CN109740510B - 用于输出信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于输出信息的方法和装置。上述方法的一具体实施方式包括：获取目标图像；对目标图像进行目标识别，确定目标图像中包括的对象；基于识别出的对象，生成用于描述目标图像的语句。该实施方式可以对图像进行人脸识别和物体识别，并生成用于描述图像的语句。

Description

用于输出信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于输出信息的方法和装置。

背景技术

在日常生活中，猫眼应用广泛，智能猫眼也越来越普及。如果利用猫眼获取的图像进行人物、物体识别，并且对图像进行理解分析，是目前的研究热点。

发明内容

本申请实施例提出了用于输出信息的方法和装置。

第一方面，本申请实施例提供了一种用于输出信息的方法，包括：获取目标图像；对上述目标图像进行目标识别，确定上述目标图像中包括的对象；基于识别出的对象，生成用于描述上述目标图像的语句。

在一些实施例中，对象包括人和/或物体；以及上述基于识别出的对象，生成用于描述上述图像集合的语句，包括：确定上述目标图像是否满足以下至少一项条件：包括至少两个人、包括至少一个人和至少一个物体；响应于确定上述目标图像满足以上至少一项条件，确定上述对象之间的距离以及上述对象在上述目标图像中所占的位置；根据上述距离和上述位置，确定上述对象之间的亲密指数；根据上述对象、上述亲密指数，生成用于描述上述目标图像的语句。

在一些实施例中，根据上述距离和位置，确定上述对象之间的亲密指数，包括：根据上述距离，确定第一权重系数；根据上述位置，确定上述对象之间的交集面积和并集面积；根据上述交集面积以及上述并集面积，确定第二权重系数；基于上述第一权重系数以及上述第二权重系数，确定上述亲密指数。

在一些实施例中，上述根据上述对象、上述亲密指数，生成用于描述上述目标图像的语句，包括：根据上述对象、上述亲密指数，生成至少两个语句；对生成的至少两个语句进行评分，将评分最高的语句作为用于描述上述目标图像的语句。

在一些实施例中，上述获取目标图像，包括：响应于检测到预设物体的预设距离内存在对象，确定检测到的对象的停留时间；响应于确定上述停留时间大于或等于预设阈值，利用安装在上述预设物体上的图像采集装置获取包括检测到的对象的图像集合；从上述图像集合中确定出目标图像。

在一些实施例中，上述方法还包括：将所生成的语句转换成语音以及输出上述语音。

在一些实施例中，上述方法还包括：获取用户的提问语句；根据上述提问语句以及预设的对话库，确定用于回答上述提问语句的回答语句模板；根据上述目标图像、识别出的对象以及上述回答语句模板，得到回答语句；输出上述回答语句。

第二方面，本申请实施例提供了一种用于输出信息的装置，包括：图像获取单元，被配置成获取目标图像；对象识别单元，被配置成对上述目标图像进行目标识别，确定上述目标图像中包括的对象；语句生成单元，被配置成基于识别出的对象，生成用于描述上述目标图像的语句。

在一些实施例中，对象包括人和/或物体；以及上述语句生成单元包括：判断模块，被配置成确定上述目标图像是否满足以下至少一项条件：包括至少两个人、包括至少一个人和至少一个物体；确定模块，被配置成响应于确定上述目标图像满足以上至少一项条件，确定上述对象之间的距离以及上述对象在上述目标图像中所占的位置；计算模块，被配置成根据上述距离和上述位置，确定上述对象之间的亲密指数；生成模块，被配置成根据上述对象、上述亲密指数，生成用于描述上述目标图像的语句。

在一些实施例中，上述计算模块进一步被配置成：根据上述距离，确定第一权重系数；根据上述位置，确定上述对象之间的交集面积和并集面积；根据上述交集面积以及上述并集面积，确定第二权重系数；基于上述第一权重系数以及上述第二权重系数，确定上述亲密指数。

在一些实施例中，上述生成模块进一步被配置成：根据上述对象、上述亲密指数，生成至少两个语句；对生成的至少两个语句进行评分，将评分最高的语句作为用于描述上述目标图像的语句。

在一些实施例中，上述图像获取单元进一步被配置成：响应于检测到预设物体的预设距离内存在对象，确定检测到的对象的停留时间；响应于确定上述停留时间大于或等于预设阈值，利用安装在上述预设物体上的图像采集装置获取包括检测到的对象的图像集合；从上述图像集合中确定出目标图像。

