CN105488516A - 一种图像处理方法及装置 - Google Patents
一种图像处理方法及装置 Download PDFInfo
- Publication number
- CN105488516A CN105488516A CN201410529494.2A CN201410529494A CN105488516A CN 105488516 A CN105488516 A CN 105488516A CN 201410529494 A CN201410529494 A CN 201410529494A CN 105488516 A CN105488516 A CN 105488516A
- Authority
- CN
- China
- Prior art keywords
- detected object
- sample
- fixed reference
- identification
- feature
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像处理方法，对检测对象的样本照片进行对象属性分析，获得所述检测对象的属性特征；依据不同的参考特征获取对应所述检测对象的不同的对象特征序列，并对获得的对象特征序列进行加权处理，得到所述检测对象的特征向量和综合特征向量；依据所述属性特征、所述特征向量和综合特征向量获得所述检测对象的标识特征，并依据所述标识特征输出对应所述检测对象的多媒体信息。本发明还同时公开了一种图像处理装置。
Description
技术领域
本发明涉及图像处理相关技术，尤其涉及一种图像处理方法及装置。
背景技术
随着人们日益丰富的文化需要和智能影像技术的发展，个人和家庭拥有的影像拍摄终端越来越多，朋友间、家庭范围内所拥有的视频、照片数量也越来越多，因此，对照片、视频内人物进行人物特征分析，并对分析结果进行合理运用也显得越来越重要。
目前，尚不存在一种图像处理方法，能够对图像人物特征进行分析，并依据分析结果推送给用户适合所述图像人物的特定文字、音乐等多媒体信息。
发明内容
有鉴于此，本发明实施例期望提供一种图像处理方法及装置，能够提升图像资料的综合利用价值，能使用户之间的交互更有针对性。
为达到上述目的，本发明的技术方案是这样实现的：
本发明实施例提供了一种图像处理方法，所述方法包括：
对检测对象的样本照片进行对象属性分析，获得所述检测对象的属性特征；
依据不同的参考特征获取对应所述检测对象的不同的对象特征序列，并对获得的对象特征序列进行加权处理，得到所述检测对象的特征向量和综合特征向量；
依据所述属性特征、所述特征向量和综合特征向量获得所述检测对象的标识特征，并依据所述标识特征输出对应所述检测对象的多媒体信息。
上述方案中，所述对检测对象的样本照片进行对象属性分析之前，所述方法还包括：
对样本照片进行检测对象识别，并依据识别出的不同的检测对象对样本照片进行分类。
上述方案中，所述依据识别出的不同的检测对象对样本照片进行分类之前，所述方法还包括：解析样本照片，获得所有样本照片的拍摄时间信息和拍摄地点信息，并依据拍摄时间和拍摄地点的就近原则对样本照片进行分类。
上述方案中，所述依据不同的参考特征获取对应所述检测对象的不同的对象特征序列包括：
对所述检测对象的样本照片进行不同参考特征的识别，依据识别出的参考特征获得对应的对象特征，对获得的所有样本照片的不同的参考特征对应的对象特征进行排序，获得不同参考特征对应所述检测对象的不同的对象特征序列。
上述方案中，所述依据所述属性特征、所述特征向量和综合特征向量获得所述检测对象的标识特征包括：
将所述属性特征、所述特征向量和综合特征向量与预设特征数据库中的标识特征模型进行匹配，获得所述检测对象的标识特征。
上述方案中，所述依据所述标识特征输出对应所述检测对象的多媒体信息包括：
将所述检测对象的标识特征信息与预设特征数据库中的对象交互模型进行匹配，获得所述检测对象的交互类型，并依据所述交互类型输出对应所述检测对象的多媒体信息。
本发明实施例还提供了一种图像处理装置，所述装置包括：获取模块、处理模块及输出模块；其中，
所述获取模块，用于对所述检测对象的样本照片进行对象属性分析，获得所述检测对象的属性特征；
所述处理模块，用于依据不同的参考特征获取对应所述检测对象的不同的对象特征序列，并对获得的对象特征序列进行加权处理，得到所述检测对象的特征向量和综合特征向量；
所述输出模块，用于依据所述属性特征、所述特征向量和综合特征向量获得所述检测对象的标识特征，并依据所述标识特征输出对应所述检测对象的多媒体信息。
上述方案中，所述装置还包括：分类模块，用于对样本照片进行检测对象识别，并依据识别出的不同的检测对象对样本照片进行分类。
上述方案中，所述装置还包括：预处理模块，用于解析样本照片，获得所有样本照片的拍摄时间信息和拍摄地点信息，并依据拍摄时间和拍摄地点的就近原则对样本照片进行分类。
上述方案中，所述处理模块，具体用于对所述检测对象的样本照片进行不同参考特征的识别，依据识别出的参考特征获得对应的对象特征，并对获得的所有样本照片的不同的参考特征对应的对象特征进行排序，获得不同参考特征对应所述检测对象的不同的对象特征序列。
上述方案中，所述输出模块，具体用于将所述属性特征、所述特征向量和综合特征向量与预设特征数据库中的标识特征模型进行匹配，获得所述检测对象的标识特征。
