CN110069645A - 图像推荐方法、装置、电子设备及计算机可读存储介质 - Google Patents

图像推荐方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN110069645A
CN110069645A CN201910324189.2A CN201910324189A CN110069645A CN 110069645 A CN110069645 A CN 110069645A CN 201910324189 A CN201910324189 A CN 201910324189A CN 110069645 A CN110069645 A CN 110069645A
Authority
CN
China
Prior art keywords
recommended
facial
value
image
label
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
CN201910324189.2A
Other languages
English (en)
Inventor
邵笑飞
江彦涛
张涛
王帅
陈亮
吴文昊
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 Megvii Technology Co Ltd
Beijing Maigewei Technology Co Ltd
Original Assignee
Beijing Maigewei 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 Maigewei Technology Co Ltd filed Critical Beijing Maigewei Technology Co Ltd
Priority to CN201910324189.2A priority Critical patent/CN110069645A/zh
Publication of CN110069645A publication Critical patent/CN110069645A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及图像处理技术领域，公开了一种图像推荐方法、装置、电子设备及计算机可读存储介质，其中，图像推荐方法包括：获取至少一个待推荐图像素材，并确定各个待推荐图像素材分别对应的第一面部特征值；接着基于预定聚类算法，对各个第一面部特征值与各个第二面部特征值进行聚类处理，得到相应的聚类组，各个第二面部特征值是根据用户选择的各个目标图像素材确定出的；接着确定与任一第二面部特征值属于同一聚类组的至少一个第一面部特征值，并将该至少一个第一面部特征值分别对应的待推荐图像素材推荐给用户。本申请实施例的方法，自动将与用户关注的目标图的面部特征相匹配的待推荐图像推荐给用户，极大提高用户体验。

Description

图像推荐方法、装置、电子设备及计算机可读存储介质
技术领域
本申请涉及图像处理技术领域，具体而言，本申请涉及一种图像推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
随着互联网的快速发展，越来越多的多媒体信息出现在我们的生活中，而图像是多媒体信息中的典型代表，包含丰富的视觉信息。由于每个用户的兴趣点不尽相同，所以可能某些图像是用户A感兴趣的，有些图像是用户A不感兴趣，而是用户B感兴趣的，于是，用户需要根据自己的兴趣点，从大量的图像中选择自己感兴趣的图像。
然而，用户从大量的图像中检索出自己感兴趣的某些图像，是件非常困难的事，往往需要将这些大量图像浏览一遍，并手动筛选出自己喜欢的图像，筛选时间长，用户体验差。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一，特提出以下技术方案：
第一方面，提供了一种图像推荐方法，包括：
获取至少一个待推荐图像素材，并确定各个待推荐图像素材分别对应的第一面部特征值；
基于预定聚类算法，对各个第一面部特征值与各个第二面部特征值进行聚类处理，得到相应的聚类组，各个第二面部特征值是根据用户选择的各个目标图像素材确定出的；
确定与任一第二面部特征值属于同一聚类组的至少一个第一面部特征值，并将该至少一个第一面部特征值分别对应的待推荐图像素材推荐给用户。
具体地，确定各个待推荐图像素材分别对应的第一面部特征值，包括：
