用于经由web环境与个体进行交互的基于人工智能的成像系统和方法与流程

1.本公开整体涉及基于人工智能的成像系统和方法，并且更具体地，涉及用于经由web环境与个体进行交互的基于人工智能的成像系统和方法。


背景技术：

2.常规的基于web的通信通常需要web浏览器或在客户端设备的本机操作系统上执行的本机应用程序(app)来与服务器进行多次来回往返通信以便操作。客户端设备通常需要此类通信来将可能需要大量处理和存储器资源的复杂任务卸载到服务器，因为与常规的客户端设备相比，服务器通常具有更多的计算资源来处理此类任务。然而，此类来回往返通信可产生与性能和安全性相关的若干问题。最先，常规的web浏览器或本机app的性能取决于计算机网络(传统的web浏览器或本机app通过该计算机网络进行通信)的速度、等待时间和可能的错误，其中web浏览器或本机app可能无法通过不良的或受损的网络或连接加载或操作。此外，不良连接可导致常规的web应用程序以降低的速度或容量运行。对于传输或使用大尺寸文件或信息(诸如图像或视频)的软件应用程序尤其如此。例如，图像的传送可导致网络延迟，因为图像和/或视频通常需要高网络带宽，如果没有高网络带宽，客户端和服务器端都会出现延迟和/或错误。虽然一些本机app可以处理图像，但此类本机app是不期望的，因为它们需要至少两个不同的操作系统来开发，并且需要检查多个设备与跨多个操作系统的不同硬件的兼容性，以便有效地运行。由于这些原因，本机app可能容易出错，即不维护本机app，否则可能需要不断进行版本控制和维护，并且必须由第三方平台分销商(例如，apple app商店或google play商店)检查和批准，这可能需要支付分销费用。此外，消费者越来越不愿意下载非必要的本机app，这进一步降低了此类本机app的可取性。
3.由于常规的基于web的通信是不安全的，因此出现了另外的问题。虽然基于安全性的协议诸如传输层安全性(tls)和安全套接字层(ssl)可以提高基于web的通信的安全性，但此类协议并非失效安全，并且可以被黑客攻击或破解，从而使网络攻击者能够访问被拦截的基于web的通信的基础信息。此类网络攻击对于个人信息(例如，个人可识别信息(pii))尤其成问题，其中用户和提供与用户通信的网站或服务器的公司通常对个人信息的保护和隐私极为敏感。鉴于个人信息因受到越来越多的隐私法规的约束而变得越来越重要，因此尤其如此。
4.出于上述原因，需要用于经由web环境与个体进行交互的基于人工智能的成像系统和方法。


技术实现要素：

5.一般来讲，本文所述的用于经由web环境与个体进行交互的基于人工智能的成像系统和方法提供了用于处理私有信息诸如pii的更安全的环境。一般来讲，如本文所提及的，pii是可以可能用于标识特定个体或个人的数据。pii的示例包括个体的全名、社会保障
号码、驾驶执照号码、银行账号、护照号码和/或电子邮件地址。pii还可以包括个体的图像。例如，这样的pii可包括诸如“自拍”图像。
6.利用本文所述的基于人工智能的成像系统和方法，私有信息不需要通过计算机网络传送，并且因此不会受到算机攻击的拦截。具体地，所公开的系统和方法能够在不需要持续连接到互联网的情况下操作，其中仅需要初始连接或传输(该传输不一定涉及私有信息的传送)来传送预定义的成像代码以在客户端设备上运行。任何私有信息，诸如pii，可以通过预定义的成像代码在用户的客户端设备上本地存储或处理。另外，所公开的基于人工智能的成像系统和方法通过提供人工智能图像分析来增强、注释或以其他方式对图像(例如，自拍)执行图像分析以使得用户和/或产品推荐特定于用户而提供更强大的功能性。
7.更具体地，如本文所述，基于人工智能的成像系统被配置为经由web环境与个体进行交互。基于人工智能的成像系统包括配置服务器，该配置服务器包括一个或多个处理器和一个或多个存储器。配置服务器可被配置为响应于来自在客户端设备上执行的web浏览器的请求。此外，预定义的成像代码可以存储在服务器的一个或多个存储器中。计算指令可被配置为在配置服务器的一个或多个处理器上执行。计算指令可以使配置服务器在从web浏览器接收到请求时将预定义的成像代码传送到web浏览器。预定义的成像代码可被配置为当web浏览器接收到预定义的成像代码时由web浏览器存储在客户端设备的存储器中。此外，预定义的成像代码可被配置为在web浏览器接收到预定义的成像代码时由客户端设备的客户端处理器执行。预定义的成像代码可被配置为在由客户端处理器执行时在客户端设备的显示器上渲染web浏览器内的交互式图形用户界面(gui)；将个体的一个或多个图像加载到客户端设备的存储器中；基于个体的一个或多个图像的图像分析来确定个体的一个或多个个人属性；以及在交互式gui内渲染个体的一个或多个个人属性。附加地或另选地，在一些实施方案中，预定义的成像代码能够在web浏览器内执行，而无需与配置服务器通信。此外，附加地或另选地，在一些实施方案中，预定义的成像代码可被高速缓存在客户端设备的存储器中，其中预定义的成像代码被允许访问分配给web浏览器的存储器的至少一部分。
8.此外，如本文所述，公开了一种用于经由web环境与个体进行交互的基于人工智能的成像方法。基于人工智能的成像方法包括在配置服务器处接收来自web浏览器的对预定义的成像代码的请求，该配置服务器能够访问存储预定义的成像代码的存储器。基于智能的成像方法还包括由配置服务器通过将预定义的成像代码传送到web浏览器来响应请求。web浏览器可以在客户端设备上执行。预定义的成像代码可被配置为当web浏览器接收到预定义的成像代码时由web浏览器存储在客户端设备的存储器中。此外，预定义的成像代码可被配置为在web浏览器接收到预定义的成像代码时由客户端设备的客户端处理器执行。基于人工智能的成像方法还可以包括用预定义的成像代码在客户端设备的显示器上渲染web浏览器内的gui。基于人工智能的成像方法还可以包括用预定义的成像代码将个体的一个或多个图像加载到客户端设备的存储器中。基于人工智能的成像方法还可以包括用预定义的成像代码，基于个体的一个或多个图像的图像分析来确定个体的一个或多个个人属性。基于人工智能的成像方法还可以包括用预定义的成像代码在交互式gui内渲染个体的一个或多个个人属性。附加地或另选地，在一些实施方案中，预定义的成像代码可以能够在web浏览器内执行，而无需与配置服务器通信。此外，附加地或另选地，在一些实施方案中，预定义的成像代码可被高速缓存在客户端设备的存储器中，预定义的成像代码被允许访问分配
给web浏览器的存储器的至少一部分。
9.此外，如本文所述，基于人工智能的成像系统被配置为经由web环境与个体进行交互。基于人工智能的成像系统包括配置服务器，该配置服务器包括一个或多个处理器和一个或多个存储器。配置服务器可被配置为响应于来自在客户端设备上执行的web浏览器的请求。此外，预定义的成像代码可被配置为存储在服务器的一个或多个存储器中。此外，计算指令可被配置为在配置服务器的一个或多个处理器上执行。计算指令可以使配置服务器在从web浏览器接收到请求时将预定义的成像代码传送到web浏览器。此外，预定义的成像代码可被配置为当web浏览器接收到预定义的成像代码时由web浏览器存储在客户端设备的存储器中。此外，预定义的成像代码可被配置为在web浏览器接收到预定义的成像代码时由客户端设备的客户端处理器执行。预定义的成像代码可被配置为在由客户端处理器执行时在客户端设备的显示器上渲染web浏览器内的gui；将个体的一个或多个图像加载到客户端设备的存储器中；基于个体的一个或多个图像的图像分析来确定个体的一个或多个个人属性；以及在交互式gui内渲染个体的一个或多个个人属性。附加地或另选地，在一些实施方案中，一个或多个个人属性可包括个体的一个或多个面部特征、一个或多个口腔特征或者一个或多个基于头发的特征。
