CN109300013A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN109300013A CN109300013A CN201811247093.2A CN201811247093A CN109300013A CN 109300013 A CN109300013 A CN 109300013A CN 201811247093 A CN201811247093 A CN 201811247093A CN 109300013 A CN109300013 A CN 109300013A
- Authority
- CN
- China
- Prior art keywords
- adornment
- user
- effect image
- wearing effect
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000000694 effects Effects 0.000 claims abstract description 155
- 230000004044 response Effects 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 6
- 235000013399 edible fruits Nutrition 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 description 33
- 230000006870 function Effects 0.000 description 22
- 238000012545 processing Methods 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006854 communication Effects 0.000 description 6
- 230000005284 excitation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 241000579895 Chlorostilbon Species 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 239000010976 emerald Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000010437 gem Substances 0.000 description 3
- 229910001751 gemstone Inorganic materials 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000219109 Citrullus Species 0.000 description 2
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 2
- 235000006029 Prunus persica var nucipersica Nutrition 0.000 description 2
- 244000017714 Prunus persica var. nucipersica Species 0.000 description 2
- 241000353135 Psenopsis anomala Species 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229910052876 emerald Inorganic materials 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000010970 precious metal Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 229910052709 silver Inorganic materials 0.000 description 2
- 239000004332 silver Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003109 clavicle Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 201000005299 metal allergy Diseases 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 210000001202 rhombencephalon Anatomy 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
Landscapes
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:响应于接收到包括用户的头像的试戴请求,识别头像的至少一个特征区域;获取与至少一个特征区域匹配的佩戴物佩戴效果图像集合,以及输出佩戴物佩戴效果图像集合供用户选择;响应于检测到用户选择出佩戴物佩戴效果图像,获取针对所选择的佩戴物佩戴效果图像的至少一个佩戴物的佩戴物信息;根据佩戴物信息对头像中的特征区域进行图像处理以生成佩戴物佩戴后的头像。该实施方式实现了富有针对性的佩戴物推荐并展示试戴效果图。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于生成信息的方法和装置。
