一种目标图像的获取方法及装置与流程
本发明涉及图像处理技术领域，特别是涉及一种目标图像的获取方法及装置。
背景技术：
在具有社交功能的软件中，为了提高用户体验，系统会根据用户的性别设置默认的男性或者女性的人物剪影作为头像。
但是使用人物剪影作为头像，只能展示出用户的性别，无法展示其他的特点，因此不能满足用户展示自我的需求。现有技术中，用户筛选终端设备中存储的照片，并手动设置为账号的头像，用于用户展示自我。
但是，现有技术中需要用户在终端设备中存储的大量的图片中进行人工筛选，需要大量的时间和精力，导致用户体验不佳。
技术实现要素：
本发明实施例的目的在于提供一种目标图像的获取方法及装置，以实现提高用户体验的目的，具体技术方案如下：
为达到上述目的，本发明实施例提供了一种目标图像的获取方法，所述方法包括：
获取至少一个图像，所述至少一个图像中每一图像分别包括：目标特征、用户评价特征和属性特征；
针对每一图像，分别获取所述目标特征的第一特征值、所述用户评价特征的第二特征值和所述属性特征的第三特征值，其中，所述目标特征至少包括所述用户的五官的信息特征，所述用户评价特征至少包括所述用户对所述图像的评价的信息特征，所述属性特征至少包括所述图像的拍摄时间的信息特征；
获取所述目标特征、所述用户评价特征和所述属性特征分别对应的权重；
通过所述每一图像的所述第一特征值以及所述第一特征值的权重，所述第二特征值以及所述第二特征值的权重，所述第三特征值以及所述第三特征值的权重，获取所述每一图像的权值；
将所述至少一个图像中权值最高的图像作为目标图像。
可选的，所述针对所述每一图像，分别获取所述目标特征的第一特征值，包括：
根据所述每一图像中包含的人脸图像特征，获取所述每一图像中包含的所有人脸区域；
针对每一人脸区域，根据所述人脸区域中的目标特征以及是否检测到目标特征，获取所述目标特征对应的第一特征值；
所述通过所述每一图像的所述第一特征值以所述第一特征值的权重，所述第二特征值以及所述第二特征值的权重，所述第三特征值以及所述第三特征值的权重，获取所述每一图像的权值，包括：
通过所述每一图像的所述第一特征值以及所述第一特征值的权重，所述第二特征值以及所述第二特征值的权重，所述第三特征值以及所述第三特征值的权重，计算所述每一人脸区域的权值，并将所述每一人脸区域的权值确定为对应的所述图像的权值。
可选的，所述获取所述目标特征、所述用户评价特征和所述属性特征分别对应的权重，包括：
从云端服务器获取所述目标特征、所述用户评价特征和所述属性特征分别对应的权重，其中，所述第一特征值的权重、所述第二特征值的权重和所述第二特征值的权重均是由所述云端服务器根据人工分类好的训练样本，利用梯度下降法、线性回归算法或者神经网络算法训练得到的，所述训练样本包括，至少一张图像中包含的所有目标特征、用户评价特征和属性特征、每一特征的特征值以及所述至少一张图像的权值。
可选的，所述通过所述每一图像的所述第一特征值以及所述第一特征值的权重，所述第二特征值以及所述第二特征值的权重，所述第三特征值以及所述第三特征值的权重，获取所述每一图像的权值，包括：
根据所述第一特征值和所述第一特征值的权重，第二特征值和所述第二特征值的权重，以及第三特征值和所述第三特征值的权重，利用公式，
y(i)为第i个图像的权值；
可选的，所述将所述至少一个图像中权值最高的图像作为目标图像，包括：
以所述至少一个图像中权值最高的图像的中心点为中心，按照所述至少一个图像中权值最高的图像预设倍数大小，剪裁所述至少一个图像中权值最高的图像，并将剪裁后的图像作为目标图像。
为达到上述目的，本发明实施例还提供了一种目标图像的获取装置，所述装置包括：第一获取模块、第二获取模块、第三获取模块、第四获取模块和设置模块，其中，
