图像处理方法、装置、设备及存储介质与流程

1.本公开涉及计算机视觉和自然语言处理技术领域，尤其涉及一种图像处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。


背景技术：

2.在图像处理技术日益发展的情况下，图像处理广泛地应用于计算机视觉和自然语言处理等技术领域。图像处理是指针对指定的图片产生自然语句，以精确说明图片的涵盖的内容。
3.在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：现有方法通过使用模型训练出来的图像特征，忽略了图像明确的高级语义概念，使得计算机很难有效地理解图像，进而导致生成的文本质量不高，内容比较单调，可解释性很差。


技术实现要素：

4.鉴于上述问题，本公开提供了图像处理方法、装置、电子设备、计算机可读介质和计算机程序产品。
5.根据本公开的一个方面提供了一种图像处理方法，包括：提取目标图像的图像特征，其中，上述目标图像与目标对象相关；对上述目标图像中的目标对象进行对象属性检测，得到与上述目标对象对应的对象属性特征；根据注意力机制融合上述图像特征和上述对象属性特征，得到融合特征；根据上述融合特征，确定适用于表征上述目标对象的行为的描述文本。
6.根据本公开的实施例，上述图像处理方法还包括：对初始图像进行中心化处理，得到上述目标图像。
7.根据本公开的实施例，上述对上述目标图像中的目标对象进行对象属性检测，得到与上述目标对象对应的对象属性特征包括：将上述目标图像输入至对象属性检测网络，输出与上述目标对象的对象属性对应的视觉词；对上述视觉词进行编码，得到上述对象属性特征。
8.根据本公开的实施例，上述视觉词包括以下至少一项：表征上述目标对象的位置的视觉位置词、表征上述目标对象的姿势的视觉姿势词、表征上述目标对象的尺寸的视觉尺寸词。
9.根据本公开的实施例，上述根据注意力机制融合上述图像特征和上述对象属性特征，得到融合特征包括：根据上述图像特征确定查询特征；根据上述对象属性特征确定键特征与值特征；将上述查询特征、上述键特征与上述值特征输入至注意力网络，输出上述融合特征。
10.根据本公开的实施例，上述根据上述融合特征，确定适用于表征上述目标对象的行为的描述文本包括：将上述融合特征输入文本预测网络，输出上述描述文本。
11.根据本公开的实施例，上述文本预测网络包括以下至少一项：长短期记忆网络、循
环神经网络、双向长短期记忆网络、门控循环神经网络。
12.根据本公开的实施例，上述图像处理方法还包括：根据上述描述文本，确定服务提示消息；以及向目标客户端发送上述服务提示消息。
13.本公开的另一个方面提供了一种行为描述文本生成装置，包括：第一特征提取模块，用于提取目标图像的图像特征，其中，上述目标图像与目标对象相关；第二特征提取模块，用于对上述目标图像中的上述目标对象进行对象属性检测，得到与上述目标对象对应的对象属性特征；注意力机制融合模块，用于根据上述图像特征确定查询特征，并根据上述对象属性特征确定键特征与值特征，根据上述查询特征、上述键特征和上述值特征，得到融合特征；行为描述文本生成模块，用于根据上述融合特征，确定适用于表征上述目标对象的行为的描述文本。
14.本公开的另一个方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得一个或多个处理器执行上述方法。
15.本公开的另一个方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述方法。
16.本公开的另一个方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法。
17.根据本公开的实施例，通过提取与目标对象相关的目标图像的图像特征，再对目标图像中的目标对象进行对象属性检测，从而得到与目标对象对应的对象属性特征，根据注意力机制融合图像特征和对象属性特征，从而使得到的融合特征，关注到目标图像中，与对象属性特征相关的图像区域，从而使融合特征能够较为充分地表征目标对象中的目标对象属性，根据融合特征，确定适用于表征目标对象的行为的描述文本，因此，至少部分的解决了图像的原始特征与文本预测的关联程度较低的技术问题，在将图像处理应用到营业厅时，可以较为准确地捕捉客户在营业厅内的行为，因此可以较为准确地预测客户办理业务的意图，能够为客户提供准确的服务，提高银行营业厅等场所的服务质量和服务效率。
附图说明
18.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
19.图1示意性示出了根据本公开实施例的图像处理方法的应用场景图；
20.图2示意性示出了根据本公开实施例的图像处理方法的流程图；
