具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

图1是本发明一实施例提供的基于移动终端的图片分类方法的流程示意图，如图1所示，本发明实施例提供的基于移动终端的图片分类方法，包括：

S101、若判断获知待分类图片的数量大于阈值，则获取所述待分类图片的属性信息；其中，所述待分类图片中每张图片的属性信息包括时间信息和位置信息；

具体地，当需要在移动终端进行图片分类时，用户可以在移动终端指定需要进行分类的图片，所述移动终端将需要分类的图片作为待分类图片，统计出所述待分类图片包括的图片的数量，获得所述待分类图片的数量。所述移动终端将所述待分类图片的数量与阈值进行比较，如果所述待分类图片的数量大于阈值，说明需要进行分类的图片的数量很多，那么所述移动终端会获取所述待分类图片的属性信息，以便于后续基于属性信息缩小分类的图片的范围。其中，所述待分类图片中每张图片的属性信息包括时间信息和位置信息。所述阈值根据实际经验进行设置，本发明实施例不做限定。所述移动终端包括但不限于智能手机、平板电脑等电子设备。

S102、根据预设时间段和所述待分类图片的每张图片的时间信息，获得第一类图片；

具体地，所述移动终端可以获取所述待分类图片的每张图片的时间信息，然后将每张图片的时间信息与预设时间段进行比较，判断每张图片的时间信息是否在所述预设时间段内，如果所述图片的时间信息在所述预设时间段内，那么将所述图片归为第一类图片；如果所述图片的时间信息不在所述预设时间段内，那么不会将所述图片归为所述第一类图片。所述移动终端可以获得所述第一类图片。其中，所述预设时间段可以是用户实时输入的。所述预设时间段可以是1年、一个季度或者1个月，根据实际需要进行设置，本发明实施例不做限定。可理解的是，所述第一类图片减少了需要分类的图片的数量。

S103、根据预设位置和所述第一类图片的每张图片的位置信息，获得第二类图片；

具体地，所述移动终端可以获取所述第一类图片的每张图片的位置信息，然后将每张图片的位置信息与所述预设位置信息进行比较，将位置信息与所述预设位置信息相同的图片归为第二类图片，所述移动终端可以获得所述第二类图片。其中，预设位置可以是用户实时输入的。可理解的是，所述第二类图片进一步减少了需要分类的图片的数量。

S104、根据所述第二类图片以及图片分类模型，获得所述第二类图片中每张图片所属的类别；其中，所述图片分类模型是预先训练获得并迁移到本地的。

具体地，所述移动终端将所述第二类图片中的每张图片输入到图片分类模型中，所述图片分类模型会对每张图片进行识别，获得所述第二类图片中每张图片所属的类别。其中，所述图片分类模型是预先训练获得并迁移到所述移动终端的。图片的类别是预设的，根据实际需要进行设置，本发明实施例不做限定。

其中，为了快速地训练出所述图片分类模型，可以在服务器上进行模型训练。首先收集模型训练数据，所述模型训练数据包括预设类别的图片，每个类别的图片的数据根据实际需要进行设置，本发明实施例不做限定。为了提高图片识别的准确性，可以对所述模型训练数据进行图片预处理，所述图片预处理包括但不限于过滤或提取、缩放、归一化等处理方式，根据实际需要进行选择，本发明实施例不做限定。

由于所述图片分类模型是应用在移动终端的，考虑到移动终端的硬件处理能力，需要减少模型的复杂程度，可以采用轻量级网络模型ShuffleNet模型作为原始模型。基于所述训练数据以及上述原始模型，训练获得图片分类模型。在训练时，可以将所述模型训练数据拆分为训练数据和验证数据，通过训练数据以及上述原始模型，训练获得待验证模型，再通过验证数据对所述待验证模型进行验证，验证通过之后的待验证模型作为所述图片分类模型。如果验证不通过，那么可以通过调整模型训练数据以及原始模型的参数，重新进行模型训练。

在服务器上训练获得图片分类模型之后，需要将图片分类模型迁移到所述移动终端上，例如，对于Android智能手机，可以将在服务器上训练获得的图片分类模型移植到Android studio中，生成Apk文件，保存到智能手机中。

