CN107948700A - 节目推荐方法、系统及计算机可读存储介质 - Google Patents

节目推荐方法、系统及计算机可读存储介质 Download PDF

Info

Publication number
CN107948700A
CN107948700A CN201711180447.1A CN201711180447A CN107948700A CN 107948700 A CN107948700 A CN 107948700A CN 201711180447 A CN201711180447 A CN 201711180447A CN 107948700 A CN107948700 A CN 107948700A
Authority
CN
China
Prior art keywords
program
face characteristic
user
cloud database
active user
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
CN201711180447.1A
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
TCL Digital Technology Shenzhen 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 CN201711180447.1A priority Critical patent/CN107948700A/zh
Publication of CN107948700A publication Critical patent/CN107948700A/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
    • H04N21/41—Structure of client; Structure of client peripherals
    • H04N21/422—Input-only peripherals, i.e. input devices connected to specially adapted client devices, e.g. global positioning system [GPS]
    • H04N21/4223—Cameras
    • 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • 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
    • H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
    • 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
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4665—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving classification methods, e.g. Decision trees
    • 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
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • 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

Landscapes

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

Abstract

本发明公开了一种节目推荐方法、系统及计算机可读存储介质，该方法包括：当侦测到用户观看节目时，采集当前用户的人脸图像；对当前用户的人脸图像进行特征提取；将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征相匹配，云端数据库中存储有不同用户的人脸特征及对应的节目参数；若在云端数据库中匹配到相对应的人脸特征，则从云端数据库获取与当前用户的人脸特征相对应的节目参数；根据节目参数向当前用户推荐相应的节目。本发明结合当前用户的人脸特征和云端数据库中存储的用户人脸特征和节目参数向用户进行节目推荐，不仅能有效保护节目推荐中用户的隐私信息，而且能高效精准的实现节目的自动推荐，提升用户体验。

