CN113780487A - 图片分类方法、存储介质及电子设备 - Google Patents
图片分类方法、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113780487A CN113780487A CN202111345252.4A CN202111345252A CN113780487A CN 113780487 A CN113780487 A CN 113780487A CN 202111345252 A CN202111345252 A CN 202111345252A CN 113780487 A CN113780487 A CN 113780487A
- Authority
- CN
- China
- Prior art keywords
- seed
- similarity
- region image
- seed set
- image
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Abstract
本发明涉及图片分类技术领域,具体涉及一种图片分类方法、存储介质及电子设备。图片分类方法包括:获取相册空间的待分类图片,根据每张待分类图片,提取满足优选条件的目标区域图像作为种子区域图像,将满足初始分类条件的种子区域图像分类至起始种子集合,根据起始种子集合,分类每张待分类图片。一方面,由于本实施例能够以图片质量较优的种子区域图像作为分类基础,有利于后续能够可靠和准确地将属于同一标签的待分类图片分类在相同相册中。另一方面,初始分类时,先将一些种子区域图像分类至起始种子集合,再以起始种子集合作为基础,逐步地对待分类图片进行分类,有利于提高分类效果。
Description
技术领域
本发明涉及图片分类技术领域,具体涉及一种图片分类方法、存储介质及电子设备。
背景技术
相册分类技术广泛应用于日常生活中,比如手机具有相册人脸分类功能,人脸分类功能通过比对两张人脸图片的相似度,根据相似度,对每张人脸图片进行分类。
现有技术可在多张图片中随机选择一张图片作为指定图片,后续可将其余图片分别与指定图片作相似匹配,若匹配,则将所述图片与指定图片分类至相同相册中。
然而,若指定图片的人脸角度或清晰度等人脸因素比较差时,现有技术大概率将人脸模糊或人脸角度差,但属于不同相册标签的图片分类到相同相册中,从而容易造成错误分类。
发明内容
本发明实施例的一个目的旨在提供一种图片分类方法、存储介质及电子设备,用于解决上述现有技术存在的技术缺陷。
在第一方面,本发明实施例提供一种图片分类方法,包括:
获取相册空间的待分类图片;
根据每张所述待分类图片,提取满足优选条件的目标区域图像作为种子区域图像;
将满足初始分类条件的种子区域图像分类至起始种子集合;
根据所述起始种子集合,分类每张所述待分类图片。
在第二方面,本发明实施例提供一种存储介质,存储有计算机可执行指令,所述计算机可执行指令用于使电子设备执行上述的图片分类方法。
本发明实施例提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的图片分类方法。
在本发明实施例提供的图片分类方法中,获取相册空间的待分类图片,根据每张待分类图片,提取满足优选条件的目标区域图像作为种子区域图像,将满足初始分类条件的种子区域图像分类至起始种子集合,根据起始种子集合,分类每张待分类图片,一方面,由于本实施例能够以图片质量较优的种子区域图像作为分类基础,有利于后续能够可靠和准确地将属于同一标签的待分类图片分类在相同相册中。另一方面,初始分类时,先将一些种子区域图像分类至起始种子集合,再以起始种子集合作为基础,逐步地对待分类图片进行分类,有利于提高分类效果。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1为本发明实施例提供的一种图片分类系统的架构示意图;
图2为本发明另一实施例提供的一种图片分类系统的架构示意图;
图3为本发明实施例提供的一种图片分类方法的流程示意图;
图4为本发明实施例提供的一种图片分类的场景示意图;
图5a为如图3所示的S32的流程示意图;
图5b为如图3所示的S33的流程示意图;
图6a为如图3所示的S34的一种流程示意图;
图6b为如图3所示的S34的另一种流程示意图;
图6c为如图6a所示的S341的流程示意图;
图7a为如图6c所示的S3413的流程示意图;
图7b为如图6b所示的S346的流程示意图;
图8a为如图7b所示的S3461的流程示意图;
图8b为如图7b所示的S3462的流程示意图;
图8c为本发明另一实施例提供的一种图片分类方法的流程示意图;
图8d为如图8c所示的S36的流程示意图;
图8e为本发明再一实施例提供的一种图片分类方法的流程示意图;
图9为本发明实施例提供的一种电子设备的电路结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,如果不冲突,本发明实施例中的各个特征可以相互结合,均在本发明的保护范围之内。另外,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。再者,本发明所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定,仅是对功能和作用基本相同的相同项或相似项进行区分。
本发明实施例提供的图片分类方法可以在任何合适类型、具有用户交互装置和运算能力的电子设备中执行,例如,云端服务器、本地服务器、台式计算机、智能手机或平板电脑等终端设备上。
本发明实施例提供的图片分类方法可以应用在任意合适类型的图片分类场景,诸如人脸分类场景或动物分类场景等。
本发明实施例提供一种图片分类系统,请参阅图1,图片分类系统100包括终端设备200与云端服务器300,终端设备200与云端服务器300通信连接。
终端设备200可拍摄或保存图片,其中,终端设备200配置有相册空间,相册空间用于存储终端设备200的图片,所述图片可作为待分类图片,由终端设备200将其发送至云端服务器300以进行分类,或者,所述图片无需分类,保存在终端设备200的本地。在一些实施例中,终端设备200可以为平板电脑、笔记本电脑或智能手机。
请参阅图2,相册空间21包括待分类图片A、待分类图片B、待分类图片C、待分类图片D及待分类图片E,其中,全部待分类图片都为人物图片,另外,待分类图片可以为单人图片或合照图片,亦即,单人图片仅包括一个人脸区域图像,例如,人物甲的单人图片仅包括人物甲的人脸区域图像。合照图片包括至少两个人脸区域图像,例如,合照图片包括人物甲的人脸区域图像与人物乙的人脸区域图像。
可以理解的是,同一个人物出现在不同待分类图片时,其人脸区域图像在人脸角度、人脸清晰度、人脸亮度或人脸大小可能存在差异,例如,人物甲在待分类图片A的人脸区域图像的人脸角度是左侧角度,人物甲在待分类图片B的人脸区域图像的人脸角度是正面角度。
云端服务器300用于对待分类图片进行分类,并将分类后的图片发送至终端设备200进行保存,请结合图2,经过分类操作后,云端服务器300可将包含人物甲的人脸区域图像的待分类图片聚类在标签甲下的相册内,例如,待分类图片A、B、C、D及E都包含人物甲的人脸区域图像,因此,可将待分类图片A、B、C、D及E聚类在标签甲下的相册内。同理,由于待分类图片A、B、D及E都包含人物乙的人脸区域图像,因此,可将待分类图片A、B、D及E聚类在标签乙下的相册内。由于待分类图片A、C及E都包含人物丙的人脸区域图像,因此,可将待分类图片A、C及E聚类在标签丙下的相册内。由于待分类图片A、C及D都包含人物丁的人脸区域图像,因此,可将待分类图片A、C及D聚类在标签丁下的相册内。由于待分类图片A及D都包含人物戊的人脸区域图像,因此,可将待分类图片A及D聚类在标签戊下的相册内。
在一些实施例中,云端服务器300可以是一个物理服务器或者多个物理服务器虚拟而成的一个逻辑服务器。云端服务器300也可以是多个可互联通信的服务器组成的服务器群,且各个功能模块可分别分布在服务器群中的各个服务器上。
作为本发明实施例的另一方面,本发明实施例提供一种图片分类方法,请参阅图3,图片分类方法S300包括:
S31、获取相册空间的待分类图片;
作为示例但非限定的是,待分类图片为相册空间内需要分类的图片,其中,待分类图片可以人物图片或者动物图片等任意合适类型图片。
请参阅图4,待分类图片包括待分类图片A、B、C、D及E,其中,待分类图片A包括人脸区域图像甲1、乙1、丙1、丁1及戊1,待分类图片B包括人脸区域图像甲2和乙2,待分类图片C包括人脸区域图像甲3、丙2及丁0,待分类图片D包括人脸区域图像甲4、乙0、丁2及戊2,待分类图片E包括人脸区域图像甲5、乙3及丙3。
可以理解的是,甲1至甲5都用于表示人物甲在不同拍照场景下呈现出不同状态下的人脸区域图像,同理,乙0至乙3都用于表示人物乙在不同拍照场景下呈现出不同状态下的人脸区域图像,丙1至丙3都用于表示人物丙在不同拍照场景下呈现出不同状态下的人脸区域图像,丁0至丁2都用于表示人物丁在不同拍照场景下呈现出不同状态下的人脸区域图像,戊1和戊2都用于表示人物戊在不同拍照场景下呈现出不同状态下的人脸区域图像,因此,待分类图片A为人物甲、乙、丙、丁及戊的合照,待分类图片B为人物甲和乙的合照,待分类图片C为人物甲、丙及丁的合照,待分类图片D为人物甲、乙、丁及戊的合照,待分类图片E为人物甲、乙及丙的合照。
