CN104951746B - 自动图像选择设备和方法 - Google Patents

自动图像选择设备和方法 Download PDF

Info

Publication number
CN104951746B
CN104951746B CN201510142480.XA CN201510142480A CN104951746B CN 104951746 B CN104951746 B CN 104951746B CN 201510142480 A CN201510142480 A CN 201510142480A CN 104951746 B CN104951746 B CN 104951746B
Authority
CN
China
Prior art keywords
image
category
reference data
identification reference
predetermined
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
Application number
CN201510142480.XA
Other languages
English (en)
Other versions
CN104951746A (zh
Inventor
闵允泓
宋仁哲
田巴罗
崔喜烈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN104951746A publication Critical patent/CN104951746A/zh
Application granted granted Critical
Publication of CN104951746B publication Critical patent/CN104951746B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0007—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Television Signal Processing For Recording (AREA)
  • Studio Devices (AREA)

Abstract

提供了一种自动图像选择设备和方法。一种自动图像选择设备包括：图像接收器，被配置为接收图像；特征提取器，被配置为从所述图像提取特征；种类确定器，被配置为确定提取的特征是否与用于确定是否存储所述图像的预定种类识别参考数据匹配。

Description

自动图像选择设备和方法
本申请要求于2014年3月31日提交到韩国知识产权局的第10-2014-0038073号韩国专利申请的权益，该申请的整个公开通过出于所有目的引用合并于此。
技术领域
以下描述涉及一种自动图像选择技术，更具体地讲，涉及一种基于图像的种类识别来选择性地处理图像的技术。
背景技术
通常，智能眼镜是戴在用户的头上的可穿戴计算装置，并且包括诸如智能电话的那些功能的各种功能。智能眼镜可使用平视显示器(HUD)不仅显示真实世界而且显示虚拟现实(诸如增强现实)。此外，与智能电话和智能手表相比，智能眼镜具有的优势在于记录用户的视线上的用户眼睛前面的场景。对于此原因，智能眼镜被期望用作能够克服人类存储能力的限制的装置。然而，由于对于用户无意义和不重要的图像可被记录，因此连续存储图像会引起存储空间的浪费。
发明内容
提供本发明内容来以简单形式介绍挑选的构思，其中，以下在具体实施方式中对所挑选的构思进行详细描述。本发明内容不意图确定所要求保护的主题的关键特征或必要特征，也不意图用作帮助确定要求保护的主题的范围。
在一个总体方面，一种自动图像选择设备，包括：图像接收器，被配置为接收图像；特征提取器，被配置为从所述图像提取特征；种类确定器，被配置为确定提取的特征是否与用于确定是否存储所述图像的预定种类识别参考数据匹配。
所述自动图像选择设备还可包括：操作控制器，被配置为根据由种类确定器做出的确定来控制与所述图像的存储关联的操作。
图像接收器还可被配置为从当前为用户显示在显示器上的图像数据接收所述图像。
图像接收器还可被配置为从由相机捕获并从相机接收的图像数据接收所述图像。
图像接收器还可被配置为从通过通信网络接收的图像数据接收所述图像。
图像接收器还可被配置为从训练数据接收所述图像，其中，训练数据包括被预先确定用于识别特定种类的图像；自动图像选择设备还可包括：特征学习器，被配置为根据由种类确定器做出的确定来更新所述预定种类识别参考数据。
所述预定种类识别参考数据可包括多个种类识别参考数据，每个种类识别参考数据被预先确定用于识别不同的种类。
操作控制器还可被配置为输出用于控制将所述图像存储在本地存储介质中的操作的控制信号。
操作控制器还可被配置为输出用于控制通过通信网络将所述图像发送到远程存储介质并且将所述图像存储在远程存储介质中的操作的控制信号。
在另一总体方面，一种自动图像选择方法，包括：接收图像；从所述图像提取特征；确定提取的特征是否与用于确定是否存储所述图像的预定种类识别参考数据匹配。
所述自动图像选择方法可还包括：根据确定的结果控制与存储所述图像关联的操作。
接收图像可包括：从当前为用户显示在显示器上的图像数据接收所述图像。
接收图像可包括：从由相机捕获并从相机接收的图像数据接收所述图像。
接收图像可包括：从通过通信网络接收的图像数据接收所述图像。
接收图像可包括：从训练数据接收所述图像，其中，训练数据包括被预先确定用于识别特定种类的图像；自动图像选择方法还可包括：根据确定的结果来更新所述预定种类识别参考数据。
所述预定种类识别参考数据可包括多个种类识别参考数据，每个种类识别参考数据被预先确定用于识别不同的种类。
所述自动图像选择方法还可包括：输出用于控制将所述图像存储在本地存储介质中的操作的控制信号。
所述自动图像选择方法还可包括：输出用于控制通过通信网络将所述图像发送到远程存储介质并且将所述图像存储在远程存储介质中的操作的控制信号。
在另一总体方面，一种存储计算机可执行指令的非暂时性计算机可读存储介质，当由包括相机和显示器的计算装置的处理器执行该计算机可执行指令时，该计算机可执行指令使得处理器执行包括以下操作的操作：接收图像，所述图像由相机捕获并且当前被显示在显示器上；从所述图像提取特征并将提取的特征作为图像特征输出；确定提取的特征是否与用于确定是否存储所述图像的预定种类识别参考数据匹配。
操作可还包括：输出用于根据确定的结果控制与所述图像的存储关联的操作的控制信号。
操作还可包括：从通过通信网络接收的图像数据接收图像，作为所述图像。
操作还可包括：从训练数据接收图像作为所述图像，其中，训练数据包括被预先确定属于特定种类的图像；根据确定的结果来更新所述预定种类识别参考数据。
所述预定种类识别参考数据可包括多个种类识别参考数据，每个种类识别参考数据被预先确定用于识别不同的种类。
操作还可包括：输出用于控制将所述图像存储在本地存储介质中的操作的控制信号。
操作还可包括：输出控制将所述图像转换为图像信号、将图像信号发送给远程存储介质和将图像信号存储在远程存储介质中的操作的控制信号。
计算机可执行指令可作为被预先确定用于识别至少一个特定种类的独立应用被提供。
计算机可执行指令可作为能够学习识别由用户确定的至少一个种类的独立应用被提供。
在一个总体方面，一种计算装置，包括：相机；显示器；处理器；计算机可读存储介质，计算机可读存储介质存储计算机可执行指令，当处理器执行该计算机可执行指令时，该计算机可执行指令使得处理器执行包括以下操作的操作：接收图像，所述图像由相机捕获并且当前被显示在显示器上；从所述图像提取特征并将提取的特征作为图像特征输出；确定提取的特征是否与用于确定是否存储所述图像的预定种类识别参考数据匹配。
操作可还包括：输出用于根据确定的结果控制与所述图像的存储关联的操作的控制信号。
计算装置可还包括：通信模块，被配置为通过通信网络接收图像数据；操作还可包括：从通过通信网络接收的图像数据接收图像，作为所述图像。
操作可还包括：从训练数据接收图像作为所述图像，其中，训练数据包括被预先确定为属于特定种类的图像；根据确定的结果来更新所述预定种类识别参考数据。
计算装置还可包括：通信模块，被配置为通过通信网络接收图像数据；操作可还包括：从训练数据接收图像作为所述图像，其中，训练数据包括由通信模块接收并且被预先确定为属于特定种类的图像。
所述预定种类识别参考数据可包括多个种类识别参考数据，每个种类识别参考数据被预先确定用于识别不同的种类。
操作还可包括：输出用于控制将所述图像存储在本地存储介质中的操作的控制信号。
计算装置可还包括：通信模块，被配置为通过通信网络将图像数据发送给远程存储介质；指令还可包括输出控制将所述图像发送给远程存储介质和将所述图像存储在远程存储介质中的操作的控制信号。
计算机可执行指令可作为被预先确定用于识别至少一个特定种类的独立应用被提供。
计算机可执行指令可作为能够学习识别由用户确定的至少一个种类的独立应用被提供。
从以下具体实施方式、附图和权利要求，其他特征和方面将是清楚的。
附图说明
图1示出自动图像选择设备的示例。
图2示出自动图像选择设备的另一示例。
图3示出自动图像选择设备的另一示例。
图4示出包括自动图像选择设备的计算装置的示例。
