照片发布方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种照片发布方法、装置、计算机设备和存储介质。


背景技术：

2.用户在上网时，经常会在网上发布自己拍摄的照片，以吸引别的用户关注。目前的软件一般会提供美颜功能或者照片挂件功能等，以满足用户需求。用户可在软件上对照片进行美颜、或者在照片上设置表情包等之后再发布。然而，目前的照片发布方法，存在发布效率不高的问题。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种能够照片发布方法、装置、计算机设备和存储介质，能够提高照片发布效率。
4.一种照片发布方法，所述方法包括：
5.响应于在社交应用中触发的照片上传操作，显示候选照片，并响应于对候选照片的选择操作，获取待上传的目标照片；
6.进入照片确认页面，显示处于响应编辑操作的状态的所述目标照片；
7.对应于所述目标照片，显示所述目标照片的质量评价结果；所述质量评价结果表示对所述目标照片进行人工智能评分获得的质量评分；
8.响应于在所述照片确认页面触发的发布操作，在所述目标照片为至少两个时，将按所述质量评分排序后的目标照片发布到所述社交应用的个人页面。
9.一种基于人工智能的照片评分方法，所述方法包括：
10.获取目标照片的目标面部特征，并获取所述目标照片的目标照片参数；
11.采用至少两个的通用吸引力模型，分别基于所述目标面部特征和所述目标照片参数进行处理，获得每个通用吸引力模型对于所述目标照片的相似度；每个通用吸引力模型对应不同的基础评分；
12.根据所述相似度，筛选出与所述目标照片匹配的目标通用吸引力模型；
13.根据所述目标通用吸引力模型对应的基础评分，生成所述目标照片的质量评分。
14.一种照片发布装置，所述装置包括：
15.上传模块，用于响应于在社交应用中触发的照片上传操作，显示候选照片，并响应于对候选照片的选择操作，获取待上传的目标照片；
16.显示模块，用于进入照片确认页面，显示处于响应编辑操作的状态的所述目标照片；
17.所述显示模块，用于对应于所述目标照片，显示所述目标照片的质量评价结果；所述质量评价结果表示对所述目标照片进行人工智能评分获得的质量评分；
18.发布模块，用于响应于在所述照片确认页面触发的发布操作，在所述目标照片为
至少两个时，将按所述质量评分排序后的目标照片发布到所述社交应用的个人页面。
19.在其中一个实施例中，所述显示模块用于在所述照片确认页面显示照片处理开关项；
20.响应于对所述照片处理开关项的触发操作，调整所述照片处理开关项的状态为开启状态和关闭状态中的一种；
21.所述发布模块用于当所述照片处理开关项处于开启状态时，响应于在所述照片确认页面触发的发布操作，在所述目标照片为至少两个时，将按所述质量评分排序后的目标照片发布到所述社交应用的个人页面。
22.在其中一个实施例中，在所述照片确认页面中显示的所述目标照片按照被选中的次序排列；所述发布模块用于当所述照片处理开关项处于关闭状态时，响应于在所述照片确认页面触发的发布操作，在所述目标照片为至少两个时，将所述目标照片按照在所述照片确认页面中排列的次序发布到所述社交应用的个人页面。
23.在其中一个实施例中，所述发布模块用于当所述照片处理开关项处于开启状态时，响应于在所述照片确认页面触发的发布操作，在所述个人页面的封面上显示质量评分最高的目标照片。
24.在其中一个实施例中，所述编辑操作包括替换操作。所述上传模块用于响应于对所述照片确认页面中显示的目标照片触发的替换操作，再次显示候选照片，并响应于对再次显示的照片的选择操作，获取待替换的目标照片；返回所述照片确认页面时，将所述替换操作所作用的目标照片替换为所述待替换的目标照片；所述显示模块用于对应于替换后的目标照片，显示替换后的目标照片的质量评价结果。
25.在其中一个实施例中，所述显示模块用于在对所述目标照片进行人工智能评分时，对应于所述目标照片显示表示评分过程的提示信息；
26.在完成对所述目标照片的人工智能评分后，对应于所述目标照片，显示由所述目标照片的质量评分转换而成的文字表达形式的质量评价结果。
27.一种基于人工智能的照片评分装置，所述装置包括：
28.特征获取模块，用于获取目标照片的目标面部特征，并获取所述目标照片的目标照片参数；
29.相似度获取模块，用于采用至少两个的通用吸引力模型，分别基于所述目标面部特征和所述目标照片参数进行处理，获得每个通用吸引力模型对于所述目标照片的相似度；每个通用吸引力模型对应不同的基础评分；
30.筛选模块，用于根据所述相似度，筛选出与所述目标照片匹配的目标通用吸引力模型；
31.质量评分生成模块，用于根据所述目标通用吸引力模型对应的基础评分，生成所述目标照片的质量评分。
32.在其中一个实施例中，所述特征获取模块用于获取目标照片，将所述目标照片转化为灰度图；基于所述灰度图进行面部识别，得到所述目标照片中的面部区域；从所述面部区域中提取面部特征点；基于所述面部特征点确定所述目标照片的特征点面部特征。
33.在其中一个实施例中，所述特征点面部特征包括面部全局特征、面部距离特征和面部面积特征；
34.所述特征获取模块用于对所述面部特征点对应的特征点坐标进行组合计算，获得面部特征向量，所述面部特征向量用于表征面部全局特征；
35.基于所述特征点坐标确定面部中器官的大小以及器官之间的距离，获得面部距离特征；
36.基于所述特征点坐标确定所述面部特征点所围成的区域，并基于所述特征点坐标确定每个区域的面积，对所述面积进行归一化处理，获得面部面积特征。
37.在其中一个实施例中，质量评分生成模块用于获取所述目标通用吸引力模型的最大附加分；
38.根据所述目标通用吸引力模型对应的相似度和所述最大附加分，确定所述目标照片的附加分；
39.根据所述目标通用吸引力模型对应的基础评分和所述附加分，获得所述目标照片的质量评分。
40.在其中一个实施例中，所述基于人工智能的照片评分装置包括训练模块，训练模块用于获取至少两张样本照片以及分类后的每张样本照片对应的质量评分标注，所述样本照片的类别用于表征不同的基础评分；
41.提取样本照片的样本面部特征以及样本照片参数；
42.采用至少两个未训练的通用吸引力模型，分别基于对应类别的样本面部特征和样本照片参数进行处理，获得所述未训练的通用吸引力模型对于对应类别的所述目标照片的相似度；所述未训练的通用吸引力模型对应基础评分；
43.根据所述未训练的通用吸引力模型对应的基础评分，结合所述相似度，获得所述样本照片的样本质量评分；
44.根据所述样本质量评分和所述质量评分标注调整所述未训练的通用吸引力模型中的参数，并继续训练，直至获得训练完成的通用吸引力模型。
45.在其中一个实施例中，所述训练模块用于从社交应用中获取至少两张样本照片以及每张样本照片对应的互动数据；
46.按照未训练的通用吸引力模型的预设数量，基于所述互动数据对所述样本照片进行分类，获得分类后的样本照片，所述预设数量为至少两个；
47.对每个互动数据进行归一化处理，得到分类后的每张样本照片对应的质量评分标注。
48.在其中一个实施例中，所述训练模块用于对于每张样本照片，获取至少两种的点赞类型中每种点赞类型所对应的点赞数；
49.基于每种点赞类型对应的权重，对相应的点赞数进行加权处理，得到互动数据。
50.在其中一个实施例中，所述目标面部特征包括面部全局特征、面部距离特征、面部面积特征、面部表观特征、发型特征、面部表情特征中至少一种；所述目标照片参数包括分辨率、亮度、锐度、对比度、整体色调、人体与照片大小位置关系、拍摄地点、拍摄时间中至少一种。
51.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
52.响应于在社交应用中触发的照片上传操作，显示候选照片，并响应于对候选照片
的选择操作，获取待上传的目标照片；
53.进入照片确认页面，显示处于响应编辑操作的状态的所述目标照片；
