WO2015135324A1 - 图片排序方法及终端 - Google Patents

图片排序方法及终端 Download PDF

Info

Publication number
WO2015135324A1
WO2015135324A1 PCT/CN2014/089469 CN2014089469W WO2015135324A1 WO 2015135324 A1 WO2015135324 A1 WO 2015135324A1 CN 2014089469 W CN2014089469 W CN 2014089469W WO 2015135324 A1 WO2015135324 A1 WO 2015135324A1
Authority
WO
WIPO (PCT)
Prior art keywords
picture
contact
type
face
model
Prior art date
Application number
PCT/CN2014/089469
Other languages
English (en)
French (fr)
Inventor
江焯林
杨强
Original Assignee
华为技术有限公司
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 华为技术有限公司 filed Critical 华为技术有限公司
Publication of WO2015135324A1 publication Critical patent/WO2015135324A1/zh
Priority to US15/255,468 priority Critical patent/US9977951B2/en
Priority to US15/984,735 priority patent/US10242250B2/en
Priority to US16/276,206 priority patent/US10755086B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/179—Human faces, e.g. facial parts, sketches or expressions metadata assisted face recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例公开了一种图片排序方法及终端，获取终端中存储的图片；检测所述图片是否为第一类图片，所述第一类图片是指包括人脸的图片；在所述图片是第一类图片时，根据社交关系模型对所述图片进行排序；在所述图片不是第一类图片时，根据预设规则对所述图片进行排序。

