CN105139033B - 分类器构建方法及装置和图片处理方法及装置 - Google Patents

Abstract

本公开是关于一种分类器构建方法及装置和图片处理方法及装置，其中，分类器构建方法包括：利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型；根据目标训练模型确定至少一个样本图片集中每个样本图片对应的特征向量；利用所有样本图片的特征向量进行分类训练，得到至少一种物品类别对应的分类器，分类器用于确定待处理图片所对应的目标物品类别。通过该技术方案，根据目标训练模型确定所以样本图片的特征向量，进而利用这些特征向量进行分类训练，这样得到的分类器在进行分类时，准确度更高。

Description

分类器构建方法及装置和图片处理方法及装置

技术领域

本公开涉及图片处理技术领域，尤其涉及一种分类器构建方法及装置和一种图片处理方法及装置。

背景技术

深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

卷积神经网络可用于对图片的识别。而随着用户终端中照片数目的增多，就需要终端能自动根据照片内容对照片进行分类，比如将所有照片中包含宠物的照片分类至宠物相册。而相关技术中，虽然存在这种分类方法，但是对于宠物的召回率和错误率都存在较高的偏差。其中，召回率是指把A识别为A的比例，召回率越高越好。错误率是指把非A识别成A的比例，错误率越低越好。

发明内容

本公开实施例提供一种分类器构建方法及装置和一种图片处理方法及装置，包括如下技术方案：

根据本公开实施例的第一方面，提供一种分类器构建方法，包括：

利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型，其中，所述预设样本图片集包括至少一个样本图片集，每个样本图片集对应一个物品类别，每个样本图片集中的每个样本图片中均包括该样本图片集所对应的物品类别下的物品；

根据所述目标训练模型确定所述至少一个样本图片集中每个样本图片对应的特征向量；

利用所有样本图片的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器，所述分类器用于确定待处理图片所对应的目标物品类别。

在一个实施例中，所述根据所述目标训练模型确定所述至少一个样本图片集中每个样本图片对应的特征向量，包括：

根据所述目标训练模型确定每个所述样本图片对应的第一预设维度的特征向量；

对所有样本图片的第一预设维度的特征向量进行主成分分析训练，得到所有样本图片的第二预设维度的特征向量，其中，所述第二预设维度小于所述第一预设维度。

在一个实施例中，所述对所有样本图片的所述特征向量进行分类训练，得到所述至少一种物品类别对应的分类器，包括：

对所述所有样本图片的第二预设维度的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器。

在一个实施例中，所述对所述所有样本图片的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器，包括：

对所述所有样本图片的特征向量采用支持向量基SVM算法或深度学习DL算法进行分类训练，得到所述至少一种物品类别对应的分类器。

在一个实施例中，所述预设网络协议包括空间金字塔池化网络协议，所述预设网络模型包括空间金字塔池化网络模型，则在利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型之前，所述方法还包括：

判断每个所述样本图片的尺寸是否大于第一预设尺寸；

在所述样本图片的尺寸大于第一预设尺寸时，按照所述样本图片的长宽比，将所述样本图片的尺寸缩小至不大于所述第一预设尺寸。

在一个实施例中，所述预设网络协议包括Alex网络协议，所述预设网络模型包括Alex网络模型，则在利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型之前，所述方法还包括：

将所述至少一个样本图片集中的样本图片的尺寸归一化处理为第二预设尺寸。

根据本公开实施例的第二方面，提供一种图片处理方法，包括：

获取待处理图片，所述待处理图片包括一物品类别下的物品；

根据目标训练模型确定所述待处理图片对应的特征向量；

根据所述待处理图片对应的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别。

在一个实施例中，所述根据目标训练模型确定所述待处理图片对应的特征向量，包括：

根据所述目标训练模型确定所述待处理图片对应的第一预设维度的特征向量；

对所述待处理图片对应的第一预设维度的特征向量进行主成分分析训练，得到所述待处理图片对应的第二预设维度的特征向量，其中，所述第二预设维度小于所述第一预设维度。

在一个实施例中，根据所述待处理图片对应的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别，包括：

根据所述待处理图片对应的第二预设维度的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别。

在一个实施例中，在根据目标训练模型确定所述待处理图片对应的特征向量之前，所述方法还包括：

确定所述目标训练模型对应的网络类型，其中，所述网络类型包括空间金字塔池化网络类型、Alex网络类型；

在所述目标训练模型对应的网络类型为空间金字塔池化网络类型时，判断所述待处理图片的尺寸是否大于第一预设尺寸；

在所述待处理图片的尺寸大于第一预设尺寸时，按照所述待处理图片的长宽比，将所述待处理图片的尺寸缩小至不大于所述第一预设尺寸。

在一个实施例中，所述方法还包括：

在所述目标训练模型对应的网络类型为Alex网络类型时，将所述待处理图片的尺寸处理为第二预设尺寸。

根据本公开实施例的第三方面，提供一种分类器构建装置，包括：

训练模块，用于利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型，其中，所述预设样本图片集包括至少一个样本图片集，每个样本图片集对应一个物品类别，每个样本图片集中的每个样本图片中均包括该样本图片集所对应的物品类别下的物品；

