CN111797839A - 特征提取方法、装置、存储介质及电子设备 - Google Patents
特征提取方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111797839A CN111797839A CN201910282041.7A CN201910282041A CN111797839A CN 111797839 A CN111797839 A CN 111797839A CN 201910282041 A CN201910282041 A CN 201910282041A CN 111797839 A CN111797839 A CN 111797839A
- Authority
- CN
- China
- Prior art keywords
- ontology
- features
- panoramic
- feature
- relationship
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供一种特征提取方法、装置、存储介质及电子设备，所述特征提取方法包括：从全景数据中识别出多个本体；获取每一所述本体与每一其它本体之间的关系类型，以得到所述多个本体之间的关系类型图；根据所述关系类型图从所述全景数据中获取全景特征。本申请实施例提供的特征提取方法中，电子设备可以根据多个本体之间的关系类型来构建关系类型图，并根据关系类型图来获取全景特征，从而从多个本体中提取特征时，可以对多个本体进行协同处理，可以提高提取特征的准确性、全面性。
Description
技术领域
本申请涉及电子技术领域，特别涉及一种特征提取方法、装置、存储介质及电子设备。
背景技术
随着电子技术的发展，诸如智能手机等电子设备能够为用户提供的服务越来越多。例如，电子设备可以为用户提供社交服务、导航服务、旅游推荐服务等。为了能够给用户提供针对性、个性化的服务，电子设备需要提取用户所处场景的特征，随后根据提取到的特征对用户所处的场景进行识别，并基于识别出的场景为用户提供服务。
发明内容
本申请实施例提供一种特征提取方法、装置、存储介质及电子设备，可以提高提取特征的准确性、全面性。
本申请实施例提供一种特征提取方法，包括：
从全景数据中识别出多个本体；
获取每一所述本体与每一其它本体之间的关系类型，以得到所述多个本体之间的关系类型图；
根据所述关系类型图从所述全景数据中获取全景特征。
本申请实施例还提供一种特征提取装置，包括：
本体识别模块，用于从全景数据中识别出多个本体；
关系获取模块，用于获取每一所述本体与每一其它本体之间的关系类型，以得到所述多个本体之间的关系类型图；
特征提取模块，用于根据所述关系类型图从所述全景数据中获取全景特征。
本申请实施例还提供一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述特征提取方法。
本申请实施例还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行上述特征提取方法。
本申请实施例提供的特征提取方法，包括：从全景数据中识别出多个本体；获取每一所述本体与每一其它本体之间的关系类型，以得到所述多个本体之间的关系类型图；根据所述关系类型图从所述全景数据中获取全景特征。所述特征提取方法中，电子设备可以根据多个本体之间的关系类型来构建关系类型图，并根据关系类型图来获取全景特征，从而从多个本体中提取特征时，可以对多个本体进行协同处理，可以提高提取特征的准确性、全面性。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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为本申请实施例提供的特征提取方法的应用场景示意图。
图2为本申请实施例提供的特征提取方法的第一种流程示意图。
图3为本申请实施例提供的特征提取方法中的关系类型图的示意图。
图4为本申请实施例提供的特征提取方法的第二种流程示意图。
图5为本申请实施例提供的特征提取方法的第三种流程示意图。
图6为本申请实施例提供的特征提取方法的第四种流程示意图。
图7为本申请实施例提供的特征提取方法的第五种流程示意图。
图8为本申请实施例提供的特征提取方法的第六种流程示意图。
图9为本申请实施例提供的特征提取方法的第七种流程示意图。
图10为本申请实施例提供的特征提取方法的第八种流程示意图。
图11为本申请实施例提供的特征提取装置的第一种结构示意图。
图12为本申请实施例提供的特征提取装置的第二种结构示意图。
图13为本申请实施例提供的特征提取装置的第三种结构示意图。
图14为本申请实施例提供的特征提取装置的第四种结构示意图。
图15为本申请实施例提供的特征提取装置的第五种结构示意图。
图16为本申请实施例提供的特征提取装置的第六种结构示意图。
图17为本申请实施例提供的电子设备的第一种结构示意图。
图18为本申请实施例提供的电子设备的第二种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本申请的保护范围。
参考图1，图1为本申请实施例提供的特征提取方法的应用场景示意图。所述特征提取方法应用于电子设备。所述电子设备中设置有全景感知架构。所述全景感知架构为电子设备中用于实现所述特征提取方法的硬件和软件的集成。
其中，全景感知架构包括信息感知层、数据处理层、特征抽取层、情景建模层以及智能服务层。
信息感知层用于获取电子设备自身的信息或者外部环境中的信息。所述信息感知层可以包括多个传感器。例如，所述信息感知层包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
其中，距离传感器可以用于检测电子设备与外部物体之间的距离。磁场传感器可以用于检测电子设备所处环境的磁场信息。光线传感器可以用于检测电子设备所处环境的光线信息。加速度传感器可以用于检测电子设备的加速度数据。指纹传感器可以用于采集用户的指纹信息。霍尔传感器是根据霍尔效应制作的一种磁场传感器，可以用于实现电子设备的自动控制。位置传感器可以用于检测电子设备当前所处的地理位置。陀螺仪可以用于检测电子设备在各个方向上的角速度。惯性传感器可以用于检测电子设备的运动数据。姿态感应器可以用于感应电子设备的姿态信息。气压计可以用于检测电子设备所处环境的气压。心率传感器可以用于检测用户的心率信息。
数据处理层用于对信息感知层获取到的数据进行处理。例如，数据处理层可以对信息感知层获取到的数据进行数据清理、数据集成、数据变换、数据归约等处理。
其中，数据清理是指对信息感知层获取到的大量数据进行清理，以剔除无效数据和重复数据。数据集成是指将信息感知层获取到的多个单维度数据集成到一个更高或者更抽象的维度，以对多个单维度的数据进行综合处理。数据变换是指对信息感知层获取到的数据进行数据类型的转换或者格式的转换等，以使变换后的数据满足处理的需求。数据归约是指在尽可能保持数据原貌的前提下，最大限度的精简数据量。
特征抽取层用于对数据处理层处理后的数据进行特征抽取，以提取所述数据中包括的特征。提取到的特征可以反映出电子设备自身的状态或者用户的状态或者电子设备所处环境的环境状态等。
其中，特征抽取层可以通过过滤法、包装法、集成法等方法来提取特征或者对提取到的特征进行处理。
