CN111177622A - 基于机器学习的网页渲染方法、装置和计算机设备 - Google Patents
基于机器学习的网页渲染方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111177622A CN111177622A CN201911342654.1A CN201911342654A CN111177622A CN 111177622 A CN111177622 A CN 111177622A CN 201911342654 A CN201911342654 A CN 201911342654A CN 111177622 A CN111177622 A CN 111177622A
- Authority
- CN
- China
- Prior art keywords
- face image
- preset
- rendering
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请揭示了一种基于机器学习的网页渲染方法、装置、计算机设备和存储介质,所述方法包括:利用预设的摄像头采集用户的第一人脸图像;计算第一人脸图像与指定人脸图像的图像相似度值;若相似度值不大于预设的图像相似度阈值,则将第一人脸图像输入预设的预测模型中的线性分类器中进行计算,得到所述线性分类器输出的特征信息;将所述特征信息输入所述非线性分类器中进行计算,得到由多个子信息构成的网页渲染信息;将所述多个子信息对应发送给多个服务器;接收所述多个服务器对应返回的所述多个子数据包,并组合为渲染数据包,利用渲染数据包渲染网页。从而实现网页渲染自适应特殊人群(例如高龄人群),提高网页使用效率。
Description
技术领域
本申请涉及到计算机领域,特别是涉及到一种基于机器学习的网页渲染方法、装置、计算机设备和存储介质。
背景技术
随着互联网行业的迅速发展,现今人们已经习惯于利用计算机设备浏览互联网上的网页。但是传统技术的网页(或网页渲染方法),只存在固定样式的几种网页设置,例如白天模式网页、黑夜模式网页、主题模式网页等,但这些网页设置的数量有限,并且这些网页设置需要用户手动设置,无法根据用户的特征状况进行自动调整。另外,对于老年人,由于其视力降低等生理因素,其更适合于布局简单、字号较大的网页,然而传统技术的网页无法根据用户人群特征进行自动调整,从而使得用户使用网页的效率低下。
发明内容
本申请的主要目的为提供一种基于机器学习的网页渲染方法、装置、计算机设备和存储介质,旨在使网页渲染自适应特殊人群(例如高龄人群),提高网页使用效率。
为了实现上述发明目的,本申请提出一种基于机器学习的网页渲染方法,包括以下步骤:
利用预设的摄像头采集用户的第一人脸图像;
根据预设的图像相似度计算方法,计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值,并判断所述相似度值是否大于预设的图像相似度阈值;
若所述相似度值不大于预设的图像相似度阈值,则将所述第一人脸图像输入预设的预测模型中的线性分类器中进行计算,从而得到所述线性分类器输出的特征信息,所述特征信息至少包括预测的年龄段区间;其中所述预测模型由所述线性分类器与预设的非线性分类器顺序连接而成;所述线性分类器是预先通过包括面部图像和与面部图像对应的特征信息的样本数据训练而成的;
将所述特征信息输入所述非线性分类器中进行计算,从而得到所述非线性分类器输出的由多个子信息构成的网页渲染信息,其中所述多个子信息至少包括网页的颜色子信息、图标风格子信息和布局风格子信息;所述非线性分类器是预先通过包括特征信息和特征信息对应的多个子信息的样本数据训练而成的;
发送所述多个子信息及返回用于网页渲染的子数据包的请求信息给对应的多个服务器;
接收所述多个服务器对应返回的所述多个子数据包,并将所述多个子数据包组合为渲染数据包,利用所述渲染数据包渲染所述网页。
进一步地,所述根据预设的图像相似度计算方法,计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值的步骤,包括:
根据预设的缩放方法,对所述第一人脸图像进行缩放处理,从而得到缩放图片,其中所述缩放图片的眉眼间距与所述指定人脸图像的眉眼间距相等;
获取所述缩放图片中的多个第一特征长度,以及获取所述指定人脸图像中的多个第二特征长度,其中所述多个第一特征长度和所述多个第二特征长度均至少包括脸长和脸宽,所述多个第一特征长度与所述多个第二特征长度一一对应;
生成第一矩阵[U1,U2,...,Un]和第二矩阵[P1,P2,...,Pn],其中U1,U2,...,Un为所述多个第一特征长度,P1,P2,...,Pn为所述多个第二特征长度,共有n个第一特征长度和n个第二特征长度;
根据公式:M=1/|||[U1,U2,...,Un][P1,P2,...,Pn]T||-n|,计算出所述第一人脸图像与指定人脸图像的图像相似度值M。
进一步地,所述根据预设的缩放方法,对所述第一人脸图像进行缩放处理,从而得到缩放图片的步骤,包括:
利用预设的面部特征点检测模型对所述第一人脸图像进行检测,从而得到多个第一面部特征点;以及,利用所述面部特征点检测模型对所述指定人脸图像进行检测,从而得到多个第二面部特征点;
生成所述多个第一面部特征点的第一最小外接矩形,以及生成所述多个第二面部特征点的第二最小外接矩形;
采用等比例缩放的方法对所述第一人脸图像进行缩放处理,以使所述第一最小外接矩形的面积等于所述第二最小外接矩形的面积,从而得到缩放图片。
进一步地,所述面部特征点检测模型仅由以预设的标准姿态放置的人脸图像训练而成,所述指定人脸图像以标准姿态放置,所述利用预设的面部特征点检测模型对所述第一人脸图像进行检测,从而得到多个第一面部特征点;以及,利用所述面部特征点检测模型对所述指定人脸图像进行检测,从而得到多个第二面部特征点的步骤,包括:
利用预设的面部特征点检测模型对所述第一人脸图像进行检测,从而得到第一数量,以及利用所述面部特征点检测模型对所述第二人脸图像进行检测,从而得到第二数量,其中所述第一数量指第一人脸图像中的面部特征点数量,所述第二数量指所述指定人脸图像中的面部特征点数量;
判断所述第一数量减去所述第二数量的差值绝对值是否小于预设的差值阈值;
若所述第一数量减去所述第二数量的差值绝对值不小于预设的差值阈值,则对所述第一人脸图像进行一次或多次旋转处理,从而得到一张或多张旋转图像;
依次利用所述面部特征点检测模型对所述旋转图像进行检测,直到检测到的面部特征点数量减去所述第二数量的差值绝对值小于预设的差值阈值,并将所述面部特征点检测模型最后一次输出的面部特征点记为第一面部特征点;
获取所述第一面部特征点,以及获取所述面部特征点检测模型对所述第二人脸图像进行检测,从而生成的第二面部特征点。
进一步地,所述根据预设的图像相似度计算方法,计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值,并判断所述相似度值是否大于预设的图像相似度阈值的步骤之后,包括:
若所述相似度值大于预设的图像相似度阈值,则根据预设的人脸图像与数据包的对应关系,获取与所述指定人脸图像对应的指定数据包,其中所述指定数据包用于渲染网页;
利用所述指定数据包渲染网页。
进一步地,所述若所述相似度值不大于预设的图像相似度阈值,则将所述第一人脸图像输入预设的预测模型中的线性分类器中进行计算,从而得到所述线性分类器输出的特征信息,所述特征信息至少包括预测的年龄段区间;其中所述预测模型由所述线性分类器与预设的非线性分类器顺序连接而成的步骤之前,包括:
获取预先收集的训练数据和测试数据,所述训练数据和测试数据均包括面部图像和与面部图像对应的特征信息;
采用随机梯度下降法,利用所述训练数据训练预设的初始线性分类器,从而得到中间线性分类器;
利用所述测试数据验证所述中间线性分类器,并判断所述中间线性分类器是否验证通过;
若所述中间线性分类器验证通过,则将所述中间线性分类器作为最终的线性分类器。
进一步地,所述网页渲染方法应用于渲染终端,所述渲染终端与所述多个服务器通过网关实现通信连接,所述将所述多个子信息对应发送给多个服务器的步骤,包括:
采用与多个服务器分别预先约定的第一加密方法,对所述多个子信息进行分别加密,从而得到多个第一子密文;
将所述多个第一子密文组合为中间密文;
采用与网关预先约定的第二加密方法,对所述中间密文进行加密处理,从而得到最终密文;
将所述最终密文发送给网关,并要求所述网关对所述最终密文进行解密并拆分处理以得到多个第一子密文,并将所述多个第一子密文对应发送给多个服务器。
本申请提供一种基于机器学习的网页渲染装置,包括:
第一人脸图像采集单元,用于利用预设的摄像头采集用户的第一人脸图像;
图像相似度值判断单元,用于根据预设的图像相似度计算方法,计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值,并判断所述相似度值是否大于预设的图像相似度阈值;
特征信息获取单元,用于若所述相似度值不大于预设的图像相似度阈值,则将所述第一人脸图像输入预设的预测模型中的线性分类器中进行计算,从而得到所述线性分类器输出的特征信息,所述特征信息至少包括预测的年龄段区间;其中所述预测模型由所述线性分类器与预设的非线性分类器顺序连接而成;所述线性分类器是预先通过包括面部图像和与面部图像对应的特征信息的样本数据训练而成的;
网页渲染信息获取单元,用于将所述特征信息输入所述非线性分类器中进行计算,从而得到所述非线性分类器输出的由多个子信息构成的网页渲染信息,其中所述多个子信息至少包括网页的颜色子信息、图标风格子信息和布局风格子信息;所述非线性分类器是预先通过包括特征信息和特征信息对应的多个子信息的样本数据训练而成的;
子信息发送单元,用于发送所述多个子信息及返回用于网页渲染的子数据包的请求信息给对应的多个服务器;
网页渲染单元,用于接收所述多个服务器对应返回的所述多个子数据包,并将所述多个子数据包组合为渲染数据包,利用所述渲染数据包渲染所述网页。
本申请提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于机器学习的网页渲染方法、装置、计算机设备和存储介质,利用预设的摄像头采集用户的第一人脸图像;计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值,并判断所述相似度值是否大于预设的图像相似度阈值;若所述相似度值不大于预设的图像相似度阈值,则将所述第一人脸图像输入预设的预测模型中的线性分类器中进行计算,从而得到所述线性分类器输出的特征信息;将所述特征信息输入所述非线性分类器中进行计算,从而得到所述非线性分类器输出的由多个子信息构成的网页渲染信息;将所述多个子信息对应发送给多个服务器;接收所述多个服务器对应返回的所述多个子数据包,并将所述多个子数据包组合为渲染数据包,利用所述渲染数据包渲染所述网页。从而实现网页渲染自适应特殊人群(例如高龄人群),提高网页使用效率。
附图说明
图1为本申请一实施例的基于机器学习的网页渲染方法的流程示意图;
图2为本申请一实施例的基于机器学习的网页渲染装置的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、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
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请实施例提供一种基于机器学习的网页渲染方法,包括以下步骤:
S1、利用预设的摄像头采集用户的第一人脸图像;
S2、根据预设的图像相似度计算方法,计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值,并判断所述相似度值是否大于预设的图像相似度阈值;
S3、若所述相似度值不大于预设的图像相似度阈值,则将所述第一人脸图像输入预设的预测模型中的线性分类器中进行计算,从而得到所述线性分类器输出的特征信息,所述特征信息至少包括预测的年龄段区间;其中所述预测模型由所述线性分类器与预设的非线性分类器顺序连接而成;所述线性分类器是预先通过包括面部图像和与面部图像对应的特征信息的样本数据训练而成的;
S4、将所述特征信息输入所述非线性分类器中进行计算,从而得到所述非线性分类器输出的由多个子信息构成的网页渲染信息,其中所述多个子信息至少包括网页的颜色子信息、图标风格子信息和布局风格子信息;所述非线性分类器是预先通过包括特征信息和特征信息对应的多个子信息的样本数据训练而成的;
S5、发送所述多个子信息及返回用于网页渲染的子数据包的请求信息给对应的多个服务器;
S6、接收所述多个服务器对应返回的所述多个子数据包,并将所述多个子数据包组合为渲染数据包,利用所述渲染数据包渲染所述网页。
如上述步骤S1所述,利用预设的摄像头采集用户的第一人脸图像。本申请能够实现针对用户的实际状况提供合适的网页,以提高用户使用见面的效率。据此,利用预设的摄像头采集用户的第一人脸图像。所述第一人脸图像将作为获取用户信息的基础,被准确解析。
如上述步骤S2所述,根据预设的图像相似度计算方法,计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值,并判断所述相似度值是否大于预设的图像相似度阈值。所述指定人脸图像的获取方式可为任意可行方式,例如为:获取所述用户的登陆信息(例如用户帐号、用户身份证号等等),根据预设的登陆信息-人脸图像的对应关系,从预设的人脸图像数据库中调取与所述登陆信息对应的指定人脸图像。并且,所述判断所述相似度值是否大于预设的图像相似度阈值,的目的之一至少包括了,筛选出不准确的用户(例如自然人A使用了用户B的帐号进行登陆),以提高本申请的网页渲染的准确性。其中,所述指定人脸图像的数量为一幅。图像相似度值用于衡量所述第一人脸图像与预存的指定人脸图像是否相似,若相似度值高(即所述相似度值大于预设的图像相似度阈值),表明指定人脸图像即是用户的人脸图像,即用户的数据是预先获取了,因此无需进一步解析第一人脸图像,直接根据预设的人脸图像与数据包的对应关系,获取与所述指定人脸图像对应的指定数据包,其中所述指定数据包用于渲染网页;利用所述指定数据包渲染网页,即可提供合适的网页。其中,本申请预先收集有多个用户的人脸图像、以及多个用户的惯用网页渲染数据(即数据包),从而能够形成人脸图像与数据包的对应关系,因此在获知某个用户的人脸图像后,即可根据人脸图像与数据包的对应关系获取对应的数据包。若相似度值低,则需进一步解析第一人脸图像。其中,所述图像相似度计算方法例如为:根据预设的缩放方法,对所述第一人脸图像进行缩放处理,从而得到缩放图片,其中所述缩放图片与所述指定人脸图像的尺寸相同(尺寸相同指图片的长度与宽度均相同,从而利于图片的比对);获取所述缩放图片中的多个第一特征长度,以及获取所述指定人脸图像中的多个第二特征长度,其中所述多个第一特征长度和所述多个第二特征长度均至少包括脸长和脸宽,所述多个第一特征长度与所述多个第二特征长度一一对应;生成第一矩阵[U1,U2,...,Un]和第二矩阵[P1,P2,...,Pn],其中U1,U2,...,Un为所述多个第一特征长度,P1,P2,...,Pn为所述多个第二特征长度,共有n个第一特征长度和n个第二特征长度;根据公式:M=1/|||[U1,U2,...,Un][P1,P2,...,Pn]T||-n|,计算出所述第一人脸图像与指定人脸图像的图像相似度值M。
