CN112507154B - 一种信息处理装置 - Google Patents

一种信息处理装置 Download PDF

Info

Publication number
CN112507154B
CN112507154B CN202011530775.1A CN202011530775A CN112507154B CN 112507154 B CN112507154 B CN 112507154B CN 202011530775 A CN202011530775 A CN 202011530775A CN 112507154 B CN112507154 B CN 112507154B
Authority
CN
China
Prior art keywords
image
training
group
unit
subset
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.)
Active
Application number
CN202011530775.1A
Other languages
English (en)
Other versions
CN112507154A (zh
Inventor
刘靖宇
韩旭
刘琦
赵宣栋
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.)
Dragon Totem Technology Hefei Co ltd
Xi'an Solna Information Technology Co ltd
Original Assignee
Harbin Normal University
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 Harbin Normal University filed Critical Harbin Normal University
Priority to CN202011530775.1A priority Critical patent/CN112507154B/zh
Publication of CN112507154A publication Critical patent/CN112507154A/zh
Application granted granted Critical
Publication of CN112507154B publication Critical patent/CN112507154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/55—Clustering; Classification
    • 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
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种信息处理装置，该装置包括训练数据获取单元、第一训练单元、人脸标记单元、第二训练单元、信息获取单元、第一分类单元、第二分类单元、子集获得单元、分组单元、第一计算单元、第二计算单元以及确定单元。信息处理装置获取包含人物照和非人物照的训练数据集训练第一分类模型将人物照再分为单人照、小合照或集体照来训练第二分类模型；对待处理图像集分类得到单人照、小合照、集体照和非人物照子集；基于拍摄信息和人脸标记结果对每个子集分组，以满足第一、第二预定条件；针对每个组除保留图像以外的每个图像，若其与该组任一保留图像相似度高于第一阈值，将且确定为待删除图像以供用户处理。

