图片集中代表性图片的确定方法及装置制造方法及图纸

本公开涉及图片处理技术领域，提供了一种图片集中代表性图片的确定方法及装置。该方法包括：基于每张训练图片与其所属标识号的基础图片的特征向量，计算每张训练图片相对于其所属标识号的基础图片的相对丰富度；利用每张训练图片与其所属标识号的基础图片的特征向量，以及每张训练图片相对于其所属标识号的基础图片的相对丰富度，训练相对丰富度回归模型；基于每张训练图片与其所属标识号的其它训练图片的特征向量，计算每张训练图片的绝对丰富度；利用每张训练图片的特征向量和绝对丰富度，训练绝对丰富度回归模型；利用绝对丰富度回归模型和相对丰富度回归模型从候选图片集中挑选出候选图片集的代表性图片。中挑选出候选图片集的代表性图片。中挑选出候选图片集的代表性图片。

【技术实现步骤摘要】
图片集中代表性图片的确定方法及装置


[0001]本公开涉及图片处理
，尤其涉及一种图片集中代表性图片的确定方法及装置。

技术介绍

[0002]怎样在一段视频或者图片集合(视频和图片集合实质上一样，一段视频可以理解为一个图片集合)中挑选多张代表性图片，使代表性图片的丰富度、信息度和质量都高，是一个很重要的应用。目前相关技术都只考虑单张图片的“绝对质量”，比如单张图片不模糊、光照好等，而没有考虑一张图片相对于其他图片而言，可以带来多少的信息量。因此，现有技术从一段视频或者图片集合中挑选代表性图片，往往只考虑每一张图片本身，而不考虑彼此的相关性。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下技术问题：目前从图片集中挑选代表性图片，不考虑图片间的相关性，导致挑选出的代表性图片质量得不到保障的问题。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种图片集中代表性图片的确定方法、、装置、电子设备及计算机可读存储介质，以解决现有技术中，目前从图片集中挑选代表性图片，不考虑图片间的相关性，导致挑选出的代表性图片质量得不到保障的问题。
[0005]本公开实施例的第一方面，提供了一种图片集中代表性图片的确定方法，包括：获取训练数据集，并利用特征提取网络提取训练数据集中每张训练图片的特征向量，其中，训练数据集，包括：多个标识号以及每个标识号的多张训练图片，每个标识号均有一张特殊的训练图片作为该标识号的基础图片；基于每张训练图片与其所属标识号的基础图片的特征向量，计算每张训练图片相对于其所属标识号的基础图片的相对丰富度；利用每张训练图片与其所属标识号的基础图片的特征向量，以及每张训练图片相对于其所属标识号的基础图片的相对丰富度，训练相对丰富度回归模型；基于每张训练图片与其所属标识号的其它训练图片的特征向量，计算每张训练图片的绝对丰富度；利用每张训练图片的特征向量和绝对丰富度，训练绝对丰富度回归模型；获取候选图片集，利用绝对丰富度回归模型和相对丰富度回归模型从候选图片集中挑选出候选图片集的代表性图片，其中，候选图片集包括多张候选图片。
[0006]本公开实施例的第二方面，提供了一种图片集中代表性图片的确定装置，包括：特征提取模块，被配置为获取训练数据集，并利用特征提取网络提取训练数据集中每张训练图片的特征向量，其中，训练数据集，包括：多个标识号以及每个标识号的多张训练图片，每个标识号均有一张特殊的训练图片作为该标识号的基础图片；第一计算模块，被配置为基于每张训练图片与其所属标识号的基础图片的特征向量，计算每张训练图片相对于其所属标识号的基础图片的相对丰富度；第一训练模块，被配置为利用每张训练图片与其所属标
识号的基础图片的特征向量，以及每张训练图片相对于其所属标识号的基础图片的相对丰富度，训练相对丰富度回归模型；第二计算模块，被配置为基于每张训练图片与其所属标识号的其它训练图片的特征向量，计算每张训练图片的绝对丰富度；第二训练模块，被配置为利用每张训练图片的特征向量和绝对丰富度，训练绝对丰富度回归模型；图片挑选模块，被配置为获取候选图片集，利用绝对丰富度回归模型和相对丰富度回归模型从候选图片集中挑选出候选图片集的代表性图片，其中，候选图片集包括多张候选图片。
[0007]本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0008]本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0009]本公开实施例与现有技术相比存在的有益效果是：因为本公开实施例通过获取训练数据集，并利用特征提取网络提取训练数据集中每张训练图片的特征向量，其中，训练数据集，包括：多个标识号以及每个标识号的多张训练图片，每个标识号均有一张特殊的训练图片作为该标识号的基础图片；基于每张训练图片与其所属标识号的基础图片的特征向量，计算每张训练图片相对于其所属标识号的基础图片的相对丰富度；利用每张训练图片与其所属标识号的基础图片的特征向量，以及每张训练图片相对于其所属标识号的基础图片的相对丰富度，训练相对丰富度回归模型；基于每张训练图片与其所属标识号的其它训练图片的特征向量，计算每张训练图片的绝对丰富度；利用每张训练图片的特征向量和绝对丰富度，训练绝对丰富度回归模型；获取候选图片集，利用绝对丰富度回归模型和相对丰富度回归模型从候选图片集中挑选出候选图片集的代表性图片，其中，候选图片集包括多张候选图片，因此，采用上述技术手段，可以解决现有技术中，目前从图片集中挑选代表性图片，不考虑图片间的相关性，导致挑选出的代表性图片质量得不到保障的问题，进而提高挑选出的代表性图片的质量。
附图说明
[0010]为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述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公开的一些实施例，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它的附图。
