CN106407418A - 一种基于人脸识别的个性化视频推荐方法及推荐系统 - Google Patents

Abstract

本发明公开了一种基于人脸识别的个性化视频推荐方法及推荐系统，方法包括：获取用户人脸图像，提取用户人脸图像中的人脸特征并存储；获取网络视频数据，对网络视频数据进行特征向量提取操作后生成视频特征向量；根据视频特征向量和人脸特征对应的用户行为数据生成用户兴趣模型；计算所述用户兴趣模型和视频特征向量的相似度，基于所计算的相似度形成推荐列表。本发明可在识别人脸后，分析用户的兴趣偏好，并在预推荐视点中过滤掉相似度低的视频和已看过视频，推荐效率高，为用户提供方便。

Description

一种基于人脸识别的个性化视频推荐方法及推荐系统

技术领域

本发明涉及信息处理技术领域，尤其涉及一种基于人脸识别的个性化视频推荐方法及推荐系统。

背景技术

随着现代生活水平的不断提高，人们对娱乐化的需求也越来越多样化，计算机技术、图像识别技术已逐步应用于日常生活中多个领域中，例如，可以在数以亿万计的人群中迅速定位目标人物，也可以根据人脸图像判断人脸表情。

目前随着音视频内容的多样性，音视频压缩技术的成熟，存储技术的提高，出现了根据人脸图像推荐音乐的应用。现有的根据人脸图像推荐音乐的方法，主要通过分析人脸的表情信息进行音乐推荐，如高兴的表情，就会推荐一些令人心情愉快的音乐，悲伤的表情，会推荐一些节奏较平缓的音乐。现有方法主要针对包含单个人脸的图像，通过分析单个人脸的表情信息进行音乐推荐。

但现有的根据人脸检测的推荐方法，只是单纯的根据用户的表情信息进行推荐，无法根据人脸特征建立用户兴趣模型，也无法根据用户的偏好模型进行推荐。

因此，现有技术还有待于改进和发展。

发明内容

鉴于现有技术的不足，本发明目的在于提供一种基于人脸识别的个性化视频推荐方法及推荐系统，旨在解决现有技术中人脸检测的推荐方法，只是单纯的根据用户的表情信息进行推荐，无法根据人脸特征建立用户兴趣模型，也无法根据用户的偏好模型进行推荐的问题。

本发明的技术方案如下：

一种基于人脸识别的个性化视频推荐方法，其中，方法包括：

A、获取用户人脸图像，提取用户人脸图像中的人脸特征并存储；

B、获取网络视频数据，对网络视频数据进行特征向量提取操作后生成视频特征向量；

C、根据视频特征向量和人脸特征对应的用户行为数据生成用户兴趣模型；

D、计算所述用户兴趣模型和视频特征向量的相似度，基于所计算的相似度形成推荐列表。

所述的基于人脸识别的个性化视频推荐方法，其中，所述A具体包括：

A1、摄像头采集用户人脸图像，将用户人脸图像上传到服务器，服务器对用户人脸图像进行预处理；

A2、根据高斯差分函数构建高斯差分的图像尺度空间，检测图像尺度空间中的极值点；

A3、根据高斯差分函数在横跨边缘和垂直边缘方向上的主曲率大小，筛除干扰极值点，获得非干扰极值点；

A4、获取所述非干扰极值点的梯度方向，基于所述梯度方向得到局部特征图像；

A5、将局部特征图像投影到局部人脸子空间进行训练，得到局部特征向量，获取局部特征向量作为人脸特征并存储。

所述的基于人脸识别的个性化视频推荐方法，其中，所述B具体包括：

B1、服务器获取网络视频数据，根据网络视频数据的视频描述特征，将网络视频数据解析为结构化数据，将所述结构化数据中的状态描述信息转为序列化的网络视频数据；

B2、获取序列化的网络视频数据的视频类型，根据视频类型的不同分别采用不同的特征向量提取方法，生成最终的视频特征向量。

所述的基于人脸识别的个性化视频推荐方法，其中，所述C具体包括：

C1、服务器根据人脸特征识别用户，获取人脸特征对应的用户行为日志，从用户行为日志中分离用户行为，得到行为基表；

C2、通过对行为基表和视频特征向量对应的视频向量表关联，得到用户行为-视频特征映射表；

C3、获取在预定时间区间内的用户行为-视频特征映射表，生成用户兴趣模型。

所述的基于人脸识别的个性化视频推荐方法，其中，所述D具体包括：

D1、获取视频特征向量和用户兴趣模块，计算视频特征向量和用户模型对应属性的相似度；

D2、根据预设置的各属性权重值和相似度，获取用户对视频的偏好值；

D3、过滤用户已看过的视频，形成推荐列表。

所述的基于人脸识别的个性化视频推荐方法，其中，所述A4具体包括：

A41、计算所述非干扰极值点的的方向，根据设定的角度区间获取所述非干扰极值点的梯度方向；

A42、将坐标轴旋转至极值点的梯度方向，以极值点为中心，取其邻域的特定大小的空间，并将空间分为若干个子空间，在每个子空间上计算梯度方向的累加值，得到局部特征图像。

