属性识别方法及装置、电子设备和存储介质与流程
本公开涉及计算机视觉技术领域，尤其涉及一种属性识别方法及装置、电子设备和存储介质。
背景技术：
属性是指目标对象的一些特征，例如性别、年龄、服装款式、头发长短等。属性识别是指从图片或视频中判断目标对象的属性，包括行人属性识别、人脸属性识别、车辆属性识别等。属性识别是计算机视觉以及智能安防监控领域的重要问题。
作为一个经典的计算机视觉问题，属性识别面临着许多困难。例如，由于拍摄距离或者行人的走动导致的低分率，场景、光照、拍摄角度、行人姿态等的多变性，以及潜在的遮挡问题等，都会对属性识别造成影响。
技术实现要素：
本公开提供了一种属性识别技术方案。
根据本公开的一方面，提供了一种属性识别方法，包括：
获取待识别图像；
将所述待识别图像输入神经网络，经由所述神经网络确定所述待识别图像中的目标对象的属性类别预测结果，其中，所述神经网络是预先根据损失函数训练得到的，所述损失函数包括第一损失函数，所述第一损失函数的值是根据多个图像样本的属性的特征确定的，所述多个图像样本根据属性类别标签和图像样本中目标对象的身份信息来选取。
在本公开实施例中，用于训练所述神经网络的第一损失函数的值，是根据属性类别和目标对象的身份信息选取的多个图像样本的属性的特征来确定的，由此在所述神经网络的训练中，利用属性信息和身份信息来构造多层次(属性层次和身份层次)的特征，将属性信息和身份信息统一到特征空间，而非将属性和身份这两种不同的信息简单地糅合在一起，从而能够使构造的特征空间更合理。本公开实施例训练得到的神经网络所提取的待识别图像的特征，能够体现待识别图像中多层次(属性层次和身份层次)的信息，从而能够提高属性识别的准确性。
在一种可能的实现方式中，所述多个图像样本包括第一图像样本、第二图像样本和第三图像样本，所述第一损失函数包括第一子损失函数，所述第一子损失函数的值是根据所述第一图像样本的第一属性的特征、所述第二图像样本的第一属性的特征和所述第三图像样本的第一属性的特征确定的，其中，所述第一图像样本为所述多个图像样本中的任一图像样本，所述第一属性为任一属性，所述第二图像样本与所述第一图像样本具有所述第一属性下相同的属性类别标签，且所述第二图像样本与所述第一图像样本中目标对象的身份信息不同，所述第三图像样本与所述第一图像样本具有所述第一属性下不同的属性类别标签，且所述第三图像样本与所述第一图像样本中目标对象的身份信息不同。
在该实现方式中，根据第一图像样本的第一属性的特征、第二图像样本的第一属性的特征和第三图像样本的第一属性的特征，可以组成类间三元组。根据第一图像样本的第一属性的特征、第二图像样本的第一属性的特征和第三图像样本的第一属性的特征确定第一子损失函数的值，并利用第一子损失函数对所述神经网络进行约束，由此训练得到的神经网络能够学习到区分不同属性类别的能力。
在一种可能的实现方式中，
所述第二图像样本为与所述第一图像样本具有所述第一属性下相同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最远的图像样本；
和/或，
所述第三图像样本为与所述第一图像样本具有所述第一属性下不同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最近的图像样本。
通过根据第一图像样本的第一属性的特征，与所述第一图像样本属于所述第一属性下的相同属性类别、且目标对象的身份信息与所述第一图像样本不同的图像样本中、所述第一属性的特征与所述第一图像样本距离最远的图像样本的第一属性的特征，以及与所述第一图像样本属于所述第一属性下的不同属性类别、且目标对象的身份信息与所述第一图像样本不同的图像样本中、所述第一属性的特征与所述第一图像样本距离最近的图像样本的第一属性的特征，确定第一子损失函数的值，并利用第一子损失函数对所述神经网络进行约束，由此训练得到的神经网络能够学习到更准确地区分不同属性类别的能力。
在一种可能的实现方式中，所述第一子损失函数的值是根据第一距离与第二距离之间的差值确定的，其中，所述第一距离为所述第一图像样本的第一属性的特征与所述第二图像样本的第一属性的特征之间的距离，所述第二距离为所述第一图像样本的第一属性的特征与所述第三图像样本的第一属性的特征之间的距离。
根据第一距离与第二距离之间的差值，确定第一子损失函数的值，由此利用相对距离来对所述神经网络进行约束，能够使训练得到的神经网络所提取的相同属性类别、不同身份信息的特征之间的距离小于不同属性类别、不同身份信息的特征之间的距离，由此训练得到的神经网络能够学习到区分不同属性类别的能力。
在一种可能的实现方式中，所述第一子损失函数的值是根据所述第一距离与所述第二距离之间的差值，以及预设的第一参数确定的。
通过根据第一距离与第二距离之间的差值以及第一参数确定第一子损失函数的值，由此训练得到的神经网络能够学习到更准确地区分不同属性类别的能力。
在一种可能的实现方式中，所述多个图像样本包括第一图像样本、第四图像样本和第五图像样本，所述第一损失函数包括第二子损失函数，所述第二子损失函数的值是根据所述第一图像样本的第一属性的特征、所述第四图像样本的第一属性的特征和所述第五图像样本的第一属性的特征确定的，其中，所述第一图像样本为所述多个图像样本中的任一图像样本，所述第一属性为任一属性，所述第四图像样本与所述第一图像样本具有所述第一属性下相同的属性类别标签，且所述第四图像样本与所述第一图像样本中目标对象的身份信息相同，所述第五图像样本与所述第一图像样本具有所述第一属性下相同的属性类别标签，且所述第五图像样本与所述第一图像样本中目标对象的身份信息不同。
在该实现方式中，根据第一图像样本的第一属性的特征、第四图像样本的第一属性的特征和第五图像样本的第一属性的特征，可以组成类内三元组。根据第一图像样本的第一属性的特征、第四图像样本的第一属性的特征和第五图像样本的第一属性的特征确定第二子损失函数的值，并利用第二子损失函数对神经网络进行约束，由此训练得到的神经网络能够学习到区分相同属性类别的不同身份信息的目标对象的能力。在该实现方式中，在同一属性下属于同一个属性类别的多个图像样本中，进一步根据目标对象的身份信息对图像样本进行划分，由此即使在粗粒度的标签体系下，也可以构建细粒度的特征空间，从而可以不受限于标签定义的歧义性，而学到合适的特征。