Description

一种信息处理装置
技术领域
本发明涉及信息处理技术领域，具体涉及一种信息处理装置。
背景技术
随着智能设备的发展和普及，人们现在可以随时随地拍照、录像。
然而，操作的方便也使得诸如手机等设备的存储空间越来越小。在存储空间中常存在大量的重复数据，例如重复照片。
目前，尚无针对这种可疑视频的有效处理技术。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不意图确定本发明的关键或重要部分，也不意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
本发明提供了一种信息处理装置，以解决现有技术的上述问题。
本发明提供了一种信息处理装置，所述信息处理装置包括：训练数据获取单元，用于获取第一训练数据集和第二训练数据集；第一训练单元，用于利用所述第一训练数据集和所述第二训练数据集训练第一分类模型，其中，所述第一训练数据集包括多个第一训练图像，每个第一训练图像的标签为人物照标签；所述第二训练数据集包括多个第二训练图像，每个第二训练图像的标签为非人物照标签；人脸标记单元，用于对所述第一训练数据集中的每个第一训练图像中的人脸进行标记；若该第一训练图像中标记的人脸个数为1，则将该第一训练图像的当前标签更新为单人照标签；若该第一训练图像中标记的人脸个数为2或3，则将该第一训练图像的当前标签更新为小合照标签；若该第一训练图像中标记的人脸个数大于或等于4，则将该第一训练图像的当前标签更新为集体照标签；第二训练单元，用于利用所述第一训练数据集及其中各第一训练图像的当前标签训练第二分类模型；信息获取单元，用于获得待处理图像集以及所述待处理图像集中每个图像对应的拍摄信息，所述拍摄信息至少包括拍摄时间和拍摄地点；第一分类单元，用于通过所述第一分类模型对所述待处理图像集进行分类，得到人物照和非人物照两类；第二分类单元，用于通过所述第二分类模型对所述待处理图像集中的所有人物照继续分类，得到单人照、小合照以及集体照三类；子集获得单元，用于基于所述第一分类模型和所述第二分类模型的分类结果，将所述待处理图像集分为四个子集，该四个子集包括单人照子集、小合照子集、集体照子集和非人物照子集；分组单元，用于针对所述四个子集中的每一子集，基于拍摄信息和人脸标记结果对该子集进行分组，得到该子集对应的多个组，使得分组后的同一组中各图像的拍摄信息满足第一预定条件，且同一组中各图像的人脸标记结果满足第二预定条件；第一计算单元，用于针对所述单人照子集、小合照子集或集体照子集中每个子集的每个组，确定该组中每个图像中的人脸区域，计算该组每个图像的人脸区域中各个人脸清晰度，并将每个图像对应的最低的人脸清晰度作为该图像的人脸区域清晰度，在该组中基于人脸区域清晰度选择至少一个保留图像；第二计算单元，用于针对所述非人物照子集的每个组，在该组中基于图像清晰度选择至少一个保留图像；确定单元，用于在每个子集的每个组中，针对该组中除保留图像以外的每个图像，若该图像与该组任一保留图像之间的相似度高于第一阈值，将该图像确定为该组的待删除图像。
进一步地，所述分组单元用于：使得分组后的同一组中的各图像之间的拍摄时间相差不超过预定时间，且拍摄地点相差不超过预定距离。
进一步地，所述拍摄信息还包括拍摄参数。
进一步地，所述分组单元用于：使得分组后的同一组中的各图像之间的拍摄时间相差不超过预定时间，拍摄地点相差不超过预定距离，且拍摄参数完全一致。
进一步地，所述分组单元用于：使得分组后的同一组中任两个图像的人脸标记结果完全相同。
进一步地，所述分组单元用于：使得分组后的同一组中任两个图像的人脸标记结果之差别小于预定范围。
本发明的一种信息处理装置，能够有效地检测到重复图像，解决上述现有技术的不足。
通过以下结合附图对本发明的最佳实施例的详细说明，本发明的这些以及其他优点将更加明显。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。其中：
图1是示出本发明的一种信息处理装置的结构示意图。
本领域技术人员应当理解，附图中的元件仅仅是为了简单和清楚起见而示出的，而且不一定是按比例绘制的。例如，附图中某些元件的尺寸可能相对于其他元件放大了，以便有助于提高对本发明实施例的理解。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定，以便实现开发人员的具体目标，例如，符合与系统及业务相关的那些限制条件，并且这些限制条件可能会随着实施方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本发明内容的本领域技术人员来说，这种开发工作仅仅是例行的任务。
在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
