户外运动的全景拍摄

户外运动的全景拍摄（精选五篇）

户外运动的全景拍摄 篇1

常用的目标检测方法主要有帧间差分法[1]、背景减除法和光流法。在固定摄像机的背景模型下, 背景减除法是一种应用广泛且有效的目标检测方法。它把当前图像与已经建立好的背景图像进行相减得到原始差分图像, 然后进行二值化和形态学变换得到前景图像。全景图像包含了水平与垂直度的视角信息, 背景相对复杂, 增加了背景易受到背景光照变化、摄像机抖动和反复运动的背景干扰, 经常导致运动目标误检测建模的难度。同时因为其较高的分辨率, 导致在背景建模的过程中需要较高的运算量, 影响运动目标跟踪的实时性。当前常用的背景建模方法主要有混合高斯模型法[8]和非参数模型法[2]。混合高斯模型需要事先设定模型及参数优化方法, 不适应背景复杂的全景运动目标检测要求。基于非参数模型的核密度估计算法, 其使用不需要事先给出具体的背景分布模型, 也不需要进行参数估计就可以进行背景建模。但此方法运算量大, 实时性不高。本文提出一种核密度背景估计法与混合差分法相结合的运动目标检测算法。其弥补了核密度估计背景模型的运算量大实时性不高的缺点, 具有很好的效果。

一、混合模型的目标检测

1.1系统介绍。

基于非参数模型与帧差法混合模型的运动目标检测的基本思想:首先根据设定的样本容量提取样本, 并对样本进行处理。然后对输入的图像进行高斯低通滤波以平滑图像, 对输入的图像序列再提取连续四帧, 用混合帧差法及自适应阀值更新算法初步检测出目标区域, 同时根据初步检测结果更新样本, 最后用核密度估计方法提取运动目标并进行样本更新[3]。流程图如图1所示:

1.2非参数模型。

非参数背景模型利用核函数密度估计算法从样本中估计出一个背景模型, 通过此背景模型与当前帧进行比较即可分割出前景图像, 核函数估计出的样本值理论上收敛于背景值。

本文选择高斯函数作为核函数, 高斯函数与其它核函数相比, 虽然计算相对复杂, 但其更能准确的估计出前景图像, 更加适用于背景复杂的全景图像的运动目标检测。根据文献[6], 假设 (i, j) 位置的灰度像素值的局部分布为N (μ, h) , 则 (x (i, j) -xk (i, j) ) 服从N (0, 2h2) 。则估计值的概率密度分布为:

窗宽h的计算方法如下:

根据高斯分布及中位数的定义, 样本的绝对差中位数m满足

查标准高斯分布侧分位数表, 得, 则:

所以窗宽可以由样本估计得到:

1.3混合帧差法获得目标区域

1.3.1获取前景运动区域。

混合帧差法的基本思想是, 提取连续4帧图像作为最初帧差法的样本。将此样本中的第一帧与最后一帧做差分, 获取这段区域的范围。然后用后三帧图像做连续差分, 将所有的差分图像相与[4]。使用阀值分割, 获得二值图像, 再用形态学变换与滤波处理, 最后获得前景区域。这时获得的前景区域可能包含多个误检测, 这样做与正常的差分法相比, 主要是为了获得比运动目标尺寸更大的前景区域, 以防止在接下来使用核密度估计方法时检测出的运动目标不完整。

1.3.2自适应阀值分割。

根据高斯背景模型理论, 对于每一个背景像素点近似服从高斯分布, 设高斯分布的均值为μ, 方差为, 则如果样本足够大的值会大量分布在0的周围, 也就是说的值落在区间的概率比较大, 这里为了调节区间大小给公式增加一个系数a, 即。满足这个公式, 我们则认为是前景像素。于是我们可得阀值分割公式为:

其中为第k帧的前景图像, μ为样本均值, 为样本方差, 其计算公式如下:

其中x (i, j) 为当前帧 (i, j) 位置的像素值, xk (i, j) 为 (i, j) 位置样本值。

将3幅帧差图像使用自适应阀值分割并二值化得:

其中, , , 为k, k-1, k-2时刻的二值图。将所有二值图像相加, 经过滤波与形态学变换可得前景图像,

如图2所示。

1.3.3样本更新。

对当前帧全景图像进行检索, 如果被检索的像素点属于二值图的子块 (对应二值图像中白色区域) , 则把该像素点最早的样本值删掉, 将当前像素点的值添加为新的样本, 并记录更新次数用于下次更新时确定最早样本点, 完成第一次样本更新, 公式如下。