如上述步骤S3所述,若所述相似度值不大于预设的图像相似度阈值,则将所述第一人脸图像输入预设的预测模型中的线性分类器中进行计算,从而得到所述线性分类器输出的特征信息,所述特征信息至少包括预测的年龄段区间;其中所述预测模型由所述线性分类器与预设的非线性分类器顺序连接而成。本申请采用分段式设置的预测模型,即由所述线性分类器与预设的非线性分类器顺序连接而成的预测模型,以对所述第一人脸图像进行处理。由于采用了分段式设置,有利于当所述预测模型出错时,快速分析出错原因。其中所述线性分类器可为任意可行的模型,例如为支持向量机(线性内核)、贝叶斯分类器、单层感知机等。所述非线性分类器可为任意可行的模型,例如为基于神经网络的分类器、决策树等。
如上述步骤S4所述,将所述特征信息输入所述非线性分类器中进行计算,从而得到所述非线性分类器输出的由多个子信息构成的网页渲染信息,其中所述多个子信息至少包括网页的颜色子信息、图标风格子信息和布局风格子信息。其中,所述非线性分类器可以采用监督学习的方法,利用预先收集的样本数据训练而成,所述样本数据包括特征信息和特征信息对应的多个子信息。所述非线性分类器用于根据所述特征信息,预测出用户合适的网页渲染信息。并且本申请采用由多个子信息构成的网页渲染信息的方式,以实现网页设置的多样化。
如上述步骤S5所述,发送所述多个子信息及返回用于网页渲染的子数据包的请求信息给对应的多个服务器。本申请采用多个服务器分别提供子信息的方式,以使网页渲染需要的数据分散分布在不同的服务器,由于每个服务器只需提供子数据包,因此计算压力得到缓解,从而能够提供更多种类的子数据包,进而实现多种类的网页,从而网页的种类数量将得到数量级的提升(因为每个服务器能专注于某种子数据包,因此子数据包的数量增加,组合后能渲染的网页种类也大大增加)。其中所述子数据包中包含渲染网页需要的数据,例如网页参数、图标的图片等。进一步地,所述网页通过分阶段式渲染生成,例如网页侧边栏的渲染、顶部菜单栏的渲染、全网页的图标渲染,其中所述分阶段式渲染仅表示分项目进行渲染,但不代表渲染顺序,例如网页侧边栏的渲染和顶部菜单栏的渲染可以同时或者不同时进行。相应的,每个所述子数据包只用于渲染的网页的一个微结构(项目),其中所述微结构指所述网页在渲染时能够单独渲染而成的最小单元,例如侧边栏的指定按钮的功能实现、全网页的图标渲染等等。
如上述步骤S6所述,接收所述多个服务器对应返回的所述多个子数据包,并将所述多个子数据包组合为渲染数据包,利用所述渲染数据包渲染所述网页。渲染网页需要渲染数据包。通过接收所述多个服务器对应返回的所述多个子数据包,并组合为渲染数据包,从而在渲染网页时计算机能够从所述渲染数据包中提取数据,进而渲染网页。
在一个实施方式中,所述根据预设的图像相似度计算方法,计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值的步骤S2,包括:
S201、根据预设的缩放方法,对所述第一人脸图像进行缩放处理,从而得到缩放图片,其中所述缩放图片的眉眼间距与所述指定人脸图像的眉眼间距相等;
S202、获取所述缩放图片中的多个第一特征长度,以及获取所述指定人脸图像中的多个第二特征长度,其中所述多个第一特征长度和所述多个第二特征长度均至少包括脸长和脸宽,所述多个第一特征长度与所述多个第二特征长度一一对应;
S203、生成第一矩阵[U1,U2,...,Un]和第二矩阵[P1,P2,...,Pn],其中U1,U2,...,Un为所述多个第一特征长度,P1,P2,...,Pn为所述多个第二特征长度,共有n个第一特征长度和n个第二特征长度;
S204、根据公式:M=1/|||[U1,U2,...,Un][P1,P2,...,Pn]T||-n|,计算出所述第一人脸图像与指定人脸图像的图像相似度值M。
如上所述,实现了计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值。眉眼间距指人的眉毛与眼睛之间的距离,不同人的眉眼间距可能不相同。本申请根据预设的缩放方法,对所述第一人脸图像进行缩放处理,从而得到缩放图片,其中所述缩放图片的眉眼间距与所述指定人脸图像的眉眼间距相等,从而使第一人脸图像与预存的指定人脸图像可以进行特征长度的对比。再获取所述缩放图片中的多个第一特征长度,以及获取所述指定人脸图像中的多个第二特征长度;生成第一矩阵[U1,U2,...,Un]和第二矩阵[P1,P2,...,Pn],根据公式:M=1/|||[U1,U2,...,Un][P1,P2,...,Pn]T||-n|,计算出所述第一人脸图像与指定人脸图像的图像相似度值M。若所述第一人脸图像与预存的指定人脸图像的图像相似,那么||[U1,U2,...,Un][P1,P2,...,Pn]T||的数值将接近于n,从而M的值将接近于无穷大,因此图像相似度值M能够作为衡量图像相似度值的标准。另外,由于人体的结构特性,若人脸A的某个特征长度大于人脸B,那么一般而言,人脸A的所有特征长度均大于人脸B,因此本申请采用根据公式:M=1/|||[U1,U2,...,Un][P1,P2,...,Pn]T||-n|,能够将特征长度的差异进行放大,从而提高了图像相似度计算的准确性。
在一个实施方式中,所述根据预设的缩放方法,对所述第一人脸图像进行缩放处理,从而得到缩放图片的步骤S201,包括:
S2011、利用预设的面部特征点检测模型对所述第一人脸图像进行检测,从而得到多个第一面部特征点;以及,利用所述面部特征点检测模型对所述指定人脸图像进行检测,从而得到多个第二面部特征点;
S2012、生成所述多个第一面部特征点的第一最小外接矩形,以及生成所述多个第二面部特征点的第二最小外接矩形;
S2013、采用等比例缩放的方法对所述第一人脸图像进行缩放处理,以使所述第一最小外接矩形的面积等于所述第二最小外接矩形的面积,从而得到缩放图片。
如上所述,实现了根据预设的缩放方法,对所述第一人脸图像进行缩放处理,从而得到缩放图片。缩放准确是图像相似度计算的前提条件,极为重要。本申请利用预设的面部特征点检测模型对所述第一人脸图像进行检测,从而得到多个第一面部特征点;以及,利用所述面部特征点检测模型对所述指定人脸图像进行检测,从而得到多个第二面部特征点;生成所述多个第一面部特征点的第一最小外接矩形,以及生成所述多个第二面部特征点的第二最小外接矩形;采用等比例缩放的方法对所述第一人脸图像进行缩放处理,以使所述第一最小外接矩形的面积等于所述第二最小外接矩形的面积的方式进行缩放,提高了缩放的准确性。其中,所述面部特征点检测模型可为任意模型,例如为基于神经网络模型训练而得的模型。所述面部特征点检测模型例如采用下述方式获得:调用样本数据,并将所述样本数据分成训练数据和测试数据;其中,样本数据仅由按标准姿态放置的人脸图像和人脸图像中标注的特征点构成;利用训练数据并采用随机梯度下降法进行训练预设的神经网络模型,从而得到面部特征点中间检测模型;采用所述测试数据验证面部特征点中间检测模型;若验证通过,则将所述面部特征点中间检测模型记为所述面部特征点检测模型。其中,面部特征点例如为瞳孔中点等。由于每个人脸的结构都是相似的,因此都具有相同的特征点,当然,特征点的位置因人而异。本申请采用生成所述多个第一面部特征点的第一最小外接矩形,以及生成所述多个第二面部特征点的第二最小外接矩形的方式,利用上了所有面部特征点。再采用等比例缩放的方法对所述第一人脸图像进行缩放处理,以使所述第一最小外接矩形的面积等于所述第二最小外接矩形的面积,从而得到缩放图片,以实现准确的缩放。
