CN108121943A - 基于图片的判别方法及装置和计算设备 - Google Patents

基于图片的判别方法及装置和计算设备 Download PDF

Info

Publication number
CN108121943A
CN108121943A CN201611090126.8A CN201611090126A CN108121943A CN 108121943 A CN108121943 A CN 108121943A CN 201611090126 A CN201611090126 A CN 201611090126A CN 108121943 A CN108121943 A CN 108121943A
Authority
CN
China
Prior art keywords
pictures
data set
similarity value
target
picture
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
CN201611090126.8A
Other languages
English (en)
Other versions
CN108121943B (zh
Inventor
于鲲
王炎
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.)
Alibaba Group Holding 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 CN201611090126.8A priority Critical patent/CN108121943B/zh
Priority to TW106127341A priority patent/TW201822150A/zh
Priority to PCT/CN2017/112071 priority patent/WO2018099295A1/zh
Publication of CN108121943A publication Critical patent/CN108121943A/zh
Priority to US16/423,741 priority patent/US11126827B2/en
Application granted granted Critical
Publication of CN108121943B publication Critical patent/CN108121943B/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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • 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
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/167—Detection; Localisation; Normalisation using comparisons between temporally consecutive images
    • 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

Abstract

本发明公开了一种基于图片的判别方法及装置和计算设备。其中，该方法包括：获取N张图片，其中，N为大于1的自然数；提取每张图片中的目标特征信息，得到N张图片对应的第一数据集；和根据数据模型判别N张图片对应的第一数据集所属的类别，其中，类别用于指示数据集对应的N张图片中的目标是否属于同一个对象，数据模型为对多个训练集进行学习训练后生成的模型，多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集。本发明解决了由于人工选取多个判决条件对图片进行比对造成的对图片的判决结果的一致性较差的技术问题。