过滤法是指对提取到的特征进行过滤，以删除冗余的特征数据。包装法用于对提取到的特征进行筛选。集成法是指将多种特征提取方法集成到一起，以构建一种更加高效、更加准确的特征提取方法，用于提取特征。
情景建模层用于根据特征抽取层提取到的特征来构建模型，所得到的模型可以用于表示电子设备的状态或者用户的状态或者环境状态等。例如，情景建模层可以根据特征抽取层提取到的特征来构建关键值模型、模式标识模型、图模型、实体联系模型、面向对象模型等。
智能服务层用于根据情景建模层所构建的模型为用户提供智能化的服务。例如，智能服务层可以为用户提供基础应用服务，可以为电子设备进行系统智能优化，还可以为用户提供个性化智能服务。
此外，全景感知架构中还可以包括多种算法，每一种算法都可以用于对数据进行分析处理，所述多种算法可以构成算法库。例如，所述算法库中可以包括马尔科夫算法、隐含狄里克雷分布算法、贝叶斯分类算法、支持向量机、K均值聚类算法、K近邻算法、条件随机场、残差网络、长短期记忆网络、卷积神经网络、循环神经网络等算法。
本申请实施例提供一种特征提取方法，所述特征提取方法可以应用于电子设备中。所述电子设备可以为智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本电脑、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。
参考图2，图2为本申请实施例提供的特征提取方法的第一种流程示意图。
其中，所述特征提取方法包括以下步骤：
110，从全景数据中识别出多个本体。
电子设备从全景数据中提取全景特征时，首先要获取当前的全景数据。其中，所述全景数据可以包括电子设备当前所处环境的环境数据、电子设备的运行数据以及存储的数据、当前的用户信息等。
例如，所述环境数据可以包括当前的时刻、地理位置、温度、大气压、电子设备获取到的周围的声音信息、电子设备获取到的周围的图像信息等。其中，电子设备可以通过声音传感器，例如麦克风，来获取周围的声音信息。电子设备可以通过图像传感器，例如摄像头，来获取周围的图像信息。
所述电子设备的运行数据以及存储的数据可以包括电子设备当前运行的每个应用的运行状态、运行时长等信息，还可以包括当前未运行的应用，还可以包括电子设备操作系统的状态，例如系统运存、系统的运算速度、当前剩余电量、当前的功耗、显示屏的亮度、显示屏的显示内容等信息，还可以包括电子设备上存储的文件、配置信息等。
所述当前的用户信息可以包括用户的生理特征信息，例如用户的面部特征、用户的声纹特征、用户的指纹信息、用户的心率、用户的体温等，还可以包括用户当前正在进行的操作、以及用户进行过的历史操作等信息。
电子设备获取到当前的全景数据后，可以从全景数据中识别出多个本体。其中，所述本体可以包括任意的实体对象或者虚拟对象，例如人、动物、植物、建筑物、手机、平板电脑、网络游戏、手机应用、应用商店、电量、温度等等。
其中，电子设备可以通过命名实体识别方法从全景数据中识别出多个本体。所述命名实体识别方法例如可以包括基于规则的方法、基于词典的方法、马尔科夫算法、支持向量机、条件随机场等。
其中，多个本体意为两个或两个以上的本体。例如，所述多个本体可以包括100个本体。
120，获取每一所述本体与每一其它本体之间的关系类型，以得到所述多个本体之间的关系类型图。
电子设备识别出多个本体后，可以依次获取每一所述本体与每一其它本体之间的关系类型，以得到所述多个本体之间的关系类型图。其中，所述关系类型图可以反映出所述多个本体中任意两个之间的关系类型。
例如，所述多个本体包括本体A、本体B、本体C。那么，电子设备可以依次获取本体A与本体B之间的关系类型R1、本体A与本体C之间的关系类型R2、本体B与本体C之间的关系类型R3。随后，根据本体A、本体B、本体C以及关系类型R1、关系类型R2、关系类型R3即可得到本体A、本体B、本体C之间的关系类型图。
所述关系类型图可以通过图形的方式呈现。例如，如图3所示为六个本体A、B、C、D、E、F之间的关系类型图。其中，所述图形中包括多个节点。每一节点即表示一个本体。每两个节点之间的连线表示互相连接的两个本体之间的关系类型。
在一些实施例中，所述关系类型包括：平级关系、上下位关系。其中，平级关系表示两者处于同一层级，相互之间不存在包含关系。例如，手机和平板电脑之间的关系类型即为平级关系，人和猫之间的关系类型也为平级关系。上下位关系表示两者之间存在包含关系。例如，手机和电池之间的关系类型即为上下位关系，动物和猫之间的关系类型也为上下位关系。
130，根据所述关系类型图从所述全景数据中获取全景特征。
电子设备得到多个本体之间的关系类型图后，即可根据所述关系类型图从所述全景数据中获取全景特征。其中，所述全景特征包括从所述关系类型图中提取到的多个特征。所述全景特征可以反映出当前的全景状态，例如可以反映出当前所处的环境状态、电子设备的运行状态、用户的状态等。
随后，电子设备即可根据当前的全景状态为用户提供个性化的服务，例如为用户推送交通状况信息、自动为用户开启导航、自动进行电子设备的垃圾清理操作、自动将电子设备切换至静音模式，等等。
其中，电子设备可以通过图特征提取方法从所述关系类型图中提取多个特征，并由提取到的多个特征获取所述全景数据中的全景特征。例如，电子设备可以将得到的关系类型图输入到卷积神经网络中，以通过卷积神经网络从关系类型图中提取多个特征，并由提取到的多个特征获取全景特征。
例如，在一些实施例中，电子设备可以通过信息感知层来获取当前的全景数据，例如通过信息感知层来获取电子设备当前所处环境的环境数据、电子设备的运行数据以及存储的数据、当前的用户信息等。
随后，电子设备可以通过特征抽取层从所述全景数据中抽取特征，并根据抽取到的特征从所述全景数据中识别出多个本体。随后，可以通过特征抽取层获取每一所述本体与每一其它本体之间的关系类型，以得到所述多个本体之间的关系类型图，并根据所述关系类型图从所述全景数据中获取全景特征。
获取到全景特征后，电子设备即可通过智能服务层根据所述全景特征识别出当前的全景状态，并根据当前的全景状态为用户提供个性化的服务，例如为用户推送交通状况信息、自动为用户开启导航、自动进行电子设备的垃圾清理操作、自动将电子设备切换至静音模式，等等。
本申请实施例提供的特征提取方法，可以根据多个本体之间的关系类型来构建关系类型图，并根据关系类型图来获取全景特征，从而从多个本体中提取特征时，可以对多个本体进行协同处理，可以提高提取特征的准确性、全面性。
在一些实施例中，参考图4，图4为本申请实施例提供的特征提取方法的第二种流程示意图。
其中，步骤120、获取每一所述本体与每一其它本体之间的关系类型，包括以下步骤：
121，根据所述多个本体构建多个不同的本体组合，每一所述本体组合包括一个第一本体和一个第二本体；
122，依次提取每一所述本体组合中所述第一本体与所述第二本体的关联特征；
123，根据每一所述本体组合的关联特征构建所述本体组合的本体特征向量；
124，依次根据每一所述本体组合的本体特征向量获取所述本体组合的所述第一本体与所述第二本体之间的关系类型，以得到每一所述本体与每一其它本体之间的关系类型。
电子设备识别出多个本体后，可以根据所述多个本体构建多个不同的本体组合。其中，每一所述本体组合包括一个第一本体和一个第二本体。所述第一本体与所述第二本体为不同的本体。
