CN109934664A - 基于鞋交易的智能推荐方法、装置、设备及存储介质 - Google Patents
基于鞋交易的智能推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109934664A CN109934664A CN201910043291.5A CN201910043291A CN109934664A CN 109934664 A CN109934664 A CN 109934664A CN 201910043291 A CN201910043291 A CN 201910043291A CN 109934664 A CN109934664 A CN 109934664A
- Authority
- CN
- China
- Prior art keywords
- shoes
- user
- foot type
- type
- target
- 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 87
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000001960 triggered effect Effects 0.000 claims abstract description 8
- 238000012552 review Methods 0.000 claims description 101
- 230000008569 process Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003708 edge detection Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 7
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 241000406668 Loxodonta cyclotis Species 0.000 claims 1
- 210000002683 foot Anatomy 0.000 description 356
- 239000000047 product Substances 0.000 description 245
- 230000008859 change Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 239000006227 byproduct Substances 0.000 description 4
- 230000001680 brushing effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 210000003371 toe Anatomy 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 208000001491 myopia Diseases 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012911 target assessment Methods 0.000 description 2
- 206010061159 Foot deformity Diseases 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 208000006555 Metatarsal Valgus Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003026 anti-oxygenic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
本发明公开了一种基于鞋交易的智能推荐方法、装置、设备及存储介质,获取客户端发送的产品推荐请求,基于所述产品推荐请求,获取对应的用户脚型轮廓。根据所述目标需求和所述用户脚型轮廓,获取所述待推荐鞋款类型和所述鞋样本图像并发送客户端。获取所述客户端基于任一待推荐鞋款类型相触发的类型选择指令,获取与所述目标鞋款类型相对应的标准鞋码数据,采用所述标准鞋码数据对所述用户脚型参数和用户脚型轮廓进行匹配处理,获取与所述目标鞋款类型相对应的目标鞋码,将所述目标鞋款类型和所述目标鞋码推荐给所述客户端。该方法可使智能推荐的目标鞋款类型和目标鞋码的准确性更高,以提升用户的购物体验。
Description
技术领域
本发明涉及人工智能技术领域领域,尤其涉及一种基于鞋交易的智能推荐方法、装置、设备及存储介质。
背景技术
随着信息时代的发展,电商网站的用户越来越多,人们足不出户即可选购中意的商品。食衣住行是指人类生活维持所必需的饮食、穿衣、起居和出行,属人类赖以生存和繁衍不可或缺的,为人类社会生活的基本内容。对于穿衣这一项,涵盖穿鞋这一项内容,在不同场景中用户穿着合适的鞋子具有较大的意义。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,一般根据自己脚部的长度或者惯常穿着的鞋码来挑选鞋子,而不同品牌商或者不同功能的鞋子所采用的鞋码标准不一样,容易使得网上购买的鞋子尺码不合适,即鞋码不合脚,从而引起退货或者差评较多,降低用户体验。
发明内容
本发明实施例提供一种基于鞋交易的智能推荐方法、装置、设备及存储介质,以解决网上选购鞋子过程中存在的鞋码不准确的问题。
一种基于鞋交易的智能推荐方法,包括:
获取客户端发送的产品推荐请求,所述产品推荐请求包括目标需求、原始脚型图像和用户脚型参数;
基于所述原始脚型图像和所述用户脚型参数,获取对应的用户脚型轮廓;
根据所述目标需求和所述用户脚型轮廓,获取至少一个待推荐鞋款类型和与每一所述待推荐鞋款类型相对应的鞋样本图像,将所述待推荐鞋款类型和所述鞋样本图像发送客户端;
获取所述客户端基于任一待推荐鞋款类型相触发的类型选择指令,所述类型选择指令包括目标鞋款类型;
获取与所述目标鞋款类型相对应的标准鞋码数据,采用所述标准鞋码数据对所述用户脚型参数和用户脚型轮廓进行匹配处理,获取与所述目标鞋款类型相对应的目标鞋码,将所述目标鞋款类型和所述目标鞋码推荐给所述客户端。
一种基于鞋交易的智能推荐装置,包括:
产品推荐请求获取模块,用于获取客户端发送的产品推荐请求,所述产品推荐请求包括目标需求、原始脚型图像和用户脚型参数;
用户脚型轮廓获取模块,用于基于所述原始脚型图像和所述用户脚型参数,获取对应的用户脚型轮廓;
待推荐鞋款信息获取模块,用于根据所述目标需求和所述用户脚型轮廓,获取至少一个待推荐鞋款类型和与每一所述待推荐鞋款类型相对应的鞋样本图像,将所述待推荐鞋款类型和所述鞋样本图像发送客户端;
类型选择指令获取模块,用于获取所述客户端基于任一待推荐鞋款类型相触发的类型选择指令,所述类型选择指令包括目标鞋款类型;
标准鞋码数据获取模块,用于获取与所述目标鞋款类型相对应的标准鞋码数据,采用所述标准鞋码数据对所述用户脚型参数和用户脚型轮廓进行匹配处理,获取与所述目标鞋款类型相对应的目标鞋码,将所述目标鞋款类型和所述目标鞋码推荐给所述客户端。
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上述基于鞋交易的智能推荐方法的步骤。
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上述基于鞋交易的智能推荐方法的步骤。
