CN108289057B - 视频编辑方法、装置及智能移动终端 - Google Patents

Abstract

本发明实施例公开了一种数据分享方法、系统及移动终端，包括下述步骤：获取待识别图像；识别所述待识别图像是否存在目标用户图像；当所述待识别图像存在预设目标用户图像时，在所述数据分享路径数据库中匹配与所述目标用户图像具有对应关系的分享路径，并按所述分享路径分享所述待识别图像。通过将待识别的图片输入到预设的卷积神经网络模型中，通过在待识别图像中识别是否存在目标用户图像，当目标用户图像存在时在数据分享路径数据库搜索与其对应的分享路径，并沿该分享路径分享待识别图像。由于，在进行分享前通过对待分享图像进行特定图像的识别，然后确定适合该图像内容的分享路径进行分享。

Description

视频编辑方法、装置及智能移动终端

技术领域

本发明实施例涉及数据处理领域，尤其是一种数据分享方法、系统及移动终端。

背景技术

随着计算机技术的进步，信息扩散的速度及扩散范围均有了跨越性发展。用户能够通过共享平台将自己私有的数据(如图片和视频)进行分享，作为平台资源供平台用户或账户好友和粉丝进行浏览。在一些分享平台中，根据分享数据的浏览量，共享数据的发起人能够得到相应的报酬，因此，数据共享成为共享经济中不可或缺的部分。

现有技术中，用户进行数据信息共享时，均通过向单一的共享平台发送共享请求，然后在用户终端进入到共享平台提供的分享页面，对共享数据进行编辑，最后将编辑完成后的数据，发送至共享平台的服务器内，完成数据的共享。

本发明创造的发明人在研究中发现，现有技术中的用户对数据尤其对图像数据进行分享时，仅通过用户自身的喜好进行分享操作，即使该分享平台的风格或分享类目的需求与其分享的图像数据完全无关，也无法阻止用户进行分享。因此，现有技术中的数据分享方法完全依赖于用户的自主操作，存在分享准确率偏低，分享效率低下，批量分享时人工操作效率低下的问题。

