CN106507199A - 电视节目推荐方法及装置 - Google Patents

电视节目推荐方法及装置 Download PDF

Info

Publication number
CN106507199A
CN106507199A CN201611185956.9A CN201611185956A CN106507199A CN 106507199 A CN106507199 A CN 106507199A CN 201611185956 A CN201611185956 A CN 201611185956A CN 106507199 A CN106507199 A CN 106507199A
Authority
CN
China
Prior art keywords
information
age
program
facial image
characteristic parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201611185956.9A
Other languages
English (en)
Inventor
高晓林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen TCL New Technology Co Ltd
Shenzhen TCL Digital Technology Co Ltd
Original Assignee
Shenzhen TCL New Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen TCL New Technology Co Ltd filed Critical Shenzhen TCL New Technology Co Ltd
Priority to CN201611185956.9A priority Critical patent/CN106507199A/zh
Publication of CN106507199A publication Critical patent/CN106507199A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44218—Detecting physical presence or behaviour of the user, e.g. using sensors to detect if the user is leaving the room or changes his face expression during a TV program
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Social Psychology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种电视节目推荐方法，包括以下步骤：获取当前用户的人脸图像，并对所述人脸图像进行特征提取以获取人脸特征参数；根据预设函数对所述人脸特征参数进行年龄估算，以获取年龄信息；根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息，并将所述匹配的电视节目信息显示于电视端。本发明还公开了一种电视节目推荐装置。本发明解决了用户在选择电视节目时需要耗费大量时间进行浏览和检索的技术问题。

Description

电视节目推荐方法及装置
技术领域
本发明涉及电视技术领域，尤其涉及一种电视节目推荐方法及装置。
背景技术
随着数字电视业务、多媒体的发展以及人们生活水平的提高，电视节目在人们的日常休闲活动中占有非常重要的比例。然而近年来随着电视节目种类的不断增多，用户在选择节目上需要花费大量的时间进行浏览和检索，以找到适合自己观看的电视节目，大大降低用户的使用体验。
发明内容
本发明的主要目的在于提供一种电视节目推荐方法及装置，旨在解决用户在选择电视节目时需要耗费大量时间进行浏览和检索的技术问题。
为实现上述目的，本发明提供的一种电视节目推荐方法包括以下步骤：
获取当前用户的人脸图像，并对所述人脸图像进行特征提取以获取人脸特征参数；
根据预设函数对所述人脸特征参数进行年龄估算，以获取年龄信息；
根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息，并将所述匹配的电视节目信息显示于电视端。
优选地，所述获取当前用户的人脸图像，并对所述人脸图像进行特征提取以获取人脸特征参数的步骤包括：
获取当前用户的人脸图像，并对所述人脸图像进行预处理；
基于局部Gabor二值模式算子对预处理后的所述人脸图像进行特征提取，以获取人脸特征参数。
优选地，所述基于局部Gabor二值模式算子对预处理后的所述人脸图像进行特征提取，以获取人脸特征参数的步骤包括：
根据Gabor函数将预处理后的所述人脸图像转换为Gabor幅值图像，并根据局部二值模式算子对Gabor幅值图像进行编码，以形成局部Gabor二值模式特征图像；
对局部Gabor二值模式特征图像进行纹理分块，并获取每一纹理分块的直方序列图；
根据所述直方序列图获取人脸特征参数。
优选地，所述根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息，并将所述匹配的电视节目信息显示于电视端的步骤包括：
基于云端服务器获取电视节目信息及与每一电视节目信息对应的用户年龄区间信息，以根据预设的推荐算法获取电视节目信息与用户年龄区间信息之间的匹配关系并储存于预存的节目数据库中；
将所述年龄信息与年龄区间信息进行比对，并根据储存的匹配关系获取预存的节目数据库中与所述年龄信息匹配的电视节目信息；
将所述匹配的电视节目信息显示于电视端。
优选地，所述根据预设函数对所述人脸特征参数进行年龄估算，以获取年龄信息的步骤之后还包括：
根据所述人脸特征参数判别当前用户的性别，以获取性别信息；
所述根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息，并将所述匹配的电视节目信息显示于电视端的步骤包括：
根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息；
根据预设的推荐算法获取匹配的电视节目信息中与所述性别信息匹配的备选电视节目信息，并将所述备选电视节目信息显示于电视端。