所述的基于人脸识别的个性化视频推荐方法，其中，所述B2具体包括：

B21、获取序列化的网络视频数据的视频类型，判断视频类型是否为影视节目或少儿节目；

B22、若视频类型是影视节目或少儿节目，则离散化网络视频数据的年代值和热度值后，统一视频类别后生成视频特征向量；

B23、若视频类型既不是影视节目，也不是少儿节目，则采用视频名称中文分词、去停词后，根据TF-IDF算法计算出关键词的权重后，生成视频特征向量。

一种基于人脸识别的个性化视频推荐系统，其中，系统包括：

人脸特征获取模块，用于获取用户人脸图像，提取用户人脸图像中的人脸特征并存储；

视频特征向量生成模块，用于获取网络视频数据，对网络视频数据进行特征向量提取操作后生成视频特征向量；

用户兴趣生成模块，用于根据视频特征向量和人脸特征对应的用户行为数据生成用户兴趣模型；

推荐列表生成模块，用于计算所述用户兴趣模型和视频特征向量的相似度，基于所计算的相似度形成推荐列表。

所述的基于人脸识别的个性化视频推荐系统，其中，所述人脸特征获取模块具体包括：

图像采集单元，用于摄像头采集用户人脸图像，将用户人脸图像上传到服务器，服务器对用户人脸图像进行预处理；

极值点检测单元，用于根据高斯差分函数构建高斯差分的图像尺度空间，检测图像尺度空间中的极值点；

干扰极值点筛除单元，用于根据高斯差分函数在横跨边缘和垂直边缘方向上的主曲率大小，筛除干扰极值点，获得非干扰极值点；

局部特征图像生成单元，用于获取所述非干扰极值点的梯度方向，基于所述梯度方向得到局部特征图像；

图像训练单元，用于将局部特征图像投影到局部人脸子空间进行训练，得到局部特征向量，获取局部特征向量作为人脸特征并存储。

所述的基于人脸识别的个性化视频推荐系统，其中，所述视频特征向量生成模块具体包括：

网络视频数据序列化单元，用于服务器获取网络视频数据，根据网络视频数据的视频描述特征，将网络视频数据解析为结构化数据，将所述结构化数据中的状态描述信息转为序列化的网络视频数据；

特征向量提取单元，用于获取序列化的网络视频数据的视频类型，根据视频类型的不同分别采用不同的特征向量提取方法，生成最终的视频特征向量。

本发明提供了一种基于人脸识别的个性化视频推荐方法及系统，本发明可在识别人脸后，分析用户的兴趣偏好，并在预推荐视点中过滤掉相似度低的视频和已看过视频，推荐效率高，为用户提供方便。

附图说明

图1为本发明的一种基于人脸识别的个性化视频推荐方法的较佳实施例的流程图。

图2为本发明的一种基于人脸识别的个性化视频推荐方法的具体应用实施例的使用环境示意图。

图3为本发明的一种基于人脸识别的个性化视频推荐方法的具体应用实施例的中步骤S100的细化流程图。

图4为图3中步骤S104的细化流程图。

图5为本发明的一种基于人脸识别的个性化视频推荐方法的具体应用实施例的中步骤S200的细化流程图。

图6为图5中步骤S202的细化流程图。

图7为本发明的一种基于人脸识别的个性化视频推荐方法的具体应用实施例的中步骤S300的细化流程图。

图8为本发明的一种基于人脸识别的个性化视频推荐方法的具体应用实施例的中步骤S400的细化流程图。

图9为本发明的一种基于人脸识别的个性化视频推荐系统的较佳实施例的功能原理框图。

图10为本发明的一种基于人脸识别的个性化视频推荐系统的具体应用实施例的人脸特征获取模块的功能原理框图。

图11为本发明的一种基于人脸识别的个性化视频推荐系统的具体应用实施例的局部特征图像生成单元的功能原理框图。

图12为本发明的一种基于人脸识别的个性化视频推荐系统的具体应用实施例的视频特征向量生成模块的功能原理框图。

图13为本发明的一种基于人脸识别的个性化视频推荐系统的具体应用实施例的特征向量提取单元的功能原理框图。

图14为本发明的一种基于人脸识别的个性化视频推荐系统的具体应用实施例的用户兴趣生成模块的功能原理框图。

图15为本发明的一种基于人脸识别的个性化视频推荐系统的具体应用实施例的推荐列表生成模块的功能原理框图。

具体实施方式

为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供了一种基于人脸识别的个性化视频推荐方法的较佳实施例的流程图，如图1所示，其中，方法包括：