10.此外，如本文所述，公开了一种用于经由web环境与个体进行交互的基于人工智能的成像方法。基于人工智能的成像方法包括在配置服务器处接收来自web浏览器的对预定义的成像代码的请求，该配置服务器能够访问存储预定义的成像代码的存储器。基于智能的成像方法还包括由配置服务器通过将预定义的成像代码传送到web浏览器来响应请求。web浏览器可以在客户端设备上执行。预定义的成像代码可被配置为当web浏览器接收到预定义的成像代码时由web浏览器存储在客户端设备的存储器中。此外，预定义的成像代码可被配置为在web浏览器接收到预定义的成像代码时由客户端设备的客户端处理器执行。基于人工智能的成像方法还可以包括用预定义的成像代码在客户端设备的显示器上渲染web浏览器内的gui。基于人工智能的成像方法还可以包括用预定义的成像代码将个体的一个或多个图像加载到客户端设备的存储器中。基于人工智能的成像方法还可以包括用预定义的成像代码，基于个体的一个或多个图像的图像分析来确定个体的一个或多个个人属性。基于人工智能的成像方法还可以包括用预定义的成像代码在交互式gui内渲染个体的一个或多个个人属性。附加地或另选地，在一些实施方案中，一个或多个个人属性可包括个体的一个或多个面部特征、一个或多个口腔特征或者一个或多个基于头发的特征。
11.根据上文以及本文的公开内容，本公开包括计算机功能性的改进或对其他技术的改进，至少因为本公开描述了例如客户端设备得到改进，其中通过使用预定义的成像代码来增强客户端设备的安全性。预定义的成像代码一旦被客户端设备接收和执行，就是自给自足的，并且不通过公共网络(例如，互联网)传输用户的私有或个人信息。这防止了此类信息被网络攻击者拦截。即，本公开描述了计算机本身或“任何其他技术或技术领域”的功能性的改进，因为数据是安全的(因为数据不需要通过具有固有安全漏洞的网络来发送)。这相比于现有技术有所改进，至少是因为常规的web通信容易出现安全问题/遭受网络攻击，因为即使通过安全协议标准诸如ssl和/或tls来发送，此类web通信也可能被拦截和破解。
12.此外，本公开包括计算机功能性的改进或对其他技术的改进，至少因为本公开描述了例如客户端设备可以通过使用预定义的成像代码，通过单独地或至少大部分地在客户
端设备上执行来提供更高分辨率的成像分析。这些优点对于app运行需要图像和其他个人信息以及app使用大文件(例如，图像)并且需要复杂处理的app尤其重要。实现了更快的数据处理是因为通过使用预定义的成像代码，客户端设备不再经历典型网络通信的滞后，特别是经由大文件或数据例如图像数据的传输。相反，用预定义的成像代码，客户端设备不需要永久的互联网连接。在各种实施方案中，在被传输和加载(例如，在每次使用之前进行一次)之后，预定义的成像代码然后可以在没有与服务器的数据连接或在与服务器的数据连接很少的情况下操作。
13.此外，本公开包括除本领域中众所众知的、常规的、常规活动之外的特定特征，或者添加将权利要求限制到特定的有用应用程序的非常规步骤，例如，用于经由本文所述的web环境与个体进行交互的基于人工智能的成像系统和方法。
14.通过以举例说明的方式示出和描述的优选实施方案的以下描述，优点对于本领域的普通技术人员而言将变得更加显而易见。如将认识到的，本发明的实施方案可具有其他和不同的实施方案，并且它们的细节能够在各个方面进行修改。因此，附图和描述应被视为实质上是示例性的而非限制性的。
附图说明
15.下文所述的附图描绘了本文所公开的系统和方法的各个方面。应当理解，每个附图描绘了所公开的系统和方法的特定方面的实施方案，并且每个附图旨在与其可能的实施方案保持一致。此外，在可能的情况下，以下描述提及了以下附图中包括的附图标号，其中多个附图中所示的特征部用一致的附图标号进行表示。
16.在当前讨论的附图中示出了布置，然而，应当理解，本实施方案不限于所示的精确布置和工具，其中：
17.图1示出了根据本文所公开的各种实施方案的基于人工智能的示例性成像系统，该基于人工智能的示例性成像系统被配置为经由web环境与个体进行交互。
18.图2示出了根据本文所公开的各种实施方案的实现从图1的基于人工智能的成像系统的配置服务器接收的预定义的成像代码的示例性客户端设备的图。
19.图3示出了根据本文公开的各种实施方案的用于经由web环境与个体进行交互的示例性的基于人工智能的成像方法的图。
20.图4示出了根据图3的方法和根据本文所公开的各种实施方案的用于经由web环境与个体进行交互的另一示例性基于人工智能的成像方法的图，并且其中个体的一个或多个个人属性包括个体的一个或多个面部特征、一个或多个口腔特征或者一个或多个基于头发的特征。
21.图5示出了根据本文所公开的各种实施方案的针对图1至图4所描述的基于人工智能的成像系统或方法中的任一者的示例性图像，包括个体，示出了该个体的一个或多个个人属性，该一个或多个个人属性包括个体的一个或多个面部特征、一个或多个口腔特征或者一个或多个基于头发的特征。
22.图6示出了用于基于图5的个体的一个或多个个人属性来推荐一个或多个产品的示例性显示器或用户界面。
23.附图仅出于说明的目的描绘了优选的实施方案。在不脱离本文所述的本发明的原
理的情况下，可以采用本文所示的系统和方法的替代实施方案。
具体实施方式
24.图1示出了根据本文所公开的各种实施方案的基于人工智能的示例性成像系统100，该基于人工智能的示例性成像系统被配置为经由web环境与个体进行交互。在图1的示例性实施方案中，基于人工智能的成像系统100包括服务器102，该服务器可包括一个或多个计算机服务器。在各种实施方案中，服务器102包括多个服务器，多个服务器可包括作为服务器群的一部分的多个、冗余的或复制的服务器。在另外的实施方案中，服务器102可被实现为基于云的服务器。例如，服务器102可以是任何一个或多个基于云的平台，诸如microsoft azure、amazon aws等。服务器102可包括一个或多个处理器104以及一个或多个计算机存储器106。服务器102在本文中可被称为“配置服务器”。
25.存储器106可包括一种或多种形式的易失性和/或非易失性、固定和/或可移动存储器，诸如只读存储器(rom)、电子可编程只读存储器(eprom)、随机存取存储器(ram)、可擦除电子可编程只读存储器(eeprom)和/或其他硬盘驱动器、闪存存储器、microsd卡等。存储器106可存储能够促进如本文所讨论的功能性、应用程序、方法或其他软件的操作系统(os)(例如，microsoft windows、linux、unix等)。存储器106还可以存储预定义的成像代码108，用于传输或传送到web浏览器或客户端设备，如本文所述。附加地或另选地，预定义的成像代码108还可以存储在数据库105中，该数据库可由服务器102访问或以其他方式通信地耦接到该服务器。存储器106还可以存储机器可读指令，包括一个或多个应用程序、一个或多个软件组件和/或一个或多个应用程序编程接口(api)中的任一者，其可被实现以促进或执行这些特征、功能或本文所述的其他公开内容，诸如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所例示、描绘或描述的任何方法、过程、元件或限制。例如，应用程序、软件部件或api中的至少一些可以是基于成像的机器学习模型或部件和/或预定义的成像代码108，包括基于成像的机器学习模型或部件和/或该预定义的成像代码，或者是基于成像的机器学习模型或部件和/或该预定义的成像代码的一部分，其中每一者被配置为促进本文所讨论的它们的各种功能性。应当理解，可设想由处理器104执行的一个或多个其他应用程序。