样本集合中, 其中为样本中最早的像素值, 为当前帧像素值。

1.4 核函数估计算法检测运动目标[5]。

用核密度估计算法对当前帧全景图像进行检索, 如果该像素点属于二值图的子块, 则利用核密度估计方法计算出该像素点的估计值, 并与阀值T相比较。如果概率值小于T, 则判定为前景。如果概率值大于T, 则判定为背景。公式如下:

至此就提取出了背景图像和前景图像。

二、实验结果及分析

经过多次测试, 公式9的系数取a=1.51, 核密度函数估计的阀值取T=0.005.。

在Matlab 2010b环境下实现提出的算法, 对视频3.avi进行仿真实验。视频每帧图像大小为240*320的彩色图像, 共含540帧, 试验结果如图4所示。

由图4可以看出, 由混合高斯模型获得的前景图像受光照变化和全景设备遮挡、反光等影响出现了多个误检测区域。本文算法不仅可以保证实时性的要求, 而且可以有效消除阴影、反光和场景亮度变化的影响[7]。

三、结束语

本文提出了一种利用混合帧差法与核密度估计方法相结合的运动目标检测方法, 通过混合帧差法与自适应阀值分割获取前景运动区域, 然后应用核密度估计算法检测前景图像。此算法可有效的减少单纯利用核密度估计算法的运算量, 并且可有效地克服单纯利用帧差法难以克服背景扰动的难题。经过大量的视频检测试验证明了算法的有效性。

参考文献

[1]甄景蕾.基于全景视觉的运动目标检测与跟踪算法研究[D].哈尔滨工程大学, 2008.

[2]魏星, 蒋建国, 等.智能视频监控系统中运动目标检测与跟踪技术的研究及其DSP实现[D].2005, 15 (5) .

[3]曹朋, 张鹏.一种新的混合模型运动检测算法[J].计算机工程与应用, 2012, 48 (31) :171-175.

[4]张正华, 许华.等.基于背景差分与混合差分的运动目标检测[J].信号与信息处理, 2012, 14 (5) :45-50.

[5]毛艳芬, 施鹏飞.一种运动目标检测的多模态非参数背景模型[J].上海交通大学报, 2005, 26 (9) :134-137.

[6]ElgammalA, HarwoodD, DavisL.Non2parametric, model, for, backgroundsubtraction, [A].The, 6thEu-ropeanConferenceonComputerVision[C].Dublin:Ireland, 2000:751-767.

[7]张忠民, 李颖晶, 等.一种基于全景视觉的运动目标检测方法[J].电子科技, 2012, 25 (6) :6-9.

360全景拍摄合同 篇2

甲方（委托方）：

乙方（受托方）：

签订地点：

签订时间：2017年月

日

甲乙双方经友好协商决定，由甲方组织拍摄的 摄影服务，为了保证拍摄制作工作顺利完成，特签订本合同，具体条款如下：

一、拍摄制作周期自 2017 年 月 日开始至 年 月 日完成验收。

二、拍摄以全景照片为主，具体拍摄标准如下：

1、航拍全景照片 大疆无人机 4（1）除下雨天、严重大雾天、夜晚外，天气好的情况都可以进行拍摄，拍摄高度控制在50米—150米（根据场景规模的大小调整，要能在空中看清场景规模大小为佳）。

（2）拼接无错位、曝光合适、色调正常、对焦清晰，天空需进行修补。

2、地面全景照片

设备需使用全幅单反相机4240万像素。

（1）室外除下雨天、严重大雾天、夜晚外，天气好的情况都可以进行拍摄。（2）地面的2:1全景照片的长边不低于15000像素。（3）拼接无错位，曝光合适，色调正常，对焦清晰。