图5示出包括自动图像选择设备的计算装置的另一示例。
图6示出包括自动图像选择设备的计算装置的另一示例。
图7示出包括自动图像选择设备的计算装置的另一示例。
图8示出自动图像选择方法的示例。
图9示出自动图像选择方法的另一示例。
图10示出自动图像选择方法的另一示例。
图11示出自动图像选择方法的另一示例。
图12示出自动图像选择方法的另一示例。
图13示出自动图像选择方法的另一示例。
图14示出自动图像选择方法的另一示例。
图15示出自动图像选择方法的另一示例。
具体实施方式
提供以下描述了帮助读者获得对这里描述的方法、设备和/或系统的全面理解。然而，这里描述的方法、设备和/或系统的各种改变、修改和等同形式对于本领域的普通技术人员将是清楚的。这里描述的操作的顺序仅是示例，不限于这里阐述的内容，除了必需以特定顺序发生的操作之外，可对这里描述的操作的顺序做出对于本领域的普通技术人员明显的改变。另外，为了增加清楚和简明，可省略对于本领域普通技术人员公知的功能和构造的描述。
贯穿附图和具体实施方式，相同的标号指示相同的元件。标号中的最左边的数字标识标号首先出现在的附图。附图不可被测量，为了清楚、示出和方便可放大附图中的元件的相对尺寸、比例和描绘。
通常，包括在智能眼镜中的相机能够连续且无缝地及时地捕获在用户的视平线上的用户眼睛前方的场景。由智能眼镜的相机捕获的图像可被存储在智能眼镜的本地存储器中。可选择地，捕获的图像可通过设置在智能眼镜中的通信模块被转换为图像信号，通过近距离或宽带宽通信网络发送给远程存储空间(诸如用户的智能手机或远离用户的云)，并且随后转换的图像可被存储在远程存储空间中。
然而，可穿戴计算装置(也就是，智能眼镜)的本地存储器的存储容量可能受限。为了克服此问题，智能眼镜可采用远程存储器。然而，当计算装置通过通信网络将图像发送给远程存储空间时，远程存储器可受到通信网络崩溃的影响。因此，不连续地存储由智能眼镜的相机捕获的每个图像是令人满意的。为了解决这个问题，可采用手动选择方法来仅存储对用户有意义的图像。
然而，在手动选择方法中，用户必须保持监视显示的图像。此外，在监视图像的同时，用户需要确定每个监视的图像是否需要被存储。此外，当确定特定图像需要被存储时，用户必须输入用于开始存储操作的命令。因此，当用户没有监视图像时、当用户不能够确定是否需要存储图像时或者当用户不能够输入用于存储图像的命令时，该图像不会被存储。
根据自动图像选择设备和方法的示例，提供了一种基于图像的种类识别的自动图像选择技术。此技术在无需用户的监视和确定的情况下能够选择性地存储或仅处理各种图像中的具有对于用户有意义的特定种类的内容的图像。此外，此技术仅允许选择的图像而非每个图像被存储或被处理，使得存储空间将不会被浪费。此外，此技术不需要用户的手动控制，使得甚至在用户没有注意的情况下图像也将被自动存储或处理。
在以下描述中，术语“种类识别”被用于指示基于包括在图像中的内容直接识别图像的种类。
识别图像的种类的传统方法之一是间接利用图像的内容的标注方法。标注方法是将文本类型的标签作为元数据添加到图像的方法。例如，在特定图像包括人们在山坡上滑雪的内容的情况下，诸如“雪”、“山”、“滑雪”和“人们”的文本可作为标签被添加。当搜索图像或确定属于特定种类的图像时，可使用文本类型的标签。
与间接使用图像的内容的标注方法相比，根据此公开的示例的自动图像选择设备和方法基于图像的内容直接将图像识别为属于特定种类。可通过分析图像的特征来直接识别图像的内容。
下文中，利用智能眼镜的示例来描述自动图像选择设备和方法，其中，智能眼镜包括：平视显示器、相机和/或用于与远程装置通信的通信模块、诸如种类识别器的独立应用或独立硬件。然而，此示例仅是示例性的，并且自动图像选择设备和方法可被应用于智能手表、智能电话、平板电脑、膝上型计算机、桌上型计算机、服务器、客户端或任何其它计算装置。此外，代替独立应用，网络浏览器、相机应用、多媒体播放器以及应用的任何其他插件或组件模块可被包括在自动图像选择设备和方法中。
图1示出自动图像选择设备的示例。
参照图1，自动图像选择设备10包括图像接收器11、种类识别参考数据13、特征提取器15、种类确定器17和操作控制器19。
图像接收器11是用于从接收的图像数据接收特定图像的组件。例如，图像数据可以是包括连续静止图像的视频文件，接收的图像可以是视频文件的静止图像中的一幅静止图像。图像接收器11可从源自各种源的图像数据接收图像。图像数据源可包括对于普通技术人员公知的显示器、相机、接收器模块、存储介质或任何其他图像数据源。
在一个示例中，图像数据可以是当前为了用户而显示在显示器上的图像数据。例如，假设具有基于种类识别的自动图像选择设备10的智能眼镜在平视显示器上实时发送包括由相机捕获的用户眼前的真实世界的增强现实视频。在此示例中，当增强现实视频为了用户而正被显示在显示器上时，图像接收器11可从增强现实视频数据接收静止图像。
在另一示例中，图像数据可以是由相机捕获的图像数据以及实时接收的图像数据。例如，假设具有基于种类识别的自动图像选择设备10的智能眼镜实时地在平视显示器上发送由相机捕获的用户眼前的真实世界的视频。在此示例中，当由相机捕获的视频为了用户而正被显示在显示器上时，图像接收器11可从视频数据接收静止图像。
在另一示例中，图像数据可以是通过通信网络从远程位置接收的图像数据。例如，假设戴着具有基于种类识别的自动图像选择设备10的智能眼镜的用户现在正在通过接收数字多媒体广播(DMB)节目观看戏剧。在此示例中，图像接收器11可从显示在智能眼镜的平视显示器上的DMB戏剧视频数据接收静止图像。
在另一示例中，图像数据可以是存储在本地存储介质或远程存储空间中的训练数据。例如，假设戴着具有基于种类识别的自动图像选择设备10的智能眼镜的用户接收存储在远程云的用户个人账户中的与用户喜爱的风格“花图案衣服”相关的画面或视频，并且使得基于种类识别的自动图像选择设备10学习与“花图案衣服”相关的画面或视频。在此示例中，训练数据被存储在远程云的用户个人账户中，包括预先确定为属于“花图案衣服”种类的图像。图像接收器11可从训练数据接收预先确定为属于“花图案衣服”种类的图像。
需要确定由图像接收器11接收的图像所属的具体种类。由种类识别参考数据13来提供用于所述确定的参考数据。种类识别参考数据13包括至少一个参考特征，所述至少一个参考特征是被预先确定为属于特定种类的特征。
特征使得基于种类识别的自动图像选择设备10直接基于图像的内容来确定图像是否属于特定种类。
通常，可使用一般概念(诸如，例如，人、动物、女性、男性、猫、宠物、时尚和汽车)来定义种类。此外，可通过将一般概念混合为对个人有意义的概念(诸如花图案衣服和LadyGaga)来确定种类。
自动图像选择设备10识别图像是否属于特定种类。此外，基于种类识别的自动图像选择设备10识别图像属于多个种类中的哪个种类。可基于通过种类识别参考数据13或通过包括在种类识别参考数据13中的参考特征识别的被预先确定的种类，来确定由自动图像选择设备10识别的种类。
可由各种实体中的一个或更多个实体来提供包括在种类识别参考数据13中的参考特征，以识别特征种类。各种实体可包括用户、相关系统提供者、相关方法软件开发者和/或第三方。将特定特征分配到特定种类是实现从图像识别对象(诸如特定人的脸)的传统图像分析技术中的公知技术。在以下描述中，预先确定为与特定种类相应的特定特征被称为“参考特征”。
参考特征可以是被选择作为用于从先前从图像中提取的多个特征中识别出预定具体种类的标准的特征。在这种情况下，可通过将从图像提取的特征与参考特征进行比较来确定图像是否属于特定种类。
特征是从图像发现的特性。可由各种实体之一预先确定图像中的哪个特性与哪个特征对应。各种实体可包括用户、相关系统销售者、相关方法软件开发者和/或第三方。将图像的特性指定为特定特征是从图像识别对象(诸如特定人的脸)的传统图像分析技术中的公知技术。
例如，假设自动图像选择设备10识别出“花图案衣服”种类。在这种情况下，种类识别参考数据13可包括作为参考特征的用于识别出“花图案衣服”种类的特征。例如，假设“衣服”和“花”需要被识别以识别出“花图案衣服”。在这种情况下，种类识别参考数据13包括作为参考特征的用于识别“衣服”的特征和用于识别“花”的特征。
特征提取器15输出作为图像特征的从图像提取的特征。由特征提取器15提取的图像特征可由具有与参考特征的格式相同的格式的数据组成，从而该数据可与参考特征进行比较。在这种情况下，可将图像特征与参考特征直接进行比较。图像特征和参考特征可指示相同的种类或不同的种类。在图像特征和参考特征彼此匹配的情况下，图像特征和参考特征被确定为指示相同的种类。然而，在图像特征和参考特征彼此不同的情况下，图像特征和参考特征被确定为指示不同的种类。
种类确定器17将图像特征与参考特征进行比较，并基于确定的结果确定图像是否属于期望的种类。由参考特征指示的种类是将通过参考特征识别的预先确定的特定种类。特定种类可以是用户想要存储的图像的种类。
例如，种类确定器17将图像特征与参考特征进行比较，如果图像特征与参考特征匹配，则种类确定器17确定图像特征和参考特征都指示相同的种类并且相应图像的种类因此是用户想要存储的图像的特定种类。可选择地，种类确定器17将图像特征与参考特征进行比较，并且如果图像特征与参考特征不同，则种类确定器17确定图像特征和参考特征指示不同的种类，并且确定相应图像的种类因此不是用户想要存储的图像的特定种类。