例如，电子设备识别出的多个本体包括4个本体A、B、C、D，那么将所述4个本体两两组合即可得到6个本体组合：(A，B)、(A，C)、(A，D)、(B，C)、(B，D)、(C，D)。
随后，电子设备依次提取每一所述本体组合中所述第一本体与所述第二本体的关联特征。其中，关联特征即为所述第一本体与所述第二本体之间互相关联的特征。
例如，针对本体组合(A，B)，关联特征可以包括本体A和本体B在所述全景数据中共同出现的次数x1、本体A与本体B在所述全景数据中每次出现之间的时间间隔x2、本体A与本体B在文本数据中出现时两者之间的距离x3、本体A与本体B在所述全景数据中出现时两者之间还出现过的其它本体x4，等等特征。
随后，电子设备根据每一所述本体组合的关联特征构建所述本体组合的本体特征向量。
例如，针对本体组合(A，B)，电子设备提取到的关联特征包括x1、x2、x3、x4，那么电子设备即可构建所述本体组合(A，B)的本体特征向量为(x1，x2，x3，x4)。
若电子设备根据4个本体A、B、C、D得到了6个本体组合，则电子设备同样也可以得到其它5个本体组合(A，C)、(A，D)、(B，C)、(B，D)、(C，D)的本体特征向量。
随后，电子设备可以依次根据每一所述本体组合的本体特征向量获取所述本体组合的所述第一本体与所述第二本体之间的关系类型，以得到每一所述本体与每一其它本体之间的关系类型。
例如，电子设备可以根据本体组合(A，B)的本体特征向量(x1，x2，x3，x4)获取本体A与本体B之间的关系类型。同样的，电子设备可以依次得到本体A与本体C、本体D之间的关系类型，得到本体B与本体C、本体D之间的关系类型，得到本体C与本体D之间的关系类型。
从而，电子设备即可得到每一所述本体与每一其它本体之间的关系类型。随之，电子设备即可得到所述多个本体之间的关系类型图。
在一些实施例中，参考图5，图5为本申请实施例提供的特征提取方法的第三种流程示意图。
其中，步骤124，依次根据每一所述本体组合的本体特征向量获取所述本体组合的所述第一本体与所述第二本体之间的关系类型，以得到每一所述本体与每一其它本体之间的关系类型，包括以下步骤：
1241，采用最大熵分类器依次对每一所述本体组合的本体特征向量进行分类，以得到每一所述本体组合的所述第一本体与所述第二本体之间的关系类型；
1242，根据得到的多个关系类型确定每一所述本体与每一其它本体之间的关系类型。
电子设备可以采用最大熵分类器依次对每一所述本体组合的本体特征向量进行分类，以得到每一所述本体组合的所述第一本体与所述第二本体之间的关系类型。
例如，针对本体组合(A，B)，电子设备可以采用最大熵分类器对本体特征向量(x1，x2，x3，x4)进行分类，进而得到本体A与本体B之间的关系类型。
同样的，电子设备可以采用最大熵分类器对本体特征向量进行分类，以得到本体A与本体C、本体D之间的关系类型，得到本体B与本体C、本体D之间的关系类型，得到本体C与本体D之间的关系类型。
从而，电子设备即可根据得到的多个关系类型确定每一所述本体与每一其它本体之间的关系类型。
在一些实施例中，参考图6，图6为本申请实施例提供的特征提取方法的第四种流程示意图。
其中，步骤130、根据所述关系类型图从所述全景数据中获取全景特征之后，还包括以下步骤：
141，获取所述全景特征中每两个特征之间的耦合度；
142，将耦合度大于预设耦合度阈值的两个特征之中的一个特征删除，以对所述全景特征进行简化。
电子设备获取到的全景特征包括多个特征。电子设备可以对所述多个特征中的每两个特征进行分析，以获取所述全景特征中每两个特征之间的耦合度。其中，耦合度表示两个特征之间具有直接因果关系的程度。也即，通过某个特征可以推导出另一个特征的程度。耦合度越大，表示两个特征之间直接因果关系的程度越高。
例如，所述全景特征可以包括k1、k2、k3、k4这4个特征。电子设备可以获取k1与k2之间的耦合度、k1与k3之间的耦合度、k1与k4之间的耦合度、k2与k3之间的耦合度、k2与k4之间的耦合度、k3与k4之间的耦合度。
随后，电子设备将得到的多个耦合度分别与预设耦合度阈值进行比较，并将耦合度大于预设耦合度阈值的两个特征之中的一个特征删除，以对所述全景特征进行简化。也即，电子设备可以将耦合度高的两个特征中的一个特征删除，以避免全景特征中出现冗余特征，从而可以对全景特征进行简化。其中，耦合度阈值可以为预先设置在电子设备中的一个数值。例如，耦合度阈值可以为90％。
举例而言，若上述4个特征k1、k2、k3、k4中，k1为速度，k2为距离，那么根据速度在时间上的累积必然可以得到对应的距离，从而速度与距离之间的耦合度较高，也即距离为冗余特征。此时，电子设备可以删除距离这个特征，以对全景特征进行简化。
在一些实施例中，电子设备可以通过余弦相似度算法计算每两个特征之间的耦合度。
在一些实施例中，参考图7，图7为本申请实施例提供的特征提取方法的第五种流程示意图。
其中，步骤130、根据所述关系类型图从所述全景数据中获取全景特征之后，还包括以下步骤：
151，通过聚类算法对所述全景特征中的多个特征进行聚类，以得到多个类别特征；
152，获取每一个所述类别特征对应的预设权重值。
电子设备获取到的全景特征包括多个特征。电子设备可以通过聚类算法对所述多个特征进行聚类，以得到多个类别特征。例如，所述全景特征可以包括k1、k2、k3、k4这4个特征。电子设备对所述4个特征进行聚类后，可以得到两个类别特征(k1，k3)、(k2，k4)。
电子设备中针对每个类别特征可以预先设置一个对应的权重值，也即预设权重值。例如，针对类别特征(k1，k3)设置的预设权重值可以为0.6，针对类别特征(k2，k4)设置的预设权重值可以为0.4。
电子设备得到多个类别特征后，可以获取每一个所述类别特征对应的预设权重值。例如，电子设备可以获取类别特征(k1，k3)对应的预设权重值0.6以及类别特征(k2，k4)对应的预设权重值0.4。
从而，电子设备中的应用在对全景特征进行处理以提供个性化的服务时，可以使得不同类别的特征起到不同的作用。例如，某些类别特征的重要性较高，那么针对这些类别特征可以设置较高的预设权重值。
在一些实施例中，参考图8，图8为本申请实施例提供的特征提取方法的第六种流程示意图。
其中，步骤130、根据所述关系类型图从所述全景数据中获取全景特征之后，还包括以下步骤：
161，对所述全景特征中的预设特征进行特征转换，以得到特征转换后的全景特征。
电子设备获取到全景特征后，若所述全景特征中包括预设特征，则电子设备对所述预设特征进行特征转换，以得到特征转换后的全景特征。
其中，所述预设特征为预先设置的特征种类。例如，所述预设特征可以为经纬度信息、华氏温度、RGB色彩信息等。若所述全景特征中包括经纬度信息，则电子设备可以将所述经纬度信息转换为用户容易理解的城市名称或者建筑名称等。若所述全景特征中包括华氏温度，则电子设备可以将所述华氏温度转换为摄氏温度。若所述全景特征中包括RGB色彩信息，则电子设备可以将所述RGB色彩信息转换为红色、浅绿色、深灰色等信息。
在一些实施例中，参考图9，图9为本申请实施例提供的特征提取方法的第七种流程示意图。
其中，步骤130、根据所述关系类型图从所述全景数据中获取全景特征之后，还包括以下步骤：
171，判断所述全景特征中的特征数量是否大于第一预设数量；