此外，为实现上述目的，本发明还提供一种电视节目推荐装置，包括：
获取模块，用以获取当前用户的人脸图像，并对所述人脸图像进行特征提取以获取人脸特征参数；
年龄估算模块，用以根据预设函数对所述人脸特征参数进行年龄估算，以获取年龄信息；
推荐模块，用以根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息，并将所述匹配的电视节目信息显示于电视端。
优选地，所述获取模块包括：
获取单元，用以获取当前用户的人脸图像，并对所述人脸图像进行预处理；
提取单元，用以基于局部Gabor二值模式算子对预处理后的所述人脸图像进行特征提取，以获取人脸特征参数。
优选地，所述提取单元包括：
第一处理单元，用以根据Gabor函数将预处理后的所述人脸图像转换为Gabor幅值图像，并根据局部二值模式算子对Gabor幅值图像进行编码，以形成局部Gabor二值模式特征图像；
第二处理单元，用以对局部Gabor二值模式特征图像进行纹理分块，并获取每一纹理分块的直方序列图；
第三处理单元，用以根据所述直方序列图获取人脸特征参数。
优选地，所述推荐模块包括：
存储单元，用以基于云端服务器获取电视节目信息及与每一电视节目信息对应的用户年龄区间信息，以根据预设的推荐算法获取电视节目信息与用户年龄区间信息之间的匹配关系并储存于预存的节目数据库中；
算法单元，用以将所述年龄信息与年龄区间信息进行比对，并根据储存的匹配关系获取预存的节目数据库中与所述年龄信息匹配的电视节目信息；
显示单元，用以将所述匹配的电视节目信息显示于电视端。
优选地，所述电视节目推荐装置还包括：
性别信息获取模块，用以根据所述人脸特征参数判别当前用户的性别，以获取性别信息；
所述推荐模块还用以：
根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息；
根据预设的推荐算法获取匹配的电视节目信息中与所述性别信息匹配的备选电视节目信息，并将所述备选电视节目信息显示于电视端。
本实施例提供的技术方案中，通过获取用户的人脸图像来估算用户年龄，以获取年龄信息，并根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息，并将所述匹配的电视节目信息显示于电视端，以供用户选择，使得用户无需通过多次切换电视频道来选择电视节目，节省了用户浏览和检索节目的时间，提升了用户体验。
附图说明
图1为本发明电视节目推荐方法第一实施例的流程示意图；
图2为本发明电视节目推荐方法第二实施例中对人脸图像进行预处理步骤的细化流程示意图；
图3为本发明电视节目推荐方法第三实施例中对获取人脸特征参数步骤的细化流程示意图；
图4为本发明电视节目推荐方法第四实施例中根据年龄信息推荐电视节目信息步骤的细化流程示意图；
图5为本发明电视节目推荐方法第五实施例的流程示意图；
图6为本发明电视节目推荐装置第一实施例的功能模块示意图；
图7为本发明电视节目推荐装置第二实施例中获取模块的细化功能模块示意图；
图8为本发明电视节目推荐装置第三实施例中提取单元的细化功能模块示意图；
图9为本发明电视节目推荐装置第四实施例中推荐模块的细化功能模块示意图；
图10为本发明电视节目推荐装置第五实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本发明提供一种电视节目推荐方法，参照图1，在一实施例中，该电视节目推荐方法包括：
步骤S10，获取用户的人脸图像，并对所述人脸图像进行特征提取以获取人脸特征参数；
需要说明的是，人脸识别是一种基于人脸特征对个人身份识别的技术，用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术；包括人脸图像采集、人脸定位、人脸识别预处理、身份确认及身份查找。
本实施例中，所述人脸图像的获取通过摄像头实现，例如静态图像、动态图像、不同的位置、不同表情等都可以被很好地采集。需要说明的是，通过连续不间断地在预设时间内采集用户的人脸图像视频流，进而能获取多个人脸图像的视频帧。
进一步地，对获取的所述人脸图像的视频帧进行特征提取，以获取人脸特征参数。需要说明的是，所述人脸特征参数包括眼睛、口、鼻等器官的位置和形状等信息。
步骤S20，根据预设函数对所述人脸特征参数进行年龄估算，以获取年龄信息；
在本实施例的一种优选实施方案中，所述预设函数为支持向量回归函数(SupportVector Regression，SVR)。根据支持向量回归函数对所述人脸特征参数进行年龄估算，以获取当前用户的年龄信息。
支持向量回归(Support Vector Regression，SVR)是支持向量机的一种推广形式。该方法引入了核函数和不敏感损失函数，并且对于噪声等具有鲁棒性的优点，因此，采用支持向量机回归进行年龄估算。基于支持向量回归的分类问题可以被分为线性回归方式和非线性回归方式。
若分类问题是线性可分的，SVR可被描述为如下形式：
若分类问题是非线性可分的情况，可以通过引入核函数来解决此问题，核函数能够将训练数据映射到高维空间，从而增加非线性学习器的计算能力来解决非线性分类问题，回归函数为：
进一步地，需要对年龄估算的结果进行函数评价，支持向量机的基本原理是在空间中寻找到一个超平面，使得分类的错误率最小，因此用均方误差(Mean Square Error,MSE)及平均绝对误差(Mean Absolute Error,MAE)来评价年龄估算函数的效果。
①均方误差(MSE)：
②平均绝对误差(MAE)：
其中，yi为年龄参数真实值，f(xi)为年龄估算值。
通过上述函数的运算，获取当前用户的年龄信息。
步骤S30，根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息，并将所述匹配的电视节目信息显示于电视端。
在本实施例中，所述预存的数据库可以为本地节目数据库，也可以是基于云端服务器的节目数据库。本实施例中，将获取的当前用户的年龄信息储存于预设的推荐系统，并根据预设的推荐算法从本地或者云端服务器的节目数据库中获取与用户年龄信息匹配的电视节目信息，并将所述匹配的电视节目信息显示于电视端，以供用户选择。
需要说明的是，所述推荐系统主要包括用户信息、推荐算法和节目数据库三个要素。用户信息可以通过直接填写注册信息或是间接地提供浏览和购买行为等方式提供用户偏好或需求，推荐算法通过用户的信息或行为对用户进行偏好预测，并在节目数据库中进行比对，将用户可能感兴趣的节目资源信息推送给用户，完成推荐。用户信息包括用户提供的注册信息，如年龄、性别、兴趣爱好等，或者是用户购买或其他相关体验某一产品后对此做出的信息记录，如电影评分、电影观后感、相关推荐节目等。