根据基于深度学习的神经网络，确定各个待推荐图像素材分别对应的第一面部特征值。
进一步地，在基于预定聚类算法，对各个第一面部特征值与各个第二面部特征值进行聚类处理之前，还包括：
通过预定的各个第一标记对各个待推荐图像素材分别进行标记；
通过预定的各个第二标记对各个目标图像素材分别进行标记，或获取预先对各个目标图像素材分别进行标记后的各个第二标记。
进一步地，在对各个待推荐图像素材与各个目标图像素材分别进行标记之后，还包括：
针对各个待推荐图像素材，建立任一第一标记与该任一第一标记对应的待推荐图像素材的第一面部特征值之间的第一映射关系；以及，
针对各个目标图像素材，建立任一第二标记与该任一第二标记对应的目标图像素材的第二面部特征值之间的第二映射关系，或获取预先建立的任一第二标记与该任一第二标记对应的目标图像素材的第二面部特征值之间的第二映射关系。
进一步地，确定与任一第二面部特征值属于同一聚类组的至少一个第一面部特征值，包括：
基于第二映射关系，根据任一第二标记确定任一第二面部特征值所属的聚类组，并确定该聚类组中的至少一个第一面部特征值。
进一步地，将该至少一个第一面部特征值分别对应的待推荐图像素材推荐给用户，包括：
基于第一映射关系，确定该至少一个第一面部特征值分别对应的各个第一标记；
将各个第一标记分别对应的待推荐图像素材推荐给用户。
进一步地，预定聚类算法包括条件随机场CRF算法
第二方面，提供了一种图像推荐装置，包括：
第一处理模块，用于获取至少一个待推荐图像素材，并确定各个待推荐图像素材分别对应的第一面部特征值；
第二处理模块，用于基于预定聚类算法，对各个第一面部特征值与各个第二面部特征值进行聚类处理，得到相应的聚类组，各个第二面部特征值是根据用户选择的各个目标图像素材确定出的；
推荐模块，用于确定与任一第二面部特征值属于同一聚类组的至少一个第一面部特征值，并将该至少一个第一面部特征值分别对应的待推荐图像素材推荐给用户。
具体地，第一处理模块具体用于根据基于深度学习的神经网络，确定各个待推荐图像素材分别对应的第一面部特征值。
进一步地，该装置还包括第一标记模块与第二标记模块；
第一标记模块，用于通过预定的各个第一标记对各个待推荐图像素材分别进行标记；
第二标记模块，用于通过预定的各个第二标记对各个目标图像素材分别进行标记，或获取预先对各个目标图像素材分别进行标记后的各个第二标记。
进一步地，该装置还包括第一映射模块与第二映射模块；
第一映射模块，用于针对各个待推荐图像素材，建立任一第一标记与该任一第一标记对应的待推荐图像素材的第一面部特征值之间的第一映射关系；以及，
第二映射模块，用于针对各个目标图像素材，建立任一第二标记与该任一第二标记对应的目标图像素材的第二面部特征值之间的第二映射关系，或获取预先建立的任一第二标记与该任一第二标记对应的目标图像素材的第二面部特征值之间的第二映射关系。
进一步地，推荐模块具体用于基于第二映射关系，根据任一第二标记确定任一第二面部特征值所属的聚类组，并确定该聚类组中的至少一个第一面部特征值。
进一步地，推荐模块具体用于基于第一映射关系，确定该至少一个第一面部特征值分别对应的各个第一标记；以及用于将各个第一标记分别对应的待推荐图像素材推荐给用户。
进一步地，预定聚类算法包括条件随机场CRF算法。
第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现上述的图像推荐方法。
第四方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的图像推荐方法。
本申请实施例提供的图像推荐方法，通过基于预定聚类算法，对各个待推荐图像素材的各个第一面部特征值、各个目标图像素材的各个第二面部特征值，进行聚类处理，并将与任一第二面部特征值属于同一聚类组的各个第一面部特征值分别对应的待推荐图像素材推荐给用户，使得可以根据海量的待推荐图像的面部特征与用户关注的目标图像的面部特征之间的匹配程度，自动将与用户关注的目标图像的面部特征相匹配的待推荐图像推荐给用户，避免用户花费大量时间、精力对大量的待推荐图像进行浏览与筛选，极大提高用户体验。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例的图像推荐方法的流程示意图；
图2为本申请实施例的图像推荐的处理过程的示意图；
图3为本申请实施例的图像推荐装置的基本结构示意图；
图4为本申请实施例的图像推荐装置的详细结构示意图；
图5为本申请实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
