阅读说明：本技术 一种图像选取方法、装置、存储介质及终端 (Image selection method and device, storage medium and terminal ) 是由 贾川民 于 2020-06-29 设计创作，主要内容包括：本发明公开了一种图像选取方法、装置、存储介质及终端,所述方法包括：对第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识,得到对应的标识信息；响应于用户的选取指定类别图像的第一选取指令,根据标识信息从第二图像库中选取至少一个指定图像,作为用户选取出的指定图像,因此,采用本申请实施例,由于引入了能够对第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识的标识信息,因此,能够根据上述标识信息对选取的指定图像进行精准标引,快速且智能地从第二图像库中选取至少一个指定图像,作为用户选取出的指定图像。(The invention discloses an image selection method, an image selection device, a storage medium and a terminal, wherein the method comprises the following steps: identifying each second image, the corresponding image category and the mapping relation between each second image and the corresponding image category in the second image library to obtain corresponding identification information; in response to a first selection instruction of a user for selecting an image of a designated category, at least one designated image is selected from the second image library according to the identification information and is used as the designated image selected by the user.)

一种图像选取方法、装置、存储介质及终端

技术领域

本发明涉及图像处理技术领域，特别涉及一种图像选取方法、装置、存储介质及终端。

背景技术

基于诸如图像采集装置，例如，摄像头等图像采集装置在各种场所的广泛应用，例如，家庭、办公场所、商场等场所的广泛实用，能够获取到大量的图像数据。

与此同时，在摄像头等图像采集装置大量且多点部署的场景下，用户获取到大量图像数据，如果用户想要从上述大量图像数据中选取某一指定类别的图像，需要人工手动选取，这样，选取图像的过程过于繁琐，也往往引入用户的个人喜好倾向，具有不确定性。

或者，从上述大量图像数据中随机选择某一图像，这样，选取出的图像往往并不是用户指定类别的图像，这样，用户无法从上述大量图像数据中快速且智能地选取出指定类别的任意一个图像。

发明内容

本申请实施例提供了一种图像选取方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本申请实施例提供了一种图像选取方法，所述方法包括：

由多个图像采集装置采集到的多个第一图像构建第一图像库；

根据预处理模型，对所述第一图像库中的各个第一图像进行预处理，得到对应的第二图像，并由多个第二图像构建第二图像库；

根据用于对图像进行分类的预设神经网络模型，对所述第二图像库中的各个第二图像进行分类，得到对应的图像类别；

对所述第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识，得到对应的标识信息；

响应于用户的选取指定类别图像的第一选取指令，根据所述标识信息从所述第二图像库中选取至少一个指定图像，作为用户选取出的指定图像。

第二方面，本申请实施例提供了一种图像选取装置，所述装置包括：

第一图像库构建模块，用于由多个图像采集装置采集到的多个第一图像构建第一图像库；

预处理模块，用于根据预处理模型，对所述第一图像库中的各个第一图像进行预处理，得到对应的第二图像；

第二图像库构建模块，用于由所述预处理模块预处理得到的多个第二图像组成第二图像库；

图像分类模块，用于根据用于对图像进行分类的预设神经网络模型，对所述第二图像库中的各个第二图像进行分类，得到对应的图像类别；

标识模块，用于对所述第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识，得到对应的标识信息；

图像选取模块，用于响应于用户的选取指定类别图像的第一选取指令，根据所述标识信息从所述第二图像库中选取至少一个指定图像，作为用户选取出的指定图像。

第三方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。

第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。

本申请实施例提供的技术方案可以包括以下有益效果：

在本申请实施例中，对第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识，得到对应的标识信息；响应于用户的选取指定类别图像的第一选取指令，根据标识信息从第二图像库中选取至少一个指定图像，作为用户选取出的指定图像。由于本申请引入了能够对第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识的标识信息，因此，能够根据上述标识信息对选取的指定图像进行精准标引，快速且智能地从第二图像库中选取至少一个指定图像，作为用户选取出的指定图像。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是本申请实施例提供的一种图像选取方法的流程示意图；

图2是本申请实施例提供的一种图像选取装置的结构示意图；

图3是本申请实施例提供的一种终端的结构示意图。

具体实施方式

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

到目前为止，现有的指定类别图像选取方法，要不是人工选取图像，这样图像选取的选取过程过于繁琐，耗时且耗力；要不是随机选取图像，这样，选取出的图像往往并不是用户指定种类的图像，图像选取的准确率低。为此，本申请提供了一种图像选取方法、装置、存储介质及终端，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，对第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识，得到对应的标识信息；响应于用户的选取指定类别图像的第一选取指令，根据标识信息从第二图像库中选取至少一个指定图像，作为用户选取出的指定图像。由于本申请引入了能够对第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识的标识信息，因此，能够根据上述标识信息对选取的指定图像进行精准标引，快速且智能地从第二图像库中选取至少一个指定图像，作为用户选取出的指定图像，下面采用示例性的实施例进行详细说明。