具体地，当获取当前用户年龄信息，根据推荐系统中记录的用户信息，获取与当前用户年龄信息匹配的用户信息，并基于推荐算法获取与当前用户年龄信息匹配的电视节目信息，进而讲所述匹配的电视节目信息显示于电视端，以供用户选择。
本实施例提供的技术方案中，通过获取用户的人脸图像来估算用户年龄，以获取年龄信息，并根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息，并将所述匹配的电视节目信息显示于电视端，以供用户选择，使得用户无需通过多次切换电视频道来选择电视节目，节省了用户浏览和检索节目的时间，提升了用户体验。
进一步地，请参照图2，基于上述实施例，本实施例中，所述步骤S10包括：
步骤S11，获取当前用户的人脸图像，并对所述人脸图像进行预处理；
步骤S12，基于局部Gabor二值模式算法对预处理后的所述人脸图像进行特征提取，以获取人脸特征参数。
需要说明的是，通过摄像头获取用户的人脸头像，在图像采集过程中光照的改变容易导致图像呈现不同的明暗程度，且人脸大小也因用户不同而存在差异，因此需要对获取的所述人脸图像进行预处理。
具体地，采用灰度均衡化的方法对所述人脸图像进行灰度均衡化处理，进而增加人脸图像的整体对比度，并使灰度分布均匀，以消除光照变化的影响，此外还可以消除不同人种的肤色差异。其具体的计算步骤如下：
①列出原始图像的灰度级fj，j＝1,2,3,...,L-1，其中L是灰度级的个数；
②统计各灰度级的像素数目nj，j＝1,2,3,...,L-1；
③计算原始图像直方图各灰度级的频数Pf(fj)＝nj/n，j＝1,2,3,...,L-1，其中n为原始图像总的像素数目；
④计算累计分布函数
⑤应用以下公式计算映射后的输出图像的灰度级gi，i＝0,1,2...,P-1，P为输出图像灰度级的个数，gi＝INT[(gmax-gmin)C(f)+gmin+0.5]其中，INT为取整符号；
⑥统计映射后各灰度级的像素数目ni，i＝0,1,2...,P-1；
⑦计算输出图像直方图Pg(gi)＝ni/n，i＝0,1,2...,P-1；
⑧用fj和gi的映射关系修改原始图像的灰度级，从而获得直方图近似为均匀分布的输出图像。
进一步地，通过将尺寸各不相同的人脸图像变换为统一的标准尺寸图像以便于人脸特征参数的提取，本实施例中，可采用双线形插值方法进行人脸图像尺度归一化处理。具体算法如下：
当需要进行人脸图像尺寸的缩小时，
其中(X,Y)均是原始图像的像素值，(X′,Y′)均是变换后图像的像素值，a，d分别为水平方向和垂直方向的比例因子。
当需要进行人脸图像尺寸的放大时，在尺寸放大的过程中，会出现一些原始图像中没有的像素点，这就需要通过插值运算来计算出该点的像素值。为了能最好地消除放大时出现的马赛克现象，可采用双线性插值的算法，首先将原始图像中矩形顶点的灰度值复制到放大后的图像矩形对应的顶点；然后对原始图像中所有点的灰度值采用双线性插值算法计算，实现尺寸归一。
假设点(x0,y0)和(x1,y1)分别是矩形的两个对角顶点，点(x,y)包含在该矩形中，且满足x任x∈(x0,x1)，y∈(y0,y1)则可根据以下公式求得该点的灰度值f(x,y)。
进一步地，基于局部Gabor二值模式算法对预处理后的所述人脸图像进行特征提取，以获取人脸特征参数。
本实施例提供的技术方案中，通过对获取的人脸图像进行灰度均衡化的预处理，能消除图像采集过程中光照变化对图像造成的影响，增强人脸图像的整体对比度，同时通过尺度归一化的处理能将尺寸不同的人脸图像转换为统一的标准尺寸图像，以便于更好地进行人脸特征提取，获得更为准确的人脸特征参数。
进一步地，请参照图3，基于实施例二，本实施例中，所述步骤S12包括：
步骤S121，根据Gabor函数将预处理后的所述人脸图像转换为Gabor幅值图像，并根据局部二值模式算子对Gabor幅值图像进行编码，以形成局部Gabor二值模式算子；
步骤S122，基于局部Gabor二值模式算子对预处理后的人脸图像进行纹理分块，并获取每一纹理分块的直方序列图；
步骤S123，根据所述直方序列图获取人脸特征参数。
具体地，使用Gabor函数对经过预处理后的所述人脸图像进行处理，得到多个Gabor幅值图像。其中，Gabor小波变换在空间域和时间域的信号处理方面有着独特的优势，它能够在图像频域提取不同尺度、不同方向的特征，从而反映不同尺度、方向上的纹理变化情况，被广泛应用于人脸识别领域。进一步地，对每幅Gabor幅值图像进行LBP(LocalBinary Patterns，局部二值模式)编码，进而得到LGBP(Local Gabor Binary Patterns，局部Gabor二值模式)特征图像。
对每幅LGBP算子特征图像进行纹理分块，并获取每幅LGBP算子特征图像每一纹理分块的直方序列图，进而得到多个直方序列图；将多个直方序列图串联成一个向量，用以表述人脸特征的特征向量，也即获得人脸特征参数。
本实施例中，进一步提出了将Gabor函数和LBP算法相结合，形成LGBP算子，并使用LGBP算子对预处理后的人脸图像进行特征提取；LGBP特征结合了LBP算子对光照的不敏感性和Gabor函数对噪声、表情稳定性强的优点，进而能更好地获取人脸特征参数。
进一步地，请参照图4，基于上述实施例，本实施例中，所述步骤S30包括：
步骤S31，基于云端服务器获取电视节目信息及与每一电视节目信息对应的用户年龄区间信息，以根据预设的推荐算法获取电视节目信息与用户年龄区间信息之间的匹配关系并储存于预存的节目数据库中；
步骤S32，将所述年龄信息与年龄区间信息进行比对，并根据储存的匹配关系获取预存的节目数据库中与所述年龄信息匹配的电视节目信息；
步骤S33，将所述匹配的电视节目信息显示于电视端。
可以理解地，用户之间的固有属性可以反映用户的部分偏好，本实施例中，用户的固有属性指的是用户年龄，例如，儿童一般都喜欢动画片，青年观众一般喜欢综艺节目和偶像剧等，中年女性一般喜欢生活情感剧和美食节目等，而老年观众一般喜欢养生节目和经典老剧等。
需要说明的是，所述云端服务器通过获取历史电视节目信息及与每一电视节目信息对应的用户年龄区间信息，通过特定的运算规则将上述电视节目信息及用户年龄区间信息转换为数据模型，进而获得用户年龄区间信息与电视节目信息之间的匹配关系并保存于预存的节目数据库中。例如，年龄区间为20～30岁之间的用户一般偏好选择综艺节目和偶像剧等，年龄区间为60～70岁之间的用户一般偏好选择养生节目和经典老剧等。