S32、根据每张待分类图片,提取满足优选条件的目标区域图像作为种子区域图像;
作为示例但非限定的是,目标区域图像为待分类图片中可作为分类特征的区域图像,在一些实施例中,目标区域图像为每张待分类图片的人脸区域图像,人脸区域图像可作为分类特征,以便根据人脸区域图像进行分类。本实施例可根据人脸检测算法,从每张待分类图片提取出每个目标区域图像,其中,当待分类图片为单人图片时,本实施例可从待分类图片提取出一张人脸区域图像。当待分类图片为合照图片时,本实施例可从待分类图片提取出至少两张人脸区域图像。
如图4所示,本实施例可从待分类图片A中提取出人脸区域图像作为目标区域图像,亦即待分类图片A的目标区域图像的集合={甲1,乙1,丙1,丁1,戊1}。同理可得,待分类图片B的目标区域图像的集合={甲2,乙2},待分类图片C的目标区域图像的集合={甲3,丙2,丁0},待分类图片D的目标区域图像的集合={甲4,乙0,丁2,戊2},待分类图片E的目标区域图像的集合={甲5,乙3,丙3}。
因此,本实施例可从上述各个待分类图片中,得到以下目标区域图像的集合={甲1,乙1,丙1,丁1,戊1,甲2,乙2,甲3,丙2,丁0,甲4,乙0,丁2,戊2,甲5,乙3,丙3}。
作为示例但非限定的是,优选条件为用于在各个目标区域图像中提取出人脸区域图像质量符合标准的条件,种子区域图像为满足优选条件的目标区域图像,可以理解的是,若待分类图片包含满足优选条件的多个目标区域图像,则所述待分类图片可被提取出相应数量的种子区域图像。
如前所述,现有技术类似地在上述目标区域图像中随机选择一张目标区域图像作为指定图像进行分类。假设目标区域图像乙0和目标区域图像丁0的人脸比较模糊,例如目标区域图像乙0和丁0都是夜晚下的侧面人脸,若选择目标区域图像乙0作为指定图像进行分类,现有技术大概率是可将目标区域图像乙0和目标区域图像丁0分类一起,亦即错误地将待分类图片C中的人脸区域图像丁0当做人物乙的人脸区域图像,后续也错误地将待分类图片C和D分类在标签乙对应的相册中,因此,本实施例能够进行初筛,将满足优选条件的目标区域图像作为种子区域图像,剔除带噪音的目标区域图像,以便后续能够更加可靠准确地分类图片。
在一些实施例中,优选条件包括由不同筛选要素构成的多个优选子条件,筛选要素与种子区域图像的特征关联,例如,若种子区域图像为人脸区域图像,则筛选要素与人脸区域图像的特征关联,因此,筛选要素可选择人脸角度、人脸清晰度、人脸亮度、人脸大小等作为要素。
优选子条件包括人脸角度条件、人脸清晰度条件、人脸亮度条件及人脸大小条件,其中,人脸角度条件为人脸的左/右倾斜角度小于第一预设角度且俯/仰角度小于第二预设角度,其中,第一预设角度与第二预设角度由设计者根据工程经验自定义,例如,第一预设角度为40度,第二预设角度为30度。
本实施例可构建人脸角度模型,将每个种子区域图像输入人脸角度分析模型中,便可得到人脸的左/右倾斜角度、俯/仰角度。若人脸的左/右倾斜角度小于40度,且俯/仰角度小于30度,则种子区域图像满足人脸角度条件。
人脸清晰度条件为人脸清晰度大于预设清晰度阈值,通常,清晰度区间为0-1,清晰度越大,种子区域图像越清晰,同理,清晰度越小,种子区域图像越模糊,其中,预设清晰度阈值由设计者根据工程经验自定义,例如,预设清晰度阈值为0.2。本实施例可构建人脸清晰度模型,将每个种子区域图像输入人脸清晰度模型中,便可得到人脸清晰度。若人脸清晰度大于0.2,则种子区域图像满足人脸清晰度条件。
人脸亮度条件为人脸亮度落在预设亮度范围内,其中,预设亮度范围由设计者根据工程经验自定义,例如,预设亮度范围为80-240。本实施例将种子区域图像转换为灰度图像,计算灰度图像的灰度平均值,并将灰度平均值作为人脸亮度,亮度按照0-255进行量化表示,其中,设计者定义亮度为80-240的范围为预设亮度范围。若灰度平均值落在预设亮度范围80-240,则种子区域图像满足人脸亮度条件。
人脸大小条件为人脸大小小于预设人脸尺寸,其中,预设人脸尺寸由设计者根据工程经验自定义,例如,预设人脸尺寸为60*60像素。本实施例获取种子区域图像的边框大小,将边框大小作为人脸大小,若边框大小小于60*60像素,则种子区域图像满足人脸大小条件。
在一些实施例中,在提取满足优选条件的目标区域图像作为种子区域图像时,请参阅图5a,S32包括:
S321、提取每张待分类图片中的目标区域图像;
S322、判断目标区域图像是否同时满足多个优选子条件;
S323、若是,确定目标区域图像作为种子区域图像;
S324、若否,确定目标区域图像作为备选区域图像。
举例而言,请结合图4,目标区域图像甲1的人脸角度满足人脸角度条件,且人脸清晰度满足人脸清晰度条件,且人脸亮度满足人脸亮度条件,且人脸大小满足人脸大小条件,因此,目标区域图像甲1可作为种子区域图像甲1,以此类推,如图4所示,经过优选条件的筛选后,种子区域图像的集合={甲1,乙1,丙1,丁1,戊1,甲2,乙2,甲3,丙2,甲4,丁2,戊2,甲5,乙3,丙3}。
请继续结合图4,由于目标区域图像乙0和丁0的人脸左倾斜角度为50,亦即大于第一预设角度,因此,目标区域图像乙0和丁0不可作为种子区域图像,但可作为备选区域图像,其中,备选区域图像为未满足优选条件的目标区域图像,当全部种子区域图像分类完毕后,本实施例可再对备选区域图像进行分类。
如前所述,本实施例能够融合多种筛选要素构成优选子条件,能够在各个目标区域图像中多维度地综合筛选出高质量的种子区域图像,为后续能够可靠准确地分类图片打下牢固的基础。
S33、将满足初始分类条件的种子区域图像分类至起始种子集合;
作为示例但非限定的是,初始分类条件为可初步对种子区域图像进行分类的条件,起始种子集合为满足初始分类条件的至少一张种子区域图像的集合,亦即,起始种子集合可包括满足初始分类条件的一张种子区域图像,亦可包括满足初始分类条件的多张种子区域图像,其中,初始分类条件可由设计者根据业务需求自行构建。
在一些实施例中,将满足初始分类条件的种子区域图像分类至起始种子集合时,请参阅图5b,S33包括:
S331、随机选择一张种子区域图像作为起始区域图像,并将起始区域图像分类至起始种子集合;
S332、判断每张种子区域图像与起始区域图像的初始相似度是否满足初始分类条件;
S333、若是,则将种子区域图像分类至起始种子集合;
S334、若否,则保留种子区域图像作为次级区域图像进行分类。
起始区域图像为初始分类时随机选中的种子区域图像,请结合图4,如前所述,种子区域图像的集合={甲1,乙1,丙1,丁1,戊1,甲2,乙2,甲3,丙2,甲4,丁2,戊2,甲5,乙3,丙3},本实施例可在上述种子区域图像的集合中随机选择一张种子区域图像作为起始区域图像,例如,选择种子区域图像乙1作为起始区域图像,亦可以选择种子区域图像丁2作为起始区域图像。假设本实施例选中起始区域图像乙1后,可将起始区域图像乙1分类至起始种子集合x1={乙1}。
初始相似度为种子区域图像与起始区域图像的相似度,例如,种子区域图像甲1与起始区域图像乙1的初始相似度为40%,种子区域图像乙2与起始区域图像乙1的初始相似度为90%,种子区域图像丙1与起始区域图像乙1的初始相似度为50%,以此类推。
在一些实施例中,执行步骤S332时,初始分类条件包括:每张种子区域图像与起始区域图像的初始相似度大于或等于第一分类阈值,则:步骤S332包括:判断每张种子区域图像与起始区域图像的初始相似度是否大于或等于第一分类阈值。
请结合图4,执行步骤S332时,本实施例按照种子区域图像的集合,依序判断每张种子区域图像与起始区域图像的初始相似度是否大于或等于第一分类阈值,例如,假设第一分类阈值为85%,起始区域图像为乙1,本实施例计算种子区域图像甲1与起始区域图像乙1的初始相似度为40%,记此类表达式为(甲1,乙1,40%),同理可得,还会存在以下表达式:(丙1,乙1,50%),(丁1,乙1,30%),(戊1,乙1,40%),(甲2,乙1,20%),(乙2,乙1,82%)……,(乙3,乙1,95%),……等等。
由于甲1、丙1、丁1、戊1、甲2等种子区域图像与起始区域图像乙1的初始相似度都小于85%,因此,种子区域图像甲1、丙1、丁1、戊1、甲2等等都保留作为次级区域图像进行分类,其中,次级区域图像为未分类至起始种子集合的种子区域图像,亦即次级区域图像会参与次级分类阶段的分类操作。
由于种子区域图像乙3与起始区域图像乙1的初始相似度95%大于85%,因此,可将种子区域图像乙3分类至起始种子集合x1中,亦即起始种子集合x1={乙1,乙3}。
可以理解的是,虽然种子区域图像乙2与起始区域图像乙1实际上属于相同人物乙在不同状态下的人脸区域图像,但是种子区域图像乙2与起始区域图像乙1的初始相似度并不高于第一分类阈值,因此,此次分类并未将种子区域图像乙2分类至起始种子集合x1。但是,还可以理解的是,种子区域图像乙2可以与种子区域图像乙3的相似度很高,例如高达95%。
S34、根据起始种子集合,分类每张待分类图片。
在一些实施例中,经过初始分类操作后,全部种子区域图像可都已分类至起始种子集合。在一些实施例中,经过初始分类操作后,部分种子区域图像已分类至起始种子集合。本实施例可以以起始种子集合为索引,逐步滚动地根据剩余种子区域图像和起始种子集合,得到至少两个种子集合,其中,起始种子集合为所述至少两个种子集合中的一个种子集合,每个种子集合都包括已分类的种子区域图像,因此,本实施例便可靠准确地分类每张待分类图片。
