鬼佬大哥大
  • / 19
  • 下載費用:30 金幣  

圖片排序方法及終端.pdf

摘要
申請專利號:

CN201410090640.6

申請日:

2014.03.12

公開號:

CN104915351A

公開日:

2015.09.16

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):G06F 17/30申請日:20140312|||公開
IPC分類號: G06F17/30; G06K9/66 主分類號: G06F17/30
申請人: 華為技術有限公司
發明人: 江焯林; 楊強
地址: 518129廣東省深圳市龍崗區坂田華為總部辦公樓
優先權:
專利代理機構: 北京同達信恒知識產權代理有限公司11291 代理人: 黃志華
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201410090640.6

授權公告號:

||||||

法律狀態公告日:

2018.08.21|||2015.10.14|||2015.09.16

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

本發明實施例公開了一種圖片排序方法及終端,獲取終端中存儲的圖片;檢測所述圖片是否為第一類圖片,所述第一類圖片是指包括人臉的圖片;在所述圖片是第一類圖片時,根據社交關系模型對所述圖片進行排序;在所述圖片不是第一類圖片時,根據預設規則對所述圖片進行排序。

權利要求書

權利要求書
1.  一種圖片排序方法,其特征在于,所述方法包括:
獲取終端中存儲的圖片;
檢測所述圖片是否為第一類圖片,所述第一類圖片是指包括人臉的圖片;
在所述圖片是第一類圖片時,根據社交關系模型對所述圖片進行排序;
在所述圖片不是第一類圖片時,根據預設規則對所述圖片進行排序。

2.  如權利要求1所述的方法,其特征在于,所述根據社交關系模型對所述圖片進行排序之前,所述方法還包括:
利用存儲的聯系人的頭像和所述聯系人的信息訓練所述社交關系模型。

3.  如權利要求2所述的方法,其特征在于,所述利用存儲的聯系人的頭像和所述聯系人的信息訓練所述社交關系模型,具體包括:
提取所述聯系人的頭像數據,用所述聯系人的信息對所述頭像數據進行標注從而獲得所述社交關系模型從而獲得所述社交關系模型。

4.  根據權利要求1至3任一所述的方法,其特征在于,所述根據社交關系模型對所述圖片進行排序,具體包括:
通過所述社交關系模型,獲取所述圖片對應的聯系人的信息,所述圖片對應的聯系人的信息包含所述聯系人的身份特征;
在所述圖片對應的聯系人的信息被成功獲取時,將所述圖片添加到人臉識別組,根據所述身份特征,對所述人臉識別組中的圖片進行排序;
在所述圖片對應的聯系人的信息未被獲取時,將所述圖片添加到人臉未識別組,并根據所述預設規則對所述人臉未識別組的圖像進行聚類排序。

5.  如權利要求1至4任一所述的方法,其特征在于,所述檢測所述圖片是否為第一類圖片之前,所述方法還包括:
提取存儲的人臉圖像的特征值;
通過機器學習方法對所述人臉圖像的特征值進行學習,建立人臉識別模 型。

6.  如權利要求5所述的方法,其特征在于,所述檢測所述圖片是否為第一類圖片,具體包括:
提取所述圖片的特征值;
將所述圖片的特征值與所述人臉識別模型進行匹配;
在所述匹配的結果高于第一預設值時,確定所述圖片是所述第一類圖片;
在所述匹配的結果不高于第一預設值時,確定所述圖片不是所述第一類圖片。

7.  一種終端,其特征在于,所述終端包括:
圖片獲取單元,用于獲取終端中存儲的圖片;
檢測單元,用于檢測所述圖片獲取單元獲取的所述圖片是否為第一類圖片,所述第一類圖片是指包括人臉的圖片;
第一排序單元,用于在所述檢測單元檢測到在所述圖片是第一類圖片時,根據社交關系模型對所述圖片進行排序;
第二排序單元,用于在所述檢測單元檢測到在所述圖片不是第一類圖片時,根據預設規則對所述圖片進行排序。

8.  如權利要求7所述的終端,其特征在于,所述終端還包括社交模型訓練單元;
所述社交模型訓練單元,具體用于利用存儲的聯系人的頭像和所述聯系人的信息訓練所述社交關系模型;
所述第一排序單元,用于在所述檢測單元檢測到在所述圖片是第一類圖片時,根據所述社交模型訓練單元訓練出的社交關系模型對所述圖片進行排序。

9.  如權利要求8所述的終端,其特征在于,所述社交模型訓練單元,具體用于提取所述聯系人的頭像數據,用所述聯系人的信息對所述頭像數據進行標注從而獲得所述社交關系模型。

10.  根據權利要求7至9任一所述的終端,其特征在于,所述第一排序單 元,具體用于通過所述社交關系模型,獲取所述圖片對應的聯系人的信息,所述圖片對應的聯系人的信息包含所述聯系人的身份特征,在所述圖片對應的聯系人的信息被成功獲取時,將所述圖片添加到人臉識別組,根據所述身份特征,對所述人臉識別組中的圖片進行排序,以及在所述圖片對應的聯系人的信息被未被獲取時,將所述圖片添加到人臉未識別組,并根據所述預設規則對所述人臉未識別組的圖像進行聚類排序。

11.  如權利要求7至10任一所述的終端,其特征在于,所述終端還包括人臉模型建立單元;
所述人臉模型建立單元,用于提取存儲的人臉圖像的特征值,并通過機器學習方法對所述人臉圖像的特征值進行學習,建立人臉識別模型;
所述檢測單元,具體用于根據所述人臉模型建立單元建立的人臉識別模型,檢測所述圖片是否為第一類圖片。

12.  如權利要求11所述的終端,其特征在于,所述檢測單元,具體用于提取所述圖片的特征值,將所述圖片的特征值與所述人臉識別模型進行匹配,在所述匹配的結果高于第一預設值時,確定所述圖片是所述第一類圖片,以及在所述匹配的結果不高于第一預設值時,確定所述圖片不是所述第一類圖片。