上述方案中，所述输出模块，具体用于将所述检测对象的标识特征信息与预设特征数据库中的对象交互模型进行匹配，获得所述检测对象的交互类型，并依据所述交互类型输出对应所述检测对象的多媒体信息。
本发明实施例所提供的图像处理方法及装置，对检测对象的样本照片进行对象属性分析，获得所述检测对象的属性特征；依据不同的参考特征获取对应所述检测对象的不同的对象特征序列，并对获得的对象特征序列进行加权处理，得到所述检测对象的特征向量和综合特征向量；依据所述属性特征、所述特征向量和综合特征向量获得所述检测对象的标识特征，并依据所述标识特征输出对应所述检测对象的多媒体信息。如此，能够提升图像资料的综合利用价值；当检测对象为人物对象时，基于检测对象的标识特征以及特征向量等最终输出对应检测对象的多媒体信息，所输出的多媒体信息更符合检测对象的特点及喜好，因此，能使用户与检测对象的交互更有针对性，从而提升用户的人际交互能力及用户体验感。
附图说明
图1为本发明实施例一图像处理方法流程示意图；
图2所示为本发明实施例对样本照片进行预处理的方法流程示意图；
图3所示为本发明实施例对样本照片进行面部表情情感特征识别的方法流程示意图；
图4所示为本发明实施例对样本照片进行动作情感特征识别的方法流程示意图；
图5所示为本发明实施例对样本照片进行人际交互情感特征识别的方法流程示意图；
图6所示为本发明实施例对样本照片进行历史天气情感特征识别的方法流程示意图；
图7所示为本发明实施例对样本照片进行背景特定物体情感特征识别的方法流程示意图；
图8为本发明实施例二图像处理方法流程示意图；
图9为本发明实施例图像处理装置组成结构示意图。
具体实施方式
在本发明实施例中，对检测对象的样本照片进行对象属性分析，获得所述检测对象的属性特征；依据不同的参考特征获取对应所述检测对象的不同的对象特征序列，并对获得的对象特征序列进行加权处理，得到所述检测对象的特征向量和综合特征向量；依据所述属性特征、所述特征向量和综合特征向量获得所述检测对象的标识特征，并依据所述标识特征输出对应所述检测对象的多媒体信息。
图1为本发明实施例一图像处理方法流程示意图，如图1所示，本实施例图像处理方法流程包括：
步骤101：对检测对象的样本照片进行对象属性分析，获得所述检测对象的属性特征；
本步骤之前，所述方法还包括：对样本照片进行检测对象识别，并依据识别出的不同的检测对象对样本照片进行分类；
在本发明实施例中，所述检测对象可以为人物对象；所述对样本照片进行检测对象识别包括：对样本照片进行人脸识别。
近一步的，所述依据识别出的不同的检测对象对样本照片进行分类之前所述方法还包括：对样本照片进行预处理；图2所示为本发明实施例对样本照片进行预处理的方法流程示意图，如图2所示，本实施例对样本照片进行预处理的方法包括：
步骤2a：识别样本文件是样本照片还是样本影像文件，如果是样本照片，执行步骤2b；如果是样本影像文件，执行步骤2c；
这里，所述识别样本文件是样本照片还是样本影像文件包括：通过样本文件的格式识别所述样本文件是样本照片或者样本影像文件；如文件格式为.jpg/jpeg的为样本照片，文件格式为.mp4的为样本影像文件。
步骤2b：解析样本照片，获得所有样本照片的拍摄时间信息和拍摄地点信息，并依据拍摄时间和拍摄地点的就近原则对样本照片进行分类，结束本处理流程；
这里，所述拍摄时间和拍摄地点的就近原则包括：拍摄时间就近且拍摄地点就近的原则；其中，拍摄时间就近是指照片的拍摄时间距离最近，拍摄地点就近是指照片拍摄的地点距离最近；如：拍摄时间均为2014年9月10日、拍摄地点均为天安门的样本照片分为一类。
步骤2c：将所述样本影像文件截取为若干样本照片，执行步骤2b；
这里，所述将所述样本影像文件截取为若干样本照片包括：通过运动影像预测算法，依据检测对象的存在情况将所述样本影像文件截取为若干样本照片。
进一步的，所述对检测对象的样本照片进行对象属性分析，获得所述检测对象的属性特征包括：
对不同检测对象的样本照片进行对象属性识别，将识别出的对象属性与预设数据库中的对比标准参照物进行比较，获取所述检测对象的属性特征；
这里，所述对象属性可以包括：皱纹、身材、肤色等；
所述属性特征可以包括：性别、年龄、身高、体重等。
步骤102：依据不同的参考特征获取对应所述检测对象的不同的对象特征序列，并对获得的对象特征序列进行加权处理，得到所述检测对象的特征向量和综合特征向量；
这里，所述依据不同的参考特征获取对应所述检测对象的不同的对象特征序列包括：
对所述检测对象的样本照片进行M个参考特征的识别，并依据识别出的M个参考特征获得对应所述参考特征的对象特征，并对获得的所有样本照片的M个参考特征对应的对象特征进行排序，获得所述M个参考特征对应所述检测对象的M个对象特征序列；
所述依据不同的参考特征获取对应所述检测对象的不同的对象特征序列具体包括：
对样本照片进行第一参考特征的识别，并将获得的第一参考特征与预设特征数据库中的第一参考特征信息进行匹配，获得所述第一参考特征对应所述检测对象的对象特征，对获得所述检测对象的所有样本照片的对象特征按时间进行排序，获得所述检测对象的第一对象特征序列；
对样本照片进行第二参考特征的识别，并将获得的第二参考特征与预设特征数据库中的第二参考特征信息进行匹配，获得所述第二参考特征对应的所述检测对象的对象特征，对获得所述检测对象的所有样本照片的对象特征按时间进行排序，获得所述检测对象的第二对象特征序列；