总体而言,一方面,由于本实施例能够以图片质量较优的种子区域图像作为分类基础,有利于后续能够可靠和准确地将属于同一标签的待分类图片分类在相同相册中。另一方面,初始分类时,先将一些种子区域图像分类至起始种子集合,再以起始种子集合作为基础,逐步地对待分类图片进行分类,有利于提高分类效果。
在一些实施例中,本实施例根据起始种子集合,分类每张待分类图片时,请参阅图6a,S34包括:
S341、获取次级区域图像,次级区域图像为未分类至起始种子集合的种子区域图像;
S342、判断是否存在与次级区域图像匹配的种子集合;
S343、若是,则将次级区域图像分类至与其匹配的种子集合;
S344、若否,则生成次级种子集合,并将次级区域图像分类至次级种子集合;
S345、聚类每个种子集合下每张种子区域图像映射的待分类图片。
在步骤S341中,本实施例可在未分类至起始种子集合的各个种子区域图像中任选一个种子区域图像作为次级区域图像,请结合图4,由于起始种子集合x1={乙1,乙3},其余种子区域图像并未分类至起始种子集合x1,因此可得到次级区域图像集合={甲1,丙1,丁1,戊1,甲2,乙2,甲3,丙2,甲4,丁2,戊2,甲5,丙3}。
本实施例可在次级区域图像集合任选一张种子区域图像作为次级区域图像,例如选择种子区域图像甲1作为次级区域图像,或者种子区域图像丙1作为次级区域图像等等。
在步骤S342中,种子集合可以为起始种子集合与次级种子集合中的一个,其中,次级种子集合的数量是不定量的,亦即,次级种子集合可以为1个或2个以上。
在步骤S343与S344中,请结合图4,首先,次级区域图像集合={甲1,丙1,丁1,戊1,甲2,乙2,甲3,丙2,甲4,丁2,戊2,甲5,丙3},并且,本实施例先选择种子区域图像甲1作为次级区域图像。
接着,本实施例自起始种子集合x1={乙1,乙3}开始,判断种子区域图像甲1是否匹配起始种子集合x1,由于种子区域图像甲1不匹配起始种子集合x1,则生成次级种子集合x2,将种子区域图像甲1分类至次级种子集合x2,x2={甲1}。
再接着,本实施例先选择种子区域图像丙1作为次级区域图像。本实施例判断种子区域图像丙1是否匹配起始种子集合x1,由于种子区域图像丙1都不匹配起始种子集合x1和次级种子集合x2,因此生成次级种子集合x3,将种子区域图像丙1分类至次级种子集合x3,x3={丙1}。
再接着,本实施例先选择种子区域图像丁1作为次级区域图像。由于种子区域图像丁1都不匹配起始种子集合x1、次级种子集合x2及次级种子集合x3,因此生成次级种子集合x4,将种子区域图像丁1分类至次级种子集合x4,x4={丁1}。
再接着,本实施例先选择种子区域图像戊1作为次级区域图像。由于种子区域图像戊1都不匹配起始种子集合x1、次级种子集合x2、次级种子集合x3及次级种子集合x4,因此生成次级种子集合x5,将种子区域图像戊1分类至次级种子集合x5,x5={戊1}。
再接着,本实施例先选择种子区域图像甲2作为次级区域图像,由于种子区域图像甲2匹配次级种子集合x2,因此将种子区域图像甲2分类至次级种子集合x2,x2={甲1,甲2}。
以此类推,直至将全部次级区域图像分类至相应的次级种子集合。
此处,可以理解的是,由于种子区域图像乙2在初始分类操作中未能够分类至起始种子集合x1={乙1,乙3}中,但是,此处再次分类时,根据分类算法,当选择种子区域图像乙2作为次级区域图像时,可将种子区域图像乙2分类至起始种子集合x1,更新后的起始种子集合x1={乙1,乙2,乙3},因此,采用本实施例提供的方法,可保证尽量无遗漏和无重复地进行分类,从而提高分类效果。
此处,还可以理解的是,考虑到图像的多样性和复杂性,即使种子区域图像甲4和种子区域图像甲5作为次级区域图像进行再次分类,依然未能够分类至次级种子集合x2={甲1,甲2,甲3}中,因此,本实施例可生成次级种子集合x6,由于种子区域图像甲4和种子区域图像甲5都匹配次级种子集合x6,并将种子区域图像甲4和种子区域图像甲5分类至次级种子集合x6,x6={甲4,甲5}。
至此,可得到以下种子集合:更新后的起始种子集合x1={乙1,乙2,乙3},次级种子集合x2={甲1,甲2,甲3},次级种子集合x3={丙1,丙2,丙3},次级种子集合x4={丁1,丁2},次级种子集合x5={戊1,戊2},次级种子集合x6={甲4,甲5}。
在一些实施例,在步骤S345之前,请参阅图6b,S34还包括步骤S346,S346、将满足合并条件的种子集合进行合并,得到合并种子集合。
作为示例但非限定的是,合并种子集合为经过合并操作后的种子集合,例如,请结合图4,次级种子集合x2与次级种子集合x6满足合并条件,因此,将次级种子集合x2与次级种子集合x6进行合并,得到合并种子集合y={甲1,甲2,甲3,甲4,甲5},因此,采用本实施例,可避免生成同一个人物标签存在多个相册的情形,从而提高图片分类效果。
至此,可得到以下更新后的种子集合:合并种子集合y={甲1,甲2,甲3,甲4,甲5},更新后的起始种子集合x1={乙1,乙2,乙3},次级种子集合x3={丙1,丙2,丙3},次级种子集合x4={丁1,丁2},次级种子集合x5={戊1,戊2}。
在一些实施例中,执行步骤S345,本实施例聚类每个种子集合下每张种子区域图像映射的待分类图片,请结合图4,对于合并种子集合y,种子区域图像甲1→待分类图片A,简化为甲1→A,同理,甲2→B,甲3→C,甲4→D,甲5→E,因此,可将待分类图片A、B、C、D、E聚类在标签甲的相册内。
同理可得,对于起始种子集合x1,乙1→A,乙2→B,乙3→E,因此,可将待分类图片A、B、E聚类在标签乙的相册内。对于次级种子集合x3,丙1→A,丙2→C,丙3→E,因此,可将待分类图片A、C、E聚类在标签丙的相册内。对于次级种子集合x4,丁1→A,丁2→D,因此,可将待分类图片A、D聚类在标签丁的相册内。对于次级种子集合x5,戊1→A,戊2→D,因此,可将待分类图片A、D聚类在标签戊的相册内,因此,本实施例能够无重复和无遗漏地精准分类各个待分类图片,有利于提高分类效果。
在一些实施例中,判断是否存在与次级区域图像匹配的种子集合时,请参阅图6c,S341包括:
S3411、分别计算次级区域图像与每个种子集合下每张种子区域图像的次级相似度;
S3412、聚集次级区域图像在每个种子集合下的至少一个次级相似度,得到次级相似度集合;
S3413、根据全部次级相似度集合,判断是否存在与次级区域图像匹配的种子集合。
次级相似度为次级区域图像与种子区域图像的相似度,例如,请结合图4,起始种子集合x1={乙1,乙3},次级区域图像集合={甲1,丙1,丁1,戊1,甲2,乙2,甲3,丙2,甲4,丁2,戊2,甲5,丙3}。请参阅表1,表1为图4所示各个种子区域图像中任意两个种子区域图像的相似度的汇总表,其中,表1所示的相似度以百分比为计量数值。
当次级区域图像为种子区域图像甲1,自起始种子集合开始,甲1与乙1的次级相似度为40%,甲1与乙3的次级相似度为16%,可得到种子区域图像甲1在起始种子集合x1下的次级相似度集合(甲1,x1),记次级相似度集合(甲1,x1)={40%,16%}。
本实施例根据次级相似度集合(甲1,x1),确定种子区域图像甲1不匹配起始种子集合x1,于是生成次级种子集合x2,将种子区域图像甲1分类至次级种子集合x2。
当次级区域图像为种子区域图像丙1,自起始种子集合开始,丙1与乙1的次级相似度为50%,丙1与乙3的次级相似度为10%,可得到种子区域图像丙1在起始种子集合x1下的次级相似度集合(丙1,x1),记次级相似度集合(丙1,x1)={50%,10%}。
接着,本实施例计算次级区域图像与次级种子集合x2下每张种子区域图像的次级相似度,其中,种子区域图像丙1在次级种子集合x2下的次级相似度集合(丙1,x2),记次级相似度集合(丙1,x2)={30%}。因此,与种子区域图像丙1对应的全部次级相似度集合d1={(丙1,x1), (丙1,x2)}。
本实施例根据全部次级相似度集合d1,判断种子区域图像丙1都不匹配起始种子集合x1和次级种子集合x2,于是生成次级种子集合x3,将种子区域图像丙1分类至次级种子集合x3,以此类推,在此不赘述。
本实施例并非是仅将次级区域图像与每个种子集合中的其中一张种子区域图像作相似度比对以得到种子集合,而是将次级区域图像与每个种子集合下每张种子区域图像作相似度计算,后续综合每个种子集合下的全部次级相似度以得到种子集合,有利于能够提高确定种子集合的可靠性,以便后续能够更加准确可靠地进行分类。
在一些实施例中,请参阅图7a,S3413包括:
S71、在全部次级相似度集合中,选择满足候选条件的次级相似度集合作为目标次级相似度集合;
S72、判断目标次级相似度集合的最高次级相似度和/或平均次级相似度是否满足次级分类条件;
S73、若是,则选择目标次级相似度集合对应的种子集合作为与次级区域图像匹配的种子集合;
S74、若否,则生成次级种子集合。
在步骤S71中,候选条件可由设计者根据工程经验设计,在一些实施例中,候选条件为目标次级相似度集合的最高次级相似度或平均次级相似度在全部次级相似度集合中是最高的,例如,如前所述,与种子区域图像丙1对应的全部次级相似度集合d1={(丙1,x1)={50%,10%}, (丙1,x2)={30%}}。由于次级相似度集合(丙1,x1)的最高次级相似度为50%,次级相似度集合(丙1,x2)的最高次级相似度为30%,50%大于30%,因此,次级相似度集合(丙1,x1)满足候选条件,次级相似度集合(丙1,x1)作为目标次级相似度集合。
