用于选择眼镜架的方法和设备与流程

1.本技术涉及与为人选择眼镜架有关的方法和设备。


背景技术：

2.眼镜架在din iso 8624: 2011中有详细的定义，并用于承载眼镜片。眼镜架在下文中将简称为镜架。
3.传统上，为人选择镜架是耗时的过程。人需要拜访配镜师并试戴多个镜架，直到他找到一个具有良好解剖学适合性的镜架。除了解剖学适合性，人的个人偏好也可能起到一定的作用。有经验的配镜师可以基于他过去销售镜架的经验、他对镜架尺寸的了解、以及人的头部的测量值来缩短这个过程。在网上购物系统中，选择合适的镜架甚至更加困难，因为没有这样有经验的配镜师。
4.已知有各种选择镜架和为人配适镜架的方法。
5.在us 2013/0 088 490中，对人的面部执行三维扫描。此外，镜架被提供为3d模型。然后，3d模型被虚拟地拟合到面部的3d扫描上。然后，可以基于确定镜架的镜腿部分是否长到足以覆盖人的耳朵以及镜架的灵活性是否过大或过小来推荐镜架。这种方法需要对人的头部进行精确的3d扫描，这进而需要相当复杂的硬件。
6.us 2013/0 132 898 a1披露了一种镜架选择方法。可以拍摄或上传想要购买镜架的个人的照片，并且可以模拟镜架或将镜架合并到照片中，并经由网络连接共享。以这种方式，人们可以看到自己配戴镜架的样子。虽然这有助于看到人配戴镜架的样子，但仍然需要从所有可用镜架中初步选择镜架。为了部分地解决这个问题，所披露的方法可以提示需要附加的个人信息，如个人生活方式和活动、个人风格偏好、个人的眼镜处方等。这需要人们输入有关他或她自己的附加数据。
7.us 5 592 248 a披露了一种方法，在该方法中，拍摄配戴镜架的人的一系列图像，并且其中，对人进行附加的头部形状测量。这些图像和测量值被用来重建用户的3d模型。然后基于配适标准来推荐镜架，并将镜架放在人的头部的3d模型上。这种方法需要详细的测量值，特别是一系列的图像，另外还有头部形状测量值。
8.us 9 810 927 b1描述了一种方法，在这种方法中，镜架是完全根据现有模板集定制的，并为每个人量身定做。虽然这可以实现解剖学上的精确配适，但它仅限于可以使用这种模板定制的镜架。这种方法不能处理仅以一种或多种特定尺寸提供的常规镜架。
9.us 5 983 201 a披露了一种系统和方法，使得能够从家里购买配适的镜架。这里，提供了人的尺寸和图像信息，其中，客户的面部被表征为从预定的基本形状组中选择的基本形状。然后向人们提供图像，示出人们配戴不同镜架后的实际样子。同样在此，需要对人的尺寸进行相对复杂的诊断。
10.wo 2016/109 884 a1披露了一种方法，该方法基于对人的图像的分析来提取用于估计人的面部形状的人类可理解的面部标志，从而进行镜架推荐。专家和非专家的推荐信息以及来自社交媒体或个人购买历史的信息都可以用于推荐镜架。
11.在us 2011/0 314 031 a1中描述了一种方法，该方法在搜索给定类别的类似物品时使用包括颜色、形状、图案、品牌、样式、尺寸和材料在内的属性的加权组合来对物品（如镜架）进行排名。xiaoling gu等人，“iglasses: a novel recommendation system for best-fit glasses [iglasses: 新型的最佳适配眼镜推荐系统]”第39届acm sigir信息检索研究与发展国际会议论文集，sigir
ꢀ’
16，pisa，italy，2016年7月17-21日，2016年7月21日，第1109
ß
1112页，xp055588771，美国纽约州纽约市，还涉及一种方法，该方法使用相应面部与镜架特征属性之间的相关性，并基于根据镜架特征属性预测的人的详细信息来推荐镜架。在此，需要输入详细的信息来选择镜架。
[0012]
ep 3 182 362 a1披露了一种评估眼镜配戴者与配戴者所配戴的眼镜之间的适合度的方法。这种方法只限于眼镜，而不涉及镜架的选择，另外也只限于审美评估。然而，虽然审美对客户来说很重要，但镜架的舒适配适也是一个重要的要求。


技术实现要素：

[0013]
因此，从推荐镜架的us 2013/0 088 490开始，目标是提供用于提供镜架推荐的方法和设备，而无需有关人和/或镜架的大量测量值或详细信息。无需事先了解人，例如之前使用过的镜架，这使得这些方法和设备也适用于相应的人第一次购买镜架的情况。所推荐的镜架应该有很好的概率在解剖学上适合人。
[0014]
提供了一种如权利要求1所定义的用于训练设备的方法、一种如权利要求5所定义的镜架选择方法、以及对应的设备和计算机程序。从属权利要求限定了其他的实施例。
[0015]
根据本发明的第一方面，提供了一种用于配置镜架选择设备的计算机实施的方法，该方法包括：提供多个镜架数据簇；提供多个头部数据簇，以及提供头部数据簇与镜架数据簇之间的映射。
[0016]
上述方法中使用的术语定义如下：最初提到的镜架是指例如din iso 8624: 2011
ꢀ‑ꢀ
05中定义的眼镜架。另外，这种镜架可以包括也可以不包括镜片。换句话说，本发明可以用于推荐没有镜片的镜架，或推荐包括镜片的镜架。
[0017]
术语“镜架数据”是指表征镜架以及可选地镜架的其他特性（如镜架的形状、颜色等）的数据。例如，镜架数据可以包括由镜架制造商提供的二维（2d）或三维（3d）图像数据或计算机辅助设计（cad）数据。在一个实施例中，基于镜架数据，可以推断出镜圈、镜腿、鼻梁、镜桥（top bar）、鼻托、镜腿套和/或鼻托线等的形状、颜色、材料、厚度、尺寸、长度和/或适合性等。正如下文将更详细解释的，镜架数据也可以是例如从2d或3d图像或从cad数据中得到的压缩数据。
[0018]
如本文所用的簇是指基于相似性标准分组在一起的一组项目。例如，镜架数据簇是指来自不同镜架的基于镜架彼此之间的相似性而分组在一起的一组镜架数据。下文将讨论这种相似性标准的示例。在压缩头部数据的情况下，簇是指基于由相应压缩方法提供的相似性标准而分组在一起的一组头部数据。聚类的应用使得能够推荐和选择适合人的头部的镜架，而无需有关头部或镜架的详细信息的大量测量或预测。
[0019]
头部数据是指表征人的头部的数据，特别是表征其面部的数据。例如，头部数据可以包括头部的2d正面图像或头部的3d图像。在一个实施例中，从头部数据中可以推导出诸如人的种族、性别、肤色、面部形状、头部形状、眉毛形状、眉毛颜色、眼睛形状、眼睛大小、眼睛颜色、鼻子形状、鼻子大小、嘴唇颜色、嘴唇形状、头发颜色和/或头发长度等头部特征。在一个实施例中，还可以从头部数据中推断出头部的生物特征数据。头部的生物特征数据在此被理解为描述头部的生物特性的数据，特别是诸如头部的长度、尺寸、距离和比率等测量值，例如，瞳孔间距、鼻梁宽度和/或双耳间距等。此外，这里还可以使用压缩数据。对应地，头部数据簇是指头部数据基于相似性标准被分组在一起的组，使得看起来相似的头部被一起分组在同一个簇中。在压缩头部数据的情况下，头部簇是指基于由相应压缩方法提供的相似性标准而分组在一起的一组头部数据。