上述基于鞋交易的智能推荐方法、装置、设备及存储介质,先根据产品推荐请求中的原始脚型图像和用户脚型参数,获取用户脚型轮廓,该用户脚型轮廓可较准确地反映脚部的脚长和脚宽比例以及轮廓,有助提供鞋款类型和鞋码推荐的准确性。然后,根据目标需求和用户脚型轮廓,将相匹配的至少一个待推荐鞋款类型及鞋样本图像推送给客户端,该待推荐鞋款类型既满足目标需求,而且与用户脚型轮廓相匹配,以达到智能推荐的目的。最后,基于类型选择指令确定的目标鞋款类型的标准鞋码数据,对用户脚型参数和用户脚型轮廓进行匹配,保证最终获取的目标鞋码的准确性,以使智能推荐的目标鞋款类型和目标鞋码的准确性更高。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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是本发明一实施例中基于鞋交易的智能推荐方法的一应用环境示意图;
图2是本发明一实施例中基于鞋交易的智能推荐方法的一流程图;
图3是本发明一实施例中基于鞋交易的智能推荐方法的另一流程图;
图4是本发明一实施例中基于鞋交易的智能推荐方法的另一流程图;
图5是本发明一实施例中基于鞋交易的智能推荐方法的另一流程图;
图6是本发明一实施例中基于鞋交易的智能推荐方法的另一流程图;
图7是本发明一实施例中基于鞋交易的智能推荐方法的另一流程图;
图8是本发明一实施例中基于鞋交易的智能推荐方法的另一流程图;
图9是本发明一实施例中基于鞋交易的智能推荐方法的另一流程图;
图10是本发明一实施例中基于鞋交易的智能推荐装置的一示意图;
图11是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的基于鞋交易的智能推荐方法,该基于鞋交易的智能推荐方法可应用如图1所示的应用环境中。具体地,该基于鞋交易的智能推荐方法应用在购物平台系统中,该购物平台系统是用于供不同品牌商对销售的鞋进行交易的平台。该购物平台系统包括如图1所示的客户端和服务器,客户端与服务器通过网络进行通信,用于实现根据用户需求进行鞋款类型和鞋码智能推荐,以使用户可在该购物平台系统购买到合脚的鞋子,避免退货操作,提高用户体验。其中,客户端又称为用户端,是指与服务器相对应,为客户提供本地服务的程序。客户端可安装在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上。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2所示,提供一种基于鞋交易的智能推荐方法,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:
S201:获取客户端发送的产品推荐请求,产品推荐请求包括目标需求、原始脚型图像和用户脚型参数。
其中,产品推荐请求是用于触发服务器进行鞋款类型和鞋码推荐的请求。目标需求是用于表明本次产品推荐请求的需求。本实施例中,可在客户端所提供的产品推荐界面上显示有至少一个推荐需求,将点击选中的任一个推荐需求确定为目标需求。此处的目标需求可以为运动型、休闲型、潮流型或者其他类型的需求。
用户脚型参数具体为用户脚部的脚长、脚宽和脚高等参数。该原始脚型图像是用于采用客户端对用户脚部进行拍摄所获取的图像。具体地,购物平台系统中预先配置一用于引导用户采集较标准的脚型数据(包括用户脚型轮廓和用户脚型参数)的数据采集引导视频,该数据采集引导视频中显示如何采集用户脚部的脚长、脚宽和脚高等用户脚型参数以及原始脚型图像的过程。其中,用户脚部的脚长是指最长脚趾顶点到脚后跟突点间的水平直线距离。注意不要直接量脚,直接量会出现很大的误差,在数据采集引导视频中给出如何采集标准的原始脚型图像和用户脚型参数。例如,在脚靠墙的情况下,采用两本书或者其他矩形物品与墙面垂直且与用户脚部相切,则两本书或者其他矩形物品之间的距离即为脚宽。
S202:基于原始脚型图像和用户脚型参数,获取对应的用户脚型轮廓。
其中,用户脚型轮廓是用户脚部的轮廓。具体地,服务器可对原始脚型图像进行特征提取,获取脚型边缘轮廓,并采用用户脚型参数对脚型边缘轮廓进行矫正,以获取矫正之后的用户脚型轮廓。本实施例中,采用用户脚型参数对脚型边缘轮廓进行矫正,可避免用户拍摄原始脚型图像时,由于拍摄角度的不准确,使得所拍摄得到的脚长和脚宽的比例不准确,从而影响后续鞋款类型和鞋码推荐的准确性。
S203:根据目标需求和用户脚型轮廓,获取至少一个待推荐鞋款类型和与每一待推荐鞋款类型相对应的鞋样本图像,将待推荐鞋款类型和鞋样本图像发送客户端。
待推荐鞋款类型是指根据目标需求和用户脚型轮廓确定的可以推荐给用户进行选择的鞋款类型。该待推荐鞋款类型包括不同鞋品牌的待推荐鞋款类型,即服务器获取所有品牌商(如安踏、阿迪等)所提供的所有鞋款类型对应的鞋性能参数和鞋型参数,将所有鞋性能参数和鞋型参数与目标需求和用户脚型轮廓相匹配,获取匹配成功的至少一个待推荐鞋款类型和对与每一待推荐鞋款类型对应的鞋样本图像。其中,鞋性能参数是指与鞋的性能相关的参数,可以指技术或者材料上的性能,例如nike的zoom,阿迪的boost等,可以为中底材料的性能,如缓震性能、摩擦性能、抗氧化性能和抓地性。鞋型参数具体为每一鞋款类型对应的形状数据和鞋型图,该鞋型图可以理解为鞋底部轮廓图。在确定至少一个待推荐鞋款类型之后,将其对应的鞋型图确定为其对应的鞋样本图像。
本实施例中,根据目标需求和用户脚型轮廓,获取至少一个待推荐鞋款类型和与每一待推荐鞋款类型相对应的鞋样本图像,具体包括:(1)将服务器存储的每一种鞋款类型对应的鞋性能参数与其目标需求进行匹配处理,获取第一匹配结果,以确定目标需求的匹配结果。此处的匹配处理可以采用关键词匹配算法进行匹配。(2)再将服务器存储的每一种鞋款类型对应的鞋型参数与其用户脚型轮廓进行匹配处理,获取第二匹配结果,以确定用户脚型轮廓的匹配结果。此处的匹配处理可以采用图像相似度算法进行比较判断。(3)将第一匹配结果和第二匹配结果均匹配成功的鞋款类型确定为待推荐鞋款类型,再将该待推荐鞋款类型对应的鞋型图作为鞋样本图像。本实施例中,将至少一个待推荐鞋款类型和对应的鞋样本图像发送给客户端,以供用户进行选择。
S204:获取客户端基于任一待推荐鞋款类型相触发的类型选择指令,类型选择指令包括目标鞋款类型。
其中,类型选择指令是指用户根据客户端显示的至少一个待推荐鞋款类型对应的鞋样本图像,确定其所需选择的某一待推荐鞋款类型的指令。目标鞋款类型是用户选择确定最终想要的鞋款类型。
S205:获取与目标鞋款类型相对应的标准鞋码数据,采用标准鞋码数据对用户脚型参数和用户脚型轮廓进行匹配处理,获取与目标鞋款类型相对应的目标鞋码,将目标鞋款类型和目标鞋码推荐给客户端。
其中,与目标鞋款类型相对应的标准鞋码数据是指目标鞋款类型对应的不同鞋码的标准内长、标准内宽和标准内高等数据。例如,目标鞋款类型为安踏的运动鞋,则其标准鞋码数据包括安踏这一品牌商在生成与该目标鞋款类型相对应的鞋子时,不同鞋码的标准内长、标准内宽和标准内高等数据。
具体地,服务器在获取目标鞋款类型对应的标准鞋码数据之后,需先采用该标准鞋码数据对用户脚型参数进行匹配处理,以确定其对应的鞋码;然后,根据该用户脚型轮廓确定是否需要对标准鞋码数据与用户脚型参数确定的鞋码进行调整,从而获取与目标鞋款类型相对应的目标鞋码。该目标鞋码为最终推荐给用户的鞋码。最后,服务器将所确定的目标鞋款类型与目标鞋码推荐给客户端,以便用户根据进行该目标鞋款类型与目标鞋码购买相应的鞋子。
本实施例所提供的基于鞋交易的智能推荐方法中,先根据产品推荐请求中的原始脚型图像和用户脚型参数,获取用户脚型轮廓,该用户脚型轮廓可较准确地反映脚部的脚长和脚宽比例以及轮廓,有助提供鞋款类型和鞋码推荐的准确性。然后,根据目标需求和用户脚型轮廓,将相匹配的至少一个待推荐鞋款类型及鞋样本图像推送给客户端,该待推荐鞋款类型既满足目标需求,而且与用户脚型轮廓相匹配,以达到智能推荐的目的。最后,基于类型选择指令确定的目标鞋款类型的标准鞋码数据,对用户脚型参数和用户脚型轮廓进行匹配,保证最终获取的目标鞋码的准确性,以使智能推荐的目标鞋款类型和目标鞋码的准确性更高。