Description

图片排序方法及终端
本申请要求在2014年3月12日提交中国专利局、申请号为201410090640.6、发明名称为“图片排序方法及终端”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本发明涉及图片排序领域，具体涉及一种图片排序方法及终端。
背景技术
随着计算机技术和摄影技术的飞速发展，现有的终端通常会自带摄像设备，例如智能手机，平板电脑等，能够通过所述摄像设备来拍摄图片，当然也可以通过互联网获取图片，进而方便用户通过所述终端来查看图片。
但是，现有终端通常是根据用户创建目录形式来分组，或者利用时间、地点等简单信息来自动划分组别，对于通过所述摄像设备拍摄的图片，也大多是按照拍摄时间排列，或者按照手机照片中全球定位系统(Global Positioning System，简称GPS)地点信息排列，如此，导致出现了图片分组、排序方式单一的问题。
发明内容
本申请实施例通过提供一种图片排序的方法及终端，能够使得图片分组、排序方式更加丰富和多样化。
根据本发明的第一方面，提供了一种图片排序方法，所述方法包括：获取终端中存储的图片；检测所述图片是否为第一类图片，所述第一类图片是指包括人脸的图片；在所述图片是第一类图片时，根据社交关系模型对所述图片进行排序；在所述图片不是第一类图片时，根据预设规则对所述图片进 行排序。
结合第一方面，在第一种可能的实现方式中，所述根据社交关系模型对所述图片进行排序之前，所述方法还包括：利用存储的联系人的头像和所述联系人的信息训练所述社交关系模型。
结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述利用存储的联系人的头像和所述联系人的信息训练所述社交关系模型，具体包括：提取所述联系人的头像数据，用所述联系人的信息对所述头像数据进行标注从而获得所述社交关系模型。
结合第一方面或第一种至第二种可能的实现方式中的任一种，在第一方面的第三种可能的实现方式中，所述根据社交关系模型对所述图片进行排序，具体包括：通过所述社交关系模型，获取所述图片对应的联系人的信息，所述图片对应的联系人的信息包含所述联系人的身份特征；在所述图片对应的联系人的信息被成功获取时，将所述图片添加到人脸识别组，根据所述身份特征，对所述人脸识别组中的图片进行排序；在所述图片对应的联系人的信息被未被获取时，将所述图片添加到人脸未识别组，并根据所述预设规则对所述人脸未识别组的图像进行聚类排序。
结合第一方面或第一种至第三种可能的实现方式中的任一种，在第一方面的第四种可能的实现方式中，所述检测所述图片是否为第一类图片之前，所述方法还包括：提取存储的人脸图像的特征值；通过机器学习方法对所述人脸图像的特征值进行学习，建立人脸识别模型。
结合第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，所述检测所述图片是否为第一类图片，具体包括：提取所述图片的特征值；将所述图片的特征值与所述人脸识别模型进行匹配；在所述匹配的结果高于第一预设值时，确定所述图片是所述第一类图片；在所述匹配的结果不高于第一预设值时，确定所述图片不是所述第一类图片。
根据本发明的第二方面，提供了一种终端，所述终端包括：图片获取单元，用于获取终端中存储的图片；检测单元，用于接收所述图片获取单元发 送的所述图片，检测所述图片是否为第一类图片，所述第一类图片是指包括人脸的图片；第一排序单元，用于在所述检测单元检测到在所述图片是第一类图片时，根据社交关系模型对所述图片进行排序；第二排序单元，用于在所述检测单元检测到在所述图片不是第一类图片时，根据预设规则对所述图片进行排序。
结合第二方面，在第一种可能的实现方式中，所述终端还包括社交模型训练单元；所述社交模型训练单元，具体用于利用存储的联系人的头像和所述联系人的信息训练所述社交关系模型；所述第一排序单元，用于在所述检测单元检测到在所述图片是第一类图片时，根据所述社交模型训练单元训练出的社交关系模型对所述图片进行排序。
结合第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，所述社交模型训练单元，具体用于提取所述联系人的头像数据，用所述联系人的信息对所述头像数据进行标注从而获得所述社交关系模型。
结合第二方面或第一种至第二种可能的实现方式中的任一种，在第二方面的第三种可能的实现方式中，所述第一排序单元，具体用于通过所述社交关系模型，获取所述图片对应的联系人的信息，所述图片对应的联系人的信息包含所述联系人的身份特征，在所述图片对应的联系人的信息被成功获取时，将所述图片添加到人脸识别组，根据所述身份特征，对所述人脸识别组中的图片进行排序，以及在所述图片对应的联系人的信息被未被获取时，将所述图片添加到人脸未识别组，并根据所述预设规则对所述人脸未识别组的图像进行聚类排序。
结合第二方面或第一种至第三种可能的实现方式中的任一种，在第二方面的第四种可能的实现方式中，所述终端还包括人脸模型建立单元；所述人脸模型建立单元，用于提取存储的人脸图像的特征值，并通过机器学习方法对所述人脸图像的特征值进行学习，建立人脸识别模型；所述检测单元，具体用于根据所述人脸模型建立单元建立的人脸识别模型，检测所述图片是否为第一类图片。
结合第二方面的第四种可能的实现方式，在第二方面的第五种可能的实现方式中，所述检测单元，具体用于提取所述图片的特征值，将所述图片的特征值与所述人脸识别模型进行匹配，在所述匹配的结果高于第一预设值时，确定所述图片是所述第一类图片，以及在所述匹配的结果不高于第一预设值时，确定所述图片不是所述第一类图片。
本发明实施例中，由于本申请技术方案是检测到获取的图片是否为所述第一类图片，在所述图片是第一类图片时，根据社交关系模型对所述图片进行排序，以及在所述图片不是第一类图片时，根据预设规则对所述图片进行排序，如此，可以根据所述图片的所属类别的不同，采用不同的方式来对所述图片进行排序，从而解决了现有技术中的图片排序单一的技术问题，实现了图片排序多样化的技术效果。
附图说明
图1为本发明实施例中图片排序方法的方法流程图；
图2为本发明实施例中用户与联系人之间的结构图；
图3为本发明实施例中在终端上显示图片的第一种结构图；
图4为本发明实施例中在终端上显示图片的第二种结构图；
图5为本发明实施例中终端的第一种结构图；
图6为本发明实施例中终端的第二种结构图。
具体实施方式
针对现有技术在对图片进行分组、排序时，存在分组、排序单一的技术问题，本发明实施例这里提出的技术方案中是检测到获取的图片是否为所述第一类图片，在所述图片是第一类图片时，根据社交关系模型对所述图片进行排序，以及在所述图片不是第一类图片时，根据预设规则对所述图片进行排序，如此，可以根据所述图片的所属类别的不同，采用不同的方式来对所述图片进行排序，从而解决了现有技术中的图片排序单一的技术问题，实现 了图片排序多样化的技术效果。
下面结合各个附图对本发明实施例技术方案的主要实现原理、具体实施方式及其对应能够达到的有益效果进行详细地阐述。
本发明实施例提出了一种图片排序的方法，如图1所示，该方法具体处理过程如下：
步骤S101：获取终端中存储的图片；
步骤S102：检测所述图片是否为第一类图片，所述第一类图片是指包括人脸的图片；
步骤S103：在所述图片是第一类图片时，根据社交关系模型对所述图片进行排序；
步骤S104：在所述图片不是第一类图片时，根据预设规则对所述图片进行排序。
其中，在步骤S101中，获取终端中存储的图片。
在具体实施过程中，本申请实施例的终端例如是手机、平板电脑等终端，所述图片可以是通过设置在所述终端中的或外连的摄像头采集的，然后存储在所述终端中的，还可以从本地库或外连的数据库中下载并存储在所述终端中的，然后获取存储在所述终端的图片。
例如，以智能手机为例，在通过智能手A采集用户B的图片时，通过智能手机A中的摄像头采集用户B的图片，并将用户B的图片存储在智能手机A的存储器中，然后获取存储在智能手机A中的用户B的图片；还可以通过所述摄像头采集并存储一场景C的图片，场景C例如是包含流水或瀑布或花朵或高山的环境，然后获取存储在智能手机A中的场景C的图片。
接下来执行步骤S102，在该步骤中，检测所述图片是否为第一类图片，所述第一类图片是指包括人脸的图片。
在具体实施过程中，在获取所述图片之后，检测所述图片是否为所述第一类图片，根据检测结果，采用不同的方式对所述图片进行排序。
具体来讲，在获取所述图片之后，可以通过人脸检测方法来检测所述图 片是否为所述第一类图片，在检测到所述图片中包含人脸图片时，则确定所述图片为所述第一类图片，在检测到所述图片中未包含人脸图片时，则确定所述图片不是所述第一类图片。
具体的，所述人脸检测方法例如可以是潜在的基于支持向量机的方法(latent SVM based)、基于判别性学习的局部模型的目标检测方法等方法，通过所述人脸检测方法能够更准确检测所述图片是否为所述第一类图片，在检测到所述图片为所述第一类图片时，执行步骤S103，以及在检测到所述图片不是所述第一图片时，执行步骤S104。
例如，以智能手机为例，在通过智能手机A中的摄像头采集并存储一图片D时，获取图片D并通过latent SVM based检测方法来检测图片D是否包含人脸图片，若图片D包含有人脸图片时，则可以确定图片D属于所述第一类图片，若图片D未包含有人脸图片时，则可以确定图片D不是所述第一类图片。
在具体实施过程中，在获取所述图片之后，可以通过人脸识别模型来检测所述图片是否为所述第一类图片，在检测到所述图片中包含人脸图片时，则确定所述图片为所述第一类图片，在检测到所述图片中未包含人脸图片时，则确定所述图片不是所述第一类图片。
