CN109859228A - 基于图像识别推荐鞋款类型的方法、装置及计算机设备 - Google Patents
基于图像识别推荐鞋款类型的方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN109859228A CN109859228A CN201910047034.9A CN201910047034A CN109859228A CN 109859228 A CN109859228 A CN 109859228A CN 201910047034 A CN201910047034 A CN 201910047034A CN 109859228 A CN109859228 A CN 109859228A
- Authority
- CN
- China
- Prior art keywords
- toe
- user
- foot
- image
- type
- 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 51
- 238000012545 processing Methods 0.000 claims abstract description 41
- 239000000284 extract Substances 0.000 claims abstract description 15
- 210000002683 foot Anatomy 0.000 claims description 123
- 210000003371 toe Anatomy 0.000 claims description 87
- 230000006870 function Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 6
- 235000013305 food Nutrition 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 210000000454 fifth toe Anatomy 0.000 claims description 4
- 210000000431 third toe Anatomy 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000003708 edge detection Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 241000256844 Apis mellifera Species 0.000 description 1
- 235000009413 Ratibida columnifera Nutrition 0.000 description 1
- 241000510442 Ratibida peduncularis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000009416 shuttering Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明适用于人工智能技术领域，提供了一种基于图像识别推荐鞋款类型的方法、装置及计算机设备。其中，方法包括：获取用户脚部的至少一张原始图像；对原始图像进行灰度处理，得到灰度图像；对灰度图像进行边缘处理，提取边缘值，根据边缘值获取用户的脚趾特征信息；将脚趾特征信息与预设第一数据库中的样本脚趾特征信息进行对比，得到相似度值；当相似度值超过预定阀值时，则标记与脚趾特征信息对应的匹配样本，确定用户脚部的脚型为匹配样本的脚型，输出脚型；根据用户的脚型，调用预设第二数据库内与脚型对应的鞋款类型；将鞋款类型推荐给用户。本发明能够根据用户的一张脚部照片快速匹配对应的鞋款类型输出给用户，提高了推荐的准确度。
Description
技术领域
本发明属于人工智能技术领域，尤其涉及一种基于图像识别推荐鞋款类型的方法、装置、存储介质及计算机设备。
背景技术
衣食住行是与人们生活息息相关的，其中，穿着一双舒适的鞋子对于在不同场景中工作的用户具有较大的意义。由于现代人生活节奏的加快，用户一般选择在网上购买鞋子，并且一般是根据自己脚部的长度来挑选鞋子的，或者，进一步根据脚部的肥瘦程度来调整鞋子的尺码。
综上所述，用户在网购选鞋时，推荐系统一般是根据脚部的长度、宽度以及脚掌的厚度来向用户推荐鞋子，以供用户选择。然而，在根据上面的方法选定鞋子后，往往会出现选定的鞋子并不合脚，降低了用户体验。
发明内容
有鉴于此，本发明实施例提供了基于图像识别推荐鞋款类型的方法、装置、存储介质及计算机设备，以解决现有技术中业务办理方法存在办理效率低的问题。
本发明实施例的第一方面提供了一种基于图像识别推荐鞋款类型的方法，包括：
获取用户脚部的至少一张原始图像；
对所述原始图像进行灰度处理，得到灰度图像；
对所述灰度图像进行边缘处理，提取边缘值，根据边缘值获取用户的脚趾特征信息；