确定模块，用于根据所述目标训练模型确定所述至少一个样本图片集中每个样本图片对应的特征向量；

分类模块，用于利用所有样本图片的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器，所述分类器用于确定待处理图片所对应的目标物品类别。

在一个实施例中，所述确定模块包括：

特征向量确定子模块，用于根据所述目标训练模型确定每个所述样本图片对应的第一预设维度的特征向量；

降维子模块，用于对所有样本图片的第一预设维度的特征向量进行主成分分析训练，得到所有样本图片的第二预设维度的特征向量，其中，所述第二预设维度小于所述第一预设维度。

在一个实施例中，所述分类模块包括：

第一分类子模块，用于对所述所有样本图片的第二预设维度的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器。

在一个实施例中，所述分类模块包括：

第二分类子模块，用于对所述所有样本图片的特征向量采用支持向量基SVM算法或深度学习DL算法进行分类训练，得到所述至少一种物品类别对应的分类器。

在一个实施例中，所述预设网络协议包括空间金字塔池化网络协议，所述预设网络模型包括空间金字塔池化网络模型，则所述装置还包括：

判断模块，用于判断每个所述样本图片的尺寸是否大于第一预设尺寸；

第一处理模块，用于在所述样本图片的尺寸大于第一预设尺寸时，按照所述样本图片的长宽比，将所述样本图片的尺寸缩小至不大于所述第一预设尺寸。

在一个实施例中，所述预设网络协议包括Alex网络协议，所述预设网络模型包括Alex网络模型，则所述装置还包括：

第二处理模块，用于将所述至少一个样本图片集中的样本图片的尺寸归一化处理为第二预设尺寸。

根据本公开实施例的第四方面，提供一种图片处理装置，包括：

获取模块，用于获取待处理图片，所述待处理图片包括一物品类别下的物品；

第一确定模块，用于根据目标训练模型确定所述待处理图片对应的特征向量；

第二确定模块，用于根据所述待处理图片对应的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别。

在一个实施例中，所述第一确定模块包括：

确定子模块，用于根据所述目标训练模型确定所述待处理图片对应的第一预设维度的特征向量；

训练子模块，用于对所述待处理图片对应的第一预设维度的特征向量进行主成分分析训练，得到所述待处理图片对应的第二预设维度的特征向量，其中，所述第二预设维度小于所述第一预设维度。

在一个实施例中，所述第二确定模块包括：

类别确定子模块，用于根据所述待处理图片对应的第二预设维度的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别。

在一个实施例中，所述装置还包括：

类型确定模块，用于确定所述目标训练模型对应的网络类型，其中，所述网络类型包括空间金字塔池化网络类型、Alex网络类型；

尺寸判断模块，用于在所述目标训练模型对应的网络类型为空间金字塔池化网络类型时，判断所述待处理图片的尺寸是否大于第一预设尺寸；

第一处理模块，用于在所述待处理图片的尺寸大于第一预设尺寸时，按照所述待处理图片的长宽比，将所述待处理图片的尺寸缩小至不大于所述第一预设尺寸。

在一个实施例中，所述装置还包括：

第二处理模块，用于在所述目标训练模型对应的网络类型为Alex网络类型时，将所述待处理图片的尺寸处理为第二预设尺寸。

根据本公开实施例的第五方面，提供一种分类器构建装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型，其中，所述预设样本图片集包括至少一个样本图片集，每个样本图片集对应一个物品类别，每个样本图片集中的每个样本图片中均包括该样本图片集所对应的物品类别下的物品；

根据所述目标训练模型确定所述至少一个样本图片集中每个样本图片对应的特征向量；

利用所有样本图片的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器，所述分类器用于确定待处理图片所对应的目标物品类别。

根据本公开实施例的第六方面，提供一种图片处理装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取待处理图片，所述待处理图片包括一物品类别下的物品；

根据目标训练模型确定所述待处理图片对应的特征向量；

根据所述待处理图片对应的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别。

本公开的实施例提供的技术方案可以包括以下有益效果：

上述技术方案，在利用预设样本图片集、预设网络协议和预设网络模型进行训练得到目标训练模型后，还对目标训练模型的分类器进行优化，即根据目标训练模型确定所以样本图片的特征向量，进而利用这些特征向量进行分类训练，这样得到的分类器在进行分类时，准确度更高。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的分类器构建方法的流程图。