发明内容

本发明实施例提供一种能够通过对图像数据进行内容理解，并根据检测图像中是否存在目标用户图像的方式，自动获取相应分享路径进行分享的数据分享方法、系统及移动终端。

为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种数据分享方法，包括下述步骤：

获取待识别图像；

识别所述待识别图像是否存在目标用户图像；

当所述待识别图像存在目标用户图像时，在所述数据分享路径数据库中匹配与所述目标用户图像具有对应关系的分享路径，并按所述分享路径分享所述待识别图像。

可选地，所述获取待识别图像的步骤之后，还包括下述步骤：

识别所述待识别图像中预设目标用户图像的数量信息；

根据所述数量信息在所述数据分享路径数据库中匹配与所述数量信息具有对应关系的分享路径，并按所述分享路径分享所述待识别图像。

可选地，所述识别所述待识别图像中预设目标用户图像的数量信息步骤之后，还包括下述步骤：

根据所述数量信息在所述数据分享路径数据库中匹配与所述数量信息相等数量的分享路径；

依次按所述分享路径分享所述待识别图像，至分享次数与所述数量信息相同后结束。

可选地，所述根据所述数量信息在所述数据分享路径数据库中匹配与所述数量信息具有对应关系的分享路径，并按所述分享路径分享所述待识别图像的步骤之后，还包括下述步骤：

获取根据所述目标用户图像进行相似对比后形成的分享推荐人信息；

根据用户在所述分享推荐人信息中确定的推荐名单，向所述分享平台发送重点推荐请求信息。

可选地，所述根据所述数量信息在所述数据分享路径数据库中匹配与所述数量信息具有对应关系的分享路径，并按所述分享路径分享所述待识别图像的步骤之后，还包括下述步骤：

获取用户的历史分享数据；

根据所述历史分享数据获取分享推荐人信息；

根据用户在所述分享推荐人信息中确定的推荐名单，向所述分享平台发送重点推荐请求信息。

可选地，所述根据所述历史分享数据获取分享推荐人信息的步骤，具体包括下述步骤：

获取所述目标用户图像的类别信息；

根据所述类别信息确定所述历史分享数据中同类别目标用户图像的分享推荐人信息。

可选地，所述获取待识别图像的步骤之前，还包括下述步骤：

在待分享视频数据中定时提取若干帧画面；

依次将所述帧画面输入到预设的卷积神经网络模型中检测所述帧画面中预设目标用户图像的数量信息；

将所述若干帧画面中目标用户图像数量最多的帧画面选定为待识别图像。

为解决上述技术问题，本发明实施例还提供一种数据分享系统，包括：

获取模块，用于获取待识别图像；

处理模块，用于识别所述待识别图像是否存在目标用户图像；

执行模块，用于当所述待识别图像存在目标用户图像时，在所述数据分享路径数据库中匹配与所述目标用户图像具有对应关系的分享路径，并按所述分享路径分享所述待识别图像。

可选地，所述数据分享系统还包括：

第一识别子模块，用于识别所述待识别图像中预设目标用户图像的数量信息；

第一执行子模块，用于根据所述数量信息在所述数据分享路径数据库中匹配与所述数量信息具有对应关系的分享路径，并按所述分享路径分享所述待识别图像。

可选地，所述数据分享系统还包括：

第一匹配子模块，用于根据所述数量信息在所述数据分享路径数据库中匹配与所述数量信息相等数量的分享路径；

第一分享子模块，用于依次按所述分享路径分享所述待识别图像，至分享次数与所述数量信息相同后结束。

可选地，所述数据分享系统还包括：

第一获取子模块，用于获取根据所述目标用户图像进行相似对比后形成的分享推荐人信息；

第一请求子模块，用于根据用户在所述分享推荐人信息中确定的推荐名单，向所述分享平台发送重点推荐请求信息。

可选地，所述数据分享系统还包括：

第二获取子模块，用于获取用户的历史分享数据；

第二执行子模块，用于根据所述历史分享数据获取分享推荐人信息；

第二请求子模块，用于根据用户在所述分享推荐人信息中确定的推荐名单，向所述分享平台发送重点推荐请求信息。

可选地，所述数据分享系统还包括：

第三获取子模块，用于获取所述目标用户图像的类别信息；

第三执行子模块，用于根据所述类别信息确定所述历史分享数据中同类别目标用户图像的分享推荐人信息。

可选地，所述数据分享系统还包括：

第四获取子模块，用于在待分享视频数据中定时提取若干帧画面；

第一处理子模块，用于依次将所述帧画面输入到预设的卷积神经网络模型中检测所述帧画面中预设目标用户图像的数量信息；

第四执行子模块，用于将所述若干帧画面中目标用户图像数量最多的帧画面选定为待识别图像。

为解决上述技术问题本发明实施例还提供一种移动终端，包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行上述所述的数据分享方法。

本发明实施例的有益效果是：通过将待识别的图片输入到预设的卷积神经网络模型中，通过在待识别图像中识别是否存在目标用户图像，当目标用户图像存在时在数据分享路径数据库搜索与其对应的分享路径，并沿该分享路径分享待识别图像。由于，在进行分享前通过对待分享图像进行特定图像的识别，然后确定适合该图像内容的分享路径进行分享，不仅能够提高分享的准确性，提高了分享效率，也解决了批量分享时人工效率低下的问题。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例数据分享方法的基本结构示意图；

图2为本发明实施例通过检测目标用户图像的数量确定数据分享的流程示意图；

图3为本发明实施例通过目标用户图像的数量确定待识别图像的分享次数；

图4为本发明实施例根据相似度比对形成推荐名单的流程示意图；

图5为本发明实施例根据历史推荐数据形成推荐名单的流程示意图；

图6为本发明实施例通过目标用户图像类别信息获取分享推荐人信息的流程示意图；

图7为本发明实施例从视频信息中获取待识别图像的流程示意图；

图8为本发明实施例视频分享系统基本结构框图；

图9为本发明实施例移动终端基本结构示意图。

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。

在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

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，都属于本发明保护的范围。

实施例

本实施方式中通过卷积神经网络模型对目标用户图像进行识别。但不局限与此，在一些实施方式中，能够通过采用基于小波矩的图像识别方法和基于分形特征的红外图像识别方法对目标用户图像进行识别。

卷积神经网络主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于卷积神经网络的特征检测层通过训练数据进行学习，所以在使用卷积神经网络时，避免了显示的特征抽取，而隐式地从训练数据中进行学习。

卷积神经网络的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。

请参阅图1，图1为本实施例数据分享方法的基本结构示意图。

如图1所示，一种数据分享方法，包括下述步骤：

S1100、获取待识别图像；

待识别图像为用户欲进行分享的图像数据。待识别图像能够是存储在客户端存储器内的图片，也能够是存储在客户端存储器内待分享视频中的一个帧画面。

在一些实施方式中，待识别图像的提取是在客户终端进行拍摄时进行提取的，如用户采用手机进行视频录制时，提取缓存的拍摄视频一帧画面或显存内的数据形成待识别图像。

S1200、识别所述待识别图像是否存在目标用户图像；

本实施例中，卷积神经网络模型被训练用于识别待识别图像是否具有目标用户图像的图像。

系统默认当待识别图像中存在目标用户图像的影像时，才能够对外分享所述待识别图像。

因此，本实施例中卷积神经网络模型被训练用于识别待识别图像是否具有目标用户图像。

本实施方式中目标用户图像人体图像，即待识别图像中具有人体图像时，该待识别能够进行分享。但目标用户图像的选择不局限于此，根据具体应用场景的不同，在一些实施方式中，目标用户图像能够是：任何植物、动物、建筑物或其他人造物品。