三、此次合同费用为：

（名称）：共计。（航拍 元/点位，地面 元/点位。共计 点位，总计 元。）

签订合同3日内首付50%，即： 元（），验收后3日内付50%尾款，即： 元（）。

拍摄期间的交通、食宿凭发票车票报销，拍摄计划自行安排。

甲方前期会协调好拍摄单位，并根据拍摄进度随时沟通联系。以保证乙方顺利拍摄。

四、验收标准

乙方整理好所有照片数据好，以百度云账号的方式进行交付。

1、航拍、地面全景照片

需提供拼接好的2:1的全景照片。JPG格式文件及全景照片拼接方案。

2、存放取名 举例：

1级目录：20170828－图行网-贵州镇远古镇 2级目录：入口、大厅、绿化等

五、此次合同拍摄的所有照片数据所有权归甲方。

六、违约责任

1．甲方未能按双方同意的付款计划按期付款的，造成停工拖延周期，需追加的资金由甲方负责。

2．甲方由于重大方案调整或市场因素，需对拍摄内容有重大修改，需要追加的资金由甲方负责。

七、本合同一式两份，双方各执两分。本合同有未尽事宜，双方协商解决，或交与仲裁机构处理。

甲方(签章): 乙方(签章): _ 地址： 地址：_____________________________ 电话：

电话：_________________ 联系人： 联系人：

_________年____月____日

全景拍摄的健将 篇3

通用电气E840s主要规格

此款相机打开后，前伸的三级镜头外部呈现为金属白和金属灰，并有不同的质感和亮度对比，整体观感亮丽时尚。相机前部面板简洁明快，只有对焦辅助灯和闪光灯，中间镶嵌着具有艺术感的GE花体和美术体标志，相机左下角有800万像素以及相机的型号标识，观感简约宜人。

相机背部面板设计简洁明快，左侧为2.7英寸的液晶屏幕，右侧为相机拍摄模式调整和相机拍摄参数调整的转盘，加上分布其间的三个小按钮，可以完成相机大部分功能的控制。这款相机背部的两个转盘和液晶屏幕布局均衡，当相机竖起来的时候，两个转盘看上去像卡通形象的两个大眼睛。

试用

此前使用数码相机进行全景拍摄，要么是单纯在相机内部裁剪画面，获得一张全景画幅比例的照片，这种方法是以降低画面的有效像素数为前提的；另一种全景拍摄的方法就是先用数码相机拍摄同一场景的多张照片，然后后期在电脑上使用影像处理软件进行拼接。这两种方法要么影响了所拍摄画面的质量，要么具有一定的技术难度。而通用E840s的推出无疑为普通用户拍摄全景画面提供了一个轻松自如的解决方案。

在使用通用E840s进行全景拍摄的时候，首先需要通过模式转盘将相机调到全景拍摄模式。这时候画面的中心对焦框下面就会出现1、2、3三个数字，1为黄色背景，表示当前拍摄的是全景照片的第一张素材。在按动快门拍摄之后，液晶屏幕会在画面右边1/5的面积内显示刚才拍摄的画面左边的半透明画面，2变为黄色背景，表示当前拍摄的是全景照片的第二张素材。这时候向左移动相机，使取景的画面的右面1/5与刚才拍摄的画面左边1/5正好重叠，找到全景画面的拼接点。以此类推，拍摄完成3张照片之后，相机内部软件会根据你拍摄时选择的拼接点，自动将拍摄的三张照片拼接在一起。

利用此款相机的全景拍摄功能，我们能够很容易地拍摄到全景照片，而且照片的数据量有很大的保障。但是在具体的拍摄中，要留意三张全景素材照片拼接点的吻合度，同时要注意画面的透视。通过试用拍摄，发现全景照片拍摄功能适合于中远景的拍摄，对于近景拍摄由于透视变形较大，素材照片拼接后效果不是很理想。

电子影像防抖

防抖技术早已经从专业相机领域进入到民用相机的应用中。这款相机虽然采用的不是光学防抖技术，但是电子防抖技术的应用仍然能够帮助用户在低照度下拍摄到清晰的影像。

面部识别

在面部识别技术被广泛应用的今天，GE公司在E840s上也采用了这种技术。面部识别技术的应用，可以有效防止人像拍摄中相机对焦的失误，提高拍摄的成功率。

噪点

此款相机采用的是800万像素的1/2.5英寸CCD，相比同类800万像素的相机，CCD的尺寸比较大，保证了所拍摄画面的清晰度。经过试拍，这款相机的感光度在ISO400的时候，噪点得到了有效控制，画面质量仍然能够接受；在感光度超过ISO800的时候，画面噪点增多，画质下降。