在一个实施方式中,所述面部特征点检测模型仅由以预设的标准姿态放置的人脸图像训练而成,所述指定人脸图像以标准姿态放置,所述利用预设的面部特征点检测模型对所述第一人脸图像进行检测,从而得到多个第一面部特征点;以及,利用所述面部特征点检测模型对所述指定人脸图像进行检测,从而得到多个第二面部特征点的步骤S2011,包括:
S20111、利用预设的面部特征点检测模型对所述第一人脸图像进行检测,从而得到第一数量,以及利用所述面部特征点检测模型对所述第二人脸图像进行检测,从而得到第二数量,其中所述第一数量指第一人脸图像中的面部特征点数量,所述第二数量指所述指定人脸图像中的面部特征点数量;
S20112、判断所述第一数量减去所述第二数量的差值绝对值是否小于预设的差值阈值;
S20113、若所述第一数量减去所述第二数量的差值绝对值不小于预设的差值阈值,则对所述第一人脸图像进行一次或多次旋转处理,从而得到一张或多张旋转图像;
S20114、依次利用所述面部特征点检测模型对所述旋转图像进行检测,直到检测到的面部特征点数量减去所述第二数量的差值绝对值小于预设的差值阈值,并将所述面部特征点检测模型最后一次输出的面部特征点记为第一面部特征点;
S20115、获取所述第一面部特征点,以及获取所述面部特征点检测模型对所述第二人脸图像进行检测,从而生成的第二面部特征点。
如上所述,实现了利用预设的面部特征点检测模型对所述第一人脸图像进行检测,从而得到多个第一面部特征点;以及,利用所述面部特征点检测模型对所述指定人脸图像进行检测,从而得到多个第二面部特征点。本申请采用的面部特征点检测模型仅由以预设的标准姿态放置的人脸图像训练而成,从而面部特征点检测模型可以在短时间内训练完成(因为仅由标准姿态放置的人脸图像,不考虑其他姿态,因此有效减少了训练样本的数量),但相应地,面部特征点检测模型只能检测按标准姿态放置的人脸图像。因此,需要先将第一人脸图像旋转为按标准姿态放置。其中,所述面部特征点检测模型可为任意模型,例如为基于神经网络模型训练而得的模型。所述面部特征点检测模型例如采用下述方式获得:调用样本数据,并将所述样本数据分成训练数据和测试数据;其中,样本数据仅由按标准姿态放置的人脸图像和人脸图像中标注的特征点构成;利用训练数据并采用随机梯度下降法进行训练预设的神经网络模型,从而得到面部特征点中间检测模型;采用所述测试数据验证面部特征点中间检测模型;若验证通过,则将所述面部特征点中间检测模型记为所述面部特征点检测模型。其中,所述旋转处理可为任意可行的旋转处理,例如以人脸图像中心为旋转中心,顺时针旋转或者逆时针旋转预设角度。其中所述预设角度例如为1-180度,优选90度。其中,正是由于所述面部特征点检测模型仅由以预设的标准姿态放置的人脸图像训练而成,因此非标准姿态放置的第一人脸图像将无法被检测出面部特征点(或仅能检测出少量面部特征点),因此通过判断预设的面部特征点检测模型对所述第一人脸图像进行检测得到第一数量,即可获知第一人脸图像的放置姿态。若所述第一数量减去所述第二数量的差值绝对值不小于预设的差值阈值,则表明第一人脸图像的放置姿态不为标准姿态,因此对所述第一人脸图像进行一次或多次旋转处理;依次利用所述面部特征点检测模型对所述旋转图像进行检测,直到检测到的面部特征点数量减去所述第二数量的差值绝对值小于预设的差值阈值,并将所述面部特征点检测模型最后一次输出的面部特征点记为第一面部特征点;获取所述第一面部特征点,以及获取所述面部特征点检测模型对所述第二人脸图像进行检测,从而生成的第二面部特征点。从而在保证实现面部特征点提取的基础上,减少面部特征点检测模型的训练时间。
在一个实施方式中,所述根据预设的图像相似度计算方法,计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值,并判断所述相似度值是否大于预设的图像相似度阈值的步骤S2之后,包括:
S21、若所述相似度值大于预设的图像相似度阈值,则根据预设的人脸图像与数据包的对应关系,获取与所述指定人脸图像对应的指定数据包,其中所述指定数据包用于渲染网页;
S22、利用所述指定数据包渲染网页。
如上所述,实现了利用所述指定数据包渲染网页。若所述相似度值大于预设的图像相似度阈值,表明所述第一人脸图像与所述指定人脸图像相似,即所述指定人脸图像能够代表所述第一人脸图像所属用户,因此直接利用所述指定人脸图像相关联的指定数据包即可。本申请通过预存指定人脸图像的方式,将用户的信息进行预先保存,使得用户仅在第一次渲染网页时需要使用所述预测模型对所述第一人脸图像进行处理,而在非第一次渲染网页时可直接调用预存的指定数据包,从而减少不必要的计算消耗,同时提高了网页渲染速度。
在一个实施方式中,所述若所述相似度值不大于预设的图像相似度阈值,则将所述第一人脸图像输入预设的预测模型中的线性分类器中进行计算,从而得到所述线性分类器输出的特征信息,所述特征信息至少包括预测的年龄段区间;其中所述预测模型由所述线性分类器与预设的非线性分类器顺序连接而成的步骤S3之前,包括:
S211、获取预先收集的训练数据和测试数据,所述训练数据和测试数据均包括面部图像和与面部图像对应的特征信息;
S212、采用随机梯度下降法,利用所述训练数据训练预设的初始线性分类器,从而得到中间线性分类器;
S213、利用所述测试数据验证所述中间线性分类器,并判断所述中间线性分类器是否验证通过;
S214、若所述中间线性分类器验证通过,则将所述中间线性分类器作为最终的线性分类器。
如上所述,实现了获取最终的线性分类器。其中所述线性分类器可为任意可行的模型,例如为支持向量机(线性内核)、贝叶斯分类器、单层感知机等。本申请采用监督学习的方式训练所述线性分类器,采用均包括面部图像和与面部图像对应的特征信息的训练数据和测试数据,分别用于训练与验证时使用。并采用随机梯度下降法,利用所述训练数据训练预设的初始线性分类器。所述随机梯度下降法指随机选取多个训练数据,以代替所有的训练数据进行训练,以提高训练速度。再采用所述测试数据验证所述中间线性分类器,若所述中间线性分类器验证通过,则表明所述中间线性分类器可用,因此将所述中间线性分类器作为最终的线性分类器。
在一个实施方式中,所述网页渲染方法应用于渲染终端,所述渲染终端与所述多个服务器通过网关实现通信连接,所述将所述多个子信息对应发送给多个服务器的步骤S5,包括:
S501、采用与多个服务器分别预先约定的第一加密方法,对所述多个子信息进行分别加密,从而得到多个第一子密文;
S502、将所述多个第一子密文组合为中间密文;
S503、采用与网关预先约定的第二加密方法,对所述中间密文进行加密处理,从而得到最终密文;
S504、将所述最终密文发送给网关,并要求所述网关对所述最终密文进行解密并拆分处理以得到多个第一子密文,并将所述多个第一子密文对应发送给多个服务器。