在一种可能的实现方式中，
所述第四图像样本为与所述第一图像样本具有所述第一属性下相同的属性类别标签、且目标对象的身份信息与所述第一图像样本相同的图像样本中，所述第一属性的特征与所述第一图像样本距离最远的图像样本；
和/或，
所述第五图像样本为与所述第一图像样本具有所述第一属性下相同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最近的图像样本。
通过根据第一图像样本的第一属性的特征，与所述第一图像样本属于所述第一属性下的相同属性类别、且目标对象的身份信息与所述第一图像样本相同的图像样本中、所述第一属性的特征与所述第一图像样本距离最远的图像样本的第一属性的特征，与所述第一图像样本属于所述第一属性下的相同属性类别、且目标对象的身份信息与所述第一图像样本不同的图像样本中、所述第一属性的特征与所述第一图像样本距离最近的图像样本的第一属性的特征，确定第二子损失函数的值，并利用第二子损失函数对所述神经网络进行约束，由此训练得到的神经网络能够学习到更准确地区分相同属性类别的不同身份信息的目标对象的能力。
在一种可能的实现方式中，所述第二子损失函数的值是根据第三距离与第四距离之间的差值确定的，其中，所述第三距离为所述第一图像样本的第一属性的特征与所述第四图像样本的第一属性的特征之间的距离，所述第四距离为所述第一图像样本的第一属性的特征与所述第五图像样本的第一属性的特征之间的距离。
根据第三距离与第四距离之间的差值，确定第二子损失函数的值，由此利用相对距离来对所述神经网络进行约束，能够使训练得到的神经网络所提取的相同属性类别、相同身份信息的特征之间的距离小于相同属性类别、不同身份信息的特征之间的距离，由此训练得到的神经网络能够学习到区分相同属性类别的不同身份信息的目标对象的能力。
在一种可能的实现方式中，所述第二子损失函数的值是根据所述第三距离与所述第四距离之间的差值，以及预设的第二参数确定的。
通过根据第三距离与第四距离之间的差值，以及第二参数确定第二子损失函数的值，由此训练得到的神经网络能够学习到更准确地区分相同属性类别的不同身份信息的目标对象的能力。
在一种可能的实现方式中，所述第一损失函数包括正则项，所述正则项的值是根据预设的第三参数与第二距离之间的差值确定的，其中，所述第二距离为第一图像样本的第一属性的特征与第三图像样本的第一属性的特征之间的距离，所述第一图像样本为所述多个图像样本中的任一图像样本，所述第一属性为任一属性，所述第三图像样本与所述第一图像样本具有所述第一属性下不同的属性类别标签，且所述第三图像样本与所述第一图像样本中目标对象的身份信息不同。
在该实现方式中，根据第三参数与第二距离之间的差值，确定第一损失函数中的正则项的值，由此利用绝对距离来对所述神经网络进行约束，使神经网络提取的不同属性类别的特征之间的距离大于第三参数，从而使训练得到的神经网络所提取的相同属性类别的特征之间的距离小于不同属性类别的特征之间的距离。
在一种可能的实现方式中，所述损失函数还包括第二损失函数，所述第二损失函数的值是根据图像样本的属性类别标签以及所述神经网络得到的所述图像样本的属性类别预测结果确定的。
在该实现方式中，通过结合第一损失函数和第二损失函数训练神经网络，由此能够提高所述神经网络进行属性识别的准确性。
在一种可能的实现方式中，在所述神经网络训练过程的任意一次迭代中，所述神经网络是根据加权后的所述第一损失函数的值以及所述第二损失函数的值训练的，其中，所述第一损失函数的权重根据当前的迭代次数确定，所述第一损失函数的权重随着所述当前的迭代次数的增加而增大。
在该实现方式中，根据训练阶段的不同，逐渐增大第一损失函数的权重，通过第一损失函数的权重的动态增大，使特征空间逐渐转向多层次的状态，以使所述神经网络逐渐学习到区分相同属性类别下的不同身份信息的目标对象的能力，从而进一步提高所述神经网络进行属性识别的准确性。
在一种可能的实现方式中，所述神经网络包括骨干网络，以及与所述骨干网络连接、用于识别指定属性的属性类别的至少一个分支网络。
在该实现方式中，通过骨干网络提取所有属性的共同特征，由此能够简化神经网络的结构，减少神经网络的参数量；通过分支网络与属性一一对应，由此能够使分支网络针对指定属性进行学习，从而能够使分支网络提取的指定属性的特征更准确，进而能够提高神经网络的属性识别的准确性。
根据本公开的一方面，提供了一种属性识别装置，包括：
获取模块，用于获取待识别图像；
识别模块，用于将所述待识别图像输入神经网络，经由所述神经网络确定所述待识别图像中的目标对象的属性类别预测结果，其中，所述神经网络是预先根据损失函数训练得到的，所述损失函数包括第一损失函数，所述第一损失函数的值是根据多个图像样本的属性的特征确定的，所述多个图像样本根据属性类别标签和图像样本中目标对象的身份信息来选取。
在一种可能的实现方式中，所述多个图像样本包括第一图像样本、第二图像样本和第三图像样本，所述第一损失函数包括第一子损失函数，所述第一子损失函数的值是根据所述第一图像样本的第一属性的特征、所述第二图像样本的第一属性的特征和所述第三图像样本的第一属性的特征确定的，其中，所述第一图像样本为所述多个图像样本中的任一图像样本，所述第一属性为任一属性，所述第二图像样本与所述第一图像样本具有所述第一属性下相同的属性类别标签，且所述第二图像样本与所述第一图像样本中目标对象的身份信息不同，所述第三图像样本与所述第一图像样本具有所述第一属性下不同的属性类别标签，且所述第三图像样本与所述第一图像样本中目标对象的身份信息不同。
在一种可能的实现方式中，