所述第一获取模块，用于获取至少一个图像，所述至少一个图像中每一图像分别包括：目标特征、用户评价特征和属性特征；
所述第二获取模块，用于针对每一图像，分别获取所述目标特征的第一特征值，所述用户评价特征的第二特征值和所述属性特征的第三特征值，其中，所述目标特征至少包括所述用户的五官的信息特征，所述用户评价特征至少包括所述用户对所述图像的评价的信息特征，所述属性特征至少包括所述图像的拍摄时间的信息特征；
所述第三获取模块，用于获取所述目标特征、所述用户评价特征和所述属性特征分别对应的权重；
所述第四获取模块，用于通过所述每一图像的所述第一特征值以及所述第一特征值的权重，所述第二特征值以及所述第二特征值的权重，所述第三特征值以及所述第三特征值的权重，获取所述每一图像的权值；
所述设置模块，用于将所述至少一个图像中权值最高的图像作为目标图像。
可选的，所述第二获取模块，还用于：
根据所述每一图像中包含的人脸图像特征，获取所述每一图像中包含的所有人脸区域；
针对每一人脸区域，根据所述人脸区域中的目标特征以及是否检测到目标特征，获取所述目标特征对应的第一特征值；
所述第四获取模块，还用于：
通过所述每一图像的所述第一特征值以及所述第一特征值的权重，所述第二特征值以及所述第二特征值的权重，所述第三特征值以及所述第三特征值的权重，获取所述每一人脸区域的权值，并将所述每一人脸区域的权值确定为对应的所述图像的权值。
可选的，所述第三获取模块，还用于，
从云端服务器获取所述目标特征、所述用户评价特征和所述属性特征分别对应的权重，其中，所述第一特征值的权重、所述第二特征值的权重和所述第二特征值的权重均是由所述云端服务器根据人工分类好的训练样本，利用梯度下降法、线性回归算法或者神经网络算法训练得到的，所述训练样本包括，至少一张图像中包含的所有目标特征、用户评价特征和属性特征、每一特征的特征值以及所述至少一张图像的权值。
可选的，所述第四获取模块，还用于：
根据所述第一特征值和所述第一特征值的权重，第二特征值和所述第二特征值的权重，以及第三特征值和所述第三特征值的权重，利用公式，
y(i)为第i个图像的权值；
可选的，所述设置模块，还用于以所述至少一个图像中权值最高的图像的中心点为中心，按照所述至少一个图像中权值最高的图像预设倍数大小，剪裁所述至少一个图像中权值最高的图像，并将剪裁后的图像作为目标图像。
本发明实施例提供的一种目标图像的获取方法及装置，所述方法包括：获取至少一个图像，所述至少一个图像中每一图像分别包括：目标特征、用户评价特征和属性特征；针对所述每一图像，分别获取所述目标特征的第一特征值、所述用户评价特征的第二特征值和所述属性特征的第三特征值，其中，所述目标特征至少包括所述用户的五官的信息特征，所述用户评价特征至少包括所述用户对所述图像的评价的信息特征，所述属性特征至少包括所述图像的拍摄时间的信息特征；获取所述目标特征、所述用户评价特征和所述属性特征分别对应的权重；通过所述每一图像的所述第一特征值以及所述第一特征值的权重，所述第二特征值以及所述第二特征值的权重，所述第三特征值以及所述第三特征值的权重，获取所述每一图像的权值；将所述至少一个图像中权值最高的图像作为目标图像。
应用本发明实施例，根据图像的特征值，可以自动筛选出用户的目标图像，相对于现有技术中需要用户人工筛选图像作为目标图像，减少了用户筛选图像的时间和精力，提高了用户体验。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种目标图像的获取方法的原理示意图；
图2为本发明实施例提供的一种目标图像的获取方法的流程示意图；
图3为本发明实施例提供的一种目标图像的获取装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