全景拍摄

这款相机具有独特的全景拍摄模式，它能够通过相机内置的软件将实时拍摄的3张照片拼接在一起，从而省去了后期在电脑中使用图像处理软件进行拼接的麻烦。

色彩

户外运动的全景拍摄 篇4

序列图像中的运动目标检测作为视频监控领域中基本的一步,目的是从视频流中提取出感兴趣的运动区域,为运动目标的识别、跟踪等后续处理打下基础。目前常用的运动目标检测方法有3种:帧间差分法、背景减除法[2]和光流法。帧间差分法是将连续两帧进行差分,提取出运动目标的信息,优点是对动态环境有良好的适应性,缺点是不能完全提取目标的所有信息,在运动物体内部容易产生空洞;背景减除法是目前运动目标分割中常用的一种方法,利用当前图像与背景图像的差分来检测运动区域,最核心的步骤就是背景建模及更新,常用的方法有普通背景差分法和高斯背景模型法等,能够提取完整的特征点,但对于动态场景的变化,如光线、天气等条件的干扰较敏感;光流是图像亮度模式的视在运动,可以通过计算位移向量光流场来初始化目标的轮廓,从而使基于轮廓的跟踪算法有效地检测和跟踪目标。光流法的缺点就是计算量非常大,且抗噪性能差,需要硬件支持。

文中基于上述方法的优缺点,用三帧差和混合高斯模型[3,4]相融合的方法对全景视觉运动目标进行检测,实时更新背景,改进了单个算法的缺点,解决了前一帧做背景时背景差分法有两个目标出现的缺点,使其优势互补。

1 运动目标检测

1.1 三帧差法

文中采用双曲面折反射全景成像系统,经过双曲面反射镜的反射得到的全景图像如图1所示,可看出全景图像是扭曲的,不符合人眼的观察,因此柱面展开[5]为符合人眼观察的图像,如图2所示。

传统两帧差分法检测结果除包括运动对象本身外,被运动对象遮挡的部分和背景噪声也会被检测出来。因此,想要使原始图像运动轮廓与时间差分图像的运动区域高度相关,采用三帧差分法[6]效果更好。

采集全景视觉柱面展开后一段视频序列的图像,设在t时刻,I(x,y,t)表示当前帧图像(x,y)像素处的灰度值,其前后相邻的两帧图像的灰度值分别用I(x,y,t-1)和I(x,y,t+1)表示。t时刻相邻两帧灰度值的二值化结果为

其中,th1是灰度的阈值;St,t-1(x,y,t)表示当前帧I(x,y,t)和前一帧I(x,y,t-1)差分后的二值化运动区域;St,t+1(x,y,t)表示当前帧I(x,y,t)和后一帧I(x,y,t+1)差分后的二值化的运动区域,利用阈值th1对St,t-1(x,y,t)和St,t+1(x,y,t)运动区域,可有效抑制噪声,提取运动信息,然后将两帧灰度差相融合得到

截取全景展开视频序列中的第101帧,102帧和103帧分别做两帧差和三帧差的运动目标检测,图3是前两帧差结果,图4是三帧差结果,可看出两帧差法检测的运动目标轮廓明显大于图4中三帧差法检测的运动目标轮廓,这部分就是由于遮挡而将背景区域误认为是运动的前景区域,两帧差法会把这部分背景也检测出来,而三帧差法效果较好,同时也可抑制随机噪声的影响。

1.2 混合高斯模型

1.2.1 图像混合高斯模型的建立

已知在视频序列中,图像中的每一个像素都可以用一个或多个高斯分布近似表示,混合高斯模型不仅对背景建模而且也对前景建模。设到t时刻前,对像素(x0,y0)定义分布模型{X1,…,Xt}={I(x0,y0,i)∶1≤i≤t},该像素的所有值用k个高斯模型近似,观察到的当前像素值的概率是

其中,k是混合高斯模型中高斯分布的个数,通常取在3～5之间;μk,t和∑k,t分别为t时刻k个高斯模型的均值和协方差;ωk,t是t时刻k个高斯模型的权值,${\displaystyle \sum _{k=1}^k\omega }{}_{k,t}=1$,其大小反映用该高斯模型表示当前像素值的可靠程度;η是高斯概率密度函数[7],定义为

其中,∑k,t为协方差矩阵,记∑k,t=σ${}_{k,t}^2$I,可以减少计算复杂度。每个高斯分布分别具有不同的优先级${\rm P}{}_i=\omega {}_{t,i}\left|[CX2]{\displaystyle \sum [}CX]{}_{t,i}\right|{}^{-1/2}$。按照从高到低的顺序排序,取适当的背景权值部分和阈值,在此阈值前的若干个分布被认为是背景分布,其他则是前景分布。

