一种照片打分分析方法及系统与流程

本发明涉及计算机信息技术领域，具体是一种照片打分分析方法及系统。

背景技术：

近年来，数字图像的使用迅速增长。实际上，随着数码相机，智能手机和电子设备的一般功能的发展，许多个人和企业都在利用计算设备来管理数字图像的存储和访问。例如，许多计算设备使用户能够容易地从存储在计算设备上的数字图像的大集合中检索和利用数字图像。由于经常存储在计算设备上的照片数量众多，人们只能简单的对图片做出好与坏的评价，无法给出更加专业的评判。无法找出一张拍的美丽图片的亮点，以及拍出不满意照片时，无法找到问题所在，进而不能更好的做出改进来提高摄影水平等。目前计算机视觉领域重要的研究方向分别是：图像分类、物体检测、语义分割等，在人脸识别、安全监控以及动态追踪等很多方面都有广泛的应用前景。图像识别是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。物体检测是指对于任意一帧或连续帧图像，检测和识别其中特定的目标，并返回目标的位置、大小信息，例如输出包围目标的边界框。

目前，卷积神经网络(cnn)已经被广泛地用于图像分类、物体检测等问题上，但是对于照片评判或分析方面目前还没有一款专门用来拍照评判或者对照片进行分析的软件和应用。

目前存在的问题：1)在照片打分评价等方面尚无先例。2)需要手机巨大的高质量专业的评价的数据。3)目前，卷积神经网络计算复杂度较高，并且已经存在的网络不能很好地应用在打分评定这个系统中。4)cnn计算复杂度较高，对其在实时性要求较高的应用场景中的使用产生了限制。

技术实现要素：

本发明的目的在于提供一种照片打分分析方法及系统，它对所拍摄的图片提供分析及评分功能。

本发明为实现上述目的，通过以下技术方案实现：

一种照片打分分析方法，包括：

使用aesthetics&attributedatabase数据集，对与图片匹配的标签标准化，获得样本集；

导入样本集，通过卷积神经网络densenet对样本集进行训练并识别特征，获得识别模型；

获取目标影像，所述目标影像是拍摄的照片；

将目标影像导入识别模型，获得评分结果。

所述评分结果包括分数和六边形分析图表。

所述通过卷积神经网络densenet对样本集进行训练并识别特征，包括使用80％的样本集数据作为训练数据，20％的样本集数据作为测试数据，利用高性能处理单元使用densenet在pytorch的深度学习框架下训练，经过训练后在测试集上整体平均分类准确率达到70％后，使用模型服务技术布局在阿里服务器上进行流水运算。

一种照片打分分析系统，包括服务端和客户端，

所述服务端包括：

数据处理单元，配置用于使用aesthetics&attributedatabase数据集，对与图片匹配的标签标准化，获得样本集；

训练单元，配置用于导入样本集，通过卷积神经网络densenet对样本集进行训练并识别特征，获得识别模型；

识别单元，配置用于将目标影像导入识别模型，获得评分结果；

第一通讯单元，配置接收客户端发来的目标影像，并将计算的评分结果反馈至客户端；

所述客户端配置于移动讯通上的app，包括：

获取单元，用于获取目标影像，所述目标影像是app所在的语音通讯装置拍摄的照片；

第二通讯单元，配置用于向客户端发送目标影像，并接收客户端发来的与目标影像匹配的评分结果。

对比现有技术，本发明的有益效果在于：

1)将照片评分和分析矢量化，将现有的网络进行修改，使其完成打分和分析于一体的网络。

2)本发明将用在娱乐软件和辅助摄像等软件中。

附图说明

附图1是本发明实施例1的步骤一的示意图。

附图2是本发明实施例1的步骤二的示意图。

附图3是本发明实施例1的步骤三的示意图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于

本技术：
所限定的范围。

照片打分评价目前没有这样的解决方案，同时运用卷积神经网络进行照片打分评价难度更加大。专业性的意见也很难去量化，我们在专业的角度上共选取五个指标:色彩、主体、景深、曝光、构图，来对图片进行量化，并且得出一个综合评分。现有的网络实现此功能需要训练6个网络，实际运用上有所局限。

实施例1：

该方法专利的流程分为四个步骤，如图1所示。我们首先找带有标定的图像，并将数据进行处理将标定标准化化。进一步，我们把这些图片和标准化后的结果放入到修改过后的hpnet进行训练，训练好的神经网络可以对任意尺度的照片进行实时打分分析。最后，我们根据这个实时类别预测模型，通过app应用的形式搭建了一个能实时将用传入的照片进行打分分析应用。

