CN108764334A - 人脸图像颜值判断方法、装置、计算机设备及存储介质 - Google Patents

人脸图像颜值判断方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN108764334A
CN108764334A CN201810524450.9A CN201810524450A CN108764334A CN 108764334 A CN108764334 A CN 108764334A CN 201810524450 A CN201810524450 A CN 201810524450A CN 108764334 A CN108764334 A CN 108764334A
Authority
CN
China
Prior art keywords
value
face
classification
face value
facial image
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
CN201810524450.9A
Other languages
English (en)
Inventor
杨帆
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.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information 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 Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN201810524450.9A priority Critical patent/CN108764334A/zh
Publication of CN108764334A publication Critical patent/CN108764334A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例公开了一种人脸图像颜值判断方法、装置、计算机设备及存储介质，包括下述步骤：获取待判断的人脸图像；将所述人脸图像输入到预设的神经网络模型中；根据所述神经网络模型输出的分类数据对所述人脸图像进行颜值分类。在对进行人脸颜值判断的神经网络模型进行训练时，对同一个人在不同的空间环境内拍摄的照片进行统一期望处理，得到同一个人不同照片的多个颜值期望，然后对颜值期望进行排序取排序结果中的中间值，作为同一人不同照片的颜值期望，由于训练样本集中同一人的不同照片颜值期望相同，通过这一类照片训练至收敛的神经网络模型，在不同的环境下对同一人的颜值评分输出稳定性高，不易受到环境的影响。

Description

人脸图像颜值判断方法、装置、计算机设备及存储介质
技术领域
本发明实施例涉及模型算法领域，尤其是一种人脸图像颜值判断方法、装置、计算机设备及存储介质。
背景技术
随着脸部识别算法的准确性越来越高，脸部识别的一个重要的作用在于，通过对人脸图像的颜值进行分类，对众多的人脸图像进行归纳管理。
现有技术中，在对人体面部图像进行比对和应用分类时，采用深度学习的方法，主要的方法流程为：按照预设的工作目的，反复训练卷积神经网络模型至该模型收敛为止，卷积神经网络模型训练完成后，将欲分类或处理的人脸图像输入到训练好的卷积神经网络模型中，卷积神经网络模型根据训练学习到的权重比例，对该人脸图像进行分类或处理，由此能够看出，深度学习的方法通过反复训练，将模型训练成为一个具有一定辨识和判断能力的系统。
本发明创造的发明人在研究中发现，现有技术中通过训练卷积神经网络模型对图像进行处理时，同一人物在在不同场景下的人脸图片得到的结果是不一致的，有的甚至相差比较大，比如在明亮的光照条件下往往人的颜值较高，在光照不明显的条件下，往往人的颜值较低，而数据的扩增变化很难使网络学习到这种一致性，因此，现有技术中模型的稳定性较低，受环境的影响较大。
发明内容
本发明实施例提供能够提供一种分类数据更加稳定，受环境的影响较小的人脸图像颜值判断方法、装置、计算机设备及存储介质。
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：提供一种人脸图像颜值判断方法，包括下述步骤：
获取待判断的人脸图像；
将所述人脸图像输入到预设的神经网络模型中，其中，训练所述神经网络模型时同一目标源的训练样本集的颜值期望为多个判断值中的中间值；
根据所述神经网络模型输出的分类数据对所述人脸图像进行颜值分类。
可选地，所述神经网络模型设有多个颜值类别，且各颜值类别分别对应一个人脸颜值数值；所述根据所述神经网络模型输出的分类数据对所述人脸图像进行颜值分类的步骤，具体包括下述步骤：
获取所述神经网络模型输出的多个分类值；
确认所述多个分类值中数值最大的分类值对应的颜值类别为分类结果；
调用与所述分类结果具有映射关系的人脸颜值数值使其与所述分类值相乘得到所述人脸图像的颜值分数。
可选地，所述神经网络模型设有四个颜值类别，且各颜值类别分别对应一个人脸颜值数值；所述根据所述神经网络模型输出的分类数据对所述人脸图像进行颜值分类的步骤，具体包括下述步骤：
获取所述神经网络模型输出的四个分类值；
确认所述四个分类值中数值最大的分类值对应的颜值类别为分类结果；
调用与所述分类结果具有映射关系的人脸颜值数值使其与所述分类值相乘得到所述人脸图像的颜值分数。