如上所述,实现了将所述多个子信息对应发送给多个服务器。本申请通过二次加密的方式,提高了信息安全性。其中所述第一加密方法和第二加密方法均可以为任意可行的加密方法,包括且不限于对称加密(例如哈希加密)、非对称加密。其中,渲染终端与多个服务器分别预先约定第一加密方法,因此多个服务器能够解密第一子密文;渲染终端与网关预先约定的第二加密方法,因此网关能够解密最终密文。但是网关无法得知子密文的具体信息,而服务器也仅能解密对应的第一子密文。因此无论是对于意图窃取信息的第三方(需要截取最终密文,还需要获取第一加密方法和第二加密方法,因此最终密文较难被破解)、或者是网关以及多个服务器,均难以获取完整的信息,从而提高了信息安全性。
本申请的基于机器学习的网页渲染方法,利用预设的摄像头采集用户的第一人脸图像;计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值,并判断所述相似度值是否大于预设的图像相似度阈值;若所述相似度值不大于预设的图像相似度阈值,则将所述第一人脸图像输入预设的预测模型中的线性分类器中进行计算,从而得到所述线性分类器输出的特征信息;将所述特征信息输入所述非线性分类器中进行计算,从而得到所述非线性分类器输出的由多个子信息构成的网页渲染信息;将所述多个子信息对应发送给多个服务器;接收所述多个服务器对应返回的所述多个子数据包,并将所述多个子数据包组合为渲染数据包,利用所述渲染数据包渲染所述网页。从而实现网页渲染自适应特殊人群(例如高龄人群),提高网页使用效率。
参照图2,本申请实施例提供一种基于机器学习的网页渲染装置,包括:
第一人脸图像采集单元10,用于利用预设的摄像头采集用户的第一人脸图像;
图像相似度值判断单元20,用于根据预设的图像相似度计算方法,计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值,并判断所述相似度值是否大于预设的图像相似度阈值;
特征信息获取单元30,用于若所述相似度值不大于预设的图像相似度阈值,则将所述第一人脸图像输入预设的预测模型中的线性分类器中进行计算,从而得到所述线性分类器输出的特征信息,所述特征信息至少包括预测的年龄段区间;其中所述预测模型由所述线性分类器与预设的非线性分类器顺序连接而成;所述线性分类器是预先通过包括面部图像和与面部图像对应的特征信息的样本数据训练而成的;
网页渲染信息获取单元40,用于将所述特征信息输入所述非线性分类器中进行计算,从而得到所述非线性分类器输出的由多个子信息构成的网页渲染信息,其中所述多个子信息至少包括网页的颜色子信息、图标风格子信息和布局风格子信息;所述非线性分类器是预先通过包括特征信息和特征信息对应的多个子信息的样本数据训练而成的;
子信息发送单元50,用于发送所述多个子信息及返回用于网页渲染的子数据包的请求信息给对应的多个服务器;
网页渲染单元60,用于接收所述多个服务器对应返回的所述多个子数据包,并将所述多个子数据包组合为渲染数据包,利用所述渲染数据包渲染所述网页。
其中上述单元分别用于执行的操作与前述实施方式的基于机器学习的网页渲染方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述图像相似度值判断单元20,包括:
缩放子单元,用于根据预设的缩放方法,对所述第一人脸图像进行缩放处理,从而得到缩放图片,其中所述缩放图片的眉眼间距与所述指定人脸图像的眉眼间距相等;
特征长度获取子单元,用于获取所述缩放图片中的多个第一特征长度,以及获取所述指定人脸图像中的多个第二特征长度,其中所述多个第一特征长度和所述多个第二特征长度均至少包括脸长和脸宽,所述多个第一特征长度与所述多个第二特征长度一一对应;
矩阵生成子单元,用于生成第一矩阵[U1,U2,...,Un]和第二矩阵[P1,P2,...,Pn],其中U1,U2,...,Un为所述多个第一特征长度,P1,P2,...,Pn为所述多个第二特征长度,共有n个第一特征长度和n个第二特征长度;
图像相似度值M计算子单元,用于根据公式:M=1/|||[U1,U2,...,Un][P1,P2,...,Pn]T||-n|,计算出所述第一人脸图像与指定人脸图像的图像相似度值M。
其中上述子单元分别用于执行的操作与前述实施方式的基于机器学习的网页渲染方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述缩放子单元,包括:
面部特征点检测模块,用于利用预设的面部特征点检测模型对所述第一人脸图像进行检测,从而得到多个第一面部特征点;以及,利用所述面部特征点检测模型对所述指定人脸图像进行检测,从而得到多个第二面部特征点;
外接矩形生成模块,用于生成所述多个第一面部特征点的第一最小外接矩形,以及生成所述多个第二面部特征点的第二最小外接矩形;
缩放模块,用于采用等比例缩放的方法对所述第一人脸图像进行缩放处理,以使所述第一最小外接矩形的面积等于所述第二最小外接矩形的面积,从而得到缩放图片。
其中上述模块分别用于执行的操作与前述实施方式的基于机器学习的网页渲染方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述面部特征点检测模型仅由以预设的标准姿态放置的人脸图像训练而成,所述指定人脸图像以标准姿态放置,所述面部特征点检测模块,包括:
数量检测子模块,用于利用预设的面部特征点检测模型对所述第一人脸图像进行检测,从而得到第一数量,以及利用所述面部特征点检测模型对所述第二人脸图像进行检测,从而得到第二数量,其中所述第一数量指第一人脸图像中的面部特征点数量,所述第二数量指所述指定人脸图像中的面部特征点数量;
差值阈值判断子模块,用于判断所述第一数量减去所述第二数量的差值绝对值是否小于预设的差值阈值;
旋转子模块,用于若所述第一数量减去所述第二数量的差值绝对值不小于预设的差值阈值,则对所述第一人脸图像进行一次或多次旋转处理,从而得到一张或多张旋转图像;
第一面部特征点标记子模块,用于依次利用所述面部特征点检测模型对所述旋转图像进行检测,直到检测到的面部特征点数量减去所述第二数量的差值绝对值小于预设的差值阈值,并将所述面部特征点检测模型最后一次输出的面部特征点记为第一面部特征点;
特征点获取子模块,用于获取所述第一面部特征点,以及获取所述面部特征点检测模型对所述第二人脸图像进行检测,从而生成的第二面部特征点。
其中上述子模块分别用于执行的操作与前述实施方式的基于机器学习的网页渲染方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述装置,包括:
指定数据包获取单元,用于若所述相似度值大于预设的图像相似度阈值,则根据预设的人脸图像与数据包的对应关系,获取与所述指定人脸图像对应的指定数据包,其中所述指定数据包用于渲染网页;
指定数据包渲染单元,用于利用所述指定数据包渲染网页。
其中上述单元分别用于执行的操作与前述实施方式的基于机器学习的网页渲染方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述装置,包括:
数据获取单元,用于获取预先收集的训练数据和测试数据,所述训练数据和测试数据均包括面部图像和与面部图像对应的特征信息;
中间线性分类器获取单元,用于采用随机梯度下降法,利用所述训练数据训练预设的初始线性分类器,从而得到中间线性分类器;
验证单元,用于利用所述测试数据验证所述中间线性分类器,并判断所述中间线性分类器是否验证通过;