为解决现有技术中存在的用户体验不佳的技术问题，本发明实施例提供了一种目标图像的获取方法及装置。
具体的，参见图1，图1为本发明实施例提供的一种目标图像的获取方法的原理示意图；终端设备获取至少一个图像。终端设备根据每个图像中是否包含有目标特征以及用户针对该图像的评价特征、该图像的属性特征，获取与各个特征对应的特征值。终端设备从云端获取各个特征对应的权重，根据各个特征到的特征值以及特征值对应的权重，获取每一图像的权值，各个特征值的权值是云端根据预先分类好的训练样本训练出来的。终端杆设备然后将权值最高的图像作为目标图像。
下面首先就本发明实施例提供的一种目标图像的获取方法进行介绍。
图2为本发明实施例提供的一种目标图像的获取方法的流程示意图，如图2所示，该方法包括：
s101：获取至少一个图像，所述至少一个图像中每一图像分别包括：目标特征、用户评价特征和属性特征。
获取终端设备上相册中或者本地图库中的图像，这些图像可以是用户使用该终端设备上的摄像装置拍摄的，也可以是用户存储到该终端设备上的。假设获取的图像分别为图像a、图像b、图像c和图像d。
需要说明的是，目标特征包括但不仅限于是否检测到了眼睛、是否检测到了鼻子、是否检测到了嘴、是否检测到了耳朵，还可以包括用户预设的其他目标特征如是否检测到了汽车、是否检测到了房子或者是否检测到了树木等。类似的，图像的属性信息还可以为用户使用该图片的频率、用户点击该图像的频率或者用户查看该图像的频率等。用户评价特征可以包括但不仅限于用户是否对该图像点赞或者用户对该图像的喜爱程度。属性特征可以包括但不仅限于图像的拍摄时间、图像的像素点的多少、图像的清晰度等。另外，本发明实施例并不对用户评价图像的方法进行限定。
例如，还可以获取用户在云端上或者网盘上的图像，上述图像的来源可以是摄像装置拍摄的还可以是用户从网络上获取的图像，本发明实施例并不对图像的存储位置或者图像的来源作出限定。
s102：针对每一图像，分别获取所述目标特征的第一特征值、所述用户评价特征的第二特征值和所述属性特征的第三特征值，其中，所述目标特征至少包括所述用户的五官的信息特征，所述用户评价特征至少包括所述用户对所述图像的评价的信息特征，所述属性特征至少包括所述图像的拍摄时间的信息特征。
示例性的，以图像a为例进行说明。一般情况下，目标特征可以为眼睛、鼻子、嘴、耳朵。判断是否检测到上述目标特征，如果某一目标特征对应的结果为是，则该目标特征对应的第一特征值为1。针对图像a，如果检测到了眼睛、检测到了鼻子、检测到了嘴、检测到了耳朵，则上述目标特征对应的第一特征值均为1。如果未检测到眼睛，则目标特征眼睛对应的特征值为0。
在实际应用中，还可以将各个目标特征对应的特征值之和作为第一特征值。例如，针对图像a，如果检测到了眼睛、检测到了鼻子、检测到了嘴，则上述目标特征对应的特征值均为1；由于未检测到耳朵，则该目标特征对应的特征值为0，则可以将1+1+1+0＝3确定为第一特征值。
用户对该图像的用户评价特征可以包括用户是否点赞的信息，针对图像a，如果检测到了用户点赞，则该图像对应的第二特征值为1，如果未检测到用户点赞，则该图像对应的第二特征值为0。
在实际应用中，还可以如下方式根据用户对该图像的用户评价特征获得该图像的第二特征值：例如，针对图像a，如果用户对该图像的喜爱程度为五星，则该图像对应的第二特征值为1，如果用户对该图像的喜爱程度为四星，则该图像对应的第二特征值为0.8，如果用户对该图像的喜爱程度为三星，则该图像对应的第二特征值为0.6，若用户对该图像的喜爱程度为二星，则该图像对应的第二特征值为0.4，若用户对该图像的喜爱程度为一星，则该图像对应的第二特征值为0.2，若用户未对该图像进行评价，则该图像对应的第二特征值为0。