26.处理器104可经由计算机总线连接到存储器106，该计算机总线负责向和从处理器104和存储器106传输电子数据、数据分组或其他电子信号，以便实现或执行如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的机器可读指令、方法、过程、元件或限制。
27.处理器104可经由计算机总线与存储器106连接以执行操作系统(os)。处理器104还可以经由计算机总线与存储器106进行连接以创建、读取、更新、删除或以其他方式访问存储在存储器106和/或数据库104(例如，关系数据库，诸如oracle、db2、mysql，或基于nosql的数据库，诸如mongodb)中的数据或与之进行交互。存储在存储器106和/或数据库104中的数据可包括本文所述的任何数据或信息的全部或部分，包括例如一个或多个搜索请求、一个或多个交易细节和用户的配置文件信息。
28.服务器102还可包以括通信部件，该通信部件被配置为经由一个或多个外部/网络端口将数据传送(例如，发送和接收)到一个或多个网络或本地终端诸如本文所述的计算机
网络120和/或终端109(用于或可视化)。在一些实施方案中，服务器102可包括客户端-服务器平台技术，诸如asp.net、java j2ee、ruby on rails、node.js、web服务或在线api，其响应于接收和响应于电子请求。服务器102可以实现客户端-服务器平台技术，该技术可经由计算机总线与存储器106(包括存储在其中的应用程序、部件、api、数据等)和/或数据库105进行交互，以实现或执行如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所例示、描绘或描述的机器可读指令、方法、过程、元件或限制。根据一些实施方案，服务器102可包括根据ieee标准、3gpp标准或其他标准起作用并且可用于经由连接到计算机网络120的外部/网络端口接收和传输数据的一个或多个收发器(例如，wwan、wlan和/或wpan收发器)，或者与一个或多个收发器进行交互。在一些实施方案中，计算机网络120可包括专用网络或局域网(lan)。附加地或另选地，计算机网络120可包括公共网络，诸如互联网。
29.服务器102还可包括或实现操作者界面，该操作者界面被配置为向管理员或操作者呈现信息以及/或者从管理员或操作者接收输入。如图1所示，操作者界面可以(例如，经由终端109)提供显示屏。服务器102还可提供i/o部件(例如，端口、电容式或电阻式触敏输入面板、按键、按钮、灯、led)，i/o部件可经由服务器102直接访问或附接到该服务器，或者可经由终端109间接访问或附接到该终端。根据一些实施方案，管理员或操作者可经由终端109访问服务器102以查看信息、做出更改、输入训练数据以及/或者执行其他功能。
30.如上所述，在一些实施方案中，服务器102可执行如本文所讨论的作为“云”网络的一部分的功能性，或者可以其他方式与云内的其他硬件或软件部件通信以发送、检索或以其他方式分析本文所述的数据或信息。
31.一般来讲，计算机程序或基于计算机的产品、应用程序或代码(例如，本文所述的预定义的成像代码或其他计算指令)可存储在计算机可用存储介质或其中体现有此类计算机可读程序代码或计算机指令的有形非暂态计算机可读介质(例如，标准随机存取存储器(ram)、光盘、通用串行总线(usb)驱动器等)上，其中计算机可读程序代码或计算机指令可被安装或以其他方式适配成由(例如，与存储器106中的相应操作系统结合工作的)处理器104执行以促进、实现或执行如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所例示、描绘或描述的机器可读指令、方法、过程、元件或限制。就这一点而言，程序代码可以任何期望的程序语言实施，并且可以被实现为机器代码、汇编代码、字节代码、可解释源代码等(例如，经由golang、python、c、c++、c#、objective-c、java、scala、actionscript、javascript、html、css、xml等)。
32.如图1所示，服务器102经由计算机网络120经由基站111b和基站112b通信地耦接到一个或多个客户端设备111c1至111c3和/或112c1至112c3。在一些实施方案中，基站111b和基站112b可包括蜂窝基站诸如蜂窝塔，基于各种移动电话标准(包括nmt、gsm、cdma、ummts、lte、5g等)中的任一者或多者经由无线通信121与一个或多个客户端设备111c1至111c3和112c1至112c3通信。附加地或另选地，基站111b和基站112b可包括路由器、无线交换机或基于各种无线标准中的任一个或多个无线标准经由无线通信122与一个或多个客户端设备111c1至111c3和112c1至112c3通信的其他此类无线连接点，作为非限制性示例，该无线标准包括ieee 802.11a/b/c/g、bluetooth标准等。
33.一个或多个客户端设备111c1至111c3和/或112c1至112c3中的任一个客户端设备可包括蜂窝电话、移动电话、平板设备、个人数据助理(pda)等，包括(作为非限制性示例)
apple iphone或ipad设备或基于google android的移动电话或平板电脑。此外，一个或多个客户端设备111c1至111c3和/或112c1至112c3可实现或执行操作系统(os)或移动平台，诸如apple的ios和/或google的android操作系统。一个或多个客户端设备111c1至111c3和/或112c1至112c3中的任一个客户端设备可包括用于存储、实现或执行计算指令或代码(例如，预定义的成像代码)的一个或多个处理器和/或一个或多个存储器，如本文的各种实施方案中所述。
34.图2示出了根据本文所公开的各种实施方案的实现从图1的基于人工智能的成像系统100的配置服务器102接收的预定义的成像代码108的示例性客户端设备200的图。客户端设备200可以是本文针对图1描述的客户端设备111c1至111c3和/或112c1至112c3中的任一个客户端设备。在图2中，客户端设备200被示出为移动电话，例如apple iphone设备或google android设备。然而，应当理解，客户端设备200可以是例如平板电脑、pda或其他类似的客户端设备，如本文所述。
35.在图2的示例中，客户端设备200包括cpu 202(例如，处理器)和相机204。相机204被配置为拍摄、捕获或以其他方式生成数字图像(例如，基于像素的图像)，并且至少在一些实施方案中，可以将此类图像存储在客户端设备200的存储器203中。存储器203通信地耦接到cpu 202或可由该cpu访问。cpu 202可以实现或执行计算指令，包括在客户端设备200的显示屏201上实现web浏览器210的指令。在各种实施方案中，web浏览器210可以被实现为用于客户端设备200的给定操作系统的移动应用程序(app)或本机app。web浏览器210的使用提供了基于人工智能的成像系统和方法的非常广泛的分布和/或可用性，以驱动流量和本文所述的基于人工智能的成像系统和方法的使用。即，web浏览器210允许实现和执行基于人工智能的成像系统和方法，而不管操作系统或客户端设备模型，例如客户端设备200。