可选地，所述颜值分数的特征描述为：
其中，pi表示输出的概率，xi表示为颜值类别对应的人脸颜值数值，y表示颜值分数。
可选地，所述神经网络模型的训练方法包括：
获取所述训练样本集，所述训练样本集包括同一目标的多张人脸图像；
将所述多张人脸图像依次输入到预设的第一分类模型中，分别获取所述多张人脸图像的颜值分数；
以分数值为限定条件对所述多张人脸图像的颜值分数进行排序；
确认所述排序结果中处于中间位置的颜值分数为所述多张人脸图像的期望分类值。
可选地，所述确认所述排序结果中处于中间位置的颜值分数为所述多张人脸图像的期望分类值的步骤之后，还包括下述步骤：
将所述训练样本集输入到所述神经网络模型中，获取所述神经网络模型输出的激励分类值；
比对所述期望分类值与所述激励分类值之间的距离是否小于或等于预设的第一阈值；
当所述期望分类值与所述激励分类值之间的距离大于预设的第一阈值时，反复循环迭代的通过反向算法更新所述神经网络模型中的权重，至所述所述期望分类值与所述激励分类值之间的距离小于或等于预设的第一阈值时结束。
可选地，所述获取待判断的人脸图像的步骤，包括下述步骤：
获取目标视频；
从所述目标视频中定时抽取帧画面，并判断所述帧画面中是否存在人脸图像；
当所述帧画面中存在人脸图像时，确认所述帧画面图像为待判断的人脸图像。
为解决上述技术问题，本发明实施例还提供一种人脸图像颜值判断装置，包括：
获取模块，用于获取待判断的人脸图像；
处理模块，用于将所述人脸图像输入到预设的神经网络模型中，其中，训练所述神经网络模型时同一目标源的训练样本集的颜值期望为多个判断值中的中间值；
执行模块，用于根据所述神经网络模型输出的分类数据对所述人脸图像进行颜值分类。
可选地，所述神经网络模型设有多个颜值类别，且各颜值类别分别对应一个人脸颜值数值；所述人脸图像颜值判断装置还包括：
第一获取子模块，用于获取所述神经网络模型输出的多个分类值；
第一处理子模块，用于确认所述多个分类值中数值最大的分类值对应的颜值类别为分类结果；
第一执行子模块，用于调用与所述分类结果具有映射关系的人脸颜值数值使其与所述分类值相乘得到所述人脸图像的颜值分数。
可选地，所述人脸图像颜值判断装置还包括：
第二获取子模块，用于获取所述神经网络模型输出的四个分类值；
第二处理子模块，用于确认所述四个分类值中数值最大的分类值对应的颜值类别为分类结果；
第二执行子模块，用于调用与所述分类结果具有映射关系的人脸颜值数值使其与所述分类值相乘得到所述人脸图像的颜值分数。
可选地，所述颜值分数的特征描述为：
其中，pi表示输出的概率，xi表示为颜值类别对应的人脸颜值数值，y表示颜值分数。
可选地，所述人脸图像颜值判断装置还包括：
第三获取子模块，用于获取所述训练样本集，所述训练样本集包括同一目标的多张人脸图像；
第三处理子模块，用于将所述多张人脸图像依次输入到预设的第一分类模型中，分别获取所述多张人脸图像的颜值分数；
第一排序子模块，用于以分数值为限定条件对所述多张人脸图像的颜值分数进行排序；
第三执行子模块，用于确认所述排序结果中处于中间位置的颜值分数为所述多张人脸图像的期望分类值。
可选地，所述人脸图像颜值判断装置还包括：
第一输入子模块，用于将所述训练样本集输入到所述神经网络模型中，获取所述神经网络模型输出的激励分类值；
第一比对子模块，用于比对所述期望分类值与所述激励分类值之间的距离是否小于或等于预设的第一阈值；
第四处理子模块，用于当所述期望分类值与所述激励分类值之间的距离大于预设的第一阈值时，反复循环迭代的通过反向算法更新所述神经网络模型中的权重，至所述所述期望分类值与所述激励分类值之间的距离小于或等于预设的第一阈值时结束。
可选地，所述人脸图像颜值判断装置还包括：
第四获取子模块，用于获取目标视频；
第五处理子模块，用于从所述目标视频中定时抽取帧画面，并判断所述帧画面中是否存在人脸图像；
第四执行子模块，用于当所述帧画面中存在人脸图像时，确认所述帧画面图像为待判断的人脸图像。
为解决上述技术问题，本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述人脸图像颜值判断方法的步骤。
为解决上述技术问题，本发明实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述人脸图像颜值判断方法的步骤。
本发明实施例的有益效果是：在对进行人脸颜值判断的神经网络模型进行训练时，对同一个人在不同的空间环境内拍摄的照片进行统一期望处理，得到同一个人不同照片的多个颜值期望，然后对颜值期望进行排序取排序结果中的中间值，作为同一人不同照片的颜值期望，即同一人的照片无论所处的环境是否相同，其所有的照片的颜值期望均相同。将然后将标记有颜值期望的人脸图像输入到颜值判断的神经网络模型中，对神经网络模型进行训练，由于训练样本集中同一人的不同照片颜值期望相同，通过这一类照片训练至收敛的神经网络模型，在不同的环境下对同一人的颜值评分输出稳定性高，不易受到环境的影响。
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为本发明实施例人脸图像颜值判断方法的基本流程示意图；
图2为本发明实施例计算颜值分数的一种实施方式的流程示意图；
图3为本发明实施例计算颜值分数的具体流程示意图；
图4为本发明实施例期望分类值的获取方法流程示意图；
图5为本发明实施例神经网络模型的训练方法流程示意图；
图6为本发明实施例人脸图像的提取方法流程示意图；
图7为本发明实施例人脸图像颜值判断装置基本结构示意图；
图8为本发明实施例计算机设备基本结构框图。
