本申请涉及计算机技术领域，特别是涉及一种信息处理方法和装置、电子设备、计算机可读存储介质。
背景技术
随着计算机技术的发展，互联网已经成为人们获取信息的重要来源。由于互联网规模使得信息资源越来越丰富，人们在获取所需要的信息时需要人为从大量的数据信息中进行搜索，进而出现了信息推荐技术，可以根据用户上传的信息或浏览记录，向用户推荐相关联的信息。
然而，传统的方法中存在信息推荐不准确的问题。
技术实现要素：
本申请实施例提供一种信息处理方法和装置、电子设备、计算机可读存储介质，可以提高信息推荐的准确性。
一种信息处理方法，包括：
对图像进行场景识别，得到所述图像的分类标签；
统计各个图像的分类标签，根据分类标签的统计数确定用户标识所对应的用户标签；
向所述用户标识推送与所述用户标签相关联的信息。
一种信息处理装置，包括：
场景识别模块，用于对图像进行场景识别，得到所述图像的分类标签；
标签确定模块，用于统计各个图像的分类标签，根据分类标签的统计数确定用户标识所对应的用户标签；
推送模块，用于向所述用户标识推送与所述用户标签相关联的信息。
一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
对图像进行场景识别，得到所述图像的分类标签；
统计各个图像的分类标签，根据分类标签的统计数确定用户标识所对应的用户标签；
向所述用户标识推送与所述用户标签相关联的信息。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
对图像进行场景识别，得到所述图像的分类标签；
统计各个图像的分类标签，根据分类标签的统计数确定用户标识所对应的用户标签；
向所述用户标识推送与所述用户标签相关联的信息。
上述信息处理方法和装置、电子设备、计算机可读存储介质，可以对图像进行场景识别，得到图像的分类标签，统计各个图像的分类标签，根据分类标签的统计数确定用户标识所对应的用户标签，向所述用户标识推送与所述用户标签相关联的信息。由于可以对用户的图像进行识别并确定用户标签，向用户推送与用户标签关联的信息，可以提高信息推荐的准确性。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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为一个实施例中电子设备的内部结构示意图；
图2为一个实施例中信息处理方法的流程图；
图3为一个实施例中图像场景识别的流程图；
图4为一个实施例中神经网络的架构示意图；
图5为一个实施例中向用户推送信息的流程图；
图6为一个实施例中信息处理装置的结构框图；
图7为一个实施例中信息处理电路的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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仅用以解释本申请，并不用于限定本申请。
图1为一个实施例中电子设备的内部结构示意图。如图1所示，该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该处理器用于提供计算和控制能力，支撑整个电子设备的运行。存储器用于存储数据、程序等，存储器上存储至少一个计算机程序，该计算机程序可被处理器执行，以实现本申请实施例中提供的适用于电子设备的无线网络通信方法。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以下各个实施例所提供的一种信息处理方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。网络接口可以是以太网卡或无线网卡等，用于与外部的电子设备进行通信。该电子设备可以是手机、平板电脑或者个人数字助理或穿戴式设备等。
图2为一个实施例中信息处理方法的流程图。本实施例中的信息处理方法，以运行于图1中的电子设备上为例进行描述。如图2所示，信息处理方法包括步骤202至步骤206。
步骤202，对图像进行场景识别，得到图像的分类标签。