Description

节目推荐方法、系统及计算机可读存储介质
技术领域
本发明涉及节目播放技术领域，尤其涉及一种节目推荐方法、系统及计算机可读存储介质。
背景技术
随着高新技术的迅速发展，继智能手机后智能电视兴起。为了更好的用户体验，智能电视的一大重要功能就是节目的自动推荐，在现行的智能电视节目推荐方法中，主要依靠用户观看节目记录的节目关键词进行节目的智能推荐，这类智能电视节目推荐方法虽然能实现节目的自动推荐，但是下一个用户容易获知上一个用户观看电视节目的记录，容易暴露用户有关电视节目的隐私信息。
鉴于上述技术问题，有必要提出一种在向用户推荐节目时，既能高效精准的向用户推荐节目，提升用户体验，又能有效保护用户观看节目相关隐私信息的解决方案。
发明内容
本发明的主要目的在于提出一种节目推荐方法、系统及计算机可读存储介质，旨在保护节目推荐中用户的隐私信息，更有效的实现节目的自动推荐。
为实现上述目的，本发明提供一种节目推荐方法，所述方法包括如下步骤：
当侦测到用户观看节目时，采集当前用户的人脸图像；
对所述当前用户的人脸图像进行特征提取；
将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征相匹配，所述云端数据库中存储有不同用户的人脸特征及对应的节目参数；
若在所述云端数据库中匹配到与所述当前用户的人脸特征相对应的人脸特征，则从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数；
根据所述节目参数向当前用户推荐相应的节目。
优选地，所述节目参数包括：当前用户在预设时间段内观看节目的节目名称、节目类型，以及观看时间中的一种或多种。
优选地，所述从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数的步骤之后还包括：
对所述节目参数进行聚类分析；
所述根据所述节目参数向当前用户推荐相应的节目的步骤包括：
根据所述聚类分析的结果向用户推荐相应的节目。
优选地，所述将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征相匹配的步骤包括：
将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征基于surf图像匹配算法进行匹配。
优选地，所述当侦测到用户观看节目时，采集当前用户的人脸图像的步骤之前还包括：
预先建立云端数据库，所述云端数据库存储有用户的人脸特征、与所述用户的人脸特征相对应的节目参数。
优选地，所述预先建立云端数据库的步骤包括：
采集用户的人脸图像，并对所述用户的人脸图像进行预处理；
从预处理过的人脸图像中提取人脸特征；
记录所述用户在预设时间段内的节目观看记录，并从所述节目观看记录中获取所述节目的节目参数；
基于所述预处理过的人脸图像的人脸特征、所述节目参数建立云端数据库。
优选地，所述预先建立云端数据库的步骤之后还包括：
对所述云端数据库中的节目参数进行加密处理；
所述若在所述云端数据库中匹配到与所述当前用户的人脸特征相对应的人脸特征，则从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数的步骤包括：
若在所述云端数据库中匹配到与所述当前用户的人脸特征相对应的人脸特征，则基于匹配到的人脸特征对所述云端数据库中的节目参数进行解密；
在解密成功后，从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数。
优选地，所述从预处理过的人脸图像中提取人脸特征的步骤包括：
使用Gabor小波对预处理过的人脸图像进行变换，得到多个Gabor幅值图像；
对每幅Gabor幅值图像进行LBP编码，得到LGBP特征图像；
对每幅LGBP特征图像进行分块，并提取每个分块的LGBP直方图序列；
将多个LGBP直方图序列串联成一个向量，作为用以表述人脸特征的特征向量。
此外，本发明还提出一种节目推荐系统，所述系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的节目推荐程序，所述节目推荐程序被所述处理器执行时实现如上所述的节目推荐方法的步骤。
此外，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有节目推荐程序，所述节目推荐程序被处理器执行时实现如上所述的节目推荐方法的步骤。
本发明通过上述技术方案，当侦测到用户观看节目时，采集当前用户的人脸图像，对所述当前用户的人脸图像进行特征提取，将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征相匹配，若所述云端数据库中匹配到与所述提取到的当前用户的人脸特征相对应的人脸特征，则读取预先存储在所述云端数据库中的与所述预先存储在云端数据库中的人脸特征相对应的节目参数，根据所述节目参数向用户推荐相应的节目，结合当前用户的人脸特征和云端数据库中存储的用户人脸特征和节目参数向用户进行节目推荐，不仅能有效保护节目推荐中用户的隐私信息，而且能高效精准的实现节目的自动推荐，提升用户体验。