21.图3示意性示出了根据本公开实施例的注意力网络的结构图；
22.图4示意性示出了根据本公开实施例的图像处理方法的原理图；
23.图5示意性示出了根据本公开实施例的行为描述文本生成装置的结构图；
24.图6示意性示出了根据本公开实施例的适于实现图像处理方法的电子设备的方框图。
具体实施方式
25.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性
的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
26.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
27.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
28.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
29.在本公开的技术方案中，所涉及的数据(如包括但不限于用户个人信息)的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
30.图像描述通常是针对指定的目标图像产生自然语句，以精确说明目标图像的涵盖的内容。近年来，基于深度学习的模型在许多不同的图像处理任务中展示了优异的性能，包括机器翻译、图像识别等等。
31.但是发明人发现，在很多模型中采用注意力机制让模型在生成词语时更关注图像中与其相关的区域，但如果每个时刻输入的图像特征都要经过注意力机制的加权，那么图像最原始的特征就不会进入后面的文本生成过程，但是在对图像进行部位定位时需要这种完整的特征，如果不能接收到完整的图像特征，那么图像的部位定位就会出现错误。一旦生成的注意力权重不准确，那么后面的文本生成过程就会接收到错误的图像区域，这就会导致输出词语的不准确。
32.本公开的实施例提供了一种图像处理方法，包括：提取目标图像的图像特征，其中，目标图像与目标对象相关；对目标图像中的目标对象进行对象属性检测，得到与目标对象对应的对象属性特征；根据注意力机制融合图像特征和对象属性特征，得到融合特征；根据融合特征，确定适用于表征目标对象的行为的描述文本。
33.根据本公开的实施例，通过提取与目标对象相关的目标图像的图像特征，并对目标图像中的目标对象进行对象属性检测，得到与目标对象对应的对象属性特征，根据注意力机制融合图像特征和与对象属性相关的对象属性特征，可以使得到的融合特征，关注到对目标图像中，与对象属性特征相关的图像区域，从而使融合特征能够较为充分地表征目标对象中的目标对象属性。因此根据融合特征，确定适用于表征目标对象的行为的描述文本，进而使描述文本生成过程中对于目标图像与对象属性相关的特征进行准确定位，至少可以部分克服相关技术中图像的原始特征与文本预测的关联程度较低的技术问题，还可以避免文本生成过程中由于针对错误的图像区域进行检测，导致输出文本准确度较低的技术问题，实现增强对图像特征的解释性，使得到的描述文本可以较为准确地捕捉客户在营业
厅内的行为，因此可以较为准确地预测客户办理业务的意图，能够为客户提供准确的服务，提高银行营业厅等场所的服务质量和服务效率。
34.在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
35.在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
36.图1示意性示出了根据本公开实施例的图像处理方法的应用场景图。需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
37.如图1所示，根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
38.用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互，以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
39.第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备，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等。
40.服务器105可以是提供各种服务的服务器，例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