以此类推，对样本照片进行第M参考特征的识别，并将获得的第一参考特征与预设特征数据库中的第M参考特征信息进行匹配，获得所述第M参考特征对应的所述检测对象的对象特征，对获得所述检测对象的所有对象特征按时间进行排序，获得所述检测对象的第M对象特征序列；其中，所述M为正整数；
这里，所述M的取值可以依据实际情况进行设定，且当M取值大于2时，具体应用本发明实施例的方法时，可采用M个参考特征中的任意一个或多个组合来实现。
在本发明一个实施例中，所述M的取值可以为5；所述第一参考特征可以为面部表情特征；所述第二参考特征可以为动作特征；所述第三参考特征可以为人际交互特征；所述第四参考特征可以为天气情况特征；第五参考特征可以为背景特定物体特征；
图3所示为本发明实施例对样本照片进行面部表情情感特征识别的方法流程示意图，如图3所示，本实施例对样本照片进行面部表情情感特征识别的方法包括：
步骤3a：对人物对象的样本照片进行面部表情识别；
这里，所述面部表情特征包括：微笑、大笑、板脸等。
步骤3b：将获得的面部表情特征与预设特征数据库中的面部表情特征信息进行匹配，获得所述面部表情特征对应的所述人物对象的面部表情情感特征；
这里，所述情感特征包括：喜、怒、哀、乐等。
步骤3c：对获得的所述人物对象的所有样本照片的面部表情情感特征按时间进行排序，获得所述人物对象的面部表情情感特征序列。
图4所示为本发明实施例对样本照片进行动作情感特征识别的方法流程示意图，如图4所示，本实施例对样本照片进行动作情感特征识别的方法包括：
步骤4a：对人物对象的样本照片进行动作特征识别；
这里，所述动作特征包括：跳跃、摆V字等。
步骤4b：将获得的动作特征与预设特征数据库中的动作特征信息进行匹配，获得所述动作特征对应的所述人物对象的动作情感特征；
这里，所述动作情感特征包括：活泼、好动、沉静、稳重等。
步骤4c：对获得的所述人物对象的所有样本照片的动作情感特征按时间进行排序，获得所述人物对象的动作情感特征序列。
图5所示为本发明实施例对样本照片进行人际交互情感特征识别的方法流程示意图，如图5所示，本实施例对样本照片进行人际交互情感特征识别的方法包括：
步骤5a：对人物对象的样本照片进行人际交互特征识别；
这里，所述人际交互特征包括：所述人物对象与样本照片中其他人物对象的交互关系及位置关系，如：与某人物对象拥抱或与其他人物对象间隔较远等。
步骤5b：将获得的人际交互特征与预设特征数据库中的人际交互特征信息进行匹配，获得所述人际交互特征对应的所述人物对象的人际交互情感特征；
这里，所述人际交互情感特征包括：热情、富有亲和力、冷漠等。
步骤5c：对获得的所述人物对象的所有样本照片的情感特征按时间进行排序，获得所述人物对象的人际交互情感特征序列。
图6所示为本发明实施例对样本照片进行历史天气情感特征识别的方法流程示意图，如图6所示，本实施例对样本照片进行历史天气情感特征识别的方法包括：
步骤6a：对人物对象的样本照片的天气情况特征进行识别；
这里所述天气情况特征包括：晴天、阴天、雨天等。
步骤6b：将获得的天气情况特征与预设特征数据库中的天气情况特征信息进行匹配，获得所述天气情况特征对应的所述人物对象的天气情况情感特征；
这里，所述天气情况情感特征包括：开朗、忧郁、浪漫等。
步骤6c：对获得的所述人物对象的所有样本照片的天气情况情感特征按时间进行排序，获得所述人物对象的天气情况情感特征序列。
图7所示为本发明实施例对样本照片进行背景特定物体情感特征识别的方法流程示意图，如图7所示，本实施例对样本照片进行背景特定物体情感特征识别的方法包括：
步骤7a：对人物对象的样本照片的背景特定物体进行识别；
这里，所述背景特定物体包括：花草、历史人文古迹等。
步骤7b：将获得的背景特定物体特征与预设特征数据库中的背景特定物体特征信息进行匹配，获得所述特定物体特征对应的所述人物对象的背景特定物体情感特征；
这里，所述背景特定物体情感特征包括：爱旅游、爱历史等。
步骤7c：对获得的所述人物对象的所有样本照片的情感特征按时间进行排序，获得所述人物对象的背景特定物体情感特征序列。
对所述M个对象特征序列进行加权处理，获取所述检测对象的特征向量和综合特征向量包括：
对所述M个对象特征序列进行加权处理，获得所述检测对象的特征曲线图，并依据所述特征曲线图获得所述检测对象的特征向量，将所述特征向量与特征数据库中综合向量模型进行匹配，获得所述检测对象的综合特征向量；
这里，所述加权处理过程中的加权参数可依据实际情况进行设定；
所述特征向量为所述检测对象在特定时间的特征向量，如特定时间的情感向量。
本发明实施例中所述特征数据库为依据经验统计预设的数据库。
当所述检测对象为人物对象时，所述特征向量可以为人物对象在特定时间的性格取向的指数，指数范围为(1，10)，所述综合特征向量可以为人物对象整体的性格取向；如：某人物对象在早晨8点的开朗指数为8，其整体开朗指数即综合特征向量为5。
步骤103：依据所述属性特征、所述特征向量和综合特征向量获得所述检测对象的标识特征，并依据所述标识特征输出对应所述检测对象的多媒体信息；
这里，所述依据所述属性特征、所述特征向量和综合特征向量获得所述检测对象的标识特征包括：
将所述属性特征、所述特征向量和综合特征向量与特征数据库中标识特征模型进行匹配，获得所述检测对象的标识特征；
所述依据所述标识特征输出对应所述检测对象的多媒体信息包括：
将所述标识特征信息与预设特征数据库中的对象交互模型进行匹配，获得所述检测对象的交互类型，并依据所述交互类型输出相应的多媒体信息。