[0020]
映射将头部数据簇与镜架数据簇联系起来。该映射可以指示由镜架数据簇的镜架数据表示的镜架适合于由头部数据簇的头部数据表示的头部的概率。通过头部簇和镜架簇的映射，本发明使得能够进行镜架推荐和选择，而无需提供、预测或确认有关人或镜架的详细信息。下文将进一步讨论确立这种映射的可能性。
[0021]
正如下文进一步讨论的，通过如此配置的设备，可以基于人的头部数据向人推荐镜架（这些头部数据可以仅仅采取简单的2d图像的形式），而无需附加的测量，并且也适用于第一次购买镜架的人，即无需历史知识。
[0022]
在优选实施例中，提供多个镜架数据簇包括：提供多个镜架的镜架数据，对该镜架数据进行压缩，以及基于相似性标准对压缩的镜架数据进行聚类，以提供镜架数据簇。
[0023]
例如，提供镜架数据可以通过以下方式来执行：使用相机拍摄镜架的2d图像，使用3d扫描仪提供镜架的3d图像，或通过从镜架制造商获得计算机辅助设计（cad）数据。也可以使用来自如互联网等其他来源的2d图像，只要镜架的类型（如制造商、类型等）可以与图像相关。
[0024]
压缩是指减少镜架数据的维度或数量的操作。使用这样的压缩，例如镜架可以由少于100个值（例如大约30个值）表示，而镜架数据本身可能是例如大约百万像素大小的图像。可以使用各种方法来压缩镜架数据。可以使用监督或无监督的数据压缩方法，特别是无监督的数据压缩方法，它需要人或镜架的不太详细的信息，例如，使用低层次的特征，如边缘或像素属性。数据压缩方法包括深度机器学习和使用卷积神经网络、t型分布的随机邻居嵌入、随机森林、谱嵌入和主成分分析，特别是多维主成分分析。例如，t型分布的随机邻居嵌入在以下文献中进行了描述：l.j.p. van der maaten和g.e. hinton的visualizing high-dimensional data using t-sne [使用t-sne实现高维数据的可视化]. 机器学习研究期刊 9 (nov): 2579-2605, 2008。主成分分析在以下文献中进行了描述：jian yang、d. zhang、a. f. frangi和jing-yu yang的“two-dimensional pca: a new approach to appearance-based face representation and recognition [二维pca：基于外观的面部表示和识别的新方法]”ieee模式分析与机器智能汇刊，第26卷，第1期，第131-137页，2004年1月，doi: 10.1109/tpami.2004.1261097 or pearson, k. (1901)。“on lines and planes of closest fit to systems of points in space [关于与空间点系最接近拟合
的线和平面]”. 哲学杂志. 2 (11): 559-572. doi:10.1080/14786440109462720。随机森林在以下文献中进行了描述：breiman l (2001) 的“random forests [随机森林]”. 机器学习. 45 (1): 5-32. doi:10.1023/a:1010933404324。谱嵌入在以下文献中进行了描述：“laplacian eigenmaps for dimensionality reduction and data representation [用于降维和数据表示的拉普拉斯特征图]”m. belkin, p. niyogi. 神经计算，2003年6月；15 (6): 1373-1396。使用卷积神经网络进行压缩在以下文献中进行了描述：kramer, mark a. (1991) 的“nonlinear principal component analysis using autoassociative neural networks [使用自动关联神经网络的非线性主成分分析]”（pdf）. aiche期刊. 37 (2): 233-243. doi:10.1002/aic.690370209。
[0025]
例如，卷积神经网络可以使用多个神经网络层来压缩镜架数据，其中每一层都进一步压缩数据。为了训练这样的网络，可以从压缩状态提供解压路径，并且网络可以被训练成在压缩之后接着是解压，从而基本上得到原始镜架数据结果。如此获得的压缩状态可以由多个数值（例如约30个值）组成。虽然这些值表征了镜架（例如，可以经由解压恢复原始镜架数据，但仍有一些误差），但通常不可能立即将单个数值与镜架的某个特性联系起来，反之亦然。
[0026]
在主成分分析中，镜架基本上由多个模板（主成分）的线性组合来表示。低阶模板定义了粗略的形状，而高阶模板可以负责形状的更精细的细节。一般来说，使用的模板越多，近似程度就越高。这个线性组合的系数就形成了压缩数据。例如，镜架数据的主成分分析在以下文献中进行了描述：szu-hao huang等人的advanced engineering informatics [高级工程信息学]，第21卷，第1期，第35-45页。
[0027]
在对镜架数据进行压缩之后执行聚类。于是，聚类时的相似性标准取决于压缩的类型。可用于该目的的算法包括dbscan、高斯混合模型或k均值聚类。例如，dbscan在以下文献中进行了描述：“a density-based algorithm for discovering clusters in large spatial databases with noise [在有噪的大型空间数据库中发现簇的基于密度的算法]”ester, m.、h. p. kriegel、j. sander和x. xu, 第二届知识发现和数据挖掘国际会议论文集，portland，or，aaai出版社，第226-231页，1996。高斯混合模型在以下文献中进行了描述：mclachlan, g.j.；basford, k.e.（1988）的“mixture models: inference and applications to clustering [混合模型：聚类的推断和应用]”，统计学：教科书和专著，书目代码：1988mmia.book.....m，并且k均值聚类例如在以下文献中进行了描述：macqueen, j. b. (1967). some methods for classification and analysis of multivariate observations [分类和分析多变量观察结果的一些方法]. 第五届伯克利数学统计与概率研讨会论文集. 1. 加州大学出版社. 第281-297页. mr 0214227。