实施例一
本申请实施例提供了一种图像推荐方法，如图1所示，包括：
步骤S110，获取至少一个待推荐图像素材，并确定各个待推荐图像素材分别对应的第一面部特征值。
具体地，一方面，用户可以根据需要从终端设备的图像库中选择任意多个普通图像素材，并将该任意多个普通图像素材作为待推荐图像素材，此时，图像推荐系统接收用户选择的多个普通图像素材。另一方面，图像推荐系统可以以预定时间间隔，自动从终端设备的图像库或云端设备的图像库或终端设备的社交软件中的图像中，获取一个或多个待推荐图像素材。其中，社交软件可以为微信、微博、QQ空间、贴吧等等，本申请实施例不对其做限制。
进一步地，图像推荐系统在获取到一个或多个待推荐图像素材后，确定获取到的各个待推荐图像素材分别对应的面部特征值。其中，为便于区分，后续将待推荐图像素材对应的面部特征值记作第一面部特征值。
步骤S120，基于预定聚类算法，对各个第一面部特征值与各个第二面部特征值进行聚类处理，得到相应的聚类组，各个第二面部特征值是根据用户选择的各个目标图像素材确定出的。
具体地，用户可以根据需要从终端设备的图像库、或云端设备的图像库、或终端设备的社交软件中的图像中，选择任意多个自己感兴趣的特定图像素材，并将该任意多个特定图像素材作为目标图像素材。在用户选择出自己当前感兴趣的任意多个目标图像素材后，图像推荐系统确定该任意多个目标图像素材分别对应的面部特征值，其中，为便于区分，后续将目标图像素材对应的面部特征值记作第二面部特征值。
其中，图像推荐系统确定出目标图像素材对应的第二面部特征值后，可以存储该第二面部特征值，并当用户未对自己感兴趣的目标图像素材进行调整时，直接使用该存储的第二面部特征值，从而避免每次进行图像推荐时，都重复计算一次目标图像素材的面部特征值，降低计算量。当检测到用户调整自己感兴趣的目标图像素材时，重新确定用户调整后的目标图像素材的第二面部特征值，并利用该重新确定出的新的第二面部特征值替换原先存储的旧的第二面部特征值，即对存储的面部特征值进行更新。
进一步地，在得到用户选择的各个目标图像素材分别对应的第二面部特征值后，可以基于预定聚类算法，对各个第一面部特征值与各个第二面部特征值进行聚类处理，得到相应的聚类组，该聚类组可能为一个，也可能为多个。假如各个第一面部特征值分别为Q1、Q2、Q3、Q4、Q5与Q6，各个第二面部特征值分别为P1、P2与P3，对各个第一面部特征值与各个第二面部特征值进行聚类处理，得到的聚类结果可能为：Q1、Q2、Q3与P1属于同一聚类组，Q4、Q5与P2属于同一聚类组，Q6与P3属于同一聚类组，也可能为：Q1、Q2与P1属于同一聚类组，Q3、Q4与P2属于同一聚类组，Q5、Q6与P3属于同一聚类组。
步骤S130，确定与任一第二面部特征值属于同一聚类组的至少一个第一面部特征值，并将该至少一个第一面部特征值分别对应的待推荐图像素材推荐给用户。
具体地，在得到相应的各个聚类组后，可以确定出各个第二面部特征值分别所在的聚类组，其中，可以将任一第二面部特征值所在的聚类组记作目标聚类组。如果该目标聚类组中包括一个或多个第一面部特征值，则将该一个或多个第一面部特征值分别对应的待推荐图像推荐给用户，即将与任一第二面部特征值属于同一聚类组的至少一个第一面部特征值分别对应的待推荐图像素材，推荐给用户。
进一步地，在将待推荐图像素材推荐给用户的过程中，可以将各个聚类组中对应的一个或多个第一面部特征值分别对应的待推荐图像分组推荐，也可以将各个聚类组中的一个或多个第一面部特征值分别对应的待推荐图像合并推荐给用户。假如各个第一面部特征值分别为Q1、Q2、Q3、Q4、Q5与Q6，各个第二面部特征值分别为P1、P2与P3，且Q1、Q2、Q3与P1属于同一聚类组，Q4、Q5与P2属于同一聚类组，Q6与P3属于同一聚类组，则：可以将Q1、Q2与Q3分别对应的待推荐图像作为一组推荐给用户，将Q4与Q5分别对应的待推荐图像作为一组推荐给用户，将Q6对应的待推荐图像作为一组推荐给用户；也可以将Q1、Q2、Q3、Q4、Q5与Q6分别对应的待推荐图像合并在一起推荐给用户。
本申请实施例提供的图像推荐方法，通过基于预定聚类算法，对各个待推荐图像素材的各个第一面部特征值、各个目标图像素材的各个第二面部特征值，进行聚类处理，并将与任一第二面部特征值属于同一聚类组的各个第一面部特征值分别对应的待推荐图像素材推荐给用户，使得可以根据海量的待推荐图像的面部特征与用户关注的目标图像的面部特征之间的匹配程度，自动将与用户关注的目标图像的面部特征相匹配的待推荐图像推荐给用户，避免用户花费大量时间、精力对大量的待推荐图像进行浏览与筛选，极大提高用户体验。
