圖像分析的方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及數(shù)據(jù)處理領(lǐng)域，尤其涉及一種圖像分析的方法及裝置。
【背景技術(shù)】
[0002]隨著圖像識別和分析技術(shù)的發(fā)展，目前在對圖像中的人臉進行識別時，先對圖像進行識別，得到若干特征點，根據(jù)特征點計算表示面部特征的數(shù)值。例如:根據(jù)表示眼睛的特征點能夠得到眼睛大小以及兩眼之間的距離等面部特征數(shù)值。將得到的面部特征數(shù)值與預(yù)設(shè)數(shù)值進行比對，實現(xiàn)對圖像的分析。
[0003]在實現(xiàn)上述圖像分析的過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術(shù)中至少存在如下問題:預(yù)設(shè)數(shù)值將對圖像分析結(jié)果起到直接影響，然而由于預(yù)設(shè)數(shù)值往往是由程序人員自行猜想的，因此缺乏普遍性，較為片面。

【發(fā)明內(nèi)容】

[0004]本發(fā)明提供了一種圖像分析的方法及裝置，能夠解決圖像分析缺乏普遍性，較為片面的問題。
[0005]一方面，本發(fā)明提供了一種圖像分析的方法，所述方法包括:
[0006]分別對預(yù)設(shè)圖片集中的各圖片進行識別，得到所述各圖片的特征權(quán)重矢量，所述特征權(quán)重矢量用于表示對圖片評分起主要作用的至少一個特征點間距以及各特征點間距所占比例；
[0007]根據(jù)所述各圖片的特征權(quán)重矢量確定所述各圖片與待分析圖片之間的近似度；
[0008]根據(jù)所述近似度從預(yù)設(shè)圖片集中查找與待分析圖片相近的至少一個圖片；
[0009]獲取所述預(yù)設(shè)圖片集中各圖片的評分；
[0010]根據(jù)所述至少一個圖片的評分以及所述至少一個圖片的近似度計算所述待分析圖片的評分。
[0011]另一方面，本發(fā)明還提供了一種圖像分析的裝置，所述裝置包括:
[0012]識別單元，用于分別對預(yù)設(shè)圖片集中的各圖片進行識別，得到所述各圖片的特征權(quán)重矢量，所述特征權(quán)重矢量用于表示對圖片評分起主要作用的至少一個特征點間距以及各特征點間距所占比例；
[0013]確定單元，用于根據(jù)所述識別單元識別到的所述各圖片的特征權(quán)重矢量確定所述各圖片與待分析圖片之間的近似度；
[0014]查找單元，用于根據(jù)所述確定單元確定的所述近似度從預(yù)設(shè)圖片集中查找與待分析圖片相近的至少一個圖片；
[0015]獲取單元，用于獲取所述預(yù)設(shè)圖片集中各圖片的評分；
[0016]計算單元，用于根據(jù)所述獲取單元獲取的所述至少一個圖片的評分以及所述確定單元確定的所述至少一個圖片的近似度計算所述待分析圖片的評分。
[0017]本發(fā)明提供的圖像分析的方法及裝置，能夠?qū)︻A(yù)設(shè)圖片集中的各圖片進行識別，得到所述各圖片的特征權(quán)重矢量；根據(jù)所述各圖片的特征權(quán)重矢量確定所述各圖片與待分析圖片之間的近似度；根據(jù)所述近似度從預(yù)設(shè)圖片集中查找與待分析圖片相近的至少一個圖片；根據(jù)所述至少一個圖片的評分以及所述至少一個圖片的近似度計算所述待分析圖片的評分。現(xiàn)有技術(shù)中根據(jù)程序員自行設(shè)置的閾值對待分析圖片進行評分，閾值僅能夠體現(xiàn)程序員個人的審美，無法結(jié)合現(xiàn)有的數(shù)據(jù)或公眾對圖片的評價對待分析圖片進行評分。本發(fā)明中，能夠根據(jù)預(yù)設(shè)圖片集中的各圖片的特征權(quán)重矢量確定個圖片與待分析圖片之間的相似度，根據(jù)該相似度對待分析圖片進行評分，相似度能夠體現(xiàn)公眾對圖片的評價，因此能夠客觀的對待分析圖片進行分析，克服現(xiàn)有技術(shù)缺乏普遍性的問題。
【附圖說明】
[0018]為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)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(lǐng)域普通技術(shù)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。
[0019]圖1為本發(fā)明實施例中第一個圖像分析的方法的流程圖；
[0020]圖2為本發(fā)明實施例中第二個圖像分析的方法的流程圖；
[0021]圖3為本發(fā)明實施例中第三個圖像分析的方法的流程圖；
[0022]圖4為本發(fā)明實施例中第四個圖像分析的方法的流程圖；
[0023]圖5為本發(fā)明實施例中第五個圖像分析的方法的流程圖；
[0024]圖6為本發(fā)明實施例中第一個圖像分析的裝置的結(jié)構(gòu)示意圖；
[0025]圖7為本發(fā)明實施例中第二個圖像分析的裝置的結(jié)構(gòu)示意圖；
[0026]圖8為本發(fā)明實施例中第三個圖像分析的裝置的結(jié)構(gòu)示意圖；
[0027]圖9為本發(fā)明實施例中第四個圖像分析的裝置的結(jié)構(gòu)示意圖；
[0028]圖10為本發(fā)明實施例中第五個圖像分析的裝置的結(jié)構(gòu)示意圖。
【具體實施方式】
[0029]下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)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(lǐng)域普通技術(shù)人員在沒有作出創(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。
[0030]本發(fā)明實施例提供了一種圖像分析的方法，如圖1所示，所述方法包括:
[0031]步驟101、分別對預(yù)設(shè)圖片集中的各圖片進行識別，得到各圖片的特征權(quán)重矢量，特征權(quán)重矢量用于表示對圖片評分起主要作用的至少一個特征點間距以及各特征點間距所占比例。
[0032]預(yù)設(shè)圖片集為本地存儲、本地存儲結(jié)合網(wǎng)絡(luò)存儲，或者網(wǎng)絡(luò)存儲的方式進行保存。特征權(quán)重矢量可通過對圖片進行主成分分析(Principal Component Analysis,簡稱PCA)算法，從圖片的各特征點間距中確定出對評分起主要作用的特征點間距、特征點以及在所起作用中占有的比例。
[0033]步驟102、根據(jù)各圖片的特征權(quán)重矢量確定各圖片與待分析圖片之間的近似度。
[0034]對待分析圖片進行識別，得到待分析圖片中各特征點和特征點之間的距離。現(xiàn)有技術(shù)中提供了對圖片進行分析，得到用于表示人的面部特征的特征點的技術(shù)方案，此處不再贅述。由于不同的圖片的特征權(quán)重矢量不盡相同，因此根據(jù)每張圖片的特征權(quán)重矢量從待分析圖片中選擇與之對應(yīng)的特征點以及特征點間距。根據(jù)待分析圖片的特征點間距和圖片的特征權(quán)重矢量表示的特征點間距確定近似度。
[0035]步驟103、根據(jù)近似度從預(yù)設(shè)圖片集中查找與待分析圖片相近的至少一個圖片。
[0036]將各圖片與待分析圖片之間的近似度進行排序，將近似度高的至少一個圖片確定為與待分析圖片相近的至少一個圖片。
[0037]步驟104、獲取預(yù)設(shè)圖片集中各圖片的評分。
[0038]可針對于圖片不同維度進行評分，維度不限于下述任意一種:美丑、性別特征、氣質(zhì)、有善度、表情。為了方便說明，本發(fā)明實施例中僅以一種維度下的圖片分析進行說明。
[0039]步驟105、根據(jù)至少一個圖片的評分以及至少一個圖片的近似度計算待分析圖片的評分。
[0040]根據(jù)最鄰近結(jié)點算法(Κ-Nearest Neighbor algorithm,簡稱KNN算法)對所述至少一個圖片內(nèi)的評分進行計算，具體的:根據(jù)圖片的近似度確定圖片內(nèi)的權(quán)重，根據(jù)所述至少一個圖片中每個圖片的評分以及權(quán)重，加權(quán)計算得到待分析圖片的評分。
[0041]本發(fā)明實施例提供的圖像分析的方法，能夠?qū)︻A(yù)設(shè)圖片集中的各圖片進行識別，得到所述各圖片的特征權(quán)重矢量；根據(jù)所述各圖片的特征權(quán)重矢量確定所述各圖片與待分析圖片之間的近似度；根據(jù)所述近似度從預(yù)設(shè)圖片集中查找與待分析圖片相近的至少一個圖片；根據(jù)所述至少一個圖片的評分以及所述至少一個圖片的近似度計算所述待分析圖片的評分?，F(xiàn)有技術(shù)中根據(jù)程序員自行設(shè)置的閾值對待分析圖片進行評分，閾值僅能夠體現(xiàn)程序員個人的審美，無法結(jié)合現(xiàn)有的數(shù)據(jù)或公眾對圖片的評價對待分析圖片進行評分。本發(fā)明中，能夠根據(jù)預(yù)設(shè)圖片集中的各圖片的特征權(quán)重矢量確定個圖片與待分析圖片之間的相似度，根據(jù)該相似度對待分析圖片進行評分，相似度能夠體現(xiàn)公眾對圖片的評價，因此能夠客觀的對待分析圖片進行分析，克服現(xiàn)有技術(shù)缺乏普遍性的問題。
[0042]進一步的，本發(fā)明實施例還提供了一種圖像分析的方法，作為對圖1所示方法的具體說明，如圖2所示，步驟101、分別對預(yù)設(shè)圖片集中的各圖片進行識別，得到所述各圖片的特征權(quán)重矢量的步驟，包括:
[0043]步驟201、分別對預(yù)設(shè)圖片集中的各圖片進行識別，得到各圖片的特征點的坐標(biāo)以及各特征點之間的間距。
[0044]當(dāng)識別得到N個特征點時，N個特征點能夠確定N (N-D/2個特征點間距，每個特征點間距由兩個特征點表示。
[0045]步驟202、根據(jù)主成分分析算法從各特征點之間的間距中確定對圖片評分起主要作用至少一個特征點間距以及起主要作用至少一個特征點間距所占的比例，起主要作用至少一個特征點、起主要作用至少一個特征點間距和起主要作用至少一個特征點間距所占的比例構(gòu)成特征權(quán)重矢量。
[0046]主成分分析算法能夠是一種掌握事物主要矛盾的統(tǒng)計分析方法，它可以從多元事物中解析出主要影響因素，揭示事物的本質(zhì)，簡化復(fù)雜的問題。本發(fā)明實施例中，通過主成分分析算法能夠得到對評分起主要作用的至少一個特征點間距以及所述至少一個特征點間距在所起作用中占有的比例。
[0047]本發(fā)明實施例提供的圖像分析的方法，能夠根據(jù)主成分分析算法得到對圖片評分起主要作用的特征點間距以及該特征點間距所占的比例，進而準(zhǔn)確的得到對圖片評分起主要作用的特征權(quán)重矢量。
[0048]本發(fā)明實施例還提供了一種圖像分析的方法，作為對圖1所述方法的具體說明，如圖3所示，步驟104、所述獲取預(yù)設(shè)圖片集中各圖片的評分的步驟，包括:
[0049]步驟301、獲取預(yù)設(shè)圖片集中各圖片的至少一個評分。
[0050]步驟302、根據(jù)至少一個評分確定各圖片的評分。
[0051]進一步的，如圖4所示，在步驟302、根據(jù)所述至少一個評分確定所述各圖片的評分之前，所述方法還包括:
[0052]步驟401、從所述至少一個評分中查找與其余評分具有明顯差異的評分。
[0053]所述步驟302、根據(jù)至少一個評分確定各圖片的評分的步驟，包括:
[0054]