一种人才图像标签识别方法、系统及云平台

摘要

本发明公开了一种人才图像标签识别方法、系统及云平台，在获取到待识别样本图像的关键图像特征向量后，分别确定得到各关键图形样本对待识别样本图像的图形表征状态权重的关联性，再基于各关键图形样本的图像可视化类型及其关联性从各关键图形样本中确定人才图像标签。从而通过各关键图形样本关联性，也就是各关键图形样本实际对待识别样本图像的权重对待识别样本图像的差异问题进行分析，以提高人才图像标签识别的准确性，并基于关键图形样本的图像可视化类型，分别从不同图像可视化的关键图形样本中确定人才图像标签，从而考虑到关键图形样本图像可视化类型的不同判断方式，提高差异判断的针对性，以进一步提高人才图像标签识别的准确性。

说明书

技术领域

本公开涉及图像识别技术领域，特别涉及一种人才图像标签识别方法、系统及云平台。

背景技术

人才图像标识库，简而言之可视为电子化的文件柜——存储电子文件的处所，用户可以对文件中的数据运行新增、截取、更新、删除等操作。所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。相关技术对图像标识进行识别后，得到的相关数据。图像识别技术是信息时代的一门重要的技术，其产生目的是为了让计算机代替人类去处理大量的物理信息。随着计算机技术的发展，人类对图像识别技术的认识越来越深刻。图像识别技术的过程分为信息的获取、预处理、特征抽取和选择、分类器设计和分类决策。简单分析了图像识别技术的引入、其技术原理以及模式识别等，之后介绍了神经网络的图像识别技术和非线性降维的图像识别技术及图像识别技术的应用。从中可以总结出图像处理技术的应用广泛，人类的生活将无法离开图像识别技术，研究图像识别技术具有重大意义。

但是，在图像识别的过程中，因为图像数据量过多，就可能导致图像识别存在一些瑕疵。

发明内容

为改善相关技术中存在的上述背景技术存在的技术问题，本公开提供了一种人才图像标签识别方法、系统及云平台。

本申请提供了一种人才图像标签识别方法，所述人才图像标签识别方法包括：

响应于获取到待识别样本图像的关键图像特征向量，分别确定得到所述待识别样本图像的各关键图形样本对所述待识别样本图像的图形表征状态权重的关联性；

分别获取到所述各关键图形样本的图像可视化类型；其中，所述图像可视化类型包括视觉信息以及非视觉信息；

利用所述各关键图形样本的图像可视化类型及其关联性从所述各关键图形样本中确定人才图像标签。

优选地，所述响应于获取到待识别样本图像的关键图像特征向量，分别确定得到所述待识别样本图像的各关键图形样本对所述待识别样本图像的图形表征状态权重的关联性的步骤，包括：

获取到所述各关键图形样本的第一全局图形表征状态以及目标关键图形样本的单位图形表征状态；

基于所述目标关键图形样本的单位图形表征状态对所述第一全局图形表征状态进行筛选处理，得到筛选所述目标关键图形样本后的局部关键图形样本的第二全局状态；

将所述第一全局图形表征状态与所述第二全局状态进行相似度判断，得到第一全局图形表征状态和所述第二全局图形表征状态之间的图形表征状态差异；

基于所述图形表征状态差异确定所述目标关键图形样本的关联性。

优选地，所述第一全局图形表征状态包括全局上传数据量以及全局成功数据量，所述单位图形表征状态包括单位上传数据量以及单位成功数据量；所述基于所述目标关键图形样本的单位图形表征状态对所述第一全局图形表征状态进行筛选处理，得到筛选所述目标关键图形样本后的局部关键图形样本的第二全局状态的步骤，包括：