背景技术
在社交活动中,佩戴首饰是一种无声的语言,佩戴适合的首饰不但可以增加魅力,该可以展现佩戴者的知识、阅历和审美品位。所述首饰通常指以贵重金属或宝石等加工而成的头饰、耳环、项链、戒指、手镯等。
随着网上购物系统的完善,越来越多的人选择在网上买衣服、鞋帽、包、眼镜、甚至首饰等各种穿戴服饰。网上买这些物品,最麻烦的就是不能亲自试戴。不同脸型、发型的人适合不同的佩戴物。而佩戴物很昂贵,退换货过程中也容易出现造假。因此需要通过虚拟试戴功能为用户选择合适的佩戴物。
发明内容
本申请实施例提出了用于生成信息的方法和装置。
第一方面,本申请实施例提供了一种用于生成信息的方法,包括:响应于接收到包括用户的头像的试戴请求,识别头像的至少一个特征区域;获取与至少一个特征区域匹配的佩戴物佩戴效果图像集合,以及输出佩戴物佩戴效果图像集合供用户选择;响应于检测到用户选择出佩戴物佩戴效果图像,获取针对所选择的佩戴物佩戴效果图像的至少一个佩戴物的佩戴物信息;根据佩戴物信息对头像中的特征区域进行图像处理以生成佩戴物佩戴后的头像。
在一些实施例中,试戴请求还包括服装图像;以及获取与至少一个特征区域匹配的佩戴物佩戴效果图像集合,包括:识别服装图像中服装的特征;获取与服装的特征匹配的第一候选佩戴物佩戴效果图像集合;从第一候选佩戴物佩戴效果图像集合确定出与至少一个特征区域匹配的佩戴物佩戴效果图像集合供用户选择。
在一些实施例中,试戴请求还包括场景信息;以及获取与至少一个特征区域匹配的佩戴物佩戴效果图像集合,包括:获取与场景信息匹配的第二候选佩戴物佩戴效果图像集合;从第二候选佩戴物佩戴效果图像集合确定出与至少一个特征区域匹配的佩戴物佩戴效果图像集合供用户选择。
在一些实施例中,识别头像的至少一个特征区域,包括:识别出至少一个特征区域中的已化妆区域的颜色和亮度;以及获取与至少一个特征区域匹配的佩戴物佩戴效果图像集合,包括:获取与至少一个特征区域中的已化妆区域的颜色和亮度匹配的佩戴物佩戴效果图像集合供用户选择。
在一些实施例中,识别头像的至少一个特征区域,包括:识别出用户的年龄;以及获取与至少一个特征区域匹配的佩戴物佩戴效果图像集合,包括:获取与年龄匹配的佩戴物佩戴效果图像集合供用户选择。
在一些实施例中,输出佩戴物佩戴效果图像集合供用户选择,包括:获取用户的消费记录;根据消费记录确定用户的消费能力;根据消费能力从佩戴物佩戴效果图像集合中选择预定数量的佩戴物佩戴效果图像输出供用户选择。
在一些实施例中,佩戴物信息包括以下至少一项:品牌信息,款式信息,价格信息,材料信息;以及该方法还包括:输出所选择的佩戴物佩戴效果图像所展示的佩戴物的佩戴物信息。
第二方面,本申请实施例提供了一种用于生成信息的装置,包括:识别单元,被配置成响应于接收到包括用户的头像的试戴请求,识别头像的至少一个特征区域;获取单元,被配置成获取与至少一个特征区域匹配的佩戴物佩戴效果图像集合,以及输出佩戴物佩戴效果图像集合供用户选择;检测单元,被配置成响应于检测到用户选择出佩戴物佩戴效果图像,获取针对所选择的佩戴物佩戴效果图像的至少一个佩戴物的佩戴物信息;生成单元,被配置成根据佩戴物信息对头像中的特征区域进行图像处理以生成佩戴物佩戴后的头像。
在一些实施例中,试戴请求还包括服装图像;以及获取单元进一步被配置成:识别服装图像中服装的特征;获取与服装的特征匹配的第一候选佩戴物佩戴效果图像集合;从第一候选佩戴物佩戴效果图像集合确定出与至少一个特征区域匹配的佩戴物佩戴效果图像集合供用户选择。
在一些实施例中,试戴请求还包括场景信息;以及获取单元进一步被配置成:获取与场景信息匹配的第二候选佩戴物佩戴效果图像集合;从第二候选佩戴物佩戴效果图像集合确定出与至少一个特征区域匹配的佩戴物佩戴效果图像集合供用户选择。
在一些实施例中,识别单元进一步被配置成:识别出至少一个特征区域中的已化妆区域的颜色和亮度;以及获取单元进一步被配置成:获取与至少一个特征区域中的已化妆区域的颜色和亮度匹配的佩戴物佩戴效果图像集合供用户选择。
在一些实施例中,识别单元进一步被配置成:识别出用户的年龄;以及获取单元进一步被配置成:获取与年龄匹配的佩戴物佩戴效果图像集合供用户选择。
在一些实施例中,获取单元进一步被配置成:获取用户的消费记录;根据消费记录确定用户的消费能力;根据消费能力从佩戴物佩戴效果图像集合中选择预定数量的佩戴物佩戴效果图像输出供用户选择。
在一些实施例中,佩戴物信息包括以下至少一项:品牌信息,款式信息,价格信息,材料信息;以及该装置还包括输出单元,被配置成:输出所选择的佩戴物佩戴效果图像所展示的佩戴物的佩戴物信息。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一的方法。
本申请实施例提供的用于生成信息的方法和装置,通过识别出用户的头像中的特征区域,从而为用户推荐适合她的佩戴物,并根据她选择的试戴图像生成试戴效果图。实现了富有针对性的佩戴物推荐,提高了推荐命中率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于生成信息的方法的一个实施例的流程图;
图3是根据本申请的用于生成信息的方法的一个应用场景的示意图;
图4是根据本申请的用于生成信息的方法的又一个实施例的流程图;
图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如虚拟试戴应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持拍照功能的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的佩戴物佩戴效果图提供支持的后台图像处理服务器。后台图像处理服务器可以对接收到的试戴请求等数据进行分析等处理,并将处理结果(例如佩戴佩戴物后的头像)反馈给终端设备。