将所述脚趾特征信息与预设第一数据库中的样本脚趾特征信息进行对比，得到相似度值；
当相似度值超过预定阀值时，则标记与所述脚趾特征信息对应的匹配样本，确定用户脚部的脚型为所述匹配样本的脚型，输出所述脚型；
根据用户的脚型，调用预设第二数据库内与所述脚型对应的鞋款类型；
将所述鞋款类型推荐给用户。
本发明实施例的第二方面提供了一种基于图像识别推荐鞋款类型的装置，包括：
获取模块，用于获取用户脚部的至少一张原始图像；
灰度处理模块，用于对所述原始图像进行灰度处理，得到灰度图像；
边缘处理模块，用于对所述灰度图像进行边缘处理，提取边缘值，根据边缘值获取用户的脚趾特征信息；
对比模块，用于将所述脚趾特征信息与预设第一数据库中的样本脚趾特征信息进行对比，得到相似度值；
第一标记模块，用于当相似度值超过预定阀值时，则标记与所述脚趾特征信息对应的匹配样本，确定用户脚部的脚型为所述匹配样本的脚型，输出所述脚型；
第一调用模块，用于根据用户的脚型，调用预设第二数据库内与所述脚型对应的鞋款类型；
推荐模块，用于将所述鞋款类型推荐给用户。
本发明实施例的第三方面提供了一种计算机设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取用户脚部的至少一张原始图像；
对所述原始图像进行灰度处理，得到灰度图像；
对所述灰度图像进行边缘处理，提取边缘值，根据边缘值获取用户的脚趾特征信息；
将所述脚趾特征信息与预设第一数据库中的样本脚趾特征信息进行对比，得到相似度值；
当相似度值超过预定阀值时，则标记与所述脚趾特征信息对应的匹配样本，确定用户脚部的脚型为所述匹配样本的脚型，输出所述脚型；
根据用户的脚型，调用预设第二数据库内与所述脚型对应的鞋款类型；
将所述鞋款类型推荐给用户。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取用户脚部的至少一张原始图像；
对所述原始图像进行灰度处理，得到灰度图像；
对所述灰度图像进行边缘处理，提取边缘值，根据边缘值获取用户的脚趾特征信息；
将所述脚趾特征信息与预设第一数据库中的样本脚趾特征信息进行对比，得到相似度值；
当相似度值超过预定阀值时，则标记与所述脚趾特征信息对应的匹配样本，确定用户脚部的脚型为所述匹配样本的脚型，输出所述脚型；
根据用户的脚型，调用预设第二数据库内与所述脚型对应的鞋款类型；
将所述鞋款类型推荐给用户。
本发明通过获取用户脚部的至少一张原始图像，对所述原始图像进行灰度处理得到灰度图像；对所述灰度图像进行边缘处理，提取边缘值，根据边缘值计算特征值分布矩阵；将所述特征值分布矩阵与预设第一数据库中的样本的特征值分布矩阵进行对比，当与所述第一数据库中的某一样本的相似度超过预定阀值时，则确定用户脚型为所述样本对应的脚型，输出所述脚型，根据用户的脚型，调用预设第二数据库内与所述脚型对应的鞋款类型，将所述鞋款类型推荐给用户。可见，本发明能够根据用户的一张脚部照片快速匹配对应的鞋款类型输出给用户，提高了推荐的准确度，解决了现有技术中鞋款类型不合适造成用户体验低的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中根据脚部形状推荐鞋款类型方法的一应用环境示意图；
图2是本发明实施例一提供的根据脚部形状推荐鞋款类型方法的实现流程示意图；
图3是本发明一实施例提供的根据脚部形状推荐鞋款类型方法的实现流程示意图；
图4是本发明另一实施例提供的根据脚部形状推荐鞋款类型方法的实现流程示意图；
图5是本发明实施例机器学习模型训练装置的一个硬件结构示意图；
图6是本发明实施例二提供的根据脚部形状推荐鞋款类型装置的示意图；
图7是本发明一实施例提供的根据脚部形状推荐鞋款类型装置中边缘处理模块的示意图；
图8是本发明另一实施例提供的根据脚部形状推荐鞋款类型装置中第二获取单元的示意图；
图9是本发明实施例三提供的计算机设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一
图1示出了本发明实施例一提供的根据脚部形状推荐鞋款类型方法的实现流程示意图。如图1所示，该根据脚部形状推荐鞋款类型方法具体包括如下：
本申请提供的根据脚部形状推荐鞋款类型方法，可应用在如图1的应用环境中，其中，计算机设备通过网络与服务器进行通信。其中，计算机设备/客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图1所示，提供一种根据脚部形状推荐鞋款类型方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
101、获取用户脚部的至少一张原始图像。
102、对所述原始图像进行灰度处理，得到灰度图像。