在一实施例中,如图3所示,步骤S201,即获取客户端发送的产品推荐请求,产品推荐请求包括目标需求、原始脚型图像和用户脚型参数,具体包括如下步骤:
S301:获取客户端发送的用户登录请求,用户登录请求包括用户帐号。
其中,用户登录请求是用户通过客户端触发的用于登录购物平台系统的请求。用户帐号是用于预先在购物平台系统上注册时确定的帐号,是用户在购物平台系统上的唯一身份标识。
S302:基于用户帐号查询系统数据库,判断是否存在与用户帐号相对应的历史推荐信息,历史推荐信息包括目标对象的性别、年龄、历史脚型图像和历史脚型参数。
其中,历史推荐信息是预先通过该购物平台系统进行鞋推荐的推荐信息。该历史推荐信息包括目标对象的性别和年龄、与该目标对象相对应的历史脚型图像和历史脚型参数以及历史推荐时间。该历史脚型图像是指在历史推荐过程中采集到的原始脚型图像。历史脚型参数是指在历史推荐过程中采集到的用户脚型参数。历史推荐时间具体为历史推荐过程中服务器接收到产品推荐请求时采集到的系统时间。目标对象是某历史推荐过程中确定的需要推荐该运动鞋的对象,该对象可以是用户本人,也可以是其他人。
S303:若存在历史推荐信息,则基于目标对象的性别和年龄,确定是否需要重新获取原始脚型图像和用户脚型参数。
具体地,若服务器中存储有历史推荐信息,说明该用户帐号对应的用户曾经通过该购物平台系统进行产品推荐,保存有目标对象的性别、年龄、历史脚型图像、历史脚型参数和历史推荐时间等信息。此时,服务器需基于目标对象的性别和年龄,确定该目标对象的脚型图像和脚型参数是否发生变化,即确定是否需要重新获取原始脚型图像和用户脚型参数。
S304:若无需重新获取原始脚型图像和用户脚型参数,则将历史脚型图像确定为原始脚型图像,并将历史脚型参数确定为用户脚型参数。
具体地,若基于目标对象的性别和年龄,确定该目标对象的脚型图像和脚型参数没有发生变化,即无需重新获取原始脚型图像和用户脚型参数,则将历史脚型图像确定为原始脚型图像,并将历史脚型参数确定为用户脚型参数,以节省原始脚型图像和用户脚型参数的采集时间,提高处理效率,简化处理流程。
S305:若不存在历史推荐信息或者需要重新获取原始脚型图像和用户脚型参数,则控制客户端播放预先录制的数据采集引导视频,获取客户端上传的原始脚型图像和用户脚型参数。
具体地,若服务器没有存储有历史推荐信息,说明该用户帐号对应的用户未曾通过该购物平台系统进行产品推荐,此时需要采集获取原始脚型图像和用户脚型参数;若基于目标对象的性别和年龄,确定该目标对象的脚型图像和脚型参数发生变化,此时需要重新获取原始脚型图像和用户脚型参数。具体地,在需要获取原始脚型图像和用户脚型参数时,服务器可控制客户端播放预先录制的数据采集引导视频,该数据采集引导视频中显示如何采集用户脚部的脚长、脚宽和脚高等用户脚型参数以及原始脚型图像,以使用户基于该数据采集引导视频获取更准确的原始脚型图像和用户脚型参数,并通过客户端上传给服务器。
本实施例所提供的基于鞋交易的智能推荐方法中,在服务器预先存储有历史推荐信息,且根据目标对象的性别和年龄确定无需重新获取原始脚型图像和用户脚型参数时,将历史推荐信息中的历史脚型图像确定为原始脚型图像,并将历史脚型参数确定为用户脚型参数,以节省原始脚型图像和用户脚型参数的采集时间,提高处理效率,简化处理流程。在服务器未存储有历史推荐信息或者需要重新获取原始脚型图像和用户脚型参数时,通过播放数据采集引导视频,以使用户基于该数据采集引导视频获取更准确的原始脚型图像和用户脚型参数,从而保证后续推荐的准确性。
在一实施例中,如图4所示,步骤S303,即基于目标对象的性别和年龄,确定是否需要重新获取原始脚型图像和用户脚型参数,具体包括如下步骤:
S401:基于目标对象的性别,获取与性别相对应的标准年龄。
其中,标准年龄是根据经验,确定目标对象的脚部不再发育的固定年龄。一般而言,由于女性比男性高发育,其停止发育时间也早于男性,因此,男性和女性的标准年龄设置不一样。具体地,服务器可根据历史推荐信息中的目标对象的性别,获取该性别对应的标准年龄,例如,女性18岁,男性20岁。
S402:若目标对象的年龄大于标准年龄,则无需重新获取原始脚型图像和用户脚型参数。
具体地,若目标对象的年龄大于标准年龄,则说明目标对象的脚部不再发育,因此,可将历史脚型图像确定为原始脚型图像,并将历史脚型参数确定为用户脚型参数,无需重新获取原始脚型图像和用户脚型参数,以便后续以节省原始脚型图像和用户脚型参数的采集时间,提高处理效率,简化处理流程。
S403:若目标对象的年龄不大于标准年龄,则获取历史推荐信息对应的历史推荐时间与系统当前时间的时间间隔。
其中,本步骤中的系统当前时间是指服务器在接收到产品推荐请求的时间。本实施例中,若目标对象的年龄不大于标准年龄,则说明目标对象的脚部处于发育状态,其相应的脚型图像和脚型参数可能发生变化也可能未发生变化,此时,需从时间层面确定其脚型图像和脚型参数是否发生变化。具体地,服务器可通过获取历史推荐信息对应的历史推荐时间与系统当前时间的时间间隔,以确定距离上次产品推荐请求的时间间隔。可以理解地,该时间间隔较小时,例如该时间间隔为1周,认定其脚型图像和脚型参数未发生变化;该时间间隔较大时,例如该时间间隔为1年,认定其脚型图像和脚型参数发生变化。
S404:若时间间隔小于第一时间阈值,则无需重新获取原始脚型图像和用户脚型参数。
该第一时间阈值是预先根据经验确定的脚型发生变化的时间阈值。具体地,服务器在历史推荐信息对应的历史推荐时间与系统当前时间的时间间隔小于第一时间阈值时,认定目标对象的脚型未发生变化,即其脚型图像和脚型参数未发生变化,此时,可将历史脚型图像确定为原始脚型图像,并将历史脚型参数确定为用户脚型参数,无需重新获取原始脚型图像和用户脚型参数,以便后续以节省原始脚型图像和用户脚型参数的采集时间,提高处理效率,简化处理流程。
S405:若时间间隔不小于第一时间阈值,则需要重新获取原始脚型图像和用户脚型参数。
具体地,服务器在历史推荐信息对应的历史推荐时间与系统当前时间的时间间隔不小于第一时间阈值时,认定目标对象的脚型发生变化,即其脚型图像和脚型参数发生变化,此时,需要重新获取原始脚型图像和用户脚型参数。
本实施例所提供的基于鞋交易的智能推荐方法中,在目标对象的年龄大于标准年龄,或者目标对象的年龄小于标准年龄且历史推荐时间与系统当前时间的时间间隔小于第一时间阈值时,认定目标对象的脚型图像和脚型参数未发生变化,从而确定无需重新获取原始脚型图像和用户脚型参数,有助于后续节省原始脚型图像和用户脚型参数的采集时间,提高处理效率,简化处理流程。目标对象的年龄不小于标准年龄且历史推荐时间与系统当前时间的时间间隔不小于第一时间阈值时,认定目标对象的脚型图像和脚型参数发生变化,需要重新获取原始脚型图像和用户脚型参数。
在一实施例中,如图5所示,步骤S202,即基于原始脚型图像和用户脚型参数,获取对应的用户脚型轮廓,具体包括如下步骤:
S501:对原始脚型图像进行灰度化处理,获取灰度图像。
其中,灰度化是指在RGB模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫灰度值,因此,灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。本实施例中,可采用但不限于分量法、最大值法、平均值法和加权平均法等方法对原始脚型图像进行灰度化,以获取灰度图像,以减少后续图像处理的数据量。
S502:对灰度图像进行边缘检测,获取脚型边缘轮廓。