需要说明的是,本申请实施例所提供的用于生成信息的方法一般由服务器105执行,相应地,用于生成信息的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,响应于接收到包括用户的头像的试戴请求,识别头像的至少一个特征区域。
在本实施例中,用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行虚拟试戴的终端接收试戴请求。试戴请求中可包括用户上传的头像,也可包括用户直接通过终端的摄像头拍摄的头像。服务器接收到头像后,通过图像识别算法识别出头像的至少一个特征区域。例如,耳朵、脖子、头发等可佩戴佩戴物的部位,还可识别出用户的脸型、脸色等影响佩戴物搭配的信息。特征区域还可包括头发,可识别出发型、发色。可将头像输入预先训练的用户特征检测模型从而识别出用户的脸型、发型、肤色等特征。用户特征检测模型还可识别出用户的化妆效果、例如,口红颜色、眼影颜色等特征。
用户特征检测模型可以是人工神经网络,它从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按不同的连接方式组成不同的网络。通常由大量的节点(或称神经元)之间相互联接构成,每个节点代表一种特定的输出函数,称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重(又叫做参数),网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。用户特征检测模型通常包括多个层,每个层包括多个节点,通常,同一层的节点的权重可以相同,不同层的节点的权重可以不同,故用户特征检测模型的多个层的参数也可以不同。这里,电子设备可以将头像从用户特征检测模型的输入侧输入,依次经过用户特征检测模型中的各层的参数的处理(例如乘积、卷积等),并从用户特征检测模型的输出侧输出,输出侧输出的信息即为用户的特征信息,可以是五官特征、肤色特征等。
用户特征检测模型的训练步骤可以包括以下步骤:
步骤2011,确定用户特征检测模型的网络结构以及初始化用户特征检测模型的网络参数。
在本实施例中,训练步骤的执行主体可以与用于输出信息的方法执行主体相同或者不同。如果相同,则训练步骤的执行主体可以在训练得到用户特征检测模型后将训练好的用户特征检测模型的网络结构信息和网络参数的参数值存储在本地。如果不同,则训练步骤的执行主体可以在训练得到用户特征检测模型后将训练好的用户特征检测模型的网络结构信息和网络参数的参数值发送给用于输出信息的方法的执行主体。
在本实施例中,训练步骤的执行主体可以首先确定用户特征检测模型的网络结构。例如,需要确定用户特征检测模型包括哪些层,层与层之间的连接顺序关系,以及每层都包括哪些神经元,每个神经元对应的权重(weight)和偏置项(bias),每层的激活函数等等。
可以理解的是,由于用户特征检测模型可以包括各种类型的神经网络,对于不同类型的神经网络所需要确定的网络结构也不相同。
在本实施例的一些可选的实现方式中,当用户特征检测模型为卷积神经网络时,由于卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成,则这里需要确定卷积神经网络类型的用户特征检测模型包括哪些层(例如,卷积层,池化层,全连接层,分类器等等),层与层之间的连接顺序关系,以及每个层都包括哪些参数(例如,权重、偏置项、卷积的步长)等等。其中,卷积层可以用于提取图像特征。针对每个卷积层可以确定有多少个卷积核,每个卷积核的大小,每个卷积核中的各个神经元的权重,每个卷积核对应的偏置项,相邻两次卷积之间的步长等等。
然后,训练步骤的执行主体可以初始化用户特征检测模型的网络参数。实践中,可以将用户特征检测模型的各个网络参数(例如,权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态,从而导致训练失败,“不同”用来保证网络可以正常地学习。
可选地,训练步骤的执行主体可以在执行步骤2011之前,执行以下第一初始化操作:
首先,可以确定初始特征提取模型的模型结构信息。可以理解的是,由于初始特征提取模型可以包括各种类型用于提取图像特征的模型,对于不同类型的用于提取图像特征的模型,所需要确定的模型结构信息也不相同。可选地,初始特征提取模型可以为卷积神经网络。由于卷积神经网络是一个多层的神经网络,每层由多个二维平面组成,而每个平面由多个独立神经元组成,则这里需要确定卷积神经网络类型的初始特征提取模型包括哪些层(例如,卷积层,池化层,激励函数层等等),层与层之间的连接顺序关系,以及每个层都包括哪些参数(例如,权重weight、偏置项bias、卷积的步长)等等。其中,卷积层可以用于提取图像特征。针对每个卷积层可以确定有多少个卷积核,每个卷积核的大小,每个卷积核中的各个神经元的权重,每个卷积核对应的偏置项,相邻两次卷积之间的步长,是否需要填充,填充多少像素点和填充用的数值(一般是填充为0)等等。而池化层可以用于对输入的信息进行下采样(Down Sample),以压缩数据和参数的量,减少过拟合。针对每个池化层可以确定该池化层的池化方法(例如,取区域平均值或者取区域最大值)。激励函数层用于对输入的信息进行非线性计算。针对每个激励函数层可以确定具体的激励函数。例如,激活函数可以是ReLU以及ReLU各种变种激活函数、Sigmoid函数、Tanh(双曲正切)函数、Maxout函数等等。实践中,卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于图像处理有出色表现,因而,可以利用卷积神经网络进行图像特征的提取,图像的特征可以是图像的各种基本要素(例如颜色、线条、纹理等)。