具体来讲，所述检测所述图片是否为第一类图片之前，所述方法还包括：提取存储的人脸图像的特征值；通过机器学习方法对所述人脸图像的特征值进行学习，建立人脸识别模型，以通过所述人脸识别模型来检测所述图片是否为所述第一类图片。
具体的，在提取所述存储的人脸图像的特征值时，可以通过主成分分析(Principal Component Analysis，简称PCA)方法，稀疏编码(sparse coding)等提取所述图片的特征值，然后使用所述机器学习方法,对人脸识别模型进行建立和更新，所述人脸识别模型可以使用贝叶斯模型(Bayesian Model)，支持向量机(support vector machine)，逻辑回归(logistic regression)等方法来进行学习和训练，对于新的类型可以使用迁移学习例如是协方差偏移(covariance  shift)和迁移自适应增强(Transfer AdaBoost)，以及基于多任务的学习等方法来进行学习和训练，以使得所述机器学习方法学习过程中，随着时间和/或数据的增加，所述终端的智能也在增加，并随着人脸目标和/或种类的增加，所述终端的智能也在增加。
其中，在提取所述存储的人脸图像的特征值时，可以通过是基于知识的表征方法和基于代数特征或统计学习的表征方法来提取，所述基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等；人脸由眼睛、鼻子、嘴、下巴等局部构成，而所述基于知识的人脸表征主要是获取这些局部和它们之间结构关系的几何特征，然后使用所述机器学习方法,对人脸识别模型进行建立和更新。
具体的，在通过所述人脸识别模型来检测所述图片是否为所述第一类图片时，所述检测所述图片是否为第一类图片包括：提取所述图片的特征值；将所述图片的特征值与所述人脸识别模型进行匹配；在所述匹配的结果高于第一预设值时，确定所述图片是所述第一类图片；在所述匹配的结果不高于第一预设值时，确定所述图片不是所述第一类图片。
具体的，在提取所述图片的特征值时，可以通过主成分分析(Principal Component Analysis，简称PCA)方法，稀疏编码(sparse coding)等提取所述图片的特征值，将所述图片的特征值与所述人脸识别模型进行匹配，若所述匹配的结果高于第一预设值，则确定所述图片是所述第一类图片；若所述匹配的结果不高于第一预设值，则确定所述图片不是所述第一类图片。
其中，所述第一预设值例如是大于等于50％的值，例如可以是50％，60％，70％等值，在提取所述图片的特征值之后，将所述图片的特征值与所述人脸识别模型进行匹配，若所述匹配的结果高于所述第一预设值，则确定所述图片是所述第一类图片；若所述匹配的结果不高于所述第一预设值，则确定所述图片不是所述第一类图片。
例如，以智能手机为例，智能手机A在建立人脸识别模型时，首先会提 取存储在智能手机A中的人脸图像的特征值，再通过机器学习方法对所述人脸图像的特征值进行学习，从而建立所述人脸识别模型，若通过智能手机A中的摄像头采集到一图片D，则通过PCA方法提取图片D的特征值，并将所述图片的特征值与所述人脸识别模型进行匹配，得到所述匹配结果为60％，若所述第一预设值为55％，由于60％>50％，使得所述匹配的结果高于所述第一预设值，则确定图片D是所述第一类图片；若所述第一预设值为60％，由于所述匹配结果也为60％，使得所述匹配的结果不高于所述第一预设值，则确定图片D不是所述第一类图片。
在所述图片是第一类图片时，执行步骤S103，根据社交关系模型对所述图片进行排序。在具体实施过程中，所述根据社交关系模型对所述图片进行排序之前还包括：利用存储的联系人的头像和所述联系人的信息训练所述社交关系模型。
具体来讲，在训练所述社交关系模型时，针对每一个联系人，统计与每一个联系人的联系次数、联系时间、短信内容等信息，通过训练预测方式得到该联系人与操作所述终端的用户的关系，例如针对每一个联系人，根据在某一个时段通话或者短信的事例，规则推理出该联系人的身份，随着交互的逐渐增加，该联系人与用户的关系将会自动确定，通过这种方式可以得到所述用户与每一个联系人之间的依赖关系，例如是朋友、亲人、客户等，再根据所述用户与每一个联系人之间的依赖关系，建立所述社交关系，其中，所述社交关系用于表征用户与其它联系人的社会关系的一种结构表达方式，所述社交关系中的用户与其它联系人均用节点进行表示，所述用户与所述其它联系人中每一个联系人之间的连线用于表示两者之间的依赖关系，例如是朋友、亲人，客户等关系。
例如，以智能手机为例，操作智能手机A的用户为用户A1，而智能手机A中存储的通讯录包括联系人A2，联系人A3和联系人A4，获取智能手机A中与联系人A2的第一通信信息，若所述第一通信信息表征用户A1与联系人A2的平均每天的联系次数为0.2次，且联系时间分布在90:00～12:00和 14:00～17:00的时间段，则可以推知用户A1与联系人A2为客户的关系。
其中，在获取所述第一通信信息的同时，还可以获取智能手机A与联系人A3的第二通信信息，若所述第二通信信息表征用户A1和联系人A3平均每天的联系次数为0.1次，且联系时间分布在18:00～22:00的时间段，且短信信息每10天的收发次数为0.5次时，则可以推知用户A1与联系人A3为亲人的关系。
进一步的，在获取所述第一通信信息的同时，还可以获取智能手机A与联系人A4的第三通信信息，若所述第三通信信息表征用户A1和联系人A4平均每天的联系次数为0.3次，且联系时间分布在18:00～22:00的时间段，且短信信息每10天的收发次数为2次时，则可以推知用户A1与联系人A4为朋友的关系；再根据用户A1与联系人A2，联系人A3和联系人A4之间的依赖关系，建立所述社交关系，其中，用户与其它联系人之间的连线的长度可以根据密切关系来确定，用户与联系人的关系越密切，其连线的长度越短，用户与联系人的关系越疏远，其连线的长度越长，例如，参见图2，用户A1与联系人A3之间的连线21的长度小于用户A1与联系人A4之间的连线22的长度，以及连线22的长度小于用户A1与联系人A2之间的连线20的长度。
具体来讲，所述利用存储的联系人的头像和所述联系人的信息训练所述社交关系模型，具体包括：提取所述联系人的头像数据，用所述联系人的信息对所述头像数据进行标注从而获得所述社交关系模型，进而在通过所述社交关系模型识别出所述图片时，能够快速的确定出与所述图片对应的联系人。
具体的，在利用存储的联系人的头像和所述联系人的信息训练所述社交关系模型之后，通过所述社交关系模型，获取所述图片对应的联系人的信息，所述图片对应的联系人的信息包含所述联系人的身份特征；在所述图片对应的联系人的信息被成功获取时，将所述图片添加到人脸识别组，根据所述身份特征，对所述人脸识别组中的图片进行排序；在所述图片对应的联系人的信息被未被获取时，将所述图片添加到人脸未识别组，并根据所述预设规则对所述人脸未识别组的图像进行聚类排序。
由于所述社交关系模型是提取所述联系人的头像数据，用所述联系人的信息对所述头像数据进行标注从而获得所述社交关系模型，如此，使得可以通过所述社交关系模型，来获取所述图片对应的联系人的信息，所述图片对应的联系人的信息包含所述联系人的身份特征，所述身份特征为所述图片对应的联系人与操作所述终端的用户的关系，比如联系人的身份特征可以是所述终端用户的亲人、朋友或者同学等。
具体的，在通过所述社交关系模型获得到所述图片对应的联系人的信息时，根据所述联系人的信息包含的所述联系人的身份特征，确定所述图片对应的联系人与操作所述终端的用户的密切关系，再根据所述图片对应的联系人与用户的密切关系来进行排序，在所述图片对应的联系人的信息被未被获取时，根据人脸图片的相似度来进行聚类分组方式进行排序。
其中，在根据联系人与用户的密切关系来进行排序时，关系越密切的排在越前面，关系越疏远的排在越后面，在获取到所述图片对应的联系人身份特征之后，提取所述图片对应的联系人的头像数据，用所述联系人的信息对所述头像数据进行标注从而获得所述社交关系模型，通过所述图片来进行训练所述人脸识别模型，以及利用所述图片来训练所述社交关系模型。
由于与所述图片对应的联系人与所述用户的关系越密切，所述图片越往前排，进而方便用户进行查看，而且还用与所述图片对应的联系人来标记所述图片，可以通过针对联系人的索引查找方式来查找与所述联系人对应的图片，能够更准确、更快速的查找图片。
例如，参见图2，在通过智能手机A中的摄像头采集并存储一图片D时，获取图片D，并通过所述人脸识别模型检测到图片D属于所述第一类图片时，根据所述社交关系模型，获取图片D对应的联系人为A2，获取操作智能手机A的用户A1与联系人的关系，将图片D添加到所述人脸识别组中，再根据A2和A1的关系进行排序，由于连线20的长度小于连线22的长度和连线21的长度，使得图片D排在联系人A3的图片和联系人A4的图片的后面，而由于连线21的长度小于连线22的长度，使得联系人A3的图片排在联系人A4 的后面，以及在根据所述社交关系模型，获取图片D对应的联系人为A2之后，提取图片D中的头像数据，用联系人A2的信息对图片D中的头像数据进行标注，以及通过图片D来进行训练所述人脸识别模型，以及利用图片D来训练所述社交关系模型。
进一步的，在通过智能手机A中的摄像头采集并存储一图片G时，获取图片G，并通过所述人脸识别模型检测到图片G属于所述第一类图片时，根据所述社交关系模型，未获取到图片G对应的联系人，则将所述图片添加到人脸未识别组，并根据图片G与所述人脸未辨别组中的其它图片的相似度，以此来进行聚类分组。
