CN107516105A - 图像处理方法及装置 - Google Patents

图像处理方法及装置 Download PDF

Info

Publication number
CN107516105A
CN107516105A CN201710594226.2A CN201710594226A CN107516105A CN 107516105 A CN107516105 A CN 107516105A CN 201710594226 A CN201710594226 A CN 201710594226A CN 107516105 A CN107516105 A CN 107516105A
Authority
CN
China
Prior art keywords
image
feature
credible
destination
destination object
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.)
Granted
Application number
CN201710594226.2A
Other languages
English (en)
Other versions
CN107516105B (zh
Inventor
江南
郭明宇
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.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201710594226.2A priority Critical patent/CN107516105B/zh
Publication of CN107516105A publication Critical patent/CN107516105A/zh
Priority to TW107116420A priority patent/TWI736765B/zh
Priority to SG11201907444YA priority patent/SG11201907444YA/en
Priority to MYPI2019004655A priority patent/MY201739A/en
Priority to KR1020197025770A priority patent/KR102316230B1/ko
Priority to JP2019545984A priority patent/JP6945639B2/ja
Priority to EP18835563.0A priority patent/EP3579146A4/en
Priority to PCT/CN2018/096278 priority patent/WO2019015645A1/zh
Priority to PH12019501920A priority patent/PH12019501920A1/en
Priority to US16/577,191 priority patent/US11093792B2/en
Priority to US16/777,696 priority patent/US10769490B2/en
Application granted granted Critical
Publication of CN107516105B publication Critical patent/CN107516105B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • 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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请实施例提供了一种图像处理方法及装置，其中方法主要包括以下流程：获取目标对象的多幅图像的特征及目标对象的标准特征；根据目标对象的多幅图像的特征与其标准特征之间的相似度，在目标对象的多幅图像中确定目标对象的可信图像；其中，目标对象的可信图像的特征与目标对象的标准特征之间的相似度满足预设相似度要求。本申请实施例提供的图像处理方法可以应用在图像比对、身份识别、目标对象查找、相似目标对象判定等应用场景。