說明書

說明書圖片排序方法及終端
技術領域
本發明涉及圖片排序領域,具體涉及一種圖片排序方法及終端。
背景技術
隨著計算機技術和攝影技術的飛速發展,現有的終端通常會自帶攝像設備,例如智能手機,平板電腦等,能夠通過所述攝像設備來拍攝圖片,當然也可以通過互聯網獲取圖片,進而方便用戶通過所述終端來查看圖片。
但是,現有終端通常是根據用戶創建目錄形式來分組,或者利用時間、地點等簡單信息來自動劃分組別,對于通過所述攝像設備拍攝的圖片,也大多是按照拍攝時間排列,或者按照手機照片中全球定位系統(Global Positioning System,簡稱GPS)地點信息排列,如此,導致出現了圖片分組、排序方式單一的問題。
發明內容
本申請實施例通過提供一種圖片排序的方法及終端,能夠使得圖片分組、排序方式更加豐富和多樣化。
根據本發明的第一方面,提供了一種圖片排序方法,所述方法包括:獲取終端中存儲的圖片;檢測所述圖片是否為第一類圖片,所述第一類圖片是指包括人臉的圖片;在所述圖片是第一類圖片時,根據社交關系模型對所述圖片進行排序;在所述圖片不是第一類圖片時,根據預設規則對所述圖片進行排序。
結合第一方面,在第一種可能的實現方式中,所述根據社交關系模型對所述圖片進行排序之前,所述方法還包括:利用存儲的聯系人的頭像和所述聯系人的信息訓練所述社交關系模型。
結合第一方面的第一種可能的實現方式,在第一方面的第二種可能的實現 方式中,所述利用存儲的聯系人的頭像和所述聯系人的信息訓練所述社交關系模型,具體包括:提取所述聯系人的頭像數據,用所述聯系人的信息對所述頭像數據進行標注從而獲得所述社交關系模型。
結合第一方面或第一種至第二種可能的實現方式中的任一種,在第一方面的第三種可能的實現方式中,所述根據社交關系模型對所述圖片進行排序,具體包括:通過所述社交關系模型,獲取所述圖片對應的聯系人的信息,所述圖片對應的聯系人的信息包含所述聯系人的身份特征;在所述圖片對應的聯系人的信息被成功獲取時,將所述圖片添加到人臉識別組,根據所述身份特征,對所述人臉識別組中的圖片進行排序;在所述圖片對應的聯系人的信息被未被獲取時,將所述圖片添加到人臉未識別組,并根據所述預設規則對所述人臉未識別組的圖像進行聚類排序。
結合第一方面或第一種至第三種可能的實現方式中的任一種,在第一方面的第四種可能的實現方式中,所述檢測所述圖片是否為第一類圖片之前,所述方法還包括:提取存儲的人臉圖像的特征值;通過機器學習方法對所述人臉圖像的特征值進行學習,建立人臉識別模型。
結合第一方面的第四種可能的實現方式,在第一方面的第五種可能的實現方式中,所述檢測所述圖片是否為第一類圖片,具體包括:提取所述圖片的特征值;將所述圖片的特征值與所述人臉識別模型進行匹配;在所述匹配的結果高于第一預設值時,確定所述圖片是所述第一類圖片;在所述匹配的結果不高于第一預設值時,確定所述圖片不是所述第一類圖片。
根據本發明的第二方面,提供了一種終端,所述終端包括:圖片獲取單元,用于獲取終端中存儲的圖片;檢測單元,用于接收所述圖片獲取單元發送的所述圖片,檢測所述圖片是否為第一類圖片,所述第一類圖片是指包括人臉的圖片;第一排序單元,用于在所述檢測單元檢測到在所述圖片是第一類圖片時,根據社交關系模型對所述圖片進行排序;第二排序單元,用于在所述檢測單元檢測到在所述圖片不是第一類圖片時,根據預設規則對所述圖片進行排序。
結合第二方面,在第一種可能的實現方式中,所述終端還包括社交模型訓練單元;所述社交模型訓練單元,具體用于利用存儲的聯系人的頭像和所述聯系人的信息訓練所述社交關系模型;所述第一排序單元,用于在所述檢測單元檢測到在所述圖片是第一類圖片時,根據所述社交模型訓練單元訓練出的社交關系模型對所述圖片進行排序。
結合第二方面的第一種可能的實現方式,在第二方面的第二種可能的實現方式中,所述社交模型訓練單元,具體用于提取所述聯系人的頭像數據,用所述聯系人的信息對所述頭像數據進行標注從而獲得所述社交關系模型。
結合第二方面或第一種至第二種可能的實現方式中的任一種,在第二方面的第三種可能的實現方式中,所述第一排序單元,具體用于通過所述社交關系模型,獲取所述圖片對應的聯系人的信息,所述圖片對應的聯系人的信息包含所述聯系人的身份特征,在所述圖片對應的聯系人的信息被成功獲取時,將所述圖片添加到人臉識別組,根據所述身份特征,對所述人臉識別組中的圖片進行排序,以及在所述圖片對應的聯系人的信息被未被獲取時,將所述圖片添加到人臉未識別組,并根據所述預設規則對所述人臉未識別組的圖像進行聚類排序。
結合第二方面或第一種至第三種可能的實現方式中的任一種,在第二方面的第四種可能的實現方式中,所述終端還包括人臉模型建立單元;所述人臉模型建立單元,用于提取存儲的人臉圖像的特征值,并通過機器學習方法對所述人臉圖像的特征值進行學習,建立人臉識別模型;所述檢測單元,具體用于根據所述人臉模型建立單元建立的人臉識別模型,檢測所述圖片是否為第一類圖片。
結合第二方面的第四種可能的實現方式,在第二方面的第五種可能的實現方式中,所述檢測單元,具體用于提取所述圖片的特征值,將所述圖片的特征值與所述人臉識別模型進行匹配,在所述匹配的結果高于第一預設值時,確定所述圖片是所述第一類圖片,以及在所述匹配的結果不高于第一預設值時,確 定所述圖片不是所述第一類圖片。
本發明實施例中,由于本申請技術方案是檢測到獲取的圖片是否為所述第一類圖片,在所述圖片是第一類圖片時,根據社交關系模型對所述圖片進行排序,以及在所述圖片不是第一類圖片時,根據預設規則對所述圖片進行排序,如此,可以根據所述圖片的所屬類別的不同,采用不同的方式來對所述圖片進行排序,從而解決了現有技術中的圖片排序單一的技術問題,實現了圖片排序多樣化的技術效果。
附圖說明
圖1為本發明實施例中圖片排序方法的方法流程圖;
