WO2016023336A1 - 照片的分类存储方法、装置、设备和计算机存储介质 - Google Patents

Abstract

提供一种照片的分类存储方法、装置、设备和计算机存储介质，其中，所述方法包括：将目录内的照片A和照片B的图像特性相匹配，计算照片A和照片B的图像相似度；当所述照片A与所述照片B的图像相似度大于预设阈值，在前端页面中将所述照片A和所述照片B展示为位于同一子目录内。能够有效地对用户相册中大量的相近的图像进行整理，并放在同一个目录下，以方便用户管理和查看。

Description

照片的分类存储方法、装置、设备和计算机存储介质

本申请要求了申请日为2014年08月15日，申请号为201410403833.2发明名称为“照片的分类存储方法及装置”的中国专利申请的优先权。

技术领域

本发明涉及一种照片的分类存储方法及装置，尤其涉及一种按照照片相似度自动整合的方法、装置、设备和计算机存储介质。

背景技术

随着相机和智能终端的发展，个人的照片越来越多，人们在拍照的时候，往往会在相同或者相近的场景下拍摄多张图像，以可从中选择比较满意的照片。

然而，现有的相册展现，往往侧重将图像按照尺寸、时间、人物按照一定顺序的排列，如此，往往大量重复的照片展现在了同一个页面，使得用户查看和管理照片极为不便。

发明内容

本发明的目的之一在于提供一种照片的分类存储方法、装置、设备和计算机存储介质。

为实现上述发明目的之一，本发明一实施方式提供了一种照片的分类存储方法，其包括：

获取当前上传照片的拍照时间信息，并提取所述当前上传照片的图像特征；

将与当前上传照片的拍照时间间隔在预设范围内的已存照片的图像特性与所述当前上传照片的图像特性相匹配，计算当前上传照片和已存 照片的图像相似度；

将当前上传照片，以及与所述当前上传照片相同或相似的已存照片存储和/或标注为同一独立的集合。

作为本发明的进一步改进，所述“计算当前上传照片和已存照片的图像相似度”包括：

计算当前上传照片与已存照片的图像距离，并根据当前上传照片和已存照片的拍照时间间隔对所述图像距离进行调权，得到综合图像距离，其中，综合图像距离越大则图像相似度越低；综合图像距离越小则图像相似度越高。

作为本发明的进一步改进，所述“计算当前上传照片和已存照片的图像相似度”还包括：

若当前上传照片和已存照片的拍照时间间隔较长，则在所述图像距离上进行加权，使所述当前上传照片与已存照片的综合图像距离增加；

若当前上传照片和已存照片的拍照时间间隔较短，则在所述图像距离上进行降权，使得所述上传照片与已存照片的综合图像距离减小。

作为本发明的进一步改进，所述方法还包括：

判断同一集合中照片的图像质量，将图像质量最高的照片作为该集合的封面或封面的一部分，具体包括：

通过深度神经网络训练，对同一集合中的照片进行评分；

将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。

为实现上述发明目的之一，本发明一实施方式提供了一种照片的分类存储方法，其包括：

将目录内的照片A和照片B的图像特性相匹配，计算照片A和照片B的图像相似度；

当所述照片A与所述照片B的图像相似度大于预设阈值，在前端页面中将所述照片A和所述照片B展示为位于同一子目录内。

作为本发明的进一步改进，“将目录内的照片A和照片B的图像特性相匹配”具体包括：

获取目录内照片的拍照时间信息；

将在目录内与照片A的拍照时间间隔在预设范围内的照片B的图像特性与所述照片A的图像特性相匹配。

作为本发明的进一步改进，所述“计算照片A和照片B的图像相似度”包括：

计算照片A与照片B的图像距离，并根据照片A和照片B的拍照时间间隔对所述图像距离进行调权，得到综合图像距离，其中，综合图像距离越大则图像相似度越低；综合图像距离越小则图像相似度越高。

作为本发明的进一步改进，所述“计算照片A和照片B的图像相似度”还包括：

若照片A和照片B的拍照间隔时间大于第一预设时间，则在所述图像距离上进行加权，使照片A和照片B的综合图像距离增加；

若照片A和照片B的拍照间隔时间小于第二预设时间，则在所述图像距离上进行降权，使所述照片A和照片B的综合图像距离减小。

作为本发明的进一步改进，所述方法还包括：

判断同一集合中照片的图像质量，将图像质量最高的照片作为该集合的封面或封面的一部分，具体包括：

通过深度神经网络训练，对同一集合中的照片进行评分；

将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。

为实现上述发明目的之一，本发明一实施方式提供了一种照片归类装置，其包括：

照片信息获取模块，用于获取当前上传照片的拍照时间信息；

计算模块，用于提取所述当前上传照片的图像特征，并将与当前上传照片的拍照时间间隔在预设范围内的已存照片的图像特性与所述当前上传照片的图像特性相匹配，计算当前上传照片和已存照片的图像相似度；