对于101和102，本实施例中，可以是通过用户使用移动终端(例如手机)对脚部进行拍摄。具体地，在移动终端上app上设置有一个大概的脚型区域，当用户使用所述移动终端对脚部进行拍照时，移动所述移动终端使得脚部落入所述脚型区域里面，进一步地，移动终端还会提示用户先将脚放于平面物体上再进行拍照。作为拍摄的另一种方式，可以将脚放置在触摸屏上，根据脚在触摸屏接触的范围自动获取脚的图像。作为拍摄的另一种方式，还可以通过脚趾头和脚部轮廓结合的方式，如此更精准，匹配度也更高。
需要说明的是，此处的脚部是没有穿袜子或者鞋子的光脚。
103、对所述灰度图像进行边缘处理，提取边缘值，根据边缘值获取脚趾特征信息。
其中，脚趾特征信息为特征值分布矩阵，特征值分布矩阵包括：每个脚趾头的长度和相邻脚趾头之间的长度差。
其中，相邻脚趾头之间的长度差是根据每个脚趾头的长度对应计算得到。
作为本发明的一个实施例，如图2所示，对所述灰度图像进行边缘处理，提取边缘值，根据边缘值获取脚趾特征信息，包括：
201、对所述灰度图像进行边缘处理，获取五个脚趾头的平滑连接构成的脚趾头的曲线段。
202、建立直角坐标系，将所述脚趾头的曲线段在直角坐标系中进行分析，获取所述曲线段的极点的个数。
203、根据所述极点的个数以及所述极点对应的横坐标所在的脚趾头，确定图像的特征信息，所述特征信息包括极点的个数和极点对应的横坐标所在的脚趾头的名称，所述脚趾头的名称至少包括大拇趾、食趾、中趾、无名趾和小趾。
作为本发明的一个实施例，如图3所示，将所述脚趾头的曲线段在直角坐标系中进行分析包括：
301、建立二维直角坐标系，所述二维直角坐标系中的纵坐标轴与脚趾头的长度方向平行。
302、将所述脚趾头的曲线段在直角坐标系中显示，从而获得脚趾特征信息。
104、将所述脚趾特征信息与预设第一数据库中的样本脚趾特征信息进行对比，得到相似度值。
105、当相似度值超过预定阀值时，则标记对应的匹配样本，确定用户脚型为所述匹配样本的脚型，输出所述脚型。
其中，人的脚型可以根据五个脚趾中各个脚趾的长度分布情况分为凯尔特脚、埃及脚、罗马脚、希腊脚、德国脚和方形脚这六类，不符合这几类就是比较畸形的脚，希腊脚适合穿窄一点的鞋子，例如尖头鞋，而罗马脚、德国脚、凯尔特脚还有方脚通常脚趾宽度较大，不适合穿尖头鞋。
106、根据用户的脚型，调用预设第二数据库内与所述脚型对应的鞋款类型。
107、将所述鞋款类型推荐给用户。
在将所述鞋款类型推荐给用户之前，还包括：
获取用户的偏好信息；
对应地，如图4所示，根据用户的脚型，调用预设第二数据库内与所述脚型对应的鞋款类型，将所述鞋款类型推荐给用户，包括：
401、根据用户的脚型，从预设第二数据库内筛选出与所述用户的脚型对应的第一鞋款类型。
402、根据用户的偏好信息，从所述第一鞋款类型中筛选出与所述偏好信息匹配的第二鞋款类型。
其中，可以通过抓取用户在移动终端中的购物APP或者浏览器上的浏览信息，对所述浏览信息进行聚类获得所述偏好信息。
在步骤S101之前，还包括：
108、利用计算机视觉库opencv调用压缩包中的第一预设函数将目标图像灰度化处理，得到灰度图像。
其中，第一预设函数为CvtColor，CvtColor是Opencv里的颜色空间转换函数,可以实现RGB颜色向HSV,HSI等颜色空间的转换,也可以转换为灰度图像。
109、调用所述压缩包中的第二预设函数将灰度图像进行边缘化处理得到边缘化图像，并提取所述边缘化图像的边缘值。
其中，第二预设函数为Laplacian算子函数。
110、利用递归算法提取出所述边缘化图像中所有像素值高于预设阈值的像素点。
111、基于所述像素点的特征值分布，提取出所述特征值分布的特征矩阵。
112、将所述标记有特征值的图像确定为训练样本。
113、建立初始分类模型，通过所述训练样本对所述初始分类模型进行训练，得到训练后的分类模型。
114、在训练后的分类模型中将这类特征值的图像标记为第一脚型，获取每种第一脚型的相似度阀值。
对于108、109和110，具体地，包括：对去除噪声后的灰度图像进行边缘提取，本实施例还可使用Laplacian算子函数对图像进行边缘提取。使用3×3的模板对图像进行卷积，寻找其过零点，作为其边缘点。由于提取的边缘会有断点存在，就要对原本连在一起由于边缘提取而产生的断点的情况进行修补。需要对断点的地方的进行边缘生长方法，生长的方向沿该断点的所在的线段的方向角的某一个邻域，如果在某个生长方向上出现了多条候选线段，就采用优先算法，考虑候选线段的长度和方向角，选择长度较长、方向角接近断点处的方向角作为生长对象。这样就可以得到完整的边缘图像。
图像处理领域中涉及很多特征，角点特征，边缘特征，形状特征，纹理特征，颜色特征，直方图统计特征等等。这些特征有些是比较底层的特征，如角点特征，边缘特征，颜色特征等，有些则是较为高层的特征，如形状特征，纹理特征，直方图统计特征。本实施例涉及的是底层特征中的边缘特征，提取这些特征的手段称为边缘特征提取或边缘检测。边缘检测常用的算子中分为一阶检测算子和二阶检测算子，这里提及的算子有些类似数学中的微分的概念。边缘检测的另外一种形式也被称为相位一致性，这个概念我到后面再谈及，有了这个概念之后帮助我们从图像频域分析边缘提取这一过程。