在一些实施例中，上述装置还包括：转换单元，被配置成将所生成的语句转换成语音以及输出上述语音。

在一些实施例中，上述装置还包括回答单元，被配置成：获取用户的提问语句；根据上述提问语句以及预设的对话库，确定用于回答上述提问语句的回答语句模板；根据上述目标图像、识别出的对象以及上述回答语句模板，得到回答语句；输出上述回答语句。

第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面任一实施例所描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面任一实施例所描述的方法。

本申请的上述实施例提供的用于输出信息的方法和装置，首先，可以获取目标图像。然后，对目标图像进行人脸识别和物体识别，确定目标图像中包括的对象识别。最后，基于识别出的对象，生成用于描述目标图像的语句。本实施例的方法，可以对图像进行人脸识别和物体识别，并生成用于描述图像的语句。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性***架构图；

图2是根据本申请的用于输出信息的方法的一个实施例的流程图；

图3是根据本申请的用于输出信息的方法的一个应用场景的示意图；

图4是根据本申请的用于输出信息的方法的又一个实施例的流程图；

图5是根据本申请的用于输出信息的方法的另一个应用场景的示意图；

图6是根据本申请的用于输出信息的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的服务器的计算机***的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

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组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于输出信息的方法或用于输出信息的装置的实施例的示例性***架构100。

如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、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。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以连接有各种电子装置，例如扬声器、图像采集装置等。终端设备101、102、103上可以安装有各种通讯类应用，如图像显示类应用、语音播放类应用。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有拍照功能的各种电子设备，包括但不限于智能猫眼、智能手机、平板电脑、智能相机、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103所拍摄的图像进行处理的后台服务器。后台服务器可以对接收到的图像等数据进行分析等处理，并将处理结果(例如用于描述图像的语句)反馈给终端设备101、102、103。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于输出信息的方法一般由服务器105执行，相应地，用于输出信息的装置一般设置于服务器105中。

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。

继续参考图2，示出了根据本申请的用于输出信息的方法的一个实施例的流程200。本实施例的用于输出信息的方法，包括以下步骤：

步骤201，获取目标图像。

在本实施例中，用于输出信息的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从终端设备(例如图1所示的终端设备101、102、103)处接收目标图像。上述目标图像中可以包括人和/或物体。

在本实施例的一些可选的实现方式中，上述步骤201具体可以通过图2中未示出的以下步骤来实现：响应于检测到预设物体的预设距离内存在对象，确定检测到的对象的停留时间。响应于确定停留时间大于或等于预设阈值，利用安装在预设物体上的图像采集装置获取包括检测到的对象的图像集合。从图像集合中确定出目标图像。

本实现方式中，上述预设物体可以是门板。门板上可以安装有传感器。当传感器在检测到门板的预设距离(例如0.5米)内存在对象时，可以确定检测到的对象的停留时间。当确定对象的停留时间大于或等于预设阈值(例如30秒)，可以控制安装在门板上的图像采集装置获取图像集合。上述图像集合中包括传感器检测到的对象。上述图像采集装置可以安装在门板的猫眼中。图像采集装置在采集图像集合后，可以将上述图像集合发送给执行主体。执行主体可以从上述图像集合中确定出目标图像。目标图像可以是图像集合中的任意一张图像。

步骤202，对目标图像进行目标识别，确定目标图像中包括的对象。

执行主体在得到目标图像后，可以对目标图像进行目标识别。执行主体可以通过基于深度学习的目标检测与识别算法来进行目标识别，例如基于区域建议的目标检测与识别算法、基于回归的目标检测与识别算法、基于搜索的目标检测与识别算法等。目标识别可以包括但不限于人脸识别、物体识别。通过目标识别，执行主体可以确定目标图像中包括的对象。上述对象可以包括但不限于人和物体。上述基于区域建议的目标检测与识别算法可以包括卷积神经网络，已训练的卷积神经网络可以识别出指定用户的熟悉的人和陌生的人。