Description

图像处理方法及装置
技术领域
本申请涉及图像处理领域，尤其涉及一种图像处理方法及装置。
背景技术
随着图像处理技术的发展，图像处理已经应用在多种领域内，如人脸支付领域、身份识别领域等。在进行图像处理时，通常需要以系统内预留的图像为处理依据，通过对系统内预留的图像进行处理，得到处理结果，比如，将系统内预留的底图与采集到的用户图像进行对比，以对用户身份进行校验。
对于同一目标对象而言，由于系统内预留的该目标对象的图像质量参差不齐，因此为提高图像处理效果，需要提供一种技术方案以在该目标对象的多幅底图中筛选出该目标对象的高质量图像。
发明内容
本申请实施例的目的是提供一种图像处理方法及装置，以目标对象的标准特征为依据，在目标对象的多幅图像中确定出与目标对象的标准特征相似度较高的图像，从而使选择出的图像均适合进行图像处理，提高图像处理效果。
为解决上述技术问题，本申请实施例是这样实现的：
本申请实施例提供了一种图像处理方法，包括：
获取目标对象的多幅图像的特征及所述目标对象的标准特征；
根据所述多幅图像的特征与所述标准特征之间的相似度，在所述多幅图像中确定所述目标对象的可信图像；其中，所述可信图像的特征与所述标准特征之间的相似度满足预设相似度要求。
本申请实施例提供了另一种图像处理方法，包括：
获取第一目标对象的可信图像和第二目标对象的可信图像；
根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似；
其中，所述第一目标对象的可信图像为在所述第一目标对象的多幅图像中确定的图像，所述第一目标对象的可信图像的特征与所述第一目标对象的标准特征之间的相似度满足第一预设相似度要求；所述第二目标对象的可信图像为在所述第二目标对象的多幅图像中确定的图像，所述第二目标对象的可信图像的特征与所述第二目标对象的标准特征之间的相似度满足第二预设相似度要求。
本申请实施例提供了又一种图像处理方法，包括：
获取第一目标对象的多幅图像的特征、所述第一目标对象的标准特征、第二目标对象的多幅图像的特征、以及所述第二目标对象的标准特征；
根据所述第一目标对象的多幅图像的特征与所述第一目标对象的标准特征之间的相似度，在所述第一目标对象的多幅图像中确定所述第一目标对象的可信图像，以及，根据所述第二目标对象的多幅图像的特征与所述第二目标对象的标准特征之间的相似度，在所述第二目标对象的多幅图像中确定所述第二目标对象的可信图像；其中，所述第一目标对象的可信图像的特征与其标准特征之间的相似度满足第一预设相似度要求，所述第二目标对象的可信图像的特征与其标准特征之间的相似度满足第二预设相似度要求；
根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似。
本申请实施例提供了一种图像处理装置，包括：
特征获取模块，用于获取目标对象的多幅图像的特征及所述目标对象的标准特征；
图像筛选模块，用于根据所述多幅图像的特征与所述标准特征之间的相似度，在所述多幅图像中确定所述目标对象的可信图像；其中，所述可信图像的特征与所述标准特征之间的相似度满足预设相似度要求。
本申请实施例提供了另一种图像处理装置，包括：
图像获取模块，用于获取第一目标对象的可信图像和第二目标对象的可信图像；
图像比较模块，用于根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似；
其中，所述第一目标对象的可信图像为在所述第一目标对象的多幅图像中确定的图像，所述第一目标对象的可信图像的特征与所述第一目标对象的标准特征之间的相似度满足第一预设相似度要求；所述第二目标对象的可信图像为在所述第二目标对象的多幅图像中确定的图像，所述第二目标对象的可信图像的特征与所述第二目标对象的标准特征之间的相似度满足第二预设相似度要求。
本申请实施例提供了又一种图像处理装置，包括：
数据获取模块，用于获取第一目标对象的多幅图像的特征、所述第一目标对象的标准特征、第二目标对象的多幅图像的特征、以及所述第二目标对象的标准特征；
图像确定模块，用于根据所述第一目标对象的多幅图像的特征与所述第一目标对象的标准特征之间的相似度，在所述第一目标对象的多幅图像中确定所述第一目标对象的可信图像，以及，根据所述第二目标对象的多幅图像的特征与所述第二目标对象的标准特征之间的相似度，在所述第二目标对象的多幅图像中确定所述第二目标对象的可信图像；其中，所述第一目标对象的可信图像的特征与其标准特征之间的相似度满足第一预设相似度要求，所述第二目标对象的可信图像的特征与其标准特征之间的相似度满足第二预设相似度要求；
图像判断模块，用于根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似。
本申请实施例提供了一种图像处理设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取目标对象的多幅图像的特征及所述目标对象的标准特征；
根据所述多幅图像的特征与所述标准特征之间的相似度，在所述多幅图像中确定所述目标对象的可信图像；其中，所述可信图像的特征与所述标准特征之间的相似度满足预设相似度要求。
本申请实施例提供了另一种图像处理设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取第一目标对象的可信图像和第二目标对象的可信图像；
根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似；
其中，所述第一目标对象的可信图像为在所述第一目标对象的多幅图像中确定的图像，所述第一目标对象的可信图像的特征与所述第一目标对象的标准特征之间的相似度满足第一预设相似度要求；所述第二目标对象的可信图像为在所述第二目标对象的多幅图像中确定的图像，所述第二目标对象的可信图像的特征与所述第二目标对象的标准特征之间的相似度满足第二预设相似度要求。
本申请实施例提供了又一种图像处理设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取第一目标对象的多幅图像的特征、所述第一目标对象的标准特征、第二目标对象的多幅图像的特征、以及所述第二目标对象的标准特征；
根据所述第一目标对象的多幅图像的特征与所述第一目标对象的标准特征之间的相似度，在所述第一目标对象的多幅图像中确定所述第一目标对象的可信图像，以及，根据所述第二目标对象的多幅图像的特征与所述第二目标对象的标准特征之间的相似度，在所述第二目标对象的多幅图像中确定所述第二目标对象的可信图像；其中，所述第一目标对象的可信图像的特征与其标准特征之间的相似度满足第一预设相似度要求，所述第二目标对象的可信图像的特征与其标准特征之间的相似度满足第二预设相似度要求；
根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似。
本申请实施例提供了一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：
获取目标对象的多幅图像的特征及所述目标对象的标准特征；
根据所述多幅图像的特征与所述标准特征之间的相似度，在所述多幅图像中确定所述目标对象的可信图像；其中，所述可信图像的特征与所述标准特征之间的相似度满足预设相似度要求。
本申请实施例提供了另一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：
获取第一目标对象的可信图像和第二目标对象的可信图像；
根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似；
其中，所述第一目标对象的可信图像为在所述第一目标对象的多幅图像中确定的图像，所述第一目标对象的可信图像的特征与所述第一目标对象的标准特征之间的相似度满足第一预设相似度要求；所述第二目标对象的可信图像为在所述第二目标对象的多幅图像中确定的图像，所述第二目标对象的可信图像的特征与所述第二目标对象的标准特征之间的相似度满足第二预设相似度要求。
本申请实施例提供了又一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：
获取第一目标对象的多幅图像的特征、所述第一目标对象的标准特征、第二目标对象的多幅图像的特征、以及所述第二目标对象的标准特征；
根据所述第一目标对象的多幅图像的特征与所述第一目标对象的标准特征之间的相似度，在所述第一目标对象的多幅图像中确定所述第一目标对象的可信图像，以及，根据所述第二目标对象的多幅图像的特征与所述第二目标对象的标准特征之间的相似度，在所述第二目标对象的多幅图像中确定所述第二目标对象的可信图像；其中，所述第一目标对象的可信图像的特征与其标准特征之间的相似度满足第一预设相似度要求，所述第二目标对象的可信图像的特征与其标准特征之间的相似度满足第二预设相似度要求；
根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似。
通过本实施例中的技术方案，能够以目标对象的标准特征为依据，在目标对象的多幅图像中确定出与目标对象的标准特征相似度较高、能够反映目标对象的标准特征的可信图像，从而使选择出的可信图像均适合进行图像处理，提高图像处理效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的图像处理方法的第一种流程示意图；
图2a为本发明实施例提供的根据目标对象的标准图像确定目标对象的可信图像的示意图；
图2b为本发明实施例提供的多幅图像的特征与标准特征之间的相似度的分布示意图；
图3为本申请实施例提供的图像处理方法的第二种流程示意图；
图4为本发明实施例提供的根据可信图像比较第一目标对象和第二目标对象是否相似的示意图；
图5为本申请实施例提供的图像处理方法的第三种流程示意图；
图6为本申请实施例提供的图像处理方法的第四种流程示意图；
图7为本申请实施例提供的图像处理方法的第五种流程示意图；
图8为本申请实施例提供的图像处理装置的第一种模块组成示意图；
图9为本申请实施例提供的图像处理装置的第二种模块组成示意图；
图10为本申请实施例提供的图像处理装置的第三种模块组成示意图；
图11为本申请实施例提供的图像处理设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
本申请实施例提供了一种图像处理方法及装置，能够在目标对象的多幅图像中筛选出目标对象的可信图像，还能够基于目标对象的可信图像确定两个目标对象是否相似，其中，筛选出的目标对象的可信图像与目标对象的标准特征相似度较高，能够反映目标对象的标准特征。
图1为本申请实施例提供的图像处理方法的第一种流程示意图，该方法的执行主体为服务器，如图1所示，该方法至少包括以下步骤：
步骤S102，获取目标对象的多幅图像的特征及目标对象的标准特征；
步骤S104，根据多幅图像的特征与该标准特征之间的相似度，在多幅图像中确定目标对象的可信图像；其中，可信图像的特征与该标准特征之间的相似度满足预设相似度要求。
本实施例中的图像处理方法，首先获取目标对象的多幅图像的特征及目标对象的标准特征，然后根据多幅图像的特征与该标准特征之间的相似度，在多幅图像中确定目标对象的可信图像，可信图像的特征与该标准特征之间的相似度满足预设相似度要求。可见，本实施例中的图像处理方法，能够以目标对象的标准特征为依据，在目标对象的多幅图像中确定出与目标对象的标准特征相似度较高、能够反映目标对象的标准特征的可信图像，从而使选择出的可信图像均适合进行图像处理，提高图像处理效果。
本实施例中，目标对象可以是自然人，还可以是物品。上述步骤S102中，可以从本地数据库或远端数据库中读取预先存储的目标对象的多幅图像，并获取目标对象的多幅图像的特征，其中，目标对象的每幅图像都具有对应的特征。
目标对象的标准特征指的是能够准确反映目标对象的特征，利用能够准确反映目标对象的特征在目标对象的多幅图像中筛选可信图像，能够保证可信图像同样准确反映目标对象。考虑到标准特征需要准确反映目标对象，本实施例中，通过以下方式(a1)或(a2)获取目标对象的标准特征：
(a1)获取多幅图像的平均化特征，将多幅图像的平均化特征作为目标对象的标准特征；
(a2)获取多幅图像的平均化特征，将多幅图像的特征中与平均化特征相似度最高的特征，作为目标对象的标准特征。
上述方式(a1)中，对目标对象的多幅图像做特征平均化处理，具体平均化的方式可以根据实际实施场景确定，这里不做限制，一种具体的实施场景下，可以对获取到的所有图像的同一维度的特征向量做平均化，从而得到所有图像的平均化特征。本方式中，将获取的所有图像的平均化特征作为目标对象的标准特征。
上述方式(a2)中，首先获取上述多幅图像的平均化特征，这一过程与方式(a1)相同，这里不做赘述。由于目标对象的每幅图像都具有对应的特征，因此这里在多幅图像的特征中，确定与该平均化特征相似度最高的特征，将该相似度最高的特征确定为目标对象的标准特征，具体地，在目标对象的多幅图像中，分别计算每幅图像的特征与平均化特征之间的相似度，得到相似度最高的图像，将该相似度最高的图像的特征作为目标对象的标准特征。通过这种方式，能够得到一幅特征与上述平均化特征相似度最高的图像，该图像可以称为标准图像，该标准图像反映了目标对象的标准特征，其可以用在目标对象的其他图像处理过程中。
比较上述方式(a1)和方式(a2)可知，方式(a1)确定标准特征的过程简单，操作方便，方式(a2)在确定标准特征的过程中，还能够得到与标准特征相似度最高的标准图像，以便于目标对象的其他图像处理过程，本领域普通技术人员可以根据实际情况选择方式(a1)和方式(a2)中的一种以确定目标对象的标准特征。
上述步骤S104中，具体可以通过以下方式(b1)或(b2)根据多幅图像的特征与标准特征之间的相似度，在多幅图像中确定目标对象的可信图像：
(b1)在多幅图像中，将特征与标准特征之间的相似度大于预设相似度阈值的部分或全部图像，作为目标对象的可信图像；
(b2)确定多幅图像的特征与标准特征之间的相似度的分布数据，在该分布数据中确定图像密度大于预设密度的相似度区间，将确定的相似度区间所对应的部分或全部图像，作为目标对象的可信图像。
上述方式(b1)中，分别计算目标对象的多幅图像中的每幅图像的特征，与目标对象的标准特征之间的相似度，然后确定相似度大于预设相似度阈值的多幅图像，能够理解，该多幅图像与目标对象的标准特征都非常接近，都能够反映目标对象的标准特征，然而，考虑到多幅图像的数量可能非常多，将影响计算速度，因此本方式中，若不考虑计算速度，则可以将确定出来的多幅图像中的全部图像，作为目标对象的可信图像，若考虑计算速度，则可以将确定出来的多幅图像中的部分图像，作为目标对象的可信图像。本方式中，预设相似度阈值为服务器预设的值，预设方式可以由服务器根据本实施例的实施场景设置。