Description

基于图片的判别方法及装置和计算设备
技术领域
本发明涉及图片识别技术领域，具体而言，涉及一种基于图片的判别方法及装置和计算设备。
背景技术
图片识别，是基于上传的图片信息进行身份识别的一种识别技术。身份认证也称为“身份验证”或“身份鉴别”，是指在计算机及计算机网络系统中确认操作者身份的过程。相关技术中，针对上传的任意N张图片，判定N张图片是否是同一对象(例如，自然人)的图片，需要图片两两比对，用所有比对的判定结果进行投票，至少有N-1次比对认定相应的两张图片为同一人图片，才能最终判定N张图片来自同一人。也即，相关技术中认定N幅图片是否同人的流程中分别对图片两两比对的相似度进行判定，最终结果用所有两两比对的判定结果投票决定。所有两两比对的判决是独立的。
不同业务需要手工选取两两比对判定条件，得到两两比对的判定结果。如果不指定两两比对范围，N幅图片需要手工选取N(N-1)/2种两两比对判定条件。如果指定两两比对范围，N幅图片需要手工选取N-1种两两比对判定条件，但是需要额外评测如何划定两两比对范围。以上方案需要大量手工或者半自动的配合，两两比对判决结果的波动会直接影响最终的投票结果。因此多个判决结果投票作为最终结果对两两比对判决条件的选取是非常敏感的。多个判决条件的选取大大增加了业务上的维护成本。另外多个判决条件也不利于业务人员直观理解图片序列是否同人的决定标准。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于图片的判别方法及装置和计算设备，以至少解决由于人工选取多个判决条件对图片进行比对造成的对图片的判决结果的一致性较差的技术问题。
根据本发明实施例的一个方面，提供了一种基于图片的判别方法，包括：获取N张图片，其中，N为大于1的自然数，N为大于1的自然数；提取每张图片中的目标特征信息，得到N张图片对应的第一数据集；和根据数据模型判别N张图片对应的第一数据集所属的类别，其中，类别用于指示数据集对应的N张图片中的目标是否属于同一个对象；其中，数据模型为对多个训练集进行学习训练后生成的模型，多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集。
进一步地，根据数据模型判别N张图片对应的第一数据集所属的类别包括：根据第一数据集得到第一数据集对应的第一相似度值，其中，第一相似度值用于指示第一数据集对应的N张图片属于同一个对象的概率；获取第一相似度值在数据模型中的位置关系，其中，位置关系是第一相似度值与多个训练集对应的相似度值之间的位置关系；根据位置关系判别第一数据集所属的类别。
进一步地，根据第一数据集得到第一数据集对应的第一相似度值包括：将提取到的N张图片的目标特征信息进行联合得到多维向量；根据多维向量得到第一相似度值。
进一步地，根据多维向量得到第一相似度值包括：获取多维向量的各个维度对应的权重值；以及根据各个维度对应的权重值对多维向量进行加权融合，得到第一相似度值。
进一步地，根据第一数据集得到第一数据集对应的第一相似度值包括：将提取到的N张图片的目标特征信息两两进行对比，得到N(N-1)/2个相似度值；将N(N-1)/2个相似度值进行联合得到N(N-1)/2维向量；根据N(N-1)/2维向量得到第一相似度值。
进一步地，根据N(N-1)/2维向量得到第一相似度值包括：获取N(N-1)/2维向量的各个维度对应的权重值；以及根据各个维度对应的权重值对N(N-1)/2维向量进行加权融合，得到第一相似度值。
进一步地，多个训练集还包括：由包括非同一个对象的一组图片中的目标特征信息生成的数据集。
进一步地，根据位置关系判别第一数据集所属的类别包括：判断位置关系是否满足预设条件；如果位置关系满足预设条件，判定第一数据集所属的类别为第一类别，其中，第一类别用于指示数据集对应的N张图片中的目标属于同一个对象；如果位置关系不满足预设条件，判定第一数据集所属的类别为第二类别，其中，第二类别用于指示数据集对应的N张图片中的目标不属于同一个对象。
进一步地，提取每张图片中的目标特征信息包括：确定每张图片中的目标所处的位置；从每张图片中的目标所处的位置提取每张图片对应的数据集；以及将每张图片对应的数据集作为每张图片中的目标特征信息。
进一步地，目标特征信息为人或动物的脸部特征信息，其中，脸部特征信息包括以下至少之一：脸部器官的位置、脸部器官的形状、脸部器官的比例。
进一步地，该方法还包括：获取训练集中的每个数据集以及该数据集对应的分类；根据训练集中所有的数据集以及对应的分类得到函数模型，其中，函数模型在输入为训练集的数据集时，输出为该数据集对应的正确的分类；将函数模型作为数据模型。
根据本发明实施例的另一个方面，还提供了一种基于图片的判别装置，包括：第一获取单元，用于获取N张图片，其中，N为大于1的自然数；提取单元，用于提取每张图片中的目标特征信息，得到N张图片对应的第一数据集；第一判别单元，用于根据数据模型判别N张图片对应的第一数据集所属的类别，其中，类别用于指示数据集对应的N张图片中的目标是否属于同一个对象，数据模型为对多个训练集进行学习训练后生成的模型，多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集。
进一步地，第一判别单元包括：第一获取子单元，用于根据第一数据集得到第一数据集对应的第一相似度值，其中，第一相似度值用于指示第一数据集对应的N张图片属于同一个对象的概率；第二获取子单元，用于获取第一相似度值在数据模型中的位置关系，其中，位置关系是第一相似度值与多个训练集对应的相似度值之间的位置关系；判别子单元，用于根据位置关系判别第一数据集所属的类别。
进一步地，第一获取子单元包括：第一获取模块，用于将提取到的N张图片的目标特征信息进行联合得到多维向量；第二获取模块，用于根据多维向量得到第一相似度值。
进一步地，第二获取模块包括：第一获取子模块，用于获取多维向量的各个维度对应的权重值；以及第二获取子模块，用于根据各个维度对应的权重值对多维向量进行加权融合，得到第一相似度值。
进一步地，第一获取子单元包括：第三获取模块，用于将提取到的N张图片的目标特征信息两两进行对比，得到N(N-1)/2个相似度值；第四获取模块，用于将N(N-1)/2个相似度值进行联合得到N(N-1)/2维向量；第五获取模块，用于根据N(N-1)/2维向量得到第一相似度值。
进一步地，第五获取模块包括：第三获取子模块，用于获取N(N-1)/2维向量的各个维度对应的权重值；以及第四获取子模块，用于根据各个维度对应的权重值对N(N-1)/2维向量进行加权融合，得到第一相似度值。
进一步地，多个训练集还包括：由包括非同一个对象的一组图片中的目标特征信息生成的数据集。
进一步地，判别子单元包括：判断模块，用于判断位置关系是否满足预设条件；第一判定模块，用于在位置关系满足预设条件的情况下，判定第一数据集所属的类别为第一类别，其中，第一类别用于指示数据集对应的N张图片中的目标属于同一个对象；第二判定模块，用于在位置关系不满足预设条件的情况下，判定第一数据集所属的类别为第二类别，其中，第二类别用于指示数据集对应的N张图片中的目标不属于同一个对象。
进一步地，提取单元包括：第一确定子单元，用于确定每张图片中的目标所处的位置；提取子单元，用于从每张图片中的目标所处的位置提取每张图片对应的数据集；以及第二确定子单元，用于将每张图片对应的数据集作为每张图片中的目标特征信息。
进一步地，目标特征信息为人或动物的脸部特征信息，其中，脸部特征信息包括以下至少之一：脸部器官的位置、脸部器官的形状、脸部器官的比例。
进一步地，该装置还包括：第二获取单元，用于获取训练集中的每个数据集以及该数据集对应的分类；第三获取单元，用于根据训练集中所有的数据集以及对应的分类得到函数模型，其中，函数模型在输入为训练集的数据集时，输出为该数据集对应的正确的分类；确定单元，用于将函数模型作为数据模型。
根据本发明实施例的另一个方面，还提供了一种基于图片的判别方法，包括：展示第一界面，其中，第一界面包括用于上传图片的控件；接收通过控件上传的N张图片；将N张图片发送至服务器，通过服务器对N张图片进行判别；接收服务器对N张图片的判别结果，其中，服务器通过数据模型判别N张图片对应的第一数据集所属的类别，类别用于指示数据集对应的N张图片中的目标是否属于同一个对象，数据模型为对多个训练集进行学习训练后生成的模型，多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集。
根据本发明实施例的另一个方面，还提供了一种计算设备，包括：展示单元，用于展示第一界面，其中，第一界面包括用于上传图片的控件；第一接收单元，用于接收通过控件上传的N张图片；第二判别单元，用于将N张图片发送至服务器，通过服务器对N张图片进行判别；第二接收单元，用于接收服务器对N张图片的判别结果，其中，服务器通过数据模型判别N张图片对应的第一数据集所属的类别，第一数据集是通过提取每张图片中的目标特征信息得到的数据集，类别用于指示数据集对应的N张图片中的目标是否属于同一个对象，数据模型为对多个训练集进行学习训练后生成的模型，多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集。
根据本发明实施例的另一个方面，还提供了一种基于图片的判别方法，包括：获取N张图片，N为大于1的自然数；提取每张图片中的目标特征信息，得到N张图片对应的第一数据集；根据第一数据集得到第一数据集对应的第一相似度值，其中，第一相似度值用于指示第一数据集对应的N张图片属于同一个对象的概率；根据第一相似度值与预设阈值的关系，判断数据集对应的N张图片中的目标是否属于同一个对象。
进一步地，根据第一数据集得到第一数据集对应的第一相似度值包括：将提取到的N张图片的目标特征信息两两进行对比，得到N(N-1)/2个相似度值；将N(N-1)/2个相似度值进行联合得到N(N-1)/2维向量；根据N(N-1)/2维向量得到第一相似度值。
进一步地，根据N(N-1)/2维向量得到第一相似度值包括：获取N(N-1)/2维向量的各个维度对应的权重值；以及根据各个维度对应的权重值对N(N-1)/2维向量进行加权融合，得到第一相似度值。
进一步地，根据第一数据集得到第一数据集对应的第一相似度值包括：将提取到的N张图片的目标特征信息两两进行对比，得到N(N-1)/2个相似度值；获取N(N-1)/2个相似度值对应的权重值；根据权重值对N(N-1)/2个相似度值进行加权融合，得到第一相似度值。
根据本发明实施例的另一个方面，还提供了一种基于图片的判别方法，包括：展示第一界面，其中，第一界面包括用于上传图片的控件；接收通过控件上传的N张图片；将N张图片发送至服务器，通过服务器对N张图片进行判别；接收服务器对N张图片的判别结果，其中，服务器提取每张图片中的目标特征信息，得到N张图片对应的第一数据集；根据第一数据集得到第一数据集对应的第一相似度值，其中，第一相似度值用于指示第一数据集对应的N张图片属于同一个对象的概率；根据第一相似度值与预设阈值的关系，判断数据集对应的N张图片中的目标是否属于同一个对象。
根据本发明实施例的另一个方面，还提供了一种计算设备，包括：展示单元，用于展示第一界面，其中，第一界面包括用于上传图片的控件；第一接收单元，用于接收通过控件上传的N张图片；第二判别单元，用于将N张图片发送至服务器，通过服务器对N张图片进行判别；第二接收单元，用于接收服务器对N张图片的判别结果，其中，服务器提取每张图片中的目标特征信息，得到N张图片对应的第一数据集；根据第一数据集得到第一数据集对应的第一相似度值，其中，第一相似度值用于指示第一数据集对应的N张图片属于同一个对象的概率；根据第一相似度值与预设阈值的关系，判断数据集对应的N张图片中的目标是否属于同一个对象。
在本发明实施例中，采用提取每张图片中的目标特征信息并获取对应的第一数据集，以及通过对包括目标特征信息的数据集进行学习训练生成数据模型的方式，通过数据模型对第一数据集所属的类别进行判别，达到了判别N张图片中的目标是否属于同一个对象的目的，从而实现了提升图片判决结果一致性的技术效果，进而解决了由于人工选取多个判决条件对图片进行比对造成的对图片的判决结果的一致性较差的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的基于图片的判别方法的计算机终端的硬件结构框图；
图2是根据本发明实施例的一种基于图片的判别方法的流程图；
图3是根据本发明实施例的一种基于图片的判别方法中一种数据模型的示意图；
图4是根据本发明实施例的一种可选的基于图片的判别方法的流程图；
图5是根据本发明实施例的一种可选的基于图片的判别方法的流程图；
图6是根据本发明实施例的一种可选的基于图片的判别方法的流程图；
图7是根据本发明实施例的一种可选的基于图片的判别方法的流程图；
图8是根据本发明实施例的一种可选的基于图片的判别方法的流程图；
图9是根据本发明实施例的一种可选的基于图片的判别方法的流程图；
图10是根据本发明实施例的一种可选的基于图片的判别方法的示意图；
图11是根据本发明实施例的一种可选的基于图片的判别方法的示意图；
图12是根据本发明实施例的一种基于图片的判别装置的示意图；
图13是根据本发明实施例的一种可选的基于图片的判别装置的示意图；
图14是根据本发明实施例的一种可选的基于图片的判别装置的示意图；
图15是根据本发明实施例的一种可选的基于图片的判别装置的示意图；
图16是根据本发明实施例的一种可选的基于图片的判别装置的示意图；
图17是根据本发明实施例的一种可选的基于图片的判别装置的示意图；
图18是根据本发明实施例的一种可选的基于图片的判别装置的示意图；
图19是根据本发明实施例的另一种基于图片的判别方法的流程图；
图20是根据本发明实施例的一种计算设备的示意图；
图21是根据本发明实施例的另一种基于图片的判别方法的流程图；
图22是根据本发明实施例的另一种基于图片的判别方法的流程图；
图23是根据本发明实施例的另一种计算设备的示意图；
图24是根据本发明实施例的一种可选的计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