本实施方式中，卷积神经网络模型被训练用于识别待识别图像中是否具有目标用户图像。其训练过程为：收集图像作为训练样本，在训练之前通过人为标记，标记图像中的是否存在目标用户图像(如标定图像中是否有人体脸部图像)，并将该信息作为该图像的期望输出。将标记完成的训练样本输入到卷积神经网络模型中，输入后卷积神经网络模型输出该训练样本数据的激励输出，比对期望输出与激励输出是否一致，不一致时，通过反向算法调整卷积神经网络模型的权值，以校正卷积神经网络模型的输出。然后将该训练样本再输入到卷积神经网络模型中，获取新一轮的激励输出，然后再作比较，反复循环直至期望输出与激励输出一致时结束。训练时采用大量的训练样本如100万张图片或者更多训练样本，卷积神经网络的收敛性与样本数量成正比。当卷积神经网络模型被训练至收敛时，识别成功率极高，能够快速识别待识别图像中是否存在目标用户图像。

训练至收敛的卷积神经网络模型，能够快速识别待识别图像中是否存在目标用户图像的图像。

S1300、当所述待识别图像存在目标用户图像时，在所述数据分享路径数据库中匹配与所述目标用户图像具有对应关系的分享路径，并按所述分享路径分享所述待识别图像。

当检测出待识别图像中存在预设的目标用户图像时，在数据分享路径数据库中匹配与目标用户图像具有对应关系的分享路径。

数据分享路径数据库为收集现有技术中所有分享平台的数据集合，并根据不同分享平台的专业性质，将分享平台进行分类。例如：部分分享平台主要用于分享风景图像、部分分享平台主要用于分享植物图像、部分分享平台主要用于分享动物图像、部分分享平台主要用于分享人物图像等。数据分享路径数据库还收集各分享平台的分享路径，即该分享平台分享服务器的访问地址，通过预先存储对应平台的登录账号，通过分享路径能够直接将待识别图像进行分享。

数据分享路径数据库为存储在终端内的本地数据库，通过获取终端中分享平台应用软件的数量建立数据库。例如，终端内安装有5款具有分享功能的应用软件，则数据分享路径数据库仅有这5款应用软件的分享路径及专业风格的信息。

在一些实施方式中，数据分享路径数据库为存储在终端内的本地数据库，通过获取终端中分享平台应用软件的数量建立数据库，例如，终端内安装有5款具有分享功能的应用软件，则数据分享路径数据库仅有这5款应用软件的分享路径及专业风格的信息。

获取与目标用户图像具有对应关系的分享路径，例如，目标用户图像为人脸图像时，当检测到待识别图像中具有人脸图像时，获取数据分享路径数据库中专业分享人物图像的分享平台并获取分享路径。

本实施方式中，通过识别待识别图像中是否存在目标用户图像，然后根据目标用户图像匹配对应的分享平台及分享路径，能够快速识别待识别图像是否满足分享条件，达到精准分享的目的。

上述实施方式通过将待识别的图片输入到预设的卷积神经网络模型中，通过在待识别图像中识别是否存在目标用户图像，当目标用户图像存在时在数据分享路径数据库搜索与其对应的分享路径，并沿该分享路径分享待识别图像。由于，在进行分享前通过对待分享图像进行特定图像的识别，然后确定适合该图像内容的分享路径进行分享，不仅能够提高分享的准确性，提高了分享效率，也解决了批量分享时人工效率低下的问题。

在一些实施方式中，通过识别待识别图像中目标用户图像的数量确定分享路径。具体请参阅图2，图2为本实施例通过检测目标用户图像的数量确定数据分享的流程示意图。

S1121、识别所述待识别图像中预设目标用户图像的数量信息；

本实施例中，卷积神经网络模型被训练用于识别待识别图像是否具有目标用户图像的图像并判断目标用户图像的数量。

系统默认当待识别图像中存在目标用户图像的影像时，才能够对外分享所述待识别图像，而待识别图像中目标用户图像的数量决定待识别图像的分享次数。

因此，本实施例中卷积神经网络模型被训练用于识别待识别图像是否具有目标用户图像和目标用户图像的数量。

本实施方式中目标用户图像人体图像，即待识别图像中具有人体图像时，该待识别能够进行分享。但目标用户图像的选择不局限于此，根据具体应用场景的不同，在一些实施方式中，目标用户图像能够是：任何植物、动物、建筑物或其他人造物品。