处理模块，将当前上传照片，以及与所述当前上传照片相同或相似的已存照片存储和/或标注为同一独立的集合。

作为本发明的进一步改进，所述计算模块用于：

计算当前上传照片与已存照片的图像距离，并根据当前上传照片和已存照片的拍照时间间隔对所述图像距离进行调权，得到综合图像距离，其中，综合图像距离越大则图像相似度越低；综合图像距离越小则图像相似度越高。

作为本发明的进一步改进，所述计算模块还用于：

若当前上传照片和已存照片的拍照时间间隔较长，则在所述图像距离上进行加权，使所述当前上传照片与已存照片的综合图像距离增加；

若当前上传照片和已存照片的拍照时间间隔较短，则在所述图像距离上进行降权，使得所述上传照片与已存照片的综合图像距离减小。

作为本发明的进一步改进，所述计算模块还用于判断同一集合中照 片的图像质量；

所述处理模块还用于将图像质量最高的照片作为该集合的封面或封面的一部分；

所述装置还包括学习模块，其用于深度神经网络训练，使得所述学习模块和所述计算模块可协同地对同一集合中的照片进行评分；

所述处理模块用于，将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。

为实现上述发明目的之一，本发明一实施方式提供了一种照片归类装置，其包括：

计算模块，用于将目录内的照片A和照片B的图像特性相匹配，计算照片A和照片B的图像相似度；

处理模块，用于当所述照片A与所述照片B的图像相似度大于预设阈值，在前端页面中将所述照片A和所述照片B展示为位于同一子目录内。

作为本发明的进一步改进，所述装置还包括照片信息获取模块，其用于获取目录内照片的拍照时间信息；

所述计算模块用于，将在目录内与照片A的拍照时间间隔在预设范围内的照片B的图像特性与所述照片A的图像特性相匹配。

作为本发明的进一步改进，所述计算模块还用于：

计算照片A与照片B的图像距离，并根据照片A和照片B的拍照时间间隔对所述图像距离进行调权，得到综合图像距离，其中，综合图像距离越大则图像相似度越低；综合图像距离越小则图像相似度越高。

作为本发明的进一步改进，所述计算模块还用于

若照片A和照片B的拍照间隔时间大于第一预设时间，则在所述图像距离上进行加权，使照片A和照片B的综合图像距离增加；

若照片A和照片B的拍照间隔时间小于第二预设时间，则在所述图像距离上进行降权，使所述照片A和照片B的综合图像距离减小。

作为本发明的进一步改进，所述计算模块还用于判断同一集合中照片的图像质量；

所述处理模块还用于将图像质量最高的照片作为该集合的封面或封面的一部分；

所述装置还包括学习模块，其用于深度神经网络训练，使得所述学习模块和所述计算模块可协同地对同一集合中的照片进行评分；

所述处理模块用于，将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。

与现有技术相比，本发明的有益效果是：能够有效地对用户相册中大量的相近的图像进行整理，并放在同一个目录下，以方便用户管理和查看。

附图说明

图1是本发明第一实施方式的照片的分类存储方法的流程图；

图2是本发明第二实施方式的照片的分类存储方法的流程图；

图3是本发明一实施方式的照片的分类存储装置的模块图。

具体实施方式

以下将结合附图所示的各实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所轻易做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。

如图1所示，在本发明第一实施方式中，一种照片的分类存储方法，其包括：

获取当前上传照片的拍照时间信息，并提取所述当前上传照片的图像特征；在本实施方式中，一般数字照片中都包括拍照时间信息，在照片上传时或上传后，获取上传照片的拍照时间，以及提取当前上传照片的图像特征，该图像特征为图像的全局描述特征，其包括GIST特征，和/或CMG特征，和/或颜色直方图特征等。

将与当前上传照片的拍照时间间隔在预设范围内的已存照片的图像特性与所述当前上传照片的图像特性相匹配，计算当前上传照片和已存照片的图像相似度；在本实施方式中，在获得了当前上传照片的拍照时间后，可先在照片库中根据所述拍照时间进行筛选，筛选出与所述拍照时间间隔在预设范围内的已存照片。