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。
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。
本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
具体地请参阅图1，图1为本实施例人脸图像颜值判断方法的基本流程示意图。
如图1所示，一种人脸图像颜值判断方法，包括下述步骤：
S1100、获取待判断的人脸图像；
获取人脸图像的方法包括实时采集和提取存储图像视频资料两种方法。实时采集主要用于智能终端(手机、平板电脑和监控设备)的实时应用(如：判断用户年龄、性别、颜值和相似度等)。提取存储图像视频资料主要用于对存储的图像和视频资料进行进一步的处理，也能够用于智能终端对历史照片进行应用。
人脸图像的获取能够是通过照片，或者通过对视频资料的帧画面进行提取，获得人脸图像。
S1200、将所述人脸图像输入到预设的神经网络模型中，其中，训练所述神经网络模型时同一目标源的训练样本集的颜值期望为多个判断值中的中间值；
将采集的人脸图像输入到已经预先训练至收敛的神经网络模型，本实施方式中的神经网络模型能够是CNN卷积神经网络模型、VGG卷积神经网络模型或者insightface人脸识别模型。
本实施方式中神经网络模型在训练时，采用的训练样本集是由若干个(例如10万人)人脸图像组成的，且每一个人具有多张不同环境状态的人脸图像，在对同一人的多张人脸图像进行训练之前，需要对人脸图像的颜值期望进行预判，预判能够采用人工标记的方式进行或者采用现有技术中已经训练至收敛的颜值判断模型进行判断。
具体地，首先对同一人在不同环境中拍摄的多张照片进行颜值评判，根据颜值分数的大小关系，对多张照片的人脸颜值进行排序，并且取排序表中位于中间位置的中间值，作为同一人多张人脸图像的共同颜值期望。当一个人的人脸图像为奇数个时，获取排序列表中的中间值作为颜值期望；当一个人的人脸图像为偶数个时，获取排序列表中的两个中间值的平均值作为颜值期望。
通过上述样本训练集训练至收敛的神经网络模型，由于在训练时同一人在不同环境下的的颜值期望相同，因此，神经网络模型输出的同一人在不同环境下的颜值测试数值具有更高的收敛性，数据的离散度较低。
S1300、根据所述神经网络模型输出的分类数据对所述人脸图像进行颜值分类。
人脸图像输入到训练至收敛的神经网络模型中时，响应于该输入神经网络模型输出对该人脸图像的分类数据，根据该分类数据计算该人脸图像的颜值分数。例如，归一化后的分类数据为0.85，则颜值分数为0.85*100等于85分。或者将神经网络模型的分类类别关联一个固定的颜值分数，当分类结果表明人脸图像的颜值分类结果的类别时，与该类别关联的颜值分数则为该人脸图像的颜值分数。又或者将神经网络模型的分类类别关联一个固定的颜值分数，当分类结果表明人脸图像的颜值分类结果的类别时，获取分类结果在该类别中的具体概率数值，例如，第一颜值类别关联的分数为100分，而分类数据表明人脸图像属于第一颜值类别的概率为0.85，则颜值分数为0.85*100等于85分。
上述实施方式在对进行人脸颜值判断的神经网络模型进行训练时，对同一个人在不同的空间环境内拍摄的照片进行统一期望处理，得到同一个人不同照片的多个颜值期望，然后对颜值期望进行排序取排序结果中的中间值，作为同一人不同照片的颜值期望，即同一人的照片无论所处的环境是否相同，其所有的照片的颜值期望均相同。将然后将标记有颜值期望的人脸图像输入到颜值判断的神经网络模型中，对神经网络模型进行训练，由于训练样本集中同一人的不同照片颜值期望相同，通过这一类照片训练至收敛的神经网络模型，在不同的环境下对同一人的颜值评分输出稳定性高，不易受到环境的影响。
在一些实施方式中神经网络模型设有多个颜值类别，且各颜值类别分别对应一个人脸颜值数值，即每个颜值类别对应的设有一个颜值分数。通过颜值分数和分类数据的结合计算输入人脸图像的颜值分数。具体请参阅图2，图2为本实施例计算颜值分数的一种实施方式的流程示意图。
如图2所示步骤S1300还包括下述步骤：
S1311、获取所述神经网络模型输出的多个分类值；
由于卷积神经网络模型设有多个颜值类别，且各颜值类别分别对应一个人脸颜值数值，因此，神经网络模型输出的分类数据为人脸图像属于各颜值类别的概率值。获取各个颜值类别对应的概率值，并根据数值的大小对各概率值进行降幂排序。
S1312、确认所述多个分类值中数值最大的分类值对应的颜值类别为分类结果；
根据排序结果获取多个分类值中最大的分类值，即排序结果中排列在第一位的分类值，该分类值对应一个颜值类别。说明神经网络模型的分类结果表明人脸图像属于该类别的概率最大，即分类结果表明人脸图像的颜值类别属于分类值最大的数对应的颜值类别。
S1313、调用与所述分类结果具有映射关系的人脸颜值数值使其与所述分类值相乘得到所述人脸图像的颜值分数。
确认分类结果后获取该分类结果对应的人脸颜值数值。本实施方式中，在设定每一颜值类别时，为每个颜值类别定义一个基本的人脸颜值数值。例如设定第一颜值类别的人脸颜值数值为100分；第二颜值类别的人脸颜值数值为90分；第三颜值类别的人脸颜值数值为80分，依次类推。
为使各个颜值分类段内的分数之间具有差别，体现出个性化的差别，采用人脸颜值数值与最大的分类值相乘得到的结果作为最终的颜值分数。例如，第一颜值类别关联的分数为100分，而分类数据表明人脸图像属于第一颜值类别的概率为0.85，则颜值分数为0.85*100等于85分。