本申请实施例提供了另一种可能的实现方式，其中，根据基于深度学习的神经网络，确定各个待推荐图像素材分别对应的第一面部特征值。
在步骤S120之前还包括步骤S111(图中未标注)、步骤S112(图中未标注)，其中：
步骤S111，通过预定的各个第一标记对各个待推荐图像素材分别进行标记。
步骤S112，通过预定的各个第二标记对各个目标图像素材分别进行标记，或获取预先对各个目标图像素材分别进行标记后的各个第二标记。
下面对本实现方式涉及到的相关内容进行详细介绍：
具体地，在基于预定聚类算法，对各个第一面部特征值与各个第二面部特征值进行聚类处理的过程中，可以采用条件随机场CRF的聚类算法，对各个第一面部特征值与各个第二面部特征值进行聚类处理，得到各个相应的聚类组。
具体地，在确定各个待推荐图像素材分别对应的第一面部特征值时，可以采用基于深度学习的神经网络算法，提取各个待推荐图像素材分别对应的第一面部特征值。同样地，在确定各个目标图像素材分别对应的第二面部特征值时，也采用基于深度学习的神经网络算法，即根据基于深度学习的神经网络，确定各个目标图像素材分别对应的第二面部特征值。
具体地，在获取到至少一个待推荐图像素材后，可以通过预定的各个第一标记对各个待推荐图像素材分别进行标记，假如待推荐图像素材为M个，预定的各个第一标记分别为R1、R2、…、RM，则可以用R1标记第一个待推荐图像素材，用R2标记第二个待推荐图像素材，…，用RM标记第M个待推荐图像素材，即将M个待推荐图像素材分别记作R1、R2、…、RM。
同样地，在获取到用户选择的至少一个目标图像素材后，可以通过预定的各个第二标记对各个目标图像素材分别进行标记，假如用户选择的目标图像素材为N个，预定的各个第二标记分别为T1、T2、…、TN，则可以用T1标记第一个目标图像素材，用T2标记第二个目标图像素材，…，用TN标记第N个目标图像素材，即将N个目标图像素材分别记作T1、T2、…、TN。需要说明的是，如果图像推荐系统在用户选择出自己感兴趣的目标图像素材后，已经预先通过预定的各个第二标记(例如T1、T2、…、TN)，对各个目标图像素材分别进行了标记，则此时可以直接获取预先对各个目标图像素材分别进行标记后的各个第二标记T1、T2、…、TN。
进一步地，在对各个待推荐图像素材分别进行标记，以及对各个目标图像素材分别进行标记或获取到预先对各个目标图像素材分别进行标记后的各个第二标记之后，可以建立任一第一标记与该任一第一标记对应的待推荐图像素材的第一面部特征值之间的第一映射关系；以及建立任一第二标记与该任一第二标记对应的目标图像素材的第二面部特征值之间的第二映射关系，或获取预先建立的任一第二标记与该任一第二标记对应的目标图像素材的第二面部特征值之间的第二映射关系。
假如上述的M个待推荐图像素材分别对应M个第一面部特征值，记作FR 1、FR 2、…、FR M，且待推荐图像素材R1的第一面部特征值为FR 1，待推荐图像素材R2的第一面部特征值为FR 2，待推荐图像素材RM的第一面部特征值为FR M，则可以建立各个待推荐图像素材的第一标记(R1、R2、…、RM)与相应的第一面部特征值(FR 1、FR 2、…、FR M)之间一一对应的映射关系(记作第一映射关系)，即R1对应FR 1，R2对应FR 2，…，RM对应FR M，即建立任一第一标记与该任一第一标记对应的待推荐图像素材的第一面部特征值之间的第一映射关系。
同样地，上述的N个目标图像素材分别对应N个第二面部特征值，记作FT 1、FT 2、…、FT N，且目标图像素材T1的第二面部特征值为FT 1，目标图像素材T2的第二面部特征值为FT 2，目标图像素材TN的第二面部特征值为FT N，则可以建立各个目标图像素材的标记(T1、T2、…、TN)与相应的第二面部特征值(FT 1、FT 2、…、FT N)之间一一对应的映射关系(记作第二映射关系)，即T1对应FT 1，T2对应FT 2，…，TN对应FT N。需要说明的是，如果图像推荐系统在用户选择出自己感兴趣的各个目标图像素材，且确定出该各个目标图像素材分别对应的面部特征值后，已经预先建立好各个目标图像素材的标记与相应目标图像素材的面部特征之间的映射关系，则此时可以直接获取该预先建立的映射关系，即建立任一第二标记与该任一第二标记对应的目标图像素材的第二面部特征值之间的第二映射关系，或获取预先建立的任一第二标记与该任一第二标记对应的目标图像素材的第二面部特征值之间的第二映射关系。