根据拍照习惯，对同一取景事物进行重复拍摄，一般是在一定的时间区间内的，例如，第一次拍照后的30秒内的照片，其照片与第一次拍照的照片相同或相似的几率较高；而拍照时间间隔跨度较大的，例如相隔5分钟，则对同一取景进行重复拍摄的几率较短。先用拍照时间筛选出与上传照片存在相同或相似几率较高的已存照片，可大大减小后续的图像特性匹配的计算量，减轻服务器的工作压力，提升匹配效率。其次，将筛选出的已存照片的图像特性与当前上传照片的图像特性相匹配，以判断已存照片中是否存在与当前上传照片相同或相似的照片，在本实施方式中，可将当前上传照片的图像特性与时间区间内的已存照片逐一匹配，以计算一个或多个已存照片与该当前上传照片的图像相似度。

其中，在本实施方式中，图像相似度的计算包括图像距离和拍照时 间间隔两个维度，其具体包括：

计算当前上传照片与已存照片的图像距离，所述图像距离可为Cosine距离，或直方图距离，或欧式距离等，并根据当前上传照片和已存照片的拍照时间间隔对所述图像距离进行调权，得到综合图像距离。其中，综合图像距离越大则表示图像相似度越低；综合图像距离越小则表示图像相似度越高。

具体地，若当前上传照片和已存照片的拍照时间间隔较长，超过第一预设时间(例如5分钟)，则在所述图像距离上进行加权，使所述当前上传照片与已存照片的综合图像距离增加；若当前上传照片和已存照片的拍照时间间隔较短，小于第二预设时间(例如小于30秒)，则在所述图像距离上进行降权，使得所述上传照片与已存照片的综合图像距离减小。

当综合图像距离小于预设阈值时，则认为当前上传照片与某一或某些已存照片相同或相似，当综合图像距离大于预设阈值时，则认为当前上传照片与已存照片不相同或不相似。

将当前上传照片，以及与所述当前上传照片相同或相似的已存照片存储和/或标注为同一独立的集合。在本实施方式中，可将上传照片和与其相同或相似的已存照片存储入同一位于目录下的文件夹(子目录)，也可以通过在上传照片上加入与其相似的已存照片同样的ID，以在前端页面中体现为其位于同一文件夹(子目录)，以便用户管理和查看。当然，若不存在与当前上传照片相同或相似的已存照片，则可将该当前上传照片存在根目录下，或单独存放于一文件夹(子目录)内，和/或标注新的ID。

在本实施方式中，所述方法还包括：

判断同一集合中照片的图像质量，将图像质量最高的照片作为该集合的封面或封面的一部分。其中，判断图像质量的特征可包括图像的清晰度、图像中人物的个数，以及图像的主观质量分数等，该方法具体包括：

通过深度神经网络训练，对同一集合中的照片进行评分；相应地，通过深度神经网络训练方法包括：每次输出两张一组的照片，并通过人为判断该两张照片中哪一张的图像质量较高，以修正系统对照片的图像质量评分，在完成若干组照片的评价后，建立稳定的评分标准；

将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。需要说明的是，若在上述深度神经网络训练中，将人为判断图像质量高的照片分数修正为低分，则评分最低的照片代表图像质量最高的照片；若在上述深度神经网络训练中，将人为判断图像质量高的照片分数修正为高分，则评分最高的照片代表图像质量最高的照片。另外，在本实施方式中，可将图像质量最高的照片作为集合封面，该集合封面仅为一张图像；也可将图像质量最高的照片作为集合封面的一部分，该集合封面可由多张照片组合而成。

如图2所示，在本发明第二实施方式中，一种照片的分类存储方法，其包括：

将目录内的照片A和照片B的图像特性相匹配，计算照片A和照片B的图像相似度；在本实施方式中，该图像特征为图像的全局描述特征，其包括GIST特征，和/或CMG特征，和/或颜色直方图特征等。在该实施方式中，所述照片B为目录内除照片A之外其余照片的任意一张。

当所述照片A与所述照片B的图像相似度大于预设阈值，在前端页面中将所述照片A和所述照片B展示为位于同一子目录内。即是若照片A和照片B相同或相似，则将照片A和照片B存储和/或标注为同一独立的集合。在本实施方式中，可将照片A和照片B存储入同一位于目录下的文件夹(子目录)，也可以通过在照片A和照片B上加入同样的ID，以在前端页面中体现为其位于同一文件夹(子目录)，以便用户管理和查看。当然，若不存在与照片A相同或相似的照片B，则可将照片A存在根目录下，或单独存放于一文件夹(子目录)内，和/或标注新的ID。