进一步地，根据获取的当前用户的年龄信息与年龄区间信息进行比对，并根据预设的推荐算法获取与所述年龄信息匹配的电视节目信息，将所述匹配的电视节目信息显示于电视端，以供用户选择。例如，当获取当前用户的年龄信息为25岁，则其所对应的年龄区间信息为20～30岁，根据预存的节目数据库中储存的电视节目信息与年龄区间信息之间的匹配关系，根据预设的推荐算法，向当前用户推荐的电视节目也就对应为综艺节目和偶像剧等。
本实施例中，基于云端服务器获取电视节目信息及与每一电视节目信息对应的用户年龄区间信息并储存，因而将当前用户的年龄信息与年龄区间信息进行比对，根据预设的推荐算法获取与年龄信息匹配的电视节目信息；使得用户可从推荐的电视节目信息中选择需要观看的电视节目，无需再进行繁琐的浏览来选定电视节目，节省了用户的操作时间，提高用户体验。
进一步地，请参照图5，基于实施例一至实施例三，本实施例中，所述电视节目的推荐方法包括：
步骤S10，获取当前用户的人脸图像，并对所述人脸图像进行特征提取以获取人脸特征参数；
步骤S20，根据预设函数对所述人脸特征参数进行年龄估算，以获取年龄信息；
步骤S40，根据所述人脸特征参数判别当前用户的性别，以获取性别信息；
步骤S51，根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息；
步骤S52，根据预设的推荐算法获取匹配的电视节目信息中与所述性别信息匹配的备选电视节目信息，并将所述备选电视节目信息显示于电视端。
可以理解地，不同性别、不同年龄的用户对电视节目有不同的偏好。基于特定的函数方法能对获取的人脸特征参数进行性别判断，进而获取性别信息，即当前用户为男性用户还是女性用户。
具体地，结合获取的年龄信息及性别信息，即能判别当前用户所处的年龄区间及性别，以更好地向当前用户推荐与其年龄及性别匹配的电视节目。例如，当获取的年龄信息为20～30岁，则根据预设的推荐算法获取与该年龄信息匹配的电视节目信息为综艺节目或电视剧等；进一步地，当性别信息为女性时，则根据预设的推荐算法获取综艺节目或电视剧等电视节目信息中与女性匹配的备选电视节目信息，例如真人秀综艺节目或情感偶像剧等；当性别信息为男性时，根据预设的推荐算法获取综艺节目或电视剧等电视节目信息中与男性匹配的备选电视节目信息，例如访谈类综艺节目或动作剧等。
本实施例中，进一步提出了根据人脸特征参数获取年龄信息和性别信息，进而根据预设的推荐算法获取预存的节目数据库中与所述年龄信息及性别信息匹配的电视节目信息的技术方案，进而能更准确地向用户推荐其感兴趣的电视节目。
本发明还提供一种电视节目推荐装置，参照图6，在一实施例中，本发明提供的电视节目推荐装置包括：
获取模块10，用以获取当前用户的人脸图像，并对所述人脸图像进行特征提取以获取人脸特征参数；
需要说明的是，人脸识别是一种基于人脸特征对个人身份识别的技术，用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术；包括人脸图像采集、人脸定位、人脸识别预处理、身份确认及身份查找。
本实施例中，所述人脸图像的获取通过摄像头实现，例如静态图像、动态图像、不同的位置、不同表情等都可以被很好地采集。需要说明的是，通过连续不间断地在预设时间内采集用户的人脸图像视频流，进而能获取多个人脸图像的视频帧。
进一步地，对获取的所述人脸图像的视频帧进行特征提取，以获取人脸特征参数。需要说明的是，所述人脸特征参数包括眼睛、口、鼻等器官的位置和形状等信息。
年龄估算模块20，用以根据预设函数对所述人脸特征参数进行年龄估算，以获取年龄信息；
在本实施例的一种优选实施方案中，所述预设函数为支持向量回归函数(SupportVector Regression，SVR)。根据支持向量回归函数对所述人脸特征参数进行年龄估算，以获取当前用户的年龄信息。
支持向量回归(Support Vector Regression，SVR)是支持向量机的一种推广形式。该方法引入了核函数和不敏感损失函数，并且对于噪声等具有鲁棒性的优点，因此，采用支持向量机回归进行年龄估算。基于支持向量回归的分类问题可以被分为线性回归方式和非线性回归方式。
若分类问题是线性可分的，SVR可被描述为如下形式：
若分类问题是非线性可分的情况，可以通过引入核函数来解决此问题，核函数能够将训练数据映射到高维空间，从而增加非线性学习器的计算能力来解决非线性分类问题，回归函数为：
进一步地，需要对年龄估算的结果进行函数评价，支持向量机的基本原理是在空间中寻找到一个超平面，使得分类的错误率最小，因此用均方误差(Mean Square Error,MSE)及平均绝对误差(Mean Absolute Error,MAE)来评价年龄估算函数的效果。
①均方误差(MSE)：
②平均绝对误差(MAE)：
其中，yi为年龄参数真实值，f(xi)为年龄估算值。
通过上述函数的运算，获取当前用户的年龄信息。
推荐模块30，用以根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息，并将所述匹配的电视节目信息显示于电视端。
在本实施例中，所述预存的数据库可以为本地节目数据库，也可以是基于云端服务器的节目数据库。本实施例中，将获取的当前用户的年龄信息储存于预设的推荐系统，并根据预设的推荐算法从本地或者云端服务器的节目数据库中获取与用户年龄信息匹配的电视节目信息，并将所述匹配的电视节目信息显示于电视端，以供用户选择。
需要说明的是，所述推荐系统主要包括用户信息、推荐算法和节目数据库三个要素。用户信息可以通过直接填写注册信息或是间接地提供浏览和购买行为等方式提供用户偏好或需求，推荐算法通过用户的信息或行为对用户进行偏好预测，并在节目数据库中进行比对，将用户可能感兴趣的节目资源信息推送给用户，完成推荐。用户信息包括用户提供的注册信息，如年龄、性别、兴趣爱好等，或者是用户购买或其他相关体验某一产品后对此做出的信息记录，如电影评分、电影观后感、相关推荐节目等。
具体地，当获取当前用户年龄信息，根据推荐系统中记录的用户信息，获取与当前用户年龄信息匹配的用户信息，并基于推荐算法获取与当前用户年龄信息匹配的电视节目信息，进而讲所述匹配的电视节目信息显示于电视端，以供用户选择。