在本发明实施例中，所述标识特征可以为性格特征；所述交互类型包括：所述检测对象在特定时间段内的人际交往取向；例如：某人物对象在晚上8点到10点间比较open，乐意与人交往；
所述多媒体信息包括：文字、图片、音乐、影像等。
图8为本发明实施例二图像处理方法流程示意图，如图8所示，本实施例图像处理方法流程包括：
步骤801：识别样本文件是样本照片还是样本影像文件，如果是样本照片执行步骤802；如果是样本影像文件，执行步骤807；
本步骤具体包括：通过样本文件的格式识别所述样本文件是样本照片或者样本影像文件；如文件格式为.jpg/jpeg的为样本照片，文件格式为.mp4的为样本影像文件。
步骤802：依据拍摄时间和拍摄地点的就近原则对样本照片进行分类；
本步骤具体包括：解析样本照片，获得所有样本照片的拍摄时间信息和拍摄地点信息，并依据拍摄时间和拍摄地点的就近原则对样本照片进行分类；
其中，所述拍摄时间和拍摄地点的就近原则包括：拍摄时间就近且拍摄地点就近的原则；其中，拍摄时间就近是指照片的拍摄时间距离最近，拍摄地点就近是指照片拍摄的地点距离最近；如：拍摄时间均为2014年9月10日、拍摄地点均为天安门的样本照片分为一类。
步骤803：依据不同的检测对象对样本照片进行分类，并依据分类结果对所述检测对象进行对象属性分析，获得所述检测对象的属性特征；
这里，所述检测对象为人物对象，所述对象属性可以包括：皱纹、身材、肤色等；所述属性特征可以包括：性别、年龄、身高、体重等；
所述依据不同的检测对象对样本照片进行分类包括：对样本照片进行检测对象识别，并依据识别出的不同的检测对象对样本照片进行分类；即：对样本照片进行不同人物对象的识别，并依据识别出的不同的人物对象对样本照片进行分类；具体包括：通过人脸识别算法识别样本照片中所有人脸，并依据识别出的不同的人物对象对样本照片进行分类；
所述依据分类结果对所述检测对象进行对象属性分析，获得所述检测对象的属性特征包括：
对不同检测对象的样本照片进行对象属性识别，将识别出的对象属性与预设数据库中的对比标准参照物进行比较，获取所述检测对象的属性特征。
步骤804：依据检测对象的M个参考特征获取对应的M个对象特征序列；
本步骤包括：对所述检测对象的样本照片进行M个参考特征的识别，并依据识别出的M个参考特征获得对应所述参考特征的对象特征，并对获得的所有样本照片的M个参考特征对应的对象特征进行排序，获得所述M个参考特征对应所述检测对象的M个对象特征序列；
本步骤具体包括：
对样本照片进行第一参考特征的识别，并将获得的第一参考特征与预设特征数据库中的第一参考特征信息进行匹配，获得所述第一参考特征对应所述检测对象的对象特征，对获得所述检测对象的所有样本照片的对象特征按时间进行排序，获得所述检测对象的第一对象特征序列；
对样本照片进行第二参考特征的识别，并将获得的第二参考特征与预设特征数据库中的第二参考特征信息进行匹配，获得所述第二参考特征对应的所述检测对象的对象特征，对获得所述检测对象的所有样本照片的对象特征按时间进行排序，获得所述检测对象的第二对象特征序列；
以此类推，对样本照片进行第M参考特征的识别，并将获得的第一参考特征与预设特征数据库中的第M参考特征信息进行匹配，获得所述第M参考特征对应的所述检测对象的对象特征，对获得所述检测对象的所有对象特征按时间进行排序，获得所述检测对象的第M对象特征序列；其中，所述M为正整数；
这里所述M的取值可以依据实际情况进行设定，在本发明实施例中，所述M的取值为5；
所述第一参考特征为面部表情特征；所述第二参考特征为动作特征；所述第三参考特征为人际交互特征；所述第四参考特征为天气情况特征；第五参考特征为背景特定物体特征；
当所述第一参考特征为面部表情特征时，依据检测对象的参考特征获取对应的对象特征序列包括：
对某人物对象的样本照片进行面部表情识别，如：微笑、大笑、板脸等，将获得的面部表情特征与预设特征数据库中的面部表情特征信息进行匹配，获得所述面部表情特征对应的所述人物对象的情感特征，如：喜、怒、哀、乐等，对获得的所述人物对象的所有样本照片的情感特征按时间进行排序，获得所述人物对象的第一情感特征序列；
当所述第二参考特征为动作特征时，依据检测对象的参考特征获取对应的对象特征序列包括：
对某人物对象的样本照片进行动作特征识别，如：跳跃、摆V字等，将获得的动作特征与预设特征数据库中的动作特征信息进行匹配，获得所述动作特征对应的所述人物对象的情感特征，如：活泼、好动、沉静、稳重等，对获得的所述人物对象的所有样本照片的情感特征按时间进行排序，获得所述人物对象的第二情感特征序列；
当所述第三参考特征为人际交互特征时，依据检测对象的参考特征获取对应的对象特征序列包括：
对某人物对象的样本照片进行人际交互特征识别，即识别某人物对象与样本照片中其他人物对象交互关系及位置关系，如：与某人物对象拥抱或与其他人物对象间隔较远，将获得的人际交互特征与预设特征数据库中的人际交互特征信息进行匹配，获得所述人际交互特征对应的所述人物对象的情感特征，如：热情、富有亲和力、冷漠等；对获得的所述人物对象的所有样本照片的情感特征按时间进行排序，获得所述人物对象的第三情感特征序列；
当所述第四参考特征为历史天气情况特征时，依据检测对象的参考特征获取对应的对象特征序列包括：
对某人物对象的样本照片的天气情况进行识别，如晴天、阴天、雨天等，将获得的天气情况特征与预设特征数据库中的天气情况特征信息进行匹配，获得所述天气情况特征对应的所述人物对象的情感特征，如：开朗、忧郁、浪漫等，对获得的所述人物对象的所有样本照片的情感特征按时间进行排序，获得所述人物对象的第四情感特征序列；