172，若所述特征数量大于第一预设数量，则对所述全景特征中的特征数量进行缩减，以减少所述全景特征中的特征数量。
电子设备获取到全景特征后，可以进一步获取所述全景特征中的特征数量。例如，所述全景特征可以包括k1、k2、k3、k4这4个特征，那么所述全景特征中的特征数量即为4。
随后，电子设备将所述特征数量与第一预设数量进行比较，以判断所述全景特征中的特征数量是否大于第一预设数量。其中，所述第一预设数量为预先设置在电子设备中的一个数值。所述第一预设数量可以是根据经验设定的。例如，所述第一预设数量可以为50。
若所述特征数量大于所述第一预设数量，则电子设备对所述全景特征中的特征数量进行缩减，以减少所述全景特征中的特征数量，从而实现减少所述全景特征中的数据量。
若所述特征数量不大于所述第一预设数量，则电子设备可以不进行处理，也即不对全景特征中的特征数量进行缩减。
在一些实施例中，电子设备对全景特征中的特征数量进行缩减时，可以采用PCA(Principal Component Analysis，主成分分析)降维算法对所述全景特征中的所有特征进行处理，以实现对特征数量进行缩减。
在一些实施例中，参考图10，图10为本申请实施例提供的特征提取方法的第八种流程示意图。
其中，步骤130、根据所述关系类型图从所述全景数据中获取全景特征之后，还包括以下步骤：
181，判断所述全景特征中的特征数量是否小于第二预设数量；
182，若所述特征数量小于第二预设数量，则对所述全景特征中的特征数量进行扩充，以增加所述全景特征中的特征数量。
电子设备获取到全景特征后，可以进一步获取所述全景特征中的特征数量。随后，电子设备将所述特征数量与第二预设数量进行比较，以判断所述全景特征中的特征数量是否小于第二预设数量。其中，所述第二预设数量为预先设置在电子设备中的一个数值。所述第二预设数量也可以是根据经验设定的。例如，所述第二预设数量可以为10。
若所述特征数量小于所述第二预设数量，则电子设备对所述全景特征中的特征数量进行扩充，以增加所述全景特征中的特征数量。
若所述特征数量不小于所述第二预设数量，则电子设备可以不进行处理，也即不对全景特征中的特征数量进行扩充。
在一些实施例中，电子设备对全景特征中的特征数量进行扩充时，可以通过特征交叉的方法来产生新的特征，从而实现对特征数量的扩充。例如，电子设备可以通过将某种特征与另外一种特征进行交叉，从而产生一种新的特征，并将产生的新的特征加入到全景特征中，以增加所述全景特征中的特征数量。
应当理解，本申请实施例中，诸如术语“第一”、“第二”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，这样描述的对象在适当情况下可以互换。
具体实施时，本申请不受所描述的各个步骤的执行顺序的限制，在不产生冲突的情况下，某些步骤还可以采用其它顺序进行或者同时进行。
由上可知，本申请实施例提供的特征提取方法，包括：从全景数据中识别出多个本体；获取每一所述本体与每一其它本体之间的关系类型，以得到所述多个本体之间的关系类型图；根据所述关系类型图从所述全景数据中获取全景特征。所述特征提取方法中，电子设备可以根据多个本体之间的关系类型来构建关系类型图，并根据关系类型图来获取全景特征，从而从多个本体中提取特征时，可以对多个本体进行协同处理，可以提高提取特征的准确性、全面性。
本申请实施例还提供一种特征提取装置，所述特征提取装置可以集成在电子设备中。所述电子设备可以为智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本电脑、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。
参考图11，图11为本申请实施例提供的特征提取装置的第一种结构示意图。其中，所述特征提取装置200包括：本体识别模块201、关系获取模块202、特征提取模块203。
本体识别模块201，用于从全景数据中识别出多个本体。
电子设备从全景数据中提取全景特征时，首先要获取当前的全景数据。其中，所述全景数据可以包括电子设备当前所处环境的环境数据、电子设备的运行数据以及存储的数据、当前的用户信息等。
例如，所述环境数据可以包括当前的时刻、地理位置、温度、大气压、电子设备获取到的周围的声音信息、电子设备获取到的周围的图像信息等。其中，电子设备可以通过声音传感器，例如麦克风，来获取周围的声音信息。电子设备可以通过图像传感器，例如摄像头，来获取周围的图像信息。
所述电子设备的运行数据以及存储的数据可以包括电子设备当前运行的每个应用的运行状态、运行时长等信息，还可以包括当前未运行的应用，还可以包括电子设备操作系统的状态，例如系统运存、系统的运算速度、当前剩余电量、当前的功耗、显示屏的亮度、显示屏的显示内容等信息，还可以包括电子设备上存储的文件、配置信息等。
所述当前的用户信息可以包括用户的生理特征信息，例如用户的面部特征、用户的声纹特征、用户的指纹信息、用户的心率、用户的体温等，还可以包括用户当前正在进行的操作、以及用户进行过的历史操作等信息。
电子设备获取到当前的全景数据后，本体识别模块201可以从全景数据中识别出多个本体。其中，所述本体可以包括任意的实体对象或者虚拟对象，例如人、动物、植物、建筑物、手机、平板电脑、网络游戏、手机应用、应用商店、电量、温度等等。
其中，本体识别模块201可以通过命名实体识别方法从全景数据中识别出多个本体。所述命名实体识别方法例如可以包括基于规则的方法、基于词典的方法、马尔科夫算法、支持向量机、条件随机场等。
其中，多个本体意为两个或两个以上的本体。例如，所述多个本体可以包括100个本体。
关系获取模块202，用于获取每一所述本体与每一其它本体之间的关系类型，以得到所述多个本体之间的关系类型图。
本体识别模块201识别出多个本体后，关系获取模块202可以依次获取每一所述本体与每一其它本体之间的关系类型，以得到所述多个本体之间的关系类型图。其中，所述关系类型图可以反映出所述多个本体中任意两个之间的关系类型。
例如，所述多个本体包括本体A、本体B、本体C。那么，关系获取模块202可以依次获取本体A与本体B之间的关系类型R1、本体A与本体C之间的关系类型R2、本体B与本体C之间的关系类型R3。随后，根据本体A、本体B、本体C以及关系类型R1、关系类型R2、关系类型R3即可得到本体A、本体B、本体C之间的关系类型图。
所述关系类型图可以通过图形的方式呈现。其中，所述图形中包括多个节点。每一节点即表示一个本体。每两个节点之间的连线表示互相连接的两个本体之间的关系类型。
在一些实施例中，所述关系类型包括：平级关系、上下位关系。其中，平级关系表示两者处于同一层级，相互之间不存在包含关系。例如，手机和平板电脑之间的关系类型即为平级关系，人和猫之间的关系类型也为平级关系。上下位关系表示两者之间存在包含关系。例如，手机和电池之间的关系类型即为上下位关系，动物和猫之间的关系类型也为上下位关系。
特征提取模块203，用于根据所述关系类型图从所述全景数据中获取全景特征。
关系获取模块202得到多个本体之间的关系类型图后，特征提取模块203即可根据所述关系类型图从所述全景数据中获取全景特征。其中，所述全景特征包括从所述关系类型图中提取到的多个特征。所述全景特征可以反映出当前的全景状态，例如可以反映出当前所处的环境状态、电子设备的运行状态、用户的状态等。