以图像a的属性特征为图像a的拍摄时间为例，可以将拍摄时间在预设时刻2017年1月1日0:00:00之前的图像的第三特征值预设为0，将拍摄时间在该预设时刻2017年1月1日0:00:00之后的图像的第三特征值预设为1。根据图像a的拍摄时间信息2017年1月15日0:12:00，可以确定出图像a的第三特征值为1。
在实际应用中，类似于上述用户对图像a的喜爱程度进行分级的评价方法，还可以根据图像a的拍摄时间划分更多的等级，进而根据划分出来的等级确定出图像a的第三特征值。例如，可以将拍摄时间在预设时刻2017年1月1日0:00:00之前的图像的第三特征值预设为0，拍摄时间在预设时刻2017年1月1日至预设时刻2017年1月10日0:00:00之间的图像的第三特征值预设为0.5，拍摄时间在预设时刻2017年1月10日0:00:00之后的图像的第三特征值预设为1。
按照上述方法确定出图像b的第一特征值、第二特征值以及第三特征值、图像c的第一特征值、第二特征值以及第三特征值、图像d的第一特征值、第二特征值以及第三特征值。
示例性的，以图像a为例，可以利用开源的opencv(opensourcecomputervisionlibrary，开源计算机视觉库)库提供的检测方法，根据图像a中包含的人脸图像特征，确定出图像a中的所有目标特征，其中，opencv是一个跨平台计算机视觉库，由一系列c函数和少量c++类构成，用于实现图像处理和计算机视觉处理。一般情况下，目标特征可以为眼睛、鼻子、嘴、耳朵。判断是否检测到上述目标特征，如果某一目标特征对应的结果为是，则该目标特征对应的第一特征值为1。针对图像a，如果检测到了眼睛、检测到了鼻子、检测到了嘴、检测到了耳朵，则上述目标特征对应的第一特征值均为1。
用户对该图像的评价特征可以为用户是否点赞的信息，针对图像a，检测到了用户点赞，则该图像对应的第二特征值为1。
可以将拍摄时间在预设时刻2017年1月1日0:00:00之前的图像的第二特征值预设为0，将拍摄时间在该预设时刻2017年1月1日0:00:00之后的图像的第二特征值预设为1。根据图像a的拍摄时间信息2017年1月15日0:12:00，可以确定图像a的第三特征值为1。
按照上述方法确定出图像b的第一特征值、第二特征值和第三特征值、图像c的第一特征值、第二特征值和第三特征值、图像d的第一特征值、第二特征值和第三特征值：
假设图像b的目标特征眼睛、鼻子、嘴对应的第一特征值均为1，目标特征耳朵、用户对该图像的评价特征对应的第二特征值为0，图像b对应的第三特征值为0。
假设图像c的目标特征眼睛、鼻子对应的第一特征值均为1，目标特征嘴、耳朵、用户对该图像的评价特征对应的第二特征值为0，图像c对应的第三特征值为1。
假设图像d的目标特征眼睛对应的第一特征值均为1，目标特征鼻子、嘴、耳朵、用户对该图像的评价特征对应的第二特征值为0，图像d对应的第三特征值为0。
s103：获取所述目标特征、所述用户评价特征和所述属性特征分别对应的权重。
在实际应用中，可以从云端的对外接口服务器或者本地获取目标特征、用户评价特征和属性特征分别对应的权重。
示例性的，目标特征眼睛的权重为0.15、鼻子的权重为0.15、嘴的权重为0.15、耳朵的权重为0.15、用户对该图像的点赞的权重为0.15，图像的拍摄时间对应的权重为0.25。
s104：通过所述每一图像的所述第一特征值以及所述第一特征值的权重，所述第二特征值以及所述第二特征值的权重，所述第三特征值以及所述第三特征值的权重，获取所述每一图像的权值。
示例性的，
图像a的权值为，
1*0.15+1*0.15+1*0.15+1*0.15+1*0.15+1*0.25＝1。
图像b的权值为：
1*0.15+1*0.15+1*0.15+0*0.15+0*0.15+0*0.25＝0.45。
图像c的权值为：
