CN108596263A - 一种相册图片归类方法 - Google Patents

一种相册图片归类方法 Download PDF

Info

Publication number
CN108596263A
CN108596263A CN201810405151.3A CN201810405151A CN108596263A CN 108596263 A CN108596263 A CN 108596263A CN 201810405151 A CN201810405151 A CN 201810405151A CN 108596263 A CN108596263 A CN 108596263A
Authority
CN
China
Prior art keywords
attribute information
portrait
picture
pictures
attribute
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.)
Pending
Application number
CN201810405151.3A
Other languages
English (en)
Inventor
向湘杰
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.)
Dongguan Huarui Electronic Technology Co Ltd
Original Assignee
Dongguan Huarui Electronic Technology Co 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 Dongguan Huarui Electronic Technology Co Ltd filed Critical Dongguan Huarui Electronic Technology Co Ltd
Priority to CN201810405151.3A priority Critical patent/CN108596263A/zh
Publication of CN108596263A publication Critical patent/CN108596263A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明提供一种相册图片归类方法，该方法具体包括：获取至少两张未分类图片；对至少两张未分类图片分别进行检测，确定至少两张未分类图片中包含人像的图片；对至少两张未分类图片中包含人像的图片分别进行人像分析，确定包括相同人像的图片；新建相册，并将包括相同人像的图片归类到同一个新建相册中。本发明实现了人像图片的自动化归类，归类准确快速。