54.对应于所述目标照片，显示所述目标照片的质量评价结果；所述质量评价结果表示对所述目标照片进行人工智能评分获得的质量评分；
55.响应于在所述照片确认页面触发的发布操作，在所述目标照片为至少两个时，将按所述质量评分排序后的目标照片发布到所述社交应用的个人页面。
56.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
57.获取目标照片的目标面部特征，并获取所述目标照片的目标照片参数；
58.采用至少两个的通用吸引力模型，分别基于所述目标面部特征和所述目标照片参数进行处理，获得每个通用吸引力模型对于所述目标照片的相似度；每个通用吸引力模型对应不同的基础评分；
59.根据所述相似度，筛选出与所述目标照片匹配的目标通用吸引力模型；
60.根据所述目标通用吸引力模型对应的基础评分，生成所述目标照片的质量评分。
61.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
62.响应于在社交应用中触发的照片上传操作，显示候选照片，并响应于对候选照片的选择操作，获取待上传的目标照片；
63.进入照片确认页面，显示处于响应编辑操作的状态的所述目标照片；
64.对应于所述目标照片，显示所述目标照片的质量评价结果；所述质量评价结果表示对所述目标照片进行人工智能评分获得的质量评分；
65.响应于在所述照片确认页面触发的发布操作，在所述目标照片为至少两个时，将按所述质量评分排序后的目标照片发布到所述社交应用的个人页面。
66.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
67.获取目标照片的目标面部特征，并获取所述目标照片的目标照片参数；
68.采用至少两个的通用吸引力模型，分别基于所述目标面部特征和所述目标照片参数进行处理，获得每个通用吸引力模型对于所述目标照片的相似度；每个通用吸引力模型对应不同的基础评分；
69.根据所述相似度，筛选出与所述目标照片匹配的目标通用吸引力模型；
70.根据所述目标通用吸引力模型对应的基础评分，生成所述目标照片的质量评分。
71.上述照片发布方法、装置、计算机设备和存储介质，针对用户上传的目标照片，进行人工智能评分得到质量评分结果并显示，能够客观地反映用户上传的目标照片的照片质量；响应于在照片确认页面触发的发布操作，当目标照片为至少两个时，将按质量评分排序后的目标照片发布到社交应用的个人页面中，即能够在社交应用的个人页面上显示按照质量评分排序的目标照片，不需要用户手动调整照片的位置，提高照片发布效率。
附图说明
72.图1为一个实施例中照片发布方法的流程示意图；
73.图2为一个实施例中用于显示候选照片的界面示意图；
74.图3为一个实施例中照片确认页面的界面示意图；
75.图4为一个实施例中社交应用的个人页面的界面示意图；
76.图5为另一个实施例中照片确认页面的界面示意图；
77.图6为另一个实施例中社交应用的个人页面的界面示意图；
78.图7为一个实施例中一种基于人工智能的照片评分方法的流程示意图；
79.图8为一个实施例中面部距离特征的示意图；
80.图9为另一个实施例中面部距离特征的示意图；
81.图10为一个实施例中面部面积特征的示意图；
82.图11为另一个实施例中人工智能的照片评分方法的流程示意图；
83.图12为一个实施例中通用吸引力模型的训练方式的流程示意图；
84.图13为另一个实施例中通用吸引力模型的训练方式的流程示意图；
85.图14为又一个实施例中基于人工智能的照片评分方法的流程示意图；
86.图15为一个实施例中照片发布装置的结构框图；
87.图16为一个实施例中基于人工智能的照片评分装置的结构框图；
88.图17为一个实施例中计算机设备的内部结构图。
具体实施方式
89.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
90.本技术提供的照片发布方法，可仅应用于终端设备，也可以应用于包括终端设备和服务器的应用场景中。终端设备通过网络与服务器进行通信。终端设备可以是：智能手机、平板电脑、笔记本电脑、桌上型电脑、智能电视等智能终端。终端设备上设有社交应用的客户端，该社交应用的客户端可以用于发布照片、发布文本等。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。本技术对终端设备和服务器的数量不做限制。终端设备响应于在社交应用中触发的照片上传操作，显示候选照片，并响应于对候选照片的选择操作，获取待上传的目标照片；进入照片确认页面，显示处于响应编辑操作的状态的目标照片；对应于目标照片，显示目标照片的质量评价结果；质量评价结果表示对目标照片进行人工智能评分获得的质量评分；响应于在照片确认页面触发的发布操作，在目标照片为至少两个时，将按质量评分排序后的目标照片发布到社交应用的个人页面。
91.在一个实施例中，如图1所示，提供了一种照片发布方法，以该方法应用于终端设备为例进行说明，包括以下步骤：
92.步骤102，响应于在社交应用中触发的照片上传操作，显示候选照片，并响应于对候选照片的选择操作，获取待上传的目标照片。
93.其中，社交应用是指用户进行社交的应用软件。社交应用例如可以是微信、qq等应
用。照片上传操作是指用于将照片上传到社交应用对应服务器的操作。照片上传操作可通过触控终端设备中照片上传控件触发不限于此。候选照片可以是终端设备本地的照片，也可以是终端设备直接从某个网站上获取的照片，或者是终端设备拍摄的照片。待上传的目标照片是候选照片中的至少一张照片。
94.具体地，终端设备显示社交应用的照片上传界面，照片上传界面中包括照片上传控件。终端设备响应于在社交应用中触发的照片上传操作，显示候选照片。终端设备响应于对候选的候选照片的选择操作，获取待上传的目标照片。例如，候选照片包括照片a、照片b、照片c和照片d，待上传的目标照片可以为照片a、照片b和照片c。
95.步骤104，进入照片确认页面，显示处于响应编辑操作的状态的目标照片。
96.其中，照片确认页面是指用于对待上传的目标照片进行确认的页面。处于响应编辑操作的状态是指可响应替换或者删除等操作的状态。照片确认页面中可包含表示评分过程的提示信息。
97.具体地，响应于在照片上传页面的确认操作，将照片上传到社交应用对应的服务器。终端设备进入照片确认页面，在照片确认页面，显示处于响应编辑状态的目标照片。
98.步骤106，对应于目标照片，显示目标照片的质量评价结果。质量评价结果表示对目标照片进行人工智能评分获得的质量评分。
99.其中，质量评价结果可以直接通过质量评分体现，也可以通过质量评价等级体现，还可以通过该照片质量在社交应用中的排位体现不限于此。质量评分例如可以是90分、89.5分等。质量评价等级可以是a级、b级等。照片在社交应用中的排位可以是“你打败了70％的网友”或者“你的分数打败了1234567人”等。
100.人工智能(artificial intelligence,ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
101.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
102.具体地，终端设备将目标照片上传到服务器，由服务器对照片进行人工智能评分。或者终端设备自身对照片进行人工智能评分。质量评分是根据目标通用吸引力模型对应的基础评分生成的，目标通用吸引力模型是根据每个通用吸引力模型对于目标照片的相似度筛选出来的；每个吸引力模型对应目标照片的相似度是采用至少两个的通用吸引力模型分别基于样本面部特征和样本照片参数进行处理得到的，其中，每个通用吸引力模型对应不同的基础评分。对应于目标照片，终端设备可在目标照片的显示区域中显示目标照片的质量评价结果，也可以在目标照片的下方区域显示质量评价结果等。
103.步骤108，响应于在照片确认页面触发的发布操作，在目标照片为至少两个时，将按质量评分排序后的目标照片发布到社交应用的个人页面。
