CN109063558A - 一种图像分类处理方法、移动终端及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种图像分类处理方法，包括：对待处理图像进行人脸特征向量提取；判断预先存储的标准人脸特征向量中是否存在与所述待处理图像的人脸特征向量匹配的标准人脸特征；根据判断的结果对所述待处理图像进行分类处理。本发明实施例还公开了一种移动终端及计算机可读存储介质，解决了相关技术中直接将拍摄的图像保存到同一个相册中导致用户体验不佳的问题，通过提取拍摄的图像的人脸特征，根据人脸特征对图像进行分类，实现了将拍摄的图像自动分类保存，无需用户手动操作，提高了用户体验。

Description

一种图像分类处理方法、移动终端及计算机可读存储介质

技术领域

本发明涉及移动通信技术领域，尤其涉及一种图像分类处理方法、移动终端及计算机可读存储介质。

背景技术

移动互联网时代，终端设备的照片越来越多，在用户拍摄新的照片之后，一般都是统一保存到同一个相册中，对于用户来说，手动整理这些不同类别的照片将会变得耗时繁琐。

针对相关技术中直接将拍摄的图像保存到同一个相册中导致用户体验不佳的问题，目前尚未提出解决方案。

发明内容

本发明的主要目的在于提出一种图像分类处理方法、移动终端及计算机可读存储介质，旨在解决相关技术中直接将拍摄的图像保存到同一个相册中导致用户体验不佳的问题。

为实现上述目的，本发明实施例提出了一种图像分类处理方法，包括：

对待处理图像进行人脸特征向量提取；

判断预先存储的标准人脸特征向量中是否存在与所述待处理图像的人脸特征向量匹配的标准人脸特征；

根据判断的结果对所述待处理图像进行分类处理。

可选的，判断预先存储的标准人脸特征向量中是否存在与所述待处理图像的人脸特征向量匹配的标准人脸特征包括：

从所述人脸特征数据库中获取多个标准人脸特征向量；

根据预先确定的特征相似度阈值判断所述待处理图像的人脸特征向量是否与所述多个标准人脸特征向量中的一个或多个匹配。

可选的，根据预先确定的特征相似度阈值判断所述待处理图像的人脸特征向量是否与所述多个标准人脸特征向量中的一个或多个匹配包括：

分别将所述多个标准人脸特征向量与所述待处理图像的人脸特征向量进行欧式距离做差处理，得到所述多个标准人脸特征向量与所述待处理图像的人脸特征向量的多个相似度值；

判断所述多个相似度值是否存在一个或多个小于所述特征相似度阈值的相似度值。

可选的，根据判断的结果对所述待处理图像进行分类处理包括：

在所述多个相似度值存在一个小于所述特征相似度阈值的相似度值的情况下，确定小于所述特征相似度阈值的相似度值的标准人脸特征向量对应的图像为与所述待处理图像匹配的图像；

获取小于所述特征相似度阈值的相似度值的标准人脸特征向量对应的图像所属的相册；

将所述待处理图像保存到所述相册中。

可选的，根据判断的结果对所述待处理图像进行分类处理包括：

在所述多个相似度值存在多个小于所述特征相似度阈值的相似度值的情况下，确定小于所述特征相似度阈值的多个相似度值中的最小相似度值的标准人脸特征向量对应的图像为与所述待处理图像匹配的图像；

