CN112819509A - 自动筛选广告图片的方法、系统、电子设备和存储介质 - Google Patents

自动筛选广告图片的方法、系统、电子设备和存储介质 Download PDF

Info

Publication number
CN112819509A
CN112819509A CN202110061759.0A CN202110061759A CN112819509A CN 112819509 A CN112819509 A CN 112819509A CN 202110061759 A CN202110061759 A CN 202110061759A CN 112819509 A CN112819509 A CN 112819509A
Authority
CN
China
Prior art keywords
picture
pictures
screened
watermark
portrait
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.)
Granted
Application number
CN202110061759.0A
Other languages
English (en)
Other versions
CN112819509B (zh
Inventor
梅陈
申思
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.)
Shanghai Ctrip Business Co Ltd
Original Assignee
Shanghai Ctrip Business 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 Shanghai Ctrip Business Co Ltd filed Critical Shanghai Ctrip Business Co Ltd
Priority to CN202110061759.0A priority Critical patent/CN112819509B/zh
Publication of CN112819509A publication Critical patent/CN112819509A/zh
Application granted granted Critical
Publication of CN112819509B publication Critical patent/CN112819509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种自动筛选广告图片的方法、系统、电子设备和存储介质。其中，方法包括：获取图片库，所述图片库包括多张待筛选图片；将所述图片库中的待筛选图片分为多个类别；对于每一类别下的待筛选图片，分别进行去重处理以得到若干候选图片；对于每一类别下的候选图片，分别按照图片得分从高到低的顺序输出若干候选图片作为广告图片，其中，所述图片得分利用训练好的打分模型得到。本发明在将图片库中的待筛选图片分为多个类别之后，针对每个类别的待筛选图片进行去重处理以得到候选图片，并选择图片得分较高的候选图片作为广告图片，实现了根据统一标准在图片库中自动选择用于投放的广告图片，提高了广告图片的投放效率。

Description

自动筛选广告图片的方法、系统、电子设备和存储介质
技术领域
本发明涉及图片处理技术领域，尤其涉及一种自动筛选广告图片的方法、系统、电子设备和存储介质。
背景技术
近年来，随着生活水平的提高及移动互联网技术的高速发展，越来越多的用户选择在门户网站或应用程序上查看新闻等数字内容，同时，越来越多的服务提供方在门户网站或应用程序上投放供用户查看的数字内容。例如，越来越多的旅游出行网站在门户网上投放酒店等产品的广告，而为了在门户网站上投放酒店的广告以对酒店进行广告推广时，需要用到该酒店的图片，但是每家酒店的图片质量不定且多种多样，酒店图片库中更是有千万级别的图片，若是通过人工在成千上万的图片中选择合适的图片进行投放是非常困难的，工作量非常巨大。
发明内容
本发明要解决的技术问题是为了克服现有技术中难以在海量图片库中自动选择合适图片进行投放的缺陷，提供一种自动筛选广告图片的方法、系统、电子设备和存储介质。
本发明是通过下述技术方案来解决上述技术问题：
一种自动筛选广告图片的方法，包括：
获取图片库，所述图片库包括多张待筛选图片；
将所述图片库中的待筛选图片分为多个类别；
对于每一类别下的待筛选图片，分别进行去重处理以得到若干候选图片；
对于每一类别下的候选图片，分别按照图片得分从高到低的顺序输出若干候选图片作为广告图片，其中，所述图片得分利用训练好的打分模型得到。
较佳地，在所述将所述图片库中的待筛选图片分为多个类别的步骤之前还包括：
利用所述打分模型获取所述图片库中每张待筛选图片的图片得分；
删除所述图片库中所述图片得分低于第一阈值的待筛选图片；
和/或，
对于每一类别下的待筛选图片，所述分别进行去重处理以得到若干候选图片的步骤包括：
利用ASIFT算法对每张待筛选图片进行仿射变换；
利用SIFT算法提取经仿射变换的每张待筛选图片的特征点；
离线存储每张待筛选图片的特征点；
根据每张待筛选图片的特征点对同一类别下的待筛选图片进行多线程分布式的匹配；
判断是否存在匹配的两张待筛选图片；
若是，则从匹配的两张待筛选图片中删除所述图片得分较低的待筛选图片；
若否，则继续执行所述根据每张待筛选图片的特征点对同一类别下的待筛选图片进行多线程分布式的匹配的步骤；
和/或，
在所述将所述图片库中的待筛选图片分为多个类别的步骤之后还包括：
从所述图片库中删除类别落入预设类别集合中的待筛选图片；
和/或，
在所述获取图片库的步骤之后还包括：
利用训练好的人像检测模型检测所述图片库中的人像图片，所述人像图片为包括人像的待筛选图片；
获取所述人像图片中人像的占比；
从所述图片库中删除人像的占比大于第二阈值的人像图片；
和/或，
所述打分模型包括美感度打分模型和/或清晰度打分模型，其中，所述美感度打分模型用于评价所述待筛选图片的美感度，所述清晰度用于评价所述待筛选图片的清晰度。
较佳地，在所述获取图片库的步骤之后还包括：
利用训练好的水印检测模型检测所述图片库中的水印图片，所述水印图片为包括水印的待筛选图片；
从所述图片库中删除所述水印图片。
较佳地，所述水印检测模型的训练数据包括已标注的水印图片样本、随机生成的水印图片样本以及混淆样本中的至少一种；
其中，随机生成的水印图片样本根据以下步骤生成：
获取水印样本以及未载有水印的原始图片；
将所述水印样本随机添加到所述原始图片中以生成水印图片样本。
较佳地，所述打分模型由以下步骤训练得到：
构建若干深度学习模型；
对若干所述深度学习模型进行模型融合。
较佳地，所述深度学习模型包括RESNET模型、VGG16模型以及XCEPTIO模型中的至少一种；
和/或，
所述对若干所述深度学习模型进行模型融合的步骤包括：
利用XGB模型融合若干所述深度学习模型倒数第二层的特征。
一种自动筛选广告图片的系统，包括：
第一获取模块，用于获取图片库，所述图片库包括多张待筛选图片；
分类模块，用于将所述图片库中的待筛选图片分为多个类别；