本发明实施例提供了一种基于图片的判别方法实施例。该图片的判断方法可以使用到对用户的身份认证上，例如，在金融相关的应用中，用户注册到该应用当中之后，需要确认用户的身份，如果用户仅仅上传一张图片其实并不足以认为该张图片是这个用户拍摄的自己的图片，这是由于用户完全可以从互联网上下载图片进行冒充。如果要求用户上传多张图片，则可以降低这种风险。当用户上传了多张图片时，则需要判断用户上传的图片是否属于同一个对象。
以下的方案可以实施到安装在移动终端的应用中，即可以通过移动终端的应用来判断来自用户的多张图片是否同属于一个对象。
以下的方案也可以实施到服务器上，例如，应用或者软件可以仅仅作为获取图片的一个接口，用户可以通过应用或软件上传图片，然后，应用或者软件将这些图片传送至服务器，由服务器进行判断。服务器的计算能力是要强于应用本身的，因此，在服务器上进行使用可以同时对来自不同应用或软件的大量的图片进行处理。服务器可以是真实的硬件服务器，也可以是一种服务。随着云计算的发展，这种服务也可以安置在云服务上进行处理。
无论是在终端上实施还是在服务器上实施，以下方案的识别结果都可以被其他的应用或者服务所使用，例如，识别出多张图片不属于同一个人，并且在以下的某些实施例中，还可以给出不属于同一个人的程度，通过这样的一个结果就可以判断该用户是否属于恶意用户等。总之，多张图片识别是否属于同一个对象的方案可以实施到多种情况中，在此不再一一介绍。
在下文中首先对实施本申请实施例方案的移动终端、计算机、服务器等硬件结果进行说明。以下所说明的硬件结构是当前比较通用的硬件结构，随着技术的发展，这些硬件结构会发生变化，无论怎样的硬件结构只要能够实施本申请实施例中的方案就可以实现对多张图片是否属于同一对象的判断。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现基于图片的判别方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的基于图片的判别方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的基于图片的判别方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
在上述运行环境下，本申请实施例提供了如图2所示的基于图片的判别方法。图2是根据本发明实施例一的基于图片的判别方法的流程图，如图2所示，该方法包括如下步骤：
步骤S202，获取N张图片，其中，N为大于1的自然数。
本发明实施例所提供的基于图片的判别方法，是通过获取N张图片，其中，N为大于1的自然数，对每一张图片中的目标图像(例如人脸图像)进行判别，从而判断N张图片是否属于同一个对象(例如同一自然人)，其中N为大于等于2的任意自然数，且N张图片中的每一张图片都包含有目标图像。如果只有一张图片，作为一个特例以下实施例中也能得到正确的结果，或者，作为另一个比较好的方式，可以进行提示，提示需要上传多张图片来进行比较。
步骤S204，提取每张图片中的目标特征信息，得到N张图片对应的第一数据集。
从N张图片的每一张图片中，提取出该图片中目标图像所包括目标特征信息，提取出的目标特征信息应该能够作为用以区别不同的目标的特征信息，
作为一个可选的实施方式，目标特征信息为人或动物的脸部特征信息，其中，脸部特征信息包括以下至少之一：脸部器官的位置、脸部器官的形状、脸部器官的比例,需要说明的是，脸部特征信息可以但不限定为人脸面部主要器官的特征，如眼睛、眉毛、鼻子、嘴巴、耳朵等主要器官的形状、比例以及相对位置等，根据上述主要器官的形状、比例以及相对位置等特征信息，能够区别出不同的人脸。
在对N张图片进行目标特征信息进行提取之后，得到N张图片对应的N个目标特征信息，根据提取到的N个目标特征信息得到N张图片所对应的第一数据集。
步骤S206,根据数据模型判别N张图片对应的第一数据集所属的类别，其中，类别用于指示数据集对应的N张图片中的目标是否属于同一个对象，其中，数据模型为对多个训练集进行学习训练后生成的模型，多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集。
上述步骤限定的方案中，根据预先生成的数据模型(例如，邻近算法，简称KNN模型)对上述N张图片所对应的第一数据集的类别进行判别，进而判别出上述N张图片是否属于同一个对象。其中，上述数据模型是为了对N张图片是否属于同一个对象进行判别而预先生成的。
作为一个可选的实施方式，生成数据模型的步骤可以如下：获取训练集中的每个数据集以及该数据集对应的分类；根据训练集中所有的数据集以及对应的分类得到函数模型，其中，函数模型在输入为训练集的数据集时，输出为该数据集对应的正确的分类；将函数模型作为数据模型。
在生成该数据模型时，选取若干个对象，针对其中的每一个对象，选取包含其目标图像的任意张图片，对该任意张图片进行目标特征信息的提取，生成一个数据集，将该数据集作为一个训练集，通过根据选取的若干个对象所生成的若干个训练集进行学习训练，最终生成上述数据模型。
上述训练集是从正确的角度建立的训练集，即训练集中的每一组图片都是属于同一个对象的，为了更好的进行训练，还可以提供错误的训练集，即在本可选实施方式中，多个训练集还可以包括：由包括非同一个对象的一组图片中的目标特征信息生成的数据集。也即，在上述生成训练集的过程中，还可以选取属于不同的对象的任意张包含目标图像的图片，对图片中的目标特征信息进行提取，生成一个数据集，作为训练集。通过上述的数据模型判别N张图片对应的第一数据集所属的类别指示的数据集对应的N张图片中的目标是否属于同一个对象。
通过上述的技术方案，通过对包括目标特征信息的数据集进行学习训练生成数据模型的方式，通过数据模型对第一数据集所属的类别进行判别，达到了判别N张图片中的目标是否属于同一个对象的目的，从而实现了提升图片判决结果一致性的技术效果，进而解决了由于人工选取多个判决条件对图片进行比对造成的对图片的判决结果的一致性较差的技术问题。
作为一个可选的实施方式，为了使数据集的提取更加准确，可以首先定位目标位置，例如，图3示出了在上述步骤S204所公开的内容中，提取每张图片中的目标特征信息方法流程图。如图3所示，该方法包括如下步骤：
步骤S302，确定每张图片中的目标所处的位置；
步骤S304，从每张图片中的目标所处的位置提取每张图片对应的数据集；以及
步骤S306，将每张图片对应的数据集作为每张图片中的目标特征信息。
在上述步骤S302至步骤S306所公开的方案中，在对每一张图片进行目标特征信息提取时，先确定每张图片中的目标所处的位置，该位置是稍后对每张图片目标特征信进行提取时的位置范围，然后，按照预设的目标特征信息的提取条件，从每张图片中目标所处的位置范围内提取出相应的数据，并形成一个数据集合，对应于每张图片的数据集合即为该张图片中的目标特征信息。
作为一个可选的实施方式，为了根据数据模型判别N张图片对应的第一数据集所属的类别更加准确，首先获取第一数据集对应的第一相似度值，例如，图4示出了在上述步骤S206所公开的技术方案中，根据数据模型判别N张图片对应的第一数据集所属的类别的方法流程图。如图4所示，该方法包括如下步骤：
步骤S402，根据第一数据集得到第一数据集对应的第一相似度值，其中，相似度值用于指示数据集对应的N张图片属于同一个对象的概率。
根据第一数据集通过距离度量(例如，余弦距离、欧式距离等)对该多维向量进行分类，计算出第一数据集对应的第一相似度值。
步骤S404，获取第一相似度值在数据模型中的位置关系，其中，位置关系是第一相似度值与多个训练集对应的相似度值之间的位置关系。
在本申请提及的数据模型中包含了若干相似度的数值，将第一数据集对应的第一相似度值输入至该数据模型，即可获取第一相似度值在数据模型中的位置关系。
步骤S406，根据位置关系判别第一数据集所属的类别。
在上述步骤S402至步骤S406所公开的方案中，根据第一数据集可以得到第一相似度值，其中，第一相似度值用于表示上述N张图片属于同一个对象的概率。而在数据模型中，包括了生成该数据模型时进行学习训练的多个训练集所对应的相似度，这些相似度同样用于表示生成该训练集时所选取的多张图片属于同一个对象的概率。
如图5所示，图5是根据本发明实施例的一种基于图片的判别方法中一种数据模型的示意图，也即为通过若干训练集进行训练后得到的数据模型。坐标中的每个点表示相似度的数值，点与点之间的距离表示一组图片与另一组图片中的目标特征信息生成的数据集对应的相似度的数值之间的差值。其中，箭头坐标左边聚集的多个点表示由包括非同一个对象的一组图片中的目标特征信息生成的数据集，箭头坐标右边聚集的多个点表示由包括同一个对象的一组图片中的目标特征信息生成的数据集。例如，相似度的阈值为25，也即，如果采集到的N张图片对应的第一数据集相似度大于等于25，判别N张图片中的目标为同一个对象，如果采集到的N张图片对应的第一数据集相似度小于25，判别N张图片中的目标非同一个对象。
作为一个可选的实施方式，为了根据第一数据集得到第一数据集对应的第一相似度值更加准确，可以首先将提取到的N张图片的目标特征信息进行联合得到多维向量，例如，图6示出了在步骤S402公开的技术方案中，根据第一数据集得到第一数据集对应的第一相似度值的方法流程图，如图6示，该方法包括如下步骤：
步骤S602，将提取到的N张图片的目标特征信息进行联合得到多维向量；
步骤S604，根据多维向量得到第一相似度值。
在上述步骤S602至步骤S604所公开的方案中，将第一数据集中的从N张图片提取到的N张图片的目标特征信息进行联合，得到一个多维向量，通过距离度量(例如，余弦距离、欧式距离等)对该多维向量进行分类，即可得到第一数据集对应的第一相似度。可选地，如图10所示，图10是一种可选的基于图片的判别方法的示意图，以目标特征信息为人脸特征信息为例，对人像图A、人像图B、人像图C、人像图D等共4张图片进行判别，提取出上述4张图片中的目标特征信息，得到第一数据集，其中，在第一数据集中包含人脸特征Fa、人脸特征Fb、人脸特征Fc、人脸特征Fd，将第一数据集中的N张图片的目标特征信息进行联合得到一个联合特征向量(相当于步骤S602中的多维向量)，根据该联合特征向量得到融合相似度(相当于第一相似度值)，最后根据融合相似度判定上述4张图片是否属于同一个对象，并得到最终结果。
作为一个可选的实施方式，根据多维向量得到第一相似度值还包括：获取多维向量的各个维度对应的权重值；以及根据各个维度对应的权重值对多维向量进行加权融合，得到第一相似度值。也即，不同维度的向量可以对应不同的权重值，通过根据各个维度对应的权重值对多维向量进行加权融合，得到第一相似度值。例如，在多张图片(包括图片A和图片B)融合后的多维向量中，从图A中提取的目标特征信息对应的向量与从图B中提取的目标特征信息对应的向量权重值不同，分别根据多维向量中的各个维度对应的权重值对多维向量进行加权融合，得到多维向量对应的第一相似度值。
作为一个可选的实施方式，图7示出了在步骤S402公开的技术方案中，另一种根据第一数据集得到第一数据集对应的第一相似度值的方法流程图，如图7所示，该方法包括如下步骤：
步骤S702，将提取到的N张图片的目标特征信息两两进行对比，得到N(N-1)/2个相似度值；
步骤S704，将N(N-1)/2个相似度值进行联合得到N(N-1)/2维向量；
步骤S706，根据N(N-1)/2维向量得到第一相似度值。
在上述步骤S702至步骤S706所公开的方案中，将第一数据集中的从N张图片提取到的N张图片的目标特征信息进行两两对比，根据每两张图片中目标的对比情况，得到N(N-1)/2个相似度值，进一步将得到的N(N-1)/2个相似度值进行联合，得到一个N(N-1)/2维的多维向量，最后根据得到的N(N-1)/2维的多维向量得到第一数据集对应的第一相似度。
作为一个可选的实施方式，图8示出了在步骤S706公开的技术方案中，根据N(N-1)/2维向量得到第一相似度值的方法流程图，如图8所示，该方法包括如下步骤：
步骤S802，获取N(N-1)/2维向量的各个维度对应的权重值；以及
步骤S804，根据各个维度对应的权重值对N(N-1)/2维向量进行加权融合，得到第一相似度值。
在上述步骤S802至步骤S804所公开的方案中，预先设置N(N-1)/2维向量所对应的权重值，在得到N(N-1)/2维的多维向量之后，根据预先设置的权重值，对N(N-1)/2维向量进行加权融合，从而得到第一相似度值。可选地，可通采用机器学习算法，如：PCA(主成分分析)算法，SVM(支持向量机)算法等，学习权值，并对N(N-1)/2维向量进行加权融合，从而得到第一相似度值。可选地，在如图11所示的一种可选的基于图片的判别方法的示意图中，对人像图A、人像图B、人像图C、人像图D共4张图片进行判别，提取出上述4张图片中的目标特征信息，得到第一数据集，其中，在第一数据集中包含人脸特征Fa、人脸特征Fb、人脸特征Fc、人脸特征Fd，将第一数据集中的N张图片的目标特征信息进行两两对比，得到N(N-1)/2个相似度值，其中N＝4，共得到6个相似度值，进一步将得到的6个相似度值进行联合，得到一个6维的多维向量。根据预先设置的各个维度的权重值，对上述6维向量进行加权融合，从而得到融合相似度(相当于步骤S804中的第一相似度值)。例如，不同的权重可以根据图片的质量分配，如两张比较清晰的照片权重就可以设置高一些，相应的，两张比较清晰的图片对应的相似度也可以设置权重多一些。例如，人像图A和人像图B、比人像图C和人像图D清晰，也即将人像图A和人像图B的目标特征信息进行两两对比得到相似度，就将其对应的权重值设置高一些。或者，将人像图C和人像图D的目标特征信息进行两两对比得到相似度，就将其对应的权重值设置低一些。根据本申请其他实施例，也可以直接使用相同权重。
最后根据上述得到的融合相似度判定上述4张图片是否属于同一个对象，并得到最终结果。
作为一个可选的实施方式，图9示出了在步骤S406公开的技术方案中，根据位置关系判别第一数据集所属的类别的方法流程图，如图9所示，该方法包括如下步骤：
步骤S902，判断位置关系是否满足预设条件；
步骤S904，如果位置关系满足预设条件，判定第一数据集所属的类别为第一类别，其中，第一类别用于指示数据集对应的N张图片中的目标属于同一个对象；
步骤S906，如果位置关系不满足预设条件，判定第一数据集所属的类别为第二类别，其中，第二类别用于指示数据集对应的N张图片中的目标不属于同一个对象。