所述第二图像样本为与所述第一图像样本具有所述第一属性下相同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最远的图像样本；
和/或，
所述第三图像样本为与所述第一图像样本具有所述第一属性下不同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最近的图像样本。
在一种可能的实现方式中，所述第一子损失函数的值是根据第一距离与第二距离之间的差值确定的，其中，所述第一距离为所述第一图像样本的第一属性的特征与所述第二图像样本的第一属性的特征之间的距离，所述第二距离为所述第一图像样本的第一属性的特征与所述第三图像样本的第一属性的特征之间的距离。
在一种可能的实现方式中，所述第一子损失函数的值是根据所述第一距离与所述第二距离之间的差值，以及预设的第一参数确定的。
在一种可能的实现方式中，所述多个图像样本包括第一图像样本、第四图像样本和第五图像样本，所述第一损失函数包括第二子损失函数，所述第二子损失函数的值是根据所述第一图像样本的第一属性的特征、所述第四图像样本的第一属性的特征和所述第五图像样本的第一属性的特征确定的，其中，所述第一图像样本为所述多个图像样本中的任一图像样本，所述第一属性为任一属性，所述第四图像样本与所述第一图像样本具有所述第一属性下相同的属性类别标签，且所述第四图像样本与所述第一图像样本中目标对象的身份信息相同，所述第五图像样本与所述第一图像样本具有所述第一属性下相同的属性类别标签，且所述第五图像样本与所述第一图像样本中目标对象的身份信息不同。
在一种可能的实现方式中，
所述第四图像样本为与所述第一图像样本具有所述第一属性下相同的属性类别标签、且目标对象的身份信息与所述第一图像样本相同的图像样本中，所述第一属性的特征与所述第一图像样本距离最远的图像样本；
和/或，
所述第五图像样本为与所述第一图像样本具有所述第一属性下相同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最近的图像样本。
在一种可能的实现方式中，所述第二子损失函数的值是根据第三距离与第四距离之间的差值确定的，其中，所述第三距离为所述第一图像样本的第一属性的特征与所述第四图像样本的第一属性的特征之间的距离，所述第四距离为所述第一图像样本的第一属性的特征与所述第五图像样本的第一属性的特征之间的距离。
在一种可能的实现方式中，所述第二子损失函数的值是根据所述第三距离与所述第四距离之间的差值，以及预设的第二参数确定的。
在一种可能的实现方式中，所述第一损失函数包括正则项，所述正则项的值是根据预设的第三参数与第二距离之间的差值确定的，其中，所述第二距离为第一图像样本的第一属性的特征与第三图像样本的第一属性的特征之间的距离，所述第一图像样本为所述多个图像样本中的任一图像样本，所述第一属性为任一属性，所述第三图像样本与所述第一图像样本具有所述第一属性下不同的属性类别标签，且所述第三图像样本与所述第一图像样本中目标对象的身份信息不同。
在一种可能的实现方式中，所述损失函数还包括第二损失函数，所述第二损失函数的值是根据图像样本的属性类别标签以及所述神经网络得到的所述图像样本的属性类别预测结果确定的。
在一种可能的实现方式中，在所述神经网络训练过程的任意一次迭代中，所述神经网络是根据加权后的所述第一损失函数的值以及所述第二损失函数的值训练的，其中，所述第一损失函数的权重根据当前的迭代次数确定，所述第一损失函数的权重随着所述当前的迭代次数的增加而增大。
在一种可能的实现方式中，所述神经网络包括骨干网络，以及与所述骨干网络连接、用于识别指定属性的属性类别的至少一个分支网络。
根据本公开的一方面，提供了一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
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方法。
在本公开实施例中，用于训练所述神经网络的第一损失函数的值，是根据属性类别和目标对象的身份信息选取的多个图像样本的属性的特征来确定的，由此在所述神经网络的训练中，利用属性信息和身份信息来构造多层次(属性层次和身份层次)的特征，将属性信息和身份信息统一到特征空间，而非将属性和身份这两种不同的信息简单地糅合在一起，从而能够使构造的特征空间更合理。本公开实施例训练得到的神经网络所提取的待识别图像的特征，能够体现待识别图像中多层次(属性层次和身份层次)的信息，从而能够提高属性识别的准确性。
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示出本公开实施例提供的属性识别方法的流程图。
图2示出本公开实施例中对不同图像样本进行划分的示意图。
图3示出了本公开实施例中的五元组的示意图。
图4示出本公开实施例中的神经网络的示意图。
图5示出本公开实施例提供的属性识别装置的框图。
图6示出本公开实施例提供的一种电子设备800的框图。
图7示出本公开实施例提供的一种电子设备1900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示出本公开实施例提供的属性识别方法的流程图。所述属性识别方法的执行主体可以是属性识别装置。例如，所述属性识别方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备(userequipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(personaldigitalassistant，pda)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述属性识别方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，所述属性识别方法包括步骤s11至步骤s12。
在步骤s11中，获取待识别图像。
