CN112395503A - 一种基于人脸识别的共享平台智能推荐方法、系统及可读存储介质 - Google Patents
一种基于人脸识别的共享平台智能推荐方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN112395503A CN112395503A CN202011302533.7A CN202011302533A CN112395503A CN 112395503 A CN112395503 A CN 112395503A CN 202011302533 A CN202011302533 A CN 202011302533A CN 112395503 A CN112395503 A CN 112395503A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- sharing platform
- face recognition
- wavelet coefficient
- 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.)
- Withdrawn
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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于人脸识别的共享平台智能推荐方法、系统及可读存储介质,包括:通过面部检测截取人脸图像,对人脸图像进行预处理,并提取图像特征;将图像特征与标准图像进行匹配,得到相似度信息;判断所述相似度信息是否大于所述预设阈值,若大于,则图像匹配成功;通过大数据分析获取标准图像对应的喜好信息;通过喜好信息进行果汁配比智能推荐,生成推荐列表;将推荐列表按照预定方式进行屏显。
Description
技术领域
本发明涉及一种基于人脸识别的共享平台智能推荐方法,尤其涉及一种基于人脸识别的共享平台智能推荐方法、系统及可读存储介质。
背景技术
随着人工智能和计算机视觉等技术的飞速发展,让机器或计算设备拥有感知图像内容的能力日益成为当今热点。其中人脸图像因其丰富的信息和广阔的应用前景更是一个活跃的分支。人脸图像识别只要是指通过对人的面部图像、视频或图片和视频的集合进行分析,自动的推断其身份、表情以及年龄、性别等属性。人脸图片通常糅合了包括身份、表情、年龄、性别、光照、角度等各种信息,如何提取与识别任务相关的特征(例如身份信息对应人脸识别,表情信息对应表情识别)是当前基的主要研究方向。将人脸识别技术应用到共享果汁平台,当用户经过共享平台停留较长时间时,通过采集用户图像信息,进行智能识别,并通过大数据分析,获取用户喜好信息,并进行智能推荐果汁配比及种类列表,用户匹配度较高。
为了能够共享平台智能推荐系统实现精准的控制,需要开发一款与其相匹配的系统进行控制,该系统通过智能人脸识别,并通过大数据分析自动生成推荐列表,供用户选择,用户完成交易后,可将交易信息进行反向修正历史信息,使系统具有自主优化学习能力,但是在进行控制过程中,如何实现精准控制的同时,实现刀具磨损状态的监控都是亟不可待要解决的问题。
发明内容
本发明克服了现有技术的不足,提供一种基于人脸识别的共享平台智能推荐方法、系统及可读存储介质。
为达到上述目的,本发明采用的技术方案为:一种基于人脸识别的共享平台智能推荐方法,包括:
通过面部检测截取人脸图像,对图像进行数据压缩,降低向量维数,并提取图像特征;
将图像特征与标准图像特征进行比对,得到相似度信息;
判断所述相似度信息是否大于所述预设阈值,
若大于,则图像匹配成功;
通过大数据分析获取该标准图像对应的喜好信息;
通过喜好信息进行果汁配比智能推荐,生成推荐列表;
将推荐列表按照预定方式进行屏显。
优选的,对图像进行数据压缩,降低向量维数;具体包括
将原始图像经二维小波变换后,转换成小波域上的小波系数,
提取低频子带包含的图像信息,作为人脸图像特征数据;
把低频子带内的小波系数进行加权计算,并对小波系数进行量化编码,
将小波系数与预定阈值进行比较,若大于,则保留当前小波系数,
若小于,则舍弃当前小波系数,进行数据压缩。
优选的,将图像特征与标准图像特征进行比对前还包括通过数据库进行检索标准图像,具体为,
提取数据库中存储的所有人脸图像,
将人脸图像进行均值聚类,分为训练集与样本集;
选取聚类块数k,从训练集中选取k个向量作为聚类中心,
将样本集中的每一个样本向量进行欧式距离计算,得到结果数据;