104.其中，按质量评分排序可以是按照质量评分从高到底的顺序排序，也可以是仅将
质量评分最高的照片置顶显示。个人页面用于显示个人信息，其中包括发布的照片、用户昵称、用户毕业学校等不限于此。
105.具体地，响应于在照片确认页面上触发的发布操作，在目标照片的数量为至少两个时，终端设备将按质量评分排序后的目标照片发布到社交应用的个人页面上。则在社交应用的个人页面上能够显示按照质量评分排序后的目标照片。例如，a照片评分70分，b照片评分50分，c照片评分90分，那么在社交应用的个人页面依次显示c照片、a照片和b照片。
106.上述照片发布方法，针对用户上传的目标照片，进行人工智能评分得到质量评分结果并显示，能够客观地反映用户上传的目标照片的照片质量；响应于在照片确认页面触发的发布操作，当目标照片为至少两个时，将按质量评分排序后的目标照片发布到社交应用的个人页面中，即能够在社交应用的个人页面上显示按照质量评分排序的目标照片，不需要用户手动调整照片的位置，提高照片发布效率，并且能够使得用户在社交应用中得到更多关注等，提高用户体验。
107.在一个实施例中，该照片发布方法还包括：在照片确认页面显示照片处理开关项；
108.响应于对照片处理开关项的触发操作，调整照片处理开关项的状态为开启状态和关闭状态中的一种；
109.当照片处理开关项处于开启状态时，执行响应于在照片确认页面触发的发布操作，在目标照片为至少两个时，将按质量评分排序后的目标照片发布到社交应用的个人页面的步骤。
110.其中，照片处理开关项可用于确认是否按照人工智能评分所获得的质量评分对目标照片进行排序、是否在个人页面的封面上显示质量评分最高的目标照片中至少一种。
111.具体地，在照片确认页面显示照片处理开关项。响应于对照片处理的触发操作，调整照片处理开关项的状态为开启状态。或者，响应于对照片处理的触发操作，调整照片处理开关项的状态为关闭状态。照片确认页面包括照片发布控件。通过照片发布控件可触发发布操作。当照片处理开关项处于开启状态时，执行响应于在照片确认页面触发的发布操作，在目标照片的数量为至少两个时，将按质量评分排序后的目标照片发布到社交应用的个人页面的步骤。
112.上述照片发布方法，照片确认页面中包括照片处理开关项，当照片处理开关项处于开启状态时，将按质量评分排序后的目标照片发布到社交应用的个人页面，则用户能够自主选择是否需要进行智能排序，当选择开启时，则不需要用户手动调整照片的位置，提高照片发布效率。
113.在一个实施例中，在照片确认页面中显示的目标照片按照被选中的次序排列；该照片发布方法还包括：
114.当照片处理开关项处于关闭状态时，响应于在照片确认页面触发的发布操作，在目标照片为至少两个时，将目标照片按照在照片确认页面中排列的次序发布到社交应用的个人页面。
115.具体地，在照片确认页面中显示的目标照片是按照被用户选中的次序排列的。当照片处理开关项处于关闭状态时，响应于在照片确认页面触发的发布操作，在目标照片为至少两个时，终端设备将目标照片按照在照片确认页面中排列的次序发布到社交应用的个人页面。在社交应用的个人页面中按照在确认页面中排列的次序显示目标照片。例如用户
选中的次序是照片c、照片b和照片a，那么在照片确认页面中的排序则为照片c、照片b和照片a。
116.上述照片发布方法，当照片处理开关项处于关闭状态时，则在目标照片为至少两个的情况下，将目标照片按照在照片确认页面中排列的次序发布在社交应用过的个人页面中，则用户能够自主选择是否需要进行智能排序，提高用户体验。
117.在一个实施例中，该照片发布方法还包括：当照片处理开关项处于开启状态时，响应于在照片确认页面触发的发布操作，在个人页面的封面上显示质量评分最高的目标照片。
118.其中，个人封面是指个人页面上中最先显示的内容。当第二用户访问第一用户的个人页面时，首先显示的就是第一用户的个人封面。
119.具体地，当照片处理开关项处于开启状态时，响应于在照片确认页面上触发的发布操作，终端设备在个人页面的封面上显示目标照片中质量评分最高的目标照片。
120.本实施例中，该照片发布方法还包括：当照片处理开关项处于开启状态时，响应于在照片确认页面触发的发布操作，将质量评分最高的目标照片的第一质量评分与个人封面中的已发布照片的第二质量评分进行比对，将第一质量评分和第二质量评分中评分高的照片显示在个人页面的封面上。
121.上述照片发布方法，当照片处理开关项处于开启状态时，响应于在照片确认页面触发的发布操作，在个人页面的封面上显示质量评分最高的目标照片，能够提升用户在社交应用中的吸引力，获得更多关注。
122.在一个实施例中，编辑操作包括替换操作，照片发布方法还包括：
123.响应于对照片确认页面中显示的目标照片触发的替换操作，再次显示候选照片，并响应于对再次显示的照片的选择操作，获取待替换的目标照片；
124.返回照片确认页面时，将替换操作所作用的目标照片替换为待替换的目标照片；
125.对应于替换后的目标照片，显示替换后的目标照片的质量评价结果。
126.其中，替换操作是指将一张照片替换为另一张照片。响应于对照片确认页面中显示的目标照片所触发的替换操作，再次显示候选照片；并响应于对再次显示的照片的选择操作，获取待替换的目标照片。返回照片确认页面后，终端设备将替换操作所作用的目标照片替换为待替换的目标照片。对应于替换后的目标照片，在照片确认页面显示替换后的目标照片的质量评价结果。例如，当显示的目标照片的质量评价结果包含负面评价结果时，例如负面评价结果为“换张照片吧”，负面评价结果对应的目标照片为目标照片c。目标照片响应于对照片确认页面中显示的目标照片c触发的替换操作，再次显示候选照片a、候选照片b和候选照片c，并响应于对再次显示的照片的选择操作，获取待替换的目标照片b；返回照片确认页面时，将目标照片c替换为目标照片b，显示目标照片b的质量评价结果。
127.上述照片发布方法，响应于对目标照片触发的替换照片，将替换操作所作用的目标照片替换为待替换的目标照片，对于替换后的目标照片，依旧显示替换后的目标照片的质量评价结果，可以在当质量评价结果不佳的时候，替换掉质量不好的照片，提高发布的照片的质量。
128.在一个实施例中，对应于目标照片，显示目标照片的质量评价结果，包括：在对目标照片进行人工智能评分时，对应于目标照片显示表示评分过程的提示信息；在完成对目
标照片的人工智能评分后，对应于目标照片，显示由目标照片的质量评分转换而成的文字表达形式的质量评价结果。
129.其中，表示评分过程中的提示信息例如可以以进度条的方式表示、或者以进度百分比的方式表示、或者以文字提示信息的方式表示不限于此。文字表达形式的质量评价结果可以是口语化描述，例如“你超过了xx％的用户”，这个数值可按照超过吸引力模型的人数百分比计算。
130.具体地，在对目标照片进行人工智能评分时，对应于目标照片，终端设备显示表示评分过程的提示信息。在完成对目标照片的人工智能评分后，对应于目标照片，显示由目标照片的质量评分转换而成的文字表达形式的质量评价结果。终端设备可获取目标质量评分对应的文字表达形式的质量评价结果。或者终端设备将质量评分与预设质量评价文字结合得到质量评价结果。例如，将质量评分90分转换为“你打败了90％的人”。或者将质量评分20分转换为“换张照片吧”不限于此。
131.上述照片发布方法，在对目标照片进行人工智能评分时，对应于目标照片显示表示评分过程中的提示信息，能够使用户直观看到评分进度；在完成对目标照片的人工智能评分后，对应于目标照片，显示由目标照片的质量评分转换而成的文字表达形式的质量评价结果，能够更加直观地展示质量评价结果，使得用户可依据质量评价结果进行照片更换等操作。