可选地,初始特征提取模型还可以为主动形状模型(Active Shape Model,ASM)、主元分析(Principal Component Analysis,PCA)模型、独立分量分析(IndependentComponent Analysis,ICA)模型和线性判别分析(Linear Discriminant Analysis,LDA)模型、局部特征分析(Local Feature Analysis,LFA)模型等等用于提取头像特征的模型。相应的,对应不同的特征提取模型,需要确定的模型结构信息也是不同的。
然后,可以初始化初始特征提取模型的模型参数。实践中,可以将初始特征提取模型的各个模型参数用一些不同的小随机数进行初始化。“小随机数”用来保证模型不会因权值过大而进入饱和状态,从而导致训练失败,“不同”用来保证模型可以正常地学习。
实践中,由于特征提取模型的具体模型不同,所得到的与该活体头像对应的图像特征既可以是特征图(feature map)形式的,也可以是特征向量形式的。
步骤2012,获取训练样本集。
在本实施例中,训练步骤的执行主体可以本地或者远程地从与上述执行主体网络连接的其他电子设备获取训练样本集。其中,每个训练样本包括样本头像和用于表征用户特征的标注信息。可选地,样本头像中包括了用户适合佩戴的佩戴物图像,则标注信息中还可包括佩戴物的特征信息,例如,圆形耳环、三角形耳环、红宝石耳环、祖母绿耳环等。
作为示例,标注信息可以是数值,例如,用0表示圆脸,用1表示瓜子脸。标注信息还可以是文字、字符或者符号的组合,例如“棕色马尾发”、“金色齐耳发”。
步骤2013,将训练样本集中的训练样本中的头像和标注信息分别作为用户特征检测模型的输入和期望输出,利用机器学习方法训练用户特征检测模型。
在本实施例中,训练步骤的执行主体可以将训练样本集中的训练样本中的样本头像输入用户特征检测模型,得到该样本头像的状态信息,以该训练样本中的标注信息作为用户特征检测模型的期望输出,利用机器学习方法训练用户特征检测模型。具体地,可以首先利用预设的损失函数计算所得到的状态信息与该训练样本中的标注信息之间的差异,例如,可以采用L2范数作为损失函数计算所得到的状态信息与该训练样本中的标注信息之间的差异。然后,可以基于计算所得的差异,调整用户特征检测模型的网络参数,并在满足预设的训练结束条件的情况下,结束训练。例如,这里预设的训练结束条件可以包括但不限于以下至少一项:训练时间超过预设时长;训练次数超过预设次数;计算所得的差异小于预设差异阈值。
这里,可以采用各种实现方式基于所生成的状态信息与该训练样本中的标注信息之间的差异调整用户特征检测模型的网络参数。例如,可以采用BP(Back Propagation,反向传播)算法或者SGD(Stochastic Gradient Descent,随机梯度下降)算法来调整用户特征检测模型的网络参数。
步骤2014,将训练得到的用户特征检测模型确定为预先训练的用户特征检测模型。
在本实施例中,训练步骤的执行主体可以将步骤2013中训练得到的用户特征检测模型确定为预先训练的用户特征检测模型。
可选地,可采用上述方法训练出佩戴物特征检测模型,用于检测待推荐的佩戴物的特征,例如,金色三角耳环、银色圆耳环。
步骤202,获取与至少一个特征区域匹配的佩戴物佩戴效果图像集合,以及输出佩戴物佩戴效果图像集合供用户选择。
在本实施例中,佩戴物佩戴效果图像包括至少一种佩戴物。佩戴物可以包括首饰,如耳环、项链、戒指等。还可包括眼镜、墨镜、丝巾、发卡等配饰。佩戴物佩戴效果图像可以是明星或者模特佩戴佩戴物的照片。佩戴物佩戴效果图像集合中各佩戴物佩戴效果图像中的佩戴物可以是推荐给用户试戴的佩戴物。可预先使用通过上述步骤训练的用户特征检测模型检测出佩戴物佩戴效果图像集合中各佩戴物佩戴效果图像中的用户的特征,例如,佩戴A组佩戴物的模特X的特点:瓜子脸、白肤、樱桃红口红、丸子头。佩戴B组佩戴物的模特Y的特点:长脸、蜜色皮肤、西瓜红口红、大波浪头发。然后将接收到的用户的头像输入用户特征检测模型,得到该用户的特征。如果该用户的特征与模特X的相似度高于预定阈值,则输出模特X佩戴佩戴物A的佩戴物佩戴效果图像集合供用户选择。
可选地,还可将佩戴物佩戴效果图像集合中各佩戴物佩戴效果图像输入佩戴物检测模型,从而确定出各佩戴物佩戴效果图像中佩戴物的特征,从而可将效果图中模特的特征与佩戴物的特征相关联。通过检测到用户的特征找到匹配的模特,然后确定该用户适合的佩戴物的特征。可向用户推荐除佩戴物佩戴效果图像之外的佩戴物。
首饰的选择与脸型有较大的关系,例如长方脸型,这种脸型的特点是上下方、中间长,故佩戴饰物应适当增加脸部横中线的宽度。瓜子脸型,上方下削或额大颚尖,属于适宜佩戴多种首饰的脸型,基本适合各种各样的配饰,可佩戴大朵状耳插或垂饰简练的荡环,项链应细而短,以利增加下颚的宽度而避免产生脸部被拉长的感觉。圆脸型,装饰的原则是使两颊变窄,上下延长,上部可依靠将头发吹高垫厚来解决,下部则要通过佩戴细长的项链来拉长,耳饰则切不宜太大。
不同的发型与不同的首饰搭配会出现意想不到的效果,例如露耳式发型,那么适合搭配插环和荡环的耳环,需要注意的是大颗粒耳插较适合下半部脸较丰满的人群,而厚发的人群还是选择荡环较好,头发薄的应选择小而轻盈的耳饰。长发型,长发飘飘的女性能够全面散发出气场,这类人群在挑选首饰时适合细而短的项链,如二锉链、方丝链、S链、双套链、宝石花式链等。
在本实施例的一些可选的实现方式中,步骤201还可识别出至少一个特征区域中的已化妆区域的颜色和亮度,获取与至少一个特征区域匹配的佩戴物佩戴效果图像集合,包括:获取与至少一个特征区域中的已化妆区域的颜色和亮度匹配的佩戴物佩戴效果图像集合供用户选择。可推荐与用户的口红颜色一致的耳环、项链等佩戴物。