本实施例提供的技术方案中，通过获取用户的人脸图像来估算用户年龄，以获取年龄信息，并根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息，并将所述匹配的电视节目信息显示于电视端，以供用户选择，使得用户无需通过多次切换电视频道来选择电视节目，节省了用户浏览和检索节目的时间，提升了用户体验。
进一步地，请参照图7，基于上述实施例，本实施例中，所述获取模块10包括：
获取单元11，用以获取当前用户的人脸图像，并对所述人脸图像进行预处理；
提取单元12，用以基于局部Gabor二值模式算子对预处理后的所述人脸图像进行特征提取，以获取人脸特征参数。
需要说明的是，通过摄像头获取用户的人脸头像，在图像采集过程中光照的改变容易导致图像呈现不同的明暗程度，且人脸大小也因用户不同而存在差异，因此需要对获取的所述人脸图像进行预处理。
具体地，采用灰度均衡化的方法对所述人脸图像进行灰度均衡化处理，进而增加人脸图像的整体对比度，并使灰度分布均匀，以消除光照变化的影响，此外还可以消除不同人种的肤色差异。其具体的计算步骤如下：
①列出原始图像的灰度级fj，j＝1,2,3,...,L-1，其中L是灰度级的个数；
②统计各灰度级的像素数目nj，j＝1,2,3,...,L-1；
③计算原始图像直方图各灰度级的频数Pf(fj)＝nj/n，j＝1,2,3,...,L-1，其中n为原始图像总的像素数目；
④计算累计分布函数
⑤应用以下公式计算映射后的输出图像的灰度级gi，i＝0,1,2...,P-1，P为输出图像灰度级的个数，gi＝INT[(gmax-gmin)C(f)+gmin+0.5]其中，INT为取整符号；
⑥统计映射后各灰度级的像素数目ni，i＝0,1,2...,P-1；
⑦计算输出图像直方图Pg(gi)＝ni/n，i＝0,1,2...,P-1；
⑧用fj和gi的映射关系修改原始图像的灰度级，从而获得直方图近似为均匀分布的输出图像。
进一步地，通过将尺寸各不相同的人脸图像变换为统一的标准尺寸图像以便于人脸特征参数的提取，本实施例中，可采用双线形插值方法进行人脸图像尺度归一化处理。具体算法如下：
当需要进行人脸图像尺寸的缩小时，
其中(X,Y)均是原始图像的像素值，(X′,Y′)均是变换后图像的像素值，a，d分别为水平方向和垂直方向的比例因子。
当需要进行人脸图像尺寸的放大时，在尺寸放大的过程中，会出现一些原始图像中没有的像素点，这就需要通过插值运算来计算出该点的像素值。为了能最好地消除放大时出现的马赛克现象，可采用双线性插值的算法，首先将原始图像中矩形顶点的灰度值复制到放大后的图像矩形对应的顶点；然后对原始图像中所有点的灰度值采用双线性插值算法计算，实现尺寸归一。
假设点(x0,y0)和(x1,y1)分别是矩形的两个对角顶点，点(x,y)包含在该矩形中，且满足x任x∈(x0,x1)，y∈(y0,y1)则可根据以下公式求得该点的灰度值f(x,y)。
进一步地，基于局部Gabor二值模式算法对预处理后的所述人脸图像进行特征提取，以获取人脸特征参数。
本实施例提供的技术方案中，通过对获取的人脸图像进行灰度均衡化的预处理，能消除图像采集过程中光照变化对图像造成的影响，增强人脸图像的整体对比度，同时通过尺度归一化的处理能将尺寸不同的人脸图像转换为统一的标准尺寸图像，以便于更好地进行人脸特征提取，获得更为准确的人脸特征参数。
进一步地，请参照图8，基于实施例二，本实施例中，所述提取单元12包括：
第一处理单元121，用以根据Gabor函数将预处理后的所述人脸图像转换为Gabor幅值图像，并根据局部二值模式算子对Gabor幅值图像进行编码，以形成局部Gabor二值模式特征图像；
第二处理单元122，用以对局部Gabor二值模式特征图像进行纹理分块，并获取每一纹理分块的直方序列图；
第三处理单元123，用以根据所述直方序列图获取人脸特征参数。
具体地，使用Gabor函数对经过预处理后的所述人脸图像进行处理，得到多个Gabor幅值图像。其中，Gabor小波变换在空间域和时间域的信号处理方面有着独特的优势，它能够在图像频域提取不同尺度、不同方向的特征，从而反映不同尺度、方向上的纹理变化情况，被广泛应用于人脸识别领域。进一步地，对每幅Gabor幅值图像进行LBP(LocalBinary Patterns，局部二值模式)编码，进而得到LGBP(Local Gabor Binary Patterns，局部Gabor二值模式)特征图像。
对每幅LGBP算子特征图像进行纹理分块，并获取每幅LGBP算子特征图像每一纹理分块的直方序列图，进而得到多个直方序列图；将多个直方序列图串联成一个向量，用以表述人脸特征的特征向量，也即获得人脸特征参数。
本实施例中，进一步提出了将Gabor函数和LBP算法相结合，形成LGBP算子，并使用LGBP算子对预处理后的人脸图像进行特征提取；LGBP特征结合了LBP算子对光照的不敏感性和Gabor函数对噪声、表情稳定性强的优点，进而能更好地获取人脸特征参数。
进一步地，请参照图9，基于上述实施例，本实施例中，所述推荐模块30包括：
存储单元31，用以基于云端服务器获取电视节目信息及与每一电视节目信息对应的用户年龄区间信息，以根据预设的推荐算法获取电视节目信息与用户年龄区间信息之间的匹配关系并储存于预存的节目数据库中；
算法单元32，用以将所述年龄信息与年龄区间信息进行比对，并根据储存的匹配关系获取预存的节目数据库中与所述年龄信息匹配的电视节目信息；
显示单元33，用以将所述匹配的电视节目信息显示于电视端。
可以理解地，用户之间的固有属性可以反映用户的部分偏好，本实施例中，用户的固有属性指的是用户年龄，例如，儿童一般都喜欢动画片，青年观众一般喜欢综艺节目和偶像剧等，中年女性一般喜欢生活情感剧和美食节目等，而老年观众一般喜欢养生节目和经典老剧等。
需要说明的是，所述云端服务器通过获取历史电视节目信息及与每一电视节目信息对应的用户年龄区间信息，通过特定的运算规则将上述电视节目信息及用户年龄区间信息转换为数据模型，进而获得用户年龄区间信息与电视节目信息之间的匹配关系并保存于预存的节目数据库中。例如，年龄区间为20～30岁之间的用户一般偏好选择综艺节目和偶像剧等，年龄区间为60～70岁之间的用户一般偏好选择养生节目和经典老剧等。
进一步地，根据获取的当前用户的年龄信息与年龄区间信息进行比对，并根据预设的推荐算法获取与所述年龄信息匹配的电视节目信息，将所述匹配的电视节目信息显示于电视端，以供用户选择。例如，当获取当前用户的年龄信息为25岁，则其所对应的年龄区间信息为20～30岁，根据预存的节目数据库中储存的电视节目信息与年龄区间信息之间的匹配关系，根据预设的推荐算法，向当前用户推荐的电视节目也就对应为综艺节目和偶像剧等。