1*0.15+1*0.15+0*0.15+0*0.15+0*0.15+1*0.25＝0.55。
图像d的权值为：
1*0.15+0*0.15+0*0.15+0*0.15+0*0.15+0*0.25＝0.15。
s105：将所述至少一个图像中权值最高的图像作为目标图像。
示例性的，显然s103步骤中确定出来的多个图像的权值中，图像a的权值最高。将图像a作为目标图像。
应用本发明实施例，可以为用户使用的视频软件或者聊天软件自动设置头像，用户就可以将更多的时间和精力用于其他方面，提高了用户使用视频软件或者聊天软件的用户粘性。
应用本发明图2所示实施例提供的方案，根据终端设备中图像的特征值，可以自动筛选出用户的目标图像，相对于现有技术中需要用户人工筛选图像作为目标图像，减少了用户筛选图像的时间和精力，提高了用户体验。
可选的，在本发明实施例的一种具体实施方式中，可以针对每一人脸区域，根据所述人脸区域中的目标特征以及是否检测到目标特征，获取所述目标特征对应的第一特征值。
具体的，参见图1，图1为本发明实施例提供的一种目标图像的获取方法的原理示意图；终端设备获取至少一个图像，每一图像都可以包含有多个人脸区域。终端设备根据每个人脸区域中是否包含有目标特征以及用户针对该图像的评价特征、该图像的属性特征，获取与各个特征对应的特征值。终端设备从云端的对外接口服务器上获取各个特征对应的权重，根据各个特征到的特征值以及特征值对应的权重，获取每一图像的权值，各个特征值的权值是云端根据预先分类好的训练样本利用线性回归模型训练器训练出来的。终端设备然后将权值最高的人脸区域经过剪裁，并将剪裁后的人脸区域作为目标图像。
示例性的，以图像a为例，可以利用开源的opencv(opensourcecomputervisionlibrary，开源计算机视觉库)库提供的检测方法，根据图像a中包含的人脸图像特征，确定出图像a中的所有人脸区域，其中，opencv是一个跨平台计算机视觉库，由一系列c函数和少量c++类构成，用于实现图像处理和计算机视觉处理。假设确定出的人脸区域为a-1和a-2。一般情况下，目标特征可以为是否检测到眼睛、是否检测到鼻子、是否检测到嘴、是否检测到耳朵。判断是否检测到上述目标特征，如果某一目标特征对应的结果为是，则该目标特征对应的第一特征值为1。针对人脸区域a-1，如果检测到了眼睛、检测到了鼻子、检测到了嘴、检测到了耳朵，则上述目标特征对应的第一特征值均为1。
用户对该图像的评价特征可以包括用户是否点赞的信息，针对图像a-1，检测到了用户点赞，则该图像对应的第二特征值为1。
可以将拍摄时间在预设时刻2017年1月1日0:00:00之前的图像的第二特征值预设为0，将拍摄时间在该预设时刻2017年1月1日0:00:00之后的图像的第二特征值预设为1。根据图像a的拍摄时间信息2017年1月15日0:12:00，可以确定出人脸区域a-1的第三特征值为1和人脸区域a-2的第三特征值为1。
如果人脸区域a-2中包含的目标特征为检测到了眼睛、检测到了鼻子、检测到了嘴、检测到了耳朵，未检测到用户的点赞，按照上述方法，确定出的人脸区域a-2的上述目标特征眼睛、鼻子、嘴、耳朵对应的第一特征值均为1，用户对该图像的评价特征对应的第二特征值为0；且人脸区域a-2的第三特征值为1。
按照上述方法确定出图像b中人脸区域的第一特征值、第二特征值和第三特征值、图像c中人脸区域的第一特征值、第二特征值和第三特征值、图像d中人脸区域的第一特征值、第二特征值和第三特征值：
假设图像b中只有一个人脸区域b-1，且人脸区域b-1的目标特征眼睛、鼻子、嘴对应的第一特征值均为1，目标特征耳朵、用户对该图像的评价特征对应的第二特征值为0，人脸区域b-1对应的第三技术特征为0。