在本实施方式中，所述方法在“将目录内的照片A和照片B的图像特性相匹配”包括：

获取目录内照片的拍照时间信息；一般数字照片中都包括拍照时间信息，获取照片的拍照时间。

在获取照片地拍照时间后，将在目录内与照片A的拍照时间间隔在预设范围内的照片B的图像特性与所述照片A的图像特性相匹配。

根据拍照习惯，对同一取景事物进行重复拍摄，一般是在一定的时间区间内的，例如，第一次拍照后的30秒内的照片，其照片与第一次拍照的照片相同或相似的几率较高；而拍照时间间隔跨度较大的，例如相隔5分钟，则对同一取景进行重复拍摄的几率较短。先用拍照时间筛选出与照片A存在相同或相似几率较高的已存照片，可大大减小后续的图像特性匹配的计算量，减轻服务器的工作压力，提升匹配效率。在实施方式中，可将照片A的图像特性与时间区间内的目录中其他照片逐一匹配，以计算一个或多个照片与该当前照片A的图像相似度。在该实施方式中，所述照片B为目录下，与照片A的拍照时间间隔在预设范围内的 照片的任意一张。

其中，在本实施方式中，图像相似度的计算包括图像距离和拍照时间间隔两个维度，其具体包括：

计算照片A与照片B的图像距离，所述图像距离可为Cosine距离，或直方图距离，或欧式距离等，并根据照片A和照片B的拍照时间间隔对所述图像距离进行调权，得到综合图像距离。其中，综合图像距离越大则表示图像相似度越低；综合图像距离越小则表示图像相似度越高。

具体地，若照片A和照片B的拍照时间间隔较长，超过第一预设时间(例如5分钟)，则在所述图像距离上进行加权，使所述照片A与照片B的综合图像距离增加；若照片A和照片B的拍照时间间隔较短，小于第二预设时间(例如小于30秒)，则在所述图像距离上进行降权，使得所述照片A与照片B的综合图像距离减小。

当综合图像距离小于预设距离阈值时，则认为照片A与所述照片B的图像相似度大于预设阈值，当前照片A与照片B相同或相似，当综合图像距离大于预设距离阈值时，则认为照片A与所述照片B的图像相似度小于预设阈值，照片A与照片B不相同或不相似。

在本实施方式中，所述方法还包括：

判断同一集合中照片的图像质量，将图像质量最高的照片作为该集合的封面或封面的一部分。其中，判断图像质量的特征可包括图像的清晰度、图像中人物的个数，以及图像的主观质量分数等，该方法具体包括：

通过深度神经网络训练，对同一集合中的照片进行评分；相应地，通过深度神经网络训练方法包括：每次输出两张一组的照片，并通过人 为判断该两张照片中哪一张的图像质量较高，以修正系统对照片的图像质量评分，在完成若干组照片的评价后，建立稳定的评分标准；

将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。需要说明的是，若在上述深度神经网络训练中，将人为判断图像质量高的照片分数修正为低分，则评分最低的照片代表图像质量最高的照片；若在上述深度神经网络训练中，将人为判断图像质量高的照片分数修正为高分，则评分最高的照片代表图像质量最高的照片。另外，在本实施方式中，可将图像质量最高的照片作为集合封面，该集合封面仅为一张图像；也可将图像质量最高的照片作为集合封面的一部分，该集合封面可由多张照片组合而成。

如图3所示，为本发明一实施方式的照片的分类存储装置的模块图，其可分别对应上述两种不同的方法。

当对应上述第一实施方式时，所述装置包括：

照片信息获取模块100，用于获取当前上传照片的拍照时间信息；在本实施方式中，一般数字照片中都包括拍照时间信息，在照片上传时或上传后，获取上传照片的拍照时间；

计算模块200，用于提取所述当前上传照片的图像特征；该图像特征为图像的全局描述特征，其包括GIST特征，和/或CMG特征，和/或颜色直方图特征等。

以及将与当前上传照片的拍照时间间隔在预设范围内的已存照片的图像特性与所述当前上传照片的图像特性相匹配，计算当前上传照片和已存照片的图像相似度；在本实施方式中，在获得了当前上传照片的拍照时间后，可先在照片库中根据所述拍照时间进行筛选，筛选出与所述 拍照时间间隔在预设范围内的已存照片。其中，该当前上传照片和已存照片均存放于照片数据库300内。