当所述第五参考特征为背景特定物体特征时，依据检测对象的参考特征获取对应的对象特征序列包括：
对某人物对象的样本照片的背景特定物体进行识别，如背景为花草、历史人文古迹等，将获得的背景特定物体特征与预设特征数据库中的背景特定物体特征信息进行匹配，获得所述特定物体特征对应的所述人物对象的情感特征，如：爱旅游、爱历史等，对获得的所述人物对象的所有样本照片的情感特征按时间进行排序，获得所述人物对象的第五情感特征序列。
步骤805：对所述M个对象特征序列进行加权处理，获取所述检测对象的特征向量和综合特征向量；
本步骤具体包括：对所述M个对象特征序列进行加权处理，获得所述检测对象的特征曲线图，并依据所述特征曲线图获得所述检测对象的特征向量，将所述特征向量与特征数据库中综合向量模型进行匹配，获得所述检测对象的综合特征向量；其中，所述特征向量为所述检测对象在特定时间的特征向量；
所述特征向量可以为人物对象在特定时间性格取向的指数，指数范围为(1，10)，如：某人物对象的在早晨8点的开朗指数为8，其整体开朗指数即综合特征向量为5。
在本实施例中，上述处理过程具体包括：对上述5个对象特征序列进行加权处理，获得所述人物对象的情感特征曲线图，并依据所述情感特征曲线图获得所述人物对象在特定时刻性格取向的指数，将所述特定时刻性格取向的指数与特征数据库中综合性格取向模型进行匹配，获得所述人物对象的综合性格取向指数。
本发明实施例中所述特征数据库为依据经验统计预设的数据库，所述数据库中各模型为依据经验统计预设的数据模型。
步骤806：依据所述属性特征、所述特征向量和综合特征向量获得所述检测对象的标识特征，并依据所述标识特征输出对应所述检测对象的多媒体信息；
这里，所述标识特征为性格特征；所述多媒体信息包括：文字、图片、音乐、影像等；
所述依据所述属性特征、所述特征向量和综合特征向量获得所述检测对象的标识特征包括：
将所述属性特征、所述特征向量和综合特征向量与特征数据库中标识特征模型进行匹配，获得所述检测对象的标识特征；具体包括：将获得的性格特征、特定时间的性格取向指数及综合性格取向指数与特征数据库中性格特征模型进行匹配，获得所述人物对象的性格特征；
所述依据所述标识特征输出对应所述检测对象的多媒体信息包括：
将所述标识特征信息与预设特征数据库中的对象交互模型进行匹配，获得所述检测对象的交互类型，并依据所述交互类型输出相应的多媒体信息；具体包括：将获得的性格特征信息与预设特征数据库中的对象交互模型进行匹配，获得所述人物对象的交互类型，并依据所述交互类型输出相应的多媒体信息；
其中，所述交互类型包括：所述检测对象在特定时间段内的人际交往取向；例如：某人物对象在晚上8点到10点间比较open，乐意与其他人交往。
步骤807：将所述样本影像文件截取为若干样本照片，并执行步骤802；
本步骤具体包括：通过运动影像预测算法，依据检测对象的存在情况将所述样本影像文件截取为若干样本照片。
步骤808：结束本次处理流程。
图9为本发明实施例图像处理装置组成结构示意图，如图9所示，本发明实施例图像处理装置组成包括：获取模块91、处理模块92及输出模块93；其中，
所述获取模块91，用于对所述检测对象的样本照片进行对象属性分析，获得所述检测对象的属性特征；
所述处理模块92，用于依据不同的参考特征获取对应的所述检测对象的不同的对象特征序列，并对获得的对象特征序列进行加权处理，得到所述检测对象的特征向量和综合特征向量；
所述输出模块93，用于依据所述属性特征、所述特征向量和综合特征向量获得所述检测对象的标识特征，并依据所述标识特征输出对应所述检测对象的多媒体信息。
进一步的，所述装置还包括：分类模块94，用于对样本照片进行检测对象识别，并依据识别出的不同的检测对象对样本照片进行分类。
进一步的，所述装置还包括：预处理模块95，用于解析样本照片，获得所有样本照片的拍摄时间信息和拍摄地点信息，并依据拍摄时间和拍摄地点的就近原则对样本照片进行分类；
其中，所述拍摄时间和拍摄地点的就近原则包括：拍摄时间就近且拍摄地点就近的原则；
进一步的，所述预处理模块95，还用于识别样本文件是样本照片还是样本影像文件，如果是样本影像文件，将所述样本影像文件截取为若干样本照片；
其中，所述识别样本文件是样本照片还是样本影像文件包括：通过样本文件的格式识别所述样本文件是样本照片或者样本影像文件；如文件格式为.jpg/jieg为样本照片，文件格式为.mp4为样本影像文件；
所述预处理模块95将所述样本影像文件截取为若干样本照片包括：预处理模块95通过运动影像预测算法，依据检测对象的存在情况将所述样本影像文件截取为若干样本照片。
进一步的，所述处理模块92依据不同的参考特征获取对应所述检测对象的不同的对象特征序列包括：所述处理模块92对所述检测对象的样本照片进行M个参考特征的识别，并依据识别出的M个参考特征获得对应所述参考特征的对象特征，并对获得的所有样本照片的M个参考特征对应的对象特征进行排序，获得所述M个参考特征对应所述检测对象的M个对象特征序列；具体包括：
对样本照片进行第一参考特征的识别，并将获得的第一参考特征与预设特征数据库中的第一参考特征信息进行匹配，获得所述第一参考特征对应所述检测对象的对象特征，对获得所述检测对象的所有样本照片的对象特征按时间进行排序，获得所述检测对象的第一对象特征序列；