去重模块，用于对于每一类别下的待筛选图片，分别进行去重处理以得到若干候选图片；
输出模块，用于对于每一类别下的候选图片，分别按照图片得分从高到低的顺序输出若干候选图片作为广告图片，其中，所述图片得分利用训练好的打分模型得到。
较佳地，所述系统还包括：
打分模块，用于利用所述打分模型获取所述图片库中每张待筛选图片的图片得分；
第一删除模块，用于删除所述图片库中所述图片得分低于第一阈值的待筛选图片；
和/或，
所述去重模块包括：
变换单元，用于利用ASIFT算法对每张待筛选图片进行仿射变换；
提取单元，用于利用SIFT算法提取经仿射变换的每张待筛选图片的特征点；
存储单元，用于离线存储每张待筛选图片的特征点；
匹配单元，用于根据每张待筛选图片的特征点对同一类别下的待筛选图片进行多线程分布式的匹配；
判断单元，用于判断是否存在匹配的两张待筛选图片；
若是，则调用删除单元用于从匹配的两张待筛选图片中删除所述图片得分较低的待筛选图片；
若否，则继续调用所述匹配单元；
和/或，
所述系统还包括：
第二删除模块，用于从所述图片库中删除类别落入预设类别集合中的待筛选图片；
和/或，
所述系统还包括：
第一检测模块，用于利用训练好的人像检测模型检测所述图片库中的人像图片，所述人像图片为包括人像的待筛选图片；
第二获取模块，用于获取所述人像图片中人像的占比；
第三删除模块，用于从所述图片库中删除人像的占比大于第二阈值的人像图片；
和/或，
所述系统还包括：
第二检测模块，用于利用训练好的水印检测模型检测所述图片库中的水印图片，所述水印图片为包括水印的待筛选图片；
第四删除模块，用于从所述图片库中删除所述水印图片；
和/或，
所述打分模型包括美感度打分模型和/或清晰度打分模型，其中，所述美感度打分模型用于评价所述待筛选图片的美感度，所述清晰度用于评价所述待筛选图片的清晰度。
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，所述处理器执行所述计算机程序时实现上述任一种自动筛选广告图片的方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种自动筛选广告图片的方法的步骤。
本发明的积极进步效果在于：本发明在将图片库中的待筛选图片分为多个类别之后，针对每个类别的待筛选图片进行去重处理以得到候选图片，并选择图片得分较高的候选图片作为广告图片，实现了根据统一标准在图片库中自动选择用于投放的广告图片，提高了广告图片的投放效率。
附图说明
图1为根据本发明实施例1的自动筛选广告图片的方法的部分流程图。
图2为根据本发明实施例1的自动筛选广告图片的方法中步骤S106的流程图。
图3根据本发明实施例1的自动筛选广告图片的方法的另一部分流程图。
图4根据本发明实施例1的自动筛选广告图片的方法的另一部分流程图。
图5根据本发明实施例2的自动筛选广告图片的系统的模块示意图。
图6为根据本发明实施例3的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种自动筛选广告图片的方法，参照图1，本实施例的方法包括：
S101、获取图片库；
S102、利用打分模型获取图片库中每张待筛选图片的图片得分；
S103、删除图片库中图片得分低于第一阈值的待筛选图片；
S104、将图片库中的待筛选图片分为多个类别；
S105、从图片库中删除类别落入预设类别集合中的待筛选图片；
S106、对于每一类别下的待筛选图片，分别进行去重处理以得到若干候选图片；
S107、对于每一类别下的候选图片，分别按照图片得分从高到低的顺序输出若干候选图片作为广告图片。
在本实施例步骤S101中，获取包括多张待筛选图片并且用于从中确定待投放的广告图片的图片库，在本实施例中以待投放的广告图片为酒店图片为例，所获取的图片库可以包括外观、大堂、房间、游泳池、走廊、海滩等用于宣传酒店的图片。
在本实施例中，打分模型可以包括用于评价待筛选图片的美感度的美感度打分模型和/或用于评价待筛选图片的清晰度的清晰度打分模型。在步骤S102中，利用训练好的打分模型来获取每张待筛选图片的图片得分，继而在步骤S103中，可以过滤掉美感度不高和/或清晰度不高的待筛选图片，以提升图片库中剩余待筛选图片的整体质量，减少后续图片处理过程中的计算量，提高广告图片的筛选速度。例如，打分模型包括美感度打分模型和清晰度打分模型时，既可以过滤掉美感度得分低于m(可以根据实际应用自定义设置)的待筛选图片，也可以过滤掉清晰度得分低于n(可以根据实际应用自定义设置)的待筛选图片。
进一步地，在本实施例中，训练打分模型的步骤可以包括构建若干深度学习模型的步骤以及对若干深度学习模型进行模型融合的步骤，以提高打分模型的输出效果，其中，对若干深度学习模型进行模型融合的步骤可以包括利用XGB模型融合若干深度学习模型倒数第二层的特征的步骤。
具体地，在本实施例中，深度学习模型可以包括但不限于RESNET模型、VGG16模型以及XCEPTIO模型，这三个模型的特点各有不同并且这三个模型倒数第二层得到的图片信息也有所差别，有利于进行模型融合。以美感度打分模型为例，在本实施例中，可以先对图片的美感度进行人工标注，进而通过XGB模型融合这三个模型的特征，进行建模以评价待筛选图片的美感度，实现对待筛选图片的美感度区分，进而可以选取美感度较高的待筛选图片作为广告图片进行投放。
在本实施例中，步骤S104具体可以包括利用训练好的分类模型将图片库中的待筛选图片分为多个类别的步骤，其中，多个类别的划分可以根据实际应用自定义设置。例如，对于酒店图片来说，多个类别可以包括但不限于外观、大堂、房间、游泳池、走廊、海滩、卫生间、自动售货机等。
在本实施例中，可以利用基于深度学习的残差网络RESNET来对待筛选图片进行分类，具体地，本实施例在残差网络RESNET的基础上做了finetune(微调)，增加了几层卷积网络，以对各类别的图片进行训练建模，如此，既保留了残差网络RESNET的参数，又根据本实施例中酒店图片的特点训练了分类模型，较之直接使用残差网络RESNET，能够获得更好的分类效果。
在本实施例中，可以根据实际应用自定义预设类别集合所包括的图片类别。在本实施例中，预设类别集合优选包括不适合作为广告进行投放且不能代表酒店整体概况的图片类别，例如，预设类别集合可以包括但不限于卫生间、自动售货机等类别的图片。进一步地，从图片库中删除类别落入预设类别集合中的待筛选图片，可以过滤掉不适合作为广告进行投放且不能代表酒店整体概况的待筛选图片，以进一步减少后续图片处理过程中的计算量，进一步提高广告图片的筛选速度，并降低广告投放的风险。
在本实施例中，对当前剩下的每一类别下的待筛选图片进行去重处理，以进一步减少后续图片处理过程中的计算量，并进一步提高广告图片的筛选速度。具体地，在本实施例中，一方面，可以实现不同类别下的待筛选图片的并行去重处理，有利于提高去重速度；另一方面，同一类别下的待筛选图片往往具有相似点，在同一类别下进行去重处理，有利于在减少计算量的同时提高去重效率。较之现有技术中，为了实现图片去重，往往直接对海量图片进行两两匹配，图片需要匹配的量是图片数量的几百倍，去重速度较慢，本实施例能够实现去重速度的显著提升。
进一步地，参照图2，本实施例中步骤S106具体可以包括：
S1061、利用ASIFT算法对每张待筛选图片进行仿射变换；