判断结果数据是否大于预设阈值;
若大于,则舍弃该样本向量对应的人脸图像;
若小于,则将该样本向量对应的人脸图像作为标准图像。
优选的,获取人脸图像,建立坐标系;
提取人脸图像特征,通过投影法计算人脸特征坐标点;
判断坐标点数据与预设数据进行比较,得到偏差率;
判断所述偏差率是否大于预设阈值,
若大于,则对人脸特征进行数据补偿。
优选的,所述用户喜好信息包括果汁温度、果汁粘稠度、果汁甜度、果汁辅料种类、果汁辅料比例中的一种或多种。
优选的,通过喜好信息进行果汁配比智能推荐,生成推荐列表,具体包括:
推荐列表与用户选择匹配并形成交易信息;
交易信息传输至数据库,数据库每增加N条交易信息时,得到修正信息;
根据修正信息反向修正购买次数排序前N位对应的果蔬类形成一个新的果蔬组合的推荐屏显类;
根据推荐屏显类反向修正推荐列表。
本发明第二方面还提供了一种基于人脸识别的共享平台智能推荐系统,该系统包括:存储器、处理器,所述存储器中包括基于人脸识别的共享平台智能推荐方法程序,所述基于人脸识别的共享平台智能推荐方法程序被所述处理器执行时实现如下步骤:
通过面部检测截取人脸图像,对图像进行数据压缩,降低向量维数,并提取图像特征;
将图像特征与标准图像特征进行比对,得到相似度信息;
判断所述相似度信息是否大于所述预设阈值,
若大于,则图像匹配成功;
通过大数据分析获取该标准图像对应的喜好信息;
通过喜好信息进行果汁配比智能推荐,生成推荐列表;
将推荐列表按照预定方式进行屏显。
优选的,对图像进行数据压缩,降低向量维数;具体包括
将原始图像经二维小波变换后,转换成小波域上的小波系数,
提取低频子带包含的图像信息,作为人脸图像特征数据;
把低频子带内的小波系数进行加权计算,并对小波系数进行量化编码,
将小波系数与预定阈值进行比较,若大于,则保留当前小波系数,
若小于,则舍弃当前小波系数,进行数据压缩。
优选的,将图像特征与标准图像特征进行比对前还包括通过数据库进行检索标准图像,具体为,
提取数据库中存储的所有人脸图像,
将人脸图像进行均值聚类,分为训练集与样本集;
选取聚类块数k,从训练集中选取k个向量作为聚类中心,
将样本集中的每一个样本向量进行欧式距离计算,得到结果数据;
判断结果数据是否大于预设阈值;
若大于,则舍弃该样本向量对应的人脸图像;
若小于,则将该样本向量对应的人脸图像作为标准图像。
本发明第三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中包括基于人脸识别的共享平台智能推荐方法程序,所述基于人脸识别的共享平台智能推荐方法程序被处理器执行时,实现上述任一项所述的基于人脸识别的共享平台智能推荐方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
(1)将人脸识别技术应用到共享果汁平台,当用户经过共享平台停留较长时间时,通过采集用户图像信息,进行智能识别,并通过大数据分析,获取用户喜好信息,并进行智能推荐果汁配比及种类列表,用户匹配度较高。
(2)通过采集图像信息,并对图像信息进行处理,当人脸信息发生偏转或倾斜时,通过补偿算法对人脸图像进行补偿调整。
(3)图像预处理之后,在边缘图像上能得到包含这几部分特征的整体矩形特征区域;根据整体特征区域的坐标,在灰度图像上分离出相应的特征区域,并对该区域进行灰度和尺度的归一化,最后对该区域进行加权、小波变换和主分量分析等降维操作,把经过降维后的数据作为特征向量,进行人像识别和分类,识别精度较高。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明一种基于人脸识别的共享平台智能推荐方法的流程图;
图2示出了图像处理方法流程图;
图3示出了检索标准图像方法流程图;
图4示出了数据补偿方法流程图;
图5示出了基于人脸识别的共享平台智能推荐系统框图;
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于人脸识别的共享平台智能推荐方法的流程图。
如图1所示,本发明第一方面提供了一种基于人脸识别的共享平台智能推荐方法,包括:
S102,通过面部检测截取人脸图像,对图像进行数据压缩,降低向量维数,并提取图像特征;
S104,将图像特征与标准图像特征进行比对,得到相似度信息;
S106,判断所述相似度信息是否大于所述预设阈值,
S108,若大于,则图像匹配成功;
S110,通过大数据分析获取该标准图像对应的喜好信息;
S112,通过喜好信息进行果汁配比智能推荐,生成推荐列表;
