一种生成用户发型及妆容搭配建议的方法及装置的制造方法
【专利摘要】本发明公开了一种生成用户发型及妆容搭配建议的方法及装置，该方法包括：采集用户的个人照片，并获取应用场景图；采用卷积神经网络对个人照片及应用场景图分析以筛选应用特征；根据应用特征生成发型及妆容的搭配建议。实施本发明的有益效果是，采用深层神经网络从客户和数据库的图像中提取面部特征，使用统计测量特征之间的相关性，通过海量样本的人工智能学习和分类判定，确保分析结果的客观性、普遍性和准确性。根据用户的面部特征的分析，从数百万计的样本中为客户推荐统计学上最为适合的特征数量，避免了个人面对大量选择是耗费的时间、选择的困难和大量信息输入对主观判断能力造成的冲击和影响，提供给用户更科学，客观的建议。
【专利说明】
-种生成用户发型及妆容搭配建议的方法及装置
技术领域
[0001] 本发明设及神经网络技术领域，尤其设及一种生成用户发型及妆容搭配建议的方 法及装置。
【背景技术】
[0002] 随着社会普遍审美品位的提高和对时尚的关注，人们对发型和化妆的多样性和个 性化，尤其是针对特定场合的妆容定制有了更高的要求，如参加婚礼、面试、宴会或其它特 殊场合。
[0003] 传统方式的定制发型和化妆，依赖于个人或单个美容师对于特定场合和相关礼仪 的有限了解和主观经验，因此经常出现难W挟择或搭配错误的问题。另一方面，在大量实际 环境中接收反馈并加 W辨别改善的过程是十分漫长的，不仅效率低下，而且不利于广泛使 用。
【发明内容】
[0004] 本发明的目的在于提供一种生成用户发型及妆容搭配建议的方法及装置，解决现 有技术中搭配难W挟择或搭配容易错误、反馈改善过程效率低下，不利于广泛使用的问题。
[0005] 本发明的技术方案实现如下：
[0006] 本发明提供一种生成用户发型及妆容搭配建议的方法，包括：
[0007] 采集用户的个人照片，并获取应用场景图；
[000引采用卷积神经网络对所述个人照片及所述应用场景图分析W筛选应用特征；
[0009] 根据所述应用特征生成发型及妆容的搭配建议。
[0010] 在本发明所述的方法中，所述采集用户的个人照片，并获取应用场景图的步骤包 括：
[0011] 通过摄像头采集所述个人照片，或者通过于图片库中选择所述个人照片；
[0012] 设置应用场景W获取所述应用场景图，或者通过摄像头采集所述应用场景图，或 者通过于图片库中选择所述应用场景图。
[0013] 在本发明所述的方法中，所述采用卷积神经网络对所述个人照片及所述应用场景 图分析W筛选应用特征的步骤包括：
[0014] 将所述个人照片及所述应用场景图作为所述卷积神经网络的输入；
[0015] 所述卷积神经网络的多个特征平面对所输入的个人照片及应用场景图进行多层 卷积处理，W筛选所述应用特征。
[0016] 在本发明所述的方法中，所述卷积神经网络的多个特征平面对所输入的个人照片 及应用场景图进行多层卷积处理，W筛选所述应用特征的步骤包括：
[0017] 获取所述个人照片及所述应用场景图的像素尺寸对应的训练集W及卷积核；
[0018] 从所述训练集中抽样W提取第一子特征，将所述第一子特征与所述卷积核进行卷 积W输出多个第一特征图；
[0019] 从所述多个第一特征图中的任一个再抽样W提取第二子特征，将所述第一子特征 与所述卷积核卷积W输出多个第二特征图；
[0020] 组合所述多个第二特征图W输出所述应用特征。
[0021] 在本发明所述的方法中，所述根据所述应用特征生成发型及妆容的搭配建议的步 骤包括：
[0022] 对所述应用特征进行分析W对所述应用特征进行归类；
[0023] 依据归类结果与预设的推荐发型及妆容库进行匹配，从而生成发型及妆容的搭配 建议。
[0024] 在本发明所述的方法中，还包括：
[0025] 将用户所选择的发型及妆容与所述个人照片及所述应用场景图建立关联，并存储 至所述推荐发型及妆容库。
[0026] 另一方面，提供一种生成用户发型及妆容搭配建议的装置，包括：