S1062、利用SIFT算法提取经仿射变换的每张待筛选图片的特征点；
S1063、离线存储每张待筛选图片的特征点；
S1064、根据每张待筛选图片的特征点对同一类别下的待筛选图片进行多线程分布式的匹配；
S1065、判断是否存在匹配的两张待筛选图片；
若是，则执行步骤S1066；若否，则返回步骤S1064；
S1066、从匹配的两张待筛选图片中删除图片得分较低的待筛选图片。
在本实施例中，首先利用ASIFT算法通过模拟相机镜头轴线与目标图片的所有成像夹角的方向参数(可以包括：经度角与纬度角)，进而通过经度角与纬度角来模拟图片所有视差下的仿射变换，最后对仿射变换后的图片进行SIFT算法特征匹配，由此，本实施例基于ASIFT算法和SIFT算法，能够过滤掉重复或者相似度较高(例如，尺度不同的、经仿射变换得到的(例如，旋转转换或多角度拍摄得到的))的待筛选图片。
具体地，本实施例在提取到图片的特征点之后并未直接进行图片匹配，而是离线存储提取到的特征点并对离线存储的特征点数据进行多线程、分布式的匹配，进而在识别出重复或者相似度较高的图片后，保留图片得分较高的待筛选图片作为候选图片，而删除图片得分较低的待筛选图片，从而本实施例能够在保证匹配准确率的同时大大提高匹配速度，进而可以大幅提高去重效率。
进一步地，参照图3，本实施例在步骤S103之后还可以包括：
S108、利用训练好的水印检测模型检测图片库中的水印图片；
S109、从图片库中删除水印图片。
在本实施例中，水印图片为包括水印的待筛选图片，由于包括水印的待筛选图片不适合作为广告图片进行投放，从而在本实施例中还可以过滤掉包括水印的待筛选图片，降低了广告投放的风险，以实现对待筛选图片的审核。
在本实施例中，首先需要训练得到适用于步骤S101中所获得的图片库中待筛选图片的水印检测模型，例如，在本实施例中，首先需要训练得到适用于酒店图片场景的水印检测模型，具体地，可以利用基于深度学习的目标检测算法yolov3来检测待筛选图片是否包括水印。
进一步地，在本实施例中，用于训练水印检测模型的训练数据可以包括但不限于已标注的水印图片样本、随机生成的水印图片样本以及混淆样本。
其中，已标注的水印图片样本可以是由人工标注的几万张真实的水印样本，以提升水印检测效果。
其中，随机生成的水印图片样本可以根据以下步骤生成：获取水印样本以及未载有水印的原始图片的步骤以及将水印样本随机添加到原始图片中以生成水印图片样本的步骤，提升用于训练水印检测模型的训练数据的数量，以提高训练得到的水印检测模型检测水印的准确率。具体地，可以首先下载带有各类别水印的图片，然后自动抠出图片中的水印，并设置水印的透明度、旋转位置等之后，将水印随机地添加到没有水印的原始图片中，并标注好水印的位置等信息，以自动随机生成一部分水印样本，以解决目前已知的酒店图片的水印样本过少而导致其训练得到的水印检测模型准确率较低的问题。
其中，混淆样本是容易被识别为包括水印的图片样本。具体地，目前已知的酒店图片的水印样本过少，并且大部分的水印表现为文字的形式，从而很容易与酒店的外观门面文字等相混淆，提高了检测水印的难度。显然，本实施例不想要将酒店的外观门面文字识别为水印的结果，毕竟，这样的结果会导致部分质量较高的待筛选图片被认为是水印图片而被删除。
具体地，在本实施例中，可以将容易产生混淆的门面图片标注出来，作为混淆样本，继而可以将已标注的以及随机生成的水印图片样本与混淆样本一同放入水印检测模型进行识别，基于此，不仅可以识别出包括水印的待筛选图片，还可以识别出包括门面的待筛选图片。本实施例在训练数据中增加了混淆样本，较之仅利用水印样本图片训练水印检测模型，能够进一步提升水印检测的效果。
进一步地，参照图4，本实施例在步骤S103之后还可以包括：
S110、利用训练好的人像检测模型检测图片库中的人像图片；
S111、获取人像图片中人像的占比；
S112、从图片库中删除人像的占比大于第二阈值的人像图片。
在本实施例中，人像图片为包括人像的待筛选图片，对于包括人像的待筛选图片，若人像在待筛选图片中的占比较大，那么这部分的待筛选图片由于人像会掩盖掉酒店的大部分外观、设施等内容，而不能完整地将酒店的概况展示给用户，从而不适合作为广告图片进行投放；若人像在待筛选图片中的占比较小，那么还是可以作为广告图片进行投放的。基于此，本实施例还可以过滤掉包括人像并且其中人像占比过大的待筛选图片，以降低广告图片的投放风险。
具体地，在本实施例中，人像检测模型可以不采用开源的人像检测算法，而是采用开源的数据集并在开源的数据集上重新进行建模调参，进一步地，本实施例中可以利用基于深度学习的目标检测算法RetinaNet来检测人像，较之目前开源的人像检测算法，本实施例中重新构建的人像检测模型在不降低人像检测效果的前提下，可以有效提升人像检测的速度。在识别出人像之后，本实施例还可以基于人像检测模型对识别出的人像在待筛选图片中的位置坐标进行标注，继而可以根据位置坐标来计算出人像在该待筛选图片中的占比。
进一步地，本实施例在步骤S111之前，还可以对步骤S110检测到的人像图片进行去重处理，以减少后续图片处理过程中的计算量，并提高广告图片的筛选速度。
进一步地，在本实施例中，步骤S104、步骤S108以及步骤S110优选同时进行，一方面，并行的方式可以极大地减少广告图片的筛选时间，另一方面，还可以在步骤S104得到的多个类别下的待筛选图片的基础上，删除人像图片中人像过大的待筛选图片以及水印图片，从而有利于进一步减少后续图片处理过程中的计算量，并进一步提高广告图片的筛选速度。
在步骤S107中，对于每一类别的候选图片分别输出其中优质的候选图片作为该类别待投放的广告图片，例如，对于外观类别的候选图片，可以按照图片得分从高到低的顺序输出若干候选图片以作为待投放的广告图片，对于大堂类别的候选图片，可以按照图片得分从高到低的顺序输出若干候选图片以作为待投放的广告图片。如此，既保证了用于宣传酒店的广告图片的多样性又保证了广告图片的高质量，例如，美感度高和/或清晰度高，可以吸引用户进而增加对所宣传的酒店的点击率，以提高该酒店的订单转化率，增加该酒店的广告投放收益。
在本实施例中，当酒店的图片库新增图片时，可以根据本实施例的上述步骤实现对新增图片的筛选，继而可以比较筛选结果与当前广告图片以确定是否需要调整当前广告图片，实现对广告图片的自动化审核与筛选。
本实施例在将图片库中的待筛选图片分为多个类别之后，针对每个类别的待筛选图片进行去重处理以得到候选图片，还删除了不适合用作广告图片的类别下的待筛选图片，并最终选择每个类别下图片得分较高的候选图片作为广告图片，实现了根据统一标准在图片库中自动选择用于投放的广告图片，提高了广告图片的投放效率，降低了人工运营成本，实现了对广告图片的自动化审核与筛选。
实施例2
本实施例提供一种自动筛选广告图片的系统，参照图5，本实施例的系统包括：
第一获取模块201，用于获取图片库；
打分模块202，用于利用打分模型获取图片库中每张待筛选图片的图片得分；
第一删除模块203，用于删除图片库中图片得分低于第一阈值的待筛选图片；
分类模块204，用于将图片库中的待筛选图片分为多个类别；
第二删除模块205，用于从图片库中删除类别落入预设类别集合中的待筛选图片；
去重模块206，用于对于每一类别下的待筛选图片，分别进行去重处理以得到若干候选图片；