在本公开实施例中，待识别图像可以表示需要进行属性识别的图像。其中，待识别图像可以为静态图像或者视频帧图像。
在步骤s12中，将所述待识别图像输入神经网络，经由所述神经网络确定所述待识别图像中的目标对象的属性类别预测结果，其中，所述神经网络是预先根据损失函数训练的，所述损失函数包括第一损失函数，所述第一损失函数的值是根据多个图像样本的属性的特征确定的，所述多个图像样本根据属性类别标签和图像样本中目标对象的身份信息来选取。
本公开实施例中，目标对象可以表示图像(待识别图像和/或图像样本)中需要进行属性识别的对象。例如，目标对象可以是行人、人脸、车辆等。在本公开实施例中，目标对象的身份信息可以根据id、名称等来表示。本公开实施例中的属性可以是能够被视觉感知的属性，即，本公开实施例中的属性可以是人能够通过眼睛看到的属性。所述神经网络可以用于进行至少一个属性的属性识别，其中，每个属性下可以包括两个或三个以上的属性类别。例如，目标对象是行人，所述神经网络可以用于进行3个属性的属性识别，这3个属性分别是性别、头发长度、包。其中，属性“性别”下可以包括两个属性类别，分别是“男”和“女”；属性“头发长度”下可以包括两个属性类别，分别是“长发”和“短发”，或者，可以对属性“头发”进行更精细的划分，使属性“头发长度”下包括更多个属性类别，例如可以包括“长发”“中长发”和“短发”等；属性“包”下可以包括两个属性类别，分别是“有包”和“无包”，或者，可以对属性“包”进行更精细的划分，使属性“包”下包括更多个属性类别，例如可以包括“无包”“背包”“手提包”和“挎包”等。
在本公开实施例中，用于训练所述神经网络的第一损失函数的值，是根据属性类别和目标对象的身份信息选取的多个图像样本的属性的特征来确定的，由此在所述神经网络的训练中，利用属性信息和身份信息来构造多层次(属性层次和身份层次)的特征，将属性信息和身份信息统一到特征空间，而非将属性和身份这两种不同的信息简单地糅合在一起，从而能够使构造的特征空间更合理。本公开实施例训练得到的神经网络所提取的待识别图像的特征，能够体现待识别图像中多层次(属性层次和身份层次)的信息，从而能够提高属性识别的准确性。
在一种可能的实现方式中，所述多个图像样本包括第一图像样本、第二图像样本和第三图像样本，所述第一损失函数包括第一子损失函数，所述第一子损失函数的值是根据所述第一图像样本的第一属性的特征、所述第二图像样本的第一属性的特征和所述第三图像样本的第一属性的特征确定的，其中，所述第一图像样本为所述多个图像样本中的任一图像样本，所述第一属性为任一属性，所述第二图像样本与所述第一图像样本具有所述第一属性下相同的属性类别标签，且所述第二图像样本与所述第一图像样本中目标对象的身份信息不同，所述第三图像样本与所述第一图像样本具有所述第一属性下不同的属性类别标签，且所述第三图像样本与所述第一图像样本中目标对象的身份信息不同。
其中，图像样本的个数可以为n，其中，n大于3；属性的个数可以为m，其中，m大于或等于1。第一图像样本可以为n个图像样本中的任一图像样本，第一属性可以为m个属性中的任一属性。
在该实现方式中，所述第二图像样本为与所述第一图像样本具有所述第一属性下相同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本，所述第三图像样本为与所述第一图像样本具有所述第一属性下不同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本。
在该实现方式中，所述第二图像样本与所述第一图像样本具有所述第一属性下相同的属性类别标签，所述第三图像样本与所述第一图像样本具有所述第一属性下不同的属性类别标签。即，第二图像样本与第一图像样本属于第一属性下的相同属性类别，第三图像样本与第一图像样本属于第一属性下的不同属性类别。例如，第一属性是“包”，第一图像样本和第二图像样本在属性“包”下的属性类别标签是“有包”，第三图像样本在属性“包”下的属性类别标签是“无包”，即，第一图像样本和第二图像样本属于属性“包”下的属性类别“有包”，第三图像样本属于属性“包”下的属性类别“无包”。
在该实现方式中，第二图像样本与第一图像样本中目标对象的身份信息不同，且第三图像样本与第一图像样本中目标对象的身份信息不同。例如，第一图像样本中目标对象的身份信息是id1，第二图像样本中目标对象的身份信息是id2，第三图像样本中目标对象的身份信息是id3。
在该实现方式中，根据第一图像样本的第一属性的特征、第二图像样本的第一属性的特征和第三图像样本的第一属性的特征，可以组成类间三元组。根据第一图像样本的第一属性的特征、第二图像样本的第一属性的特征和第三图像样本的第一属性的特征确定第一子损失函数的值，并利用第一子损失函数对所述神经网络进行约束，由此训练得到的神经网络能够学习到区分不同属性类别的能力。
作为该实现方式的一个示例，所述第二图像样本为与所述第一图像样本具有所述第一属性下相同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最远的图像样本；和/或，所述第三图像样本为与所述第一图像样本具有所述第一属性下不同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最近的图像样本。
在该示例中，所述第二图像样本为与所述第一图像样本属于所述第一属性下的相同属性类别、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最远的图像样本；和/或，所述第三图像样本为与所述第一图像样本属于所述第一属性下的不同属性类别、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最近的图像样本。