获取所述最小相似度值的标准人脸特征向量对应的图像所属的相册；

将所述待处理图像保存到所述相册中。

可选的，根据判断的结果对所述待处理图像进行分类处理包括：

在判断结果为否的情况下，将所述待处理图像保存到为所述待处理图像创建的相册中。

可选的，在对所述待处理图像进行人脸特征向量提取之前，所述方法还包括：

统计大于预定数量的人脸图像样本的人脸特征相似度的分布情况；

根据所述人脸特征相似度的分布情况确定所述特征相似度阈值。

可选的，在根据确定的图像对所述待处理图像进行分类处理之后，所述方法还包括：

在检测到相册中图像的数量大于或等于预定阈值，或者检测到预定时间周期到达的情况下，触发统计每个相册中图像的人脸特征向量的分布情况；

根据每个相册中图像的人脸特征向量的分布情况确定每个相册的标准人脸特征向量。

根据本发明实施例的另一方面，还提供了一种移动终端，所述移动终端包括：处理器、存储器及通信总线，其中，

所述通信总线，用于实现所述处理器和所述存储器之间的连接通信；

所述处理器，用于执行存储器中存储的图像分类处理程序，以实现以下步骤：

对待处理图像进行人脸特征向量提取；

判断预先存储的标准人脸特征向量中是否存在与所述待处理图像的人脸特征向量匹配的标准人脸特征；

根据判断的结果对所述待处理图像进行分类处理。

可选的，所述处理器还用于执行图像分类处理程序，以实现以下步骤：

可选的，所述处理器还用于执行图像分类处理程序，以实现以下步骤：

从所述人脸特征数据库中获取多个标准人脸特征向量；

根据预先确定的特征相似度阈值判断所述待处理图像的人脸特征向量是否与所述多个标准人脸特征向量中的一个或多个匹配。

可选的，所述处理器还用于执行图像分类处理程序，以实现以下步骤：

分别将所述多个标准人脸特征向量与所述待处理图像的人脸特征向量进行欧式距离做差处理，得到所述多个标准人脸特征向量与所述待处理图像的人脸特征向量的多个相似度值；

判断所述多个相似度值是否存在一个或多个小于所述特征相似度阈值的相似度值。

可选的，所述处理器还用于执行图像分类处理程序，以实现以下步骤：

在所述多个相似度值存在一个小于所述特征相似度阈值的相似度值的情况下，确定小于所述特征相似度阈值的相似度值的标准人脸特征向量对应的图像为与所述待处理图像匹配的图像；

获取小于所述特征相似度阈值的相似度值的标准人脸特征向量对应的图像所属的相册；

将所述待处理图像保存到所述相册中。

可选的，所述处理器还用于执行图像分类处理程序，以实现以下步骤：

在所述多个相似度值存在多个小于所述特征相似度阈值的相似度值的情况下，确定小于所述特征相似度阈值的多个相似度值中的最小相似度值的标准人脸特征向量对应的图像为与所述待处理图像匹配的图像；

获取所述最小相似度值的标准人脸特征向量对应的图像所属的相册；

将所述待处理图像保存到所述相册中。

可选的，所述处理器还用于执行图像分类处理程序，以实现以下步骤：

在判断结果为否的情况下，将所述待处理图像保存到为所述待处理图像创建的相册中。

可选的，所述处理器还用于执行图像分类处理程序，以实现以下步骤：

在对所述待处理图像进行人脸特征向量提取之前，统计大于预定数量的人脸图像样本的人脸特征相似度的分布情况；

根据所述人脸特征相似度的分布情况确定所述特征相似度阈值。

可选的，所述处理器还用于执行图像分类处理程序，以实现以下步骤：

在根据确定的图像对所述待处理图像进行分类处理之后，在检测到相册中图像的数量大于或等于预定阈值，或者检测到预定时间周期到达的情况下，触发统计每个相册中图像的人脸特征向量的分布情况；

根据每个相册中图像的人脸特征向量的分布情况确定每个相册的标准人脸特征向量。

根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述图像分类处理方法的步骤。

通过本发明，对待处理图像进行人脸特征向量提取；判断预先存储的标准人脸特征向量中是否存在与所述待处理图像的人脸特征向量匹配的标准人脸特征；根据判断的结果对所述待处理图像进行分类处理，解决了相关技术中直接将拍摄的图像保存到同一个相册中导致用户体验不佳的问题，通过提取拍摄的图像的人脸特征，根据人脸特征对图像进行分类，实现了将拍摄的图像自动分类保存，无需用户手动操作，提高了用户体验。

附图说明

图1为实现本发明各个实施例一可选的移动终端的硬件结构示意图；

图2为如图1所示的移动终端的无线通信系统示意图；

图3是根据本发明实施例的图像分类处理方法的流程图；

图4是根据本发明实施例的人脸姿态检测的示意图一；

图5是根据本发明实施例的人脸姿态检测的示意图二；

图6是根据本发明实施例的人脸姿态对齐的示意图；

图7是根据本发明优选实施例的图像自动分类的流程图；

图8是根据本发明实施例的深度学习人脸特征提取的示意图；

图9是根据本发明实施例的同类与不同类人脸的相似度分布情况的示意图；

图10是根据本发明实施例的人脸特征向量匹配的示意图；

图11是根据本发明实施例的人脸类中心示意图；

图12是根据本发明实施例的类中算法缺陷的示意图；

图13是根据本发明实施例的移动终端的示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。

终端可以以各种形式来实施。例如，本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant，PDA)、便捷式媒体播放器(Portable Media Player，PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端，以及诸如数字TV、台式计算机等固定终端。