本发明提供了一种信息处理装置，所述信息处理装置包括：训练数据获取单元，用于获取第一训练数据集和第二训练数据集；第一训练单元，用于利用所述第一训练数据集和所述第二训练数据集训练第一分类模型，其中，所述第一训练数据集包括多个第一训练图像，每个第一训练图像的标签为人物照标签；所述第二训练数据集包括多个第二训练图像，每个第二训练图像的标签为非人物照标签；人脸标记单元，用于对所述第一训练数据集中的每个第一训练图像中的人脸进行标记；若该第一训练图像中标记的人脸个数为1，则将该第一训练图像的当前标签更新为单人照标签；若该第一训练图像中标记的人脸个数为2或3，则将该第一训练图像的当前标签更新为小合照标签；若该第一训练图像中标记的人脸个数大于或等于4，则将该第一训练图像的当前标签更新为集体照标签；第二训练单元，用于利用所述第一训练数据集及其中各第一训练图像的当前标签训练第二分类模型；信息获取单元，用于获得待处理图像集以及所述待处理图像集中每个图像对应的拍摄信息，所述拍摄信息至少包括拍摄时间和拍摄地点；第一分类单元，用于通过所述第一分类模型对所述待处理图像集进行分类，得到人物照和非人物照两类；第二分类单元，用于通过所述第二分类模型对所述待处理图像集中的所有人物照继续分类，得到单人照、小合照以及集体照三类；子集获得单元，用于基于所述第一分类模型和所述第二分类模型的分类结果，将所述待处理图像集分为四个子集，该四个子集包括单人照子集、小合照子集、集体照子集和非人物照子集；分组单元，用于针对所述四个子集中的每一子集，基于拍摄信息和人脸标记结果对该子集进行分组，得到该子集对应的多个组，使得分组后的同一组中各图像的拍摄信息满足第一预定条件，且同一组中各图像的人脸标记结果满足第二预定条件；第一计算单元，用于针对所述单人照子集、小合照子集或集体照子集中每个子集的每个组，确定该组中每个图像中的人脸区域，计算该组每个图像的人脸区域中各个人脸清晰度，并将每个图像对应的最低的人脸清晰度作为该图像的人脸区域清晰度，在该组中基于人脸区域清晰度选择至少一个保留图像；第二计算单元，用于针对所述非人物照子集的每个组，在该组中基于图像清晰度选择至少一个保留图像；确定单元，用于在每个子集的每个组中，针对该组中除保留图像以外的每个图像，若该图像与该组任一保留图像之间的相似度高于第一阈值，将该图像确定为该组的待删除图像。
图1示出了上述一种信息处理装置的结构。
如图1所示，信息处理装置包括训练数据获取单元1、第一训练单元2、人脸标记单元3、第二训练单元4、信息获取单元5、第一分类单元6、第二分类单元7、子集获得单元8、分组单元9、第一计算单元10、第二计算单元11以及确定单元12。
训练数据获取单元1用于获取第一训练数据集和第二训练数据集。
其中，第一训练数据集包括多个第一训练图像，第一训练数据集中的每个第一训练图像都是含有人物的图像，例如，这里所说的含有人物的图像可以是包含有人物正面照、侧面照等的人物照。此外，第一训练图像中的人物可能是一个，也可能是多个（如2个或更多个）。
第二训练数据集包括多个第二训练图像，第二训练数据集中的每个第二训练图像都是不含人物的图像，比如，可以是风景照、建筑照片等等。需要说明的是，第二训练图像中可以存在人，但不含有人物的正面照或侧面照。比如，第二训练图像可以是一个山的照片，而在该照片中可以有部分人，但人物的面部无法识别，或者人物均是背影等。换句话说，在第二训练图像中，人是作为背景的。
第一和第二训练图像都是有标签的。
在训练第一分类模型的阶段，每个第一训练图像的标签为人物照标签，而每个第二训练图像的标签为非人物照标签。
这样，第一训练单元2可以利用第一训练数据集和第二训练数据集来训练第一分类模型。训练后的第一分类模型，能够对输入的图像进行二分类，如分为人物照，或者是非人物照。
第一分类模型例如可以采用支持向量机、卷积神经网络，或者也可以采用其他现有的二分类模型。
接着，人脸标记单元3对第一训练数据集中的每个第一训练图像中的人脸进行标记。例如，可以采用人脸识别算法来自动识别每个第一训练图像中的人脸，识别到的不同人脸可以采用不同的标注。或者，也可以采用人工的方法来进行人脸标记（或者人脸识别算法结合人工标注）。
这样，通过人脸识别，可以获得每个第一训练图像中标记的人脸个数，以及包含哪些人物（如不同人物采用不同符号标记）。
人脸标记单元3对于第一训练数据集中的每个第一训练图像的人脸标记结果进行判断。
若人脸标记单元3当前判断的第一训练图像的人脸标记个数为1，则将该第一训练图像的当前标签更新为“单人照”标签，表示对应图像是单人照类型。
若人脸标记单元3当前判断的第一训练图像的人脸标记个数为2或3，则将该第一训练图像的当前标签更新为“小合照”标签， 表示对应图像是二人或三人的合影类型。
若人脸标记单元3当前判断的第一训练图像的人脸标记个数为大于或等于4，则将该第一训练图像的当前标签更新为“集体照”标签，表示对应图像是多人集体照的类型。
接着，第二训练单元4利用第一训练数据集及其中各第一训练图像的当前标签来训练第二分类模型。
第二分类模型例如可以例如可以采用卷积神经网络，或者也可以采用其他现有的多分类模型。
训练后的第二分类模型，能够对输入的图像进行多分类，如分为“单人照”、“小合照”或者“集体照”。
信息获取单元5用于获得待处理图像集。待处理图像集可以是用户上传的一组图像，也可以是用户网盘中存储的图像数据，或者可以是用户本地存储的照片等。
此外，信息获取单元5还获取上述待处理图像集中每个图像对应的拍摄信息，拍摄信息至少包括拍摄时间和拍摄地点。