假设图像c中只有一个人脸区域c-1，且人脸区域c-1的目标特征眼睛、鼻子对应的第一特征值均为1，目标特征嘴、耳朵、用户对该图像的评价特征对应的第二特征值为0，人脸区域c-1对应的第三技术特征为1。
假设图像d中只有一个人脸区域d-1，且人脸区域d-1的目标特征眼睛对应的第一特征值均为1，目标特征鼻子、嘴、耳朵、用户对该图像的评价特征对应的第二特征值为0，人脸区域d-1对应的第三技术特征为0。
通常情况下，可以将人脸图像特征理解为人脸图像区别于其他图像的特征。根据图像中包含的人脸图像特征确定出图像中包含的人脸区域为现有技术，这里不再赘述。
应用本发明上述实施例提供的方案，可以获取每一图像中包含的各个人脸区域的各个特征值。
可选的，在本发明实施例的一种具体实施方式中，当需要获取每一图像中包含的各个人脸区域的权值时，可以通过所述每一图像的所述第一特征值以及所述第一特征值的权重，所述第二特征值以及所述第二特征值的权重，所述第三特征值以及所述第三特征值的权重，获取所述每一人脸区域的权值，并将所述每一人脸区域的权值确定为对应的所述图像的权值。
可选的，在本发明实施例的一种具体实施方式中，可以根据每一个第一特征值和该第一特征值的权重，第二特征值和该第二特征值的权重，以及第三特征值和该第三特征值的权重，利用公式，
y(i)为第i个图像的权值；
假设，目标特征眼睛的权重为0.15、鼻子的权重为0.15、嘴的权重为0.15、耳朵的权重为0.15、用户对该图像的评价特征的权重为0.15，人脸区域a-1的拍摄时间对应的权重为0.25。
人脸区域a-1的权值为：
1*0.15+1*0.15+1*0.15+1*0.15+1*0.15+1*0.25＝1。
人脸区域a-2的权值为：
1*0.15+1*0.15+1*0.15+1*0.15+0*0.15+1*0.25＝0.85。
人脸区域b-1的权值为：
1*0.15+1*0.15+1*0.15+0*0.15+0*0.15+0*0.25＝0.45。
人脸区域c-1的权值为：
1*0.15+1*0.15+0*0.15+0*0.15+0*0.15+1*0.25＝0.55。
人脸区域d-1的权值为：
1*0.15+0*0.15+0*0.15+0*0.15+0*0.15+0*0.25＝0.15。
应用本发明上述实施例，通过获取每一图像中每一人脸区域的权值，可以将人脸图像作为目标图像，使图像的辨识度更高，提高了用户体验。
可选的，在本发明实施例的一种具体实施方式中，所述第一特征值的权重、所述第二特征值的权重和所述第二特征值的权重均是由云端服务器根据人工分类好的训练样本，利用梯度下降法、线性回归算法或者神经网络算法训练得到的，其中，
所述训练样本包括，至少一张图像中包含的所有特征、每一特征的特征值以及该图像的权值，其中，所有特征包括第一特征中的各个特征、第二特征中的各个特征以及第三特征中的各个特征。
下面以人脸区域x-1为例，对第一特征值的权重、第二特征值和第三特征值的权重的训练过程进行介绍。
用户根据人脸区域x-1是否包含预设的目标特征，如是眼睛、鼻子等，由人工设置人脸区域x-1的权值，并将该人脸区域x-1中包含的各个目标特征、每二特征、第三特征、各个特征对应的特征值以及该人脸区域x-1的权值作为一个训练样本。用户将多个训练样本输入到预设在云端服务器上的线性回归模型训练器，线性回归模型训练器利用梯度下降算法训练得到的，利用的梯度下降法的公式为：
θ(t+1),j为第t+1次迭代时的第j个特征值的权重；θt,j为第t次迭代时的第j个特征值的权重；t为迭代次数；j为特征值的个数；n为特征值的总数；i为训练样本的个数；x(i)为第i个训练样本；α为学习因子，是一个常数；hθ为线性回归模型，且
训练好的权重可以存储在云端的对外接口服务器上。
示例性的，以获取人脸区域a-1的权值为例进行说明。
