1.一种基于用户偏好多维度驱动的智能拍照方法，其特征在于，包括以下步骤:步骤1，拍照场景初定位，利用预训练的卷积神经网络识别拍照场景类别，所述步骤1包括如下具体步骤：

S101，缓存相机中的预览图像并记作Iq，使用训练好的卷积神经网络进行室外场景识别，拍摄场景分为K类；

S102，场景类别与预训练网络中存在的场景类别进行匹配，若预览图像在第k类场景中即Iq∈k(k＝1,2,...K)，则进入步骤2；否则直接进行拍摄，不执行后续步骤；

步骤2，提取待拍摄场景与该场景下的专业人像照片的特征向量，并根据相似度进行匹配，选出最相似的若干张图片，所述步骤2包括如下具体步骤：

1 2 K

S201，定义专业人像风景照数据集为E＝{I ,I ,...I }，其中第k类场景下的专业人像风景照子数据集记作 N表示第k类场景下的专业人像风景照子数据集共有N张图片；

S202，根据摄影的注意力构图规则，利用显著性检测算法得到预览图像Iq的初始显著图记作Sq，以去除场景中的干扰因素；

k

第k类场景下的专业人像风景照子数据集I 在显著性检测后，得到初始显著图集合需要运用公式对初始显著图进行改进，记作 以减小人体对构图的影响，其中 表示显著图的平均值：其中，λ表示显著性调节参量；

S203，对预览图像的显著图提取特征向量并对其归一化，记作Vq；

S204，计算预览图像归一化后的特征向量Vq与该场景下的专业人像风景照数据子集的每张图片的特征向量 的距离，其中与第n张图片的距离记作将该场景下的每张专业人像风景照排序，返回该场景下与预览图像Iq相似度最大的前M张图片，即集合步骤3，基准模型初始化，对该智能拍照方法已有用户选择的图像及评分作为输入的训练样本构建基准模型，以产生用户通用评分等级标准，所述步骤3包括如下具体步骤：S301，初始化时，收集智能拍照方法中所有用户选择的图像及评分，作为基准模型的训练样本，接着提取训练样本特征，该特征是通过图像归一化后提取的如色彩均衡、景深、三分法等美学特征；

S302，将图像美学特征和评分视为自变量与因变量的关系，输入美学特征采用支持向量机回归方法来预测评分；

步骤4，建立基于支持向量机回归方法的用户偏好学习模型，对用户偏好的图像进行细筛选，所述步骤4包括如下具体步骤：S401，利用已有的基准模型做迁移学习以构建用户偏好学习模型，该模型的输入是步骤2中在此场景下推荐的前M张图片，输出是该智能拍照方法对这M张图片评分的预测值；

S402，模型训练时，需要目标用户对推荐的M张照片进行评分，并直接选择一张作为最终拍照参考图片；

S403，计算目标用户当前评分与智能拍照方法的评分差异，并记录用户上一次评分中的支持向量和训练样本总个数，带入到下面的目标函数中，使用网格搜索算法对支持向量机回归方法进行参数寻优，具体公式如下：k k k

为了区分用户本次和上一次的评分样本，设两个集合A 和B，其中A 表示用户本次评分k k

的样本集合，B 表示用户上一次评分的样本集合； 表示用户对A 集合中第i张图片的评k k

分， 表示用户对B集合中第j张图片的评分； 表示集合A 中第i张图片输入的美学特征k

向量， 表示集合B中第j张图片输入的美学特征向量；ε是支持向量机回归方法假设能容忍的预测值和真实值之间的偏差，C是惩罚因子；间隔带两侧允许松弛程度不同加上样本被k

分成两个集合，引入四个不同的松弛变量，其中ξi和 表示集合A中的松弛变量，ξj和 表k

示集合B中的松弛变量，ω表示支持向量机回归方法超平面的法向量，b表示支持向量机回k

归方法超平面的截距；总的自适应调整系数分成两个部分，其中γi表示集合A中第i个样本k

的惩罚因子调整子系数中的权重，η表示集合B中第j个样本的惩罚因子调整子系数中的权重；

S404，重复步骤S402～S403，经过多次评分，直到目标用户与智能拍照方法评分一致度达到预设条件，记录此时的惩罚系数和核函数参数，才算建立好该用户的偏好学习模型；之后不需要用户参与评分，只需要由智能拍照方法给出用户最想要的那一类的参考拍摄照片；

步骤5，结束推荐过程，用户选择其中一张照片以指导其拍照。

2.根据权利要求1中所述的一种基于用户偏好多维度驱动的智能拍照方法，其特征在于，在步骤2之前需要预先对专业人像风景照数据集运用显著性检测提取特征向量并对其进行归一化。

3.根据权利要求1中所述的一种基于用户偏好多维度驱动的智能拍照方法，其特征在于，在步骤2中相似度比较采用欧式距离， 越小表示两幅图像的相似度越大。

4.根据权利要求1中所述的一种基于用户偏好多维度驱动的智能拍照方法，其特征在于，在步骤3中智能拍照方法对图片评分需要每个用户先参与评分，在智能拍照方法训练好用户个人偏好模型后，用户不需要再参与评分。

5.根据权利要求1中所述的一种基于用户偏好多维度驱动的智能拍照方法，其特征在于，所述步骤4中支持向量机回归方法是对当前包含不同误差的样本的惩罚因子赋予不同的权重γi，以减少标准支持向量机回归方法中对所有样本都赋予相同的惩罚因子而带来的误差，误差的衡量标准是采用的本次评分中用户与智能拍照方法评分的绝对差并将其归一化到[0,1]内，带入权重的计算公式中：

6.根据权利要求1中所述的一种基于用户偏好多维度驱动的智能拍照方法，其特征在于，所述步骤4中支持向量机回归方法体现了用户上一次评分训练样本在本次训练过程中的作用，以使模型更快地收敛，公式如下所示：k k

其中Nexample表示集合B中的样本总和，NSV表示集合B中所有用作支持向量的样本总和。