在本实施例的一些可选的实现方式中,步骤201还可识别出用户的年龄,从而为用户推荐适合的佩戴物,例如,向20岁左右的年轻女孩推荐水晶佩戴物、向40岁左右的中年女性推荐玉石佩戴物、向60岁左右的中年女性推荐黄金佩戴物。不同年龄推荐不同的品牌和款式,例如向年长的女性推荐老字号银楼的黄金佩戴物。
在本实施例的一些可选的实现方式中,试戴请求还包括场景信息;以及获取与至少一个特征区域匹配的佩戴物佩戴效果图像集合供用户选择,包括:获取与场景信息匹配的第二候选佩戴物佩戴效果图像集合;从第二候选佩戴物佩戴效果图像集合确定出与至少一个特征区域匹配的佩戴物佩戴效果图像集合供用户选择。例如,用户可以输入新娘、沙滩等可以反映场景的关键词来提供场景信息。也可由终端提供场景列表。服务器选择与用户所要出席的场合匹配的第二候选佩戴物佩戴效果图像集合,再从中确定与用户的五官相似的佩戴物佩戴效果图像集合供用户选择。例如,用户选择海滩场景,则可找到在沙滩上拍摄的模特或明星佩戴了太阳镜的照片供用户选择。
在本实施例的一些可选的实现方式中,输出佩戴物佩戴效果图像集合供用户选择,包括:获取用户的消费记录;根据消费记录确定用户的消费能力;根据消费能力从佩戴物佩戴效果图像集合中选择预定数量的佩戴物佩戴效果图像输出供用户选择。例如,用户的以往消费记录中购买的物品中有大量奢侈品,则可向该用户推荐贵重金属、宝石制作的珠宝首饰。如果该用户通常购买廉价物品,则可向该用户推荐合金、玻璃制作的佩戴物。
步骤203,响应于检测到用户选择出佩戴物佩戴效果图像,获取针对所选择的佩戴物佩戴效果图像的至少一个佩戴物的佩戴物信息。
在本实施例中,用户可以从多个佩戴物佩戴效果图像中选出比较满意的图像。佩戴物佩戴效果图像所用到的佩戴物的佩戴物信息可由佩戴物佩戴效果图像制作方直接提供,也可由服务器通过图像识别方法识别出佩戴物的颜色和款式,然后再从佩戴物库中匹配出相同或相似颜色和款式的佩戴物。佩戴物信息可包括品牌信息和款式信息。佩戴物信息还可包括多角度的佩戴物图案。还可包括佩戴物成份等信息,例如千足金,925银,水晶,翡翠等,以防止用户对某些金属过敏,还可让用户对产品的价格做出预判。用户选择效果图像后可以链接到各售卖该佩戴物的网站。
步骤204,根据佩戴物信息对头像中的特征区域进行图像处理以生成佩戴物佩戴后的头像。
在本实施例中,可根据佩戴物信息对头像进行图像合成,产生试戴效果图。佩戴物信息还可包括多角度的佩戴物图案,还包括配套的佩戴物。可采集用户多角度的头像,例如侧面,后脑。可将不同角度的头像和不同角度的佩戴物图案进行图像合成,从而生成不同角度的试戴图像。还可根据用户的头部尺寸与佩戴物佩戴效果图像中模特的头部尺寸的比例关系调整佩戴物的大小,即,根据用户的头部尺寸将佩戴物的大小进行等比例缩放。获得佩戴物调整后的尺寸信息,从而可选择合适尺寸的佩戴物,甚至可以按该尺寸定制佩戴物。用户的头部尺寸可通过检测摄像头与人脸的距离以及拍摄到的头像大小来确定。
在本实施例的一些可选的实现方式中,该方法还包括输出所选择的佩戴物佩戴效果图像所展示的佩戴物的佩戴物信息。其中,佩戴物信息包括以下至少一项:品牌信息,款式信息,价格信息,材料信息。
继续参见图3,图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中,用户首先使用手机300发起一个试戴请求,手机拍摄用户的头像301。然后手机将头像发送到服务器,由服务器识别出用户的脸型为瓜子脸型以及发型、发色。然后服务器向手机输出与该脸型、发型、发色匹配的耳环和项链302。用户可选择相应耳环和项链给模特装扮,也可选择自己试戴。手机将用户的选择信息发向服务器,然后由服务器生成试戴效果图303,再返回给手机。手机展示试戴效果图303。
本申请的上述实施例提供的方法通过识别出用户的头像特征,针对用户的头像特征推荐佩戴物并根据用户的选择生成试戴效果图。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,响应于接收到包括用户的头像和服装图像的试戴请求,识别头像的至少一个特征区域。
在本实施例中,用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行虚拟试戴的终端接收试戴请求。试戴请求中可包括用户上传/拍摄的头像,也可包括服装图像。服装图像和头像可以在同一张照片中。也可以分别上传服装图像和头像。用户可以在拍摄头像时把搭配的服装一起拍进去。也可以上传想要搭配的服装的图片。服务器接收到头像后,通过人脸识别算法识别出头像的至少一个特征区域。例如,耳朵、脖子、头发等可佩戴佩戴物的部位,还可识别出用户的脸型、脸色等影响佩戴物搭配的信息。
步骤402,识别服装图像中服装的特征。
在本实施例中,服装的特征可包括颜色,亮度、款式等,特别是领口的位置决定了项链的长度。例如,如果用户想要佩戴搭配红色衣服的佩戴物,则候选佩戴物佩戴效果图像中的不宜出现绿色佩戴物,例如祖母绿等。而如果穿着白色衣服,则可避免出现白色佩戴物,例如,白珍珠,但可采用黑珍珠搭配。款式可以包括高领、鸡心领、圆领、吊带等影响项链长度的款式。根据款式选择出适合的佩戴物,例如,高领毛衣适合搭配毛衣项链、胸针,鸡心领衣服适合搭配锁骨链。
步骤403,获取与服装的特征匹配的第一候选佩戴物佩戴效果图像集合。
在本实施例中,第一候选佩戴物佩戴效果图像是穿着与用户上传的服装相同或相似的服装的佩戴物模特或明星的彩妆照片。模特或明星所穿的衣服可能与用户上传的服装图片不完全一致,但基本特征一致,例如,都穿着黑色低胸礼服。可通过相似度计算方法确定用户的衣服和模特的衣服之间的相似度。相似度高于预定相似度阈值时,则认为服装的特征匹配。用户可参考同样穿着黑色低胸礼服的明星的照片佩戴佩戴物。服务器先对用户的头像按照明星的照片做相同的处理,让用户看效果,保存处理后的图片。可预先过滤掉着装风格完全不同的佩戴物佩戴效果图像,例如,用户想要穿着运动服的佩戴物佩戴效果图,则不向她推荐穿晚礼服的佩戴物佩戴效果图。