圖2為本發明實施例中用戶與聯系人之間的結構圖;
圖3為本發明實施例中在終端上顯示圖片的第一種結構圖;
圖4為本發明實施例中在終端上顯示圖片的第二種結構圖;
圖5為本發明實施例中終端的第一種結構圖;
圖6為本發明實施例中終端的第二種結構圖。
具體實施方式
針對現有技術在對圖片進行分組、排序時,存在分組、排序單一的技術問題,本發明實施例這里提出的技術方案中是檢測到獲取的圖片是否為所述第一類圖片,在所述圖片是第一類圖片時,根據社交關系模型對所述圖片進行排序,以及在所述圖片不是第一類圖片時,根據預設規則對所述圖片進行排序,如此,可以根據所述圖片的所屬類別的不同,采用不同的方式來對所述圖片進行排序,從而解決了現有技術中的圖片排序單一的技術問題,實現了圖片排序多樣化的技術效果。
下面結合各個附圖對本發明實施例技術方案的主要實現原理、具體實施方式及其對應能夠達到的有益效果進行詳細地闡述。
本發明實施例提出了一種圖片排序的方法,如圖1所示,該方法具體處理過程如下:
步驟S101:獲取終端中存儲的圖片;
步驟S102:檢測所述圖片是否為第一類圖片,所述第一類圖片是指包括人臉的圖片;
步驟S103:在所述圖片是第一類圖片時,根據社交關系模型對所述圖片進行排序;
步驟S104:在所述圖片不是第一類圖片時,根據預設規則對所述圖片進行排序。
其中,在步驟S101中,獲取終端中存儲的圖片。
在具體實施過程中,本申請實施例的終端例如是手機、平板電腦等終端,所述圖片可以是通過設置在所述終端中的或外連的攝像頭采集的,然后存儲在所述終端中的,還可以從本地庫或外連的數據庫中下載并存儲在所述終端中的,然后獲取存儲在所述終端的圖片。
例如,以智能手機為例,在通過智能手A采集用戶B的圖片時,通過智能手機A中的攝像頭采集用戶B的圖片,并將用戶B的圖片存儲在智能手機A的存儲器中,然后獲取存儲在智能手機A中的用戶B的圖片;還可以通過所述攝像頭采集并存儲一場景C的圖片,場景C例如是包含流水或瀑布或花朵或高山的環境,然后獲取存儲在智能手機A中的場景C的圖片。
接下來執行步驟S102,在該步驟中,檢測所述圖片是否為第一類圖片,所述第一類圖片是指包括人臉的圖片。
在具體實施過程中,在獲取所述圖片之后,檢測所述圖片是否為所述第一類圖片,根據檢測結果,采用不同的方式對所述圖片進行排序。
具體來講,在獲取所述圖片之后,可以通過人臉檢測方法來檢測所述圖片是否為所述第一類圖片,在檢測到所述圖片中包含人臉圖片時,則確定所述圖片為所述第一類圖片,在檢測到所述圖片中未包含人臉圖片時,則確定所述圖 片不是所述第一類圖片。
具體的,所述人臉檢測方法例如可以是潛在的基于支持向量機的方法(latent SVM based)、基于判別性學習的局部模型的目標檢測方法等方法,通過所述人臉檢測方法能夠更準確檢測所述圖片是否為所述第一類圖片,在檢測到所述圖片為所述第一類圖片時,執行步驟S103,以及在檢測到所述圖片不是所述第一圖片時,執行步驟S104。
例如,以智能手機為例,在通過智能手機A中的攝像頭采集并存儲一圖片D時,獲取圖片D并通過latent SVM based檢測方法來檢測圖片D是否包含人臉圖片,若圖片D包含有人臉圖片時,則可以確定圖片D屬于所述第一類圖片,若圖片D未包含有人臉圖片時,則可以確定圖片D不是所述第一類圖片。
在具體實施過程中,在獲取所述圖片之后,可以通過人臉識別模型來檢測所述圖片是否為所述第一類圖片,在檢測到所述圖片中包含人臉圖片時,則確定所述圖片為所述第一類圖片,在檢測到所述圖片中未包含人臉圖片時,則確定所述圖片不是所述第一類圖片。
具體來講,所述檢測所述圖片是否為第一類圖片之前,所述方法還包括:提取存儲的人臉圖像的特征值;通過機器學習方法對所述人臉圖像的特征值進行學習,建立人臉識別模型,以通過所述人臉識別模型來檢測所述圖片是否為所述第一類圖片。
具體的,在提取所述存儲的人臉圖像的特征值時,可以通過主成分分析(Principal Component Analysis,簡稱PCA)方法,稀疏編碼(sparse coding)等提取所述圖片的特征值,然后使用所述機器學習方法,對人臉識別模型進行建立和更新,所述人臉識別模型可以使用貝葉斯模型(Bayesian Model),支持向量機(support vector machine),邏輯回歸(logistic regression)等方法來進行學習和訓練,對于新的類型可以使用遷移學習例如是協方差偏移(covariance shift)和遷移自適應增強(Transfer AdaBoost),以及基于多任務的學習等方法來進行學習和訓練,以使得所述機器學習方法學習過程中,隨著時間和/或數據的增加, 所述終端的智能也在增加,并隨著人臉目標和/或種類的增加,所述終端的智能也在增加。
其中,在提取所述存儲的人臉圖像的特征值時,可以通過是基于知識的表征方法和基于代數特征或統計學習的表征方法來提取,所述基于知識的表征方法主要是根據人臉器官的形狀描述以及他們之間的距離特性來獲得有助于人臉分類的特征數據,其特征分量通常包括特征點間的歐氏距離、曲率和角度等;人臉由眼睛、鼻子、嘴、下巴等局部構成,而所述基于知識的人臉表征主要是獲取這些局部和它們之間結構關系的幾何特征,然后使用所述機器學習方法,對人臉識別模型進行建立和更新。
具體的,在通過所述人臉識別模型來檢測所述圖片是否為所述第一類圖片時,所述檢測所述圖片是否為第一類圖片包括:提取所述圖片的特征值;將所述圖片的特征值與所述人臉識別模型進行匹配;在所述匹配的結果高于第一預設值時,確定所述圖片是所述第一類圖片;在所述匹配的結果不高于第一預設值時,確定所述圖片不是所述第一類圖片。