[0027] 图片获取模块，用于采集用户的个人照片，并获取应用场景图；
[0028] 特征筛选模块，用于采用卷积神经网络对所述个人照片及所述应用场景图分析W 筛选应用特征；
[0029] 搭配建议模块，用于根据所述应用特征生成发型及妆容的搭配建议。
[0030] 在本发明所述的装置中，所述特征筛选模块包括：
[0031] 神经网络输入子模块，用于将所述个人照片及所述应用场景图作为所述卷积神经 网络的输入；
[0032] 多层卷积处理子模块，用于所述卷积神经网络的多个特征平面对所输入的个人照 片及应用场景图进行多层卷积处理，W筛选所述应用特征。。
[0033] 在本发明所述的装置中，所述搭配建议模块包括：
[0034] 特征归类子模块，用于对所述应用特征进行分析W对所述应用特征进行归类；
[0035] 匹配子模块，用于依据归类结果与预设的推荐发型及妆容库进行匹配，从而生成 发型及妆容的搭配建议。
[0036] 在本发明所述的装置中，还包括：
[0037] 学习扩充模块，用于将用户所选择的发型及妆容与所述个人照片及所述应用场景 图建立关联，并存储至所述推荐发型及妆容库。
[0038] 因此，本发明的有益效果是，采用深层神经网络从客户和数据库的图像中提取面 部特征，使用统计测量特征之间的相关性，通过海量样本的人工智能学习和分类判定，确保 分析结果的客观性、普遍性和准确性。根据用户的面部特征的分析，从数百万计的样本中为 客户推荐统计学上最为适合的特征数量，避免了个人面对大量选择是耗费的时间、选择的 困难和大量信息输入对主观判断能力造成的冲击和影响，提供给用户更科学，客观的建议。
【附图说明】
[0039] 下面将结合附图及实施例对本发明作进一步说明，附图中：
[0040] 图1为本发明提供的一种生成用户发型及妆容搭配建议的方法流程图；
[0041] 图2为本发明提供的一种生成用户发型及妆容搭配建议的装置框图。
【具体实施方式】
[0042] 为了对本发明的技术特征、目的和效果有更加清楚的理解，W下将对照附图详细 说明本发明的【具体实施方式】。应当理解，W下说明仅为本发明实施例的具体阐述，不应W此 限制本发明的保护范围。
[0043] 本发明提供一种生成用户发型及妆容搭配建议的方法及装置，其目的在于，借助 人工智能通过网络大数据提供更为客观科学的分析和引导，W及智能化的反馈改进机制， 使用户足不出户就可W快速的享受到最专业的定制化分析推荐服务。具体采用大数据集名 人和深层神经网络(面N，de邱neural network)提出一套为用户分析推荐最适合发型和化 妆的方法。通过主动交互方式将客户和大数据集中数百万的面貌进行比较，运种优势是通 过杂志书刊阅读获取信息的方式所不能比拟的。在分析方式上，采用深层神经网络从客户 和数据库的图像中提取面部特征，使用统计测量特征之间的相关性，通过海量样本的人工 智能学习和分类判定，确保分析结果的客观性、普遍性和准确性。在引导方式上，本方法完 全改变了传统发型化妆主观选择方式。本方法根据用户的面部特征的分析从数百万计的样 本中为客户推荐统计学上最为适合的一定数量选择，避免了个人面对大量选择是耗费的时 间、选择的困难和大量信息输入对主观判断能力造成的冲击和影响，提供给用户更科学，客 观的建议。此外，本发明还提供了反馈方法。该方法提取客户按推荐方法的建议完成发型或 化妆后的外观的面部特征。对所得的外观和从推荐系统所选择的建议样式之间的相关性进 行测量，并与客户原来的外观的发型和妆容的特征数据相关度进行比较。该统计相关性的 度量不仅可W用来作为衡量发型和化妆服务商的一种测量，也可用作给用户的反馈，让用 户明白实际的效果和预期目标风格的相似度。该方法最为重要的功能在于可W根据用户的 实际选择，将用户的个人偏好作为反馈输入优化系统数据，并对下一次使用产生的推荐产 生影响。运一方法在原有的科学客观的基础上，既完成了对用户主观偏好的兼顾，又不受制 于个人有限的经验的品味。
[0044] 参见图1，图1为本发明提供的一种生成用户发型及妆容搭配建议的方法流程图。 该方法包括W下步骤S1-S3:
[0045] S1、采集用户的个人照片，并获取应用场景图；该步骤Sl包括W下子步骤S11-S12:
[0046] S11、通过摄像头采集所述个人照片，或者通过于图片库中选择所述个人照片。
[0047] S12、设置应用场景W获取所述应用场景图，或者通过摄像头采集所述应用场景 图，或者通过于图片库中选择所述应用场景图。
[0048] S2、采用卷积神经网络对所述个人照片及所述应用场景图分析W筛选应用特征； 卷积神经网络是人工智能中的一种技术，采用人工智能，在网络大数据提供的海量样本(包 括面部和场景特征）中进行数据挖掘、分析和分类。具体的技术实现是使用卷积神经网络 (Convolutional化ural化twork，C順)技术，通过机器深度学习（De邱Learning),使系统 基于样本的特征参数逐渐形成判断标准。该步骤S2包括W下子步骤S21-S22:
[0049] S21、将所述个人照片及所述应用场景图作为所述卷积神经网络的输入；
[0050] S22、所述卷积神经网络的多个特征平面对所输入的个人照片及应用场景图进行 多层卷积处理，W筛选所述应用特征。该步骤S22包括W下子步骤S221-S224:
[0051] S221、获取所述个人照片及所述应用场景图的像素尺寸对应的训练集W及卷积 核；
[0052] S222、从所述训练集中抽样W提取第一子特征，将所述第一子特征与所述卷积核 进行卷积W输出多个第一特征图；
[0053] S223、从所述多个第一特征图中的任一个再抽样W提取第二子特征，将所述第一 子特征与所述卷积核卷积W输出多个第二特征图；
[0054] S224、组合所述多个第二特征图W输出所述应用特征。
[0055] 其中，步骤S222及S223可W组成多个第一特征图及多个第二特征图W组成多个卷 积层，通过多个卷积层，提高学习精度。卷积神经网络由一个或多个卷积层和顶端的全连通 层(对应经典的神经网络)组成，同时也包括关联权重和池化层(pooling layer)。与其他深 度学习结构相比，卷积神经网络在图像方面能够给出更优的结果。运一模型使用反向传播 算法进行训练，相比较其他神经网络，卷积神经网络可W使用较少的参数，是一种高效准确 深度学习结构。
[0056] 在分析筛选特征的算法中，视觉图像信息被分解成许多子模式(特征），然后进入 分层递阶式相连的特征平面进行处理，将视觉系统模型化，使其能够在即使物体有位移或 轻微变形的时候，也能完成识别。多层卷积的采用为的是将单层卷积学提取的局部特征通 过多层数后变得更全局化。
[0057] 简单的W-个大小为5 X 5的图像，和一个3 X 3的卷积核为例，运里的卷积核共有9 个参数，就记为0=[0U]3X3。运种情况下，卷积核实际上有9个神经元，他们的输出又组成 一个3 X 3的矩阵，称为特征图。
[005引假设有二维离散函数f(x，y)，g(x，y)f(x，y)，g(x，y)，那么它们的卷积定义为： [0化9]
[0060] 因此，每个神经元的卷积运算为：
[0061]
[0062] 如果卷积层中的一个"神经中枢"连接到特征图Xl，X2, ...，Xi且运个卷积核的权 重矩阵为0 i，那么送个神经中巧的输出为：
[0063]
[0064] 总之，客户端面部和场景的特征是由经过样本训练的深度网络萃取。深度网络的 训练采用有监督训练的方式进行特征提取。在实际应用中，为了提高训练的效率和准确度， 采用多卷积核(f i 1 ter)进行多特征量提取。
[0065] S3、根据所述应用特征生成发型及妆容的搭配建议。该步骤S3包括W下子步骤 S31-S32：
[0066] S31、对所述应用特征进行分析W对所述应用特征进行归类;运些特征量可W体现 相貌的特质和场景的风格特点。进行分类后，即形成判断标准。当用户数据输入时，系统将 根据用户和用户提供的场景的特征量进行分析并进行相应属性的归类。根据结果，和候选 推荐进行匹配。
