本發(fā)明涉及圖像處理技術領域，特別是涉及一種目標圖像的獲取方法及裝置。

背景技術：

在具有社交功能的軟件中，為了提高用戶體驗，系統(tǒng)會根據(jù)用戶的性別設置默認的男性或者女性的人物剪影作為頭像。

但是使用人物剪影作為頭像，只能展示出用戶的性別，無法展示其他的特點，因此不能滿足用戶展示自我的需求?，F(xiàn)有技術中，用戶篩選終端設備中存儲的照片，并手動設置為賬號的頭像，用于用戶展示自我。

但是，現(xiàn)有技術中需要用戶在終端設備中存儲的大量的圖片中進行人工篩選，需要大量的時間和精力，導致用戶體驗不佳。

技術實現(xiàn)要素：

本發(fā)明實施例的目的在于提供一種目標圖像的獲取方法及裝置，以實現(xiàn)提高用戶體驗的目的，具體技術方案如下：

為達到上述目的，本發(fā)明實施例提供了一種目標圖像的獲取方法，所述方法包括：

獲取至少一個圖像，所述至少一個圖像中每一圖像分別包括：目標特征、用戶評價特征和屬性特征；

針對每一圖像，分別獲取所述目標特征的第一特征值、所述用戶評價特征的第二特征值和所述屬性特征的第三特征值，其中，所述目標特征至少包括所述用戶的五官的信息特征，所述用戶評價特征至少包括所述用戶對所述圖像的評價的信息特征，所述屬性特征至少包括所述圖像的拍攝時間的信息特征；

獲取所述目標特征、所述用戶評價特征和所述屬性特征分別對應的權重；

通過所述每一圖像的所述第一特征值以及所述第一特征值的權重，所述第二特征值以及所述第二特征值的權重，所述第三特征值以及所述第三特征值的權重，獲取所述每一圖像的權值；

將所述至少一個圖像中權值最高的圖像作為目標圖像。

可選的，所述針對所述每一圖像，分別獲取所述目標特征的第一特征值，包括：

根據(jù)所述每一圖像中包含的人臉圖像特征，獲取所述每一圖像中包含的所有人臉區(qū)域；

針對每一人臉區(qū)域，根據(jù)所述人臉區(qū)域中的目標特征以及是否檢測到目標特征，獲取所述目標特征對應的第一特征值；

所述通過所述每一圖像的所述第一特征值以所述第一特征值的權重，所述第二特征值以及所述第二特征值的權重，所述第三特征值以及所述第三特征值的權重，獲取所述每一圖像的權值，包括：

通過所述每一圖像的所述第一特征值以及所述第一特征值的權重，所述第二特征值以及所述第二特征值的權重，所述第三特征值以及所述第三特征值的權重，計算所述每一人臉區(qū)域的權值，并將所述每一人臉區(qū)域的權值確定為對應的所述圖像的權值。

可選的，所述獲取所述目標特征、所述用戶評價特征和所述屬性特征分別對應的權重，包括：

從云端服務器獲取所述目標特征、所述用戶評價特征和所述屬性特征分別對應的權重，其中，所述第一特征值的權重、所述第二特征值的權重和所述第二特征值的權重均是由所述云端服務器根據(jù)人工分類好的訓練樣本，利用梯度下降法、線性回歸算法或者神經(jīng)網(wǎng)絡算法訓練得到的，所述訓練樣本包括，至少一張圖像中包含的所有目標特征、用戶評價特征和屬性特征、每一特征的特征值以及所述至少一張圖像的權值。

可選的，所述通過所述每一圖像的所述第一特征值以及所述第一特征值的權重，所述第二特征值以及所述第二特征值的權重，所述第三特征值以及所述第三特征值的權重，獲取所述每一圖像的權值，包括：

根據(jù)所述第一特征值和所述第一特征值的權重，第二特征值和所述第二特征值的權重，以及第三特征值和所述第三特征值的權重，利用公式，計算所述每一圖像的權值，其中，

y⁽ⁱ⁾為第i個圖像的權值；為第i個圖像的第j個特征值；θj為第j個特征值對應的權重；n為特征值的數(shù)量；j＝0、1、2、…、n，其中，n為大于或者等于3的自然數(shù)；i為圖像的數(shù)量。