本实施方式中，卷积神经网络模型被训练用于识别待识别图像中是否具有目标用户图像及目标用户图像的数量。其训练过程为：收集图像作为训练样本，在训练之前通过人为标记，标记图像中的是否存在目标用户图像，当目标用户图像存在时标定目标用户图像的图像数量(如标定某个样本图像中有两张人脸图像)，并将该信息作为该图像的期望输出。将标记完成的训练样本输入到卷积神经网络模型中，输入后卷积神经网络模型输出该训练样本数据的激励输出，比对期望输出与激励输出是否一致，不一致时，通过反向算法调整卷积神经网络模型的权值，以校正卷积神经网络模型的输出。然后将该训练样本再输入到卷积神经网络模型中，获取新一轮的激励输出，然后再作比较，反复循环直至期望输出与激励输出一致时结束。训练时采用大量的训练样本如100万张图片或者更多训练样本，卷积神经网络的收敛性与样本数量成正比。当卷积神经网络模型被训练至收敛时，识别成功率极高，能够快速识别待识别图像中目标用户图像的数量。

S1122、根据所述数量信息在所述数据分享路径数据库中匹配与所述数量信息具有对应关系的分享路径，并按所述分享路径分享所述待识别图像。

当检测出待识别图像中存在预设的目标用户图像后，确定出待识别图像中目标用户图像的数量，根据数量信息确定分享路径。

数据分享路径数据库标定一些分享平台仅能够分享具有单目标用户图像的待识别图像，而另一些分享平台能够分享具有多目标用户图像的待识别图像。根据目标用户图像的多寡，确定相应分享平台的分享路径。举例说明，当目标用户图像为人脸图像，而某个专用于对单个人脸图像分享平台进行展示的分享平台，仅要求用户分享单人照片，通过对目标用户图像的数量进行确定，根据筛选条件只能将单人脸图像的照片分享至该分享平台。

根据目标用户图像数量获取到对应的分享路径后，根据该分享路径将图像分享到对应的分享平台。

在一些实施方式中，待识别图像中目标用户图像的数量决定了该图像的分享频次。具体请参阅图3，图3为本实施例通过目标用户图像的数量确定待识别图像的分享次数。

如图3所示，步骤S1121之后还包括下述步骤：

S1131、根据所述数量信息在所述数据分享路径数据库中匹配与所述数量信息相等数量的分享路径；

根据待识别图像中目标用户图像的数量，确定与目标用户图像数量相同的分享路径。

例如，目标用户图像为人脸图像时，识别出待识别图像中存在三张人脸图像，此时，需要在分享路径数据库中随机抽取三个分享平台的分享路径。

S1132、依次按所述分享路径分享所述待识别图像，至分享次数与所述数量信息相同后结束。

依次向获取的分享路径表征的分享平台服务器发送分享请求，并在获取相应后对待识别图像进行分享，当分享路径数量与目标数图像数量相同时结束分享。

通过待识别图像中目标用户图像的数量控制分享平台的个数，能够提高分享的效率。

在一些实施方式中，进行分享时需要重点分享至某些用户，为准确确定重点推荐人需要确定推荐人信息供用户选择。具体请参阅图4，图4为根据相似度比对形成推荐名单的流程示意图。

如图4所示步骤S1300之后还包括下述步骤：

S1311、获取分享平台根据所述目标用户图像进行相似对比后形成的分享推荐人信息；

将待识别图像发送至分享平台后，分享平台在获取到待识别图像中的目标用户图像后，将整个平台用户的头像或已经进行分享的图片目标用户图像进行比对。

比对时采用的技术方案同样为通过卷积神经网络模型进行比对，例如首先通过图像处理方法在待识别图像中分别提取目标用户图像，然后将目标用户图像的分类数据转化为二进制的数字串，以该数字串为检索关键字，在平台范围内检索相同字符串的头像或图片(每一个上传至分享平台的每一幅图片均进过预先分类处理，每个图片均被标记有相应分类数据转化成的数字标签)。将该头像或图片的分享用户作为一个推荐人，检索得到所有用户信息集合成为分享推荐人信息。

S1312、根据用户在所述分享推荐人信息中确定的推荐名单，向所述分享平台发送重点推荐请求信息。

将分享推荐人信息发送至用户终端后，用户根据推荐人信息中的用户名单，选择需要重点推荐的用户名单形成推荐名单，然后将该推荐名单发送至分享平台，请求平台重点向推荐名单中的人推荐或提醒这些用户观看分享内容。例如，通过@的方式提醒用户重点浏览。