以下描述包括这样的示例：种类识别参考数据包括参考特征，并且参考特征是能够从图像提取的一种特征。然而。本公开的各方面不限于此。例如，代替参考特征，种类识别参考数据13可包括用于识别特定种类的任何其他各种参考数据。在这种情况下，种类确定器17可使用种类识别参考数据来确定从图像提取的特征的种类。种类识别参考数据13不受限，只要它能够识别特定特征是否指示特定种类。例如，种类识别参考数据可以是用于识别包括在特征中的特性并且确定识别的特征是否能够被识别为特定种类的数据。
因此，尽管在以下描述中描述种类确定器17以将来自种类识别参考数据13的参考特征与从图像提取的特征进行“比较”，但是将理解术语“比较”不限于特征之间的简单比较。换句话说，将参考特征与从图像提取的特征进行比较的操作包括基于能够识别出特定种类的各种种类识别参考数据确定从图像提取的特征的各种方法。
操作控制器19输出控制信号，其中，该控制信号根据由种类确定器17做出的确定控制与图像的存储关联的操作。由操作控制器19输出的控制信号可以是使得图像被存储在本地存储介质和/或远程存储介质中的控制信号之一。本地存储介质可以是例如包括在具有自动图像选择设备10的智能眼镜中的存储器。远程存储介质可以是智能电话、平板电脑、膝上型计算机或远程云服务器内的存储空间，智能电话、平板电脑、膝上型计算机或远程云服务器中的每个例如通过通信网络连接到具有自动图像选择设备10的智能眼镜。
以上参照图1描述的自动图像选择设备10提供一种自动选择并存储图像的方法。例如，在用户戴着具有自动图像选择设备10的眼镜的情况下，属于对于用户有意义的特定种类的图像可被存储在智能眼镜中的本地存储器中。用户可上传自动选择的图像以被存储在通过通信网络(诸如互联网)连接的云中的用户个人账户的存储器中。因此，当用户正在走过人群或购物时，自动图像选择设备10使得由智能眼镜的相机连续捕获的图像之中的仅具有期望内容的图像被自动选择和处理(例如，存储)。
图2示出自动图像选择设备的另一示例。
图2中示出的自动图像选择设备20识别并选择将被存储的多个种类。
参照图2，自动图像选择设备20包括图像接收器21、种类识别参考数据23、特征提取器25、种类确定器27和操作控制器29，其中，种类识别参考数据23包括针对不同种类的识别参考数据231、232和233，种类确定器27包括分别对应于识别参考数据231、232和233的不同种类的种类确定器271、272和273。
与图1中显示的图像接收器11类似，图像接收器21是用于从接收的图像数据接收特定图像的组件。
需要确定由图像接收器21接收的图像属于哪个种类。由种类识别参考数据23提供用于所述确定的参考数据。
尽管有类似之处，但是识别参考数据23与图1中显示的种类识别参考数据13的区别在于识别参考数据23包括多个识别参考数据231、232和233，每个识别参考数据针对不同种类。针对种类1的第一识别参考数据231包括预先确定用于识别特定种类(也就是，“种类1”)的参考特征。针对种类2的第二识别参考数据232包括预先确定用于识别另一特定种类(也就是，“种类2”)的参考特征。同样，针对种类N的第N识别参考数据233包括预先确定用于识别另一特定种类(也就是，“种类N”)的参考特征。在这里，N表示等于或大于2的整数。因此，种类识别参考数据23包括针对两个或更多个不同的相应种类预先确定的种类识别参考数据。
与图1中显示的特征提取器15类似，特征提取器25从图像提取特征并将提取的特征作为图像特征输出。由特征提取器25提取的图像特征可由具有与包括在种类识别参考数据23中的参考特征的格式相同的格式的数据组成，从而可将数据与参考特征进行比较。
尽管有相似之处，但是种类确定器27与图1的种类确定器17的不同在于种类确定器27包括用于识别不同的相应种类的多个种类确定器271、272和273。针对种类1的第一确定器271基于第一识别参考数据231确定图像的种类是否是“种类1”。针对种类2的第二确定器272基于第二识别参考数据232确定图像的种类是否是“种类2”。针对种类N的第N确定器273基于第N识别参考数据确定图像的种类是否是“种类N”。这里，N表示等于或大于2的整数。因此，种类确定器27确定图像的种类是否属于两个或更多个不同种类。
与图1中显示的操作控制器19类似，操作控制器29输出控制信号，其中，该控制信号根据种类确定器27的确定来控制与图像的存储关联的操作。
图3示出自动图像选择设备的另一示例。
图3中示出的自动图像选择设备30(作为图1中显示的自动图像选择设备的变化的示例)通过使用训练数据更新种类识别参考数据来改善种类识别功能。
参照图3，自动图像选择设备30包括图像接收器31、种类识别参考数据33、特征提取器35、训练数据36、种类确定器37、特征学习器38和操作控制器39。
与图1中显示的图像接收器11类似，图像接收器31从接收的图像数据接收特定图像。
需要确定由图像接收器31接收的图像是否属于特定种类。通过种类识别参考数据33来提供用于所述确定的参考数据。
此外，由图像接收器31接收的图像的种类可能已经被预先定义。训练数据36是被分类在特定种类的一组图像。训练数据36可以是由用户存储在本地存储器、用户的计算装置的存储空间或远程云的用户个人账户的存储空间中的图像。可由用户确定训练数据36中的图像是否属于特定种类。
与图1中显示的种类识别参考数据13类似，种类识别参考数据33包括预先确定用于识别特定种类的数据(诸如参考特征)。
与图1的特征提取器15类似，特征提取器35从图像提取特征并将提取的特征作为图像特征输出。
与图1的种类确定器17类似，种类确定器37将图像特征与包括在种类识别参考数据33中的数据(也就是，参考特征)进行比较，并确定该图像的种类是否与期望的种类匹配。
特征学习器38基于种类确定器37针对包括在训练数据36中的图像做出的确定来更新种类识别参考数据33。例如，在种类确定器37确定从自训练数据36接收的图像提取的图像特征与包括在种类识别参考数据33中的参考特征匹配的情况下，特征学习器33不更新种类识别参考数据33。可选择地，在种类确定器37确定从自训练数据36接收的图像提取的图像特征与包括在种类识别参考数据33中的参考特征不匹配的情况下，特征学习器33基于该图像特征来更新种类识别参考数据33。例如，特征学习器33可通过将该图像特征添加到种类识别参考数据33来更新种类识别参考数据33。
与图1的操作控制器19类似，操作控制器39输出控制信号，其中，该控制信号根据由种类确定器37做出的确定控制与图像的存储关联的操作。
下文中，参照图4至图7来描述具有自动图像选择设备的计算装置的示例。然而，在以下示例中描述的计算装置仅是示例性的。将对于本领域普通技术人员明显的是，单个计算装置和/或具有各种组合的分散计算环境落入权利要求以及它们的等同形式的范围。
图4示出具有自动图像选择设备的计算装置的示例。
参照图4，提供了具有自动图像选择设备40的计算装置400。在图4中，计算装置400包括自动图像选择设备40、相机415、显示器425和本地图像存储器435。自动图像选择设备40包括与图1中显示的系统的组件对应的图像接收器41、种类识别参考数据43、特征提取器45、种类确定器47和操作控制器49。
在由相机415捕获的图像被提供给显示器的路径上，图像接收器41接收图像。特征提取器45从接收的图像提取特征。提取的特征作为图像特征被提供给种类确定器47。种类确定器47将图像特征与包括在种类识别参考数据43中的参考特征进行比较。种类识别参考数据43包括被预先确定用于识别预定特定种类的一个或更多个参考特征。因此，种类确定器47确定接收的图像是否属于该预定特定种类。仅当种类确定器47确定接收的图像属于由种类识别参考数据43定义的种类时，操作控制器49输出控制信号，其中，该控制信号使得发送从相机415接收的图像以被存储在图像存储器435中。
以这种方式，在将由相机415捕获的图像显示在显示器425上的同时，图4中示出的计算装置400能够仅将通过种类识别处理选择的图像存储在图像存储器435中。
图5示出具有自动图像选择设备的计算装置的另一示例。
参照图5，提供了具有自动图像选择设备50的计算装置500以及远程图像服务器555通过通信网络545被连接的分散计算环境。在图5中，计算装置500包括自动图像选择设备50、图像信号接收器模块515、显示器525和本地图像存储器535。自动图像选择设备50包括与图1中显示的系统的组件对应的图像接收器51、种类识别参考数据53、特征提取器55、种类确定器57和操作控制器59。
在由图像信号接收器模块515接收的图像提供给显示器525的路径上，图像接收器51接收图像。在此示例中，图像信号接收器模块515通过通信网络545从远程图像服务器555接收图像。特征提取器55从接收的图像提取特征。提取的特征作为图像特征被提供给种类确定器57。种类确定器57将图像特征与包括在种类识别参考数据53中的参考特征进行比较。种类识别参考数据53包括被预先确定用于识别预定特定种类的一个或更多个参考特征。因此，种类确定器57确定接收的图像是否属于该预定特定种类。仅当种类确定器57确定接收的图像属于由种类识别参考数据53定义的种类时，操作控制器59输出下述控制信号，其中，该控制信号使得发送从图像信号接收器模块515接收的图像以被存储在图像存储器535中。