步骤S100、获取用户人脸图像，提取用户人脸图像中的人脸特征并存储；

步骤S200、获取网络视频数据，对网络视频数据进行特征向量提取操作后生成视频特征向量；

步骤S300、根据视频特征向量和人脸特征对应的用户行为数据生成用户兴趣模型；

步骤S400、计算所述用户兴趣模型和视频特征向量的相似度，基于所计算的相似度形成推荐列表。

具体实施时，通过智能终端摄像头，采集用户的人脸图像，进一步将图像上传至云端服务器进行人脸识别及数据存储；利用人脸特征数据和视频资源特征数据建立用户兴趣模型：基于用户行为日志数据，提取用户播放、搜索、购买、评分等行为的日志数据，关联相应的视频特征，计算用户在视频类别、国别、主演、导演、年代、热度值等多个维度的偏好模型，并根据各个维度的权重，构建基于视频特征的双层树状用户模型，得到用户的兴趣偏好；个性化推荐，选择基于内容的多维度视频推荐算法和基于项目的协同过滤混合推荐算法，计算用户模型和视频特征向量的相似度，过滤相似度低的视频和已看过的视频，形成推荐列表。

进一步的实施例中，具体实施时，如图2所示，为本方法的具体实施例的典型使用环境，包括摄像头、智能电视机、遥控器、服务器、网络和用户。进一步地，如图3所示，步骤S100具体包括：

步骤S101、摄像头采集用户人脸图像，将用户人脸图像上传到服务器，服务器对用户人脸图像进行预处理；

步骤S102、根据高斯差分函数构建高斯差分的图像尺度空间，检测图像尺度空间中的极值点；

步骤S103、根据高斯差分函数在横跨边缘和垂直边缘方向上的主曲率大小，筛除干扰极值点，获得非干扰极值点；

步骤S104、获取非干扰极值点的梯度方向，基于梯度方向得到局部特征图像；

步骤S105、将局部特征图像投影到局部人脸子空间进行训练，获取局部特征向量作为人脸特征。

具体地，步骤S101中通过摄像头采集用户人脸图像，将采集的用户人脸图像通过网络上传到服务器，服务器对对采集到的用户人脸图像进行预处理；

步骤S102中应用DoG函数构建高斯差分的图像尺度空间，然后对尺度空间中的极值点进行检测；

图像的尺度空间定义为式(1)：

L(x,y,σ)＝G(x,y,σ)*I(x,y) (1)

其中，(x,y)是空间坐标，σ是尺度坐标，尺度坐标越大，则越趋近于整体特征，尺度坐标越小，则越趋近于细节特征。

G(x,y,σ)是尺度可变高斯函数，其定义为式(2)：

应用DoG(Difference of Gaussian)函数构建高斯差分的尺度空间，定义如式(3)：

D(x,y,σ)＝L(x,y,kσ)-L(x,y,σ) (3)

其中，k为常数，DoG金字塔的每一层都是由上一层的两个相邻空间进行差分计算所得到，直至DoG金字塔的顶端。

极值点检测过程如下：

每一个采样点分别与自身尺度上的8个邻域点、该尺度之上的尺度空间内的9个邻域点，以及该尺度之下的尺度空间内的9个邻域点，总计26个邻域点进行比较。如果采样点大于或小于所有26个邻域点，则认为该采样点是图像在该尺度的一个极值点。

步骤S103中通过拟合二次函数对极值点进行筛选，并通过DoG函数主曲率的大小剔除由边缘响应带来的干扰，具体如下：

1.1、对DoG函数在尺度空间的泰勒展开式求导，使之为0，求得修正值；

1.2、将修正值代入展开式，若计算得到的绝对值小于一预定阈值，则判定该极值点为低对比度极值点，并丢弃该极值点；

1.3、根据DoG函数在横跨边缘和垂直边缘方向上的主曲率大小，筛除干扰性的极值点，得到非干扰极值点。

首先计算极值点位置尺度的2X2的Hessian矩阵，导数由极值点相邻差来估计，矩阵H为式(4)：

其中，D_xx表示DoG金字塔中某一尺度的图像x方向求导两次。

D的主曲率和H的特征值成正比，令α为最大特征值，β为最小特征值，则

令α＝γβ，则：

如果满足式(7)：

则将极值点剔除，其中Det(H)为求矩阵H的行列式，Tr(H)为矩阵H的变。考虑到移动终端的存储能力和计算能力，此处的γ取值为10。最终得到一组非干扰极值点，即图像的代表特征点。

步骤S104中获取非干扰极值点的梯度方向，基于梯度方向得到局部特征图像，进一步地实施例中，如图4所示，步骤S104具体包括：

步骤S141、计算所述非干扰极值点的方向，根据设定的角度区间获取所述非干扰极值点的梯度方向；

步骤S142、将坐标轴旋转至极值点的梯度方向，以极值点为中心，取其邻域的特定大小的空间，并将空间分为若干个子空间，在每个子空间上计算梯度方向的累加值，得到局部特征图像。