在本实施方式中，当目标用户图像为人脸图像，且待识别图像中有多个人脸图像时，上传用户并非该待识别图像中的唯一主人，通过平台范围内进行相似度比对，确定分享图片中的其他目标用户图像所表征的用户，将这些用户检索并形成推荐人信息，供用户确定是否重点提醒浏览分享内容。增强了平台的互动性，同样也方便用户快速确定推荐名单。

在一些实施方式中，通过用户历史数据获取分享推荐人信息形成推荐人名单。具体请参阅图5，图5为本实施例根据历史推荐数据形成推荐名单的流程示意图。

如图5所示，步骤S1300之后还包括下述步骤：

S1321、获取用户的历史分享数据；

获取用户的历史分享数据，用户终端相应分享平台应用软件对用户的分享数据进行记录并存储在本地存储器内。

当用户进行新的数据分享时，获取存储在本地存储器内的历史分享记录。

在一些实施方式中，历史分享数据的记录者为分享平台的服务器，在用户上传分享数据时，获取用户的历史推荐人名单，形成历史分享数据。

S1322、根据所述历史分享数据获取分享推荐人信息；

历史分享数据中包括用户历史分享数据过程中分享推荐人信息。获取到历史分享数据后提取分享推荐人信息。

S1323、根据用户在所述分享推荐人信息中确定的推荐名单，向所述分享平台发送重点推荐请求信息。

用户根据推荐人信息中的用户名单，选择需要重点推荐的用户名单形成推荐名单，然后将该推荐名单发送至分享平台，请求平台重点向推荐名单中的人推荐或提醒这些用户观看分享内容。例如，通过@的方式提醒用户重点浏览。

通过在用户的历史分享数据中提取分享推荐人信息，供用户确定是否重点提醒浏览分享内容。增强了平台的互动性，同样也方便用户快速确定推荐名单。

在一些实施方式中，用户在同一分享平台中分享不同类型的图像数据，因此，长期积累的分享推荐人信息较为繁杂，且不同类型的图像数据类型需要重点提醒关注的人群不相同，因此需要向用户提供更加准确的分享推荐人信息。具体请参阅图6，图6为本实施例通过目标用户图像类别信息获取分享推荐人信息的流程示意图。

如图6所示，步骤S1322具体包括下述步骤：

S1411、获取所述目标用户图像的类别信息；

目标用户图像的分类信息能够根据卷积神经网络模型的分类信息获得。或通过提取卷积神经网络模型搜寻的目标用户图像确定。例如，当目标用户图像为人脸图像时，卷积神经网络模型在待识别图像中搜索人脸图像后才能够进行分享，因此，分享时该待识别图像的中目标用户图像的类别为人物。

S1412、根据所述类别信息确定所述历史分享数据中同类别目标用户图像的分享推荐人信息。

历史分享数据中包括用户历史分享数据过程中分享推荐人信息。在整体分享推荐人信息中提取属于目标用户图像类别的分享推荐人信息。

采用目标用户图像的类别对分享推荐人信息进行有效地精简，同时也提高了分享推荐人信息的精准性。

在一些实施方式中，待分享图像通过在视频信息中进行提取。具体请参阅图7，图7为本实施例从视频信息中获取待识别图像的流程示意图。

如图7所示，步骤S1100之前还包括下述步骤：

S1011、在待分享视频数据中定时提取若干帧画面；

对待分享视频数据进行分享之前，需要对待分享视频数据的帧画面进行分割，即构成待分享视频数据的每一帧画面分别进行分割提取，形成帧画面图像。

通过定时提取的方式，提取若干帧画面。例如设定每15s提取一个帧画面。

S1012、依次将所述帧画面输入到预设的卷积神经网络模型中检测所述帧画面中预设目标用户图像的数量信息；

将抽取的若干帧画面分别输入到预设的卷积神经网络模型中，本实施例中卷积神经网络模型被训练用于识别帧画面中是否具有目标用户图像和目标用户图像的数量。

本实施方式中，卷积神经网络模型被训练用于识别帧画面中是否具有目标用户图像及目标用户图像的数量。其训练过程为：收集图像作为训练样本，在训练之前通过人为标记，标记图像中的是否存在目标用户图像，当目标用户图像存在时标定目标用户图像的图像数量(如标定某个样本图像中有两张人脸图像)，并将该信息作为该图像的期望输出。将标记完成的训练样本输入到卷积神经网络模型中，输入后卷积神经网络模型输出该训练样本数据的激励输出，比对期望输出与激励输出是否一致，不一致时，通过反向算法调整卷积神经网络模型的权值，以校正卷积神经网络模型的输出。然后将该训练样本再输入到卷积神经网络模型中，获取新一轮的激励输出，然后再作比较，反复循环直至期望输出与激励输出一致时结束。训练时采用大量的训练样本如100万张图片或者更多训练样本，卷积神经网络的收敛性与样本数量成正比。当卷积神经网络模型被训练至收敛时，识别成功率极高，能够快速识别待识别图像中目标用户图像的数量。