附图说明
图1为本发明节目推荐方法第一实施例的流程示意图；
图2为本发明节目推荐方法第二实施例的流程示意图；
图3为本发明节目推荐方法第三实施例的流程示意图；
图4为本发明节目推荐方法第三实施例中步骤S101的细化流程示意图；
图5为本发明节目推荐方法第四实施例的流程示意图；
图6为本发明实施例涉及的硬件运行环境的终端结构示意图。
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。
本发明实施例的主要解决方案是：当侦测到用户观看节目时，采集当前用户的人脸图像；对当前用户的人脸图像进行特征提取；将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征相匹配；若云端数据库中匹配到与提取到的当前用户的人脸特征相对应的人脸特征，则从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数；根据节目参数向用户推荐相应的节目。从而结合当前用户的人脸特征和云端数据库中存储的用户人脸特征和节目参数向用户进行节目推荐，不仅有效保护节目推荐中用户的隐私信息，而且高效精准的实现节目的自动推荐，提升用户体验。
由于目前的智能电视向用户推荐节目时，主要是依靠用户观看节目记录的节目关键词进行节目的智能推荐，使用这种节目推荐方法，下一个用户容易获知上一个用户观看电视节目的记录，容易暴露用户有关电视节目的隐私信息。
本发明实施例提出一种解决方案，结合当前用户的人脸特征和云端数据库中存储的用户人脸特征和节目参数向用户进行节目推荐，不仅能有效保护节目推荐中用户的隐私信息，而且能高效精准的实现节目的自动推荐，提升用户体验。
具体地，请参照图1，图1为本发明节目推荐方法第一实施例的流程示意图。
如图1所示，本发明第一实施例提出一种节目推荐方法，该方法包括：
步骤S10，当侦测到用户观看节目时，采集当前用户的人脸图像。
需要说明的是，本实施例中的节目可以为在手机、电视机或电脑等具有视频播放功能的智能终端上播放的视频节目，本实施例方法的执行主体可以为手机、电视机或电脑等具有视频播放功能的智能终端，本实施例以电视进行举例。
其中，侦测用户观看节目的方式，例如可以是通过侦测用户操作电视遥控器的指令、用户打开或关闭电视的指令或者用户切换节目的指令等方式实现，本实施例对此不作限定。
另外，为了采集当前用户的人脸图像，可以在电视机、电脑等智能终端上安装有摄像头，通过摄像头拍摄采集当前用户的人脸图像。
步骤S20，对当前用户的人脸图像进行特征提取。
具体地，在本实施例中，可以将Gabor小波与LBP算子相结合，形成LGBP算子，并使用LGBP算子对当前用户的人脸图像进行特征提取，将提取到的特征作为唯一标识存储在电视云端数据库中。
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。
LBP算子能够提取图像的边缘等局部变化特征，但是只能进行单尺度的特征表达。因此，可以将Gabor小波与LBP算子相结合，形成LGBP算子，并使用LGBP算子对人脸图像进行特征提取。LGBP算子结合了LBP算子对光照的不敏感性(即LBP算子具有很好的对抗光照敏感性)和Gabor小波对噪声、表情鲁棒性的优点。
而人脸特征是人与生俱来的生物特征，具有唯一性和不可复制性，基于人脸图像提取到的人脸特征具有唯一标识的作用。
因此，本实施例将Gabor小波与LBP相结合，形成LGBP算子，并使用LGBP算子对当前用户的人脸图像进行特征提取，能够高效精准的实现节目的自动推荐，提升用户体验，同时，还能有效保护节目推荐中用户的隐私信息。
步骤S30，将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征相匹配。
其中，云端数据库中预先存储有不同用户的人脸特征及对应的节目参数。
云端数据库为虚拟存储设备，可以存储大量数据，并随时提取调用，基于云端数据库的数据存储可以减轻硬件存储设备的压力。
具体实施时，本实施例中，可以采用surf图像匹配算法将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征进行匹配。
其中，SURF(Speeded Up Robust Feature，加速鲁棒性特征)由Bay在2006年首次提出，这项技术可以应用于计算机视觉的物体识别以及3D重构中。SURF算子由SIFT算子改进而来，一般来说，标准的SURF算子比SIFT算子快好几倍，并且在多幅图片下具有更好的鲁棒性。SURF最大的特征在于采用了harr特征以及积分图像integral image的概念，这大大加快了程序的运行时间。
步骤S40，若在云端数据库中匹配到与提取到的当前用户的人脸特征相对应的人脸特征，则从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数。
如前所述，云端数据库中预先存储有不同用户的人脸特征及对应的节目参数。