41.需要说明的是，本公开实施例所提供的图像处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的行为描述文本生成装置一般可以设置于服务器105中。本公开实施例所提供的图像处理方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的行为描述文本生成装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
42.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
43.图2示意性示出了根据本公开实施例的图像处理方法的流程图。
44.如图2所示，该实施例的图像处理方法包括操作s210～操作s240。
45.在操作s210，提取目标图像的图像特征，其中，所述目标图像与目标对象相关。
46.根据本公开的实施例，目标对象可以是银行营业大厅等场所中的客户、宠物等生物体，本公开的实施例对目标对象的具体类型不做限定，本领域技术人员可以根据实际需
求进行选择。
47.根据本公开的实施例，可以基于神经网络算法来提取目标图像的图像特征，例如可以基于卷积神经网络来提取目标图像的图像特征，但不仅限于此，还可以基于其他类型的神经网络算法来提取得到图像特征，本公开的实施例对提取得到图像特征的具体算法类型不做限定。
48.在一种示意性的实施例中，提取目标图像的图像特征的神经网络算法可以是residual network或多层感知器(multilayer perceptron，mlp)。
49.在操作s220，对目标图像中的目标对象进行对象属性检测，得到与目标对象对应的对象属性特征。
50.根据本公开的实施例，对象属性可以是表征目标对象的动作、身份、位置等属性的信息。例如，身份属性可以为儿童、青年、老人等。
51.根据本公开的实施例，可以基于神经网络算法来对目标图像中的目标对象进行对象属性检测，例如可以基于卷积神经网络来对目标图像中的目标对象进行对象属性检测，但不仅限于此，还可以基于其他类型的神经网络算法来对目标图像中的目标对象进行对象属性检测，本公开的实施例对目标图像中的目标对象进行对象属性检测的具体算法类型不做限定。
52.在一种示意性的实施例中，对目标图像中的目标对象进行对象属性检测的神经网络算法可以是residual network或多层感知器(multilayer perceptron，mlp)。
53.在操作s230，根据注意力机制融合图像特征和对象属性特征，得到融合特征。
54.根据本公开的实施例，可以基于注意力网络算法融合图像特征和对象属性特征以得到融合特征，例如可以构建基于多头注意力层的注意力网络来融合图像特征和对象属性特征以得到融合特征，但不仅限于此，还可以基于其他类型的注意力网络来融合图像特征和对象属性特征以得到融合特征，本公开的实施例对融合图像特征和对象属性特征以得到融合特征的具体注意力网络类型不做限定。
55.根据本公开的实施例，根据注意力机制融合图像特征和对象属性特征，可以使得到的融合特征关注到目标图像中，与对象属性特征相关的图像区域，从而使融合特征能够较为充分地表征目标对象中的目标对象属性。
56.在操作s240，根据融合特征，确定适用于表征目标对象的行为的描述文本。
57.根据本公开的实施例，可以基于神经网络算法来处理融合特征，进而确定适用于表征目标对象的行为的描述文本，本公开的实施例对确定适用于表征目标对象的行为的描述文本的具体神经网络算法类型不做限定。
58.根据本公开的实施例，能够实现使描述文本生成过程中对于目标图像与对象属性相关的特征进行准确定位，至少可以部分克服图像的原始特征与文本预测的关联程度较低的技术问题，还可以避免文本生成过程中由于针对错误的图像区域进行检测，导致输出文本准确度较低的技术问题，实现增强对图像特征的解释性，使得到的描述文本可以较为准确地捕捉客户在营业厅内的行为，因此可以较为准确地预测客户办理业务的意图，能够为客户提供准确的服务，提高银行营业厅等场所的服务质量和服务效率。
59.根据本公开的实施例，图像处理方法还包括对初始图像进行中心化处理，得到目标图像。
60.根据本公开的实施例，初始图像可以包括通过图像采集装置采集到的图像，图像采集装置可以包括摄像头、相机等。在图像采集装置为具有视频采集功能的摄像头的情况下，可以从一个或多个摄像头采集的图像中确定至少一个初始图像。
61.根据本公开的实施例，在对初始图像进行中心化处理之前先还可以对初始图像进行裁剪，例如裁剪至224
×
224的尺寸。
62.根据本公开的实施例，中心化处理可以是对初始图像中的每个点的像素值分别减去预设值，得到目标图像的像素值。
63.在一种示意性的实施例中，对初始图像中的每个点的像素值(x，y，z)减去(104,116,122)，得到目标图像的像素值(x
′
,y
′
,z
′
)。目标图像的像素值可以通过公式(1)表示。
[0064][0065]
根据本公开的实施例，对初始图像进行中心化处理后，可以使得到的目标图像实现加快网络的收敛速度。