[0028]
举个简单的示例，对于上述使用卷积神经网络的压缩，压缩的镜架数据可以被看作是n维空间中的点，其中n是压缩后产生的数值的数量，并且可以基于n维空间中各点之间的距离来执行聚类。例如，相互接近的点被分组为单个簇。作为确定各点是否彼此接近的指标，可以使用n维空间中的欧几里得距离，即n维空间中两点之间的相应坐标差的n个平方和的平方根。在主成分分析的情况下，如果低阶系数之间没有偏差或偏差很小（例如，偏差低于预定义阈值），则镜架数据可以被识别为属于相同的簇，而对于如上文所解释表示镜架的更精细细节的高阶系数，可以允许更高的偏差（或例如对于某些最高阶系数，不给出阈值）。
[0029]
在不同的实施例中，一旦通过压缩描述物品的数据（在这种情况下是镜架数据）构建了压缩空间，人们就可以在这个空间中搜索，以针对一个给定的示例物品找到许多类似的物品。例如，人们可以找到与识别号为“001”的某个镜架在包括颜色、形状、材料等在内的特性方面相似的镜架。人们可以识别镜架001在压缩空间中的位置，此后基于与上文讨论的相似性标准类似的相似性标准，识别在压缩空间中与镜架001接近的多个镜架。这些镜架将看起来与镜架001相似。这些匹配的镜架可以按某个指标进行排名，例如与镜架001的距离（像上文解释的欧几里得距离），并且基于这种指标的匹配分数可以与匹配镜架的列表一起推导出来。在这种情况下，本发明的用于选择一个或多个镜架的计算机实施的方法包括：提供多个镜架的镜架数据，对该镜架数据进行压缩，选择符合配戴者喜好的模板镜架，基于相似性标准，根据压缩的镜架数据来选择一个或多个镜架，并可选地提供在如此选择的镜架之间与模板镜架的相似性排名。
[0030]
这种方法也可以应用于其他物品，例如其他与眼睛配戴物有关的物品，如眼镜。
[0031]
这个不同的实施例可以与本文讨论的其他实施例相结合，以在使用本文讨论的技术选择了镜架之后找到类似的镜架。
[0032]
同样，优选地，提供多个头部数据簇包括：提供多个头部的头部数据，对该头部数据进行压缩，以及基于相似性标准对压缩的头部数据进行聚类，以提供头部数据簇。
[0033]
对头部数据的提供、压缩和聚类可以如上文针对镜架数据所解释的那样执行。作为头部数据，2d图像是优选的，因为在稍后的使用中，人的头部的2d图像可以很容易地获取并与簇相关联，如将在下文讨论使用这种镜架选择设备的方法时所描述的。
[0034]
提供头部数据簇与镜架数据簇之间的映射可以包括为头部数据簇与镜架数据簇的配对指派估计概率或概率分布。“估计”表明这些通常不是基于确切的测量值。概率或概率分布指示来自相应镜架数据簇的镜架适合相应头部数据簇的头部的可能性。例如，如果给定头部数据簇a、b、c和镜架数据簇1、2、3，则p(a,1)将指示来自镜架数据簇1的镜架适合头部数据簇a的头部的概率或概率分布。类似的概率或概率分布可以指派给头部数据簇和镜架数据簇的其他配对，即p(a,2)、p(a,3)、p(b,1)等。应注意，在上文的示例中使用三个头部数据簇和三个镜架数据簇仅出于说明的目的，并且取决于可用的头部数据和镜架数据的数量，可以提供不同数量的簇。
[0035]
在简单的情况下，可以使用概率。然而，在优选实施例中，相应概率分布被指派给每一对头部数据簇和镜架数据簇。概率分布可以是β分布。β分布是在区间[0，1]（数学中定义概率的区间）上定义的由两个形状参数（本文将称为a和b）参数化的一系列连续概率分布。例如，β分布在以下文献中进行了描述：“beta distribution [β分布]”，维基百科，自由的百科全书2020年5月19日15:35，检索自https://en.wikipedia.org/w/index.phptitle=beta_distribution&oldid=955995606。在区间[0，1]内具有较高峰值的概率分布表示有较高的概率会出现头部簇和镜架簇的相应配对指示良好匹配的概率较高，而具有较低峰值的概率分布指示良好匹配的概率较低。
[0036]
可以使用各种方法来获得这种概率或概率分布。例如，可以要求专家（例如配镜师）提供他们的评价，并且可以基于这种评价（即，配镜师所估计的概率）来指派概率。在其他实施例中，可以提供配戴眼镜的多个人的图像，并且通过图像处理可以从图像中提取镜架。例如，wu chenyu等人，ieee模式分析与机器智能汇刊，第26卷，第3期，第322-336页中描述了从图像中提取镜架。然后，没有镜架的头部图像可以被指派到头部数据簇，而提取的镜架可以被指派到镜架数据簇。可以计数指派给头部数据簇和镜架数据簇的不同组合的镜架和头部配对的数量，并且可以对计数指派概率。例如，如果在头部被指派到头部数据簇a的100个随机的配戴镜架的人中，70个配戴镜架被指派到镜架数据簇1，20个配戴镜架被指派到镜架簇2，并且10个配戴镜架被指派到镜架簇3，则在简单的情况下，p(a,1)可以设置为0.7，p(a,2)为0.2并且p(a,3)为0.1。然而，这些是由100个随机人的样本产生的概率，但这些概率可能偏离“真正的”概率，而这些“真正的”概率是未知的，（因为例如）不可能对全部群体进行采样。这可以通过使用概率分布来反映。例如，在使用如β分布等概率分布的情况下，上述示例中的p(a, 1)的峰值为0.7，p(a,2)的峰值为0.2，并且p(a,3)的峰值为0.1，即，基于可用的信息（例如，100人的样本）在区间[0,1]中的“最可能”概率。相应峰值的宽度指示相应值的“可靠性”。如果确切的概率是已知的，则峰值将是相应概率的δ函数。
[0037]
获得概率的另一种可能性是通过对更高数量的人进行调查，即，要求大量的人选择和试戴镜架，并在此基础上确立选择概率，类似于上述基于图像确立选择概率的情况。
[0038]
正如下文将解释的，在一些实施例中，基于使用如此配置的镜架选择设备而调整和完善这些概率。因此，在其他实施例中，可以提供均匀概率作为初始映射。这意味着，最初，如此配置的设备将有相当高的可能性给出不适当的镜架推荐，但随着镜架选择设备的长期使用，选择可能得到改善。
[0039]
上述计算机实施的方法可以以计算机程序的形式提供，该程序包含指令，这些指令当在处理器上执行时，导致执行上述任何方法。还提供了对应的设备，该设备包括处理器，该计算机程序在该处理器上运行（例如，通过将计算机程序存储在该设备的存储器中）。换句话说，这样的设备可以包括用于执行上述任何方法的步骤的装置。
[0040]
在一些实施例中，可以将附加头部数据添加到多个头部数据簇，例如当附加数据变得可用时。另外，或可替代地，可以将附加镜架数据添加到多个镜架数据簇，这种添加新的头部数据或新的镜架数据可以类似于上述分别形成镜架数据簇和头部数据簇的方式执行：新的头部数据或镜架数据可以被压缩，然后基于相似性标准分别指派到镜架数据簇或头部数据簇之一。以这种方式，簇可以被持续更新，例如，当新的镜架模式变得可用时，簇也可以更新。
[0041]
根据本发明的第二方面，提供了一种为人选择镜架的方法，该方法可以使用如上所述配置的设备。该方法包括：提供该人的头部数据，基于该人的头部数据，识别多个头部数据簇中的头部数据簇，基于所识别的头部数据簇和该多个头部数据簇与多个镜架数据簇之间的映射，选择该多个镜架数据簇中的镜架数据簇，以及根据所选的镜架数据簇来选择至少一个镜架（例如，所有镜架或通过下文解释的过滤而获得的子集）。
[0042]
对于多个头部数据簇、多个镜架数据簇以及它们之间的映射，对上述第一方面给出的解释适用。这同样适用于人的头部数据。特别是，头部数据可以是人的头部的简单2d图像。通过这样的方法，只需要头部数据，例如，仅2d图像，然后可以选择有很高的概率适合这个人的一个镜架或几个镜架来推荐。
[0043]
基于人的头部数据识别头部数据簇可以包括：对人的头部数据进行压缩，以及基于预定的相似性标准来识别头部数据簇。
[0044]
以这种方式，可以很容易地识别该人的头部数据的头部数据簇。
[0045]
压缩和相似性标准可以与针对第一方面所解释的相同。换句话说，以与在第一方面中压缩头部数据相同的方式压缩人的头部数据，然后应用与第一方面中相同的相似性标准，使得识别到在第一方面的聚类操作中人的头部数据将被指派到的头部簇。
[0046]
在一些实施例中，映射可以包括形成如针对第一方面所解释的概率分布的概率。在这种情况下，选择镜架数据簇可以基于概率。这使得选择变得容易。
[0047]
在一些实施例中，选择可以基于贝叶斯多臂匪徒方法来进行。概率论中的多臂匪徒问题描述了这样一个问题：必须以使预期收益（选择合适的镜架，该镜架然后可能被人购买）最大化的方式将固定的有限资源集（想要购买镜架的有限数量的客户）分配在竞争性选择（来自各种镜架数据簇的替代选择镜架）之间。
[0048]
该问题的各种求解算法在本领域中是已知的，并且可以适用。
[0049]
一种特定的方法是贝叶斯匪徒法，其例如在以下文献中进行了解释：rahul agarwal的bayesian bandits explained simply [贝叶斯匪徒的简单解释]，2019年7月19日，发表于https://towardsdatascience.com，或h. robbins的some aspects of the sequential design of experiments [实验顺序设计的一些方面]. 美国数学学会公报，(58): 527-535, 1952。在这种情况下，对于选择，使用如上文所解释的β分布来为映射的概率建模。该选择然后基于β分布。
[0050]
本质上，这意味着具有与之相关联的较高概率的镜架数据簇比其他镜架簇更经常被选中。在针对第一方面给出的非常简单的示例中，有三个概率p(a,1) = 0.7, p(a,2) = 0.2以及p(a,3) = 0.1，如果基于人的头部数据识别了头部数据簇a，镜架数据簇1将有大约70%的时间被选择，镜架数据簇2将有大约20%的时间被选择，并且镜架数据簇3将有大约10%的时间被选择。在概率分布的情况下，对已识别的头部数据簇和相应的一个镜架数据簇的每一对的分布进行采样，例如上述示例中的分布p(a,1)、p(a,2)和p(a,3)。“采样”意味着基于概率分布确定区间[0，1]中的值，例如，峰值的值被采样的概率最高，但采样也可能产生其他值。换句话说，区间[0，1]中每个值被采样的概率是由相应的概率分布给出。然后选择采样出最高值的镜架数据簇。
[0051]
在实施例中，该方法进一步包括基于人的反馈来更新映射。人的反馈可以是该人表示所选镜架与他的头部很合适的指示、该人购买了该镜架（这也表明很合适）、该人喜欢该镜架或类似的反馈。在简单的方法中，如果人给出了正反馈（例如，人购买了镜架），则对于所识别的头部数据簇，未来选择所选镜架数据簇的概率就会增加，而负反馈则会降低这一概率。在如上文解释的使用贝叶斯多臂匪徒算法的实施方式中，这种更新也可以根据贝叶斯多臂匪徒算法来执行。在此，由于使用了β分布，可以根据下式进行更新
beta
posterior
(a
posterior
,b
posterior
)=beta
prior
(a
prior
,b
prior
)xbeta
update
(a
update
,b
update
)（1）。
[0052]
beta
posterior
是参数为a
posterior
和b
posterior
的更新的β分布，它是基于上述反馈更新的，beta
prior
是参数为a
prior
和b
prior
的更新前的β分布（即，接收到反馈的镜架选择所依据的β分布），并且beta
update
是参数为a
update
和b
update
的反映了反馈的β分布，如下文进一步解释的。根据上述公式（1）的更新可以通过简单的参数相加来进行，即：a
posterior
=a
prior
+a
update
（2），并且b
posterior
=b
prior
+b
update
（3）。
[0053]
在简单的方法中，a
update
和b
update
可以基于对于镜架数据簇的选择数量n而实际售出镜架的数量s来确定，即，基于上述方法，对于镜架数据簇的n次选择，对应的镜架被售出给人s次。在这种情况下，a
update
=s并且b
update
=n-s。
[0054]
在另一种方法中，可以对人的行为进行更详细的评估。例如，所选的镜架数据簇的镜架可以呈现给人。然后，该人可以查看、喜欢、不喜欢、试戴（例如在屏幕上虚拟地）或购买该镜架。这些动作中的每一个都可以被指派分数，并且可以基于指派给该人实际执行的动作的分数来计算a
update
和b
update
。作为一个非限制性的示例，可以如下指派分数：查看为a：-1；良好的解剖学适合性为a：3；不良的解剖学适合性为a：-3；虚拟试戴为a：10；并且购买为a：20。然后，选择的总分是用户所执行的动作的所有分数的总和。如果人首先查看，然后试戴，然后购买镜架，则镜架提供了良好的解剖学适合性，总分是-1+3+10+20，在这种情况下是最高分32。作为另一个非限制性的示例，可以如下指派分数：查看为a：-1；喜欢为a：3；不喜欢为a：-3；虚拟试戴为a：10；并且购买为a：20。然后，选择的总分是用户所执行的动作的所有分数的总和。如果人首先查看，然后喜欢，然后试戴，然后购买镜架，则总分是-1+3+10+20，在这种情况下是最高分32。对于根据等式（2）和（3）的更新，a
update
被设置为总分，并且b
update
被设置为最高分减去总分。
[0055]
在实施例中，该方法可以进一步包括提供该人的头部颜色。头部颜色是头部任何部分的颜色，并且例如可以是或包括眼睛颜色、头发颜色、胡须颜色和/或皮肤颜色。在人的头部数据是2d图像的情况下，例如可以通过图像处理来从2d图像中提取头部颜色。然后可以基于头部颜色来修改选择。这可以在基于识别的头部数据簇和映射选择多个镜架数据簇中的镜架数据簇之前或之后进行。
[0056]
在选择之前，可以通过修改映射的概率或概率分布来执行修改，并基于修改后的概率或修改后的概率分布来执行选择。例如，还可以向头部颜色和簇中镜架的颜色的组合指派某个值（较高的值表示良好的匹配），并且概率或基于映射的概率分布的采样值可以乘以这些值。
[0057]
在选择之后，可以基于（多种）头部颜色和镜架数据簇中镜架的颜色来过滤所选镜架数据簇中的镜架，使得仅推荐具有与人的头部颜色相适合的颜色的镜架。例如，哪些镜架颜色适合哪种头部颜色可以基于经验预先配置和/或也可以基于用户反馈更新，如上文所解释的。以这种方式，将进一步完善镜架的选择。
[0058]
如上所述，良好的物理适合性（例如镜架的正确宽度或镜架镜腿的正确长度）是人对特定镜架感到舒适的先决条件。特别是当使用上述更新时，可以降低推荐的镜架没有良好的物理适合性的概率。然而，为了进一步提高物理适合性，可以对选择进行附加修改。在
这样的实施例中，该方法可以进一步包括：提供该人的头部尺寸，以及基于该头部尺寸来修改该选择。
[0059]
与头部颜色一样，可以在选择之前（例如，通过修改映射，如针对头部颜色所讨论的）或选择之后（通过过滤，如也针对头部颜色所讨论的）执行修改。
[0060]
头部尺寸尤其可以包括头部的太阳穴宽度（左右太阳穴之间的距离），或接近面部的平面与耳朵之间的距离，这与镜架所需的镜腿长度相关。
[0061]
以这种方式，可以进一步提高推荐的镜架适合人的头部的概率。应注意，这是可选特征，并且本发明的方法也可以在不提供这些头部尺寸的情况下运行。然后，过滤可能导致仅推荐适合对应头部尺寸（例如，在其镜架宽度及其镜腿长度方面）的镜架。
[0062]
可选地，该方法可以进一步包括基于用户偏好进行过滤。以这种方式，用户可以输入关于他/她实际更喜欢的镜架的信息，例如关于镜架的颜色、镜架的品牌、镜架的价格范围或类似参数。这可能会进一步增加推荐用户实际想要购买的镜架的概率。
[0063]
对于推荐镜架的方法，还可以提供对应的计算机程序、数据载体、数据载体信号和对应编程的设备。应注意，在一些实施例中，可以在设备内提供多个头部数据簇和多个镜架数据簇。在其他实施例中，这些簇可以在可经由互联网访问的数据库中远程提供。于是，上述更新也可以更新远程数据库。在这种情况下，数据库可以是由多个设备更新的公共数据库，这可以有助于提高推荐的准确性。而且，远程数据库中也可以提供映射。公共数据库可以是针对某个地区的（如城镇、城镇的一部分、国家、大陆等）。将数据库、特别是映射限制在某个地区可以提高该地区的准确性。
附图说明
[0064]
将参照附图来对另外的实施例进行讨论，在附图中：图1是根据实施例的设备的框图，图2是展示了根据实施例的方法的流程图，图3和图4是展示了在实施例中使用的压缩示例的图解，图5是展示了镜架数据的聚类的图解，图6是展示了头部数据的聚类的图解，图7是展示了头部数据簇与镜架数据簇之间的映射的示例的图解，以及图8是展示了根据实施例的方法的流程图。
具体实施方式
[0065]
现在转到附图，图1是根据实施例的设备10的框图。
[0066]
设备10是计算机，包括彼此互连的处理器12、存储器13、显示器14、一个或多个输入/输出设备15和网络接口16。例如，设备10可以是可商购的计算机设备，如个人计算机、笔记本电脑、平板电脑、智能手机等。处理器12可以包括一个或多个处理器，每个处理器包括一个或多个处理器核。存储器13可以包括各种类型的存储器，如随机存取存储器（ram）、只读存储器（rom）、处理器12的缓存存储器、闪速存储器、或其他存储设备，如硬盘或固态驱动器（ssd）。在存储器13中，可以存储包括指令的程序代码，这些指令会导致执行下文讨论的
方法。显示器14可以包括触摸屏，其也用于输入数据。输入/输出设备15例如可以包括键盘、扬声器或鼠标。网络接口16以基于无线或有线的方式提供与互联网的连接。
[0067]
这样的设备可以用于实施下文参照图2讨论的配置方法，也可以是使用下文参照图8讨论的方法进行镜架选择的设备。特别是，在后一种情况下，设备10可以包括用于获得用户头部的2d图像的相机11。这样的相机11被包括在许多可商购的计算机设备中，如笔记本电脑、台式pc或智能手机。在其他实施例中，相机11可以从外部提供并连接到计算机设备10。
[0068]
在设备10用于如将结合图8讨论的镜架推荐的情况下，网络接口16可以用于将设备10连接到远程数据库17，该远程数据库中存储有头部数据簇、镜架数据簇以及它们之间的映射。在其他实施例中，这种镜架数据簇、头部数据簇以及它们之间的映射可以存储在存储器13中。
[0069]
图2是展示了根据实施例的用于配置镜架推荐设备的方法的流程图。
[0070]
在20处，该方法包括提供多个镜架的镜架数据。如前所述，镜架数据可以采取不同的形式，如2d图像、3d图像或cad数据。
[0071]
在21处，该方法包括压缩镜架数据。
[0072]
在22处，该方法包括对压缩的镜架数据进行聚类，以形成多个镜架数据簇。
[0073]
同样，在23处，该方法包括提供多个头部的头部数据，例如2d图像。
[0074]
在24处，该方法包括压缩头部数据。
[0075]
在25处，该方法包括对压缩的头部数据进行聚类，以形成多个头部数据簇。
[0076]
在26处，该方法包括提供从头部数据簇到镜架数据簇的映射。
[0077]
现在将参照图2至图7来说明图2的方法的各个步骤。
[0078]
图3和图4示出了在21处压缩镜架数据或在24处压缩头部数据的两种可能方法。在图3中，使用了主成分分析（pca）。在此，对镜架数据或头部数据30进行主成分分析31。其结果是主成分分析系数（pca系数）32，它以压缩形式（即，仅由系数）表示镜架数据或头部数据。如上文进一步解释的，系数定义了多个模板（主成分）的线性组合。
[0079]
在图4中，展示了使用卷积神经网络（cnn）的压缩示例。
[0080]
镜架数据或头部数据40被提供给包括层41-45的卷积神经网络。应注意，层41-45只是作为示例，并且可以提供更多的层。层41作为输入层。从层41-43开始，对数据执行空间压缩，即，数据在各层之间用越来越少的数值表示。层43（存在最大的压缩）有时也被称为瓶颈。从层43到输出层45，发生空间扩展，并且层45输出参考镜架/头部数据46。
[0081]
在训练期间，使用训练镜架数据或训练头部数据对层41-45之间的系数进行调整和训练，使得输出的参考镜架数据或参考头部数据与输入的训练镜架数据或训练头部数据基本对应。“基本对应”是指偏差小于预定义值。当以这种方式训练神经网络时，这意味着当将镜架数据或头部数据输入到神经网络时，瓶颈43中存在的数值构成了镜架数据或头部数据的压缩表示47。
[0082]
正如上文在一般性讨论中进一步提到的，这些只是压缩方法的两个示例，也可以使用其他压缩方法。
[0083]
图5展示了图2中的22处对压缩的镜架数据的聚类。在此，基于压缩的镜架数据之间的相似性标准，将由镜架数据表示的镜架一起分组在簇中。在图5的示例中，具有相似的
形状、形式和尺寸的镜架50a被一起分组在簇55a（簇1）中，而根据相似性标准也彼此相似的镜架50b被一起分组在簇51b（簇2）中。应注意，针对镜架50a、50b所示的镜架形状的差异仅仅是出于说明目的，并且在一些实施例中，一起分组在簇中的镜架可能或多或少地彼此相似。出于说明的目的，镜架50a具有较圆的镜圈，而镜架50b具有更有棱角的镜圈。另外的镜架（在图5中未示出）被分组到簇51c（簇3）中。为了便于理解，图5中的三个簇51a-51c的数量只是示例，并且取决于其镜架数据可用的镜架的数量以及它们的相似性，可以形成其他数量的簇。
[0084]
图6示出了图2中的25处对压缩的头部数据的聚类的示意性示例。在图6的示例中，与头部60a相对应的头部数据被聚类到头部数据簇61a（簇a）中。簇中的头部可以具有相似的形状、相似的比例（例如面部元素之间相似的相对距离）、相同的性别、相同的种族等。与头部60d相对应的头部数据被聚类在头部数据簇61d（簇d）中。其他头部数据可以被聚类在头部数据簇61b（簇b）或头部数据簇61c（簇c）中。同样，九个头部60a和九个头部60d的数量以及四个头部数据簇的数量只是作为示例。特别是，不同数量的头部数据可以被聚类在不同的簇中，这取决于有多少头部的头部数据集满足相应的相似性标准。
[0085]
图7展示了在图2的26处提供的映射的示例，其中图6的头部数据簇61a至61d和图5的镜架数据簇51a至51c用作示例。头部数据簇与镜架数据簇之间的箭头展示了这样的映射，在图7的示例中，每个箭头都被指派了相应的概率p(a,1)、p(a,2)、p(a,3)、p(d,1)和p(d,3)。应注意，这种具有指派的概率的校正可以从每个头部数据簇到每个镜架数据簇，但为了清楚起见，图7中仅示出了一些映射。
[0086]
一旦提供了镜架数据簇、头部数据簇和映射，就可以使用对应配置的设备进行镜架推荐。可以在图1的设备10中实施将参照图8讨论的对应方法。头部数据簇、镜架数据簇和映射可以存储在远程数据库17中，但也可以存储在存储器13中。
[0087]
在图8的80处，该方法包括提供人的头部数据。回到图1，这可以通过使用相机11拍摄人的头部图像来完成。
[0088]
在81处，该方法包括基于头部数据来识别头部数据簇。为此，头部数据可以如图2中的24处那样被压缩，然后可以基于相似性标准使用适当的头部簇。例如，如果该人的头部与头部60a相似，将很可能识别簇61a。如果该人的头部与头部60d相似，将很可能识别簇61d。
[0089]
在82处，该方法包括基于在81处识别的头部数据簇以及头部数据簇与镜架数据簇之间的映射来选择镜架数据簇。例如，如果在81处识别到图6和图7的头部数据簇61a，则基于概率p(a,1)、p(a,2)和p(a,3)来选择镜架数据簇。
[0090]
在接下来的步骤83-86中，可以修改这一选择。如图8中虚线箭头所示，并且如上文已经解释的，这种修改可以在82处的选择之前或之后进行。
[0091]
在83处，图8的方法包括提供人的头部尺寸，并且在84处，该方法包括基于提供的头部尺寸来修改选择。这可以提高推荐的镜架适合用户的概率。
[0092]
在85处，该方法包括提供人的头部颜色。头部颜色可以输入，也可以基于图像分析技术从在80处提供的头部数据（例如2d图像）中提取。
[0093]
在86处，该方法可以包括基于头部颜色来修改选择。例如，某些颜色通常被认为是不良匹配，并且可以降低选择具有与头部颜色不良匹配的颜色的镜架的概率。
[0094]
在87处，可以将在84和86处进行的这种修改所产生的所选簇中的镜架作为推荐提供给人。在88处，可以由用户基于个人偏好（例如，颜色、品牌、类型等）进一步过滤这些推荐。
[0095]
在89处，该方法可以包括基于人的反馈来更新映射。如上文所解释的，这可以基于贝叶斯多臂匪徒算法而进行。基本上，当人例如选择或购买所选镜架之一时，头部数据簇与镜架数据簇之间的相关映射可以被修改，以提高针对相应头部数据簇选择相应镜架数据簇的概率。如果该人没有选择任何推荐的镜架，则对应地，映射可能会被修改以降低概率。
[0096]
在头部数据簇、镜架数据簇和映射存储在远程数据库17中的情况下，可以从访问数据库17以进行镜架选择的多个设备执行更新。
[0097]
一些实施例由以下条款来限定：条款1. 一种用于配置镜架推荐设备（10）的计算机实施的方法，其特征在于：提供多个镜架数据簇（51a，51b，51c）；提供多个头部数据簇（61a，61b，61c，61d）；以及提供这些头部数据簇（61a，61b，61c，61d）与这些镜架数据簇（51a，51b，51c）之间的映射。
[0098]
条款2. 如条款1所述的方法，其特征在于，提供多个镜架数据簇（51a，51b，51c）包括：提供多个镜架（50a，50b）的镜架数据，对该镜架数据进行压缩；以及基于相似性标准对压缩的镜架数据进行聚类，以提供这些镜架数据簇（51a，51b，51c）。
[0099]
条款3. 如条款1或2所述的方法，其特征在于，提供该多个头部数据簇（61a，61b，61c，61d）包括：提供多个头部（60a，60d）的头部数据，对该头部数据进行压缩；以及基于另外的相似性标准对压缩的头部数据进行聚类，以提供该多个头部数据簇（61a，61b，61c，61d）。
[0100]
条款4. 如条款3所述的方法，其特征在于，该头部数据以该多个头部（60a，60d）的2d图像形式提供。
[0101]
条款5. 如条款1至4中任一项所述的方法，其特征在于，提供该映射包括向配对指派概率或概率分布之一，每个配对包括该多个头部数据簇（61a，61b，61c，61d）中的一个头部数据簇和该多个镜架数据簇（51a，51b，51c）中的一个镜架数据簇。
[0102]
条款6. 如条款5所述的方法，其特征在于，指派这些概率分布包括将这些概率分布指派为β分布。
[0103]
条款7. 一种设备（10），其特征在于：用于提供多个镜架数据簇（51a，51b，51c）（51a，51b，51c）的装置；用于提供多个头部数据簇（61a，61b，61c，61d）的装置；以及用于提供这些头部数据簇（61a，61b，61c，61d）与这些镜架数据簇（51a，51b，51c）之间的映射的装置。
[0104]
条款8. 如条款7所述的设备（10），其特征在于，用于提供多个镜架数据簇（51a，51b，51c）的装置包括：用于提供多个镜架（50a）的镜架数据的装置，用于压缩该镜架数据的装置；以及用于基于相似性标准对压缩的镜架数据进行聚类以提供这些镜架数据簇（51a，51b，51c）的装置。
[0105]
条款9. 如条款7或8所述的设备（10），其特征在于，用于提供该多个头部数据簇（61a，61b，61c，61d）的装置包括：用于提供多个头部（60a，60d）的头部数据的装置；用于压缩该头部数据的装置；以及用于基于另外的相似性标准对压缩的头部数据进行聚类以提供该多个头部数据簇（61a，61b，61c，61d）的装置。
[0106]
条款10. 如条款9所述的设备（10），其特征在于，该头部数据以该多个头部（60a，60d）的2d图像形式提供。
[0107]
条款11. 如条款7至10中任一项所述的设备（10），其特征在于，用于提供该映射的装置包括用于向配对指派概率或概率分布之一的装置，每个配对包括该多个头部数据簇（61a，61b，61c，61d）中的一个头部数据簇和该多个镜架数据簇（51a，51b，51c）中的一个镜架数据簇。
[0108]
条款12. 如条款11所述的设备（10），其特征在于，用于指派这些概率分布的装置包括用于将这些概率分布指派为β分布的装置。
[0109]
条款13. 一种镜架推荐设备（10），该设备包括处理器（12），其特征在于该处理器（12）被配置为：提供多个镜架数据簇（51a，51b，51c）；提供多个头部数据簇（61a，61b，61c，61d）；以及提供这些头部数据簇（61a，61b，61c，61d）与这些镜架数据簇（51a，51b，51c）之间的映射。
[0110]
条款14. 如条款13所述的设备（10），其特征在于，为了提供多个镜架数据簇（51a，51b，51c），该处理器（12）被配置为：提供多个镜架（50a）的镜架数据，对该镜架数据进行压缩，以及基于相似性标准对压缩的镜架数据进行聚类，以提供这些镜架数据簇（51a，51b，51c）。
[0111]
条款15. 如条款13所述的设备（10），其特征在于，为了提供该多个头部数据簇（61a，61b，61c，61d），该处理器（12）被配置为：提供多个头部（60a，60d）的头部数据，对该头部数据进行压缩；以及基于另外的相似性标准对压缩的头部数据进行聚类，以提供该多个头部数据簇（61a，61b，61c，61d）。
[0112]
条款16. 如条款15所述的设备（10），其特征在于，该头部数据以该多个头部（60a，
60d）的2d图像形式提供。
[0113]
条款17. 如条款13至16中任一项所述的设备（10），其特征在于，为了提供该映射，该处理器（12）被配置为向配对指派概率或概率分布之一，每个配对包括该多个头部数据簇（61a，61b，61c，61d）中的一个头部数据簇和该多个镜架数据簇（51a，51b，51c）中的一个镜架数据簇。
[0114]
条款18. 如条款17所述的设备（10），其中，指派这些概率分布包括将这些概率分布指派为β分布。
[0115]
条款19. 一种用于为人选择镜架的方法，该方法包括：提供该人的头部数据，其特征在于：基于该人的头部数据，识别多个头部数据簇（61a，61b，61c，61d）中的头部数据簇，基于所识别的头部数据簇和该多个头部数据簇（61a，61b，61c，61d）与多个镜架数据簇（51a，51b，51c）之间的映射，选择该多个镜架数据簇（51a，51b，51c）中的镜架数据簇，以及基于所选的镜架数据簇，提供至少一个所选镜架。
[0116]
条款20. 如条款19所述的方法，其特征在于，识别该头部数据簇包括压缩该人的头部数据，以及基于压缩的头部和相似性标准来识别该头部数据簇。
[0117]
条款21. 如条款19或20所述的方法，其特征在于，该映射包括指派给配对的概率或概率分布之一，每个配对包括该多个头部数据簇（61a，61b，61c，61d）中的一个头部数据簇和该多个镜架数据簇（51a，51b，51c）中的一个镜架数据簇，其中，选择该镜架数据簇是基于概率或概率分布之一。
[0118]
条款22. 如条款21所述的方法，其特征在于，选择该镜架数据簇是基于贝叶斯多臂匪徒算法。
[0119]
条款23. 如条款19至22中任一项所述的方法，其特征在于，提供该人的头部尺寸，以及基于该头部尺寸来修改该选择。
[0120]
条款24. 如条款19至23中任一项所述的方法，其特征在于，提供该人的头部颜色，以及基于该头部颜色来修改该选择。
[0121]
条款25. 如条款19至24中任一项所述的方法，其特征在于，提供该人的头部数据包括捕获或提供该人的2d图像。
[0122]
条款26. 如条款24和25所述的方法，其特征在于，提供该头部颜色是基于该2d图像。
[0123]
条款27. 如条款19至26中任一项所述的方法，其特征在于，进一步包括基于该人提供的标准来过滤该至少一个所选镜架。
[0124]
条款28. 如条款19至27中任一项所述的方法，其特征在于，进一步包括基于该人的反馈来更新该映射。
[0125]
条款29. 如条款28所述的方法，其特征在于，该更新是基于贝叶斯多臂匪徒算法而执行的。
[0126]
条款30. 一种用于为人选择镜架的设备（10），该设备包括：用于提供该人的头部数据的装置，其特征在于，用于基于该人的头部数据而识别多个头部数据簇（61a，61b，61c，61d）中的头部数据簇的装置，用于基于所识别的头部数据簇和该多个头部数据簇（61a，61b，61c，61d）与多个镜架数据簇（51a，51b，51c）之间的映射而选择该多个镜架数据簇（51a，51b，51c）中的镜架数据簇的装置，以及用于基于所选的镜架数据簇而提供至少一个推荐镜架的装置。
[0127]
条款31. 如条款30所述的设备（10），其特征在于，用于识别该头部数据簇的装置包括用于压缩该人的头部数据的装置，以及用于基于压缩的头部和相似性标准来识别该头部数据簇的装置。
[0128]