其中步骤S141中首先求取极值点的梯度方向，根据梯度的方向进行旋转，可以使特征描述子(脸部特征图像)具有旋转不变性，极值点的梯度为：

梯度幅值为：

m(x,y)＝sqrt((L(x+1,y)-(L(x-1,y))²+(L(x,y+1)-(L(x,y-1))²) (9)

梯度方向为：

其中L(x+1,y)为L(x,y)在x轴向左平移一个单位的尺度空间，其中L(x-1,y)为L(x,y)在x轴向右平移一个单位的尺度空间，其中L(x,y+1)为L(x,y)在y轴向下平移一个单位的尺度空间，其中L(x,y-1)为L(x,y)在y轴向上平移一个单位的尺度空间，计算各个极值点的方向，设定角度区间，如果某一角度区间内具有最多的极值点，则该角度区间的正中方向即为极值点的梯度方向。角度区间根据精度不同通常设为36个，即每10度一个。步骤S142中将坐标轴旋转至极值点的主方向，然后以极值点为中心，取其邻域8*8的空间，然后将该空间分为4个子空间，在每个子空间上计算梯度方向的累加值，即形成局部特征图像。

步骤S105中将局部特征向量图像投影到局部人脸子空间进行训练，得到局部特征向量，获取局部特征向量作为人脸特征并存储。

进一步的实施例中，如图5所示，步骤S200具体包括：

步骤S201、服务器获取网络视频数据，根据网络视频数据的视频描述特征，将网络视频数据解析为结构化数据，将所述结构化数据中的状态描述信息转为序列化的网络视频数据；

步骤S202、获取序列化的网络视频数据的视频类型，根据视频类型的不同分别采用不同的特征向量提取方法，生成最终的视频特征向量；

具体实施时，构建完善的视频特征向量需要整齐规范的视频数据，不同数据源的视频数据内容包罗万象，信息的表示千差万别，需要对其进行预处理。

步骤S201中对爬取的网络视频数据进行解析，根据不同频道的视频描述特征制定不同的结构，将原始视频本体数据解析为包含视频名称，类型、演员、导演、年代、视频别名、角色、国别、片长、主持人、所属节目、版本类型、出品人、制作单位等属性的结构化数据。

对来自不同视频网站中的缺失数据、错误数据、不规则数据进行数据清洗，通过对视频数据进行观察与分析，制定了如下的清洗规则：

2.1、对于视频名称缺失的视频数据则直接丢弃此条视频信息。

2.2、对于字段取值是“未知”或者“略”或者有明显错误的字段，将其值改成空值。

2.3、对于字段中出现多个“/”的情况，则将其用一个“/”替代。

2.4、对于字段中出现的中文符号，则将英文符号替代，比如“【”，“】”，“？”，“！”等。

2.5、对于视频名称字段中标识第X部的数字，都统一为汉字；将版本信息去掉；将语言信息统一为“X语”等。

2.6、对于字段中出现的日期，都统一为yyyy-MM-dd格式。

2.7、将所有全角统一为半角，将大写统一为小写。

视频本体数据序列化将对象的状态描述信息进行转化，使之能够进行存储和传输；

更新序列化文件。爬虫平台设置定时任务根据配置文件每天定时爬取数据，本文采用增量爬取，只爬取当天新产生的视频，所以需要将新产生的视频加入到原有的序列化文件中，即更新序列化文件；

系统自身视频数据与爬取的视频数据进行关联。本发明系统自身提供了视频的流数据和少量的视频描述信息数据，通过爬取平台在互联网上爬取相关视频的描述信息来补充系统自身的视频数据描述信息，所以需要系统自身视频数据与爬取的视频数据进行关联，这是因为两者的id定义规则不同，无法直接通过视频id关联，所以采用视频名称关联方法。对于来自不同数据源的视频数据，视频名称的命名规则不尽相同，将复杂类型如加上了“第X部”、“XXX版”，“XXX之XXX”等内容的视频名称进行多字段表示，添加了视频系列名称、视频子标题、视频版本号信息。经过处理后，视频名称满足以下任一规则的两个视频，即认为是同一视频。

3.1、视频名称完全相同的两个视频为同一视频。

3.2、视频名称不同，视频系列名称和视频子标题完全相同的两个视频为同一视频。

3.3、视频名称不同，视频系列名称和视频版本号完全相同的两个视频为同一视频。

对连续属性进行离散化；视频类别归一化。

步骤S202中数据经过预处理、名称文件分析之后，便可进行视频特征向量提取。描述一个视频内容的信息是多方面的，如类别、导演、演员、国别、年代、热度值、排名，本发明直接选取这七个维度为视频的特征向量。视频特征向量的构建步骤如下所示。