步骤203，基于识别出的对象，生成用于描述目标图像的语句。

执行主体在确定目标图像中包括的对象后，可以生成用于描述目标图像的语句。例如，执行主体可以将目标图像中包括的对象列出来。或者，执行主体可以在目标图像中包括的对象添加某些词，组成一句话。举例来说，执行主体识别出目标图像中包括小A和一束花，执行主体可以生成语句“识别到小A和花”，或者执行主体可以生成语句“小A手捧着一束花在外面”。

继续参见图3，图3是根据本实施例的用于输出信息的方法的一个应用场景的示意图。在图3的应用场景中，用户在门板上安装了智能猫眼。朋友小A带着一束花到用户家中做客。小A在门外停留时间超过30秒后，智能猫眼中的摄像头拍摄了一张小A和花的图像。然后，将上述图像上传到云端。云端的服务器在对上述图像进行人脸识别和物体识别后，生成语句“小A带着一束花来做客啦”。云端还可以将上述语句转化成音频，并通过智能猫眼中的扬声器播放。

本申请的上述实施例提供的用于输出信息的方法，首先，可以获取目标图像。然后，对目标图像进行人脸识别和物体识别，确定目标图像中包括的对象识别。最后，基于识别出的对象，生成用于描述目标图像的语句。本实施例的方法，可以对图像进行人脸识别和物体识别，并生成用于描述图像的语句。

继续参见图4，其示出了根据本申请的用于输出信息的方法的另一个实施例的流程400。如图4所示，本申请的用于输出信息的方法，包括以下步骤：

步骤401，获取目标图像。

步骤402，对目标图像进行目标识别，确定目标图像中包括的对象。

步骤403，确定目标图像是否满足以下至少一项条件：包括至少两个人、包括至少一个人和至少一个物体。

本实施例中，执行主体在确定出目标图像包括的对象后，可以检测目标图像中的对象是否满足以下条件：包括至少两个人、包括至少一个人和至少一个物体。如果满足以上至少一项条件，则可以执行步骤404。

步骤404，响应于确定目标图像满足以上至少一项条件，确定对象之间的距离以及对象在目标图像中所占的位置。

如果执行主体确定目标图像满足步骤403中的至少一项条件，可以确定目标图像中各对象之间的距离，还可以确定各对象在目标图像中的位置。执行主体可以通过各种方式来确定对象之间的距离。例如，当目标图像为深度图像时，执行主体可以直接根据各像素对应的深度值，来确定各对象的深度值。进而根据各对象的深度值来确定各对象之间的距离。或者，执行主体还可以根据连续拍摄的多张图像来确定图像中各对象之间的距离。执行主体可以利用已训练的机器学习模型识别图像中的人或物体，并将所识别出的人或物体进行标注。执行主体可以将标注框所覆盖的位置作为对象在目标图像中所占的位置。

步骤405，根据距离和位置，确定对象之间的亲密指数。

在确定各对象之间的距离以及确定各对象在目标图像中的位置后，执行主体可以确定各对象之间的亲密指数。可以理解的是，两个对象之间的距离越近，则这两个对象越亲密。两个对象在目标图像中所占的位置重合的越多，则这两个对象越亲密。

在本实施例的一些可选的实现方式中，上述步骤405具体可以通过图4中未示出的以下步骤来实现：根据距离，确定第一权重系数。根据位置，确定对象之间的交集面积和并集面积。根据交集面积以及并集面积，确定第二权重系数。基于第一权重系数以及第二权重系数，确定亲密指数。

本实现方式中，执行主体可以根据各距离，确定各第一权重系数。例如，将距离的倒数，作为第一权重系数。执行主体可以根据各对象在目标图像中所占的位置，来确定各对象之间的交集面积和并集面积。然后，根据交集面积和并集面积，来计算第二权重系数。例如，将交集面积与并集面积相除，将相除后得到的结果作为第二权重系数。在确定第一权重系数以及第二权重系数后，执行主体可以确定对象之间的亲密指数。例如，执行主体可以对第一权重系数以及第二权重系数进行加权平均，将得到的值作为亲密指数。