可以理解的是,若目标次级相似度集合(丙1,x1)的最高次级相似度和/或平均次级相似度未满足次级分类条件,则剔除次级相似度集合(丙1,x1),重新确定次级相似度集合(丙1,x2)作为目标次级相似度集合,以此类推。
在步骤S72中,最高次级相似度为每个次级相似度集合中相似度为最高的次级相似度,平均次级相似度为对每个次级相似度集合中全部次级相似度求取平均值的结果。次级分类条件为用于确定与次级区域图像匹配的种子集合的条件,其中,次级分类条件可由设计者根据工程经验进行设计。
可以理解的是,经过次级分类条件的作用,次级区域图像可被分类至起始种子集合,亦可生成新种子集合作为次级种子集合,此次级区域图像可分类至所述次级种子集合。
还可以理解的是,本实施例可以判断目标次级相似度集合的最高次级相似度是否满足次级分类条件,以确定与次级区域图像匹配的种子集合。或者,本实施例可以判断目标次级相似度集合的平均次级相似度是否满足次级分类条件,以确定与次级区域图像匹配的种子集合。或者,本实施例可以判断目标次级相似度集合的最高次级相似度和平均次级相似度是否同时满足次级分类条件,以确定与次级区域图像匹配的种子集合。
请结合图4,次级区域图像集合={甲1,丙1,丁1,戊1,甲2,乙2,甲3,丙2,甲4,丁2,戊2,甲5,丙3},自起始种子集合x1={乙1,乙3}开始,次级相似度集合(甲1,x1)={40%,16%},其中,40%为次级区域图像甲1在起始种子集合x1下对应的最高次级相似度,28%为次级区域图像甲1在起始种子集合x1下对应的平均次级相似度。
由于次级区域图像甲1在起始种子集合x1下对应的最高次级相似度和/或平均次级相似度未满足次级分类条件,因此,生成次级种子集合x2,并将次级区域图像甲1分类至次级种子集合x2={甲1}。
同理,轮到种子区域图像丙1比对时,也可得种子区域图像丙1在起始种子集合x1下的次级相似度集合(丙1,x1),记次级相似度集合(丙1,x1)={50%,10%},种子区域图像丙1在起始种子集合x2下的次级相似度集合(丙1,x2),记次级相似度集合(丙1,x2)={30%},因此,与种子区域图像丙1对应的全部次级相似度集合d1={(丙1,x1)= {50%,10%}, (丙1,x2)={30%}}。如前所述,与种子区域图像丙1对应的每个目标次级相似度集合的最高次级相似度和/或平均次级相似度都不满足次级分类条件,则生成次级种子集合x3,并将次级区域图像丙1分类至次级种子集合x3={丙1}。
轮到种子区域图像丁1比对时,结合上述方法和表1,可得与种子区域图像丁1对应的全部次级相似度集合d2={(丁1,x1)={30%,60%}, (丁1,x2)={20%},(丁1,x3)={27%}},与种子区域图像丁1对应的每个目标次级相似度集合的最高次级相似度和/或平均次级相似度都不满足次级分类条件,则生成次级种子集合x4,并将次级区域图像丁1分类至次级种子集合x4={丁1}。
轮到种子区域图像戊1比对时,结合上述方法和表1,可得与种子区域图像戊1对应的全部次级相似度集合d3={(戊1,x1)={40%,52%}, (戊1,x2)={10%},(戊1,x3)={31%},(戊1,x4)={31%}},与种子区域图像戊1对应的每个目标次级相似度集合的最高次级相似度和/或平均次级相似度都不满足次级分类条件,则生成次级种子集合x5,并将次级区域图像戊1分类至次级种子集合x5={戊1}。
轮到种子区域图像甲2比对时,结合上述方法和表1,可得与种子区域图像甲2对应的全部次级相似度集合d4={(甲2,x1)={20%,60%}, (甲2,x2)={95%},(甲2,x3)={41%},(甲2,x4)={35%}},由于次级相似度集合(甲2,x2)的最高次级相似度为95%,平均次级相似度为95%,且次级相似度集合(甲2,x2) 的最高次级相似度或平均次级相似度在上述各个次级相似度集合中是最高的,次级相似度集合(甲2,x2)满足候选条件,则选择次级相似度集合(甲2,x2)作为目标次级相似度集合。由于次级相似度集合(甲2,x2)的最高次级相似度和/或平均次级相似度满足次级分类条件,则选择次级相似度集合(甲2,x2)对应的种子集合x2作为与次级区域图像甲2匹配的种子集合,将次级区域图像甲2分类至次级种子集合x2={甲1,甲2}。
其它次级区域图像的分类可按照上述方法以此类推,在此不赘述。
由于使用次级区域图像与各个种子集合进行匹配,本实施例可尽量避免遗漏分类的情形出现,并且还可提高同一人物尽可能地分类一起,避免同一人物存在两个以上的分类,从而提升了分类效果。
在一些实施例中,步骤S72包括:判断目标次级相似度集合的最高次级相似度是否大于或等于第一分类阈值,且平均次级相似度是否大于或等于第二分类阈值,其中,第一分类阈值与第二分类阈值可由设计者根据工程经验自定义。
请结合图4,假设第一分类阈值为85%,第二分类阈值为82%。如前所述,轮到种子区域图像甲2比对时,最高次级相似度95%大于85%,且平均次级相似度95%,则认为目标次级相似度集合的最高次级相似度和平均次级相似度满足次级分类条件。
可以理解的是,将目标次级相似度集合的最高次级相似度与第一分类阈值作比较,其可反映次级区域图像与目标次级相似度集合对应的种子集合的个体相似程度。将目标次级相似度集合的平均次级相似度与第二分类阈值作比较,其可反映次级区域图像与目标次级相似度集合对应的种子集合的整体相似程度。因此,本实施例能够整体和个体都纳入进行综合相似比对,有利于能够更加准确地对次级区域图像进行分类,更进一步地提升分类效果。
在一些实施例中,将满足合并条件的种子集合进行合并时,请参阅图7b,S346包括:
S3461、确定每个种子集合的代表区域图像;
S3462、根据代表区域图像,将满足合并条件的种子集合进行合并。
在步骤S3461中,代表区域图像为在种子集合中与各个种子区域图像的综合相似度最高的种子区域图像。
若判断两个种子集合是否需要合并时,在一种实施例的作法是将两个种子集合中两两种子区域图像作比对,再根据结果进行合并。然而,在步骤S3462中,本实施例选出代表区域图像,再根据代表区域图像,将满足合并条件的种子集合进行合并,此种方式有利于提高合并效率。
在一些实施例中,请参阅图8a,S3461包括:
S81、确定每个种子集合下每个候选区域图像的代表相似度集合,代表相似度集合包括每个种子集合下每个候选区域图像与其余种子区域图像的相似度,候选区域图像为种子集合中的一个种子区域图像;
S82、根据代表相似度集合,计算候选区域图像的平均相似度;
S83、根据每个种子集合下每个候选区域图像的平均相似度,选择最大平均相似度的候选区域图像作为代表区域图像。
本实施例可在每个种子集合中任意选择一个种子区域图像作为候选区域图像,请结合图4,更新后的起始种子集合x1={乙1,乙2,乙3},次级种子集合x2={甲1,甲2,甲3},次级种子集合x3={丙1,丙2,丙3},次级种子集合x4={丁1,丁2},次级种子集合x5={戊1,戊2},次级种子集合x6={甲4,甲5}。
以更新后的起始种子集合x1={乙1,乙2,乙3}为例,假设选择种子区域图像乙1作为候选区域图像,由表1可知,乙1与乙2的相似度为82%,乙1与乙3的相似度为98%,则种子区域图像乙1的代表相似度集合={82%,98%},种子区域图像乙1的平均相似度为90%。
再以种子区域图像乙2作为候选区域图像,由表1可知,乙2与乙1的相似度为82%,乙2与乙3的相似度为98%,则种子区域图像乙1的代表相似度集合={82%,98%},种子区域图像乙2的平均相似度为90%。
再以种子区域图像乙3作为候选区域图像,由表1可知,乙3与乙1的相似度为98%,乙3与乙2的相似度为98%,则种子区域图像乙3的代表相似度集合={98%,98%},种子区域图像乙3的平均相似度为98%。
在更新后的起始种子集合x1下,由于种子区域图像乙3的平均相似度在各个种子区域图像中是最大的,因此,选择种子区域图像乙3作为更新后的起始种子集合x1的代表区域图像。
按照上述作法,结合表1,可得到次级种子集合x2的代表区域图像为种子区域图像甲1,次级种子集合x3的代表区域图像为种子区域图像丙1,次级种子集合x4的代表区域图像为种子区域图像丁1(当出现至少两个以上的相同相似度,则选择人脸框最大的,假设此处选择丁1),次级种子集合x5的代表区域图像为种子区域图像戊1,次级种子集合x6的代表区域图像为种子区域图像甲4。
本实施例能够通过计算在同一种子集合下任意两个种子区域图像的相似度,以此确定代表区域图像,此种作法能够综合确定出足以代表此种子集合的本质特征的代表区域图像,为后续提高种子集合的合并效率奠定坚实的基础。
在一些实施例中,将满足合并条件的种子集合进行合并时,请参阅图8b,S3462包括:
S84、选择一个种子集合的代表区域图像作为参照区域图像;
S85、计算参照区域图像分别与其余种子集合中每个种子集合的代表区域图像的合并相似度;
S86、判断合并相似度是否大于或等于第三分类阈值;
S87、若是,将参照区域图像对应的种子集合与代表区域图像对应的种子集合进行合并;
S88、若否,不执行合并操作。
在步骤S85中,合并相似度为参照区域图像与其余种子集合中每个种子集合的代表区域图像的相似度。
在步骤S85中,第三分类阈值由设计者根据工程经验自定义,例如,第三分类阈值为85%。