边缘检测的具体方法包括一阶边缘检测和二阶边缘检测，以及其他边缘检测方法。其中，一阶边缘检测包括Roberts交叉算子、Prewitt算子、Sobel算子和Canny算子；一阶边缘检测包括Lapacian算子、Marr-Hildreth算子和LapLacian of Gaussian算子；其他边缘检测方法包括Spacek算子、Petrou算子和Susan算子。基于边缘检测的分析不易受整体光照强度变化的影响，同时利用边缘信息容易凸显目标信息和达到简化处理的目的，因此很多图像理解方法都以边缘为基础。边缘检测强调的是图像对比度。对比度从直观上的理解就是差异的大小，对于灰度图像来说就是灰度值(亮度值)的差别。这些差异可以增强图像中的边界特征，因为这些边界就是图像对比度较大的体现。这就是我们感知目标边界的大体机制，因为目标的表现就是与它周围的亮度差别。其中，亮度变化可以通过对相邻点进行差分处理来增强。对水平方向的相邻点进行差分处理可以检测垂直方向上的亮度变化，根据其作用通常被称为水平边缘检测算子(horizontal edge detector)，这样就可以检测出垂直边缘；对垂直方向的相邻点进行差分处理可以检测水平方向上的亮度变化，根据其作用通常被称为垂直边缘检测算子(vertical edge detector)，这样就可以检测出水平边缘。将水平边缘检测算子和垂直边缘检测算子结合，就可以同时检测出垂直边缘和水平边缘。
可以理解的是，利用泰勒级数分析可以知道相邻两点的差值是一阶导数的估算值。如果在相邻两个差分点之间插入一个像素来实现，相当于用两个相邻点的一阶差分作为新的水平差值，利用泰勒级数分析可以知道一阶微分的估算值是由一个像素隔开的两个点的差值。Roberts交叉算子实现的基础是一阶边缘检测，利用两个模板，计算对角线上而不是坐标轴上的两个像素的微分。
其中，Prewitt边缘检测算子边缘检测类似微分处理，它检测的变化的部分，必然对噪声和图像的亮度变化都有相应处理。因此，把均值处理加入到边缘检测过程中一定要非常谨慎。例如，可以把垂直模板Mx扩展成三行，而水平模板My扩展成三列。这样就得到Prewitt边缘检测算子。进一步地，如果把使两个Prewitt模板算子中心像素的权值去两倍的数值，便得到Sobel边缘检测算子，它是由矢量方式确定边缘的两个掩码组成的。Sobel比Prewitt算子等同时期的其他边缘检测算子性能更好。
其中，Sobel算子的通用形式综合了一条坐标轴上的最优平滑和另一条坐标轴上的最优差分。需要说明的是，大的边缘检测模板的好处是它减少噪声的平滑效果更好。
其中，Canny边缘检测算子由三个主要目标形成：无附加响应的最优检测，检测边缘位置和实际边缘位置之间距离最小的正确定位，减少单边缘的多重响应而得到单响应，高斯算子对图像平滑处理是最优的。Canny边缘检测一般处理的步骤可以分为以下四个步骤：应用高斯平滑处理，应用Sobel算子，应用非极大值抑制(非极大值抑制实质上是找到边缘强度数据中的最高点)，滞后阈值处理来连接边缘点(阈值处理需要两个阈值，即上限阈值和下限阈值)。
其中，一阶边缘检测的前提是微分处理可以使变化增强。找图像变化率最大的地方不仅可以通过一阶变化率的极值寻找，同时也可以通过二阶变化的过零点来寻找。二阶微分可以利用两个相邻一阶微分的差值来近似。这也和数学中的概念相一致。如果把水平二阶算子和处置二阶微分算子结合起来，可以得到一个全Laplacian模板算子。Marr-Hidreth也是利用高斯滤波。该算子的曲面图是墨西哥帽子的形状，所以有时也被成为“墨西哥帽子”算子，实际上，如果把高斯平滑和Laplacian算子结合起来，可以得到一个LoG(Laplacian of Gaussian)算子，它就是Marr-Hidreth的基。
对于111、112、113和114，其中，图5示例性示出了机器学习模型训练装置10的一个可选的硬件结构示意图，包括：处理器11、输入/输出接口13，存储介质14以及网络接口12，组件可以经系统总线15连接通信。处理器11可以采用中央处理器(CPU)、微处理器(MCU，Microcontroller Unit)、专用集成电路(ASIC，Application Specific IntegratedCircuit)或逻辑可编程门阵列(FPGA，Field－Programmable Gate Array)实现。输入/输出接口13可以采用如显示屏、触摸屏、扬声器等输入/输出器件实现。存储介质14可以采用闪存、硬盘、光盘等非易失性存储介质实现，也可以采用双倍率(DDR，Double Data Rate)动态缓存等易失性存储介质实现，示例性地，存储介质14可以与机器学习模型训练装置10共同在同一地点设置，也可以相对于机器学习模型训练装置10异地远程设置，或者相对机器学习模型训练装置10本地和异地分布设置。网络接口12向处理器11提供外部数据如异地设置的存储介质14的访问能力，示例性地，网络接口12可以基于近场通信(NFC，Near FieldCommunication)技术、蓝牙(Bluetooth)技术、紫蜂(ZigBee)技术进行的近距离通信，另外，还可以实现如基于码分多址(CDMA，Code Division Multiple Access)、宽带码分多址(WCDMA，Wideband Code Division Multiple Access)等通信制式及其演进制式的通信。