又例如，参见图2和图3，若获取到智能手机A中存储的图片D、图片E时，且通过所述人脸识别模型检测到图片D属于所述第一类图片时，根据所述社交关系模型，获取图片D对应的联系人为联系人A2，以及获取图片E对应的联系人为联系人A3，将图片D和图片E添加到人脸识别组31中，由于连线21的长度小于连线20的长度，根据用户与联系人的关系越密切，其连线的长度越短，用户与联系人的关系越疏远，其连线的长度越长的原理，确定用户与联系人A3的关系更密切，因此，在人脸识别组31中将图片E排序在图片D的前面，具体参见图3中智能手机A的触摸屏30上的图片E和图片D的排序。
具体的，在通过所述社交关系模型未获得到所述身份特征时，可以提取所述图片中的人脸特征，根据所述人脸的相似性进行聚类分组，在仅存在未识别出的所述图片时，将所述图片作为一组，当所述终端中还存在其它未识别出的图片时，根据所述人脸的相似性进行聚类分组。
例如，参见图3，若获取到智能手机A中存储的图片F、图片G、图片H、图片I和图片J时，且通过所述人脸识别模型检测到图片F、图片G、图片H、图片I和图片J属于所述第一类图片时，根据所述社交关系模型，未获取到图片F、图片G、图片H、图片I和图片J对应的联系人，则将图片F、图片G、图片H、图片I和图片J添加到人脸未识别组32中。
其中，若图片G、图片H和图片J中的每两个图片中的人脸的相似度均大于所述预设门限值，则将图片G、图片F和图片J划分为第一组33，若图片F和图片I中的人脸的相似度大于预设门限值，则将图片F和图片I划分为第二组34，在对每一组进行排序时，可以根据每一组中包含图片数量的多少来进行排序，例如可以将包含图片较多的一组排在将包含图片较少的一组的前面，如此，使得第一组33排列在前，第二组34排列在后。
当然，还可以将包含图片较多的一组排在将包含图片较少的一组的后面，本申请不作具体限制。
在所述图片不是第一类图片时，执行步骤S104，根据预设规则对所述图片进行排序，其中，所述预设规则可以是按时间，也可以是按地点等方式对所述图片进行排序。
在具体实施过程中，在通过步骤S102检测到所述图片不是所述第一类图片时，即表征所述图片为第二类图片，可以按照时间或地点方式对所述图片进行排序。
具体来讲，在所述图片不是所述第一类图片时，记录获取所述图片的时间，根据记录获取所述图片的时间来对所述图片进行排序。
例如，智能手机A在2012年3月15号获取了风景图片B1，以及在2012年5月16号获取了风景图片B2，由于2012年5月16号在2012年3月15号之后，如此，使得风景图片B2排在风景图片B1的前面。
具体来讲，在所述图片不是所述第一类图片时，记录获取所述图片的地点，根据记录获取所述图片的地点来对所述图片进行排序。
例如，智能手机A所在地点为成都市，若获取了风景图片B1的地点位于成都市，以及获取风景图片B2的地点位于西昌市，由于获取风景图片B1的地点与智能手机A所在地点为同一个城市，而获取风景图片B2的地点与智能手机A所在地点为不同的城市，根据获取的风景图片的地点距离智能手机A所在地点的距离来对将风景图片进行排序，距离越近，排序越靠前，如此，使得风景图片B2排在风景图片B1的前面。
由于所述图片可以是所述第一类图片，还可以是所述第二类图片，使得所述终端中存储的图片可以划分为两大类，其中，第一类为所述第一类图片，第二类为不是所述第一类图片的图片，进一步的，在所述第一类图片中，还可以将所有获取到所述图片的联系人的身份特征的图片划分成人脸认识组，以及将所有未获取到所述图片的联系人的身份特征的图片划分成人脸未识别组，使得在查找图片时，可以根据图片所属分组或大类中进行查找，使得查找的图片的数量得以变小，进而提高了图片查询的工作效率，而且在所述人脸认识组中进行图片的查找时，由于所述人脸认识组中的所有的图片均用与之对应的联系人的信息进行标注了，如此，可以通过联系人的信息索引查找方式来查找图片，进一步提高图片查询的工作效率。
具体的，在将所述图片进行排序之后，还需显示排序之后的图片，以方便用户查看，具体如图4所示，智能手机A的显示屏30上显示有第一类图片35和第二类图片36，其中，第一类图片35还分为人脸识别组31和人脸未识别组32两类，人脸未识别组32还分为第一组33和第二组34，当双击人脸识别组31时，显示人脸识别组31包含的图片，当单击人脸未识别组32时，则将人脸未识别组32下的第一组33和第二组34隐藏，显示人脸未识别组32即可。
在另一实施例中，所述人脸识别模型还可以根据新学习到的知识更新老的模型，从而实现每个模型都在不停更新和优化，例如，关于人脸分类模型的建立和更新，通过统一所有分类，将每个联系人的人脸识别作为一个单独的任务，对不同的任务引入全局学习模型和个性化任务配置，因此对没有见过的人脸，可以通过调用从见过的人脸特征学习出来全局特征来表达新的人脸，使得新的人脸表达具有判别性，随着样本的逐渐增多，人脸识别模型会不断更新，该人脸的判别性能也会越来越好，进而使得通过所述识别模型能够更准确的识别所述图片。
本发明实施例中，由于本申请技术方案是检测到获取的图片是否为所述第一类图片，在所述图片是第一类图片时，根据社交关系模型对所述图片进 行排序，以及在所述图片不是第一类图片时，根据预设规则对所述图片进行排序，如此，可以根据所述图片的所属类别的不同，采用不同的方式来对所述图片进行排序，从而解决了现有技术中的图片排序单一的技术问题，实现了图片排序多样化的技术效果。
基于与上述方法相同的技术构思，本申请一实施例还提供了一种终端，如图5所示，所述终端包括：
图片获取单元501，用于获取终端中存储的图片；
检测单元502，用于接收所述图片获取单元发送的所述图片，检测所述图片是否为第一类图片，所述第一类图片是指包括人脸的图片；
第一排序单元503，用于在所述检测单元检测到在所述图片是第一类图片时，根据社交关系模型对所述图片进行排序；
第二排序单元504，用于在所述检测单元检测到在所述图片不是第一类图片时，根据预设规则对所述图片进行排序。
其中，本申请实施例的终端例如是手机、平板电脑等终端，所述图片可以是通过设置在所述终端中的或外连的摄像头采集的，然后存储在所述终端中的，还可以从本地库或外连的数据库中下载并存储所述图片，然后使得图片获取单元501来获取存储在所述终端中的图片。
可选的，所述终端还包括人脸模型建立单元505；人脸模型建立单元505，用于提取存储的人脸图像的特征值，通过机器学习方法对所述人脸图像的特征值进行学习，建立人脸识别模型；检测单元502，具体用于根据人脸模型建立单元505建立的人脸识别模型，检测所述图片是否为第一类图片。
具体的，人脸模型建立单元505，用于在提取所述存储的人脸图像的特征值时，可以通过是基于知识的表征方法和基于代数特征或统计学习的表征方法来提取，所述基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等；人脸由眼睛、鼻子、嘴、下巴等局部构成，而所述基于知识的人脸表征主要是获取这些局部和它们之间结构关系 的几何特征，然后使用所述机器学习方法，对人脸识别模型进行建立和更新。
可选的，检测单元502，具体用于提取所述图片的特征值，将所述图片的特征值与所述人脸识别模型进行匹配，在所述匹配的结果高于第一预设值时，确定所述图片是所述第一类图片，以及在所述匹配的结果不高于第一预设值时，确定所述图片不是所述第一类图片。
具体的，所述第一预设值例如是大于等于50％的值，例如可以是50％，60％，70％等值，在提取所述图片的特征值之后，检测单元502，用于将所述图片的特征值与所述人脸识别模型进行匹配，若所述匹配的结果高于所述第一预设值，则确定所述图片是所述第一类图片；若所述匹配的结果不高于所述第一预设值，则确定所述图片不是所述第一类图片。
可选的，所述终端还包括社交模型训练单元506；
社交模型训练单元506，具体用于利用存储的联系人的头像和所述联系人的信息训练所述社交关系模型；
第一排序单元503，用于在所述检测单元检测到在所述图片是第一类图片时，根据社交模型训练单元506训练出的社交关系模型对所述图片进行排序。
可选的，社交模型训练单元506，在训练所述社交关系模型时，针对每一个联系人，统计与每一个联系人的联系次数、联系时间、短信内容等信息，通过训练预测方式得到该联系人与操作所述终端的用户的关系，例如针对每一个联系人，根据在某一个时段通话或者短信的事例，规则推理出该联系人的身份，随着交互的逐渐增加，该联系人与用户的关系将会自动确定，通过这种方式可以得到所述用户与每一个联系人之间的依赖关系，例如是朋友、亲人、客户等，再根据所述用户与每一个联系人之间的依赖关系，建立所述社交关系，其中，所述社交关系用于表征用户与其它联系人的社会关系的一种结构表达方式，所述社交关系中的用户与其它联系人均用节点进行表示，所述用户与所述其它联系人中每一个联系人之间的连线用于表示两者之间的依赖关系，例如是朋友、亲人，客户等关系。
可选的，社交模型训练单元506，具体用于提取所述联系人的头像数据， 用所述联系人的信息对所述头像数据进行标注从而获得所述社交关系模型。
可选的，第一排序单元503，具体用于通过所述社交关系模型，获取所述图片对应的联系人的信息，所述图片对应的联系人的信息包含所述联系人的身份特征，在所述图片对应的联系人的信息被成功获取时，将所述图片添加到人脸识别组，根据所述身份特征，对所述人脸识别组中的图片进行排序，以及在所述图片对应的联系人的信息被未被获取时，将所述图片添加到人脸未识别组，并根据所述预设规则对所述人脸未识别组的图像进行聚类排序。
由于所述社交关系模型是提取所述联系人的头像数据，用所述联系人的信息对所述头像数据进行标注从而获得所述社交关系模型，如此，使得可以通过所述社交关系模型，来获取所述图片对应的联系人的信息，所述图片对应的联系人的信息包含所述联系人的身份特征，所述身份特征为所述图片对应的联系人与操作所述终端的用户的关系。