S114,将推荐列表按照预定方式进行屏显。
需要说明的是,将人脸识别技术应用到共享果汁平台,当用户经过共享平台停留较长时间时,通过采集用户图像信息,进行智能识别,并通过大数据分析,获取用户喜好信息,并进行智能推荐果汁配比及种类列表,用户匹配度较高。
通过采集图像信息,并对图像信息进行处理,当人脸信息发生偏转或倾斜时,通过补偿算法对人脸图像进行补偿调整,图像预处理之后,在边缘图像上能得到包含这几部分特征的整体矩形特征区域;根据整体特征区域的坐标,在灰度图像上分离出相应的特征区域,并对该区域进行灰度和尺度的归一化,最后对该区域进行加权、小波变换和主分量分析等降维操作,把经过降维后的数据作为特征向量,进行人像识别和分类,识别精度较高。
如图2所示,本发明公开了图像处理方法流程图;
根据本发明实施例,对图像进行数据压缩,降低向量维数;具体包括
S202,将原始图像经二维小波变换后,转换成小波域上的小波系数,
S204,提取低频子带包含的图像信息,作为人脸图像特征数据;
S206,把低频子带内的小波系数进行加权计算,并对小波系数进行量化编码,
S208,将小波系数与预定阈值进行比较,若大于,则保留当前小波系数,
S210,若小于,则舍弃当前小波系数,进行数据压缩。
需要说明的是,编码根据信源可能发现的不同符号序列的概率,把[0,1]区间划分为互不重叠的子区间,子区间的宽度恰好是各符号序列的概率。这样信源发出的不同符号序列将与各子区间一一对应,因此每个子区间内的任意一个实数都可以用来表示对应的符号序列,这个数就是该符号序列所对应的码字。显然,一串符号序列发生的概率越大,对应的子区间就越宽,要表达它所用的比特数就减少,因而相应的码字就越短。
如图3所示,本发明公开了检索标准图像方法流程图;
根据本发明实施例,将图像特征与标准图像特征进行比对前还包括通过数据库进行检索标准图像,具体为,
S302,提取数据库中存储的所有人脸图像,
S304,将人脸图像进行均值聚类,分为训练集与样本集;
S306,选取聚类块数k,从训练集中选取k个向量作为聚类中心,
S308,将样本集中的每一个样本向量进行欧式距离计算,得到结果数据;
S310,判断结果数据是否大于预设阈值;
S312,若大于,则舍弃该样本向量对应的人脸图像;
S314,若小于,则将该样本向量对应的人脸图像作为标准图像。
如图4所示,本发明公开了数据补偿方法流程图;
根据本发明实施例,S402,获取人脸图像,建立坐标系;
S404,提取人脸图像特征,通过投影法计算人脸特征坐标点;
S406,判断坐标点数据与预设数据进行比较,得到偏差率;
S408,判断所述偏差率是否大于预设阈值,
S410,若大于,则对人脸特征进行数据补偿。
需要说明的是,在一幅包含人脸的身份证图像中,人脸位置有时会有轻微的倾斜和旋转,例如:人脸可能左倾或右倾,左侧或右侧,抬头或低头,这时对图像进行处理时,需要先把脸部图像调整到标准位置,然后再进行识别。通过补偿偿算法调整图像中脸部位置,提高算法的识别率。
将人脸看做椭圆形,建立脸部模型,提取人脸图像中的人脸边缘轮廓,将最左侧边缘轮廓点记为A点,将最右侧边缘轮廓点记为B点,当人脸左倾时,将人脸沿椭圆竖直方向中心线逆时针旋转,反之,当人脸右倾时,将人脸沿椭圆竖直方向中心线顺时针旋转,以调整人脸位置。
根据本发明实施例,所述用户喜好信息包括果汁温度、果汁粘稠度、果汁甜度、果汁辅料种类、果汁辅料比例中的一种或多种。
根据本发明实施例,通过喜好信息进行果汁配比智能推荐,生成推荐列表,具体包括:
推荐列表与用户选择匹配并形成交易信息;
交易信息传输至数据库,数据库每增加N条交易信息时,得到修正信息;
根据修正信息反向修正购买次数排序前N位对应的果蔬类形成一个新的果蔬组合的推荐屏显类;
根据推荐屏显类反向修正推荐列表。
需要说明的是,不同地域和不同人群特征对果汁配比喜好不同,根据地域和人群特征以及身体特征,进行食材配比的计算,然后发送。
如图5所示,本发明公开了基于人脸识别的共享平台智能推荐系统框图;
本发明第二方面还提供了一种基于人脸识别的共享平台智能推荐系统,该系统包括:存储器、处理器,所述存储器中包括基于人脸识别的共享平台智能推荐方法程序,所述基于人脸识别的共享平台智能推荐方法程序被所述处理器执行时实现如下步骤:
通过面部检测截取人脸图像,对图像进行数据压缩,降低向量维数,并提取图像特征;
将图像特征与标准图像特征进行比对,得到相似度信息;
判断所述相似度信息是否大于所述预设阈值,
若大于,则图像匹配成功;
通过大数据分析获取该标准图像对应的喜好信息;
通过喜好信息进行果汁配比智能推荐,生成推荐列表;