[0066]
根据本公开的实施例，对目标图像中的目标对象进行对象属性检测，得到与目标对象对应的对象属性特征包括：将目标图像输入至对象属性检测网络，输出与目标对象的对象属性对应的视觉词；对视觉词进行编码，得到对象属性特征。
[0067]
根据本公开的实施例，对象属性检测网络可以是基于目标对象的动作、身份、位置等属性的信息的检测网络。
[0068]
根据本公开的实施例，视觉词输出后利用分词工具对视觉词进行分词操作。例如可以jieba分词工具等分词工具来对视觉词进行分词，但不仅限于此，还可以基于其他类型的分词工具来对视觉词进行分词，本公开的实施例对分词工具的具体类型不做限定。
[0069]
在一种示意性的实施例中，利用jieba分词工具对视觉词进行分词，使用空格替换视觉词中的符号，在所有视觉词的前后分别加上开始“《start》”和结束“《end》”，未知的视觉词用“《unk》”填补，并将所有视觉词使用“《end》”补齐至最大词长度。
[0070]
根据本公开的实施例，对视觉词进行编码，例如可以是独热(one-hot)编码等编码器来对视觉词进行编码，但不仅限于此，还可以基于其他类型的编码器来对视觉词进行编码，本公开的实施例对编码器的具体类型不做限定。
[0071]
根据本公开的实施例，独热编码是将分类变量转换为可供计算机算法更好进行预测的形式的过程，也就是将视觉词转换为可供文本预测网络进行预测的形式的过程。
[0072]
在一种示意性的实施例中，将视觉词编码为one-hot独热向量，one-hot独热向量的对应索引位置设置为1，其他位置为0，向量中1的位置对应视觉词在对象属性特征中的序号。
[0073]
根据本公开的实施例，视觉词包括以下至少一项：表征目标对象的位置的视觉位置词、表征目标对象的姿势的视觉姿势词、表征目标对象的尺寸的视觉尺寸词。
[0074]
根据本公开的实施例，表征目标对象的位置的视觉位置词可以是客户在银行大厅的门口位置、客户在银行大厅的取号机位置、客户在银行大厅的柜台位置、客户在银行大厅的等候座椅位置。
[0075]
根据本公开的实施例，表征目标对象的姿势的视觉姿势词可以是走、跑、坐、站、蹲、弯腰。
[0076]
根据本公开的实施例，当目标对象为老人、小孩、宠物时，表征目标对象的尺寸的
视觉尺寸词会根据目标对象进行调整。
[0077]
根据本公开的实施例，视觉词还可以包括表征目标对象的性别的视觉性别词，视觉性别词可以是男、女、其他，当目标对象为宠物时，视觉性别词为其他。
[0078]
根据本公开的实施例，根据注意力机制融合图像特征和对象属性特征，得到融合特征包括：根据图像特征确定查询特征；根据对象属性特征确定键特征与值特征；将查询特征、键特征与值特征输入至注意力网络，输出融合特征。
[0079]
图3示意性示出了根据本公开实施例的注意力网络的结构图。
[0080]
如图3所示，注意力网络包括多头注意力层和全连接网络层。可以根据图像特征确定查询特征，根据对象属性特征确定键特征与值特征，也可以根据对象属性特征确定查询特征，根据图像特征确定键特征与值特征。基于多头注意力层构建的注意力网络，将查询特征、键特征与值特征输入至注意力网络。
[0081]
根据本公开的实施例，查询特征为q，键特征为k，值特征为v。多头注意力层中的注意力机制(multi-head attention)是通过h个不同的线性变换对q，k，v进行投影，最后将不同的注意力结果拼接起来，多头注意力层可由以下公式(2)和公式(3)表示：
[0082]
multihead(q，k，v)＝ (2)
[0083]
concat(head1，
…
headh)wo[0084][0085]
其中，是指输入向量，多头注意力层是将模型分为多个头，形成多个子空间，使模型去关注不同方面的信息，最后将多个头(head1，
…
headh)的信息进行合并[concat(head1，
…
headh)wo]得到输出结果。
[0086]
自注意力机制是取q，k，v相同，q、k、v可以同时为图像特征，或者q、k、v可以同时为对象属性特征，自注意力机制可由以下公式(4)表示：
[0087]
attention_output＝attention(q，k，v) (4)
[0088]
另外，自注意力机制的计算采用了scaled dot-product attention机制，由以下公式(5)表示：
[0089][0090]
而多层注意力层是将scaled dot-product attention机制的过程做h次，由以下公式(6)表示：
[0091][0092]
最后，将每个由上述公式(6)计算得到的值合并。
[0093]
全连接网络层可以通过公式(7)表示：
[0094]
fcn(i)＝max(0，iwf+bf)w
ff
+b
ff (7)
[0095]