4.1首先通过视频名称匹配将爬取数据和本发明系统自身提供的数据进行映射；

4.2对于映射成功的记录，用爬取结果中的字段补充本发明系统的视频数据中缺失的字段，没有映射成功的，则说明爬取的该条视频信息是本发明系统未提供的数据，所以将该条新数据添加到本系统；

4.3补充完缺失字段后，对于电影、电视剧、少儿频道中的年代age、热度值hot、评分rank进行离散化处理，最后再对视频类别进行统一化处理；

4.4对于娱乐综艺、生活纪实、音乐、体育等频道，对其视频名称进行中文分词处理，然后根据预定义的名词词典提取特征词，统计各个特征词的词频，最终得到所有频道的视频结构化数据。

进一步地实施例中，如图6所示，步骤S202具体包括：

步骤S221、获取序列化的网络视频数据的视频类型，判断视频类型是否为影视节目或少儿节目；

步骤S222、若视频类型是影视节目或少儿节目，则离散化网络视频数据的年代值和热度值后，统一视频类别后生成视频特征向量；

步骤S223、若视频类型既不是影视节目，也不是少儿节目，则采用视频名称中文分词、去停词后，根据TF-IDF算法计算出关键词的权重后，生成视频特征向量。

具体实施时，步骤S222中补充完缺失字段后，对于电影、电视剧、少儿频道中的年代age、热度值hot、评分rank进行离散化处理，最后再对视频类别进行统一化处理；

步骤S223中对于生活纪实、娱乐综艺、音乐、体育等频道，视频大部分为短视频，用于描述视频信息的特征不够完善，并且这类短视频的视频名称并没有严格地命名规范，一般都是视频内容的简单概括，这类视频利用视频名称的分词结果作为视频的特征向量。对于这几个频道的视频特征向量本发明根据如下步骤进行视频名称的关键词表示：

5.1定义名词词库，其中包括人名、电影名、电视节目名、晚会/颁奖礼名、戏曲名、歌曲名、相声名、球赛名。

5.2中文分词，在本发明系统中通过自定义用户词典筛选出需要保留的关键词。

5.3利用TF-IDF算法统计出关键词的TF-IDF值，根据标题中的不同类关键词的重要程度，还设置了关键词类别权重，如词典中的名词权重Wn＝0.9，形容词Wadj＝0.8，动词Wv＝0.6，其他关键词类别权重Wo＝0.4；

5.4利用关键词的权重与其所属类别的乘积表示该视频特征项的权重，设定阈值，将权重大于该阈值的前n个关键词作为该视频的特征项，以此建立视频的特征向量模型。

进一步的实施例中，如图7所示，步骤S300具体包括：

步骤S301、服务器根据人脸特征识别用户，获取人脸特征对应的用户行为日志，从用户行为日志中分离用户行为，得到行为基表；

步骤S302、通过对行为基表和视频特征向量对应的视频向量表关联，得到用户行为-视频特征映射表；

步骤S303、获取在预定时间区间内的用户行为-视频特征映射表，生成用户兴趣模型。

具体实施时，提取用户对视频的当天行为数据，包括播放、搜索、收藏、评分等行为，将每天的行为数据进行汇总得到用户对视频的历史行为数据。将用户历史行为数据与视频内容结构化信息数据进行关联、抽取，得到用户在视频类别、国别、主演、导演、年代、热度值等维度偏好值来表示用户模型。

构建用户兴趣模型包含根据基础日志分离用户行为日志，得到用户行为基表，选择指定日期内的用户行为，构建用户-视频属性映射表，统计用户在视频类别、国别、年代、主演、导演、评分、热度值等维度的行为规律与偏好，构建兴趣模型。

步骤S301中分离用户行为，得到行为基表。根据用户日志构建兴趣模型，日志中涉及到了用户所有的行为，在本文的设计中，只涉及了与视频观看相关的行为，如播放、暂停、快进、进入退出频道、进入退出栏目、点击详情等，通过对这些行为的分析，分离出用户的观看时段，得到用户行为基表。

步骤S302中通过对行为基表和视频向量表关联，得到用户-视频特征映射表。在进行用户模型的构建时，可以通过参数方式可以自定义所选用户行为的时间区间。其中视频向量表是指视频向量特征与视频类别、国别、年代、主演、导演、评分、热度值的关系表。用于表征视频向量特征的属性。

步骤S303中在统计基础上，得到用户在视频类别、国别、导演、主演等多个维度的偏好，构建用户兴趣模型。

进一步的实施例中，如图8所示，步骤S400具体包括：

步骤S401、获取视频特征向量和用户兴趣模块，计算视频特征向量和用户模型对应属性的相似度；

步骤S402、根据预设置的各属性权重值和相似度，获取用户对视频的偏好值；

步骤S403、过滤用户已看过的视频，形成推荐列表。

具体实施时，步骤S401中计算各维度相似度。如上所述，用于推荐的视频特征向量和用户模型都是通过提取的视频类别、国别、年代、主演、导演、评分、热度值七个属性来表示的，因此，视频向量和用户模型在对应属性的相似度可采用余弦相似度公式计算得到，如公式(11)所示：