本发明实施例提供的基于移动终端的图片分类方法，能够在判断获知待分类图片的数量大于阈值之后，获取待分类图片的属性信息，根据预设时间段和待分类图片的每张图片的时间信息，获得第一类图片，根据预设位置和第一类图片的每张图片的位置信息，获得第二类图片，根据第二类图片以及图片分类模型，获得第二类图片中每张图片所属的类别，能够在移动终端应用图片分类模型进行图片的分类，提高了图片分类的准确性。此外，由于对通过图片分类模型进行分类的图片进行数量限制，提高了图片的分类效率。

图2是本发明第二实施例提供的基于移动终端的图片分类方法的流程示意图，如图2所示，在上述各实施例的基础上，进一步地，所述获取所述待分类图片的属性信息包括：

S201、获取每张图片的Exif信息；

具体地，通过所述移动终端拍摄的图片，会将拍摄时间存储到Exif(EXchangeableImage File Format)信息中，所述移动终端可以获取所述待分类图片中每张图片的Exif信息。

S202、从每张图片的Exif信息中获取每张图片的拍摄时间，作为每张图片的时间信息。

具体地，所述移动终端从每张图片的Exif信息中获取每张图片的拍摄时间，然后将获取的拍摄时间作为每张图片的时间信息。其中，Exif信息可以包括图片名称、图片标识、拍摄时间、拍摄的经度和纬度等信息。

在上述各实施例的基础上，进一步地，本发明实施例提供的基于移动终端的图片分类方法还包括：

若从所述图片的Exif信息中没有获得所述图片的拍摄时间，则获取所述图片的最后一次修改时间作为所述图片的时间信息。

具体地，所述移动终端如果从所述图片的Exif信息中没有获得所述图片的拍摄时间，那么可以获取所述图片的最后一次修改时间作为所述图片的时间信息。

图3是本发明第三实施例提供的基于移动终端的图片分类方法的流程示意图，如图3所示，在上述各实施例的基础上，进一步地，所述获取待分类图片的属性信息包括：

S301、获取每张图片的Exif信息，并从每张图片的Exif信息中获取每张图片的经纬度信息；

具体地，所述移动终端可以获取每张图片的Exif信息，Exif信息会包括经纬度信息。所述移动终端可以从每张图片的Exif信息中获取每张图片的经纬度信息。

S302、向第三方服务器发送地理位置获取请求，所述地理位置获取请求包括每张图片的经纬度信息；

具体地，所述移动终端在获得每张图片的经纬度信息之后，可以向第三方服务器发送地理位置获取请求，所述地理位置获取请求包括每张图片的经纬度信息。其中，所述第三方服务器提供定位服务，可以通过经纬度信息获得对应的位置。

S303、接收所述第三方服务器返回的响应结果，所述响应结果包括每张图片的位置信息。

具体地，所述第三方服务器接收到所述地理位置获取请求之后，会根据每张图片的经纬度信息，获得对应的位置信息，将每张图片的经纬度信息对应的位置信息作为每张图片的位置信息，向所述移动终端返回携带每张图片的位置信息的响应结果。所述移动终端会接收所述响应结果，从而获得每张图片的位置信息。其中，所述位置信息可以包括城市名称以及城市下属的区县等信息。

在上述各实施例的基础上，进一步地，所述图片分类模型是基于ShuffleNet模型训练获得的。

具体地，所述图片分类模型可以基于于ShuffleNet模型训练获得，ShuffleNet模型使用逐点分组卷积和通道混合两种操作，并采用深度残差提高了模型的训练效率，能够减少计算量，提高图片分类的效率。

例如，可以采用ShuffleNet 0.25x，g＝8规模的ShuffleNet模型，计算复杂度相对较低，适用于移动终端。

在上述各实施例的基础上，进一步地，本发明实施例提供的基于移动终端的图片分类方法还包括：

在获得第二类图片之后，对所述第二类图片进行预处理。

具体地，为了提高图片分类的准确性，可以在获得第二类图片之后，对第二类图片进行预处理，然后基于经过预处理的第二类图片和所述图片分类模型，获得每张图片所属的类别。其中，所述预处理包括但不限于图片过滤、缩放、归一化等，根据实际需要进行设置，本发明实施例不做限定。

