定值的那些圖像可由于不相干而被排除在進一步考慮之外。即，只有比率值大于指定閾值的那些圖像才會被考慮用于預選擇保存者圖像。本領域中的普通技術人員將認識到，所選擇的閾值可取決于任務或目標，并且在不同具體實施中可各不相同。這樣做便消除低質量的并且不可能被選為保存者的圖像。消除不需要的圖像可提高效率并加快處理時間。在其它實施例中，可將圖像彼此進行比較以確定是否有彼此太相似的圖像。如果找到兩個此類圖像，則可從集合中消除一個圖像。這也可導致效率提高。
[0034]用于對連拍中捕獲的圖像集合進行分類的操作300開始于確定圖像是否主要包含面部(框305) ο這在一個實施例中可通過分析在處理操作120期間收集的數據來實現。如果在操作120期間檢測到面部，則操作還計算圖像中每個面部的尺寸，如上文中參考圖3所述的。在一個實施例中，對于每個圖像，可將圖像中的面部的尺寸加在一起，以計算那個圖像的總面部尺寸。然后可將總面部尺寸與圖像的總尺寸進行比較。如果總面部尺寸相對于圖像的總尺寸高于某個閾值，則操作可確定那個特定圖像主要包含面部。如果總面部尺寸低于該閾值，則操作可判定圖像并非主要包含面部。在一個實施例中，閾值是75 %，使得如果總面部尺寸小于總圖像尺寸的75%，則認為圖像并非主要包含面部。應該指出的是，其他閾值也是可能的。也可使用其他方法來確定集合中的圖像是否主要包含面部。
[0035]在一個實施例中，如果圖像集合中大多數圖像主要包含面部，則操作300可將圖像集合分類為肖像集合(框310)。在其它實施例中，如果集合中的50%或更多的圖像主要包含面部，則集合被分類為肖像。其他配置也是可能的。當連拍被分類為肖像時，操作前進到圖4(操作400)中的框405，以預選擇肖像圖像集合中的保存者圖像。
[0036]如果確定圖像集合并非主要包含面部(框305的“否”分支)，則可在圖像中識別感興趣區域。這在一個實施例中可通過首先將每對圖像相對于彼此配準來實現(框315)。存在多種熟知的方法來將圖像相對于彼此配準。通過引用并入本文中的標題為“ImageRegistrat1n Methods for Still Image Stabilizat1n” 的美國專利申請 13/911,793來描述一些此類方法。
[0037]在一個實施例中，可通過將在處理圖像期間計算的兩個標簽(參見圖2，框230)對齊來執行配準。在這兩個圖像已配準之后，將所配準的圖像相互進行比較以確定其中它們之間存在大的差值的圖像區域(框320)。所配準的圖像之間的差值可被稱為配準誤差。在通過對齊豎直標簽和水平標簽來進行配準的實施例中，可通過檢查所配準的豎直標簽和所配準的水平標簽之間的差值來進行比較。如果在這些數之間有大的差值，則可能在圖像的那個區域中存在運動對象(即局部運動)。這通常是因為圖像的背景決定性地影響了圖像中的像素的數量。因此，配準可能是將一個圖像的背景與另一個圖像的背景對齊，從而在所配準的圖像中的背景之間通常沒有顯著的差值。然而，當例如由于前景對象的運動而存在局部運動時，圖像之間的差值可能較大。因此，將圖像彼此配準并將所配準的圖像彼此進行比較可識別圖像之間的局部運動。包含局部運動的區域可被識別為感興趣區域(框325)。例如，在使用豎直標簽和水平標簽的實施例中，如果豎直標簽顯示兩個圖像在其X列(Xl和x2)之間具有大的差值并且水平標簽在其y行(yl和y2)之間具有大的差值，則感興趣區域可被識另 Il 為(xl，yl)和(x2，y2)。
[0038]在一個實施例中，可將感興趣區域選為圖像中的配準誤差(即兩個所配準的圖像之間的差值)大于指定閾值的區域。應當理解，其他識別感興趣區域的過程也是可能的。如果沒有能夠識別出局部運動(即所配準的圖像之間的差值小)，則可將整個圖像識別為感興趣區域。