图像是指电子设备通过摄像头采集的图像。在一个实施例中，图像也可以是存储在电子设备本地的图像，还可以是电子设备从网络下载的图像等。具体地，对图像进行场景识别，可以根据vgg(visualgeometrygroup，视觉几何组)、cnn(convolutionalneuralnetwork，卷积神经网络)、决策树(decisiontree)、随机森林(randomforest)等深度学习算法训练场景识别模型，根据场景识别模型对图像进行场景识别。场景识别模型一般包括输入层、隐层和输出层；输入层用于接收图像的输入；隐层用于对接收到的图像进行处理；输出层用于输出对图像处理的最终结果即输出图像的场景识别结果。
图像的场景可以是风景、海滩、蓝天、绿草、雪景、烟火、聚光灯、文本、人像、婴儿、猫、狗、美食等。图像的分类标签是指图像的场景分类标记。具体地，可以将图像的场景识别结果作为图像的分类标签。例如，当图像的场景识别结果为蓝天时，则图像的分类标签为蓝天。电子设备可以根据场景识别模型对电子设备的图像进行场景识别，并根据场景识别结果确定图像的分类标签。
步骤204，统计各个图像的分类标签，根据分类标签的统计数确定用户标识所对应的用户标签。
用户标识可为数字、字母、字符中一种或多种组合。具体地，用户标识是电子设备持有者的身份标识。用户标签是指根据图像的分类标签对用户标识进行标记。分类标签的统计数是指所有图像的分类标签中含有该分类标签的图像数量。电子设备根据分类标签的统计数确定用户标识所对应的用户标签，具体地，电子设备可以将统计数较大的分类标签作为用户标识所对应的用户标签；电子设备也可以预先存储不同用户标签对应的分类标签，将统计数较大的分类标签对应的用户标签作为用户标识所对应的用户标签。例如，户外用户标签中的图像分类标签可以是海滩、绿草、风景等，则当统计数较大的分类标签为海滩和风景时，用户标识所对应的用户标签可以是户外用户标签，也可以是海滩用户标签和风景用户标签。
电子设备可以对各个图像的分类标签进行统计，获取不同分类标签的统计数，根据分类标签的统计数确定用户标识所对应的用户标签。具体地，电子设备可以根据统计数较大的分类标签确定用户标识所对应的分类标签。统计数较大的分类标签可以是1个、2个、3个、4个等不限于此。
步骤206，向用户标识推送与用户标签相关联的信息。
具体地，信息可以是文本信息、图像信息、音频信息、视频信息、网络链接等。与用户标签相关联的信息可以是信息内容中包含用户标签的信息，也可以是信息标签为用户标签的信息。例如，当用户标签为美食时，与用户标签相关联的信息可以是标签为美食的信息例如美食的制作视频、也可以是购买美食的网络链接等。电子设备向用户标识推送与用户标签相关联的信息，可以在电子设备显示图像时向用户标识推送信息，也可以在电子设备亮屏时向用户标识推送信息，还可以在电子设备在浏览网页的状态是向用户标识推送信息等，不限于此。
本申请提供的实施例中，通过根据场景识别模型对图像进行场景识别，得到图像的分类标签，统计各个图像的分类标签，根据分类标签的统计数确定用户标识所对应的用户标签，向用户标识推送与用户标签相关联的信息，可以提高信息推荐的准确性。
在一个实施例中，上述信息处理方法中图像的分类标签包括场景分类标签和目标分类标签。
场景分类标签是对图像背景区域的场景识别结果得到的。目标分类标签是对图像前景区域的目标检测结果得到的。具体地，图像背景区域的场景可以是风景、海滩、蓝天、绿草、雪景、夜景、黑暗、逆光、日落、烟火、聚光灯、室内等，电子设备可以根据对图像背景区域的场景识别结果确定图像的场景分类标签。图像前景区域的场景可以是人物、婴儿、猫狗、美食、文本、微距等，电子设备可以根据对图像前景区域的目标检测结果确定图像的目标分类标签。
电子设备可以对图像的背景区域和前景区域进行识别，得到图像的场景分类标签和目标检测标签作为图像的分类标签，可以提高图像检测的准确度，从而根据图像的分类标签向用户标识推送信息，可以提高信息推荐的准确性。
在一个实施例中，上述信息处理方法中步骤204，对图像进行场景识别，得到图像的分类标签，如图3所示，包括：
步骤302，对图像进行场景识别，得到图像的场景分类标签。