后续描述中将以移动终端为例进行说明，本领域技术人员将理解的是，除了特别用于移动目的的元件之外，根据本发明的实施方式的构造也能够应用于固定类型的终端。

请参阅图1，其为实现本发明各个实施例的一种移动终端的硬件结构示意图，该移动终端100可以包括：RF(Radio Frequency，射频)单元101、WiFi模块102、音频输出单元103、A/V(音频/视频)输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、处理器110、以及电源111等部件。本领域技术人员可以理解，图1中示出的移动终端结构并不构成对移动终端的限定，移动终端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1对移动终端的各个部件进行具体的介绍：

射频单元101可用于收发信息或通话过程中，信号的接收和发送，具体的，将基站的下行信息接收后，给处理器110处理；另外，将上行的数据发送给基站。通常，射频单元101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、双工器等。此外，射频单元101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GSM(Global System of Mobile communication，全球移动通讯系统)、GPRS(General Packet Radio Service，通用分组无线服务)、CDMA2000(CodeDivision Multiple Access 2000，码分多址2000)、WCDMA(Wideband Code DivisionMultiple Access,宽带码分多址)、TD-SCDMA(Time Division-Synchronous CodeDivision Multiple Access，时分同步码分多址)、FDD-LTE(Frequency DivisionDuplexing-Long Term Evolution，频分双工长期演进)和TDD-LTE(Time DivisionDuplexing-Long Term Evolution，分时双工长期演进)等。

WiFi属于短距离无线传输技术，移动终端通过WiFi模块102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1示出了WiFi模块102，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。

音频输出单元103可以在移动终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时，将射频单元101或WiFi模块102接收的或者在存储器109中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元103还可以提供与移动终端100执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元103可以包括扬声器、蜂鸣器等等。

A/V输入单元104用于接收音频或视频信号。A/V输入单元104可以包括图形处理器(Graphics Processing Unit，GPU)1041和麦克风1042，图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元106上。经图形处理器1041处理后的图像帧可以存储在存储器109(或其它存储介质)中或者经由射频单元101或WiFi模块102进行发送。麦克风1042可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风1042接收声音(音频数据)，并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由射频单元101发送到移动通信基站的格式输出。麦克风1042可以实施各种类型的噪声消除(或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。

移动终端100还包括至少一种传感器105，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1061的亮度，接近传感器可在移动终端100移动到耳边时，关闭显示面板1061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，可用于识别手机姿态的应用(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；至于手机还可配置的指纹传感器、压力传感器、虹膜传感器、分子传感器、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。

显示单元106用于显示由用户输入的信息或提供给用户的信息。显示单元106可包括显示面板1061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1061。

用户输入单元107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，用户输入单元107可包括触控面板1071以及其他输入设备1072。触控面板1071，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1071上或在触控面板1071附近的操作)，并根据预先设定的程式驱动相应的连接装置。触控面板1071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110，并能接收处理器110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1071。除了触控面板1071，用户输入单元107还可以包括其他输入设备1072。具体地，其他输入设备1072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，具体此处不做限定。

进一步的，触控面板1071可覆盖显示面板1061，当触控面板1071检测到在其上或附近的触摸操作后，传送给处理器110以确定触摸事件的类型，随后处理器110根据触摸事件的类型在显示面板1061上提供相应的视觉输出。虽然在图1中，触控面板1071与显示面板1061是作为两个独立的部件来实现移动终端的输入和输出功能，但是在某些实施例中，可以将触控面板1071与显示面板1061集成而实现移动终端的输入和输出功能，具体此处不做限定。

接口单元108用作至少一个外部装置与移动终端100连接可以通过的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元108可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端100和外部装置之间传输数据。

存储器109可用于存储软件程序以及各种数据。存储器109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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机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109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。

处理器110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109内的软件程序和/或模块，以及调用存储在存储器109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测。处理器110可包括一个或多个处理单元；优选的，处理器110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110中。

移动终端100还可以包括给各个部件供电的电源111(比如电池)，优选的，电源111可以通过电源管理系统与处理器110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。

尽管图1未示出，移动终端100还可以包括蓝牙模块等，在此不再赘述。

为了便于理解本发明实施例，下面对本发明的移动终端所基于的通信网络系统进行描述。

请参阅图2，图2为本发明实施例提供的一种通信网络系统架构图，该通信网络系统为通用移动通信技术的LTE系统，该LTE系统包括依次通讯连接的UE(User Equipment，用户设备)201，E-UTRAN(Evolved UMTS Terrestrial Radio Access Network，演进式UMTS陆地无线接入网)202，EPC(Evolved Packet Core，演进式分组核心网)203和运营商的IP业务204。