用所述全局上传数据量匹配所述单位上传数据量，得到局部上传数据量，用所述全局成功数据量匹配所述单位成功数据量，得到局部成功数据量；

基于所述局部上传数据量与所述局部成功数据量之间的比较结果得到所述第二全局状态。

优选地，所述获取到所述各关键图形样本的第一全局图形表征状态以及目标关键图形样本的单位图形表征状态的步骤，还包括：

获取到所述各关键图形样本的图像属性数据；

基于所述各关键图形样本的图像属性数据类型对所述图像属性数据进行降维处理；

基于降维处理后的图像属性数据获取到所述各关键图形样本的第一全局图形表征状态和所述目标关键图形样本的单位图形表征状态。

优选地，所述利用所述各关键图形样本的图像可视化类型及其关联性从所述各关键图形样本中确定人才图像标签的步骤，包括：

基于所述各关键图形样本的图像可视化类型获取到视觉信息的关键图形样本和非视觉信息的关键图形样本；

利用神经网络训练模型从所述非视觉信息的关键图形样本中确定人才图像标签；

利用迭代筛选法从所述视觉信息的关键图形样本中确定人才图像标签。

优选地，所述利用神经网络训练模型从所述非视觉信息的关键图形样本中确定人才图像标签的步骤和所述利用迭代筛选法从所述视觉信息的关键图形样本中确定人才图像标签的步骤之后，还包括：

识别所述人才图像标签的差异图像识别结果；

选择与所述差异图像识别结果对应的显示方式进行差异显示。

优选地，所述利用神经网络训练模型从所述非视觉信息的关键图形样本中确定人才图像标签的步骤，包括：

将各所述非视觉信息的关键图形样本的关联性进行依次排序，得到各所述非视觉信息的关键图形样本的关联性集合；

判断所述关联性集合是否满足正态分布矩阵；

如果所述关联性集合满足正态分布矩阵，则基于所述关联性集合通过神经网络确定得到第一差异区间，将符合所述第一差异区间的关联性对应的关键图形样本确定为非视觉信息的人才图像标签；

如果所述关联性集合不满足正态分布矩阵，则基于所述关联性集合通过箱线图差异值法确定得到第二差异区间，将符合所述第二差异区间的关联性对应的关键图形样本确定为非视觉信息的人才图像标签。

优选地，所述识别所述人才图像标签的差异图像识别结果，选择与所述差异图像识别结果对应的显示方式进行差异显示的步骤，包括：

判断所述非视觉信息的人才图像标签的全局图像识别结果是否超过全局阈值；

如果所述非视觉信息的人才图像标签的全局图像识别结果超过所述全局阈值，则确定所述非视觉信息的人才图像标签的差异图像识别结果为显著差异，对所述非视觉信息的人才图像标签进行显著差异显示；

如果所述差异的非视觉信息的全局图像识别结果没有超过所述全局阈值，则确定所述非视觉信息的人才图像标签的差异图像识别结果为普通差异，对所述非视觉信息的人才图像标签进行普通差异显示。

本申请提供了一种人才图像标签识别系统，包括图像采集端和云平台，所述图像采集端和所述云平台通信连接，所述云平台包括：

图像特征确定模块，用于响应于获取到待识别样本图像的关键图像特征向量，分别确定得到所述待识别样本图像的各关键图形样本对所述待识别样本图像的图形表征状态权重的关联性；

图像类型获取模块，用于分别获取到所述各关键图形样本的图像可视化类型；其中，所述图像可视化类型包括视觉信息以及非视觉信息；

图像标签确定模块，用于利用所述各关键图形样本的图像可视化类型及其关联性从所述各关键图形样本中确定人才图像标签。

本申请提供了一种云平台，包括：

处理器，以及

与处理器连接的内存和网络接口；

所述网络接口与智能设备中的非易失性存储器连接；

所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行上述任一项所述的方法。

上述方案，本申请在获取到待识别样本图像的关键图像特征向量后，分别确定得到各关键图形样本对待识别样本图像的图形表征状态权重的关联性，再基于各关键图形样本的图像可视化类型及其关联性从各关键图形样本中确定人才图像标签。从而通过各关键图形样本关联性，也就是各关键图形样本实际对待识别样本图像的权重对待识别样本图像的差异问题进行分析，以提高人才图像标签识别的准确性，并基于关键图形样本的图像可视化类型，分别从不同图像可视化的关键图形样本中确定人才图像标签，从而考虑到关键图形样本图像可视化类型的不同判断方式，提高差异判断的针对性，以进一步提高人才图像标签识别的准确性。