下面将结合附图1，对本申请实施例提供的图像选取方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于图像选取装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。其中，本申请实施例中的图像选取装置可以为用户终端，包括但不限于：个人电脑、平板电脑、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中用户终端可以叫做不同的名称，例如：用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personaldigital assistant，PDA)、5G网络或未来演进网络中的终端设备等。

请参见图1，为本申请实施例提供了一种图像选取方法的流程示意图。如图1所示，本申请实施例的图像选取方法可以包括以下步骤：

S101，由多个图像采集装置采集到的多个第一图像构建第一图像库。

在本步骤中，多个第一图像由分别布置在预设区域的多个图像采集装置采集得到、且多个图像采集装置之间无重叠采集区域。

在实际应用场景中，图像采集装置可以为具有拍摄功能的摄像头。

例如，在某一具体应用场景中，某小区布置有二十台摄像头，这样，布置在该小区的二十台摄像头可以采集到多个第一图像，且上述二十台摄像头之间无重叠采集区域，这样，避免出现第一图像库中的任意第一图像与其它第一图像之间的重复采集图像的现象。

在此步骤中，第一图像库中的各个第一图像为图像采集装置采集到的原始图像，未经过任何图像处理的图像。

S102，根据预处理模型，对第一图像库中的各个第一图像进行预处理，得到对应的第二图像，并由多个第二图像构建第二图像库。

在一种可能的实现方式中，预处理模型包括能够突出关键信息要素集合中的至少一项关键信息要素的第一预处理模型，根据预处理模型，对第一图像库中的各个第一图像进行预处理，得到对应的第二图像包括以下步骤：

根据第一预处理模型，对第一图像库中的各个第一图像进行第一预处理，得到对应的至少突出一项关键信息要素的第二图像，第一预处理为用于突出至少一项关键信息要素的预处理。

在此步骤中，至少一项关键信息要素至少包括以下一项：

第一图像中的主体物体的特征信息要素、第一图像中的主体物体的面部表情信息要素、第一图像中的主体物体的配饰信息要素。

除了上述关键信息要素之外，还可以为其它关键信息要素，在此，对关键信息要素的内涵不做具体限制。

在某一具体场景中，在第一图像为一只白色加菲猫的图片时，一项关键信息要素可以为：突出该白色加菲猫的白色毛发对应的毛发特征信息要素，则通过用于突出该毛发特征信息要素的第一预处理过程，将该图片的背景色做滤镜处理，得到对应的第二图像。

在第二图像中，背景色的蓝色底色，跟图片中的加菲猫的白色毛发形成鲜明对应，突出了该加菲猫的雪白白色毛发。

上述的第一预处理过程仅仅是示例，在此不再赘述。可以根据不同具体应用场景的需求，对第一预处理模型对应的第一预处理过程进行调整，在此不再赘述。

需要说明的是，第一预处理模型是根据常规的模型构建方法建立起来的模型，在此对构建模型的方法不做赘述。一般构建模型的方法包括训练集合和测试集合。根据训练集合中的图像数据构建出最初训练模型，再根据测试集合中的图像数据对最初训练模型进行测试，并不断修正，得到修正后的训练模型。

在一种可能的实现方式中，在根据第一预处理模型，对第一图像库中的各个第一图像进行预处理之前，所述方法还包括以下步骤：

读取至少一项关键信息要素；

其中，关键信息要素至少包括以下一项：

第一图像中的主体物体的特征信息要素、第一图像中的主体物体的面部表情信息要素、第一图像中的主体物体的配饰信息要素。

除了上述关键信息要素之外，还可以为其它关键信息要素，在此，对关键信息要素的内涵不做具体限制。针对上述关键信息要素的描述烦请参见前述描述，在此不再赘述。

在另一种可能的实现方式中，预处理模型包括能够去掉至少一个无关联背景物体和/或背景人的第二预处理模型，根据预处理模型，对第一图像库中的各个第一图像进行预处理，得到对应的第二图像还包括以下步骤：

根据第二预处理模型，对第一图像库中的各个第一图像进行第二预处理，得到对应的去掉至少一个背景物体和/或背景人的第二图像，第二预处理为用于去掉至少一个无关联背景物体和/或背景人的预处理。