进一步地，在建立任一第二标记与该任一第二标记对应的目标图像素材的第二面部特征值之间的第二映射关系，或获取预先建立的任一第二标记与该任一第二标记对应的目标图像素材的第二面部特征值之间的第二映射关系之后，可以根据第二映射关系，确定任一第二标记对应的第二面部特征值，并根据各个第一面部特征值与各个第二面部特征值间的聚类处理结果，确定出任一第二面部特征值所属的聚类组，进而确定出该聚类组中的至少一个第一面部特征值。
假如各个第二标记(T1、T2、…、TN)与各个第二面部特征值(FT 1、FT 2、…、FT N)之间的映射关系为T1对应FT 1，T2对应FT 2，…，TN对应FT N，如果确定出任一第二标记T2对应的第二面部特征值FT 2所属的聚类组为P2，且该聚类组P2中除了包括第二面部特征值FT 2之外，还包括第一面部特征值FR 1，即第一面部特征值FR 1与第二面部特征值FT 2属于同一聚类组，则此时可以确定第一面部特征值FR 1对应的待推荐图像为用户感兴趣的图像，可以将FR 1对应的待推荐图像推荐给用户。
在将FR 1对应的待推荐图像推荐给用户时，需要先根据FR 1确定出待推荐图像，接着将该待推荐图像推荐给用户。其中，根据FR 1确定出待推荐图像时，可以根据各个待推荐图像的第一标记(R1、R2、…、RM)与相应的面部特征值(FR 1、FR 2、…、FR M)之间的映射关系(R1对应FR 1，R2对应FR 2，…，RM对应FR M)，确定出FR 1对应的待推荐图像的标记为R1，接着将标记R1对应的待推荐图像推荐给用户，即将标记为R1的待推荐图像推荐给用户。
需要说明的是，如果某个聚类组P5中只包括目标图像的面部特征值，而不包括待推荐图像的面部特征值，则说明该聚类组P5中没有可以推荐给用户的待推荐图像。如果某个聚类组P8中只有待推荐图像的面部特征值，则此时聚类组P8中同样没有可以推荐给用户的待推荐图像。
其中，图2给出了本申请实施例的图像推荐的基本过程，在图2中，在确定出N个目标图像素材与M个待推荐图像素材后，通过CRF聚类算法，对N个目标图像素材的第二面部特征值与M个待推荐图像素材的第一面部特征值，进行聚类处理，得到相应的聚类组，记作P1、P2、…、PL，接着从L个聚类组中筛选出第二面部特征值所在的聚类组，并将该筛选出的聚类组中的第一面部特征值对应的待推荐图像推荐给用户。
实施例二
图3为本申请实施例提供的一种图像推荐装置的结构示意图，如图3所示，该装置30可以包括第一处理模块31、第二处理模块32及推荐模块33，其中：
第一处理模块31用于获取至少一个待推荐图像素材，并确定各个待推荐图像素材分别对应的第一面部特征值；
第二处理模块32用于基于预定聚类算法，对各个第一面部特征值与各个第二面部特征值进行聚类处理，得到相应的聚类组，各个第二面部特征值是根据用户选择的各个目标图像素材确定出的；
推荐模块33用于确定与任一第二面部特征值属于同一聚类组的至少一个第一面部特征值，并将该至少一个第一面部特征值分别对应的待推荐图像素材推荐给用户。
本申请实施例提供的装置，通过基于预定聚类算法，对各个待推荐图像素材的各个第一面部特征值、各个目标图像素材的各个第二面部特征值，进行聚类处理，并将与任一第二面部特征值属于同一聚类组的各个第一面部特征值分别对应的待推荐图像素材推荐给用户，使得可以根据海量的待推荐图像的面部特征与用户关注的目标图像的面部特征之间的匹配程度，自动将与用户关注的目标图像的面部特征相匹配的待推荐图像推荐给用户，避免用户花费大量时间、精力对大量的待推荐图像进行浏览与筛选，极大提高用户体验。
具体地，图4为本申请实施例的图像推荐装置的详细结构示意图，该装置40可以包括第一处理模块41、第二处理模块42、推荐模块43、第一标记模块44、第二标记模块45、第一映射模块46及第二映射模块47。其中，图4中的第一处理模块41所实现的功能与图3中的第一处理模块31相同，图4中的第二处理模块42所实现的功能与图3中的第二处理模块32相同，图4中的推荐模块43所实现的功能与图3中的推荐模块33相同，在此不再赘述。下面对图4所示的图像推荐装置进行详细介绍：
具体地，第一处理模块31具体用于根据基于深度学习的神经网络，确定各个待推荐图像素材分别对应的第一面部特征值。
进一步地，第一标记模块44用于通过预定的各个第一标记对各个待推荐图像素材分别进行标记；
第二标记模块45用于通过预定的各个第二标记对各个目标图像素材分别进行标记，或获取预先对各个目标图像素材分别进行标记后的各个第二标记。
进一步地，第一映射模块46用于针对各个待推荐图像素材，建立任一第一标记与该任一第一标记对应的待推荐图像素材的第一面部特征值之间的第一映射关系；以及，