随后，电子设备即可根据当前的全景状态为用户提供个性化的服务，例如为用户推送交通状况信息、自动为用户开启导航、自动进行电子设备的垃圾清理操作、自动将电子设备切换至静音模式，等等。
其中，特征提取模块203可以通过图特征提取方法从所述关系类型图中提取多个特征，并由提取到的多个特征获取所述全景数据中的全景特征。例如，特征提取模块203可以将得到的关系类型图输入到卷积神经网络中，以通过卷积神经网络从关系类型图中提取多个特征，并由提取到的多个特征获取全景特征。
本申请实施例中，电子设备可以根据多个本体之间的关系类型来构建关系类型图，并根据关系类型图来获取全景特征，从而从多个本体中提取特征时，可以对多个本体进行协同处理，可以提高提取特征的准确性、全面性。
在一些实施例中，关系获取模块202用于执行以下步骤：
根据所述多个本体构建多个不同的本体组合，每一所述本体组合包括一个第一本体和一个第二本体；
依次提取每一所述本体组合中所述第一本体与所述第二本体的关联特征；
根据每一所述本体组合的关联特征构建所述本体组合的本体特征向量；
依次根据每一所述本体组合的本体特征向量获取所述本体组合的所述第一本体与所述第二本体之间的关系类型，以得到每一所述本体与每一其它本体之间的关系类型。
本体识别模块201识别出多个本体后，关系获取模块202可以根据所述多个本体构建多个不同的本体组合。其中，每一所述本体组合包括一个第一本体和一个第二本体。所述第一本体与所述第二本体为不同的本体。
例如，本体识别模块201识别出的多个本体包括4个本体A、B、C、D，那么关系获取模块202将所述4个本体两两组合即可得到6个本体组合：(A，B)、(A，C)、(A，D)、(B，C)、(B，D)、(C，D)。
随后，关系获取模块202依次提取每一所述本体组合中所述第一本体与所述第二本体的关联特征。其中，关联特征即为所述第一本体与所述第二本体之间互相关联的特征。
例如，针对本体组合(A，B)，关联特征可以包括本体A和本体B在所述全景数据中共同出现的次数x1、本体A与本体B在所述全景数据中每次出现之间的时间间隔x2、本体A与本体B在文本数据中出现时两者之间的距离x3、本体A与本体B在所述全景数据中出现时两者之间还出现过的其它本体x4，等等特征。
随后，关系获取模块202根据每一所述本体组合的关联特征构建所述本体组合的本体特征向量。
例如，针对本体组合(A，B)，关系获取模块202提取到的关联特征包括x1、x2、x3、x4，那么关系获取模块202即可构建所述本体组合(A，B)的本体特征向量为(x1，x2，x3，x4)。
若关系获取模块202根据4个本体A、B、C、D得到了6个本体组合，则同样也可以得到其它5个本体组合(A，C)、(A，D)、(B，C)、(B，D)、(C，D)的本体特征向量。
随后，关系获取模块202可以依次根据每一所述本体组合的本体特征向量获取所述本体组合的所述第一本体与所述第二本体之间的关系类型，以得到每一所述本体与每一其它本体之间的关系类型。
例如，关系获取模块202可以根据本体组合(A，B)的本体特征向量(x1，x2，x3，x4)获取本体A与本体B之间的关系类型。同样的，可以依次得到本体A与本体C、本体D之间的关系类型，得到本体B与本体C、本体D之间的关系类型，得到本体C与本体D之间的关系类型。
从而，关系获取模块202即可得到每一所述本体与每一其它本体之间的关系类型。随之，即可得到所述多个本体之间的关系类型图。
在一些实施例中，依次根据每一所述本体组合的本体特征向量获取所述本体组合的所述第一本体与所述第二本体之间的关系类型，以得到每一所述本体与每一其它本体之间的关系类型时，关系获取模块202用于执行以下步骤：
采用最大熵分类器依次对每一所述本体组合的本体特征向量进行分类，以得到每一所述本体组合的所述第一本体与所述第二本体之间的关系类型；
根据得到的多个关系类型确定每一所述本体与每一其它本体之间的关系类型。
其中，关系获取模块202可以采用最大熵分类器依次对每一所述本体组合的本体特征向量进行分类，以得到每一所述本体组合的所述第一本体与所述第二本体之间的关系类型。
例如，针对本体组合(A，B)，关系获取模块202可以采用最大熵分类器对本体特征向量(x1，x2，x3，x4)进行分类，进而得到本体A与本体B之间的关系类型。
同样的，关系获取模块202可以采用最大熵分类器对本体特征向量进行分类，以得到本体A与本体C、本体D之间的关系类型，得到本体B与本体C、本体D之间的关系类型，得到本体C与本体D之间的关系类型。
从而，关系获取模块202即可根据得到的多个关系类型确定每一所述本体与每一其它本体之间的关系类型。
在一些实施例中，参考图12，图12为本申请实施例提供的特征提取装置的第二种结构示意图。
其中，特征提取装置200还包括特征删除模块204，所述特征删除模块204用于执行以下步骤：
获取所述全景特征中每两个特征之间的耦合度；
将耦合度大于预设耦合度阈值的两个特征之中的一个特征删除，以对所述全景特征进行简化。
特征提取模块203获取到的全景特征包括多个特征。特征删除模块204可以对所述多个特征中的每两个特征进行分析，以获取所述全景特征中每两个特征之间的耦合度。其中，耦合度表示两个特征之间具有直接因果关系的程度。也即，通过某个特征可以推导出另一个特征的程度。耦合度越大，表示两个特征之间直接因果关系的程度越高。
例如，所述全景特征可以包括k1、k2、k3、k4这4个特征。特征删除模块204可以获取k1与k2之间的耦合度、k1与k3之间的耦合度、k1与k4之间的耦合度、k2与k3之间的耦合度、k2与k4之间的耦合度、k3与k4之间的耦合度。
随后，特征删除模块204将得到的多个耦合度分别与预设耦合度阈值进行比较，并将耦合度大于预设耦合度阈值的两个特征之中的一个特征删除，以对所述全景特征进行简化。也即，特征删除模块204可以将耦合度高的两个特征中的一个特征删除，以避免全景特征中出现冗余特征，从而可以对全景特征进行简化。其中，耦合度阈值可以为预先设置在电子设备中的一个数值。例如，耦合度阈值可以为90％。
举例而言，若上述4个特征k1、k2、k3、k4中，k1为速度，k2为距离，那么根据速度在时间上的累积必然可以得到对应的距离，从而速度与距离之间的耦合度较高，也即距离为冗余特征。此时，特征删除模块204可以删除距离这个特征，以对全景特征进行简化。
在一些实施例中，特征删除模块204可以通过余弦相似度算法计算每两个特征之间的耦合度。
在一些实施例中，参考图13，图13为本申请实施例提供的特征提取装置的第三种结构示意图。
其中，特征提取装置200还包括权重获取模块205，所述权重获取模块205用于执行以下步骤：
通过聚类算法对所述全景特征中的多个特征进行聚类，以得到多个类别特征；
获取每一个所述类别特征对应的预设权重值。
特征提取模块203获取到的全景特征包括多个特征。权重获取模块205可以通过聚类算法对所述多个特征进行聚类，以得到多个类别特征。例如，所述全景特征可以包括k1、k2、k3、k4这4个特征。权重获取模块205对所述4个特征进行聚类后，可以得到两个类别特征(k1，k3)、(k2，k4)。
电子设备中针对每个类别特征可以预先设置一个对应的权重值，也即预设权重值。例如，针对类别特征(k1，k3)设置的预设权重值可以为0.6，针对类别特征(k2，k4)设置的预设权重值可以为0.4。