在该示例中，通过根据第一图像样本的第一属性的特征，与所述第一图像样本属于所述第一属性下的相同属性类别、且目标对象的身份信息与所述第一图像样本不同的图像样本中、所述第一属性的特征与所述第一图像样本距离最远的图像样本的第一属性的特征，以及与所述第一图像样本属于所述第一属性下的不同属性类别、且目标对象的身份信息与所述第一图像样本不同的图像样本中、所述第一属性的特征与所述第一图像样本距离最近的图像样本的第一属性的特征，确定第一子损失函数的值，并利用第一子损失函数对所述神经网络进行约束，由此训练得到的神经网络能够学习到更准确地区分不同属性类别的能力。
作为该实现方式的一个示例，所述第一子损失函数的值是根据第一距离与第二距离之间的差值确定的，其中，所述第一距离为所述第一图像样本的第一属性的特征与所述第二图像样本的第一属性的特征之间的距离，所述第二距离为所述第一图像样本的第一属性的特征与所述第三图像样本的第一属性的特征之间的距离。
在该示例中，根据第一距离与第二距离之间的差值，确定第一子损失函数的值，由此利用相对距离来对所述神经网络进行约束，能够使训练得到的神经网络所提取的相同属性类别、不同身份信息的特征之间的距离小于不同属性类别、不同身份信息的特征之间的距离，由此训练得到的神经网络能够学习到区分不同属性类别的能力。
在一个例子中，所述第一子损失函数的值可以是根据第一距离与第二距离之间的差值，以及预设的第一参数确定的。在这个例子中，通过根据第一距离与第二距离之间的差值以及第一参数确定第一子损失函数的值，由此训练得到的神经网络能够学习到更准确地区分不同属性类别的能力。
其中，第一参数可以是超参数。例如，第一子损失函数linter可以采用式1来表示：
其中，
图2示出本公开实施例中对不同图像样本进行划分的示意图。在图2所示的示例中，属性可以是“包”，属性“包”下可以包括两个属性类别，分别是“有包”和“无包”。如图2所示，在本公开实施例中，不仅考虑不同图像样本的属性类别标签是否相同，还进一步考虑图像样本中目标对象的身份信息(例如id)。在图2所示的示例中，属于属性类别“有包”(即属性类别标签是“有包”)的6个图像样本中，3个图像样本的身份信息是id1，另外3个图像样本的身份信息是id2；属于属性类别“无包”(即属性类别标签是“无包”)的3个图像样本的身份信息是id3。
在一种可能的实现方式中，所述多个图像样本包括第一图像样本、第四图像样本和第五图像样本，所述第一损失函数包括第二子损失函数，所述第二子损失函数的值是根据所述第一图像样本的第一属性的特征、所述第四图像样本的第一属性的特征和所述第五图像样本的第一属性的特征确定的，其中，所述第一图像样本为所述多个图像样本中的任一图像样本，所述第一属性为任一属性，所述第四图像样本与所述第一图像样本具有所述第一属性下相同的属性类别标签，且所述第四图像样本与所述第一图像样本中目标对象的身份信息相同，所述第五图像样本与所述第一图像样本具有所述第一属性下相同的属性类别标签，且所述第五图像样本与所述第一图像样本中目标对象的身份信息不同。
在该实现方式中，所述第四图像样本为与所述第一图像样本具有所述第一属性下相同的属性类别标签、且目标对象的身份信息与所述第一图像样本相同的图像样本，所述第五图像样本为与所述第一图像样本具有所述第一属性下相同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本。即，所述第四图像样本为与所述第一图像样本属于所述第一属性下的相同属性类别、且目标对象的身份信息与所述第一图像样本相同的图像样本，所述第五图像样本为与所述第一图像样本属于所述第一属性下的相同属性类别、且目标对象的身份信息与所述第一图像样本不同的图像样本。
在该实现方式中，第四图像样本、第五图像样本均与第一图像样本具有第一属性相同的属性类别标签，即，第四图像样本、第五图像样本均与第一图像样本属于第一属性下的相同属性类别。例如，第一属性是“包”，第一图像样本、第四图像样本和第五图像样本在属性“包”下的属性类别标签均为“有包”，即，第一图像样本、第四图像样本和第五图像样本均属于属性“包”下的属性类别“有包”。
在该实现方式中，第四图像样本与第一图像样本中目标对象的身份信息相同，且第五图像样本与第一图像样本中目标对象的身份信息不同。例如，第一图像样本和第四图像样本中目标对象的身份信息均是id1，第五图像样本中目标对象的身份信息是id4。
在该实现方式中，根据第一图像样本的第一属性的特征、第四图像样本的第一属性的特征和第五图像样本的第一属性的特征，可以组成类内三元组。根据第一图像样本的第一属性的特征、第四图像样本的第一属性的特征和第五图像样本的第一属性的特征确定第二子损失函数的值，并利用第二子损失函数对神经网络进行约束，由此训练得到的神经网络能够学习到区分相同属性类别的不同身份信息的目标对象的能力。在该实现方式中，在同一属性下属于同一个属性类别的多个图像样本中，进一步根据目标对象的身份信息对图像样本进行划分，由此即使在粗粒度的标签体系下，也可以构建细粒度的特征空间，从而可以不受限于标签定义的歧义性，而学到合适的特征。
作为该实现方式的一个示例，所述第四图像样本为与所述第一图像样本具有所述第一属性下相同的属性类别标签、且目标对象的身份信息与所述第一图像样本相同的图像样本中，所述第一属性的特征与所述第一图像样本距离最远的图像样本；和/或，所述第五图像样本为与所述第一图像样本具有所述第一属性下相同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最近的图像样本。
在该示例中，所述第四图像样本为与所述第一图像样本属于所述第一属性下的相同属性类别、且目标对象的身份信息与所述第一图像样本相同的图像样本中，所述第一属性的特征与所述第一图像样本距离最远的图像样本；和/或，所述第五图像样本为与所述第一图像样本属于所述第一属性下的相同属性类别、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最近的图像样本。