以这种方式，在为用户将从远程图像服务器555(例如，广播服务器)接收的DMB图像显示在显示器525上的同时，图5中显示的计算装置500仅将通过种类识别处理选择的图像存储在图像存储器535中。
图6示出具有自动图像选择设备的计算装置的另一示例。
参照图6，提供了具有自动图像选择设备60的计算装置600以及远程图像存储器635通过通信网络655被连接的分散计算环境。在图6中，计算装置600包括自动图像选择设备60、相机615、显示器625和图像信号发送器模块645。自动图像选择设备60包括与图1中显示的系统的组件对应的图像接收器61、种类识别参考数据63、特征提取器65、种类确定器67和操作控制器69。
在由相机615捕获的图像被提供给图像显示器625的路径上，图像接收器61接收图像。特征提取器65从接收的图像提取特征。提取的特征作为图像特征被提供给种类确定器67。种类确定器67将提取的特征与包括在种类识别参考数据63中的参考特征进行比较。种类识别参考数据63包括被预先确定用于识别预定特定种类的一个或更多个参考特征。因此，种类确定器67确定接收的图像是否属于该预定特定种类。仅当种类确定器67确定该图像属于由种类识别参考数据63定义的种类时，操作控制器69输出下述控制信号，其中，该控制信号使得发送从相机615接收的图像以被存储在远程图像存储器635中。根据该控制信号，该图像从相机615被提供给图像信号发送器模块645。图像信号发送器模块645将该图像转换为通信信号，并通过通信网络655将该通信信号发送给远程图像存储器635，使得该图像被存储在远程图像存储器635中。
以这种方式，在为用户将由相机615捕获的图像显示在显示器625上的同时，图6中示出的计算装置600仅将通过种类识别处理选择的图像存储在图像存储器635中。例如，远程图像存储器635可以是分配给远程云服务器中的用户个人账户的存储空间。
图7示出具有自动图像选择设备的计算装置的另一示例。
参照图7，示出了具有自动图像选择设备70的计算装置700以及远程训练数据765和远程图像存储器735通过通信网络755被连接的分散计算环境。在图7中，计算装置700包括自动图像选择设备70、相机715、显示器725、图像信号发送器模块745和图像信号接收器模块785。自动图像选择设备70包括与图1中示出的系统的组件对应的图像接收器71、种类识别参考数据73、特征提取器75、种类确定器77、特征学习器78和操作控制器79。
自动图像选择设备70具有两个操作模式，即选择模式和学习模式。在选择模式中，自动图像选择设备70通过识别接收的图像的种类来确定是否存储所接收的图像。在学习模式下，自动图像选择设备70从训练数据接收图像，并使用从接收的图像提取的特征来更新种类识别参考数据73。可由用户在选择模式和学习模式之间设置自动图像选择设备70的操作模式。
在选择模式下，在将由相机715捕获的图像提供给显示器725的路径上，图像接收器71接收图像。特征提取器75从接收的图像提取特征。提取的特征作为图像特征提供给种类确定器77。种类确定器77将图像特征与包括在种类识别参考数据73中的参考特征进行比较。种类识别参考数据73包括被预先确定用于识别预定特定种类的一个或更多个参考特征。因此，种类确定器77能够确定接收的图像是否属于在种类识别参考数据73中定义的种类。仅当种类确定器77确定接收的图像属于在种类识别参考数据73中定义的种类时，操作控制器79输出控制信号，其中，该控制信号使得发送从相机715接收的图像以被存储在远程图像存储器中。根据控制信号，图像从相机715提供给图像信号发送器模块745。图像信号发送器模块745将图像转换为通信信号，并将该通信信号发送给远程图像存储器735，使得该图像被存储在远程图像存储器735中。
在学习模式下，自动图像选择设备70假设接收的图像是从种类被定义的训练数据接收的图像。在图7中，图像接收器71从由图像信号接收器模块785接收的图像数据接收图像。图像信号接收器模块785从通过通信网络755连接的远程训练数据765接收图像数据。特征提取器75从接收的图像提取特征。提取的特征作为图像特征被提供给种类确定器77。种类确定器77将图像特征与包括在种类识别参考数据73中的参考特征进行比较。
在这种情况下，包括在种类识别参考数据73中的参考特征被预先确定用于识别特定种类。此外，图像特征被预先确定用于识别特定种类。因此，参考特征和图像特征原则上需要彼此匹配。然而，参考特征和图像特征在实际上可能彼此不同。这是因为从预定量的参考图像数据选择参考特征，而训练数据可包括更大量的图像数据，所述更大量的图像数据包括没有被包括在参考图像数据中的更多图像。因此，种类确定器77可确定参考特征和图像特征是否彼此匹配。当种类确定器77确定参考特征和图像特征彼此匹配时，特征学习器78通过基于图像特征修改现有的参考特征或通过添加新的参考特征来更新种类识别参考数据73。
在学习模式下更新种类识别参考数据73之后，操作模式可被切换为选择模式。在学习模式之后的选择模式下，更新的种类识别参考数据73被使用，使得图像种类识别处理可被更有效地执行。
因此，图7中示出的计算装置700能够使用学习模式来改善自动图像选择设备70的效率。例如，用户可将被编码为实现自动图像选择设备70的应用安装在计算装置700中。首先，用户可命令自动图像选择设备70学习用户自己收集的图像数据。随后，用户可针对由相机715捕获的图像执行选择模式。
图8示出自动图像选择方法的示例。
参照图8，自动图像选择方法800包括通过分析图像的内容来识别图像的种类来选择性地存储图像的处理。
首先，在801，接收图像。在803，从接收的图像提取特征。在805，基于预先存储的种类识别参考数据来确定提取的特征的种类。在807，确定提取的特征的种类是否与特定种类匹配。
种类识别参考数据被预先确定用于识别特定种类。因此，在807，如果提取的特征与种类识别参考数据匹配，则提取的特征的种类被确定为与特定种类匹配。可选择地，在807，如果提取的特征与种类识别参考数据不匹配，则提取的特征的种类与特定种类不匹配。
因此，如果提取的特征与种类识别参考数据匹配，则在809，实现与图像关联的添加操作的控制信号被输出。与图像关联的添加操作涉及存储图像。因此，可根据实现添加操作的控制信号存储图像。可选择地，如果提取的特征与种类识别参考数据不匹配，则在811，禁止与图像关联的添加操作的控制信号被输出。因此，可根据控制信号不存储图像。
图9示出自动图像选择方法的另一示例。
参照图9，自动图像选择方法900包括基于通过识别图像的种类学习的图像特征来更新种类识别参考数据的处理。
首先，在901，接收训练数据图像。训练数据图像是用户已经预先确定了特定种类的图像。在903，从接收的图像提取特征。在905，提取的特征与预先存储的种类识别参考数据进行比较。随后，在907，确定提取的特征是否与种类识别参考数据匹配。
从训练图像数据提取的特征被考虑用来识别特定种类。此外，种类识别参考数据被考虑用来识别特定种类。因此，如果提取的特征与种类识别参考数据匹配，则在907确定不需要依据提取的特征修改种类识别参考数据。可选择地，如果提取的特征与种类识别参考数据不匹配，则在907确定需要依据提取的特征修改种类识别参考数据。
因此，如果提取的特征与种类识别参考数据匹配，则在909，将种类识别参考数据保持原样。可选择地，如果提取的特征与种类识别参考数据不匹配，则在911，基于提取的特征更新种类识别参考数据。例如，可通过将提取的特征添加到种类识别参考数据来更新种类识别参考数据。在另一示例中，可通过参照提取的特征修改现有种类识别参考数据中的一些来更新种类识别参考数据。
图10示出自动图像选择方法的另一示例。
参照图10，自动图像选择方法1000包括通过运行种类识别器识别图像的种类来选择性地存储图像的处理，其中，种类识别器是由用户安装在智能眼镜中的独立应用。
首先，在1001，用户使用智能眼镜访问远程服务器来下载种类识别器并将该种类识别器安装在智能眼镜中。随后，由智能眼镜的相机捕获的图像被显示在智能眼镜的平视显示器上。在1003，用户运行种类识别器来自动选择所有显示的图像之中的属于特定种类的图像，并且自动存储所选择的图像。一旦种类识别器被运行，则在1005智能眼镜的处理器等待，直到种类识别器输出与特定图像的存储关联的控制信号。
在1003，在运行种类识别器期间，由智能眼镜的处理器来执行以上参照图8描述的基于种类识别的自动图像选择方法800。其结果是，如以上参照图8描述的，图像被接收；从接收的图像提取特征；提取的特征与参考特征进行比较；并且输出控制信号。如果从种类识别器输出的控制信号是实现特定图像的存储的信号(1007中的是)，则在1009智能眼镜的处理器执行与接收的图像关联的添加操作，也就是，存储特定图像的操作。可选择地，如果从种类识别器输出的控制信号是禁止存储特定图像的信号(1007中的否)，则在1011智能眼镜的处理器不执行与特定图像关联的添加操作，也就是，存储特定图像的操作。
在运行种类识别器期间，针对多个连续图像重复地执行处理800和等待接收控制信号和根据控制信号存储/不存储特定图像的操作1005至1011。
图11示出自动图像选择方法的另一示例。