线性分类器标记单元,用于若所述中间线性分类器验证通过,则将所述中间线性分类器作为最终的线性分类器。
其中上述单元分别用于执行的操作与前述实施方式的基于机器学习的网页渲染方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述网页渲染方法应用于渲染终端,所述渲染终端与所述多个服务器通过网关实现通信连接,所述子信息发送单元50,包括:
第一加密子单元,用于采用与多个服务器分别预先约定的第一加密方法,对所述多个子信息进行分别加密,从而得到多个第一子密文;
密文组合子单元,用于将所述多个第一子密文组合为中间密文;
第二加密子单元,用于采用与网关预先约定的第二加密方法,对所述中间密文进行加密处理,从而得到最终密文;
最终密文发送子单元,用于将所述最终密文发送给网关,并要求所述网关对所述最终密文进行解密并拆分处理以得到多个第一子密文,并将所述多个第一子密文对应发送给多个服务器。
其中上述子单元分别用于执行的操作与前述实施方式的基于机器学习的网页渲染方法的步骤一一对应,在此不再赘述。
本申请的基于机器学习的网页渲染装置,利用预设的摄像头采集用户的第一人脸图像;计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值,并判断所述相似度值是否大于预设的图像相似度阈值;若所述相似度值不大于预设的图像相似度阈值,则将所述第一人脸图像输入预设的预测模型中的线性分类器中进行计算,从而得到所述线性分类器输出的特征信息;将所述特征信息输入所述非线性分类器中进行计算,从而得到所述非线性分类器输出的由多个子信息构成的网页渲染信息;将所述多个子信息对应发送给多个服务器;接收所述多个服务器对应返回的所述多个子数据包,并将所述多个子数据包组合为渲染数据包,利用所述渲染数据包渲染所述网页。从而实现网页渲染自适应特殊人群(例如高龄人群),提高网页使用效率。
参照图3,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图所示。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,该计算机设计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基于机器学习的网页渲染方法所用数据。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机器学习的网页渲染方法。
上述处理器执行上述基于机器学习的网页渲染方法,其中所述方法包括的步骤分别与执行前述实施方式的基于机器学习的网页渲染方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解,图中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备,利用预设的摄像头采集用户的第一人脸图像;计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值,并判断所述相似度值是否大于预设的图像相似度阈值;若所述相似度值不大于预设的图像相似度阈值,则将所述第一人脸图像输入预设的预测模型中的线性分类器中进行计算,从而得到所述线性分类器输出的特征信息;将所述特征信息输入所述非线性分类器中进行计算,从而得到所述非线性分类器输出的由多个子信息构成的网页渲染信息;将所述多个子信息对应发送给多个服务器;接收所述多个服务器对应返回的所述多个子数据包,并将所述多个子数据包组合为渲染数据包,利用所述渲染数据包渲染所述网页。从而实现网页渲染自适应特殊人群(例如高龄人群),提高网页使用效率。
本申请一实施例还提供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基于机器学习的网页渲染方法,其中所述方法包括的步骤分别与执行前述实施方式的基于机器学习的网页渲染方法的步骤一一对应,在此不再赘述。
本申请的计算机可读存储介质,利用预设的摄像头采集用户的第一人脸图像;计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值,并判断所述相似度值是否大于预设的图像相似度阈值;若所述相似度值不大于预设的图像相似度阈值,则将所述第一人脸图像输入预设的预测模型中的线性分类器中进行计算,从而得到所述线性分类器输出的特征信息;将所述特征信息输入所述非线性分类器中进行计算,从而得到所述非线性分类器输出的由多个子信息构成的网页渲染信息;将所述多个子信息对应发送给多个服务器;接收所述多个服务器对应返回的所述多个子数据包,并将所述多个子数据包组合为渲染数据包,利用所述渲染数据包渲染所述网页。从而实现网页渲染自适应特殊人群(例如高龄人群),提高网页使用效率。
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,本申请所提供的和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。非易失性存储器可以包括只读存储器(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)、双速据率SDRAM(SSRSDRAM)、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。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请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,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于机器学习的网页渲染方法,其特征在于,包括:
利用预设的摄像头采集用户的第一人脸图像;
根据预设的图像相似度计算方法,计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值,并判断所述相似度值是否大于预设的图像相似度阈值;
若所述相似度值不大于预设的图像相似度阈值,则将所述第一人脸图像输入预设的预测模型中的线性分类器中进行计算,从而得到所述线性分类器输出的特征信息,所述特征信息至少包括预测的年龄段区间;其中所述预测模型由所述线性分类器与预设的非线性分类器顺序连接而成;所述线性分类器是预先通过包括面部图像和与面部图像对应的特征信息的样本数据训练而成的;
将所述特征信息输入所述非线性分类器中进行计算,从而得到所述非线性分类器输出的由多个子信息构成的网页渲染信息,其中所述多个子信息至少包括网页的颜色子信息、图标风格子信息和布局风格子信息;所述非线性分类器是预先通过包括特征信息和特征信息对应的多个子信息的样本数据训练而成的;
发送所述多个子信息及返回用于网页渲染的子数据包的请求信息给对应的多个服务器;
接收所述多个服务器对应返回的所述多个子数据包,并将所述多个子数据包组合为渲染数据包,利用所述渲染数据包渲染所述网页。
2.根据权利要求1所述的基于机器学习的网页渲染方法,其特征在于,所述根据预设的图像相似度计算方法,计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值的步骤,包括:
根据预设的缩放方法,对所述第一人脸图像进行缩放处理,从而得到缩放图片,其中所述缩放图片的眉眼间距与所述指定人脸图像的眉眼间距相等;