其中，在创建云端数据库时，可以统计用户在预设时间段(比如一周或者一个月)的观看节目记录，根据观看节目记录得到该用户常看的节目信息，比如，用户在预设时间段内观看节目的节目名称、节目类型，以及观看时间等，作为节目参数，与该用户的人脸特征对应存储至云端数据库。
由此，在云端数据库中匹配到与提取到的当前用户的人脸特征相对应的人脸特征时，可以从所述云端数据库获取到与所述当前用户的人脸特征相对应的节目参数。
其中，预设时间段可以根据经验实际设定，比如设定为一周或者一个月等时间段。节目参数包括：当前用户在预设时间段内观看节目的节目名称、节目类型、以及观看时间中的一种或几种，在其他实施方式中，节目参数也可以根据用户的观看习惯设定。
步骤S50，根据节目参数向用户推荐相应的节目。
根据获取到的用户在预设时间段内观看节目的节目名称、节目类型以及观看时间等习惯数据，向用户推荐相应的节目。
本实施例通过上述技术方案，当侦测到用户观看节目时，采集当前用户的人脸图像，对当前用户的人脸图像进行特征提取，将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征相匹配，若云端数据库中匹配到与提取到的当前用户的人脸特征相对应的人脸特征，则读取预先存储在云端数据库中的与预先存储在云端数据库中的人脸特征相对应的节目参数，根据节目参数向用户推荐相应的节目，结合当前用户的人脸特征和云端数据库中存储的用户人脸特征和节目参数向用户进行节目推荐，不仅能有效保护节目推荐中用户的隐私信息，而且能高效精准的实现节目的自动推荐，提升用户体验。
进一步地，请参照图2，图2为本发明节目推荐方法第二实施例的流程示意图。基于上述图1所示的实施例，在上述步骤S40，若在云端数据库中匹配到与提取到的当前用户的人脸特征相对应的人脸特征，则从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数之后，还可以包括：
步骤S401，对节目参数进行聚类分析。
本实施例中，采用K-Means算法对节目参数进行聚类分析，其具体过程如下：
该过程中，包括生成节目参数矩阵：R。该矩阵为m*n矩阵评估表，其中m为用户观看节目数量，n为及节目对应特征参数。矩阵如下表所示：
u1 u2 u3 u4 u5 u6 …… u8
节目名称 …… …… …… …… …… …… …… ……
节目类型 …… …… …… …… …… …… …… ……
观看时间 …… …… …… …… …… …… …… ……
…… …… …… …… …… …… …… …… ……
其中，上述表格中具体的数字表示对应的评估值，取值区间[0～100]。
1、建立n维图，根据矩阵的值，可以针对每个用户ui绘制出n维图中m个点。
2、定义K值，作为K个簇，也就是K个分组，每个分组为一个数据集。
3、G＝[g1,g2,g3,g4,……，gk]
4、在每个数据集中随机选择一个点作为质心ci。
5、对于每个数据集di中每个小点，计算与k个ci的欧几里得距离d，离哪一个质心近就归为哪个数据集。
6、当所有小点都计算完一轮后，就有了新的K的簇。
7、重复以上过程，选择每个数据集的质心，当新的质心与老的质心小于设定的阈值时，算法终止。由此生成K个聚类，每个聚类有一个质心用户。
需要说明的是，为使节目对应的评估值都能落到区间[0～100]中，需要对评估值进行标准化。
采用K-Means算法对节目参数进行聚类分析，有以下两个优点：
1、该算法在运行时间及准确度方面比较好，尤其在海量数据上；
2、可以通过调整k来确定类的数目，更具有适用性。
对应的，在本实施例中，上述步骤S50，根据节目参数向用户推荐相应的节目的步骤包括：
步骤S501，根据聚类分析的结果向用户推荐相应的节目。
对节目参数进行聚类分析后，再根据聚类分析的结果向用户推荐相应的节目。
本实施例通过上述技术方案，当侦测到用户观看节目时，采集当前用户的人脸图像，对当前用户的人脸图像进行特征提取，将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征相匹配，若云端数据库中匹配到与提取到的当前用户的人脸特征相对应的人脸特征，则读取预先存储在云端数据库中的与预先存储在云端数据库中的人脸特征相对应的节目参数，对节目参数进行聚类分析，根据节目参数向用户推荐相应的节目，结合当前用户的人脸特征和云端数据库中存储的用户人脸特征和节目参数向用户进行节目推荐，不仅能有效保护节目推荐中用户的隐私信息，而且能高效精准的实现节目的自动推荐，提升用户体验；通过对节目参数进行聚类分析，进一步提高节目推荐的准确性。
进一步地，请参照图3，图3为本发明节目推荐方法第三实施例的流程示意图。基于上述图1所示的实施例，在上述步骤S10，当侦测到用户观看节目时，采集当前用户的人脸图像的步骤之前包括：
步骤S101，预先建立云端数据库，云端数据库存储有用户的人脸特征、与用户的人脸特征相对应的节目参数。
云端数据库为虚拟存储设备，可以存储大量数据，并随时提取调用，基于云端数据库的数据存储可以减轻智能终端硬件存储设备的压力。
本实施例中，云端数据库中存储有多个不同用户的人脸特征，以及与不同的用户相对应的节目参数。