进一步到地，对上述的计算方式进行公式化，颜值分数的特征描述为：
其中，pi表示输出的概率，xi表示为颜值类别对应的人脸颜值数值，y表示颜值分数。
在一些优选实施例中，为兼容分类效率与准确性，将颜值类别划分为四个等级，分别是第一类别、第二类别、第三类别和第四个类别。具体地，颜值分数的计算方式请参阅图3，图3为本实施例中计算颜值分数的具体流程示意图。
如图3所示，步骤S1300具体包括下述步骤：
S1321、获取所述神经网络模型输出的四个分类值；
由于卷积神经网络模型设有四个颜值类别，且各颜值类别分别对应一个人脸颜值数值，因此，神经网络模型输出的分类数据为人脸图像属于各颜值类别的概率值，即输出四个分类值，每个分类值对应一个颜值类别。获取四个颜值类别对应的概率值，并根据数值的大小对各概率值进行降幂排序。
S1322、确认所述四个分类值中数值最大的分类值对应的颜值类别为分类结果；
根据排序结果获取四个分类值中最大的分类值，即排序结果中排列在第一位的分类值，该分类值对应一个颜值类别。说明神经网络模型的分类结果表明人脸图像属于该类别的概率最大，即分类结果表明人脸图像的颜值类别属于分类值最大的数对应的颜值类别。
S1323、调用与所述分类结果具有映射关系的人脸颜值数值使其与所述分类值相乘得到所述人脸图像的颜值分数。
确认分类结果后获取该分类结果对应的人脸颜值数值。本实施方式中，在设定每一颜值类别时，为每个颜值类别定义一个基本的人脸颜值数值。例如设定第一类别的人脸颜值数值为100分；第二类别的人脸颜值数值为75分；第三颜值类别的人脸颜值数值为50分；第四颜值类别的人脸颜值数值为30分，依次类推。
为使各个颜值分类段内的分数之间具有差别，体现出个性化的差别，采用人脸颜值数值与最大的分类值相乘得到的结果作为最终的颜值分数。例如，第一类别关联的分数为100分，而分类数据表明人脸图像属于第一颜值类别的概率为0.80，则颜值分数为0.80*100等于80分。
进一步到地，对上述的计算方式进行公式化，颜值分数的特征描述为：
其中，pi表示输出的概率，xi表示为颜值类别对应的人脸颜值数值，y表示颜值分数。
本实施方式中，还包括神经网络模型的训练方法，具体请参阅图4，图4为本实施例期望分类值的获取方法流程示意图。
如图4所示，神经网络模型的训练方法包括下述步骤：
S2100、获取所述训练样本集，所述训练样本集包括同一目标的多张人脸图像；
本实施方式中神经网络模型在训练时，采用的训练样本集是由若干个(例如10万人)人脸图像组成的，且每一个人具有多张不同环境状态的人脸图像，在对同一人的多张人脸图像进行训练之前，需要对人脸图像的颜值期望进行预判，预判能够采用现有技术中已经训练至收敛的颜值判断模型进行判断。
通过网络爬虫或者现有的图像数据库获取本实施例的训练样本集。
通过上述样本训练集训练至收敛的神经网络模型，由于在训练时同一人在不同环境下的的颜值期望相同，因此，神经网络模型输出的同一人在不同环境下的颜值测试数值具有更高的收敛性，数据的离散度较低。
本实实施方式中同一目标指同一个人。
S2200、将所述多张人脸图像依次输入到预设的第一分类模型中，分别获取所述多张人脸图像的颜值分数；
第一分类模型为现有技术中已经存在的各类颜值测算模型，本实施方式中的第一分类模型能够是CNN卷积神经网络模型、VGG卷积神经网络模型或者insightface人脸识别模型。
首先对同一人在不同环境中拍摄的多张照片进行颜值评判，具体地，将多张人脸图像依次输入到第一分类模型中，获取各人脸图像的颜值分数。
S2300、以分数值为限定条件对所述多张人脸图像的颜值分数进行排序；
获取到同一人的多张照片的份颜值判断结果后，以颜值分数的大小关系，对多张照片的人脸颜值进行降幂排序。
S2400、确认所述排序结果中处于中间位置的颜值分数为所述多张人脸图像的期望分类值。
取排序表中位于中间位置的中间值，作为同一人多张人脸图像的共同颜值期望。当一个人的人脸图像为奇数个时，获取排序列表中的中间值作为颜值期望；当一个人的人脸图像为偶数个时，获取排序列表中的两个中间值的平均值作为颜值期望。
在一些实施方式中，当训练样本集中每一个人的多张人脸图像的期望分类值统一为排序结果中处于中间位置的颜值分数后，采用上述人脸图像对神经网络模型进行训练。具体请参阅图5，图5为本实施例神经网络模型的训练方法流程示意图。
如图5所示，步骤S2400之后还包括下述步骤：
S2500、将所述训练样本集输入到所述神经网络模型中，获取所述神经网络模型输出的激励分类值；
将训练样本集中的人脸图像依次输入到神经网络模型中，神经网络模型对人脸图像进行特征提取和分类。
激励分类值是卷积神经网络模型根据输入的人脸图像而输出的激励数据，在神经网络模型未被训练至收敛之前，激励分类值为离散性较大的数值，当神经网络模型未被训练至收敛之后，激励分类值为相对稳定的数据。
S2600、比对所述期望分类值与所述激励分类值之间的距离是否小于或等于预设的第一阈值；
通过损失函数判断神经网络模型全连接层输出的激励分类值与设定的期望分类值是否一致，当结果不一致时，需要通过反向传播算法对第一通道内的权重进行调整。
在一些实施方式中，损失函数通过计算激励分类值与设定的期望分类值之间的距离(欧氏距离或者空间距离)，来确定激励分类值与设定的期望分类值是否一致，设定第一阈值(例如，0.05)，当激励分类值与设定的期望分类值之间的距离小于或等于第一阈值时，则确定激励分类值与设定的期望分类值一致，否则，则激励分类值与设定的期望分类值不一致。