在某一具体应用场景中，在当前第一图像中包括至少一个无关联背景物体和/或背景人时，例如，在当前第一图像为包括无关联背景物体，一个水杯的情况下，根据第二预处理模型对当前第一图像进行第二预处理，去掉该水杯，并替换成用户选取的完整背景图片，最终得到去掉无关联背景物体(水杯)的第二图像。

上述仅仅示例了某一应用场景下，水杯为无关联背景物体的应用场景。在其它应用场景下，无关联背景物体还可以为鲜花，或者，风扇等与第一图像中的主体物体无任何关联的背景物体，在此不再赘述。

需要说明的是，第二预处理模型是根据常规的模型构建方法建立起来的模型，在此对构建模型的方法不做赘述。一般构建模型的方法包括训练集合和测试集合。根据训练集合中的图像数据构建出最初训练模型，再根据测试集合中的图像数据对最初训练模型进行测试，并不断修正，得到修正后的训练模型。

上述仅仅列举了两种预处理过程，除了上述罗列的两种预处理过程之外，还可以为其它预处理过程，在此不再一一赘述。

S103，根据用于对图像进行分类的预设神经网络模型，对第二图像库中的各个第二图像进行分类，得到对应的图像类别。

在此步骤中，预设神经网络模型是基于VGG模型构建的神经网络模型，该模型的分类精准率更加精准，能够从第二图像库中精准地对图像进行分类，例如，哪些图片均是属于汽车这一类的图片，哪些图片均是属于宠物狗这一类的图片。

由于VGG模型的网络层数更多以及卷积核更小，能够提取到更多的图像特征，进而提高了图片分类的精准率。但是，由于VGG模型网络复杂度较高，因此，构建模型的训练过程也更长，此外，对计算机硬件性能的要求也更高。

在具体应用场景中，可以根据第二图像库中的第二图像的数量，选择不同的预设神经网络模型。例如，在第二图像库中的第二图像的数量并不多，且对图像分类的识别准确率要求较高的情况下，可以选择上述VGG模型。

在实际应用中，VGG模型具有以下优点：

小卷积核；将卷积核全部替换为3x3(极少用了1x1)；

小池化核；相比AlexNet的3x3的池化核，VGG全部为2x2的池化核；

层数更深特征图更宽；由于卷积核专注于扩大通道数、池化专注于缩小宽和高，使得模型架构上更深更宽的同时，计算量的增加放缓；

全连接转卷积；网络测试阶段将训练阶段的三个全连接替换为三个卷积，测试重用训练时的参数，使得测试得到的全卷积网络因为没有全连接的限制，因而，可以接收任意宽或高为的输入。

在另一种具体应用场景中，在第二图像库中的第二图像的数量比较多，且对图像分别的识别准确率要求并不高的情况下，可以选择优化的卷积神经网络。例如，将卷积神经网络输入层的图片设置为预设大小的图片，通过卷积层对图片进行特征提取，池化层降低图像维度。在此，对图片的第一预设大小并不做具体限制。第2层卷积的输入是第1层卷积的输出，大小为第二预设大小，在此，对第二预设大小也不做具体限制。卷积层3至5层结构相同，均不再采用卷积层后接池化层的链接方式，而采用全卷积方式，尽可能多的提取图像特征。传入全连接层前，先对上一层得到的数据进行扁平化处理，把多维输入一维化，使全连接层链接效果更好。输出层的神经节点数是根据实际分类需求来确定的。此外，还对分类流程不断进行优化，对分类流程进行优化的方法为常规方法，在此不再赘述。

S104，对第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识，得到对应的标识信息。

在此步骤中，标识信息除了上述信息之外，为了实现对各个第二图像的精准定位，还可以对图像采集装置进行图像采集的时间信息进行标识；时间信息可以具体到：某一天的某一个时刻。