可选地，拍摄信息还可以包括拍摄参数，如相机型号、镜头型号、快门、光圈、ISO、EV值、是否开闪光灯等。
第一分类单元6通过第一分类模型对待处理图像集进行分类，得到人物照和非人物照两类。
应当理解的是，若待处理图像集全部都是人物照，也可能通过第一分类模型得到的只有人物照这一类结果。或者，若待处理图像集全部都是非人物照时，通过第一分类模型得到的可能只有非人物照这一类结果。
接着，第二分类单元7通过第二分类模型对待处理图像集中的所有人物照继续分类，得到单人照、小合照以及集体照三类。
基于第一分类模型和第二分类模型的分类结果，子集获得单元8将待处理图像集分为四个子集，该四个子集包括单人照子集、小合照子集、集体照子集和非人物照子集。
也就是说，基于第一分类模型的结果，类别为“非人物照”的所有待处理图像构成非人物照子集。
基于第二分类模型的结果，类别为“单人照”的所有待处理图像构成单人照子集，类别为“小合照”的所有待处理图像构成小合照子集，而类别为“集体照”的所有待处理图像构成集体照子集。
这样，分组单元9针对上述四个子集中的每一子集，基于拍摄信息和人脸标记结果对该子集进行分组，得到该子集对应的多个组，使得分组后的图像满足如下条件：同一组中各图像的拍摄信息满足第一预定条件，且同一组中各图像的人脸标记结果满足第二预定条件。
例如，同一组中各图像的拍摄信息满足的第一预定条件可以如下：使得分组后的同一组中的各图像之间的拍摄时间相差不超过预定时间，且拍摄地点相差不超过预定距离。
预定时间可以为30秒或1分钟等，可以根据经验设定，或通过试验确定。
预定距离可以为1米或3米等，可以根据经验设定，或通过试验确定。
又如，同一组中各图像的拍摄信息满足的第一预定条件也可以如下：使得分组后的同一组中的各图像之间的拍摄时间相差不超过预定时间，拍摄地点相差不超过预定距离，且拍摄参数完全一致。
或者，在实际应用中，也可以部分修改上述第一预定条件，比如“拍摄参数完全一致”可以替换为“拍摄参数部分一致”。
此外，上述同一组中各图像的人脸标记结果满足的第二预定条件可以如下：使得分组后的同一组中任两个图像的人脸标记结果完全相同。
两个图像的人脸标记结果完全相同，是指这两个图像各自包含的人脸（人物）数量一样，人物也一样。
比如，图像P1只包含人物A和人物B（2个人物），而图像P2也只包含人物A和人物B（2个人物），则图像P1和P2的人脸标记结果是完全相同的。
又如，若图像P3只包含人物A和人物B（2个人物），而图像P4只包含人物B和人物C（2个人物），则虽然二者人物数量一样，但所含人物是部分不同的，因此二者的人脸标记结果不是完全相同的。
在另一个例子中，上述同一组中各图像的人脸标记结果满足的第二预定条件也可以如下：使得分组后的同一组中任两个图像的人脸标记结果之差别小于预定范围。
其中，两个图像的人脸标记结果之差别小于预定范围，例如可以是两个图像人脸标记结果部分相同。
或者，人脸标记结果之差别小于预定范围可以设置为差别不大于1（或2等）。比如，当预定范围设置为差别不大于1时，例如可以是两个图像的人脸标记数量相差0个或1个，或者两个图像的人脸标记的人物有0个或1个是不同的。
第一计算单元10针对单人照子集、小合照子集或集体照子集中每个子集的每个组，确定该组中每个图像中的人脸区域，计算该组每个图像的人脸区域中各个人脸清晰度，并将每个图像对应的最低的人脸清晰度作为该图像的人脸区域清晰度，在该组中基于人脸区域清晰度选择至少一个保留图像。
例如，可以采用现有的人脸区域识别技术来确定图像中的人脸区域，这里不再详述。
每个图像的人脸区域识别结果中包含的人脸数可能是一个或多个，这样，每个图像的人脸区域中各个人脸清晰度是指，在每个图像的人脸区域中所识别的每一个人脸对应的局部区域的清晰度。举例来说，假设某个图像进行人脸区域识别后，得到3个人脸子区域（即对应包含3个人物），那么针对这3个人脸子区域分别计算各自的清晰度。
又如，假设图像P1中包含3个人脸子区域，对应的子区域清晰度分别为Q1、Q2和Q3，假设Q1、Q2和Q3之中Q2最小，则图像P1的人脸区域清晰度为Q2。
在一个组中，基于人脸区域清晰度选择至少一个保留图像时，例如可以选择人脸区域清晰度最高的前N个图像作为保留图像，其中N可以是1、2或其他预设整数。
此外，第二计算单元11针对非人物照子集的每个组，在该组中基于图像清晰度选择至少一个保留图像。
对于非人物照子集的每个组，可以采用现有的清晰度计算方法计算该组每个图像的图像清晰度，然后在该组中选择图像清晰度最高的前N个图像作为保留图像，其中N可以是1、2或其他预设整数。
然后，确定单元12在上述四个子集中每个子集的每个组中，针对该组中除保留图像以外的每个图像，若该图像与该组任一保留图像之间的相似度高于第一阈值，将该图像确定为该组的待删除图像。
用户可以选择是否删除全部或部分待删除图像，也可以由系统自动删除部分或全部待删除图像。
最后应说明的是，以上实施例仅用以示例性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及本发明带来的有益效果进行了详细的说明，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权利要求的范围。