[0067] S32、依据归类结果与预设的推荐发型及妆容库进行匹配，从而生成发型及妆容的 搭配建议。
[0068] 优选的，该方法还包括步骤S4:
[0069] S4、将用户所选择的发型及妆容与所述个人照片及所述应用场景图建立关联，并 存储至所述推荐发型及妆容库。优化学习样本的具体方法:记录用户的最终选择，并根据用 户反馈的实际效果，将样本进行有监督标注并反馈至推荐模块。对反馈结果的评估中采用 动态加权，既确保了有监督标注的客观性又吸纳了用户个性化选择的偏好特征。
[0070] 参见图2,图2为本发明提供的一种生成用户发型及妆容搭配建议的装置100框图， 该装置100包括图片获取模块1、特征筛选模块2及搭配建议模块3。
[0071 ]图片获取模块1，用于采集用户的个人照片，并获取应用场景图；
[0072] 特征筛选模块2,用于采用卷积神经网络对所述个人照片及所述应用场景图分析 W筛选应用特征；
[0073] 搭配建议模块3,用于根据所述应用特征生成发型及妆容的搭配建议。
[0074] 优选的，所述特征筛选模块2包括神经网络输入子模块及多层卷积处理子模块。
[0075] 神经网络输入子模块，用于将所述个人照片及所述应用场景图作为所述卷积神经 网络的输入；
[0076] 多层卷积处理子模块，用于所述卷积神经网络的多个特征平面对所输入的个人照 片及应用场景图进行多层卷积处理，W筛选所述应用特征。
[0077] 优选的，所述搭配建议模块3包括特征归类子模块及匹配子模块。
[0078] 特征归类子模块，用于对所述应用特征进行分析W对所述应用特征进行归类；
[0079] 匹配子模块，用于依据归类结果与预设的推荐发型及妆容库进行匹配，从而生成 发型及妆容的搭配建议。
[0080] 优选的，该装置100还包括学习扩充模块4:
[0081] 学习扩充模块4,用于将用户所选择的发型及妆容与所述个人照片及所述应用场 景图建立关联，并存储至所述推荐发型及妆容库。
[0082] 本文提供了实施例的各种操作。在一个实施例中，所述的一个或多个操作可W构 成一个或多个计算机可读介质上存储的计算机可读指令，其在被电子设备执行时将使得计 算设备执行所述操作。描述一些或所有操作的顺序不应当被解释为暗示运些操作必需是顺 序相关的。本领域技术人员将理解具有本说明书的益处的可替代的排序。而且，应当理解， 不是所有操作必需在本文所提供的每个实施例中存在。
[0083] 而且，本文所使用的词语"优选的"意指用作实例、示例或例证。奉文描述为"优选 的"任意方面或设计不必被解释为比其他方面或设计更有利。相反，词语"优选的"的使用旨 在W具体方式提出概念。如本申请中所使用的术语"或"旨在意指包含的"或"而非排除的 "或"。即，除非另外指定或从上下文中清楚/'X使用A或B"意指自然包括排列的任意一个。 即，如果X使用A;X使用B;或X使用A和B二者，则气使用A或B"在前述任一示例中得到满足。
[0084] 而且，尽管已经相对于一个或多个实现方式示出并描述了本公开，但是本领域技 术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有运 样的修改和变型，并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件、 资源等)执行的各种功能，用于描述运样的组件的术语旨在对应于执行所述组件的指定功 能(例如其在功能上是等价的）的任意组件(除非另外指示），即使在结构上与执行本文所示 的本公开的示范性实现方式中的功能的公开结构不等同。此外，尽管本公开的特定特征已 经相对于若干实现方式中的仅一个被公开，但是运种特征可W与如可W对给定或特定应用 而言是期望和有利的其他实现方式的一个或多个其他特征组合。而且，就术语"包括"、"具 有"、"含有"或其变形被用在【具体实施方式】或权利要求中而言，运样的术语旨在W与术语 "包含"相似的方式包括。