其中,边缘检测是图像处理和计算机视觉中的基本问题,其目的是标识数字图像中亮度变化明显的点。具体地,服务器采用边缘检测算法对灰度图像进行边缘检测,以获取反映目标对象的脚部轮廓的脚型边缘轮廓。该边缘检测算法包括但不限于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,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。
S503:采用用户脚型参数对脚型边缘轮廓进行矫正处理,获取对应的用户脚型轮廓。
由于用户拍摄原始脚型图像时,可能由于拍摄角度的原因导致其所拍摄的原始脚型图像中脚长和脚宽的比例不准确,可能影响后续鞋码推荐的准确度,因此,需要进行矫正处理,为避免矫正处理的数据量过大,通过对原始脚型图像进行灰度化和边缘检测所获取的脚型边缘轮廓进行矫正,从而减少数据处理量。具体地,服务器采用仿射变换技术,采用用户脚型参数对脚型边缘轮廓进行矫正处理,以获取对应的用户脚型轮廓,使得该用户脚型轮廓的脚长和脚宽的比较更准确。其中,仿射变换(Affine Transformation或AffineMap),又称仿射映射,是指在几何中,一个向量空间进行一次线性变换并接上一个平移,变换为另一个向量空间的过程。它保持了二维图形的“平直性”(直线经过变换之后依然是直线)和“平行性”(二维图形之间的相对位置关系保持不变,平行线依然是平行线,且直线上点的位置顺序不变)
本实施例所提供的基于鞋交易的智能推荐方法中,对原始脚型图像进行灰度化和边缘检测所获取的脚型边缘轮廓进行矫正,既可减少矫正处理的数据处理量,以可保证矫正处理后的用户脚型轮廓中的脚长和脚宽的比例的准确性,提高后续鞋码推荐的准确性。
在一实施例中,如图6所示,步骤S205中的采用标准鞋码数据对用户脚型参数和用户脚型轮廓进行匹配处理,获取与目标鞋款类型相对应的目标鞋码,具体包括如下步骤:
S601:采用标准鞋码数据对用户脚型参数进行处理,获取第一鞋码。
由于标准鞋码数据包括不同鞋码的标准内长、标准内宽和标准内高等数据,可基于这些数据与用户脚型参数中的脚长、脚宽和脚高进行匹配处理,以获取对应的第一鞋码。例如,若目标鞋款类型对应的标准鞋码数据依据中国鞋码的标准中,37码对应的标准内长为235mm,对应脚长为23.5cm;而依据欧洲鞋码的标准,37码对应的标准内长为230,对应脚长为23cm。可以理解地,该第一鞋码是仅依据用户脚型参数确定的鞋码,没有考虑用户脚型轮廓的特殊性。
S602:采用相似度算法计算用户脚型轮廓与数据库中预先存储的每一参照脚型轮廓的相似度,每一参照脚型轮廓对应一脚型类型。
其中,数据库中预先存储的参照脚型轮廓具体是指针对不同脚型确定的可供参考的脚型轮廓。脚型类型是与相对于标准鞋码设置的类型,包括标准类型、偏大类型和偏小类型。例如,针对大脚趾外翻、二脚趾较长或者脚掌较宽等类型的参照脚型轮廓,其脚型类型为偏大类型;而针对不同瘦脚型(如脚宽小于五个脚趾的宽度)的参照脚型轮廓,其脚型类型为偏小类型。本实施例中,每一参照脚型轮廓可以采用行业专用的脚型轮廓的示意图,例如埃及脚、罗马脚、希腊脚和方形脚等脚型轮廓的示意图作为参照脚型轮廓,分别对应不同的脚型类型。服务器采用相似度算法计算用户脚型轮廓与每一参照脚型轮廓的相似度,以便确定用户脚型轮廓对应的脚型类型。该相似度算法可以采用现有技术中的图像相似度算法,此处不进行赘述。
S603:将相似度最大的参照脚型轮廓对应的脚型类型确定为目标脚型类型。
具体地,服务器在获取用户脚型轮廓与所有参照脚型轮廓的相似度之后,从所有相似度中选取相似度最大的参照脚型轮廓确定为与该用户脚型轮廓相匹配的参照脚型轮廓,再将该参照脚型轮廓对应的脚型类型确定为目标脚型类型。可以理解地,通过步骤S602和S603,可确定用户脚型轮廓对应的目标脚型类型为标准类型、偏大类型或者偏小类型。
S604:基于目标脚型类型对第一鞋码进行调整,获取与目标鞋款类型相对应的目标鞋码。
由于目标脚型类型可能存在标准类型、偏大类型或者偏小类型,若直接基于第一鞋码进行推荐,可能会导致其推荐的鞋码过松或过紧,导致不合脚情况出现。因此,服务器可基于目标脚型类型对第一鞋码进行调整,即若目标脚型类型为标准脚型类型,则将第一鞋码确定为目标鞋码;若目标脚型类型为偏大脚型类型,则对第一鞋码进行加大处理,获取目标鞋码;若目标脚型类型为偏小脚型类型,则对第一鞋码进行减小处理,获取目标鞋码。可以理解地,调整之后的目标鞋码除了考虑鞋码的长度之外,还综合考虑其脚型轮廓,以提高目标鞋码推荐的准确性。
本实施例所提供的基于鞋交易的智能推荐方法中,先采用标准鞋码数据对用户脚型参数进行处理,以获取第一鞋码;再基于用户脚型轮廓与参照脚型轮廓的相似度确定其对应的目标脚型类型,采用该目标脚型类型对第一鞋码进行调整处理,从而获取更准确的目标鞋码,提高目标鞋码推荐的准确性,有助于避免用户通过购物平台系统购买到不合脚的鞋,以提高用户体验。
在一实施例中,在用户基于推荐的目标鞋款类型和目标鞋码进行交易之后,可以在该购物平台系统上传相应的评论,以反映用户对本次网上交易的整体感受。为了更清楚直观地反映用户的评论,可采用短视频形式上传评论,使其相比于传统数据型的评论更具有直观性。如图7所示,在步骤S205之后,即在将目标鞋款类型和目标鞋码推荐给客户端之后,基于鞋交易的智能推荐方法还包括如下步骤:
S701:接收客户端基于产品评论界面上传的产品评论数据,产品评论数据包括评论产品ID、目标交易ID和产品评论视频。
其中,产品评论界面是购物平台系统提供给用户查看所有已购买产品以及反馈对已购买产品的产品意见的界面。可以理解地,若用户通过用户帐号和登录密码登录购物平台系统之后,控制客户端进入用户界面,在该用户界面点击“评论”按钮即可使客户端进行产品评论界面。该产品评论界面上展示该用户帐号对应的所有已购买产品,用户可通过选中该产品评论界面中任一已购买产品提供的产品评论接口上传产品评论数据,本实施例中的已购买产品具体为基于目标鞋款类型和目标鞋码购买的鞋,或者用户自行购买的鞋,即本实施例所提供的产品均为鞋。
其中,评论产品ID是用于唯一识别所要评论的产品的标识,可以理解为评论产品的标识,可以是该评论产品的二维码信息或者在购物平台系统中的其他唯一标识。本实施例中的评论产品具体为本次评论所针对的鞋,即已购买产品对应的鞋中的一个。目标交易ID是用于识别所要评论的评论产品对应的交易的唯一标识,该目标交易ID关联交易对应的评论产品ID、交易帐号和交易时间等信息。产品评论视频是以视频形式对已购买产品进行评论的视频,具体为用户通过客户端提供的产品评论界面上传的视频。
例如,在购物平台系统的APP上,用户浏览任一已购买产品时,可通过该已购买产品所提供的产品评论按钮选择不同的评论方式,如可点击文本输入按钮进行文本编辑界面,也可点击视频拍摄按钮进入视频拍摄界面,以采集产品评论视频。将该产品评论视频和其所选中的已购买产品关联的评论产品ID和目标交易ID作为产品评论数据,并将该产品评论数据发送给服务器。可以理解地,通过产品评论视频可直观反馈用户对已购买产品的评论意见的视频。即在购物平台系统的APP的产品展示界面上,用户通过任一已购买产品提供的产品评论接口上传产品评论数据(包括产品评论视频及其关联的评论产品ID和目标交易ID),以使服务器可接收客户端基于产品评论界面上传的产品评论数据。该产品评论数据中的评论产品ID具体为该已购买产品在二维码信息或者其他唯一标识。该产品评论数据中的目标交易ID具体为已购买产品在交易过程中形成的交易单号,该交易单号关联存储与交易相关的信息,如交易时间和交易帐号。该产品评论数据中的产品评论视频是指用户通过视频填报界面拍摄并上传的视频。
进一步地,在客户端的视频拍摄界面可预先设置短视频拍摄的拍摄时长或者拍摄帧数,在客户端通过视频拍摄界面进行拍摄时,超过该拍摄时长或者拍摄帧数即自行终止拍摄,以使客户端上传的所有产品评论视频均为短视频,以避免后续产品评论视频的存储空间较大的问题。