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的，并不能限制本公开。

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，并于说明书一起用于解释本发明的原理。

图1为本发明实施例所提供的一种人才图像标签识别系统的架构示意图；

图2为本发明实施例所提供的一种人才图像标签识别方法的流程图；

图3为本发明实施例所提供的一种人才图像标签识别装置的功能模块框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。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申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

为了便于对上述的一种人才图像标签识别方法、系统及云平台进行阐述，请结合参考图1，提供了本发明实施例所公开的一种人才图像标签识别系统100的通信架构示意图。其中，所述一种人才图像标签识别系统100可以包括图像采集端200以及云平台300，所述图像采集端200以及所述云平台300通信连接。

在具体的实施方式中，云平台300可以是台式电脑、平板电脑、笔记本电脑、手机或者其他能够实现数据处理以及数据通信的云平台，在此不作过多限定。

在上述基础上，请结合参阅图2，为本发明实施例所提供的一种人才图像标签识别方法的流程示意图，所述一种人才图像标签识别方法可以应用于图1中的云平台300，进一步地，所述一种人才图像标签识别方法具体可以包括以下步骤S21-步骤S23所描述的内容。

步骤S21，响应于获取到待识别样本图像的关键图像特征向量，分别确定得到所述待识别样本图像的各关键图形样本对所述待识别样本图像的图形表征状态权重的关联性。

示例性的，关键图像特征向量表示待识别样本图像中的能直接体现出待识别样本图像内容。

步骤S22，分别获取到所述各关键图形样本的图像可视化类型。

示例性的，所述图像可视化类型包括视觉信息以及非视觉信息。

步骤S23，用所述各关键图形样本的图像可视化类型及其关联性从所述各关键图形样本中确定人才图像标签。

示例性的，人才图像标签表示从待识别样本图像中获得到的目标内容。

可以理解，在执行上述步骤S21-步骤S23所描述的内容时，本申请在获取到待识别样本图像的关键图像特征向量后，分别确定得到各关键图形样本对待识别样本图像的图形表征状态权重的关联性，再基于各关键图形样本的图像可视化类型及其关联性从各关键图形样本中确定人才图像标签。从而通过各关键图形样本关联性，也就是各关键图形样本实际对待识别样本图像的权重对待识别样本图像的差异问题进行分析，以提高人才图像标签识别的准确性，并基于关键图形样本的图像可视化类型，分别从不同图像可视化的关键图形样本中确定人才图像标签，从而考虑到关键图形样本图像可视化类型的不同判断方式，提高差异判断的针对性，以进一步提高人才图像标签识别的准确性。

在一种可替换的实施例中，响应于获取到待识别样本图像的关键图像特征向量时，存在关键图像特征向量不可靠的问题，从而难以可靠地分别确定得到所述待识别样本图像的各关键图形样本对所述待识别样本图像的图形表征状态权重的关联性，为了改善上述技术问题，步骤S21所描述的响应于获取到待识别样本图像的关键图像特征向量，分别确定得到所述待识别样本图像的各关键图形样本对所述待识别样本图像的图形表征状态权重的关联性的步骤，具体可以包括以下步骤S211-S214所描述的内容。

步骤S211，获取到所述各关键图形样本的第一全局图形表征状态以及目标关键图形样本的单位图形表征状态。

步骤S212，基于所述目标关键图形样本的单位图形表征状态对所述第一全局图形表征状态进行筛选处理，得到筛选所述目标关键图形样本后的局部关键图形样本的第二全局状态。

步骤S213，将所述第一全局图形表征状态与所述第二全局状态进行相似度判断，得到第一全局图形表征状态和所述第二全局图形表征状态之间的图形表征状态差异。

步骤S214，基于所述图形表征状态差异确定所述目标关键图形样本的关联性。

可以理解，在执行上述步骤S211-S214所描述的内容时，响应于获取到待识别样本图像的关键图像特征向量时，避免关键图像特征向量不可靠的问题，从而能够可靠地分别确定得到所述待识别样本图像的各关键图形样本对所述待识别样本图像的图形表征状态权重的关联性。