具体地，UE201可以是上述终端100，此处不再赘述。

E-UTRAN202包括eNodeB2021和其它eNodeB2022等。其中，eNodeB2021可以通过回程(backhaul)(例如X2接口)与其它eNodeB2022连接，eNodeB2021连接到EPC203，eNodeB2021可以提供UE201到EPC203的接入。

EPC203可以包括MME(Mobility Management Entity，移动性管理实体)2031，HSS(Home Subscriber Server，归属用户服务器)2032，其它MME2033，SGW(Serving Gate Way，服务网关)2034，PGW(PDN Gate Way，分组数据网络网关)2035和PCRF(Policy andCharging Rules Function，政策和资费功能实体)2036等。其中，MME2031是处理UE201和EPC203之间信令的控制节点，提供承载和连接管理。HSS2032用于提供一些寄存器来管理诸如归属位置寄存器(图中未示)之类的功能，并且保存有一些有关服务特征、数据速率等用户专用的信息。所有用户数据都可以通过SGW2034进行发送，PGW2035可以提供UE 201的IP地址分配以及其它功能，PCRF2036是业务数据流和IP承载资源的策略与计费控制策略决策点，它为策略与计费执行功能单元(图中未示)选择及提供可用的策略和计费控制决策。

IP业务204可以包括因特网、内联网、IMS(IP Multimedia Subsystem，IP多媒体子系统)或其它IP业务等。

虽然上述以LTE系统为例进行了介绍，但本领域技术人员应当知晓，本发明不仅仅适用于LTE系统，也可以适用于其他无线通信系统，例如GSM、CDMA2000、WCDMA、TD-SCDMA以及未来新的网络系统等，此处不做限定。

基于上述移动终端硬件结构以及通信网络系统，提出本发明方法各个实施例。

实施例1

基于上述的移动终端，本发明实施例提供了一种图像分类处理方法，图3是根据本发明实施例的图像分类处理方法的流程图，如图3所示，该方法包括以下步骤：

步骤S301，对待处理图像进行人脸特征向量提取；

步骤S302，判断预先存储的标准人脸特征向量中是否存在与所述待处理图像的人脸特征向量匹配的标准人脸特征；

步骤S303，根据判断的结果对所述待处理图像进行分类处理。

通过上述步骤，对待处理图像进行人脸特征向量提取；判断预先存储的标准人脸特征向量中是否存在与所述待处理图像的人脸特征向量匹配的标准人脸特征；根据判断的结果对所述待处理图像进行分类处理，解决了相关技术中直接将拍摄的图像保存到同一个相册中导致用户体验不佳的问题，通过提取拍摄的图像的人脸特征，根据人脸特征对图像进行分类，实现了将拍摄的图像自动分类保存，无需用户手动操作，提高了用户体验。

上述的步骤S301，具体可以通过以下方式实现：对待处理图像首先进行人脸检测，即在所述待处理图像中确定人脸所在区域，在确定的人脸区域进行人脸姿态检测，之后进行人脸对齐处理，最后输出待处理图像中人脸的人脸特征向量。即整个人脸特征向量的提取分成四个主要的步骤：

(1)人脸检测，人脸检测主要是将图像中出现的人脸检测出来，用于后续的人脸分类，使用的技术通常是基于深度学习神经网络的人脸检测算法，深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。

(2)人脸姿态检测，由于人脸在实际图像拍摄中会出现各种不同的姿态，这些不同的姿态会影响人脸分类的精度，因此需要获取该人脸图像的姿态。

图4是根据本发明实施例的人脸姿态检测的示意图一，如图4所示，通常使用68点关键点检测技术。这里采用一种梯度提升回归的算法进行关键点的检测，原理如下：

该算法，建立一个梯度回归决策树，初始化一个人脸图像为关键点位置s(0)，估计出当前的人脸关键点位置，并与实际的人脸关键点位置进行梯度差分，然后将差异值s(1)作为下一步的估计初始化值，估计人脸关键点的位置，最后不断的回归迭代，估计出所有的人脸关键点位置s(t)。

图5是根据本发明实施例的人脸姿态检测的示意图二，如图5所示，(1)为68个关键点，(2)为根据关键点估计出的3D空间姿态。

(3)人脸对齐，经过步骤(2)中的人脸姿态检测后，就可以利用68个关键点，图6是根据本发明实施例的人脸姿态对齐的示意图，如图6所示，在3D空间进行投影变换，将不同姿态的人脸尽量对齐到正面的人脸姿态，将pich点头方向，roll歪头方向，Yaw摆头方向进行校正，这样可以提高人脸分类的准确度，因为根据人类观察识别人脸的经验来看，识别一个正面的人脸比识别一个侧边或者低头的人脸容易。

