所有筛选标准图像进行分类，得到该每个筛选标准图像的类别;将该每个筛选标准图像和对应类别存储至该参考图像数据库中。
[0113]其中，该多个完整人脸图像可以是符合大众审美标准的美女图像，也可以是现有偶像团体的成员照片，或者其他明星的照片等，本公开实施例对此不作限定。对该多个完整人脸图像的分解方法与步骤202中对待筛选图像的分解方法同理，在此不作赘述。
[0114]需要说明的是，该类别的表现形式可以是能够描述同一部位所具有的共同特征的关键字词，也可以是数字或符号等组成的编号，本公开实施例对类别的具体形式也不作限定。
[0115]为了提高筛选速度，进一步降低计算量，可以将分解得到的任一人脸局部的所有筛选标准图像进行分类，从而得到该每个筛选标准图像的类别，具体分类方法可以为:根据任一人脸局部的每个模板和对应类别，计算该人脸局部的筛选标准图像中每个筛选标准图像与该人脸局部的所有模板的相似度，将相似度最高对应模板的类别确定为该筛选标准图像的类别。需要说明的是，一个类别可以具有至少一个模板。
[0116]例如，对于眉毛部位模板中的任一模板如柳叶眉模板，计算眉毛部位的任一筛选标准图像与该柳叶眉模板的相似度，计算方法可以有以下两种:
[0117]第一种、根据该筛选标准图像中眉毛的位置和大小，对应调整该柳叶眉模板，该调整可以包括放大或缩小等操作，使两者最大程度重合，计算重合部分占该筛选标准图像中眉毛的比例值，该比例值即可确定为该筛选标准图像与该柳叶眉模板的相似度。
[0118]第二种、米用SIFT(Scale_invariantfeature transform，尺度不变特征转换)算法，该算法适用于在海量特征数据库中进行快速、准确的匹配，通过该算法计算得到的相似度，能够提高筛选速度和筛选准确度。
[0119]对于相似度的计算，可以采用上述两种方法中的任一种方法，也可以通过其他算法计算该相似度，本公开实施例对此不作限定。
[0120]例如，对于眉毛部位的模板，可以包括:柳叶眉、一字眉、月牙眉和标准眉，针对任一眉毛部位的筛选图像，分别计算与上述4种模板的相似度，当该筛选图像与4种模板的相似度分别为72%、39%、86%和57%时，确定该筛选图像的类别为月牙眉。
[0121 ]上述分类方法能够提高分类精确度，当然，也可以采用其他分类方法，本公开实施例对此不作限定。
[0122]根据通过上述方法获取到的参考图像数据库，对待对比图像进行打分的具体方法可以为:
[0123]对于该多个待对比图像中的每一个待对比图像，从该参考图像数据库中获取目标参考图像，该目标参考图像为与该待对比图像相似度最高的参考图像;将该待对比图像与该目标参考图像之间的相似度作为该待对比图像的分值。
[0124]其中，获取目标参考图像的方法可以为:对该多个待对比图像中的任一待对比图像进行分类，得到该待对比图像的类别;根据该待对比图像的类别，从该参考图像数据库中获取该类别的多个筛选标准图像;计算该多个筛选标准图像中每个筛选标准图像与该待对比图像的相似度;将相似度最高对应的筛选标准图像获取为该待对比图像的目标参考图像。
[0125]其中，计算筛选标准图像与该待对比图像相似度的方法，与上述计算筛选标准图像与对应模板相似度的方法同理，此处不作赘述。
[0126]需要说明的是，获取参考图像数据库与对待对比图像进行分类的过程，可以通过上述方法实现，也可以采用其他方法，本公开实施例对此不作限定。
[0127]在步骤204中，根据该多个待对比图像的分值，得到该待筛选图像的分值。
[0128]根据步骤203中得到的该多个待对比图像的分值，计算该待筛选图像分值的公式可以为:
[01 29] X = (Xl*fl+X2*f2+."+Xn*fn)/n
[0130]其中，η是指对该待筛选图像进行图像分解后，得到的多个不同人脸局部的待对比图像的个数，X1、Χ2…Xn分别为每个待筛选图像与对应目标参考图像的相似度，fl、f2…fn分别为每个人脸局部的权重，且fi+f2+…+fn = n;该每个人脸局部的权重可以根据筛选标准由用户自行设置，也可以通过其他方法确定，本公开实施例对此不作限定。
[0131]例如，对于任一待筛选图像，经分解后得到多个不同人脸局部的待对比图像分别为:脸部皮肤、眼睛部位、下巴部位、鼻子部位、眉毛部位和嘴巴部位的待对比图像。该多个不同人脸局部的待对比图像与对应目标参考图像的匹配度分别为87%、80%、75%、90%、83%和93%，当主办方对眼睛部位和嘴巴部位的要求较高时，可以将该多个不同人脸局部的权重分别确定为0.8、1.8、0.7、0.6、0.3和1.8，根据上述数值，可确定该待筛选图像的分值为:
[0132]X= (87%*0.8+80%*1.8+75%*0.7+90%*0.6+83%*0.3+93%*1.8)/6 = 0.854ο
[0133]需要说明的是，基于任一待筛选图像的多个不同人脸局部的待对比图像分值，可以根据上述公式计算该待筛选图像的分值，也可以通过其他类似公式进行计算，本公开实施例对此不作限定。
[0134]在步骤205中，当该待筛选图像的分值大于预设阈值时，确定该待筛选图像为符合筛选条件的图像。
[0135]该预设阈值的确定方法可以为:根据女子偶像团体的人数和待筛选图像的个数确定。例如，当女子偶像团体的人数为10人，待筛选图像的个数为1000个时，将待筛选图像按照对应分值情况进行排序，从分值最高的前10%的待筛选图像中，选取分值最低的待筛选图像，将该待筛选图像的分值确定为该预设阈值。
[0136]上述确定该预设阈值的确定方法，能够根据实际情况，从待筛选图像中确定出足够数量的图像，以使得主办方能够基于该筛选结果，进一步挑选出最适合的人选。当然，也可以通过其他方法确定该预设阈值，本公开实施例对此不作限定。
[0137]在步骤206中，确定该待筛选图像为不符合筛选条件的图像。
[0138]如果该待筛选图像不符合该预设标准，或者该待筛选图像的分值不大于预设阈值，则确定该筛选图像为不符合筛选条件的图像。
[0139]上述图像筛选方法除了可以应用在女子偶像团体成员的海选中，同样可以应用在男子偶像或男子偶像团体成员的海选中，此外，还可以应用在其他需要从大量候选对象中选出目标对象的过程中，本公开对上述图像筛选方法的应用范围及应用场景不作限定。
[0140]本公开实施例提供的方法，通过人脸识别技术对待筛选图像进行图像分解，得到多个不同人脸局部的待对比图像，根据参考图像数据库对该多个不同人脸局部的待对比图像记性打分，再基于每个待对比图像的分值，得到该待筛选图像的分值，通过将该待筛选图像的分值与预设阈值进行对比，确定该待筛选图像是否为符合预设标准的图像，通过上述图像筛选方法能够实现现实中对不同对象的自动筛选，从而能够避免大量人力资源的浪费，且能够提高筛选结果的客观性;进一步地，根据预设标准，提前从待筛选图像中剔除明显不符合的图像，能够加快图像筛选速度，减小计算量。
[0141]图3是根据一示例性实施例示出的一种图像筛选装置框图。参照图3，该装置包括判断模块301，图像分解模块302，第一打分模块303，第二打分模块304和确定模块305。
[0142]判断模块301，用于判断待筛选图像是否符合预设标准；
[0143]图像分解模块302，用于如果该判断模块301的判断结果为该待筛选图像符合该预设标准，通过人脸识别技术对该待筛选图像进行图像分解，得到多个不同人脸局部的待对比图像；
[0144]第一打分模块303，用于根据参考图像数据库，分别对该图像分解模块302得到的该多个待对比图像中的每个待对比图像进行打分，得到该每个待对比图像的分值，该参考图像数据库至少用于存储不同人脸局部的筛选标准图像；
[0145]第二打分模块304，用于根据第一打分模块303得到的该多个待对比图像的分值，得到该待筛选图像的分值；
[0146]确定模块305，用于当该第二打分模块304得到的该待筛选图像的分值大于预设阈值时，确定该待筛选图像为符合筛选条件的图像。
[0147]在本公开提供的第一种可能实现方式中，该判断模块301用于:
[0148]判断该待筛选图像中的人脸是否为五官完全显示的人脸；
[0149]如果该待筛选图像中的人脸为五官完全显示的人脸，判断该待筛选图像是否经过图像处理技术处理；
[0150]如果该待筛选图像未经过图像处理技术处理，确定该待筛选图像符合该预设标准。
[0151 ]在本公开提供的第二种可能实现方式中，该第一打分模块303用于:
[0152]对于该图像分解模块302得到的该多个待对比图像中的每一个待对比图像，从该参考图像数据库中获取目标参考图像，该目标参考图像为与该待对比图像相似度最高的参考图像；
[0153]将该待对比图像与该目标参考图像之间的相似度作为该待对比图像的分值。
[0154]在本公开提供的第三种可能实现方式中，该第一打分模块303用于:
[0155]对该图像分解模块302得到的该多个待对比图像中的任一待对比图像进行分类，得到该待对比图像的类别