步骤404,从第一候选佩戴物佩戴效果图像集合确定出与至少一个特征区域匹配的佩戴物佩戴效果图像集合供用户选择。
在本实施例中,从步骤403确定出的第一候选佩戴物佩戴效果图像集合中选取与至少一个特征区域匹配的佩戴物佩戴效果图像集合供用户选择。佩戴物佩戴效果图像包括至少一种佩戴物。佩戴物可以是首饰,如耳环、项链、戒指等。还可包括墨镜、丝巾、发卡等配饰。佩戴物佩戴效果图像可以是明星或者模特佩戴佩戴物的照片。佩戴物佩戴效果图像集合中各佩戴物佩戴效果图像中的佩戴物可以是向用户推荐让用户试戴的佩戴物。可预先使用通过上述步骤训练的用户特征检测模型检测出佩戴物佩戴效果图像集合中各佩戴物佩戴效果图像中的用户的特征,例如,佩戴A组佩戴物的模特X的特点:瓜子脸、白肤、樱桃红口红、丸子头。佩戴B组佩戴物的模特Y的特点:长脸、蜜色皮肤、西瓜红口红、大波浪头发。然后将接收到的用户的头像输入用户特征检测模型,得到该用户的特征。如果该用户的特征与模特X的相似度高于预定阈值,则输出模特X佩戴佩戴物A的佩戴物佩戴效果图像供用户选择。
步骤405,响应于检测到用户选择出佩戴物佩戴效果图像,获取针对所选择的佩戴物佩戴效果图像的至少一个佩戴物的佩戴物信息。
在本实施例中,步骤405与步骤203基本相同,因此不再赘述。
步骤406,根据佩戴物信息对头像中的特征区域进行图像处理以生成佩戴物佩戴后的头像。
在本实施例中,步骤406与步骤204基本相同,因此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程400突出了参考用户的服装进行佩戴物推荐的步骤。由此,本实施例描述的方案可以引入更多的佩戴物相关数据,从而实现更有效的佩戴物推荐并节约了打扮时间,避免用户佩戴佩戴物后才发现佩戴物与服装不搭配。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于生成信息的装置500包括:识别单元501、获取单元502、检测单元503和生成单元504。其中,识别单元501被配置成响应于接收到包括用户的头像的试戴请求,识别所述头像的至少一个特征区域。获取单元502被配置成获取与至少一个特征区域匹配的佩戴物佩戴效果图像集合,以及输出佩戴物佩戴效果图像集合供用户选择。检测单元503被配置成响应于检测到用户选择出佩戴物佩戴效果图像,获取针对所选择的佩戴物佩戴效果图像的至少一个佩戴物的佩戴物信息。生成单元504被配置成根据佩戴物信息对头像中的特征区域进行图像处理以生成佩戴物佩戴后的头像。
在本实施例中,用于生成信息的装置500的识别单元501、获取单元502、检测单元503和生成单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。
在本实施例的一些可选的实现方式中,试戴请求还包括服装图像;以及获取单元502进一步被配置成:识别服装图像中服装的特征;获取与服装的特征匹配的第一候选佩戴物佩戴效果图像集合;从第一候选佩戴物佩戴效果图像集合确定出与至少一个特征区域匹配的佩戴物佩戴效果图像集合供用户选择。
在本实施例的一些可选的实现方式中,试戴请求还包括场景信息;以及获取单元502进一步被配置成:获取与场景信息匹配的第二候选佩戴物佩戴效果图像集合;从第二候选佩戴物佩戴效果图像集合确定出与至少一个特征区域匹配的佩戴物佩戴效果图像集合供用户选择。
在本实施例的一些可选的实现方式中,识别单元501进一步被配置成:识别出至少一个特征区域中的已化妆区域的颜色和亮度;以及获取单元进一步被配置成:获取与至少一个特征区域中的已化妆区域的颜色和亮度匹配的佩戴物佩戴效果图像集合供用户选择。
在本实施例的一些可选的实现方式中,识别单元501进一步被配置成:识别出用户的年龄;以及获取单元进一步被配置成:获取与年龄匹配的佩戴物佩戴效果图像集合供用户选择。
在本实施例的一些可选的实现方式中,获取单元502进一步被配置成:获取用户的消费记录;根据消费记录确定用户的消费能力;根据消费能力从佩戴物佩戴效果图像集合中选择预定数量的佩戴物佩戴效果图像输出供用户选择。
在本实施例的一些可选的实现方式中,佩戴物信息包括以下至少一项:品牌信息,款式信息,价格信息,材料信息;以及装置还包括输出单元(未示出),被配置成:输出所选择的佩戴物佩戴效果图像所展示的佩戴物的佩戴物信息。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备(如图1所示的服务器)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括识别单元、获取单元、检测单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,识别单元还可以被描述为“响应于接收到包括用户的头像的试戴请求,识别所述头像的至少一个特征区域的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:响应于接收到包括用户的头像的试戴请求,识别头像的至少一个特征区域;获取与至少一个特征区域匹配的佩戴物佩戴效果图像集合,以及输出佩戴物佩戴效果图像集合供用户选择;响应于检测到用户选择出佩戴物佩戴效果图像,获取针对所选择的佩戴物佩戴效果图像的至少一个佩戴物的佩戴物信息;根据佩戴物信息对头像中的特征区域进行图像处理以生成佩戴物佩戴后的头像。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种用于生成信息的方法,包括:
响应于接收到包括用户的头像的试戴请求,识别所述头像的至少一个特征区域;