36.如本文所述，客户端设备200可包括无线收发器以从基站111b和/或基站112b接收无线通信121和/或无线通信122。在本文所述的各种实施方案中，客户端设备200和/或web浏览器210可以实现或执行指令以从配置服务器102请求预定义的成像代码108。例如，如图2所示，在一些实施方案中，预定义的成像代码108可以作为脚本(诸如，通过非限制性示例，javascript(.js)文件、web汇编模块(wasm)等)被传送到客户端设备200和/或web浏览器210。在各种实施方案中，预定义的成像代码108可以存储或高速缓存在客户端设备200的存储器203中。在一些实施方案中，预定义的成像代码108还可以至少部分地包括、实现、访问、渲染或以其他方式暴露图形用户界面(gui)218，用于在显示屏201上显示文本和/或图像。附加地或另选地，web浏览器210可以至少部分地包括、实现、访问、渲染或以其他方式暴露gui 218，用于在显示屏201上显示文本和/或图像。
37.预定义的成像代码108提供对由相机204捕获的数字图像的成像分析和/或成像算法。例如，在各种实施方案中，此类成像分析和/或成像算法可以由预定义的成像代码108的预定义的代码或编译代码来实现。这样的代码可包括但不限于web汇编(wasm)。一般来讲，wasm是用于生成可以在主机环境诸如web浏览器(例如，web浏览器210)中执行或实现的可执行程序的便携式二进制代码格式。因为wasm是可执行程序，所以与包括例如独立的javascript和层叠样式表(css)的传统的基于浏览器的技术相比，它在web浏览器内提供了高性能。附加地或另选地，预定义的成像代码108还可以包括脚本或代码，诸如来自第三方库诸如tensorflow库的代码(例如，tensorflow.js)。例如，tensorflow库为预定义的成像
代码108提供了用于分析本文所述的数字图像的人工智能算法。附加地或另选地，预定义的成像代码108包括加载、高速缓存或以其他方式与wasm代码和/或第三方代码(例如，tensorflow)进行交互的专有javascript和/css。在各种实施方案中，预定义的成像代码108包括用于实现如本文所述的方法、流程图、算法或其部分的wasm和javascript代码(例如，tensorflow.js和/或专有javascript)中的一个或多个中的每一者。
38.如图2所示，在各种实施方案中，可以使用相机204(例如，根据gui 218的请求)来捕获数字图像，诸如“自拍”220，例如自拍图片。应当理解，虽然针对图2描述了自拍，但是本文也考虑了其他数字图像(例如，由目标个体以外的人拍摄的图片)。在一些实施方案中，如图2所示，“自拍”220可以可选地经由gui 218显示。附加地或另选地，“自拍”220可以被提供给预定义的成像代码108用于成像分析，如本文所述，该成像分析可包括基于个体的一个或多个图像的图像分析来确定个体的一个或多个个人属性。另外，这还可以包括在gui 218上或作为该gui的一部分的交互式gui内渲染个体的一个或多个个人属性。这种成像分析的结果222(例如，一个或多个个人属性中的任何一个个人属性)可以在gui 218上显示。以此方式，基于人工智能的成像系统100被配置为经由web环境与个体进行交互。需注意，如图2所示，所捕获和所分析的数字图像都不通过任何网络(例如，计算机网络120)传输到服务器。以此方式，pii(例如，个体的自拍)没有在计算机网络上被拦截的风险，并且因此，提高了基于人工智能的成像系统100和客户端设备200作为整体的安全性。
39.图3示出了根据本文公开的各种实施方案的用于经由web环境与个体进行交互的示例性的基于人工智能的成像方法300的图。在框302处，基于人工智能的成像方法300包括在配置服务器(例如，配置服务器102)处从web浏览器(例如，web浏览器210)接收对预定义的成像代码(例如，预定义的成像代码108)的请求(例如，超文本传输(http)请求)。如本文所述，配置服务器(例如，配置服务器102)可以访问存储预定义的成像代码的存储器(例如，数据库105和/或存储器106)。
40.在框304处，基于人工智能的成像方法300还包括由配置服务器(例如，配置服务器102)通过将预定义的成像代码(例如，预定义的成像代码108)传送到web浏览器(例如，web浏览器210)来响应请求，其中web浏览器正在客户端设备(例如，客户端设备200)上执行。在各种实施方案中，web浏览器210被配置为从配置服务器102接收超文本标记语言(html)，以用于渲染web浏览器210的用户界面(例如，gui 218)或显示器的至少一部分。
41.在各种实施方案中，例如，当web浏览器接收到预定义的成像代码108时，web浏览器(例如，web浏览器210)将预定义的成像代码108配置为存储在客户端设备(例如，客户端设备200)的存储器(例如，存储器203)中。附加地或另选地，在各种实施方案中，预定义的成像代码108被配置为在web浏览器210接收到预定义的成像代码108时由客户端设备(例如，客户端设备200)的客户端处理器(例如，cpu 202)执行。
42.在框306处，基于人工智能的成像方法300还包括用预定义的成像代码108在客户端设备(例如，客户端设备200)的显示器(例如，显示屏201)上渲染web浏览器(例如，web浏览器210)内的交互式图形用户界面(例如，gui 218)。
43.在框308处，基于人工智能的成像方法300还包括用预定义的成像代码(例如，预定义的成像代码108)将个体的一个或多个图像(例如，如由相机204捕获的)加载到客户端设备的存储器(例如，存储器203)中。
44.在框310处，基于人工智能的成像方法300还包括用预定义的成像代码(例如，预定义的成像代码108)，基于个体的一个或多个图像的图像分析来确定个体的一个或多个个人属性。在各种实施方案中，图像分析包括基于个体的一个或多个图像的像素数据来训练和/或使用机器学习模型、神经网络或其他人工智能模型，以确定个体的一个或多个个人属性。例如，在各种实施方案中，可以使用监督或无监督的机器学习程序或算法来训练如本文所述的机器学习成像模型。机器学习程序或算法可以采用神经网络，该神经网络可以是卷积神经网络、深度学习神经网络，或学习在特定感兴趣区域中的两个或更多个特征或特征数据集的组合学习模块或程序。机器学习程序或算法还可包括自然语言处理、语义分析、自动推理、回归分析、支持向量机(svm)分析、决策树分析、随机森林分析、k最近邻分析、朴素初贝叶斯分析、聚类、增强学习和/或其他机器学习算法和/或技术。机器学习可涉及标识和识别现有数据中的模式(诸如基于具有个体的多个个人属性的图像内的像素数据来训练模型)，以便于对后续数据进行预测或标识(诸如对新个体的新像素数据使用模型，以便确定这种新个体的新的一个或多个个人属性)。
45.可基于示例性(例如，“训练数据”)输入或数据(其可被称为“特征”和“标签”)来创建和训练机器学习模型(诸如本文所述的机器学习成像模型的那些机器学习模型)以便对新输入(诸如测试水平或生产水平数据或输入)进行有效且可靠的预测。在监督机器学习中，在服务器、计算设备或另外的处理器上操作的机器学习程序可被设置有示例性输入(例如，“特征”)及其相关联的或观察到的输出(例如，“标签”)，以便例如通过跨各种特征类别确定权重或其他度量和/或将权重或其他度量分配给模型来使机器学习程序或算法确定或发现将此类输入(例如，“特征”)映射到输出(例如，“标签”)的规则、关系或另外的机器学习“模型”。然后，此类规则、关系或另外的模型可被提供作为后续输入以便使在服务器、计算设备或另外的处理器上执行的模型基于所发现的规则、关系或模型来预测预期输出。
46.在无监督机器学习中，可能要求服务器、计算设备或另外的处理器在未标记的示例性输入中找到其自身的结构，其中例如多个训练迭代由服务器、计算设备或另外的处理器执行以训练多个模型生成，直到生成了令人满意的模型，例如在被给予测试水平或生产水平数据或输入时提供足够预测准确度的模型。本文的公开内容可使用此类监督或无监督机器学习技术中的一者或两者。
