[发明专利]一种表情图片推送方法及系统

说明书

技术领域

本发明涉及计算机软件领域，尤其涉及一种表情图片推送方法及系统。

背景技术

目前，即时聊天工具是人们最常用的沟通工具，而在像这样无法面对面交流的沟通方式中，表情图片的使用变得越来越重要。2015年牛津词典公布了最受欢迎年度词汇为“emoji”表情符号，也正体现了这一点。在聊天中正确的使用表情能更准确直观地表达使用者的情感变化和心理活动。然而在现在的即时聊天工具中，表情图片需要用户搜集、添加表情库后方能使用，并且所有的表情混杂在一起，使得用户很难快速、有效地找到自己想要的表情图片。目前还没有系统用于实现即时聊天工具表情分类选择的功能。另外用户想要表达某种情绪或使用某类表情图片，但自己没有收藏此类表情时，也没有有效的办法能够帮助用户获取合适的表情图片，这给沟通交流带来了不便。

发明内容

(一)要解决的技术问题

鉴于上述问题，本发明的目的在于，提供一种准确度高、实时性强的表情图片推送方法及系统。

(二)技术方案

本发明提供一种表情图片推送方法，用于将服务器中存储的一个或多个表情图片推送至客户端中，方法包括：

S1，采用服务器中存储多个表情图片对神经网络进行训练，在训练完成后，重新将所述多个表情图片输入至所述神经网络中，并从神经网络的全连接层获取多个表情图片所对应的表情图片表示向量；

S2，获取从客户端发送的人脸图片，将所述人脸图片输入至训练好的神经网络，并从神经网络的全连接层提取人脸图片表示向量；

S3，将所述人脸图片表示向量与多个表示向量进行相似性计算，得到与人脸图片相似的一个或多个表情图片，并推送至所述客户端中。

进一步，客户端所在终端包括一拍摄装置，通过拍摄装置获取人脸照片。

进一步，在客户端中对所述人脸照片依次进行灰度归一化、人脸检测及裁剪，得到人脸图片。

进一步，方法还包括：S4，在客户端中对获取的一个或多个表情图片中的至少一个表情图片进行表情分类，并对分类后的表情图片进行本地收藏。

进一步，方法还包括：S5，在客户端中通过表情分类来搜索本地收藏的表情图片。

进一步，步骤S3中，进行相似性计算后，将所述人脸图片表示向量与多个表情图片表示向量的相似性进行排序，得到相似性大于一阈值的一个或多个表情图片，并推送至所述客户端中。

本发明还提供一种表情图片推送系统，包括服务器和客户端，其中：

客户端用于向服务器发送的人脸图像；

服务器用于采用存储的多个表情图片对神经网络进行训练，在训练完成后，重新将所述多个表情图片输入至所述神经网络中，并从神经网络的全连接层获取多个表情图片所对应的表情图片表示向量；将客户端发送的人脸图片输入至训练好的神经网络，并从神经网络的全连接层提取人脸图片表示向量；将人脸图片表示向量与多个表示向量进行相似性计算，得到与人脸图片相似的一个或多个表情图片，并推送至客户端中。

进一步，客户端所在终端包括一拍摄装置，所述客户端通过所述拍摄装置获取人脸照片。

进一步，客户端还用于所述人脸照片依次进行灰度归一化、人脸检测及裁剪，得到所述人脸图片。

进一步，客户端还用于对获取的一个或多个表情图片中的至少一个表情图片进行表情分类，并对分类后的表情图片进行本地收藏。

进一步，客户端还用于通过表情分类来搜索本地收藏的表情图片。

进一步，服务器进行相似性计算后，将人脸图片表示向量与多个表情图片表示向量的相似性进行排序，得到相似性大于一阈值的一个或多个表情图片，并推送至所述客户端中。

(三)有益效果

本发明具有以下优点：

1、当本地客户端不存在用户想要的表情图片时，用户可通过拍照的方式将人脸图像上传至服务器中，以从远端获取与人脸图像相似的图像；

2、在客户端中对表情图片进行分类收藏，并通过表情分类来搜索本地收藏的表情图片，提高用户在本地查找表情图片的效率。

3、本发明采用深度学习的神经网络进行人脸图像分类，可处理更大量的数据，并且运算速度更快，占用空间更小，可拓展性更强。

附图说明

图1为本发明实施例提供的卷积神经网络结构示意图。

图2为本发明实施例提供的表情图片推送方法的流程图。

图3为本发明实施例中表情图片在服务器中存储的方式。

图4为本发明实施例处理人脸照片的流程图。