根据拍照习惯，对同一取景事物进行重复拍摄，一般是在一定的时间区间内的，例如，第一次拍照后的30秒内的照片，其照片与第一次拍照的照片相同或相似的几率较高；而拍照时间间隔跨度较大的，例如相隔5分钟，则对同一取景进行重复拍摄的几率较短。先用拍照时间筛选出与上传照片存在相同或相似几率较高的已存照片，可大大减小后续的图像特性匹配的计算量，减轻服务器的工作压力，提升匹配效率。其次，将筛选出的已存照片的图像特性与当前上传照片的图像特性相匹配，以判断已存照片中是否存在与当前上传照片相同或相似的照片，在本实施方式中，可将当前上传照片的图像特性与时间区间内的已存照片逐一匹配，以计算一个或多个已存照片与该当前上传照片的图像相似度。

其中，在本实施方式中，图像相似度的计算包括图像距离和拍照时间间隔两个维度，所述计算模块200用于：

计算当前上传照片与已存照片的图像距离，所述图像距离可为Cosine距离，或直方图距离，或欧式距离等，并根据当前上传照片和已存照片的拍照时间间隔对所述图像距离进行调权，得到综合图像距离。其中，综合图像距离越大则表示图像相似度越低；综合图像距离越小则表示图像相似度越高。

具体地，若当前上传照片和已存照片的拍照时间间隔较长，超过第一预设时间(例如5分钟)，则在所述图像距离上进行加权，使所述当前上传照片与已存照片的综合图像距离增加；若当前上传照片和已存照片的拍照时间间隔较短，小于第二预设时间(例如小于30秒)，则在所 述图像距离上进行降权，使得所述上传照片与已存照片的综合图像距离减小。

当综合图像距离小于预设阈值时，则认为当前上传照片与某一或某些已存照片相同或相似，当综合图像距离大于预设阈值时，则认为当前上传照片与已存照片不相同或不相似。

处理模块400，用于将当前上传照片，以及与所述当前上传照片相同或相似的已存照片存储和/或标注为同一独立的集合。在本实施方式中，可将上传照片和与其相同或相似的已存照片存储入同一位于目录下的文件夹(子目录)，也可以通过在上传照片上加入与其相似的已存照片同样的ID，以在前端页面中体现为其位于同一文件夹(子目录)，以便用户管理和查看。当然，若不存在与当前上传照片相同或相似的已存照片，则可将该当前上传照片存在根目录下，或单独存放于一文件夹(子目录)内，和/或标注新的ID。

在本实施方式中，所述计算模块200还用于判断同一集合中照片的图像质量，所述处理模块400还用于将图像质量最高的照片作为该集合的封面或封面的一部分。其中，判断图像质量的特征可包括图像的清晰度、图像中人物的个数，以及图像的主观质量分数等。

所述装置还包括学习模块500，所述学习模块500用于深度神经网络训练，使得所述学习模块500和所述计算模块200可协同地对同一集合中的照片进行评分。

相应地，通过深度神经网络训练方法包括：每次输出两张一组的照片，并通过人为判断该两张照片中哪一张的图像质量较高，以修正系统对照片的图像质量评分，在完成若干组照片的评价后，建立稳定的评分 标准；

所述处理模块400将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。需要说明的是，若在上述深度神经网络训练中，将人为判断图像质量高的照片分数修正为低分，则评分最低的照片代表图像质量最高的照片；若在上述深度神经网络训练中，将人为判断图像质量高的照片分数修正为高分，则评分最高的照片代表图像质量最高的照片。另外，在本实施方式中，可将图像质量最高的照片作为集合封面，该集合封面仅为一张图像；也可将图像质量最高的照片作为集合封面的一部分，该集合封面可由多张照片组合而成。

当对应上述第二实施方式时，所述装置包括：

计算模块200，用于将目录内的照片A和照片B的图像特性相匹配，计算照片A和照片B的图像相似度；在本实施方式中，该图像特征为图像的全局描述特征，其包括GIST特征，和/或CMG特征，和/或颜色直方图特征等。在该实施方式中，所述照片B为目录内除照片A之外其余照片的任意一张。其中，该照片A和照片B均存放于照片数据库300内。