获取所述缩放图片中的多个第一特征长度,以及获取所述指定人脸图像中的多个第二特征长度,其中所述多个第一特征长度和所述多个第二特征长度均至少包括脸长和脸宽,所述多个第一特征长度与所述多个第二特征长度一一对应;
生成第一矩阵[U1,U2,...,Un]和第二矩阵[P1,P2,...,Pn],其中U1,U2,...,Un为所述多个第一特征长度,P1,P2,...,Pn为所述多个第二特征长度,共有n个第一特征长度和n个第二特征长度;
根据公式:M=1/|||[U1,U2,...,Un][P1,P2,...,Pn]T||-n|,计算出所述第一人脸图像与指定人脸图像的图像相似度值M。
3.根据权利要求2所述的基于机器学习的网页渲染方法,其特征在于,所述根据预设的缩放方法,对所述第一人脸图像进行缩放处理,从而得到缩放图片的步骤,包括:
利用预设的面部特征点检测模型对所述第一人脸图像进行检测,从而得到多个第一面部特征点;以及,利用所述面部特征点检测模型对所述指定人脸图像进行检测,从而得到多个第二面部特征点;
生成所述多个第一面部特征点的第一最小外接矩形,以及生成所述多个第二面部特征点的第二最小外接矩形;
采用等比例缩放的方法对所述第一人脸图像进行缩放处理,以使所述第一最小外接矩形的面积等于所述第二最小外接矩形的面积,从而得到缩放图片。
4.根据权利要求3所述的基于机器学习的网页渲染方法,其特征在于,所述面部特征点检测模型仅由以预设的标准姿态放置的人脸图像训练而成,所述指定人脸图像以标准姿态放置,所述利用预设的面部特征点检测模型对所述第一人脸图像进行检测,从而得到多个第一面部特征点;以及,利用所述面部特征点检测模型对所述指定人脸图像进行检测,从而得到多个第二面部特征点的步骤,包括:
利用预设的面部特征点检测模型对所述第一人脸图像进行检测,从而得到第一数量,以及利用所述面部特征点检测模型对所述第二人脸图像进行检测,从而得到第二数量,其中所述第一数量指第一人脸图像中的面部特征点数量,所述第二数量指所述指定人脸图像中的面部特征点数量;
判断所述第一数量减去所述第二数量的差值绝对值是否小于预设的差值阈值;
若所述第一数量减去所述第二数量的差值绝对值不小于预设的差值阈值,则对所述第一人脸图像进行一次或多次旋转处理,从而得到一张或多张旋转图像;
依次利用所述面部特征点检测模型对所述旋转图像进行检测,直到检测到的面部特征点数量减去所述第二数量的差值绝对值小于预设的差值阈值,并将所述面部特征点检测模型最后一次输出的面部特征点记为第一面部特征点;
获取所述第一面部特征点,以及获取所述面部特征点检测模型对所述第二人脸图像进行检测,从而生成的第二面部特征点。
5.根据权利要求1所述的基于机器学习的网页渲染方法,其特征在于,所述根据预设的图像相似度计算方法,计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值,并判断所述相似度值是否大于预设的图像相似度阈值的步骤之后,包括:
若所述相似度值大于预设的图像相似度阈值,则根据预设的人脸图像与数据包的对应关系,获取与所述指定人脸图像对应的指定数据包,其中所述指定数据包用于渲染网页;
利用所述指定数据包渲染网页。
6.根据权利要求1所述的基于机器学习的网页渲染方法,其特征在于,所述若所述相似度值不大于预设的图像相似度阈值,则将所述第一人脸图像输入预设的预测模型中的线性分类器中进行计算,从而得到所述线性分类器输出的特征信息,所述特征信息至少包括预测的年龄段区间;其中所述预测模型由所述线性分类器与预设的非线性分类器顺序连接而成的步骤之前,包括:
获取预先收集的训练数据和测试数据,所述训练数据和测试数据均包括面部图像和与面部图像对应的特征信息;
采用随机梯度下降法,利用所述训练数据训练预设的初始线性分类器,从而得到中间线性分类器;
利用所述测试数据验证所述中间线性分类器,并判断所述中间线性分类器是否验证通过;
若所述中间线性分类器验证通过,则将所述中间线性分类器作为最终的线性分类器。
7.根据权利要求1所述的基于机器学习的网页渲染方法,其特征在于,所述网页渲染方法应用于渲染终端,所述渲染终端与所述多个服务器通过网关实现通信连接,所述将所述多个子信息对应发送给多个服务器的步骤,包括:
采用与多个服务器分别预先约定的第一加密方法,对所述多个子信息进行分别加密,从而得到多个第一子密文;
将所述多个第一子密文组合为中间密文;
采用与网关预先约定的第二加密方法,对所述中间密文进行加密处理,从而得到最终密文;
将所述最终密文发送给网关,并要求所述网关对所述最终密文进行解密并拆分处理以得到多个第一子密文,并将所述多个第一子密文对应发送给多个服务器。
8.一种基于机器学习的网页渲染装置,其特征在于,包括:
第一人脸图像采集单元,用于利用预设的摄像头采集用户的第一人脸图像;
图像相似度值判断单元,用于根据预设的图像相似度计算方法,计算所述第一人脸图像与预存的一幅指定人脸图像的图像相似度值,并判断所述相似度值是否大于预设的图像相似度阈值;
特征信息获取单元,用于若所述相似度值不大于预设的图像相似度阈值,则将所述第一人脸图像输入预设的预测模型中的线性分类器中进行计算,从而得到所述线性分类器输出的特征信息,所述特征信息至少包括预测的年龄段区间;其中所述预测模型由所述线性分类器与预设的非线性分类器顺序连接而成;所述线性分类器是预先通过包括面部图像和与面部图像对应的特征信息的样本数据训练而成的;
网页渲染信息获取单元,用于将所述特征信息输入所述非线性分类器中进行计算,从而得到所述非线性分类器输出的由多个子信息构成的网页渲染信息,其中所述多个子信息至少包括网页的颜色子信息、图标风格子信息和布局风格子信息;所述非线性分类器是预先通过包括特征信息和特征信息对应的多个子信息的样本数据训练而成的;
子信息发送单元,用于发送所述多个子信息及返回用于网页渲染的子数据包的请求信息给对应的多个服务器;
网页渲染单元,用于接收所述多个服务器对应返回的所述多个子数据包,并将所述多个子数据包组合为渲染数据包,利用所述渲染数据包渲染所述网页。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911342654.1A CN111177622A (zh) | 2019-12-23 | 2019-12-23 | 基于机器学习的网页渲染方法、装置和计算机设备 |
PCT/CN2020/088015 WO2021128682A1 (zh) | 2019-12-23 | 2020-04-30 | 基于机器学习的网页渲染方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911342654.1A CN111177622A (zh) | 2019-12-23 | 2019-12-23 | 基于机器学习的网页渲染方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111177622A true CN111177622A (zh) | 2020-05-19 |
Family
ID=70646312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911342654.1A Pending CN111177622A (zh) | 2019-12-23 | 2019-12-23 | 基于机器学习的网页渲染方法、装置和计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111177622A (zh) |
