一种基于图片的人员属性分类方法及系统与流程
本发明涉及终端技术领域，特别涉及一种基于图片的人员属性分类方法及系统。
背景技术：
随着终端的普及与智能化以及电子技术的发展，具有摄像功能的电子设备越来越普及，用户在电子设备中存储的图片越来越多，图片的拍摄越来越日常化，海量化。用户拍摄的图片越来越多，用户通过朋友圈，浏览器或其他途径下载的图片也越来越多，随着图片越来越多，如何存储即管理这些图片，成为人们的一个烦恼。
当用户对手机内的图片进行浏览时，基本只能按照拍摄顺序或图片获取日期进行浏览，无法满足用户方便的浏览特定图片的需求。同时当需要对图片进行分类整理时，用户无法方便的在手机上完成图片的分类整理操作，只能将图片批量传输至电脑上后，再进行分类整理操作；这样导致对图片分类和浏览的效率均较为低下。
在现有技术中，终端可以在图库中应用图片管理组件，自动设置关于时间的多个相册分组，终端根据拍摄图片的时间，或下载图片的时间，将每张图片自动归于对应的相册分组中，还可以是用户在图库中创建多个相册分组，用户手动将图片存储至对应的相册分组中。
图片管理常用的手段是图片分类，在现有技术中，图片分类常有如下两种方式：
一种是手动整理分类，即用户自己手动把图片归类到不同的文件夹，达到整理的目的。手动整理分类对用户来说是一个繁琐的过程，随着图片的越来越多，整理的工作量会越来越大。
二是自动分类，自动分类方式有多种，如按时间分类、按地点分类、按人物分类，从某一个维度将图片进行归类，便于查看或查找。但是这些分类方式都是一些便于浏览的分类，并非真正将图片整理到了不同的文件夹中，没有达到用户想要整理的目的。并且，这些自动分类方式过于机械化，只能按其中某种单一维度来分类，因此，这种自动分类方式时常达不到用户想要的效果。
此外，用户拍摄的图片或者下载的图片中，不乏多个关于人物的图片，如何自动化、智能化地根据图片中的每个人物进行图片分类，也是用户的一大需求。
对此，公开号cn108549842a的中国发明专利申请公开一种人物图片分类的方法和装置，用以解决现有技术中终端不能自动化、智能化地根据图片中的每个人物进行图片分类的问题，该方法主要是利用面部识别技术，将属于同一个人的照片分到同一组；然而，该方法不能应用于两人同框的图片识别分组；公开号cn105824862a的中国发明专利申请则公开一种基于电子设备的图片分类方法和一种进行图片分类的电子设备，解决了现有图片分类中存在的分类方式过于机械化、分类维度单一、自动分类结果达不到用户想要的效果的问题，该技术方案根据对电子设备中的图片进行在先分类得到的文件夹的分析，获得该文件夹对应的包含人物特征属性、图片内容属性等特征属性信息，当检测到待分类的图片时，获取与该待分类的图片匹配的文件夹，并将该待分类的图片自动保存在匹配的文件夹中，从多维度进行文件夹的分析，从而完成了图片的自动分类过程，智能化程度高，提高了电子设备的图片分类处理效率和提高了分类精确度，大大减轻了用户整理图片的工作量，也让自动分类整理效果更吻合用户的预期目的。可见，该方法的维度选择要求较高；如果维度选择不准确，则分类结果存疑。
可见，现有技术提出的图片分类方法均存在一定缺陷。
技术实现要素：
本发明提出一种基于图片的人员属性分类方法以及应用该方法的移动终端和计算机可读存储介质。本发明的技术方案，通过移动终端获取图片后加入单高斯噪声，并随机选择候选图片序列分组后，进行k级差分；然后提取k级差分图片矩阵中每一个图片的噪声，得到图片噪声序列矩阵，通过判断图片噪声序列矩阵是否满足混合高斯模型来决定候选图片序列分组是否成功。本发明的上述方案，通过提取候选图片序列中的图片属性，并且结合混合高斯模型对于灰度变化图片的敏感性，来进行图片分组，特别适合于人物图片分组，并且分组过程不需要用户介入也无需预先设定参数，结果客观。
在本发明的第一个方面，提供一种基于图片的人员属性分类方法，所述方法包括如下步骤：
f01：通过移动终端获取包含多个不同人物的图片集p＝{p1，p2，……，pn}；
其中pi表示第i张图片，i∈[1,n]；
f02：对于每一张图片pi，根据其至少一个单一属性值以及移动终端当前的cpu运行频率，加入单高斯噪声，获得单高斯噪声图片集
f03:对于所述单高斯噪声图片集
随机图片序列可表示为si＝{ss1,ss2,……，ss1+k},
f04：将随机图片序列si与k个随机图片序列sj做相对k级差分，获得相对k级差分图片序列矩阵sj-i；j≠i；j∈[1,n]；
k个随机图片序列为
sj1＝{k1s1,k1s2,……，k1s1+k},
sj2＝{k2s1,k2s2,……，k2s1+k},
……
sjk＝{kks1,kks2,……，kks1+k},
得到相对k级差分图片序列矩阵