可選的，所述將所述至少一個圖像中權值最高的圖像作為目標圖像，包括：

以所述至少一個圖像中權值最高的圖像的中心點為中心，按照所述至少一個圖像中權值最高的圖像預設倍數(shù)大小，剪裁所述至少一個圖像中權值最高的圖像，并將剪裁后的圖像作為目標圖像。

為達到上述目的，本發(fā)明實施例還提供了一種目標圖像的獲取裝置，所述裝置包括：第一獲取模塊、第二獲取模塊、第三獲取模塊、第四獲取模塊和設置模塊，其中，

所述第一獲取模塊，用于獲取至少一個圖像，所述至少一個圖像中每一圖像分別包括：目標特征、用戶評價特征和屬性特征；

所述第二獲取模塊，用于針對每一圖像，分別獲取所述目標特征的第一特征值，所述用戶評價特征的第二特征值和所述屬性特征的第三特征值，其中，所述目標特征至少包括所述用戶的五官的信息特征，所述用戶評價特征至少包括所述用戶對所述圖像的評價的信息特征，所述屬性特征至少包括所述圖像的拍攝時間的信息特征；

所述第三獲取模塊，用于獲取所述目標特征、所述用戶評價特征和所述屬性特征分別對應的權重；

所述第四獲取模塊，用于通過所述每一圖像的所述第一特征值以及所述第一特征值的權重，所述第二特征值以及所述第二特征值的權重，所述第三特征值以及所述第三特征值的權重，獲取所述每一圖像的權值；

所述設置模塊，用于將所述至少一個圖像中權值最高的圖像作為目標圖像。

可選的，所述第二獲取模塊，還用于：

根據(jù)所述每一圖像中包含的人臉圖像特征，獲取所述每一圖像中包含的所有人臉區(qū)域；

針對每一人臉區(qū)域，根據(jù)所述人臉區(qū)域中的目標特征以及是否檢測到目標特征，獲取所述目標特征對應的第一特征值；

所述第四獲取模塊，還用于：

通過所述每一圖像的所述第一特征值以及所述第一特征值的權重，所述第二特征值以及所述第二特征值的權重，所述第三特征值以及所述第三特征值的權重，獲取所述每一人臉區(qū)域的權值，并將所述每一人臉區(qū)域的權值確定為對應的所述圖像的權值。

可選的，所述第三獲取模塊，還用于，

從云端服務器獲取所述目標特征、所述用戶評價特征和所述屬性特征分別對應的權重，其中，所述第一特征值的權重、所述第二特征值的權重和所述第二特征值的權重均是由所述云端服務器根據(jù)人工分類好的訓練樣本，利用梯度下降法、線性回歸算法或者神經(jīng)網(wǎng)絡算法訓練得到的，所述訓練樣本包括，至少一張圖像中包含的所有目標特征、用戶評價特征和屬性特征、每一特征的特征值以及所述至少一張圖像的權值。

可選的，所述第四獲取模塊，還用于：

根據(jù)所述第一特征值和所述第一特征值的權重，第二特征值和所述第二特征值的權重，以及第三特征值和所述第三特征值的權重，利用公式，計算所述每一圖像的權值，其中，

y⁽ⁱ⁾為第i個圖像的權值；為第i個圖像的第j個特征值；θj為第j個特征值對應的權重；n為特征值的數(shù)量；j＝0、1、2、…、n，其中，n為大于或者等于3的自然數(shù)；i為圖像的數(shù)量。

可選的，所述設置模塊，還用于以所述至少一個圖像中權值最高的圖像的中心點為中心，按照所述至少一個圖像中權值最高的圖像預設倍數(shù)大小，剪裁所述至少一個圖像中權值最高的圖像，并將剪裁后的圖像作為目標圖像。