其中，max(0，*)是激活函数；wf与w
ff
是可学习矩阵；bf与b
ff
是偏差项。
[0096]
根据本公开的实施例，注意力网络使用一个模态的特征作为指导，集成当前模态的特征：
[0097]in
＝fcn(mutatt(s，i)) (8)
[0098]
sn＝(mutatt(in，s)) (9)
[0099]
当n＝0时，i0、s0分别代表初始图像特征、对象属性特征，通过重复相同的过程n次，得到两个堆栈的最终输出in、sn。首先使用对象属性特征s作为查询，以查找图像特征i中最相关的视觉区域，生成与对象属性特征相关的图像特征in。接着是图像特征in作为查询，进一步查找最相关的对象属性特征，并过滤掉对象属性特征s中不相关的视觉词。图像特征与对象属性特征之间迭代地执行注意力机制，使得视觉感受野逐渐集中在显著的视觉区域，原有的对象属性特征逐渐融合，概括出相应的视觉区域。
[0100]
根据本公开的实施例，利用注意力机制融合图像特征和对象属性特征实现了图像特征和对象属性特征之间的关联，能够实现输出的描述文本对目标对象的行为的描述准确。
[0101]
根据本公开的实施例，根据融合特征，确定适用于表征目标对象的行为的描述文本包括：将融合特征输入文本预测网络，输出描述文本。
[0102]
根据本公开的实施例，利用文本预测网络对融合特征进行解码，输出表征目标对象的描述文本。
[0103]
根据本公开的实施例，能够实现在输出描述文本的同时捕捉特征信息，解决了标准循环神经网络的梯度弥散问题。同时，可以对银行大厅等场所中的客户行为进行识别，并自动为客户的行为生成相应的描述文本，为客户提供准确的服务，理解客户的需求，提高银行营业厅等场所的服务质量和服务效率。
[0104]
根据本公开的实施例，文本预测网络包括以下至少一项：长短期记忆网络、循环神经网络、双向长短期记忆网络、门控循环神经网络。
[0105]
根据本公开的实施例，循环神经网络(recurrent neural network,rnn)被用来解决卷积神经网络无法建模序列数据的问题，网络输入为序列数据，在序列的演进方向进行递归，所有循环单元按链式连接的递归神经网络，被广泛应用至序列数据的时序信息与语义信息挖掘中。
[0106]
根据本公开的实施例，长短期记忆网络(long short term memory,lstm)是对循环神经网络进行的一个升级网络，其定义内部存储单元状态来存储长期的信息。存储单元状态与之前的输出和后续的输入交互，以此确定内部状态向量的哪些元素应该更新、维护或删除。
[0107]
根据本公开的实施例，双向长短期记忆网络(bi-lstm)分为2个独立的长短期记忆网络，输入序列分别以正序和逆序输入至2个长短期记忆网络进行特征提取，将2个输出向量(即提取后的特征向量)进行拼接后形成的词向量作为该词的最终特征表达，bi-lstm的模型是使t时刻所获得特征数据同时拥有过去和将来之间的信息，这种神经网络结构模型对文本特征提取效率和性能要优于单个长短期记忆网络结构模型。
[0108]
根据本公开的实施例，门控循环神经网络(gated recurrent neural network)是为了更好地捕捉时间序列中时间步距离较大的依赖关系，它通过可以学习的门来控制信息的流动。
[0109]
在一种示意性的实施例中，residual network、注意力网络和长短期记忆网络可以构成综合网络。在对初始图像进行中心化处理得到目标图像后根据均匀分布对综合网络的权值进行初始化，由以下公式(10)表示：
[0110]
w～u(-0.01,0.01)(10)
[0111]
其中，w表示综合网络的权值，u(*，*)表示均匀分布即综合网络的权值服从-0.01到0.01的均匀分布。
[0112]
根据本公开的实施例，图像处理方法还包括：根据描述文本，确定服务提示消息；以及向目标客户端发送服务提示消息。
[0113]
根据本公开的实施例，服务提示消息可以包含有适用于表征银行营业大厅等场所内的客户行为的描述文本，目标客户端通过解析服务提示消息，可以通过描述文本来及时地了解客户的实际需求，例如针对业务方面问题的咨询需求等。
[0114]
根据本公开的实施例，目标客户端可以是银行营业大厅等场所内的服务机器人、手机或电脑等，本公开的实施例对目标客户端的具体类型不做限定。
[0115]
图4示意性示出了根据本公开实施例的图像处理方法的原理图。
[0116]
如图4所示，在获取目标图像后，将目标图像输入至第一特征提取网络，利用第一特征提取网络提取目标图像的图像特征，其中，目标图像与目标对象相关。同时，将目标图像输入至第二特征提取网络，输出与目标对象对应的对象属性特征。
[0117]
根据本公开的实施例，根据图像特征确定查询特征，根据对象属性特征确定键特征与值特征，将查询特征、键特征与值特征输入至注意力网络，输出融合特征。再将融合特征输入至文本预测网络。