请结合图4,由上述描述可知,起始种子集合x1的代表区域图像为种子区域图像乙3,假设选择种子区域图像乙3作为参考区域图像,由表1可知,本实施将种子区域图像乙3分别与种子区域图像甲1、种子区域图像丙1、种子区域图像丁1、种子区域图像戊1及种子区域图像甲4的合并相似度,分别为16%,10%,60%,52%,42%。
假设第三分类阈值为80%,由于种子区域图像甲1、种子区域图像丙1、种子区域图像丁1、种子区域图像戊1及种子区域图像甲4分别与种子区域图像乙3的合并相似度都小于80%,因此,起始种子集合x1都不和次级种子集合x2至x6中任一次级种子集合进行合并。
接着,选择种子区域图像甲1作为参考区域图像,由表1可知,本实施将种子区域图像甲1分别与种子区域图像乙3、种子区域图像丙1、种子区域图像丁1、种子区域图像戊1及种子区域图像甲4的合并相似度,分别为16%,30%,20%,10%,52%,82%。
由于种子区域图像甲1与种子区域图像甲4的合并相似度82%大于80%,且种子区域图像甲1对应的种子集合为次级种子集合x2,种子区域图像甲4对应的种子集合为次级种子集合x6,因此,可将次级种子集合x2与次级种子集合x6进行合并,得到合并种子集合y={甲1,甲2,甲3,甲4,甲5}。在一些实施例中,经过合并操作后,本实施例更新每个种子集合的代表区域图像,例如,按照上文作法,可得到合并种子集合y的代表区域图像为种子区域图像甲1。
本实施例选择代表区域图像作为比较对象进行合并比对,并且两个代表区域图像大于或等于第三分类阈值才方可合并,如此可再进一步地提高合并种子集合的准确度,有利于后续更加准确地分类图片。
在一些实施例中,请参阅图8c,图片分类方法S300还包括:
S35、选择未满足优选条件的目标区域图像作为备选区域图像;
S36、判断是否存在与备选区域图像匹配的备选种子集合,备选种子集合为至少一个种子集合中的一个种子集合;
S37、若是,则将备选区域图像分类至备选种子集合;
S38、若否,则丢弃备选区域图像。
请结合图4,目标区域图像乙0和目标区域图像丁0都可作为备选区域图像。由于目标区域图像乙0匹配起始种子集合x1,亦即起始种子集合x1可作为备选种子集合,将目标区域图像乙0分类至起始种子集合x1,更新后的起始种子集合x1={乙0,乙1,乙2,乙3}。若目标区域图像乙0都不匹配起始种子集合x1、次级种子集合x2至x5及合并种子集合y中的任一种子集合,则丢弃目标区域图像乙0。
同理可得,由于目标区域图像丁0匹配起始种子集合x4,亦即次级种子集合x4可作为备选种子集合,将目标区域图像丁0分类至次级种子集合x4,更新后的次级种子集合x4={丁0,丁1,丁2}。
一方面,本实施例在第一轮分类操作中选择图片质量较高的种子区域图像进行分类,从而能够初步得到更为准确可靠的种子集合。另一方面,为了也能够分类图片质量较低的备选区域图像,本实施例执行第二轮分类操作,亦即,在第一轮分类操作得到的种子集合的基础上,再次将备选区域图像进行分类,此种作法能够满足带有噪声的绝大多数图片的分类要求,其分类层次分明和紧凑,通过严谨地方式得到高度可靠准确的种子集合,后续再分类带有噪声的图片,从而达到尽量无遗漏、无重复、高质量地进行分类,有利于提高分类效果。
在一些实施例中,判断是否存在与备选区域图像匹配的备选种子集合时,请参阅图8d,S36包括:
S361、计算备选区域图像分别与每个种子集合的代表区域图像的备选相似度;
S362、选择备选相似度大于或等于第四分类阈值的种子集合作为目标种子集合;
S363、计算备选区域图像分别与每个目标种子集合下每张种子区域图像的目标相似度,以及每个目标种子集合对应的最大目标相似度;
S364、在各个最大目标相似度中,确定目标相似度最大的最大目标相似度为候选目标相似度;
S365、若候选目标相似度大于或等于第一分类阈值,则选择候选目标相似度对应的种子集合作为备选种子集合。
在步骤S361中,备选相似度为备选区域图像与每个种子集合的代表区域图像的相似度。
在步骤S362中,第四分类阈值由设计者根据工程经验自定义,例如,第四分类阈值为80%。执行S362时,若备选相似度小于第四分类阈值,则丢弃备选区域图像。由于本实施例需要在备选相似度大于或等于第四分类阈值时,方可执行步骤S363,并且备选相似度是由备选区域图像与代表区域图像计算得到,因此,本实施例无需将备选区域图像与每个种子集合下每个种子区域图像进行计算,只需与每个种子集合下的代表区域图像计算即可,此种作法有利于提高分类备选区域图像的效率。
另外,执行完步骤S362后,可得到目标种子集合,后续再根据目标种子集合,执行步骤S363、S364及S365,此举可视为由粗判断转向细判断的过程,此种作法在兼顾到分类备选区域图像的效率下,也兼顾到了如何可靠准确地分类备选区域图像
在步骤S363中,目标相似度为备选区域图像与目标种子集合的种子区域图像的目标相似度,最大目标相似度为在每个目标种子集合下各个目标相似度中,相似度最大的目标相似度。
在步骤S364中,候选目标相似度为在各个最大目标相似度中,目标相似度最大的最大目标相似度。
在步骤S365中,请结合图4,本实施例计算备选区域图像乙0分别与种子区域图像甲1、种子区域图像乙3、种子区域图像丙1、种子区域图像丁1及种子区域图像戊1的备选相似度,请参阅表2,表2为备选区域图像乙0与各个代表区域图像的备选相似度的汇总表。
由表2可知,假设第四分类阈值为80%,种子区域图像乙3与备选区域图像乙0的备选相似度82%大于80%,以及种子区域图像丁1与备选区域图像乙0的备选相似度81%大于80%,则种子区域图像乙3对应的起始种子集合x1={乙1,乙2,乙3}作为目标种子集合,种子区域图像丁1对应的次级种子集合x4={丁1,丁2}作为目标种子集合
本实施例计算备选区域图像乙0分别与起始种子集合x1下每张种子区域图像的目标相似度,分别为87%,83%,82%,以及,备选区域图像乙0分别与次级种子集合x4下每张种子区域图像的目标相似度,分别为81%,73%。其中,目标相似度87%是起始种子集合x1下各个目标相似度{87%,83%,82%}中相似度最大的目标相似度,因此,目标相似度87%为起始种子集合x1的最大目标相似度。其中,目标相似度81%是次级种子集合x2下各个目标相似度{81%,73%}中相似度最大的目标相似度,因此,目标相似度81%为次级种子集合x2的最大目标相似度。
由于备选区域图像乙0与备选区域图像乙1的目标相似度87%在各个最大目标相似度{87%,81%}中是最大的,因此,目标相似度87%为候选目标相似度。
由于候选目标相似度87%大于第一分类阈值85%,因此选择最大目标相似度对应的起始种子集合x1作为备选种子集合,并将备选区域图像乙0分类至起始种子集合x1,更新后的起始种子集合x1={乙0,乙1,乙2,乙3}。
同理可得,也可按照上述作法对种子区域图像丁0进行分类,最终可将种子区域图像丁0分类至次级种子集合x4,x4={丁0,丁1,丁2}。
通常,当将相应待分类图片聚类在相应标签下的相册时,为了提高用户体验感,本实施例可以确定每个标签对应相册的大头贴图像。请参阅图8e,图片分类方法S300还包括:
S39、确定每个种子集合下每张种子区域图像的多维度信息;
S40、根据多维度信息,融合生成每个种子集合下每张种子区域图像的大头贴分数;
S41、选择最高大头贴分数的种子区域图像作为与种子集合对应的相册的大头贴图像。
在步骤S39中,多维度信息用于表示种子区域图像的特点,其中,多维度信息包括人脸大小评分、人脸亮度评分、人脸相似度评分、人脸清晰度评分等。
在一些实施例中,确定人脸大小评分包括:确定种子区域图像的人脸大小比值,根据人脸大小比值与第一权重因子,计算人脸大小评分,其中,第一权重因子由设计者自定义,例如第一权重因子为0.2。
在一些实施例中,确定人脸大小比值包括:获取所述种子区域图像的参考人脸边框大小及所述种子集合下的最大人脸边框大小,将所述参考人脸边框大小除以所述最大人脸边框大小,得到人脸大小比值。
在一些实施例中,确定人脸亮度评分包括:将所述种子区域图像转为灰度图像,选择所述灰度图像的灰度平均值作为人脸亮度值,计算人脸亮度值与预设亮度值的绝对差值,将所述绝对差值除以所述预设亮度值,得到亮度偏离度,根据所述亮度偏离度与第二权重因子,计算人脸亮度评分,其中,第二权重因子由设计者自定义,例如第二权重因子为0.4。
在一些实施例中,确定人脸相似度评分包括:确定在同一个种子集合下所述种子区域图像与其余种子区域图像的相似度,求取全部相似度的平均值,得到所述种子区域图像的平均相似度,根据所述平均相似度与第三权重因子,计算人脸相似度评分,其中,第三权重因子由设计者自定义,例如第三权重因子为0.4。
在一些实施例中,确定人脸清晰度评分包括:通过清晰度分类模型获取所述种子区域图像的清晰度,根据清晰度与第四权重因子,计算人脸清晰度评分,其中,第四权重因子由设计者自定义,例如第四权重因子为0.2。第一权重因子+第二权重因子+第三权重因子+第四权重因子=1。
在步骤S40中,本实施例可采用融合算法,将多维度信息进行融合,得到每个种子集合下每张种子区域图像的大头贴分数。
在一些实施例中,所述融合算法包括加权算法,本实施例根据加权算法,结合多维度信息,融合生成每个种子集合下每张种子区域图像的大头贴分数。
本实施例将人脸大小评分、人脸亮度评分、人脸相似度评分及人脸清晰度评分进行相加,得到每个种子集合下每张种子区域图像的大头贴分数,例如,对于起始种子集合x1={乙0,乙1,乙2,乙3},可得到4个大头贴分数。其中,在此4个大头贴分数种,选择最高大头贴分数的种子区域图像作为与种子集合对应的相册的大头贴图像。