S702:基于评论产品ID查询系统数据库,获取与评论产品ID相对应的产品交易信息表,产品交易信息表包括至少一个历史交易信息。
其中,与评论产品ID相对应的产品交易信息表是用于记录购买该评论产品ID对应的评论产品的所有历史交易信息的数据表。每一历史交易信息包括已购买该评论产品ID对应的评论产品的交易帐号和交易时间等信息,可以理解地,每一历史交易信息与评论产品ID和交易帐号相对应。为了进一步区分不同交易,可使每一历史交易信息对应一历史交易ID,该历史交易ID是用于唯一识别历史交易的标识,可以理解为历史交易的交易单号。服务器基于评论产品ID查询系统数据库,以获取与该评论产品ID相对应的产品交易信息表,以便基于其历史交易信息中的历史交易ID验证该用户帐号对应的用户是否购买过该评论产品,以避免恶意诋毁或者刷好评的现象出现。
S703:若至少一个历史交易信息中存在与目标交易ID相对应的历史交易信息,则将产品评论视频存储在与评论产品ID相对应的产品视频数据库中,使客户端显示产品评论视频。
具体地,服务器在获取该评论产品ID对应的至少一个历史交易信息之后,会将每一历史交易信息中的历史交易ID与目标交易ID进行匹配处理,若匹配成功,则认定存在与目标交易ID相对应的历史交易信息。可以理解地,若认定至少一个历史交易信息中存在与目标交易ID相对应的历史交易信息时,认定该用户帐号对应的用户曾经购买过该评论产品ID对应的已购买产品,即该已购买产品的历史交易ID为目标交易ID,确定该用户帐号对应的用户可以上传与该评论产品ID对应的产品评论视频,以实现交易信息的验证,避免恶意诋毁或者刷好评的现象出现。因此,服务器在至少一个历史交易信息中存在与目标交易ID相对应的历史交易信息时,将产品评论视频存储在与评论产品ID相对应的产品视频数据库中,并在客户端显示该产品评论视频,以使其他用户可以查看该产品评论视频,对评论产品ID对应的评论产品有更清楚直观的认识和了解。
本实施例所提供的基于鞋交易的智能推荐方法中,先通过产品评论界面上传包括评论产品ID、目标交易ID和产品评论视频的产品评论数据,在目标交易ID与评论产品ID对应的任一个历史交易信息相匹配时,在客户端显示产品评论视频,实现交易信息验证,避免恶意诋毁或者刷好评的现象出现,实现采用视频形式清楚直观地反映用户对评论产品的评论的目的。
在一实施例中,如图8所示,在步骤S703中的在若至少一个历史交易信息中存在与目标交易ID相对应的历史交易信息之后,基于鞋交易的智能推荐方法还包括如下步骤:
S801:判断与评论产品ID相对应的产品视频数据库中是否存在与目标交易ID相对应的历史评论视频。
其中,产品视频数据库是用于存储产品评论视频的数据库。与评论产品ID相对应的产品视频数据库是系统数据库中预先存储的与评论产品ID对应的评论产品的产品视频数据库。与目标交易ID相对应的历史评论视频是指针对该购买评论产品ID对应的评论产品所形成的目标交易对应的产品评论视频。
S802:若存在历史评论视频,则生成已评论信息,并将已评论信息发送给客户端。
具体地,若与评论产品ID相对应的产品视频数据库中存在与目标交易ID相对应的历史评论视频,则说明用户已经基于该评论产品进行过评论,为避免恶意诋毁或者刷好评的现象出现,购物平台系统设置用户只能对其购买过的产品进行一次评论,即一个交易只评论一次。因此,在与评论产品ID相对应的产品视频数据库中存在与目标交易ID相对应的历史评论视频时,生成已评论信息,并将已评论信息发送给客户端,以提醒用户目标交易对应的评论产品已经进行过评论,不能再次进行评论。
S803:若不存在历史评论视频,获取系统当前时间与目标交易ID对应的交易时间的时间差值。
本步骤中的系统当前时间可以理解为服务器接收到产品评论数据的时间。具体地,若与评论产品ID相对应的产品视频数据库中不存在与目标交易ID相对应的历史评论视频,则说明用户没有基于目标交易对应的评论产品进行评论,说明用户还可针对该目标交易对应的评论产品进行评价。由于,目标交易ID与目标交易对应的评论产品ID、交易帐号和交易时间等信息关联,因此,服务器可根据目标交易ID获取其对应的交易时间,然后,服务器根据系统当前时间和目标交易ID对应的交易时间的时间差值,以确定用户上传某一评论产品的产品评论视频的时间(即系统当前时间)和通过目标交易ID对应的目标交易购买该评论产品的交易时间的时间差值。
S804:若时间差值大于第二时间阈值,则生成不可评论信息,并将不可评论信息发送给客户端。
其中,第二时间阈值是预先设置的用于限定可评论产品的时间阈值。一般可设置为收到产品的一个星期或者用户下单之后一个月等。具体地,服务器将步骤S803计算出的时间差值与预先设置的第二时间阈值进行比较,若时间差值大于第二时间阈值,则说明用户上传该产品评论视频的时间较晚,其产品评论视频中对应的评论产品可能因用户使用或其他原因导致一定程度的损坏,与商家发货的产品存在一定区别,因此,不再允许对该评论产品进行视频评论,以避免恶意诋毁的现象出现。此时,服务器生成不可评论信息,并将该不可评论信息发送给客户端。
S805:若时间差值不大于第二时间阈值,则执行将产品评论视频存储在与评论产品ID相对应的产品视频数据库中,使客户端显示产品评论视频的步骤。
具体地,服务器将步骤S803计算出的时间差值与第二时间阈值进行比较,若时间差值不大于第二时间阈值,则说明用户上传该产品评论视频的时间较早,可以将该产品评论视频作为对目标交易ID对应的目标交易的评论,此时,执行将产品评论视频存储在与评论产品ID相对应的产品视频数据库中,在客户端显示产品评论视频的步骤,即执行步骤S703。
本实施例所提供的基于鞋交易的智能推荐方法中,在与评论产品ID相对应的产品视频数据库中存在与目标交易ID相对应的历史评论视频,说明用户已经基于目标交易对应的评论产品进行过评论,为避免恶意诋毁或者刷好评的现象出现,需生成已评论信息,以提醒用户该评论产品已经进行过评论,不能再次进行评论。在与评论产品ID相对应的产品视频数据库中不存在与目标交易ID相对应的历史评论视频,说明用户未基于目标交易对应的评论产品进行评论,因此,可将产品评论视频作为其对应的评论视频在客户端显示,以使其他用户可以查看该产品评论视频,对评论产品ID对应的评论产品有更清楚直观的认识和了解。
在一实施例中,如图9所示,在步骤S703中的在将产品评论视频存储在与评论产品ID相对应的产品视频数据库中之前,基于鞋交易的智能推荐方法还包括如下步骤:
S901:采用预设抽帧规则从产品评论视频中抽取至少两帧待测评图像。
具体地,产品评论视频包括至少两帧视频帧图像,该视频帧图像是构成产品评论视频的最小单元。预设抽帧规则是预先设置的用于抽取图像的规则。待测评图像是采用预设抽帧规则从产品评论视频中抽取出来的视频帧图像。具体地,该预设抽帧规则可以设置为每隔10帧抽取一张图像,也可以是其他抽取规则。例如,一产品评论视频中设有150视频帧图像,每隔10帧提取一张待测评图像,则可获取15张待测评图像。可以理解地,采用预设抽帧规则从产品评论视频中抽取待测评图像,以节省后续步骤的处理时间,提高效率。
S902:从系统数据库中,获取与评论产品ID相对应的标准产品图像。
由于系统数据库是用于存储购物平台系统所有数据的数据库,因此,服务器可从该系统数据库中,快速获取与评论产品ID相对应的标准产品图像。该标准产品图像是商家预先上传到系统数据库中的图像,可以为正面图像,也可以是背面图像或者侧面图像等。一般来说,在商家上传产品详情信息时,需将其标准产品图像通过产品上传界面的描述编辑界面上传至系统数据库中,即将标准产品图像作为产品详情信息一并上传至系统数据库中。
S903:采用特征对比算法计算每一待测评图像与标准产品图像的特征相似度。
具体地,该特征对比算法包括SSD(Single Shot MultiBox Detector,即单次检测器)算法和相似度算法。SSD算法采用单个深度神经网络模型实现目标检测和识别的模型算法。本实施例中,服务器先采用采用单次检测器对每一待测评图像进行特征提取,获取目标测评图像,以排除背景的干扰;再采用相似度算法计算目标测评图像与标准产品图像的特征相似度。