[0085] 本发明实施例中的各功能单元可W集成在一个处理模块中，也可W是各个单元单 独物理存在，也可W两个或两个W上单元集成在一个模块中。上述集成的模块既可W采用 硬件的形式实现，也可W采用软件功能模块的形式实现。所述集成的模块如果W软件功能 模块的形式实现并作为独立的产品销售或使用时，也可W存储在一个计算机可读取存储介 质中。上述提到的存储介质可W是只读存储器，磁盘或光盘等。上述的各装置或系统，可W 执行相应方法实施例中的方法。
[0086] 综上所述，虽然本发明已W优选实施例掲露如上，但上述优选实施例并非用W限 制本发明，本领域的普通技术人员，在不脱离本发明的精神和范围内，均可作各种更动与润 饰，因此本发明的保护范围W权利要求界定的范围为准。
【主权项】
1. 一种生成用户发型及妆容搭配建议的方法，其特征在于，包括： 采集用户的个人照片，并获取应用场景图； 采用卷积神经网络对所述个人照片及所述应用场景图分析以筛选应用特征； 根据所述应用特征生成发型及妆容的搭配建议。2. 根据权利要求1所述的方法，其特征在于，所述采集用户的个人照片，并获取应用场 景图的步骤包括： 通过摄像头采集所述个人照片，或者通过于图片库中选择所述个人照片； 设置应用场景以获取所述应用场景图，或者通过摄像头采集所述应用场景图，或者通 过于图片库中选择所述应用场景图。3. 根据权利要求1所述的方法，其特征在于，所述采用卷积神经网络对所述个人照片及 所述应用场景图分析以筛选应用特征的步骤包括： 将所述个人照片及所述应用场景图作为所述卷积神经网络的输入； 所述卷积神经网络的多个特征平面对所输入的个人照片及应用场景图进行多层卷积 处理，以筛选所述应用特征。4. 根据权利要求3所述的方法，其特征在于，所述卷积神经网络的多个特征平面对所输 入的个人照片及应用场景图进行多层卷积处理，以筛选所述应用特征的步骤包括： 获取所述个人照片及所述应用场景图的像素尺寸对应的训练集以及卷积核； 从所述训练集中抽样以提取第一子特征，将所述第一子特征与所述卷积核进行卷积以 输出多个第一特征图； 从所述多个第一特征图中的任一个再抽样以提取第二子特征，将所述第一子特征与所 述卷积核卷积以输出多个第二特征图； 组合所述多个第二特征图以输出所述应用特征。5. 根据权利要求1所述的色彩检测方法，其特征在于，所述根据所述应用特征生成发型 及妆容的搭配建议的步骤包括： 对所述应用特征进行分析以对所述应用特征进行归类； 依据归类结果与预设的推荐发型及妆容库进行匹配，从而生成发型及妆容的搭配建 议。6. 根据权利要求5所述的方法，其特征在于，还包括： 将用户所选择的发型及妆容与所述个人照片及所述应用场景图建立关联，并存储至所 述推荐发型及妆容库。7. -种生成用户发型及妆容搭配建议的装置，其特征在于，包括： 图片获取模块，用于采集用户的个人照片，并获取应用场景图； 特征筛选模块，用于采用卷积神经网络对所述个人照片及所述应用场景图分析以筛选 应用特征； 搭配建议模块，用于根据所述应用特征生成发型及妆容的搭配建议。8. 根据权利要求7所述的装置，其特征在于，所述特征筛选模块包括： 神经网络输入子模块，用于将所述个人照片及所述应用场景图作为所述卷积神经网络 的输入； 多层卷积处理子模块，用于所述卷积神经网络的多个特征平面对所输入的个人照片及 应用场景图进行多层卷积处理，以筛选所述应用特征。。9. 根据权利要求7所述的装置，其特征在于，所述搭配建议模块包括： 特征归类子模块，用于对所述应用特征进行分析以对所述应用特征进行归类； 匹配子模块，用于依据归类结果与预设的推荐发型及妆容库进行匹配，从而生成发型 及妆容的搭配建议。10. 根据权利要求9所述的装置，其特征在于，还包括： 学习扩充模块，用于将用户所选择的发型及妆容与所述个人照片及所述应用场景图建 立关联，并存储至所述推荐发型及妆容库。
【文档编号】G06F17/30GK105956150SQ201610317656
【公开日】2016年9月21日
【申请日】2016年5月12日
【发明人】李远志, 朱凌
【申请人】张家港索奥通信科技有限公司