参照图11，自动图像选择方法1100包括通过运行种类识别器识别图像的种类来选择性地将图像存储在远程云中的处理，其中，种类识别器是由用户安装在智能眼镜中的独立应用。
首先，在1101，用户使用智能眼镜访问远程服务器来下载种类识别器并将该种类识别器安装在智能眼镜中。随后，由智能眼镜的相机捕获的图像被显示在智能眼镜的平视显示器上。在1103，用户运行种类识别器来自动选择所有显示的图像之中的属于特定种类的图像。一旦种类识别器被运行，则在1105智能眼镜的处理器等待，直到种类识别器输出与将特定图像存储在远程云中关联的控制信号。
在1103，在运行种类识别器期间，由智能眼镜的处理器来执行以上参照图8描述的自动图像选择方法800。其结果是，图像被接收；从接收的图像提取特征；基于种类识别参考数据来确定提取的特征的种类；并且输出控制信号。如果从种类识别器输出的控制信号是实现发送特定图像以被存储在远程云中的信号(1107中的是)，则在1109智能眼镜的处理器执行与特定图像关联的添加操作，也就是，发送特定图像以被存储在远程云中的操作。可选择地，如果从种类识别器输出的控制信号是禁止发送特定图像以被存储在远程云中的信号(1107中的否)，则在1111智能眼镜的处理器不执行发送特定图像以被存储在远程云中的操作。
在运行种类识别器期间，针对多个连续图像重复地执行处理800和等待接收控制信号和根据控制信号存储/不存储特定图像的操作1105至1111。
图12示出基于种类识别的自动图像选择方法的另一示例。
参照图12，自动图像选择方法1200包括通过运行种类识别器识别从广播公司接收的图像的种类来选择性地存储图像的处理，其中，种类识别器是由用户安装在智能眼镜中的独立应用。
首先，在1201，用户使用智能眼镜访问远程服务器来下载种类识别器并将该种类识别器安装在智能眼镜中。随后，由智能眼镜的图像信号接收器模块从远程图像服务器接收的数字多媒体广播(DMB)图像被显示在智能眼镜的平视显示器上。在1203，用户运行种类识别器来自动选择所有显示的DMB图像之中的属于特定种类的图像。一旦种类识别器被运行，则在1205智能眼镜的处理器等待，直到种类识别器输出与特定图像的存储关联的控制信号。
在1203，在运行种类识别器期间，由智能眼镜的处理器来执行以上参照图8描述的自动图像选择方法800。其结果是，图像被接收；从接收的图像提取特征；基于种类识别参考数据来确定特征的种类；并且输出控制信号。如果从种类识别器输出的控制信号是实现特定图像的存储的信号(1207中的是)，则在1209智能眼镜的处理器执行与特定图像关联的添加操作，也就是，将特定图像发送到远程云进行存储的操作。可选择地，如果从种类识别器输出的控制信号是禁止存储特定图像的信号(1207中的否)，则在1211智能眼镜的处理器不执行将特定图像发送到远程云进行存储的操作。
在运行种类识别器期间，针对多个连续图像重复地执行处理800和等待接收控制信号和根据控制信号存储或不存储特定图像的操作1205至1211。
图13示出自动图像选择方法的另一示例。
参照图13，自动图像选择方法1300包括通过运行种类识别器识别由相机捕获的图像的种类来选择性地存储图像的处理，其中，种类识别器是由用户安装在智能眼镜中的独立应用，并且在运行种类识别器之前，种类识别器被指示从用户自己收集的图像学习。
首先，在1301，用户使用智能眼镜访问远程服务器来下载种类识别器并将该种类识别器安装在智能眼镜中。在1301，用户执行种类识别器的学习模式以指示种类识别器从训练数据学习。
训练数据可以是由用户收集的图像。训练数据可以是存储在智能眼镜的本地存储器中的图像。训练数据可被存储在远程云中。在学习模式下，种类识别器认为任何接收的图像属于特定种类。因此，从自训练数据接收的图像提取的特征也被认为是预先确定用于识别特定种类。
在1303，在执行学习模式期间，由智能眼镜的处理器来执行以上参照图9描述的自动图像选择方法900。其结果是，包括在种类识别器中的种类识别参考数据可被更新。
随后，由智能眼镜的相机捕获的图像被显示在智能眼镜的平视显示器上。在1305，用户运行种类识别器来自动选择属于特定种类的图像。一旦种类识别器被运行，在1307智能眼镜的处理器等待，直到种类识别器输出与特定图像的存储关联的控制信号。
在1305，在运行种类识别器期间，由智能眼镜的处理器执行以上参照图8描述的自动图像选择方法800。其结果是，图像被接收；从接收的图像提取特征；基于种类识别参考数据来确定提取的特征的种类；并且输出控制信号。如果从种类识别器输出的控制信号是实现将特定图像存储在存储器中的信号(1309中的是)，则在1311智能眼镜的处理器执行将接收的图像存储在存储器中的操作。可选择地，如果从种类识别器输出的控制信号是禁止将特定图像存储在存储器中的信号(1309中的否)，则在1313智能眼镜的处理器不执行将接收的图像存储在存储器中的操作。
在运行种类识别器期间，针对多个连续图像重复地执行处理800和等待接收控制信号和根据控制信号将特定图像存储/不存储在存储器中的操作1307至1313。
图14示出自动图像选择方法的另一示例。
参照图14，自动图像选择方法1400包括通过运行花图案衣服种类识别器识别图像的种类是否与“花图案衣服”种类匹配来选择性地存储图像的处理，其中，花图案衣服种类识别器是由用户安装在智能眼镜中的独立应用。
首先，在1401，用户使用智能眼镜访问远程服务器来下载花图案衣服识别器并将花图案衣服识别器安装在智能眼镜中，其中，花图案衣服识别器被设置为识别各种种类之中的“花图案衣服”种类。
花图案衣服的种类识别参考数据1450包括用于识别花图案衣服的种类识别参考数据。在图14中，种类识别参考数据1450包括作为用于识别衣服的参考特征的“衣服特征”以及作为用于识别花的特征的“花特征”。衣服特征和花特征中的每个特征可以是一组特征。然而，这仅是示例，并且种类识别参考数据1450还可包括有助于识别花图案衣服的其他参考特征。此外，可通过将由用户收集的个人图像用作训练数据来改善种类识别参考数据1450。
随后，由智能眼镜的相机捕获的图像被显示在智能眼镜的平视显示器上。在1403，用户运行花图案衣服识别器来自动地选择所有显示的图像之中的属于花图案衣服种类的图像。一旦花图案衣服识别器被运行，在1405，智能眼镜的处理器等待，直到花图案衣服识别器输出与特定图像的存储关联的控制信号。
在1403，在运行花图案衣服识别器期间，由智能眼镜的处理器执行与以上参照图8描述的自动图像选择方法800类似的处理1455。其结果是，图像被接收；从接收的图像提取特征；基于种类识别参考数据1450来确定提取的特征的种类。随后，确定接收的图像的种类是否与花图案衣服种类匹配，并且根据确定的结果输出控制信号。如果从花图案衣服识别器输出的控制信号是实现特定图像的存储的信号(1407中的是)，则在1409，智能眼镜的处理器执行存储特定图像的操作。可选择地，如果从花图案衣服识别器输出的控制信号是禁止存储特定图像的信号(1407中的否)，则在1411，智能眼镜的处理器不执行存储特定图像的操作。
在运行花图案衣服识别器期间，针对多个连续图像重复地执行处理1455和等待接收控制信号和根据控制信号存储/不存储特定图像的操作1405至1411。
图15示出基于种类识别的自动图像选择方法的另一示例。
参照图15，基于种类识别的自动图像选择方法1500包括通过运行Lady Gaga种类识别器识别图像的种类是否与“Lady Gaga”种类匹配来选择性地存储图像的处理，其中，Lady Gaga种类识别器是由用户安装在智能眼镜中的独立应用。
首先，在1501，用户使用智能眼镜访问远程服务器来下载Lady Gaga识别器并将Lady Gaga识别器安装在智能眼镜中，其中，Lady Gaga识别器被设置为识别各种种类之中的与用户喜爱的名人中的一个名人关联的“Lady Gaga”种类。
Lady Gaga识别器的种类识别参考数据1550包括用于识别Lady Gaga种类的参考特征。在图15的示例中，种类识别参考数据1550包括能够实现识别人类的“人类特征”、能够实现识别女性的“女性特征”以及能够实现识别特定人(也就是，Lady Gaga)的“Lady Gaga脸特征”。人类特征、女性特征和Lady Gaga脸特征中的每个特征可以是一组特征。然而，这仅是示例，种类识别参考数据1550可还包括有助于识别Lady Gaga的其他参考特征。此外，可通过学习作为训练数据的由用户收集的个人图像来改善种类识别参考数据1550。
随后，由智能眼镜的相机捕获的图像被显示在智能眼镜的平视显示器上。在1503，用户运行Lady Gaga识别器来自动地选择所有显示的图像之中的属于Lady Gaga种类的图像。一旦Lady Gaga识别器运行，在1505，智能眼镜的处理器等待，直到Lady Gaga识别器输出与特定图像的存储关联的控制信号。
在1503，在运行Lady Gaga识别器期间，由智能眼镜的处理器执行与以上参照图8描述的自动图像选择方法800类似的处理1555。其结果是，图像被接收；从接收的图像提取特征；基于种类识别参考数据1550来确定提取的特征的种类。随后，接收的图像的种类是否与Lady Gaga种类匹配被确定，并且根据确定的结果输出控制信号。如果从Lady Gaga识别器输出的控制信号是实现特定图像的存储的信号(1507中的是)，则在1509，智能眼镜的处理器执行存储特定图像的操作。可选择地，如果从Lady Gaga识别器输出的控制信号是禁止特定图像的存储的信号(1507中的否)，则在1511，智能眼镜的处理器不执行存储特定图像的操作。