具體的,在提取所述圖片的特征值時,可以通過主成分分析(Principal Component Analysis,簡稱PCA)方法,稀疏編碼(sparse coding)等提取所述圖片的特征值,將所述圖片的特征值與所述人臉識別模型進行匹配,若所述匹配的結果高于第一預設值,則確定所述圖片是所述第一類圖片;若所述匹配的結果不高于第一預設值,則確定所述圖片不是所述第一類圖片。
其中,所述第一預設值例如是大于等于50%的值,例如可以是50%,60%,70%等值,在提取所述圖片的特征值之后,將所述圖片的特征值與所述人臉識別模型進行匹配,若所述匹配的結果高于所述第一預設值,則確定所述圖片是所述第一類圖片;若所述匹配的結果不高于所述第一預設值,則確定所述圖片不是所述第一類圖片。
例如,以智能手機為例,智能手機A在建立人臉識別模型時,首先會提取存儲在智能手機A中的人臉圖像的特征值,再通過機器學習方法對所述人臉圖 像的特征值進行學習,從而建立所述人臉識別模型,若通過智能手機A中的攝像頭采集到一圖片D,則通過PCA方法提取圖片D的特征值,并將所述圖片的特征值與所述人臉識別模型進行匹配,得到所述匹配結果為60%,若所述第一預設值為55%,由于60%>50%,使得所述匹配的結果高于所述第一預設值,則確定圖片D是所述第一類圖片;若所述第一預設值為60%,由于所述匹配結果也為60%,使得所述匹配的結果不高于所述第一預設值,則確定圖片D不是所述第一類圖片。
在所述圖片是第一類圖片時,執行步驟S103,根據社交關系模型對所述圖片進行排序。在具體實施過程中,所述根據社交關系模型對所述圖片進行排序之前還包括:利用存儲的聯系人的頭像和所述聯系人的信息訓練所述社交關系模型。
具體來講,在訓練所述社交關系模型時,針對每一個聯系人,統計與每一個聯系人的聯系次數、聯系時間、短信內容等信息,通過訓練預測方式得到該聯系人與操作所述終端的用戶的關系,例如針對每一個聯系人,根據在某一個時段通話或者短信的事例,規則推理出該聯系人的身份,隨著交互的逐漸增加,該聯系人與用戶的關系將會自動確定,通過這種方式可以得到所述用戶與每一個聯系人之間的依賴關系,例如是朋友、親人、客戶等,再根據所述用戶與每一個聯系人之間的依賴關系,建立所述社交關系,其中,所述社交關系用于表征用戶與其它聯系人的社會關系的一種結構表達方式,所述社交關系中的用戶與其它聯系人均用節點進行表示,所述用戶與所述其它聯系人中每一個聯系人之間的連線用于表示兩者之間的依賴關系,例如是朋友、親人,客戶等關系。
例如,以智能手機為例,操作智能手機A的用戶為用戶A1,而智能手機A中存儲的通訊錄包括聯系人A2,聯系人A3和聯系人A4,獲取智能手機A中與聯系人A2的第一通信信息,若所述第一通信信息表征用戶A1與聯系人A2的平均每天的聯系次數為0.2次,且聯系時間分布在90:00~12:00和14:00~17:00的時間段,則可以推知用戶A1與聯系人A2為客戶的關系。
其中,在獲取所述第一通信信息的同時,還可以獲取智能手機A與聯系人A3的第二通信信息,若所述第二通信信息表征用戶A1和聯系人A3平均每天的聯系次數為0.1次,且聯系時間分布在18:00~22:00的時間段,且短信信息每10天的收發次數為0.5次時,則可以推知用戶A1與聯系人A3為親人的關系。
進一步的,在獲取所述第一通信信息的同時,還可以獲取智能手機A與聯系人A4的第三通信信息,若所述第三通信信息表征用戶A1和聯系人A4平均每天的聯系次數為0.3次,且聯系時間分布在18:00~22:00的時間段,且短信信息每10天的收發次數為2次時,則可以推知用戶A1與聯系人A4為朋友的關系;再根據用戶A1與聯系人A2,聯系人A3和聯系人A4之間的依賴關系,建立所述社交關系,其中,用戶與其它聯系人之間的連線的長度可以根據密切關系來確定,用戶與聯系人的關系越密切,其連線的長度越短,用戶與聯系人的關系越疏遠,其連線的長度越長,例如,參見圖2,用戶A1與聯系人A3之間的連線21的長度小于用戶A1與聯系人A4之間的連線22的長度,以及連線22的長度小于用戶A1與聯系人A2之間的連線20的長度。
具體來講,所述利用存儲的聯系人的頭像和所述聯系人的信息訓練所述社交關系模型,具體包括:提取所述聯系人的頭像數據,用所述聯系人的信息對所述頭像數據進行標注從而獲得所述社交關系模型,進而在通過所述社交關系模型識別出所述圖片時,能夠快速的確定出與所述圖片對應的聯系人。
具體的,在利用存儲的聯系人的頭像和所述聯系人的信息訓練所述社交關系模型之后,通過所述社交關系模型,獲取所述圖片對應的聯系人的信息,所述圖片對應的聯系人的信息包含所述聯系人的身份特征;在所述圖片對應的聯系人的信息被成功獲取時,將所述圖片添加到人臉識別組,根據所述身份特征,對所述人臉識別組中的圖片進行排序;在所述圖片對應的聯系人的信息被未被獲取時,將所述圖片添加到人臉未識別組,并根據所述預設規則對所述人臉未識別組的圖像進行聚類排序。
由于所述社交關系模型是提取所述聯系人的頭像數據,用所述聯系人的信息對所述頭像數據進行標注從而獲得所述社交關系模型,如此,使得可以通過所述社交關系模型,來獲取所述圖片對應的聯系人的信息,所述圖片對應的聯系人的信息包含所述聯系人的身份特征,所述身份特征為所述圖片對應的聯系人與操作所述終端的用戶的關系,比如聯系人的身份特征可以是所述終端用戶的親人、朋友或者同學等。
具體的,在通過所述社交關系模型獲得到所述圖片對應的聯系人的信息時,根據所述聯系人的信息包含的所述聯系人的身份特征,確定所述圖片對應的聯系人與操作所述終端的用戶的密切關系,再根據所述圖片對應的聯系人與用戶的密切關系來進行排序,在所述圖片對應的聯系人的信息被未被獲取時,根據人臉圖片的相似度來進行聚類分組方式進行排序。