132.在一个实施例中，如图2所示，为一个实施例中用于显示候选照片的界面示意图。图2中包括候选照片：照片a、照片b、照片c、照片d、照片e、照片f、照片g、照片h、照片i、照片j、照片k、照片l、照片m、照片n、照片o和照片p。按照被选中的次序排列的待上传的目标照片：照片k、照片j和照片i。通过对图2中“完成”控件的触发操作，显示图3的界面。如图3所示，为一个实施例中照片确认页面的界面示意图。图3中包括表示评分过程的提示信息302，以及表示评分过程的提示信息304。302的表现形式是进度条，304的表现形式是文字形式。图3还包括照片k310、照片j320和照片i330。照片k310、照片j320和照片i330按照在图2中的界面的选择次序排列。图3中还包括处于关闭状态的照片处理开关项340。响应于在照片确认页面上对“保存”控件的触发操作，即触发发布操作，在目标照片为至少两个时，将目标照片按照在照片确认页面中排列的次序发布到如图4的社交应用的个人页面中。如图4所示，为一个实施例中社交应用的个人页面的界面示意图。图4中显示了用户发布的部分照片如照片310和320。图4中按照在照片确认页面中排列的次序发布到社交应用的个人页面。图4中还可以显示用户的个人信息例如所在公司为aaa公司，职业(服装设计师)、毕业院校(xx大学)、学历(硕士)、籍贯(广东深圳人)、身高(168cm)、星座(双子座)、爱好(偶尔喝酒|从不抽烟|经常锻炼)。
133.图5为另一个实施例中照片确认页面的界面示意图。图5中在目标照片的对应显示区显示质量评价结果，如图中的“打败50％的人”、“换张照片吧”和“打败70％的人”。通过触发如图5中的“再传几张”，能够上传更多的照片。图5中包括处于开启状态的照片处理开关项350。当照片处理开关项处于开启状态时，响应于在照片确认页面触发的“保存”操作，即发布操作，在目标照片为至少两个时，将按质量评分排序后的目标照片发布到如图6的社交应用的个人页面中。如图6所示，为另一个实施例中社交应用的个人页面的界面示意图。图6中显示了部分用户发布的照片，如照片330和照片310，并且由于照片330的质量评分高于照
片310，照片330的排序在照片310之前。图6中还可以显示用户的个人信息例如所在公司为aaa公司，职业(服装设计师)、毕业院校(xx大学)、学历(硕士)、籍贯(广东深圳人)、身高(168cm)、星座(双子座)、爱好(偶尔喝酒|从不抽烟|经常锻炼)。
134.上述照片发布方法，针对用户上传的目标照片，进行人工智能评分得到质量评分结果并显示，能够客观地反映用户上传的目标照片的照片质量；响应于在照片确认页面触发的发布操作，当目标照片为至少两个时，将按质量评分排序后的目标照片发布到社交应用的个人页面中，即能够在社交应用的个人页面上显示按照质量评分排序的目标照片，不需要用户手动调整照片的位置，提高照片发布效率，并且能够使得用户在社交应用中得到更多关注等，提高用户体验。
135.在一个实施例中，如图7所示，为一个实施例中一种基于人工智能的照片评分方法的流程示意图，应用于社交应用场景中，可应用于终端设备或者服务器中，以应用于服务器为例进行说明，包括以下步骤：
136.步骤702，获取目标照片的目标面部特征，并获取目标照片的目标照片参数。
137.其中，面部特征用于表示面部的特征。例如面部特征可以是人的面部特征、卡通人物的面部特征、动物的面部特征中至少一种但不限于此。面部特征可以包括面部全局特征、面部距离特征、面部面积特征、面部表观特征、面部纹路特征、皮肤状态特征、发型特征、面部表情特征中至少一种。目标面部特征是指目标照片的面部特征。照片参数包括分辨率、亮度、锐度、对比度、整体色调、人体与照片大小位置关系、拍摄地点、拍摄时间中至少一种。目标照片参数是指目标照片的照片参数。
138.具体地，服务器可通过面部识别算法提取目标照片的目标面部特征。面部识别算法可以是asm(active shape models，主动形状模型)算法、hog算法(histogram of oriented gradient,方向梯度直方图)、卷积神经网络等算法。并获取目标照片的目标照片参数。
139.本实施例中，拍摄时间和拍摄地点作为照片参数的原因是：如景区拍摄的照片是用户是精心拍摄的，从拍摄时间上看的话，下午五六点以后的照片一般会曝光不足，所以这个时间段的照片在排序上要比较靠后一些。
140.步骤704，采用至少两个的通用吸引力模型，分别基于目标面部特征和目标照片参数进行处理，获得每个通用吸引力模型对于目标照片的相似度。每个通用吸引力模型对应不同的基础评分。
141.其中，通用吸引力模型中也包含了面部特征和照片参数。通用吸引力模型是通过社交应用中已有的目标照片进行面部特征和照片参数构建出的。每个通用吸引力模型所对应的面部特征信息和照片参数信息不相同。并且每个通用吸引力模型对应不同的基础评分。例如，通用吸引力模型z对应的基础评分为80分，通用吸引力模型y对应的基础评分为60分，通用吸引力模型x对应的基础评分为40分，通用吸引力模型w对应的基础评分为20分。而通用吸引力模型z、通用吸引力模型y、通用吸引力模型x、通用吸引力模型w所表征的面部特征和照片参数不相同。通用吸引力模型是根据样本面部特征、样本照片参数和对应的质量评分标注进行训练而成的。
142.具体地，服务器采用至少两个的通用吸引力模型，通过每个通用吸引力模型对目标面部特征和目标照片参数进行处理，获得每个通用吸引力模型对应目标照片的相似度。
例如，通用吸引力模型的数量为4个，分别为通用吸引力模型z、通用吸引力模型y、通用吸引力模型x和通用吸引力模型w，那么通用吸引力模型z对目标面部特征和目标照片参数进行处理，得到通用吸引力模型z对于目标照片的相似度为90％；通用吸引力模型y对目标面部特征和目标照片参数进行处理，得到通用吸引力模型y对于目标照片的相似度为60％；通用吸引力模型x对目标面部特征和目标照片参数进行处理，得到通用吸引力模型x对于目标照片的相似度为50％；通用吸引力模型w对目标面部特征和目标照片参数进行处理，得到通用吸引力模型w对于目标照片的相似度为30％。
143.步骤706，根据相似度，筛选出与目标照片匹配的目标通用吸引力模型。
144.具体地，与目标照片匹配的目标通用吸引力模型可以是指与目标照片之间相似度最高的通用吸引力模型。例如，通用吸引力模型z对于目标照片的相似度为90％，相似度最高，那么通用吸引力模型z为与目标照片匹配的目标通用吸引力模型。
145.步骤708，根据目标通用吸引力模型对应的基础评分，生成目标照片的质量评分。
146.其中，质量评分用于表征用户照片在社交应用中的吸引力。
147.具体地，服务器根据目标通用吸引力模型对应的基础评分，生成目标照片的质量评分。其中，目标照片的质量评分可以是该基础评分，也可以是该基础评分结合相似度所得到的评分等不限于此。
148.上述基于人工智能的照片评分方法，由于在社交应用中，照片的吸引力不仅仅是靠颜值决定，照片的拍摄技术、后期的照片编辑技术同样很重要，因此基于目标面部特征和目标照片参数进行处理，获得每个通用吸引力模型对于目标照片的相似度，根据相似度，筛选出与目标照片匹配的目标通用吸引力模型，并基于基础评分生成质量评分，即结合了目标面部特征和目标照片参数这两种信息对照片进行评分，能够判断整张照片在社交软件中的照片质量也即吸引力，能够提高照片评分的准确性。
149.在一个实施例中，目标面部特征包括基于面部特征点生成的特征点面部特征，获取目标照片的目标面部特征，包括：
150.获取目标照片，将目标照片转化为灰度图；基于灰度图进行面部识别，得到目标照片中的面部区域；从面部区域中提取面部特征点；基于面部特征点确定目标照片的特征点面部特征。
151.其中，灰度图是指用灰度表示的图像。面部区域可以是由面部轮廓所围成的区域。特征点面部特征是指能够基于提取出的面部特征点得到的面部特征。例如特征点面部特征包括面部全局特征、面部距离特征、面部面积特征中至少一种。
152.具体地，服务器获取在社交应用上上传的目标照片，将目标照片转化成灰度图，并基于灰度图进行面部识别，得到目标照片中的面部区域，从面部区域中提取面部特征点；基于面部特征点确定目标照片的特征点面部特征。
153.本实施例中，还可确定面部区域的倾斜角度，并矫正。