图2是根据一示例性实施例示出的分类器构建方法中步骤S102的流程图。

图3是根据一示例性实施例示出的另一种分类器构建方法的流程图。

图4是根据一示例性实施例示出的又一种分类器构建方法的流程图。

图5是根据一示例性实施例示出的再一种分类器构建方法的流程图。

图6是根据一示例性实施例示出的又一种分类器构建方法的流程图。

图7是根据一示例性实施例示出的图片处理方法的流程图。

图8是根据一示例性实施例示出的一种图片处理方法的流程图。

图9是根据一示例性实施例示出的另一种图片处理方法的流程图。

图10是根据一示例性实施例示出的又一种图片处理方法的流程图。

图11是根据一示例性实施例示出的分类器构建装置的框图。

图12是根据一示例性实施例示出的分类器构建装置中确定模块的框图。

图13是根据一示例性实施例示出的一种分类器构建装置中分类模块的框图。

图14是根据一示例性实施例示出的另一种分类器构建装置中分类模块的框图。

图15是根据一示例性实施例示出的另一种分类器构建装置的框图。

图16是根据一示例性实施例示出的又一种分类器构建装置的框图。

图17是根据一示例性实施例示出的图片处理装置的框图。

图18是根据一示例性实施例示出的图片处理装置中第一确定模块的框图。

图19是根据一示例性实施例示出的图片处理装置中第二确定模块的框图。

图20是根据一示例性实施例示出的另一种图片处理装置的框图。

图21是根据一示例性实施例示出的又一种图片处理装置的框图。

图22是根据一示例性实施例示出的适用于图片处理装置的框图。

图23是根据一示例性实施例示出的适用于分类器构建装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

本公开实施例提供了一种分类器构建方法，可用于服务器中，如图1所示，该方法可以包括步骤S101-S103：

在步骤S101中，利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型，其中，预设样本图片集包括至少一个样本图片集，每个样本图片集对应一个物品类别，每个样本图片集中的每个样本图片中均包括该样本图片集所对应的物品类别下的物品；

在步骤S102中，根据目标训练模型确定至少一个样本图片集中每个样本图片对应的特征向量；

在步骤S103中，利用所有样本图片的特征向量进行分类训练，得到至少一种物品类别对应的分类器，分类器用于确定待处理图片所对应的目标物品类别。

在该实施例中，在利用预设样本图片集、预设网络协议和预设网络模型进行训练得到目标训练模型后，还对目标训练模型的分类器进行优化，即根据目标训练模型确定所以样本图片的特征向量，进而利用这些特征向量进行分类训练，这样得到的分类器在进行分类时，准确度更高。

如图2所示，在一个实施例中，上述步骤S102可以包括步骤S201-S202：

在步骤S201中，根据目标训练模型确定每个样本图片对应的第一预设维度的特征向量；

在步骤S202中，对所有样本图片的第一预设维度的特征向量进行主成分分析训练，得到所有样本图片的第二预设维度的特征向量，其中，第二预设维度小于第一预设维度。

在该实施例中，对所有样本图片的第一预设维度的特征向量X进行主成分分析PCA(Principal Components Analysis)训练，得到第二预设维度的特征向量。在一实施例中，第一预设维度的特征向量X例如可以是4096维的特征向量，通过PCA算法对第一预设维度的特征向量X进行降维，可以得到例如为200维的第二预设维度的特征向量Y。

主成分分析PCA是一种分析、简化数据集的技术，主成分分析经常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征。这样，可以简化模型，同时最大程度保持了原有数据的信息。

如图3所示，在一个实施例中，步骤S103可以包括步骤S301：

在步骤S301中，对所有样本图片的第二预设维度的特征向量进行分类训练，得到至少一种物品类别对应的分类器。

在该实施例中，利用降维后的所有样本图片的特征向量进行分类训练，这样，利用得到的分类器进行分类时，准确性可以更高。

如图4所示，在一个实施例中，步骤S103还可以包括步骤S401：

在步骤S401中，利用所有样本图片的特征向量采用支持向量基(Support VectorMachine，SVM)算法或深度学习(Deep Learning，DL)算法进行分类训练，得到至少一种物品类别对应的分类器。

在该实施例中，利用所有样本图片的特征向量采用支持向量基SVM算法或深度学习DL算法进行分类训练，这样得到的分类在进行图片分类时，准确性更高。

其中，支持向量基SVM，是一种成熟的机器学习模型(model)，可以根据输入的特征和预先准备好的标定样本进行分类器的学习。

如图5所示，在一个实施例中，预设网络协议包括空间金字塔池化网络协议，预设网络模型包括空间金字塔池化网络模型，则在利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型之前，方法还可以包括步骤S501-S502：

在步骤S501中，判断每个样本图片的尺寸是否大于第一预设尺寸；

在步骤S502中，在样本图片的尺寸大于第一预设尺寸时，按照样本图片的长宽比，将样本图片的尺寸缩小至不大于第一预设尺寸。

在该实施例中，空间金字塔池化网络协议即SPP(Spatial Pyramid Pooling)协议，空间金字塔池化网络模型即SPP(Spatial Pyramid Pooling)网络模型。在本实施例中，采用SPP网络模型对图像进行分类和检测，不需要将所有样本图片归一化处理为统一尺寸，只需要判断样本图片的尺寸是否大于第一预设尺寸。在大于第一预设尺寸时，保持样本图片的长度和宽度的比例不变，将其缩小至不大于第一预设尺寸。如果其本身就不大于第一预设尺寸，则不需要对样本图片进行任何处理。这样，不需要对所有图片进行归一化处理，节省操作成本，同时因为不需要对图片进行剪裁等操作，可以保证样本图片的完整性，从而保证最后得到的分类器分类的准确性。