电子设备可以对图像进行场景识别，获取图像的场景分类标签。具体地，电子设备可以采用图像分类技术对图像进行场景识别。电子设备可预存有多个场景分类标签对应的图像特征信息，将需要进行场景识别的图像中的图像特征信息与预存的图像特征信息进行匹配，获取匹配成功的图像特征信息对应的场景分类标签作为图像的场景分类标签。当匹配成功的图像特征信息对应的场景分类标签有多个时，可以分别获取各个场景分类标签的置信度，根据各个场景分类标签的置信度选取一个场景分类标签作为图像的场景分类标签。电子设备中预存的场景分类标签可包括：风景、海滩、蓝天、绿草、雪景、夜景、黑暗、逆光、日落、烟火、聚光灯、室内、微距、文本、人像、婴儿、猫、狗、美食等。
步骤304，对图像进行目标检测，得到图像的目标分类标签。
电子设备对图像进行目标检测，可将图像中图像特征信息与预存的目标分类标签对应的特征信息进行匹配，获取匹配成功的特征信息对应的目标分类标签作为图像的目标分类标签。上述电子设备中预存的目标分类标签可包括：人像、婴儿、猫、狗、美食、文本、蓝天、绿草、沙滩、烟火等。
步骤306，将场景分类标签和目标分类标签作为图像的分类标签。
电子设备可以将场景分类标签和目标分类标签均作为图像的分类标签，也可以根据图像背景区域和前景区域的大小，将较大区域对应的分类标签作为图像的分类标签。在一个实施例中，图像可以没有前景区域，或前景区域与背景区域的场景识别结果相同，则电子设备可以根据图像背景区域的场景识别结果确定图像的分类标签。例如，在一张拍摄内容只为草地的图像中，场景分类标签和目标分类标签都为绿草，则图像的分类标签为绿草；若草地上有其他物体例如猫，则图像的分类标签为绿草和猫。
在一个实施例中，上述信息处理方法中对图像进行场景识别，得到图像的分类标签的步骤还可以包括：对图像进行场景分类和目标检测，得到图像的场景分类标签和目标分类标签，将场景分类标签和目标分类标签作为图像的分类标签。
电子设备可以训练可同时实现场景分类和目标检测的神经网络。具体地，在神经网络训练过程中，可以将包含有至少一个背景训练目标和前景训练目标的训练图像输入到神经网络中，神经网络根据背景训练目标和前景训练目标进行特征提取，对背景训练目标进行检测得到第一预测置信度，根据第一预测置信度和第一真实置信度得到第一损失函数，对前景训练目标进行检测得到第二预测置信度，根据第二预测置信度和第二真实置信度得到第二损失函数，根据第一损失函数和第二损失函数得到目标损失函数，对神经网络的参数进行调整，使得训练的神经网络后续可同时识别出场景分类和目标分类，从而得到可以同时对图像的前景区域和背景区域进行检测的神经网络。置信度是被测量参数的测量值的可信程度。该第一真实置信度表示在该训练图像中预先标注的背景图像所属指定图像类别的置信度。第二真实置信度表示在该训练图像中预先标注的前景目标所属指定目标类别的置信度。
在一个实施例中，上述神经网络包括至少一个输入层、基础网络层、分类网络层、目标检测网络层和两个输出层，该两个输出层包括与该分类网络层级联的第一输出层和与该目标检测网络层级联的第二输出层；其中，在训练阶段，该输入层用于接收该训练图像，该第一输出层用于输出该分类网络层检测的背景图像所属指定场景类别的第一预测置信度；该第二输出层用于输出该目标检测网络层检测的每个预选的默认边界框所属相对于指定目标所对应的真实边界框的偏移量参数和所属指定目标类别的第二预测置信度。图4为一个实施例中神经网络的架构示意图。如图4所示，神经网络的输入层接收带有图像类别标签的训练图像，通过基础网络(如vgg网络)进行特征提取，并将提取的图像特征输出给特征层，由该特征层对图像进行类别检测得到第一损失函数，对前景目标根据图像特征进行目标检测得到第二损失函数，对前景目标根据前景目标进行位置检测得到位置损失函数，将第一损失函数、第二损失函数和位置损失函数进行加权求和得到目标损失函数。神经网络包括数据输入层、基础网络层、分类网络层、目标检测网络层和两个输出层。数据输入层用于接收原始图像数据。基础网络层对输入层输入的图像进行预处理以及特征提取。该预处理可包括去均值、归一化、降维和白化处理。去均值是指将输入数据各个维度都中心化为0，目的是将样本的中心拉回到坐标系原点上。归一化是将幅度归一化到同样的范围。白化是指对数据各个特征轴上的幅度归一化。图像数据进行特征提取，例如利用vgg16的前5层卷积层对原始图像进行特征提取，再将提取的特征输入到分类网络层和目标检测网络层。