本实施例中，基于云端服务器获取电视节目信息及与每一电视节目信息对应的用户年龄区间信息并储存，因而将当前用户的年龄信息与年龄区间信息进行比对，根据预设的推荐算法获取与年龄信息匹配的电视节目信息；使得用户可从推荐的电视节目信息中选择需要观看的电视节目，无需再进行繁琐的浏览来选定电视节目，节省了用户的操作时间，提高用户体验。
进一步地，请参照图10，基于实施例一至实施例三，本实施例中，所述电视节目推荐装置包括：
获取模块10，用以获取当前用户的人脸图像，并对所述人脸图像进行特征提取以获取人脸特征参数；
年龄估算模块20，用以根据预设函数对所述人脸特征参数进行年龄估算，以获取年龄信息；
性别信息获取模块40，用以根据所述人脸特征参数判别当前用户的性别，以获取性别信息；
推荐模块30，还用以根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息；
根据预设的推荐算法获取匹配的电视节目信息中与所述性别信息匹配的备选电视节目信息，并将所述备选电视节目信息显示于电视端。
可以理解地，不同性别、不同年龄的用户对电视节目有不同的偏好。基于特定的函数方法能对获取的人脸特征参数进行性别判断，进而获取性别信息，即当前用户为男性用户还是女性用户。
具体地，结合获取的年龄信息及性别信息，即能判别当前用户所处的年龄区间及性别，以更好地向当前用户推荐与其年龄及性别匹配的电视节目。例如，当获取的年龄信息为20～30岁，则根据预设的推荐算法获取与该年龄信息匹配的电视节目信息为综艺节目或电视剧等；进一步地，当性别信息为女性时，则根据预设的推荐算法获取综艺节目或电视剧等电视节目信息中与女性匹配的备选电视节目信息，例如真人秀综艺节目或情感偶像剧等；当性别信息为男性时，根据预设的推荐算法获取综艺节目或电视剧等电视节目信息中与男性匹配的备选电视节目信息，例如访谈类综艺节目或动作剧等。
本实施例中，进一步提出了根据人脸特征参数获取年龄信息和性别信息，进而根据预设的推荐算法获取预存的节目数据库中与所述年龄信息及性别信息匹配的电视节目信息的技术方案，进而能更准确地向用户推荐其感兴趣的电视节目。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种电视节目推荐方法，其特征在于，包括以下步骤：
获取当前用户的人脸图像，并对所述人脸图像进行特征提取以获取人脸特征参数；
根据预设函数对所述人脸特征参数进行年龄估算，以获取年龄信息；
根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息，并将所述匹配的电视节目信息显示于电视端。
2.如权利要求1所述的电视节目推荐方法，其特征在于，所述获取当前用户的人脸图像，并对所述人脸图像进行特征提取以获取人脸特征参数的步骤包括：
获取当前用户的人脸图像，并对所述人脸图像进行预处理；
基于局部Gabor二值模式算子对预处理后的所述人脸图像进行特征提取，以获取人脸特征参数。
3.如权利要求2所述的电视节目推荐方法，其特征在于，所述基于局部Gabor二值模式算子对预处理后的所述人脸图像进行特征提取，以获取人脸特征参数的步骤包括：
根据Gabor函数将预处理后的所述人脸图像转换为Gabor幅值图像，并根据局部二值模式算子对Gabor幅值图像进行编码，以形成局部Gabor二值模式特征图像；
对局部Gabor二值模式特征图像进行纹理分块，并获取每一纹理分块的直方序列图；
根据所述直方序列图获取人脸特征参数。
4.如权利要求1-3中任一项所述的电视节目推荐方法，其特征在于，所述根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息，并将所述匹配的电视节目信息显示于电视端的步骤包括：
基于云端服务器获取电视节目信息及与每一电视节目信息对应的用户年龄区间信息，以根据预设的推荐算法获取电视节目信息与用户年龄区间信息之间的匹配关系并储存于预存的节目数据库中；
将所述年龄信息与年龄区间信息进行比对，并根据储存的匹配关系获取预存的节目数据库中与所述年龄信息匹配的电视节目信息；
将所述匹配的电视节目信息显示于电视端。
5.如权利要求1-3中任一项所述的电视节目推荐方法，其特征在于，所述根据预设函数对所述人脸特征参数进行年龄估算，以获取年龄信息的步骤之后还包括：
根据所述人脸特征参数判别当前用户的性别，以获取性别信息；
所述根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息，并将所述匹配的电视节目信息显示于电视端的步骤包括：
根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息；
根据预设的推荐算法获取匹配的电视节目信息中与所述性别信息匹配的备选电视节目信息，并将所述备选电视节目信息显示于电视端。
6.一种电视节目推荐装置，其特征在于，包括：
获取模块，用以获取当前用户的人脸图像，并对所述人脸图像进行特征提取以获取人脸特征参数；
年龄估算模块，用以根据预设函数对所述人脸特征参数进行年龄估算，以获取年龄信息；
推荐模块，用以根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息，并将所述匹配的电视节目信息显示于电视端。
7.如权利要求6所述的电视节目推荐装置，其特征在于，所述获取模块包括：
获取单元，用以获取当前用户的人脸图像，并对所述人脸图像进行预处理；
提取单元，用以基于局部Gabor二值模式算子对预处理后的所述人脸图像进行特征提取，以获取人脸特征参数。
8.如权利要求7所述的电视节目推荐装置，其特征在于，所述提取单元包括：
第一处理单元，用以根据Gabor函数将预处理后的所述人脸图像转换为Gabor幅值图像，并根据局部二值模式算子对Gabor幅值图像进行编码，以形成局部Gabor二值模式特征图像；
第二处理单元，用以对局部Gabor二值模式特征图像进行纹理分块，并获取每一纹理分块的直方序列图；
第三处理单元，用以根据所述直方序列图获取人脸特征参数。
9.如权利要求6-8中任一项所述的电视节目推荐装置，其特征在于，所述推荐模块包括：
存储单元，用以基于云端服务器获取电视节目信息及与每一电视节目信息对应的用户年龄区间信息，以根据预设的推荐算法获取电视节目信息与用户年龄区间信息之间的匹配关系并储存于预存的节目数据库中；