[0011]图1是本公开实施例的应用场景的场景示意图；
[0012]图2是本公开实施例提供的一种图片集中代表性图片的确定方法的流程示意图；
[0013]图3是本公开实施例提供的一种图片集中代表性图片的确定装置的结构示意图；
[0014]图4是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
[0015]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电
路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
[0016]下面将结合附图详细说明根据本公开实施例的一种图片集中代表性图片的确定方法和装置。
[0017]图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备101、102和103、服务器104以及网络105。
[0018]终端设备101、102和103可以是硬件，也可以是软件。当终端设备101、102和103为硬件时，其可以是具有显示屏且支持与服务器104通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备101、102和103为软件时，其可以安装在如上的电子设备中。终端设备101、102和103可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备101、102和103上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
[0019]服务器104可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图片集中代表性图片的确定方法，其特征在于，包括：获取训练数据集，并利用特征提取网络提取所述训练数据集中每张训练图片的特征向量，其中，所述训练数据集，包括：多个标识号以及每个标识号的多张训练图片，每个标识号均有一张特殊的训练图片作为该标识号的基础图片；基于每张训练图片与其所属标识号的基础图片的特征向量，计算每张训练图片相对于其所属标识号的基础图片的相对丰富度；利用每张训练图片与其所属标识号的基础图片的特征向量，以及每张训练图片相对于其所属标识号的基础图片的相对丰富度，训练相对丰富度回归模型；基于每张训练图片与其所属标识号的其它训练图片的特征向量，计算每张训练图片的绝对丰富度；利用每张训练图片的特征向量和绝对丰富度，训练绝对丰富度回归模型；获取候选图片集，利用所述绝对丰富度回归模型和所述相对丰富度回归模型从所述候选图片集中挑选出所述候选图片集的代表性图片，其中，所述候选图片集包括多张候选图片。2.根据权利要求1所述的方法，其特征在于，所述基于每张训练图片与其所属标识号的基础图片的特征向量，计算每张训练图片相对于其所属标识号的基础图片的相对丰富度，包括：对于每张训练图片：将该训练图片所属标识号的其它多张训练图片作为该训练图片的正对标集合，从其它标识号的多张训练图片中确定出预设数量的训练图片作为该训练图片的负对标集合；基于该训练图片与其正对标集合中所有训练图片的特征向量，计算该训练图片与其正对标集合中每张训练图片的相似度的第一平均值；基于该训练图片所属标识号的基础图片与其正对标集合中所有训练图片的特征向量，计算该基础图片与其正对标集合中每张训练图片的相似度的第二平均值；基于该训练图片与其所属标识号的基础图片的特征向量的向量和与其正对标集合中所有训练图片的特征向量，计算该向量和与其正对标集合中每张训练图片的相似度的第三平均值；基于该训练图片与其所属标识号的基础图片的特征向量的向量和与其负对标集合中所有训练图片的特征向量，计算该向量和与其负对标集合中每张训练图片的相似度的第四平均值；基于该训练图片对应的第一平均值、第二平均值、第三平均值和第四平均值，计算该训练图片相对于其所属标识号的基础图片的相对丰富度。3.根据权利要求2所述的方法，其特征在于，所述基于该训练图片对应的第一平均值、第二平均值、第三平均值、和第四平均值，计算该训练图片相对于其所属标识号的基础图片的相对丰富度，包括：计算该训练图片对应的第三平均值和第一平均值的差值，作为该训练图片相对于其所属标识号的基础图片的正相对丰富度；计算该训练图片对应的第二平均值和第四平均值的差值，作为该训练图片相对于其所属标识号的基础图片的负相对丰富度；
基于该训练图片相对于其所属标识号的基础图片的正相对丰富度和负相对丰富度，确定该训练图片相对于其所属标识号的基础图片的相对丰富度。4.根据权利要求1所述的方法，其特征在于，所述利用每张训练图片与其所属标识号的基础图片的特征向量，以及每张训练图片相对于其所属标识号的基础图片的相对丰富度，训练相对丰富度回归模型，包括：计算每张训练图片所属标识号的基础图片的特征向量与第一矩阵的乘积，并将乘积的结果再乘以该张训练图片的特征向量与第一矩阵的乘积的转置，得到每张训练图片对应的第一向量；利用第一激活函数处理每张训练图片对应的第一向量，再将处理的结果乘以该张训练图片所属标识号的基础图片的特征向量，得到每张训练图片对应的第二向量；变换每张训练图片对应的第二向量的维度，以将变换维度后的第二向量与该张训练图片的特征向量进行堆叠，得到每张训练图片对应的第三向量；将每张训练图片对应的第三向量经过多次卷积、归一化、第二激活函数和全局池化的处理，得到每张训练图片对应的第四向量；将每张训练图片对应的第四向量经过后接第一全连接矩阵、所述第二激活函数处理、后接第二全...

【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：深圳须弥云图空间科技有限公司，
类型：发明
国别省市：