154.上述基于人工智能的照片评分方法，将转化后得到的灰度图进行面部识别，得到面部区域，从面部区域中提取面部特征点，基于面部特征点确定目标照片的特征点面部特征，由于灰度图中的信息简化，并且灰度图中的边缘更加明显，能够提高得到的特征点的准确性以及提高提取特征点的效率，从而提高得到的特征点面部特征的准确性。
155.在一个实施例中，特征点面部特征包括面部全局特征、面部距离特征和面部面积
特征。基于面部特征点确定目标照片的特征点面部特征，包括：对面部特征点对应的特征点坐标进行组合计算，获得面部特征向量，面部特征向量用于表征面部全局特征；基于特征点坐标确定面部中器官的大小以及器官之间的距离，获得面部距离特征；基于特征点坐标确定面部特征点所围成的区域，并基于特征点坐标确定每个区域的面积，对面积进行归一化处理，获得面部面积特征。
156.其中，面部中器官大小即五官中的至少一种的尺寸。例如，面部距离特征可以是两眼中心间距、左眼长度、两眼内侧眼角间距、右眼长度、人脸面部宽度、鼻子宽度、过鼻尖的脸宽度、过上唇的脸宽度、嘴巴的长度、过下唇的脸宽度、下巴的宽度、眉毛和眼睛的距离、眼睛的高度、眼睛到鼻子的距离、鼻子到嘴巴的距离、嘴巴和下巴的距离、眉毛到鼻子的距离、鼻子到下巴尖的距离中至少一种。面部特征点所围成的区域具体可以是三角形区域、四边形区域或者五边形区域等不限于此。
157.具体地，对面部特征点对应的特征点坐标进行组合计算，获取用于保证面部全局特征的面部特征向量。例如，面部特征点有68个，则按照预设组合规则对这68个特征点坐标进行计算，至少获得34个面部特征向量。服务器基于特征点坐标确定面部中器官的大小以及器官之间的距离，获得面部特征距离。服务器根据预设区域计算规则，基于特征点坐标确定面部特征点所围成的区域。对面积进行归一化处理，例如是对最大的面积进行归一化后得到1，其他面积均除以最大面积，则通过这些面积获得面部面积特征。
158.本实施例中，图8为一个实施例中面部距离特征的示意图。如图8中包括两眼中心间距、两眼内侧眼角间距、两眼内侧眼角间距、两眼内侧眼角间距、嘴巴的长度等。图9为另一个实施例中面部距离特征的示意图。图9中包括眼睛的高度、鼻子到嘴巴的距离、嘴巴到下巴的距离、眉毛和眼睛的距离等。图10为一个实施例中面部面积特征的示意图。图10中特征点所围成的区域为一个个三角形区域，则可以基于特征点坐标确定每个三角形区域的面积，获得面部面积特征。
159.上述基于人工智能的照片评分方法，对面部特征点对应的特征点坐标进行组合计算，获得面部特征向量，则能够得到面部整体的特征；基于特征点坐标确定面部中器官的大小以及器官之间的距离，则能够得到面部各器官的特征；基于特征点坐标确定面部特征点所围成的区域，并基于特征点坐标确定每个区域的面积，对面积进行归一化处理，则能够得到面部各器官分布的特征，结合上述这些特征对照片进行评分，能够提高在社交应用中对照片进行评分的准确性。
160.在一个实施例中，根据目标通用吸引力模型对应的基础评分，生成目标照片的质量评分，包括：获取目标通用吸引力模型的最大附加分；根据目标通用吸引力模型对应的相似度和最大附加分，确定目标照片的附加分；根据目标通用吸引力模型对应的基础评分和附加分，获得目标照片的质量评分。
161.其中，目标通用吸引力模型的最大附加分是指该目标通用吸引力模型所对应的最大评分和基础评分的差值。例如目标通用吸引力模型的最大评分为100分，基础评分为80分，那么最大附加分即为100-80＝20分。
162.具体地，服务器获取目标通用吸引力模型的最大附加分，根据目标通用吸引力模型对应的相似度和最大附加分的乘积，确定目标照片的附加分。服务器根据目标通用吸引力模型对应的基础评分和附加分之和，获得目标照片的质量评分。例如目标通用吸引力模
型为吸引力模型z，对应的基础评分为80，最大附加分为100-80＝20，相似度为90％，那么附加分为90％*20＝18分，质量评分为80 18＝98分。
163.上述基于人工智能的照片评分方法，根据目标通用吸引力模型对应的相似度和最大附加分，确定目标照片的附加分，根据目标通用吸引力模型对应的基础评分和附加分，获得目标照片的质量评分，能够将相似度和基础评分相结合，得出的质量评分结果更加准确，并且能够据此给用户更好的照片质量建议。
164.在一个实施例中，如图11所示，为另一个实施例中人工智能的照片评分方法的流程示意图。获取目标照片的目标面部特征，并获取目标照片的目标照片参数，将目标面部特征和目标照片参数输入至通用吸引力模型中，得到目标照片的质量评分，根据质量评分转换为质量评价结果，并显示在终端设备。若目标面部特征和目标照片参数与通用吸引力模型a的相似度高，则得到的质量评分与通用吸引力模型a相关。若目标面部特征和目标照片参数与通用吸引力模型d的相似度高，则得到的质量评分与通用吸引力模型d相关。
165.在一个实施例中，如图12所示，为一个实施例中通用吸引力模型的训练方式的流程示意图，通用吸引力模型是通过训练步骤训练得到的，训练步骤包括：
166.步骤1202，获取至少两张样本照片以及分类后的每张样本照片对应的质量评分标注，样本照片的类别用于表征不同的基础评分。
167.其中，样本照片是指用于训练通用吸引力模型的照片样本。每张样本照片均有对应的质量评分标注。
168.具体地，服务器获取至少两张样本照片。按照基础评分对样本照片进行分类，并获取分类后的每张样本照片对应的质量评分标注。
169.本实施例中，服务器可按照未训练的通用吸引力模型的预设数量，基于基础评分对样本照片进行分类，获得预设数量中类别的分类后的样本照片，预设数量为至少两个。
170.步骤1204，提取样本照片的样本面部特征以及样本照片参数。
171.其中，样本面部特征用于表示样本照片的面部特征。例如样本面部特征可以是人的样本面部特征、卡通人物的样本面部特征、动物的样本面部特征中至少一种但不限于此。样本面部特征可以包括样本面部全局特征、样本面部距离特征、样本面部面积特征、样本面部表观特征、样本面部纹路特征、样本皮肤状态特征、样本发型特征、样本面部表情特征中至少一种。样本照片参数包括分辨率、亮度、锐度、对比度、整体色调、人体与照片大小位置关系、拍摄地点、拍摄时间中至少一种。
172.具体地，服务器提取样本照片的样本面积特征以及样本照片参数。服务器可在对样本照片分类后提取，也可以在获取样本照片之后提取样本照片的样本面部特征以及样本照片参数。
173.步骤1206，采用至少两个未训练的通用吸引力模型，分别基于对应类别的样本面部特征和样本照片参数进行处理，获得未训练的通用吸引力模型对于对应类别的目标照片的相似度，未训练的通用吸引力模型对应基础评分。
174.具体地，采用至少两个未训练的通用吸引力模型，每个未训练的通用吸引力模型对应基础评分，每个未训练的通用吸引力模型对对应类别的样本面部特征和样本参数进行处理，获得每个未训练的通用吸引力模型对于对应类别的目标照片的相似度。例如，未训练的通用吸引力模型为模型z、模型y、模型x和模型w，分别对应基础评分80分、60分、40分和20
分。样本照片包括样本照片a、样本照片b、样本照片c和样本照片d，a对应的分数为98分、b对应的分数为78分，c对应的分数为48分，d对应的分数为38分。模型z的对应类别的样本照片则为样本照片a，模型y的对应类别的样本照片为样本照片b，模型x的对应类别的样本照片为样本照片c，模型w的对应类别的样本照片为样本照片d。
175.步骤1208，根据未训练的通用吸引力模型对应的基础评分，结合相似度，获得样本照片的样本质量评分。
176.具体地，服务器根据未训练的通用吸引力模型对应的基础评分，结合相似度，获得样本照片的样本质量评分。
177.本实施例中，获取目标通用吸引力模型的最大附加分；根据目标通用吸引力模型对应的相似度和最大附加分，确定目标照片的附加分；根据目标通用吸引力模型对应的基础评分和附加分，获得目标照片的质量评分。
178.步骤1210，根据样本质量评分和质量评分标注调整未训练的通用吸引力模型中的参数，并继续训练，直至获得训练完成的通用吸引力模型。