如图6所示，在一个实施例中，预设网络协议包括Alex网络协议，预设网络模型包括Alex网络模型，则在利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型之前，方法还包括步骤S601：

在步骤S601中，将至少一个样本图片集中的样本图片的尺寸归一化处理为第二预设尺寸。

在该实施例中，当采用Alex网络模型对图像进行分类和检测时，则将所有样本图片归一化处理为第二预设尺寸，从而保证进入全连接层的图片具有统一的尺寸，保证分类训练的正常进行。

本公开实施例提供了一种图片处理方法，可用于终端设备中，如图7所示，该方法可以包括步骤S701-S703：

在步骤S701中，获取待处理图片，待处理图片包括一物品类别下的物品；

在步骤S702中，根据目标训练模型确定待处理图片对应的特征向量；

在步骤S703中，根据待处理图片对应的特征向量和目标训练模型对应的分类器确定待处理图片中的物品对应的目标物品类别。

在一个实施例中，方法还包括：将待处理图片添加至目标物品类别对应的图片集中。

在该实施例中，根据目标训练类型和与其对应的分类器确定待处理图片中的物品对应的目标物品类别，这样，就可以对待处理图片进行分类。其中，物品类别包括猫、狗。如服务器可利用一些包含猫、狗等宠物的样本图片集、预设训练协议和预设网络模型进行训练，得到目标训练模型，并对目标训练模型的分类器进行优化，这样，终端设备可以利用优化后的分类器对猫、狗等进行宠物识别和分类。这样，可以根据用户需要自动对用户相册中的照片进行分类，如将所有照片中包含猫、狗的照片分到宠物相册，从而无需用户手动进行图片分类，提升用户的使用体验。同时由于优化后的分类器更符合物品类别的需求，可以提高图片识别的准确率，即提高识别的召回率，减小识别的错误率。

但本公开不以此为限，本公开实施例的分类器构建方法不仅可以用来对各种宠物进行识别和分类，还可以用来对图像中的其他物体进行识别和分类。

如图8所示，在一个实施例中，上述步骤S702可以包括步骤S801-S802：

在步骤S801中，根据目标训练模型确定待处理图片对应的第一预设维度的特征向量；

在步骤S802中，对待处理图片对应的第一预设维度的特征向量进行主成分分析训练，得到待处理图片对应的第二预设维度的特征向量，其中，第二预设维度小于第一预设维度。

在该实施例中，对待处理图片的第一预设维度的特征向量进行主成分分析PCA(Principal Components Analysis)训练，得到第二预设维度的特征向量，其中主成分分析PCA是一种分析、简化数据集的技术，主成分分析经常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征。这样，可以简化模型，同时最大程度保持了原有数据的信息。

如图9所示，在一个实施例中，上述步骤S703可以包括步骤S901：

在步骤S901中，根据待处理图片对应的第二预设维度的特征向量和目标训练模型对应的分类器确定待处理图片中的物品对应的目标物品类别。

在该实施例中，根据降维后的待处理图片的特征向量对待处理图片进行分类，这样，可以提高图片识别的准确率，即提高图片识别的召回率，减小图片识别的错误率。

如图10所示，在一个实施例中，在步骤S702之前，方法还可以包括步骤S1001-S1003：

在步骤S1001中，确定目标训练模型对应的网络类型，其中，网络类型包括空间金字塔池化网络类型、Alex网络类型；

在步骤S1002中，在目标训练模型对应的网络类型为空间金字塔池化网络类型时，判断待处理图片的尺寸是否大于第一预设尺寸；

在步骤S1003中，在待处理图片的尺寸大于第一预设尺寸时，按照待处理图片的长宽比，将待处理图片的尺寸缩小至不大于第一预设尺寸。

在步骤S1004中，在目标训练模型对应的网络类型为Alex网络类型时，将待处理图片的尺寸处理为第二预设尺寸。

在该实施例中，空间金字塔池化网络协议即SPP(Spatial Pyramid Pooling)协议，空间金字塔池化网络模型即SPP(Spatial Pyramid Pooling)网络模型。在采用SPP网络模型时，不需要将待处理图片归一化处理为统一尺寸，只需要判断待处理图片的尺寸是否大于第一预设尺寸。在大于第一预设尺寸时，保持待处理图片的长度和宽度的比例不变，将其缩小至不大于第一预设尺寸。如果其本身就不大于第一预设尺寸，则不需要对待处理图片进行任何处理。这样，不需要对待处理图片进行归一化处理，节省操作成本，同时因为不需要对图片进行剪裁等操作，可以保证样本图片的完整性，从而保证最后得到的分类器分类的准确性。