47.图像分析可包括基于一个或多个个体的图像的像素数据来训练机器学习成像模型。附加地或另选地，图像分析可包括使用如先前训练的机器学习成像模型，基于个体的一个或多个图像来确定个体的一个或多个个人属性。以此方式，像素数据(例如，详细说明个体的一个或多个特征，诸如嘴部、发际线、面部或其部分)可用于训练或使用机器学习成像模型来确定个体的一个或多个个人属性。此类个人属性可包括但不限于个体的面部特征(例如，皮肤或面部头发特征)、口腔(例如，牙齿或牙齿相关的需求(例如，牙菌斑、色素沉着或其他口腔问题)或基于头发的特征(例如，头发长度、头发染色等)特征。
48.在一些实施方案中，如传输到客户端设备200的预定义的成像代码108包括基于web汇编(wasm)的模块和一个或多个脚本(例如，javascript代码)。在各种实施方案中，基于wasm的模块包括机器学习成像模型(如本文所述)。机器学习成像模型被配置为输入个体的一个或多个图像，并且如本文所述确定个体的个人属性。在一些实施方案中，一个或多个脚本，或更一般地，预定义的成像代码108可包括机器学习成像模型，其中机器学习成像模
型实现或至少使用基于tensorflow的库。附加地或另选地，机器学习成像模型可包括、实现或以其他方式使用其他基于人工智能的第三方分组或库，包括pytorch库或scikit-learn python库。
49.参考图3，在框312处，基于人工智能的成像方法300还包括用预定义的成像代码(例如，预定义的成像代码108)在交互式gui(例如，gui218)内渲染个体的一个或多个个人属性。在各种实施方案中，预定义的成像代码108被进一步配置为在由客户端处理器(例如，cpu 202)执行时在交互式gui(例如，gui 218)内渲染具有个体的一个或多个个人属性的一个或多个图像。
50.在各种实施方案中，预定义的成像代码108能够在web浏览器(例如，web浏览器210)内执行，而无需与配置服务器(例如，配置服务器102)通信。在一些实施方案中，预定义的成像代码108可以在从配置服务器(例如，配置服务器102)到web浏览器(例如，web浏览器210)的单次传输期间被传送。附加地或另选地，预定义的成像代码能够在web浏览器(例如，web浏览器210)内执行，而无需向配置服务器(例如，配置服务器102)发送个人可识别信息(pii)。
51.在各种实施方案中，预定义的成像代码108被高速缓存在客户端设备(例如，客户端设备200)的存储器(例如，存储器203)中，其中预定义的成像代码108被允许访问分配给web浏览器(例如，web浏览器210)的存储器(例如，存储器203)的至少一部分。附加地或另选地，预定义的成像代码108被允许访问未分配给web浏览器(例如，web浏览器210)的存储器(例如，存储器203)的至少一部分，或者以其他方式与分配给web浏览器的存储器分开。在一些实施方案中，在捕获个体的一个或多个图像之前或在此期间，预定义的成像代码108的至少一部分被高速缓存在客户端设备(例如，客户端设备200)的存储器(例如，存储器203)中。
52.图4示出了根据图3的方法300和根据本文所公开的各种实施方案的用于经由web环境与个体进行交互的另一示例性基于人工智能的成像方法400的图，并且其中个体的一个或多个个人属性包括个体的一个或多个面部特征、一个或多个口腔特征或者一个或多个基于头发的特征。
53.图4的方法400描述了图5的示例性图像500的图像分析。更一般地，图5示出了根据本文所公开的各种实施方案的用于由分别针对图1至图4描述的基于人工智能的成像系统或方法中的任一者对个体501进行图像分析的图像500，该图像示出了个体501的一个或多个个人属性502至522，包括个体501的一个或多个面部特征(例如，皮肤502、眼睛504、眉毛506、嘴唇512)、一个或多个口腔特征(例如，牙齿或通孔(未示出))，或一个或多个基于头发的特征(例如，头发522)。如图5所示，图像500包括对应于个人属性502至522中的每一个个人属性的像素数据，以及它们在个体501的图像500内的相应的区域和/或位置。一个或多个个人属性502至522中的任一个个人属性的像素数据可以由相机204捕获并且由预定义的成像代码108分析，包括例如由机器学习成像模型(例如，wasm模块)分析，如本文所述。
54.参考图4，在框402处，方法400包括客户端设备200向配置服务器(例如，配置服务器102)发送来自web浏览器(例如，web浏览器210)的对预定义的成像代码(例如，预定义的成像代码108)的请求。配置服务器可以访问存储预定义的成像代码108的存储器(例如，数据库105和/或存储器106)。在各种实施方案中，可以从网页内的链接作出请求，该网页为诸如请求软件、代码、指令或其他此类资产(例如，预定义的成像代码108)以允许如本文所述
的基于人工智能的成像分析的初始或预加载的网页。附加地或另选地，可以从预定义的链接(例如，诸如存储在客户端设备200的存储器203中的链接或地址)做出请求。
55.在框404处，方法400还包括配置服务器(例如，配置服务器102)通过将预定义的成像代码108传送到web浏览器(例如，在客户端设备200上执行的web浏览器210)来响应该请求。如图4的非限制性示例所示，来自配置服务器的响应包括软件、代码和/或指令，包括超文本标记语言(html)、javascript(js)、层叠样式表(css)脚本和wasm代码(例如，wasm代码包括用于执行图像500和/或个体的其他图像的成像分析的机器学习ml模型)。例如，预定义的成像代码108可包括这样的软件、代码和/或指令，如在框406中全部或部分地传送的。例如，预定义的成像代码108可包括wasm代码，该wasm代码包括机器学习(ml)模型，但其中来自配置服务器102的响应的剩余部分可包括javascript，诸如专有代码或第三方代码(例如，tensorflow.js)，以及/或者html和css，以供web浏览器210用来在客户端设备200的显示屏201上进行格式化、排列或生成前端ui(例如，ui 218)。例如，在各种实施方案中，web浏览器210被配置为从配置服务器102接收超文本标记语言(html)，以用于渲染web浏览器210的用户界面(例如，gui 218)或显示器的至少一部分。
56.在各种实施方案中，预定义的成像代码108能够在web浏览器(例如，web浏览器210)内执行，而无需与配置服务器(例如，配置服务器102)通信。在一些实施方案中，预定义的成像代码108可以在从配置服务器(例如，配置服务器102)到web浏览器(例如，web浏览器210)的单次传输期间被传送。附加地或另选地，预定义的成像代码能够在web浏览器(例如，web浏览器210)内执行，而无需向配置服务器(例如，配置服务器102)发送个人可识别信息(pii)。以此方式，wasm代码可以与web浏览器210进行交互，包括经由html、javascript或其他方式来更新web浏览器210，而不需要从配置服务器102请求处理或信息。这种交互可包括与web浏览器210的网页的文档对象模型(dom)进行交互，例如，使文本和/或图像(例如，图像500和相关文本)经由web浏览器210的gui218显示。