一种具体的例子为，计算目标对象的多幅图像中的每幅图像的特征，与目标对象的标准特征之间的相似度，按照相似度最高至最低的顺序，将目标对象的多幅图像进行排序，在排序中，确定相似度大于预设相似度阈值的图像。考虑到计算速度的需求，若相似度大于预设相似度阈值的图像的数量大于等于一定值，如一定值为100，则按照相似度最高至最低的排序，在相似度大于预设相似度阈值的图像中，选择前一半一定值数量的图像(这里为50张图像)，作为目标对象的可信图像，若相似度大于预设相似度阈值的图像的数量小于一定值，则按照相似度最高至最低的排序，在相似度大于预设相似度阈值的图像中，选择前一半数量的图像，作为目标对象的可信图像。
以目标对象的标准特征是目标对象的标准图像的特征为例，图2a为本发明实施例提供的根据目标对象的标准图像确定目标对象的可信图像的示意图，如图2a所示，目标对象为自然人，图像a为目标对象的标准图像，图像a1、a2、a3、a4分别为获取到的目标对象的多幅图像中的部分图像，分别计算标准图像a与图像a1、a2、a3、a4之间的相似度，得到标准图像a与图像a1、a2、a3、a4之间的相似度分别为85％、65％、87％、86％，设定预设相似度阈值为80％，则确定目标对象的可信图像为a1、a3和a4，a2为不可信图像。
上述方式(b2)中，在目标对象的多幅图像中，分别计算每幅图像的特征与目标对象的标准特征之间的相似度，得到多个相似度数据，统计多个相似度数据的分布，得到分布数据，该分布数据可以以统计分布直方图的形式体现，该分布数据中，包括多个相似度区间，并标记了每个相似度区间对应的图像数量。在该分布数据中，确定图像密度大于预设密度的相似度区间，这里图像密度可以用相似度区间内的图像数量与该相似度区间的相似度范围的比值表示，图像密度越大，说明该相似度区间内每个相似度单位对应的图像数量越多，预设密度为服务器预先设定的值，服务器可以根据场景需要进行设置。确定图像密度大于预设密度的相似度区间后，与方式(b1)中同理，若不考虑计算速度，则将该确定的相似度区间内的全部图像，确定为目标对象的可信图像，若考虑计算速度，则将该确定的相似度区间内的部分图像，确定为目标对象的可信图像。其中，图像密度大于预设密度的相似度区间内的图像不一定是与标准特征最为相似的图像。
上述方式(b2)中，图像密度大于预设密度的相似度区间内分布的图像主要为目标对象的常态图像，如目标对象是自然人，其拍照时习惯大笑，则在统计目标对象的上述分布数据时，图像密度大于预设密度的相似度区间内分布的图像主要为目标对象的大笑图像。通过将图像密度大于预设密度的相似度区间内的部分或全部图像确定为可信图像，能够使目标对象的可信图像为其常态图像。
图2b为本发明实施例提供的多幅图像的特征与标准特征之间的相似度的分布示意图，如图2b所示，根据目标对象的每幅图像的特征与目标对象的标准特征之间的相似度的分布数据，得到统计分布直方图，该图包括多个相似度区间，并标记了每个相似度区间对应的图像数量。该图中，图像密度大于预设密度的相似度区间为相似度得分在60和80之间的区间，以及相似度得分在80和100之间的区间，图中以斜线方式示意，则将这两个区间对应的部分或全部图像，确定为目标对象的可信图像。
比较上述方式(b1)和方式(b2)可知，上述方式(b1)主要以预设相似度阈值为依据，在目标对象的多幅图像中确定目标对象的可信图像，上述方式(b2)主要以相似度的分布数据为依据，在目标对象的多幅图像中确定目标对象的可信图像。当目标对象的多幅图像中都是目标图像本身的图像时，则采用上述方式(b1)能够简单快速的获得与目标对象的标准特征非常接近的目标对象的可信图像，当目标对象的多幅图像中混入少量的杂质图像(如无意义图像或者其他目标对象的图像)时，则采用上述方式(b2)能够规避杂质图像的干扰，将目标对象的常态图像作为目标对象的可信图像。本领域普通技术人员可以根据实际情况选择方式(b1)和方式(b2)中的一种以确定目标对象的可信图像。
上述方式(b2)中，基于相似度分布的方式确定可信图像时，若在相似度的分布数据中确定孤立的高相似图像，如只有一幅图像与标准特征之间的相似度达到98分，其余图像与标准特征之间的相似度最大为90分，则该孤立的高相似图像可能与标准特征完全重合，也可能为计算存在误差的图像，这种情况下，为保证图像选取精度，可以排除该图像，当热，也可以不排除，视具体场景而定。
通过以上过程可知，在目标对象的多幅图像中确定目标对象的可信图像，能够在目标对象的多幅图像中去除低质量的、与目标对象的标准特征不相近的图像，从而得到高质量的、能够反映目标对象的标准特征的图像，从而在利用目标对象的可信图像进行图像处理时，提高图像处理的精准度。
图3为本申请实施例提供的图像处理方法的第二种流程示意图，通过图3中的方法，能够在获取目标对象的可信图像的基础上，比较两个目标对象是否相似，图3中的方法优选适用在目标对象是自然人的场景下，如图3所示，该方法在图1的基础上，还包括以下步骤：
步骤S106，确定第一目标对象的可信图像与第二目标对象的可信图像之间的相似度，得到多个相似度数据；
步骤S108，根据该多个相似度数据，确定第一目标对象与第二目标对象是否相似。
步骤S102中的目标对象可以包括多个目标对象，分别为第一目标对象、第二目标对象、第三目标对象等等。因此通过步骤S102和步骤S104，能够分别确定第一目标对象的可信图像和第二目标对象的可信图像。
步骤S106中，确定第一目标对象的可信图像与第二目标对象的可信图像之间的相似度的具体方式为，确定第一目标对象的每幅可信图像与第二目标对象的每幅可信图像之间的相似度，相似度计算方法这里不做具体限制，可以根据需要选择。在第一目标对象的每幅可信图像与第二目标对象的每幅可信图像都计算过相似度后，计算得到的相似度数据的数量等于第一目标对象的可信图像数量与第二目标对象的可信图像数量的乘积。
步骤S108中，可以通过以下方式(c1)或(c2)根据多个相似度数据，确定第一目标对象与第二目标对象是否相似：
(c1)若多个相似度数据的平均值大于预设平均阈值，则确定第一目标对象与第二目标对象相似；
(c2)若多个相似度数据的分布满足预设相似度分布要求，则确定第一目标对象与第二目标对象相似。
上式方式(c1)中，计算多个相似度数据的平均值，若多个相似度数据的平均值大于预设平均阈值，则确定第一目标对象与第二目标对象相似，否则，确定第一目标对象与第二目标对象不相似。预设平均阈值为服务器预设的值，预设方式可以由服务器根据本实施例的实施场景设置。
上式方式(c2)中，计算多个相似度数据的分布，该分布可以用统计分布直方图的形式体现，该分布中，包括多个相似度区间，并标记了每个相似度区间对应的图像对的数量。
一种具体的实施例中，预设相似度分布要求可以为相似度大于一定值的图像对的数量占总图像比对次数的比例大于预设比例，在上述分布中，若相似度大于一定值的图像对的数量占总图像比对次数的比例大于预设比例，则确定第一目标对象与第二目标对象相似，否则，确定第一目标对象与第二目标对象不相似。如相似度大于75分的图像对的数量占总图像比对次数的比例大于80％，则确定第一目标对象与第二目标对象相似，否则，确定第一目标对象与第二目标对象不相似。其中，由于第一目标对象和第二目标对象是成对比对图像的，因此确定相似度大于一定值的图像对的数量，总图像比对次数等于第一目标对象的可信图像数量与第二目标对象的可信图像数量的乘积。
另一种具体的实施例中，预设相似度分布要求可以为对应的图像数量最多的相似度区间的相似度范围在预设相似度范围内，在上述分布中，若对应的图像数量最多的相似度区间的相似度范围在预设相似度范围内，则确定第一目标对象与第二目标对象相似，否则，确定第一目标对象与第二目标对象不相似。如对应的图像数量最多的相似度区间的相似度范围为80分到85分，在预设相似度范围70分到90分之间，则确定第一目标对象与第二目标对象相似，否则，确定第一目标对象与第二目标对象不相似。
比较上述方式(c1)和上述方式(c2)，通过方式(c1)能够利用预设平均阈值简单快速的判断第一目标对象与第二目标对象是否相似，通过方式(c2)能够根据相似度数据的分布情况确定第一目标对象与第二目标对象是否相似，在具体实施本实施例时，可以根据实施场景需要确定方式(c1)和方式(c2)中的一种以确定第一目标对象与第二目标对象是否相似。
考虑到第一目标对象的图像数量较少，和/或，第二目标对象的图像数量较少时，上述步骤S106中得到的多个相似度数据的数量较少，可能会影响步骤S108判断的准确性，因此本实施例中，步骤S108，根据该多个相似度数据，确定第一目标对象与第二目标对象是否相似，具体为：确定多个相似度数据的数量是否满足预设数量要求，若是，则根据该多个相似度数据，确定第一目标对象与第二目标对象是否相似。通过确定步骤S106中得到的多个相似度数据的数量满足预设数量要求，能够保证第一目标对象和第二目标对象相似性判断的准确性。
一种具体的实施例中，若服务器根据相似度数据确定第一目标对象与第二目标对象是否相似的算法准确度较高，则可以不确定步骤S106中得到的多个相似度数据的数量是否满足预设数量要求，直接根据相似度数据确定第一目标对象与第二目标对象是否相似，若服务器根据相似度数据确定第一目标对象与第二目标对象是否相似的算法准确度较低，则在需要先确定步骤S106中得到的多个相似度数据的数量是否满足预设数量要求，若满足，则根据相似度数据确定第一目标对象与第二目标对象是否相似，若不满足，结束方法流程。
图4为本发明实施例提供的根据可信图像比较第一目标对象和第二目标对象是否相似的示意图，如图4所示，第一目标对象包括p1、p2、p3…pm m个可信图片(图中以三个图片为例说明)，第二目标对象包括q1、q2、q3…qn n个可信图片(图中以三个图片为例说明)，分别计算第一目标对象的每个可信图片与第二目标对象的每个可信图片之间的相似度，得到多个相似度得分，图中标注了部分相似度得分，统计所有相似度得分的平均分，为85分，大于预设平均阈值，确定第一目标对象与第二目标对象相似。
根据上述公开的方法，本实施例提供了另一种图像处理方法，既包括可信图像确定过程，也包括两个目标对象是否相似的确定过程，图5为本申请实施例提供的图像处理方法的第三种流程示意图，如图5所示，该方法包括：
步骤S302，获取图像。获取第一目标对象的多幅图像和第二目标对象的多幅图像。
步骤S304，确定第一平均化特征和第二平均化特征。确定第一目标对象的多幅图像的平均化特征作为第一平均化特征，并确定第二目标对象的多幅图像的平均化特征作为第二平均化特征。
步骤S306，计算第一相似度和第二相似度。在第一目标对象的多幅图像中，分别计算第一目标对象的每幅图像的特征与第一平均化特征的第一相似度，并在第二目标对象的多幅图像中，分别计算第二目标对象的每幅图像的特征与第二平均化特征的第二相似度。
步骤S308，确定第一标准图像和第二标准图像。将第一相似度最大的图像作为第一目标对象的第一标准图像，将第二相似度最大的图像作为第二目标对象的第二标准图像。
步骤S310，计算第三相似度和第四相似度。在第一目标对象的多幅图像中，分别计算第一目标对象的每幅图像与第一标准图像之间的第三相似度，并在第二目标对象的多幅图像中，分别计算第二目标对象的每幅图像与第二标准图像之间的第四相似度。
步骤S312，确定第一可信图像和第二可信图像。将第三相似度大于一定值的图像作为第一目标对象的第一可信图像，将第四相似度大于一定值的图像作为第二目标对象的第二可信图像。
步骤S314，计算图像数量乘积。计算第一可信图像的数量与第二可信图像的数量的乘积。
步骤S316，计算相似度平均值。分别计算每幅第一可信图像与每幅第二可信图像之间的相似度，得到多个相似度数据，计算该多个相似度数据的平均值。
步骤S318，判断步骤S314计算得到的乘积是否大于预设乘积，若大于，则执行步骤S320，否则，结束对比。
步骤S320，判断步骤S316计算得到的平均值是否大于预设平均值，若大于，则执行步骤S322，否则，结束对比。
步骤S322，确定第一目标对象与第二目标对象相似。
图1至图5所示的图像处理方法中，在计算相似度时，如计算每幅图像与平均化特征之间的相似度，计算每幅图像与标准图像之间的相似度，或者计算第一目标对象的可信图像与第二目标对象的可信图像之间的相似度时，不限制相似度计算方法，可以计算特征向量之间的欧式距离或余弦距离以计算相似度，在目标对象为自然人时，还可以采用基于特征脸的比对方式等等，只需要有指标用于量化特征间的相似程度即可。其中，计算欧式距离或余弦距离时，可以采用主成分分析法(principal component analysis,简称PCA)，或者局部特征分析方法(Local Face Analysis)，神经网络方法(Neural Networks)等。
本实施例中，目标对象可以为自然人，通过本实施例中的方法，能够在系统内预留的自然人的底图中排除掉自然人的低质量图像，筛选出自然人的可信图像，自然人的可信图像可以是光线合适、脸部位置端正、图像清晰，没有浓妆和夸张配饰的图像，通过可信图像能够反映自然人的面部特征；本实施例中的方法还能够基于两个自然人的可信图像判断两个自然人是否相似。本实施例中的方法过程简单，效果准确，能够广泛应用在人脸识别领域，尤其应用在同卵双胞胎筛选、目标人物定位等领域，具有潜在的社会价值，如识别出双方都有过人脸采集历史的同卵双胞胎，寻找被拐卖儿童或追缉更名换姓的逃犯等。
进一步地，基于上述图1至图5中的方法，本申请实施例还提供了一种图像处理方法，图6为本申请实施例提供的图像处理方法的第四种流程示意图，该方法的执行主体为服务器，针对图6中的方法，这里重点介绍其与前述图1至图5中的方法的不同之处，相同之处可以参考前述图1至图5的描述，如图6所示，该方法至少包括以下步骤：
步骤S402，获取第一目标对象的可信图像和第二目标对象的可信图像；
步骤S404，根据第一目标对象的可信图像与第二目标对象的可信图像，确定第一目标对象与第二目标对象是否相似；
其中，第一目标对象的可信图像为在第一目标对象的多幅图像中确定的图像，第一目标对象的可信图像的特征与第一目标对象的标准特征之间的相似度满足第一预设相似度要求；第二目标对象的可信图像为在第二目标对象的多幅图像中确定的图像，第二目标对象的可信图像的特征与第二目标对象的标准特征之间的相似度满足第二预设相似度要求。
本实施例中的图像处理方法，由于第一目标对象的可信图像是在第一目标对象的多幅图像中筛选的，特征与第一目标对象的标准特征之间的相似度满足第一预设相似度要求的图像，且第二目标对象的可信图像是在第二目标对象的多幅图像中筛选的，特征与第二目标对象的标准特征之间的相似度满足第二预设相似度要求的图像，因此本实施例中的图像处理方法实现了以目标对象的标准特征为依据，在目标对象的多幅图像中确定出与目标对象的标准特征相似度较高、能够反映目标对象的标准特征的图像，从而使选择出的图像均适合进行图像处理，提高图像处理效果，并且，由于本实施例中的方法是以第一目标对象的可信图像和第二目标对象的可信图像为依据，判断第一目标对象与第二目标对象是否相似，因此本实施例中的图像处理方法图像处理效果好，判断结果准确，能够准确确定第一目标对象与第二目标对象是否相似。