而当采用Alex网络模型时，则需要将待处理图片归一化处理为第二预设尺寸，从而保证进入全连接层的图片具有统一的尺寸，保证分类训练的正常进行。

下述为本公开装置实施例，可以用于执行本公开方法实施例。

图11是根据一示例性实施例示出的一种分类器构建装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为服务器的部分或者全部。如图11所示，该分类器构建装置可以包括：

训练模块1101被配置为利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型，其中，所述预设样本图片集包括至少一个样本图片集，每个样本图片集对应一个物品类别，每个样本图片集中的每个样本图片中均包括该样本图片集所对应的物品类别下的物品；

确定模块1102被配置为根据所述目标训练模型确定所述至少一个样本图片集中每个样本图片对应的特征向量；

分类模块1103被配置为利用所有样本图片的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器，所述分类器用于确定待处理图片所对应的目标物品类别。

如图12所示，在一个实施例中，所述确定模块1102可以包括：

特征向量确定子模块1201被配置为根据所述目标训练模型确定每个所述样本图片对应的第一预设维度的特征向量；

降维子模块1202被配置为对所有样本图片的第一预设维度的特征向量进行主成分分析训练，得到所有样本图片的第二预设维度的特征向量，其中，所述第二预设维度小于所述第一预设维度。

如图13所示，在一个实施例中，所述分类模块1103可以包括：

第一分类子模块1301被配置为对所述所有样本图片的第二预设维度的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器。

如图14所示，在一个实施例中，所述分类模块1103还可以包括：

第二分类子模块1401被配置为对所述所有样本图片的特征向量采用支持向量基SVM算法或深度学习DL算法进行分类训练，得到所述至少一种物品类别对应的分类器。

如图15所示，在一个实施例中，所述预设网络协议包括空间金字塔池化网络协议，所述预设网络模型包括空间金字塔池化网络模型，则所述装置还可以包括：

判断模块1501被配置为判断每个所述样本图片的尺寸是否大于第一预设尺寸；

第一处理模块1502被配置为在所述样本图片的尺寸大于第一预设尺寸时，按照所述样本图片的长宽比，将所述样本图片的尺寸缩小至不大于所述第一预设尺寸。

如图16所示，在一个实施例中，所述预设网络协议包括Alex网络协议，所述预设网络模型包括Alex网络模型，则所述装置还包括：

第二处理模块1601被配置为将所述至少一个样本图片集中的样本图片的尺寸归一化处理为第二预设尺寸。

图17是根据一示例性实施例示出的一种图片处理装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为终端设备的部分或者全部。如图17所示，该图片处理装置例如可以包括：

获取模块1701被配置为获取待处理图片，所述待处理图片包括一物品类别下的物品；

第一确定模块1702被配置为根据目标训练模型确定所述待处理图片对应的特征向量；

第二确定模块1703被配置为根据所述待处理图片对应的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别。

如图18所示，在一个实施例中，所述第一确定模块1702可以包括：

确定子模块1801被配置为根据所述目标训练模型确定所述待处理图片对应的第一预设维度的特征向量；

训练子模块1802被配置为对所述待处理图片对应的第一预设维度的特征向量进行主成分分析训练，得到所述待处理图片对应的第二预设维度的特征向量，其中，所述第二预设维度小于所述第一预设维度。

如图19所示，在一个实施例中，所述第二确定模块1703可以包括：

类别确定子模块1901被配置为根据所述待处理图片对应的第二预设维度的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别。

如图20所示，在一个实施例中，所述装置还可以包括：

类型确定模块2001被配置为确定所述目标训练模型对应的网络类型，其中，所述网络类型包括空间金字塔池化网络类型、Alex网络类型；

尺寸判断模块2002被配置为在所述目标训练模型对应的网络类型为空间金字塔池化网络类型时，判断所述待处理图片的尺寸是否大于第一预设尺寸；

第一处理模块2003被配置为在所述待处理图片的尺寸大于第一预设尺寸时，按照所述待处理图片的长宽比，将所述待处理图片的尺寸缩小至不大于所述第一预设尺寸。

如图21所示，在一个实施例中，所述装置还可以包括：

第二处理模块2101被配置为在所述目标训练模型对应的网络类型为Alex网络类型时，将所述待处理图片的尺寸处理为第二预设尺寸。

根据本公开实施例的第五方面，提供一种分类器构建装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型，其中，所述预设样本图片集包括至少一个样本图片集，每个样本图片集对应一个物品类别，每个样本图片集中的每个样本图片中均包括该样本图片集所对应的物品类别下的物品；

根据所述目标训练模型确定所述至少一个样本图片集中每个样本图片对应的特征向量；

利用所有样本图片的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器，所述分类器用于确定待处理图片所对应的目标物品类别。

上述处理器还可被配置为：

所述根据所述目标训练模型确定所述至少一个样本图片集中每个样本图片对应的特征向量，包括：

根据所述目标训练模型确定每个所述样本图片对应的第一预设维度的特征向量；

对所有样本图片的第一预设维度的特征向量进行主成分分析训练，得到所有样本图片的第二预设维度的特征向量，其中，所述第二预设维度小于所述第一预设维度。

上述处理器还可被配置为：

所述对所有样本图片的所述特征向量进行分类训练，得到所述至少一种物品类别对应的分类器，包括：

对所述所有样本图片的第二预设维度的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器。

上述处理器还可被配置为：

所述对所述所有样本图片的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器，包括：

对所述所有样本图片的特征向量采用支持向量基SVM算法或深度学习DL算法进行分类训练，得到所述至少一种物品类别对应的分类器。

上述处理器还可被配置为：

所述预设网络协议包括空间金字塔池化网络协议，所述预设网络模型包括空间金字塔池化网络模型，则在利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型之前，所述方法还包括：

判断每个所述样本图片的尺寸是否大于第一预设尺寸；

在所述样本图片的尺寸大于第一预设尺寸时，按照所述样本图片的长宽比，将所述样本图片的尺寸缩小至不大于所述第一预设尺寸。

上述处理器还可被配置为：

所述预设网络协议包括Alex网络协议，所述预设网络模型包括Alex网络模型，则在利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型之前，所述方法还包括：

将所述至少一个样本图片集中的样本图片的尺寸归一化处理为第二预设尺寸。

根据本公开实施例的第六方面，提供一种图片处理装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取待处理图片，所述待处理图片包括一物品类别下的物品；

根据目标训练模型确定所述待处理图片对应的特征向量；

根据所述待处理图片对应的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别。

上述处理器还可被配置为：

所述根据目标训练模型确定所述待处理图片对应的特征向量，包括：

根据所述目标训练模型确定所述待处理图片对应的第一预设维度的特征向量；

对所述待处理图片对应的第一预设维度的特征向量进行主成分分析训练，得到所述待处理图片对应的第二预设维度的特征向量，其中，所述第二预设维度小于所述第一预设维度。

上述处理器还可被配置为：

根据所述待处理图片对应的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别，包括：

根据所述待处理图片对应的第二预设维度的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别。

上述处理器还可被配置为：

在根据目标训练模型确定所述待处理图片对应的特征向量之前，所述方法还包括：

确定所述目标训练模型对应的网络类型，其中，所述网络类型包括空间金字塔池化网络类型、Alex网络类型；

在所述目标训练模型对应的网络类型为空间金字塔池化网络类型时，判断所述待处理图片的尺寸是否大于第一预设尺寸；

在所述待处理图片的尺寸大于第一预设尺寸时，按照所述待处理图片的长宽比，将所述待处理图片的尺寸缩小至不大于所述第一预设尺寸。

上述处理器还可被配置为：

所述方法还包括：

在所述目标训练模型对应的网络类型为Alex网络类型时，将所述待处理图片的尺寸处理为第二预设尺寸。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图22是根据一示例性实施例示出的一种用于图片处理装置的框图，该装置适用于终端设备。例如，装置2200可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

装置2200可以包括以下一个或多个组件：处理组件2202，存储器2204，电源组件2206，多媒体组件2208，音频组件2210，输入/输出(I/O)的接口2212，传感器组件2214，以及通信组件2216。

处理组件2202通常控制装置2200的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件2202可以包括一个或多个处理器2220来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件2202可以包括一个或多个模块，便于处理组件2202和其他组件之间的交互。例如，处理部件2202可以包括多媒体模块，以方便多媒体组件2208和处理组件2202之间的交互。

存储器2204被配置为存储各种类型的数据以支持在设备2200的操作。这些数据的示例包括用于在装置2200上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器2204可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件2206为装置2200的各种组件提供电力。电力组件2206可以包括电源管理系统，一个或多个电源，及其他与为装置2200生成、管理和分配电力相关联的组件。

多媒体组件2208包括在所述装置2200和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件2208包括一个前置摄像头和/或后置摄像头。当设备2200处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件2210被配置为输出和/或输入音频信号。例如，音频组件2210包括一个麦克风(MIC)，当装置2200处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器2204或经由通信组件2216发送。在一些实施例中，音频组件2210还包括一个扬声器，用于输出音频信号。

I/O接口2212为处理组件2202和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件2214包括一个或多个传感器，用于为装置2200提供各个方面的状态评估。例如，传感器组件2214可以检测到设备2200的打开/关闭状态，组件的相对定位，例如所述组件为装置2200的显示器和小键盘，传感器组件2214还可以检测装置2200或装置2200一个组件的位置改变，用户与装置2200接触的存在或不存在，装置2200方位或加速/减速和装置2200的温度变化。传感器组件2214可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件2214还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件2214还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件2216被配置为便于装置2200和其他设备之间有线或无线方式的通信。装置2200可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件2216经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件2216还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置2200可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器2204，上述指令可由装置2200的处理器2220执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