步骤详细内容如下：

步骤一：海量的照片评分的数据收集。

我们使用开放的数据集aesthetics&attributedatabase数据集，将与图片匹配的标签标准化。

步骤二：修改网络并利用处理完毕的数据训练卷积神经网络分类器

经过处理后，图片数据可以直接进入卷积神经网络进行训练。在卷积神经网络选择方面，我们使用了当下比较前沿的densenet。densenet是一种具有密集连接的卷积神经网络。在该网络中，任何两层之间都有直接的连接，也就是说网络每一层的输入都是前面所有层输出的并集，而该层所学习的特征图也会被直接传给器后面所有层作为输入。该网络比传统的卷积网络有更少的参数，因为它不需要再重新学习多余的特征图。并且修改了网络的输出部分，使其可以做到评分和分析在同一网络实现。我们首先把整个数据分割成80％数据作为训练数据集，20％作为测试数据集。利用高性能处理单元(gpu)使用densenet在pytorch的深度学习框架下训练。经过训练后在测试集上整体平均分类准确率达到70％。在模型训练完成后，将其使用模型服务技术布局在阿里服务器上进行流水运算，每张照片计算时间在0.4秒左右。

步骤三：在app上实现可视化交互应用，并返回结果

当训练好的模型可以对用户拍摄或者上传的照片进行分析打分后，我们开发了一款app并且应用到了打分分析功能。首先，用户在手机端随意拍摄一张照片，点击上传图片。随后，上传之后的照片经过若干步骤的处理之后输入识别模型，得出分数和分析后将分析结果以六边形的形式返回app页面。

技术特征：

1.一种照片打分分析方法，其特征在于，包括：

使用aesthetics&attributedatabase数据集，对与图片匹配的标签标准化，获得样本集；

导入样本集，通过卷积神经网络densenet对样本集进行训练并识别特征，获得识别模型；

获取目标影像，所述目标影像是拍摄的照片；

将目标影像导入识别模型，获得评分结果。

2.根据权利要求1所述一种照片打分分析方法，其特征在于，所述评分结果包括分数和六边形分析图表。

3.根据权利要求1所述一种照片打分分析方法，其特征在于，所述通过卷积神经网络densenet对样本集进行训练并识别特征，包括使用80％的样本集数据作为训练数据，20％的样本集数据作为测试数据，利用高性能处理单元使用densenet在pytorch的深度学习框架下训练，经过训练后在测试集上整体平均分类准确率达到70％后，使用模型服务技术布局在阿里服务器上进行流水运算。

4.一种照片打分分析系统，其特征在于，包括服务端和客户端，

所述服务端包括：

数据处理单元，配置用于使用aesthetics&attributedatabase数据集，对与图片匹配的标签标准化，获得样本集；

训练单元，配置用于导入样本集，通过卷积神经网络densenet对样本集进行训练并识别特征，获得识别模型；

识别单元，配置用于将目标影像导入识别模型，获得评分结果；

第一通讯单元，配置接收客户端发来的目标影像，并将计算的评分结果反馈至客户端；

所述客户端配置于移动讯通上的app，包括：

获取单元，用于获取目标影像，所述目标影像是app所在的语音通讯装置拍摄的照片；

第二通讯单元，配置用于向客户端发送目标影像，并接收客户端发来的与目标影像匹配的评分结果。

5.根据权利要求1所述一种照片打分分析系统，其特征在于，所述评分结果包括分数和六边形分析图表。

6.根据权利要求1所述一种照片打分分析系统，其特征在于，所述通过卷积神经网络densenet对样本集进行训练并识别特征，包括使用80％的样本集数据作为训练数据，20％的样本集数据作为测试数据，利用高性能处理单元使用densenet在pytorch的深度学习框架下训练，经过训练后在测试集上整体平均分类准确率达到70％后，使用模型服务技术布局在阿里服务器上进行流水运算。

技术总结
本发明公开了一种照片打分分析方法及系统，主要涉及计算机信息技术领域。包括使用Aesthetics&Attribute Database数据集，对与图片匹配的标签标准化，获得样本集；导入样本集，通过卷积神经网络DenseNet对样本集进行训练并识别特征，获得识别模型；获取目标影像，所述目标影像是拍摄的照片；将目标影像导入识别模型，获得评分结果。所述评分结果包括分数和六边形分析图表。本发明的有益效果在于：它对所拍摄的图片提供分析及评分功能。

技术研发人员：姜男;熊鑫;刘浏
受保护的技术使用者：上海城诗信息科技有限公司
技术研发日：2020.04.09
技术公布日：2020.07.28