在上述步骤S902至步骤S906所公开的方案中，根据第一相似度与数据模型中多个训练集对应的相似度的位置关系来判别第一数据集所属的类别，即第一数据集对应的N张图片中的目标是否属于同一个对象。可选地，预先设置一个判别条件，在获取到第一相似度与数据模型中多个训练集对应的相似度之间的位置关系之后，判断该位置关系是否满足上述预设的判别条件，在该位置关系满足判别条件时，判定第一数据集属于第一类别，第一数据集对应的N张图片中的目标属于同一个对象；在该位置关系不满足判别条件时，则判定第一数据集属于第二类别，第一数据集对应的N张图片中的目标不属于同一个对象。
在本发明实施例中，采用提取每张图片中的目标特征信息并获取对应的第一数据集，以及通过对包括目标特征信息的数据集进行学习训练生成数据模型的方式，通过数据模型对第一数据集所属的类别进行判别，达到了判别N张图片中的目标是否属于同一个对象的目的，从而实现了提升图片判决结果一致性的技术效果，进而解决了由于人工选取多个判决条件对图片进行比对造成的对图片的判决结果的一致性较差的技术问题。
本发明实施例为了判定N张图片中的目标是否属于同一个对象，将N张图片中每一张图片中的目标特征信息提取出来，对提取到的N张图片对应的目标特征信息进行比较判别，进而判定该N张图片是否属于同一个对象。为了在对提取出的目标特征信息进行比较判定时，保持判定条件的一致性，预先选取多个对象，对多个对象的图片进行目标特征信息的提取，将提取到每一个对象的目标特征信息的数据集作为一个训练集，通过对多个训练集进行学习训练后生成数据模型。利用该数据模拟对上述N张图片的目标特征信息进行比较判定，从而保持了判定结果的一致性。
本发明实施例在根据数据模型对N张图片提取到的目标特征信息进行判定时，将提取到的N张图片的目标特征信息进行联合得到一个多维向量，根据该多维向量得到第一相似度值，该第一相似度值表示上述N张图片属于同一个对象的概率。根据第一相似度值在与数据模型中各训练集所对应的相似度值的相对位置，判定出上述N张图片是否属于同一个然人。
本发明实例地根据数据模型对N张图片提取到的目标特征信息进行判定时，还可以将提取到的N张图片的目标特征信息进行两两对比，得到N(N-1)/2个相似度值，通过将N(N-1)/2个相似度值进行联合得到一个多维向量，进而得到第一相似度值，根据第一相似度值在与数据模型中各训练集所对应的相似度值的相对位置，判定出上述N张图片是否属于同一个然人。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
实施例2
根据本发明实施例，还提供了一种用于实施上述基于图片的判别装置，如图12基于图片的判别装置所示，该装置包括：
第一获取单元10，用于获取N张图片，其中，N为大于1的自然数。
本发明实施例所提供的基于图片的判别装置，是通过获取N张图片，对每一张图片中的目标图像进行判别，从而判断N张图片是否属于同一个对象，其中N为大于等于2的任意自然数，且N张图片中的每一张图片都包含有目标图像。如果只有一张图片，作为一个特例以下实施例中也能得到正确的结果，或者，作为另一个比较好的方式，可以进行提示，提示需要上传多张图片来进行比较。
提取单元20，用于提取每张图片中的目标特征信息，得到N张图片对应的第一数据集。
提取单元20，从N张图片的每一张图片中，提取出该图片中目标图像所包括目标特征信息，提取出的目标特征信息应该能够作为用以区别不同的目标的特征信息，
作为一个可选的实施方式，目标特征信息为人或动物的脸部特征信息，其中，脸部特征信息包括以下至少之一：脸部器官的位置、脸部器官的形状、脸部器官的比例,需要说明的是，脸部特征信息可以但不限定为人脸面部主要器官的特征，如眼睛、眉毛、鼻子、嘴巴、耳朵等主要器官的形状、比例以及相对位置等，根据上述主要器官的形状、比例以及相对位置等特征信息，能够区别出不同的人脸。
在对N张图片进行目标特征信息进行提取之后，得到N张图片对应的N个目标特征信息，提取单元20根据提取到的N个目标特征信息得到N张图片所对应的第一数据集。
第一判别单元30，用于根据数据模型判别N张图片对应的第一数据集所属的类别，其中，类别用于指示数据集对应的N张图片中的目标是否属于同一个对象，数据模型为对多个训练集进行学习训练后生成的模型，多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集。
在上述步骤限定的方案中，第一判别单元30根据预先生成的数据模型(例如，邻近算法，简称KNN模型)对上述N张图片所对应的第一数据集的类别进行判别，进而判别出上述N张图片是否属于同一个对象。其中，上述数据模型是为了对N张图片是否属于同一个对象进行判别而预先生成的。
作为一个可选的实施方式，该装置还包括：第二获取单元，用于获取训练集中的每个数据集以及该数据集对应的分类；第三获取单元，用于根据训练集中所有的数据集以及对应的分类得到函数模型，其中，函数模型在输入为训练集的数据集时，输出为该数据集对应的正确的分类；确定单元，用于将函数模型作为数据模型。
在生成该数据模型时，选取若干个对象，针对其中的每一个对象，选取包含其目标图像的任意张图片，对该任意张图片进行目标特征信息的提取，生成一个数据集，将该数据集作为一个训练集，通过根据选取的若干个对象所生成的若干个训练集进行学习训练，最终生成上述数据模型。
图13示出了上述提取单元20的装置示意图。如图13所示，该装置包括：
第一确定子单元201，确定每张图片中的目标所处的位置。
提取子单元202，从每张图片中的目标所处的位置提取每张图片对应的数据集。
第二确定子单元203，将每张图片对应的数据集作为每张图片中的目标特征信息。
由上可知，在对每一张图片进行目标特征信息提取时，第一确定子单元201先确定每张图片中的目标所处的位置，该位置是稍后对每张图片目标特征信进行提取时的位置范围，然后，提取子单元202按照预设的目标特征信息的提取条件，从每张图片中目标所处的位置范围内提取出相应的数据，并形成一个数据集合，第二确定子单元203将对应于每张图片的数据集合作为该张图片中的目标特征信息。
可选地，多个训练集还包括：由包括非同一个对象的一组图片中的目标特征信息生成的数据集。
在上述生成训练集的过程中，还可以选取属于不同的对象的任意张包含目标图像的图片，对图片中的目标特征信息进行提取，生成一个数据集，作为训练集。
图14示出了上述第一判别单元30的装置示意图。如图14所示，该装置包括：
第一获取子单元301，用于根据第一数据集得到第一数据集对应的第一相似度值，其中，第一相似度值用于指示第一数据集对应的N张图片属于同一个对象的概率。
第二获取子单元302，用于获取第一相似度值在数据模型中的位置关系，其中，位置关系是第一相似度值与多个训练集对应的相似度值之间的位置关系。
判别子单元303，用于根据位置关系判别第一数据集所属的类别。
由上可知，第一获取子单元301根据第一数据集可以得到第一相似度值，其中，第一相似度值用于表示上述N张图片属于同一个对象的概率。而在数据模型中，包括了生成该数据模型时进行学习训练的多个训练集所对应的相似度，这些相似度同样用于表示生成该训练集时所选取的多张图片属于同一个对象的概率。第二获取子单元302在得到第一相似度值之后，将第一相似度值与数据模型中多个训练集所对应的相似度进行比较，获取第一相似度与数据模型中多个相似度之间的位置关系，判别子单元303根据该位置关系判别出第一数据集的类别。通过上述过程即完成根据预先生成的数据模型判别上述N张图片是否属于同一个对象。
图15示出了一种可选地第一获取子单元301装置示意图。如图15所示，该装置包括：
第一获取模块3011，用于，用于将提取到的N张图片的目标特征信息进行联合得到多维向量。
第二获取模块3012，用于，用于根据多维向量得到第一相似度值。
由上可知，第一获取模块3011将第一数据集中的从N张图片提取到的N张图片的目标特征信息进行联合，得到一个多维向量，第二获取模块3012通过分类器对该多维向量进行分类，即可得到第一数据集对应的第一相似度。可选地，在如图9所示的一种可选的基于图片的判别方法的流程图中，对人像图A、人像图B、人像图C、人像图D共4张图片进行判别，提取出上述4张图片中的目标特征信息，得到第一数据集，其中，在第一数据集中包含人脸特征Fa、人脸特征Fb、人脸特征Fc、人脸特征Fd，将第一数据集中的N张图片的目标特征信息进行联合得到一个联合特征向量(相当于步骤S602中的多维向量)，根据该联合特征向量得到融合相似度(相当于第一相似度值)，最后根据融合相似度判定上述4张图片是否属于同一个对象，并得到最终结果。
作为一个可选的实施方式，第二获取模块包括：第一获取子模块，用于获取多维向量的各个维度对应的权重值；以及第二获取子模块，用于根据各个维度对应的权重值对多维向量进行加权融合，得到第一相似度值。也即，不同维度的向量可以对应不同的权重值，通过根据各个维度对应的权重值对多维向量进行加权融合，得到第一相似度值。例如，在多张图片(包括图片A和图片B)融合后的多维向量中，从图A中提取的目标特征信息对应的向量与从图B中提取的目标特征信息对应的向量权重值不同，分别根据多维向量中的各个维度对应的权重值对多维向量进行加权融合，得到多维向量对应的第一相似度值。
图16示出了另一种可选地第一获取子单元301装置示意图。如图16所示，该装置包括：
第三获取模块3013，用于将提取到的N张图片的目标特征信息两两进行对比，得到N(N-1)/2个相似度值。
第四获取模块3014，用于将N(N-1)/2个相似度值进行联合得到N(N-1)/2维向量。
第五获取模块3015，用于根据N(N-1)/2维向量得到第一相似度值。
由上可知，第三获取模块3013将第一数据集中的从N张图片提取到的N张图片的目标特征信息进行两两对比，根据每两张图片中目标的对比情况，得到N(N-1)/2个相似度值，第四获取模块3014将得到的N(N-1)/2个相似度值进行联合，得到一个N(N-1)/2维的多维向量，第五获取模块3015根据得到的N(N-1)/2维的多维向量得到第一数据集对应的第一相似度。
图17示出了第五获取模块3015的装置示意图。如图17所示，该装置包括：
第三获取子模块30151，用于获取N(N-1)/2维向量的各个维度对应的权重值。
第四获取子模块30152，用于根据各个维度对应的权重值对N(N-1)/2维向量进行加权融合，得到第一相似度值。
由上可知，第三获取子模块30151获取预先设置N(N-1)/2维向量所对应的权重值，在得到N(N-1)/2维的多维向量之后，第四获取子模块30152根据预先设置的权重值，对N(N-1)/2维向量进行加权融合，从而得到第一相似度值。可选地，可通采用机器学习算法，如：PCA(主成分分析)算法，SVM(支持向量机)算法等，学习权值，并对N(N-1)/2维向量进行加权融合，从而得到第一相似度值。
图18示出了判别子单元303的装置示意图。如图18所示，该装置包括：
判断模块3031，用于判断位置关系是否满足预设条件。
第一判定模块3032，用于在位置关系满足预设条件的情况下，判定第一数据集所属的类别为第一类别，其中，第一类别用于指示数据集对应的N张图片中的目标属于同一个对象。
第二判定模块3033，用于在位置关系不满足预设条件的情况下，判定第一数据集所属的类别为第二类别，其中，第二类别用于指示数据集对应的N张图片中的目标不属于同一个对象。
由上可知，判别子单元303根据第一相似度与数据模型中多个训练集对应的相似度的位置关系来判别第一数据集所属的类别，即第一数据集对应的N张图片中的目标是否属于同一个对象。可选地，预先设置一个判别条件，在获取到第一相似度与数据模型中多个训练集对应的相似度之间的位置关系之后，判断该位置关系是否满足上述预设的判别条件，在该位置关系满足判别条件时，第一判定模块3032判定第一数据集属于第一类别，第一数据集对应的N张图片中的目标属于同一个对象；在该位置关系不满足判别条件时，第二判定模块3033则判定第一数据集属于第二类别，第一数据集对应的N张图片中的目标不属于同一个对象。
在本发明实施例中，采用提取每张图片中的目标特征信息并获取对应的第一数据集，以及通过对包括目标特征信息的数据集进行学习训练生成数据模型的方式，通过数据模型对第一数据集所属的类别进行判别，达到了判别N张图片中的目标是否属于同一个对象的目的，从而实现了提升图片判决结果一致性的技术效果，进而解决了由于人工选取多个判决条件对图片进行比对造成的对图片的判决结果的一致性较差的技术问题。
本实施例中所提供的各个单元与模块实施例对应步骤所提供的使用方法相同、应用场景也可以相同。当然，需要注意的是，上述模块涉及的方案可以不限于上述实施例中的内容和场景，且上述模块可以运行在计算机终端或移动终端，可以通过软件或硬件实现。
实施例3
根据本发明实施例，还提供了一种用于实施上述基于图片的判别方法，图19是根据本发明实施例的另一种基于图片的判别方法的流程图，如图19所示，该方法包括：
步骤S1902，展示第一界面，其中，第一界面包括用于上传图片的控件。
步骤S1904，接收通过控件上传的N张图片。
步骤S1906，将N张图片发送至服务器，通过服务器对N张图片进行判别。
步骤S1908，接收服务器对N张图片的判别结果，其中，服务器通过数据模型判别N张图片对应的第一数据集所属的类别，类别用于指示数据集对应的N张图片中的目标是否属于同一个对象，数据模型为对多个训练集进行学习训练后生成的模型，多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集。
在本发明实施例中，采用服务器对N张图片的判别结果方式，通过服务器通过数据模型判别N张图片对应的第一数据集所属的类别，达到了判别N张图片中的目标是否属于同一个对象的目的，从而实现了提升图片判决结果一致性的技术效果，进而解决了由于人工选取多个判决条件对图片进行比对造成的对图片的判决结果的一致性较差的技术问题。
实施例4
根据本发明实施例，还提供了一种计算设备，图20是根据本发明实施例的一种计算设备的示意图，如图20所示，该计算设备包括：
展示单元2002，用于展示第一界面，其中，第一界面包括用于上传图片的控件；
第一接收单元2004，用于接收通过控件上传的N张图片；
第二判别单元2006，用于将N张图片发送至服务器，通过服务器对N张图片进行判别；