在运行Lady Gaga识别器期间，针对多个连续图像重复地执行处理1555和等待接收控制信号和根据控制信号存储/不存储特定图像的操作1505至1511。
参照图14和图15的以上描述描述了预先确定用于识别特定种类的种类识别器的示例。在这些情况下，用户可选择预先确定用于识别与期望种类最类似的种类的种类识别器之一并且将该选择的种类识别器安装在智能眼镜中。随后，用户指示安装的种类识别器学习由用户收集的图像，使得安装的种类识别器可被改变为能够识别用户期望的种类的用户的专用种类识别器。
在另一示例中，用户可选择并非预先确定用于识别特定种类的通用种类识别器并将选择的通用种类识别器安装在智能眼镜中。与在以上示例中类似，用户指示安装的通用种类识别器学习由用户收集的图像，使得安装的种类识别器可被改变为能够识别由用户期望的种类的用户的专用种类识别器。
可通过可包括处理器、存储器、用户输入装置和呈现装置的计算装置的组件的组合来实现上述自动图像选择设备的组件。存储器是存储计算机可读软件、应用、程序模块、例程、指令和数据的介质，其中，处理器执行计算机可读软件、应用、程序模块、例程、指令和数据时，计算机可读软件、应用、程序模块、例程、指令和数据被编码来执行特定任务。处理器可通过从存储器读取并执行计算机可执行软件、程序模块、例程、指令和数据来实施存储在存储器中的计算机可执行软件、程序模块、例程、指令和数据。用户输入装置可以是允许用户输入用于指示处理器执行特定任务的命令或输入特定任务所必需的数据的装置。用户输入装置可包括物理/虚拟键盘、键板、键钮、操纵杆、轨迹球、触敏输入装置或麦克风。呈现装置可包括显示器、打印机、扬声器或振动装置。
此外，上述自动图像选择方法可被编码为可由计算装置的处理器执行的计算机可执行指令。计算机可执行指令可包括软件、应用、模块、过程、插件、程序、指令和/或数据结构。计算机可执行指令可被存储在计算机可读介质中。计算机可读介质的示例包括非暂时计算机可读存储介质和计算机可读通信介质。计算机可读存储介质的示例包括随机存取存储器(RAM)、只读存储器(ROM)、闪存、光盘、磁盘、磁带、磁带盒、硬盘和固态盘。计算机可读通信介质的示例可以是通过对用于实现基于种类识别的自动图像选择方法的计算机可执行指令编码获得的可通过通信网络发送/接收的编码信号。
计算装置可以是包括相机、显示器、处理器和存储的装置，并且安装并执行操作系统和各种应用来执行各种功能。计算装置可包括各种装置，诸如智能手表、智能电话、平板电脑、膝上型计算机、台式计算机、服务器和客户机。计算装置可以是单个单机装置，或者可包括通过通信网络彼此合作的多个计算装置。
以上参照图1至图7描述的自动图像选择设备仅是说明性的。本领域的普通技术人员清楚的是，具有各种组合的不同系统在权利要求及其等同物的范围内是可能的。可通过包括执行各个功能的电路的硬件来实现自动图像选择设备的组件。此外，可通过计算机可执行软件、固件或硬件、或者它们中的任何两个或两个以上的组合来执行自动图像选择设备的组件，其中，当由计算装置的处理器操作组件时，计算机可执行软件、固件或硬件、或者它们中的任何两个或两个以上的组合可执行特定任务。
以上参照图8至图15描述的自动图像选择方法仅是说明性的。本领域的普通技术人员清楚的是，具有各种组合的不同方法在权利要求及其等同物的范围内是可能的。自动图像选择方法可被编码为计算机可执行指令，其中，当由计算装置的处理器执行计算机可执行指令时，计算机可执行指令可执行特定任务。
可以以独立应用型种类识别器的形式来提供这种计算机可执行指令，并且随后这种计算机可执行指令被分配给用户。用户可通过通信网络下载种类识别器，并将种类识别器安装在计算装置(诸如智能电话、智能手表或智能眼镜)中。一旦用户执行种类识别器，可由计算装置的处理器来执行实现包括在自动图像选择方法中的操作、处理或过程的动作。
可使用一个或更多个硬件组件、一个或更多个软件组件或一个或更多个硬件组件和一个或更多个软件组件的组合来实现，图1中的图像接收器11、种类识别参考数据13、特征提取器15、种类确定器17和操作控制器19；图2中的图像接收器21、种类识别参考数据23、针对不同种类的识别参考数据231、232和233、特征提取器25、种类确定器27、针对不同种类的种类确定器271、272和273、以及操作控制器29；图3中的图像接收器31、种类识别参考数据33、特征提取器35、训练数据36、种类确定器37、特征学习器38和操作控制器39；图4中的图像接收器41、种类识别参考数据43、特征提取器45、种类确定器47和操作控制器49；图5中的图像接收器51、种类识别参考数据53、特征提取器55、种类确定器57、操作控制器59和图像信号接收器模块515；图6中的图像接收器61、种类识别参考数据63、特征提取器65、种类确定器67、操作控制器69和图像信号发送器模块645；图7中的图像接收器71、种类识别参考数据73、特征提取器75、种类确定器77、特征学习器78、操作控制器79、图像信号发送器模块745和图像信号接收器模块785；以及图8至图15中的自动图像选择方法。
硬件组件可以是例如物理地执行一个或一个以上操作的物理装置，但不限于此。硬件组件的示例包括电阻器、电容器、电感器、电源、频率产生器、运算放大器、功率放大器、低通滤波器、高通滤波器、带通滤波器、模数转换器、数模转换器和处理装置。
例如可通过由执行一个或一个以上操作的软件或指令控制的处理装置来实现软件组件，但不限于此。计算机、控制器或其他控制装置可使得处理装置运行软件或执行指令。可由一个处理装置来执行一个软件组件，或者可又一个处理装置来执行两个或两个以上软件组件，或者可由两个或两个以上处理装置执行一个软件组件，或者可由两个或两个以上处理装置执行两个或两个以上软件组件。
可使用一个或一个以上通用计算机或专用计算机(诸如，例如处理器、控制器和算数逻辑单元、数字信号处理器、微处理器、场可编程阵列、可编程逻辑单元、微处理器或能够运行软件或执行指令的任何其他装置)来实现处理装置。处理装置可运行操作系统(OS)，并可运行在OS下操作的一个或一个以上软件应用。当处理装置运行软件或执行指令时，处理装置可访问、存储、操纵、处理和创建数据。为了简单，单数术语“处理装置”可被使用在描述中，但是本领域的普通技术人员将理解，处理装置可包括多个处理元件和多种类型的处理元件。例如，处理装置可包括一个或一个以上处理器、或一个或一个以上处理器和一个或一个以上控制器。此外，不同处理配置是可行的，诸如并行处理器或多核处理器。
被配置为实现执行操作A的软件组件的处理装置可包括被编程为运行软件或执行指令来控制处理器执行操作A的处理器。此外，被配置为实现执行操作A、操作B和操作C的软件组件的处理装置可具有各种配置，诸如，例如被配置为实现执行操作A、B和C的软件组件的处理器；被配置为实现执行操作A的软件组件的第一处理器、以及被配置为实现执行操作B和C的软件组件的第二处理器；被配置为实现执行操作A和B的软件组件的第一处理器、以及被配置为实现执行操作C的软件组件的第二处理器；被配置为实现执行操作A的软件组件的第一处理器、被配置为实现执行操作B的软件组件的第二处理器、以及被配置为实现执行操作C的软件组件的第二处理器；被配置为实现执行操作A、B和C的软件组件的第一处理器、被配置为实现执行操作A、B和C的软件组件的第二处理器、或者每个实现操作A、B和C中的一个或一个以上操作的一个或一个以上处理器的任何其他配置。尽管这些示例指三个操作A、B、C，但是可被执行的操作的数量不限于三个，而是可以是被需要来实现期望的结果或执行期望的任务的任何数量的操作。
可由示例所属领域的编程人员基于这里提供的附图和对它们的相应描述来容易地解释用于执行这里公开的示例的功能程序、代码和代码段。
用于控制处理装置执行软件组件的软件或指令可包括用于独立地或共同地指示或配置处理装置执行一个或一个以上期望的操作的计算机程序、代码段、指令或它们的一些组合。软件或指令可包括可由处理装置直接执行的机器代码(诸如由编译器产生的机器代码)和/或可由处理装置使用解释器执行的高级代码。软件或指令以及任何关联数据、数据文件和数据结构可被永久地或临时地是现在任何类型的机器、组件、物理或虚拟装备、计算机存储介质或装置、或能够将指令或数据提供给处理装置或由处理装置解释的传播信号波。软件或指令以及任何关联数据、数据文件和数据结构也可分布在联网的计算机系统上，使得软件或指令以及任何关联数据、数据文件和数据结构以分布式方式被存储和执行。
虽然本公开包括特定示例，但本领域的普通技术人员将清楚，可在不脱离权利要求及其等同形式的精神和范围的情况下对这些示例做出形式和细节上的各种改变。如果以不同的顺序执行所描述的技术和/或如果以不同的方式组合描述的系统、架构、装置或电路中的组件、和/或由其他组件或它们的等同物代替或补充描述的系统、架构、装置或电路中的组件，则可实现合适的结果。因此，本公开的范围不由具体实施方式限定，而是由权利要求及其等同形式来限定，并且落在权利要求书及其等同形式的范围内的所有改变将被解释为包括在此公开中。