基于上述机器学习模型训练方法、以及机器学习模型训练装置的硬件结构提出本发明实施例。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例二
请参考图6，其示出了本发明实施例二提供的基于图像识别推荐鞋款类型的装置的示意图。所述基于图像识别推荐鞋款类型的装置60，包括：获取模块61，灰度处理模块62，边缘处理模块66，对比模块64，第一标记模块65，第一调用模块66和推荐模块67。其中，各模块的具体功能如下：
获取模块61，用于获取用户脚部的至少一张原始图像。
灰度处理模块62，用于对所述原始图像进行灰度处理，得到灰度图像。
边缘处理模块63，用于对所述灰度图像进行边缘处理，提取边缘值，根据边缘值获取用户的脚趾特征信息。
对比模块64，用于将所述脚趾特征信息与预设第一数据库中的样本脚趾特征信息进行对比，得到相似度值。
第一标记模块65，用于当相似度值超过预定阀值时，则标记与所述脚趾特征信息对应的匹配样本，确定用户脚部的脚型为所述匹配样本的脚型，输出所述脚型。
第一调用模块66，用于根据用户的脚型，调用预设第二数据库内与所述脚型对应的鞋款类型。
推荐模块67，用于将所述鞋款类型推荐给用户。
可选地，如图7所示，边缘处理模块63包括：
第一获取单元630，用于对所述灰度图像进行边缘处理，获取五个脚趾头的平滑连接构成的脚趾头的曲线段；
第二获取单元632，用于将所述脚趾头的曲线段在直角坐标系中进行分析，获取所述曲线段的极点的个数；
确定单元634，用于根据所述极点的个数以及所述极点对应的横坐标所在的脚趾头，确定图像的特征信息，所述特征信息包括极点的个数和极点对应的横坐标所在的脚趾头的名称，所述脚趾头的名称至少包括大拇趾、食趾、中趾、无名趾和小趾。
可选地，如图8所示，第二获取单元632包括：
建立单元6321，用于建立二维直角坐标系，所述二维直角坐标系中的纵坐标轴与脚趾头的长度方向平行；
显示单元6322，用于将所述脚趾头的曲线段在直角坐标系中显示。
可选地，第一调用模块66包括：
第一筛选单元661，用于根据用户的脚型，从预设第二数据库内筛选出与所述用户的脚型对应的第一鞋款类型；
第二筛选单元662，用于根据用户的偏好信息，从所述第一鞋款类型中筛选出与所述偏好信息匹配的第二鞋款类型；
其中，通过抓取用户在移动终端中的购物APP或者浏览器上的浏览信息，对所述浏览信息进行聚类获得所述偏好信息。
可选地，基于图像识别推荐鞋款类型的装置还包括：
第二调用模块，用于利用计算机视觉库opencv调用压缩包中的第一预设函数将目标图像灰度化处理，得到灰度图像；
第一提取模块，用于调用所述压缩包中的第二预设函数将灰度图像进行边缘化处理得到边缘化图像，并提取所述边缘化图像的边缘值；
第二提取模块，用于利用递归算法提取出所述边缘化图像中所有像素值高于预设阈值的像素点；
第三提取模块，用于基于所述像素点的特征值分布，提取出所述特征值分布的特征矩阵；
确定模块，用于将所述标记有特征值的图像确定为训练样本；
建立模块，用于建立初始分类模型，通过所述训练样本对所述初始分类模型进行训练，得到训练后的分类模型；
第二标记模块，用于在训练后的分类模型中将这类特征值的图像标记为第一脚型，获取每种第一脚型的相似度阀值。
本发明实施例提供的基于图像识别推荐鞋款类型的装置，通过获取用户脚部的至少一张原始图像，对所述原始图像进行灰度处理得到灰度图像；对所述灰度图像进行边缘处理，提取边缘值，根据边缘值计算特征值分布矩阵；将所述特征值分布矩阵与预设第一数据库中的样本的特征值分布矩阵进行对比，当与所述第一数据库中的某一样本的相似度超过预定阀值时，则确定用户脚型为所述样本对应的脚型，输出所述脚型，根据用户的脚型，调用预设第二数据库内与所述脚型对应的鞋款类型，将所述鞋款类型推荐给用户。可见，本发明能够根据用户的一张脚部照片快速匹配对应的鞋款类型输出给用户，提高了推荐的准确度，解决了现有技术中鞋款类型不合适造成用户体验低的问题。
实施例三
图9是本发明实施例三提供的一种计算机设备，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计算机程序，处理器执行计算机程序时实现上述实施例中根据脚部形状推荐鞋款类型方法的步骤，例如图2所示的步骤101至步骤107。或者，处理器执行计算机程序时实现上述实施例中根据脚部形状推荐鞋款类型装置的各模块/单元的功能，例如图6所示模块61至模块67的功能。为避免重复，这里不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中基于图像识别推荐鞋款类型的方法的步骤，例如图2所示的步骤101至步骤105。或者，计算机程序被处理器执行时实现上述实施例中基于图像识别推荐鞋款类型的装置的各模块/单元的功能，例如图7所示模块61至模块65的功能。为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像识别推荐鞋款类型的方法，其特征在于，包括：