在分类网络层可采用如mobilenet网络的深度卷积、点卷积对特征进行检测，然后输入到输出层得到图像场景分类所属指定图像类别的第一预测置信度，然后根据第一预测置信度与第一真实置信度求差得到第一损失函数；在目标检测网络层可采用如ssd网络，在vgg16的前5层的卷积层后级联卷积特征层，在卷积特征层使用一组卷积滤波器来预测指定目标类别所对应的预选默认边界框相对于真实边界框的偏移量参数和指定目标类别所对应的第二预测置信度。感兴趣区域为预选默认边界框的区域。根据偏移量参数构建位置损失函数，根据第二预测置信度与第二真实置信度的差异得到第二损失函数。将第一损失函数、第二损失函数和位置损失函数加权求和得到目标损失函数，根据目标损失函数采用反向传播算法调整神经网络的参数，对神经网络进行训练。
采用训练好的神经网络对图像进行识别时，神经网络输入层接收输入的图像，提取图像的特征，输入到分类网络层进行图像场景识别，在第一输出层通过softmax分类器输出背景图像所属各个指定场景类别的置信度，选取置信度最高且超过置信度阈值的图像场景作为该图像的背景图像所属的场景分类标签。将提取的图像的特征输入到目标检测网络层进行前景目标检测，在第二输出层通过softmax分类器输出前景目标所属指定目标类别的置信度及对应的位置，选取置信度最高且超过置信度阈值的目标类别作为该图像中前景目标所属的目标分类标签，并输出该目标分类标签对应的位置。
通过神经网络对图像进行场景识别，利用神经网络的基础网络层对图像进行特征提取，将提取的图像特征输入到分类网络和目标检测网络层，通过分类网络进行场景分类检测输出图像背景区域所属指定图像类别的置信度，通过目标检测网络层进行目标检测得到前景区域所属指定目标类别的置信度，将置信度最高的图像类别和目标类别分别作为图像的场景分类标签和图像分类标签，从而可以同时确定图像的场景分类标签和目标分类标签。
在一个实施例中，统计各个图像的分类标签，根据分类标签的统计数确定用户标识所对应的用户标签，包括：统计预设时间内各个图像的分类标签，根据预设时间内分类标签的统计数确定用户标识所对应的用户标签。
预设时间内的图像是指采集时间或获取时间在预设时间内的图像。具体地，预设时间可以是电子设备预先设置的时间，也可以是用户根据具体需要进行设定的。预设时间可以是1天、5天、10天等不限于此。电子设备可以统计预设时间内各个图像的分类标签，根据预设时间内分类标签的统计数确定用户标识所对应的用户标签。例如，电子设备可以统计24小时内各个图像的分类标签，根据24小时内分类标签的统计数确定用户标识所对应的用户标签，向用户标识推送与用户标签相关联的信息。
在一个实施例中，电子设备还可以在上一次图像识别时刻与当前时刻的距离超过预设识别间隔，对未识别的图像进行场景识别，得到图像的分类标签，统计预设时间内图像的分类标签，根据预设时间内图像的分类标签统计数更新用户标识所对应的用户标签，向用户标识推送与用户标签相关联的信息。
在一个实施例中，电子设备还可以在未识别的图像数量达到预设数量时，对未识别的图像进行场景识别，得到图像的分类标签，统计本次识别的图像的分类标签，根据本次识别的图像分类标签的统计数确定用户标识所对应的新用户标签，将新用户标签更新到用户标识所对应的用户标签中。
电子设备根据预设时间内的图像分类标签的统计数确定用户标识所对应的用户标签，可以避免过多预设时间外的图像的分类标签的统计数对用户标签的确定造成影响，定时更新用户标识所对应的用户标签，提高用户标签的准确度，从而提高向用户推荐信息的准确性。
在一个实施例中，上述信息处理方法还包括：将统计数最高的分类标签作为用户标识所对应的用户标签，向用户标识推送与用户标签相关联的信息。
具体地，电子设备可以统计各个图像的分类标签，将统计数最高的分类标签作为用户标识所对应的用户标签，向用户标识推送与用户标签相关联的信息。例如，当电子设备中婴儿分类标签的统计数为25、人像分类标签的统计数为10，美食分类标签的统计数为5时，则可以将统计数最高的婴儿分类标签作为用户标识所对应的用户标签，从而，电子设备可以向用户标识推送与婴儿相关联的信息如婴儿护理方法的文章、适合婴儿的音乐或视频、婴儿辅食购买链接等。
通过将统计数最高的分类标签作为用户标识所对应的用户标签，向用户标识推送与用户标签相关联的信息，可以准确地确定用户标识的用户标签，提高信息推荐的准确性。