Claims (35)

1.一种自动图像选择设备，包括：
图像接收器，被配置为接收图像；
特征提取器，被配置为从所述图像提取特征；
种类确定器，被配置为确定提取的特征是否与用于确定是否存储所述图像的预定种类识别参考数据匹配；
操作控制器，被配置为：响应于确定提取的特征与所述预定种类识别参考数据匹配，输出控制信号，使得所述图像被存储；响应于确定提取的特征与所述预定种类识别参考数据不匹配，输出控制信号，使得所述图像不被存储。
2.如权利要求1所述的自动图像选择设备，其中，图像接收器还被配置为从当前为用户显示在显示器上的图像数据接收所述图像。
3.如权利要求1所述的自动图像选择设备，其中，图像接收器还被配置为从由相机捕获并从相机接收的图像数据接收所述图像。
4.如权利要求1所述的自动图像选择设备，其中，图像接收器还被配置为从通过通信网络接收的图像数据接收所述图像。
5.如权利要求1所述的自动图像选择设备，其中，图像接收器还被配置为从训练数据接收所述图像，其中，训练数据包括被预先确定为用于识别特定种类的图像；
自动图像选择设备还包括：特征学习器，被配置为根据由种类确定器做出的确定来更新所述预定种类识别参考数据。
6.如权利要求1所述的自动图像选择设备，其中，所述预定种类识别参考数据包括多个种类识别参考数据，每个种类识别参考数据被预先确定用于识别不同的种类。
7.如权利要求1所述的自动图像选择设备，其中，操作控制器还被配置为输出用于控制将所述图像存储在本地存储介质中的操作的控制信号。
8.如权利要求1所述的自动图像选择设备，其中，操作控制器还被配置为输出用于控制通过通信网络将所述图像发送到远程存储介质并且将所述图像存储在远程存储介质中的操作的控制信号。
9.一种自动图像选择方法，包括：
接收图像；
从所述图像提取特征；
确定提取的特征是否与用于确定是否存储所述图像的预定种类识别参考数据匹配；
响应于确定提取的特征与所述预定种类识别参考数据匹配，输出控制信号，使得所述图像被存储；
响应于确定提取的特征与所述预定种类识别参考数据不匹配，输出控制信号，使得所述图像不被存储。
10.如权利要求9所述的自动图像选择方法，其中，接收图像包括：从当前为用户显示在显示器上的图像数据接收所述图像。
11.如权利要求9所述的自动图像选择方法，其中，接收图像包括：从由相机捕获并从相机接收的图像数据接收所述图像。
12.如权利要求9所述的自动图像选择方法，其中，接收图像包括：从通过通信网络接收的图像数据接收所述图像。
13.如权利要求9所述的自动图像选择方法，其中，接收图像包括：从训练数据接收所述图像，其中，训练数据包括被预先确定为用于识别特定种类的图像；
自动图像选择方法还包括：根据确定的结果来更新所述预定种类识别参考数据。
14.如权利要求9所述的自动图像选择方法，其中，所述预定种类识别参考数据包括多个种类识别参考数据，每个种类识别参考数据被预先确定用于识别不同的种类。
15.如权利要求9所述的自动图像选择方法，还包括：输出用于控制将所述图像存储在本地存储介质中的操作的控制信号。
16.如权利要求9所述的自动图像选择方法，还包括：输出用于控制通过通信网络将所述图像发送到远程存储介质并且将所述图像存储在远程存储介质中的操作的控制信号。
17.一种由计算装置执行的自动图像选择方法，计算装置包括相机、显示器和处理器，当计算装置的处理器执行计算机可执行指令时，该计算机可执行指令使得处理器执行包括以下操作的操作：
接收图像；
从所述图像提取特征并将提取的特征作为图像特征输出；
确定提取的特征是否与用于确定是否存储所述图像的预定种类识别参考数据匹配；
响应于确定提取的特征与所述预定种类识别参考数据匹配，输出控制信号，使得所述图像被存储；
响应于确定提取的特征与所述预定种类识别参考数据不匹配，输出控制信号，使得所述图像不被存储。
18.如权利要求17所述的自动图像选择方法，其中，所述图像由相机捕获并且在当前被显示在显示器上。
19.如权利要求17所述的自动图像选择方法，其中，操作还包括：从通过通信网络接收的图像数据接收图像，作为所述图像。
20.如权利要求17所述的自动图像选择方法，其中，操作还包括：
从训练数据接收图像作为所述图像，其中，训练数据包括被预先确定属于特定种类的图像；
根据确定的结果来更新所述预定种类识别参考数据。
21.如权利要求17所述的自动图像选择方法，其中，所述预定种类识别参考数据包括多个种类识别参考数据，每个种类识别参考数据被预先确定用于识别不同的种类。
22.如权利要求17所述的自动图像选择方法，其中，操作还包括：输出用于控制将所述图像存储在本地存储介质中的操作的控制信号。
23.如权利要求17所述的自动图像选择方法，其中，操作还包括：输出控制将所述图像转换为图像信号、将图像信号发送给远程存储介质和将图像信号存储在远程存储介质中的操作的控制信号。
24.如权利要求17所述的自动图像选择方法，其中，所述计算机可执行指令作为被预先确定用于识别至少一个特定种类的独立应用被提供。
25.如权利要求17所述的自动图像选择方法，其中，计算机可执行指令作为能够学习识别由用户确定的至少一个种类的独立应用被提供。
26.一种计算装置，包括：
相机；
显示器；
处理器；
计算机可读存储介质，计算机可读存储介质存储计算机可执行指令，当处理器执行该计算机可执行指令时，该计算机可执行指令使得处理器执行包括以下操作的操作：
接收图像；
从所述图像提取特征并将提取的特征作为图像特征输出；
确定提取的特征是否与用于确定是否存储所述图像的预定种类识别参考数据匹配；
响应于确定提取的特征与所述预定种类识别参考数据匹配，输出控制信号，使得所述图像被存储；
响应于确定提取的特征与所述预定种类识别参考数据不匹配，输出控制信号，使得所述图像不被存储。
27.如权利要求26所述的计算装置，其中，所述图像由相机捕获并且在当前被显示在显示器上。
28.如权利要求26所述的计算装置，还包括：通信模块，被配置为通过通信网络接收图像数据；
其中，操作还包括：从通过通信网络接收的图像数据接收图像，作为所述图像。
29.如权利要求26所述的计算装置，操作还包括：
从训练数据接收图像作为所述图像，其中，训练数据包括被预先确定属于特定种类的图像；
根据确定的结果来更新所述预定种类识别参考数据。
30.如权利要求26所述的计算装置，还包括：通信模块，被配置为通过通信网络接收图像数据；
其中，操作还包括：从训练数据接收图像作为所述图像，其中，训练数据包括由通信模块接收并且被预先确定为属于特定种类的图像。
31.如权利要求26所述的计算装置，其中，所述预定种类识别参考数据包括多个种类识别参考数据，每个种类识别参考数据被预先确定用于识别不同的种类。
32.如权利要求26所述的计算装置，其中，操作还包括：输出用于控制将所述图像存储在本地存储介质中的操作的控制信号。
33.如权利要求26所述的计算装置，还包括：通信模块，被配置为通过通信网络将图像数据发送给远程存储介质；
其中，指令还包括输出控制将所述图像发送给远程存储介质和将所述图像存储在远程存储介质中的操作的控制信号。
34.如权利要求26所述的计算装置，其中，所述计算机可执行指令作为被预先确定用于识别至少一个特定种类的独立应用被提供。
35.如权利要求26所述的计算装置，其中，所述计算机可执行指令作为能够学习识别由用户确定的至少一个种类的独立应用被提供。
CN201510142480.XA 2014-03-31 2015-03-27 自动图像选择设备和方法 Active CN104951746B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2014-0038073 2014-03-31
KR1020140038073A KR102174470B1 (ko) 2014-03-31 2014-03-31 영상 저장 시스템 및 방법