输出模块207，用于对于每一类别下的候选图片，分别按照图片得分从高到低的顺序输出若干候选图片作为广告图片。
在本实施例中，第一获取模块201具体获取包括多张待筛选图片并且用于从中确定待投放的广告图片的图片库，在本实施例中以待投放的广告图片为酒店图片为例，所获取的图片库可以包括外观、大堂、房间、游泳池、走廊、海滩等用于宣传酒店的图片。
在本实施例中，打分模型可以包括用于评价待筛选图片的美感度的美感度打分模型和/或用于评价待筛选图片的清晰度的清晰度打分模型。在本实施例中，打分模块202利用训练好的打分模型来获取每张待筛选图片的图片得分，继而第一删除模块203可以过滤掉美感度不高和/或清晰度不高的待筛选图片，以提升图片库中剩余待筛选图片的整体质量，减少后续图片处理过程中的计算量，提高广告图片的筛选速度。例如，打分模型包括美感度打分模型和清晰度打分模型时，既可以过滤掉美感度得分低于m(可以根据实际应用自定义设置)的待筛选图片，也可以过滤掉清晰度得分低于n(可以根据实际应用自定义设置)的待筛选图片。
进一步地，在本实施例中，可以通过先构建若干深度学习模型，再对若干深度学习模型进行模型融合的方式来训练打分模型，以提高打分模型的输出效果，其中，具体可以利用XGB模型来融合若干深度学习模型倒数第二层的特征。
具体地，在本实施例中，深度学习模型可以包括但不限于RESNET模型、VGG16模型以及XCEPTIO模型，这三个模型的特点各有不同并且这三个模型倒数第二层得到的图片信息也有所差别，有利于进行模型融合。以美感度打分模型为例，在本实施例中，可以先对图片的美感度进行人工标注，进而通过XGB模型融合这三个模型的特征，进行建模以评价待筛选图片的美感度，实现对待筛选图片的美感度区分，进而可以选取美感度较高的待筛选图片作为广告图片进行投放。
在本实施例中，分类模块204具体可以用于利用训练好的分类模型将图片库中的待筛选图片分为多个类别，其中，多个类别的划分可以根据实际应用自定义设置。例如，对于酒店图片来说，多个类别可以包括但不限于外观、大堂、房间、游泳池、走廊、海滩、卫生间、自动售货机等。
在本实施例中，可以利用基于深度学习的残差网络RESNET来对待筛选图片进行分类，具体地，本实施例在残差网络RESNET的基础上做了finetune(微调)，增加了几层卷积网络，以对各类别的图片进行训练建模，如此，既保留了残差网络RESNET的参数，又根据本实施例中酒店图片的特点训练了分类模型，较之直接使用残差网络RESNET，能够获得更好的分类效果。
在本实施例中，可以根据实际应用自定义预设类别集合所包括的图片类别。在本实施例中，预设类别集合优选包括不适合作为广告进行投放且不能代表酒店整体概况的图片类别，例如，预设类别集合可以包括但不限于卫生间、自动售货机等类别的图片。进一步地，从图片库中删除类别落入预设类别集合中的待筛选图片，可以过滤掉不适合作为广告进行投放且不能代表酒店整体概况的待筛选图片，以进一步减少后续图片处理过程中的计算量，进一步提高广告图片的筛选速度，并降低广告投放的风险。
在本实施例中，对当前剩下的每一类别下的待筛选图片进行去重处理，以进一步减少后续图片处理过程中的计算量，并进一步提高广告图片的筛选速度。具体地，在本实施例中，一方面，可以实现不同类别下的待筛选图片的并行去重处理，有利于提高去重速度；另一方面，同一类别下的待筛选图片往往具有相似点，在同一类别下进行去重处理，有利于在减少计算量的同时提高去重效率。较之现有技术中，为了实现图片去重，往往直接对海量图片进行两两匹配，图片需要匹配的量是图片数量的几百倍，去重速度较慢，本实施例能够实现去重速度的显著提升。
进一步地，参照图5，本实施例中去重模块206具体可以包括：
变换单元2061，用于利用ASIFT算法对每张待筛选图片进行仿射变换；
提取单元2062，用于利用SIFT算法提取经仿射变换的每张待筛选图片的特征点；
存储单元2063，用于离线存储每张待筛选图片的特征点；
匹配单元2064，用于根据每张待筛选图片的特征点对同一类别下的待筛选图片进行多线程分布式的匹配；
判断单元2065，用于判断是否存在匹配的两张待筛选图片；
若是，则调用删除单元2066用于从匹配的两张待筛选图片中删除图片得分较低的待筛选图片；若否，则调用匹配单元2064。
在本实施例中，首先利用ASIFT算法通过模拟相机镜头轴线与目标图片的所有成像夹角的方向参数(可以包括：经度角与纬度角)，进而通过经度角与纬度角来模拟图片所有视差下的仿射变换，最后对仿射变换后的图片进行SIFT算法特征匹配，由此，本实施例基于ASIFT算法和SIFT算法，能够过滤掉重复或者相似度较高(例如，尺度不同的、经仿射变换得到的(例如，旋转转换或多角度拍摄得到的))的待筛选图片。
具体地，本实施例在提取到图片的特征点之后并未直接进行图片匹配，而是离线存储提取到的特征点并对离线存储的特征点数据进行多线程、分布式的匹配，进而在识别出重复或者相似度较高的图片后，保留图片得分较高的待筛选图片作为候选图片，而删除图片得分较低的待筛选图片，从而本实施例能够在保证匹配准确率的同时大大提高匹配速度，进而可以大幅提高去重效率。
进一步地，参照图5，本实施例的系统还可以包括：
第二检测模块208，用于利用训练好的水印检测模型检测图片库中的水印图片；
第四删除模块209，用于从图片库中删除水印图片。
在本实施例中，水印图片为包括水印的待筛选图片，由于包括水印的待筛选图片不适合作为广告图片进行投放，从而在本实施例中还可以过滤掉包括水印的待筛选图片，降低了广告投放的风险，以实现对待筛选图片的审核。
在本实施例中，首先需要训练得到适用于第一获取模块201所获得的图片库中待筛选图片的水印检测模型，例如，在本实施例中，首先需要训练得到适用于酒店图片场景的水印检测模型，具体地，可以利用基于深度学习的目标检测算法yolov3来检测待筛选图片是否包括水印。
进一步地，在本实施例中，用于训练水印检测模型的训练数据可以包括但不限于已标注的水印图片样本、随机生成的水印图片样本以及混淆样本。
其中，已标注的水印图片样本可以是由人工标注的几万张真实的水印样本，以提升水印检测效果。
其中，随机生成的水印图片样本可以根据以下方式生成：先获取水印样本以及未载有水印的原始图片，再将水印样本随机添加到原始图片中以生成水印图片样本，提升用于训练水印检测模型的训练数据的数量，以提高训练得到的水印检测模型检测水印的准确率。具体地，可以首先下载带有各类别水印的图片，然后自动抠出图片中的水印，并设置水印的透明度、旋转位置等之后，将水印随机地添加到没有水印的原始图片中，并标注好水印的位置等信息，以自动随机生成一部分水印样本，以解决目前已知的酒店图片的水印样本过少而导致其训练得到的水印检测模型准确率较低的问题。
其中，混淆样本是容易被识别为包括水印的图片样本。具体地，目前已知的酒店图片的水印样本过少，并且大部分的水印表现为文字的形式，从而很容易与酒店的外观门面文字等相混淆，提高了检测水印的难度。显然，本实施例不想要将酒店的外观门面文字识别为水印的结果，毕竟，这样的结果会导致部分质量较高的待筛选图片被认为是水印图片而被删除。