具体的，在通过所述社交关系模型获得到所述身份特征时，根据联系人与操作所述终端的用户的密切关系来进行排序，在所述图片对应的联系人的信息被未被获取时，根据人脸图片的相似度来进行聚类分组方式进行排序。
其中，在根据联系人与用户的密切关系来进行排序时，关系越密切的排在越前面，关系越疏远的排在越后面，在获取到所述图片对应的联系人身份特征之后，提取所述图片对应的联系人的头像数据，用所述联系人的信息对所述头像数据进行标注从而获得所述社交关系模型，通过所述图片来进行训练所述人脸识别模型，以及利用所述图片来训练所述社交关系模型。
由于所述图片可以是所述第一类图片，还可以是所述第二类图片，使得所述终端中存储的图片可以划分为两大类，其中，第一类为所述第一类图片，第二类为不是所述第一类图片的图片，进一步的，在所述第一类图片中，还可以将所有获取到所述图片的联系人的身份特征的图片划分成人脸认识组，以及将所有未获取到所述图片的联系人的身份特征的图片划分成人脸未识别组，使得在查找图片时，可以根据图片所属分组或大类中进行查找，使得查找的图片的数量得以变小，进而提高了图片查询的工作效率，而且在所述人 脸认识组中进行图片的查找时，由于所述人脸认识组中的所有的图片均用与之对应的联系人的信息进行标注了，如此，可以通过联系人的信息索引查找方式来查找图片，进一步提高图片查询的工作效率。
在另一实施例中，所述人脸识别模型还可以根据新学习到的知识更新老的模型，从而实现每个模型都在不停更新和优化，例如，关于人脸分类模型的建立和更新，通过统一所有分类，将每个联系人的人脸识别作为一个单独的任务，对不同的任务引入全局学习模型和个性化任务配置，因此对没有见过的人脸，可以通过调用从见过的人脸特征学习出来全局特征来表达新的人脸，使得新的人脸表达具有判别性，随着样本的逐渐增多，人脸识别模型会不断更新，该人脸的判别性能也会越来越好，进而使得通过所述识别模型能够更准确的识别所述图片。
本发明实施例中，由于本申请技术方案是检测到获取的图片是否为所述第一类图片，在所述图片是第一类图片时，根据社交关系模型对所述图片进行排序，以及在所述图片不是第一类图片时，根据预设规则对所述图片进行排序，如此，可以根据所述图片的所属类别的不同，采用不同的方式来对所述图片进行排序，从而解决了现有技术中的图片排序单一的技术问题，实现了图片排序多样化的技术效果。
基于与上述方法相同的技术构思，本申请一实施例还提供了一种终端，如图6所示，所述终端包括：
存储器601，用于存储图片。
处理器601，用于获取存储器601中存储的图片，并检测所述图片是否为第一类图片，所述第一类图片是指包括人脸的图片，在所述图片是第一类图片时，根据社交关系模型对所述图片进行排序，以及在所述图片不是第一类图片时，根据预设规则对所述图片进行排序。
其中，存储器601例如是所述终端的内存，硬盘等电子设备，进一步的，处理器602例如是单独的处理芯片，也可以是所述终端的处理芯片。
可选的，处理器602，还用于在所述检测所述图片是否为第一类图片之前， 提取存储的人脸图像的特征值，通过机器学习方法对所述人脸图像的特征值进行学习，建立人脸识别模型，并通过建立的所述人脸识别模型检测所述图片是否为所述第一类图片。
具体的，处理器602，用于在提取所述存储的人脸图像的特征值时，可以通过是基于知识的表征方法和基于代数特征或统计学习的表征方法来提取，所述基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等；人脸由眼睛、鼻子、嘴、下巴等局部构成，而所述基于知识的人脸表征主要是获取这些局部和它们之间结构关系的几何特征，然后使用所述机器学习方法,对人脸识别模型进行建立和更新。
可选的，处理器602，还用于提取所述图片的特征值，将所述图片的特征值与所述人脸识别模型进行匹配，在所述匹配的结果高于第一预设值时，确定所述图片是所述第一类图片，以及在所述匹配的结果不高于第一预设值时，确定所述图片不是所述第一类图片。
具体的，所述第一预设值例如是大于等于50％的值，例如可以是50％，60％，70％等值，在提取所述图片的特征值之后，检测单元502，用于将所述图片的特征值与所述人脸识别模型进行匹配，若所述匹配的结果高于所述第一预设值，则确定所述图片是所述第一类图片；若所述匹配的结果不高于所述第一预设值，则确定所述图片不是所述第一类图片。
可选的，存储器601，用于存储联系人的头像和所述联系人的信息；处理器602，还用于在所述根据社交关系模型对所述图片进行排序之前，利用所述联系人的头像和所述联系人的信息训练所述社交关系模型，并利用训练出的所述社交关系模型对所述图片进行排序。
可选的，处理器602，用于在训练所述社交关系模型时，针对每一个联系人，统计与每一个联系人的联系次数、联系时间、短信内容等信息，通过训练预测方式得到该联系人与操作所述终端的用户的关系，例如针对每一个联系人，根据在某一个时段通话或者短信的事例，规则推理出该联系人的身份， 随着交互的逐渐增加，该联系人与用户的关系将会自动确定，通过这种方式可以得到所述用户与每一个联系人之间的依赖关系，例如是朋友、亲人、客户等，再根据所述用户与每一个联系人之间的依赖关系，建立所述社交关系，其中，所述社交关系用于表征用户与其它联系人的社会关系的一种结构表达方式，所述社交关系中的用户与其它联系人均用节点进行表示，所述用户与所述其它联系人中每一个联系人之间的连线用于表示两者之间的依赖关系，例如是朋友、亲人，客户等关系。
可选的，处理器602，还用于提取所述联系人的头像数据，用所述联系人的信息对所述头像数据进行标注从而获得所述社交关系模型。
可选的，处理器602，还用于通过所述社交关系模型，获取所述图片对应的联系人的信息，所述图片对应的联系人的信息包含所述联系人的身份特征，在所述图片对应的联系人的信息被成功获取时，将所述图片添加到人脸识别组，根据所述身份特征，对所述人脸识别组中的图片进行排序，以及在所述图片对应的联系人的信息被未被获取时，将所述图片添加到人脸未识别组，并根据所述预设规则对所述人脸未识别组的图像进行聚类排序。
由于所述社交关系模型是提取所述联系人的头像数据，用所述联系人的信息对所述头像数据进行标注从而获得所述社交关系模型，如此，使得可以通过所述社交关系模型，来获取所述图片对应的联系人的信息，所述图片对应的联系人的信息包含所述联系人的身份特征，所述身份特征为所述图片对应的联系人与操作所述终端的用户的关系。
具体的，在通过所述社交关系模型获得到所述身份特征时，根据联系人与操作所述终端的用户的密切关系来进行排序，在所述图片对应的联系人的信息被未被获取时，根据人脸图片的相似度来进行聚类分组方式进行排序。
其中，在根据联系人与用户的密切关系来进行排序时，关系越密切的排在越前面，关系越疏远的排在越后面，在获取到所述图片对应的联系人身份特征之后，提取所述图片对应的联系人的头像数据，用所述联系人的信息对所述头像数据进行标注从而获得所述社交关系模型，通过所述图片来进行训 练所述人脸识别模型，以及利用所述图片来训练所述社交关系模型。
由于所述图片可以是所述第一类图片，还可以是所述第二类图片，使得所述终端中存储的图片可以划分为两大类，其中，第一类为所述第一类图片，第二类为不是所述第一类图片的图片，进一步的，在所述第一类图片中，还可以将所有获取到所述图片的联系人的身份特征的图片划分成人脸认识组，以及将所有未获取到所述图片的联系人的身份特征的图片划分成人脸未识别组，使得在查找图片时，可以根据图片所属分组或大类中进行查找，使得查找的图片的数量得以变小，进而提高了图片查询的工作效率，而且在所述人脸认识组中进行图片的查找时，由于所述人脸认识组中的所有的图片均用与之对应的联系人的信息进行标注了，如此，可以通过联系人的信息索引查找方式来查找图片，进一步提高图片查询的工作效率。
在另一实施例中，所述人脸识别模型还可以根据新学习到的知识更新老的模型，从而实现每个模型都在不停更新和优化，例如，关于人脸分类模型的建立和更新，通过统一所有分类，将每个联系人的人脸识别作为一个单独的任务，对不同的任务引入全局学习模型和个性化任务配置，因此对没有见过的人脸，可以通过调用从见过的人脸特征学习出来全局特征来表达新的人脸，使得新的人脸表达具有判别性，随着样本的逐渐增多，人脸识别模型会不断更新，该人脸的判别性能也会越来越好，进而使得通过所述识别模型能够更准确的识别所述图片。
本发明实施例中，由于本申请技术方案是检测到获取的图片是否为所述第一类图片，在所述图片是第一类图片时，根据社交关系模型对所述图片进行排序，以及在所述图片不是第一类图片时，根据预设规则对所述图片进行排序，如此，可以根据所述图片的所属类别的不同，采用不同的方式来对所述图片进行排序，从而解决了现有技术中的图片排序单一的技术问题，实现了图片排序多样化的技术效果。
本领域的技术人员应明白，本发明的实施例可提供为方法、终端(设备)、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、 或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、终端(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程处理设备的处理器以产生一个机器，使得通过计算机或其他可编程处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的终端。
这些计算机程序指令也可存储在能引导计算机或其他可编程处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令终端的制造品，该指令终端实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (12)