1.2.2 背景更新

通常认为权值ωk,t较大而方差σk,t较小的高斯模型是匹配背景的模型。混合模型的参数要随每帧图像的输入不断更新,更新前要看是否满足条件,和混合模型中的某个模型是否匹配,如果

时,则当前像素值与模型匹配,则更新背景模型参数。更新公式为

式中,α为权值更新率;ρ为均值更新率。更新完各个参数后,需重新计算各个优先级及排列。

1.2.3 背景估计

第二步进行后已经重新按优先级调整了高斯分布的排列顺序,然后取前B个模型作为背景模型。

其中,T是上文中提到的阈值,如果T选择的比较小,背景模型会被认为是单峰的,相反,背景模型会被认为是多峰的。图5为高斯混合模型训练视频得到的背景图像,可看到混合高斯模型的优点是背景中没有前景目标,从而减少检测的误差度。

1.2.4 前景提取

通过前B个高斯分布建立的背景模型及阈值T的选定选出背景的最匹配分布,按照优先级次序将Xt与各高斯分布逐一匹配,如果Xt没有与表示背景分布的高斯分布匹配,则判定该点为前景点,否则为背景点。

2 改进算法

第一步 通过三帧差法快速的检测出运动目标,提高算法灵敏度,得到当前帧在视频序列中运动目标所在区域记为S(x,y,t)。其中,三帧差法的阈值选取采用Otsu算法对所得的帧差图像进行自适应阈值分割,获得二值化图像从而得到前景目标,在复杂环境中Otsu算法比固定阈值适应性强。

第二步 对当前帧进行混合高斯建模,首先判断输入的视频序列是否是第一帧,如是可初始化混合高斯模型的参数,如不是则直接更新模型,之后用当前图像中的每个像素点与混合高斯模型匹配,阈值T,α权值更新率和ρ均值更新率根据环境选择不同的值,文中T=7,α选择较小的值,α=0.005,均值更新率选择较大,β=0.015,如果匹配,求得由混合高斯模型法得到的运动目标前景记D(x,y,t)。

第三步 前景图像做相与运算求得新的前景目标,设为R(x,y,t),则检测得到的运动目标计算公式

运算求得新的前景目标,设为R(x,y,t),则检测得到的运动目标计算公式

具体流程如图6所示。

最后对得到的前景做形态学处理。因为算法求得的运动目标,通过与运算减少了部分噪声但仍有孤立噪声点,所以用中值滤波[8]方法去除噪声点,使噪声得到抑制,文中采用领域内模板的中值滤波[8]法进行中值滤波。由于得到的目标图像中还有小毛刺和小空洞,采用先腐蚀后膨胀的方法对图像进行处理,也就是开运算。腐蚀是一种消除边界点,使边界向内部收缩的过程,可以消除小且无意义的物体。膨胀是将与物体接触的所有背景点合并到该物体中,使边界向外部扩张的过程,填补物体中的空洞。

3 实验结果

分别采集两段视频序列,第一组为全景视频序列,像素大小为1 024×768,柱面展开的图像序列为1 200×300,实验环境为室内。第二组为非全景视觉的视频序列实验,通过两种不同视频序列的实验结果,验证其算法的有效性。文中算法都是在Windows XP系统下,基于Microsoft Visual C++6.0软件仿真实现。图7为视频一、二的一帧。

文中混合高斯模型参数选取为:T=7,α=0.005,β=0.015。通过验证算法的有效性,视频序列中的前景目标穿一个颜色和背景中桌子的底下颜色相近的裤子。从图8(a)和图8(d)看出,背景减除法的检测结果,图8(a)明显看出会有两个目标,人体的下半身检测不出来,目标检测不完整;图8(b)和图8(e)为混合高斯模型法,目标检测部分完整,但噪声较大;图8(c)和图8(f)利用文中算法准确检测出了运动目标,目标完整,与三帧差法相与后噪声明显减少。

4 结束语

提出一种基于全景视觉系统的运动目标的检测方法,用三帧差法和混合高斯模型法相融合的算法。改进了三帧差法只能检测目标轮廓,背景减除法出现两个目标,当目标颜色与背景颜色相近时混合高斯模型法检测不完整等缺点,通过实验对比验证了算法的有效性及正确性。文中算法在防空装甲车中得到应用。

摘要：针对基于全景视觉系统采集的图像序列中运动目标检测的方法进行了研究,采用三帧差法和混合高斯模型相融合的算法对运动目标进行检测。不但解决了三帧差法无法检测出全部目标信息的缺点,而且还避免了背景减除法容易出现两个目标的假现象,在背景颜色和目标颜色相近时检测效果较好。实验表明,该算法能准确检测出运动目标,具有较好的实时性。

关键词：目标检测,全景视觉,帧差法,背景减除,数学形态学

参考文献

[1]甄景蕾.基于全景视觉的运动目标检测与跟踪方法研究[D].哈尔滨:哈尔滨工程大学,2008.