具体地，在本实施例中，可以将容易产生混淆的门面图片标注出来，作为混淆样本，继而可以将已标注的以及随机生成的水印图片样本与混淆样本一同放入水印检测模型进行识别，基于此，不仅可以识别出包括水印的待筛选图片，还可以识别出包括门面的待筛选图片。本实施例在训练数据中增加了混淆样本，较之仅利用水印样本图片训练水印检测模型，能够进一步提升水印检测的效果。
进一步地，参照图5，本实施例的系统还可以包括：
第一检测模块210，用于利用训练好的人像检测模型检测图片库中的人像图片；
第二获取模块211，用于获取人像图片中人像的占比；
第三删除模块212，用于从图片库中删除人像的占比大于第二阈值的人像图片。
在本实施例中，人像图片为包括人像的待筛选图片，对于包括人像的待筛选图片，若人像在待筛选图片中的占比较大，那么这部分的待筛选图片由于人像会掩盖掉酒店的大部分外观、设施等内容，而不能完整地将酒店的概况展示给用户，从而不适合作为广告图片进行投放；若人像在待筛选图片中的占比较小，那么还是可以作为广告图片进行投放的。基于此，本实施例还可以过滤掉包括人像并且其中人像占比过大的待筛选图片，以降低广告图片的投放风险。
具体地，在本实施例中，人像检测模型可以不采用开源的人像检测算法，而是采用开源的数据集并在开源的数据集上重新进行建模调参，进一步地，本实施例中可以利用基于深度学习的目标检测算法RetinaNet来检测人像，较之目前开源的人像检测算法，本实施例中重新构建的人像检测模型在不降低人像检测效果的前提下，可以有效提升人像检测的速度。在识别出人像之后，本实施例还可以基于人像检测模型对识别出的人像在待筛选图片中的位置坐标进行标注，继而可以根据位置坐标来计算出人像在该待筛选图片中的占比。
进一步地，本实施例在调用第二获取模块211之前，还可以对第一检测模块210检测到的人像图片进行去重处理，以减少后续图片处理过程中的计算量，并提高广告图片的筛选速度。
进一步地，在本实施例中，优选同时调用分类模块204、第二检测模块208以及第一检测模块210，一方面，并行的方式可以极大地减少广告图片的筛选时间，另一方面，还可以在分类模块204得到的多个类别下的待筛选图片的基础上，删除人像图片中人像过大的待筛选图片以及水印图片，从而有利于进一步减少后续图片处理过程中的计算量，并进一步提高广告图片的筛选速度。
在本实施例中，对于每一类别的候选图片分别输出其中优质的候选图片作为该类别待投放的广告图片，例如，对于外观类别的候选图片，可以按照图片得分从高到低的顺序输出若干候选图片以作为待投放的广告图片，对于大堂类别的候选图片，可以按照图片得分从高到低的顺序输出若干候选图片以作为待投放的广告图片。如此，既保证了用于宣传酒店的广告图片的多样性又保证了广告图片的高质量，例如，美感度高和/或清晰度高，可以吸引用户进而增加对所宣传的酒店的点击率，以提高该酒店的订单转化率，增加该酒店的广告投放收益。
在本实施例中，当酒店的图片库新增图片时，可以调用本实施例的上述模块实现对新增图片的筛选，继而可以比较筛选结果与当前广告图片以确定是否需要调整当前广告图片，实现对广告图片的自动化审核与筛选。
本实施例在将图片库中的待筛选图片分为多个类别之后，针对每个类别的待筛选图片进行去重处理以得到候选图片，还删除了不适合用作广告图片的类别下的待筛选图片，并最终选择每个类别下图片得分较高的候选图片作为广告图片，实现了根据统一标准在图片库中自动选择用于投放的广告图片，提高了广告图片的投放效率，降低了人工运营成本，实现了对广告图片的自动化审核与筛选。
实施例3
本实施例提供一种电子设备，电子设备可以通过计算设备的形式表现(例如可以为服务器设备)，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，其中处理器执行计算机程序时可以实现实施例1提供的自动筛选广告图片的方法。
图6示出了本实施例的硬件结构示意图，如图6所示，电子设备9具体包括：
至少一个处理器91、至少一个存储器92以及用于连接不同系统组件(包括处理器91和存储器92)的总线93，其中：
总线93包括数据总线、地址总线和控制总线。
存储器92包括易失性存储器，例如随机存取存储器(RAM)921和/或高速缓存存储器922，还可以进一步包括只读存储器(ROM)923。
存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925，这样的程序模块924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器91通过运行存储在存储器92中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1所提供的自动筛选广告图片的方法。
电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且，电子设备9还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器96通过总线93与电子设备9的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备9使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1所提供的自动筛选广告图片的方法的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1所述的自动筛选广告图片的方法的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种自动筛选广告图片的方法，其特征在于，包括：
获取图片库，所述图片库包括多张待筛选图片；
将所述图片库中的待筛选图片分为多个类别；
对于每一类别下的待筛选图片，分别进行去重处理以得到若干候选图片；
对于每一类别下的候选图片，分别按照图片得分从高到低的顺序输出若干候选图片作为广告图片，其中，所述图片得分利用训练好的打分模型得到。
2.如权利要求1所述的自动筛选广告图片的方法，其特征在于，在所述将所述图片库中的待筛选图片分为多个类别的步骤之前还包括：
利用所述打分模型获取所述图片库中每张待筛选图片的图片得分；
删除所述图片库中所述图片得分低于第一阈值的待筛选图片；
和/或，
对于每一类别下的待筛选图片，所述分别进行去重处理以得到若干候选图片的步骤包括：
利用ASIFT算法对每张待筛选图片进行仿射变换；
利用SIFT算法提取经仿射变换的每张待筛选图片的特征点；
离线存储每张待筛选图片的特征点；
根据每张待筛选图片的特征点对同一类别下的待筛选图片进行多线程分布式的匹配；
判断是否存在匹配的两张待筛选图片；
若是，则从匹配的两张待筛选图片中删除所述图片得分较低的待筛选图片；
若否，则继续执行所述根据每张待筛选图片的特征点对同一类别下的待筛选图片进行多线程分布式的匹配的步骤；
和/或，
在所述将所述图片库中的待筛选图片分为多个类别的步骤之后还包括：
从所述图片库中删除类别落入预设类别集合中的待筛选图片；
和/或，
在所述获取图片库的步骤之后还包括：
利用训练好的人像检测模型检测所述图片库中的人像图片，所述人像图片为包括人像的待筛选图片；
获取所述人像图片中人像的占比；
从所述图片库中删除人像的占比大于第二阈值的人像图片；
和/或，
所述打分模型包括美感度打分模型和/或清晰度打分模型，其中，所述美感度打分模型用于评价所述待筛选图片的美感度，所述清晰度用于评价所述待筛选图片的清晰度。