其中user_field和item_field分别是用户兴趣模型和视频特征向量某一维度特征，两者对应某个属性的n维特征向量为

步骤S402中设置各维度权重值。通过对各属性取值的分析和该属性对用户和视频的表示的贡献值，设置各维度权重。将各维度的相似度与各维度的权重值进行求积，再对这些求积结果进行求和，得到用户模型与该视频的相似度，如公式(12)所示：

sim(user,item)＝∑_field∈Fsim(user_field,item_field)*weight(field) (12)

其中sim(user，item)表示该用户模型与当前视频的相似度，field表示某一维度的视频特征，F是视频特征集合，weigh(field)表示该视频特征的权重值。

步骤S403中过滤用户已看的视频，并根据不同属性所占的权重得到用户对于当前视频的偏好值，选出偏好值最高的N个值，构成推荐列表。

本发明还提供了一种基于人脸识别的个性化视频推荐系统的具体应用实施例的推荐过程如下所示：

为避免破坏推荐的新颖性，在推荐结果中需要过滤掉用户已观看过的视频。因此，必须获取用户的历史观看列表以在最终的推荐结果中过滤这些视频。

首先获取用户观看列表，过程如下：

6.1、获取用户的行为日志；

6.2、解析日志，同时过滤无意义的数据；

6.3、根据行为字段，选择与播放有关的记录；

6.4、对步骤6.3的每条记录进行提取用户id，和该用户所观看的视频id，以用户id作为key，视频id做为value，形成key-value对的格式输出；

6.5、对步骤6.4所得的key-value对进行归约化简，将相同用户id的视频id加入一个列表中进行去重合，最终将该列表合并为字符串，以用户id作为key，以视频列表做为value，形成key-value对的格式，并输出。

其次获取热门视频和最新视频集合，分别通过视频播放次数和上线时间来判断和获取，过程如下：

处理基础日志行为基表的数据，将视频id作为key值，每条播放记录中，该视频id的播放次数为1，作为value值，形成key-value对输出；

设置阈值，将播放次数超过阈值的视频id输出，获得热门视频集合。

最新视频的视频获取同热门视频，预先设置阈值，将在给定日期区间的视频输出，即获得最新视频集合。

最后是基于内容的多维度推荐算法的用户兴趣模型实现，过程如下：

7.1分别获取由用户和视频特征组成的用户-视频特征矩阵和待推荐的视频特征向量组成的视频集合；

7.2对于每个用户sn，分别提取其在类别、国别、年代、主演、导演、排名、热度7个维度上的偏好与待推荐向量在相应维度上进行余弦相似度计算，每次计算会得到七个相似度值，分别表示七个维度上的相似度，即sim_cat，sim_cou，sim_age，sim_act，sim_dir，sim_rank，sim_hot；

7.3根据视频各维度中数据质量，设定各维度在相似度计算中的权值，本文中类别的权重最大w_cat＝0.3，主演和年代w_age＝0.15，w_act＝0.15，其余四个维度的权重为0.1，即w_cou＝0.1，w_dir＝0.1，w_rank＝0.1，w_hot＝0.1；

7.4根据各维度的权重和各维度上的相似度，利用公式(13)得到用户对该视频的兴趣sim(sn,item)，是一个三维向量<用户，视频，兴趣值>；

sim(sn,item)＝w_cat*sim_cat+w_age*sim_age+w_actor*sim_actor+w_dir*sim_dir+w_cou*sim_cou+W_rank*sim_rank+w_hot*sim_hot (13)