训练至收敛的卷积神经网络模型能够快速检测输入其中帧画面中预设目标用户图像的数量信息，并通过分类的方式将目标用户图像的数量信息输出出来。

S1013、将所述若干帧画面中目标用户图像数量最多的帧画面选定为待识别图像。

选定若干帧画面中目标用户图像数量最多的帧画面为待识别图像。

通过对待分享视频数据中的定时抽取的帧画面图像机型目标用户图像数量的确定，并选择目标用户图像数量最多的帧画面作为待识别图像，既能够提高对待分享视频数据的分享处理效率，同时也能够防止随机采样帧画面造成误判的问题。

为解决上述技术问题，本发明实施例还提供一种数据分享系统。具体请参阅图8，图8为本实施例视频分享系统基本结构框图。

如图8所示，一种数据分享系统还包括：获取模块2100、处理模块2200和执行模块2300。其中，获取模块2100用于获取待识别图像；处理模块2200用于识别待识别图像是否存在目标用户图像；执行模块2300用于当待识别图像存在目标用户图像时，在数据分享路径数据库中匹配与目标用户图像具有对应关系的分享路径，并按分享路径分享待识别图像。

在一些实施方式中，数据分享系统还包括：第一识别子模块和第一执行子模块。其中，第一识别子模块用于识别待识别图像中预设目标用户图像的数量信息；第一执行子模块用于根据数量信息在数据分享路径数据库中匹配与数量信息具有对应关系的分享路径，并按分享路径分享待识别图像。

在一些实施方式中，数据分享系统还包括：第一匹配子模块和第一分享子模块。其中，第一匹配子模块用于根据数量信息在数据分享路径数据库中匹配与数量信息相等数量的分享路径；第一分享子模块用于依次按分享路径分享待识别图像，至分享次数与数量信息相同后结束。

在一些实施方式中，数据分享系统还包括：第一获取子模块和第一请求子模块。其中，第一获取子模块用于获取根据目标用户图像进行相似对比后形成的分享推荐人信息；第一请求子模块用于根据用户在分享推荐人信息中确定的推荐名单，向分享平台发送重点推荐请求信息。

在一些实施方式中，数据分享系统还包括：第二获取子模块、第二执行子模块和第二请求子模块。其中，第二获取子模块用于获取用户的历史分享数据；第二执行子模块用于根据历史分享数据获取分享推荐人信息；第二请求子模块用于根据用户在分享推荐人信息中确定的推荐名单，向分享平台发送重点推荐请求信息。

在一些实施方式中，数据分享系统还包括：第三获取子模块和第三执行子模块。其中，第三获取子模块用于获取目标用户图像的类别信息；第三执行子模块用于根据类别信息确定历史分享数据中同类别目标用户图像的分享推荐人信息。

在一些实施方式中，数据分享系统还包括：第四获取子模块、第一处理子模块和第四执行子模块。其中，第四获取子模块用于在待分享视频数据中定时提取若干帧画面；第一处理子模块用于依次将帧画面输入到预设的卷积神经网络模型中检测帧画面中预设目标用户图像的数量信息；第四执行子模块用于将若干帧画面中目标用户图像数量最多的帧画面选定为待识别图像。

本实施例还提供一种移动终端。具体请参阅图9，图9为本实施例移动终端基本结构示意图。

需要指出的是本实施列中，移动终端的存储器1520内存储用于实现本实施例中数据分享方法中的所有程序，处理器1580能够调用该存储器1520内的程序，执行上述数据分享方法所列举的所有功能。由于移动终端实现的功能在本实施例中的数据分享方法进行了详述，在此不再进行赘述。

移动终端通过将待识别的图片输入到预设的卷积神经网络模型中，对该待识别图像进行内容理解，获取该卷积神经网络模型的图像理解结果后，根据该理解结果在数据分享路径数据库搜索与其对应的分享路径，并沿该分享路径分享待识别图像。由于，在进行分享前通过对待分享图像进行内容理解，识别待识别图像中画面表达的内容，然后确定适合该图像内容的分享路径进行分享，不仅能够提高分享的准确性，提高了分享效率，也解决了批量分享时人工效率低下的问题。

本发明实施例还提供了移动终端，如图9所示，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该终端可以为包括移动终端、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、POS(Pointof Sales，销售终端)、车载电脑等任意终端设备，以终端为移动终端为例：

图9示出的是与本发明实施例提供的终端相关的移动终端的部分结构的框图。参考图9，移动终端包括：射频(Radio Frequency，RF)电路1510、存储器1520、输入单元1530、显示单元1540、传感器1550、音频电路1560、无线保真(wireless fidelity，Wi-Fi)模块1570、处理器1580、以及电源1590等部件。本领域技术人员可以理解，图7中示出的移动终端结构并不构成对移动终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图9对移动终端的各个构成部件进行具体的介绍：