请结合图4,种子区域图像甲1为标签甲对应相册的大头贴图像,种子区域图像乙3为标签乙对应相册的大头贴图像,种子区域图像丙2为标签丙对应相册的大头贴图像,种子区域图像丁1为标签丁对应相册的大头贴图像,种子区域图像戊2为标签戊对应相册的大头贴图像。
至此,本文已有效地对各个待分类图片进行分类及形成个性化的展示。为了方便读者能够更加深入理解本发明实施例提供的技术方案,下文简单列举例子对此作出详细的阐述,可以理解的是,所列举的例子只是用于帮助读者理解,并不对本发明的保护范围造成任何不当的限定,具体如下所述:
假设:本实施例对相册空间内全部待分类图片进行人脸检测,可得到7个人脸区域图像。经过优选条件的预筛选,其中,种子区域图像为:seed1、seed2、seed3、seed4及seed5,备选区域图像为:bak1,bak2。
假设两两种子区域图像的相似度如表3所示:
此处设置第一分类阈值为85%,第二分类阈值为82%,第三分类阈值为80%,第四分类阈值为80%。
1、假设随机挑选一个种子区域图像为seed1,将seed1分别与seed2,seed3,seed4,seed5进行比对,得到对应相似度为:90%、50%、84%、40%。由于seed1与seed2的相似度大于第一分类阈值,则将seed1和seed2聚类在一起,得到起始种子集合x1。
2、继续从剩余种子区域图像中随机挑选出seed3。将seed3分别与起始种子集合x1的seed1和seed2进行比对,得到对应相似度50%和55%,由于最高相似度55%没有达到第一分类阈值85%,则生成次级种子集合x2,并将seed3分类至次级种子集合x2。
3、继续从剩余种子区域图像中随机挑选出seed4。将seed4分别与起始种子集合x1和次级种子集合x2下每个种子区域图像进行比对,其中:seed4分别与x1的seed1和seed2进行比对,得到对应相似度84%和88%,最高相似度为88%,平均相似度为(84+88)/2=86%。seed4与x2的seed3进行比对,得到对应相似度48%,最高相似度为48%,平均相似度为48%。由于seed4与x1的最高相似度88%比x2的最高相似度48%大,并且seed4与x1的平均相似度86%大于第二分类阈值82%,因此,将seed4分类至起始种子集合x1中。
4、继续从剩余种子区域图像中随机挑选出seed5。将seed5分别与起始种子集合x1和次级种子集合x2下每个种子区域图像进行比对,其中:seed5分别与x1的seed1,seed2,seed4进行比对,得到对应相似度40%、51%、55%,最高相似度为55%,平均相似度为(40+51+55)/3=48.6%。seed5与x2的seed3进行比对,得到对应相似度89%,最高相似度为89%,平均相似度为89%。由于seed5与x2的最高相似度89%比x1的最高相似度55%大,并且seed5与x2的平均相似度89%大于第二分类阈值82%,因此,将seed5分类至次级种子集合x2中。
5、目前为止,全部种子区域图像的集合处理完毕,形成两个种子集合,分别为起始种子集合x1={seed1,seed2,seed4}和次级种子集合x2={seed3,seed5}。
6、确定代表区域图像。
6.1、起始种子集合x1的代表区域图像的计算方法如下:seed1分别与seed2、seed4进行相似度比对,得到平均相似度:(90+84)/2=87%。seed2分别与seed1、seed4进行相似度比对,得到平均相似度:(90+88)/2=89%。seed4分别与seed1、seed2进行相似度比对,得到平均相似度:(84+88)/2=86%。三者最高的平均相似度为89%,因此seed2作为起始种子集合x1的代表区域图像。
6.2、次级种子集合x2的代表区域图像的计算方法如下:由于次级种子集合x2只有seed3与seed5两个种子区域图像,因此取人脸框大小较大的种子区域图像为代表区域图像。假设seed3的人脸框大小相对seed5的更大,则seed3作为次级种子集合x2的代表区域图像。
7、尝试合并潜在的种子集合。把起始种子集合x1和次级种子集合x2的代表区域图像进行比对,亦即seed2和seed3的相似度为55%,达不到第三分类阈值,则不合并。
8、确定每个种子集合的大头贴图像。按照人脸大小评分、人脸亮度评分、人脸相似度评分、人脸清晰度评分的四个维度信息,分别计算起始种子集合x1和次级种子集合x2中所有种子区域图像的大头贴分数,取每个种子集合中最高大头贴分数对应的种子区域图像作为该种子集合的大头贴图像。假如每个种子区域图像的计算方式如表4所示,那么起始种子集合x1和次级种子集合x2对应的大头贴图像为seed1和seed3。
9、对备选区域图像进行分类。
9.1、随机选择备选区域图像,假如挑选bak1。将bak1分别与起始种子集合x1和次级种子集合x2对应的代表区域图像进行比对:假如bak1与x1的seed2的相似度为85%,其大于第四分类阈值,因此,可进一步地将bak1与x1的其余种子区域图像进行比对,假如与seed1、seed4分数分为:83%、87%,则:bak1与x1的最大相似度为87%。
假如bak1与x2的seed3的相似度为91%,由于相似度91%大于第四分类阈值,因此将bak1进一步地与x2类的其余种子区域图像进行比对,假如与seed5的相似度为89%。由于bak1与x2的最大相似度为91%,bak1与x1的最大相似度87%,其较大者91%(x2)大于第一分类阈值,因此将bak1分类至x2中。
9.2、继续挑选备选区域图像bak2。将bak2分别与起始种子集合x1和次级种子集合x2对应的代表区域图像进行比对:假如bak2与x1的seed2的相似度为55%,达不到第四分类阈值,进而设定对应x1的最高相似度为0。bak2与x2的seed3的相似度为30%,达不到第四分类阈值,进而设定对应x2的最高相似度度为0。由于bak2与x2的最高相似度为0,bak2与x1的最高相似度也为0,达不到第一分类阈值,因此bak2被丢弃不参与聚类。
至此聚类完成,起始种子集合x1包括以下区域图像:seed1、seed2、seed4,大头贴图像为seed1。次级种子集合x2包括以下区域图像:seed3、seed5、bak1,大头贴图像为seed3。
如前所述,在发明人实现本发明的过程中,发现现有技术并不区分种子区域图像与备选区域图像,现在技术在全部人脸区域图像中随机选择一个指定图像,将指定图像与尚未分类到种子集合的人脸区域图像进行比对,若相似度满足要求,则聚类一起,此种方式比较容易造成同一个人物存在不同标签下的相册内。举例如下:
假设张三有4张单人照需要聚类,也就是对应4个人脸区域图像。虽然这4个人脸区域图像都是属于张三的,但是图像拍摄时间间隔比较久或者部分照片有美颜、胡须变化、人物快速移动、拍摄抖动、人脸曝光过暗或过量等因素,造成这4个人脸区域图像两两之间的相似度有较大差异,具体相似度如表5所示,并设定第一相似度阈值为85%,第二相似度阈值为82%。
1、假如随机挑选张三A分别与张三B、张三C、张三D进行比对,那么按照上表给出的相似度以及第一相似度阈值,张三A只会和张三B(90%)聚类在一起,与张三C(80%)、张三D(81%)都没有达到阈值。
2、然后再从剩下的张三C和张三D随机读取一个人脸区域图像,假如是张三C,那么张三C和剩下的张三D比对为92%,达到阈值聚类在一起。
3、4张人脸区域图像都已经聚类完成,最后的结果是张三A和张三B为一类,张三C和张三D为一类,明显无法把这4个人脸区域图像聚为一类。
然而,采用本文提供的方法,当张三A和张三B聚类在一起后,且剩下张三C和张三D还没聚类时,本实施例再从剩下的张三C和张三D随机读取一个人脸区域图像,假如是张三C。因为张三A和张三B已经聚类一起(假如将此类命名为起始人脸集合p),起始人脸集合p中的人脸区域图像为张三A和张三B。
此时张三C和张三A、张三B比对后,相似度分别为:80%、87%,其最大相似度是87%(达到第一相似度阈值),平均相似度是(80+87)/2=83.5%(达到第二相似度阈值),则张三C聚类到起始人脸集合p中。
然后再处理最后剩下的张三D。张三D再和张三A、张三B、张三C比对,对应的相似度分别为:81%,88%,92%,其最大相似度是92%(达到第一相似度阈值),平均相似是(81+88+92)/3=87%(达到第二相似度阈值),则张三D聚类到起始人脸集合p中。
最终,张三A、张三B、张三C、张三D便可聚类在一起。
总体而言,由于本实施例能够以图片质量较优的种子区域图像作为分类基础,有利于后续能够可靠和准确地将属于同一标签的待分类图片分类在相同相册。另外,本实施例能够尽量无遗漏和无重复地进行分类。
需要说明的是,在上述各个实施方式中,上述各步骤之间并不必然存在一定的先后顺序,本领域普通技术人员,根据本发明实施方式的描述可以理解,不同实施方式中,上述各步骤可以有不同的执行顺序,亦即,可以并行执行,亦可以交换执行等等。
请参阅图9,图9为本发明实施例提供的一种电子设备的电路结构示意图。如图9所示,电子设备900包括一个或多个处理器91以及存储器92。其中,图9中以一个处理器91为例。
处理器91和存储器92可以通过总线或者其他方式连接,图9中以通过总线连接为例。
存储器92作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的图片分类方法对应的程序指令/模块。处理器91通过运行存储在存储器92中的非易失性软件程序、指令以及模块,从而执行图片分类方法的功能。