最后以sn作为key，视频及用户对视频的兴趣值作为value输出。

本发明还提供了一种基于人脸识别的个性化视频推荐系统的较佳实施例的功能原理框图，如图9所示，系统包括：

人脸特征获取模块100，用于获取用户人脸图像，提取用户人脸图像中的人脸特征并存储；具体如方法实施例所示。

视频特征向量生成模块200，用于获取网络视频数据，对网络视频数据进行特征向量提取操作后生成视频特征向量；具体如方法实施例所示。

用户兴趣生成模块300，用于根据视频特征向量和人脸特征对应的用户行为数据生成用户兴趣模型；具体如方法实施例所示。

推荐列表生成模块400，用于计算所述用户兴趣模型和视频特征向量的相似度，基于所计算的相似度形成推荐列表；具体如方法实施例所示。

进一步地，如图10所示，人脸特征获取模块100具体包括：

图像采集单元101，用于摄像头采集用户人脸图像，将用户人脸图像上传到服务器，服务器对用户人脸图像进行预处理；

极值点检测单元102，用于根据高斯差分函数构建高斯差分的图像尺度空间，检测图像尺度空间中的极值点；具体如方法实施例所示。

干扰极值点筛除单元103，用于根据高斯差分函数在横跨边缘和垂直边缘方向上的主曲率大小，筛除干扰极值点，获得非干扰极值点；具体如方法实施例所示。

局部特征图像生成单元104，用于获取所述非干扰极值点的梯度方向，基于所述梯度方向得到局部特征图像；具体如方法实施例所示。

图像训练单元105，用于将局部特征图像投影到局部人脸子空间进行训练，得到局部特征向量，获取局部特征向量作为人脸特征并存储；具体如方法实施例所示。

进一步的实施例中，如图11所示，局部特征图像生成单元104具体包括：

梯度方向计算单元141，用于计算所述非干扰极值点的的方向，根据设定的角度区间获取所述非干扰极值点的梯度方向；具体如方法实施例所示。

梯度累加值计算单元142，将坐标轴旋转至极值点的梯度方向，以极值点为中心，取其邻域的特定大小的空间，并将空间分为若干个子空间，在每个子空间上计算梯度方向的累加值，得到局部特征图像；具体如方法实施例所示。

进一步的实施例中，如图12所示，视频特征向量生成模块200具体包括：

网络视频数据序列化单元201，用于服务器获取网络视频数据，根据网络视频数据的视频描述特征，将网络视频数据解析为结构化数据，将所述结构化数据中的状态描述信息转为序列化的网络视频数据；具体如方法实施例所示。

特征向量提取单元202，用于获取序列化的网络视频数据的视频类型，根据视频类型的不同分别采用不同的特征向量提取方法，生成最终的视频特征向量；具体如方法实施例所示。

进一步的实施例中，如图13所示，特征向量提取单元202具体包括：

视频类型判断单元221，用于获取序列化的网络视频数据的视频类型，判断视频类型是否为影视节目或少儿节目；具体如方法实施例所示。

第一特征向量生成单元222，用于若视频类型是影视节目或少儿节目，则离散化网络视频数据的年代值和热度值后，统一视频类别后生成视频特征向量；具体如方法实施例所示。

第二特征向量生成单元223，用于若视频类型既不是影视节目，也不是少儿节目，则采用视频名称中文分词、去停词后，根据TF-IDF算法计算出关键词的权重后，生成视频特征向量；具体如方法实施例所示。

进一步地，如图14所示，用户兴趣生成模块300具体包括：

用户行为分离单元301，用于服务器根据人脸特征识别用户，获取人脸特征对应的用户行为日志，从用户行为日志中分离用户行为，得到行为基表；具体如方法实施例所示。

映射表生成单元302，用于通过对行为基表和视频特征向量对应的视频向量表关联，得到用户行为-视频特征映射表；具体如方法实施例所示。

模型生成单元303，用于获取在预定时间区间内的用户行为-视频特征映射表，生成用户兴趣模型；具体如方法实施例所示。

进一步地实施例中，如图15所示，其中，推荐列表生成模块400具体包括：

相似度计算单元401，用于获取视频特征向量和用户兴趣模块，计算视频特征向量和用户模型对应属性的相似度；具体如方法实施例所示。

偏好值获取单元402，用于根据预设置的各属性权重值和相似度，获取用户对视频的偏好值；具体如方法实施例所示。

视频过滤单元403，用于过滤用户已看过的视频，形成推荐列表；具体如方法实施例所示。

需要说明的是，本实施例的一种基于人脸识别的个性化视频推荐系统与上述实施例的工作原理基本一致，具体可参考上述实施例，此处不再赘述。

综上所述，本发明提供了一种基于人脸识别的个性化视频推荐方法及推荐系统，方法包括：获取用户人脸图像，提取用户人脸图像中的人脸特征并存储；获取网络视频数据，对网络视频数据进行特征向量提取操作后生成视频特征向量；根据视频特征向量和人脸特征对应的用户行为数据生成用户兴趣模型；计算所述用户兴趣模型和视频特征向量的相似度，基于所计算的相似度形成推荐列表。本发明可在识别人脸后，分析用户的兴趣偏好，并在预推荐视点中过滤掉相似度低的视频和已看过视频，推荐效率高，为用户提供方便。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于人脸识别的个性化视频推荐方法，其特征在于，所述方法包括：