权重获取模块205得到多个类别特征后，可以获取每一个所述类别特征对应的预设权重值。例如，权重获取模块205可以获取类别特征(k1，k3)对应的预设权重值0.6以及类别特征(k2，k4)对应的预设权重值0.4。
从而，电子设备中的应用在对全景特征进行处理以提供个性化的服务时，可以使得不同类别的特征起到不同的作用。例如，某些类别特征的重要性较高，那么针对这些类别特征可以设置较高的预设权重值。
在一些实施例中，参考图14，图14为本申请实施例提供的特征提取装置的第四种结构示意图。
其中，特征提取装置200还包括特征转换模块206，所述特征转换模块206用于执行以下步骤：
对所述全景特征中的预设特征进行特征转换，以得到特征转换后的全景特征。
特征提取模块203获取到全景特征后，若所述全景特征中包括预设特征，则特征转换模块206对所述预设特征进行特征转换，以得到特征转换后的全景特征。
其中，所述预设特征为预先设置的特征种类。例如，所述预设特征可以为经纬度信息、华氏温度、RGB色彩信息等。若所述全景特征中包括经纬度信息，则特征转换模块206可以将所述经纬度信息转换为用户容易理解的城市名称或者建筑名称等。若所述全景特征中包括华氏温度，则特征转换模块206可以将所述华氏温度转换为摄氏温度。若所述全景特征中包括RGB色彩信息，则特征转换模块206可以将所述RGB色彩信息转换为红色、浅绿色、深灰色等信息。
在一些实施例中，参考图15，图15为本申请实施例提供的特征提取装置的第五种结构示意图。
其中，特征提取装置200还包括特征缩减模块207，所述特征缩减模块207用于执行以下步骤：
判断所述全景特征中的特征数量是否大于第一预设数量；
若所述特征数量大于第一预设数量，则对所述全景特征中的特征数量进行缩减，以减少所述全景特征中的特征数量。
特征提取模块203获取到全景特征后，特征缩减模块207可以进一步获取所述全景特征中的特征数量。例如，所述全景特征可以包括k1、k2、k3、k4这4个特征，那么所述全景特征中的特征数量即为4。
随后，特征缩减模块207将所述特征数量与第一预设数量进行比较，以判断所述全景特征中的特征数量是否大于第一预设数量。其中，所述第一预设数量为预先设置在电子设备中的一个数值。所述第一预设数量可以是根据经验设定的。例如，所述第一预设数量可以为50。
若所述特征数量大于所述第一预设数量，则特征缩减模块207对所述全景特征中的特征数量进行缩减，以减少所述全景特征中的特征数量，从而实现减少所述全景特征中的数据量。
若所述特征数量不大于所述第一预设数量，则可以不进行处理，也即不对全景特征中的特征数量进行缩减。
在一些实施例中，特征缩减模块207对全景特征中的特征数量进行缩减时，可以采用PCA(Principal Component Analysis，主成分分析)降维算法对所述全景特征中的所有特征进行处理，以实现对特征数量进行缩减。
在一些实施例中，参考图16，图16为本申请实施例提供的特征提取装置的第六种结构示意图。
其中，特征提取装置200还包括特征扩充模块208，所述特征扩充模块208用于执行以下步骤：
判断所述全景特征中的特征数量是否小于第二预设数量；
若所述特征数量小于第二预设数量，则对所述全景特征中的特征数量进行扩充，以增加所述全景特征中的特征数量。
特征提取模块203获取到全景特征后，特征扩充模块208可以进一步获取所述全景特征中的特征数量。随后，特征扩充模块208将所述特征数量与第二预设数量进行比较，以判断所述全景特征中的特征数量是否小于第二预设数量。其中，所述第二预设数量为预先设置在电子设备中的一个数值。所述第二预设数量也可以是根据经验设定的。例如，所述第二预设数量可以为10。
若所述特征数量小于所述第二预设数量，则特征扩充模块208对所述全景特征中的特征数量进行扩充，以增加所述全景特征中的特征数量。
若所述特征数量不小于所述第二预设数量，则可以不进行处理，也即不对全景特征中的特征数量进行扩充。
在一些实施例中，特征扩充模块208对全景特征中的特征数量进行扩充时，可以通过特征交叉的方法来产生新的特征，从而实现对特征数量的扩充。例如，特征扩充模块208可以通过将某种特征与另外一种特征进行交叉，从而产生一种新的特征，并将产生的新的特征加入到全景特征中，以增加所述全景特征中的特征数量。
具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现。
由上可知，本申请实施例提供的特征提取装置200，包括：本体识别模块201，用于从全景数据中识别出多个本体；关系获取模块202，用于获取每一所述本体与每一其它本体之间的关系类型，以得到所述多个本体之间的关系类型图；特征提取模块203，用于根据所述关系类型图从所述全景数据中获取全景特征。所述特征提取装置可以根据多个本体之间的关系类型来构建关系类型图，并根据关系类型图来获取全景特征，从而从多个本体中提取特征时，可以对多个本体进行协同处理，可以提高提取特征的准确性、全面性。
本申请实施例还提供一种电子设备。所述电子设备可以为智能手机、平板电脑、游戏设备、AR(Augmented Reality，增强现实)设备、汽车、数据存储装置、音频播放装置、视频播放装置、笔记本电脑、桌面计算设备、可穿戴设备诸如电子手表、电子眼镜、电子头盔、电子手链、电子项链、电子衣物等设备。
参考图17，图17为本申请实施例提供的电子设备的第一种结构示意图。
其中，电子设备300包括处理器301和存储器302。其中，处理器301与存储器302电性连接。
处理器301是电子设备300的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或调用存储在存储器302内的计算机程序，以及调用存储在存储器302内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。
在本实施例中，电子设备300中的处理器301会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器302中，并由处理器301来运行存储在存储器302中的计算机程序，从而实现各种功能：
从全景数据中识别出多个本体；
获取每一所述本体与每一其它本体之间的关系类型，以得到所述多个本体之间的关系类型图；
根据所述关系类型图从所述全景数据中获取全景特征。
在一些实施例中，获取每一所述本体与每一其它本体之间的关系类型时，处理器301执行以下步骤：
根据所述多个本体构建多个不同的本体组合，每一所述本体组合包括一个第一本体和一个第二本体；
依次提取每一所述本体组合中所述第一本体与所述第二本体的关联特征；
根据每一所述本体组合的关联特征构建所述本体组合的本体特征向量；
依次根据每一所述本体组合的本体特征向量获取所述本体组合的所述第一本体与所述第二本体之间的关系类型，以得到每一所述本体与每一其它本体之间的关系类型。
在一些实施例中，依次根据每一所述本体组合的本体特征向量获取所述本体组合的所述第一本体与所述第二本体之间的关系类型，以得到每一所述本体与每一其它本体之间的关系类型时，处理器301执行以下步骤：
采用最大熵分类器依次对每一所述本体组合的本体特征向量进行分类，以得到每一所述本体组合的所述第一本体与所述第二本体之间的关系类型；
根据得到的多个关系类型确定每一所述本体与每一其它本体之间的关系类型。
在一些实施例中，所述关系类型包括：平级关系、上下位关系。