如图5所示，在一个实施例中，提供的信息处理方法还包括步骤502至步骤504。其中：
步骤502，将分类标签的统计数与所有分类标签的统计数的比值作为分类标签的权重值。
步骤504，根据权重值向用户标识推送与分类标签相关联的信息。
电子设备根据分类标签的权重值向用户标识推送与分类标签相关联的信息。具体地，当分类标签的权重值越高时，向用户标识推送与该分类标签相关联的信息越多；当分类标签的权重值越低时，向用户标识推送与该分类标签相关联的信息越少。例如，当电子设备中婴儿分类标签的统计数为25、人像分类标签的统计数为15，美食分类标签的统计数为10时，则分类标签的权重值分别是婴儿0.5、人像0.3、美食0.2，则向用户标识推送的与婴儿相关联的信息为全部信息的50％、与人像相关联的信息为全部信息的30％，与美食相关联的信息为全部信息的20％。
电子设备根据分类标签的权重值向用户标识推送与分类标签相关联的信息，可以增加向用户推荐信息的丰富度，同时根据权重值进行推送可以提高信息推荐的准确性。
在一个实施例中，提供了一种信息处理方法，实现该方法的具体步骤如下所述：
首先，电子设备对图像进行场景识别，得到图像的分类标签。图像的分类标签可以是风景、海滩、蓝天、绿草、雪景、烟火、聚光灯、文本、人像、婴儿、猫、狗、美食等。电子设备可以预先根据vgg、cnn等深度学习算法训练场景识别模型，根据场景识别模型对电子设备的图像进行场景识别，并根据场景识别结果确定图像的分类标签。
可选地，图像的分类标签包括场景分类标签和目标分类标签。场景分类标签是对图像背景区域的场景识别结果得到的。目标分类标签是对图像前景区域的目标检测结果得到的。电子设备可以对图像的背景区域和前景区域进行识别，得到图像的场景分类标签和目标检测标签作为图像的分类标签。
可选地，电子设备对图像进行场景识别，得到图像的场景分类标签，对图像进行目标检测，得到图像的目标分类标签，将场景分类标签和目标分类标签作为图像的分类标签。电子设备可预存有多个场景分类标签对应的图像特征信息，将需要进行场景识别的图像中的图像特征信息与预存的图像特征信息进行匹配，获取匹配成功的图像特征信息对应的场景分类标签作为图像的场景分类标签。电子设备对图像进行目标检测，可将图像中图像特征信息与预存的目标分类标签对应的特征信息进行匹配，获取匹配成功的特征信息对应的目标分类标签作为图像的目标分类标签。电子设备可以将场景分类标签和目标分类标签均作为图像的分类标签，也可以根据图像背景区域和前景区域的大小，将较大区域对应的分类标签作为图像的分类标签。
可选地，电子设备对图像进行场景分类和目标检测，得到图像的场景分类标签和目标分类标签，将场景分类标签和目标分类标签作为图像的分类标签。电子设备可以训练可同时实现场景分类和目标检测的神经网络，利用神经网络的基础网络层对图像进行特征提取，将提取的图像特征输入到分类网络和目标检测网络层，通过分类网络进行场景分类检测输出图像背景区域所属指定图像类别的置信度，通过目标检测网络层进行目标检测得到前景区域所属指定目标类别的置信度，从而确定图像的场景分类标签和目标分类标签。
接着，电子设备统计各个图像的分类标签，根据分类标签的统计数确定用户标识所对应的用户标签。电子设备可以对各个图像的分类标签进行统计，获取不同分类标签的统计数，根据分类标签的统计数来确定用户标识所对应的用户标签。具体地，电子设备可以将统计数较大的分类标签作为用户标识所对应的用户标签；电子设备也可以预先存储不同用户标签对应的分类标签，将统计数较大的分类标签对应的用户标签作为用户标识所对应的用户标签。
可选地，电子设备统计预设时间内各个图像的分类标签，根据预设时间内分类标签的统计数确定用户标识所对应的用户标签。预设时间内的图像是指采集时间或获取时间在预设范围内的图像。电子设备可以统计预设时间内各个图像的分类标签，根据预设时间内分类标签的统计数确定用户标识所对应的用户标签。
可选地，电子设备还可以在上一次图像识别时刻与当前时刻的距离超过预设识别间隔，对未识别的图像进行场景识别，得到图像的分类标签，统计预设时间内图像的分类标签，根据预设时间内图像的分类标签统计数更新用户标识所对应的用户标签。