第二映射模块47用于针对各个目标图像素材，建立任一第二标记与该任一第二标记对应的目标图像素材的第二面部特征值之间的第二映射关系，或获取预先建立的任一第二标记与该任一第二标记对应的目标图像素材的第二面部特征值之间的第二映射关系。
进一步地，推荐模块43具体用于基于第二映射关系，根据任一第二标记确定任一第二面部特征值所属的聚类组，并确定该聚类组中的至少一个第一面部特征值。
进一步地，推荐模块43具体用于基于第一映射关系，确定该至少一个第一面部特征值分别对应的各个第一标记；以及用于将各个第一标记分别对应的待推荐图像素材推荐给用户。
进一步地，预定聚类算法包括条件随机场CRF算法。
实施例三
本申请实施例提供了一种电子设备，如图5所示，图5所示的电子设备500包括：处理器501和存储器503。其中，处理器501和存储器503相连，如通过总线502相连。进一步地，电子设备500还可以包括收发器504。需要说明的是，实际应用中收发器504不限于一个，该电子设备500的结构并不构成对本申请实施例的限定。
其中，处理器501应用于本申请实施例中，用于实现图3与图4所示的第一处理模块、第二处理模块及推荐模块的功能，以及图4所示的第一标记模块、第二标记模块、第一映射模块与第二映射模块的功能。
处理器501可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器501也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线502可包括一通路，在上述组件之间传送信息。总线502可以是PCI总线或EISA总线等。总线502可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器503可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器503用于存储执行本申请方案的应用程序代码，并由处理器501来控制执行。处理器501用于执行存储器503中存储的应用程序代码，以实现图3或图4所示实施例提供的图像推荐装置的动作。
本申请实施例提供的电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，与现有技术相比，可实现：通过基于预定聚类算法，对各个待推荐图像素材的各个第一面部特征值、各个目标图像素材的各个第二面部特征值，进行聚类处理，并将与任一第二面部特征值属于同一聚类组的各个第一面部特征值分别对应的待推荐图像素材推荐给用户，使得可以根据海量的待推荐图像的面部特征与用户关注的目标图像的面部特征之间的匹配程度，自动将与用户关注的目标图像的面部特征相匹配的待推荐图像推荐给用户，避免用户花费大量时间、精力对大量的待推荐图像进行浏览与筛选，极大提高用户体验。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现实施例一所示的方法。与现有技术相比，通过基于预定聚类算法，对各个待推荐图像素材的各个第一面部特征值、各个目标图像素材的各个第二面部特征值，进行聚类处理，并将与任一第二面部特征值属于同一聚类组的各个第一面部特征值分别对应的待推荐图像素材推荐给用户，使得可以根据海量的待推荐图像的面部特征与用户关注的目标图像的面部特征之间的匹配程度，自动将与用户关注的目标图像的面部特征相匹配的待推荐图像推荐给用户，避免用户花费大量时间、精力对大量的待推荐图像进行浏览与筛选，极大提高用户体验。
本申请实施例提供的计算机可读存储介质适用于上述方法的任一实施例。在此不再赘述。
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。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种图像推荐方法，其特征在于，包括：
获取至少一个待推荐图像素材，并确定各个待推荐图像素材分别对应的第一面部特征值；
基于预定聚类算法，对各个第一面部特征值与各个第二面部特征值进行聚类处理，得到相应的聚类组，所述各个第二面部特征值是根据用户选择的各个目标图像素材确定出的；
确定与任一第二面部特征值属于同一聚类组的至少一个第一面部特征值，并将该至少一个第一面部特征值分别对应的待推荐图像素材推荐给用户。
2.根据权利要求1所述的方法，其特征在于，确定各个待推荐图像素材分别对应的第一面部特征值，包括：
根据基于深度学习的神经网络，确定各个待推荐图像素材分别对应的第一面部特征值。