57.在框406处，方法400还包括将预定义的成像代码108加载或存储到web浏览器210的高速缓存或存储器(例如，存储器203)中，由该web浏览器使用或至少由该web浏览器共享。在各种实施方案中，预定义的成像代码108被配置为在web浏览器(例如，web浏览器210)接收到预定义的成像代码108时由客户端设备(例如，客户端设备200)的客户端处理器(例如，cpu 202)执行。例如，如图4所示，当web浏览器210接收到预定义的成像代码108时，(例如，由配置服务器102接收的)javascript文件可以指示web浏览器210和/或客户端设备200将预定义的成像代码108存储在客户端设备200的存储器203中。
58.在框408处，方法400还包括web浏览器210读取html和css脚本、代码和/或指令(诸如由配置服务器102接收的那些)以渲染gui 218。即，web浏览器210在客户端设备200上的执行可以用预定义的成像代码108和/或html、javascript、css或由配置服务器102接收的其他指令在客户端设备200的显示器(例如，web浏览器210)上渲染web浏览器210内的gui(例如，gui 218)。
59.在框410处，用户诸如个体501可以用相机204捕获一个或多个图像(例如，图像500，诸如“自拍”图像或帧)。
60.在框412处，方法400可包括图像(例如，图像500)的图像优化，诸如更新尺寸、分辨率或裁剪图像(例如，图像500)。在一些实施方案中，这种优化可涉及通过更新、改变、选择
和/或裁剪图像(例如，图像500)的像素或区域来改变感兴趣的区域(例如，诸如一个或多个个人属性502至522的区域)。这种图像优化可以由从配置服务器102传送的javascript脚本或其他代码或指令来执行。
61.在框420处，方法400还包括将机器学习成像模型(例如，基于wasm的模型)加载到存储器(例如，存储器203)中。这可以包括将预定义的成像代码108全部或部分地加载到存储器203中。如本文所述，预定义的成像代码108可包括基于wasm的模块和一个或多个脚本。在各种实施方案中，此类脚本可包括用于存储、加载和/或配置基于wasm的模块以在客户端设备200上操作或执行的javascript文件。
62.预定义的成像代码108可被高速缓存在客户端设备(例如，客户端设备200)的存储器(例如，存储器203)中，其中预定义的成像代码108被允许访问分配给web浏览器(例如，web浏览器210)的存储器(例如，存储器203)的至少一部分。如图5所示，在捕获个体(例如，个体501)的一个或多个图像(例如，图像500)之前或在此期间，预定义的成像代码108的至少一部分被高速缓存在客户端设备(例如，客户端设备200)的存储器(例如，存储器203)中。
63.在框422处，方法400还包括用预定义的成像代码108将个体501的一个或多个图像(例如，图像500)加载到客户端设备(例如，客户端设备200)的存储器(例如，存储器203)中。在各种实施方案中，由预定义的成像代码108提供的javascript代码或此类其他指令可加载图像。如图5所示，一个或多个图像可以被提供给机器学习成像模型用于图像分析。
64.如图4所示，基于wasm的模块可包括机器学习成像模型。基于wasm的模块可以由客户端设备200的cpu 202执行以执行图像500的图像分析。图像分析可包括基于一个或多个个体(例如，个体501)的图像(例如，图像500)的像素数据来训练或更新机器学习成像模型。附加地或另选地，图像分析可包括使用如先前训练的基于wasm的模块的机器学习成像模型，以基于个体(例如，个体501)的一个或多个图像(例如，图像500)来确定个体的一个或多个个人属性(例如，个人属性502至522)。图像500的像素数据(例如，详细说明个体的一个或多个特征，诸如嘴部、发际线、面部、皮肤或其部分)可用于训练基于wasm的机器学习成像模型，或者使现有机器模型确定个体的一个或多个个人属性。此类个人属性可包括但不限于个体的面部特征(例如，皮肤或面部头发特征)、口腔(例如，牙齿或牙齿相关的需求(例如，牙菌斑、色素沉着或其他口腔问题)或基于头发的特征(例如，头发长度、头发染色等)特征，例如针对图5的图像500所示出和描述的。还可以对机器学习模型进行训练，并且还可以使用个体的基于非图像或文本的数据，包括但不限于人口统计数据(例如，年龄、性别等)和地理位置、区域湿度等。
65.在框424处，方法400还包括用预定义的成像代码108，基于个体(例如，500)的一个或多个图像(例如，图像500)的图像分析来确定个体501的一个或多个个人属性(例如，个人属性502至522)。例如，这可以包括机器学习成像模型的结果，诸如基于wasm的机器学习成像模型。
66.在各种实施方案中，机器学习成像模型可以输入个体(例如，个体501)的图像(例如，图像500)的像素数据作为特征数据。作为框424处的结果，机器学习成像模型可以输出标签数据，该标签数据可包括数值数据(例如，个体501的年龄)、分类数据(例如，具有个人属性522的分类“1”或“2”的头发长度和/或个人属性504的眼睛颜色“绿色”或“蓝色”)，或标识数据(例如，个人属性502的皮肤区域)。附加地或另选地，作为框424处的结果，机器学习
成像模型可输出可包括可视化或注释的标签数据。这种可视化或注释可包括突出显示感兴趣的可能区域(例如，个人属性502至522)的图像或视频图像(例如，图像500)。在一些实施方案中，这种可视化或注释可以实时或接近实时地在显示屏201上显示，其中特定区域被标记或突出显示，如由图5所示的图像500的区域或部分(例如，个人属性502至522)所示。在一些实施方案中，此类被标记或突出显示的特定区域可以被显示为增强现实(ar)图像，其中个体(例如，个体501)的面部或其他身体部分被实时或接近实时地显示，其中注释标记(例如，个人属性502至522)被叠加在图像500上并且在显示屏201上可见。
67.在框426处，方法400还包括在gui 218上显示如针对框424所描述的由机器学习成像模型生成或产生的结果。客户端设备200可以用预定义的成像代码108(例如，包括脚本和/或本文所述的其他指令)在交互式gui(例如，显示屏201)内渲染个体501的一个或多个图像和相关的个人属性(例如，502至522中的任一者)。如上所述，一个或多个个人属性502至522可包括个体501的一个或多个面部特征(例如，皮肤502、眼睛504、眉毛506或嘴部512)、一个或多个口腔特征(例如，牙齿(未示出))，或一个或多个基于头发的特征(例如，头发522)。如本文所述，图像可被渲染为静止图像、视频图像(即，帧)、注释图像、基于ar的图像等。
68.在各种实施方案中，所确定或分析的结果或图像可以与一个或多个对应的推荐产品一起显示或用于(例如，经由显示屏201)显示一个或多个对应的推荐产品。例如，对应于根据个体的个人属性(例如，个人属性502至522)的像素数据确定的年龄、皱纹、眼睛颜色、头发颜色、头发长度等的推荐产品(例如，化妆品或基料)可被显示或以其他方式推荐给用户或个体。
69.图6示出了用于基于图5的个体501的一个或多个个人属性(例如，502和522)来推荐一个或多个产品(例如，产品602p和产品622p)的示例性显示器或用户界面600。在图6的示例中，用户界面600可以是本文所述的用户界面218，或者可以被显示为本文所述的该用户界面的一部分。例如，在各种实施方案中，机器学习成像模型(例如，如本文所述的wasm模块的和/或wasm模块)的输出或结果可用于基于对个体501的一个或多个个人属性(例如，502和522)的图像分析(例如，图像500的像素数据的分析)来生成或标识对对应的产品的推荐。此类推荐可包括产品诸如牙膏(例如，针对口腔属性)或如何使用特定产品(例如，如何施用特定的、所推荐的美容霜膏)。其他示例可包括护发，例如，为使用所推荐产品的用户或个体显示如何实现所推荐的头发修饰或发型的文本或视频说明。