存储器92可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器92可选包括相对于处理器91远程设置的存储器,这些远程存储器可以通过网络连接至处理器91。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器92中,当被所述一个或者多个处理器91执行时,执行上述任意方法实施例中的图片分类方法。
本发明实施例还提供了一种存储介质,所述存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例如图9中的一个处理器91,可使得上述一个或多个处理器可执行上述任意方法实施例中的图片分类方法。
本发明实施例还提供了一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被电子设备执行时,使所述电子设备执行任一项所述的图片分类方法。
以上所描述的装置或设备实施例仅仅是示意性的,其中所述作为分离部件说明的单元模块可以是或者也可以不是物理上分开的,作为模块单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络模块单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明,它们没有在细节中提供;尽管参照前述实施例对本发明进行了详细的说明,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各实施例技术方案的范围。
Claims (15)
1.一种图片分类方法,其特征在于,包括:
获取相册空间的待分类图片;
根据每张所述待分类图片,提取满足优选条件的目标区域图像作为种子区域图像;
将满足初始分类条件的种子区域图像分类至起始种子集合;
根据所述起始种子集合,分类每张所述待分类图片。
2.根据权利要求1所述的方法,其特征在于,所述根据所述起始种子集合,分类每张所述待分类图片包括:
获取次级区域图像,所述次级区域图像为未分类至所述起始种子集合的种子区域图像;
判断是否存在与次级区域图像匹配的种子集合;
若是,则将所述次级区域图像分类至与其匹配的种子集合;
若否,则生成次级种子集合,并将所述次级区域图像分类至所述次级种子集合;
聚类每个种子集合下每张所述种子区域图像映射的待分类图片。
3.根据权利要求2所述的方法,其特征在于,所述判断是否存在与次级区域图像匹配的种子集合包括:
分别计算所述次级区域图像与每个所述种子集合下每张种子区域图像的次级相似度;
聚集所述次级区域图像在每个所述种子集合下的至少一个次级相似度,得到至少一个次级相似度集合;
根据全部次级相似度集合,判断是否存在与所述次级区域图像匹配的种子集合。
4.根据权利要求3所述的方法,其特征在于,所述根据全部次级相似度集合,判断是否存在与所述次级区域图像匹配的种子集合包括:
在全部次级相似度集合中,选择满足候选条件的次级相似度集合作为目标次级相似度集合;
判断所述目标次级相似度集合的最高次级相似度和/或平均次级相似度是否满足次级分类条件;
若是,则选择所述目标次级相似度集合对应的种子集合作为与所述次级区域图像匹配的种子集合。
5.根据权利要求4所述的方法,其特征在于,所述判断所述目标次级相似度集合的最高次级相似度和/或平均次级相似度是否满足次级分类条件包括:
判断所述目标次级相似度集合的最高次级相似度是否大于或等于第一分类阈值,且平均次级相似度是否大于或等于第二分类阈值。
6.根据权利要求2至5任一项所述的方法,其特征在于,所述根据所述起始种子集合,分类每张所述待分类图片还包括:
将满足合并条件的种子集合进行合并,得到合并种子集合。
7.根据权利要求6所述的方法,其特征在于,所述根据所述将满足合并条件的种子集合进行合并,得到合并种子集合包括:
确定每个所述种子集合的代表区域图像;
根据所述代表区域图像,将满足合并条件的种子集合进行合并。
8.根据权利要求7所述的方法,其特征在于,所述根据所述代表区域图像,将满足合并条件的种子集合进行合并包括:
选择一个所述种子集合的代表区域图像作为参照区域图像;
计算所述参照区域图像分别与其余种子集合中每个种子集合的代表区域图像的合并相似度;
判断所述合并相似度是否大于或等于第三分类阈值;
若是,将所述参照区域图像对应的种子集合与所述代表区域图像对应的种子集合进行合并。
9.根据权利要求7所述的方法,其特征在于,所述确定每个所述种子集合的代表区域图像包括:
确定每个所述种子集合下每个候选区域图像的代表相似度集合,代表相似度集合包括每个所述种子集合下每个候选区域图像与其余种子区域图像的相似度,所述候选区域图像为所述种子集合中的一个种子区域图像;
根据所述代表相似度集合,计算所述候选区域图像的平均相似度;
根据每个所述种子集合下每个所述候选区域图像的平均相似度,选择最大平均相似度的候选区域图像作为代表区域图像。
10.根据权利要求7所述的方法,其特征在于,还包括:
选择未满足优选条件的目标区域图像作为备选区域图像;
判断是否存在与所述备选区域图像匹配的备选种子集合,所述备选种子集合为至少一个所述种子集合中的一个种子集合;
若是,将所述备选区域图像分类至所述备选种子集合。
11.根据权利要求10所述的方法,其特征在于,所述判断是否存在与所述备选区域图像匹配的备选种子集合包括:
计算所述备选区域图像分别与每个所述种子集合的代表区域图像的备选相似度;
选择备选相似度大于或等于第四分类阈值的种子集合作为目标种子集合;
计算所述备选区域图像分别与每个所述目标种子集合下每张种子区域图像的目标相似度,以及每个所述目标种子集合对应的最大目标相似度;
在各个所述最大目标相似度中,确定目标相似度最大的最大目标相似度为候选目标相似度;
若所述候选目标相似度大于或等于第一分类阈值,则选择所述候选目标相似度对应的种子集合作为备选种子集合。
12.根据权利要求1至5任一项所述的方法,其特征在于,所述将满足初始分类条件的种子区域图像分类至起始种子集合包括:
随机选择一张种子区域图像作为起始区域图像,并将所述起始区域图像分类至起始种子集合;
判断每张所述种子区域图像与所述起始区域图像的初始相似度是否满足初始分类条件;
若是,则将所述种子区域图像分类至所述起始种子集合。
13.根据权利要求1至5任一项所述的方法,其特征在于,所述优选条件包括由不同筛选要素构成的多个优选子条件,所述根据每张所述待分类图片,提取满足优选条件的目标区域图像作为种子区域图像包括:
提取每张所述待分类图片中的目标区域图像;
判断所述目标区域图像是否同时满足多个所述优选子条件;
若是,确定所述目标区域图像作为种子区域图像;
若否,确定所述目标区域图像作为备选区域图像。
14.一种存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令用于使电子设备执行如权利要求1至13任一项所述的图片分类方法。
15.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至13任一项所述的图片分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111345252.4A CN113780487B (zh) | 2021-11-15 | 2021-11-15 | 图片分类方法、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111345252.4A CN113780487B (zh) | 2021-11-15 | 2021-11-15 | 图片分类方法、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780487A true CN113780487A (zh) | 2021-12-10 |
CN113780487B CN113780487B (zh) | 2022-04-26 |
Family
ID=78873932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111345252.4A Active CN113780487B (zh) | 2021-11-15 | 2021-11-15 | 图片分类方法、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780487B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100509A (zh) * | 2022-07-15 | 2022-09-23 | 山东建筑大学 | 基于多分支块级注意力增强网络的图像识别方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071290A1 (en) * | 2005-09-28 | 2007-03-29 | Alex Shah | Image Classification And Information Retrieval Over Wireless Digital Networks And The Internet |
CN104750737A (zh) * | 2013-12-30 | 2015-07-01 | 腾讯科技(深圳)有限公司 | 一种相册管理方法及装置 |
