[发明专利]图像内容理解方法、装置及服务器

权利要求书

1.一种图像内容理解方法，其特征在于，包括下述步骤：

获取需要分析的人脸图像；

提取所述人脸图像的初始高维特征集；

通过线性变换系数矩阵对所述初始高维特征集进行处理，获取表征所述初始高维特征集主要识别特征的低维特征集；

基于所述低维特征集，对所述人脸图像进行内容理解；

所述线性变换系数矩阵通过下述步骤计算形成：

将训练样本数据进行归一化处理得到表征所述训练样本数据的样本标量数据；

将所述样本标量数据输入卷积神经网络分类模型得到所述样本标量数据的初步特征数据；

采用PCA技术对所述初步特征数据进行主成分分析，得到所述初步特征数据的目标低维数据；

计算表征所述初步特征数据与所述目标低维数据之间映射关系的线性变换系数矩阵；

所述计算表征所述初步特征数据与所述目标低维数据之间映射关系的线性变换系数矩阵的步骤之后，还包括下述步骤：

通过损失函数对所述线性变换系数矩阵进行训练学习；

当所述损失函数计算的误差值低于预设的第一损失阈值时结束学习。

2.根据权利要求1所述的图像内容理解方法，其特征在于，所述将所述样本标量数据输入卷积神经网络分类模型得到所述样本标量数据的初步特征数据的步骤，具体包括下述步骤：

将所述样本标量数据输入VGG卷积神经网络分类模型进行分类；

获取所述VGG卷积神经网络分类模型倒数第二层的输出作为所述样本标量数据的初步特征数据。

3.根据权利要求1所述的图像内容理解方法，其特征在于，所述采用PCA技术对所述初步特征数据进行主成分分析，得到所述初步特征数据的目标低维数据的步骤，具体包括下述步骤：

根据所述初步特征数据形成初步特征矩阵；

计算所述初步特征矩阵的协方差矩阵；

计算所述协方差矩阵中的特征向量和特征值；

将所述特征值投影到由所述特征向量张成的空间之中，形成所述目标低维数据。

4.根据权利要求1所述的图像内容理解方法，其特征在于，所述通过损失函数对所述线性变换系数矩阵进行训练学习的步骤之后，还包括下述步骤：

当所述损失函数计算的误差值大于预设的第一损失阈值时，通过反向传播算法反复循环迭代的更新所述线性变换系数矩阵的权重，至所述损失函数计算的误差值低于预设的第一损失阈值时结束。

5.根据权利要求1～4任意一项所述的图像内容理解方法，其特征在于，所述人脸图像进行内容理解包括：对人脸图像进行性别识别、年龄判断、颜值打分或人脸相似度比对。

6.一种图像内容理解装置，其特征在于，包括：

获取模块，用于获取需要分析的人脸图像；

提取模块，用于提取所述人脸图像的初始高维特征集；

计算模块，用于通过线性变换系数矩阵对所述初始高维特征集进行处理，获取表征所述初始高维特征集主要识别特征的低维特征集；

处理模块，用于基于所述低维特征集，对所述人脸图像进行内容理解；

所述图像内容理解装置还包括：

第一处理子模块，用于将训练样本数据进行归一化处理得到表征所述训练样本数据的样本标量数据；

第一计算子模块，用于将所述样本标量数据输入卷积神经网络分类模型得到所述样本标量数据的初步特征数据；

第一分析子模块，用于采用PCA技术对所述初步特征数据进行主成分分析，得到所述初步特征数据的目标低维数据；

第二计算子模块，用于计算表征所述初步特征数据与所述目标低维数据之间映射关系的线性变换系数矩阵；

所述图像内容理解装置还包括：

第一训练子模块，用于通过损失函数对所述线性变换系数矩阵进行训练学习；

第二处理子模块，用于当所述损失函数计算的误差值低于预设的第一损失阈值时结束学习。