相对于MultiBox模型和YOLO模型等具有全连接层的深度学习模型,全连接层之后每个输出都会映射到整幅图像,使其检测过程较慢。本实施例中,采用无全连接层的SSD模型进行图像检测时,每个输出只会感受到目标周围的信息(如上下文信息),从而加快图像检测速度并提高图像检测精度。此外,MultiBox模型和YOLO模型等深度学习模型中,全连接层会限制进入VGG-16网络结构的图像大小,即VGG-16网络结构预先配置其网络设计的输入大小,则进入VGG-16网络结构的图像的输入大小只能与网络设计的输入大小相同。而采用无全连接层的SSD模型进行图像检测时,由于无全连接层的限制,使输入VGG-16网络结构的图像大小而不受网络设计的输入大小的限制。本实施例中,SSD模型可根据具体任务和数据的分辨率设置合适的图像的输入大小来训练网络,如本实施例中设置图像的输入大小为512*512。
相似度算法是用于计算任意两个图像之间特征相似度的算法。该相似度算法包括但不限于本实施例所借用的尺度不变特征转换(Scale-invariant feature transform,简称SIFT)算法或者直方图反向投影算法。例如,在直方图反向投影算法中,通过计算标准产品图像中某一特征的直方图模型,然后使用该直方图模型寻找待测评图像存在该特征的相似度,确定为特征相似度。可以理解地,采用SSD算法和直方图反向投影算法配合,可快速获取较准确的特征相似度。
S904:若存在待测评图像的特征相似度大于预设相似度阈值,则执行将产品评论视频存储在与评论产品ID相对应的产品视频数据库中,使客户端显示产品评论视频的步骤。
其中,预设相似度阈值是预先设置的用于评估是否为同一物体的相似度阈值。具体地,服务器将每一待测评图像与标准产品图像的特征相似度与预设相似度阈值进行比较,若存在特征相似度大于预设相似度阈值的待测评图像,则说明用户所上传的产品评论视频是针对评论产品的评论视频,此时,可执行将产品评论视频存储在与评论产品ID相对应的产品视频数据库中,在客户端显示产品评论视频的步骤,即执行步骤S703,以使其他用户对评论产品有更清楚直观的认识。
S905:若不存在待测评图像的特征相似度大于预设相似度阈值,则生成评论不对应信息,将评论不对应信息发送给客户端。
具体地,服务器将每一待测评图像与标准产品图像的特征相似度与预设相似度阈值进行比较,若不存在特征相似度大于预设相似度阈值的待测评图像,则说明待测评图像均不包含评论产品的图像,即用户所上传的产品评论视频极有可能不是针对评论产品的评论视频,为了避免恶意诋毁或者刷好评的现象出现,此时,需生成评论不对应信息,并将该评论不对应信息发送给客户端。
本实施例所提供的基于鞋交易的智能推荐方法中,先采用预设抽帧规则从产品评论视频中抽取至少两帧待测评图像,以减少后续图像匹配的处理时间,提高处理效率。采用特征对比算法对每一待测评图像和标准产品图像进行相似度计算,快速获取准确客观的特征相似度。根据特征相似度与预设相似度阈值的比较结果,若存在特征相似度大于预设相似度阈值的待测评图像,则认定是对评论产品进行评论,在客户端上显示产品评论视频,以使其他用户对评论产品有更清楚直观的认识;在不存在特征相似度大于预设相似度阈值的待测评图像,则认定不是对评论产品进行评论,生成评论不对应信息,不将产品评论视频显示在客户端上,以避免恶意诋毁或者刷好评的现象出现,从而保障购物平台系统交易的公平公正。
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。
在一实施例中,提供一种基于鞋交易的智能推荐装置,该基于鞋交易的智能推荐装置与上述实施例中基于鞋交易的智能推荐方法一一对应。如图10所示,该基于鞋交易的智能推荐装置包括产品推荐请求获取模块1001、用户脚型轮廓获取模块1002、待推荐鞋款信息获取模块1003、类型选择指令获取模块1004和标准鞋码数据获取模块1005。各功能模块详细说明如下:
产品推荐请求获取模块1001,用于获取客户端发送的产品推荐请求,产品推荐请求包括目标需求、原始脚型图像和用户脚型参数。
用户脚型轮廓获取模块1002,用于基于原始脚型图像和用户脚型参数,获取对应的用户脚型轮廓。
待推荐鞋款信息获取模块1003,用于根据目标需求和用户脚型轮廓,获取至少一个待推荐鞋款类型和与每一待推荐鞋款类型相对应的鞋样本图像,将待推荐鞋款类型和鞋样本图像发送客户端。
类型选择指令获取模块1004,用于获取客户端基于任一待推荐鞋款类型相触发的类型选择指令,类型选择指令包括目标鞋款类型。
标准鞋码数据获取模块1005,用于获取与目标鞋款类型相对应的标准鞋码数据,采用标准鞋码数据对用户脚型参数和用户脚型轮廓进行匹配处理,获取与目标鞋款类型相对应的目标鞋码,将目标鞋款类型和目标鞋码推荐给客户端。
优选地,产品推荐请求获取模块1001包括:用户登录请求获取单元、历史推荐信息判断单元、数据采集判断单元、第一数据确定单元和第二数据确定单元。
用户登录请求获取单元,用于获取客户端发送的用户登录请求,用户登录请求包括用户帐号。
历史推荐信息判断单元,用于基于用户帐号查询系统数据库,判断是否存在与用户帐号相对应的历史推荐信息,历史推荐信息包括目标对象的性别、年龄、历史脚型图像和历史脚型参数。
数据采集判断单元,用于若存在历史推荐信息,则基于目标对象的性别和年龄,确定是否需要重新获取原始脚型图像和用户脚型参数。
第一数据确定单元,用于若无需重新获取原始脚型图像和用户脚型参数,则将历史脚型图像确定为原始脚型图像,并将历史脚型参数确定为用户脚型参数。
第二数据确定单元,用于若不存在历史推荐信息或者需要重新获取原始脚型图像和用户脚型参数,则控制客户端播放预先录制的数据采集引导视频,获取客户端上传的原始脚型图像和用户脚型参数。
优选地,数据采集判断单元包括:标准年龄获取子单元、第一判断结果获取子单元、时间间隔获取子单元、第二判断结果获取子单元和第三判断结果获取子单元。
标准年龄获取子单元,用于基于目标对象的性别,获取与性别相对应的标准年龄。
第一判断结果获取子单元,用于若目标对象的年龄大于标准年龄,则无需重新获取原始脚型图像和用户脚型参数。
时间间隔获取子单元,用于若目标对象的年龄不大于标准年龄,则获取历史推荐信息对应的历史推荐时间与系统当前时间的时间间隔。
第二判断结果获取子单元,用于若时间间隔小于第一时间阈值,则无需重新获取原始脚型图像和用户脚型参数。
第三判断结果获取子单元,用于若时间间隔不小于第一时间阈值,则需要重新获取原始脚型图像和用户脚型参数。
优选地,用户脚型轮廓获取模块1002包括:灰度图像获取单元、脚型边缘轮廓获取单元和用户脚型轮廓获取单元。
灰度图像获取单元,用于对原始脚型图像进行灰度化处理,获取灰度图像。
脚型边缘轮廓获取单元,用于对灰度图像进行边缘检测,获取脚型边缘轮廓。
用户脚型轮廓获取单元,用于采用用户脚型参数对脚型边缘轮廓进行矫正处理,获取对应的用户脚型轮廓。
优选地,标准鞋码数据获取模块1005包括:第一鞋码获取单元、相似度计算单元、目标脚型类型单元和目标鞋码获取单元。
第一鞋码获取单元,用于采用标准鞋码数据对用户脚型参数进行处理,获取第一鞋码。
相似度计算单元,用于采用相似度算法计算用户脚型轮廓与目标鞋款类型对应的参照脚型轮廓的相似度,每一参照脚型轮廓对应一脚型类型。
目标脚型类型单元,用于将相似度最大的参照脚型轮廓对应的脚型类型确定为目标脚型类型。
目标鞋码获取单元,用于基于目标脚型类型对第一鞋码进行调整,获取与目标鞋款类型相对应的目标鞋码。
优选地,在标准鞋码数据获取模块1005之后,基于鞋交易的智能推荐装置还包括:产品评论数据接收单元、产品交易信息获取单元和产品评论视频显示单元.