获取用户脚部的至少一张原始图像；
对所述原始图像进行灰度处理，得到灰度图像；
对所述灰度图像进行边缘处理，提取边缘值，根据边缘值获取用户的脚趾特征信息；
将所述脚趾特征信息与预设第一数据库中的样本脚趾特征信息进行对比，得到相似度值；
当相似度值超过预定阀值时，则标记与所述脚趾特征信息对应的匹配样本，确定用户脚部的脚型为所述匹配样本的脚型，输出所述脚型；
根据用户的脚型，调用预设第二数据库内与所述脚型对应的鞋款类型；
将所述鞋款类型推荐给用户。
2.根据权利要求1所述的基于图像识别推荐鞋款类型的方法，其特征在于，对所述灰度图像进行边缘处理，提取边缘值，根据边缘值获取脚趾特征信息，包括：
对所述灰度图像进行边缘处理，获取五个脚趾头的平滑连接构成的脚趾头的曲线段；
将所述脚趾头的曲线段在直角坐标系中进行分析，获取所述曲线段的极点的个数；
根据所述极点的个数以及所述极点对应的横坐标所在的脚趾头，确定图像的特征信息，所述特征信息包括极点的个数和极点对应的横坐标所在的脚趾头的名称，所述脚趾头的名称至少包括大拇趾、食趾、中趾、无名趾和小趾。
3.根据权利要求2所述的基于图像识别推荐鞋款类型的方法，其特征在于，将所述脚趾头的曲线段在直角坐标系中进行分析，包括：
建立二维直角坐标系，所述二维直角坐标系中的纵坐标轴与脚趾头的长度方向平行；
将所述脚趾头的曲线段在直角坐标系中显示。
4.根据权利要求1所述的基于图像识别推荐鞋款类型的方法，其特征在于，根据用户的脚型，调用预设第二数据库内与所述脚型对应的鞋款类型包括：
根据用户的脚型，从预设第二数据库内筛选出与所述用户的脚型对应的第一鞋款类型；
根据用户的偏好信息，从所述第一鞋款类型中筛选出与所述偏好信息匹配的第二鞋款类型，所述用户的偏好信息是通过抓取用户在移动终端中的购物APP或者浏览器上的浏览信息，对所述浏览信息进行聚类获得。
5.根据权利要求1至4任一项所述的基于图像识别推荐鞋款类型的方法，其特征在于，在将所述脚趾特征信息与预设第一数据库中的样本脚趾特征信息进行对比，得到相似度值之前，还包括：
利用计算机视觉库opencv调用压缩包中的第一预设函数将目标图像灰度化处理，得到灰度图像；
调用所述压缩包中的第二预设函数将灰度图像进行边缘化处理得到边缘化图像，并提取所述边缘化图像的边缘值；
利用递归算法提取出所述边缘化图像中所有像素值高于预设阈值的像素点；
基于所述像素点的特征值分布，提取出所述特征值分布的特征矩阵；
将所述标记有特征值的图像确定为训练样本；
建立初始分类模型，通过所述训练样本对所述初始分类模型进行训练，得到训练后的分类模型；
在训练后的分类模型中将这类特征值的图像标记为第一脚型，获取每种第一脚型的相似度阀值。
6.一种基于图像识别推荐鞋款类型的装置，其特征在于，包括：
获取模块，用于获取用户脚部的至少一张原始图像；
灰度处理模块，用于对所述原始图像进行灰度处理，得到灰度图像；
边缘处理模块，用于对所述灰度图像进行边缘处理，提取边缘值，根据边缘值获取用户的脚趾特征信息；
对比模块，用于将所述脚趾特征信息与预设第一数据库中的样本脚趾特征信息进行对比，得到相似度值；
第一标记模块，用于当相似度值超过预定阀值时，则标记与所述脚趾特征信息对应的匹配样本，确定用户脚部的脚型为所述匹配样本的脚型，输出所述脚型；
第一调用模块，用于根据用户的脚型，调用预设第二数据库内与所述脚型对应的鞋款类型；
推荐模块，用于将所述鞋款类型推荐给用户。
7.根据权利要求6所述的基于图像识别推荐鞋款类型的装置，其特征在于，所述边缘处理模块包括：
第一获取单元，用于对所述灰度图像进行边缘处理，获取五个脚趾头的平滑连接构成的脚趾头的曲线段；
第二获取单元，用于将所述脚趾头的曲线段在直角坐标系中进行分析，获取所述曲线段的极点的个数；
确定单元，用于根据所述极点的个数以及所述极点对应的横坐标所在的脚趾头，确定图像的特征信息，所述特征信息包括极点的个数和极点对应的横坐标所在的脚趾头的名称，所述脚趾头的名称至少包括大拇趾、食趾、中趾、无名趾和小趾。
8.根据权利要求6所述的基于图像识别推荐鞋款类型的装置，其特征在于，所述第二获取单元包括：
建立子单元，用于建立二维直角坐标系，所述二维直角坐标系中的纵坐标轴与脚趾头的长度方向平行；
显示子单元，用于将所述脚趾头的曲线段在直角坐标系中显示。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910047034.9A CN109859228A (zh) | 2019-01-18 | 2019-01-18 | 基于图像识别推荐鞋款类型的方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910047034.9A CN109859228A (zh) | 2019-01-18 | 2019-01-18 | 基于图像识别推荐鞋款类型的方法、装置及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109859228A true CN109859228A (zh) | 2019-06-07 |
