[发明专利]一种从新闻页面中自动提取带命名人脸数据的方法

摘要

本发明公开了一种从新闻页面中自动提取带命名人脸数据的方法，从新闻页面中自动提取带命名人脸数据的方法使用人脸检测技术从图片里检测出人脸，使用自然语言处理技术从说明文本中检测出人名，来自动提取标注人名的人脸图像数据；具体步骤包括：从新闻网页中提取图像及图像的文字描述内容、针对图像及图像的文字描述，进行分析、采用从人脸数据库采用相似头像对候选数据库里的数据进行精炼处理和采用在候选数据库里的数据之间进行精炼处理两种策略对候选数据库进行后处理。本发明解决了从新闻页面中自动提取带命名人脸数据效果不理想的问题。

主权项

1.一种从新闻页面中自动提取带命名人脸数据的方法，其特征在于，所述从新闻页面中自动提取带命名人脸数据的方法使用人脸检测技术从图片里检测出人脸，使用自然语言处理技术从说明文本中检测出人名，来自动提取标注人名的人脸图像数据；具体步骤包括：第一步，从新闻网页中提取图像及图像的文字描述内容：检测出图像，及图像在网页布局里的位置；检测出图像下面文字段落在网页里的位置；判断文字是否居中，检测出文字居中后，判断文字是否不超过两行，如果是，则将图像及图像的文字描述存储下来；第二步，针对图像及图像的文字描述，进行分析：使用人脸检测技术，检测出图片中的人脸集合F；采用自然语言处理技术，对文字描述进行命名实体识别，识别出人名集合N；第三步，采用从人脸数据库采用相似头像对候选数据库里的数据进行精炼处理和采用在候选数据库里的数据之间进行精炼处理两种策略对候选数据库进行后处理；第三步中，从人脸数据库采用相似头像对候选数据库里的数据进行精炼处理包括：假定人脸数据库里的人脸数据集为D＝{(fi,ni)|i＝1,2,…k},假设((fa1,fa2,…fan),(na1,na2,…,nan))为候选数据库里的一组结果，令C为D的子集，C＝{(fi,ni)|(fi,ni)∈D,且ni与na1,na2,…,nan中至少一个元素相等}；使用人脸识别技术，计算两个人脸的相似度，令pfi,fak为人脸数据集里的人脸fi与候选数据库里的人脸fak的相似度，0≤pfi，fak≤1；相似度越高，表示两个人脸越相似；对C里的每个元素(fi,ni)，分别计算fi与fa1,fa2,…fan的相似度，记为pfi,fa1,pfi,fa2,…,pfi,fan，取其最大值，记为pi，对应的人脸，记为fai；给定相似度阈值pt，其中，pt典型值为0.95，如果pi>pt，则从fa1,fa2,…fan中移除fai，从(na1,na2,…,nan)里移除与ni相同的值，得到序列((fb1,fb2,…fbn‑1),(nb1,nb2,…,nbn‑1))，如此计算，如果最终序列只剩下1对数据((f),(n))，则从该数据从候选数据库里移除，将(f,n)加入到人脸数据库中；第三步中，在候选数据库里的数据之间进行精炼处理包括：假设有两组解析结果，((fa1,fa2,…fan),(na1,na2,…,nan))与((fb1,fb2,…fbk),(nb1,nb2,…,nbk))，令pa1,b1为人脸fa1和fb1的相似度；分别计算fa1和fb1,fb2,…,fbk的相似度，记为pa1,b1,pa1,b2,…,pa1,bk，其中的最大值记为pa1；按同样计算，可得到pa1,pa2,…,pan序列；给定阈值pt，其中，pt典型值为0.95，如果pa1,pa2,…,pan序列里，有且只有一个值大于pt,记该值对应的人脸为fa；在人名序列(na1,na2,…,nan)和(nb1,nb2,…,nbk)中，如果只有一个人名相同，记该人名为n；将数据对(f,n)提取存储入人脸数据库。