第二接收单元2008，用于接收服务器对N张图片的判别结果，其中，服务器通过数据模型判别N张图片对应的第一数据集所属的类别，第一数据集是通过提取每张图片中的目标特征信息得到的数据集，类别用于指示数据集对应的N张图片中的目标是否属于同一个对象，数据模型为对多个训练集进行学习训练后生成的模型，多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集。
在本发明实施例中，采用服务器对N张图片的判别结果方式，通过服务器通过数据模型判别N张图片对应的第一数据集所属的类别，达到了判别N张图片中的目标是否属于同一个对象的目的，从而实现了提升图片判决结果一致性的技术效果，进而解决了由于人工选取多个判决条件对图片进行比对造成的对图片的判决结果的一致性较差的技术问题。
实施例5
根据本发明实施例，还提供了一种计算设备，图21是根据本发明实施例的另一种基于图片的判别方法的流程图，如图21所示，该方法包括：
步骤2102，获取N张图片，N为大于1的自然数。
本发明实施例所提供的基于图片的判别方法，是通过获取N张图片，其中，N为大于1的自然数，对每一张图片中的目标图像(例如人脸图像)进行判别，从而判断N张图片是否属于同一个对象(例如同一自然人)，其中N为大于等于2的任意自然数，且N张图片中的每一张图片都包含有目标图像。如果只有一张图片，作为一个特例以下实施例中也能得到正确的结果，或者，作为另一个比较好的方式，可以进行提示，提示需要上传多张图片来进行比较。
步骤2104，提取每张图片中的目标特征信息，得到N张图片对应的第一数据集。
从N张图片的每一张图片中，提取出该图片中目标图像所包括目标特征信息，提取出的目标特征信息应该能够作为用以区别不同的目标的特征信息，
作为一个可选的实施方式，目标特征信息为人或动物的脸部特征信息，其中，脸部特征信息包括以下至少之一：脸部器官的位置、脸部器官的形状、脸部器官的比例,需要说明的是，脸部特征信息可以但不限定为人脸面部主要器官的特征，如眼睛、眉毛、鼻子、嘴巴、耳朵等主要器官的形状、比例以及相对位置等，根据上述主要器官的形状、比例以及相对位置等特征信息，能够区别出不同的人脸。
在对N张图片进行目标特征信息进行提取之后，得到N张图片对应的N个目标特征信息，根据提取到的N个目标特征信息得到N张图片所对应的第一数据集。
步骤2106，根据第一数据集得到第一数据集对应的第一相似度值，其中，第一相似度值用于指示第一数据集对应的N张图片属于同一个对象的概率。
根据得到的N张图片所对应的第一数据集获取其对应的第一相似度值，其中，第一相似度值用于指示第一数据集对应的N张图片属于同一个对象的概率。可实施的方法有许多，例如通过距离度量(例如，余弦距离、欧式距离等)对N张图片所对应的第一数据集进行分类，计算出第一数据集对应的第一相似度值等等，在本申请中不作具体限定。
步骤2108，根据第一相似度值与预设阈值的关系，判断数据集对应的N张图片中的目标是否属于同一个对象。
在本方案中提及的预设阈值可以为通过数据模型获取的预设阈值。根据预先生成的数据模型(例如，邻近算法，简称KNN模型)确定预设阈值，然后将第一相似度值与预设阈值进行比较，从而判断出数据集对应的N张图片中的目标是否属于同一个对象。
需要说明的是，在生成该数据模型时，选取若干个对象，针对其中的每一个对象，选取包含其目标图像的任意张图片，对该任意张图片进行目标特征信息的提取，生成一个数据集，将该数据集作为一个训练集，通过根据选取的若干个对象所生成的若干个训练集进行学习训练，最终生成上述数据模型。
在本发明实施例中，通过获取N张图片，N为大于1的自然数；提取每张图片中的目标特征信息，得到N张图片对应的第一数据集；根据第一数据集得到第一数据集对应的第一相似度值，其中，第一相似度值用于指示第一数据集对应的N张图片属于同一个对象的概率；根据第一相似度值与预设阈值的关系，判断数据集对应的N张图片中的目标是否属于同一个对象，达到了判别N张图片中的目标是否属于同一个对象的目的，从而实现了提升图片判决结果一致性的技术效果，进而解决了由于人工选取多个判决条件对图片进行比对造成的对图片的判决结果的一致性较差的技术问题。
作为一种可选的实施例，为了提升获取第一数据集对应的第一相似度值的准确性，根据第一数据集得到第一数据集对应的第一相似度值还可以通过以下步骤实现：将提取到的N张图片的目标特征信息两两进行对比，得到N(N-1)/2个相似度值；将N(N-1)/2个相似度值进行联合得到N(N-1)/2维向量；根据N(N-1)/2维向量得到第一相似度值。
作为一种可选的实施例，为了进一步提升对图片判决结果一致性，还可以对不同维度设置不同的权重值，根据N(N-1)/2维向量得到第一相似度值还可以通过以下步骤实现：获取N(N-1)/2维向量的各个维度对应的权重值；以及根据各个维度对应的权重值对N(N-1)/2维向量进行加权融合，得到第一相似度值。
作为一种可选的实施例，为了进一步提升对图片判决结果一致性，还可以对不同相似度值设置不同的权重值，根据第一数据集得到第一数据集对应的第一相似度值包括：将提取到的N张图片的目标特征信息两两进行对比，得到N(N-1)/2个相似度值；获取N(N-1)/2个相似度值对应的权重值；根据权重值对N(N-1)/2个相似度值进行加权融合，得到第一相似度值。
通过以上方案，提升了获取第一数据集对应的第一相似度值的准确性，从而进一步提升根据第一相似度值与预设阈值的关系，判断数据集对应的N张图片中的目标是否属于同一个对象的一致性。
实施例6
根据本发明实施例，还提供了一种计算设备，图22是根据本发明实施例的另一种基于图片的判别方法的流程图，如图22所示，该方法包括：
步骤2202，展示第一界面，其中，第一界面包括用于上传图片的控件。
步骤2204，接收通过控件上传的N张图片。
步骤2206，将N张图片发送至服务器，通过服务器对N张图片进行判别。
步骤2208，接收服务器对N张图片的判别结果，其中，服务器提取每张图片中的目标特征信息，得到N张图片对应的第一数据集，根据第一数据集得到第一数据集对应的第一相似度值，其中，第一相似度值用于指示第一数据集对应的N张图片属于同一个对象的概率；根据第一相似度值与预设阈值的关系，判断数据集对应的N张图片中的目标是否属于同一个对象。
在本发明实施例中，采用服务器对N张图片的判别结果方式，通过服务器提取每张图片中的目标特征信息，得到N张图片对应的第一数据集，根据第一数据集得到第一数据集对应的第一相似度值，其中，第一相似度值用于指示第一数据集对应的N张图片属于同一个对象的概率；根据第一相似度值与预设阈值的关系，判断数据集对应的N张图片中的目标是否属于同一个对象，达到了判别N张图片中的目标是否属于同一个对象的目的，从而实现了提升图片判决结果一致性的技术效果，进而解决了由于人工选取多个判决条件对图片进行比对造成的对图片的判决结果的一致性较差的技术问题。
实施例7
根据本发明实施例，还提供了一种计算设备，图23是根据本发明实施例的另一种计算设备的示意图，如图23所示，该计算设备包括：
展示单元2302，用于展示第一界面，其中，第一界面包括用于上传图片的控件；
第一接收单元2304，用于接收通过控件上传的N张图片；
第二判别单元2306，用于将N张图片发送至服务器，通过服务器对N张图片进行判别；
第二接收单元2308，用于接收服务器对N张图片的判别结果，其中，服务器提取每张图片中的目标特征信息，得到N张图片对应的第一数据集；根据第一数据集得到第一数据集对应的第一相似度值，其中，第一相似度值用于指示第一数据集对应的N张图片属于同一个对象的概率；根据第一相似度值与预设阈值的关系，判断数据集对应的N张图片中的目标是否属于同一个对象。
在本发明实施例中，采用服务器对N张图片的判别结果方式，通过服务器提取每张图片中的目标特征信息，得到N张图片对应的第一数据集，根据第一数据集得到第一数据集对应的第一相似度值，其中，第一相似度值用于指示第一数据集对应的N张图片属于同一个对象的概率；根据第一相似度值与预设阈值的关系，判断数据集对应的N张图片中的目标是否属于同一个对象，达到了判别N张图片中的目标是否属于同一个对象的目的，从而实现了提升图片判决结果一致性的技术效果，进而解决了由于人工选取多个判决条件对图片进行比对造成的对图片的判决结果的一致性较差的技术问题。
实施例8
本发明的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述计算机终端可以执行基于图片的判别方法中以下步骤的程序代码：获取N张图片，其中，N为大于1的自然数；提取每张图片中的目标特征信息，得到N张图片对应的第一数据集；根据数据模型判别N张图片对应的第一数据集所属的类别，其中，类别用于指示数据集对应的N张图片中的目标是否属于同一个对象，数据模型为对多个训练集进行学习训练后生成的模型，多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集。
可选地，图24是根据本发明实施例的一种可选的计算机终端的结构框图。如图24所示，该计算机终端10可以包括：一个或多个(图中仅示出一个)处理器和存储器。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的基于图片的判别方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的基于图片的判别方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取N张图片，其中，N为大于1的自然数；提取每张图片中的目标特征信息，得到N张图片对应的第一数据集；根据数据模型判别N张图片对应的第一数据集所属的类别，其中，类别用于指示数据集对应的N张图片中的目标是否属于同一个对象，数据模型为对多个训练集进行学习训练后生成的模型，多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集。
可选的，上述处理器还可以执行如下步骤的程序代码：根据第一数据集得到第一数据集对应的第一相似度值，其中，相似度值用于指示数据集对应的N张图片属于同一个对象的概率；获取第一相似度值在数据模型中的位置关系，其中，位置关系是第一相似度值多个训练集对应的相似度值的位置关系；根据位置关系判别第一数据集所属的类别。
可选的，上述处理器还可以执行如下步骤的程序代码：将提取到的N张图片的目标特征信息进行联合得到多维向量；根据多维向量得到第一相似度值。
可选的，上述处理器还可以执行如下步骤的程序代码：将提取到的N张图片的目标特征信息两两进行对比，得到N(N-1)/2个特征信息；将N(N-1)/2个特征信息进行联合得到多维向量；根据多维向量得到第一相似度值。
可选的，上述处理器还可以执行如下步骤的程序代码：采用预设算法分别对N(N-1)/2维向量的各个维度进行学习权值，得到各个维度对应的权重值；以及根据各个维度对应的权重值对N(N-1)/2维向量进行联合，得到多维向量。
采用本发明实施例，提供了一种基于图片的判别的方案。通过获取N张图片，其中，N为大于1的自然数；提取每张图片中的目标特征信息，得到N张图片对应的第一数据集；根据数据模型判别N张图片对应的第一数据集所属的类别，其中，类别用于指示数据集对应的N张图片中的目标是否属于同一个对象，数据模型为对多个训练集进行学习训练后生成的模型，多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集，从而达到了提升对多张图片的判决结果的一致性的目的，进而解决了由于人工选取多个判决条件对图片进行比对造成的对图片的判决结果的一致性较差的技术问题。
本领域普通技术人员可以理解，图24所示的结构仅为示意，计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices，MID)、PAD等终端设备。图24其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图24中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图24所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
实施例9
本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的基于图片的判别方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取N张图片，其中，N为大于1的自然数；提取每张图片中的目标特征信息，得到N张图片对应的第一数据集；根据数据模型判别N张图片对应的第一数据集所属的类别，其中，类别用于指示数据集对应的N张图片中的目标是否属于同一个对象，数据模型为对多个训练集进行学习训练后生成的模型，多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：根据第一数据集得到第一数据集对应的第一相似度值，其中，相似度值用于指示数据集对应的N张图片属于同一个对象的概率；获取第一相似度值在数据模型中的位置关系，其中，位置关系是第一相似度值多个训练集对应的相似度值的位置关系；根据位置关系判别第一数据集所属的类别。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：将提取到的N张图片的目标特征信息进行联合得到多维向量；根据多维向量得到第一相似度值。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：将提取到的N张图片的目标特征信息两两进行对比，得到N(N-1)/2个特征信息；将N(N-1)/2个特征信息进行联合得到多维向量；根据多维向量得到第一相似度值。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：采用预设算法分别对N(N-1)/2维向量的各个维度进行学习权值，得到各个维度对应的权重值；以及根据各个维度对应的权重值对N(N-1)/2维向量进行联合，得到多维向量。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (20)