根据图1至图5的描述可知，本实施例中，第一目标对象的标准特征，为第一目标对象的多幅图像的平均化特征；或者，第一目标对象的标准特征，为第一目标对象的多幅图像的特征中与第一目标对象的多幅图像的平均化特征相似度最高的特征；第二目标对象的标准特征，为第二目标对象的多幅图像的平均化特征；或者，第二目标对象的标准特征，为第二目标对象的多幅图像的特征中与第二目标对象的多幅图像的平均化特征相似度最高的特征。上述第一预设相似度要求和第二预设相似度要求可以相同，也可以不同。
考虑到采用统一的标准确定第一目标对象的可信图像和第二目标对象的可信图像，能够保证判断第一目标对象和第二目标对象是否相似的准确性，优选地，第一目标对象的标准特征和第二目标对象的标准特征采用相同的方式确定，二者都为多幅图像的平均化特征，或者二者都为多幅图像的特征中与多幅图像的平均化特征相似度最高的特征，且第一预设相似度要求与第二预设相似度要求相同。
有关第一预设相似度要求与第二预设相似度要求的具体解释与图1至图5中的描述一致，上述步骤S402中，获取第一目标对象的可信图像和第二目标对象的可信图像的具体过程还可以参考图1至图5中的描述，这里不做赘述。
上述步骤S404中，具体通过以下方式(d1)或(d2)根据第一目标对象的可信图像与第二目标对象的可信图像，确定第一目标对象与第二目标对象是否相似：
(d1)若第一目标对象的可信图像与第二目标对象的可信图像之间的多个相似度数据的平均值大于预设平均阈值，则确定第一目标对象与第二目标对象相似；
(d2)若第一目标对象的可信图像与第二目标对象的可信图像之间的多个相似度数据的分布满足预设相似度分布要求，则确定第一目标对象与第二目标对象相似。
上述方式(d1)和(d2)的具体解释可参考前述方式(c1)和(c2)，这里不过多赘述。
一种应用场景下，需要在目标对象的数据库内查找出特征相似的两个目标对象，如长相相似的两个自然人，这种情景下，本实施例中，第一目标对象为目标对象的数据库中的任一目标对象，第二目标对象为目标对象的数据库中除第一目标对象以外的任一目标对象，从而在数据库内查找出特征相似的两个目标对象。
另一种应用场景下，需要在数据库查找出与指定目标对象相似的目标对象，如与指定自然人长相相似的另一个自然人，这种场景下，本实施例中，第一目标对象为用户指定的目标对象，第二目标对象为目标对象的数据库中的任一目标对象，从而在数据库查找出与指定目标对象相似的目标对象。
进一步地，基于上述图1至图5中的方法，本申请实施例还提供了一种图像处理方法，图7为本申请实施例提供的图像处理方法的第五种流程示意图，该方法的执行主体为服务器，针对图7中的方法，这里重点介绍其与前述图1至图5中的方法的不同之处，相同之处可以参考前述图1至图5的描述，如图7所示，该方法至少包括以下步骤：
步骤S502，获取第一目标对象的多幅图像的特征、第一目标对象的标准特征、第二目标对象的多幅图像的特征、以及第二目标对象的标准特征；
步骤S504，根据第一目标对象的多幅图像的特征与第一目标对象的标准特征之间的相似度，在第一目标对象的多幅图像中确定第一目标对象的可信图像，以及，根据第二目标对象的多幅图像的特征与第二目标对象的标准特征之间的相似度，在第二目标对象的多幅图像中确定第二目标对象的可信图像；其中，第一目标对象的可信图像的特征与其标准特征之间的相似度满足第一预设相似度要求，第二目标对象的可信图像的特征与其标准特征之间的相似度满足第二预设相似度要求；
步骤S506，根据第一目标对象的可信图像与第二目标对象的可信图像，确定第一目标对象与第二目标对象是否相似。
本实施例中的图像处理方法，首先获取目标对象的多幅图像的特征及目标对象的标准特征，然后根据多幅图像的特征与该标准特征之间的相似度，在多幅图像中确定目标对象的可信图像，可信图像的特征与该标准特征之间的相似度满足预设相似度要求，最后根据两个目标对象的可信图像，判断这两个目标对象是否相似。本实施例中的图像处理方法，以目标对象的标准特征为依据，在目标对象的多幅图像中确定出与目标对象的标准特征相似度较高、能够反映目标对象的标准特征的可信图像，能够使选择出的可信图像均适合进行图像处理，提高图像处理效果，以第一目标对象的可信图像和第二目标对象的可信图像为依据，判断第一目标对象与第二目标对象是否相似，能够提高两个目标对象相似度判断的准确性，从而准确判断两个目标对象是否相似。
步骤S502和步骤S504的具体过程可以参考图1和图2中步骤S102和步骤S104的描述，步骤S506的具体过程可参考图6中步骤S404的描述，这里不过多赘述。
本实施例中有关标准特征的具体解释可以参考图1至图6的描述。本实施例中，第一预设相似度要求和第二预设相似度要求相同，或者，第一预设相似度要求和第二预设相似度要求不同，考虑到采用统一的标准确定第一目标对象的可信图像和第二目标对象的可信图像，能够保证判断第一目标对象和第二目标对象是否相似的准确性，优选地，第一目标对象的标准特征和第二目标对象的标准特征采用相同的方式确定，二者都为多幅图像的平均化特征，或者二者都为多幅图像的特征中与多幅图像的平均化特征相似度最高的特征，且第一预设相似度要求与第二预设相似度要求相同。
综上，本实施例中图1至图7所示的方法，能够确定目标对象的可信图像，并基于目标对象的可信图像确定两个目标对象是否相似，判断过程简单，判断效果准确，可以广泛应用在人脸识别、双胞胎筛选、目标人物定位等领域。
进一步地，基于上述图1至图7所示的方法，本申请实施例提供了一种图像处理装置，图8为本申请实施例提供的图像处理装置的第一种模块组成示意图，如图8所示，该装置包括：
特征获取模块61，用于获取目标对象的多幅图像的特征及所述目标对象的标准特征；
图像筛选模块62，用于根据所述多幅图像的特征与所述标准特征之间的相似度，在所述多幅图像中确定所述目标对象的可信图像；其中，所述可信图像的特征与所述标准特征之间的相似度满足预设相似度要求。
本实施例中，所述特征获取模块61具体用于：获取所述多幅图像的平均化特征，将所述多幅图像的平均化特征作为所述目标对象的标准特征；或者，获取所述多幅图像的平均化特征，将所述多幅图像的特征中与所述平均化特征相似度最高的特征，作为所述目标对象的标准特征。
本实施例中，所述图像筛选模块62具体用于：在所述多幅图像中，将特征与所述标准特征之间的相似度大于预设相似度阈值的部分或全部图像，作为所述目标对象的可信图像；或者，确定所述多幅图像的特征与所述标准特征之间的相似度的分布数据，在所述分布数据中确定图像密度大于预设密度的相似度区间，将确定的所述相似度区间所对应的部分或全部图像，作为所述目标对象的可信图像。
本实施例中，该装置还包括：
相似度确定模块，用于确定第一目标对象的可信图像与第二目标对象的可信图像之间的相似度，得到多个相似度数据；
相似性判断模块，用于根据所述多个相似度数据，确定所述第一目标对象与所述第二目标对象是否相似。
本实施例中，所述相似性判断模块具体用于：若所述多个相似度数据的平均值大于预设平均阈值，则确定所述第一目标对象与所述第二目标对象相似；或者，若所述多个相似度数据的分布满足预设相似度分布要求，则确定所述第一目标对象与所述第二目标对象相似。
本实施例中，所述相似性判断模块具体用于：确定所述多个相似度数据的数量是否满足预设数量要求，若是，则根据所述多个相似度数据，确定所述第一目标对象与所述第二目标对象是否相似。
本实施例中的图像处理装置，首先获取目标对象的多幅图像的特征及目标对象的标准特征，然后根据多幅图像的特征与该标准特征之间的相似度，在多幅图像中确定目标对象的可信图像，可信图像的特征与该标准特征之间的相似度满足预设相似度要求。可见，本实施例中的图像处理装置，能够以目标对象的标准特征为依据，在目标对象的多幅图像中确定出与目标对象的标准特征相似度较高、能够反映目标对象的标准特征的可信图像，从而使选择出的可信图像均适合进行图像处理，提高图像处理效果。
进一步地，基于上述图1至图7所示的方法，本申请实施例还提供了另一种图像处理装置，图9为本申请实施例提供的图像处理装置的第二种模块组成示意图，如图9所示，该装置包括：
图像获取模块71，用于获取第一目标对象的可信图像和第二目标对象的可信图像；
图像比较模块72，用于根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似；
其中，所述第一目标对象的可信图像为在所述第一目标对象的多幅图像中确定的图像，所述第一目标对象的可信图像的特征与所述第一目标对象的标准特征之间的相似度满足第一预设相似度要求；所述第二目标对象的可信图像为在所述第二目标对象的多幅图像中确定的图像，所述第二目标对象的可信图像的特征与所述第二目标对象的标准特征之间的相似度满足第二预设相似度要求。
本实施例中，所述第一目标对象的标准特征，为所述第一目标对象的多幅图像的平均化特征；或者，所述第一目标对象的标准特征，为所述第一目标对象的多幅图像的特征中与所述第一目标对象的多幅图像的平均化特征相似度最高的特征；所述第二目标对象的标准特征，为所述第二目标对象的多幅图像的平均化特征；或者，所述第二目标对象的标准特征，为所述第二目标对象的多幅图像的特征中与所述第二目标对象的多幅图像的平均化特征相似度最高的特征。
本实施例中，所述图像比较模块72具体用于：若所述第一目标对象的可信图像与所述第二目标对象的可信图像之间的多个相似度数据的平均值大于预设平均阈值，则确定所述第一目标对象与所述第二目标对象相似；或者，若所述第一目标对象的可信图像与所述第二目标对象的可信图像之间的多个相似度数据的分布满足预设相似度分布要求，则确定所述第一目标对象与所述第二目标对象相似。
本实施例中，所述第一目标对象为目标对象的数据库中的任一目标对象；所述第二目标对象为所述数据库中除所述第一目标对象以外的任一目标对象；或者，所述第一目标对象为用户指定的目标对象，所述第二目标对象为目标对象的数据库中的任一目标对象。
本实施例中的图像处理装置，由于第一目标对象的可信图像是在第一目标对象的多幅图像中筛选的，特征与第一目标对象的标准特征之间的相似度满足第一预设相似度要求的图像，且第二目标对象的可信图像是在第二目标对象的多幅图像中筛选的，特征与第二目标对象的标准特征之间的相似度满足第二预设相似度要求的图像，因此本实施例中的图像处理装置实现了以目标对象的标准特征为依据，在目标对象的多幅图像中确定出与目标对象的标准特征相似度较高、能够反映目标对象的标准特征的图像，从而使选择出的图像均适合进行图像处理，提高图像处理效果，并且，由于本实施例中的装置是以第一目标对象的可信图像和第二目标对象的可信图像为依据，判断第一目标对象与第二目标对象是否相似，因此本实施例中的图像处理装置图像处理效果好，判断结果准确，能够准确确定第一目标对象与第二目标对象是否相似。
进一步地，基于上述图1至图7所示的方法，本申请实施例还提供了又一种图像处理装置，图10为本申请实施例提供的图像处理装置的第三种模块组成示意图，如图10所示，该装置包括：
数据获取模块81，用于获取第一目标对象的多幅图像的特征、所述第一目标对象的标准特征、第二目标对象的多幅图像的特征、以及所述第二目标对象的标准特征；
图像确定模块82，用于根据所述第一目标对象的多幅图像的特征与所述第一目标对象的标准特征之间的相似度，在所述第一目标对象的多幅图像中确定所述第一目标对象的可信图像，以及，根据所述第二目标对象的多幅图像的特征与所述第二目标对象的标准特征之间的相似度，在所述第二目标对象的多幅图像中确定所述第二目标对象的可信图像；其中，所述第一目标对象的可信图像的特征与其标准特征之间的相似度满足第一预设相似度要求，所述第二目标对象的可信图像的特征与其标准特征之间的相似度满足第二预设相似度要求；
图像判断模块83，用于根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似。
本实施例中，所述第一预设相似度要求和所述第二预设相似度要求相同，或者，所述第一预设相似度要求和所述第二预设相似度要求不同。
本实施例中的图像处理装置，首先获取目标对象的多幅图像的特征及目标对象的标准特征，然后根据多幅图像的特征与该标准特征之间的相似度，在多幅图像中确定目标对象的可信图像，可信图像的特征与该标准特征之间的相似度满足预设相似度要求，最后根据两个目标对象的可信图像，判断这两个目标对象是否相似。本实施例中的图像处理装置，以目标对象的标准特征为依据，在目标对象的多幅图像中确定出与目标对象的标准特征相似度较高、能够反映目标对象的标准特征的可信图像，能够使选择出的可信图像均适合进行图像处理，提高图像处理效果，以第一目标对象的可信图像和第二目标对象的可信图像为依据，判断第一目标对象与第二目标对象是否相似，能够提高两个目标对象相似度判断的准确性，从而准确判断两个目标对象是否相似。
进一步地，基于上述图1至图7所示的方法，本申请实施例还提供了一种图像处理设备，如图11所示。
图像处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器901和存储器902，存储器902中可以存储有一个或一个以上存储应用程序或数据。其中，存储器902可以是短暂存储或持久存储。存储在存储器902的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对图像处理设备中的一系列计算机可执行指令。更进一步地，处理器901可以设置为与存储器902通信，在图像处理设备上执行存储器902中的一系列计算机可执行指令。图像处理设备还可以包括一个或一个以上电源903，一个或一个以上有线或无线网络接口904，一个或一个以上输入输出接口905，一个或一个以上键盘906等。
在一个具体的实施例中，图像处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对图像处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取目标对象的多幅图像的特征及所述目标对象的标准特征；
根据所述多幅图像的特征与所述标准特征之间的相似度，在所述多幅图像中确定所述目标对象的可信图像；其中，所述可信图像的特征与所述标准特征之间的相似度满足预设相似度要求。
可选地，计算机可执行指令在被执行时，获取所述目标对象的标准特征，包括：获取所述多幅图像的平均化特征，将所述多幅图像的平均化特征作为所述目标对象的标准特征；或者，获取所述多幅图像的平均化特征，将所述多幅图像的特征中与所述平均化特征相似度最高的特征，作为所述目标对象的标准特征。