例如，对第二类图片进行按比例缩放，实际拍摄的图片可以具有多种不同尺寸，采用按比例缩放的方法，将第二类图片的尺寸统一，能够提高模型的识别效率。

在上述各实施例的基础上，进一步地，本发明实施例提供的基于移动终端的图片分类方法还包括：

若判断待分类图片的数量小于等于阈值，则根据所述待分类图片以及所述图片分类模型，获得所述待分类图片中每张图片所属的类别。

具体地，所述移动终端将所述待分类图片的数量与阈值进行比较，如果所述待分类图片的数量小于等于阈值，说明需要进行分类的图片的数量有限，所述移动终端可以将所述待分类图片中的每张图片输入到图片分类模型中，所述图片分类模型会对每张图片进行识别，获得所述待分类图片中每张图片所属的类型。

下面以一个具体的实施例来说明本发明实施例提供的基于移动终端的图片分类方法的实现过程。

对于银行业的尽职调查人员(以下简称尽调人员)会在移动终端A保存许多客户调查图片、办理业务图片等图片，由于图片较多，会导致尽调人员无法快速定位需要的图片。尽调人员通过移动终端A拍摄的照片以及保存的图片，会存储到MediaStore文件夹里。为了对存储到MediaStore文件夹里的图片进行分类，预先训练获得图片分类模型X并迁移到移动终端A。图片分类模型X用于将MediaStore文件夹里的图片分为调查照片、合影照片、产品生成照片、业绩截图图片、客户签字图片和其他类图片。其中，移动终端A采用安卓系统。

尽调人员在移动终端A上选择MediaStore文件夹，将MediaStore文件夹中的所有图片作为待分类图片。移动终端A对待分类图片进行数量统计，获得待分类图片的数量，将待分类图片的数量与阈值进行比较，如果待分类图片的数量大于阈值，那么从安卓系统的MediaStore类中获取每张图片的Exif信息，然后从每张图片的Exif信息中获取每张图片的拍摄时间作为每张图片的时间信息，如果没有获得图片的拍摄信息，那么可以获取图片最后一次修改时间作为所述图片的时间信息。移动终端A还可以从每张图片的Exif信息中获取每张图片的经纬度信息，然后向提供位置信息转换的第三方服务商的第三方服务器B发送地理位置获取请求，所述地理位置获取请求包括每张图片的经纬度信息。第三方服务器B根据每张图片的经纬度信息，获得每张图片的位置信息。移动终端A还可以从第三方服务器B下载第三方服务商提供的地理位置数据，从而能够在本地通过每张图片的经纬度信息查询获得每张图片的位置信息。

移动终端A可以提示尽调人员选择分类时间段和分类的位置信息，尽调人员在移动终端A录入时间段和位置信息，移动终端A将尽调人员录入的时间段作为预设时间段，并将尽调人员录入的位置信息作为预设位置。移动终端A根据预设时间段和每张图片的时间信息，获得第一类图片，然后根据预设位置和所述第一类图片的每张图片的位置信息，获得第二类图片。

移动终端A将所述第二类图片中的每张图片输入到图片分类模型X中，图片分类模型X会对每张图片进行识别，获得所述第二类图片中每张图片所属的类别。尽调人员可以从各类图片中，查看自己需要的图片，便于尽调人员快速查找到目标图片。