获取与所述至少一个特征区域匹配的佩戴物佩戴效果图像集合,以及输出所述佩戴物佩戴效果图像集合供所述用户选择;
响应于检测到所述用户选择出佩戴物佩戴效果图像,获取针对所选择的佩戴物佩戴效果图像的至少一个佩戴物的佩戴物信息;
根据所述佩戴物信息对所述头像中的特征区域进行图像处理以生成佩戴物佩戴后的头像。
2.根据权利要求1所述的方法,其中,所述试戴请求还包括服装图像;以及
所述获取与所述至少一个特征区域匹配的佩戴物佩戴效果图像集合,包括:
识别所述服装图像中服装的特征;
获取与所述服装的特征匹配的第一候选佩戴物佩戴效果图像集合;
从所述第一候选佩戴物佩戴效果图像集合确定出与所述至少一个特征区域匹配的佩戴物佩戴效果图像集合供所述用户选择。
3.根据权利要求1所述的方法,其中,所述试戴请求还包括场景信息;以及
所述获取与所述至少一个特征区域匹配的佩戴物佩戴效果图像集合,包括:
获取与所述场景信息匹配的第二候选佩戴物佩戴效果图像集合;
从所述第二候选佩戴物佩戴效果图像集合确定出与所述至少一个特征区域匹配的佩戴物佩戴效果图像集合供所述用户选择。
4.根据权利要求1所述的方法,其中,所述识别所述头像的至少一个特征区域,包括:
识别出至少一个特征区域中的已化妆区域的颜色和亮度;以及
所述获取与所述至少一个特征区域匹配的佩戴物佩戴效果图像集合,包括:
获取与所述至少一个特征区域中的已化妆区域的颜色和亮度匹配的佩戴物佩戴效果图像集合供所述用户选择。
5.根据权利要求1所述的方法,其中,所述识别所述头像的至少一个特征区域,包括:
识别出所述用户的年龄;以及
所述获取与所述至少一个特征区域匹配的佩戴物佩戴效果图像集合,包括:
获取与所述年龄匹配的佩戴物佩戴效果图像集合供所述用户选择。
6.根据权利要求1所述的方法,其中,所述输出所述佩戴物佩戴效果图像集合供所述用户选择,包括:
获取所述用户的消费记录;
根据所述消费记录确定所述用户的消费能力;
根据所述消费能力从所述佩戴物佩戴效果图像集合中选择预定数量的佩戴物佩戴效果图像输出供所述用户选择。
7.根据权利要求1-6之一所述的方法,其中,所述佩戴物信息包括以下至少一项:品牌信息,款式信息,价格信息,材料信息;以及
所述方法还包括:
输出所选择的佩戴物佩戴效果图像所展示的佩戴物的佩戴物信息。
8.一种用于生成信息的装置,包括:
识别单元,被配置成响应于接收到包括用户的头像的试戴请求,识别所述头像的至少一个特征区域;
获取单元,被配置成获取与所述至少一个特征区域匹配的佩戴物佩戴效果图像集合,以及输出所述佩戴物佩戴效果图像集合供所述用户选择;
检测单元,被配置成响应于检测到所述用户选择出佩戴物佩戴效果图像,获取针对所选择的佩戴物佩戴效果图像的至少一个佩戴物的佩戴物信息;
生成单元,被配置成根据所述佩戴物信息对所述头像中的特征区域进行图像处理以生成佩戴物佩戴后的头像。
9.根据权利要求8所述的装置,其中,所述试戴请求还包括服装图像;以及
所述获取单元进一步被配置成:
识别所述服装图像中服装的特征;
获取与所述服装的特征匹配的第一候选佩戴物佩戴效果图像集合;
从所述第一候选佩戴物佩戴效果图像集合确定出与所述至少一个特征区域匹配的佩戴物佩戴效果图像集合供所述用户选择。
10.根据权利要求8所述的装置,其中,所述试戴请求还包括场景信息;以及
所述获取单元进一步被配置成:
获取与所述场景信息匹配的第二候选佩戴物佩戴效果图像集合;
从所述第二候选佩戴物佩戴效果图像集合确定出与所述至少一个特征区域匹配的佩戴物佩戴效果图像集合供所述用户选择。
11.根据权利要求8所述的装置,其中,所述识别单元进一步被配置成:
识别出至少一个特征区域中的已化妆区域的颜色和亮度;以及
所述获取单元进一步被配置成:
获取与所述至少一个特征区域中的已化妆区域的颜色和亮度匹配的佩戴物佩戴效果图像集合供所述用户选择。
12.根据权利要求8所述的装置,其中,所述识别单元进一步被配置成:
识别出所述用户的年龄;以及
所述获取单元进一步被配置成:
获取与所述年龄匹配的佩戴物佩戴效果图像集合供所述用户选择。
13.根据权利要求8所述的装置,其中,所述获取单元进一步被配置成:
获取所述用户的消费记录;
根据所述消费记录确定所述用户的消费能力;
根据所述消费能力从所述佩戴物佩戴效果图像集合中选择预定数量的佩戴物佩戴效果图像输出供所述用户选择。
14.根据权利要求8-13之一所述的装置,其中,所述佩戴物信息包括以下至少一项:品牌信息,款式信息,价格信息,材料信息;以及
所述装置还包括输出单元,被配置成:
输出所选择的佩戴物佩戴效果图像所展示的佩戴物的佩戴物信息。
15.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811247093.2A CN109300013A (zh) | 2018-10-25 | 2018-10-25 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811247093.2A CN109300013A (zh) | 2018-10-25 | 2018-10-25 | 用于生成信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109300013A true CN109300013A (zh) | 2019-02-01 |
Family