3.如权利要求1所述的自动筛选广告图片的方法，其特征在于，在所述获取图片库的步骤之后还包括：
利用训练好的水印检测模型检测所述图片库中的水印图片，所述水印图片为包括水印的待筛选图片；
从所述图片库中删除所述水印图片。
4.如权利要求3所述的自动筛选广告图片的方法，其特征在于，所述水印检测模型的训练数据包括已标注的水印图片样本、随机生成的水印图片样本以及混淆样本中的至少一种；
其中，随机生成的水印图片样本根据以下步骤生成：
获取水印样本以及未载有水印的原始图片；
将所述水印样本随机添加到所述原始图片中以生成水印图片样本。
5.如权利要求1所述的自动筛选广告图片的方法，其特征在于，所述打分模型由以下步骤训练得到：
构建若干深度学习模型；
对若干所述深度学习模型进行模型融合。
6.如权利要求5所述的自动筛选广告图片的方法，其特征在于，所述深度学习模型包括RESNET模型、VGG16模型以及XCEPTIO模型中的至少一种；
和/或，
所述对若干所述深度学习模型进行模型融合的步骤包括：
利用XGB模型融合若干所述深度学习模型倒数第二层的特征。
7.一种自动筛选广告图片的系统，其特征在于，包括：
第一获取模块，用于获取图片库，所述图片库包括多张待筛选图片；
分类模块，用于将所述图片库中的待筛选图片分为多个类别；
去重模块，用于对于每一类别下的待筛选图片，分别进行去重处理以得到若干候选图片；
输出模块，用于对于每一类别下的候选图片，分别按照图片得分从高到低的顺序输出若干候选图片作为广告图片，其中，所述图片得分利用训练好的打分模型得到。
8.如权利要求7所述的自动筛选广告图片的系统，其特征在于，所述系统还包括：
打分模块，用于利用所述打分模型获取所述图片库中每张待筛选图片的图片得分；
第一删除模块，用于删除所述图片库中所述图片得分低于第一阈值的待筛选图片；
和/或，
所述去重模块包括：
变换单元，用于利用ASIFT算法对每张待筛选图片进行仿射变换；
提取单元，用于利用SIFT算法提取经仿射变换的每张待筛选图片的特征点；
存储单元，用于离线存储每张待筛选图片的特征点；
匹配单元，用于根据每张待筛选图片的特征点对同一类别下的待筛选图片进行多线程分布式的匹配；
判断单元，用于判断是否存在匹配的两张待筛选图片；
若是，则调用删除单元用于从匹配的两张待筛选图片中删除所述图片得分较低的待筛选图片；
若否，则继续调用所述匹配单元；
和/或，
所述系统还包括：
第二删除模块，用于从所述图片库中删除类别落入预设类别集合中的待筛选图片；
和/或，
所述系统还包括：
第一检测模块，用于利用训练好的人像检测模型检测所述图片库中的人像图片，所述人像图片为包括人像的待筛选图片；
第二获取模块，用于获取所述人像图片中人像的占比；
第三删除模块，用于从所述图片库中删除人像的占比大于第二阈值的人像图片；
和/或，
所述系统还包括：
第二检测模块，用于利用训练好的水印检测模型检测所述图片库中的水印图片，所述水印图片为包括水印的待筛选图片；
第四删除模块，用于从所述图片库中删除所述水印图片；
和/或，
所述打分模型包括美感度打分模型和/或清晰度打分模型，其中，所述美感度打分模型用于评价所述待筛选图片的美感度，所述清晰度用于评价所述待筛选图片的清晰度。
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计算机程序时实现如权利要求1至6中任一项所述的自动筛选广告图片的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的自动筛选广告图片的方法的步骤。
CN202110061759.0A 2021-01-18 2021-01-18 自动筛选广告图片的方法、系统、电子设备和存储介质 Active CN112819509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110061759.0A CN112819509B (zh) 2021-01-18 2021-01-18 自动筛选广告图片的方法、系统、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110061759.0A CN112819509B (zh) 2021-01-18 2021-01-18 自动筛选广告图片的方法、系统、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112819509A true CN112819509A (zh) 2021-05-18
CN112819509B CN112819509B (zh) 2024-03-26

Family

ID=75869623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110061759.0A Active CN112819509B (zh) 2021-01-18 2021-01-18 自动筛选广告图片的方法、系统、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112819509B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023272660A1 (zh) * 2021-06-30 2023-01-05 东莞市小精灵教育软件有限公司 试题图片优化方法、装置、计算机设备及存储介质
CN117115568A (zh) * 2023-10-24 2023-11-24 浙江啄云智能科技有限公司 数据筛选方法、装置、设备及存储介质

Citations (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2038457A1 (en) * 1990-03-30 1991-10-01 Akira Matsushita Image reproduction apparatus
JPH10337932A (ja) * 1997-06-05 1998-12-22 Fuji Xerox Co Ltd 印刷処理装置
AU1498000A (en) * 1997-04-30 2000-04-13 Canon Kabushiki Kaisha Graphics processor architecture
JP2002203240A (ja) * 2000-10-31 2002-07-19 Matsushita Electric Ind Co Ltd 物体認識装置、物体を認識する方法、プログラムおよび記録媒体
JP2004228770A (ja) * 2003-01-21 2004-08-12 Minolta Co Ltd 画像処理システム
AU2004233458A1 (en) * 2003-12-03 2005-06-23 Lighthaus Logic Inc. Analysing image data
EP2040221A1 (en) * 2007-09-18 2009-03-25 Sony Corporation Template-based overlap detection