可选地，电子设备还可以在未识别的图像数量达到预设数量时，对未识别的图像进行场景识别，得到图像的分类标签，统计本次识别的图像的分类标签，根据本次识别的图像分类标签的统计数确定用户标识所对应的新用户标签，将新用户标签更新到用户标识所对应的用户标签中。
接着，电子设备向用户标识推送与用户标签相关联的信息。与用户标签相关联的信息可以是信息内容中包含用户标签的信息，也可以是信息标签为用户标签的信息。电子设备向用户标识推送与用户标签相关联的信息，可以在电子设备显示图像时向用户标识推送信息，也可以在电子设备亮屏时向用户标识推送信息，还可以在电子设备在浏览网页的状态是向用户标识推送信息等，不限于此。
可选地，将统计数最高的分类标签作为用户标识所对应的用户标签，向用户标识推送与用户标签相关联的信息。通过将统计数最高的分类标签作为用户标识所对应的用户标签，向用户推送与用户标签相关联的信息，可以准确地确定用户标识的用户标签，提高信息推荐的准确性。
可选地，电子设备将分类标签的统计数与所有分类标签的统计数的比值作为分类标签的权重值，根据权重值向用户标识推送与分类标签相关联的信息。具体地，当分类标签的权重值越高时，向用户标识推送与该分类标签相关联的信息越多；当分类标签的权重值越低时，向用户标识推送与该分类标签相关联的信息越少。电子设备根据分类标签的权重值向用户标识推送与分类标签相关联的信息，可以增加向用户推荐信息的丰富度，同时根据权重值进行推送可以提高信息推荐的准确性。
应该理解的是，虽然图2、3、5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、3、5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图6为一个实施例信息处理装置的结构框图。如图6所示，一种信息处理装置，包括场景识别模块602，标签确定模块604和推送模块606。其中：
场景识别模块602，用于对图像进行场景识别，得到图像的分类标签。
标签确定模块604，用于统计各个图像的分类标签，根据分类标签的统计数确定用户标识所对应的用户标签。
推送模块606，用于向用户标识推送与用户标签相关联的信息。
在一个实施例中，场景识别模块602还可以用于对图像进行场景识别，得到图像的场景分类标签和目标分类标签。
在一个实施例中，场景识别模块602还可以用于对图像进行场景识别，得到图像的场景分类标签，对图像进行目标检测，得到图像的目标分类标签，将场景分类标签和目标分类标签作为图像的分类标签。
在一个实施例中，场景识别模块602还可以用于对图像进行场景分类和目标检测，得到图像的场景分类标签和目标分类标签，将场景分类标签和目标分类标签作为图像的分类标签。
在一个实施例中，标签确定模块604还可以用于统计预设时间内各个图像的分类标签，根据所述预设时间内分类标签的统计数确定所述用户标识所对应的用户标签。
在一个实施例中，标签确定模块604还可以用于将统计数最高的分类标签作为所述用户标识所对应的用户标签，推送模块606还可以用于向所述用户标识推送与所述用户标签相关联的信息。
在一个实施例中，推送模块606还可以用于将分类标签的统计数与所有分类标签的统计数的比值作为分类标签的权重值，根据权重值向用户标识推送与分类标签相关联的信息。
上述信息处理装置中各个模块的划分仅用于举例说明，在其他实施例中，可将信息处理装置按照需要划分为不同的模块，以完成上述信息处理装置的全部或部分功能。
关于信息处理装置的具体限定可以参见上文中对于信息处理方法的限定，在此不再赘述。上述信息处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请实施例中提供的信息处理装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时，实现本申请实施例中所描述方法的步骤。
本申请实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行信息处理方法的步骤。
一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行信息处理方法。