S2700、当所述期望分类值与所述激励分类值之间的距离大于预设的第一阈值时，反复循环迭代的通过反向算法更新所述神经网络模型中的权重，至所述所述期望分类值与所述激励分类值之间的距离小于或等于预设的第一阈值时结束。
当神经网络模型的激励分类值与设定的期望分类值不一致时，需要采用随机梯度下降算法对神经网络模型中的权重进行校正，以使卷积神经网络模型的输出结果与分类判断信息的期望结果相同。通过众多人脸图像的反复的训练与校正，当神经网络模型输出分类数据与各训练样本的分类参照信息比对达到(不限于)99.9％时，训练结束。
通过上述样本训练集训练至收敛的神经网络模型，由于在训练时同一人在不同环境下的的颜值期望相同，因此，神经网络模型输出的同一人在不同环境下的颜值测试数值具有更高的收敛性，数据的离散度较低。
在一些实施方式中，步骤S2500与S2400之间不具有设定的先后衔接关系，例如当人脸图像的期望分类值是由人工进行标定时。
在一些实施方式中，本实施方式中的神经网络模型被训练用于对短视频进行分类。因此，需要对短视频中的人脸图像进行提取。具体地，请参阅图6，图6为本实施例人脸图像的提取方法流程示意图。
如图6所示，包括下述步骤：
S1011、获取目标视频；
目标视频为客户端上传的视频资料，服务器端接收到该视频资料进行分类，分类的结果是确认视频资料中的主人公的颜值分数。
S1012、从所述目标视频中定时抽取帧画面，并判断所述帧画面中是否存在人脸图像；
通过视频处理软件(例如OpenCV)对目标视频进行处理，将目标视频拆分为若干张帧画面。通过定时抽取的方式(例如每0.5s抽取一张图片的方式)，在若干张帧画面中依次抽取多张帧画面，然后将帧画面输入到预设的人脸识别模型中，判断帧画面中是否存在人脸图像。人脸识别模型能够是现有技术中训练用于判断人脸图像有无的CNN卷积神经网络模型、VGG卷积神经网络模型或者insightface人脸识别模型。
S1013、当所述帧画面中存在人脸图像时，确认所述帧画面图像为待判断的人脸图像。
当判断出帧画面中存在人脸图像时，确认该帧画面图像为待判断的人脸图像。并将该帧画面输入到本实施方式中的神经网络模型中，对视频中的一个或多个主人公进行颜值计算。
由于视频信息中不同帧画面中主人公的人脸图像所处的环境是多变的，通过采用本实施方式中的神经网络模型，能够最大程度的过滤环境因素的干扰，准确的确定视频资料中主人公的颜值分数。
为解决上述技术问题，本发明实施例还提供人脸图像颜值判断装置。
具体请参阅图7，图7为本实施例人脸图像颜值判断装置基本结构示意图。
如图7所示，一种人脸图像颜值判断装置，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用于获取待判断的人脸图像；处理模块2200用于将人脸图像输入到预设的神经网络模型中，其中，训练神经网络模型时同一目标源的训练样本集的颜值期望为多个判断值中的中间值；执行模块2300用于根据神经网络模型输出的分类数据对人脸图像进行颜值分类。
上述实施方式通过在对进行人脸颜值判断的神经网络模型进行训练时，对同一个人在不同的空间环境内拍摄的照片进行统一期望处理，得到同一个人不同照片的多个颜值期望，然后对颜值期望进行排序取排序结果中的中间值，作为同一人不同照片的颜值期望，即同一人的照片无论所处的环境是否相同，其所有的照片的颜值期望均相同。将然后将标记有颜值期望的人脸图像输入到颜值判断的神经网络模型中，对神经网络模型进行训练，由于训练样本集中同一人的不同照片颜值期望相同，通过这一类照片训练至收敛的神经网络模型，在不同的环境下对同一人的颜值评分输出稳定性高，不易受到环境的影响。
在一些实施方式中，神经网络模型设有多个颜值类别，且各颜值类别分别对应一个人脸颜值数值；人脸图像颜值判断装置还包括：第一获取子模块、第一处理子模块和第一执行子模块。其中，第一获取子模块用于获取神经网络模型输出的多个分类值；第一处理子模块用于确认多个分类值中数值最大的分类值对应的颜值类别为分类结果；第一执行子模块用于调用与分类结果具有映射关系的人脸颜值数值使其与分类值相乘得到人脸图像的颜值分数。
在一些实施方式中，人脸图像颜值判断装置还包括：第二获取子模块、第二处理子模块和第二执行子模块。其中，第二获取子模块用于获取神经网络模型输出的四个分类值；第二处理子模块用于确认四个分类值中数值最大的分类值对应的颜值类别为分类结果；第二执行子模块用于调用与分类结果具有映射关系的人脸颜值数值使其与分类值相乘得到人脸图像的颜值分数。
在一些实施方式中，颜值分数的特征描述为：
其中，pi表示输出的概率，xi表示为颜值类别对应的人脸颜值数值，y表示颜值分数。
在一些实施方式中，人脸图像颜值判断装置还包括：第三获取子模块、第三处理子模块、第一排序子模块和第三执行子模块。其中，第三获取子模块用于获取训练样本集，训练样本集包括同一目标的多张人脸图像；第三处理子模块用于将多张人脸图像依次输入到预设的第一分类模型中，分别获取多张人脸图像的颜值分数；第一排序子模块用于以分数值为限定条件对多张人脸图像的颜值分数进行排序；第三执行子模块用于确认排序结果中处于中间位置的颜值分数为多张人脸图像的期望分类值。
在一些实施方式中，人脸图像颜值判断装置还包括：第一输入子模块、第一比对子模块和第四处理子模块。其中，第一输入子模块用于将训练样本集输入到神经网络模型中，获取神经网络模型输出的激励分类值；第一比对子模块用于比对期望分类值与激励分类值之间的距离是否小于或等于预设的第一阈值；第四处理子模块用于当期望分类值与激励分类值之间的距离大于预设的第一阈值时，反复循环迭代的通过反向算法更新神经网络模型中的权重，至期望分类值与激励分类值之间的距离是否小于或等于预设的第一阈值时结束。