其中,在根據聯系人與用戶的密切關系來進行排序時,關系越密切的排在越前面,關系越疏遠的排在越后面,在獲取到所述圖片對應的聯系人身份特征之后,提取所述圖片對應的聯系人的頭像數據,用所述聯系人的信息對所述頭像數據進行標注從而獲得所述社交關系模型,通過所述圖片來進行訓練所述人臉識別模型,以及利用所述圖片來訓練所述社交關系模型。
由于與所述圖片對應的聯系人與所述用戶的關系越密切,所述圖片越往前排,進而方便用戶進行查看,而且還用與所述圖片對應的聯系人來標記所述圖片,可以通過針對聯系人的索引查找方式來查找與所述聯系人對應的圖片,能夠更準確、更快速的查找圖片。
例如,參見圖2,在通過智能手機A中的攝像頭采集并存儲一圖片D時,獲取圖片D,并通過所述人臉識別模型檢測到圖片D屬于所述第一類圖片時,根據所述社交關系模型,獲取圖片D對應的聯系人為A2,獲取操作智能手機A的用戶A1與聯系人的關系,將圖片D添加到所述人臉識別組中,再根據A2和A1的關系進行排序,由于連線20的長度小于連線22的長度和連線21的長度,使得圖片D排在聯系人A3的圖片和聯系人A4的圖片的后面,而由 于連線21的長度小于連線22的長度,使得聯系人A3的圖片排在聯系人A4的后面,以及在根據所述社交關系模型,獲取圖片D對應的聯系人為A2之后,提取圖片D中的頭像數據,用聯系人A2的信息對圖片D中的頭像數據進行標注,以及通過圖片D來進行訓練所述人臉識別模型,以及利用圖片D來訓練所述社交關系模型。
進一步的,在通過智能手機A中的攝像頭采集并存儲一圖片G時,獲取圖片G,并通過所述人臉識別模型檢測到圖片G屬于所述第一類圖片時,根據所述社交關系模型,未獲取到圖片G對應的聯系人,則將所述圖片添加到人臉未識別組,并根據圖片G與所述人臉未辨別組中的其它圖片的相似度,以此來進行聚類分組。
又例如,參見圖2和圖3,若獲取到智能手機A中存儲的圖片D、圖片E時,且通過所述人臉識別模型檢測到圖片D屬于所述第一類圖片時,根據所述社交關系模型,獲取圖片D對應的聯系人為聯系人A2,以及獲取圖片E對應的聯系人為聯系人A3,將圖片D和圖片E添加到人臉識別組31中,由于連線21的長度小于連線20的長度,根據用戶與聯系人的關系越密切,其連線的長度越短,用戶與聯系人的關系越疏遠,其連線的長度越長的原理,確定用戶與聯系人A3的關系更密切,因此,在人臉識別組31中將圖片E排序在圖片D的前面,具體參見圖3中智能手機A的觸摸屏30上的圖片E和圖片D的排序。
具體的,在通過所述社交關系模型未獲得到所述身份特征時,可以提取所述圖片中的人臉特征,根據所述人臉的相似性進行聚類分組,在僅存在未識別出的所述圖片時,將所述圖片作為一組,當所述終端中還存在其它未識別出的圖片時,根據所述人臉的相似性進行聚類分組。
例如,參見圖3,若獲取到智能手機A中存儲的圖片F、圖片G、圖片H、圖片I和圖片J時,且通過所述人臉識別模型檢測到圖片F、圖片G、圖片H、圖片I和圖片J屬于所述第一類圖片時,根據所述社交關系模型,未獲取到圖片F、圖片G、圖片H、圖片I和圖片J對應的聯系人,則將圖片F、圖片G、 圖片H、圖片I和圖片J添加到人臉未識別組32中。
其中,若圖片G、圖片H和圖片J中的每兩個圖片中的人臉的相似度均大于所述預設門限值,則將圖片G、圖片F和圖片J劃分為第一組33,若圖片F和圖片I中的人臉的相似度大于預設門限值,則將圖片F和圖片I劃分為第二組34,在對每一組進行排序時,可以根據每一組中包含圖片數量的多少來進行排序,例如可以將包含圖片較多的一組排在將包含圖片較少的一組的前面,如此,使得第一組33排列在前,第二組34排列在后。
當然,還可以將包含圖片較多的一組排在將包含圖片較少的一組的后面,本申請不作具體限制。
在所述圖片不是第一類圖片時,執行步驟S104,根據預設規則對所述圖片進行排序,其中,所述預設規則可以是按時間,也可以是按地點等方式對所述圖片進行排序。
在具體實施過程中,在通過步驟S102檢測到所述圖片不是所述第一類圖片時,即表征所述圖片為第二類圖片,可以按照時間或地點方式對所述圖片進行排序。
具體來講,在所述圖片不是所述第一類圖片時,記錄獲取所述圖片的時間,根據記錄獲取所述圖片的時間來對所述圖片進行排序。
例如,智能手機A在2012年3月15號獲取了風景圖片B1,以及在2012年5月16號獲取了風景圖片B2,由于2012年5月16號在2012年3月15號之后,如此,使得風景圖片B2排在風景圖片B1的前面。
具體來講,在所述圖片不是所述第一類圖片時,記錄獲取所述圖片的地點,根據記錄獲取所述圖片的地點來對所述圖片進行排序。
例如,智能手機A所在地點為成都市,若獲取了風景圖片B1的地點位于成都市,以及獲取風景圖片B2的地點位于西昌市,由于獲取風景圖片B1的地點與智能手機A所在地點為同一個城市,而獲取風景圖片B2的地點與智能手機A所在地點為不同的城市,根據獲取的風景圖片的地點距離智能手機A 所在地點的距離來對將風景圖片進行排序,距離越近,排序越靠前,如此,使得風景圖片B2排在風景圖片B1的前面。
由于所述圖片可以是所述第一類圖片,還可以是所述第二類圖片,使得所述終端中存儲的圖片可以劃分為兩大類,其中,第一類為所述第一類圖片,第二類為不是所述第一類圖片的圖片,進一步的,在所述第一類圖片中,還可以將所有獲取到所述圖片的聯系人的身份特征的圖片劃分成人臉認識組,以及將所有未獲取到所述圖片的聯系人的身份特征的圖片劃分成人臉未識別組,使得在查找圖片時,可以根據圖片所屬分組或大類中進行查找,使得查找的圖片的數量得以變小,進而提高了圖片查詢的工作效率,而且在所述人臉認識組中進行圖片的查找時,由于所述人臉認識組中的所有的圖片均用與之對應的聯系人的信息進行標注了,如此,可以通過聯系人的信息索引查找方式來查找圖片,進一步提高圖片查詢的工作效率。