在本实施例的一些可选的实现方式中，执行主体可以通过以下方式来确定各对象之间的交集面积和并集面积：首先，利用已训练的卷积神经网络来识别目标图像，得到识别结果(Y₁，Y₂，…，Y_k)。其中，目标图像的尺寸为r_m*r_n*3，k表示识别出的对象的数量。然后，执行主体可以将上述卷积神经网络的最后一个卷积层输出的各特征向量(大小为m*n*c)进行插值操作，放大至与目标图像等大，得到各特征向量(F₁，F₂，…，F_k)。其中，m表示长度，n表示宽度，c表示通道数，F的尺寸为r_m*r_n*c。然后，执行主体可以获取卷积神经网络的全连接层中各识别结果(Y₁，Y₂，…，Y_k)的权重(w₁，w₂，…，w_k)(长度为c)。将特征向量(F₁，F₂，…，F_k)与对应的权重(w₁，w₂，…，w_k)相乘，得到各识别结果对应的热度图(H₁，H₂，…，H_k)。其中，热度图(H₁，H₂，…，H_k)的尺寸均为r_m*r_n*1。对每个热度图进行二值化处理，即将像素值大于阈值的结果标记为1，将像素值小于阈值的结果标记为0。利用腐蚀膨胀方法，对各热度图的空洞进行填充。则可以得到与各识别结果对应的热度图。然后根据各热度图中的像素值与坐标，就可以计算出各对象之间的交集面积和并集面积。

在本实施例的一些可选的实现方式中，执行主体可以通过以下方式来生成深度图：首先，利用相机采集视频。将视频中的第一帧图像作为参考帧图像。依次检测视频中的各帧图像与参考帧图像的角点，并进行角点匹配。并根据预设的相机内参和畸变参数，利用光束平差法最小化重投影误差，迭代得到相机的内参和外参以及特征点对应的三维空间点。根据得到的内参和外参，用平面扫描法进行稠密立体匹配，得到深度图。进一步的，还可以将参考帧图像作为引导图，对得到的深度图进行精细化。

步骤406，根据对象、亲密指数，生成至少两个语句。

执行主体可以根据所得到的对象以及计算得到的各对象之间的亲密指数，生成用于描述目标图像的语句。在本实施例中，执行主体可以生成至少两个语句。可以理解的是，不同对象之间，由于其亲密指数不同，其描述词语不同。例如，当目标图像中包括两个人，且两个人的亲密指数较小时，则执行主体可以生成语句“门外有两个人”。当两个人的亲密指数较大时，则执行主体可以生成语句“门外有两个比较亲密的人”。在一些可选的实现方式中，执行主体还可以利用已训练的机器学习模型来生成至少两个语句。上述机器学习模型可以是卷积神经网络。

步骤407，对生成的至少两个语句进行评分，将评分最高的语句作为用于描述目标图像的语句。

执行主体还可以对生成的至少两个语句进行评分，将评分最高的语句作为用于描述目标图像的语句。具体的，执行主体可以利用各种评分方式来对各语句进行评分。例如，执行主体可以根据各语句中词语的共现度来对各语句进行评分。或者根据各语句中包括的字数来对各语句进行评分。或者根据BLEU(Bilingual Evaluation understudy)评价标准来对各语句进行评分。BLEU是一种机器翻译评价指标，用于分析候选译文和参考译文中n元组共同出现的程度。

步骤408，将所生成的语句转换成语音以及输出语音。

执行主体可以将所生成的语句转换成语音，然后将上述语音输出。具体的，执行主体可以将上述语音输出值扬声器中。这样，扬声器可以播放上述语音，方便提醒用户。

在本实施例的一些可选的实现方式中，上述方法还可以进一步包括图4中未示出的以下步骤：获取用户的提问语句；根据提问语句以及预设的对话库，确定用于回答提问语句的回答语句模板；根据目标图像、识别出的对象以及回答语句模板，得到回答语句；输出回答语句。

本实现方式中，执行主体还可以连接有至少一个麦克风。麦克风可以用于采集用户的提问语句，并将采集到的提问语句发送给执行主体。执行主体在获取到上述提问语句后，可以根据上述提问语句以及预设的对话库，确定用于回答提问语句的回答语句模板。然后，执行主体可以进一步提取目标图像中的特征，并根据识别出的对象以及回答语句模板，得到回答语句。最后，将上述回答语句输出。

以图5所示的场景为例来说明，快递员敲门时，安装在门板上的智能猫眼采集目标图像。将上述目标图像发送给云端服务器。云端服务器在对目标图像进行分析后，生成语句“一个男人拿着箱子”。并将上述语句发送给智能猫眼。智能猫眼播放上述语句。并采集到用户的提问语句“是谁？”。智能猫眼将上述语句发送给云端服务器，云端服务器在获取到上述提问语句后，根据预设的对话库，提取到一个回答语句模板为“头戴XX身穿XX的XX人”。云端服务器再次提取目标图像的特征，并利用提取到的特征修改回答语句模板，得到回答语句“头戴帽子身穿灰色衣服的陌生人”。并将回答语句发给智能猫眼播放。