条款32. 如条款30或31所述的设备（10），其特征在于，该映射包括指派给配对的概率或概率分布之一，每个配对包括该多个头部数据簇（61a，61b，61c，61d）中的一个头部数据簇和该多个镜架数据簇（51a，51b，51c）中的一个镜架数据簇，其中，用于选择该镜架数据簇的装置基于概率或概率分布之一来操作。
[0129]
条款33. 如条款32所述的设备（10），其特征在于，选择该镜架数据簇是基于贝叶斯多臂匪徒算法。
[0130]
条款34. 如条款30至33中任一项所述的设备（10），其特征在于，用于提供该人的头部尺寸的装置，以及用于基于该头部尺寸来修改该选择的装置。
[0131]
条款35. 如条款30至34中任一项所述的设备（10），其特征在于，用于提供该人的头部颜色的装置，以及用于基于该头部颜色来修改该选择的装置。
[0132]
条款36. 如条款30至35中任一项所述的设备（10），其特征在于，用于提供该人的头部数据的装置包括用于捕获该人的2d图像的相机（11）。
[0133]
条款37. 如条款35和36所述的设备（10），其特征在于，提供该头部颜色是基于该2d图像。
[0134]
条款38. 如条款30至37中任一项所述的设备（10），其特征在于，进一步包括用于基于该人提供的标准来过滤该至少一个所选镜架的装置。
[0135]
条款39. 如条款30至38中任一项所述的设备（10），其特征在于，进一步包括用于基于该人的反馈来更新该映射的装置。
[0136]
条款40. 如条款39所述的设备（10），其特征在于，用于更新的装置基于贝叶斯多臂匪徒算法来操作。
[0137]
条款41. 一种用于为人选择镜架的设备（10），该设备包括：处理器（12），该处理器被配置为：提供该人的头部数据，其特征在于，该处理器（12）进一步被配置为基于该人的头部数据，识别多个头部数据簇（61a，61b，61c，61d）中的头部数据簇，基于所识别的头部数据簇和该多个头部数据簇（61a，61b，61c，61d）与多个镜架数据簇（51a，51b，51c）之间的映射，选择该多个镜架数据簇（51a，51b，51c）中的镜架数据簇；
以及基于所选的镜架数据簇，提供至少一个推荐镜架。
[0138]
条款42. 如条款41所述的设备（10），其特征在于，为了识别该头部数据簇，该处理器（12）被配置为压缩该人的头部数据，并基于压缩的头部和相似性标准来识别该头部数据簇。
[0139]
条款43. 如条款41或42所述的设备（10），其特征在于，该映射包括指派给配对的概率或概率分布之一，每个配对包括该多个头部数据簇（61a，61b，61c，61d）中的一个头部数据簇和该多个镜架数据簇（51a，51b，51c）中的一个镜架数据簇，其中，选择该镜架数据簇是基于概率或概率分布之一。
[0140]
条款44. 如条款43所述的设备（10），其特征在于，选择该镜架数据簇是基于贝叶斯多臂匪徒算法。
[0141]
条款45. 如条款41至44中任一项所述的设备（10），其特征在于，该处理器（12）被配置为接收该人的头部尺寸，以及基于该头部尺寸来修改该选择。
[0142]
条款46. 如条款41至45中任一项所述的设备（10），其特征在于，该处理器（12）被配置为提供该人的头部颜色，以及基于该头部颜色来修改该选择。
[0143]
条款47. 如条款41至46中任一项所述的设备（10），其特征在于，为了提供该人的头部数据，该设备（10）包括用于捕获该人的2d图像的相机（11）。
[0144]
条款48. 如条款46和47所述的设备（10），其特征在于，提供该头部颜色是基于该2d图像。
[0145]
条款49. 如条款41至48中任一项所述的设备（10），其特征在于，该处理器（12）被配置为基于该人提供的标准来过滤该至少一个所选镜架。
[0146]
条款50. 如条款41至49中任一项所述的设备（10），其特征在于，该处理器（12）被配置为基于该人的反馈来更新该映射。
[0147]
条款51. 如条款50所述的设备（10），其特征在于，该更新是基于贝叶斯多臂匪徒算法而执行的。
[0148]
条款52. 一种用于选择一个或多个镜架的计算机实施的方法，该方法包括：提供多个镜架的镜架数据，对该镜架数据进行压缩，选择符合配戴者喜好的模板镜架，基于相似性标准，根据压缩的镜架数据来选择一个或多个镜架。
[0149]
条款53. 如条款52所述的方法，进一步包括：提供在所选镜架之间与该模板镜架的相似性排名。
[0150]
条款54. 一种计算机程序，包括指令，这些指令当在至少一个处理器上执行时引起执行如条款1至6、19至29或52至53中任一项所述的方法。
[0151]
条款55. 一种存储介质，包括如条款54所述的计算机程序。
[0152]
条款56. 如条款53所述的存储介质，其中，该存储介质是有形存储介质。
[0153]
条款57. 一种数据载体信号，承载如条款54所述的计算机程序。
[0154]
条款58. 一种设备（10），包括处理器和存储的指令，这些指令在由该处理器执行时，引起执行如条款1至6、19至29或52至53中任一项所述的方法。
[0155]
条款59. 如权利要求1所述的方法，其特征在于，提供多个镜架数据簇（51a，51b，51c）包括：提供多个镜架（50a，50b）的镜架数据，对该镜架数据进行压缩；以及基于相似性标准对压缩的镜架数据进行聚类，以提供这些镜架数据簇（51a，51b，51c）。
[0156]
条款60. 一种用于配置镜架推荐设备（10）的计算机实施的方法，其特征在于提供多个头部数据簇（61a，61b，61c，61d），该方法包括：提供多个头部（60a，60d）的头部数据，以及基于另外的相似性标准对压缩的头部数据进行聚类，以提供该多个头部数据簇（61a，61b，61c，61d）。
[0157]
条款61. 一种用于配置镜架推荐设备（10）的计算机实施的方法，其特征在于提供多个镜架数据簇（51a，51b，51c），该方法包括：提供多个镜架（50a，50b）的镜架数据，以及基于相似性标准对压缩的镜架数据进行聚类，以提供该多个镜架数据簇（51a，51b，51c）。
[0158]
条款62. 一种用于配置镜架推荐设备（10）的计算机实施的方法，其特征在于提供多个头部数据簇（61a，61b，61c，61d），该方法包括：提供多个头部（60a，60d）的头部数据，以及基于另外的相似性标准对压缩的头部数据进行聚类，以提供该多个头部数据簇（61a，61b，61c，61d）。
[0159]
条款63. 一种用于配置镜架推荐设备（10）的计算机实施的方法，其特征在于根据条款61所述的提供多个镜架数据簇（51a，51b，51c）以及根据条款62所述的提供多个头部数据簇（61a，61b，61c，61d）。