(4)人脸图像进行特征向量提取，经过上面的3个步骤后，就可以对人脸图像进行特征向量提取，通常利用神经网络的方法，将图像输入到深度神经网络，不断的进行矩阵化非线性数据处理，从而提取出人脸的高维特征，该特征可以帮助计算分辨两张人脸是否是同一张人脸。

本发明实施例在人脸特征数据库中预先存储了特征相似度值，特征相似度阈值可以通过统计大量的人脸图像样本确定，具体地，在对所述待处理图像进行人脸特征向量提取之前，所述方法还包括：统计大于预定数量的人脸图像样本的人脸特征相似度的分布情况；根据所述人脸特征相似度的分布情况确定所述特征相似度阈值。为了使得特征相似度阈值更加准确，统计的人脸图像样本的数量越大越好，考虑到统计所消耗的时间，只要超过预定数据即可，至于预定数量的大小，用户可以事先进行设置。

人脸特征数据库中存储了多个标准人脸特征向量，便于对待处理图像进行匹配，上述的步骤S302，判断预先存储的标准人脸特征向量中是否存在与所述待处理图像的人脸特征向量匹配的标准人脸特征具体可以包括：从所述人脸特征数据库中获取多个标准人脸特征向量，根据预先确定的特征相似度阈值判断所述待处理图像的人脸特征向量是否与所述多个标准人脸特征向量中的一个或多个匹配。进一步地，根据预先确定的特征相似度阈值判断所述待处理图像的人脸特征向量是否与所述多个标准人脸特征向量中的一个或多个匹配具体包括：分别将所述多个标准人脸特征向量与所述待处理图像的人脸特征向量进行欧式距离做差处理，得到所述多个标准人脸特征向量与所述待处理图像的人脸特征向量的多个相似度值；判断所述多个相似度值是否存在一个或多个小于所述特征相似度阈值的相似度值。

本发明实施例中所述多个相似度值中可以有一个小于所述特征相似度阈值的相似度值，可能存在多个小于所述特征相似度阈值的相似度值，也可能没有小于所述特征相似度阈值的相似度值，即对于待处理图像，在已有的相册分类中可能能够找到该图像的类别，此时即可将该待处理图像保存到对应类别的相册中，如果没有与待处理图像匹配的图像，即在已有相册的类别中，没有待处理图像所属的类别，即所述待处理图像为新的面孔，此时需要重新为该待处理图像创建相册以保存图像。下面分别对上述三种情况进行说明。

在一个可选的实施例中，根据判断的结果对所述待处理图像进行分类处理可以包括：在所述多个相似度值存在一个小于所述特征相似度阈值的相似度值的情况下，确定小于所述特征相似度阈值的相似度值的标准人脸特征向量对应的图像为与所述待处理图像匹配的图像；获取小于所述特征相似度阈值的相似度值的标准人脸特征向量对应的图像所属的相册；将所述待处理图像保存到所述相册中。如果在已有相册的类别中，仅有一个与待处理图像匹配的类别，即仅有一个相似度值小于所述相似度阈值的相似度值，直接将该待处理图像保存到该相似度阈值对应的相册中即可。

在另一个可选的实施例中，根据判断的结果对所述待处理图像进行分类处理可以包括：在所述多个相似度值存在多个小于所述特征相似度阈值的相似度值的情况下，确定小于所述特征相似度阈值的多个相似度值中的最小相似度值的标准人脸特征向量对应的图像为与所述待处理图像匹配的图像；获取所述最小相似度值的标准人脸特征向量对应的图像所属的相册；将所述待处理图像保存到所述相册中。如果在已有相册的类别中，存在多个与待处理图像匹配的类别，即仅有多个相似度值小于所述相似度阈值的相似度值，可以看出，该待处理图像与多个类别的人脸均存在一定的相似性，此时，需要进一步找出与所述待处理图像最相似的图像，通过比较多个相似度值的大小，其中，将最小相似度值对应的图像的确定为与待处理图像最相似的图像，将该待处理图像保存到该最小相似度阈值对应的相册中。

在另一个可选的实施例中，根据判断的结果对所述待处理图像进行分类处理还可以包括：在判断结果为否的情况下，将所述待处理图像保存到为所述待处理图像创建的相册中。如果在已有相册的类别中，没有与待处理图像匹配的类别，则说明所述待处理图像为新的人脸，重新为该待处理图像创建一个相册，将该待处理图像保存创建的相册中。