在一种可替换的实施例中，第一全局图形表征状态包括全局上传数据量以及全局成功数据量，所述单位图形表征状态包括单位上传数据量以及单位成功数据量；所述基于所述目标关键图形样本的单位图形表征状态对所述第一全局图形表征状态进行筛选处理时，存在筛选不精确的问题，从而难以精确地得到筛选所述目标关键图形样本后的局部关键图形样本的第二全局状态，为了改善上述技术问题，步骤S213所描述的第一全局图形表征状态包括全局上传数据量以及全局成功数据量，所述单位图形表征状态包括单位上传数据量以及单位成功数据量；所述基于所述目标关键图形样本的单位图形表征状态对所述第一全局图形表征状态进行筛选处理，得到筛选所述目标关键图形样本后的局部关键图形样本的第二全局状态的步骤，具体可以包括以下步骤q1和步骤q2所描述的内容。

步骤q1，用所述全局上传数据量匹配所述单位上传数据量，得到局部上传数据量，用所述全局成功数据量匹配所述单位成功数据量，得到局部成功数据量。

步骤q2，基于所述局部上传数据量与所述局部成功数据量之间的比较结果得到所述第二全局状态。

可以理解，在执行上述步骤q1和步骤q2所描述的内容时，第一全局图形表征状态包括全局上传数据量以及全局成功数据量，所述单位图形表征状态包括单位上传数据量以及单位成功数据量；所述基于所述目标关键图形样本的单位图形表征状态对所述第一全局图形表征状态进行筛选处理时，避免筛选不精确的问题，从而能够精确地得到筛选所述目标关键图形样本后的局部关键图形样本的第二全局状态。

基于上述基础，步骤S211所描述的获取到所述各关键图形样本的第一全局图形表征状态以及目标关键图形样本的单位图形表征状态的步骤，具体可以包括以下步骤w1-步骤w3所描述的内容。

步骤w1，获取到所述各关键图形样本的图像属性数据。

步骤w2，基于所述各关键图形样本的图像属性数据类型对所述图像属性数据进行降维处理。

步骤w3，基于降维处理后的图像属性数据获取到所述各关键图形样本的第一全局图形表征状态和所述目标关键图形样本的单位图形表征状态。

可以理解，在执行上述步骤w1-步骤w3所描述的内容时，在获取到所述各关键图形样本的第一全局图形表征状态以及目标关键图形样本的单位图形表征状态时，避免图像属性数据不精确的问题，从而能够精确地获得所述各关键图形样本的第一全局图形表征状态以及目标关键图形样本的单位图形表征状态。

在一种可替换的实施例中，利用所述各关键图形样本的图像可视化类型及其关联性从所述各关键图形样本时，存在关联不准确的问题，从而难以准确地确定人才图像标签，为了改善上述技术问题，步骤S23所描述的利用所述各关键图形样本的图像可视化类型及其关联性从所述各关键图形样本中确定人才图像标签的步骤，具体可以包括以下步骤S231-步骤S233所描述的内容。

步骤S231，基于所述各关键图形样本的图像可视化类型获取到视觉信息的关键图形样本和非视觉信息的关键图形样本。

步骤S232，利用神经网络训练模型从所述非视觉信息的关键图形样本中确定人才图像标签。

步骤S233，利用迭代筛选法从所述视觉信息的关键图形样本中确定人才图像标签。

可以理解，在执行上述步骤S231-步骤S233所描述的内容时，利用所述各关键图形样本的图像可视化类型及其关联性从所述各关键图形样本时，避免关联不准确的问题，从而能够准确地确定人才图像标签。

基于上述基础，利用神经网络训练模型从所述非视觉信息的关键图形样本中确定人才图像标签的步骤和所述利用迭代筛选法从所述视觉信息的关键图形样本中确定人才图像标签的步骤之后，还包括以下步骤e1和步骤e2所描述的内容。