具體的,在將所述圖片進行排序之后,還需顯示排序之后的圖片,以方便用戶查看,具體如圖4所示,智能手機A的顯示屏30上顯示有第一類圖片35和第二類圖片36,其中,第一類圖片35還分為人臉識別組31和人臉未識別組32兩類,人臉未識別組32還分為第一組33和第二組34,當雙擊人臉識別組31時,顯示人臉識別組31包含的圖片,當單擊人臉未識別組32時,則將人臉未識別組32下的第一組33和第二組34隱藏,顯示人臉未識別組32即可。
在另一實施例中,所述人臉識別模型還可以根據新學習到的知識更新老的模型,從而實現每個模型都在不停更新和優化,例如,關于人臉分類模型的建立和更新,通過統一所有分類,將每個聯系人的人臉識別作為一個單獨的任務,對不同的任務引入全局學習模型和個性化任務配置,因此對沒有見過的人臉,可以通過調用從見過的人臉特征學習出來全局特征來表達新的人臉,使得新的人臉表達具有判別性,隨著樣本的逐漸增多,人臉識別模型會不斷更新,該人臉的判別性能也會越來越好,進而使得通過所述識別模型能夠更準確的識別所述圖片。
本發明實施例中,由于本申請技術方案是檢測到獲取的圖片是否為所述第一類圖片,在所述圖片是第一類圖片時,根據社交關系模型對所述圖片進行排序,以及在所述圖片不是第一類圖片時,根據預設規則對所述圖片進行排序,如此,可以根據所述圖片的所屬類別的不同,采用不同的方式來對所述圖片進行排序,從而解決了現有技術中的圖片排序單一的技術問題,實現了圖片排序多樣化的技術效果。
基于與上述方法相同的技術構思,本申請一實施例還提供了一種終端,如圖5所示,所述終端包括:
圖片獲取單元501,用于獲取終端中存儲的圖片;
檢測單元502,用于接收所述圖片獲取單元發送的所述圖片,檢測所述圖片是否為第一類圖片,所述第一類圖片是指包括人臉的圖片;
第一排序單元503,用于在所述檢測單元檢測到在所述圖片是第一類圖片時,根據社交關系模型對所述圖片進行排序;
第二排序單元504,用于在所述檢測單元檢測到在所述圖片不是第一類圖片時,根據預設規則對所述圖片進行排序。
其中,本申請實施例的終端例如是手機、平板電腦等終端,所述圖片可以是通過設置在所述終端中的或外連的攝像頭采集的,然后存儲在所述終端中的,還可以從本地庫或外連的數據庫中下載并存儲所述圖片,然后使得圖片獲取單元501來獲取存儲在所述終端中的圖片。
可選的,所述終端還包括人臉模型建立單元505;人臉模型建立單元505,用于提取存儲的人臉圖像的特征值,通過機器學習方法對所述人臉圖像的特征值進行學習,建立人臉識別模型;檢測單元502,具體用于根據人臉模型建立單元505建立的人臉識別模型,檢測所述圖片是否為第一類圖片。
具體的,人臉模型建立單元505,用于在提取所述存儲的人臉圖像的特征值時,可以通過是基于知識的表征方法和基于代數特征或統計學習的表征方法來提取,所述基于知識的表征方法主要是根據人臉器官的形狀描述以及他們之 間的距離特性來獲得有助于人臉分類的特征數據,其特征分量通常包括特征點間的歐氏距離、曲率和角度等;人臉由眼睛、鼻子、嘴、下巴等局部構成,而所述基于知識的人臉表征主要是獲取這些局部和它們之間結構關系的幾何特征,然后使用所述機器學習方法,對人臉識別模型進行建立和更新。
可選的,檢測單元502,具體用于提取所述圖片的特征值,將所述圖片的特征值與所述人臉識別模型進行匹配,在所述匹配的結果高于第一預設值時,確定所述圖片是所述第一類圖片,以及在所述匹配的結果不高于第一預設值時,確定所述圖片不是所述第一類圖片。
具體的,所述第一預設值例如是大于等于50%的值,例如可以是50%,60%,70%等值,在提取所述圖片的特征值之后,檢測單元502,用于將所述圖片的特征值與所述人臉識別模型進行匹配,若所述匹配的結果高于所述第一預設值,則確定所述圖片是所述第一類圖片;若所述匹配的結果不高于所述第一預設值,則確定所述圖片不是所述第一類圖片。
可選的,所述終端還包括社交模型訓練單元506;
社交模型訓練單元506,具體用于利用存儲的聯系人的頭像和所述聯系人的信息訓練所述社交關系模型;
第一排序單元503,用于在所述檢測單元檢測到在所述圖片是第一類圖片時,根據社交模型訓練單元506訓練出的社交關系模型對所述圖片進行排序。
可選的,社交模型訓練單元506,在訓練所述社交關系模型時,針對每一個聯系人,統計與每一個聯系人的聯系次數、聯系時間、短信內容等信息,通過訓練預測方式得到該聯系人與操作所述終端的用戶的關系,例如針對每一個聯系人,根據在某一個時段通話或者短信的事例,規則推理出該聯系人的身份,隨著交互的逐漸增加,該聯系人與用戶的關系將會自動確定,通過這種方式可以得到所述用戶與每一個聯系人之間的依賴關系,例如是朋友、親人、客戶等,再根據所述用戶與每一個聯系人之間的依賴關系,建立所述社交關系,其中,所述社交關系用于表征用戶與其它聯系人的社會關系的一種結構表達方式,所 述社交關系中的用戶與其它聯系人均用節點進行表示,所述用戶與所述其它聯系人中每一個聯系人之間的連線用于表示兩者之間的依賴關系,例如是朋友、親人,客戶等關系。
可選的,社交模型訓練單元506,具體用于提取所述聯系人的頭像數據,用所述聯系人的信息對所述頭像數據進行標注從而獲得所述社交關系模型。
可選的,第一排序單元503,具體用于通過所述社交關系模型,獲取所述圖片對應的聯系人的信息,所述圖片對應的聯系人的信息包含所述聯系人的身份特征,在所述圖片對應的聯系人的信息被成功獲取時,將所述圖片添加到人臉識別組,根據所述身份特征,對所述人臉識別組中的圖片進行排序,以及在所述圖片對應的聯系人的信息被未被獲取時,將所述圖片添加到人臉未識別組,并根據所述預設規則對所述人臉未識別組的圖像進行聚類排序。
由于所述社交關系模型是提取所述聯系人的頭像數據,用所述聯系人的信息對所述頭像數據進行標注從而獲得所述社交關系模型,如此,使得可以通過所述社交關系模型,來獲取所述圖片對應的聯系人的信息,所述圖片對應的聯系人的信息包含所述聯系人的身份特征,所述身份特征為所述圖片對應的聯系人與操作所述終端的用戶的關系。