可选地，计算机可执行指令在被执行时，所述根据所述多幅图像的特征与所述标准特征之间的相似度，在所述多幅图像中确定所述目标对象的可信图像，包括：在所述多幅图像中，将特征与所述标准特征之间的相似度大于预设相似度阈值的部分或全部图像，作为所述目标对象的可信图像；或者，确定所述多幅图像的特征与所述标准特征之间的相似度的分布数据，在所述分布数据中确定图像密度大于预设密度的相似度区间，将确定的所述相似度区间所对应的部分或全部图像，作为所述目标对象的可信图像。
可选地，计算机可执行指令在被执行时，还可以使所述处理器，确定第一目标对象的可信图像与第二目标对象的可信图像之间的相似度，得到多个相似度数据；根据所述多个相似度数据，确定所述第一目标对象与所述第二目标对象是否相似。
可选地，计算机可执行指令在被执行时，所述根据所述多个相似度数据，确定所述第一目标对象与所述第二目标对象是否相似，包括：若所述多个相似度数据的平均值大于预设平均阈值，则确定所述第一目标对象与所述第二目标对象相似；或者，若所述多个相似度数据的分布满足预设相似度分布要求，则确定所述第一目标对象与所述第二目标对象相似。
可选地，计算机可执行指令在被执行时，所述根据所述多个相似度数据，确定所述第一目标对象与所述第二目标对象是否相似，包括：确定所述多个相似度数据的数量是否满足预设数量要求，若是，则根据所述多个相似度数据，确定所述第一目标对象与所述第二目标对象是否相似。
本实施例中的图像处理设备，首先获取目标对象的多幅图像的特征及目标对象的标准特征，然后根据多幅图像的特征与该标准特征之间的相似度，在多幅图像中确定目标对象的可信图像，可信图像的特征与该标准特征之间的相似度满足预设相似度要求。可见，本实施例中的图像处理设备，能够以目标对象的标准特征为依据，在目标对象的多幅图像中确定出与目标对象的标准特征相似度较高、能够反映目标对象的标准特征的可信图像，从而使选择出的可信图像均适合进行图像处理，提高图像处理效果。
在另一个具体的实施例中，图像处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对图像处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取第一目标对象的可信图像和第二目标对象的可信图像；
根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似；
其中，所述第一目标对象的可信图像为在所述第一目标对象的多幅图像中确定的图像，所述第一目标对象的可信图像的特征与所述第一目标对象的标准特征之间的相似度满足第一预设相似度要求；所述第二目标对象的可信图像为在所述第二目标对象的多幅图像中确定的图像，所述第二目标对象的可信图像的特征与所述第二目标对象的标准特征之间的相似度满足第二预设相似度要求。
可选地，所述第一目标对象的标准特征，为所述第一目标对象的多幅图像的平均化特征；或者，所述第一目标对象的标准特征，为所述第一目标对象的多幅图像的特征中与所述第一目标对象的多幅图像的平均化特征相似度最高的特征；所述第二目标对象的标准特征，为所述第二目标对象的多幅图像的平均化特征；或者，所述第二目标对象的标准特征，为所述第二目标对象的多幅图像的特征中与所述第二目标对象的多幅图像的平均化特征相似度最高的特征。
可选地，计算机可执行指令在被执行时，所述根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似，包括：若所述第一目标对象的可信图像与所述第二目标对象的可信图像之间的多个相似度数据的平均值大于预设平均阈值，则确定所述第一目标对象与所述第二目标对象相似；或者，若所述第一目标对象的可信图像与所述第二目标对象的可信图像之间的多个相似度数据的分布满足预设相似度分布要求，则确定所述第一目标对象与所述第二目标对象相似。
可选地，所述第一目标对象为目标对象的数据库中的任一目标对象；所述第二目标对象为所述数据库中除所述第一目标对象以外的任一目标对象；或者，所述第一目标对象为用户指定的目标对象，所述第二目标对象为目标对象的数据库中的任一目标对象。
本实施例中的图像处理设备，由于第一目标对象的可信图像是在第一目标对象的多幅图像中筛选的，特征与第一目标对象的标准特征之间的相似度满足第一预设相似度要求的图像，且第二目标对象的可信图像是在第二目标对象的多幅图像中筛选的，特征与第二目标对象的标准特征之间的相似度满足第二预设相似度要求的图像，因此本实施例中的图像处理设备实现了以目标对象的标准特征为依据，在目标对象的多幅图像中确定出与目标对象的标准特征相似度较高、能够反映目标对象的标准特征的图像，从而使选择出的图像均适合进行图像处理，提高图像处理效果，并且，由于本实施例中的设备是以第一目标对象的可信图像和第二目标对象的可信图像为依据，判断第一目标对象与第二目标对象是否相似，因此本实施例中的图像处理设备图像处理效果好，判断结果准确，能够准确确定第一目标对象与第二目标对象是否相似。
在又一个具体的实施例中，图像处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对图像处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取第一目标对象的多幅图像的特征、所述第一目标对象的标准特征、第二目标对象的多幅图像的特征、以及所述第二目标对象的标准特征；
根据所述第一目标对象的多幅图像的特征与所述第一目标对象的标准特征之间的相似度，在所述第一目标对象的多幅图像中确定所述第一目标对象的可信图像，以及，根据所述第二目标对象的多幅图像的特征与所述第二目标对象的标准特征之间的相似度，在所述第二目标对象的多幅图像中确定所述第二目标对象的可信图像；其中，所述第一目标对象的可信图像的特征与其标准特征之间的相似度满足第一预设相似度要求，所述第二目标对象的可信图像的特征与其标准特征之间的相似度满足第二预设相似度要求；
根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似。
可选地，所述第一预设相似度要求和所述第二预设相似度要求相同，或者，所述第一预设相似度要求和所述第二预设相似度要求不同。
本实施例中的图像处理设备，首先获取目标对象的多幅图像的特征及目标对象的标准特征，然后根据多幅图像的特征与该标准特征之间的相似度，在多幅图像中确定目标对象的可信图像，可信图像的特征与该标准特征之间的相似度满足预设相似度要求，最后根据两个目标对象的可信图像，判断这两个目标对象是否相似。本实施例中的图像处理设备，以目标对象的标准特征为依据，在目标对象的多幅图像中确定出与目标对象的标准特征相似度较高、能够反映目标对象的标准特征的可信图像，能够使选择出的可信图像均适合进行图像处理，提高图像处理效果，以第一目标对象的可信图像和第二目标对象的可信图像为依据，判断第一目标对象与第二目标对象是否相似，能够提高两个目标对象相似度判断的准确性，从而准确判断两个目标对象是否相似。
进一步地，基于上述图1至图7所示的方法，本申请实施例还提供了一种存储介质，用于存储计算机可执行指令，一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令在被处理器执行时，能实现以下流程：
获取目标对象的多幅图像的特征及所述目标对象的标准特征；
根据所述多幅图像的特征与所述标准特征之间的相似度，在所述多幅图像中确定所述目标对象的可信图像；其中，所述可信图像的特征与所述标准特征之间的相似度满足预设相似度要求。
本实施例中，获取所述目标对象的标准特征，包括：获取所述多幅图像的平均化特征，将所述多幅图像的平均化特征作为所述目标对象的标准特征；或者，获取所述多幅图像的平均化特征，将所述多幅图像的特征中与所述平均化特征相似度最高的特征，作为所述目标对象的标准特征。
本实施例中，所述根据所述多幅图像的特征与所述标准特征之间的相似度，在所述多幅图像中确定所述目标对象的可信图像，包括：在所述多幅图像中，将特征与所述标准特征之间的相似度大于预设相似度阈值的部分或全部图像，作为所述目标对象的可信图像；或者，确定所述多幅图像的特征与所述标准特征之间的相似度的分布数据，在所述分布数据中确定图像密度大于预设密度的相似度区间，将确定的所述相似度区间所对应的部分或全部图像，作为所述目标对象的可信图像。
本实施例中的流程还包括：确定第一目标对象的可信图像与第二目标对象的可信图像之间的相似度，得到多个相似度数据；根据所述多个相似度数据，确定所述第一目标对象与所述第二目标对象是否相似。
本实施例中，所述根据所述多个相似度数据，确定所述第一目标对象与所述第二目标对象是否相似，包括：若所述多个相似度数据的平均值大于预设平均阈值，则确定所述第一目标对象与所述第二目标对象相似；或者，若所述多个相似度数据的分布满足预设相似度分布要求，则确定所述第一目标对象与所述第二目标对象相似。
本实施例中，所述根据所述多个相似度数据，确定所述第一目标对象与所述第二目标对象是否相似，包括：确定所述多个相似度数据的数量是否满足预设数量要求，若是，则根据所述多个相似度数据，确定所述第一目标对象与所述第二目标对象是否相似。
本实施例的存储介质中的可执行指令在被执行时，首先获取目标对象的多幅图像的特征及目标对象的标准特征，然后根据多幅图像的特征与该标准特征之间的相似度，在多幅图像中确定目标对象的可信图像，可信图像的特征与该标准特征之间的相似度满足预设相似度要求。可见，本实施例的存储介质中的可执行指令在被执行时，能够以目标对象的标准特征为依据，在目标对象的多幅图像中确定出与目标对象的标准特征相似度较高、能够反映目标对象的标准特征的可信图像，从而使选择出的可信图像均适合进行图像处理，提高图像处理效果。
在另一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令在被处理器执行时，能实现以下流程：
获取第一目标对象的可信图像和第二目标对象的可信图像；
根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似；
其中，所述第一目标对象的可信图像为在所述第一目标对象的多幅图像中确定的图像，所述第一目标对象的可信图像的特征与所述第一目标对象的标准特征之间的相似度满足第一预设相似度要求；所述第二目标对象的可信图像为在所述第二目标对象的多幅图像中确定的图像，所述第二目标对象的可信图像的特征与所述第二目标对象的标准特征之间的相似度满足第二预设相似度要求。
其中，所述第一目标对象的标准特征，为所述第一目标对象的多幅图像的平均化特征；或者，所述第一目标对象的标准特征，为所述第一目标对象的多幅图像的特征中与所述第一目标对象的多幅图像的平均化特征相似度最高的特征；所述第二目标对象的标准特征，为所述第二目标对象的多幅图像的平均化特征；或者，所述第二目标对象的标准特征，为所述第二目标对象的多幅图像的特征中与所述第二目标对象的多幅图像的平均化特征相似度最高的特征。
其中，所述根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似，包括：若所述第一目标对象的可信图像与所述第二目标对象的可信图像之间的多个相似度数据的平均值大于预设平均阈值，则确定所述第一目标对象与所述第二目标对象相似；或者，若所述第一目标对象的可信图像与所述第二目标对象的可信图像之间的多个相似度数据的分布满足预设相似度分布要求，则确定所述第一目标对象与所述第二目标对象相似。
其中，所述第一目标对象为目标对象的数据库中的任一目标对象；所述第二目标对象为所述数据库中除所述第一目标对象以外的任一目标对象；或者，所述第一目标对象为用户指定的目标对象，所述第二目标对象为目标对象的数据库中的任一目标对象。
本实施例的存储介质中的可执行指令在被执行时，由于第一目标对象的可信图像是在第一目标对象的多幅图像中筛选的，特征与第一目标对象的标准特征之间的相似度满足第一预设相似度要求的图像，且第二目标对象的可信图像是在第二目标对象的多幅图像中筛选的，特征与第二目标对象的标准特征之间的相似度满足第二预设相似度要求的图像，因此本实施例的存储介质中的可执行指令在被执行时，实现了以目标对象的标准特征为依据，在目标对象的多幅图像中确定出与目标对象的标准特征相似度较高、能够反映目标对象的标准特征的图像，从而使选择出的图像均适合进行图像处理，提高图像处理效果，并且，由于本实施例的存储介质中的可执行指令在被执行时，是以第一目标对象的可信图像和第二目标对象的可信图像为依据，判断第一目标对象与第二目标对象是否相似，因此本实施例的存储介质中的可执行指令在被执行时，图像处理效果好，判断结果准确，能够准确确定第一目标对象与第二目标对象是否相似。
在又一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令在被处理器执行时，能实现以下流程：
获取第一目标对象的多幅图像的特征、所述第一目标对象的标准特征、第二目标对象的多幅图像的特征、以及所述第二目标对象的标准特征；
根据所述第一目标对象的多幅图像的特征与所述第一目标对象的标准特征之间的相似度，在所述第一目标对象的多幅图像中确定所述第一目标对象的可信图像，以及，根据所述第二目标对象的多幅图像的特征与所述第二目标对象的标准特征之间的相似度，在所述第二目标对象的多幅图像中确定所述第二目标对象的可信图像；其中，所述第一目标对象的可信图像的特征与其标准特征之间的相似度满足第一预设相似度要求，所述第二目标对象的可信图像的特征与其标准特征之间的相似度满足第二预设相似度要求；
根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似。
其中，所述第一预设相似度要求和所述第二预设相似度要求相同，或者，所述第一预设相似度要求和所述第二预设相似度要求不同。
本实施例的存储介质中的可执行指令在被执行时，首先获取目标对象的多幅图像的特征及目标对象的标准特征，然后根据多幅图像的特征与该标准特征之间的相似度，在多幅图像中确定目标对象的可信图像，可信图像的特征与该标准特征之间的相似度满足预设相似度要求，最后根据两个目标对象的可信图像，判断这两个目标对象是否相似。本实施例中存储介质中的可执行指令在被执行时，以目标对象的标准特征为依据，在目标对象的多幅图像中确定出与目标对象的标准特征相似度较高、能够反映目标对象的标准特征的可信图像，能够使选择出的可信图像均适合进行图像处理，提高图像处理效果，以第一目标对象的可信图像和第二目标对象的可信图像为依据，判断第一目标对象与第二目标对象是否相似，能够提高两个目标对象相似度判断的准确性，从而准确判断两个目标对象是否相似。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (21)