算法单元，用以将所述年龄信息与年龄区间信息进行比对，并根据储存的匹配关系获取预存的节目数据库中与所述年龄信息匹配的电视节目信息；
显示单元，用以将所述匹配的电视节目信息显示于电视端。
10.如权利要求6-8中任一项所述的电视节目推荐装置，其特征在于，所述电视节目推荐装置还包括：
性别信息获取模块，用以根据所述人脸特征参数判别当前用户的性别，以获取性别信息；
所述推荐模块还用以：
根据预设的推荐算法获取预存的节目数据库中与所述年龄信息匹配的电视节目信息；
根据预设的推荐算法获取匹配的电视节目信息中与所述性别信息匹配的备选电视节目信息，并将所述备选电视节目信息显示于电视端。
CN201611185956.9A 2016-12-20 2016-12-20 电视节目推荐方法及装置 Pending CN106507199A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611185956.9A CN106507199A (zh) 2016-12-20 2016-12-20 电视节目推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611185956.9A CN106507199A (zh) 2016-12-20 2016-12-20 电视节目推荐方法及装置

Publications (1)

Publication Number Publication Date
CN106507199A true CN106507199A (zh) 2017-03-15

Family

ID=58333416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611185956.9A Pending CN106507199A (zh) 2016-12-20 2016-12-20 电视节目推荐方法及装置

Country Status (1)

Country Link
CN (1) CN106507199A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106973327A (zh) * 2017-04-28 2017-07-21 张青 能够智能推送内容的智能电视机及其控制系统和控制方法
CN107993599A (zh) * 2017-12-29 2018-05-04 黄睿 一种服装推荐方法及广告机
CN108038446A (zh) * 2017-12-11 2018-05-15 周飞燕 信息采集方法
CN108625098A (zh) * 2018-04-04 2018-10-09 青岛海尔洗衣机有限公司 一种识别人脸图像选择洗涤程序的洗衣机及方法
CN108881974A (zh) * 2018-05-29 2018-11-23 深圳Tcl数字技术有限公司 开启电视机儿童模式的方法和系统
CN110310144A (zh) * 2019-05-22 2019-10-08 深圳壹账通智能科技有限公司 基于年龄的广告推送方法、装置、设备及存储介质
CN110647683A (zh) * 2019-09-17 2020-01-03 北京邮电大学 一种信息推荐方法、装置
CN111339358A (zh) * 2020-02-28 2020-06-26 杭州市第一人民医院 电影推荐方法、装置、计算机设备和存储介质
CN111382350A (zh) * 2020-01-15 2020-07-07 浙江传媒学院 融合用户点击行为和用户兴趣偏好的多任务电视节目推荐方法
CN112333520A (zh) * 2020-10-30 2021-02-05 Vidaa美国公司 节目推荐方法、显示设备及服务器
CN112822550A (zh) * 2021-01-12 2021-05-18 深圳创维－Rgb电子有限公司 一种电视终端调节方法、装置及电视终端
CN113596602A (zh) * 2021-07-28 2021-11-02 深圳创维－Rgb电子有限公司 智能匹配方法、电视和计算机可读存储介质
CN114443182A (zh) * 2020-10-30 2022-05-06 深圳Tcl数字技术有限公司 一种界面切换方法、存储介质及终端设备
CN114598932A (zh) * 2020-12-04 2022-06-07 深圳Tcl新技术有限公司 一种节目推荐方法、终端以及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101089874A (zh) * 2006-06-12 2007-12-19 华为技术有限公司 一种远程人脸图像的身份识别方法
CN103716702A (zh) * 2013-12-17 2014-04-09 三星电子（中国）研发中心 电视节目推荐装置和方法
CN103902977A (zh) * 2014-03-31 2014-07-02 华为技术有限公司 基于Gabor二值模式的人脸识别方法及装置
CN106127193A (zh) * 2016-07-12 2016-11-16 青岛大学 一种人脸图像识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101089874A (zh) * 2006-06-12 2007-12-19 华为技术有限公司 一种远程人脸图像的身份识别方法
CN103716702A (zh) * 2013-12-17 2014-04-09 三星电子（中国）研发中心 电视节目推荐装置和方法
CN103902977A (zh) * 2014-03-31 2014-07-02 华为技术有限公司 基于Gabor二值模式的人脸识别方法及装置
CN106127193A (zh) * 2016-07-12 2016-11-16 青岛大学 一种人脸图像识别方法

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106973327A (zh) * 2017-04-28 2017-07-21 张青 能够智能推送内容的智能电视机及其控制系统和控制方法
CN108038446B (zh) * 2017-12-11 2021-11-02 周飞燕 信息采集方法