1.一种基于图片的判别方法，其特征在于，包括：
获取N张图片，其中，N为大于1的自然数；
提取每张图片中的目标特征信息，得到所述N张图片对应的第一数据集；和
根据数据模型判别所述N张图片对应的第一数据集所属的类别，其中，所述类别用于指示所述数据集对应的N张图片中的目标是否属于同一个对象；
其中，所述数据模型为对多个训练集进行学习训练后生成的模型，所述多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集。
2.根据权利要求1所述的方法，其特征在于，根据所述数据模型判别所述N张图片对应的第一数据集所属的类别包括：
根据所述第一数据集得到所述第一数据集对应的第一相似度值，其中，所述第一相似度值用于指示所述第一数据集对应的N张图片属于同一个对象的概率；
获取所述第一相似度值在所述数据模型中的位置关系，其中，所述位置关系是所述第一相似度值与所述多个训练集对应的相似度值之间的位置关系；
根据所述位置关系判别所述第一数据集所属的类别。
3.根据权利要求2所述的方法，其特征在于，根据所述第一数据集得到所述第一数据集对应的第一相似度值包括：
将提取到的N张图片的目标特征信息进行联合得到多维向量；
根据所述多维向量得到所述第一相似度值。
4.根据权利要求3所述的方法，其特征在于，根据所述多维向量得到所述第一相似度值包括：
获取所述多维向量的各个维度对应的权重值；以及
根据所述各个维度对应的权重值对所述多维向量进行加权融合，得到所述第一相似度值。
5.根据权利要求2所述的方法，其特征在于，根据所述第一数据集得到所述第一数据集对应的第一相似度值包括：
将提取到的N张图片的目标特征信息两两进行对比，得到N(N-1)/2个相似度值；
将所述N(N-1)/2个相似度值进行联合得到N(N-1)/2维向量；
根据所述N(N-1)/2维向量得到所述第一相似度值。
6.根据权利要求5所述的方法，其特征在于，根据所述N(N-1)/2维向量得到所述第一相似度值包括：
获取所述N(N-1)/2维向量的各个维度对应的权重值；以及
根据所述各个维度对应的权重值对所述N(N-1)/2维向量进行加权融合，得到所述第一相似度值。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述多个训练集还包括：由包括非同一个对象的一组图片中的目标特征信息生成的数据集。
8.根据权利要求2所述的方法，其特征在于，根据所述位置关系判别所述第一数据集所属的类别包括：
判断所述位置关系是否满足预设条件；
如果所述位置关系满足所述预设条件，判定所述第一数据集所属的类别为第一类别，其中，所述第一类别用于指示所述数据集对应的N张图片中的目标属于同一个对象；
如果所述位置关系不满足所述预设条件，判定所述第一数据集所属的类别为第二类别，其中，所述第二类别用于指示所述数据集对应的N张图片中的目标不属于同一个对象。
9.根据权利要求1至5中任一项所述的方法，其特征在于，提取每张图片中的目标特征信息包括：
确定所述每张图片中的目标所处的位置；
从所述每张图片中的目标所处的位置提取所述每张图片对应的数据集；以及
将所述每张图片对应的数据集作为所述每张图片中的目标特征信息。
10.根据权利要求1至5中任一项所述的方法，其特征在于，所述目标特征信息为人或动物的脸部特征信息，其中，所述脸部特征信息包括以下至少之一：脸部器官的位置、脸部器官的形状、脸部器官的比例。
11.根据权利要求1至5中任一项所述的方法，其特征在于，所述方法还包括：
获取所述训练集中的每个数据集以及该数据集对应的分类；
根据所述训练集中所有的数据集以及对应的分类得到函数模型，其中，所述函数模型在输入为训练集的数据集时，输出为该数据集对应的正确的分类；
将所述函数模型作为所述数据模型。
12.一种基于图片的判别装置，其特征在于，包括：
第一获取单元，用于获取N张图片，其中，N为大于1的自然数；
提取单元，用于提取每张图片中的目标特征信息，得到所述N张图片对应的第一数据集；
第一判别单元，用于根据数据模型判别所述N张图片对应的第一数据集所属的类别，其中，所述类别用于指示所述数据集对应的N张图片中的目标是否属于同一个对象，所述数据模型为对多个训练集进行学习训练后生成的模型，所述多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集。
13.一种基于图片的判别方法，其特征在于，包括：
展示第一界面，其中，所述第一界面包括用于上传图片的控件；
接收通过所述控件上传的N张图片；
将所述N张图片发送至服务器，通过所述服务器对所述N张图片进行判别；
接收所述服务器对所述N张图片的判别结果，其中，所述服务器通过数据模型判别所述N张图片对应的第一数据集所属的类别，所述类别用于指示所述数据集对应的N张图片中的目标是否属于同一个对象，所述数据模型为对多个训练集进行学习训练后生成的模型，所述多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集。
14.一种计算设备，其特征在于，包括：
展示单元，用于展示第一界面，其中，所述第一界面包括用于上传图片的控件；
第一接收单元，用于接收通过所述控件上传的N张图片；
第二判别单元，用于将所述N张图片发送至服务器，通过所述服务器对所述N张图片进行判别；
第二接收单元，用于接收所述服务器对所述N张图片的判别结果，其中，所述服务器通过数据模型判别所述N张图片对应的第一数据集所属的类别，所述第一数据集是通过提取每张图片中的目标特征信息得到的数据集，所述类别用于指示所述数据集对应的N张图片中的目标是否属于同一个对象，所述数据模型为对多个训练集进行学习训练后生成的模型，所述多个训练集至少包括：由同一个对象的一组图片中的目标特征信息生成的数据集。
15.一种基于图片的判别方法，其特征在于，包括：
获取N张图片，N为大于1的自然数；
提取每张图片中的目标特征信息，得到所述N张图片对应的第一数据集；
根据所述第一数据集得到所述第一数据集对应的第一相似度值，其中，所述第一相似度值用于指示所述第一数据集对应的N张图片属于同一个对象的概率；
根据所述第一相似度值与预设阈值的关系，判断所述数据集对应的N张图片中的目标是否属于同一个对象。
16.根据权利要求15所述的方法，其特征在于，根据所述第一数据集得到所述第一数据集对应的第一相似度值包括：
将提取到的N张图片的目标特征信息两两进行对比，得到N(N-1)/2个相似度值；
将所述N(N-1)/2个相似度值进行联合得到N(N-1)/2维向量；
根据所述N(N-1)/2维向量得到所述第一相似度值。
17.根据权利要求16所述的方法，其特征在于，根据所述N(N-1)/2维向量得到所述第一相似度值包括：
获取所述N(N-1)/2维向量的各个维度对应的权重值；以及
根据所述各个维度对应的权重值对所述N(N-1)/2维向量进行加权融合，得到所述第一相似度值。
18.根据权利要求15所述的方法，其特征在于，根据所述第一数据集得到所述第一数据集对应的第一相似度值包括：
将提取到的N张图片的目标特征信息两两进行对比，得到N(N-1)/2个相似度值；
获取所述N(N-1)/2个相似度值对应的权重值；
根据所述权重值对所述N(N-1)/2个相似度值进行加权融合，得到所述第一相似度值。
19.一种基于图片的判别方法，其特征在于，包括：
展示第一界面，其中，所述第一界面包括用于上传图片的控件；
接收通过所述控件上传的N张图片；
将所述N张图片发送至服务器，通过所述服务器对所述N张图片进行判别；
接收所述服务器对所述N张图片的判别结果，其中，所述服务器提取每张图片中的目标特征信息，得到所述N张图片对应的第一数据集，根据所述第一数据集得到所述第一数据集对应的第一相似度值，其中，所述第一相似度值用于指示所述第一数据集对应的N张图片属于同一个对象的概率；根据所述第一相似度值与预设阈值的关系，判断所述数据集对应的N张图片中的目标是否属于同一个对象。
20.一种计算设备，其特征在于，包括：
展示单元，用于展示第一界面，其中，所述第一界面包括用于上传图片的控件；
第一接收单元，用于接收通过所述控件上传的N张图片；
第二判别单元，用于将所述N张图片发送至服务器，通过所述服务器对所述N张图片进行判别；
第二接收单元，用于接收所述服务器对所述N张图片的判别结果，其中，所述服务器提取每张图片中的目标特征信息，得到所述N张图片对应的第一数据集；根据所述第一数据集得到所述第一数据集对应的第一相似度值，其中，所述第一相似度值用于指示所述第一数据集对应的N张图片属于同一个对象的概率；根据所述第一相似度值与预设阈值的关系，判断所述数据集对应的N张图片中的目标是否属于同一个对象。
CN201611090126.8A 2016-11-30 2016-11-30 基于图片的判别方法及装置和计算设备 Active CN108121943B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201611090126.8A CN108121943B (zh) 2016-11-30 2016-11-30 基于图片的判别方法及装置和计算设备
TW106127341A TW201822150A (zh) 2016-11-30 2017-08-11 基於圖片的判別方法及裝置和計算設備
PCT/CN2017/112071 WO2018099295A1 (zh) 2016-11-30 2017-11-21 基于图片的判别方法及装置和计算设备
US16/423,741 US11126827B2 (en) 2016-11-30 2019-05-28 Method and system for image identification