产品评论数据接收单元,用于接收客户端基于产品评论界面上传的产品评论数据,产品评论数据包括评论产品ID、目标交易ID和产品评论视频。
产品交易信息获取单元,用于基于评论产品ID查询系统数据库,获取与评论产品ID相对应的产品交易信息表,产品交易信息表包括至少一个历史交易信息。
产品评论视频显示单元,用于若至少一个历史交易信息中存在与目标交易ID相对应的历史交易信息,则将产品评论视频存储在与评论产品ID相对应的产品视频数据库中,使客户端显示产品评论视频。
优选地,在产品评论视频显示单元之后,基于鞋交易的智能推荐装置还包括:历史视频判断单元、已评论信息生成单元、时间差值获取单元、第一处理单元和第二处理单元。
历史视频判断单元,用于判断与评论产品ID相对应的产品视频数据库中是否存在与目标交易ID相对应的历史评论视频。
已评论信息生成单元,用于若存在历史评论视频,则生成已评论信息,并将已评论信息发送给客户端。
时间差值获取单元,用于若不存在历史评论视频,获取系统当前时间与目标交易ID对应的交易时间的时间差值。
第一处理单元,用于若时间差值大于第二时间阈值,则生成不可评论信息,并将不可评论信息发送给客户端。
第二处理单元,用于若时间差值不大于第二时间阈值,则执行将产品评论视频存储在与评论产品ID相对应的产品视频数据库中,使客户端显示产品评论视频的步骤。
关于基于鞋交易的智能推荐装置的具体限定可以参见上文中对于基于鞋交易的智能推荐方法的限定,在此不再赘述。上述基于鞋交易的智能推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行上述基于鞋交易的智能推荐方法过程中采用或者生成的数据,如目标鞋款类型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于鞋交易的智能推荐方法。
在一个实施例中,提供了一种计算机设备,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基于鞋交易的智能推荐方法的步骤,例如图2所示的步骤S201-S205,或者图3至图9中所示的步骤,为避免重复,这里不再赘述。或者,处理器执行计算机程序时实现基于鞋交易的智能推荐装置这一实施例中的各模块/单元的功能,例如图10所示的产品推荐请求获取模块1001、用户脚型轮廓获取模块1002、待推荐鞋款信息获取模块1003、类型选择指令获取模块1004和标准鞋码数据获取模块1005的功能,为避免重复,这里不再赘述。
在一实施例中,提供一计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中基于鞋交易的智能推荐方法的步骤,例如图2所示的步骤S201-S205,或者图3至图9中所示的步骤,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现上述基于鞋交易的智能推荐装置这一实施例中的各模块/单元的功能,例如图10所示的产品推荐请求获取模块1001、用户脚型轮廓获取模块1002、待推荐鞋款信息获取模块1003、类型选择指令获取模块1004和标准鞋码数据获取模块1005的功能。
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,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。
以上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)
1.一种基于鞋交易的智能推荐方法,其特征在于,包括:
获取客户端发送的产品推荐请求,所述产品推荐请求包括目标需求、原始脚型图像和用户脚型参数;
基于所述原始脚型图像和所述用户脚型参数,获取对应的用户脚型轮廓;
根据所述目标需求和所述用户脚型轮廓,获取至少一个待推荐鞋款类型和与每一所述待推荐鞋款类型相对应的鞋样本图像,将所述待推荐鞋款类型和所述鞋样本图像发送客户端;
获取所述客户端基于任一待推荐鞋款类型相触发的类型选择指令,所述类型选择指令包括目标鞋款类型;
获取与所述目标鞋款类型相对应的标准鞋码数据,采用所述标准鞋码数据对所述用户脚型参数和用户脚型轮廓进行匹配处理,获取与所述目标鞋款类型相对应的目标鞋码,将所述目标鞋款类型和所述目标鞋码推荐给所述客户端。
2.如权利要求1所述的基于鞋交易的智能推荐方法,其特征在于,所述获取客户端发送的产品推荐请求,所述产品推荐请求包括目标需求、原始脚型图像和用户脚型参数,包括:
获取客户端发送的用户登录请求,所述用户登录请求包括用户帐号;
基于所述用户帐号查询系统数据库,判断是否存在与所述用户帐号相对应的历史推荐信息,所述历史推荐信息包括目标对象的性别、年龄、历史脚型图像和历史脚型参数;
若存在历史推荐信息,则基于所述目标对象的性别和年龄,确定是否需要重新获取原始脚型图像和用户脚型参数;
若无需重新获取原始脚型图像和用户脚型参数,则将所述历史脚型图像确定为原始脚型图像,并将所述历史脚型参数确定为用户脚型参数;
若不存在历史推荐信息或者需要重新获取原始脚型图像和用户脚型参数,则控制所述客户端播放预先录制的数据采集引导视频,获取所述客户端上传的原始脚型图像和用户脚型参数。
3.如权利要求2所述的基于鞋交易的智能推荐方法,其特征在于,所述基于所述目标对象的性别和年龄,确定是否需要重新获取原始脚型图像和用户脚型参数,包括:
基于所述目标对象的性别,获取与所述性别相对应的标准年龄;
若所述目标对象的年龄大于所述标准年龄,则无需重新获取原始脚型图像和用户脚型参数;
若所述目标对象的年龄不大于所述标准年龄,则获取所述历史推荐信息对应的历史推荐时间与系统当前时间的时间间隔;
若所述时间间隔小于第一时间阈值,则无需重新获取原始脚型图像和用户脚型参数;
若所述时间间隔不小于第一时间阈值,则需要重新获取原始脚型图像和用户脚型参数。
4.如权利要求1所述的基于鞋交易的智能推荐方法,其特征在于,所述基于所述原始脚型图像和所述用户脚型参数,获取对应的用户脚型轮廓,包括:
对原始脚型图像进行灰度化处理,获取灰度图像;
对所述灰度图像进行边缘检测,获取脚型边缘轮廓;
采用所述用户脚型参数对所述脚型边缘轮廓进行矫正处理,获取对应的用户脚型轮廓。
5.如权利要求1所述的基于鞋交易的智能推荐方法,其特征在于,所述采用所述标准鞋码数据对所述用户脚型参数和用户脚型轮廓进行匹配处理,获取与所述目标鞋款类型相对应的目标鞋码,包括:
采用所述标准鞋码数据对所述用户脚型参数进行处理,获取第一鞋码;
采用相似度算法计算所述用户脚型轮廓与所述目标鞋款类型对应的参照脚型轮廓的相似度,每一所述参照脚型轮廓对应一脚型类型;
将相似度最大的参照脚型轮廓对应的脚型类型确定为目标脚型类型;
基于所述目标脚型类型对所述第一鞋码进行调整,获取与所述目标鞋款类型相对应的目标鞋码。
6.如权利要求1所述的基于鞋交易的智能推荐方法,其特征在于,在所述将所述目标鞋款类型和所述目标鞋码推荐给所述客户端之后,所述基于鞋交易的智能推荐方法还包括:
接收所述客户端基于所述产品评论界面上传的产品评论数据,所述产品评论数据包括评论产品ID、目标交易ID和产品评论视频;
基于所述评论产品ID查询所述系统数据库,获取与所述评论产品ID相对应的产品交易信息表,所述产品交易信息表包括至少一个历史交易信息;
若至少一个所述历史交易信息中存在与所述目标交易ID相对应的历史交易信息,则将所述产品评论视频存储在与所述评论产品ID相对应的产品视频数据库中,使所述客户端显示所述产品评论视频。
7.如权利要求1所述的基于鞋交易的智能推荐方法,其特征在于,在所述若至少一个所述历史交易信息中存在与所述目标交易ID相对应的历史交易信息之后,所述基于鞋交易的智能推荐方法还包括:
判断与所述评论产品ID相对应的产品视频数据库中是否存在与所述目标交易ID相对应的历史评论视频;
若存在所述历史评论视频,则生成已评论信息,并将所述已评论信息发送给所述客户端;
若不存在所述历史评论视频,获取系统当前时间与所述目标交易ID对应的交易时间的时间差值;
若所述时间差值大于第二时间阈值,则生成不可评论信息,并将所述不可评论信息发送给所述客户端;
若所述时间差值不大于第二时间阈值,则执行所述将所述产品评论视频存储在与所述评论产品ID相对应的产品视频数据库中,使所述客户端显示所述产品评论视频的步骤。
8.一种基于鞋交易的智能推荐装置,其特征在于,包括:
产品推荐请求获取模块,用于获取客户端发送的产品推荐请求,所述产品推荐请求包括目标需求、原始脚型图像和用户脚型参数;
用户脚型轮廓获取模块,用于基于所述原始脚型图像和所述用户脚型参数,获取对应的用户脚型轮廓;
待推荐鞋款信息获取模块,用于根据所述目标需求和所述用户脚型轮廓,获取至少一个待推荐鞋款类型和与每一所述待推荐鞋款类型相对应的鞋样本图像,将所述待推荐鞋款类型和所述鞋样本图像发送客户端;
类型选择指令获取模块,用于获取所述客户端基于任一待推荐鞋款类型相触发的类型选择指令,所述类型选择指令包括目标鞋款类型;
标准鞋码数据获取模块,用于获取与所述目标鞋款类型相对应的标准鞋码数据,采用所述标准鞋码数据对所述用户脚型参数和用户脚型轮廓进行匹配处理,获取与所述目标鞋款类型相对应的目标鞋码,将所述目标鞋款类型和所述目标鞋码推荐给所述客户端。
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7任一项所述基于鞋交易的智能推荐方法的步骤。
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7任一项所述基于鞋交易的智能推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043291.5A CN109934664A (zh) | 2019-01-17 | 2019-01-17 | 基于鞋交易的智能推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043291.5A CN109934664A (zh) | 2019-01-17 | 2019-01-17 | 基于鞋交易的智能推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109934664A true CN109934664A (zh) | 2019-06-25 |
Family