[2]左国辉,王金刚,靳晓辉.运动检测算法[J].电子测量技术,2005(6):48-49.

[3]SAUFFER C,GRIMSON W E L.Learning patterns of activityusing real-time tracking[J].IEEE Transcins on Pattern A-nalysis and Machine Intellience,2000(8):747-757.

[4]STAUFFER C,GRIMSON W.Adaptive background mixermodels for real-time tracking[C].Cambridge,UnitedKingdom:Proceedings of the 17th International Conference onPattern Recognition,2004(2):28-31.

[5]凌云峰,朱齐丹,吴自新.全景视觉图像柱面理论展开算法实现及其改进[J].应用科技,2006,33(9):4-6.

[6]KAMEDA Y,MINOH M.A human motion estimation methodusing 3-successive video frames[C].Proceedings of inter-national conference on virtual systems and multi-media,1996:135-140.

[7]ZIVKOVIE Z.Improved adaptive Gaussian mixture model forbackground subtraction[C].Cambridge,United Kingdom:Proceedings of the 17th International Conference on PatternRecognition,2004(2):28-31.

360全景视频拍摄实战经验总结 篇5

360全景视频拍摄实战经验总结

Dane是一家媒体的专栏记者，同时也是电影制作爱好者，360全景视频拍摄给了Dane很多的创作灵感。Dane也花费了一个月的时间学习和实验360全景视频拍摄。经过三十天的实战，Dane总结了一些360全景视频拍摄经验，本文将和大家分享一下他在360全景视频拍摄方面所获得的成功、失败和总结。1、360度全景新闻采访

全景360视频拍摄对话十分诱人，因为你可以得到所有的角度。但为360度采访中不是十分有效，因为跟2D框架不同，全景360视频拍摄不能使观众集中注意力，毕竟观众的自由太大了，全景360视频拍摄采访似乎有点花哨。三星和尼康都将他们的360度相机标榜为运动相机，但360度视频下的极端运动并不奏效，因为即便是小小的运动都会造成晕动症。这个视频抖动很多，这似乎只是为了营销，并强调新闻工作和VR属于彼此。

2、VR语言

我们正处于VR时代，而作为内容创作者，我们有机会开发和定义人们消费VR的方式，以及他们对VR的看法。尽管全景360视频拍摄并不容易，但这是令全景360视频拍摄爱好则投身于此的原因所在，我们需要制定VR的语言。

跟2D电影开发出故事叙述技巧的方式一样，我们需要为全景360视频拍摄开发出故事叙述的词汇。因为观众在360度视频中可以看到一切事情，所以你不能通过特定的取景来吸引他们的注意力。相反，你需要利用运动/对象与镜头的邻近程度，并通过编辑来吸引观众的注意力。这是我迄今为止对VR电影语言的想法。但我还有很多东西要学。

3、自由观察

360全景视频拍摄的共情力量在于简单的观察。当你感觉到自己身临其境，并可环顾四周时，这能够激发出神奇的魔力。你会理解场景的语境，以及其对故事的作用。对记者和电影制作人来说，这可是关键。让观众去感受，不要单纯地“喂食”。我们可以根据阅读文章判断出事实。也就是说，画外音是传达必要信息的重要工具，并提供了全景360视频拍摄的语境。

360全景视频拍摄可以让我们置身于平时难以前往的地方，而这种感觉真的非常神奇。我们可以足不出户就能获得这种难得的体验。人们主要是把智能手机作为体验360度视频的神奇窗口。毫无疑问，头显是最佳的观影方式，但对大众消费者而言这是一个障碍。所以我们在全景360视频拍摄时需要记住，人们更倾向于使用智能手机这一神奇的窗口，而这是否会影响我们360全景视频拍摄的方式呢?

4、总结