处理模块400，用于当所述照片A与所述照片B的图像相似度大于预设阈值，在前端页面中将所述照片A和所述照片B展示为位于同一子目录内。即是若照片A和照片B相同或相似，则将照片A和照片B存储和/或标注为同一独立的集合。在本实施方式中，可将照片A和照片B存储入同一位于目录下的文件夹(子目录)，也可以通过在照片A和照片B上加入同样的ID，以在前端页面中体现为其位于同一文件夹(子目录)，以便用户管理和查看。当然，若不存在与照片A相同或相似的照片B，则可将照片A存在根目录下，或单独存放于一文件夹(子目录) 内，和/或标注新的ID。

在本实施方式中，所述装置还包括照片信息获取模块100，其用于：

获取目录内照片的拍照时间信息；一般数字照片中都包括拍照时间信息，获取照片的拍照时间。

所述计算模块200用于在获取照片地拍照时间后，将在目录内与照片A的拍照时间间隔在预设范围内的照片B的图像特性与所述照片A的图像特性相匹配。

根据拍照习惯，对同一取景事物进行重复拍摄，一般是在一定的时间区间内的，例如，第一次拍照后的30秒内的照片，其照片与第一次拍照的照片相同或相似的几率较高；而拍照时间间隔跨度较大的，例如相隔5分钟，则对同一取景进行重复拍摄的几率较短。先用拍照时间筛选出与照片A存在相同或相似几率较高的已存照片，可大大减小后续的图像特性匹配的计算量，减轻服务器的工作压力，提升匹配效率。在实施方式中，可将照片A的图像特性与时间区间内的目录中其他照片逐一匹配，以计算一个或多个照片与该当前照片A的图像相似度。在该实施方式中，所述照片B为目录下，与照片A的拍照时间间隔在预设范围内的照片的任意一张。

其中，在本实施方式中，图像相似度的计算包括图像距离和拍照时间间隔两个维度，所述计算模块200用于：

计算照片A与照片B的图像距离，所述图像距离可为Cosine距离，或直方图距离，或欧式距离等，并根据照片A和照片B的拍照时间间隔对所述图像距离进行调权，得到综合图像距离。其中，综合图像距离越大则表示图像相似度越低；综合图像距离越小则表示图像相似度越高。

具体地，若照片A和照片B的拍照时间间隔较长，超过第一预设时间(例如5分钟)，则在所述图像距离上进行加权，使所述照片A与照片B的综合图像距离增加；若照片A和照片B的拍照时间间隔较短，小于第二预设时间(例如小于30秒)，则在所述图像距离上进行降权，使得所述照片A与照片B的综合图像距离减小。

当综合图像距离小于预设距离阈值时，则认为照片A与所述照片B的图像相似度大于预设阈值，当前照片A与照片B相同或相似，当综合图像距离大于预设距离阈值时，则认为照片A与所述照片B的图像相似度小于预设阈值，照片A与照片B不相同或不相似。

在本实施方式中，所述计算模块200还用于判断同一集合中照片的图像质量，所述处理模块400还用于将图像质量最高的照片作为该集合的封面或封面的一部分。其中，判断图像质量的特征可包括图像的清晰度、图像中人物的个数，以及图像的主观质量分数等。

所述装置还包括学习模块500，所述学习模块500用于深度神经网络训练，使得所述学习模块500和所述计算模块200可协同地对同一集合中的照片进行评分。

相应地，通过深度神经网络训练方法包括：每次输出两张一组的照片，并通过人为判断该两张照片中哪一张的图像质量较高，以修正系统对照片的图像质量评分，在完成若干组照片的评价后，建立稳定的评分标准；

所述处理模块400将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。需要说明的是，若在上述深度神经网络训练中，将人为判断图像质量高的照片分数修正为低分，则 评分最低的照片代表图像质量最高的照片；若在上述深度神经网络训练中，将人为判断图像质量高的照片分数修正为高分，则评分最高的照片代表图像质量最高的照片。另外，在本实施方式中，可将图像质量最高的照片作为集合封面，该集合封面仅为一张图像；也可将图像质量最高的照片作为集合封面的一部分，该集合封面可由多张照片组合而成。

综上所述，本发明的有益效果是：能够有效地对用户相册中大量的相近的图像进行整理，并放在同一个文件夹下，以方便用户管理和查看。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。

在本发明所提供的几个实施方式中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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方式方案的目的。

另外，在本发明各个实施方式中的各功能模块可以集成在一个处理 模块中，也可以是各个模块单独物理存在，也可以2个或2个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(processor)执行本发明各个实施方式所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施方式仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式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方式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方式技术方案的精神和范围。

Claims (22)