179.具体地，服务器根据样本质量评分和质量评分标注调整未训练的通用吸引力模型中的参数，并继续训练，直至达到迭代次数或者损失值达到最小值等时，获得训练完成的通用吸引力模型。
180.上述基于人工智能的照片评分方法，采用样本面部特征和样本照片参数以及分类后的样本照片对应的质量评分标注作为通用吸引力模型的训练数据，对未训练的通用吸引力模型进行训练，能够训练得到能够对对应类别的照片进行质量评分的模型；先提取样本照片的样本面部特征以及样本照片参数，可以减少通用吸引力模型中需要训练的参数，提高训练效率。
181.在一个实施例中，获取至少两张样本照片以及分类后的每张样本照片对应的质量评分标注，包括：从社交应用中获取至少两张样本照片以及每张样本照片对应的互动数据；按照未训练的通用吸引力模型的预设数量，基于互动数据对样本照片进行分类，获得分类后的样本照片，预设数量为至少两个；对每个互动数据进行归一化处理，得到分类后的每张样本照片对应的质量评分标注。
182.其中，互动数据用于表示在社交应用中第二用户对第一用户所发布的照片的评价。例如，互动数据可以是点赞数等。归一化处理是指将有量纲的数据，经过变换，化为无量纲的数据，成为标量。例如归一化处理可以是得到0～1范围内的数据，或者得到0～100范围内的数据等。
183.具体地，服务器从社交应用中获取至少两张样本照片以及每张样本照片对应的互动数据。按照未训练的通用吸引力模型的预设数量，服务器基于互动数据对样本照片进行分类，获得分类后的样本照片。例如，未训练的通用吸引力模型的数量为4个，样本照片为20张，那么可按照互动数据从高到低的顺序对样本照片进行排列，按顺序取5个为一类照片，一共4类照片。再将4类照片分别输入到不同的通用吸引力模型中。服务器从该互动数据中获取互动数据最大值，基于互动数据最大值对每个互动数据进行归一化处理，得到分类后的每张样本照片对应的质量评分标注。例如互动数据中包括2000和1000，那么对2000和1000进行归一化处理，则分别得到100和50。
184.上述基于人工智能的照片评分方法，从社交应用中获取至少两张样本照片以及每
张样本照片对应的互动数据，并基于互动数据进行分类，对互动数据进行归一化处理，则可依靠社交应用中大部分用户的选择，得到样本照片的质量评分标注，从而训练出符合大众审美的通用吸引力模型，不因某个人的意愿而影响质量评分，提升得到的照片质量评分的准确性。
185.在一个实施例中，获取每张样本照片对应的互动数据，包括：对于每张样本照片，获取至少两种的点赞类型中每种点赞类型所对应的点赞数；基于每种点赞类型对应的权重，对相应的点赞数进行加权处理，得到互动数据。
186.其中，点赞类型可以是“我喜欢”、“我很喜欢”、“我非常喜欢”、“我超级喜欢”等不限于此。至少两种点赞类型中每种点赞类型对应的权重不完全相同。例如，“我喜欢”对应的权重可以是0.25，“我非常喜欢”对应的权重可以是0.25，“我超级喜欢”对应的权重可以是0.5。
187.具体地，对于每张样本照片，服务器获取至少两种的点赞类型中每种点赞类型所对应的点赞数，基于每种点赞类型对应的权重，对相应的点赞数进行加权处理，得到互动数据。例如，“喜欢”对应的点赞数为1000，且权重为1；“超级喜欢”对应的点赞数为100，且权重为3，那么得到互动数据＝1000*1 100*3＝1300。
188.上述基于人工智能的照片评分方法，对于每张样本照片，获取至少两种点赞类型中每种点赞类型所对应的点赞数，基于每种点赞类型对应的权重，对相应的点赞数进行加权处理，得到互动数据，能够基于不同程度的吸引力表示即点赞数，计算得到互动数据，从而得到更加准确的质量评分标注，使得训练得到的通用吸引力模型更加适用于大众。
189.在一个实施例中，如图13所示，为另一个实施例中通用吸引力模型的训练方式的流程示意图。对样本照片进行特征提取，提取样本照片的样本面部特征以及样本照片参数。获取每张样本照片对应的互动数据，按照未训练的通用吸引力模型的预设数量，基于互动数据对样本照片进行分类，获得分类后的样本照片，对每个互动数据进行归一化处理，得到分类后的每张样本照片对应的质量评分标注。将样本面部特征、样本照片参数和质量评分标注进行机器学习，得到样本质量评分，根据样本质量评分和质量评分标注调整未训练的通用吸引力模型中的参数，并继续训练，直至获得训练完成的通用吸引力模型。机器学习(machine learning,ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
190.在一个实施例中，目标面部特征包括面部全局特征、面部距离特征、面部面积特征、面部表观特征、面部纹路特征、皮肤状态特征、发型特征、面部表情特征中至少一种；目标照片参数包括分辨率、亮度、锐度、对比度、整体色调、人体与照片大小位置关系、拍摄地点、拍摄时间中至少一种。
191.其中，面部表观特征是指面部整体外貌、面部皮肤特征、面部纹路特征等特征。面部皮肤特征例如可以是是否有痤疮、皮肤是否暗沉、皮肤是否有凹陷等特征。面部纹路特征是指面部中的纹路，例如皱纹等特征。面部表情特征例如微笑、哭泣、恼怒等表情特征。分辨率直接从目标照片自带的信息中提取。亮度可将照片转换到hsl(hue,saturation,
lightness，色相，饱和度，亮度)颜色空间中计算照片的平均亮度。目标照片的对比度一定程度上反应了目标照片的清晰度，其中一种计算方法是中心像素的灰度值和周围4个临近像素的灰度值之差的平方求和，再除以差的个数。
192.代码如下：
[0193][0194]
其中，img即目标照片，i和j分别表示像素点的横坐标和纵坐标，m和n分别是照片的横坐标最大值和纵坐标最大值，cg即为对比度。
[0195]
色调的计算是整体的像素点的rgb(red,green,blue,红绿蓝)分量取平均值，优化后的算法可以进行均匀抽样取颜色平均值。
[0196]
上述基于人工智能的照片评分方法，目标面部特征包括面部全局特征、面部距离特征、面部面积特征、面部表观特征、发型特征、面部表情特征中至少一种；目标照片参数包括分辨率、亮度、锐度、对比度、整体色调、人体与照片大小位置关系、拍摄地点、拍摄时间中至少一种，能够结合不同维度的特征对目标照片进行评分，即基于大众审美对目标照片进行评分，提高评分的准确性。
[0197]
在一个实施例中，如图14所示，为又一个实施例中基于人工智能的照片评分方法的流程示意图。获取目标照片的目标照片参数和目标面部特征。目标面部参数包括分辨率、亮度、锐度、对比度、整体色调、人体与照片大小关系中至少一种。目标面部特征提取包括对照片进行预处理：获取目标照片，将目标照片转化为灰度图。基于灰度图进行面部识别，得到目标照片中的面部区域。从面部区域中提取面部特征点。基于面部特征点确定目标照片
的面部全局特征、面部距离特征和面部面积特征。采用至少两个的通用吸引力模型，分别基于目标面部特征和目标照片参数进行处理，获得每个通用吸引力模型对于目标照片的相似度，每个通用吸引力模型对应不同的基础评分。根据相似度，筛选出与目标照片匹配的目标通用吸引力模型。根据目标通用吸引力模型对应的基础评分，生成目标照片的质量评分。将质量评分转换为对应的质量评分结果。响应于在照片确认页面触发的发布操作，在目标照片为至少两个时，将按质量评分排序后的目标照片发布到社交应用的个人页面。
[0198]
在一个实施例中，一种基于人工智能的照片评分方法还包括：对应于目标照片，显示目标照片的质量评价结果；质量评价结果表示对目标照片进行人工智能评分获得的质量评分；响应于在照片确认页面触发的发布操作，在目标照片为至少两个时，将按质量评分排序后的目标照片发布到社交应用的个人页面。上述基于人工智能的照片评分方法，综合了面部特征、照片参数、质量评价结果、社交应用中的点赞数等信息，建立不同等级的通用吸引力模型，用户上传照片后，帮助用户提取面部特征后，根据面部特征与通用吸引力模型的相似度，去判断该用户照片的吸引力，针对吸引力不高的照片建议用户进行更换；用户如果上传多张照片，分别建立照片中不同人脸模型，再根据人脸相似度，判断多张照片中某一张的吸引力更高，从而智能帮助用户的照片进行智能推荐排序。