本發(fā)明實施例提供的一種目標圖像的獲取方法及裝置，所述方法包括：獲取至少一個圖像，所述至少一個圖像中每一圖像分別包括：目標特征、用戶評價特征和屬性特征；針對所述每一圖像，分別獲取所述目標特征的第一特征值、所述用戶評價特征的第二特征值和所述屬性特征的第三特征值，其中，所述目標特征至少包括所述用戶的五官的信息特征，所述用戶評價特征至少包括所述用戶對所述圖像的評價的信息特征，所述屬性特征至少包括所述圖像的拍攝時間的信息特征；獲取所述目標特征、所述用戶評價特征和所述屬性特征分別對應的權重；通過所述每一圖像的所述第一特征值以及所述第一特征值的權重，所述第二特征值以及所述第二特征值的權重，所述第三特征值以及所述第三特征值的權重，獲取所述每一圖像的權值；將所述至少一個圖像中權值最高的圖像作為目標圖像。

應用本發(fā)明實施例，根據(jù)圖像的特征值，可以自動篩選出用戶的目標圖像，相對于現(xiàn)有技術中需要用戶人工篩選圖像作為目標圖像，減少了用戶篩選圖像的時間和精力，提高了用戶體驗。當然，實施本發(fā)明的任一產(chǎn)品或方法并不一定需要同時達到以上所述的所有優(yōu)點。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的一種目標圖像的獲取方法的原理示意圖；

圖2為本發(fā)明實施例提供的一種目標圖像的獲取方法的流程示意圖；

圖3為本發(fā)明實施例提供的一種目標圖像的獲取裝置的結構示意圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

為解決現(xiàn)有技術中存在的用戶體驗不佳的技術問題，本發(fā)明實施例提供了一種目標圖像的獲取方法及裝置。

具體的，參見圖1，圖1為本發(fā)明實施例提供的一種目標圖像的獲取方法的原理示意圖；終端設備獲取至少一個圖像。終端設備根據(jù)每個圖像中是否包含有目標特征以及用戶針對該圖像的評價特征、該圖像的屬性特征，獲取與各個特征對應的特征值。終端設備從云端獲取各個特征對應的權重，根據(jù)各個特征到的特征值以及特征值對應的權重，獲取每一圖像的權值，各個特征值的權值是云端根據(jù)預先分類好的訓練樣本訓練出來的。終端桿設備然后將權值最高的圖像作為目標圖像。

下面首先就本發(fā)明實施例提供的一種目標圖像的獲取方法進行介紹。

圖2為本發(fā)明實施例提供的一種目標圖像的獲取方法的流程示意圖，如圖2所示，該方法包括：

s101：獲取至少一個圖像，所述至少一個圖像中每一圖像分別包括：目標特征、用戶評價特征和屬性特征。

獲取終端設備上相冊中或者本地圖庫中的圖像，這些圖像可以是用戶使用該終端設備上的攝像裝置拍攝的，也可以是用戶存儲到該終端設備上的。假設獲取的圖像分別為圖像a、圖像b、圖像c和圖像d。

需要說明的是，目標特征包括但不僅限于是否檢測到了眼睛、是否檢測到了鼻子、是否檢測到了嘴、是否檢測到了耳朵，還可以包括用戶預設的其他目標特征如是否檢測到了汽車、是否檢測到了房子或者是否檢測到了樹木等。類似的，圖像的屬性信息還可以為用戶使用該圖片的頻率、用戶點擊該圖像的頻率或者用戶查看該圖像的頻率等。用戶評價特征可以包括但不僅限于用戶是否對該圖像點贊或者用戶對該圖像的喜愛程度。屬性特征可以包括但不僅限于圖像的拍攝時間、圖像的像素點的多少、圖像的清晰度等。另外，本發(fā)明實施例并不對用戶評價圖像的方法進行限定。

例如，還可以獲取用戶在云端上或者網(wǎng)盤上的圖像，上述圖像的來源可以是攝像裝置拍攝的還可以是用戶從網(wǎng)絡上獲取的圖像，本發(fā)明實施例并不對圖像的存儲位置或者圖像的來源作出限定。

s102：針對每一圖像，分別獲取所述目標特征的第一特征值、所述用戶評價特征的第二特征值和所述屬性特征的第三特征值，其中，所述目標特征至少包括所述用戶的五官的信息特征，所述用戶評價特征至少包括所述用戶對所述圖像的評價的信息特征，所述屬性特征至少包括所述圖像的拍攝時間的信息特征。

示例性的，以圖像a為例進行說明。一般情況下，目標特征可以為眼睛、鼻子、嘴、耳朵。判斷是否檢測到上述目標特征，如果某一目標特征對應的結果為是，則該目標特征對應的第一特征值為1。針對圖像a，如果檢測到了眼睛、檢測到了鼻子、檢測到了嘴、檢測到了耳朵，則上述目標特征對應的第一特征值均為1。如果未檢測到眼睛，則目標特征眼睛對應的特征值為0。

在實際應用中，還可以將各個目標特征對應的特征值之和作為第一特征值。例如，針對圖像a，如果檢測到了眼睛、檢測到了鼻子、檢測到了嘴，則上述目標特征對應的特征值均為1；由于未檢測到耳朵，則該目標特征對應的特征值為0，則可以將1+1+1+0＝3確定為第一特征值。

用戶對該圖像的用戶評價特征可以包括用戶是否點贊的信息，針對圖像a，如果檢測到了用戶點贊，則該圖像對應的第二特征值為1，如果未檢測到用戶點贊，則該圖像對應的第二特征值為0。

在實際應用中，還可以如下方式根據(jù)用戶對該圖像的用戶評價特征獲得該圖像的第二特征值：例如，針對圖像a，如果用戶對該圖像的喜愛程度為五星，則該圖像對應的第二特征值為1，如果用戶對該圖像的喜愛程度為四星，則該圖像對應的第二特征值為0.8，如果用戶對該圖像的喜愛程度為三星，則該圖像對應的第二特征值為0.6，若用戶對該圖像的喜愛程度為二星，則該圖像對應的第二特征值為0.4，若用戶對該圖像的喜愛程度為一星，則該圖像對應的第二特征值為0.2，若用戶未對該圖像進行評價，則該圖像對應的第二特征值為0。

以圖像a的屬性特征為圖像a的拍攝時間為例，可以將拍攝時間在預設時刻2017年1月1日0:00:00之前的圖像的第三特征值預設為0，將拍攝時間在該預設時刻2017年1月1日0:00:00之后的圖像的第三特征值預設為1。根據(jù)圖像a的拍攝時間信息2017年1月15日0:12:00，可以確定出圖像a的第三特征值為1。

在實際應用中，類似于上述用戶對圖像a的喜愛程度進行分級的評價方法，還可以根據(jù)圖像a的拍攝時間劃分更多的等級，進而根據(jù)劃分出來的等級確定出圖像a的第三特征值。例如，可以將拍攝時間在預設時刻2017年1月1日0:00:00之前的圖像的第三特征值預設為0，拍攝時間在預設時刻2017年1月1日至預設時刻2017年1月10日0:00:00之間的圖像的第三特征值預設為0.5，拍攝時間在預設時刻2017年1月10日0:00:00之后的圖像的第三特征值預設為1。

按照上述方法確定出圖像b的第一特征值、第二特征值以及第三特征值、圖像c的第一特征值、第二特征值以及第三特征值、圖像d的第一特征值、第二特征值以及第三特征值。

示例性的，以圖像a為例，可以利用開源的opencv(opensourcecomputervisionlibrary，開源計算機視覺庫)庫提供的檢測方法，根據(jù)圖像a中包含的人臉圖像特征，確定出圖像a中的所有目標特征，其中，opencv是一個跨平臺計算機視覺庫，由一系列c函數(shù)和少量c++類構成，用于實現(xiàn)圖像處理和計算機視覺處理。一般情況下，目標特征可以為眼睛、鼻子、嘴、耳朵。判斷是否檢測到上述目標特征，如果某一目標特征對應的結果為是，則該目標特征對應的第一特征值為1。針對圖像a，如果檢測到了眼睛、檢測到了鼻子、檢測到了嘴、檢測到了耳朵，則上述目標特征對應的第一特征值均為1。

用戶對該圖像的評價特征可以為用戶是否點贊的信息，針對圖像a，檢測到了用戶點贊，則該圖像對應的第二特征值為1。

可以將拍攝時間在預設時刻2017年1月1日0:00:00之前的圖像的第二特征值預設為0，將拍攝時間在該預設時刻2017年1月1日0:00:00之后的圖像的第二特征值預設為1。根據(jù)圖像a的拍攝時間信息2017年1月15日0:12:00，可以確定圖像a的第三特征值為1。

按照上述方法確定出圖像b的第一特征值、第二特征值和第三特征值、圖像c的第一特征值、第二特征值和第三特征值、圖像d的第一特征值、第二特征值和第三特征值：

假設圖像b的目標特征眼睛、鼻子、嘴對應的第一特征值均為1，目標特征耳朵、用戶對該圖像的評價特征對應的第二特征值為0，圖像b對應的第三特征值為0。

假設圖像c的目標特征眼睛、鼻子對應的第一特征值均為1，目標特征嘴、耳朵、用戶對該圖像的評價特征對應的第二特征值為0，圖像c對應的第三特征值為1。

假設圖像d的目標特征眼睛對應的第一特征值均為1，目標特征鼻子、嘴、耳朵、用戶對該圖像的評價特征對應的第二特征值為0，圖像d對應的第三特征值為0。

s103：獲取所述目標特征、所述用戶評價特征和所述屬性特征分別對應的權重。

在實際應用中，可以從云端的對外接口服務器或者本地獲取目標特征、用戶評價特征和屬性特征分別對應的權重。

示例性的，目標特征眼睛的權重為0.15、鼻子的權重為0.15、嘴的權重為0.15、耳朵的權重為0.15、用戶對該圖像的點贊的權重為0.15，圖像的拍攝時間對應的權重為0.25。

s104：通過所述每一圖像的所述第一特征值以及所述第一特征值的權重，所述第二特征值以及所述第二特征值的權重，所述第三特征值以及所述第三特征值的權重，獲取所述每一圖像的權值。

示例性的，

圖像a的權值為，

1*0.15+1*0.15+1*0.15+1*0.15+1*0.15+1*0.25＝1。

圖像b的權值為：

1*0.15+1*0.15+1*0.15+0*0.15+0*0.15+0*0.25＝0.45。

圖像c的權值為：

1*0.15+1*0.15+0*0.15+0*0.15+0*0.15+1*0.25＝0.55。

圖像d的權值為：

1*0.15+0*0.15+0*0.15+0*0.15+0*0.15+0*0.25＝0.15。

s105：將所述至少一個圖像中權值最高的圖像作為目標圖像。

示例性的，顯然s103步驟中確定出來的多個圖像的權值中，圖像a的權值最高。將圖像a作為目標圖像。

應用本發(fā)明實施例，可以為用戶使用的視頻軟件或者聊天軟件自動設置頭像，用戶就可以將更多的時間和精力用于其他方面，提高了用戶使用視頻軟件或者聊天軟件的用戶粘性。

應用本發(fā)明圖2所示實施例提供的方案，根據(jù)終端設備中圖像的特征值，可以自動篩選出用戶的目標圖像，相對于現(xiàn)有技術中需要用戶人工篩選圖像作為目標圖像，減少了用戶篩選圖像的時間和精力，提高了用戶體驗。

可選的，在本發(fā)明實施例的一種具體實施方式中，可以針對每一人臉區(qū)域，根據(jù)所述人臉區(qū)域中的目標特征以及是否檢測到目標特征，獲取所述目標特征對應的第一特征值。

具體的，參見圖1，圖1為本發(fā)明實施例提供的一種目標圖像的獲取方法的原理示意圖；終端設備獲取至少一個圖像，每一圖像都可以包含有多個人臉區(qū)域。終端設備根據(jù)每個人臉區(qū)域中是否包含有目標特征以及用戶針對該圖像的評價特征、該圖像的屬性特征，獲取與各個特征對應的特征值。終端設備從云端的對外接口服務器上獲取各個特征對應的權重，根據(jù)各個特征到的特征值以及特征值對應的權重，獲取每一圖像的權值，各個特征值的權值是云端根據(jù)預先分類好的訓練樣本利用線性回歸模型訓練器訓練出來的。終端設備然后將權值最高的人臉區(qū)域經(jīng)過剪裁，并將剪裁后的人臉區(qū)域作為目標圖像。

示例性的，以圖像a為例，可以利用開源的opencv(opensourcecomputervisionlibrary，開源計算機視覺庫)庫提供的檢測方法，根據(jù)圖像a中包含的人臉圖像特征，確定出圖像a中的所有人臉區(qū)域，其中，opencv是一個跨平臺計算機視覺庫，由一系列c函數(shù)和少量c++類構成，用于實現(xiàn)圖像處理和計算機視覺處理。假設確定出的人臉區(qū)域為a-1和a-2。一般情況下，目標特征可以為是否檢測到眼睛、是否檢測到鼻子、是否檢測到嘴、是否檢測到耳朵。判斷是否檢測到上述目標特征，如果某一目標特征對應的結果為是，則該目標特征對應的第一特征值為1。針對人臉區(qū)域a-1，如果檢測到了眼睛、檢測到了鼻子、檢測到了嘴、檢測到了耳朵，則上述目標特征對應的第一特征值均為1。

用戶對該圖像的評價特征可以包括用戶是否點贊的信息，針對圖像a-1，檢測到了用戶點贊，則該圖像對應的第二特征值為1。

可以將拍攝時間在預設時刻2017年1月1日0:00:00之前的圖像的第二特征值預設為0，將拍攝時間在該預設時刻2017年1月1日0:00:00之后的圖像的第二特征值預設為1。根據(jù)圖像a的拍攝時間信息2017年1月15日0:12:00，可以確定出人臉區(qū)域a-1的第三特征值為1和人臉區(qū)域a-2的第三特征值為1。

如果人臉區(qū)域a-2中包含的目標特征為檢測到了眼睛、檢測到了鼻子、檢測到了嘴、檢測到了耳朵，未檢測到用戶的點贊，按照上述方法，確定出的人臉區(qū)域a-2的上述目標特征眼睛、鼻子、嘴、耳朵對應的第一特征值均為1，用戶對該圖像的評價特征對應的第二特征值為0；且人臉區(qū)域a-2的第三特征值為1。

按照上述方法確定出圖像b中人臉區(qū)域的第一特征值、第二特征值和第三特征值、圖像c中人臉區(qū)域的第一特征值、第二特征值和第三特征值、圖像d中人臉區(qū)域的第一特征值、第二特征值和第三特征值：

假設圖像b中只有一個人臉區(qū)域b-1，且人臉區(qū)域b-1的目標特征眼睛、鼻子、嘴對應的第一特征值均為1，目標特征耳朵、用戶對該圖像的評價特征對應的第二特征值為0，人臉區(qū)域b-1對應的第三技術特征為0。

假設圖像c中只有一個人臉區(qū)域c-1，且人臉區(qū)域c-1的目標特征眼睛、鼻子對應的第一特征值均為1，目標特征嘴、耳朵、用戶對該圖像的評價特征對應的第二特征值為0，人臉區(qū)域c-1對應的第三技術特征為1。

假設圖像d中只有一個人臉區(qū)域d-1，且人臉區(qū)域d-1的目標特征眼睛對應的第一特征值均為1，目標特征鼻子、嘴、耳朵、用戶對該圖像的評價特征對應的第二特征值為0，人臉區(qū)域d-1對應的第三技術特征為0。

通常情況下，可以將人臉圖像特征理解為人臉圖像區(qū)別于其他圖像的特征。根據(jù)圖像中包含的人臉圖像特征確定出圖像中包含的人臉區(qū)域為現(xiàn)有技術，這里不再贅述。

應用本發(fā)明上述實施例提供的方案，可以獲取每一圖像中包含的各個人臉區(qū)域的各個特征值。

可選的，在本發(fā)明實施例的一種具體實施方式中，當需要獲取每一圖像中包含的各個人臉區(qū)域的權值時，可以通過所述每一圖像的所述第一特征值以及所述第一特征值的權重，所述第二特征值以及所述第二特征值的權重，所述第三特征值以及所述第三特征值的權重，獲取所述每一人臉區(qū)域的權值，并將所述每一人臉區(qū)域的權值確定為對應的所述圖像的權值。

可選的，在本發(fā)明實施例的一種具體實施方式中，可以根據(jù)每一個第一特征值和該第一特征值的權重，第二特征值和該第二特征值的權重，以及第三特征值和該第三特征值的權重，利用公式，計算每一個圖像的權值，其中，

y⁽ⁱ⁾為第i個圖像的權值；為第i個圖像的第j個特征值；θj為第j個特征值對應的權重；n為特征值的數(shù)量；j＝0、1、2、…、n，其中，n為大于或者等于3的自然數(shù)；i為圖像的數(shù)量。

假設，目標特征眼睛的權重為0.15、鼻子的權重為0.15、嘴的權重為0.15、耳朵的權重為0.15、用戶對該圖像的評價特征的權重為0.15，人臉區(qū)域a-1的拍攝時間對應的權重為0.25。

人臉區(qū)域a-1的權值為：

1*0.15+1*0.15+1*0.15+1*0.15+1*0.15+1*0.25＝1。

人臉區(qū)域a-2的權值為：

1*0.15+1*0.15+1*0.15+1*0.15+0*0.15+1*0.25＝0.85。

人臉區(qū)域b-1的權值為：

1*0.15+1*0.15+1*0.15+0*0.15+0*0.15+0*0.25＝0.45。

人臉區(qū)域c-1的權值為：

1*0.15+1*0.15+0*0.15+0*0.15+0*0.15+1*0.25＝0.55。

人臉區(qū)域d-1的權值為：

1*0.15+0*0.15+0*0.15+0*0.15+0*0.15+0*0.25＝0.15。

應用本發(fā)明上述實施例，通過獲取每一圖像中每一人臉區(qū)域的權值，可以將人臉圖像作為目標圖像，使圖像的辨識度更高，提高了用戶體驗。

可選的，在本發(fā)明實施例的一種具體實施方式中，所述第一特征值的權重、所述第二特征值的權重和所述第二特征值的權重均是由云端服務器根據(jù)人工分類好的訓練樣本，利用梯度下降法、線性回歸算法或者神經(jīng)網(wǎng)絡算法訓練得到的，其中，

所述訓練樣本包括，至少一張圖像中包含的所有特征、每一特征的特征值以及該圖像的權值，其中，所有特征包括第一特征中的各個特征、第二特征中的各個特征以及第三特征中的各個特征。

下面以人臉區(qū)域x-1為例，對第一特征值的權重、第二特征值和第三特征值的權重的訓練過程進行介紹。

用戶根據(jù)人臉區(qū)域x-1是否包含預設的目標特征，如是眼睛、鼻子等，由人工設置人臉區(qū)域x-1的權值，并將該人臉區(qū)域x-1中包含的各個目標特征、每二特征、第三特征、各個特征對應的特征值以及該人臉區(qū)域x-1的權值作為一個訓練樣本。用戶將多個訓練樣本輸入到預設在云端服務器上的線性回歸模型訓練器，線性回歸模型訓練器利用梯度下降算法訓練得到的，利用的梯度下降法的公式為：

訓練第一特征值、第二特征值和第三特征值的權重，其中，

θ(t+1),j為第t+1次迭代時的第j個特征值的權重；θt,j為第t次迭代時的第j個特征值的權重；t為迭代次數(shù)；j為特征值的個數(shù)；n為特征值的總數(shù)；i為訓練樣本的個數(shù)；x⁽ⁱ⁾為第i個訓練樣本；α為學習因子，是一個常數(shù)；hθ為線性回歸模型，且

訓練好的權重可以存儲在云端的對外接口服務器上。

示例性的，以獲取人臉區(qū)域a-1的權值為例進行說明。

終端設備從對外接口服務器獲得各個權值對應的權重，然后根據(jù)該權重獲取人臉區(qū)域a-1的權值。

需要強調(diào)的是，第一特征值、第二特征值和第三特征的權重可以是由用戶設定的，也可以是從云端服務器獲取的，另外，對各個特征的權重的訓練可以是云端服務器進行的也可以是在本地終端設備上進行的。

應用本發(fā)明上述實施例，根據(jù)訓練樣本，利用利用梯度下降法、線性回歸算法或者神經(jīng)網(wǎng)絡算法訓練得到的，對圖像中包含的各個特征的權重進行訓練，可以快速獲得各個特征的權重，縮短了確定目標圖像過程的耗時。

相應的，本發(fā)明實施例還提供了一種目標圖像的獲取裝置。

圖3為本發(fā)明實施例提供的一種目標圖像的獲取裝置的結構示意圖，如圖3所示，該裝置包括：第一獲取模塊301、第二獲取模塊302、第三獲取模塊303、第四獲取模塊304和設置模塊305，其中，

第一獲取模塊301，用于獲取至少一個圖像，所述至少一個圖像中每一圖像分別包括：目標特征、用戶評價特征和屬性特征；

第二獲取模塊302，用于針對每一圖像，分別獲取所述目標特征的第一特征值，所述用戶評價特征的第二特征值和所述屬性特征的第三特征值，其中，所述目標特征至少包括所述用戶的五官的信息特征，所述用戶評價特征至少包括所述用戶對所述圖像的評價的信息特征，所述屬性特征至少包括所述圖像的拍攝時間的信息特征；

第三獲取模塊303，用于獲取所述目標特征、所述用戶評價特征和所述屬性特征分別對應的權重；

第四獲取模塊304，用于通過所述每一圖像的所述第一特征值以及所述第一特征值的權重，所述第二特征值以及所述第二特征值的權重，所述第三特征值以及所述第三特征值的權重，獲取所述每一圖像的權值；

設置模塊305，用于將所述至少一個圖像中權值最高的圖像作為目標圖像。

應用本發(fā)明圖3所示實施例提供的方案，根據(jù)終端設備中圖像的特征值，可以自動篩選出用戶的目標圖像，相對于現(xiàn)有技術中需要用戶人工篩選圖像作為目標圖像，減少了用戶篩選圖像的時間和精力，提高了用戶體驗。

可選的，在本發(fā)明實施例的一種具體實施方式中，第二獲取模塊302，還用于：

根據(jù)所述每一圖像中包含的人臉圖像特征，獲取所述每一圖像中包含的所有人臉區(qū)域；

針對每一人臉區(qū)域，根據(jù)所述人臉區(qū)域中的目標特征以及是否檢測到目標特征，獲取所述目標特征對應的第一特征值；

第四獲取模塊304，還用于：

通過所述每一圖像的所述第一特征值以及所述第一特征值的權重，所述第二特征值以及所述第二特征值的權重，所述第三特征值以及所述第三特征值的權重，獲取所述每一人臉區(qū)域的權值，并將所述每一人臉區(qū)域的權值確定為對應的所述圖像的權值。

可選的，在本發(fā)明實施例的一種具體實施方式中，第三獲取模塊303，還用于，

從云端服務器獲取所述目標特征、所述用戶評價特征和所述屬性特征分別對應的權重，其中，所述第一特征值的權重、所述第二特征值的權重和所述第二特征值的權重均是由所述云端服務器根據(jù)人工分類好的訓練樣本，利用梯度下降法、線性回歸算法或者神經(jīng)網(wǎng)絡算法訓練得到的，所述訓練樣本包括，至少一張圖像中包含的所有目標特征、用戶評價特征和屬性特征、每一特征的特征值以及所述至少一張圖像的權值。

可選的，在本發(fā)明實施例的一種具體實施方式中，第四獲取模塊304，還用于：

根據(jù)所述第一特征值和所述第一特征值的權重，第二特征值和所述第二特征值的權重，以及第三特征值和所述第三特征值的權重，利用公式，計算所述每一圖像的權值，其中，

y⁽ⁱ⁾為第i個圖像的權值；為第i個圖像的第j個特征值；θj為第j個特征值對應的權重；n為特征值的數(shù)量；j＝0、1、2、…、n，其中，n為大于或者等于3的自然數(shù)；i為圖像的數(shù)量。

可選的，在本發(fā)明實施例的一種具體實施方式中，設置模塊305，還用于以所述至少一個圖像中權值最高的圖像的中心點為中心，按照所述至少一個圖像中權值最高的圖像預設倍數(shù)大小，剪裁所述至少一個圖像中權值最高的圖像，并將剪裁后的圖像作為目標圖像。。

需要說明的是，在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。

本說明書中的各個實施例均采用相關的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于系統(tǒng)實施例而言，由于其基本相似于方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。

以上所述僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進等，均包含在本發(fā)明的保護范圍內(nèi)。