JP2009171498A (ja) * 2008-01-21 2009-07-30 Sony Corp 画像処理装置、その処理方法およびプログラム
CN101714149A (zh) * 2008-10-08 2010-05-26 北大方正集团有限公司 一种反解版式文件后得到的图片和图说的自动关联方法
CN101976446A (zh) * 2010-10-20 2011-02-16 浙江工业大学 一种显微序列图像的多特征点跟踪方法
CN102799635A (zh) * 2012-06-27 2012-11-28 天津大学 一种用户驱动的图像集合排序方法
CN103294813A (zh) * 2013-06-07 2013-09-11 北京捷成世纪科技股份有限公司 一种敏感图片搜索方法和装置
SG193031A1 (en) * 2012-02-09 2013-09-30 Sony Corp An image capture system and method
CN104268526A (zh) * 2014-09-25 2015-01-07 北京航空航天大学 一种汉字图片匹配与变形方法
CN105654421A (zh) * 2015-12-21 2016-06-08 西安电子科技大学 基于变换不变低秩纹理的投影变换图像匹配方法
CN106358006A (zh) * 2016-01-15 2017-01-25 华中科技大学 视频的校正方法及装置
CN106709941A (zh) * 2016-12-07 2017-05-24 中国工程物理研究院流体物理研究所 一种用于光谱影像序列配准的关键点筛选方法
CN106980825A (zh) * 2017-03-15 2017-07-25 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于归一化像素差特征的人脸姿势分类方法
CN108572551A (zh) * 2018-04-23 2018-09-25 广东水利电力职业技术学院（广东省水利电力技工学校） 一种基于EtherCAT总线的工业嵌入式控制系统
CN109033385A (zh) * 2018-07-27 2018-12-18 百度在线网络技术（北京）有限公司 图片检索方法、装置、服务器及存储介质
CN109034178A (zh) * 2018-05-28 2018-12-18 北京文香信息技术有限公司 一种基于人脸特征数组的人数统计方法
CN109145138A (zh) * 2018-09-10 2019-01-04 北京点网聚科技有限公司 一种封面选取方法、装置、电子设备及存储介质
CN111309948A (zh) * 2020-02-14 2020-06-19 北京旷视科技有限公司 图片筛选方法、图片筛选装置以及电子设备
CN111353851A (zh) * 2020-02-27 2020-06-30 携程计算机技术（上海）有限公司 酒店排序推荐方法、装置、电子设备、存储介质
CN111400526A (zh) * 2019-11-29 2020-07-10 深圳市赛亿科技开发有限公司 照片的处理方法及装置、计算机可读存储介质
CN111611988A (zh) * 2020-05-22 2020-09-01 上海携程商务有限公司 图片验证码识别方法及装置、电子设备和计算机可读介质
CN111862061A (zh) * 2020-07-27 2020-10-30 携程旅游网络技术（上海）有限公司 图片美学质量的评估方法、系统、设备和介质
AU2019222802A1 (en) * 2019-04-22 2020-11-05 Binhai Industrial Technology Research Institute Of Zhejiang University High-precision and high-speed positioning label and positioning method for visual servo

Patent Citations (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2038457A1 (en) * 1990-03-30 1991-10-01 Akira Matsushita Image reproduction apparatus
AU1498000A (en) * 1997-04-30 2000-04-13 Canon Kabushiki Kaisha Graphics processor architecture
JPH10337932A (ja) * 1997-06-05 1998-12-22 Fuji Xerox Co Ltd 印刷処理装置
JP2002203240A (ja) * 2000-10-31 2002-07-19 Matsushita Electric Ind Co Ltd 物体認識装置、物体を認識する方法、プログラムおよび記録媒体
JP2004228770A (ja) * 2003-01-21 2004-08-12 Minolta Co Ltd 画像処理システム
AU2004233458A1 (en) * 2003-12-03 2005-06-23 Lighthaus Logic Inc. Analysing image data
EP2040221A1 (en) * 2007-09-18 2009-03-25 Sony Corporation Template-based overlap detection
JP2009171498A (ja) * 2008-01-21 2009-07-30 Sony Corp 画像処理装置、その処理方法およびプログラム
CN101714149A (zh) * 2008-10-08 2010-05-26 北大方正集团有限公司 一种反解版式文件后得到的图片和图说的自动关联方法
CN101976446A (zh) * 2010-10-20 2011-02-16 浙江工业大学 一种显微序列图像的多特征点跟踪方法
SG193031A1 (en) * 2012-02-09 2013-09-30 Sony Corp An image capture system and method
CN102799635A (zh) * 2012-06-27 2012-11-28 天津大学 一种用户驱动的图像集合排序方法
CN103294813A (zh) * 2013-06-07 2013-09-11 北京捷成世纪科技股份有限公司 一种敏感图片搜索方法和装置
CN104268526A (zh) * 2014-09-25 2015-01-07 北京航空航天大学 一种汉字图片匹配与变形方法
CN105654421A (zh) * 2015-12-21 2016-06-08 西安电子科技大学 基于变换不变低秩纹理的投影变换图像匹配方法
CN106358006A (zh) * 2016-01-15 2017-01-25 华中科技大学 视频的校正方法及装置
CN106709941A (zh) * 2016-12-07 2017-05-24 中国工程物理研究院流体物理研究所 一种用于光谱影像序列配准的关键点筛选方法