CN108038446A (zh) * 2017-12-11 2018-05-15 周飞燕 信息采集方法
CN107993599A (zh) * 2017-12-29 2018-05-04 黄睿 一种服装推荐方法及广告机
CN108625098A (zh) * 2018-04-04 2018-10-09 青岛海尔洗衣机有限公司 一种识别人脸图像选择洗涤程序的洗衣机及方法
CN108881974A (zh) * 2018-05-29 2018-11-23 深圳Tcl数字技术有限公司 开启电视机儿童模式的方法和系统
CN110310144A (zh) * 2019-05-22 2019-10-08 深圳壹账通智能科技有限公司 基于年龄的广告推送方法、装置、设备及存储介质
CN110647683A (zh) * 2019-09-17 2020-01-03 北京邮电大学 一种信息推荐方法、装置
CN110647683B (zh) * 2019-09-17 2022-04-19 北京邮电大学 一种信息推荐方法、装置
CN111382350A (zh) * 2020-01-15 2020-07-07 浙江传媒学院 融合用户点击行为和用户兴趣偏好的多任务电视节目推荐方法
CN111382350B (zh) * 2020-01-15 2022-06-17 浙江传媒学院 融合用户点击行为和用户兴趣偏好的多任务电视节目推荐方法
CN111339358A (zh) * 2020-02-28 2020-06-26 杭州市第一人民医院 电影推荐方法、装置、计算机设备和存储介质
CN112333520A (zh) * 2020-10-30 2021-02-05 Vidaa美国公司 节目推荐方法、显示设备及服务器
CN114443182A (zh) * 2020-10-30 2022-05-06 深圳Tcl数字技术有限公司 一种界面切换方法、存储介质及终端设备
CN112333520B (zh) * 2020-10-30 2023-03-28 Vidaa美国公司 节目推荐方法、显示设备及服务器
CN114598932A (zh) * 2020-12-04 2022-06-07 深圳Tcl新技术有限公司 一种节目推荐方法、终端以及存储介质
CN112822550A (zh) * 2021-01-12 2021-05-18 深圳创维－Rgb电子有限公司 一种电视终端调节方法、装置及电视终端
CN113596602A (zh) * 2021-07-28 2021-11-02 深圳创维－Rgb电子有限公司 智能匹配方法、电视和计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN106507199A (zh) 电视节目推荐方法及装置
US10546417B2 (en) Method and apparatus for estimating body shape
Ni et al. A Gabor feature-based quality assessment model for the screen content images
JP7413400B2 (ja) 肌質測定方法、肌質等級分類方法、肌質測定装置、電子機器及び記憶媒体
Niu et al. 2D and 3D image quality assessment: A survey of metrics and challenges
Ju et al. Depth-aware salient object detection using anisotropic center-surround difference
US10109056B2 (en) Method for calibration free gaze tracking using low cost camera
CN104715023B (zh) 基于视频内容的商品推荐方法和系统
CA2934514C (en) System and method for identifying faces in unconstrained media
CN104298682B (zh) 一种基于人脸表情图像的信息推荐效果的评价方法及手机
CN105718873B (zh) 基于双目视觉的人流分析方法
CN106096542B (zh) 基于距离预测信息的图像视频场景识别方法
CN103098079A (zh) 个性化节目选择系统和方法
CN111143615B (zh) 一种短视频情感类别的识别装置
KR101700818B1 (ko) 얼굴 영상을 이용하여 나이 또는 성별을 추정하는 방법 및 장치
Yeh et al. Video aesthetic quality assessment by temporal integration of photo-and motion-based features
CN109359543B (zh) 一种基于骨骼化的人像检索方法及装置
CN104598866B (zh) 一种基于人脸的社交情商促进方法及系统
CN114064969B (zh) 基于情感曲线的动态图片联动展示装置
CN113362455B (zh) 一种视频会议背景虚拟化处理方法和装置
EP2685351A1 (en) Method for calibration free gaze tracking using low cost camera
CN110969454A (zh) 一种基于智能产品画册的化妆品宣传推广系统
Na et al. Unconstrained object segmentation using grabcut based on automatic generation of initial boundary
Dimopoulos et al. Imagewarmness—A new perceptual feature for images and videos
Akbari et al. A novel color region homogenization and its application in improving skin detection accuracy

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170315

RJ01 Rejection of invention patent application after publication