70.在图6的示例中，用户界面600包括由图像500的图像分析和图5的个体501的一个或多个个人属性(例如，502和522)确定的所推荐产品的列表601。列表601包括分别对应于个人属性502和个人属性522的至少两个产品602p和622p。列表601包括针对个人属性502(例如，皮肤属性)的第一推荐602，其中推荐产品602p为皮肤护理产品，该皮肤护理产品可以解决由(例如，预定义的成像代码108的)机器学习成像模型通过分析图像500检测到的个体501的一个或多个所标识的特征(例如，皱纹)。
71.类似地，列表601包括针对个人属性522(例如，头发属性)的第二推荐602，其中推荐产品622p为头发护理产品，该头发护理产品可以解决由(例如，预定义的成像代码108的)机器学习成像模型通过分析图像500检测到的个体501的一个或多个所标识的特征(例如，分叉、头皮屑或头发光泽度)。还可以用类似的方式推荐针对相同或不同的个人属性的其他
此类产品，包括本文所述的那些。
72.用户界面600还可以包括可选的ui按钮602s和622s，以允许用户(例如，个体501)选择购买或运送对应的产品，例如分别为602p和622p。在一些实施方案中，对可选的ui按钮602s和622s的选择可以使所推荐产品被运送给用户(例如，个体501)以及/或者可以通知第三方个体对产品感兴趣。
73.本公开的方面
74.以下方面作为根据本文公开内容的示例提供，并且不旨在限制公开内容的范围。
75.1.一种被配置为经由web环境与个体进行交互的基于人工智能的成像系统，所述基于人工智能的成像系统包括：配置服务器，所述配置服务器包括一个或多个处理器和一个或多个存储器，所述配置服务器被配置为响应于来自在客户端设备上执行的web浏览器的请求；预定义的成像代码，所述预定义的成像代码被存储在所述服务器的所述一个或多个存储器中；以及计算指令，所述计算指令被配置为在所述配置服务器的所述一个或多个处理器上执行，其中所述计算指令使所述配置服务器在从所述web浏览器接收到请求时将所述预定义的成像代码传送到所述web浏览器，其中所述预定义的成像代码被配置为在所述web浏览器接收到所述预定义的成像代码时由所述web浏览器存储在所述客户端设备的存储器中，其中所述预定义的成像代码被配置为在所述web浏览器接收到所述预定义的成像代码时由所述客户端设备的客户端处理器执行，其中，所述预定义的成像代码被配置为在由所述客户端处理器执行时：在所述客户端设备的显示器上渲染所述web浏览器内的交互式图形用户界面(gui)；将个体的一个或多个图像加载到所述客户端设备的存储器中；基于对所述个体的所述一个或多个图像的图像分析来确定所述个体的一个或多个个人属性；以及
76.在所述交互式gui内渲染所述个体的所述一个或多个个人属性，其中所述预定义的成像代码能够在所述web浏览器内执行而无需与所述配置服务器通信，并且其中所述预定义的成像代码被高速缓存在所述客户端设备的所述存储器中，所述预定义的成像代码被允许访问分配给所述web浏览器的所述存储器的至少一部分。
77.2.根据方面1所述的基于人工智能的成像系统，其中所述预定义的成像代码包括基于web汇编(wasm)的模块和一个或多个脚本。
78.3.根据方面2所述的基于人工智能的成像系统，其中所述基于
79.wasm的模块包括机器学习成像模型，所述机器学习成像模型被配置为输入所述个体的所述一个或多个图像并且确定所述个体的所述个人属性。
80.4.根据方面1至3中任一项所述的基于人工智能的成像系统，其中
81.所述预定义的成像代码包括至少实现基于tensorflow的库的机器学习成像模型。
82.5.根据方面1至4中任一项所述的基于人工智能的成像系统，其中
83.在从所述配置服务器到所述web浏览器的单次传输期间传送所述预定义的成像代码。
84.6.根据方面5所述的基于人工智能的成像系统，其中在捕获所述个体的所述一个或多个图像之前或在此期间，所述预定义的成像代码的至少一部分被高速缓存在所述客户端设备的存储器中。
85.7.根据方面1至6中任一方面所述的基于人工智能的成像系统，其中所述web浏览
器被配置为接收超文本标记语言(html)。
86.8.根据方面1至7中任一方面所述的基于人工智能的成像系统，其中所述预定义的成像代码能够在所述web浏览器内执行，而无需向所述配置服务器发送个人可识别信息(pii)。
87.9.根据方面1至8中任一方面所述的基于人工智能的成像系统，其中所述预定义的成像代码被进一步配置为在由所述客户端处理器执行时：在所述交互式gui内渲染具有所述个体的所述一个或多个个人属性的所述一个或多个图像。
88.10.一种用于经由web环境与个体进行交互的基于人工智能的成像方法，所述基于人工智能的成像方法包括：在配置服务器处接收来自web浏览器的对预定义的成像代码的请求，所述配置服务器能够访问存储所述预定义的成像代码的存储器；由所述配置服务器通过将所述预定义的成像代码传送到所述web浏览器来响应所述请求，所述web浏览器在客户端设备上执行，其中所述预定义的成像代码被配置为当所述web浏览器接收到所述预定义的成像代码时由所述web浏览器存储在所述客户端设备的存储器中，其中所述预定义的成像代码被配置为当所述web浏览器接收到所述预定义的成像代码时由所述客户端设备的客户端处理器执行；用所述预定义的成像代码在所述客户端设备的显示器上渲染所述web浏览器内的交互式图形用户界面(gui)；用所述预定义的成像代码将个体的一个或多个图像加载到所述客户端设备的存储器中；
89.用所述预定义的成像代码，基于所述个体的所述一个或多个图像的图像分析来确定所述个体的一个或多个个人属性；以及用所述预定义的成像代码在所述交互式gui内渲染所述个体的所述一个或多个个人属性，其中所述预定义的成像代码能够在所述web浏览器内执行而无需与所述配置服务器通信，并且其中所述预定义的成像代码被高速缓存在所述客户端设备的所述存储器中，所述预定义的成像代码被允许访问分配给所述web浏览器的所述存储器的至少一部分。
90.11.根据方面10所述的基于人工智能的成像系统，其中所述预定义的
91.成像代码包括基于web汇编(wasm)的模块和一个或多个脚本。
92.12.根据方面11所述的基于人工智能的成像系统，其中所述基于wasm的模块包括机器学习成像模型，所述机器学习成像模型被配置为输入所述个体的所述一个或多个图像并且确定所述个体的所述个人属性。
93.13.根据方面10至12中任一项所述的基于人工智能的成像系统，其中所述预定义的成像代码包括至少实现基于tensorflow的库的机器学习成像模型。
94.14.根据方面10至13中任一项所述的基于人工智能的成像系统，其中在从所述配置服务器到所述web浏览器的单次传输期间传送所述预定义的成像代码。
95.15.根据方面14所述的基于人工智能的成像系统，其中在捕获所述个体的所述一个或多个图像之前或在此期间，所述预定义的成像代码的至少一部分被高速缓存在所述客户端设备的存储器中。
96.16.根据方面10至15中任一方面所述的基于人工智能的成像系统，其中所述web浏览器被配置为接收超文本标记语言(html)。
97.17.根据方面10至16中任一方面所述的基于人工智能的成像系统，其中所述预定义的成像代码能够在所述web浏览器内执行，而无需向所述配置服务器发送个人可识别信
息(pii)。
98.18.根据方面10至17中任一方面所述的基于人工智能的成像系统，其中所述预定义的成像代码被进一步配置为在由所述客户端处理器执行时：在所述交互式gui内渲染具有所述个体的所述一个或多个个人属性的所述一个或多个图像。