WO (1) | WO2021128682A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113360819A (zh) * | 2021-05-14 | 2021-09-07 | 山东英信计算机技术有限公司 | 一种页面布局方法和装置 |
CN116127587A (zh) * | 2023-04-17 | 2023-05-16 | 矩阵纵横设计股份有限公司 | 室内设计中的渲染方法和系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780228B (zh) * | 2021-09-18 | 2023-07-11 | 中科海微(北京)科技有限公司 | 人证比对方法、系统、终端及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104683337A (zh) * | 2015-02-13 | 2015-06-03 | 小米科技有限责任公司 | 网页访问方法、装置及系统 |
CN105373628B (zh) * | 2015-12-15 | 2018-11-30 | 广州品唯软件有限公司 | 网页展示方法及系统 |
CN107045622B (zh) * | 2016-12-30 | 2020-06-02 | 浙江大学 | 基于自适应年龄分布学习的人脸年龄估计方法 |
US20190287120A1 (en) * | 2018-03-19 | 2019-09-19 | Target Brands, Inc. | Content management of digital retail displays |
-
2019
- 2019-12-23 CN CN201911342654.1A patent/CN111177622A/zh active Pending
-
2020
- 2020-04-30 WO PCT/CN2020/088015 patent/WO2021128682A1/zh active Application Filing
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113360819A (zh) * | 2021-05-14 | 2021-09-07 | 山东英信计算机技术有限公司 | 一种页面布局方法和装置 |
CN116127587A (zh) * | 2023-04-17 | 2023-05-16 | 矩阵纵横设计股份有限公司 | 室内设计中的渲染方法和系统 |
CN116127587B (zh) * | 2023-04-17 | 2023-06-16 | 矩阵纵横设计股份有限公司 | 室内设计中的渲染方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021128682A1 (zh) | 2021-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11403876B2 (en) | Image processing method and apparatus, facial recognition method and apparatus, and computer device | |
US20200151310A1 (en) | Method and apparatus for identity authentication | |
KR102385463B1 (ko) | 얼굴 특징 추출 모델 학습 방법, 얼굴 특징 추출 방법, 장치, 디바이스 및 저장 매체 | |
EP2877956B1 (en) | System and method to provide automatic classification of phishing sites | |
CN111177622A (zh) | 基于机器学习的网页渲染方法、装置和计算机设备 | |
EP4105821A1 (en) | Face liveness detection method, system and apparatus, computer device, and storage medium | |
CN109801192A (zh) | 电子合同签订方法、装置、计算机设备及存储介质 | |
CN109409058A (zh) | 基于电子签名的身份认证方法、装置和计算机设备 | |
Pevný et al. | Optimizing pooling function for pooled steganalysis | |
Kremic et al. | Face recognition implementation for client server mobile application using PCA | |
WO2021082562A1 (zh) | 活体检测方法、装置、电子设备、存储介质及程序产品 | |
CN110795714A (zh) | 一种身份验证方法、装置、计算机设备及存储介质 | |
Gabryel et al. | Browser fingerprint coding methods increasing the effectiveness of user identification in the web traffic | |
CN112330331A (zh) | 基于人脸识别的身份验证方法、装置、设备及存储介质 | |
CN113989156A (zh) | 脱敏方法的可靠性验证的方法、装置、介质、设备和程序 | |
EP4030747A1 (en) | Image analysis device, control method, and program | |
CN111311455A (zh) | 考务信息匹配方法、装置、计算机设备和存储介质 | |
KR101854804B1 (ko) | 텍스트와 연관된 개체명을 결정하기 위한 사용자 인증 서비스 제공 및 학습 데이터 구축 방법 | |
CN111901324B (zh) | 一种基于序列熵流量识别的方法、装置和存储介质 | |
CN104751033B (zh) | 一种基于音视频文件的用户行为认证方法和装置 | |
CN113627126A (zh) | 基于网站语言的pdf文件生成方法、装置、设备及存储介质 | |
CN111104846B (zh) | 数据检测方法、装置、计算机设备和存储介质 | |
Prabhu et al. | Design of multiple share creation with optimal signcryption based secure biometric authentication system for cloud environment | |
CN110414347B (zh) | 人脸验证方法、装置、设备和存储介质 | |
CN113691411A (zh) | 一种加密流量识别方法和装置、电子设备 |
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 |