为了提高分类的准确性，在根据确定的图像对所述待处理图像进行分类处理之后，所述方法还包括：在检测到相册中图像的数量大于或等于预定阈值，或者检测到预定时间周期到达的情况下，触发统计每个相册中图像的人脸特征向量的分布情况；根据每个相册中图像的人脸特征向量的分布情况确定每个相册的标准人脸特征向量。通过每过一个时间周期或当相册中的数量达到一定值之后，便重新确定每类人脸即每个相册中的标准人脸特征向量，目的是提高标准人脸特征向量的准确度，便可提高图像的分类准确性。

本发明实施例还可以设置一个时间周期，每到一个预定的时间周期，便自动触发对相册的中的图像进行重新分类，从而可以将之前分类错误的图像重新分类到准确的相册中，纠正了之前的错误分类，进一步提高了用户体验。

下面通过具体实施方式对本发明实施例进行详细说明。

本发明实施例利用最新的机器学习技术进行人像自动聚类的算法，通过识别不同人像之间的特征，找出最相近的人脸图像，将终端设备的人像自动分类。可以自动按照用户指定的关键词自动分类不同类别的照片，可以大大的提升用户的使用体验。图7是根据本发明优选实施例的图像自动分类的流程图，如图7所示，具体可以包括以下步骤：

步骤S701，利用机器学习技术提取人脸图像的主要特征。目前最新的人脸识别算法都是利用深度学习技术来提取人脸的主要特征，相比传统的人工设计机器学习特征harr以及LBP特征来说，通过的大量的人脸样本进行不断的训练学习，深度学习提取的人脸特征可以更好拟合人脸的高维特征，对于不同的人脸具有更好的区分度。图8是根据本发明实施例的深度学习人脸特征提取的示意图，如图8所示，主要包括人脸检测、人脸姿态检测、人脸对齐、人脸特征向量输出。

步骤S702，统计大量人脸图像样本的主要特征相似度分布，确定相似度阈值。步骤S701中只是将人脸的特征提取出来，在实际应用中，要比对两个人脸是否相似，还需要确定一个合理的像素度阈值。对于已经打好标签的数据，计算同类人脸图像的相似度和不同类人脸的相似度值，计算公式如下：

F1＝[x1,x2,x3…..xN]，F2＝[y1,y2,y3……..yN]

通过欧式距离做差得到两个特征向量的相似度值：

F1和F2为两个人脸的特征向量，维度为N，xi为特征向量的一个元素，yi同xi，S为两个特征向量的相似度值。

图9是根据本发明实施例的同类与不同类人脸的相似度分布情况的示意图，如图9所示，统计同类与不同类人脸的相似度分布情况，根据统计的分布情况确定人脸特征相似度阈值。相似度S的范围的归一化到[0 1]，S越小说明两个人脸越相似，越大越不相似。阈值T为两个人脸是否是同一类人的判决标准：S>T，两个人脸不是同一个人；S<＝T，两个人是同一个人。图10是根据本发明实施例的人脸特征向量匹配的示意图，如图10所示，根据图中(1)的人脸特征向量与(2)的人脸特征向量计算出的相似度值S<T，则确定图中(1)和(2)为同一个人。

步骤S703，根据相似度阈值对人脸图像进行相似聚类。实际相册中，并不预先知道有多少个人脸种类，随着图片越来越多，人脸种类也越来越多。对于同一类人脸图像来说，人脸的姿态表情光照都会不断的变化，但是我们仍然能在一定的变化范围内区分人脸，这说明这些人脸图像有一定的共性，通过分析同一类人脸的特征向量，可以发现人脸特征在高维空间会聚集在一个空间簇中，图11是根据本发明实施例的人脸类中心示意图，如图11所示，五角星色为一类人脸，圆圈为另一类人脸，三角为第三类人脸。参考人脸类中心的原则，分类流程如下：

挑选第一幅人脸图像M1作为第一类中心C1。

第二幅人脸图像M2进来后，与第一类中心C1比较：如果相似度S小于阈值，则归类到C1，第一类的类中心C1仍然为第一幅图像M1；如果S大于阈值，新生成一类，变成第二类，并且该图像M2变成第二类的类中心C2。

第三幅人脸图像M3到来后，与现有的类中心[C1,C2]进行比较，找出最近的类中心Ci，记录最近的像素Smin，与阈值T做比较，超过阈值，设为新的一类C3，该图像为新类的类中心C3；不超过阈值，将该图像划分到最近的类中心Ci中去，此时该类中会增加一副新的图像，此时需要更新类中心。

类中心更新策略:新的图像依次与原有类中的各个图像进行比较，求出平均差异d1；原始类中心图像依次与原有类中的各个图像进行比较，求出平均差异d2，如果d1<d2，则更新类中心，新来的图像为当前类的类中心。