[0118]
根据本公开的实施例，文本预测网络获取融合特征确定适用于表征目标对象的行为的描述文本。
[0119]
基于上述图像处理方法，本公开还提供了一种行为描述文本生成装置。以下将结合图5对该装置进行详细描述。
[0120]
图5示意性示出了根据本公开实施例的行为描述文本生成装置的结构图。如图5所示，该实施例的行为描述文本生成装置500包括第一特征提取模块510、第二特征提取模块520、注意力机制融合模块530和行为描述文本生成模块540。
[0121]
第一特征提取模块510用于提取目标图像的图像特征，其中，目标图像与目标对象相关。在一实施例中，第一特征提取模块510可以用于执行前文描述的操作s210，在此不再赘述。
[0122]
第二特征提取模块520用于对目标图像中的目标对象进行对象属性检测，得到对目标对象对应的对象属性特征。在一实施例中，第二特征提取模块520可以用于执行前文描述的操作s220，在此不再赘述。
[0123]
注意力机制融合模块530用于根据图像特征确定查询特征，并根据对象属性特征确定键特征与值特征，根据查询特征、键特征和值特征，得到融合特征。在一实施例中，注意力机制融合模块530可以用于执行前文描述的操作s230，在此不再赘述。
[0124]
行为描述文本生成模块540用于根据融合特征，确定适用于表征目标对象的行为的描述文本。在一实施例中，行为描述文本生成模块540可以用于执行前文描述的操作s240，在此不再赘述。
[0125]
根据本公开的实施例，第一特征提取模块510、第二特征提取模块520、注意力机制融合模块530和行为描述文本生成模块540中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的
至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一特征提取模块510、第二特征提取模块520、注意力机制融合模块530和行为描述文本生成模块540中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一特征提取模块510、第二特征提取模块520、注意力机制融合模块530和行为描述文本生成模块540中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0126]
需要说明的是，本公开的实施例中行为描述文本生成装置500与本公开的实施例中图像处理方法部分是相对应的，行为描述文本生成装置500的描述具体参考图像处理方法部分，在此不再赘述。
[0127]
图6示意性示出了根据本公开实施例的适于实现图像处理方法的电子设备的方框图。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0128]
如图6所示，根据本公开实施例的电子设备600包括处理器601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0129]
在ram603中，存储有电子设备600操作所需的各种程序和数据。处理器601、rom 602以及ram 603通过总线604彼此相连。处理器601通过执行rom602和/或ram 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 602和ram603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0130]
根据本公开的实施例，电子设备600还可以包括输入/输出(i/o)接口605，输入/输出(i/o)接口605也连接至总线604。电子设备600还可以包括连接至输入/输出(i/o)接口605的以下部件中的一项或多项：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至输入/输出(i/o)接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
[0131]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
[0132]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介
质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 602和/或ram 603和/或rom602和ram603以外的一个或多个存储器。
[0133]
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。