Description

一种相册图片归类方法
技术领域
本发明图片处理领域，尤其涉及一种相册图片归类方法。
技术领域
随着数据网络的不断发展，现在社会中的数据量越来越大，例如，包含人像的图像数量也越来越多。例如越来越多的用户喜欢使用移动终端拍照留念。但是随着照片数量的增加，带来了一个问题：即用户需要手工对照片进行分类。手工分类不仅使照片分类工作变得繁琐而且还会产生分类错误。
发明内容
本发明提供了一种相册图片归类方法，以解决目前照片分类工作变得繁琐而且还会产生分类错误的问题。
本发明提供一种相册图片归类方法，该方法包括：
获取至少两张未分类图片；
对所述至少两张未分类图片分别进行检测，确定所述至少两张未分类图片中包含人像的图片；
对所述至少两张未分类图片中包含人像的图片分别进行人像分析，确定包括相同人像的图片；
新建相册，并将包括相同人像的图片归类到同一个新建相册中。
进一步的，所述对所述至少两张未分类图片分别进行检测，确定所述至少两张未分类图片中包含人像的图片，包括：
从模板数据库中读取出常见姿势模板；
对所述至少两张未分类图片中每张图片，根据每张图片中的地理场景，从常见姿势模板中确定待用姿势模板；
根据待用姿势模板确定每张图片对应的待用姿势的包络框；
利用每张图片对应的待用姿势的包络框在每张图片中进行匹配，若匹配成功，则确定当前图片中包含人像。
进一步的，所述根据每张图片中的地理场景，从常见姿势模板中确定待用姿势模板，包括：
若当前图片焦平面的地理场景为路面，则确定站立姿势和下蹲姿势为所述待用姿势模板；
若当前图片焦平面的地理场景为栏杆，则确定站立姿势和依靠姿势为所述待用姿势模板；
若当前图片焦平面的地理场景为椅子，则确定站立姿势和坐下姿势为所述待用姿势模板。
进一步的，所述对所述至少两张未分类图片中包含人像的图片分别进行人像分析，确定包括相同人像的图片，包括：
利用人像属性算法对所述至少两张未分类图片中包含人像的图片分别进行人像分析，确定每张图片中包括的人像的多种属性信息；
将达到预设种类属性信息相同的人像对应的图片，确定为包括相同人像的图片。
进一步的，所述新建相册，并将包括相同人像的图片归类到同一个新建相册中，包括：
新建相册，对于包括相同人像的图片，以它们共有的属性信息中第一属性信息作为所述新建相册的相册名，将包括相同人像的图片归类到同一个新建相册中；
其中，所述第一属性信息为包括相同人像的图片它们共有的属性信息中，在预设的属性信息排序中优先级最高的属性信息。
进一步的，在新建相册之前，所述方法还包括：
获取用户预先设置的或系统默认的属性信息排序信息。
进一步的，所述人像属性算法是基于多个样本人像图像以及所述多个样本人像图像的多个已知属性信息识别结果按照属性信息的不同类型进行训练得到，所述多种属性信息包括：年龄、性别、身高。
进一步的，所述人像属性算法通过以下方式训练得到：
读取样本人像数据，样本人像数据为预先录入，每个样本人像数据中包含样本人像图像以及样本人像图像的各种属性信息；
从样本人像图像中提取人像特征；
根据初始模型中的不同属性信息对应的子模型对每个样本人像图像的人像特征进行前向计算，得到每个样本人像图像的多个属性信息的预测值；
根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗；
将所述多个属性信息的损耗求和，得到所述多个属性信息的总损耗；
对所述初始模型中的不同属性信息对应的子模型的参数进行调整，直到调整后的参数使得所述多个属性信息的总损耗小于或等于预设阈值时，停止调整得到所述人像属性算法。
进一步的，所述根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗的过程包括：
对于所述多个属性信息中每一个属性信息，若所述属性信息为回归属性，按照如下公式对所述属性信息的预测值和属性信息的值进行计算，得到所述属性信息的损耗：
其中，m表示当前属性信息在多个属性信息中的编号，表示识别模型计算得到的预测值，表示属性信息的值，i表示回归维度，j表示回归维度的标，L表示该属性信息对应的损耗。
进一步的，所述根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗的过程包括：
对于所述多个属性信息中每一个属性信息，若所述属性信息不为回归属性，按照如下公式对所述属性信息的预测向量和属性信息向量进行计算，得到所述属性信息的损耗：
其中，m表示当前属性信息在多个属性信息中的编号，x表示属性信息的值，z表示识别模型计算得到的预测值，d表示当前属性信息的识别结果数目，h表示当前属性信息的识别结果的标识，L表示该属性信息对应的损耗。
本发明中通过获取至少两张未分类图片；对至少两张未分类图片分别进行检测，确定至少两张未分类图片中包含人像的图片；对至少两张未分类图片中包含人像的图片分别进行人像分析，确定包括相同人像的图片；新建相册，并将包括相同人像的图片归类到同一个新建相册中。本发明实现了人像图片的自动化归类，归类准确快速。
附图说明
图1为本发明实施例中相册图片归类方法的一个实施例示意图。
具体实施方式