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611090126.8A CN108121943B (zh) 2016-11-30 2016-11-30 基于图片的判别方法及装置和计算设备

Publications (2)

Publication Number Publication Date
CN108121943A true CN108121943A (zh) 2018-06-05
CN108121943B CN108121943B (zh) 2022-05-06

Family

ID=62226487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611090126.8A Active CN108121943B (zh) 2016-11-30 2016-11-30 基于图片的判别方法及装置和计算设备

Country Status (4)

Country Link
US (1) US11126827B2 (zh)
CN (1) CN108121943B (zh)
TW (1) TW201822150A (zh)
WO (1) WO2018099295A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766915A (zh) * 2018-12-14 2019-05-17 深圳壹账通智能科技有限公司 基于图像识别的测试方法、装置、计算机设备及存储介质
CN110955792A (zh) * 2019-12-13 2020-04-03 云粒智慧科技有限公司 一种基于图片的搜索方法、装置、电子设备及存储介质
CN111027507A (zh) * 2019-12-20 2020-04-17 中国建设银行股份有限公司 基于视频数据识别的训练数据集生成方法及装置
CN111291019A (zh) * 2018-12-07 2020-06-16 中国移动通信集团陕西有限公司 数据模型的相似判别方法及装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190318118A1 (en) * 2018-04-16 2019-10-17 International Business Machines Corporation Secure encrypted document retrieval
CN110516099A (zh) * 2019-08-27 2019-11-29 北京百度网讯科技有限公司 图像处理方法和装置
TWI792693B (zh) * 2021-11-18 2023-02-11 瑞昱半導體股份有限公司 用於進行人物重辨識的方法與裝置