在一些实施例中，根据所述关系类型图从所述全景数据中获取全景特征之后，处理器301还执行以下步骤：
获取所述全景特征中每两个特征之间的耦合度；
将耦合度大于预设耦合度阈值的两个特征之中的一个特征删除，以对所述全景特征进行简化。
在一些实施例中，根据所述关系类型图从所述全景数据中获取全景特征之后，处理器301还执行以下步骤：
通过聚类算法对所述全景特征中的多个特征进行聚类，以得到多个类别特征；
获取每一个所述类别特征对应的预设权重值。
在一些实施例中，根据所述关系类型图从所述全景数据中获取全景特征之后，处理器301还执行以下步骤：
对所述全景特征中的预设特征进行特征转换，以得到特征转换后的全景特征。
在一些实施例中，根据所述关系类型图从所述全景数据中获取全景特征之后，处理器301还执行以下步骤：
判断所述全景特征中的特征数量是否大于第一预设数量；
若所述特征数量大于第一预设数量，则对所述全景特征中的特征数量进行缩减，以减少所述全景特征中的特征数量。
在一些实施例中，根据所述关系类型图从所述全景数据中获取全景特征之后，处理器301还执行以下步骤：
判断所述全景特征中的特征数量是否小于第二预设数量；
若所述特征数量小于第二预设数量，则对所述全景特征中的特征数量进行扩充，以增加所述全景特征中的特征数量。
存储器302可用于存储计算机程序和数据。存储器302存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器301通过调用存储在存储器302的计算机程序，从而执行各种功能应用以及数据处理。
在一些实施例中，参考图18，图18为本申请实施例提供的电子设备的第二种结构示意图。
其中，电子设备300还包括：显示屏303、控制电路304、输入单元305、传感器306以及电源307。其中，处理器301分别与显示屏303、控制电路304、输入单元305、传感器306以及电源307电性连接。
显示屏303可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路304与显示屏303电性连接，用于控制显示屏303显示信息。
输入单元305可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中，输入单元305可以包括指纹识别模组。
传感器306用于采集电子设备自身的信息或者用户的信息或者外部环境信息。例如，传感器306可以包括距离传感器、磁场传感器、光线传感器、加速度传感器、指纹传感器、霍尔传感器、位置传感器、陀螺仪、惯性传感器、姿态感应器、气压计、心率传感器等多个传感器。
电源307用于给电子设备300的各个部件供电。在一些实施例中，电源307可以通过电源管理系统与处理器301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18中未示出，电子设备300还可以包括摄像头、蓝牙模块等，在此不再赘述。
由上可知，本申请实施例提供了一种电子设备，所述电子设备执行以下步骤：从全景数据中识别出多个本体；获取每一所述本体与每一其它本体之间的关系类型，以得到所述多个本体之间的关系类型图；根据所述关系类型图从所述全景数据中获取全景特征。所述电子设备可以根据多个本体之间的关系类型来构建关系类型图，并根据关系类型图来获取全景特征，从而从多个本体中提取特征时，可以对多个本体进行协同处理，可以提高提取特征的准确性、全面性。
本申请实施例还提供一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，所述计算机执行上述任一实施例所述的特征提取方法。
需要说明的是，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成，所述计算机程序可以存储于计算机可读存储介质中，所述存储介质可以包括但不限于：只读存储器(ROM，Read OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
以上对本申请实施例所提供的特征提取方法、装置、存储介质及电子设备进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种特征提取方法，其特征在于，包括：
从全景数据中识别出多个本体；
获取每一所述本体与每一其它本体之间的关系类型，以得到所述多个本体之间的关系类型图；
根据所述关系类型图从所述全景数据中获取全景特征。
2.根据权利要求1所述的特征提取方法，其特征在于，所述获取每一所述本体与每一其它本体之间的关系类型，包括：
根据所述多个本体构建多个不同的本体组合，每一所述本体组合包括一个第一本体和一个第二本体；
依次提取每一所述本体组合中所述第一本体与所述第二本体的关联特征；
根据每一所述本体组合的关联特征构建所述本体组合的本体特征向量；
依次根据每一所述本体组合的本体特征向量获取所述本体组合的所述第一本体与所述第二本体之间的关系类型，以得到每一所述本体与每一其它本体之间的关系类型。
3.根据权利要求2所述的特征提取方法，其特征在于，所述依次根据每一所述本体组合的本体特征向量获取所述本体组合的所述第一本体与所述第二本体之间的关系类型，以得到每一所述本体与每一其它本体之间的关系类型，包括：
采用最大熵分类器依次对每一所述本体组合的本体特征向量进行分类，以得到每一所述本体组合的所述第一本体与所述第二本体之间的关系类型；
根据得到的多个关系类型确定每一所述本体与每一其它本体之间的关系类型。
4.根据权利要求3所述的特征提取方法，其特征在于，所述关系类型包括：平级关系、上下位关系。
5.根据权利要求1所述的特征提取方法，其特征在于，所述根据所述关系类型图从所述全景数据中获取全景特征之后，还包括：
获取所述全景特征中每两个特征之间的耦合度；
将耦合度大于预设耦合度阈值的两个特征之中的一个特征删除，以对所述全景特征进行简化。
6.根据权利要求1所述的特征提取方法，其特征在于，所述根据所述关系类型图从所述全景数据中获取全景特征之后，还包括：
通过聚类算法对所述全景特征中的多个特征进行聚类，以得到多个类别特征；
获取每一个所述类别特征对应的预设权重值。
7.根据权利要求1所述的特征提取方法，其特征在于，所述根据所述关系类型图从所述全景数据中获取全景特征之后，还包括：
对所述全景特征中的预设特征进行特征转换，以得到特征转换后的全景特征。
8.根据权利要求1所述的特征提取方法，其特征在于，所述根据所述关系类型图从所述全景数据中获取全景特征之后，还包括：
判断所述全景特征中的特征数量是否大于第一预设数量；
若所述特征数量大于第一预设数量，则对所述全景特征中的特征数量进行缩减，以减少所述全景特征中的特征数量。
9.根据权利要求1所述的特征提取方法，其特征在于，所述根据所述关系类型图从所述全景数据中获取全景特征之后，还包括：
判断所述全景特征中的特征数量是否小于第二预设数量；
若所述特征数量小于第二预设数量，则对所述全景特征中的特征数量进行扩充，以增加所述全景特征中的特征数量。
10.一种特征提取装置，其特征在于，包括：
本体识别模块，用于从全景数据中识别出多个本体；
关系获取模块，用于获取每一所述本体与每一其它本体之间的关系类型，以得到所述多个本体之间的关系类型图；
特征提取模块，用于根据所述关系类型图从所述全景数据中获取全景特征。
11.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行权利要求1至9任一项所述的特征提取方法。
12.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行权利要求1至9任一项所述的特征提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282041.7A CN111797839A (zh) | 2019-04-09 | 2019-04-09 | 特征提取方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282041.7A CN111797839A (zh) | 2019-04-09 | 2019-04-09 | 特征提取方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111797839A true CN111797839A (zh) | 2020-10-20 |
Family
ID=72805348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910282041.7A Pending CN111797839A (zh) | 2019-04-09 | 2019-04-09 | 特征提取方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797839A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201614321D0 (en) * | 2016-08-22 | 2016-10-05 | Canon Kk | Method and system for determining a relationship between two regions of a scene |
| CN107220937A (zh) * | 2017-05-25 | 2017-09-29 | 云南电网有限责任公司电力科学研究院 | 一种电气设备检测用红外全景图像处理方法及平台 |
| CN108520263A (zh) * | 2018-03-29 | 2018-09-11 | 优酷网络技术（北京）有限公司 | 一种全景图像的识别方法、系统及计算机存储介质 |
| CN109307508A (zh) * | 2018-08-29 | 2019-02-05 | 中国科学院合肥物质科学研究院 | 一种基于多关键帧的全景惯导slam方法 |
-
2019
- 2019-04-09 CN CN201910282041.7A patent/CN111797839A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201614321D0 (en) * | 2016-08-22 | 2016-10-05 | Canon Kk | Method and system for determining a relationship between two regions of a scene |
| CN107220937A (zh) * | 2017-05-25 | 2017-09-29 | 云南电网有限责任公司电力科学研究院 | 一种电气设备检测用红外全景图像处理方法及平台 |
| CN108520263A (zh) * | 2018-03-29 | 2018-09-11 | 优酷网络技术（北京）有限公司 | 一种全景图像的识别方法、系统及计算机存储介质 |
| CN109307508A (zh) * | 2018-08-29 | 2019-02-05 | 中国科学院合肥物质科学研究院 | 一种基于多关键帧的全景惯导slam方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李海亭等: "全景地图隐私信息处理的关键技术研究", 测绘通报 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111930964B (zh) | 内容处理方法、装置、设备及存储介质 | |
| CN111814475A (zh) | 用户画像构建方法、装置、存储介质和电子设备 | |
| CN111797302A (zh) | 模型处理方法、装置、存储介质及电子设备 | |
| CN111798259A (zh) | 应用推荐方法、装置、存储介质及电子设备 | |
| CN111797851A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
| CN111797854A (zh) | 场景模型建立方法、装置、存储介质及电子设备 | |
| CN111800445A (zh) | 消息推送方法、装置、存储介质及电子设备 | |
| CN111797873A (zh) | 场景识别方法、装置、存储介质及电子设备 | |
| CN111798367A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN111797862A (zh) | 任务处理方法、装置、存储介质和电子设备 | |
| CN111797856B (zh) | 建模方法、装置、存储介质及电子设备 | |
| WO2020207252A1 (zh) | 数据存储方法、装置、存储介质及电子设备 | |
| CN111798019B (zh) | 意图预测方法、装置、存储介质及电子设备 | |
| CN111797874B (zh) | 行为预测方法、装置、存储介质及电子设备 | |
| CN111814812A (zh) | 建模方法、装置、存储介质、电子设备及场景识别方法 | |
| CN111797867A (zh) | 系统资源优化方法、装置、存储介质及电子设备 | |
| CN111797986A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN111796663B (zh) | 场景识别模型更新方法、装置、存储介质及电子设备 | |
| WO2020207294A1 (zh) | 服务处理方法、装置、存储介质及电子设备 | |
| WO2020207297A1 (zh) | 信息处理方法、存储介质及电子设备 | |
| CN111797869A (zh) | 模型训练方法、装置、存储介质及电子设备 | |
| CN111797839A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
| CN111797875B (zh) | 场景建模方法、装置、存储介质及电子设备 | |
| CN111797863A (zh) | 模型训练方法、数据处理方法、装置、存储介质及设备 | |
| CN111797127A (zh) | 时序数据分割方法、装置、存储介质及电子设备 |
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 |