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。
本发明提供的实施例为一种相册图片归类方法，该方法可以应用于移动终端，如手机，平板电脑等，如图1所示，所述方法包括：
步骤S101、获取至少两张未分类图片；
具体的，该至少两张未分类图片可以是移动终端图库中的图片，也可以移动终端从网络或服务器获取的图片，也可以是某些场景下的图片，例如，用户在某天拍摄的所有图片。
步骤S102、对所述至少两张未分类图片分别进行检测，确定所述至少两张未分类图片中包含人像的图片；
步骤S103、对所述至少两张未分类图片中包含人像的图片分别进行人像分析，确定包括相同人像的图片；
步骤S104、新建相册，并将包括相同人像的图片归类到同一个新建相册中。
具体的，当所述至少两张未分类图片中包括多个包括相同人像的图片集合时，可以新建多个相册，分别将这多个集合图片归类到对应的相册中。
进一步的，所述对所述至少两张未分类图片分别进行检测，确定所述至少两张未分类图片中包含人像的图片，包括：
从模板数据库中读取出常见姿势模板；
对所述至少两张未分类图片中每张图片，根据每张图片中的地理场景，从常见姿势模板中确定待用姿势模板；
根据待用姿势模板确定每张图片对应的待用姿势的包络框；
利用每张图片对应的待用姿势的包络框在每张图片中进行匹配，若匹配成功，则确定当前图片中包含人像。
进一步的，所述根据每张图片中的地理场景，从常见姿势模板中确定待用姿势模板，包括：
若当前图片焦平面的地理场景为路面，则确定站立姿势和下蹲姿势为所述待用姿势模板；
若当前图片焦平面的地理场景为栏杆，则确定站立姿势和依靠姿势为所述待用姿势模板；
若当前图片焦平面的地理场景为椅子，则确定站立姿势和坐下姿势为所述待用姿势模板。
进一步的，所述对所述至少两张未分类图片中包含人像的图片分别进行人像分析，确定包括相同人像的图片，包括：
利用人像属性算法对所述至少两张未分类图片中包含人像的图片分别进行人像分析，确定每张图片中包括的人像的多种属性信息；
将达到预设种类属性信息相同的人像对应的图片，确定为包括相同人像的图片。
进一步的，所述新建相册，并将包括相同人像的图片归类到同一个新建相册中，包括：
新建相册，对于包括相同人像的图片，以它们共有的属性信息中第一属性信息作为所述新建相册的相册名，将包括相同人像的图片归类到同一个新建相册中；
其中，所述第一属性信息为包括相同人像的图片它们共有的属性信息中，在预设的属性信息排序中优先级最高的属性信息。
进一步的，在新建相册之前，所述方法还包括：
获取用户预先设置的或系统默认的属性信息排序信息。
进一步的，所述人像属性算法是基于多个样本人像图像以及所述多个样本人像图像的多个已知属性信息识别结果按照属性信息的不同类型进行训练得到，所述多种属性信息包括：年龄、性别、身高。
进一步的，所述人像属性算法通过以下方式训练得到：
读取样本人像数据，样本人像数据为预先录入，每个样本人像数据中包含样本人像图像以及样本人像图像的各种属性信息；
从样本人像图像中提取人像特征；
根据初始模型中的不同属性信息对应的子模型对每个样本人像图像的人像特征进行前向计算，得到每个样本人像图像的多个属性信息的预测值；
根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗；
将所述多个属性信息的损耗求和，得到所述多个属性信息的总损耗；
对所述初始模型中的不同属性信息对应的子模型的参数进行调整，直到调整后的参数使得所述多个属性信息的总损耗小于或等于预设阈值时，停止调整得到所述人像属性算法。
进一步的，所述根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗的过程包括：
对于所述多个属性信息中每一个属性信息，若所述属性信息为回归属性，按照如下公式对所述属性信息的预测值和属性信息的值进行计算，得到所述属性信息的损耗：
其中，m表示当前属性信息在多个属性信息中的编号，表示识别模型计算得到的预测值，表示属性信息的值，i表示回归维度，j表示回归维度的标，L表示该属性信息对应的损耗。
进一步的，所述根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗的过程包括：
对于所述多个属性信息中每一个属性信息，若所述属性信息不为回归属性，按照如下公式对所述属性信息的预测向量和属性信息向量进行计算，得到所述属性信息的损耗：
其中，m表示当前属性信息在多个属性信息中的编号，x表示属性信息的值，z表示识别模型计算得到的预测值，d表示当前属性信息的识别结果数目，h表示当前属性信息的识别结果的标识，L表示该属性信息对应的损耗。
本发明中通过获取至少两张未分类图片；对至少两张未分类图片分别进行检测，确定至少两张未分类图片中包含人像的图片；对至少两张未分类图片中包含人像的图片分别进行人像分析，确定包括相同人像的图片；新建相册，并将包括相同人像的图片归类到同一个新建相册中。本发明实现了人像图片的自动化归类，归类准确快速。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种相册图片归类方法，其特征在于，包括：