ID=66985056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910043291.5A Pending CN109934664A (zh) | 2019-01-17 | 2019-01-17 | 基于鞋交易的智能推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934664A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037882A (zh) * | 2020-08-26 | 2020-12-04 | 福建省万物智联科技有限公司 | 信息匹配推送方法、系统、存储介质 |
CN112765472A (zh) * | 2021-01-27 | 2021-05-07 | 珠海格力电器股份有限公司 | 推荐方法以及智能鞋柜 |
CN112991015A (zh) * | 2021-03-22 | 2021-06-18 | 巫东歌 | 一种鞋码自动匹配推荐方法 |
CN113065922A (zh) * | 2021-04-13 | 2021-07-02 | 武汉市章瀚电子商务有限公司 | 基于移动互联网和大数据分析的电子商务购物平台商品智能匹配推荐方法 |
CN114246394A (zh) * | 2021-12-22 | 2022-03-29 | 苏州三星电子电脑有限公司 | 脚型判断方法和脚型判断装置 |
CN116362848A (zh) * | 2023-06-03 | 2023-06-30 | 成都豪杰特科技有限公司 | 基于人工智能的电子商务的推荐方法、系统、设备和介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104679857A (zh) * | 2015-02-16 | 2015-06-03 | 陈萌 | 一种基于匹配的信息推荐方法和系统 |
CN104732526A (zh) * | 2015-02-16 | 2015-06-24 | 陈萌 | 一种足鞋匹配方法和装置 |
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 |
CN107316221A (zh) * | 2017-05-26 | 2017-11-03 | 深圳市云智数据服务有限公司 | 一种基于大数据分析的个性化在线购物平台以及实现方法 |
CN107609928A (zh) * | 2017-07-24 | 2018-01-19 | 北京知足科技有限公司 | 一种儿童鞋码推荐方法及装置 |
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 |
CN109034935A (zh) * | 2018-06-06 | 2018-12-18 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备及存储介质 |
-
2019
- 2019-01-17 CN CN201910043291.5A patent/CN109934664A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104679857A (zh) * | 2015-02-16 | 2015-06-03 | 陈萌 | 一种基于匹配的信息推荐方法和系统 |
CN104732526A (zh) * | 2015-02-16 | 2015-06-24 | 陈萌 | 一种足鞋匹配方法和装置 |
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 |
CN107316221A (zh) * | 2017-05-26 | 2017-11-03 | 深圳市云智数据服务有限公司 | 一种基于大数据分析的个性化在线购物平台以及实现方法 |
CN107609928A (zh) * | 2017-07-24 | 2018-01-19 | 北京知足科技有限公司 | 一种儿童鞋码推荐方法及装置 |
CN109034935A (zh) * | 2018-06-06 | 2018-12-18 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、计算机设备及存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037882A (zh) * | 2020-08-26 | 2020-12-04 | 福建省万物智联科技有限公司 | 信息匹配推送方法、系统、存储介质 |
CN112765472A (zh) * | 2021-01-27 | 2021-05-07 | 珠海格力电器股份有限公司 | 推荐方法以及智能鞋柜 |
CN112991015A (zh) * | 2021-03-22 | 2021-06-18 | 巫东歌 | 一种鞋码自动匹配推荐方法 |
CN113065922A (zh) * | 2021-04-13 | 2021-07-02 | 武汉市章瀚电子商务有限公司 | 基于移动互联网和大数据分析的电子商务购物平台商品智能匹配推荐方法 |
CN113065922B (zh) * | 2021-04-13 | 2021-12-07 | 南京莫愁智慧信息科技有限公司 | 基于移动互联网和大数据分析的电子商务购物平台商品智能匹配推荐方法 |
CN114246394A (zh) * | 2021-12-22 | 2022-03-29 | 苏州三星电子电脑有限公司 | 脚型判断方法和脚型判断装置 |
CN116362848A (zh) * | 2023-06-03 | 2023-06-30 | 成都豪杰特科技有限公司 | 基于人工智能的电子商务的推荐方法、系统、设备和介质 |
CN116362848B (zh) * | 2023-06-03 | 2023-10-27 | 广州爱特安为科技股份有限公司 | 基于人工智能的电子商务的推荐方法、系统、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934664A (zh) | 基于鞋交易的智能推荐方法、装置、设备及存储介质 | |
US10956967B2 (en) | Generating and providing augmented reality representations of recommended products based on style similarity in relation to real-world surroundings | |
US11039675B2 (en) | Systems and methods for virtual facial makeup removal and simulation, fast facial detection and landmark tracking, reduction in input video lag and shaking, and method for recommending makeup | |
JP7075085B2 (ja) | 全身測定値抽出のためのシステムおよび方法 | |
US10789622B2 (en) | Generating and providing augmented reality representations of recommended products based on style compatibility in relation to real-world surroundings | |
US9336459B2 (en) | Interactive content generation | |
CN108416902B (zh) | 基于差异识别的实时物体识别方法和装置 | |
US8644551B2 (en) | Systems and methods for tracking natural planar shapes for augmented reality applications | |
CN105493078B (zh) | 彩色草图图像搜索 | |
CN106303599B (zh) | 一种信息处理方法、系统及服务器 | |
CN108921585A (zh) | 一种广告推送方法、装置、设备及存储介质 | |
CN109711399B (zh) | 基于图像的店铺识别方法、装置,电子设备 | |
CN105210110A (zh) | 美容辅助装置、美容辅助系统、美容辅助方法以及美容辅助程序 | |
US11475500B2 (en) | Device and method for item recommendation based on visual elements | |
US11176738B2 (en) | Method for calculating the comfort level of footwear | |
CN106846122A (zh) | 商品数据处理方法和装置 | |
Buoncompagni et al. | Saliency-based keypoint selection for fast object detection and matching | |
Jampour et al. | Face inpainting based on high-level facial attributes | |
Mairon et al. | A closer look at context: From coxels to the contextual emergence of object saliency | |
Dogra et al. | Evaluation of segmentation techniques using region area and boundary matching information | |
KR20200025291A (ko) | 사용자 단말기를 이용한 퍼스널 컬러진단을 통한 쇼핑서비스 제공방법 및 그 시스템 | |
US10237530B1 (en) | Depth-map augmentation techniques | |
CN108446737B (zh) | 用于识别对象的方法和装置 | |
CN107704873A (zh) | 一种基于脚型和肥瘦度的鞋款适配系统及方法 | |
CN111199223A (zh) | 识别方法和设备、存储介质及处理器 |
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 |