RF电路1510可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器1580处理；另外，将设计上行的数据发送给基站。通常，RF电路1510包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，LNA)、双工器等。此外，RF电路1510还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication，GSM)、通用分组无线服务(General Packet RadioService，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。

存储器1520可用于存储软件程序以及模块，处理器1580通过运行存储在存储器1520的软件程序以及模块，从而执行移动终端的各种功能应用以及数据处理。存储器1520可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声纹播放功能、图像播放功能等)等；存储数据区可存储根据移动终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1520可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

输入单元1530可用于接收输入的数字或字符信息，以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地，输入单元1530可包括触控面板1531以及其他输入设备1532。触控面板1531，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1531上或在触控面板1531附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板1531可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1580，并能接收处理器1580发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1531。除了触控面板1531，输入单元1530还可以包括其他输入设备1532。具体地，其他输入设备1532可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元1540可用于显示由用户输入的信息或提供给用户的信息以及移动终端的各种菜单。显示单元1540可包括显示面板1541，可选的，可以采用液晶显示器(LiquidCrystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1541。进一步的，触控面板1531可覆盖显示面板1541，当触控面板1531检测到在其上或附近的触摸操作后，传送给处理器1580以确定触摸事件的类型，随后处理器1580根据触摸事件的类型在显示面板1541上提供相应的视觉输出。虽然在图9中，触控面板1531与显示面板1541是作为两个独立的部件来实现移动终端的输入和输入功能，但是在某些实施例中，可以将触控面板1531与显示面板1541集成而实现移动终端的输入和输出功能。

移动终端还可包括至少一种传感器1550，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1541的亮度，接近传感器可在移动终端移动到耳边时，关闭显示面板1541和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于移动终端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路1560、扬声器1561，传声器1562可提供用户与移动终端之间的音频接口。音频电路1560可将接收到的音频数据转换后的电信号，传输到扬声器1561，由扬声器1561转换为声纹信号输出；另一方面，传声器1562将收集的声纹信号转换为电信号，由音频电路1560接收后转换为音频数据，再将音频数据输出处理器1580处理后，经RF电路1510以发送给比如另一移动终端，或者将音频数据输出至存储器1520以便进一步处理。

Wi-Fi属于短距离无线传输技术，移动终端通过Wi-Fi模块1570可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图9示出了Wi-Fi模块1570，但是可以理解的是，其并不属于移动终端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器1580是移动终端的控制中心，利用各种接口和线路连接整个移动终端的各个部分，通过运行或执行存储在存储器1520内的软件程序和/或模块，以及调用存储在存储器1520内的数据，执行移动终端的各种功能和处理数据，从而对移动终端进行整体监控。可选的，处理器1580可包括一个或多个处理单元；优选的，处理器1580可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1580中。

移动终端还包括给各个部件供电的电源1590(比如电池)，优选的，电源可以通过电源管理系统与处理器1580逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管未示出，移动终端还可以包括摄像头、蓝牙模块等，在此不再赘述。

需要说明的是，本发明的说明书及其附图中给出了本发明的较佳的实施例，但是，本发明可以通过许多不同的形式来实现，并不限于本说明书所描述的实施例，这些实施例不作为对本发明内容的额外限制，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。并且，上述各技术特征继续相互组合，形成未在上面列举的各种实施例，均视为本发明说明书记载的范围；进一步地，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (11)

1.一种数据分享方法，其特征在于，包括下述步骤：

获取待识别图像；

识别所述待识别图像是否存在目标用户图像；

当所述待识别图像存在所述目标用户图像时，在数据分享路径数据库中匹配与所述目标用户图像具有对应关系的分享路径，并按所述分享路径分享所述待识别图像；

其中，所述数据分享路径数据库为收集的分享平台的数据集合，并根据不同分享平台的专业性质对所述收集的分享平台进行分类；

其中，与所述目标用户图像具有对应关系的分享路径为与所述目标用户图像的类型一致的专业性质所对应的分享平台的分享路径；

其中，所述目标用户图像的类型为人体图像、植物图像、动物图像或人造物品图像；

其中，所述获取待识别图像的步骤之后，还包括下述步骤：

识别所述待识别图像中预设目标用户图像的数量信息；

根据所述数量信息在所述数据分享路径数据库中匹配与所述数量信息具有对应关系的分享路径，并按所述分享路径分享所述待识别图像；

其中，所述识别所述待识别图像中预设目标用户图像的数量信息步骤之后，还包括下述步骤：

根据所述数量信息在所述数据分享路径数据库中匹配与所述数量信息相等数量的分享路径；

依次按所述分享路径分享所述待识别图像，至分享次数与所述数量信息相同后结束。

2.根据权利要求1所述的数据分享方法，其特征在于，所述根据所述数量信息在所述数据分享路径数据库中匹配与所述数量信息具有对应关系的分享路径，并按所述分享路径分享所述待识别图像的步骤之后，还包括下述步骤：