Claims (3)

1.一种信息处理装置，其特征在于，所述信息处理装置包括：
训练数据获取单元，用于获取第一训练数据集和第二训练数据集；
第一训练单元，用于利用所述第一训练数据集和所述第二训练数据集训练第一分类模型，其中，所述第一训练数据集包括多个第一训练图像，每个第一训练图像的标签为人物照标签；所述第二训练数据集包括多个第二训练图像，每个第二训练图像的标签为非人物照标签；
人脸标记单元，用于对所述第一训练数据集中的每个第一训练图像中的人脸进行标记；若该第一训练图像中标记的人脸个数为1，则将该第一训练图像的当前标签更新为单人照标签；若该第一训练图像中标记的人脸个数为2或3，则将该第一训练图像的当前标签更新为小合照标签；若该第一训练图像中标记的人脸个数大于或等于4，则将该第一训练图像的当前标签更新为集体照标签；
第二训练单元，用于利用所述第一训练数据集及其中各第一训练图像的当前标签训练第二分类模型；
信息获取单元，用于获得待处理图像集以及所述待处理图像集中每个图像对应的拍摄信息，所述拍摄信息至少包括拍摄时间和拍摄地点；
第一分类单元，用于通过所述第一分类模型对所述待处理图像集进行分类，得到人物照和非人物照两类；
第二分类单元，用于通过所述第二分类模型对所述待处理图像集中的所有人物照继续分类，得到单人照、小合照以及集体照三类；
子集获得单元，用于基于所述第一分类模型和所述第二分类模型的分类结果，将所述待处理图像集分为四个子集，该四个子集包括单人照子集、小合照子集、集体照子集和非人物照子集；
分组单元，用于针对所述四个子集中的每一子集，基于拍摄信息和人脸标记结果对该子集进行分组，得到该子集对应的多个组，使得分组后的同一组中各图像的拍摄信息满足第一预定条件，所述第一预定条件为：各图像之间的拍摄时间相差不超过预定时间且拍摄地点相差不超过预定距离；且同一组中各图像的人脸标记结果满足第二预定条件，所述第二预定条件为：人脸标记结果完全相同或差别小于预定范围；
第一计算单元，用于针对所述单人照子集、小合照子集或集体照子集中每个子集的每个组，确定该组中每个图像中的人脸区域，计算该组每个图像的人脸区域中各个人脸清晰度，并将每个图像对应的最低的人脸清晰度作为该图像的人脸区域清晰度，在该组中基于人脸区域清晰度选择至少一个保留图像；
第二计算单元，用于针对所述非人物照子集的每个组，在该组中基于图像清晰度选择至少一个保留图像；
确定单元，用于在每个子集的每个组中，针对该组中除保留图像以外的每个图像，若该图像与该组任一保留图像之间的相似度高于第一阈值，将该图像确定为该组的待删除图像。
2.根据权利要求1所述的信息处理装置，其特征在于，所述拍摄信息还包括拍摄参数。
3.根据权利要求2所述的信息处理装置，其特征在于，所述分组单元用于：使得分组后的同一组中的各图像之间的拍摄时间相差不超过预定时间，拍摄地点相差不超过预定距离，且拍摄参数完全一致。
CN202011530775.1A 2020-12-22 2020-12-22 一种信息处理装置 Active CN112507154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011530775.1A CN112507154B (zh) 2020-12-22 2020-12-22 一种信息处理装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011530775.1A CN112507154B (zh) 2020-12-22 2020-12-22 一种信息处理装置

Publications (2)

Publication Number Publication Date
CN112507154A CN112507154A (zh) 2021-03-16
CN112507154B true CN112507154B (zh) 2022-02-11

Family

ID=74921851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011530775.1A Active CN112507154B (zh) 2020-12-22 2020-12-22 一种信息处理装置