99.19.一种被配置为经由web环境与个体进行交互的基于人工智能的成像系统，所述基于人工智能的成像系统包括：配置服务器，所述配置服务器包括一个或多个处理器和一个或多个存储器，所述配置服务器被配置为响应于来自在客户端设备上执行的web浏览器的请求；预定义的成像代码，所述预定义的成像代码被存储在所述服务器的所述一个或多个存储器中；以及计算指令，所述计算指令被配置为在所述配置服务器的所述一个或多个处理器上执行，其中所述计算指令使所述配置服务器在从所述web浏览器接收到请求时将所述预定义的成像代码传送到所述web浏览器，其中所述预定义的成像代码被配置为在所述web浏览器接收到所述预定义的成像代码时由所述web浏览器存储在所述客户端设备的存储器中，其中所述预定义的成像代码被配置为在所述web浏览器接收到所述预定义的成像代码时由所述客户端设备的客户端处理器执行，其中，所述预定义的成像代码被配置为在由所述客户端处理器执行时：在所述客户端设备的显示器上渲染所述web浏览器内的交互式图形用户界面(gui)；将个体的一个或多个图像加载到所述客户端设备的存储器中；基于对所述个体的所述一个或多个图像的图像分析来确定所述个体的一个或多个个人属性；以及
100.在所述交互式gui内渲染所述个体的所述一个或多个个人属性，其中所述一个或多个个人属性包括所述个体的一个或多个面部特征、一个或多个口腔特征或者一个或多个基于头发的特征。
101.20.根据方面19所述的基于人工智能的成像系统，其中所述预定义的成像代码被进一步配置为在由所述客户端处理器执行时，基于所述个体的所述一个或多个个人属性向所述个体推荐一个或多个产品。
102.21.一种用于经由web环境与个体进行交互的基于人工智能的成像方法，所述基于人工智能的成像方法包括：在配置服务器处接收来自web浏览器的对预定义的成像代码的请求，所述配置服务器能够访问存储所述预定义的成像代码的存储器；由所述配置服务器通过将所述预定义的成像代码传送到所述web浏览器来响应所述请求，所述web浏览器在客户端设备上执行，其中所述预定义的成像代码被配置为当所述web浏览器接收到所述预定义的成像代码时由所述web浏览器存储在所述客户端设备的存储器中，其中
103.所述预定义的成像代码被配置为当所述web浏览器接收到所述预定义的成像代码时由所述客户端设备的客户端处理器执行；用所述预定义的成像代码在所述客户端设备的显示器上渲染所述web浏览器内的交互式图形用户界面(gui)；用所述预定义的成像代码将个体的一个或多个图像加载到所述客户端设备的存储器中；用所述预定义的成像代码，基于所述个体的所述一个或多个图像的图像分析来确定所述个体的一个或多个个人属性；以及用所述预定义的成像代码在所述交互式gui内渲染所述个体的所述一个或多个个人属性，其中所述一个或多个个人属性包括所述个体的一个或多个面部特征、一个或多个口腔特征或者一个或多个基于头发的特征。
104.22.根据方面21所述的基于人工智能的成像方法，其中所述预定义的成像代码被
进一步配置为在由所述客户端处理器执行时，基于所述个体的所述一个或多个个人属性向所述个体推荐一个或多个产品。
105.附加的考虑
106.虽然本公开陈述了多个不同实施方案的具体实施方式，但应当理解，本说明书的法律范围由本专利结尾处所陈述的权利要求书及其等同物的内容来限定。具体实施方式被理解为仅是示例性的，而非描述每一种可能的实施方案，因为描述每一种可能的实施方案是不切实际的。可使用当前技术或在本专利的申请日期之后开发的技术来实施众多另选的实施方案，该另选的实施方案将仍然落入本权利要求书的范围内。
107.以下附加的考虑适用于前述讨论。在本说明书通篇中，多个实例可实现被描述为单个实例的部件、操作或结构。虽然一个或多个方法的各个操作被示出和描述为单独的操作，但各个操作中的一个或多个操作可同时执行，并且不需要按所示顺序来执行这些操作。在示例性配置中作为单独部件展示的结构和功能可被实现为组合的结构或部件。类似地，展示为单个部件的结构和功能可被实现为单独的部件。这些型、修改、添加和改进以及其他变型、修改、添加和改进均属于本文主题范围之内。
108.另外，某些实施方案在本文中被描述为包括逻辑或多个例程、子例程、应用程序或指令。这些可构成软件(例如，机器可读介质上或传输信号中体现的代码)或硬件。在硬件中，例程等是能够执行某些操作的有形单元并且可按某种方式进行配置或布置。在示例性实施方案中，一个或多个计算机系统(例如，独立的客户端或服务器计算机系统)或计算机系统的一个或多个硬件模块(例如，处理器或处理器组)可通过软件(例如，应用程序或应用程序部分)配置为用于执行如本文所述的某些操作的硬件模块。
109.本文所述的示例性方法的各种操作可至少部分地由经临时配置(例如，由软件)或永久性配置以执行相关操作的一个或多个处理器来执行。无论是临时配置还是永久性配置，此类处理器都可构成处理器实现型模块，用以执行一个或多个操作或功能。在一些示例性实施方案中，本文提及的模块可包括处理器实现型模块。
110.类似地，本文所述的方法或例程可至少部分地由处理器实现。例如，方法的至少一些操作可由一个或多个处理器或处理器实现型硬件模块来执行。操作中的某些操作的执行可分配给一个或多个处理器，这些处理器不仅驻留在单个机器内，而且部署于多个机器之间。在一些示例性实施方案中，一个或多个处理器可位于单个位置，而在其他实施方案中，处理器可分布于多个位置。
111.操作中的某些操作的执行可分配给一个或多个处理器，这些处理器不仅驻留在单个机器内，而且部署于多个机器之间。在一些示例性实施方案中，一个或多个处理器或处理器实现型模块可位于单个地理位置(例如，在家庭环境、办公室环境或服务器群内)。在其他实施方案中，一个或多个处理器或处理器实现型模块可分布于多个地理位置。
112.本具体实施方式被理解为仅是示例性的，而非描述每一种可能的实施方案，因为描述每一种可能的实施方案即使可能也是不切实际的。本领域普通技术人员可使用当前技术或在本技术提交日期之后所开发的技术来实现众多另选的实施方案。
113.本领域的普通技术人员将认识到，在不脱离本发明范围的前提下，可对上述实施方案进行多种修改、更改和组合，并且这些修改、更改和组合应视为落入本发明构思的范围内。
114.本专利申请末尾的专利权利要求不旨在根据35u.s.c.
§
112(f)来解释，除非明确引用了传统的装置加功能语言，诸如权利要求中明确引用的“用于......的装置”或“用于......的步骤”语言。本文所述的系统和方法涉及对计算机功能的改进，以及改进常规计算机的功能。
115.本文所公开的量纲和值不应理解为严格限于所引用的精确数值。相反，除非另外指明，否则每个此类量纲旨在表示所述值以及围绕该值功能上等同的范围。例如，公开为“40mm”的量纲旨在表示“约40mm”。
116.除非明确排除或以其他方式限制，否则本文中引用的每一篇文献，包括任何交叉引用或相关专利或专利申请以及本技术对其要求优先权或其有益效果的任何专利申请或专利，均据此全文以引用方式并入本文。对任何文献的引用不是对其作为与本发明的任何所公开或本文受权利要求书保护的现有技术的认可，或不是对其自身或与任何一个或多个参考文献的组合提出、建议或公开任何此类发明的认可。此外，当本发明中术语的任何含义或定义与以引用方式并入的文献中相同术语的任何含义或定义矛盾时，应当服从在本发明中赋予该术语的含义或定义。
117.虽然已举例说明和描述了本发明的具体实施方案，但是对于本领域技术人员来说显而易见的是，在不脱离本发明的实质和范围的情况下可作出各种其他变化和修改。因此，本文旨在于所附权利要求书中涵盖属于本发明范围内的所有此类变化和修改。