请参照图4，图4为本发明节目推荐方法第三实施例中步骤S101的细化流程示意图。上述步骤S101，预先建立云端数据库的步骤包括：
S1011，采集用户的人脸图像，并对用户的人脸图像进行预处理。
以电视为例，具体实施时，本实施例通过电视摄像头对当前电视观看用户提取人脸图像，对获取到的人脸图像采用对称近邻均值滤波方法进行滤波去噪、采用拉普拉斯算法进行边缘锐化等预处理，以提高人脸图像特征提取率。
S1012，提取预处理过的人脸图像的人脸特征。
本实施例中，也可以采用上述步骤S20所采用的方法提取预处理过的人脸图像的人脸特征，即采用LGBP算子对人脸图像进行特征提取。其具体步骤如下：
首先使用Gabor小波对预处理过的人脸图像进行变换，得到多个Gabor幅值图像；
然后对每幅Gabor幅值图像都进行LBP编码，得到LGBP特征图像；
再对每幅LGBP特征图像进行分块，并提取每个分块的LGBP直方图序列；
最后将多个LGBP直方图序列串联成一个向量，作为用以表述人脸特征的特征向量。
S1013，记录用户在预设时间段内的节目观看记录，并从节目观看记录中获取节目的节目参数。
需要说明的是，本实施例中对上述步骤S1011和步骤S1013的执行顺序不做限定，既可以先执行步骤S1011，采集用户的人脸图像，并对用户的人脸图像进行预处理，再执行步骤S1012，提取预处理过的人脸图像的人脸特征，然后再执行步骤S1013，记录用户在预设时间段内的节目观看记录，并从节目观看记录中获取节目的节目参数，也可以先执行步骤S1013，记录用户在预设时间段内的节目观看记录，并从节目观看记录中获取节目的节目参数，再执行步骤S1011，采集用户的人脸图像，并对用户的人脸图像进行预处理，然后再执行步骤S1012，提取预处理过的人脸图像的人脸特征。
S1014，建立存储有预处理过的人脸图像的人脸特征、节目参数的云端数据库。
基于所述预处理过的人脸图像的人脸特征、所述节目参数建立云端数据库。
本实施例通过上述技术方案，当侦测到用户观看节目时，采集当前用户的人脸图像，对当前用户的人脸图像进行特征提取，将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征相匹配，若云端数据库中匹配到与提取到的当前用户的人脸特征相对应的人脸特征，则读取预先存储在云端数据库中的与预先存储在云端数据库中的人脸特征相对应的节目参数，根据节目参数向用户推荐相应的节目，结合当前用户的人脸特征和云端数据库中存储的用户人脸特征和节目参数向用户进行节目推荐，不仅能有效保护节目推荐中用户的隐私信息，而且能高效精准的实现节目的自动推荐，提升用户体验。
进一步地，请参照图5，图5为本发明节目推荐方法第四实施例的流程示意图。基于上述图3所示的实施例，上述步骤S101，预先建立云端数据库的步骤之后还包括：
步骤S102，对云端数据库中的节目参数进行加密处理。
具体实施时，在本实施例中，采用哈希算法分散密文索引技术对云端数据库进行加密处理，假设属性A是用户的查询属性，为A建立索引A’，A是对用户保密的，用户只能看到其索引A’，这样既保证了用户查询的方便性，又保证了敏感数据的安全性。对于加密粒度为字段级和记录级的加密方法比较适合于建立索引，另外，本实施例可以将用户的人脸特征设置为唯一解密密码。
哈希算法将任意长度的二进制值映射为较短的固定长度的二进制值，这个小的二进制值称为哈希值。哈希值是一段数据唯一且极其紧凑的数值表示形式。如果散列一段明文而且哪怕只更改该段落的一个字母，随后的哈希都将产生不同的值，可用于快速查找和加密中。
对应的，上述步骤S40，若在所述云端数据库中匹配到与所述当前用户的人脸特征相对应的人脸特征，则从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数的步骤包括：
步骤S401，若在所述云端数据库中匹配到与所述当前用户的人脸特征相对应的人脸特征，则基于匹配到的人脸特征对所述云端数据库中的节目参数进行解密；
步骤S402，在解密成功后，从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数。
其中，对云端数据库进行解密的解密密码为用户的人脸特征。
本发明节目推荐方法通过上述解决方案，当侦测到用户观看节目时，采集当前用户的人脸图像，对当前用户的人脸图像进行特征提取，将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征相匹配，若云端数据库中匹配到与提取到的当前用户的人脸特征相对应的人脸特征，则读取预先存储在云端数据库中的与预先存储在云端数据库中的人脸特征相对应的节目参数，根据节目参数向用户推荐相应的节目，采用哈希算法分散密文索引技术对云端数据库进行加密处理，结合当前用户的人脸特征和云端数据库中存储的用户人脸特征和节目参数向用户进行节目推荐，不仅能有效保护节目推荐中用户的隐私信息，而且能高效精准的实现节目的自动推荐，提升用户体验。
为实现上述目的，本发明还提出一种节目推荐系统，该系统包括：存储器、处理器及存储在存储器上并可在处理器上运行的节目推荐的控制程序，节目推荐的控制程序被处理器执行时实现如上所述的方法的步骤。