[0199]
在一个实施例中，获取目标照片的目标面部特征，包括：当目标照片中包括至少两个面部区域时，确定每个面部区域中器官的完整度；当每个面部区域的完整度相同时，提取面部区域中面积最大的面部区域中的目标面部特征；当完整度不相同时，提取面部区域中完整度最高的面部区域所对应的目标面部特征。还可以包括：当面部区域所对应的面部面积相同时，确定每个面部区域的清晰度，获取面部区域清晰度最高的目标区域所对应的目标面部特征。
[0200]
上述基于人工智能的照片评分方法，由于当一张照片中包含至少两个面部区域时，先确定器官的完整度，取完整度最高的；完整度相同，取面积最大的；面积相同，取清晰度最高的，能够确定出目标照片中的主角，并针对主角进行特征提取，进而评分，提高照片评分的准确性。
[0201]
在一个实施例中，获取目标照片的目标面部特征，包括：获取用户账号中已发布照片中出现次数最多的参考面部特征；确定目标照片中的面部区域；当目标照片中包括至少两个面部区域时，将与参考面部特征相似度最高的面部特征作为目标面部特征。上述基于人工智能的照片评分方法，当目标照片中包括至少两个面部区域时，已发布照片中出现次数最多的面部一般是用户自身的面部，与已发布照片中出现次数最多的面部特征相似度最高的面部特征有较大可能是用户自身的面部，则能够对归属的用户的面部进行评价。
[0202]
在一个实施例中，一种通用吸引力模型的训练方法，包括：获取至少两张样本照片以及分类后的每张样本照片对应的质量评分标注，样本照片的类别用于表征不同的基础评分；提取样本照片的样本面部特征以及样本照片参数；采用至少两个未训练的通用吸引力模型，分别基于对应类别的样本面部特征和样本照片参数进行处理，获得未训练的通用吸引力模型对于对应类别的目标照片的相似度；未训练的通用吸引力模型对应基础评分；根据未训练的通用吸引力模型对应的基础评分，结合相似度，获得样本照片的样本质量评分；根据样本质量评分和质量评分标注调整未训练的通用吸引力模型中的参数，并继续训练，直至获得训练完成的通用吸引力模型。
[0203]
应该理解的是，虽然图1、7和12的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、7和12中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0204]
在一个实施例中，如图15所示，提供了一种照片发布装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：上传模块1502、显示模块1504和发布模块1506，其中：
[0205]
上传模块1502，用于响应于在社交应用中触发的照片上传操作，显示候选照片，并响应于对候选照片的选择操作，获取待上传的目标照片；
[0206]
显示模块1504，用于进入照片确认页面，显示处于响应编辑操作的状态的目标照片；
[0207]
显示模块1504，用于对应于目标照片，显示目标照片的质量评价结果；质量评价结果表示对目标照片进行人工智能评分获得的质量评分；
[0208]
发布模块1506，用于响应于在照片确认页面触发的发布操作，在目标照片为至少两个时，将按质量评分排序后的目标照片发布到社交应用的个人页面。
[0209]
上述照片发布装置，针对用户上传的目标照片，进行人工智能评分得到质量评分结果并显示，能够客观地反映用户上传的目标照片的照片质量；响应于在照片确认页面触发的发布操作，当目标照片为至少两个时，将按质量评分排序后的目标照片发布到社交应用的个人页面中，即能够在社交应用的个人页面上显示按照质量评分排序的目标照片，不需要用户手动调整照片的位置，提高照片发布效率，并且能够使得用户在社交应用中得到更多关注等，提高用户体验。
[0210]
在一个实施例中，显示模块1504用于在照片确认页面显示照片处理开关项；响应于对照片处理开关项的触发操作，调整照片处理开关项的状态为开启状态和关闭状态中的一种；
[0211]
发布模块1506用于当照片处理开关项处于开启状态时，响应于在照片确认页面触发的发布操作，在目标照片为至少两个时，将按质量评分排序后的目标照片发布到社交应用的个人页面。
[0212]
上述照片发布装置，照片确认页面中包括照片处理开关项，当照片处理开关项处于开启状态时，将按质量评分排序后的目标照片发布到社交应用的个人页面，则用户能够自主选择是否需要进行智能排序，当选择开启时，则不需要用户手动调整照片的位置，提高照片发布效率。
[0213]
在一个实施例中，在照片确认页面中显示的目标照片按照被选中的次序排列；发布模块1506用于当照片处理开关项处于关闭状态时，响应于在照片确认页面触发的发布操作，在目标照片为至少两个时，将目标照片按照在照片确认页面中排列的次序发布到社交应用的个人页面。
[0214]
上述照片发布装置，当照片处理开关项处于关闭状态时，则在目标照片为至少两
个的情况下，将目标照片按照在照片确认页面中排列的次序发布在社交应用过的个人页面中，则用户能够自主选择是否需要进行智能排序，提高用户体验。
[0215]
在一个实施例中，发布模块1506用于当照片处理开关项处于开启状态时，响应于在照片确认页面触发的发布操作，在个人页面的封面上显示质量评分最高的目标照片。
[0216]
上述照片发布装置，当照片处理开关项处于开启状态时，响应于在照片确认页面触发的发布操作，在个人页面的封面上显示质量评分最高的目标照片，能够提升用户在社交应用中的吸引力，获得更多关注。
[0217]
在一个实施例中，编辑操作包括替换操作。上传模块1502用于响应于对照片确认页面中显示的目标照片触发的替换操作，再次显示候选照片，并响应于对再次显示的照片的选择操作，获取待替换的目标照片；返回照片确认页面时，将替换操作所作用的目标照片替换为待替换的目标照片；显示模块1504用于对应于替换后的目标照片，显示替换后的目标照片的质量评价结果。
[0218]
上述照片发布装置，响应于对目标照片触发的替换照片，将替换操作所作用的目标照片替换为待替换的目标照片，对于替换后的目标照片，依旧显示替换后的目标照片的质量评价结果，可以在当质量评价结果不佳的时候，替换掉质量不好的照片，提高发布的照片的质量。
[0219]
在一个实施例中，显示模块1504用于在对目标照片进行人工智能评分时，对应于目标照片显示表示评分过程的提示信息；
[0220]
在完成对目标照片的人工智能评分后，对应于目标照片，显示由目标照片的质量评分转换而成的文字表达形式的质量评价结果。
[0221]
上述照片发布装置，在对目标照片进行人工智能评分时，对应于目标照片显示表示评分过程中的提示信息，能够使用户直观看到评分进度；在完成对目标照片的人工智能评分后，对应于目标照片，显示由目标照片的质量评分转换而成的文字表达形式的质量评价结果，能够更加直观地展示质量评价结果，使得用户可依据质量评价结果进行照片更换等操作。
[0222]
在一个实施例中，如图16所示，提供了一种照片发布装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：特征获取模块1602、相似度获取、筛选模块1606和质量评分生成模块1608，其中：
[0223]
特征获取模块1602，用于获取目标照片的目标面部特征，并获取目标照片的目标照片参数；
[0224]
相似度获取模块1604，用于采用至少两个的通用吸引力模型，分别基于目标面部特征和目标照片参数进行处理，获得每个通用吸引力模型对于目标照片的相似度；每个通用吸引力模型对应不同的基础评分；
[0225]
筛选模块1606，用于根据相似度，筛选出与目标照片匹配的目标通用吸引力模型；
[0226]
质量评分生成模块1608，用于根据目标通用吸引力模型对应的基础评分，生成目标照片的质量评分。