具體的,在通過所述社交關系模型獲得到所述身份特征時,根據聯系人與操作所述終端的用戶的密切關系來進行排序,在所述圖片對應的聯系人的信息被未被獲取時,根據人臉圖片的相似度來進行聚類分組方式進行排序。
其中,在根據聯系人與用戶的密切關系來進行排序時,關系越密切的排在越前面,關系越疏遠的排在越后面,在獲取到所述圖片對應的聯系人身份特征之后,提取所述圖片對應的聯系人的頭像數據,用所述聯系人的信息對所述頭像數據進行標注從而獲得所述社交關系模型,通過所述圖片來進行訓練所述人臉識別模型,以及利用所述圖片來訓練所述社交關系模型。
由于所述圖片可以是所述第一類圖片,還可以是所述第二類圖片,使得所述終端中存儲的圖片可以劃分為兩大類,其中,第一類為所述第一類圖片,第 二類為不是所述第一類圖片的圖片,進一步的,在所述第一類圖片中,還可以將所有獲取到所述圖片的聯系人的身份特征的圖片劃分成人臉認識組,以及將所有未獲取到所述圖片的聯系人的身份特征的圖片劃分成人臉未識別組,使得在查找圖片時,可以根據圖片所屬分組或大類中進行查找,使得查找的圖片的數量得以變小,進而提高了圖片查詢的工作效率,而且在所述人臉認識組中進行圖片的查找時,由于所述人臉認識組中的所有的圖片均用與之對應的聯系人的信息進行標注了,如此,可以通過聯系人的信息索引查找方式來查找圖片,進一步提高圖片查詢的工作效率。
在另一實施例中,所述人臉識別模型還可以根據新學習到的知識更新老的模型,從而實現每個模型都在不停更新和優化,例如,關于人臉分類模型的建立和更新,通過統一所有分類,將每個聯系人的人臉識別作為一個單獨的任務,對不同的任務引入全局學習模型和個性化任務配置,因此對沒有見過的人臉,可以通過調用從見過的人臉特征學習出來全局特征來表達新的人臉,使得新的人臉表達具有判別性,隨著樣本的逐漸增多,人臉識別模型會不斷更新,該人臉的判別性能也會越來越好,進而使得通過所述識別模型能夠更準確的識別所述圖片。
本發明實施例中,由于本申請技術方案是檢測到獲取的圖片是否為所述第一類圖片,在所述圖片是第一類圖片時,根據社交關系模型對所述圖片進行排序,以及在所述圖片不是第一類圖片時,根據預設規則對所述圖片進行排序,如此,可以根據所述圖片的所屬類別的不同,采用不同的方式來對所述圖片進行排序,從而解決了現有技術中的圖片排序單一的技術問題,實現了圖片排序多樣化的技術效果。
基于與上述方法相同的技術構思,本申請一實施例還提供了一種終端,如圖6所示,所述終端包括:
存儲器601,用于存儲圖片。
處理器601,用于獲取存儲器601中存儲的圖片,并檢測所述圖片是否為 第一類圖片,所述第一類圖片是指包括人臉的圖片,在所述圖片是第一類圖片時,根據社交關系模型對所述圖片進行排序,以及在所述圖片不是第一類圖片時,根據預設規則對所述圖片進行排序。
其中,存儲器601例如是所述終端的內存,硬盤等電子設備,進一步的,處理器602例如是單獨的處理芯片,也可以是所述終端的處理芯片。
可選的,處理器602,還用于在所述檢測所述圖片是否為第一類圖片之前,提取存儲的人臉圖像的特征值,通過機器學習方法對所述人臉圖像的特征值進行學習,建立人臉識別模型,并通過建立的所述人臉識別模型檢測所述圖片是否為所述第一類圖片。
具體的,處理器602,用于在提取所述存儲的人臉圖像的特征值時,可以通過是基于知識的表征方法和基于代數特征或統計學習的表征方法來提取,所述基于知識的表征方法主要是根據人臉器官的形狀描述以及他們之間的距離特性來獲得有助于人臉分類的特征數據,其特征分量通常包括特征點間的歐氏距離、曲率和角度等;人臉由眼睛、鼻子、嘴、下巴等局部構成,而所述基于知識的人臉表征主要是獲取這些局部和它們之間結構關系的幾何特征,然后使用所述機器學習方法,對人臉識別模型進行建立和更新。
可選的,處理器602,還用于提取所述圖片的特征值,將所述圖片的特征值與所述人臉識別模型進行匹配,在所述匹配的結果高于第一預設值時,確定所述圖片是所述第一類圖片,以及在所述匹配的結果不高于第一預設值時,確定所述圖片不是所述第一類圖片。
具體的,所述第一預設值例如是大于等于50%的值,例如可以是50%,60%,70%等值,在提取所述圖片的特征值之后,檢測單元502,用于將所述圖片的特征值與所述人臉識別模型進行匹配,若所述匹配的結果高于所述第一預設值,則確定所述圖片是所述第一類圖片;若所述匹配的結果不高于所述第一預設值,則確定所述圖片不是所述第一類圖片。
可選的,存儲器601,用于存儲聯系人的頭像和所述聯系人的信息;處理 器602,還用于在所述根據社交關系模型對所述圖片進行排序之前,利用所述聯系人的頭像和所述聯系人的信息訓練所述社交關系模型,并利用訓練出的所述社交關系模型對所述圖片進行排序。
可選的,處理器602,用于在訓練所述社交關系模型時,針對每一個聯系人,統計與每一個聯系人的聯系次數、聯系時間、短信內容等信息,通過訓練預測方式得到該聯系人與操作所述終端的用戶的關系,例如針對每一個聯系人,根據在某一個時段通話或者短信的事例,規則推理出該聯系人的身份,隨著交互的逐漸增加,該聯系人與用戶的關系將會自動確定,通過這種方式可以得到所述用戶與每一個聯系人之間的依賴關系,例如是朋友、親人、客戶等,再根據所述用戶與每一個聯系人之間的依賴關系,建立所述社交關系,其中,所述社交關系用于表征用戶與其它聯系人的社會關系的一種結構表達方式,所述社交關系中的用戶與其它聯系人均用節點進行表示,所述用戶與所述其它聯系人中每一個聯系人之間的連線用于表示兩者之間的依賴關系,例如是朋友、親人,客戶等關系。
可選的,處理器602,還用于提取所述聯系人的頭像數據,用所述聯系人的信息對所述頭像數據進行標注從而獲得所述社交關系模型。