在一些实施方式中，人脸图像颜值判断装置还包括：第四获取子模块、第五处理子模块和第四执行子模块。其中，第四获取子模块用于获取目标视频；第五处理子模块用于从目标视频中定时抽取帧画面，并判断帧画面中是否存在人脸图像；第四执行子模块用于当帧画面中存在人脸图像时，确认帧画面图像为待判断的人脸图像。
为解决上述技术问题，本发明实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。
如图8所示，计算机设备的内部结构示意图。如图8所示，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种人脸图像颜值判断方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种人脸图像颜值判断方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本实施方式中处理器用于执行图7中获取模块2100、处理模块2200和执行模块2300的具体功能，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有人脸图像关键点检测装置中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
计算机设备在对进行人脸颜值判断的神经网络模型进行训练时，对同一个人在不同的空间环境内拍摄的照片进行统一期望处理，得到同一个人不同照片的多个颜值期望，然后对颜值期望进行排序取排序结果中的中间值，作为同一人不同照片的颜值期望，即同一人的照片无论所处的环境是否相同，其所有的照片的颜值期望均相同。将然后将标记有颜值期望的人脸图像输入到颜值判断的神经网络模型中，对神经网络模型进行训练，由于训练样本集中同一人的不同照片颜值期望相同，通过这一类照片训练至收敛的神经网络模型，在不同的环境下对同一人的颜值评分输出稳定性高，不易受到环境的影响。
本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述人脸图像颜值判断方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

Claims (10)

1.一种人脸图像颜值判断方法，其特征在于，包括下述步骤：
获取待判断的人脸图像；
将所述人脸图像输入到预设的神经网络模型中，其中，训练所述神经网络模型时同一目标源的训练样本集的颜值期望为多个判断值中的中间值；
根据所述神经网络模型输出的分类数据对所述人脸图像进行颜值分类。
2.根据权利要求1所述的人脸图像颜值判断方法，其特征在于，所述神经网络模型设有多个颜值类别，且各颜值类别分别对应一个人脸颜值数值；所述根据所述神经网络模型输出的分类数据对所述人脸图像进行颜值分类的步骤，具体包括下述步骤：
获取所述神经网络模型输出的多个分类值；
确认所述多个分类值中数值最大的分类值对应的颜值类别为分类结果；
调用与所述分类结果具有映射关系的人脸颜值数值使其与所述分类值相乘得到所述人脸图像的颜值分数。
3.根据权利要求2所述的人脸图像颜值判断方法，其特征在于，所述神经网络模型设有四个颜值类别，且各颜值类别分别对应一个人脸颜值数值；所述根据所述神经网络模型输出的分类数据对所述人脸图像进行颜值分类的步骤，具体包括下述步骤：
获取所述神经网络模型输出的四个分类值；
确认所述四个分类值中数值最大的分类值对应的颜值类别为分类结果；
调用与所述分类结果具有映射关系的人脸颜值数值使其与所述分类值相乘得到所述人脸图像的颜值分数。
4.根据权利要求2所述的人脸图像颜值判断方法，其特征在于，所述颜值分数的特征描述为：
其中，pi表示输出的概率，xi表示为颜值类别对应的人脸颜值数值，y表示颜值分数。
5.根据权利要求1-4任意一项所述的人脸图像颜值判断方法，其特征在于，所述神经网络模型的训练方法包括：
获取所述训练样本集，所述训练样本集包括同一目标的多张人脸图像；
将所述多张人脸图像依次输入到预设的第一分类模型中，分别获取所述多张人脸图像的颜值分数；
以分数值为限定条件对所述多张人脸图像的颜值分数进行排序；
确认所述排序结果中处于中间位置的颜值分数为所述多张人脸图像的期望分类值。
6.根据权利要求5所述的人脸图像颜值判断方法，其特征在于，所述确认所述排序结果中处于中间位置的颜值分数为所述多张人脸图像的期望分类值的步骤之后，还包括下述步骤：
将所述训练样本集输入到所述神经网络模型中，获取所述神经网络模型输出的激励分类值；
比对所述期望分类值与所述激励分类值之间的距离是否小于或等于预设的第一阈值；
当所述期望分类值与所述激励分类值之间的距离大于预设的第一阈值时，反复循环迭代的通过反向算法更新所述神经网络模型中的权重，至所述所述期望分类值与所述激励分类值之间的距离小于或等于预设的第一阈值时结束。
7.根据权利要求1所述的人脸图像颜值判断方法，其特征在于，所述获取待判断的人脸图像的步骤，包括下述步骤：
获取目标视频；
从所述目标视频中定时抽取帧画面，并判断所述帧画面中是否存在人脸图像；
当所述帧画面中存在人脸图像时，确认所述帧画面图像为待判断的人脸图像。
8.一种人脸图像颜值判断装置，其特征在于，包括：
获取模块，用于获取待判断的人脸图像；
处理模块，用于将所述人脸图像输入到预设的神经网络模型中，其中，训练所述神经网络模型时同一目标源的训练样本集的颜值期望为多个判断值中的中间值；