[0227]
上述基于人工智能的照片评分装置，由于在社交应用中，照片的吸引力不仅仅是靠颜值决定，照片的拍摄技术、后期的照片编辑技术同样很重要，因此基于目标面部特征和目标照片参数进行处理，获得每个通用吸引力模型对于目标照片的相似度，根据相似度，筛
选出与目标照片匹配的目标通用吸引力模型，并基于基础评分生成质量评分，即结合了目标面部特征和目标照片参数这两种信息对照片进行评分，能够判断整张照片在社交软件中的照片质量也即吸引力，能够提高照片评分的准确性。
[0228]
在一个实施例中，特征获取模块1602用于获取目标照片，将目标照片转化为灰度图；基于灰度图进行面部识别，得到目标照片中的面部区域；从面部区域中提取面部特征点；基于面部特征点确定目标照片的特征点面部特征。
[0229]
上述基于人工智能的照片评分装置，将转化后得到的灰度图进行面部识别，得到面部区域，从面部区域中提取面部特征点，基于面部特征点确定目标照片的特征点面部特征，由于灰度图中的信息简化，并且在灰度图中边缘更加明显，能够提高得到的特征点的准确性以及提高提取特征点的效率，从而提高得到的特征点面部特征的准确性。
[0230]
在一个实施例中，特征点面部特征包括面部全局特征、面部距离特征和面部面积特征；
[0231]
特征获取模块1602用于对面部特征点对应的特征点坐标进行组合计算，获得面部特征向量，面部特征向量用于表征面部全局特征；
[0232]
基于特征点坐标确定面部中器官的大小以及器官之间的距离，获得面部距离特征；
[0233]
基于特征点坐标确定面部特征点所围成的区域，并基于特征点坐标确定每个区域的面积，对面积进行归一化处理，获得面部面积特征。
[0234]
上述基于人工智能的照片评分装置，对面部特征点对应的特征点坐标进行组合计算，获得面部特征向量，则能够得到面部整体的特征；基于特征点坐标确定面部中器官的大小以及器官之间的距离，则能够得到面部各器官的特征；基于特征点坐标确定面部特征点所围成的区域，并基于特征点坐标确定每个区域的面积，对面积进行归一化处理，则能够得到面部各器官分布的特征，结合上述这些特征对照片进行评分，能够提高在社交应用中对照片进行评分的准确性。
[0235]
在一个实施例中，质量评分生成模块1608用于获取目标通用吸引力模型的最大附加分；
[0236]
根据目标通用吸引力模型对应的相似度和最大附加分，确定目标照片的附加分；
[0237]
根据目标通用吸引力模型对应的基础评分和附加分，获得目标照片的质量评分。
[0238]
上述基于人工智能的照片评分装置，根据目标通用吸引力模型对应的相似度和最大附加分，确定目标照片的附加分，根据目标通用吸引力模型对应的基础评分和附加分，获得目标照片的质量评分，能够将相似度和基础评分相结合，得出的质量评分结果更加准确，并且能够据此给用户更好的照片质量建议。
[0239]
在一个实施例中，基于人工智能的照片评分装置包括训练模块，训练模块用于获取至少两张样本照片以及分类后的每张样本照片对应的质量评分标注，样本照片的类别用于表征不同的基础评分；提取样本照片的样本面部特征以及样本照片参数；采用至少两个未训练的通用吸引力模型，分别基于对应类别的样本面部特征和样本照片参数进行处理，获得未训练的通用吸引力模型对于对应类别的目标照片的相似度；未训练的通用吸引力模型对应基础评分；根据未训练的通用吸引力模型对应的基础评分，结合相似度，获得样本照片的样本质量评分；根据样本质量评分和质量评分标注调整未训练的通用吸引力模型中的
参数，并继续训练，直至获得训练完成的通用吸引力模型。
[0240]
上述基于人工智能的照片评分装置，采用样本面部特征和样本照片参数以及分类后的样本照片对应的质量评分标注作为通用吸引力模型的训练数据，对未训练的通用吸引力模型进行训练，能够训练得到能够对对应类别的照片进行质量评分的模型；先提取样本照片的样本面部特征以及样本照片参数，可以减少通用吸引力模型中需要训练的参数，提高训练效率。
[0241]
在一个实施例中，训练模块用于从社交应用中获取至少两张样本照片以及每张样本照片对应的互动数据；按照未训练的通用吸引力模型的预设数量，基于互动数据对样本照片进行分类，获得分类后的样本照片，预设数量为至少两个；对每个互动数据进行归一化处理，得到分类后的每张样本照片对应的质量评分标注。
[0242]
上述基于人工智能的照片评分装置，从社交应用中获取至少两张样本照片以及每张样本照片对应的互动数据，并基于互动数据进行分类，对互动数据进行归一化处理，则可依靠社交应用中大部分用户的选择，得到样本照片的质量评分标注，从而训练出符合大众审美的通用吸引力模型，不因某个人的意愿而影响质量评分，提升得到的照片质量评分的准确性。
[0243]
在一个实施例中，训练模块用于对于每张样本照片，获取至少两种的点赞类型中每种点赞类型所对应的点赞数；基于每种点赞类型对应的权重，对相应的点赞数进行加权处理，得到互动数据。
[0244]
上述基于人工智能的照片评分装置，对于每张样本照片，获取至少两种点赞类型中每种点赞类型所对应的点赞数，基于每种点赞类型对应的权重，对相应的点赞数进行加权处理，得到互动数据，能够基于不同程度的吸引力表示即点赞数，计算得到互动数据，从而得到更加准确的质量评分标注，使得训练得到的通用吸引力模型更加适用于大众。
[0245]
在一个实施例中，目标面部特征包括面部全局特征、面部距离特征、面部面积特征、面部表观特征、发型特征、面部表情特征中至少一种；目标照片参数包括分辨率、亮度、锐度、对比度、整体色调、人体与照片大小位置关系、拍摄地点、拍摄时间中至少一种。
[0246]
上述基于人工智能的照片评分装置，目标面部特征包括面部全局特征、面部距离特征、面部面积特征、面部表观特征、发型特征、面部表情特征中至少一种；目标照片参数包括分辨率、亮度、锐度、对比度、整体色调、人体与照片大小位置关系、拍摄地点、拍摄时间中至少一种，能够结合不同维度的特征对目标照片进行评分，即基于大众审美对目标照片进行评分，提高评分的准确性。
[0247]
关于照片发布装置的具体限定可以参见上文中对于照片发布方法的限定，关于基于人工智能的照片评分装置的具体限定可以参见上文中对于基于人工智能的照片评分方法的限定，关于在此不再赘述。上述照片发布装置以及基于人工智能的照片评分装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0248]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端设备，其内部结构图可以如图17所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机
设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种照片发布方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0249]
本领域技术人员可以理解，图17中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0250]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0251]
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0252]
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
[0253]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0254]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0255]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。