Country Status (1)

Country Link
CN (1) CN112507154B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113360693A (zh) * 2021-05-31 2021-09-07 北京百度网讯科技有限公司 确定图像标签的方法及其装置、电子设备以及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095915A (zh) * 2015-08-21 2015-11-25 努比亚技术有限公司 一种信息处理方法及装置、终端
CN105205181A (zh) * 2015-10-28 2015-12-30 上海斐讯数据通信技术有限公司 一种照片管理方法及管理系统
CN105913052A (zh) * 2016-06-08 2016-08-31 Tcl集团股份有限公司 一种照片分类管理的方法及其系统
CN106326908A (zh) * 2015-06-30 2017-01-11 中兴通讯股份有限公司 一种图片的管理方法、装置及终端设备
CN110046266A (zh) * 2019-03-28 2019-07-23 广东紫晶信息存储技术股份有限公司 一种照片的智能管理方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8472726B2 (en) * 2011-01-07 2013-06-25 Yuval Gronau Document comparison and analysis
CN105072337B (zh) * 2015-07-31 2019-03-26 小米科技有限责任公司 图片处理方法及装置
CN105224409A (zh) * 2015-09-30 2016-01-06 努比亚技术有限公司 一种内存的管理方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326908A (zh) * 2015-06-30 2017-01-11 中兴通讯股份有限公司 一种图片的管理方法、装置及终端设备
CN105095915A (zh) * 2015-08-21 2015-11-25 努比亚技术有限公司 一种信息处理方法及装置、终端
CN105205181A (zh) * 2015-10-28 2015-12-30 上海斐讯数据通信技术有限公司 一种照片管理方法及管理系统
CN105913052A (zh) * 2016-06-08 2016-08-31 Tcl集团股份有限公司 一种照片分类管理的方法及其系统
CN110046266A (zh) * 2019-03-28 2019-07-23 广东紫晶信息存储技术股份有限公司 一种照片的智能管理方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
照片自动分类器的设计;宋士鹏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20141115;I138-527 *
面向Android平台的智慧相册的设计与实现;孙家贺;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170115;I138-596 *

Also Published As

Publication number Publication date
CN112507154A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
US7215828B2 (en) Method and system for determining image orientation
US7711145B2 (en) Finding images with multiple people or objects
CN108537134B (zh) 一种视频语义场景分割及标注方法
JP4908505B2 (ja) 撮影者を利用した画像の分類
US10679041B2 (en) Hybrid deep learning method for recognizing facial expressions
Boutell et al. Photo classification by integrating image content and camera metadata
US8571332B2 (en) Methods, systems, and media for automatically classifying face images
US20120027252A1 (en) Hand gesture detection
US20070196013A1 (en) Automatic classification of photographs and graphics
EP1955256A1 (en) Determining a particular person from a collection
US20100021066A1 (en) Information processing apparatus and method, program, and recording medium
US11783192B2 (en) Hybrid deep learning method for recognizing facial expressions
CN113808069A (zh) 图像中的分层多类曝光缺陷分类
CN110807759A (zh) 照片质量的评价方法及装置、电子设备、可读存储介质
CN105631404B (zh) 对照片进行聚类的方法及装置
CN112507154B (zh) 一种信息处理装置
CN112507155B (zh) 一种信息处理方法
CN116095363B (zh) 基于关键行为识别的移动端短视频高光时刻剪辑方法
Çakar et al. Creating cover photos (thumbnail) for movies and tv series with convolutional neural network
CN115115552A (zh) 图像矫正模型训练及图像矫正方法、装置和计算机设备
CN113111888B (zh) 一种图片判别方法及装置
CN112613492B (zh) 一种数据处理方法及装置
JP2015158739A (ja) 画像分類装置、画像分類方法及び画像分類プログラム
CN113065559A (zh) 图像比对方法、装置、电子设备及存储介质
CN112464015A (zh) 一种基于深度学习的图像电子证据筛选方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231012

Address after: 710000 7C175, 7th Floor, Galaxy Technology Building, No. 25 Tangyan Road, High tech Zone, Xi'an City, Shaanxi Province

Patentee after: Xi'an Solna Information Technology Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Effective date of registration: 20231012

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: 150025 No.1 Shida Road, Limin Economic Development Zone, Harbin, Heilongjiang Province

Patentee before: HARBIN NORMAL University