本申请实施例还提供一种电子设备。上述电子设备中包括图像处理电路，图像处理电路可以利用硬件和/或软件组件实现，可包括定义isp(imagesignalprocessing，图像信号处理)管线的各种处理单元。图7为一个实施例中图像处理电路的示意图。如图7所示，为便于说明，仅示出与本申请实施例相关的图像处理技术的各个方面。
如图7所示，图像处理电路包括isp处理器740和控制逻辑器750。成像设备710捕捉的图像数据首先由isp处理器740处理，isp处理器740对图像数据进行分析以捕捉可用于确定和/或成像设备710的一个或多个控制参数的图像统计信息。成像设备710可包括具有一个或多个透镜712和图像传感器714的照相机。图像传感器714可包括色彩滤镜阵列(如bayer滤镜)，图像传感器714可获取用图像传感器714的每个成像像素捕捉的光强度和波长信息，并提供可由isp处理器740处理的一组原始图像数据。传感器720(如陀螺仪)可基于传感器720接口类型把采集的图像处理的参数(如防抖参数)提供给isp处理器740。传感器720接口可以利用smia(standardmobileimagingarchitecture，标准移动成像架构)接口、其它串行或并行照相机接口或上述接口的组合。
此外，图像传感器714也可将原始图像数据发送给传感器720，传感器720可基于传感器720接口类型把原始图像数据提供给isp处理器740，或者传感器720将原始图像数据存储到图像存储器730中。
isp处理器740按多种格式逐个像素地处理原始图像数据。例如，每个图像像素可具有8、10、12或14比特的位深度，isp处理器740可对原始图像数据进行一个或多个图像处理操作、收集关于图像数据的统计信息。其中，图像处理操作可按相同或不同的位深度精度进行。
isp处理器740还可从图像存储器730接收图像数据。例如，传感器720接口将原始图像数据发送给图像存储器730，图像存储器730中的原始图像数据再提供给isp处理器740以供处理。图像存储器730可为存储器装置的一部分、存储设备、或电子设备内的独立的专用存储器，并可包括dma(directmemoryaccess，直接直接存储器存取)特征。
当接收到来自图像传感器714接口或来自传感器720接口或来自图像存储器730的原始图像数据时，isp处理器740可进行一个或多个图像处理操作，如时域滤波。处理后的图像数据可发送给图像存储器730，以便在被显示之前进行另外的处理。isp处理器740从图像存储器730接收处理数据，并对所述处理数据进行原始域中以及rgb和ycbcr颜色空间中的图像数据处理。isp处理器740处理后的图像数据可输出给显示器770，以供用户观看和/或由图形引擎或gpu(graphicsprocessingunit，图形处理器)进一步处理。此外，isp处理器740的输出还可发送给图像存储器730，且显示器770可从图像存储器730读取图像数据。在一个实施例中，图像存储器730可被配置为实现一个或多个帧缓冲器。此外，isp处理器740的输出可发送给编码器/解码器760，以便编码/解码图像数据。编码的图像数据可被保存，并在显示于显示器770设备上之前解压缩。编码器/解码器760可由cpu或gpu或协处理器实现。
isp处理器740确定的统计数据可发送给控制逻辑器750单元。例如，统计数据可包括自动曝光、自动白平衡、自动聚焦、闪烁检测、黑电平补偿、透镜712阴影校正等图像传感器714统计信息。控制逻辑器750可包括执行一个或多个例程(如固件)的处理器和/或微控制器，一个或多个例程可根据接收的统计数据，确定成像设备710的控制参数及isp处理器740的控制参数。例如，成像设备710的控制参数可包括传感器720控制参数(例如增益、曝光控制的积分时间、防抖参数等)、照相机闪光控制参数、透镜712控制参数(例如聚焦或变焦用焦距)、或这些参数的组合。isp控制参数可包括用于自动白平衡和颜色调整(例如，在rgb处理期间)的增益水平和色彩校正矩阵，以及透镜712阴影校正参数。
本实施例中运用图7中图像处理技术可实现上述信息处理方法。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)，它用作外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。