在本实施例的一些可选的实现方式中，智能猫眼在播放上述语句时，还可以显示目标图像，以供用户更方便的查看门外对象。

本申请的上述实施例提供的用于输出信息的方法，可以根据目标图像中各对象之间的距离以及各对象在目标图像中的位置，来生成描述语句，从而使得描述语句更准确。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于输出信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于输出信息的装置600包括：图像获取单元601、对象识别单元602以及语句生成单元603。

图像获取单元601，被配置成获取目标图像。

对象识别单元602，被配置成对目标图像进行目标识别，确定目标图像中包括的对象。

语句生成单元603，被配置成基于识别出的对象，生成用于描述目标图像的语句。

在本实施例的一些可选的实现方式中，对象包括人和/或物体。语句生成单元603可以进一步包括图6中未示出的判断模块、确定模块、计算模块以及生成模块。

判断模块，被配置成确定目标图像是否满足以下至少一项条件：包括至少两个人、包括至少一个人和至少一个物体。

确定模块，被配置成响应于确定目标图像满足以上至少一项条件，确定对象之间的距离以及对象在目标图像中所占的位置。

计算模块，被配置成根据距离和位置，确定对象之间的亲密指数。

生成模块，被配置成根据对象、亲密指数，生成用于描述目标图像的语句。

在本实施例的一些可选的实现方式中，计算模块可以进一步被配置成：根据距离，确定第一权重系数。根据位置，确定对象之间的交集面积和并集面积。根据交集面积以及并集面积，确定第二权重系数。基于第一权重系数以及第二权重系数，确定亲密指数。

在本实施例的一些可选的实现方式中，生成模块可以进一步被配置成：根据对象、亲密指数，生成至少两个语句。对生成的至少两个语句进行评分，将评分最高的语句作为用于描述目标图像的语句。

在本实施例的一些可选的实现方式中，图像获取单元可以进一步被配置成：响应于检测到预设物体的预设距离内存在对象，确定检测到的对象的停留时间。响应于确定停留时间大于或等于预设阈值，利用安装在预设物体上的图像采集装置获取包括检测到的对象的图像集合。从图像集合中确定出目标图像。

在本实施例的一些可选的实现方式中，上述装置600还可以进一步包括图6中未示出的转换单元，被配置成将所生成的语句转换成语音以及输出语音。

在本实施例的一些可选的实现方式中，上述装置600还可以进一步包括图6中未示出的回答单元，被配置成：获取用户的提问语句；根据提问语句以及预设的对话库，确定用于回答提问语句的回答语句模板；根据目标图像、识别出的对象以及回答语句模板，得到回答语句；输出回答语句。

本申请的上述实施例提供的用于输出信息的装置，首先，可以获取目标图像。然后，对目标图像进行人脸识别和物体识别，确定目标图像中包括的对象识别。最后，基于识别出的对象，生成用于描述目标图像的语句。本实施例的方法，可以对图像进行人脸识别和物体识别，并生成用于描述图像的语句。

应当理解，用于输出信息的装置600中记载的单元601至单元603分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于输出信息的方法描述的操作和特征同样适用于装置600及其中包含的单元，在此不再赘述。

下面参考图7，其示出了适于用来实现本申请实施例的服务器的计算机***700的结构示意图。图7示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机***700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有***700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；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707；包括硬盘等的存储部分708；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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，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710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708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在机器可读介质上的计算机程序，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。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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)、光纤、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。

在本申请中，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***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的***、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括图像获取单元、对象识别单元和语句生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，图像获取单元还可以被描述为“获取目标图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读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该装置执行时，使得该装置：获取目标图像；对目标图像进行目标识别，确定目标图像中包括的对象；基于识别出的对象，生成用于描述目标图像的语句。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于输出信息的方法，包括：