具体地，如图6所示，本实施例系统所承载的终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图6中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图6所示，作为一种计算机存储介质的存储器1005中可以包括操作装置、网络通信模块、用户接口模块以及节目推荐程序。
在图6所示的终端中，网络接口1004主要用于连接网络服务器，与网络服务器进行数据通信；用户接口1003主要用于与用户终端交互，接收用户输入的指令；而处理器1001可以用于调用存储器1005中存储的节目推荐程序，并执行以下操作：
当侦测到用户观看节目时，采集当前用户的人脸图像；
对所述当前用户的人脸图像进行特征提取；
将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征相匹配，所述云端数据库中存储有不同用户的人脸特征及对应的节目参数；
若在所述云端数据库中匹配到与所述当前用户的人脸特征相对应的人脸特征，则从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数；
根据所述节目参数向当前用户推荐相应的节目。
进一步地，处理器1001还可以用于调用存储器1005中存储的节目推荐程序，并执行以下操作：
从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数的步骤之后还包括：
对所述节目参数进行聚类分析；
所述根据所述节目参数向当前用户推荐相应的节目的步骤包括：
根据所述聚类分析的结果向用户推荐相应的节目。
进一步地，处理器1001还可以用于调用存储器1005中存储的节目推荐程序，并执行以下操作：
将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征基于surf图像匹配算法进行匹配。
进一步地，处理器1001还可以用于调用存储器1005中存储的节目推荐程序，并执行以下操作：
预先建立云端数据库，所述云端数据库存储有用户的人脸特征、与所述用户的人脸特征相对应的节目参数。
进一步地，处理器1001还可以用于调用存储器1005中存储的节目推荐程序，并执行以下操作：
采集用户的人脸图像，并对所述用户的人脸图像进行预处理；
从预处理过的人脸图像中提取人脸特征；
记录所述用户在预设时间段内的节目观看记录，并从所述节目观看记录中获取所述节目的节目参数；
基于所述预处理过的人脸图像的人脸特征、所述节目参数建立云端数据库。
进一步地，处理器1001还可以用于调用存储器1005中存储的节目推荐程序，并执行以下操作：
预先建立云端数据库的步骤之后还包括：
对所述云端数据库中的节目参数进行加密处理；
所述若在所述云端数据库中匹配到与所述当前用户的人脸特征相对应的人脸特征，则从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数的步骤包括：
若在所述云端数据库中匹配到与所述当前用户的人脸特征相对应的人脸特征，则基于匹配到的人脸特征对所述云端数据库中的节目参数进行解密；
在解密成功后，从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数。
进一步地，处理器1001还可以用于调用存储器1005中存储的节目推荐程序，并执行以下操作：
使用Gabor小波对预处理过的人脸图像进行变换，得到多个Gabor幅值图像；
对每幅Gabor幅值图像进行LBP编码，得到LGBP特征图像；
对每幅LGBP特征图像进行分块，并提取每个分块的LGBP直方图序列；
将多个LGBP直方图序列串联成一个向量，作为用以表述人脸特征的特征向量。
本发明节目推荐系统通过上述解决方案，当侦测到用户观看节目时，采集当前用户的人脸图像，对当前用户的人脸图像进行特征提取，将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征相匹配，若云端数据库中匹配到与提取到的当前用户的人脸特征相对应的人脸特征，则读取预先存储在云端数据库中的与预先存储在云端数据库中的人脸特征相对应的节目参数，根据节目参数向用户推荐相应的节目，采用哈希算法分散密文索引技术对云端数据库进行加密处理，结合当前用户的人脸特征和云端数据库中存储的用户人脸特征和节目参数向用户进行节目推荐，不仅能有效保护节目推荐中用户的隐私信息，而且能高效精准的实现节目的自动推荐，提升用户体验。
为实现上述目的，本发明还提出一种计算机可读存储介质，该计算机可读存储介质上存储有节目推荐程序，节目推荐程序被处理器执行时实现上各实施例所述的节目推荐方法的步骤，在此不再赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，电视机，电脑等)执行本发明各个实施例的方法。
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)

1.一种节目推荐方法，其特征在于，所述方法包括如下步骤：
当侦测到用户观看节目时，采集当前用户的人脸图像；
对所述当前用户的人脸图像进行特征提取；
将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征相匹配，所述云端数据库中存储有不同用户的人脸特征及对应的节目参数；
若在所述云端数据库中匹配到与所述当前用户的人脸特征相对应的人脸特征，则从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数；
根据所述节目参数向当前用户推荐相应的节目。
2.根据权利要求1所述的节目推荐方法，其特征在于，所述节目参数包括：当前用户在预设时间段内观看节目的节目名称、节目类型，以及观看时间中的一种或多种。
3.根据权利要求2所述的节目推荐方法，其特征在于，所述从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数的步骤之后还包括：
对所述节目参数进行聚类分析；
所述根据所述节目参数向当前用户推荐相应的节目的步骤包括：
根据所述聚类分析的结果向用户推荐相应的节目。
4.根据权利要求3所述的节目推荐方法，其特征在于，所述将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征相匹配的步骤包括：
将提取到的当前用户的人脸特征与预先存储在云端数据库中的人脸特征基于surf图像匹配算法进行匹配。
5.根据权利要求1-4中任意一项所述的节目推荐方法，其特征在于，所述当侦测到用户观看节目时，采集当前用户的人脸图像的步骤之前还包括：
预先建立云端数据库，所述云端数据库存储有用户的人脸特征、与所述用户的人脸特征相对应的节目参数。
6.根据权利要求5所述的节目推荐方法，其特征在于，所述预先建立云端数据库的步骤包括：
采集用户的人脸图像，并对所述用户的人脸图像进行预处理；
从预处理过的人脸图像中提取人脸特征；
记录所述用户在预设时间段内的节目观看记录，并从所述节目观看记录中获取所述节目的节目参数；
基于所述预处理过的人脸图像的人脸特征、所述节目参数建立云端数据库。
7.根据权利要求6所述的节目推荐方法，其特征在于，所述预先建立云端数据库的步骤之后还包括：
对所述云端数据库中的节目参数进行加密处理；
所述若在所述云端数据库中匹配到与所述当前用户的人脸特征相对应的人脸特征，则从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数的步骤包括：
若在所述云端数据库中匹配到与所述当前用户的人脸特征相对应的人脸特征，则基于匹配到的人脸特征对所述云端数据库中的节目参数进行解密；
在解密成功后，从所述云端数据库获取与所述当前用户的人脸特征相对应的节目参数。
8.根据权利要求6所述的节目推荐方法，其特征在于，所述从预处理过的人脸图像中提取人脸特征的步骤包括：
使用Gabor小波对预处理过的人脸图像进行变换，得到多个Gabor幅值图像；
对每幅Gabor幅值图像进行LBP编码，得到LGBP特征图像；
对每幅LGBP特征图像进行分块，并提取每个分块的LGBP直方图序列；
将多个LGBP直方图序列串联成一个向量，作为用以表述人脸特征的特征向量。
9.一种节目推荐系统，其特征在于，所述系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的节目推荐程序，所述节目推荐程序被所述处理器执行时实现如权利要求1-8中任意一项所述的节目推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有节目推荐程序，所述节目推荐程序被处理器执行时实现如权利要求1-8中任一项所述的节目推荐方法的步骤。
CN201711180447.1A 2017-11-23 2017-11-23 节目推荐方法、系统及计算机可读存储介质 Pending CN107948700A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711180447.1A CN107948700A (zh) 2017-11-23 2017-11-23 节目推荐方法、系统及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711180447.1A CN107948700A (zh) 2017-11-23 2017-11-23 节目推荐方法、系统及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN107948700A true CN107948700A (zh) 2018-04-20