  1. 一种图片排序方法，其特征在于，所述方法包括：
    获取终端中存储的图片；
    检测所述图片是否为第一类图片，所述第一类图片是指包括人脸的图片；
    在所述图片是第一类图片时，根据社交关系模型对所述图片进行排序；
    在所述图片不是第一类图片时，根据预设规则对所述图片进行排序。
  2. 如权利要求1所述的方法，其特征在于，所述根据社交关系模型对所述图片进行排序之前，所述方法还包括：
    利用存储的联系人的头像和所述联系人的信息训练所述社交关系模型。
  3. 如权利要求2所述的方法，其特征在于，所述利用存储的联系人的头像和所述联系人的信息训练所述社交关系模型，具体包括：
    提取所述联系人的头像数据，用所述联系人的信息对所述头像数据进行标注从而获得所述社交关系模型从而获得所述社交关系模型。
  4. 根据权利要求1至3任一所述的方法，其特征在于，所述根据社交关系模型对所述图片进行排序，具体包括：
    通过所述社交关系模型，获取所述图片对应的联系人的信息，所述图片对应的联系人的信息包含所述联系人的身份特征；
    在所述图片对应的联系人的信息被成功获取时，将所述图片添加到人脸识别组，根据所述身份特征，对所述人脸识别组中的图片进行排序；
    在所述图片对应的联系人的信息未被获取时，将所述图片添加到人脸未识别组，并根据所述预设规则对所述人脸未识别组的图像进行聚类排序。
  5. 如权利要求1至4任一所述的方法，其特征在于，所述检测所述图片是否为第一类图片之前，所述方法还包括：
    提取存储的人脸图像的特征值；
    通过机器学习方法对所述人脸图像的特征值进行学习，建立人脸识别模型。
  6. 如权利要求5所述的方法，其特征在于，所述检测所述图片是否为第一类图片，具体包括：
    提取所述图片的特征值；
    将所述图片的特征值与所述人脸识别模型进行匹配；
    在所述匹配的结果高于第一预设值时，确定所述图片是所述第一类图片；
    在所述匹配的结果不高于第一预设值时，确定所述图片不是所述第一类图片。
  7. 一种终端，其特征在于，所述终端包括：
    图片获取单元，用于获取终端中存储的图片；
    检测单元，用于检测所述图片获取单元获取的所述图片是否为第一类图片，所述第一类图片是指包括人脸的图片；
    第一排序单元，用于在所述检测单元检测到在所述图片是第一类图片时，根据社交关系模型对所述图片进行排序；
    第二排序单元，用于在所述检测单元检测到在所述图片不是第一类图片时，根据预设规则对所述图片进行排序。
  8. 如权利要求7所述的终端，其特征在于，所述终端还包括社交模型训练单元；
    所述社交模型训练单元，具体用于利用存储的联系人的头像和所述联系人的信息训练所述社交关系模型；
    所述第一排序单元，用于在所述检测单元检测到在所述图片是第一类图片时，根据所述社交模型训练单元训练出的社交关系模型对所述图片进行排序。
  9. 如权利要求8所述的终端，其特征在于，所述社交模型训练单元，具体用于提取所述联系人的头像数据，用所述联系人的信息对所述头像数据进行标注从而获得所述社交关系模型。
  10. 根据权利要求7至9任一所述的终端，其特征在于，所述第一排序单元，具体用于通过所述社交关系模型，获取所述图片对应的联系人的信息， 所述图片对应的联系人的信息包含所述联系人的身份特征，在所述图片对应的联系人的信息被成功获取时，将所述图片添加到人脸识别组，根据所述身份特征，对所述人脸识别组中的图片进行排序，以及在所述图片对应的联系人的信息被未被获取时，将所述图片添加到人脸未识别组，并根据所述预设规则对所述人脸未识别组的图像进行聚类排序。
  11. 如权利要求7至10任一所述的终端，其特征在于，所述终端还包括人脸模型建立单元；
    所述人脸模型建立单元，用于提取存储的人脸图像的特征值，并通过机器学习方法对所述人脸图像的特征值进行学习，建立人脸识别模型；
    所述检测单元，具体用于根据所述人脸模型建立单元建立的人脸识别模型，检测所述图片是否为第一类图片。
  12. 如权利要求11所述的终端，其特征在于，所述检测单元，具体用于提取所述图片的特征值，将所述图片的特征值与所述人脸识别模型进行匹配，在所述匹配的结果高于第一预设值时，确定所述图片是所述第一类图片，以及在所述匹配的结果不高于第一预设值时，确定所述图片不是所述第一类图片。
PCT/CN2014/089469 2014-03-12 2014-10-24 图片排序方法及终端 WO2015135324A1 (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US15/255,468 US9977951B2 (en) 2014-03-12 2016-09-02 Picture ranking method, and terminal
US15/984,735 US10242250B2 (en) 2014-03-12 2018-05-21 Picture ranking method, and terminal
US16/276,206 US10755086B2 (en) 2014-03-12 2019-02-14 Picture ranking method, and terminal