1.一种图像处理方法，其特征在于，包括：
获取目标对象的多幅图像的特征及所述目标对象的标准特征；
根据所述多幅图像的特征与所述标准特征之间的相似度，在所述多幅图像中确定所述目标对象的可信图像；其中，所述可信图像的特征与所述标准特征之间的相似度满足预设相似度要求。
2.根据权利要求1所述的方法，其特征在于，获取所述目标对象的标准特征，包括：
获取所述多幅图像的平均化特征，将所述多幅图像的平均化特征作为所述目标对象的标准特征；
或者，
获取所述多幅图像的平均化特征，将所述多幅图像的特征中与所述平均化特征相似度最高的特征，作为所述目标对象的标准特征。
3.根据权利要求1所述的方法，其特征在于，所述根据所述多幅图像的特征与所述标准特征之间的相似度，在所述多幅图像中确定所述目标对象的可信图像，包括：
在所述多幅图像中，将特征与所述标准特征之间的相似度大于预设相似度阈值的部分或全部图像，作为所述目标对象的可信图像；或者，
确定所述多幅图像的特征与所述标准特征之间的相似度的分布数据，在所述分布数据中确定图像密度大于预设密度的相似度区间，将确定的所述相似度区间所对应的部分或全部图像，作为所述目标对象的可信图像。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
确定第一目标对象的可信图像与第二目标对象的可信图像之间的相似度，得到多个相似度数据；
根据所述多个相似度数据，确定所述第一目标对象与所述第二目标对象是否相似。
5.根据权利要求4所述的方法，其特征在于，所述根据所述多个相似度数据，确定所述第一目标对象与所述第二目标对象是否相似，包括：
若所述多个相似度数据的平均值大于预设平均阈值，则确定所述第一目标对象与所述第二目标对象相似；或者，
若所述多个相似度数据的分布满足预设相似度分布要求，则确定所述第一目标对象与所述第二目标对象相似。
6.根据权利要求4所述的方法，其特征在于，所述根据所述多个相似度数据，确定所述第一目标对象与所述第二目标对象是否相似，包括：
确定所述多个相似度数据的数量是否满足预设数量要求，若是，则根据所述多个相似度数据，确定所述第一目标对象与所述第二目标对象是否相似。
7.一种图像处理方法，其特征在于，包括：
获取第一目标对象的可信图像和第二目标对象的可信图像；
根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似；
其中，所述第一目标对象的可信图像为在所述第一目标对象的多幅图像中确定的图像，所述第一目标对象的可信图像的特征与所述第一目标对象的标准特征之间的相似度满足第一预设相似度要求；所述第二目标对象的可信图像为在所述第二目标对象的多幅图像中确定的图像，所述第二目标对象的可信图像的特征与所述第二目标对象的标准特征之间的相似度满足第二预设相似度要求。
8.根据权利要求7所述的方法，其特征在于，
所述第一目标对象的标准特征，为所述第一目标对象的多幅图像的平均化特征；或者，所述第一目标对象的标准特征，为所述第一目标对象的多幅图像的特征中与所述第一目标对象的多幅图像的平均化特征相似度最高的特征；
所述第二目标对象的标准特征，为所述第二目标对象的多幅图像的平均化特征；或者，所述第二目标对象的标准特征，为所述第二目标对象的多幅图像的特征中与所述第二目标对象的多幅图像的平均化特征相似度最高的特征。
9.根据权利要求7所述的方法，其特征在于，所述根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似，包括：
若所述第一目标对象的可信图像与所述第二目标对象的可信图像之间的多个相似度数据的平均值大于预设平均阈值，则确定所述第一目标对象与所述第二目标对象相似；或者，
若所述第一目标对象的可信图像与所述第二目标对象的可信图像之间的多个相似度数据的分布满足预设相似度分布要求，则确定所述第一目标对象与所述第二目标对象相似。
10.根据权利要求7至9任一项所述的方法，其特征在于，
所述第一目标对象为目标对象的数据库中的任一目标对象；所述第二目标对象为所述数据库中除所述第一目标对象以外的任一目标对象；或者，
所述第一目标对象为用户指定的目标对象，所述第二目标对象为目标对象的数据库中的任一目标对象。
11.一种图像处理方法，其特征在于，包括：
获取第一目标对象的多幅图像的特征、所述第一目标对象的标准特征、第二目标对象的多幅图像的特征、以及所述第二目标对象的标准特征；
根据所述第一目标对象的多幅图像的特征与所述第一目标对象的标准特征之间的相似度，在所述第一目标对象的多幅图像中确定所述第一目标对象的可信图像，以及，根据所述第二目标对象的多幅图像的特征与所述第二目标对象的标准特征之间的相似度，在所述第二目标对象的多幅图像中确定所述第二目标对象的可信图像；其中，所述第一目标对象的可信图像的特征与其标准特征之间的相似度满足第一预设相似度要求，所述第二目标对象的可信图像的特征与其标准特征之间的相似度满足第二预设相似度要求；
根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似。
12.根据权利要求11所述的方法，其特征在于，所述第一预设相似度要求和所述第二预设相似度要求相同，或者，所述第一预设相似度要求和所述第二预设相似度要求不同。
13.一种图像处理装置，其特征在于，包括：
特征获取模块，用于获取目标对象的多幅图像的特征及所述目标对象的标准特征；
图像筛选模块，用于根据所述多幅图像的特征与所述标准特征之间的相似度，在所述多幅图像中确定所述目标对象的可信图像；其中，所述可信图像的特征与所述标准特征之间的相似度满足预设相似度要求。
14.一种图像处理装置，其特征在于，包括：
图像获取模块，用于获取第一目标对象的可信图像和第二目标对象的可信图像；
图像比较模块，用于根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似；
其中，所述第一目标对象的可信图像为在所述第一目标对象的多幅图像中确定的图像，所述第一目标对象的可信图像的特征与所述第一目标对象的标准特征之间的相似度满足第一预设相似度要求；所述第二目标对象的可信图像为在所述第二目标对象的多幅图像中确定的图像，所述第二目标对象的可信图像的特征与所述第二目标对象的标准特征之间的相似度满足第二预设相似度要求。
15.一种图像处理装置，其特征在于，包括：
数据获取模块，用于获取第一目标对象的多幅图像的特征、所述第一目标对象的标准特征、第二目标对象的多幅图像的特征、以及所述第二目标对象的标准特征；
图像确定模块，用于根据所述第一目标对象的多幅图像的特征与所述第一目标对象的标准特征之间的相似度，在所述第一目标对象的多幅图像中确定所述第一目标对象的可信图像，以及，根据所述第二目标对象的多幅图像的特征与所述第二目标对象的标准特征之间的相似度，在所述第二目标对象的多幅图像中确定所述第二目标对象的可信图像；其中，所述第一目标对象的可信图像的特征与其标准特征之间的相似度满足第一预设相似度要求，所述第二目标对象的可信图像的特征与其标准特征之间的相似度满足第二预设相似度要求；
图像判断模块，用于根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似。
16.一种图像处理设备，其特征在于，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取目标对象的多幅图像的特征及所述目标对象的标准特征；
根据所述多幅图像的特征与所述标准特征之间的相似度，在所述多幅图像中确定所述目标对象的可信图像；其中，所述可信图像的特征与所述标准特征之间的相似度满足预设相似度要求。
17.一种图像处理设备，其特征在于，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取第一目标对象的可信图像和第二目标对象的可信图像；
根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似；
其中，所述第一目标对象的可信图像为在所述第一目标对象的多幅图像中确定的图像，所述第一目标对象的可信图像的特征与所述第一目标对象的标准特征之间的相似度满足第一预设相似度要求；所述第二目标对象的可信图像为在所述第二目标对象的多幅图像中确定的图像，所述第二目标对象的可信图像的特征与所述第二目标对象的标准特征之间的相似度满足第二预设相似度要求。
18.一种图像处理设备，其特征在于，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取第一目标对象的多幅图像的特征、所述第一目标对象的标准特征、第二目标对象的多幅图像的特征、以及所述第二目标对象的标准特征；
根据所述第一目标对象的多幅图像的特征与所述第一目标对象的标准特征之间的相似度，在所述第一目标对象的多幅图像中确定所述第一目标对象的可信图像，以及，根据所述第二目标对象的多幅图像的特征与所述第二目标对象的标准特征之间的相似度，在所述第二目标对象的多幅图像中确定所述第二目标对象的可信图像；其中，所述第一目标对象的可信图像的特征与其标准特征之间的相似度满足第一预设相似度要求，所述第二目标对象的可信图像的特征与其标准特征之间的相似度满足第二预设相似度要求；
根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似。
19.一种存储介质，用于存储计算机可执行指令，其特征在于，所述可执行指令在被执行时实现以下流程：
获取目标对象的多幅图像的特征及所述目标对象的标准特征；
根据所述多幅图像的特征与所述标准特征之间的相似度，在所述多幅图像中确定所述目标对象的可信图像；其中，所述可信图像的特征与所述标准特征之间的相似度满足预设相似度要求。
20.一种存储介质，用于存储计算机可执行指令，其特征在于，所述可执行指令在被执行时实现以下流程：
获取第一目标对象的可信图像和第二目标对象的可信图像；
根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似；
其中，所述第一目标对象的可信图像为在所述第一目标对象的多幅图像中确定的图像，所述第一目标对象的可信图像的特征与所述第一目标对象的标准特征之间的相似度满足第一预设相似度要求；所述第二目标对象的可信图像为在所述第二目标对象的多幅图像中确定的图像，所述第二目标对象的可信图像的特征与所述第二目标对象的标准特征之间的相似度满足第二预设相似度要求。
21.一种存储介质，用于存储计算机可执行指令，其特征在于，所述可执行指令在被执行时实现以下流程：
获取第一目标对象的多幅图像的特征、所述第一目标对象的标准特征、第二目标对象的多幅图像的特征、以及所述第二目标对象的标准特征；
根据所述第一目标对象的多幅图像的特征与所述第一目标对象的标准特征之间的相似度，在所述第一目标对象的多幅图像中确定所述第一目标对象的可信图像，以及，根据所述第二目标对象的多幅图像的特征与所述第二目标对象的标准特征之间的相似度，在所述第二目标对象的多幅图像中确定所述第二目标对象的可信图像；其中，所述第一目标对象的可信图像的特征与其标准特征之间的相似度满足第一预设相似度要求，所述第二目标对象的可信图像的特征与其标准特征之间的相似度满足第二预设相似度要求；
根据所述第一目标对象的可信图像与所述第二目标对象的可信图像，确定所述第一目标对象与所述第二目标对象是否相似。
CN201710594226.2A 2017-07-20 2017-07-20 图像处理方法及装置 Active CN107516105B (zh)