Family

ID=61930874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711180447.1A Pending CN107948700A (zh) 2017-11-23 2017-11-23 节目推荐方法、系统及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN107948700A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377315A (zh) * 2018-10-25 2019-02-22 百度在线网络技术（北京）有限公司 一种信息推荐方法、装置、电子设备及存储介质
CN111277871A (zh) * 2018-12-05 2020-06-12 华为技术有限公司 网络协议电视iptv中推荐内容的方法和装置
CN112887759A (zh) * 2021-01-22 2021-06-01 Oppo广东移动通信有限公司 智能电视的信号处理方法、装置、智能电视以及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104363474A (zh) * 2014-11-14 2015-02-18 四川长虹电器股份有限公司 一种基于多用户的智能电视节目推荐系统及方法
CN105868259A (zh) * 2015-12-29 2016-08-17 乐视致新电子科技（天津）有限公司 一种基于人脸识别的视频推荐方法和装置
CN106127193A (zh) * 2016-07-12 2016-11-16 青岛大学 一种人脸图像识别方法
CN107122681A (zh) * 2017-05-25 2017-09-01 湖南德康慧眼控制技术股份有限公司 一种文件加解密的方法、相关装置与系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104363474A (zh) * 2014-11-14 2015-02-18 四川长虹电器股份有限公司 一种基于多用户的智能电视节目推荐系统及方法
CN105868259A (zh) * 2015-12-29 2016-08-17 乐视致新电子科技（天津）有限公司 一种基于人脸识别的视频推荐方法和装置
CN106127193A (zh) * 2016-07-12 2016-11-16 青岛大学 一种人脸图像识别方法
CN107122681A (zh) * 2017-05-25 2017-09-01 湖南德康慧眼控制技术股份有限公司 一种文件加解密的方法、相关装置与系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377315A (zh) * 2018-10-25 2019-02-22 百度在线网络技术（北京）有限公司 一种信息推荐方法、装置、电子设备及存储介质
CN111277871A (zh) * 2018-12-05 2020-06-12 华为技术有限公司 网络协议电视iptv中推荐内容的方法和装置
CN112887759A (zh) * 2021-01-22 2021-06-01 Oppo广东移动通信有限公司 智能电视的信号处理方法、装置、智能电视以及存储介质

Similar Documents

Publication Publication Date Title
CN106326391B (zh) 多媒体资源推荐方法及装置
CN107087235A (zh) 媒体内容推荐方法、服务器及客户端
CN108521608A (zh) 视频文件的处理方法、装置、终端及存储介质
US20140052696A1 (en) Systems and methods for visual categorization of multimedia data
CN109660823A (zh) 视频发布方法、装置、电子设备及存储介质
CN107147939A (zh) 用于调整视频直播封面的方法和装置
CN108010037B (zh) 图像处理方法、装置及存储介质
KR20190022662A (ko) 일치하는 컨텐츠를 식별하는 시스템 및 방법
US9146940B2 (en) Systems, methods and apparatus for providing content based on a collection of images
CN105163142B (zh) 一种用户偏好确定方法、视频推荐方法和系统
CN108229937A (zh) 基于增强现实的虚拟对象分配方法及装置
CN106604051A (zh) 直播频道推荐方法及装置
CN107688637A (zh) 信息推送方法、装置、存储介质及电子终端
US20190080175A1 (en) Methods and systems to identify an object in content
CN107948700A (zh) 节目推荐方法、系统及计算机可读存储介质
CN109923543B (zh) 通过生成视频帧的多个部分的指纹来检测立体视频的方法、系统和介质
CN103945430A (zh) 一种移动终端类型推荐方法及装置
CN113505707A (zh) 吸烟行为检测方法、电子设备及可读存储介质
CN113573090A (zh) 游戏直播中的内容显示方法、装置、系统和存储介质
CN115396705A (zh) 投屏操作验证方法、平台及系统
CN111553742A (zh) 联邦产品推荐方法、装置、设备及计算机存储介质
KR20130054097A (ko) 전자 장치 및 시청 정보 제공 방법
CN109769130A (zh) 基于收视大数据的遥控器个性化设置方法及系统
CN107733874A (zh) 信息处理方法、装置、计算机设备和存储介质
KR102328287B1 (ko) 서버 장치, 및 그것에 사용되는 컴퓨터 프로그램

Legal Events

Date Code Title Description
PB01 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: 20180420

RJ01 Rejection of invention patent application after publication