1. 一种照片的分类存储方法，其特征在于，所述方法包括：

   获取当前上传照片的拍照时间信息，并提取所述当前上传照片的图像特征；

   将与当前上传照片的拍照时间间隔在预设范围内的已存照片的图像特性与所述当前上传照片的图像特性相匹配，计算当前上传照片和已存照片的图像相似度；

   将当前上传照片，以及与所述当前上传照片相同或相似的已存照片存储和/或标注为同一独立的集合。
2. 根据权利要求1所述的照片的分类存储方法，其特征在于，所述计算当前上传照片和已存照片的图像相似度包括：

   计算当前上传照片与已存照片的图像距离，并根据当前上传照片和已存照片的拍照时间间隔对所述图像距离进行调权，得到综合图像距离，其中，综合图像距离越大则图像相似度越低；综合图像距离越小则图像相似度越高。
3. 根据权利要求2所述的照片的分类存储方法，其特征在于，所述计算当前上传照片和已存照片的图像相似度还包括：

   若当前上传照片和已存照片的拍照时间间隔较长，则在所述图像距离上进行加权，使所述当前上传照片与已存照片的综合图像距离增加；

   若当前上传照片和已存照片的拍照时间间隔较短，则在所述图像距离上进行降权，使得所述上传照片与已存照片的综合图像距离减小。
4. 根据权利要求1、2或3所述的照片的分类存储方法，其特征在于，所述方法还包括：

   判断同一集合中照片的图像质量，将图像质量最高的照片作为该集合的封面或封面的一部分，具体包括：

   通过深度神经网络训练，对同一集合中的照片进行评分；

   将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。
5. 一种照片的分类存储方法，其特征在于，所述方法包括：

   将目录内的照片A和照片B的图像特性相匹配，计算照片A和照片B的图像相似度；

   当所述照片A与所述照片B的图像相似度大于预设阈值，在前端页面中将所述照片A和所述照片B展示为位于同一子目录内。
6. 根据权利要求5所述的照片的分类存储方法，其特征在于，将目录内的照片A和照片B的图像特性相匹配具体包括：

   获取目录内照片的拍照时间信息；

   将在目录内与照片A的拍照时间间隔在预设范围内的照片B的图像特性与所述照片A的图像特性相匹配。
7. 根据权利要求6所述的照片的分类存储方法，其特征在于，所述计算照片A和照片B的图像相似度包括：

   计算照片A与照片B的图像距离，并根据照片A和照片B的拍照时间间隔对所述图像距离进行调权，得到综合图像距离，其中，综合图像距离越大则图像相似度越低；综合图像距离越小则图像相似度越高。
8. 根据权利要求7所述的照片的分类存储方法，其特征在于，所述计算照片A和照片B的图像相似度还包括：

   若照片A和照片B的拍照间隔时间大于第一预设时间，则在所述图 像距离上进行加权，使照片A和照片B的综合图像距离增加；

   若照片A和照片B的拍照间隔时间小于第二预设时间，则在所述图像距离上进行降权，使所述照片A和照片B的综合图像距离减小。
9. 根据权利要求5至8任一权项所述的照片的分类存储方法，其特征在于，所述方法还包括：

   判断同一集合中照片的图像质量，将图像质量最高的照片作为该集合的封面或封面的一部分，具体包括：

   通过深度神经网络训练，对同一集合中的照片进行评分；

   将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。
10. 一种照片的分类存储装置，其特征在于，所述装置包括：

    照片信息获取模块，用于获取当前上传照片的拍照时间信息；

    计算模块，用于提取所述当前上传照片的图像特征，并将与当前上传照片的拍照时间间隔在预设范围内的已存照片的图像特性与所述当前上传照片的图像特性相匹配，计算当前上传照片和已存照片的图像相似度；

    处理模块，将当前上传照片，以及与所述当前上传照片相同或相似的已存照片存储和/或标注为同一独立的集合。
11. 根据权利要求10所述的照片的分类存储装置，其特征在于，所述计算模块用于：

    计算当前上传照片与已存照片的图像距离，并根据当前上传照片和已存照片的拍照时间间隔对所述图像距离进行调权，得到综合图像距离，其中，综合图像距离越大则图像相似度越低；综合图像距离越小则图像 相似度越高。
12. 根据权利要求11所述的照片的分类存储装置，其特征在于，所述计算模块还用于：