步骤e1，识别所述人才图像标签的差异图像识别结果。

步骤e2，选择与所述差异图像识别结果对应的显示方式进行差异显示。

可以理解，在执行上述步骤e1和步骤e2所描述的内容时，能有效地将差异图像识别结果中差异进行显示，这样能实时的显示出误差，从而能降低误差，提高最后结果的准确性。

在一种可替换的实施例中，利用神经网络训练模型从所述非视觉信息的关键图形样本时，存在非视觉信息的关键图形样本的关联性进行依次排序不准确的问题，从而难以准确地确定人才图像标签，为了改善上述技术问题，步骤S23所描述的利用神经网络训练模型从所述非视觉信息的关键图形样本中确定人才图像标签的步骤，具体可以包括以下步骤r1-步骤r4所描述的内容。

步骤r1，将各所述非视觉信息的关键图形样本的关联性进行依次排序，得到各所述非视觉信息的关键图形样本的关联性集合。

步骤r2，判断所述关联性集合是否满足正态分布矩阵。

步骤r3，如果所述关联性集合满足正态分布矩阵，则基于所述关联性集合通过神经网络确定得到第一差异区间，将符合所述第一差异区间的关联性对应的关键图形样本确定为非视觉信息的人才图像标签。

步骤r4，如果所述关联性集合不满足正态分布矩阵，则基于所述关联性集合通过箱线图差异值法确定得到第二差异区间，将符合所述第二差异区间的关联性对应的关键图形样本确定为非视觉信息的人才图像标签。

可以理解，在执行上述步骤r1-步骤r4所描述的内容时，利用神经网络训练模型从所述非视觉信息的关键图形样本时，避免非视觉信息的关键图形样本的关联性进行依次排序不准确的问题，从而能够准确地确定人才图像标签。

在一种可替换的实施例中，识别所述人才图像标签的差异图像识别结果时，存在图像识别结果不完整的问题，从而难以精确地得到差异图像识别结果，就不能选择与所述差异图像识别结果对应的显示方式进行差异显示，为了改善上述技术问题，步骤e2所描述的识别所述人才图像标签的差异图像识别结果，选择与所述差异图像识别结果对应的显示方式进行差异显示的步骤，具体可以包括以下步骤t1-步骤t3所描述的内容。

步骤t1，判断所述非视觉信息的人才图像标签的全局图像识别结果是否超过全局阈值。

步骤t2，如果所述非视觉信息的人才图像标签的全局图像识别结果超过所述全局阈值，则确定所述非视觉信息的人才图像标签的差异图像识别结果为显著差异，对所述非视觉信息的人才图像标签进行显著差异显示。

步骤t3，如果所述差异的非视觉信息的全局图像识别结果没有超过所述全局阈值，则确定所述非视觉信息的人才图像标签的差异图像识别结果为普通差异，对所述非视觉信息的人才图像标签进行普通差异显示。

可以理解，在执行上述步骤t1-步骤t3所描述的内容时，识别所述人才图像标签的差异图像识别结果时，避免图像识别结果不完整的问题，从而能够精确地得到差异图像识别结果，就能准确地选择与所述差异图像识别结果对应的显示方式进行差异显示。

在一种可替换的实施例中，利用迭代筛选法从所述视觉信息的关键图形样本，存在数据过多导致的数据紊乱的问题，从而难以精确地确定人才图像标签，为了改善上述技术问题，步骤S233所描述的利用迭代筛选法从所述视觉信息的关键图形样本中确定人才图像标签的步骤，具体可以包括以下步骤a1-步骤a3所描述的内容。

步骤a1，基于各视觉信息的关键图形样本的单位图形表征状态或关联性依次对各视觉信息的关键图形样本进行优先排列，得到视觉信息集合。

步骤a2，按照所述视觉信息集合的排列顺序将视觉信息的关键图形样本从所述视觉信息集合中筛选，获取筛选视觉信息的关键图形样本后局部关键图形样本对应的第三全局图形表征状态。