Priority Applications (11)

Application Number Priority Date Filing Date Title
CN201710594226.2A CN107516105B (zh) 2017-07-20 2017-07-20 图像处理方法及装置
TW107116420A TWI736765B (zh) 2017-07-20 2018-05-15 圖像處理方法、裝置、設備及儲存媒體
EP18835563.0A EP3579146A4 (en) 2017-07-20 2018-07-19 IMAGING PROCESSING METHOD AND DEVICE
MYPI2019004655A MY201739A (en) 2017-07-20 2018-07-19 Image processing method and apparatus
KR1020197025770A KR102316230B1 (ko) 2017-07-20 2018-07-19 이미지 처리 방법 및 장치
JP2019545984A JP6945639B2 (ja) 2017-07-20 2018-07-19 画像処理方法及び装置
SG11201907444YA SG11201907444YA (en) 2017-07-20 2018-07-19 Imaging processing method and apparatus
PCT/CN2018/096278 WO2019015645A1 (zh) 2017-07-20 2018-07-19 图像处理方法及装置
PH12019501920A PH12019501920A1 (en) 2017-07-20 2019-08-19 Image processing method and apparatus
US16/577,191 US11093792B2 (en) 2017-07-20 2019-09-20 Image processing methods and devices
US16/777,696 US10769490B2 (en) 2017-07-20 2020-01-30 Image processing methods and devices