获取至少两张未分类图片；
对所述至少两张未分类图片分别进行检测，确定所述至少两张未分类图片中包含人像的图片；
对所述至少两张未分类图片中包含人像的图片分别进行人像分析，确定包括相同人像的图片；
新建相册，并将包括相同人像的图片归类到同一个新建相册中。
2.根据权利要求1所述的方法，其特征在于，所述对所述至少两张未分类图片分别进行检测，确定所述至少两张未分类图片中包含人像的图片，包括：
从模板数据库中读取出常见姿势模板；
对所述至少两张未分类图片中每张图片，根据每张图片中的地理场景，从常见姿势模板中确定待用姿势模板；
根据待用姿势模板确定每张图片对应的待用姿势的包络框；
利用每张图片对应的待用姿势的包络框在每张图片中进行匹配，若匹配成功，则确定当前图片中包含人像。
3.根据权利要求2所述的方法，其特征在于，所述根据每张图片中的地理场景，从常见姿势模板中确定待用姿势模板，包括：
若当前图片焦平面的地理场景为路面，则确定站立姿势和下蹲姿势为所述待用姿势模板；
若当前图片焦平面的地理场景为栏杆，则确定站立姿势和依靠姿势为所述待用姿势模板；
若当前图片焦平面的地理场景为椅子，则确定站立姿势和坐下姿势为所述待用姿势模板。
4.根据权利要求1所述的方法，其特征在于，所述对所述至少两张未分类图片中包含人像的图片分别进行人像分析，确定包括相同人像的图片，包括：
利用人像属性算法对所述至少两张未分类图片中包含人像的图片分别进行人像分析，确定每张图片中包括的人像的多种属性信息；
将达到预设种类属性信息相同的人像对应的图片，确定为包括相同人像的图片。
5.根据权利要求4所述的方法，其特征在于，所述新建相册，并将包括相同人像的图片归类到同一个新建相册中，包括：
新建相册，对于包括相同人像的图片，以它们共有的属性信息中第一属性信息作为所述新建相册的相册名，将包括相同人像的图片归类到同一个新建相册中；
其中，所述第一属性信息为包括相同人像的图片它们共有的属性信息中，在预设的属性信息排序中优先级最高的属性信息。
6.根据权利要求5所述的方法，其特征在于，在新建相册之前，所述方法还包括：
获取用户预先设置的或系统默认的属性信息排序信息。
7.根据权利要求4所述的方法，其特征在于，所述人像属性算法是基于多个样本人像图像以及所述多个样本人像图像的多个已知属性信息识别结果按照属性信息的不同类型进行训练得到，所述多种属性信息包括：年龄、性别、身高。
8.根据权利要求7所述的方法，其特征在于，所述人像属性算法通过以下方式训练得到：
读取样本人像数据，样本人像数据为预先录入，每个样本人像数据中包含样本人像图像以及样本人像图像的各种属性信息；
从样本人像图像中提取人像特征；
根据初始模型中的不同属性信息对应的子模型对每个样本人像图像的人像特征进行前向计算，得到每个样本人像图像的多个属性信息的预测值；
根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗；
将所述多个属性信息的损耗求和，得到所述多个属性信息的总损耗；
对所述初始模型中的不同属性信息对应的子模型的参数进行调整，直到调整后的参数使得所述多个属性信息的总损耗小于或等于预设阈值时，停止调整得到所述人像属性算法。
9.根据权利要求8所述的方法，其特征在于，所述根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗的过程包括：
对于所述多个属性信息中每一个属性信息，若所述属性信息为回归属性，按照如下公式对所述属性信息的预测值和属性信息的值进行计算，得到所述属性信息的损耗：
其中，m表示当前属性信息在多个属性信息中的编号，表示识别模型计算得到的预测值，表示属性信息的值，i表示回归维度，j表示回归维度的标，L表示该属性信息对应的损耗。
10.根据权利要求8所述的方法，其特征在于，所述根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗的过程包括：
对于所述多个属性信息中每一个属性信息，若所述属性信息不为回归属性，按照如下公式对所述属性信息的预测向量和属性信息向量进行计算，得到所述属性信息的损耗：
其中，m表示当前属性信息在多个属性信息中的编号，x表示属性信息的值，z表示识别模型计算得到的预测值，d表示当前属性信息的识别结果数目，h表示当前属性信息的识别结果的标识，L表示该属性信息对应的损耗。
CN201810405151.3A 2018-04-28 2018-04-28 一种相册图片归类方法 Pending CN108596263A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810405151.3A CN108596263A (zh) 2018-04-28 2018-04-28 一种相册图片归类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810405151.3A CN108596263A (zh) 2018-04-28 2018-04-28 一种相册图片归类方法

Publications (1)

Publication Number Publication Date
CN108596263A true CN108596263A (zh) 2018-09-28

Family

ID=63620132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810405151.3A Pending CN108596263A (zh) 2018-04-28 2018-04-28 一种相册图片归类方法

Country Status (1)

Country Link
CN (1) CN108596263A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104850848A (zh) * 2015-06-04 2015-08-19 广东欧珀移动通信有限公司 照片分类方法及装置
CN105631408A (zh) * 2015-12-21 2016-06-01 小米科技有限责任公司 基于视频的面孔相册处理方法和装置
CN107734251A (zh) * 2017-09-29 2018-02-23 维沃移动通信有限公司 一种拍照方法和移动终端
CN107844781A (zh) * 2017-11-28 2018-03-27 腾讯科技（深圳）有限公司 人脸属性识别方法及装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104850848A (zh) * 2015-06-04 2015-08-19 广东欧珀移动通信有限公司 照片分类方法及装置
CN105631408A (zh) * 2015-12-21 2016-06-01 小米科技有限责任公司 基于视频的面孔相册处理方法和装置
CN107734251A (zh) * 2017-09-29 2018-02-23 维沃移动通信有限公司 一种拍照方法和移动终端
CN107844781A (zh) * 2017-11-28 2018-03-27 腾讯科技（深圳）有限公司 人脸属性识别方法及装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
US10956784B2 (en) Neural network-based image manipulation
JP7350495B2 (ja) 装置、方法、及びプログラム
US9367757B2 (en) Content extracting device, content extracting method and program
US8917943B2 (en) Determining image-based product from digital image collection
JP7250567B2 (ja) 装置、方法、及びプログラム
CA3000955C (en) Automatic image product creation for user accounts comprising large number of images
US9336442B2 (en) Selecting images using relationship weights
US9626550B2 (en) Grouping face images using statistic distribution estimate
US20140198986A1 (en) System and method for image selection using multivariate time series analysis
JP7341676B2 (ja) 装置、方法、及びプログラム
US20120027311A1 (en) Automated image-selection method
JP7341677B2 (ja) 装置、方法、及びプログラム
CN102576461A (zh) 评估数字图像的美学质量
US20120030575A1 (en) Automated image-selection system
CN107423689B (zh) 智能交互式人脸关键点标注方法
US20170293637A1 (en) Automated multiple image product method
JP2022123209A (ja) 画像処理装置、画像処理方法、及びプログラム
JP2022123211A (ja) プログラム、画像処理装置、及び画像処理方法
JP2020140557A (ja) 画像処理装置、制御方法、及びプログラム
US11783192B2 (en) Hybrid deep learning method for recognizing facial expressions
US20120027303A1 (en) Automated multiple image product system
JP7027101B2 (ja) 情報処理装置、制御方法、及びプログラム
JP7451242B2 (ja) 画像処理装置、画像処理方法、及びプログラム
US9792535B2 (en) Automatic image product creation for user accounts comprising large number of images
US9495617B2 (en) Image product creation based on face images grouped using image product statistics

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180928

WD01 Invention patent application deemed withdrawn after publication