Family
ID=66895187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910047034.9A Pending CN109859228A (zh) | 2019-01-18 | 2019-01-18 | 基于图像识别推荐鞋款类型的方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109859228A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112487270A (zh) * | 2019-09-12 | 2021-03-12 | 北京白帽汇科技有限公司 | 基于图片识别进行资产分类及准确度校验的方法和装置 |
| CN112699783A (zh) * | 2020-12-29 | 2021-04-23 | 深圳力维智联技术有限公司 | 脚印识别方法、装置以及计算机可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140285646A1 (en) * | 2012-11-08 | 2014-09-25 | Satwinder Kahlon | Apparatus for recommendation for best fitting shoe |
| CN106127773A (zh) * | 2016-06-29 | 2016-11-16 | 北京三维天下科技股份有限公司 | 一种基于图片的脚型数据获取方法 |
| CN107704873A (zh) * | 2017-09-27 | 2018-02-16 | 吴立俊 | 一种基于脚型和肥瘦度的鞋款适配系统及方法 |
| CN107851328A (zh) * | 2015-05-18 | 2018-03-27 | Embl零售股份有限公司 | 用于推荐适合鞋类的方法和系统 |
| US20180160776A1 (en) * | 2016-12-14 | 2018-06-14 | Black Brass, Inc. | Foot measuring and sizing application |
| CN108305286A (zh) * | 2018-01-25 | 2018-07-20 | 哈尔滨工业大学深圳研究生院 | 基于颜色编码的多目立体视觉脚型三维测量方法、系统和介质 |
| CN108805138A (zh) * | 2018-04-19 | 2018-11-13 | 北京金尺云数科技有限公司 | 一种手机拍照计算脚部数据的方法 |
| CN109214873A (zh) * | 2018-10-29 | 2019-01-15 | 黄冠文 | 一种智能鞋柜及鞋子推荐方法 |
-
2019
- 2019-01-18 CN CN201910047034.9A patent/CN109859228A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140285646A1 (en) * | 2012-11-08 | 2014-09-25 | Satwinder Kahlon | Apparatus for recommendation for best fitting shoe |
| CN107851328A (zh) * | 2015-05-18 | 2018-03-27 | Embl零售股份有限公司 | 用于推荐适合鞋类的方法和系统 |
| CN106127773A (zh) * | 2016-06-29 | 2016-11-16 | 北京三维天下科技股份有限公司 | 一种基于图片的脚型数据获取方法 |
| US20180160776A1 (en) * | 2016-12-14 | 2018-06-14 | Black Brass, Inc. | Foot measuring and sizing application |
| CN107704873A (zh) * | 2017-09-27 | 2018-02-16 | 吴立俊 | 一种基于脚型和肥瘦度的鞋款适配系统及方法 |
| CN108305286A (zh) * | 2018-01-25 | 2018-07-20 | 哈尔滨工业大学深圳研究生院 | 基于颜色编码的多目立体视觉脚型三维测量方法、系统和介质 |
| CN108805138A (zh) * | 2018-04-19 | 2018-11-13 | 北京金尺云数科技有限公司 | 一种手机拍照计算脚部数据的方法 |