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710594226.2A CN107516105B (zh) 2017-07-20 2017-07-20 图像处理方法及装置

Publications (2)

Publication Number Publication Date
CN107516105A true CN107516105A (zh) 2017-12-26
CN107516105B CN107516105B (zh) 2020-06-16

Family

ID=60721638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710594226.2A Active CN107516105B (zh) 2017-07-20 2017-07-20 图像处理方法及装置

Country Status (10)

Country Link
US (2) US11093792B2 (zh)
EP (1) EP3579146A4 (zh)
JP (1) JP6945639B2 (zh)
KR (1) KR102316230B1 (zh)
CN (1) CN107516105B (zh)
MY (1) MY201739A (zh)
PH (1) PH12019501920A1 (zh)
SG (1) SG11201907444YA (zh)
TW (1) TWI736765B (zh)
WO (1) WO2019015645A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763570A (zh) * 2018-06-05 2018-11-06 北京拓世寰宇网络技术有限公司 一种识别相同房源的方法及装置
WO2019015645A1 (zh) * 2017-07-20 2019-01-24 阿里巴巴集团控股有限公司 图像处理方法及装置
CN109726756A (zh) * 2018-12-25 2019-05-07 北京旷视科技有限公司 图像处理方法、装置、电子设备及存储介质
CN109933680A (zh) * 2019-03-19 2019-06-25 北京大学深圳医院 图像数据筛选方法、装置、计算机设备及其存储介质
WO2019137216A1 (zh) * 2018-01-09 2019-07-18 阿里巴巴集团控股有限公司 一种图像筛选方法及装置
WO2019218905A1 (zh) * 2018-05-14 2019-11-21 阿里巴巴集团控股有限公司 验证对象的方法、装置和系统
CN111046933A (zh) * 2019-12-03 2020-04-21 东软集团股份有限公司 图像分类方法、装置、存储介质及电子设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906798A (zh) * 2021-02-25 2021-06-04 云从科技集团股份有限公司 图像匹配方法、装置及计算机存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003162689A (ja) * 2001-11-27 2003-06-06 Fujitsu Ltd 類似文字認識プログラムおよび類似文字認識方法
CN105069426A (zh) * 2015-07-31 2015-11-18 小米科技有限责任公司 相似图片判断方法以及装置
CN105117692A (zh) * 2015-08-05 2015-12-02 福州瑞芯微电子股份有限公司 一种基于深度学习的实时人脸识别方法及系统
CN105320954A (zh) * 2014-07-30 2016-02-10 北京三星通信技术研究有限公司 人脸认证装置和方法
CN105678778A (zh) * 2016-01-13 2016-06-15 北京大学深圳研究生院 一种图像匹配方法和装置
CN106339695A (zh) * 2016-09-20 2017-01-18 北京小米移动软件有限公司 人脸相似检测方法、装置及终端
CN106560840A (zh) * 2015-09-30 2017-04-12 腾讯科技（深圳）有限公司 一种图像信息识别处理方法及装置
CN106875419A (zh) * 2016-12-29 2017-06-20 北京理工雷科电子信息技术有限公司 基于ncc匹配帧差的弱小动目标跟踪丢失重检方法

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3899523B2 (ja) * 2004-03-03 2007-03-28 日本電気株式会社 画像類似度算出システムおよび画像検索システム
FR2884007A1 (fr) * 2005-03-29 2006-10-06 France Telecom Procede d'identification de visages a partir d'images de visage, dispositif et programme d'ordinateur correspondants
GB2431793B (en) * 2005-10-31 2011-04-27 Sony Uk Ltd Image processing
KR100745981B1 (ko) * 2006-01-13 2007-08-06 삼성전자주식회사 보상적 특징에 기반한 확장형 얼굴 인식 방법 및 장치
US10916043B2 (en) * 2007-11-26 2021-02-09 Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. Apparatus, method and computer program for generating a template for arranging at least one object at at least one place
US8509482B2 (en) * 2009-12-21 2013-08-13 Canon Kabushiki Kaisha Subject tracking apparatus, subject region extraction apparatus, and control methods therefor
US9116924B2 (en) * 2013-01-14 2015-08-25 Xerox Corporation System and method for image selection using multivariate time series analysis
IL226219A (en) * 2013-05-07 2016-10-31 Picscout (Israel) Ltd Efficient comparison of images for large groups of images
EP2808828B1 (en) * 2013-05-31 2020-08-05 Omron Corporation Image matching method, image matching device, model template generation method, model template generation device, and program
US9465977B1 (en) * 2013-07-19 2016-10-11 Google Inc. Face template balancing
US9390327B2 (en) * 2013-09-16 2016-07-12 Eyeverify, Llc Feature extraction and matching for biometric authentication
EP3134847A1 (en) * 2014-04-23 2017-03-01 Google, Inc. User interface control using gaze tracking
US9846948B2 (en) * 2014-07-09 2017-12-19 Ditto Labs, Inc. Systems, methods, and devices for image matching and object recognition in images using feature point optimization
US9330329B2 (en) * 2014-07-09 2016-05-03 Ditto Labs, Inc. Systems, methods, and devices for image matching and object recognition in images using minimal feature points
US10210427B2 (en) * 2014-07-09 2019-02-19 Slyce Acquisition Inc. Systems, methods, and devices for image matching and object recognition in images
US9317921B2 (en) * 2014-07-10 2016-04-19 Qualcomm Incorporated Speed-up template matching using peripheral information
CN105450411B (zh) * 2014-08-14 2019-01-08 阿里巴巴集团控股有限公司 利用卡片特征进行身份验证的方法、装置及系统
US9424470B1 (en) * 2014-08-22 2016-08-23 Google Inc. Systems and methods for scale invariant 3D object detection leveraging processor architecture
US9652688B2 (en) * 2014-11-26 2017-05-16 Captricity, Inc. Analyzing content of digital images
US10496695B2 (en) * 2016-06-06 2019-12-03 Think-Cell Software Gmbh Automated data extraction from scatter plot images
JP6723909B2 (ja) * 2016-12-09 2020-07-15 キヤノン株式会社 画像処理方法、画像処理装置、及びプログラム
CN107516105B (zh) * 2017-07-20 2020-06-16 阿里巴巴集团控股有限公司 图像处理方法及装置
WO2019052997A1 (en) * 2017-09-13 2019-03-21 Koninklijke Philips N.V. CAMERA AND IMAGE CALIBRATION FOR SUBJECT IDENTIFICATION
CN108229314B (zh) * 2017-11-28 2021-05-04 深圳市商汤科技有限公司 目标人物的搜索方法、装置和电子设备
CN111125390B (zh) * 2018-11-01 2024-05-17 北京市商汤科技开发有限公司 数据库更新方法和装置、电子设备、计算机存储介质
CN111125391B (zh) * 2018-11-01 2024-06-07 北京市商汤科技开发有限公司 数据库更新方法和装置、电子设备、计算机存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003162689A (ja) * 2001-11-27 2003-06-06 Fujitsu Ltd 類似文字認識プログラムおよび類似文字認識方法
CN105320954A (zh) * 2014-07-30 2016-02-10 北京三星通信技术研究有限公司 人脸认证装置和方法
CN105069426A (zh) * 2015-07-31 2015-11-18 小米科技有限责任公司 相似图片判断方法以及装置
CN105117692A (zh) * 2015-08-05 2015-12-02 福州瑞芯微电子股份有限公司 一种基于深度学习的实时人脸识别方法及系统
CN106560840A (zh) * 2015-09-30 2017-04-12 腾讯科技（深圳）有限公司 一种图像信息识别处理方法及装置
CN105678778A (zh) * 2016-01-13 2016-06-15 北京大学深圳研究生院 一种图像匹配方法和装置
CN106339695A (zh) * 2016-09-20 2017-01-18 北京小米移动软件有限公司 人脸相似检测方法、装置及终端
CN106875419A (zh) * 2016-12-29 2017-06-20 北京理工雷科电子信息技术有限公司 基于ncc匹配帧差的弱小动目标跟踪丢失重检方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019015645A1 (zh) * 2017-07-20 2019-01-24 阿里巴巴集团控股有限公司 图像处理方法及装置
WO2019137216A1 (zh) * 2018-01-09 2019-07-18 阿里巴巴集团控股有限公司 一种图像筛选方法及装置
WO2019218905A1 (zh) * 2018-05-14 2019-11-21 阿里巴巴集团控股有限公司 验证对象的方法、装置和系统
CN110490026A (zh) * 2018-05-14 2019-11-22 阿里巴巴集团控股有限公司 验证对象的方法、装置和系统
CN108763570A (zh) * 2018-06-05 2018-11-06 北京拓世寰宇网络技术有限公司 一种识别相同房源的方法及装置
CN109726756A (zh) * 2018-12-25 2019-05-07 北京旷视科技有限公司 图像处理方法、装置、电子设备及存储介质
CN109933680A (zh) * 2019-03-19 2019-06-25 北京大学深圳医院 图像数据筛选方法、装置、计算机设备及其存储介质
CN111046933A (zh) * 2019-12-03 2020-04-21 东软集团股份有限公司 图像分类方法、装置、存储介质及电子设备
CN111046933B (zh) * 2019-12-03 2024-03-05 东软集团股份有限公司 图像分类方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
MY201739A (en) 2024-03-15
TW201909034A (zh) 2019-03-01
JP2020523651A (ja) 2020-08-06
PH12019501920A1 (en) 2020-06-01
US11093792B2 (en) 2021-08-17
CN107516105B (zh) 2020-06-16
WO2019015645A1 (zh) 2019-01-24
EP3579146A4 (en) 2020-04-22
KR20200008993A (ko) 2020-01-29
JP6945639B2 (ja) 2021-10-06
US10769490B2 (en) 2020-09-08
SG11201907444YA (en) 2019-09-27
KR102316230B1 (ko) 2021-10-26
US20200012885A1 (en) 2020-01-09
TWI736765B (zh) 2021-08-21
US20200167599A1 (en) 2020-05-28
EP3579146A1 (en) 2019-12-11

Similar Documents

Publication Publication Date Title
CN107516105A (zh) 图像处理方法及装置
CN107562775A (zh) 一种基于区块链的数据处理方法及设备
CN107562467A (zh) 页面渲染方法、装置及设备
CN107957831A (zh) 一种展示界面内容的数据处理方法、装置和处理设备
CN107391526A (zh) 一种基于区块链的数据处理方法及设备
CN107644286A (zh) 工作流处理方法及装置
CN109426781A (zh) 人脸识别数据库的构建方法、人脸识别方法、装置及设备
CN107424069A (zh) 一种风控特征的生成方法、风险监控方法及设备
CN108681667A (zh) 一种设备型号识别方法、装置及处理设备
CN107391527A (zh) 一种基于区块链的数据处理方法及设备
CN109345253A (zh) 资源转移方法、装置及系统
CN107274442A (zh) 一种图像识别方法和装置
CN110489449A (zh) 一种图表推荐方法、装置和电子设备
CN108665277A (zh) 一种信息处理方法及装置
CN111523431A (zh) 一种面部识别的方法、装置及设备
CN109993646A (zh) 会计分录信息确定方法及装置、账务数据记录方法及装置
CN108021610A (zh) 随机游走、基于分布式系统的随机游走方法、装置以及设备
CN115828162B (zh) 一种分类模型训练的方法、装置、存储介质及电子设备
CN109598285A (zh) 一种模型的处理方法、装置及设备
CN109615171A (zh) 特征阈值确定方法及装置、问题对象确定方法及装置
CN107391540A (zh) 一种小程序展示方法、装置及分类器
CN109597678A (zh) 任务处理方法及装置
CN108921190A (zh) 一种图像分类方法、装置及电子设备
CN108804563A (zh) 一种数据标注方法、装置以及设备
CN110414572A (zh) 一种图像识别的方法及装置

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1247698

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20200923

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200923

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Patentee before: Alibaba Group Holding Ltd.

TR01 Transfer of patent right