响应于检测到预设物体的预设距离内存在对象，确定检测到的对象的停留时间，其中，所述预设物体包括门板，所述对象包括人和/或物体；

响应于确定所述停留时间大于或等于预设阈值，利用安装在所述预设物体上的图像采集装置获取包括检测到的对象的图像集合；

从所述图像集合中确定出目标图像；

对所述目标图像进行目标识别，确定所述目标图像中包括的对象；

基于识别出的对象，生成用于描述所述目标图像的语句；

获取用户的提问语句；根据所述提问语句以及预设的对话库，确定用于回答所述提问语句的回答语句模板；根据所述目标图像、识别出的对象以及所述回答语句模板，得到回答语句，包括：根据所述目标图像中所述识别出的对象的特征，对所述回答语句模板进行修改，得到回答语句；输出所述回答语句。

2.根据权利要求1所述的方法，其中，所述基于识别出的对象，生成用于描述所述图像集合的语句，包括：

确定所述目标图像是否满足以下至少一项条件：包括至少两个人、包括至少一个人和至少一个物体；

响应于确定所述目标图像满足以上至少一项条件，确定所述对象之间的距离以及所述对象在所述目标图像中所占的位置；

根据所述距离和所述位置，确定所述对象之间的亲密指数；

根据所述对象、所述亲密指数，生成用于描述所述目标图像的语句。

3.根据权利要求2所述的方法，其中，根据所述距离和位置，确定所述对象之间的亲密指数，包括：

根据所述距离，确定第一权重系数；

根据所述位置，确定所述对象之间的交集面积和并集面积；

根据所述交集面积以及所述并集面积，确定第二权重系数；

基于所述第一权重系数以及所述第二权重系数，确定所述亲密指数。

4.根据权利要求2所述的方法，其中，所述根据所述对象、所述亲密指数，生成用于描述所述目标图像的语句，包括：

根据所述对象、所述亲密指数，生成至少两个语句；

对生成的至少两个语句进行评分，将评分最高的语句作为用于描述所述目标图像的语句。

5.根据权利要求1-4任一项所述的方法，其中，所述方法还包括：

将所生成的语句转换成语音以及输出所述语音。

6.一种用于输出信息的装置，包括：

图像获取单元，被配置成响应于检测到预设物体的预设距离内存在对象，确定检测到的对象的停留时间，其中，所述预设物体包括门板，所述对象包括人和/或物体；响应于确定所述停留时间大于或等于预设阈值，利用安装在所述预设物体上的图像采集装置获取包括检测到的对象的图像集合；从所述图像集合中确定出目标图像；

对象识别单元，被配置成对所述目标图像进行目标识别，确定所述目标图像中包括的对象；

语句生成单元，被配置成基于识别出的对象，生成用于描述所述目标图像的语句；

回答单元，被配置成获取用户的提问语句；根据所述提问语句以及预设的对话库，确定用于回答所述提问语句的回答语句模板；根据所述目标图像、识别出的对象以及所述回答语句模板，得到回答语句，包括：根据所述目标图像中所述识别出的对象的特征，对所述回答语句模板进行修改，得到回答语句；输出所述回答语句。

7.根据权利要求6所述的装置，其中，所述语句生成单元包括：

判断模块，被配置成确定所述目标图像是否满足以下至少一项条件：包括至少两个人、包括至少一个人和至少一个物体；

确定模块，被配置成响应于确定所述目标图像满足以上至少一项条件，确定所述对象之间的距离以及所述对象在所述目标图像中所占的位置；

计算模块，被配置成根据所述距离和所述位置，确定所述对象之间的亲密指数；

生成模块，被配置成根据所述对象、所述亲密指数，生成用于描述所述目标图像的语句。

8.根据权利要求7所述的装置，其中，所述计算模块进一步被配置成：

根据所述距离，确定第一权重系数；

根据所述位置，确定所述对象之间的交集面积和并集面积；

根据所述交集面积以及所述并集面积，确定第二权重系数；

基于所述第一权重系数以及所述第二权重系数，确定所述亲密指数。

9.根据权利要求7所述的装置，其中，所述生成模块进一步被配置成：

根据所述对象、所述亲密指数，生成至少两个语句；

对生成的至少两个语句进行评分，将评分最高的语句作为用于描述所述目标图像的语句。

10.根据权利要求6-9任一项所述的装置，其中，所述装置还包括：

转换单元，被配置成将所生成的语句转换成语音以及输出所述语音。

11.一种服务器，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。

Images