新的图像来了之后重复步骤(3)，完成聚类算法。

步骤S704，二次检验聚类人脸图像相似度。类中心算法存在一个缺陷，该算法基于中心统计的原则，在样本种类数量较小的情况下，计算出的类中心可能不准确，图12是根据本发明实施例的类中算法缺陷的示意图，如图12所示，现在有人脸图像种类1和人脸图像种类2，类中心分别为C1以及C2，C1类中有靠近簇边缘的3个点X1、X2、X3，此时计算类中心后，以X2为当前C1的类中心，假设现在新来一个C2类的边缘人脸样本y1，可以看到人脸相似度距离S(y1,X2)<S(y1,c2)<S(y1,c1)，那么此时y1将会被分到C1类中，y1本来应该分配到C2类别中，出现分类错误。

该问题出现的主要原因是由于，分类初期的时候，样本分布不均匀或者样本数量少的时候，类中心不准确，当样本足够多的时候，类中心也越来越准确，后续样本错误分类的概率就会降低，但是此时y1已经参与了分类过程，且错误分类了。本专利根据这个原因，在初次聚类完成后，二次聚类已经分类的图像重新和各个类中心进行比较，那么y1重新聚类后，根据S(y1,c2)<S(y1,c1)可知，y1会被分配到正确的类别C2中，降低了分类的错误率。

实施例2

根据本发明实施例的另一方面，还提供了一种移动终端，图13是根据本发明实施例的移动终端的示意图，如图13所示，所述移动终端包括：处理器110、存储器109及通信总线，其中，

所述通信总线，用于实现所述处理器110和所述存储器109之间的连接通信；

所述处理器110，用于执行存储器109中存储的图像分类处理程序，以实现以下步骤：

对待处理图像进行人脸特征向量提取；

判断预先存储的标准人脸特征向量中是否存在与所述待处理图像的人脸特征向量匹配的标准人脸特征；

根据判断的结果对所述待处理图像进行分类处理。

可选的，所述处理器110还用于执行图像分类处理程序，以实现以下步骤：

可选的，所述处理器110还用于执行图像分类处理程序，以实现以下步骤：

从所述人脸特征数据库中获取多个标准人脸特征向量；

根据预先确定的特征相似度阈值判断所述待处理图像的人脸特征向量是否与所述多个标准人脸特征向量中的一个或多个匹配。

可选的，所述处理器110还用于执行图像分类处理程序，以实现以下步骤：

分别将所述多个标准人脸特征向量与所述待处理图像的人脸特征向量进行欧式距离做差处理，得到所述多个标准人脸特征向量与所述待处理图像的人脸特征向量的多个相似度值；

判断所述多个相似度值是否存在一个或多个小于所述特征相似度阈值的相似度值。

可选的，所述处理器110还用于执行图像分类处理程序，以实现以下步骤：

在所述多个相似度值存在一个小于所述特征相似度阈值的相似度值的情况下，确定小于所述特征相似度阈值的相似度值的标准人脸特征向量对应的图像为与所述待处理图像匹配的图像；

获取小于所述特征相似度阈值的相似度值的标准人脸特征向量对应的图像所属的相册；

将所述待处理图像保存到所述相册中。

可选的，所述处理器110还用于执行图像分类处理程序，以实现以下步骤：

在所述多个相似度值存在多个小于所述特征相似度阈值的相似度值的情况下，确定小于所述特征相似度阈值的多个相似度值中的最小相似度值的标准人脸特征向量对应的图像为与所述待处理图像匹配的图像；

获取所述最小相似度值的标准人脸特征向量对应的图像所属的相册；

将所述待处理图像保存到所述相册中。

可选的，所述处理器110还用于执行图像分类处理程序，以实现以下步骤：

在判断结果为否的情况下，将所述待处理图像保存到为所述待处理图像创建的相册中。

可选的，所述处理器110还用于执行图像分类处理程序，以实现以下步骤：

在对所述待处理图像进行人脸特征向量提取之前，统计大于预定数量的人脸图像样本的人脸特征相似度的分布情况；

根据所述人脸特征相似度的分布情况确定所述特征相似度阈值。

可选的，所述处理器110还用于执行图像分类处理程序，以实现以下步骤：

在根据确定的图像对所述待处理图像进行分类处理之后，在检测到相册中图像的数量大于或等于预定阈值，或者检测到预定时间周期到达的情况下，触发统计每个相册中图像的人脸特征向量的分布情况；