又例如，对图像采集装置进行图像采集的地址信息进行标识：地址信息可以具体到：某一个小区的某个建筑物内。

S105，响应于用户的选取指定类别图像的第一选取指令，根据标识信息从第二图像库中选取至少一个指定图像，作为用户选取出的指定图像。

在实际应用中，选取出的指定图像可以为一张，也可以为多张，在此对指定图像的数量不做具体限制。

在一种可能的实现方式中，在根据标识信息从第二图像库中选取至少一个指定图像之后，所述方法还包括步骤：

响应于用户的选取指定显示设备的第二选取指令，将选取的至少一个指定图像显示于对应的显示设备，其中，第二选择指令中携带有指定显示设备的MAC地址信息。

在此步骤中，可以通过显示设备的MAC地址信息实现对指定显示设备的精准定位。

在一种可能的实现方式中，将选取的至少一个指定图像显示于对应的显示设备包括以下步骤：

在指定图像的数量为两个或两个以上的情况下，分别计算各个指定图像的权重值；

根据各个指定图像的图像权重值，对各个指定图像进行排序；

根据图像排序与图像在指定显示设备上的显示位置的对应关系，将各个指定图像显示于指定显示设备的对应位置上。

在实际应用中，在选取的指定图像为两张或两张以上时，对各个指定图像的权重值进行计算的方法为常规常规方法，在此不再赘述。

在得到各个指定图像的权重值之后，对各个指定图像的权重值进行排序。在实际应用中，将指定图像的权重值最大的第一指定图像排在最前面，并将该权重值对应的指定图像显示于指定显示设备的中央区域，而将权重值最小的第二指定图像显示于指定显示设备的边界区域，例如，上边界，或者，下边界，或者左边界，或者右边界。在此仅仅示例了一种显示方法，还可以有其它显示方式，例如，将权重值最大的第一指定图像显示于指定显示设备的最上层，而将权重值最小的第二指定图像显示于第一指定图像的下一层，为了避免图像之间的互相遮挡，可以对各个图像的显示图层的透明度进行设置，例如，透明度设置成百分之五十，还可以根据不同应用场景，对显示方法进行修改，在此不再赘述。

在本申请实施例中，对第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识，得到对应的标识信息；响应于用户的选取指定类别图像的第一选取指令，根据标识信息从第二图像库中选取至少一个指定图像，作为用户选取出的指定图像，由于本申请引入了能够对第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识的标识信息。因此，能够根据上述标识信息对选取的指定图像进行精准标引，快速且智能地从第二图像库中选取至少一个指定图像，作为用户选取出的指定图像。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

请参见图2，其示出了本发明一个示例性实施例提供的图像选取装置的结构示意图。该图像选取装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该图像选取装置包括第一图像库构建模块10、预处理模块20、第二图像库构建模块30、图像分类模块40、标识模块50和图像选取模块60。

具体而言，第一图像库构建模块10，用于由多个图像采集装置采集到的多个第一图像构建第一图像库；

预处理模块20，用于根据预处理模型，对第一图像库中的各个第一图像进行预处理，得到对应的第二图像；

第二图像库构建模块30，用于由预处理模块20预处理得到的多个第二图像构建第二图像库；

图像分类模块40，用于根据用于对图像进行分类的预设神经网络模型，对第二图像库中的各个第二图像进行分类，得到对应的图像类别；

标识模块50，用于对第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识，得到对应的标识信息；

图像选取模块60，用于响应于用户的选取指定类别图像的第一选取指令，根据标识信息从第二图像库中选取至少一个指定图像，作为用户选取出的指定图像。

可选的，预处理模型包括能够突出关键信息要素集合中的至少一项关键信息要素的第一预处理模型，预处理模块20具体用于：

根据第一预处理模型，对第一图像库中的各个第一图像进行第一预处理，得到对应的至少突出一项关键信息要素的第二图像，第一预处理为用于突出至少一项关键信息要素的预处理。

可选的，所述装置还包括：

读取模块(在图2中未示出)，用于在预处理模块20根据第一预处理模型，对第一图像库中的各个第一图像进行预处理之前，读取至少一项关键信息要素；其中，读取模块读取出的关键信息要素至少包括以下一项：第一图像中的主体物体的特征信息要素、第一图像中的主体物体的面部表情信息要素、第一图像中的主体物体的配饰信息要素。

可选的，预处理模型包括能够去掉至少一个无关联背景物体和/或背景人的第二预处理模型，预处理模块20还具体用于：

根据第二预处理模型，对第一图像库中的各个第一图像进行第二预处理，得到对应的去掉至少一个背景物体和/或背景人的第二图像，第二预处理为用于去掉至少一个无关联背景物体和/或背景人的预处理。

可选的，所述装置还包括：

显示装置，用于在图像选取模块60根据标识信息从第二图像库中选取至少一个指定图像之后，响应于用户的选取指定显示设备的第二选取指令，将选取的至少一个指定图像显示于对应的显示设备，其中，第二选择指令中携带有指定显示设备的MAC地址信息。