在该示例中，通过根据第一图像样本的第一属性的特征，与所述第一图像样本属于所述第一属性下的相同属性类别、且目标对象的身份信息与所述第一图像样本相同的图像样本中、所述第一属性的特征与所述第一图像样本距离最远的图像样本的第一属性的特征，与所述第一图像样本属于所述第一属性下的相同属性类别、且目标对象的身份信息与所述第一图像样本不同的图像样本中、所述第一属性的特征与所述第一图像样本距离最近的图像样本的第一属性的特征，确定第二子损失函数的值，并利用第二子损失函数对所述神经网络进行约束，由此训练得到的神经网络能够学习到更准确地区分相同属性类别的不同身份信息的目标对象的能力。
作为该实现方式的一个示例，所述第二子损失函数的值是根据第三距离与第四距离之间的差值确定的，其中，所述第三距离为所述第一图像样本的第一属性的特征与所述第四图像样本的第一属性的特征之间的距离，所述第四距离为所述第一图像样本的第一属性的特征与所述第五图像样本的第一属性的特征之间的距离。
在该示例中，根据第三距离与第四距离之间的差值，确定第二子损失函数的值，由此利用相对距离来对所述神经网络进行约束，能够使训练得到的神经网络所提取的相同属性类别、相同身份信息的特征之间的距离小于相同属性类别、不同身份信息的特征之间的距离，由此训练得到的神经网络能够学习到区分相同属性类别的不同身份信息的目标对象的能力。根据该示例，利用身份信息来约束同一个目标对象的不同图像样本(例如可以包括不同场景、不同角度、不同光照、不同姿态的图像样本)的特征聚集地更紧密，使神经网络学习到的特征对于场景、角度、光照、姿态等的变化更鲁棒。因此，针对更加复杂多变的场景，或者变化多样的光照、姿态、角度，或者遮挡场景等，该示例能够获得更准确的属性识别结果。
另外，由于增加了身份信息的约束，使同一目标对象的图像样本在特征空间上更紧密，即所述神经网络提取的同一目标对象的图像样本的特征之间距离更近，因此，如果某一目标对象的多个图像样本中，有的图像样本简单、清晰、容易学习，有的图像样本由于角度、光照、姿态等原因比较难学习，通过在特征空间上拉近属于同一目标对象的图像样本后，就可以根据该目标对象的简单的图像样本的特征来推测该目标对象的困难的图像样本的特征，使得困难的图像样本的特征更容易学习。因此，针对困难的待识别图像，如果存在与该待识别图像中的目标对象相同的图像，则可以辅助该待识别图像进行属性识别。
在一个例子中，所述第二子损失函数的值可以是根据第三距离与第四距离之间的差值，以及预设的第二参数确定的。在这个例子中，通过根据第三距离与第四距离之间的差值，以及第二参数确定第二子损失函数的值，由此训练得到的神经网络能够学习到更准确地区分相同属性类别的不同身份信息的目标对象的能力。
其中，第二参数可以是超参数。例如，第二子损失函数lintra可以采用式2来表示：
其中，
在一种可能的实现方式中，第一损失函数可以包括第一子损失函数和第二子损失函数，由此可以结合属性信息和身份信息，构建类间和类内的细粒度、多层次的特征空间。根据该实现方式，第一子损失函数中的三元组和第二子损失函数中的三元组可以组成一个五元组，通过五元组的约束，可以维护一个多层次的相对距离，即
在一种可能的实现方式中，所述第一损失函数包括正则项，所述正则项的值是根据预设的第三参数与第二距离之间的差值确定的，其中，所述第二距离为第一图像样本的第一属性的特征与第三图像样本的第一属性的特征之间的距离，所述第一图像样本为所述多个图像样本中的任一图像样本，所述第一属性为任一属性，所述第三图像样本与所述第一图像样本具有所述第一属性下不同的属性类别标签，且所述第三图像样本与所述第一图像样本中目标对象的身份信息不同。
在该实现方式中，第三参数可以是超参数。
在该实现方式中，根据第三参数与第二距离之间的差值，确定第一损失函数中的正则项的值，由此利用绝对距离来对所述神经网络进行约束，使神经网络提取的不同属性类别的特征之间的距离大于第三参数，从而使训练得到的神经网络所提取的相同属性类别的特征之间的距离小于不同属性类别的特征之间的距离。
作为该实现方式的一个示例，所述第三图像样本为与所述第一图像样本具有所述第一属性下不同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最近的图像样本。
在一个例子中，正则项larb可以采用式3来表示：
其中，α3(即第三参数)可以根据实验结果选择。
其中，所述正则项可以称为绝对边界正则项(absoluteboundaryregularization，abr)。
在一种可能的实现方式中，可以根据第一子损失函数、第二子损失函数和正则项，确定第一损失函数，由此可以根据多层次的特征(hierarchicalfeatureembedding，hfe)得到第一损失函数。
作为该实现方式的一个示例，可以将第一子损失函数、第二子损失函数与正则项三者之和，确定为第一损失函数。在一个例子中，第一损失函数lhfe可以采用式4来表示：
lhfe＝linter+lintra+larb式4，
其中，linter表示第一子损失函数，lintra表示第二子损失函数，larb表示正则项。
作为该实现方式的另一个示例，可以确定第一子损失函数对应的权重、第二子损失函数对应的权重和正则项对应的权重，根据第一子损失函数对应的权重、第二子损失函数对应的权重和正则项对应的权重，对第一子损失函数、第二子损失函数和正则项进行加权，得到第一损失函数。
在一种可能的实现方式中，所述损失函数还包括第二损失函数，所述第二损失函数的值是根据图像样本的属性类别标签以及所述神经网络得到的所述图像样本的属性类别预测结果确定的。
在该实现方式中，图像样本的属性类别标签可以是人工标注的，也可以是采用自动标注方法标注的，在此不作限定。例如，属性“包”下包括属性类别“有包”和“无包”，若某一图像样本属于属性类别“有包”，则该图像样本的属性“包”的属性类别标签可以为1，若该图像样本属于属性类别“无包”，则该图像样本的属性“包”的属性类别标签可以为0。在该实现方式中，图像样本的属性类别预测结果是所述神经网络预测得到的。例如，所述图像样本的属性“包”的属性类别预测结果为0.82，则可以表示所述图像样本属于属性类别“有包”的概率是0.82。