执行模块，用于根据所述神经网络模型输出的分类数据对所述人脸图像进行颜值分类。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述人脸图像颜值判断方法的步骤。
10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述人脸图像颜值判断方法的步骤。
CN201810524450.9A 2018-05-28 2018-05-28 人脸图像颜值判断方法、装置、计算机设备及存储介质 Pending CN108764334A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810524450.9A CN108764334A (zh) 2018-05-28 2018-05-28 人脸图像颜值判断方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810524450.9A CN108764334A (zh) 2018-05-28 2018-05-28 人脸图像颜值判断方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN108764334A true CN108764334A (zh) 2018-11-06

Family

ID=64002766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810524450.9A Pending CN108764334A (zh) 2018-05-28 2018-05-28 人脸图像颜值判断方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN108764334A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583970A (zh) * 2018-12-14 2019-04-05 深圳壹账通智能科技有限公司 广告投放方法、装置、计算机设备及存储介质
CN110414455A (zh) * 2019-08-01 2019-11-05 珠海格力电器股份有限公司 基于图像识别的颜值排序及匹配度判断方法、计算机可读存储介质及终端
CN110881817A (zh) * 2019-12-07 2020-03-17 赣州冠英智能科技有限公司 一种智能试衣镜及其控制方法
CN111402157A (zh) * 2020-03-12 2020-07-10 维沃移动通信有限公司 一种图像处理方法及电子设备
CN111507467A (zh) * 2019-01-31 2020-08-07 北京奇虎科技有限公司 神经网络模型的训练方法、装置、计算机设备及存储介质
CN112001434A (zh) * 2020-08-14 2020-11-27 深圳世间乐见科技有限公司 一种颜值预测方法、装置、终端及介质
CN112365717A (zh) * 2020-10-10 2021-02-12 新疆爱华盈通信息技术有限公司 车辆信息采集方法及系统
WO2021057063A1 (zh) * 2019-09-23 2021-04-01 平安科技（深圳）有限公司 颜值判定方法、装置、电子设备及存储介质
CN112613539A (zh) * 2020-12-11 2021-04-06 北京迈格威科技有限公司 分类网络及物体检测模型构建方法、装置、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104850825A (zh) * 2015-04-18 2015-08-19 中国计量学院 一种基于卷积神经网络的人脸图像颜值计算方法
CN105205479A (zh) * 2015-10-28 2015-12-30 小米科技有限责任公司 人脸颜值评估方法、装置及终端设备
CN105243461A (zh) * 2015-11-20 2016-01-13 江苏省电力公司 一种基于人工神经网络改进训练策略的短期负荷预测方法
CN106874877A (zh) * 2017-02-20 2017-06-20 南通大学 一种结合局部和全局特征的无约束人脸验证方法
CN107527024A (zh) * 2017-08-08 2017-12-29 北京小米移动软件有限公司 人脸颜值评估方法及装置
CN107704806A (zh) * 2017-09-01 2018-02-16 深圳市唯特视科技有限公司 一种基于深度卷积神经网络进行人脸图像质量预测的方法
CN107742107A (zh) * 2017-10-20 2018-02-27 北京达佳互联信息技术有限公司 人脸图像分类方法、装置及服务器
CN107832802A (zh) * 2017-11-23 2018-03-23 北京智芯原动科技有限公司 基于人脸比对的人脸图像质量评价方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104850825A (zh) * 2015-04-18 2015-08-19 中国计量学院 一种基于卷积神经网络的人脸图像颜值计算方法
CN105205479A (zh) * 2015-10-28 2015-12-30 小米科技有限责任公司 人脸颜值评估方法、装置及终端设备
CN105243461A (zh) * 2015-11-20 2016-01-13 江苏省电力公司 一种基于人工神经网络改进训练策略的短期负荷预测方法