可選的,處理器602,還用于通過所述社交關系模型,獲取所述圖片對應的聯系人的信息,所述圖片對應的聯系人的信息包含所述聯系人的身份特征,在所述圖片對應的聯系人的信息被成功獲取時,將所述圖片添加到人臉識別組,根據所述身份特征,對所述人臉識別組中的圖片進行排序,以及在所述圖片對應的聯系人的信息被未被獲取時,將所述圖片添加到人臉未識別組,并根據所述預設規則對所述人臉未識別組的圖像進行聚類排序。
由于所述社交關系模型是提取所述聯系人的頭像數據,用所述聯系人的信息對所述頭像數據進行標注從而獲得所述社交關系模型,如此,使得可以通過所述社交關系模型,來獲取所述圖片對應的聯系人的信息,所述圖片對應的聯系人的信息包含所述聯系人的身份特征,所述身份特征為所述圖片對應的聯系 人與操作所述終端的用戶的關系。
具體的,在通過所述社交關系模型獲得到所述身份特征時,根據聯系人與操作所述終端的用戶的密切關系來進行排序,在所述圖片對應的聯系人的信息被未被獲取時,根據人臉圖片的相似度來進行聚類分組方式進行排序。
其中,在根據聯系人與用戶的密切關系來進行排序時,關系越密切的排在越前面,關系越疏遠的排在越后面,在獲取到所述圖片對應的聯系人身份特征之后,提取所述圖片對應的聯系人的頭像數據,用所述聯系人的信息對所述頭像數據進行標注從而獲得所述社交關系模型,通過所述圖片來進行訓練所述人臉識別模型,以及利用所述圖片來訓練所述社交關系模型。
由于所述圖片可以是所述第一類圖片,還可以是所述第二類圖片,使得所述終端中存儲的圖片可以劃分為兩大類,其中,第一類為所述第一類圖片,第二類為不是所述第一類圖片的圖片,進一步的,在所述第一類圖片中,還可以將所有獲取到所述圖片的聯系人的身份特征的圖片劃分成人臉認識組,以及將所有未獲取到所述圖片的聯系人的身份特征的圖片劃分成人臉未識別組,使得在查找圖片時,可以根據圖片所屬分組或大類中進行查找,使得查找的圖片的數量得以變小,進而提高了圖片查詢的工作效率,而且在所述人臉認識組中進行圖片的查找時,由于所述人臉認識組中的所有的圖片均用與之對應的聯系人的信息進行標注了,如此,可以通過聯系人的信息索引查找方式來查找圖片,進一步提高圖片查詢的工作效率。
在另一實施例中,所述人臉識別模型還可以根據新學習到的知識更新老的模型,從而實現每個模型都在不停更新和優化,例如,關于人臉分類模型的建立和更新,通過統一所有分類,將每個聯系人的人臉識別作為一個單獨的任務,對不同的任務引入全局學習模型和個性化任務配置,因此對沒有見過的人臉,可以通過調用從見過的人臉特征學習出來全局特征來表達新的人臉,使得新的人臉表達具有判別性,隨著樣本的逐漸增多,人臉識別模型會不斷更新,該人臉的判別性能也會越來越好,進而使得通過所述識別模型能夠更準確的識別所 述圖片。
本發明實施例中,由于本申請技術方案是檢測到獲取的圖片是否為所述第一類圖片,在所述圖片是第一類圖片時,根據社交關系模型對所述圖片進行排序,以及在所述圖片不是第一類圖片時,根據預設規則對所述圖片進行排序,如此,可以根據所述圖片的所屬類別的不同,采用不同的方式來對所述圖片進行排序,從而解決了現有技術中的圖片排序單一的技術問題,實現了圖片排序多樣化的技術效果。
本領域的技術人員應明白,本發明的實施例可提供為方法、終端(設備)、或計算機程序產品。因此,本發明可采用完全硬件實施例、完全軟件實施例、或結合軟件和硬件方面的實施例的形式。而且,本發明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤存儲器、光學存儲器等)上實施的計算機程序產品的形式。
本發明是參照根據本發明實施例的方法、終端(設備)和計算機程序產品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程處理設備的處理器以產生一個機器,使得通過計算機或其他可編程處理設備的處理器執行的指令產生用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的終端。
這些計算機程序指令也可存儲在能引導計算機或其他可編程處理設備以特定方式工作的計算機可讀存儲器中,使得存儲在該計算機可讀存儲器中的指令產生包括指令終端的制造品,該指令終端實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。
這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上,使得在計算機或其他可編程設備上執行一系列操作步驟以產生計算機實現的處理,從而在計算機或其他可編程設備上執行的指令提供用于實現在流程圖一個 流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。
盡管已描述了本發明的優選實施例,但本領域內的技術人員一旦得知了基本創造性概念,則可對這些實施例作出另外的變更和修改。所以,所附權利要求意欲解釋為包括優選實施例以及落入本發明范圍的所有變更和修改。
顯然,本領域的技術人員可以對本發明進行各種改動和變型而不脫離本發明的精神和范圍。這樣,倘若本發明的這些修改和變型屬于本發明權利要求及其等同技術的范圍之內,則本發明也意圖包含這些改動和變型在內。

關 鍵 詞:
圖片 排序 方法 終端
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:圖片排序方法及終端.pdf
鏈接地址:http://www.wwszu.club/p-6373471.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
鬼佬大哥大