获取根据所述目标用户图像进行相似对比后形成的分享推荐人信息；

根据用户在所述分享推荐人信息中确定的推荐名单，向所述分享平台发送重点推荐请求信息。

3.根据权利要求1所述的数据分享方法，其特征在于，所述根据所述数量信息在所述数据分享路径数据库中匹配与所述数量信息具有对应关系的分享路径，并按所述分享路径分享所述待识别图像的步骤之后，还包括下述步骤：

获取用户的历史分享数据；

根据所述历史分享数据获取分享推荐人信息；

根据用户在所述分享推荐人信息中确定的推荐名单，向所述分享平台发送重点推荐请求信息。

4.根据权利要求3所述的数据分享方法，其特征在于，所述根据所述历史分享数据获取分享推荐人信息的步骤，具体包括下述步骤：

获取所述目标用户图像的类别信息；

根据所述类别信息确定所述历史分享数据中同类别目标用户图像的分享推荐人信息。

5.根据权利要求1所述的数据分享方法，其特征在于，所述获取待识别图像的步骤之前，还包括下述步骤：

在待分享视频数据中定时提取若干帧画面；

依次将所述帧画面输入到预设的卷积神经网络模型中检测所述帧画面中预设目标用户图像的数量信息；

将所述若干帧画面中目标用户图像数量最多的帧画面选定为待识别图像。

6.一种数据分享系统，其特征在于，包括：

获取模块，用于获取待识别图像；

处理模块，用于识别所述待识别图像是否存在目标用户图像；

执行模块，用于当所述待识别图像存在所述目标用户图像时，在数据分享路径数据库中匹配与所述目标用户图像具有对应关系的分享路径，并按所述分享路径分享所述待识别图像；

其中，所述数据分享路径数据库为收集的分享平台的数据集合，并根据不同分享平台的专业性质对所述收集的分享平台进行分类；

其中，与所述目标用户图像具有对应关系的分享路径为与所述目标用户图像的类型一致的专业性质所对应的分享平台的分享路径；

其中，所述目标用户图像的类型为人体图像、植物图像、动物图像或人造物品图像；

其中，所述数据分享系统还包括：

第一识别子模块，用于识别所述待识别图像中预设目标用户图像的数量信息；

第一执行子模块，用于根据所述数量信息在所述数据分享路径数据库中匹配与所述数量信息具有对应关系的分享路径，并按所述分享路径分享所述待识别图像；

其中，所述数据分享系统还包括：

第一匹配子模块，用于根据所述数量信息在所述数据分享路径数据库中匹配与所述数量信息相等数量的分享路径；

第一分享子模块，用于依次按所述分享路径分享所述待识别图像，至分享次数与所述数量信息相同后结束。

7.根据权利要求6所述的数据分享系统，其特征在于，所述数据分享系统还包括：

第一获取子模块，用于获取根据所述目标用户图像进行相似对比后形成的分享推荐人信息；

第一请求子模块，用于根据用户在所述分享推荐人信息中确定的推荐名单，向所述分享平台发送重点推荐请求信息。

8.根据权利要求6所述的数据分享系统，其特征在于，所述数据分享系统还包括：

第二获取子模块，用于获取用户的历史分享数据；

第二执行子模块，用于根据所述历史分享数据获取分享推荐人信息；

第二请求子模块，用于根据用户在所述分享推荐人信息中确定的推荐名单，向所述分享平台发送重点推荐请求信息。

9.根据权利要求8所述的数据分享系统，其特征在于，所述数据分享系统还包括：

第三获取子模块，用于获取所述目标用户图像的类别信息；

第三执行子模块，用于根据所述类别信息确定所述历史分享数据中同类别目标用户图像的分享推荐人信息。

10.根据权利要求6所述的数据分享系统，其特征在于，所述数据分享系统还包括：

第四获取子模块，用于在待分享视频数据中定时提取若干帧画面；

第一处理子模块，用于依次将所述帧画面输入到预设的卷积神经网络模型中检测所述帧画面中预设目标用户图像的数量信息；

第四执行子模块，用于将所述若干帧画面中目标用户图像数量最多的帧画面选定为待识别图像。

11.一种移动终端，其特征在于，包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行权利要求1-5任意一项所述的数据分享方法；

其中，所述数据分享路径数据库为收集的分享平台的数据集合。

Images