对样本照片进行第二参考特征的识别，并将获得的第二参考特征与预设特征数据库中的第二参考特征信息进行匹配，获得所述第二参考特征对应的所述检测对象的对象特征，对获得所述检测对象的所有样本照片的对象特征按时间进行排序，获得所述检测对象的第二对象特征序列；
以此类推，对样本照片进行第M参考特征的识别，并将获得的第一参考特征与预设特征数据库中的第M参考特征信息进行匹配，获得所述第M参考特征对应的所述检测对象的对象特征，对获得所述检测对象的所有对象特征按时间进行排序，获得所述检测对象的第M对象特征序列；其中，所述M为正整数；
这里所述M的取值可以依据实际情况进行设定。
进一步的，所述输出模块93依据所述属性特征、所述特征向量和综合特征向量获得所述检测对象的标识特征包括：
将所述属性特征、所述特征向量和综合特征向量与预设特征数据库中的标识特征模型进行匹配，获得所述检测对象的标识特征。
进一步的，所述输出模块93依据所述标识特征输出对应所述检测对象的多媒体信息包括：所述输出模块93将所述标识特征信息与预设特征数据库中的对象交互模型进行匹配，获得所述检测对象的交互类型，并依据所述交互类型输出对应所述检测对象的多媒体信息。
在本发明实施例中，所述图像处理装置可位于网络中的服务器中，所述获取模块91、处理模块92、输出模块93、分类模块94及预处理模块95均可由服务器中的中央处理器(CPU，CentralProcessingUnit)、或数字信号处理器(DSP，DigitalSignalProcessor)、或现场可编程门阵列(FPGA，FieldProgrammableGateArray)实现。
以上所述，仅为本发明较佳实施例而已，并非用于限定本发明的保护范围。
Claims (12)
1.一种图像处理方法，其特征在于，所述方法包括：
对检测对象的样本照片进行对象属性分析，获得所述检测对象的属性特征；
依据不同的参考特征获取对应所述检测对象的不同的对象特征序列，并对获得的对象特征序列进行加权处理，得到所述检测对象的特征向量和综合特征向量；
依据所述属性特征、所述特征向量和综合特征向量获得所述检测对象的标识特征，并依据所述标识特征输出对应所述检测对象的多媒体信息。
2.根据权利要求1所述方法，其特征在于，所述对检测对象的样本照片进行对象属性分析之前，所述方法还包括：
对样本照片进行检测对象识别，并依据识别出的不同的检测对象对样本照片进行分类。
3.根据权利要求2所述方法，其特征在于，所述依据识别出的不同的检测对象对样本照片进行分类之前，所述方法还包括：解析样本照片，获得所有样本照片的拍摄时间信息和拍摄地点信息，并依据拍摄时间和拍摄地点的就近原则对样本照片进行分类。
4.根据权利要求1或2所述方法，其特征在于，所述依据不同的参考特征获取对应所述检测对象的不同的对象特征序列包括：
对所述检测对象的样本照片进行不同参考特征的识别，依据识别出的参考特征获得对应的对象特征，对获得的所有样本照片的不同的参考特征对应的对象特征进行排序，获得不同参考特征对应所述检测对象的不同的对象特征序列。
5.根据权利要求1或2所述方法，其特征在于，所述依据所述属性特征、所述特征向量和综合特征向量获得所述检测对象的标识特征包括：
将所述属性特征、所述特征向量和综合特征向量与预设特征数据库中的标识特征模型进行匹配，获得所述检测对象的标识特征。
6.根据权利要求1或2所述方法，其特征在于，所述依据所述标识特征输出对应所述检测对象的多媒体信息包括：
将所述检测对象的标识特征信息与预设特征数据库中的对象交互模型进行匹配，获得所述检测对象的交互类型，并依据所述交互类型输出对应所述检测对象的多媒体信息。
7.一种图像处理装置，其特征在于，所述装置包括：获取模块、处理模块及输出模块；其中，
所述获取模块，用于对所述检测对象的样本照片进行对象属性分析，获得所述检测对象的属性特征；
所述处理模块，用于依据不同的参考特征获取对应所述检测对象的不同的对象特征序列，并对获得的对象特征序列进行加权处理，得到所述检测对象的特征向量和综合特征向量；
所述输出模块，用于依据所述属性特征、所述特征向量和综合特征向量获得所述检测对象的标识特征，并依据所述标识特征输出对应所述检测对象的多媒体信息。
8.根据权利要求7所述装置，其特征在于，所述装置还包括：分类模块，用于对样本照片进行检测对象识别，并依据识别出的不同的检测对象对样本照片进行分类。
9.根据权利要求8所述装置，其特征在于，所述装置还包括：预处理模块，用于解析样本照片，获得所有样本照片的拍摄时间信息和拍摄地点信息，并依据拍摄时间和拍摄地点的就近原则对样本照片进行分类。
10.根据权利要求7或8所述装置，其特征在于，所述处理模块，具体用于对所述检测对象的样本照片进行不同参考特征的识别，依据识别出的参考特征获得对应的对象特征，并对获得的所有样本照片的不同的参考特征对应的对象特征进行排序，获得不同参考特征对应所述检测对象的不同的对象特征序列。
11.根据权利要求7或8所述装置，其特征在于，所述输出模块，具体用于将所述属性特征、所述特征向量和综合特征向量与预设特征数据库中的标识特征模型进行匹配，获得所述检测对象的标识特征。
12.根据权利要求7或8所述装置，其特征在于，所述输出模块，具体用于将所述检测对象的标识特征信息与预设特征数据库中的对象交互模型进行匹配，获得所述检测对象的交互类型，并依据所述交互类型输出对应所述检测对象的多媒体信息。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410529494.2A CN105488516A (zh) | 2014-10-08 | 2014-10-08 | 一种图像处理方法及装置 |
| PCT/CN2015/079112 WO2016054918A1 (zh) | 2014-10-08 | 2015-05-15 | 一种图像处理方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410529494.2A CN105488516A (zh) | 2014-10-08 | 2014-10-08 | 一种图像处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105488516A true CN105488516A (zh) | 2016-04-13 |
Family
ID=55652549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410529494.2A Withdrawn CN105488516A (zh) | 2014-10-08 | 2014-10-08 | 一种图像处理方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN105488516A (zh) |
| WO (1) | WO2016054918A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447741A (zh) * | 2016-11-30 | 2017-02-22 | 努比亚技术有限公司 | 照片自动合成方法及系统 |
| CN108764210A (zh) * | 2018-06-12 | 2018-11-06 | 焦点科技股份有限公司 | 一种基于参照物的猪重识别的方法及系统 |
| CN108962093A (zh) * | 2018-07-13 | 2018-12-07 | 法瑞新科技(江西)有限公司 | 一种电子相框 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537058B (zh) * | 2021-07-16 | 2023-12-15 | 山东新一代信息产业技术研究院有限公司 | 一种陌生人物关联关系的判断方法及安防控制系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103716702A (zh) * | 2013-12-17 | 2014-04-09 | 三星电子（中国）研发中心 | 电视节目推荐装置和方法 |
| CN103744858A (zh) * | 2013-12-11 | 2014-04-23 | 深圳先进技术研究院 | 一种信息推送方法及系统 |
| CN103841438A (zh) * | 2012-11-21 | 2014-06-04 | 腾讯科技（深圳）有限公司 | 信息推送方法、信息推送系统及数字电视接收终端 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7016532B2 (en) * | 2000-11-06 | 2006-03-21 | Evryx Technologies | Image capture and identification system and process |
| JP4197019B2 (ja) * | 2006-08-02 | 2008-12-17 | ソニー株式会社 | 撮像装置および表情評価装置 |
| CN101393599B (zh) * | 2007-09-19 | 2012-02-08 | 中国科学院自动化研究所 | 一种基于人脸表情的游戏角色控制方法 |
| CN101409070A (zh) * | 2008-03-28 | 2009-04-15 | 徐开笑 | 基于运动图像解析的音乐重构方法 |
| US20110211737A1 (en) * | 2010-03-01 | 2011-09-01 | Microsoft Corporation | Event Matching in Social Networks |
| CN102271241A (zh) * | 2011-09-02 | 2011-12-07 | 北京邮电大学 | 一种基于面部表情/动作识别的图像通信方法及系统 |
-
2014
- 2014-10-08 CN CN201410529494.2A patent/CN105488516A/zh not_active Withdrawn
-
2015
- 2015-05-15 WO PCT/CN2015/079112 patent/WO2016054918A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103841438A (zh) * | 2012-11-21 | 2014-06-04 | 腾讯科技（深圳）有限公司 | 信息推送方法、信息推送系统及数字电视接收终端 |
| CN103744858A (zh) * | 2013-12-11 | 2014-04-23 | 深圳先进技术研究院 | 一种信息推送方法及系统 |