图23是根据一示例性实施例示出的一种用于分类器构建装置的框图。例如，装置2300可以被提供为一服务器。装置2300包括处理组件2322，其进一步包括一个或多个处理器，以及由存储器2332所代表的存储器资源，用于存储可由处理部件2322的执行的指令，例如应用程序。存储器2332中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件2322被配置为执行指令，以执行上述方法。

装置2300还可以包括一个电源组件2326被配置为执行装置2300的电源管理，一个有线或无线网络接口2350被配置为将装置2300连接到网络，和一个输入输出(I/O)接口2358。装置2300可以操作基于存储在存储器2332的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (20)

1.一种分类器构建方法，其特征在于，包括：

利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型，其中，所述预设样本图片集包括至少一个样本图片集，每个样本图片集对应一个物品类别，每个样本图片集中的每个样本图片中均包括该样本图片集所对应的物品类别下的物品；

根据所述目标训练模型确定所述至少一个样本图片集中每个样本图片对应的特征向量；

利用所有样本图片的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器，所述分类器用于确定待处理图片所对应的目标物品类别；

所述预设网络协议包括空间金字塔池化网络协议，所述预设网络模型包括空间金字塔池化网络模型，则在利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型之前，所述方法还包括：

判断每个所述样本图片的尺寸是否大于第一预设尺寸；

在所述样本图片的尺寸大于第一预设尺寸时，按照所述样本图片的长宽比，将所述样本图片的尺寸缩小至不大于所述第一预设尺寸。

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标训练模型确定所述至少一个样本图片集中每个样本图片对应的特征向量，包括：

根据所述目标训练模型确定每个所述样本图片对应的第一预设维度的特征向量；

对所有样本图片的第一预设维度的特征向量进行主成分分析训练，得到所有样本图片的第二预设维度的特征向量，其中，所述第二预设维度小于所述第一预设维度。

3.根据权利要求2所述的方法，其特征在于，所述对所有样本图片的所述特征向量进行分类训练，得到所述至少一种物品类别对应的分类器，包括：

对所述所有样本图片的第二预设维度的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器。

4.根据权利要求1所述的方法，其特征在于，所述对所述所有样本图片的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器，包括：

对所述所有样本图片的特征向量采用支持向量基SVM算法或深度学习DL算法进行分类训练，得到所述至少一种物品类别对应的分类器。

5.根据权利要求1所述的方法，其特征在于，所述预设网络协议包括Alex网络协议，所述预设网络模型包括Alex网络模型，则在利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型之前，所述方法还包括：

将所述至少一个样本图片集中的样本图片的尺寸归一化处理为第二预设尺寸。

6.一种图片处理方法，其特征在于，包括：

获取待处理图片，所述待处理图片包括一物品类别下的物品；

根据目标训练模型确定所述待处理图片对应的特征向量；

根据所述待处理图片对应的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别；

在根据目标训练模型确定所述待处理图片对应的特征向量之前，所述方法还包括：

确定所述目标训练模型对应的网络类型，其中，所述网络类型包括空间金字塔池化网络类型、Alex网络类型；

在所述目标训练模型对应的网络类型为空间金字塔池化网络类型时，判断所述待处理图片的尺寸是否大于第一预设尺寸；

在所述待处理图片的尺寸大于第一预设尺寸时，按照所述待处理图片的长宽比，将所述待处理图片的尺寸缩小至不大于所述第一预设尺寸。

7.根据权利要求6所述的方法，其特征在于，所述根据目标训练模型确定所述待处理图片对应的特征向量，包括：

根据所述目标训练模型确定所述待处理图片对应的第一预设维度的特征向量；

对所述待处理图片对应的第一预设维度的特征向量进行主成分分析训练，得到所述待处理图片对应的第二预设维度的特征向量，其中，所述第二预设维度小于所述第一预设维度。

8.根据权利要求6所述的方法，其特征在于，根据所述待处理图片对应的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别，包括：

根据所述待处理图片对应的第二预设维度的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别。

9.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在所述目标训练模型对应的网络类型为Alex网络类型时，将所述待处理图片的尺寸处理为第二预设尺寸。

10.一种分类器构建装置，其特征在于，包括：

训练模块，用于利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型，其中，所述预设样本图片集包括至少一个样本图片集，每个样本图片集对应一个物品类别，每个样本图片集中的每个样本图片中均包括该样本图片集所对应的物品类别下的物品；

确定模块，用于根据所述目标训练模型确定所述至少一个样本图片集中每个样本图片对应的特征向量；

分类模块，用于利用所有样本图片的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器，所述分类器用于确定待处理图片所对应的目标物品类别；