A、获取用户人脸图像，提取用户人脸图像中的人脸特征并存储；

B、获取网络视频数据，对网络视频数据进行特征向量提取操作后生成视频特征向量；

C、根据视频特征向量和人脸特征对应的用户行为数据生成用户兴趣模型；

D、计算所述用户兴趣模型和视频特征向量的相似度，基于所计算的相似度形成推荐列表。

2.根据权利要求1所述的基于人脸识别的个性化视频推荐方法，其特征在于，所述A具体包括：

A1、摄像头采集用户人脸图像，将用户人脸图像上传到服务器，服务器对用户人脸图像进行预处理；

A2、根据高斯差分函数构建高斯差分的图像尺度空间，检测图像尺度空间中的极值点；

A3、根据高斯差分函数在横跨边缘和垂直边缘方向上的主曲率大小，筛除干扰极值点，获得非干扰极值点；

A4、获取所述非干扰极值点的梯度方向，基于所述梯度方向得到局部特征图像；

A5、将局部特征图像投影到局部人脸子空间进行训练，得到局部特征向量，获取局部特征向量作为人脸特征并存储。

3.根据权利要求1所述的基于人脸识别的个性化视频推荐方法，其特征在于，所述B具体包括：

B1、服务器获取网络视频数据，根据网络视频数据的视频描述特征，将网络视频数据解析为结构化数据，将所述结构化数据中的状态描述信息转为序列化的网络视频数据；

B2、获取序列化的网络视频数据的视频类型，根据视频类型的不同分别采用不同的特征向量提取方法，生成最终的视频特征向量。

4.根据权利要求1所述的基于人脸识别的个性化视频推荐方法，其特征在于，所述C具体包括：

C1、服务器根据人脸特征识别用户，获取人脸特征对应的用户行为日志，从用户行为日志中分离用户行为，得到行为基表；

C2、通过对行为基表和视频特征向量对应的视频向量表关联，得到用户行为-视频特征映射表；

C3、获取在预定时间区间内的用户行为-视频特征映射表，生成用户兴趣模型。

5.根据权利要求1所述的基于人脸识别的个性化视频推荐方法，其特征在于，所述D具体包括：

D1、获取视频特征向量和用户兴趣模块，计算视频特征向量和用户模型对应属性的相似度；

D2、根据预设置的各属性权重值和相似度，获取用户对视频的偏好值；

D3、过滤用户已看过的视频，形成推荐列表。

6.根据权利要求2所述的基于人脸识别的个性化视频推荐方法，其特征在于，所述A4具体包括：

A41、计算所述非干扰极值点的方向，根据设定的角度区间获取所述非干扰极值点的梯度方向；

A42、将坐标轴旋转至极值点的梯度方向，以极值点为中心，取其邻域的特定大小的空间，并将空间分为若干个子空间，在每个子空间上计算梯度方向的累加值，得到局部特征图像。

7.根据权利要求3所述的基于人脸识别的个性化视频推荐方法，其特征在于，所述B2具体包括：

B21、获取序列化的网络视频数据的视频类型，判断视频类型是否为影视节目或少儿节目；

B22、若视频类型是影视节目或少儿节目，则离散化网络视频数据的年代值和热度值后，统一视频类别后生成视频特征向量；

B23、若视频类型既不是影视节目，也不是少儿节目，则采用视频名称中文分词、去停词后，根据TF-IDF算法计算出关键词的权重后，生成视频特征向量。

8.一种基于人脸识别的个性化视频推荐系统，其特征在于，系统包括：

人脸特征获取模块，用于获取用户人脸图像，提取用户人脸图像中的人脸特征并存储；

视频特征向量生成模块，用于获取网络视频数据，对网络视频数据进行特征向量提取操作后生成视频特征向量；

用户兴趣生成模块，用于根据视频特征向量和人脸特征对应的用户行为数据生成用户兴趣模型；

推荐列表生成模块，用于计算所述用户兴趣模型和视频特征向量的相似度，基于所计算的相似度形成推荐列表。

9.根据权利要求8所述的基于人脸识别的个性化视频推荐系统，其特征在于，所述人脸特征获取模块具体包括：

图像采集单元，用于摄像头采集用户人脸图像，将用户人脸图像上传到服务器，服务器对用户人脸图像进行预处理；

极值点检测单元，用于根据高斯差分函数构建高斯差分的图像尺度空间，检测图像尺度空间中的极值点；

干扰极值点筛除单元，用于根据高斯差分函数在横跨边缘和垂直边缘方向上的主曲率大小，筛除干扰极值点，获得非干扰极值点；

局部特征图像生成单元，用于获取所述非干扰极值点的梯度方向，基于所述梯度方向得到局部特征图像；

图像训练单元，用于将局部特征图像投影到局部人脸子空间进行训练，得到局部特征向量，获取局部特征向量作为人脸特征并存储。

10.根据权利要求8所述的基于人脸识别的个性化视频推荐系统，其特征在于，所述视频特征向量生成模块具体包括：

网络视频数据序列化单元，用于服务器获取网络视频数据，根据网络视频数据的视频描述特征，将网络视频数据解析为结构化数据，将所述结构化数据中的状态描述信息转为序列化的网络视频数据；

特征向量提取单元，用于获取序列化的网络视频数据的视频类型，根据视频类型的不同分别采用不同的特征向量提取方法，生成最终的视频特征向量。