Publications (2)

Publication Number Publication Date
CN104951746A CN104951746A (zh) 2015-09-30
CN104951746B true CN104951746B (zh) 2022-03-22

Family

ID=53040350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510142480.XA Active CN104951746B (zh) 2014-03-31 2015-03-27 自动图像选择设备和方法

Country Status (5)

Country Link
US (1) US9773289B2 (zh)
EP (1) EP2927842A3 (zh)
JP (1) JP6936554B2 (zh)
KR (1) KR102174470B1 (zh)
CN (1) CN104951746B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10839248B2 (en) * 2015-09-30 2020-11-17 Sony Corporation Information acquisition apparatus and information acquisition method
US10733446B2 (en) * 2016-01-06 2020-08-04 Orcam Technologies Ltd. Wearable apparatus and methods for causing a paired device to execute selected functions
US10148884B2 (en) * 2016-07-29 2018-12-04 Microsoft Technology Licensing, Llc Facilitating capturing a digital image
US10977510B2 (en) * 2017-01-31 2021-04-13 Ntt Docomo, Inc. Information-processing device and information-processing method
US20180322353A1 (en) * 2017-05-08 2018-11-08 PlantSnap, Inc. Systems and methods for electronically identifying plant species
KR101982135B1 (ko) 2017-07-11 2019-05-24 (주)제이하우스 길이 조절형 환기 장치
CN107622281B (zh) * 2017-09-20 2021-02-05 Oppo广东移动通信有限公司 图像分类方法、装置、存储介质及移动终端
CN107992197A (zh) * 2017-12-12 2018-05-04 上海闻泰电子科技有限公司 虚拟现实设备和系统
JP6641446B2 (ja) * 2017-12-26 2020-02-05 キヤノン株式会社 画像処理方法、画像処理装置、撮像装置、プログラム、記憶媒体
JP6896818B2 (ja) * 2018-10-25 2021-06-30 キヤノン株式会社 情報処理装置、情報処理方法、及び、プログラム
CN110969183B (zh) * 2019-09-20 2023-11-21 北京方位捷讯科技有限公司 一种根据图像数据确定目标对象受损程度的方法及系统
US11206365B2 (en) * 2020-01-13 2021-12-21 Charter Communications Operating, Llc Method and apparatus for overlaying themed imagery onto real-world objects in a head-mounted display device
CN111401438B (zh) * 2020-03-13 2023-08-25 德联易控科技(北京)有限公司 图像分拣方法、装置及系统
CN111401464B (zh) * 2020-03-25 2023-07-21 抖音视界有限公司 分类方法、装置、电子设备及计算机可读存储介质
KR20220158902A (ko) * 2021-05-24 2022-12-02 주식회사 비컨 탈모 진단 보조 정보를 계산하기 위한 두피　이미지의 선택 방법 및 이를 수행하는 장치
KR102272468B1 (ko) * 2021-02-23 2021-07-05 주식회사 비컨 탈모 상태 정보 제공 방법 및 장치
TWI803333B (zh) * 2022-05-31 2023-05-21 鴻海精密工業股份有限公司 圖像特徵匹配方法、電腦裝置及儲存介質

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101374228A (zh) * 2007-08-23 2009-02-25 索尼株式会社 图像捕获设备和图像捕获方法
CN101510254A (zh) * 2009-03-25 2009-08-19 北京中星微电子有限公司 一种图像分析中更新性别分类器的方法及性别分类器
CN102402568A (zh) * 2010-09-09 2012-04-04 株式会社泛泰 提供增强现实的方法和设备
EP2521096A1 (en) * 2009-12-28 2012-11-07 Cyber Ai Entertainment Inc. Image display system
CN103646256A (zh) * 2013-12-17 2014-03-19 上海电机学院 一种基于图像特征稀疏重构的图像分类方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000090107A (ja) * 1998-09-10 2000-03-31 Toshiba Corp 動画関連情報検索システム
KR20040067345A (ko) * 2003-01-22 2004-07-30 엘지전자 주식회사 광디스크 장치에서의 오디오 선별 저장 및 재생방법
JP2005165531A (ja) * 2003-12-01 2005-06-23 Canon Inc 情報機器、その制御方法及びプログラム
US7697026B2 (en) * 2004-03-16 2010-04-13 3Vr Security, Inc. Pipeline architecture for analyzing multiple video streams
JP4466585B2 (ja) * 2006-02-21 2010-05-26 セイコーエプソン株式会社 対象物が表現された画像の数の算出
KR101252843B1 (ko) 2006-04-25 2013-04-09 주식회사 팬택앤큐리텔 이동 통신 단말기에서 이미지 관리 방법
JP2008067219A (ja) 2006-09-08 2008-03-21 Sony Corp 撮像装置、撮像方法
JP2009200713A (ja) * 2008-02-20 2009-09-03 Sony Corp 画像処理装置、画像処理方法、プログラム
JP2010041527A (ja) 2008-08-07 2010-02-18 Nec Corp 撮影支援方法、システム、プログラム
KR101587099B1 (ko) 2008-12-10 2016-01-20 엘지전자 주식회사 단말기 및 그 제어 방법
EP2624217A4 (en) * 2010-09-30 2017-07-26 FUJIFILM Corporation Information presentation device, digital camera, head mount display, projector, information presentation method, and information presentation program
JP5834232B2 (ja) * 2011-01-17 2015-12-16 パナソニックＩｐマネジメント株式会社 撮像画像認識装置、撮像画像認識システム及び撮像画像認識方法
KR101762769B1 (ko) 2011-04-18 2017-08-07 삼성전자주식회사 촬영 장치에서 피사체를 촬영하기 위한 장치 및 방법
US20120294514A1 (en) * 2011-05-19 2012-11-22 Xerox Corporation Techniques to enable automated workflows for the creation of user-customized photobooks
EP2892222A4 (en) * 2012-08-23 2016-04-20 Sony Corp CONTROL DEVICE AND STORAGE MEDIUM
CN103605459A (zh) * 2013-11-27 2014-02-26 福州瑞芯微电子有限公司 快捷应用启动方法及其终端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101374228A (zh) * 2007-08-23 2009-02-25 索尼株式会社 图像捕获设备和图像捕获方法
CN101510254A (zh) * 2009-03-25 2009-08-19 北京中星微电子有限公司 一种图像分析中更新性别分类器的方法及性别分类器
EP2521096A1 (en) * 2009-12-28 2012-11-07 Cyber Ai Entertainment Inc. Image display system
CN102402568A (zh) * 2010-09-09 2012-04-04 株式会社泛泰 提供增强现实的方法和设备
CN103646256A (zh) * 2013-12-17 2014-03-19 上海电机学院 一种基于图像特征稀疏重构的图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
First-Person Vision;TAKEO KANADE 等;《Proceedings of the IEEE》;20120705;第100卷(第8期);2442 - 2453 *

Also Published As

Publication number Publication date
JP6936554B2 (ja) 2021-09-15
US9773289B2 (en) 2017-09-26
JP2015197924A (ja) 2015-11-09
EP2927842A3 (en) 2015-11-11
KR20150113699A (ko) 2015-10-08
US20150278979A1 (en) 2015-10-01
CN104951746A (zh) 2015-09-30
KR102174470B1 (ko) 2020-11-04
EP2927842A2 (en) 2015-10-07

Similar Documents

Publication Publication Date Title
CN104951746B (zh) 自动图像选择设备和方法
CN107977598B (zh) 用于识别面部表情的方法和设备
CN108830235B (zh) 用于生成信息的方法和装置
US9536352B2 (en) Imitating physical subjects in photos and videos with augmented reality virtual objects
CN111967302B (zh) 视频标签的生成方法、装置及电子设备
JP2022531220A (ja) 視覚的特徴をサウンドタグに相関させることによるビデオタグ付け
US10779060B2 (en) Prediction model training via live stream concept association
CN112990390B (zh) 一种图像识别模型的训练方法、图像识别的方法及装置
CN111726682B (zh) 视频片段生成方法、装置、设备和计算机存储介质
US10642881B2 (en) System architecture for universal emotive autography
CN111770375B (zh) 视频处理方法、装置、电子设备及存储介质
KR20220000758A (ko) 영상 검출 장치 및 그 동작 방법
CN113870133A (zh) 多媒体显示及匹配方法、装置、设备及介质
CN110532404B (zh) 一种源多媒体确定方法、装置、设备及存储介质
US20220138489A1 (en) Method of live video event detection based on natural language queries, and an apparatus for the same
CN114187392A (zh) 虚拟偶像的生成方法、装置和电子设备
US11334617B2 (en) Paint-based image search
CN114449346B (zh) 视频处理方法、装置、设备以及存储介质
KR20170077983A (ko) 사용자 장치, 그의 제어 방법 및 컴퓨터 프로그램이 기록된 기록매체
CN111611415B (zh) 图片展示方法、服务器、电子设备及存储介质
CN111462279B (zh) 图像显示方法、装置、设备及可读存储介质
CN106294370B (zh) 确定图文对应关系的方法和装置
EP3797512A1 (en) Systems and methods for automated tracking using a client device
CN115641526A (zh) 样本生成、模型训练、动作识别方法和装置
KR20220015019A (ko) 데이터 마스킹을 이용하여 이미지를 변환하는 전자 장치 및 방법

Legal Events

Date Code Title Description
C06 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