在该实现方式中，第二损失函数可以为交叉熵(crossentropy，ce)损失函数等，在此不作限定。
在一个例子中，可以采用式5确定第二损失函数lce：
其中，yij表示图像样本i的属性j的属性类别标签，即图像样本i的属性j的属性类别的标签。pij表示所述神经网络得到的图像样本i的属性j的属性类别预测结果。
在该实现方式中，通过结合第一损失函数和第二损失函数训练神经网络，由此能够提高所述神经网络进行属性识别的准确性。
作为该实现方式的一个示例，在所述神经网络训练过程的任意一次迭代中，所述神经网络是根据加权后的所述第一损失函数的值以及所述第二损失函数的值训练的，其中，所述第一损失函数的权重根据当前的迭代次数确定，所述第一损失函数的权重随着所述当前的迭代次数的增加而增大。
在一个例子中，可以采用式6确定第一损失函数的权重ω：
其中，iter表示当前的迭代次数，t表示训练的总迭代次数，ω0是预先设置的常数，ω0是一个超参数，取值可以根据实验结果选择，ω0>0。
在一个例子中，可以采用式7确定所述神经网络的损失函数loss：
loss＝lce+ωlhfe式7，
其中，lhfe表示第一损失函数，ω表示第一损失函数的权重，lce表示第二损失函数。
由于在训练刚开始的时候得到的多层次的特征空间的可靠性较低，而第一损失函数依赖于多层次的特征空间，因此，如果一开始就给第一损失函数赋予较大的权重，则可能会带来噪声。因此，在该示例中，根据训练阶段的不同，逐渐增大第一损失函数的权重，通过第一损失函数的权重的动态增大，使特征空间逐渐转向多层次的状态，以使所述神经网络逐渐学习到区分相同属性类别下的不同身份信息的目标对象的能力，从而进一步提高所述神经网络进行属性识别的准确性。
在一种可能的实现方式中，所述神经网络包括骨干网络，以及与所述骨干网络连接、用于识别指定属性的属性类别的至少一个分支网络。
图4示出本公开实施例中的神经网络的示意图。如图4所示，所述神经网络包括骨干网络，以及与骨干网络连接的m个分支网络，m个分支网络对应于m个属性，即，分支网络与属性一一对应，其中，m大于或等于1。在所述神经网络的训练过程中，骨干网络可以用于学习所有属性的共同特征；在所述神经网络的应用过程中，骨干网络可以用于提取所有属性的共同特征。在所述神经网络的训练过程中，每个分支网络可以分别用于学习对应的属性的特征，例如，分支网络1可以用于学习属性1的特征，分支网络m可以用于学习属性m的特征；在所述神经网络的应用过程中，每个分支网络可以分别用于提取对应的属性的特征。
作为该实现方式的一个示例，任一分支网络可以包括卷积层、归一化层、激活层、池化层和全连接层。例如，归一化层可以采用批量归一化(batchnormalization，bn)等，激活层可以采用relu(rectifiedlinearunit，修正线性单元)函数等。当然，也可以根据实际应用场景需求调整分支网络的结构，在此不作限定。
在该实现方式中，通过骨干网络提取所有属性的共同特征，由此能够简化神经网络的结构，减少神经网络的参数量；通过分支网络与属性一一对应，由此能够使分支网络针对指定属性进行学习，从而能够使分支网络提取的指定属性的特征更准确，进而能够提高神经网络的属性识别的准确性。
本公开实施例可以应用于行人检索、行人分析、人脸识别、行人重识别、穿戴规范预警、智能图片分析、智能视频分析、安防监控等应用领域中。
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。
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。
此外，本公开还提供了属性识别装置、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属性识别方法，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。
图5示出本公开实施例提供的属性识别装置的框图。如图5所示，所述属性识别装置包括：获取模块51，用于获取待识别图像；识别模块52，用于将所述待识别图像输入神经网络，经由所述神经网络确定所述待识别图像中的目标对象的属性类别预测结果，其中，所述神经网络是预先根据损失函数训练得到的，所述损失函数包括第一损失函数，所述第一损失函数的值是根据多个图像样本的属性的特征确定的，所述多个图像样本根据属性类别标签和图像样本中目标对象的身份信息来选取。
在一种可能的实现方式中，所述多个图像样本包括第一图像样本、第二图像样本和第三图像样本，所述第一损失函数包括第一子损失函数，所述第一子损失函数的值是根据所述第一图像样本的第一属性的特征、所述第二图像样本的第一属性的特征和所述第三图像样本的第一属性的特征确定的，其中，所述第一图像样本为所述多个图像样本中的任一图像样本，所述第一属性为任一属性，所述第二图像样本与所述第一图像样本具有所述第一属性下相同的属性类别标签，且所述第二图像样本与所述第一图像样本中目标对象的身份信息不同，所述第三图像样本与所述第一图像样本具有所述第一属性下不同的属性类别标签，且所述第三图像样本与所述第一图像样本中目标对象的身份信息不同。
在一种可能的实现方式中，
所述第二图像样本为与所述第一图像样本具有所述第一属性下相同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最远的图像样本；
和/或，
所述第三图像样本为与所述第一图像样本具有所述第一属性下不同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最近的图像样本。
在一种可能的实现方式中，所述第一子损失函数的值是根据第一距离与第二距离之间的差值确定的，其中，所述第一距离为所述第一图像样本的第一属性的特征与所述第二图像样本的第一属性的特征之间的距离，所述第二距离为所述第一图像样本的第一属性的特征与所述第三图像样本的第一属性的特征之间的距离。