图片分类模型X可以在Linux系统中进行训练。在获得模型训练数据时，可以通过图片缩放为同一的尺寸，可以随机调整图像的hue值，可以随机调整图像的饱和度，随机左右镜像，以及机械能图像归一化，以提高训练获得的图片分类模型X的鲁棒性。图片分类模型X可以基于ShuffleNet模型训练获得的。ShuffleNet模型训练通过GTX 1070GPU完成，可以使用CUDA 7.5和CuDNN 5.1加速运算库，CUDA是用于并行编程模型的通用架构，结合GPU的并行计算引擎进行高效计算。CuDNN主要用于深度神经网络的GPU加速库，并且可以集成到高级机器学习框架中，具有高性能和低内存开销的优点。损失函数定义为交叉熵与权值衰减之和，训练采用随机梯度下降算法优化参数，随机梯度下降每次随机从训练集中取一个样本进行学习，从而收敛速度更快。其中，模型训练中的每张图片大小为224x224x3，每批32张，学习率可以设置为0.01。

图4是本发明第四实施例提供的基于移动终端的图片分类装置的结构示意图，如图4所示，本发明实施例提供的基于移动终端的图片分类装置包括获取模块401、第一获得模块402、第二获得模块403和分类模块404，其中：

获取模块401用于在判断获知待分类图片的数量大于阈值之后，获取所述待分类图片的属性信息；其中，所述待分类图片中每张图片的属性信息包括时间信息和位置信息；第一获得模块402用于根据预设时间段和所述待分类图片的每张图片的时间信息，获得第一类图片；第二获得模块403用于根据预设位置和所述第一类图片的每张图片的位置信息，获得第二类图片；分类模块404用于根据所述第二类图片以及图片分类模型，获得所述第二类图片中每张图片所属的类别；其中，所述图片分类模型是预先训练获得并迁移到本地的。

具体地，当需要进行图片分类时，用户可以在指定需要进行分类的图片，获取模块401将需要分类的图片作为待分类图片，统计出所述待分类图片包括的图片的数量，获得所述待分类图片的数量。获取模块401将所述待分类图片的数量与阈值进行比较，如果所述待分类图片的数量大于阈值，说明需要进行分类的图片的数量很多，那么所述移动终端会获取所述待分类图片的属性信息，以便于后续基于属性信息缩小分类的图片的范围。其中，所述待分类图片中每张图片的属性信息包括时间信息和位置信息。所述阈值根据实际经验进行设置，本发明实施例不做限定。

第一获得模块402可以获取所述待分类图片的每张图片的时间信息，然后将每张图片的时间信息与预设时间段进行比较，判断每张图片的时间信息是否在所述预设时间段内，如果所述图片的时间信息在所述预设时间段内，那么将所述图片归为第一类图片；如果所述图片的时间信息不在所述预设时间段内，那么不会将所述图片归为所述第一类图片。第一获得模块402可以获得所述第一类图片。其中，所述预设时间段可以是用户实时输入的。所述预设时间段可以是1年、一个季度或者1个月，根据实际需要进行设置，本发明实施例不做限定。可理解的是，所述第一类图片减少了需要分类的图片的数量。

第二获得模块403可以获取所述第一类图片的每张图片的位置信息，然后将每张图片的位置信息与所述预设位置信息进行比较，将位置信息与所述预设位置信息相同的图片归为第二类图片，所述移动终端可以获得所述第二类图片。其中，预设位置可以是用户实时输入的。可理解的是，所述第二类图片进一步减少了需要分类的图片的数量。

分类模块404将所述第二类图片中的每张图片输入到图片分类模型中，所述图片分类模型会对每张图片进行识别，获得所述第二类图片中每张图片所属的类别。其中，所述图片分类模型是预先训练获得并迁移到所述移动终端的。图片的类别是预设的，根据实际需要进行设置，本发明实施例不做限定。

本发明实施例提供的基于移动终端的图片分类装置，能够在判断获知待分类图片的数量大于阈值之后，获取待分类图片的属性信息，根据预设时间段和待分类图片的每张图片的时间信息，获得第一类图片，根据预设位置和第一类图片的每张图片的位置信息，获得第二类图片，根据第二类图片以及图片分类模型，获得第二类图片中每张图片所属的类别，能够在移动终端应用图片分类模型进行图片的分类，提高了图片分类的准确性。此外，由于对通过图片分类模型进行分类的图片进行数量限制，提高了图片的分类效率。

