选地，该存储器720包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器720可用于存储指令、程序、代码、代码集或指令集。存储器720可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令、用于实现上述各个方法实施例的指令等；存储数据区可存储根据终端的使用所创建的数据等。

上述终端的结构仅是示意性的，在实际实现时，终端可以包括更多或更少的组件，比如：拍摄组件等，本实施例对此不作限定。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。