f05：对于相对k级差分图片序列矩阵sj-i，提取该图片序列矩阵中的每一个图片的噪声，得到图片噪声序列矩阵nj-i；
f06:判断图片噪声序列矩阵nj-i是否符合混合高斯模型；
如果符合，则将随机图片序列si对应的图片集分为一组；否则，返回步骤f03；
其中，对于每一张图片pi，根据其至少一个单一属性值以及移动终端当前的cpu运行频率，加入单高斯噪声，具体包括：
所述单高斯噪声概率密度分布函数为：
其中，μ为所述单一属性值或者单一属性值的均值；σ为移动终端当前的cpu运行频率与所述单一属性值或者单一属性值的均值的比值。
所述单一属性值，包括如下之一或者其组合：
图片的大小；图片的拍摄时间；图片的分辨率；图片的平均像素值；图片的平均灰度值；图片的对比度；图片的亮度。
所述混合高斯模型，是n个单高斯噪声模型拟合而成的n维高斯模型，对于变量x，其概率密度分布函数可表示为：
其中：
μ是均值向量，μ＝e{x}＝[μ1，μ2，...，μn]t
∑是协方差矩阵，n×n维，而∑-1是∑的逆矩阵，|∑|是∑的行列式
∑＝e{(x-μ)(x-μ)t}
其中，协方差矩阵∑如下：
其中，xi属于x。
在本发明中，所述混合高斯模型为k个单高斯噪声的组合。
所述方法中，对于所述单高斯噪声图片集
具体包括：读取移动终端日志文件，采集设定时间段内图片处理程序处理过的图片数量v，
如果v＜n-l，则k＝v；
如果v＞n-l，则k＝min{v/2，n-2}。
其中，将随机图片序列si与k个随机图片序列sj做相对k级差分，包括：
对于随机图片序列si，如果i+k小于n，则k个随机图片序列sj＝{si+1,si+2,……，si+k}。
其中，对于相对k级差分图片序列矩阵sj-i，提取该图片序列矩阵中的每一个图片的噪声，得到图片噪声序列矩阵nj-i，包括：
对于每一个图片，将其进行灰度二值化处理后，采用结构化腐蚀操作提取其中的噪声序列。
所述方法优选在移动终端上实现，在本发明的第二个方面，提供一种移动终端，所述移动终端包括图片处理程序，所述图片处理程序包含单高斯噪声模型以及混合高斯噪声模型，用于实现所述基于图片的人员属性分类方法。
在本发明的第三个方面，还提供一种计算机可读存储介质，其上存储有计算机可执行指令序列；通过处理器执行所述指令序列，用于实现所述基于图片的人员属性分类方法。
本发明的进一步优点将结合附图，通过具体的实施例进一步体现。
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是本发明所述基于图片的人员属性分类方法的一个实施例的详细流程图；
图2是本发明所述分类方法的算法实现主体流程图；
图3是本发明所述单高斯模型和混合高斯模型的分布示意图；
图4是本发明所述方法一个实施例的待分类图片样本图；
图5是对图4所述的待分类图片进行属性分类后的效果图；
图6是对图4所述的待分类图片基于属性分类后的另一个效果图。
具体实施例
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和实施例对本发明做进一步说明。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
参见图1，该实施例给出基于图片的人员属性分类方法的详细流程图。
所述方法首先通过移动终端获取包含多个不同人物的图片集p＝{p1，p2，……，pn}；其中pi表示第i张图片，i∈[1,n]；
在本实施例中，所述移动终端可以是手机、手提电脑、个人数字助理、移动便携电脑或者其他具有图片拍摄功能的便携式移动终端；
所述包含多个不同人物的图片集，包含采用所述移动终端拍摄的实景图片，还包括用户通过朋友圈，浏览器或其他途径下载的图片，甚至还包括用户自己绘制的图片；
本实施例待处理的图片集的一个示意性样本集参见图4，其中包括多张人物图片，这些人物图片包括实际人物，也包括卡通人物，还包括线条人物以及人物阴影。
接下来，对于每一张图片pi，根据其至少一个单一属性值以及移动终端当前的cpu运行频率，加入单高斯噪声，获得单高斯噪声图片集
具体而言，所述移动终端包括图片处理程序，所述图片处理程序包括高斯模型组件，所述高斯模型组件可以产生多种维度的高斯噪声，还可以判断给定的数据集是否符合高斯模型；
在本实施例中，所述图片处理程序产生单高斯噪声的参数，是结合移动终端当前的cpu运行频率以及图片本身的属性值产生，其表达式如下：
其中，μ为所述单一属性值或者单一属性值的均值；σ为移动终端当前的cpu运行频率与所述单一属性值或者单一属性值的均值的比值。
单高斯噪声的分布图的示意图见图2上图；
所述单一属性值，包括如下之一或者其组合：