步骤a3，将所述第三全局图形表征状态与各关键图形样本的预设图形表征状态进行相似度判断，以确定视觉信息的人才图像标签。

可以理解，利用迭代筛选法从所述视觉信息的关键图形样本，避免数据过多导致的数据紊乱的问题，从而能够精确地确定人才图像标签。

在一种可替换的实施例中，将所述第三全局图形表征状态与预设图形表征状态进行相似度判断时，存在相似度判断不准确的问题，从而难以准确地确定视觉信息的人才图像标签，为了改善上述技术问题，步骤a3所描述的将所述第三全局图形表征状态与预设图形表征状态进行相似度判断，以确定视觉信息的人才图像标签的步骤，具体可以包括以下步骤d1所描述的内容。

步骤d1，将与所述预设图形表征状态相同的第三全局图形表征状态对应的视觉信息的关键图形样本确定为视觉信息的人才图像标签。

可以理解，在执行上述步骤d1所描述的内容时，将所述第三全局图形表征状态与预设图形表征状态进行相似度判断时，避免相似度判断不准确的问题，从而能够准确地确定视觉信息的人才图像标签。

基于上述基础，按照所述视觉信息集合的排列顺序将视觉信息的关键图形样本从所述视觉信息集合中筛选，获取筛选视觉信息的关键图形样本后局部视觉信息的关键图形样本对应的第三全局图形表征状态的步骤，还可以包括以下步骤f1和步骤f2所描述的内容。

步骤f1，判断从所述视觉信息集合中筛选的关键图形样本的数量是否超过筛选标准。

步骤f2，如果超过所述筛选标准，则结束对所述视觉信息集合的筛选处理；如果没有超过所述筛选标准，则执行按照所述视觉信息集合的排列顺序将视觉信息的关键图形样本从所述视觉信息集合中筛选，获取筛选视觉信息的关键图形样本后局部视觉信息的关键图形样本对应的第三全局图形表征状态的步骤。

可以理解，在执行上述步骤f1和步骤f2所描述的内容时，通过关键图形样本的数量能精确地确定出第三全局图形表征状态。

基于同样的发明构思，还提供了一种人才图像标签识别系统，所述系统包括图像采集端和云平台，所述图像采集端与所述云平台通信连接，云平台具体用于：

响应于获取到待识别样本图像的关键图像特征向量，分别确定得到所述待识别样本图像的各关键图形样本对所述待识别样本图像的图形表征状态权重的关联性；

分别获取到所述各关键图形样本的图像可视化类型；其中，所述图像可视化类型包括视觉信息以及非视觉信息；

利用所述各关键图形样本的图像可视化类型及其关联性从所述各关键图形样本中确定人才图像标签。

进一步的，云平台具体用于：

获取到所述各关键图形样本的第一全局图形表征状态以及目标关键图形样本的单位图形表征状态；

基于所述目标关键图形样本的单位图形表征状态对所述第一全局图形表征状态进行筛选处理，得到筛选所述目标关键图形样本后的局部关键图形样本的第二全局状态；

将所述第一全局图形表征状态与所述第二全局状态进行相似度判断，得到第一全局图形表征状态和所述第二全局图形表征状态之间的图形表征状态差异；

基于所述图形表征状态差异确定所述目标关键图形样本的关联性。

进一步的，云平台具体用于：

用所述全局上传数据量匹配所述单位上传数据量，得到局部上传数据量，用所述全局成功数据量匹配所述单位成功数据量，得到局部成功数据量；

基于所述局部上传数据量与所述局部成功数据量之间的比较结果得到所述第二全局状态。

进一步的，云平台具体用于：

获取到所述各关键图形样本的图像属性数据；

基于所述各关键图形样本的图像属性数据类型对所述图像属性数据进行降维处理；

基于降维处理后的图像属性数据获取到所述各关键图形样本的第一全局图形表征状态和所述目标关键图形样本的单位图形表征状态。

进一步的，云平台具体用于：

基于所述各关键图形样本的图像可视化类型获取到视觉信息的关键图形样本和非视觉信息的关键图形样本；

利用神经网络训练模型从所述非视觉信息的关键图形样本中确定人才图像标签；

利用迭代筛选法从所述视觉信息的关键图形样本中确定人才图像标签。

进一步的，云平台具体用于：

识别所述人才图像标签的差异图像识别结果；

选择与所述差异图像识别结果对应的显示方式进行差异显示。

进一步的，云平台具体用于：

将各所述非视觉信息的关键图形样本的关联性进行依次排序，得到各所述非视觉信息的关键图形样本的关联性集合；

判断所述关联性集合是否满足正态分布矩阵；

如果所述关联性集合满足正态分布矩阵，则基于所述关联性集合通过神经网络确定得到第一差异区间，将符合所述第一差异区间的关联性对应的关键图形样本确定为非视觉信息的人才图像标签；