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201410090640.6A CN104915351B (zh) 2014-03-12 2014-03-12 图片排序方法及终端
CN201410090640.6 2014-03-12

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US15/255,468 Continuation US9977951B2 (en) 2014-03-12 2016-09-02 Picture ranking method, and terminal

Publications (1)

Publication Number Publication Date
WO2015135324A1 true WO2015135324A1 (zh) 2015-09-17

Family

ID=54070880

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2014/089469 WO2015135324A1 (zh) 2014-03-12 2014-10-24 图片排序方法及终端

Country Status (3)

Country Link
US (3) US9977951B2 (zh)
CN (2) CN104915351B (zh)
WO (1) WO2015135324A1 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915351B (zh) 2014-03-12 2018-08-21 华为技术有限公司 图片排序方法及终端
US10452935B2 (en) * 2015-10-30 2019-10-22 Microsoft Technology Licensing, Llc Spoofed face detection
CN105260487A (zh) * 2015-11-24 2016-01-20 上海斐讯数据通信技术有限公司 图片的管理方法及图片的管理装置
CN105721606A (zh) * 2016-03-28 2016-06-29 北京小米移动软件有限公司 用户头像的自动设置方法及装置
US11042595B2 (en) * 2016-05-04 2021-06-22 Ebay Inc. Dissimilar but relevant search engine results
CN106777059A (zh) * 2016-12-11 2017-05-31 东莞桐石网络科技有限公司 基于短信统计的图片分组排序方法及装置
CN106777058A (zh) * 2016-12-11 2017-05-31 东莞桐石网络科技有限公司 基于人脸识别的图片分组排序方法与系统
KR102628042B1 (ko) * 2017-12-22 2024-01-23 삼성전자주식회사 연락처 정보를 추천하는 방법 및 디바이스
WO2019125082A1 (en) 2017-12-22 2019-06-27 Samsung Electronics Co., Ltd. Device and method for recommending contact information
CN108256099A (zh) * 2018-01-30 2018-07-06 上海与德通讯技术有限公司 关系网的建立方法、基于关系网的提醒方法和智能设备
CN108494949B (zh) * 2018-02-28 2019-08-20 维沃移动通信有限公司 一种图像分类方法及移动终端
CN108537168B (zh) * 2018-04-09 2021-12-31 云南大学 基于迁移学习技术的面部表情识别方法
US11960562B1 (en) 2019-05-03 2024-04-16 Meta Platforms, Inc. Channels of content for display in an online system
CN110414376B (zh) * 2019-07-08 2022-08-09 浙江大华技术股份有限公司 更新人脸识别模型的方法、人脸识别相机及服务器
CN110992283A (zh) * 2019-11-29 2020-04-10 Oppo广东移动通信有限公司 图像处理方法、图像处理装置、电子设备和可读存储介质
CN111079944B (zh) * 2019-12-18 2023-03-10 支付宝(杭州)信息技术有限公司 迁移学习模型解释实现方法及装置、电子设备、存储介质
CN111768530B (zh) * 2020-07-22 2022-04-19 联想(北京)有限公司 一种智能开锁方法及装置
CN114140838A (zh) * 2020-08-14 2022-03-04 华为技术有限公司 一种图像管理的方法、装置、终端设备和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102033958A (zh) * 2010-12-28 2011-04-27 Tcl数码科技（深圳）有限责任公司 一种照片分类管理系统及方法
CN103034714A (zh) * 2012-12-11 2013-04-10 北京百度网讯科技有限公司 移动终端的照片分类管理方法、装置和移动终端
CN103139386A (zh) * 2013-02-05 2013-06-05 广东欧珀移动通信有限公司 相册排序显示方法及具有相册排序显示功能的手机
CN103312730A (zh) * 2012-03-07 2013-09-18 腾讯科技（深圳）有限公司 图片存储的方法、服务器、终端及系统