所述预设网络协议包括空间金字塔池化网络协议，所述预设网络模型包括空间金字塔池化网络模型，则所述装置还包括：

判断模块，用于判断每个所述样本图片的尺寸是否大于第一预设尺寸；

第一处理模块，用于在所述样本图片的尺寸大于第一预设尺寸时，按照所述样本图片的长宽比，将所述样本图片的尺寸缩小至不大于所述第一预设尺寸。

11.根据权利要求10所述的装置，其特征在于，所述确定模块包括：

特征向量确定子模块，用于根据所述目标训练模型确定每个所述样本图片对应的第一预设维度的特征向量；

降维子模块，用于对所有样本图片的第一预设维度的特征向量进行主成分分析训练，得到所有样本图片的第二预设维度的特征向量，其中，所述第二预设维度小于所述第一预设维度。

12.根据权利要求11所述的装置，其特征在于，所述分类模块包括：

第一分类子模块，用于对所述所有样本图片的第二预设维度的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器。

13.根据权利要求10所述的装置，其特征在于，所述分类模块包括：

第二分类子模块，用于对所述所有样本图片的特征向量采用支持向量基SVM算法或深度学习DL算法进行分类训练，得到所述至少一种物品类别对应的分类器。

14.根据权利要求10所述的装置，其特征在于，所述预设网络协议包括Alex网络协议，所述预设网络模型包括Alex网络模型，则所述装置还包括：

第二处理模块，用于将所述至少一个样本图片集中的样本图片的尺寸归一化处理为第二预设尺寸。

15.一种图片处理装置，其特征在于，包括：

获取模块，用于获取待处理图片，所述待处理图片包括一物品类别下的物品；

第一确定模块，用于根据目标训练模型确定所述待处理图片对应的特征向量；

第二确定模块，用于根据所述待处理图片对应的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别；

类型确定模块，用于确定所述目标训练模型对应的网络类型，其中，所述网络类型包括空间金字塔池化网络类型、Alex网络类型；

尺寸判断模块，用于在所述目标训练模型对应的网络类型为空间金字塔池化网络类型时，判断所述待处理图片的尺寸是否大于第一预设尺寸；

第一处理模块，用于在所述待处理图片的尺寸大于第一预设尺寸时，按照所述待处理图片的长宽比，将所述待处理图片的尺寸缩小至不大于所述第一预设尺寸。

16.根据权利要求15所述的装置，其特征在于，所述第一确定模块包括：

确定子模块，用于根据所述目标训练模型确定所述待处理图片对应的第一预设维度的特征向量；

训练子模块，用于对所述待处理图片对应的第一预设维度的特征向量进行主成分分析训练，得到所述待处理图片对应的第二预设维度的特征向量，其中，所述第二预设维度小于所述第一预设维度。

17.根据权利要求16所述的装置，其特征在于，所述第二确定模块包括：

类别确定子模块，用于根据所述待处理图片对应的第二预设维度的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别。

18.根据权利要求15所述的装置，其特征在于，所述装置还包括：

第二处理模块，用于在所述目标训练模型对应的网络类型为Alex网络类型时，将所述待处理图片的尺寸处理为第二预设尺寸。

19.一种分类器构建装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型，其中，所述预设样本图片集包括至少一个样本图片集，每个样本图片集对应一个物品类别，每个样本图片集中的每个样本图片中均包括该样本图片集所对应的物品类别下的物品；

根据所述目标训练模型确定所述至少一个样本图片集中每个样本图片对应的特征向量；

利用所有样本图片的特征向量进行分类训练，得到所述至少一种物品类别对应的分类器，所述分类器用于确定待处理图片所对应的目标物品类别；

所述预设网络协议包括空间金字塔池化网络协议，所述预设网络模型包括空间金字塔池化网络模型，则在利用预设样本图片集、预设网络协议和预设网络模型进行训练，得到目标训练模型之前，所述处理器还被配置为：

判断每个所述样本图片的尺寸是否大于第一预设尺寸；

在所述样本图片的尺寸大于第一预设尺寸时，按照所述样本图片的长宽比，将所述样本图片的尺寸缩小至不大于所述第一预设尺寸。

20.一种图片处理装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取待处理图片，所述待处理图片包括一物品类别下的物品；

根据目标训练模型确定所述待处理图片对应的特征向量；

根据所述待处理图片对应的特征向量和所述目标训练模型对应的分类器确定所述待处理图片中的所述物品对应的目标物品类别；

在根据目标训练模型确定所述待处理图片对应的特征向量之前，所述处理器还被配置为：

确定所述目标训练模型对应的网络类型，其中，所述网络类型包括空间金字塔池化网络类型、Alex网络类型；

在所述目标训练模型对应的网络类型为空间金字塔池化网络类型时，判断所述待处理图片的尺寸是否大于第一预设尺寸；

在所述待处理图片的尺寸大于第一预设尺寸时，按照所述待处理图片的长宽比，将所述待处理图片的尺寸缩小至不大于所述第一预设尺寸。