如果所述关联性集合不满足正态分布矩阵，则基于所述关联性集合通过箱线图差异值法确定得到第二差异区间，将符合所述第二差异区间的关联性对应的关键图形样本确定为非视觉信息的人才图像标签。

进一步的，云平台具体用于：

判断所述非视觉信息的人才图像标签的全局图像识别结果是否超过全局阈值；

如果所述非视觉信息的人才图像标签的全局图像识别结果超过所述全局阈值，则确定所述非视觉信息的人才图像标签的差异图像识别结果为显著差异，对所述非视觉信息的人才图像标签进行显著差异显示；

如果所述差异的非视觉信息的全局图像识别结果没有超过所述全局阈值，则确定所述非视觉信息的人才图像标签的差异图像识别结果为普通差异，对所述非视觉信息的人才图像标签进行普通差异显示。

进一步的，云平台具体用于：

基于各视觉信息的关键图形样本的单位图形表征状态或关联性依次对各视觉信息的关键图形样本进行优先排列，得到视觉信息集合；

按照所述视觉信息集合的排列顺序将视觉信息的关键图形样本从所述视觉信息集合中筛选，获取筛选视觉信息的关键图形样本后局部关键图形样本对应的第三全局图形表征状态；

将所述第三全局图形表征状态与各关键图形样本的预设图形表征状态进行相似度判断，以确定视觉信息的人才图像标签。

进一步的，云平台具体用于：

将与所述预设图形表征状态相同的第三全局图形表征状态对应的视觉信息的关键图形样本确定为视觉信息的人才图像标签。

进一步的，云平台具体用于：

判断从所述视觉信息集合中筛选的关键图形样本的数量是否超过筛选标准；

如果超过所述筛选标准，则结束对所述视觉信息集合的筛选处理；如果没有超过所述筛选标准，则执行按照所述视觉信息集合的排列顺序将视觉信息的关键图形样本从所述视觉信息集合中筛选，获取筛选视觉信息的关键图形样本后局部视觉信息的关键图形样本对应的第三全局图形表征状态的步骤。

基于上述同样的发明构思，请结合参阅图3，还提供了一种人才图像标签识别装置500的功能模块框图，关于所述一种人才图像标签识别装置500的详细描述如下。

一种人才图像标签识别装置500，应用于云平台，所述装置500包括：

图像特征确定模块510，用于响应于获取到待识别样本图像的关键图像特征向量，分别确定得到所述待识别样本图像的各关键图形样本对所述待识别样本图像的图形表征状态权重的关联性；

图像类型获取模块520，用于分别获取到所述各关键图形样本的图像可视化类型；其中，所述图像可视化类型包括视觉信息以及非视觉信息；

图像标签确定模块530，用于利用所述各关键图形样本的图像可视化类型及其关联性从所述各关键图形样本中确定人才图像标签。

一种云平台，包括：处理器，以及与处理器连接的内存和网络接口；所述网络接口与智能设备中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行图2任一项所述的方法。

综上，一种人才图像标签识别方法、系统及云平台，在获取到待识别样本图像的关键图像特征向量后，分别确定得到各关键图形样本对待识别样本图像的图形表征状态权重的关联性，再基于各关键图形样本的图像可视化类型及其关联性从各关键图形样本中确定人才图像标签。从而通过各关键图形样本关联性，也就是各关键图形样本实际对待识别样本图像的权重对待识别样本图像的差异问题进行分析，以提高人才图像标签识别的准确性，并基于关键图形样本的图像可视化类型，分别从不同图像可视化的关键图形样本中确定人才图像标签，从而考虑到关键图形样本图像可视化类型的不同判断方式，提高差异判断的针对性，以进一步提高人才图像标签识别的准确性。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。