| CN103716702A (zh) * | 2013-12-17 | 2014-04-09 | 三星电子（中国）研发中心 | 电视节目推荐装置和方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447741A (zh) * | 2016-11-30 | 2017-02-22 | 努比亚技术有限公司 | 照片自动合成方法及系统 |
| CN108764210A (zh) * | 2018-06-12 | 2018-11-06 | 焦点科技股份有限公司 | 一种基于参照物的猪重识别的方法及系统 |
| CN108962093A (zh) * | 2018-07-13 | 2018-12-07 | 法瑞新科技(江西)有限公司 | 一种电子相框 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2016054918A1 (zh) | 2016-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10900772B2 (en) | Apparatus and methods for facial recognition and video analytics to identify individuals in contextual video streams | |
| JP6662876B2 (ja) | アバター選択機構 | |
| Liao et al. | An image retrieval method for binary images based on DBN and softmax classifier | |
| JP6402408B2 (ja) | タグ処理方法及びタグ処理装置 | |
| KR102668172B1 (ko) | 메시징 시스템에서의 증강 현실 경험을 위한 물리적 제품들의 식별 | |
| US11574005B2 (en) | Client application content classification and discovery | |
| CN108062416B (zh) | 用于在地图上生成标签的方法和装置 | |
| US11768871B2 (en) | Systems and methods for contextualizing computer vision generated tags using natural language processing | |
| CN102567716A (zh) | 一种人脸合成系统及实现方法 | |
| KR20200141373A (ko) | 외형인식모델 학습용 데이터셋 구축 방법, 장치 및 프로그램 | |
| CN105488516A (zh) | 一种图像处理方法及装置 | |
| CN104951801A (zh) | 一种照片管理方法和系统 | |
| JP2023081971A (ja) | 深層学習を使用して個人用の製品推奨を提供するためのシステムおよび方法 | |
| CN107609487B (zh) | 一种用户头像的生成方法和装置 | |
| Talavera et al. | Sentiment recognition in egocentric photostreams | |
| CN108519986A (zh) | 一种网页生成方法、装置及设备 | |
| US20220319082A1 (en) | Generating modified user content that includes additional text content | |
| Ji et al. | Research on indoor scene classification mechanism based on multiple descriptors fusion | |
| Siddiqi et al. | Evaluating real-life performance of the state-of-the-art in facial expression recognition using a novel YouTube-based datasets | |
| CN113902526A (zh) | 基于人工智能的产品推荐方法、装置和计算机设备及介质 | |
| Rao et al. | Generating affective maps for images | |
| US11928167B2 (en) | Determining classification recommendations for user content | |
| Li et al. | Face inpainting with dynamic structural information of facial action units | |
| KR20230159613A (ko) | 추가적인 텍스트 콘텐츠를 포함하는 수정된 사용자 콘텐츠 생성 | |
| Wang et al. | Research on technology of twin image recognition based on the multi-feature fusion |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20160413 |