CN106980825A (zh) * 2017-03-15 2017-07-25 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于归一化像素差特征的人脸姿势分类方法
CN108572551A (zh) * 2018-04-23 2018-09-25 广东水利电力职业技术学院（广东省水利电力技工学校） 一种基于EtherCAT总线的工业嵌入式控制系统
CN109034178A (zh) * 2018-05-28 2018-12-18 北京文香信息技术有限公司 一种基于人脸特征数组的人数统计方法
CN109033385A (zh) * 2018-07-27 2018-12-18 百度在线网络技术（北京）有限公司 图片检索方法、装置、服务器及存储介质
CN109145138A (zh) * 2018-09-10 2019-01-04 北京点网聚科技有限公司 一种封面选取方法、装置、电子设备及存储介质
AU2019222802A1 (en) * 2019-04-22 2020-11-05 Binhai Industrial Technology Research Institute Of Zhejiang University High-precision and high-speed positioning label and positioning method for visual servo
CN111400526A (zh) * 2019-11-29 2020-07-10 深圳市赛亿科技开发有限公司 照片的处理方法及装置、计算机可读存储介质
CN111309948A (zh) * 2020-02-14 2020-06-19 北京旷视科技有限公司 图片筛选方法、图片筛选装置以及电子设备
CN111353851A (zh) * 2020-02-27 2020-06-30 携程计算机技术（上海）有限公司 酒店排序推荐方法、装置、电子设备、存储介质
CN111611988A (zh) * 2020-05-22 2020-09-01 上海携程商务有限公司 图片验证码识别方法及装置、电子设备和计算机可读介质
CN111862061A (zh) * 2020-07-27 2020-10-30 携程旅游网络技术（上海）有限公司 图片美学质量的评估方法、系统、设备和介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
万雪芬等: ""视频监控图像的超分辨率复原研究"", 《激光杂志》, vol. 35, no. 3, 31 March 2014 (2014-03-31), pages 5 - 8 *
李楠;: "互联网内容相似图像搜索的研究", 科技信息, no. 36, 30 December 2013 (2013-12-30), pages 154 - 155 *
王媛;周璐;: "数码照片归档筛选原则及方法", 《城建档案》, no. 12, 25 December 2019 (2019-12-25), pages 94 - 96 *
谷睿宇等: ""结合轮廓与形状特征的仿射形状匹配"", 《中国图象图形学报》, vol. 23, no. 10, 31 October 2018 (2018-10-31), pages 1530 - 1539 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023272660A1 (zh) * 2021-06-30 2023-01-05 东莞市小精灵教育软件有限公司 试题图片优化方法、装置、计算机设备及存储介质
CN117115568A (zh) * 2023-10-24 2023-11-24 浙江啄云智能科技有限公司 数据筛选方法、装置、设备及存储介质
CN117115568B (zh) * 2023-10-24 2024-01-16 浙江啄云智能科技有限公司 数据筛选方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112819509B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
Porzi et al. Predicting and understanding urban perception with convolutional neural networks
JP7493323B2 (ja) 情報処理装置、情報処理装置の制御方法およびプログラム
CN108197198B (zh) 一种兴趣点搜索方法、装置、设备和介质
CN111798360A (zh) 一种水印检测方法、装置、电子设备及存储介质
US20170031952A1 (en) Method and system for identifying a property for purchase using image processing
CN112819509B (zh) 自动筛选广告图片的方法、系统、电子设备和存储介质
CN110223106A (zh) 一种基于深度学习的欺诈应用检测方法
CN107506499A (zh) 兴趣点与建筑物之间建立逻辑关系的方法、装置及服务器
CN110633675A (zh) 一种基于卷积神经网络的视频中火灾识别系统及方法
CN108197619A (zh) 一种基于招牌图像的定位方法、装置、设备和存储介质
CN110489593A (zh) 视频的话题处理方法、装置、电子设备及存储介质
WO2020214583A1 (en) Augmented reality image retrieval systems and methods
CN108197203A (zh) 一种门脸头图挑选方法、装置、服务器和存储介质
CN117611774A (zh) 一种基于增强现实技术的多媒体展示系统及方法
CN107944026A (zh) 一种图集个性化推荐的方法、装置、服务器和存储介质
CN116030370A (zh) 基于多目标追踪的行为识别方法、装置及电子设备
CN111797258B (zh) 基于美感评价的图像推送方法、系统、设备及存储介质
CN112052352B (zh) 视频排序方法、装置、服务器及存储介质
CN111062388B (zh) 基于深度学习的广告文字的识别方法、系统、介质及设备
CN113076889A (zh) 集装箱铅封识别方法、装置、电子设备和存储介质
Sun et al. Automatic building age prediction from street view images
CN111768729A (zh) 一种vr场景自动解说方法、系统和存储介质
CN111340557B (zh) 互动广告的处理方法、装置、终端及存储介质
CN113706636A (zh) 一种用于篡改图像识别的方法与装置
CN112822555A (zh) 拍摄方法、装置、电子设备及存储介质

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