    若当前上传照片和已存照片的拍照时间间隔较长，则在所述图像距离上进行加权，使所述当前上传照片与已存照片的综合图像距离增加；

    若当前上传照片和已存照片的拍照时间间隔较短，则在所述图像距离上进行降权，使得所述上传照片与已存照片的综合图像距离减小。
13. 根据权利要求10、11或12所述的照片的分类存储装置，其特征在于，所述计算模块还用于判断同一集合中照片的图像质量；

    所述处理模块还用于将图像质量最高的照片作为该集合的封面或封面的一部分；

    所述装置还包括学习模块，其用于深度神经网络训练，使得所述学习模块和所述计算模块可协同地对同一集合中的照片进行评分；

    所述处理模块用于，将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。
14. 一种照片的分类存储装置，其特征在于，所述装置包括：

    计算模块，用于将目录内的照片A和照片B的图像特性相匹配，计算照片A和照片B的图像相似度；

    处理模块，用于当所述照片A与所述照片B的图像相似度大于预设阈值，在前端页面中将所述照片A和所述照片B展示为位于同一子目录内。
15. 根据权利要求14所述的照片的分类存储装置，其特征在于，所述装置还包括照片信息获取模块，其用于获取目录内照片的拍照时间信 息；

    所述计算模块用于，将在目录内与照片A的拍照时间间隔在预设范围内的照片B的图像特性与所述照片A的图像特性相匹配。
16. 根据权利要求15所述的照片的分类存储装置，其特征在于，所述计算模块还用于：

    计算照片A与照片B的图像距离，并根据照片A和照片B的拍照时间间隔对所述图像距离进行调权，得到综合图像距离，其中，综合图像距离越大则图像相似度越低；综合图像距离越小则图像相似度越高。
17. 根据权利要求16所述的照片的分类存储装置，其特征在于，所述计算模块还用于

    若照片A和照片B的拍照间隔时间大于第一预设时间，则在所述图像距离上进行加权，使照片A和照片B的综合图像距离增加；

    若照片A和照片B的拍照间隔时间小于第二预设时间，则在所述图像距离上进行降权，使所述照片A和照片B的综合图像距离减小。
18. 根据权利要求14至17任一权项所述的照片的分类存储装置，其特征在于，所述计算模块还用于判断同一集合中照片的图像质量；

    所述处理模块还用于将图像质量最高的照片作为该集合的封面或封面的一部分；

    所述装置还包括学习模块，其用于深度神经网络训练，使得所述学习模块和所述计算模块可协同地对同一集合中的照片进行评分；

    所述处理模块用于，将评分最高或最低的照片作为图像质量最高的照片，并设为该集合的封面或封面的一部分。
19. 一种设备，包括：

    一个或多个处理器；

    存储器；

    一个或多个程序，所述一个或多个程序存储在所述存储器中，当被所述一个或多个处理器执行时，执行以下操作：

    获取当前上传照片的拍照时间信息，并提取所述当前上传照片的图像特征；

    将与当前上传照片的拍照时间间隔在预设范围内的已存照片的图像特性与所述当前上传照片的图像特性相匹配，计算当前上传照片和已存照片的图像相似度；

    将当前上传照片，以及与所述当前上传照片相同或相似的已存照片存储和/或标注为同一独立的集合。
20. 一种非易失性计算机存储介质，所述计算机存储介质存储有一个或多个程序，当所述一个或多个程序被一个设备执行时，使得所述设备执行以下操作：

    获取当前上传照片的拍照时间信息，并提取所述当前上传照片的图像特征；

    将与当前上传照片的拍照时间间隔在预设范围内的已存照片的图像特性与所述当前上传照片的图像特性相匹配，计算当前上传照片和已存照片的图像相似度；

    将当前上传照片，以及与所述当前上传照片相同或相似的已存照片存储和/或标注为同一独立的集合。
21. 一种设备，包括：

    一个或多个处理器；

    存储器；

    一个或多个程序，所述一个或多个程序存储在所述存储器中，当被所述一个或多个处理器执行时，执行以下操作：

    将目录内的照片A和照片B的图像特性相匹配，计算照片A和照片B的图像相似度；

    当所述照片A与所述照片B的图像相似度大于预设阈值，在前端页面中将所述照片A和所述照片B展示为位于同一子目录内。
22. 一种非易失性计算机存储介质，所述计算机存储介质存储有一个或多个程序，当所述一个或多个程序被一个设备执行时，使得所述设备执行以下操作：

    将目录内的照片A和照片B的图像特性相匹配，计算照片A和照片B的图像相似度；

    当所述照片A与所述照片B的图像相似度大于预设阈值，在前端页面中将所述照片A和所述照片B展示为位于同一子目录内。

Images