CN106355170A (zh) * | 2016-11-22 | 2017-01-25 | Tcl集团股份有限公司 | 照片分类方法及装置 |
CN108121816A (zh) * | 2017-12-28 | 2018-06-05 | 广东欧珀移动通信有限公司 | 图片分类方法、装置、存储介质及电子设备 |
US20190370613A1 (en) * | 2017-02-24 | 2019-12-05 | Telefonaktiebolaget Lm Ericsson (Publ) | Classifying an instance using machine learning |
US20200250491A1 (en) * | 2017-11-01 | 2020-08-06 | Tencent Technology (Shenzhen) Company Limited | Image classification method, computer device, and computer-readable storage medium |
WO2021155650A1 (zh) * | 2020-02-03 | 2021-08-12 | 平安科技(深圳)有限公司 | 图片识别模型的训练方法、装置、计算机系统及存储介质 |
-
2021
- 2021-11-15 CN CN202111345252.4A patent/CN113780487B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071290A1 (en) * | 2005-09-28 | 2007-03-29 | Alex Shah | Image Classification And Information Retrieval Over Wireless Digital Networks And The Internet |
CN104750737A (zh) * | 2013-12-30 | 2015-07-01 | 腾讯科技(深圳)有限公司 | 一种相册管理方法及装置 |
CN106355170A (zh) * | 2016-11-22 | 2017-01-25 | Tcl集团股份有限公司 | 照片分类方法及装置 |
US20190370613A1 (en) * | 2017-02-24 | 2019-12-05 | Telefonaktiebolaget Lm Ericsson (Publ) | Classifying an instance using machine learning |
US20200250491A1 (en) * | 2017-11-01 | 2020-08-06 | Tencent Technology (Shenzhen) Company Limited | Image classification method, computer device, and computer-readable storage medium |
CN108121816A (zh) * | 2017-12-28 | 2018-06-05 | 广东欧珀移动通信有限公司 | 图片分类方法、装置、存储介质及电子设备 |
WO2021155650A1 (zh) * | 2020-02-03 | 2021-08-12 | 平安科技(深圳)有限公司 | 图片识别模型的训练方法、装置、计算机系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
杨之光 等: "基于聚类的人脸图像检索及相关反馈", 《自动化学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100509A (zh) * | 2022-07-15 | 2022-09-23 | 山东建筑大学 | 基于多分支块级注意力增强网络的图像识别方法及系统 |
CN115100509B (zh) * | 2022-07-15 | 2022-11-29 | 山东建筑大学 | 基于多分支块级注意力增强网络的图像识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113780487B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10482329B2 (en) | Systems and methods for identifying activities and/or events in media contents based on object data and scene data | |
CN112131978B (zh) | 一种视频分类方法、装置、电子设备和存储介质 | |
CN102103697B (zh) | 信息处理设备和方法 | |
Chang et al. | Automatic triage for a photo series | |
CN110427895A (zh) | 一种基于计算机视觉的视频内容相似度判别方法及系统 | |
CN111738357B (zh) | 垃圾图片的识别方法、装置及设备 | |
Martinel et al. | A supervised extreme learning committee for food recognition | |
JP6448325B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
US10032091B2 (en) | Spatial organization of images based on emotion face clouds | |
US20150169992A1 (en) | Image similarity determination | |
CN110381392B (zh) | 一种视频摘要提取方法及其系统、装置、存储介质 | |
CN113766296B (zh) | 直播画面的展示方法和装置 | |
CN112749606A (zh) | 一种文本定位方法和装置 | |
CN113780487B (zh) | 图片分类方法、存储介质及电子设备 | |
JP5214679B2 (ja) | 学習装置、方法及びプログラム | |
CN111079648A (zh) | 数据集清洗方法、装置和电子系统 | |
Roy et al. | Face sketch-photo recognition using local gradient checksum: LGCS | |
CN111242019A (zh) | 视频内容的检测方法、装置、电子设备以及存储介质 | |
CN115131804A (zh) | 文档识别方法、装置、电子设备和计算机可读存储介质 | |
CN113254696B (zh) | 一种封面图像获取方法及装置 | |
CN112084812A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN112883827B (zh) | 图像中指定目标的识别方法、装置、电子设备和存储介质 | |
Bhattacharya et al. | Qdf: A face database with varying quality | |
Sowmyayani et al. | Salient object based visual sentiment analysis by combining deep features and handcrafted features | |
US20220414393A1 (en) | Methods and Systems for Generating Composite Image Descriptors |
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 |
Effective date of registration: 20230605 Address after: 13C-18, Caihong Building, Caihong Xindu, No. 3002, Caitian South Road, Gangsha Community, Futian Street, Futian District, Shenzhen, Guangdong 518033 Patentee after: Core Computing Integrated (Shenzhen) Technology Co.,Ltd. Address before: 518071 1001, building G3, TCL International e city, Shuguang community, Xili street, Nanshan District, Shenzhen City, Guangdong Province Patentee before: Shenzhen Aishen Yingtong Information Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |