图像描述方法及装置、电子设备和存储介质与流程

本公开涉及图像处理技术领域，尤其涉及一种图像描述方法及装置、电子设备和存储介质。

背景技术：

在传统的图像描述语句生成过程中，通常采用卷积神经网络图片编码成特征向量，再顺序地逐步产生描述语句中的一个词，直至产生整个描述语句。传统的图像描述语句生成方法在生成过程中语义和语法混杂在一起，解码的扩展性差，依赖于训练中词的顺序，容易产生和图像不匹配的词组，以及容易产生大量一致的描述语句。

技术实现要素：

本公开提出了一种图像描述技术方案。

根据本公开的一方面，提供了一种图像描述方法，包括：

将图像语义识别后的短语进行组合得到短语对集合；

将所述短语对集合中的短语对和连接短语进行匹配，确定所述短语对集合的短语对连接结果，其中，所述短语对连接结果包括短语对以及与所述短语对匹配的连接短语；

在所述图像的短语中，将与所述短语对连接结果对应的短语更新为所述短语对连接结果，根据更新后的图像的短语得到所述图像的描述语句。

在一种可能的实现方式中，所述将图像语义识别后的短语进行组合得到短语对集合，包括：

将所述图像语义识别后的短语进行两两组合得到短语对，根据所述短语对得到所述短语对集合。

在一种可能的实现方式中，所述将所述图像语义识别后的短语进行两两组合得到短语对，根据所述短语对得到所述短语对集合，包括：

将所述图像语义识别后的短语进行两两有序组合得到短语对，根据所述短语对得到所述短语对集合。

在一种可能的实现方式中，所述将所述短语对集合中的短语对和连接短语进行匹配，确定所述短语对集合的短语对连接结果，包括：

将所述短语对集合中的任一所述短语对与连接短语集合中的各个连接短语分别进行匹配，得到所述短语对的连接短语匹配结果，其中，所述连接短语集合包括至少一个连接短语；

根据所述短语对的连接短语匹配结果，确定短语对集合的短语对连接结果。

在一种可能的实现方式中，所述将所述短语对集合中的任一所述短语对与连接短语集合中的各个连接短语分别进行匹配，得到所述短语对的连接短语匹配结果，包括：

提取所述图像的特征，以及提取所述短语对中短语的特征；

根据所述图像的特征和所述短语对中短语的特征，确定所述短语对与各个连接短语的连接分值；

根据所述连接分值，确定与所述短语对匹配的连接短语，并得到所述短语对的连接短语匹配结果。

在一种可能的实现方式中，所述短语对包括第一短语和第二短语，所述短语对中短语的特征包括第一短语的特征和第二短语的特征，所述根据所述图像的特征和所述短语对中短语的特征，确定所述短语对与各个连接短语的连接分值，包括：

将所述图像的特征和所述第一短语的特征，输入第一循环神经网络进行处理，得到第一特征；

将所述图像的特征和所述第二短语的特征，输入第二循环神经网络进行处理，得到第二特征；

将所述第一特征和所述第二特征连接得到连接特征；

将所述连接特征输入全连接层和多分类器层进行处理，得到所述短语对与所述各个连接短语的连接分值。

在一种可能的实现方式中，所述提取所述图像的特征，包括：

利用卷积神经网络提取所述图像的特征。

在一种可能的实现方式中，所述提取所述短语对中短语的特征，包括：

利用第三循环神经网络提取所述短语对中短语的特征。

在一种可能的实现方式中，所述利用第三循环神经网络提取所述短语对中短语的特征，包括：

根据设定的单词特征向量集合，确定短语中各单词的单词特征向量，所述短语为所述短语对中的任一短语；

将所述图像的特征和各单词的单词特征向量输入第三循环神经网络进行处理，得到所述短语的特征。

在一种可能的实现方式中，所述根据各短语对的连接短语匹配结果，确定短语对集合的短语对连接结果，包括：

根据各短语对的连接短语匹配结果的连接分值，确定短语对集合的短语对连接结果。

在一种可能的实现方式中，所述方法还包括：

判断所述短语对连接结果是否为完整语句；

在判断结果为所述短语对连接结果为完整语句的情况下，将所述短语对连接结果确定为所述图像的描述语句。

在一种可能的实现方式中，所述判断所述短语对连接结果是否为完整语句，包括：

将所述图像的特征和所述短语对连接结果中各单词的特征，输入第四循环神经网络进行处理，得到所述短语对连接结果的特征；

将所述短语对连接结果的特征输入全连接层得到所述短语对连接结果的完整分值；

在所述短语对连接结果的完整分值大于或等于分值阈值的情况下，确定所述短语对连接结果为完整语句。

在一种可能的实现方式中，所述根据更新后的图像的短语得到所述图像的描述语句，包括：

在更新后的图像的短语的数量小于数量阈值的情况下，将所述短语确定为所述图像的描述语句。

在一种可能的实现方式中，所述方法还包括：

识别所述图像中的至少一个对象，获取所述图像的识别结果，所述识别结果包括各个所述对象的名称、类型、属性、数量、颜色、大小中的至少一种；

根据所述识别结果确定所述图像语义识别后的短语。

根据本公开的一方面，提供了一种图像描述装置，所述装置包括：

短语对集合获取模块，用于将图像语义识别后的短语进行组合得到短语对集合；

短语对连接结果获取模块，用于将所述短语对集合中的短语对和连接短语进行匹配，确定所述短语对集合的短语对连接结果，其中，所述短语对连接结果包括短语对以及与所述短语对匹配的连接短语；

描述语句获取模块，用于在所述图像的短语中，将与所述短语对连接结果对应的短语更新为所述短语对连接结果，根据更新后的图像的短语得到所述图像的描述语句。

在一种可能的实现方式中，所述短语对集合获取模块，包括：

第一短语对集合获取子模块，用于将所述图像语义识别后的短语进行两两组合得到短语对，根据所述短语对得到所述短语对集合。

在一种可能的实现方式中，所述第一短语对集合获取子模块，用于：

将所述图像语义识别后的短语进行两两有序组合得到短语对，根据所述短语对得到所述短语对集合。

在一种可能的实现方式中，所述短语对连接结果获取模块包括：

连接短语匹配结果子模块，用于将所述短语对集合中的任一所述短语对与连接短语集合中的各个连接短语分别进行匹配，得到所述短语对的连接短语匹配结果，其中，所述连接短语集合包括至少一个连接短语；

第一连接短语匹配结果子模块，用于根据所述短语对的连接短语匹配结果，确定短语对集合的短语对连接结果。

在一种可能的实现方式中，所述连接短语匹配结果子模块，包括：

特征提取单元，用于提取所述图像的特征，以及提取所述短语对中短语的特征；

连接分支获取单元，用于根据所述图像的特征和所述短语对中短语的特征，确定所述短语对与各个连接短语的连接分值；

连接短语匹配结果获取单元，用于根据所述连接分值，确定与所述短语对匹配的连接短语，并得到所述短语对的连接短语匹配结果。

在一种可能的实现方式中，所述短语对包括第一短语和第二短语，所述短语对中短语的特征包括第一短语的特征和第二短语的特征，所述连接分支获取单元，用于：

将所述图像的特征和所述第一短语的特征，输入第一循环神经网络进行处理，得到第一特征；

将所述图像的特征和所述第二短语的特征，输入第二循环神经网络进行处理，得到第二特征；

将所述第一特征和所述第二特征连接得到连接特征；

将所述连接特征输入全连接层和多分类器层进行处理，得到所述短语对与所述各个连接短语的连接分值。

在一种可能的实现方式中，所述特征提取单元，用于：

利用卷积神经网络提取所述图像的特征。

在一种可能的实现方式中，所述特征提取单元，用于：

利用第三循环神经网络提取所述短语对中短语的特征。

在一种可能的实现方式中，所述特征提取单元，用于：

根据设定的单词特征向量集合，确定短语中各单词的单词特征向量，所述短语为所述短语对中的任一短语；

将所述图像的特征和各单词的单词特征向量输入第三循环神经网络进行处理，得到所述短语的特征。

在一种可能的实现方式中，所述短语对连接结果获取模块，用于：

根据各短语对的连接短语匹配结果的连接分值，确定短语对集合的短语对连接结果。

在一种可能的实现方式中，所述装置还包括：

判断模块，用于判断所述短语对连接结果是否为完整语句；在判断结果为所述短语对连接结果为完整语句的情况下，将所述短语对连接结果确定为所述图像的描述语句。

在一种可能的实现方式中，所述判断模块，用于：

将所述图像的特征和所述短语对连接结果中各单词的特征，输入第四循环神经网络进行处理，得到所述短语对连接结果的特征；

将所述短语对连接结果的特征输入全连接层得到所述短语对连接结果的完整分值；

在所述短语对连接结果的完整分值大于或等于分值阈值的情况下，确定所述短语对连接结果为完整语句。

在一种可能的实现方式中，所述描述语句获取模块，包括：

第一描述语句获取子模块，用于在更新后的图像的短语的数量小于数量阈值的情况下，将所述短语确定为所述图像的描述语句。

在一种可能的实现方式中，所述装置还包括：

识别结果获取模块，用于识别所述图像中的至少一个对象，获取所述图像的识别结果，所述识别结果包括各个所述对象的名称、类型、属性、数量、颜色、大小中的至少一种；

短语获取模块，用于根据所述识别结果确定所述图像语义识别后的短语。

根据本公开的一方面，提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述任意一项所述的方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述一项所述的方法。

在本公开实施例中，将图像的短语进行组合得到短语对，根据连接短语集合确定短语对集合的短语对连接结果；在所述图像的短语中，将与所述短语对连接结果对应的短语更新为所述短语对连接结果，并根据更新后的图像的短语得到所述图像的描述语句。本公开实施例将短语进行组合得到短语对，可以使得描述语句的生成过程能够自然地反映语言中的层级关系。短语对与连接短语进行匹配生成描述语句，使得描述语句的扩展性好、准确度高。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开一实施例的图像描述方法的流程图；

图2示出根据本公开一实施例的图像描述方法的流程图；

图3示出根据本公开一实施例的图像描述方法中步骤21的流程图；

图4示出根据本公开一实施例的图像描述方法的流程图；

图5示出根据本公开一实施例的图像描述方法的示意图；

图6示出根据本公开一实施例的图像描述装置的框图；

图7示出根据本公开一实施例的图像描述装置的框图；

图8是根据一示例性实施例示出的一种电子设备的框图；

图9是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开一实施例的图像描述方法的流程图，如图1所示，所述图像描述方法，包括：

步骤10，将图像语义识别后的短语进行组合得到短语对集合。

在一种可能的实现方式中，通过对图像进行图像识别，识别出图像中的对象。图像中的对象可以包括人、动物、植物、蓝天、白云、山川、河流、草地等。本公开对图像中的对象不做限定。

在一种可能的实现方式中，可以识别所述图像中的至少一个对象，获取所述图像的识别结果，所述识别结果包括各个所述对象的名称、类型、属性、数量、颜色、大小中的至少一种，根据所述识别结果确定所述图像语义识别后的短语，该语义识别后的短语包括名词性词组，一个名词性词组包括名词及其冠词和形容词，如acat，asmilingboy，twodogs，trees。具体实现中可用多种方式来识别名词短语，如采用物体检测来得到名词，同时采用属性识别来得到该名词的形容词，这里不一一列举。

在一种可能的实现方式中，根据图像的识别结果，可以获取图像中的对象的名称、类型、属性、数量、颜色、大小等。其中对象的名称可以为对象的通用名称或自定义名称，例如，对象的名称为通用名称狗，或对象为小狗xx。对象的类型可以为根据设定的分类标准确定出的对象的分类，例如，类型1为重点对象，类型2为普通对象，或类型1为大型对象，类型2为小型对象等。对象的属性可以为对象的天然属性或自定义属性。例如对象的属性为女性或男性等。可以根据需求确定对象的名称、类型或属性。

在一种可能的实现方式中，可以将对象的名称、类型或属性等作为各对象的识别名词，可以将各对象的数量、颜色、大小等作为图像中各对象的描述形容词或描述冠词。可以根据各对象的描述形容词或描述冠词，以及各对象的描述名词，得到图像语义识别后的短语。例如，图像1的识别结果包括：小狗、草地和足球，且根据识别结果可以确定：小狗的数量为一，足球的数量为一、草地的数量为一。图像1的短语可以包括：一只小狗、一个足球、一片草地。

在一种可能的实现方式中，可以将所述图像语义识别后的短语进行两两组合得到短语对，根据所述短语对得到所述短语对集合。例如，根据图像1的短语，可以得到的短语对包括：(一只小狗、一个足球)、(一只小狗、一片草地)、(一个足球、一片草地)，然后根据各短语对得到图像的短语对集合。

在一种可能的实现方式中，可以将所述图像语义识别后的短语进行两两有序组合得到短语对，根据所述短语对得到所述短语对集合。

在一种可能的实现方式中，各短语在图像描述语句中的先后顺序，能够影响图像描述语句的准确度。可以将图像的各短语进行有序的两两组合得到短语对，相同的两个短语按照不同的前后顺序进行组合，可以得到两个不同的短语对。例如图像1的短语对集合可以包括以下短语对：(一只小狗、一个足球)、(一个足球、一只小狗)、(一只小狗、一片草地)、(一片草地、一只小狗)、(一个足球、一片草地)、(一片草地、一个足球)。

步骤20，将所述短语对集合中的短语对和连接短语进行匹配，确定所述短语对集合的短语对连接结果，其中，所述短语对连接结果包括短语对以及与所述短语对匹配的连接短语。

在一种可能的实现方式中，连接短语包括多个连接词，连接词可以包括表示动作、状态、位置的词语。连接短语可以连接短语对中的两个短语组成语句或新的短语。本公开对连接短语不做限定。可以预设连接短语集合，连接短语集合中可以包括根据经验预设的多个连接短语。可以将短语对集合中的各短语对分别与连接短语集合中的各连接短语进行匹配，得到各短语对的连接短语匹配结果，并根据各短语对的连接短语匹配结果，确定与各短语对最匹配的连接短语匹配结果作为短语对集合的短语对连接结果。

例如，连接短语集合中包括：(跳、跑、吃、玩、坐、睡、正在玩、正在吃、正在开心的吃、说话、慢慢地说、快速地说……)，可以将图像1的短语对集合中的各短语对，与连接短语集合中的各连接短语进行匹配。得到“一只小狗跳一个足球”、“一只小狗跑一个足球”……“一个足球跳一只小狗”、“一个足球跑一只小狗”……“一只小狗跳一片草地”、“一只小狗跑一片草地”……等，可以确定短语对(一只小狗、一个足球)的连接短语匹配结果为“一只小狗玩一个足球”、(一个足球、一片草地)的连接短语匹配结果为“一个足球在一片草地上滚”等。最终确定(一只小狗、一个足球)的连接短语匹配结果“一只小狗玩一个足球”为图像1的短语对集合的短语对连接结果。

步骤30，在所述图像的短语中，将与所述短语对连接结果对应的短语更新为所述短语对连接结果，根据更新后的图像的短语得到所述图像的描述语句。

在一种可能的实现方式中，与所述短语对连接结果对应的短语包括短语对连接结果中的两个短语。可以将图像的短语中与短语对连接结果对应的两个短语，替换为短语对连接结果，并更新图像的短语。例如，在图像1的识别中，可以将“一只小狗玩一个足球”代替一只小狗和一个足球这两个短语，更新后的图像1的短语包括：一只小狗玩一个足球、一片草地。

在一种可能的实现方式中，将更新后的图像的短语进行组合，包括进行有序的两两组合，得到更新后的短语对集合。将更新后的短语对集合中的各短语对分别与连接短语进行匹配，得到各短语对的连接短语匹配结果。根据各短语对的连接短语匹配结果，确定更新后的短语对集合的短语对连接结果。可以在图像的短语中，将与短语对连接结果对应的短语再次更新为短语对连接结果，得到再次更新后的图像的短语，并根据再次更新后的图像的短语，重复上述步骤，直至得到图像的描述语句。

例如，更新后的图像1的短语包括：一只小狗玩一个足球、一片草地，图像1的更新后的短语对集合包括：(一只小狗玩一个足球、一片草地)、(一片草地、一只小狗玩一个足球)。可以将更新后的短语对集合与连接短语进行匹配，得到两个短语对的连接短语匹配结果：“一只小狗玩一个足球在一片草地上”，和“在一片草地上一只小狗玩一个足球”。可以确定“在一片草地上一只小狗玩一个足球”为图像1的更新后的短语对集合的短语对连接结果。且“在一片草地上一只小狗玩一个足球”为完整的语句，可以将其作为图像1的描述语句。

上述实施例的图像描述方法，将图像的短语进行组合得到短语对，根据连接短语集合确定短语对集合的短语对连接结果；在所述图像的短语中，将与所述短语对连接结果对应的短语更新为所述短语对连接结果，并根据更新后的图像的短语得到所述图像的描述语句。本公开实施例将短语进行组合得到短语对，可以使得描述语句的生成过程能够自然地反映语言中的层级关系。短语对与连接短语进行匹配生成描述语句，使得描述语句的扩展性好、准确度高。

在一种可能的实现方式中，步骤10包括：

将所述图像语义识别后的短语进行两两组合得到短语对，根据所述短语对得到所述短语对集合，包括：将所述图像语义识别后的短语进行两两有序组合得到短语对，根据所述短语对得到所述短语对集合。

图2示出根据本公开一实施例的图像描述方法的流程图，如图2所示，所述图像描述方法中步骤20包括：

步骤21，将所述短语对集合中的任一所述短语对与连接短语集合中的各个连接短语分别进行匹配，得到所述短语对的连接短语匹配结果，其中，所述连接短语集合包括至少一个连接短语。

在一种可能的实现方式中，可以将短语对集合中的各短语对分别与连接短语集合中的各连接短语进行匹配，得到各短语对的连接短语匹配结果。例如，连接短语集合中包括：(跳、跑、吃、玩、坐、睡、正在玩、正在吃、正在开心的吃、说话、慢慢地说、快速地说……)，可以将(一只小狗、一个足球)与连接短语集合中的各连接短语进行匹配，得到短语对(一只小狗、一个足球)的连接短语匹配结果：“一只小狗玩一个足球”。将(一只小狗、一片草地)与连接短语集合中的各连接短语进行匹配，得到短语对(一只小狗、一片草地)的连接短语匹配结果：“一只小狗在一片草地上跑”。可以将图像1的短语对集合中的各短语对分别与连接短语集合进行匹配。得到与图像1的短语对集合中的各短语对的连接短语匹配结果。

在一种可能的实现方式中，当短语对与连接短语集合中的各连接短语均不匹配时，连接短语匹配结果可以为空或无效值。例如，图像2的短语对(一片云、一罐可乐)与连接短语集合中的各连接短语均不匹配，短语对(一片云、一罐可乐)的连接短语匹配结果为空或为无效值。

步骤22，根据所述短语对的连接短语匹配结果，确定短语对集合的短语对连接结果。

在一种可能的实现方式中，在各短语对的连接短语匹配结果中，确定一个或多个连接短语匹配结果，作为短语对集合的短语对连接结果，然后根据各连接短语匹配结果的逻辑关系和/或通顺程度，为各连接短语匹配结果打分，最后根据打分结果，确定短语对集合的短语对连接结果。例如，根据图像1的各短语对的连接短语匹配结果，可以确定“一只小狗玩一个足球”为短语对集合的短语对连接结果。

上述实施例可以将短语对集合中的各短语对分别与连接短语集合中的各连接短语匹配，确定短语对集合的短语对连接结果。将各短语对与各连接短语分别进行匹配，可以使得短语对集合的短语连接结果更加准确、更加符合图像的实际情况。

图3示出根据本公开一实施例的图像描述方法中步骤21的流程图，如图3所示，所述图像描述方法中步骤21包括：

步骤211，提取所述图像的特征，以及提取所述短语对中短语的特征。

在一种可能的实现方式中，可以利用卷积神经网络提取所述图像的特征。卷积神经网络可以包括卷积层，卷积层可以预设的卷积核对图像进行卷积处理，得到图像的形状边缘、形状方向等各种特征。卷积神经网络可以根据提取到得特征，对图像进行形状判定，例如圆形或方形，也可以进一步进行图像中对象的抽象判定，例如判定图像中的对象为气球。

在一种可能的实现方式中，可以利用第三循环神经网络提取所述短语对中短语的特征。循环神经网络可以用于处理序列数据。循环神经网络当前时刻的输出根据当前时刻的输入和当前时刻的记忆得到，当前时刻的记忆与当前时刻之前的数据相关。可以预设各个单词的特征，可以将组成短语的描述形容词、描述量词或描述名词等各单词的特征，按组成短语的顺序输入循环神经网络，得到短语的特征。

在一种可能的实现方式中，所述利用第三循环神经网络提取所述短语对中短语的特征，包括：根据设定的单词特征向量集合，确定短语中各单词的单词特征向量，所述短语为所述短语对中的任一短语；将所述图像的特征和各单词的单词特征向量输入第三循环神经网络进行处理，得到所述短语的特征。

在一种可能的实现方式中，可以将单词输入神经网络提取单词特征。单词特征向量集合可以包括多个单词的特征向量的集合。例如，单词特征向量集合可以包括一个大小为v×d的矩阵，其中v为单词表，d为单词的特征向量的长度。该矩阵的值可以通过训练神经网络得到。对于短语，可以将短语中的每个单词都转换为该单词的特征向量。例如，短语中有t个单词，可以转换为t个单词的特征向量的集合。

在一种可能的实现方式中，可以由全零的初始特征向量开始(h_0)利用循环神经网络逐步得到短语的特征。例如，在第一步，循环神经网络可以以图像的特征向量v，短语的第t个单词对应特征向量x_t，和第t-1步得到的短语的特征向量h_(t-1)作为输入，得到第t步的短语的特征向量h_t，直至短语的最后一个单词。h_t为短语的特征。

步骤212，根据所述图像的特征和所述短语对中短语的特征，确定所述短语对与各个连接短语的连接分值。

在一种可能的实现方式中，可以将图像的特征和短语对中的各短语的特征，输入循环神经网络得到短语对的特征。将短语对的特征输入针对各连接短语的多个分类器，可以确定短语对针对各连接短语的连接分值。

例如，可以采用如下公式(1)计算短语对与连接短语m的连接分值

公式(1)

其中，p^(l)为第一短语，p^(r)为第二短语，i为图像,为连接短语m,wcombine为处理由第一特征和第二特征合并得到的连接特征的全连接层的参数，wl为处理第一短语的特征的全连接层的参数,wr为处理第二短语的特征的全连接层的参数，z^(l)为第一短语的特征，z^(r)为第二短语的特征。

在一种可能的实现方式中，步骤212，包括：

将所述图像的特征和所述第一短语的特征，输入第一循环神经网络进行处理，得到第一特征；将所述图像的特征和所述第二短语的特征，输入第二循环神经网络进行处理，得到第二特征；将所述第一特征和所述第二特征连接得到连接特征；将所述连接特征输入全连接层和多分类器层进行处理，得到所述短语对与所述各个连接短语的连接分值。

在一种可能的实现方式中，短语对中可以包括第一短语(左短语)和第二短语(右短语)。可以将组成第一短语中的各单词的特征依次输入第三循环神经网络，得到第一特征。可以将组成第二短语中的各单词的特征依次输入第三循环神经网络，得到第二特征。可以设置第一循环神经网络和第二循环神经网络，并利用第一循环神经网路和第二循环神经网络，同时处理处理第一短语和第二短语。第一循环神经网络和第二循环神经网络也可以共用一个循环神经网路中，按任意顺序分别处理第一短语和第二短语。

例如，可以将图像1的短语对(一只小狗、一个足球)的第一短语(一只小狗)中的各单词的特征(包括一只的特征、小狗的特征)和图像的特征输入第一循环神经网络进行处理，得到第一特征。并将第二短语(一个足球)中的各单词的特征(包括一个的特征和足球的特征)和图像的特征输入第二循环神经网络进行处理，得到第二特征。

在一种可能的实现方式中，可以将第一特征的特征向量和第二特征的特征向量进行连接后，得到连接特征的特征向量。可以将连接特征输入全连接层和多分类器层进行处理，得到短语对针对各连接短语的连接分值。其中，多分类器层可以包括分别与连接短语集合中的各连接短语对应的分类器。该分类器输出连接特征与连接短语的连接分值。

步骤213，根据所述连接分值，确定与所述短语对匹配的连接短语，并得到所述短语对的连接短语匹配结果。

在一种可能的实现方式中，可以将得分最高的连接短语匹配结果确定为短语对集合的短语对连接结果。也可以设定连接阈值，将得分大于等于连接阈值的一个或多个连接短语匹配结果确定为短语对集合的短语对连接结果。

上述实施例可以将短语对中的短语的特征，和图像的特征输入循环神经网络，得到短语对的特征。可以根据短语对的特征得到短语对针对各连接短语的连接分值。本公开实施例可以根据短语对中各短语的特征，利用分类层得到短语对针对各连接短语的连接分值，所得到的连接分值能够准确地反应短语对与连接短语的匹配程度。

在一种可能的实现方式中，步骤22，包括：根据各短语对的连接短语匹配结果的连接分值，确定短语对集合的短语对连接结果。

在一种可能的实现方式中，可以将短语对集合中连接分值最高的短语对的连接短语匹配结果，确定为短语对集合的短语对连接结果。也可以将连接法制大于分值阈值的一个或多个短语对的连接短语匹配结果，确定为短语对集合的短语对连接结果。

例如，可以利用如下的公式(2)，确定短语对集合的短语对连接结果：

公式(2)

上述实施例根据各短语对的连接短语匹配结果的连接分值，确定短语对集合的短语对连接结果。可以使得确定出的短语对集合的短语对连接结果中，短语对与连接短语的匹配效果最好，也使得最终得到的描述语句的层次关系清晰。

图4示出根据本公开一实施例的图像描述方法的流程图，如图4所示，所述图像描述方法还包括：

步骤40，判断所述短语对连接结果是否为完整语句。

步骤50，在判断结果为所述短语对连接结果为完整语句的情况下，将所述短语对连接结果确定为所述图像的描述语句。

在一种可能的实现方式中，判断短语对集合的短语对连接结果是否已是完整语句。将短语对连接结果中各单词的特征输入循环神经网络，并根据循环神经网络的输出，确定短语对连接结果的分值，确定短语对连接结果是否为完整语句。

在一种可能的实现方式中，步骤40，包括：

将所述图像的特征和所述短语对连接结果中各单词的特征，输入第四循环神经网络进行处理，得到所述短语对连接结果的特征；将所述短语对连接结果的特征输入全连接层得到所述短语对连接结果的完整分值；在所述短语对连接结果的完整分值大于或等于分值阈值的情况下，确定所述短语对连接结果为完整语句。

在一种可能的实现方式中，可以将短语对连接结果中各单词的单词特征向量第四循环神经网络，并将第四循环神经网络输出的特征输入分类层，确定短语对连接结果的连接分值。利用循环神经网络和分类层的处理，可以得到准确地短语对连接结果的连接分值。

例如，短语对连接结果的连接分值可以表示为：s＝s(p_l)+s(p_r)+s(p_m|p_l,p_r)。其中p_l为短语对中的第一短语(左短语)，p_r为短语对中的第二短语(右短语)，p_m为连接短语。

例如，可以利用如下的公式(3)判断是否为完整语句：

其中，为处理短语对连接结果的特征的全连接层的参数,ze为短语对连接结果(为一个短语)的特征。

在一种可能的实现方式中，可以预设分值阈值，当短语对连接结果的连接分值大于等关于分值阈值时，可以认为短语对连接结果为完整语句。当判断结果为短语对连接结果为完整语句时，可以将短语对连接结果作为图像的描述语句。

上述实施例可以判断生成的短语对连接结果是否为完整语句，当短语对连接结果为完整语句时，可以将短语对连接结果作为图像的描述语句。完整语句的判断过程，可以提高图像描述语句的生成效率和准确性。

在一种可能的实现方式中，步骤30包括：

在更新后的图像的短语的数量小于数量阈值的情况下，将所述短语确定为所述图像的描述语句。

在一种可能的实现方式中，可以预设数量阈值，例如预设数量阈值为2。当更新后的图像的短语的数量小于2，表明更新后的图像的短语仅剩1个，已经没有足够的短语可以组成短语对，此时可以将更新后的图像的短语，即将仅剩的一个短语确定为所述图像的描述语句。

在一种可能的实现方式中，在图像的短语的数量较多的情况下，可以预设数量阈值为2或3等较小的数值，当图像的短语的数量满足数量阈值时，可以将更新后的图像的短语中较长的短语确定为所述图像的描述语句，以提高图像描述的效率。

上述实施例在更新后的图像的短语的数量小于数量阈值的情况下，将所述短语确定为所述图像的描述语句。数量阈值可以提高图像描述语句的生成效率。

应用示例

图5示出根据本公开一实施例的图像描述方法的示意图，如图5所示，图5中左下方为需要生成图像描述语句的图像。将图像进行图像识别处理后，根据图像识别的结果，得到图像的短语包括：“一片草地(afield)”、“一只小狗(asmalldog)”、“一个足球(afootgball)”。将图像的各短语有序的组成短语对。则图像的短语对集合包括：(一片草地、一只小狗)、(一只小狗、一片草地)、(一片草地、一个足球)、(一个足球、一片草地)、(一只小狗、一个足球)、(一个足球、一只小狗)。

可以将图像的短语对集合中的各短语对输入图5中右侧的侯选池(candidatepool)中，与连接短语集合进行匹配。如图5所示，将各短语对分别输入连接模块(theconnectingmodule)与连接短语集合进行匹配后，短语对(一只小狗、一个足球)与连接短语“正在玩(playingwith)”进行匹配的得分的最高。将匹配得到的一只小狗玩一个足球输入评估模块(theevaluationmodule)进行评估，得到的结果为不是完整语句。将短语对集合的短语对连接结果确定为：“一只小狗正在玩一个足球”。

将短语对集合的短语对连接结果：“一只小狗正在玩一个足球”作为新的短语，代替“一只小狗”和“一个足球”两个短语更新图像的短语，图5中的updatepoolandrepeat。在将更新后的短语重新输入侯选池与连接短语集合进行匹配。直至得到图像的描述语句为：一只小狗在一片草地上正在玩一个足球(图5中的asmalldogplayingwithafootballinafield)。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了图像描述装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像描述方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

图6示出根据本公开一实施例的图像描述装置的框图，如图6所示，所述图像描述装置，包括：

短语对集合获取模块100，用于将图像语义识别后的短语进行组合得到短语对集合；

短语对连接结果获取模块200，用于将所述短语对集合中的短语对和连接短语进行匹配，确定所述短语对集合的短语对连接结果，其中，所述短语对连接结果包括短语对以及与所述短语对匹配的连接短语；

描述语句获取模块300，用于在所述图像的短语中，将与所述短语对连接结果对应的短语更新为所述短语对连接结果，根据更新后的图像的短语得到所述图像的描述语句。

图7示出根据本公开一实施例的图像描述装置的框图，如图7所示，所述图像描述装置，在一种可能的实现方式中，所述短语对连接结果获取模块200包括：

连接短语匹配结果子模块210，用于将所述短语对集合中的任一所述短语对与连接短语集合中的各个连接短语分别进行匹配，得到所述短语对的连接短语匹配结果，其中，所述连接短语集合包括至少一个连接短语；

第一连接短语匹配结果子模块220，用于根据所述短语对的连接短语匹配结果，确定短语对集合的短语对连接结果。

在一种可能的实现方式中，所述短语对集合获取模块100，包括：

第一短语对集合获取子模块110，用于将所述图像语义识别后的短语进行两两组合得到短语对，根据所述短语对得到所述短语对集合。

在一种可能的实现方式中，所述第一短语对集合获取子模块110，用于：

将所述图像语义识别后的短语进行两两有序组合得到短语对，根据所述短语对得到所述短语对集合。

在一种可能的实现方式中，所述连接短语匹配结果子模块210，包括：

特征提取单元，用于提取所述图像的特征，以及提取所述短语对中短语的特征；

连接分支获取单元，用于根据所述图像的特征和所述短语对中短语的特征，确定所述短语对与各个连接短语的连接分值；

连接短语匹配结果获取单元，用于根据所述连接分值，确定与所述短语对匹配的连接短语，并得到所述短语对的连接短语匹配结果。

在一种可能的实现方式中，所述短语对包括第一短语和第二短语，所述短语对中短语的特征包括第一短语的特征和第二短语的特征，所述连接分支获取单元，用于：

将所述图像的特征和所述第一短语的特征，输入第一循环神经网络进行处理，得到第一特征；

将所述图像的特征和所述第二短语的特征，输入第二循环神经网络进行处理，得到第二特征；

将所述第一特征和所述第二特征连接得到连接特征；

将所述连接特征输入全连接层和多分类器层进行处理，得到所述短语对与所述各个连接短语的连接分值。

在一种可能的实现方式中，所述特征提取单元，用于：

利用卷积神经网络提取所述图像的特征。

在一种可能的实现方式中，所述特征提取单元，用于：

利用第三循环神经网络提取所述短语对中短语的特征。

在一种可能的实现方式中，所述利用第三循环神经网络提取所述短语对中短语的特征，包括：

根据设定的单词特征向量集合，确定短语中各单词的单词特征向量，所述短语为所述短语对中的任一短语；

将所述图像的特征和各单词的单词特征向量输入第三循环神经网络进行处理，得到所述短语的特征。

在一种可能的实现方式中，所述短语对连接结果获取模块200，用于：

根据各短语对的连接短语匹配结果的连接分值，确定短语对集合的短语对连接结果。

在一种可能的实现方式中，所述装置还包括：

判断模块400，用于判断所述短语对连接结果是否为完整语句；在判断结果为所述短语对连接结果为完整语句的情况下，将所述短语对连接结果确定为所述图像的描述语句。

在一种可能的实现方式中，所述判断模块400，用于：

将所述图像的特征和所述短语对连接结果中各单词的特征，输入第四循环神经网络进行处理，得到所述短语对连接结果的特征；

将所述短语对连接结果的特征输入全连接层得到所述短语对连接结果的完整分值；

在所述短语对连接结果的完整分值大于或等于分值阈值的情况下，确定所述短语对连接结果为完整语句。

在一种可能的实现方式中，所述描述语句获取模块300，包括：

第一描述语句获取子模块310，用于在更新后的图像的短语的数量小于数量阈值的情况下，将所述短语确定为所述图像的描述语句。

在一种可能的实现方式中，所述装置还包括：

识别结果获取模块500，用于识别所述图像中的至少一个对象，获取所述图像的识别结果，所述识别结果包括各个所述对象的名称、类型、属性、数量、颜色、大小中的至少一种；

短语获取模块600，用于根据所述识别结果确定所述图像语义识别后的短语。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图8是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图9是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图9，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm，linuxtm，freebsdtm或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。