ID=65158739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811247093.2A Pending CN109300013A (zh) | 2018-10-25 | 2018-10-25 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109300013A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700513A (zh) * | 2019-10-22 | 2021-04-23 | 阿里巴巴集团控股有限公司 | 图像处理方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246816A (zh) * | 2013-05-13 | 2013-08-14 | 苏州福丰科技有限公司 | 一种基于人脸识别的试衣系统 |
CN105809461A (zh) * | 2014-12-30 | 2016-07-27 | Tcl集团股份有限公司 | 一种推荐首饰的方法、系统及智能设备 |
WO2017130158A1 (en) * | 2016-01-27 | 2017-08-03 | Vats Nitin | Virtually trying cloths on realistic body model of user |
CN108255998A (zh) * | 2017-12-29 | 2018-07-06 | 武汉璞华大数据技术有限公司 | 一种发型推荐方法、装置和设备 |
-
2018
- 2018-10-25 CN CN201811247093.2A patent/CN109300013A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246816A (zh) * | 2013-05-13 | 2013-08-14 | 苏州福丰科技有限公司 | 一种基于人脸识别的试衣系统 |
CN105809461A (zh) * | 2014-12-30 | 2016-07-27 | Tcl集团股份有限公司 | 一种推荐首饰的方法、系统及智能设备 |
WO2017130158A1 (en) * | 2016-01-27 | 2017-08-03 | Vats Nitin | Virtually trying cloths on realistic body model of user |
CN108255998A (zh) * | 2017-12-29 | 2018-07-06 | 武汉璞华大数据技术有限公司 | 一种发型推荐方法、装置和设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700513A (zh) * | 2019-10-22 | 2021-04-23 | 阿里巴巴集团控股有限公司 | 图像处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10275121B1 (en) | Systems and methods for customized avatar distribution | |
US11893558B2 (en) | System and method for collaborative shopping, business and entertainment | |
CN108053365B (zh) | 用于生成信息的方法和装置 | |
CN108229269A (zh) | 人脸检测方法、装置和电子设备 | |
US20160026926A1 (en) | Clothing matching system and method | |
US10783528B2 (en) | Targeted marketing system and method | |
CN110021061A (zh) | 搭配模型构建方法、服饰推荐方法、装置、介质及终端 | |
US20130215116A1 (en) | System and Method for Collaborative Shopping, Business and Entertainment | |
CN107358451A (zh) | 一种交互式智能魔镜 | |
CN106055710A (zh) | 基于视频的商品推荐方法及装置 | |
CA2659698A1 (en) | System and method for collaborative shopping, business and entertainment | |
WO2020119170A1 (zh) | 信息呈现方法和装置 | |
CN107784630B (zh) | 对人脸图像进行属性翻转的方法、装置和终端 | |
CN109614925A (zh) | 服饰属性识别方法和装置、电子设备、存储介质 | |
CN109461036A (zh) | 一种广告播放装置 | |
CN110084657A (zh) | 一种推荐服饰的方法和装置 | |
CN108388889A (zh) | 用于分析人脸图像的方法和装置 | |
CN113870133A (zh) | 多媒体显示及匹配方法、装置、设备及介质 | |
US11544768B2 (en) | System and method for fashion recommendations | |
CN115222858A (zh) | 动画重构网络的训练及其图像重构、视频重构方法与设备 | |
CN109300013A (zh) | 用于生成信息的方法和装置 | |
CN110490711A (zh) | 一种个性化形象设计平台 | |
CN108920828A (zh) | 一种服装搭配的方法及系统 | |
CN108875496A (zh) | 行人画像的生成及基于画像的行人识别 | |
CN112489184A (zh) | 一种珠宝定制系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190201 |