根据每个相册中图像的人脸特征向量的分布情况确定每个相册的标准人脸特征向量。

实施例3

根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述图像分类处理方法的以下步骤：

S11，对待处理图像进行人脸特征向量提取；

S12，判断预先存储的标准人脸特征向量中是否存在与所述待处理图像的人脸特征向量匹配的标准人脸特征；

S13，根据判断的结果对所述待处理图像进行分类处理。

本发明实施例，对待处理图像进行人脸特征向量提取；判断预先存储的标准人脸特征向量中是否存在与所述待处理图像的人脸特征向量匹配的标准人脸特征；根据判断的结果对所述待处理图像进行分类处理，解决了相关技术中直接将拍摄的图像保存到同一个相册中导致用户体验不佳的问题，通过提取拍摄的图像的人脸特征，根据人脸特征对图像进行分类，实现了将拍摄的图像自动分类保存，无需用户手动操作，提高了用户体验。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

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。

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上述实施例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(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种图像分类处理方法，其特征在于，包括：

对待处理图像进行人脸特征向量提取；

判断预先存储的标准人脸特征向量中是否存在与所述待处理图像的人脸特征向量匹配的标准人脸特征；

根据判断的结果对所述待处理图像进行分类处理。

2.根据权利要求1所述的方法，其特征在于，判断预先存储的标准人脸特征向量中是否存在与所述待处理图像的人脸特征向量匹配的标准人脸特征包括：

从所述人脸特征数据库中获取多个标准人脸特征向量；

根据预先确定的特征相似度阈值判断所述待处理图像的人脸特征向量是否与所述多个标准人脸特征向量中的一个或多个匹配。

3.根据权利要求2所述的方法，其特征在于，根据预先确定的特征相似度阈值判断所述待处理图像的人脸特征向量是否与所述多个标准人脸特征向量中的一个或多个匹配包括：

分别将所述多个标准人脸特征向量与所述待处理图像的人脸特征向量进行欧式距离做差处理，得到所述多个标准人脸特征向量与所述待处理图像的人脸特征向量的多个相似度值；

判断所述多个相似度值是否存在一个或多个小于所述特征相似度阈值的相似度值。

4.根据权利要求3所述的方法，其特征在于，根据判断的结果对所述待处理图像进行分类处理包括：

在所述多个相似度值存在一个小于所述特征相似度阈值的相似度值的情况下，确定小于所述特征相似度阈值的相似度值的标准人脸特征向量对应的图像为与所述待处理图像匹配的图像；

获取小于所述特征相似度阈值的相似度值的标准人脸特征向量对应的图像所属的相册；

将所述待处理图像保存到所述相册中。

5.根据权利要求3所述的方法，其特征在于，根据判断的结果对所述待处理图像进行分类处理包括：

在所述多个相似度值存在多个小于所述特征相似度阈值的相似度值的情况下，确定小于所述特征相似度阈值的多个相似度值中的最小相似度值的标准人脸特征向量对应的图像为与所述待处理图像匹配的图像；

获取所述最小相似度值的标准人脸特征向量对应的图像所属的相册；

将所述待处理图像保存到所述相册中。

6.根据权利要求3所述的方法，其特征在于，根据判断的结果对所述待处理图像进行分类处理包括：

在判断结果为否的情况下，将所述待处理图像保存到为所述待处理图像创建的相册中。

7.根据权利要求1至6中任一项所述的方法，其特征在于，在对所述待处理图像进行人脸特征向量提取之前，所述方法还包括：

统计大于预定数量的人脸图像样本的人脸特征相似度的分布情况；

根据所述人脸特征相似度的分布情况确定所述特征相似度阈值。

8.根据权利要求1至6中任一项所述的方法，其特征在于，在根据确定的图像对所述待处理图像进行分类处理之后，所述方法还包括：

在检测到相册中图像的数量大于或等于预定阈值，或者检测到预定时间周期到达的情况下，触发统计每个相册中图像的人脸特征向量的分布情况；

根据每个相册中图像的人脸特征向量的分布情况确定每个相册的标准人脸特征向量。

9.一种移动终端，其特征在于，所述移动终端包括：处理器、存储器及通信总线，其中，

所述通信总线，用于实现所述处理器和所述存储器之间的连接通信；

所述处理器，用于执行存储器中存储的图像分类处理程序，以实现以下步骤：

对待处理图像进行人脸特征向量提取；

判断预先存储的标准人脸特征向量中是否存在与所述待处理图像的人脸特征向量匹配的标准人脸特征；

根据判断的结果对所述待处理图像进行分类处理。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1-8中任一项所述的图像分类处理方法的步骤。