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001256244A (ja) * 2000-03-14 2001-09-21 Fuji Xerox Co Ltd 画像データ分類装置および画像データ分類方法
KR100442834B1 (ko) * 2002-07-19 2004-08-02 삼성전자주식회사 얼굴/유사얼굴 영상으로 학습된 패턴 분류기를 이용한얼굴 검출 방법 및 시스템
US20080097981A1 (en) * 2006-10-20 2008-04-24 Microsoft Corporation Ranking images for web image retrieval
KR20090052014A (ko) * 2007-11-20 2009-05-25 삼성디지털이미징 주식회사 인물별 자동분류 패킹 서비스를 제공하는 방법 및 이를제공하는 키오스크
US8090665B2 (en) * 2008-09-24 2012-01-03 Nec Laboratories America, Inc. Finding communities and their evolutions in dynamic social network
CN101859367A (zh) * 2009-04-07 2010-10-13 北京算通数字技术研究中心有限公司 数字照片分拣方法、装置及应用系统
EP2537124A4 (en) * 2010-02-17 2017-08-16 Photoccino Ltd System and method for creating a collection of images
US9465993B2 (en) * 2010-03-01 2016-10-11 Microsoft Technology Licensing, Llc Ranking clusters based on facial image analysis
US8810684B2 (en) * 2010-04-09 2014-08-19 Apple Inc. Tagging images in a mobile communications device using a contacts list
CN102158590A (zh) * 2011-01-20 2011-08-17 宇龙计算机通信科技(深圳)有限公司 数据排序方法、装置和终端
US8380711B2 (en) * 2011-03-10 2013-02-19 International Business Machines Corporation Hierarchical ranking of facial attributes
CN102509121A (zh) * 2011-11-11 2012-06-20 东南大学 一种基于类别分布的自然场景分类排序方法
WO2013075310A1 (en) * 2011-11-24 2013-05-30 Microsoft Corporation Reranking using confident image samples
US8837787B2 (en) * 2012-04-05 2014-09-16 Ancestry.Com Operations Inc. System and method for associating a photo with a data structure node
CN103377233A (zh) * 2012-04-26 2013-10-30 腾讯科技（深圳）有限公司 网页分享方法及相应的系统
US9442959B2 (en) * 2012-06-28 2016-09-13 Adobe Systems Incorporated Image search refinement using facets
CN102982165B (zh) * 2012-12-10 2015-05-13 南京大学 一种大规模人脸图像检索方法
CN103167088B (zh) * 2013-02-04 2016-08-24 东莞宇龙通信科技有限公司 通讯录排序方法和移动终端
CN103176960B (zh) * 2013-02-05 2015-09-30 西安理工大学 基于亲缘关系的照片自动排版方法
US9177194B2 (en) * 2014-01-29 2015-11-03 Sony Corporation System and method for visually distinguishing faces in a digital image
CN104915351B (zh) * 2014-03-12 2018-08-21 华为技术有限公司 图片排序方法及终端

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102033958A (zh) * 2010-12-28 2011-04-27 Tcl数码科技（深圳）有限责任公司 一种照片分类管理系统及方法
CN103312730A (zh) * 2012-03-07 2013-09-18 腾讯科技（深圳）有限公司 图片存储的方法、服务器、终端及系统
CN103034714A (zh) * 2012-12-11 2013-04-10 北京百度网讯科技有限公司 移动终端的照片分类管理方法、装置和移动终端
CN103139386A (zh) * 2013-02-05 2013-06-05 广东欧珀移动通信有限公司 相册排序显示方法及具有相册排序显示功能的手机

Also Published As

Publication number Publication date
CN109213882B (zh) 2020-07-24
US20180268205A1 (en) 2018-09-20
CN104915351A (zh) 2015-09-16
US20160371541A1 (en) 2016-12-22
US20190180087A1 (en) 2019-06-13
US10242250B2 (en) 2019-03-26
CN104915351B (zh) 2018-08-21
US10755086B2 (en) 2020-08-25
US9977951B2 (en) 2018-05-22
CN109213882A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
WO2015135324A1 (zh) 图片排序方法及终端
US9430719B2 (en) System and method for providing objectified image renderings using recognition information from images
US9542419B1 (en) Computer-implemented method for performing similarity searches
US8649572B2 (en) System and method for enabling the use of captured images through recognition
US7809722B2 (en) System and method for enabling search and retrieval from image files based on recognized information
US7809192B2 (en) System and method for recognizing objects from images and identifying relevancy amongst images and information
WO2019132923A1 (en) Automatic image correction using machine learning
CN110427859A (zh) 一种人脸检测方法、装置、电子设备及存储介质
WO2011097517A2 (en) Image tagging based upon cross domain context
TWI781554B (zh) 物品名稱確定方法、裝置、電腦設備及儲存媒體
US11461630B1 (en) Machine learning systems and methods for extracting user body shape from behavioral data
US20240037142A1 (en) Systems and methods for filtering of computer vision generated tags using natural language processing
EP3896607A2 (en) Clothing collocation method and apparatus, and computing device and medium
US20210075754A1 (en) Method for sharing a photograph
CN115858941A (zh) 搜索方法、装置、电子设备以及存储介质
CN116259116A (zh) 活体检测方法和系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14885820

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14885820

Country of ref document: EP

Kind code of ref document: A1