图片的大小；图片的拍摄时间；图片的分辨率；图片的平均像素值；图片的平均灰度值；图片的对比度；图片的亮度。
在获得单高斯噪声图片集
随机图片序列可表示为si＝{ss1,ss2,……，ss1+k},
f04：将随机图片序列si与k个随机图片序列sj做相对k级差分，获得相对k级差分图片序列矩阵sj-i；j≠i；j∈[1,n]；
k个随机图片序列为
sj1＝{k1s1,k1s2,……，k1s1+k},
sj2＝{k2s1,k2s2,……，k2s1+k},
……
sjk＝{kks1,kks2,……，kks1+k},
得到相对k级差分图片序列矩阵
在本实施例中，基于移动终端当前图片处理程序的历史运行记录，随机选取单高斯噪声图片集
读取移动终端的运行日志记载内容，确定移动终端在相对集中的时间段内处理的图片数量，基于所述图片数量确定所述k；例如，移动终端的用户在1分钟内对3张图片进行了处理；间隔5分钟后，又在2分钟内对4张图片进行了处理，则选择其中的较小值3作为k；这一考虑，是基于用于在某个较短时间内处理的多张图片，在很大程度上属于相同属性的图片，特别是对于人物图片来说；因此，所述随机选择的数量k并不是完全随机，而是要符合移动终端客观的运行规律。
然后，对于相对k级差分图片序列矩阵sj-i，提取该图片序列矩阵中的每一个图片的噪声，得到图片噪声序列矩阵nj-i；
提取图片中的噪声，对本领域技术人员来说属于现有技术，针对一张图片，有多种方法可以识别出其中的噪声，在此不再赘述；本发明需要指出的是，这里的提取噪声，针对的已经不是原始图片，而是相对k级差分图片序列；由于已经经过了差分处理，与分组结果无关的噪声已经被移除，而仅仅保留了图片本身属性影响分组的那部分噪声；
接下来，就要根据噪声的分布属性来判断分组是否准确。
具体而言，判断图片噪声序列矩阵nj-i是否符合混合高斯模型；如果符合，则将随机图片序列si对应的图片集分为一组；
如果两张图片或者多张图片的属性基本相同，例如人物画面占比相同，背景占比类似；
或者，图片的大小、图片的拍摄时间、图片的分辨率、图片的平均像素值、图片的平均灰度值、图片的对比度、图片的亮度等基本相同，并且是在特定时间段内集中被移动终端处理过，那么，这一组图片在加入单高思噪声并且经过k级差分处理后，其结果图片本身的噪声将很大程度上符合混合高斯分布，这是由混合高斯分布的特性所决定的。本发明正是发现了这一点，提出有效的分组识别方案。
混合高斯模型使用k个高斯模型来表征图像中各个像素点的特征。混合高斯模型(gaussianmixturemodel，简称gmm)就是用高斯概率密度函数(二维时也称为：正态分布曲线)精确的量化事物，将一个事物分解为若干基于高斯概率密度函数行程的模型。
举例来说，上述单高斯噪声可被认为是二维(混合)高斯分布；相对应的，三维混合高斯模型表达式如下：
其中：μ1、μ2是均值
σ1、σ2是标准差
ρ是协方差.ρ＝cov(x，y)
本实施例中，所述混合高斯模型，是n个单高斯噪声模型拟合而成的n维高斯模型，对于变量x，其概率密度分布函数可表示为：
其中：
μ是均值向量，μ＝e{x}＝[μ1，μ2，...，μn]t
∑是协方差矩阵，n×n维，而∑-1是∑的逆矩阵，|∑|是∑的行列式
∑＝e{(x-μ)(x-μ)t}
其中，协方差矩阵∑如下：
在本发明中，所述混合高斯模型为k个单高斯噪声的组合。
参见图5是对图3所述的待分类图片进行属性分类后的效果图。在图5中可以看到，本发明所述的基于图片的人员属性进行分类，其结果基本令人满意；
进一步的，本实施例的上述方法还可以多次运行，并且每一次运行由于均是在执行所述图片处理程序，因此，改变的是移动终端当前图片处理程序的历史运行记录，从而改变了随机选取单高斯噪声图片集
参见图6，是对图4所述的待分类图片基于属性分类后的另一个效果图。和图5相比，分类结果更加细化，并且准确度更高。
上述分类方法还可以采用计算机程序指令实现，参见图2，本发明所述分类方法的算法实现主体流程图。上述流程通过计算机程序代码的形式，存储于计算机可读存储介质中，通过移动终端的存储器和处理器执行上述图片分类方法。
在所述移动终端中，包括图片处理程序，所述图片处理程序包含单高斯噪声模型以及混合高斯噪声模型。所述图片处理程序包括的所述高斯模型组件可以产生多种维度的高斯噪声，还可以判断给定的数据集是否符合高斯模型。
结合图5-图6的分类结果证明，本发明提出的基于图片的人员属性分类方法，对于包含人物图片的图片集分类效果十分有效。
通过上面具体实施方式，所述技术领域的技术人员可容易的实现本发明。但是应当理解，本发明并不限于上述的具体实施方式。在公开的实施方式的基础上，所述技术领域的技术人员可任意组合不同的技术特征，从而实现不同的技术方案。
- 还没有人留言评论。精彩留言会获得点赞！