[0134]
在该计算机程序被处理器601执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
[0135]
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分609被下载和安装，和/或从可拆卸介质611被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0136]
在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0137]
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0138]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0139]
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可
以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0140]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

技术特征：
1.一种图像处理方法，包括：提取目标图像的图像特征，其中，所述目标图像与目标对象相关；对所述目标图像中的目标对象进行对象属性检测，得到与所述目标对象对应的对象属性特征；根据注意力机制融合所述图像特征和所述对象属性特征，得到融合特征；根据所述融合特征，确定适用于表征所述目标对象的行为的描述文本。2.根据权利要求1所述的方法，还包括：对初始图像进行中心化处理，得到所述目标图像。3.根据权利要求1所述的方法，其中，所述对所述目标图像中的目标对象进行对象属性检测，得到与所述目标对象对应的对象属性特征包括：将所述目标图像输入至对象属性检测网络，输出与所述目标对象的对象属性对应的视觉词；对所述视觉词进行编码，得到所述对象属性特征。4.根据权利要求3所述的方法，其中，所述视觉词包括以下至少一项：表征所述目标对象的位置的视觉位置词、表征所述目标对象的姿势的视觉姿势词、表征所述目标对象的尺寸的视觉尺寸词。5.根据权利要求1所述的方法，其中，所述根据注意力机制融合所述图像特征和所述对象属性特征，得到融合特征包括：根据所述图像特征确定查询特征；根据所述对象属性特征确定键特征与值特征；将所述查询特征、所述键特征与所述值特征输入至注意力网络，输出所述融合特征。6.根据权利要求1所述的方法，其中，所述根据所述融合特征，确定适用于表征所述目标对象的行为的描述文本包括：将所述融合特征输入文本预测网络，输出所述描述文本。7.根据权利要求6所述的方法，其中，所述文本预测网络包括以下至少一项：长短期记忆网络、循环神经网络、双向长短期记忆网络、门控循环神经网络。8.根据权利要求1至7中任一项所述的方法，还包括：根据所述描述文本，确定服务提示消息；以及向目标客户端发送所述服务提示消息。9.一种行为描述文本生成装置，包括：第一特征提取模块，用于提取目标图像的图像特征，其中，所述目标图像与目标对象相关；第二特征提取模块，用于对所述目标图像中的所述目标对象进行对象属性检测，得到与所述目标对象对应的对象属性特征；注意力机制融合模块，用于根据所述图像特征确定查询特征，并根据所述对象属性特征确定键特征与值特征，根据所述查询特征、所述键特征和所述值特征，得到融合特征；行为描述文本生成模块，用于根据所述融合特征，确定适用于表征所述目标对象的行为的描述文本。10.一种电子设备，包括：
一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至8中任一项所述的方法。11.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1至8中任一项所述的方法。12.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1至8中任一项所述的方法。

技术总结
本公开提供了一种图像处理方法、装置、设备及存储介质，可以应用于计算机视觉和自然语言处理技术领域。该方法包括提取目标图像的图像特征，其中，目标图像与目标对象相关；对目标图像中的目标对象进行对象属性检测，得到与目标对象对应的对象属性特征；根据注意力机制融合图像特征和对象属性特征，得到融合特征；根据融合特征，确定适用于表征目标对象的行为的描述文本。描述文本。描述文本。


技术研发人员：马兰 施耀一 李振 张少雄
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.05.24
技术公布日：2023/8/4