终端设备从对外接口服务器获得各个权值对应的权重，然后根据该权重获取人脸区域a-1的权值。
需要强调的是，第一特征值、第二特征值和第三特征的权重可以是由用户设定的，也可以是从云端服务器获取的，另外，对各个特征的权重的训练可以是云端服务器进行的也可以是在本地终端设备上进行的。
应用本发明上述实施例，根据训练样本，利用利用梯度下降法、线性回归算法或者神经网络算法训练得到的，对图像中包含的各个特征的权重进行训练，可以快速获得各个特征的权重，缩短了确定目标图像过程的耗时。
相应的，本发明实施例还提供了一种目标图像的获取装置。
图3为本发明实施例提供的一种目标图像的获取装置的结构示意图，如图3所示，该装置包括：第一获取模块301、第二获取模块302、第三获取模块303、第四获取模块304和设置模块305，其中，
第一获取模块301，用于获取至少一个图像，所述至少一个图像中每一图像分别包括：目标特征、用户评价特征和属性特征；
第二获取模块302，用于针对每一图像，分别获取所述目标特征的第一特征值，所述用户评价特征的第二特征值和所述属性特征的第三特征值，其中，所述目标特征至少包括所述用户的五官的信息特征，所述用户评价特征至少包括所述用户对所述图像的评价的信息特征，所述属性特征至少包括所述图像的拍摄时间的信息特征；
第三获取模块303，用于获取所述目标特征、所述用户评价特征和所述属性特征分别对应的权重；
第四获取模块304，用于通过所述每一图像的所述第一特征值以及所述第一特征值的权重，所述第二特征值以及所述第二特征值的权重，所述第三特征值以及所述第三特征值的权重，获取所述每一图像的权值；
设置模块305，用于将所述至少一个图像中权值最高的图像作为目标图像。
应用本发明图3所示实施例提供的方案，根据终端设备中图像的特征值，可以自动筛选出用户的目标图像，相对于现有技术中需要用户人工筛选图像作为目标图像，减少了用户筛选图像的时间和精力，提高了用户体验。
可选的，在本发明实施例的一种具体实施方式中，第二获取模块302，还用于：
根据所述每一图像中包含的人脸图像特征，获取所述每一图像中包含的所有人脸区域；
针对每一人脸区域，根据所述人脸区域中的目标特征以及是否检测到目标特征，获取所述目标特征对应的第一特征值；
第四获取模块304，还用于：
通过所述每一图像的所述第一特征值以及所述第一特征值的权重，所述第二特征值以及所述第二特征值的权重，所述第三特征值以及所述第三特征值的权重，获取所述每一人脸区域的权值，并将所述每一人脸区域的权值确定为对应的所述图像的权值。
可选的，在本发明实施例的一种具体实施方式中，第三获取模块303，还用于，
从云端服务器获取所述目标特征、所述用户评价特征和所述属性特征分别对应的权重，其中，所述第一特征值的权重、所述第二特征值的权重和所述第二特征值的权重均是由所述云端服务器根据人工分类好的训练样本，利用梯度下降法、线性回归算法或者神经网络算法训练得到的，所述训练样本包括，至少一张图像中包含的所有目标特征、用户评价特征和属性特征、每一特征的特征值以及所述至少一张图像的权值。
可选的，在本发明实施例的一种具体实施方式中，第四获取模块304，还用于：
根据所述第一特征值和所述第一特征值的权重，第二特征值和所述第二特征值的权重，以及第三特征值和所述第三特征值的权重，利用公式，
y(i)为第i个图像的权值；
可选的，在本发明实施例的一种具体实施方式中，设置模块305，还用于以所述至少一个图像中权值最高的图像的中心点为中心，按照所述至少一个图像中权值最高的图像预设倍数大小，剪裁所述至少一个图像中权值最高的图像，并将剪裁后的图像作为目标图像。。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
- 还没有人留言评论。精彩留言会获得点赞！