| CN109214873A (zh) * | 2018-10-29 | 2019-01-15 | 黄冠文 | 一种智能鞋柜及鞋子推荐方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112487270A (zh) * | 2019-09-12 | 2021-03-12 | 北京白帽汇科技有限公司 | 基于图片识别进行资产分类及准确度校验的方法和装置 |
| CN112699783A (zh) * | 2020-12-29 | 2021-04-23 | 深圳力维智联技术有限公司 | 脚印识别方法、装置以及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109154978B (zh) | 用于检测植物疾病的系统和方法 | |
| US9898686B2 (en) | Object re-identification using self-dissimilarity | |
| Lalonde et al. | Detecting ground shadows in outdoor consumer photographs | |
| Sun et al. | Fast linear feature detection using multiple directional non‐maximum suppression | |
| Zhang et al. | A novel graph-based optimization framework for salient object detection | |
| CN109784281A (zh) | 基于人脸特征的产品推荐方法、装置及计算机设备 | |
| CN102460475A (zh) | 用于对象识别的直方图方法和系统 | |
| Arbelot et al. | Local texture-based color transfer and colorization | |
| CN111160284A (zh) | 人脸照片质量评估方法、系统、设备及存储介质 | |
| Raffei et al. | A low lighting or contrast ratio visible iris recognition using iso-contrast limited adaptive histogram equalization | |
| WO2018189802A1 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| Lee et al. | Blurred image region detection and segmentation | |
| CN109063598A (zh) | 人脸毛孔检测方法、装置、计算机设备和存储介质 | |
| Bora et al. | A new efficient color image segmentation approach based on combination of histogram equalization with watershed algorithm | |
| CN109859228A (zh) | 基于图像识别推荐鞋款类型的方法、装置及计算机设备 | |
| Feng et al. | Image shadow detection and removal based on region matching of intelligent computing | |
| CN110321892A (zh) | 一种图片筛选方法、装置及电子设备 | |
| CN113850748A (zh) | 点云质量的评估系统及方法 | |
| Dwina et al. | Skin segmentation based on improved thresholding method | |
| Li et al. | Two-layer average-to-peak ratio based saliency detection | |
| CN112348767A (zh) | 基于物体边缘检测和特征匹配的木材计数模型 | |
| Zhang et al. | Saliency detection by selective color features | |
| KR101643550B1 (ko) | 비선형 공간에서 고속 선명도 확산 방법을 이용하여 색상불변 특성을 검출하고 표현하는 시스템 및 그 방법 | |
| Xu et al. | Saliency detection via bi-directional propagation | |
| Shen et al. | A holistic image segmentation framework for cloud detection and extraction |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190607 |