可选的，显示模块具体用于：

在指定图像的数量为两个或两个以上的情况下，分别计算各个指定图像的权重值；

根据各个指定图像的图像权重值，对各个指定图像进行排序；

根据图像排序与图像在指定显示设备上的显示位置的对应关系，将各个指定图像显示于指定显示设备的对应位置上。

可选的，多个第一图像由分别布置在预设区域的多个图像采集装置采集得到、且多个图像采集装置之间无重叠采集区域。

需要说明的是，上述实施例提供的图像选取装置在执行图像选取方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的图像选取装置与图像选取方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

在本申请实施例中，标识模块对第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识，得到对应的标识信息；图像选取模块响应于用户的选取指定类别图像的第一选取指令，根据标识信息从第二图像库中选取至少一个指定图像，作为用户选取出的指定图像。由于本申请引入了能够对第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识的标识信息，因此，能够根据上述标识信息对选取的指定图像进行精准标引，快速且智能地从第二图像库中选取至少一个指定图像，作为用户选取出的指定图像。

本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的图像选取方法。

本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例所述的图像选取方法。

请参见图3，为本申请实施例提供了一种终端的结构示意图。如图3所示，所述终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。

其中，通信总线1002用于实现这些组件之间的连接通信。

其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。

其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。

其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(ProgrammableLogic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。

其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图3所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及图像选取应用程序。

在图3所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的图像选取应用程序，并具体执行以下操作：

由多个图像采集装置采集到的多个第一图像构建第一图像库；

根据预处理模型，对第一图像库中的各个第一图像进行预处理，得到对应的第二图像，并由多个第二图像构建第二图像库；

根据用于对图像进行分类的预设神经网络模型，对第二图像库中的各个第二图像进行分类，得到对应的图像类别；

对第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识，得到对应的标识信息；

响应于用户的选取指定类别图像的第一选取指令，根据标识信息从第二图像库中选取至少一个指定图像，作为用户选取出的指定图像。

在一个实施例中，预处理模型包括能够突出关键信息要素集合中的至少一项关键信息要素的第一预处理模型，所述处理器1001在执行所述根据预处理模型，对第一图像库中的各个第一图像进行预处理，得到对应的第二图像时，具体执行以下操作：

根据第一预处理模型，对第一图像库中的各个第一图像进行第一预处理，得到对应的至少突出一项关键信息要素的第二图像，第一预处理为用于突出至少一项关键信息要素的预处理。

在一个实施例中，所述处理器1001在执行在根据第一预处理模型，对第一图像库中的各个第一图像进行预处理之前，还执行以下操作：

读取至少一项关键信息要素；

其中，关键信息要素至少包括以下一项：

第一图像中的主体物体的特征信息要素、第一图像中的主体物体的面部表情信息要素、第一图像中的主体物体的配饰信息要素。

在一个实施例中，预处理模型包括能够去掉至少一个无关联背景物体的第二预处理模型，所述处理器1001在执行所述根据预处理模型，对第一图像库中的各个第一图像进行预处理，得到对应的第二图像时，还具体执行以下操作：

根据第二预处理模型，对第一图像库中的各个第一图像进行第二预处理，得到对应的去掉至少一个背景物体的第二图像，第二预处理为用于去掉至少一个无关联背景物体的预处理。

在一个实施例中，所述处理器1001在执行在所述根据标识信息从第二图像库中选取至少一个指定图像之后，还执行以下操作：

响应于用户的选取指定显示设备的第二选取指令，将选取的至少一个指定图像显示于对应的显示设备，其中，第二选择指令中携带有指定显示设备的MAC地址信息。

在一个实施例中，所述处理器1001在执行所述将选取的至少一个指定图像显示于对应的显示设备时，具体执行以下操作：

在指定图像的数量为两个或两个以上的情况下，分别计算各个指定图像的权重值；

根据各个指定图像的图像权重值，对各个指定图像进行排序；

根据图像排序与图像在指定显示设备上的显示位置的对应关系，将各个指定图像显示于指定显示设备的对应位置上。

在一个实施例中，多个第一图像由分别布置在预设区域的多个图像采集装置采集得到、且多个图像采集装置之间无重叠采集区域。

在本申请实施例中，对第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识，得到对应的标识信息；响应于用户的选取指定类别图像的第一选取指令，根据标识信息从第二图像库中选取至少一个指定图像，作为用户选取出的指定图像，由于本申请引入了能够对第二图像库中的各个第二图像、对应的图像类别以及各个第二图像和对应的图像类别之间的映射关系进行标识的标识信息。因此，能够根据上述标识信息对选取的指定图像进行精准标引，快速且智能地从第二图像库中选取至少一个指定图像，作为用户选取出的指定图像。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，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。

以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。