3.根据权利要求1所述的方法，其特征在于，在基于预定聚类算法，对各个第一面部特征值与各个第二面部特征值进行聚类处理之前，还包括：
通过预定的各个第一标记对各个待推荐图像素材分别进行标记；
通过预定的各个第二标记对各个目标图像素材分别进行标记，或获取预先对各个目标图像素材分别进行标记后的各个第二标记。
4.根据权利要求3所述的方法，其特征在于，在对各个待推荐图像素材与各个目标图像素材分别进行标记之后，还包括：
针对各个待推荐图像素材，建立任一第一标记与该任一第一标记对应的待推荐图像素材的第一面部特征值之间的第一映射关系；以及，
针对各个目标图像素材，建立任一第二标记与该任一第二标记对应的目标图像素材的第二面部特征值之间的第二映射关系，或获取预先建立的任一第二标记与该任一第二标记对应的目标图像素材的第二面部特征值之间的第二映射关系。
5.根据权利要求4所述的方法，其特征在于，所述确定与任一第二面部特征值属于同一聚类组的至少一个第一面部特征值，包括：
基于所述第二映射关系，根据任一第二标记确定任一第二面部特征值所属的聚类组，并确定该聚类组中的至少一个第一面部特征值。
6.根据权利要求5所述的方法，其特征在于，所述将该至少一个第一面部特征值分别对应的待推荐图像素材推荐给用户，包括：
基于所述第一映射关系，确定该至少一个第一面部特征值分别对应的各个第一标记；
将所述各个第一标记分别对应的待推荐图像素材推荐给用户。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述预定聚类算法包括条件随机场CRF算法。
8.一种图像推荐装置，其特征在于，包括：
第一处理模块，用于获取至少一个待推荐图像素材，并确定各个待推荐图像素材分别对应的第一面部特征值；
第二处理模块，用于基于预定聚类算法，对各个第一面部特征值与各个第二面部特征值进行聚类处理，得到相应的聚类组，所述各个第二面部特征值是根据用户选择的各个目标图像素材确定出的；
推荐模块，用于确定与任一第二面部特征值属于同一聚类组的至少一个第一面部特征值，并将该至少一个第一面部特征值分别对应的待推荐图像素材推荐给用户。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一项所述的图像推荐方法。
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上存储有计算机程序，该程序被处理器执行时实现权利要求1-7任一项所述的图像推荐方法。
CN201910324189.2A 2019-04-22 2019-04-22 图像推荐方法、装置、电子设备及计算机可读存储介质 Pending CN110069645A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910324189.2A CN110069645A (zh) 2019-04-22 2019-04-22 图像推荐方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910324189.2A CN110069645A (zh) 2019-04-22 2019-04-22 图像推荐方法、装置、电子设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN110069645A true CN110069645A (zh) 2019-07-30

Family

ID=67368451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910324189.2A Pending CN110069645A (zh) 2019-04-22 2019-04-22 图像推荐方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110069645A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101211355B (zh) * 2006-12-30 2010-05-19 中国科学院计算技术研究所 一种基于聚类的图像查询方法
CN101859326A (zh) * 2010-06-09 2010-10-13 南京大学 一种图像检索方法
US8054170B1 (en) * 2008-09-30 2011-11-08 Adobe Systems Incorporated Characterizing and representing images