图5是本发明第五实施例提供的基于移动终端的图片分类装置的结构示意图，如图5所示，在上述各实施例的基础上，进一步地，第一获得模块402包括第一获取单元4021和第二获取单元4022，其中：

第一获取单元4021用于获取每张图片的Exif信息；第二获取单元4022用于从每张图片的Exif信息中获取每张图片的拍摄时间，作为每张图片的时间信息。

图6是本发明第六实施例提供的基于移动终端的图片分类装置的结构示意图，如图6所示，在上述各实施例的基础上，进一步地，本发明实施例提供的基于移动终端的图片分类装置还包括第三获取单元4023，其中：

第三获取单元4023用于若从所述图片的Exif信息中没有获得所述图片的拍摄时间，则获取所述图片的最后一次修改时间作为所述图片的时间信息。

图7是本发明第七实施例提供的基于移动终端的图片分类装置的结构示意图，如图7所示，在上述各实施例的基础上，进一步地，第二获得模块403包括第四获取单元4031、发送单元4032和接收单元4033，其中：

第四获取单元4031用于获取每张图片的Exif信息，并从每张图片的Exif信息中获取每张图片的经纬度信息；发送单元4032用于向第三方服务器发送地理位置获取请求，所述地理位置获取请求包括每张图片的经纬度信息；接收单元4033用于接收所述第三方服务器返回的响应结果，所述响应结果包括每张图片的位置信息。

在上述各实施例的基础上，进一步地，所述图片分类模型是基于ShuffleNet模型训练获得的。

图8是本发明第八实施例提供的基于移动终端的图片分类装置的结构示意图，如图8所示，在上述各实施例的基础上，进一步地，本发明实施例提供的基于移动终端的图片分类装置还包括预处理模块405，其中：

预处理模块405用于在获得第二类图片之后，对所述第二类图片进行预处理。

图9是本发明第九实施例提供的基于移动终端的图片分类装置的结构示意图，如图9所示，在上述各实施例的基础上，进一步地，本发明实施例提供的基于移动终端的图片分类装置还包括判断模块406，其中：

判断模块406用于在判断获知待分类图片的数量小于等于阈值，则根据所述待分类图片以及所述图片分类模型，获得所述待分类图片中每张图片所属的类别。

本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。

图10是本发明一实施例提供的电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1001、通信接口(Communications Interface)1002、存储器(memory)1003和通信总线1004，其中，处理器1001，通信接口1002，存储器1003通过通信总线1004完成相互间的通信。处理器1001可以调用存储器1003中的逻辑指令，以执行如下方法：若判断获知待分类图片的数量大于阈值，则获取所述待分类图片的属性信息；其中，所述待分类图片中每张图片的属性信息包括时间信息和位置信息；根据预设时间段和所述待分类图片的每张图片的时间信息，获得第一类图片；根据预设位置和所述第一类图片的每张图片的位置信息，获得第二类图片；根据所述第二类图片以及图片分类模型，获得所述第二类图片中每张图片所属的类别；其中，所述图片分类模型是预先训练获得并迁移到本地的。

此外，上述的存储器1003中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：若判断获知待分类图片的数量大于阈值，则获取所述待分类图片的属性信息；其中，所述待分类图片中每张图片的属性信息包括时间信息和位置信息；根据预设时间段和所述待分类图片的每张图片的时间信息，获得第一类图片；根据预设位置和所述第一类图片的每张图片的位置信息，获得第二类图片；根据所述第二类图片以及图片分类模型，获得所述第二类图片中每张图片所属的类别；其中，所述图片分类模型是预先训练获得并迁移到本地的。

本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：若判断获知待分类图片的数量大于阈值，则获取所述待分类图片的属性信息；其中，所述待分类图片中每张图片的属性信息包括时间信息和位置信息；根据预设时间段和所述待分类图片的每张图片的时间信息，获得第一类图片；根据预设位置和所述第一类图片的每张图片的位置信息，获得第二类图片；根据所述第二类图片以及图片分类模型，获得所述第二类图片中每张图片所属的类别；其中，所述图片分类模型是预先训练获得并迁移到本地的。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。