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004341959A (ja) * 2003-05-16 2004-12-02 Just Syst Corp データ分類装置、データ分類方法およびその方法をコンピュータに実行させるプログラム
CN102542050A (zh) * 2011-12-28 2012-07-04 辽宁师范大学 基于支持向量机的图像反馈方法及系统
CN102646190A (zh) * 2012-03-19 2012-08-22 腾讯科技（深圳）有限公司 一种基于生物特征的认证方法、装置及系统
CN102831601A (zh) * 2012-07-26 2012-12-19 中北大学 基于联合相似性测度和自适应支持权重的立体匹配方法
CN103488561A (zh) * 2013-07-09 2014-01-01 沈阳化工大学 一种在线升级主样本模型的kNN故障检测方法
CN103902961A (zh) * 2012-12-28 2014-07-02 汉王科技股份有限公司 一种人脸识别方法及装置
CN104462502A (zh) * 2014-12-19 2015-03-25 中国科学院深圳先进技术研究院 一种基于特征融合的图像检索方法
CN104504055A (zh) * 2014-12-19 2015-04-08 常州飞寻视讯信息科技有限公司 基于图像相似度的商品相似计算方法及商品推荐系统
CN104850600A (zh) * 2015-04-29 2015-08-19 百度在线网络技术（北京）有限公司 一种用于搜索包含人脸的图片的方法和装置
CN104866826A (zh) * 2015-05-17 2015-08-26 华南理工大学 一种基于knn和像素比梯度特征的静态手语识别方法
CN104881637A (zh) * 2015-05-09 2015-09-02 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于传感信息及目标追踪的多模信息系统及其融合方法
CN104992146A (zh) * 2015-06-15 2015-10-21 百度在线网络技术（北京）有限公司 一种用于人脸识别的方法和装置
CN105023006A (zh) * 2015-08-05 2015-11-04 西安电子科技大学 基于增强型非参数最大边缘准则的人脸识别方法
CN105141615A (zh) * 2015-09-07 2015-12-09 天地融科技股份有限公司 一种远程开户方法和系统及其身份验证方法和系统
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
CN105404863A (zh) * 2015-11-13 2016-03-16 小米科技有限责任公司 人物特征识别方法及系统
CN105447474A (zh) * 2015-12-15 2016-03-30 3M创新有限公司 人像识别方法和人像识别装置
CN105468760A (zh) * 2015-12-01 2016-04-06 北京奇虎科技有限公司 对人脸图片进行标注的方法和装置
CN105893920A (zh) * 2015-01-26 2016-08-24 阿里巴巴集团控股有限公司 一种人脸活体检测方法和装置
CN105893952A (zh) * 2015-12-03 2016-08-24 无锡度维智慧城市科技股份有限公司 基于pca方法的手写签名识别方法
CN106096569A (zh) * 2016-06-20 2016-11-09 广州中国科学院先进技术研究所 一种手指静脉识别方法
CN106154180A (zh) * 2016-08-18 2016-11-23 中国科学院自动化研究所 储能电池充/放电异常行为检测方法及检测系统
CN106156755A (zh) * 2016-07-29 2016-11-23 深圳云天励飞技术有限公司 一种人脸识别中的相似度计算方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7043474B2 (en) 2002-04-15 2006-05-09 International Business Machines Corporation System and method for measuring image similarity based on semantic meaning
US7697792B2 (en) 2003-11-26 2010-04-13 Yesvideo, Inc. Process-response statistical modeling of a visual image for use in determining similarity between visual images
US7657126B2 (en) 2005-05-09 2010-02-02 Like.Com System and method for search portions of objects in images and features thereof
US7876949B1 (en) * 2006-10-31 2011-01-25 United Services Automobile Association Systems and methods for remote deposit of checks
US9465813B1 (en) * 2012-11-09 2016-10-11 Amazon Technologies, Inc. System and method for automatically generating albums
US20150235073A1 (en) * 2014-01-28 2015-08-20 The Trustees Of The Stevens Institute Of Technology Flexible part-based representation for real-world face recognition apparatus and methods
CN105302812B (zh) * 2014-06-16 2020-03-17 腾讯科技（深圳）有限公司 图像信息处理方法及装置
CN105138886B (zh) * 2015-08-26 2017-03-22 江苏久祥汽车电器集团有限公司 机器人生物体征识别系统
CN105740426A (zh) * 2016-01-29 2016-07-06 宇龙计算机通信科技(深圳)有限公司 基于人脸识别的照片发送方法及装置

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004341959A (ja) * 2003-05-16 2004-12-02 Just Syst Corp データ分類装置、データ分類方法およびその方法をコンピュータに実行させるプログラム
CN102542050A (zh) * 2011-12-28 2012-07-04 辽宁师范大学 基于支持向量机的图像反馈方法及系统
CN102646190A (zh) * 2012-03-19 2012-08-22 腾讯科技（深圳）有限公司 一种基于生物特征的认证方法、装置及系统
CN102831601A (zh) * 2012-07-26 2012-12-19 中北大学 基于联合相似性测度和自适应支持权重的立体匹配方法
CN103902961A (zh) * 2012-12-28 2014-07-02 汉王科技股份有限公司 一种人脸识别方法及装置
CN103488561A (zh) * 2013-07-09 2014-01-01 沈阳化工大学 一种在线升级主样本模型的kNN故障检测方法
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
CN104462502A (zh) * 2014-12-19 2015-03-25 中国科学院深圳先进技术研究院 一种基于特征融合的图像检索方法
CN104504055A (zh) * 2014-12-19 2015-04-08 常州飞寻视讯信息科技有限公司 基于图像相似度的商品相似计算方法及商品推荐系统
CN105893920A (zh) * 2015-01-26 2016-08-24 阿里巴巴集团控股有限公司 一种人脸活体检测方法和装置
CN104850600A (zh) * 2015-04-29 2015-08-19 百度在线网络技术（北京）有限公司 一种用于搜索包含人脸的图片的方法和装置
CN104881637A (zh) * 2015-05-09 2015-09-02 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于传感信息及目标追踪的多模信息系统及其融合方法
CN104866826A (zh) * 2015-05-17 2015-08-26 华南理工大学 一种基于knn和像素比梯度特征的静态手语识别方法
CN104992146A (zh) * 2015-06-15 2015-10-21 百度在线网络技术（北京）有限公司 一种用于人脸识别的方法和装置
CN105023006A (zh) * 2015-08-05 2015-11-04 西安电子科技大学 基于增强型非参数最大边缘准则的人脸识别方法
CN105141615A (zh) * 2015-09-07 2015-12-09 天地融科技股份有限公司 一种远程开户方法和系统及其身份验证方法和系统
CN105404863A (zh) * 2015-11-13 2016-03-16 小米科技有限责任公司 人物特征识别方法及系统
CN105468760A (zh) * 2015-12-01 2016-04-06 北京奇虎科技有限公司 对人脸图片进行标注的方法和装置
CN105893952A (zh) * 2015-12-03 2016-08-24 无锡度维智慧城市科技股份有限公司 基于pca方法的手写签名识别方法
CN105447474A (zh) * 2015-12-15 2016-03-30 3M创新有限公司 人像识别方法和人像识别装置
CN106096569A (zh) * 2016-06-20 2016-11-09 广州中国科学院先进技术研究所 一种手指静脉识别方法
CN106156755A (zh) * 2016-07-29 2016-11-23 深圳云天励飞技术有限公司 一种人脸识别中的相似度计算方法及系统
CN106154180A (zh) * 2016-08-18 2016-11-23 中国科学院自动化研究所 储能电池充/放电异常行为检测方法及检测系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
J. H. ALKHATEEB等: "A new approach for off-line handwritten Arabic word recognition using KNN classifier", 《2009 IEEE INTERNATIONAL CONFERENCE ON SIGNAL AND IMAGE PROCESSING APPLICATIONS》 *
LAMERTZ K等: "Social power, social status and perceptual similarity of workplace victimization: A social network analysis of stratification", 《HUMAN RELATIONS》 *
MENG F等: "A feature point matching based on spatial order constraints bilateral-neighbor vote", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
余肖生等: "基于KNN的图像自动分类模型研究", 《中国图书馆学报》 *
张杰等: "基于特征互补率矩阵的图像分类方法", 《计算机工程》 *
李凡长等: "《李群机器学习》", 30 April 2013, 中国科学技术大学出版社 *
高广谓: "基于特征编码和回归分析的指关节纹识别研究", 《中国博士学位论文全文数据库 (信息科技辑)》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291019A (zh) * 2018-12-07 2020-06-16 中国移动通信集团陕西有限公司 数据模型的相似判别方法及装置
CN111291019B (zh) * 2018-12-07 2023-09-29 中国移动通信集团陕西有限公司 数据模型的相似判别方法及装置
CN109766915A (zh) * 2018-12-14 2019-05-17 深圳壹账通智能科技有限公司 基于图像识别的测试方法、装置、计算机设备及存储介质
WO2020119419A1 (zh) * 2018-12-14 2020-06-18 深圳壹账通智能科技有限公司 基于图像识别的测试方法、装置、计算机设备及存储介质
CN110955792A (zh) * 2019-12-13 2020-04-03 云粒智慧科技有限公司 一种基于图片的搜索方法、装置、电子设备及存储介质
CN111027507A (zh) * 2019-12-20 2020-04-17 中国建设银行股份有限公司 基于视频数据识别的训练数据集生成方法及装置

Also Published As

Publication number Publication date
TW201822150A (zh) 2018-06-16
WO2018099295A1 (zh) 2018-06-07
US20190347472A1 (en) 2019-11-14
US11126827B2 (en) 2021-09-21
CN108121943B (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
CN108121943A (zh) 基于图片的判别方法及装置和计算设备
CN106897658B (zh) 人脸活体的鉴别方法和装置
CN111401344B (zh) 人脸识别方法和装置及人脸识别系统的训练方法和装置
CN109472240B (zh) 人脸识别多模型自适应特征融合增强方法和装置
CN107679504A (zh) 基于摄像头场景的人脸识别方法、装置、设备及存储介质
CN108549870A (zh) 一种对物品陈列进行鉴别的方法及装置
CN109253888A (zh) 用于车辆车况的检测方法及系统
CN105426857A (zh) 人脸识别模型训练方法和装置
CN103970830B (zh) 信息推荐方法和装置
CN107194361A (zh) 二维姿势检测方法及装置
CN112101124B (zh) 一种坐姿检测方法及装置
CN105654033A (zh) 人脸图像验证方法和装置
CN109872407B (zh) 一种人脸识别方法、装置、设备及打卡方法、装置和系统
CN111144284B (zh) 深度人脸图像的生成方法、装置、电子设备及介质
CN109522775A (zh) 人脸属性检测方法、装置及电子设备
CN109389002A (zh) 活体检测方法及装置
CN109387521A (zh) 图像处理系统
CN112748941A (zh) 基于反馈信息的目标应用程序的更新方法和装置
CN108573255A (zh) 文字合成图像的识别方法及装置、图像识别方法
CN111738199A (zh) 图像信息验证方法、装置、计算装置和介质
CN110472537B (zh) 一种自适应识别方法、装置、设备及介质
CN111860629A (zh) 首饰分类系统、方法、装置以及存储介质
CN105468887B (zh) 数据分析系统以及方法
CN113743160A (zh) 活体检测的方法、装置以及存储介质
CN110427870A (zh) 眼部图片识别方法、目标识别模型训练方法及装置

Legal Events

Date Code Title Description
PB01 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