CN104298713A (zh) * 2014-09-16 2015-01-21 北京航空航天大学 一种基于模糊聚类的图片检索方法
CN104820718A (zh) * 2015-05-22 2015-08-05 哈尔滨工业大学 基于地理位置特征与全局视觉特征的图像分类和检索方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101211355B (zh) * 2006-12-30 2010-05-19 中国科学院计算技术研究所 一种基于聚类的图像查询方法
US8054170B1 (en) * 2008-09-30 2011-11-08 Adobe Systems Incorporated Characterizing and representing images
CN101859326A (zh) * 2010-06-09 2010-10-13 南京大学 一种图像检索方法
CN104298713A (zh) * 2014-09-16 2015-01-21 北京航空航天大学 一种基于模糊聚类的图片检索方法
CN104820718A (zh) * 2015-05-22 2015-08-05 哈尔滨工业大学 基于地理位置特征与全局视觉特征的图像分类和检索方法

Similar Documents

Publication Publication Date Title
Zhou et al. Coverless image steganography using partial-duplicate image retrieval
Nightingale et al. Can people identify original and manipulated photos of real-world scenes?
JP6937988B2 (ja) 動的ビデオオーバレイ
CN104636488B (zh) 一种基于图片的重复视频文件确定方法及装置
CN106649610A (zh) 图片标注方法及装置
CN104053023B (zh) 一种确定视频相似度的方法及装置
CN109710789A (zh) 图像数据的检索方法、装置、电子设备及计算机存储介质
CN104408077A (zh) 图片的展现方法、展现系统和终端
CN114625976B (zh) 一种基于联邦学习的数据推荐方法、装置、设备及介质
CN110489574A (zh) 一种多媒体信息推荐方法、装置和相关设备
JP6031210B1 (ja) 販売予測装置、販売予測方法、およびプログラム
Babaei et al. On the efficiency of the information networks in social media
CN111241381A (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
CN107632971A (zh) 用于生成多维报表的方法和装置
CN105096335A (zh) 一种传输评价信息的方法及装置
WO2021225118A1 (ja) 情報処理装置及び情報処理方法
CN109660508A (zh) 数据可视化方法、电子装置、计算机设备及存储介质
Phillips et al. The Veiled Virgin illustrates visual segmentation of shape by cause
CN110069645A (zh) 图像推荐方法、装置、电子设备及计算机可读存储介质
CN107733709A (zh) 数据存储方法、装置及电子设备
CN110110206A (zh) 物品间关系挖掘及推荐方法、装置、计算设备、存储介质
JP6616008B2 (ja) ビデオのための相互雑音推定
CN103312555B (zh) 信息处理装置、信息处理系统和信息处理方法
CN113254984A (zh) 网页监控方法、装置、存储介质及设备
CN113553505A (zh) 视频推荐方法、装置及计算设备

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

Application publication date: 20190730

RJ01 Rejection of invention patent application after publication