CN106874877A (zh) * 2017-02-20 2017-06-20 南通大学 一种结合局部和全局特征的无约束人脸验证方法
CN107527024A (zh) * 2017-08-08 2017-12-29 北京小米移动软件有限公司 人脸颜值评估方法及装置
CN107704806A (zh) * 2017-09-01 2018-02-16 深圳市唯特视科技有限公司 一种基于深度卷积神经网络进行人脸图像质量预测的方法
CN107742107A (zh) * 2017-10-20 2018-02-27 北京达佳互联信息技术有限公司 人脸图像分类方法、装置及服务器
CN107832802A (zh) * 2017-11-23 2018-03-23 北京智芯原动科技有限公司 基于人脸比对的人脸图像质量评价方法及装置

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583970A (zh) * 2018-12-14 2019-04-05 深圳壹账通智能科技有限公司 广告投放方法、装置、计算机设备及存储介质
CN111507467A (zh) * 2019-01-31 2020-08-07 北京奇虎科技有限公司 神经网络模型的训练方法、装置、计算机设备及存储介质
CN110414455A (zh) * 2019-08-01 2019-11-05 珠海格力电器股份有限公司 基于图像识别的颜值排序及匹配度判断方法、计算机可读存储介质及终端
WO2021057063A1 (zh) * 2019-09-23 2021-04-01 平安科技（深圳）有限公司 颜值判定方法、装置、电子设备及存储介质
CN110881817A (zh) * 2019-12-07 2020-03-17 赣州冠英智能科技有限公司 一种智能试衣镜及其控制方法
CN111402157A (zh) * 2020-03-12 2020-07-10 维沃移动通信有限公司 一种图像处理方法及电子设备
CN111402157B (zh) * 2020-03-12 2024-04-09 维沃移动通信有限公司 一种图像处理方法及电子设备
CN112001434A (zh) * 2020-08-14 2020-11-27 深圳世间乐见科技有限公司 一种颜值预测方法、装置、终端及介质
CN112365717A (zh) * 2020-10-10 2021-02-12 新疆爱华盈通信息技术有限公司 车辆信息采集方法及系统
CN112613539A (zh) * 2020-12-11 2021-04-06 北京迈格威科技有限公司 分类网络及物体检测模型构建方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN108764334A (zh) 人脸图像颜值判断方法、装置、计算机设备及存储介质
CN108734146A (zh) 人脸图像年龄判断方法、装置、计算机设备及存储介质
US11809955B2 (en) Processing images using deep neural networks
Pandey et al. FoodNet: Recognizing foods using ensemble of deep networks
CN112101437B (zh) 基于图像检测的细粒度分类模型处理方法、及其相关设备
CN112508094B (zh) 垃圾图片的识别方法、装置及设备
CN108446688A (zh) 人脸图像性别判断方法、装置、计算机设备及存储介质
CN107193792A (zh) 基于人工智能的生成文章的方法和装置
CN109635135A (zh) 图像索引生成方法、装置、终端及存储介质
CN109614989B (zh) 快速模型的训练方法、装置、计算机设备及存储介质
CN104838420B (zh) 基于图像内容进行图像旋转以修正图像取向
US20240273136A1 (en) Systems and methods for mobile image search
US10679041B2 (en) Hybrid deep learning method for recognizing facial expressions
CN110795527B (zh) 候选实体排序方法、训练方法及相关装置
CN108074016B (zh) 基于位置社交网络的用户关系强度预测方法、装置及设备
CN108596090A (zh) 人脸图像关键点检测方法、装置、计算机设备及存储介质
CN110162599A (zh) 招聘面试方法、装置及计算机可读存储介质
CN107832794B (zh) 一种卷积神经网络生成方法、车系识别方法及计算设备
CN104520848B (zh) 按照出席者搜索事件
CN110276406A (zh) 表情分类方法、装置、计算机设备及存储介质
CN109492122A (zh) 商家信息的获取方法、装置、终端及计算机可读存储介质
CN105468668B (zh) 一种官方媒体新闻中话题的推送方法及装置
CN108960053A (zh) 归一化处理方法及装置、客户端
CN110765882A (zh) 一种视频标签确定方法、装置、服务器及存储介质
CN113127667A (zh) 图像处理方法及装置、图像分类方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181106