[0039]一旦確定配準誤差并識別感興趣區域，便可由在處理圖像期間到目前為止計算的多個數據值來構建特征向量(框330)。每個值可被視為特征，它們在被組合在一起時形成被稱為特征向量的值的向量。在一個實施例中，用于形成特征向量的值中的一個值可以是所計算的顏色直方圖。顏色直方圖顯示圖像彼此之間相似或不同的程度。因此，如果顏色直方圖顯示圖像太不同，則可能場景包含某種動作。可在形成特征向量中使用的其他值中的一個其他值是配準誤差以絕對值形式的大小或者相對于彼此的大小。可使用的其他值是連拍開始和結束時圖像之間的Y通道的LI誤差以及圖像對之間配準平移的歐幾里德范數(Euclidean norm)的平均值(其可以是相機運動的合理代理)。也可使用其他類型的值來構建特征向量。
[0040]一旦構建了特征向量，來自特征向量的信息便可被輸入到分類器(框340)諸如支持向量機(SVM)、人工神經網絡(ANN)或貝葉斯分類器，以確定圖像集合中所捕獲的場景是否包含動作。在一個實施例中，在自動化使用之前，利用已手動分類的一組訓練特征向量來訓練分類器。分類器然后可返回用于指示圖像是否包含動作的二元判定(框345)。如果該判定指示圖像包含動作，則可將連拍分類為動作連拍(框350)，并且操作可前進到操作500(圖5)的框505以預選擇動作圖像集合中的保存者圖像。如果分類器判定指示圖像不包含(足夠的)動作，則可將集合分類為其他(框355)，并且操作可前進到圖6中的操作600的框605以確定被分類為其他的集合中的一個或多個最佳圖像。
[0041]參考圖4，在一個實施例中，用于預選擇被分類為肖像集合的圖像中的保存者圖像的操作400開始于針對集合中的每個圖像中的每個面部計算銳度得分(框405)。如上所述，每個面部的銳度值通常在針對每個圖像的處理操作120期間計算。通過對那些銳度值歸一化，可為每個面部計算銳度得分。通過在整個圖像集合上作為一個對象跟蹤每個面部，在集合中的所有圖像上對銳度值歸一化。這可通過首先在集合中的所有圖像上針對每個面部計算平均銳度值來實現。在一個實施例中，平均銳度值可以是在集合中的所有圖像上方的對特定面部的眼睛所計算的圖像梯度之和。其他獲取平均銳度值的方式也是可能的。例如，集合中的圖像中的每個圖像中的面部的銳度值可被平均化以獲取平均銳度值。一旦計算了每個面部的平均銳度值，便可將每個圖像中的面部的銳度值除以該面部的平均銳度值，以獲取相應面部的銳度得分。
[0042]一旦已針對每個面部計算了銳度得分，便針對面部計算總得分(框410)。總得分可通過分析在處理圖像期間所收集的數據的各種類別來計算。可針對每個數據類別分配特定的得分范圍。例如，可針對微笑面部和為未眨眼面部分配得分。在一個實施例中，每個數據類別具有可用作用于該類別的得分選項的數字范圍。越高的得分可表示質量越好的圖像。例如，用于指示面部正在微笑的數據可得到得分10，而非微笑面部可得到得分零。未眨眼的面部也可得到得分10，而眨眼的面部可得到得分零。所計算的銳度得分是對于總得分可考慮的另一類別。可影響總得分的其他數據類別包括面部的位置(例如面部是否靠近圖像的邊緣)以及面部占據的圖像區域的位置。例如，靠近圖像邊緣可得到較低得分，而更靠近中央可得到較高得分。在一個實施例中，可使用攝影構圖規則諸如三分法來建立關于面部應當位于何處的偏好。三分法是本領域中熟知的。在被加在一起以計算面部的總得分之前，這些類別中的每個類別的得分可被分配、然后被歸一化。一旦已計算了圖像中的所有面部的總得分，便可將總面部得分加在一起以得到圖像的得分(框415)。
[0043]然后可對每個圖像得分應用乘法因子(框420)。乘法因子可被選擇為使得其對于具有面部的圖像使圖像得分更高。這便得到對于具有面部的圖像的內置偏好。因此，如果在集合中存在不包含任何面部的圖像，則這些圖像被選為保存者圖像的可能性較低。這對于被分類為肖像的圖像集合是有利的，因為沒有面部的圖像不應被選為此類集合的保存者。一旦已對所有圖像得分應用了乘法因子，具有最高得分的圖像便可被選為連拍的保存者圖像(框42...