在一种可能的实现方式中，所述第一子损失函数的值是根据所述第一距离与所述第二距离之间的差值，以及预设的第一参数确定的。
在一种可能的实现方式中，所述多个图像样本包括第一图像样本、第四图像样本和第五图像样本，所述第一损失函数包括第二子损失函数，所述第二子损失函数的值是根据所述第一图像样本的第一属性的特征、所述第四图像样本的第一属性的特征和所述第五图像样本的第一属性的特征确定的，其中，所述第一图像样本为所述多个图像样本中的任一图像样本，所述第一属性为任一属性，所述第四图像样本与所述第一图像样本具有所述第一属性下相同的属性类别标签，且所述第四图像样本与所述第一图像样本中目标对象的身份信息相同，所述第五图像样本与所述第一图像样本具有所述第一属性下相同的属性类别标签，且所述第五图像样本与所述第一图像样本中目标对象的身份信息不同。
在一种可能的实现方式中，
所述第四图像样本为与所述第一图像样本具有所述第一属性下相同的属性类别标签、且目标对象的身份信息与所述第一图像样本相同的图像样本中，所述第一属性的特征与所述第一图像样本距离最远的图像样本；
和/或，
所述第五图像样本为与所述第一图像样本具有所述第一属性下相同的属性类别标签、且目标对象的身份信息与所述第一图像样本不同的图像样本中，所述第一属性的特征与所述第一图像样本距离最近的图像样本。
在一种可能的实现方式中，所述第二子损失函数的值是根据第三距离与第四距离之间的差值确定的，其中，所述第三距离为所述第一图像样本的第一属性的特征与所述第四图像样本的第一属性的特征之间的距离，所述第四距离为所述第一图像样本的第一属性的特征与所述第五图像样本的第一属性的特征之间的距离。
在一种可能的实现方式中，所述第二子损失函数的值是根据所述第三距离与所述第四距离之间的差值，以及预设的第二参数确定的。
在一种可能的实现方式中，所述第一损失函数包括正则项，所述正则项的值是根据预设的第三参数与第二距离之间的差值确定的，其中，所述第二距离为第一图像样本的第一属性的特征与第三图像样本的第一属性的特征之间的距离，所述第一图像样本为所述多个图像样本中的任一图像样本，所述第一属性为任一属性，所述第三图像样本与所述第一图像样本具有所述第一属性下不同的属性类别标签，且所述第三图像样本与所述第一图像样本中目标对象的身份信息不同。
在一种可能的实现方式中，所述损失函数还包括第二损失函数，所述第二损失函数的值是根据图像样本的属性类别标签以及所述神经网络得到的所述图像样本的属性类别预测结果确定的。
在一种可能的实现方式中，在所述神经网络训练过程的任意一次迭代中，所述神经网络是根据加权后的所述第一损失函数的值以及所述第二损失函数的值训练的，其中，所述第一损失函数的权重根据当前的迭代次数确定，所述第一损失函数的权重随着所述当前的迭代次数的增加而增大。
在一种可能的实现方式中，所述神经网络包括骨干网络，以及与所述骨干网络连接、用于识别指定属性的属性类别的至少一个分支网络。
在本公开实施例中，用于训练所述神经网络的第一损失函数的值，是根据属性类别和目标对象的身份信息选取的多个图像样本的属性的特征来确定的，由此在所述神经网络的训练中，利用属性信息和身份信息来构造多层次(属性层次和身份层次)的特征，将属性信息和身份信息统一到特征空间，而非将属性和身份这两种不同的信息简单地糅合在一起，从而能够使构造的特征空间更合理。本公开实施例训练得到的神经网络所提取的待识别图像的特征，能够体现待识别图像中多层次(属性层次和身份层次)的信息，从而能够提高属性识别的准确性。
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。
本公开实施例还提供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。其中，所述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，或者可以是易失性计算机可读存储介质。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的属性识别方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的属性识别方法的操作。
本公开实施例还提供一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出本公开实施例提供的一种电子设备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6，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wi-fi、2g、3g、4g/lte、5g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7示出本公开实施例提供的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，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windows
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目标代码，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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(softwaredevelopmentkit，sdk)等等。
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的改进，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。
- 还没有人留言评论。精彩留言会获得点赞！