将推荐列表按照预定方式进行屏显。
需要说明的是,将人脸识别技术应用到共享果汁平台,当用户经过共享平台停留较长时间时,通过采集用户图像信息,进行智能识别,并通过大数据分析,获取用户喜好信息,并进行智能推荐果汁配比及种类列表,用户匹配度较高。
通过采集图像信息,并对图像信息进行处理,当人脸信息发生偏转或倾斜时,通过补偿算法对人脸图像进行补偿调整,图像预处理之后,在边缘图像上能得到包含这几部分特征的整体矩形特征区域;根据整体特征区域的坐标,在灰度图像上分离出相应的特征区域,并对该区域进行灰度和尺度的归一化,最后对该区域进行加权、小波变换和主分量分析等降维操作,把经过降维后的数据作为特征向量,进行人像识别和分类,识别精度较高。
根据本发明实施例,对图像进行数据压缩,降低向量维数;具体包括
将原始图像经二维小波变换后,转换成小波域上的小波系数,
提取低频子带包含的图像信息,作为人脸图像特征数据;
把低频子带内的小波系数进行加权计算,并对小波系数进行量化编码,
将小波系数与预定阈值进行比较,若大于,则保留当前小波系数,
若小于,则舍弃当前小波系数,进行数据压缩。
需要说明的是,波变换用于图像编码的基本思想就是把图像进行多分辨率分解,分解成不同空间、不同频率的子图像,然后再对子图像进行系数编码。系数编码是小波变换用于压缩的核心,压缩的实质是对系数的量化压缩。根据塔式分解算法,图像经过小波变换后被分割成四个频带,水平、垂直、对角线和低频,低频部分继续分解。
根据本发明实施例,将图像特征与标准图像特征进行比对前还包括通过数据库进行检索标准图像,具体为,
提取数据库中存储的所有人脸图像,
将人脸图像进行均值聚类,分为训练集与样本集;
选取聚类块数k,从训练集中选取k个向量作为聚类中心,
将样本集中的每一个样本向量进行欧式距离计算,得到结果数据;
判断结果数据是否大于预设阈值;
若大于,则舍弃该样本向量对应的人脸图像;
若小于,则将该样本向量对应的人脸图像作为标准图像。
本发明第三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中包括基于人脸识别的共享平台智能推荐方法程序,所述基于人脸识别的共享平台智能推荐方法程序被处理器执行时,实现上述任一项所述的基于人脸识别的共享平台智能推荐方法的步骤。
将人脸识别技术应用到共享果汁平台,当用户经过共享平台停留较长时间时,通过采集用户图像信息,进行智能识别,并通过大数据分析,获取用户喜好信息,并进行智能推荐果汁配比及种类列表,用户匹配度较高。
通过采集图像信息,并对图像信息进行处理,当人脸信息发生偏转或倾斜时,通过补偿算法对人脸图像进行补偿调整,图像预处理之后,在边缘图像上能得到包含这几部分特征的整体矩形特征区域;根据整体特征区域的坐标,在灰度图像上分离出相应的特征区域,并对该区域进行灰度和尺度的归一化,最后对该区域进行加权、小波变换和主分量分析等降维操作,把经过降维后的数据作为特征向量,进行人像识别和分类,识别精度较高。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,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,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于人脸识别的共享平台智能推荐方法,其特征在于,包括:
通过面部检测截取人脸图像,对图像进行数据压缩,降低向量维数,并提取图像特征;
将图像特征与标准图像特征进行比对,得到相似度信息;
判断所述相似度信息是否大于所述预设阈值,
若大于,则图像匹配成功;
通过大数据分析获取该标准图像对应的喜好信息;
通过喜好信息进行果汁配比智能推荐,生成推荐列表;
将推荐列表按照预定方式进行屏显。
2.根据权利要求1所述的一种基于人脸识别的共享平台智能推荐方法,其特征在于,对图像进行数据压缩,降低向量维数;具体包括
将原始图像经二维小波变换后,转换成小波域上的小波系数,
提取低频子带包含的图像信息,作为人脸图像特征数据;
把低频子带内的小波系数进行加权计算,并对小波系数进行量化编码,
将小波系数与预定阈值进行比较,若大于,则保留当前小波系数,
若小于,则舍弃当前小波系数,进行数据压缩。
3.根据权利要求1所述的一种基于人脸识别的共享平台智能推荐方法,其特征在于,将图像特征与标准图像特征进行比对前还包括通过数据库进行检索标准图像,具体为,
提取数据库中存储的所有人脸图像,
将人脸图像进行均值聚类,分为训练集与样本集;
选取聚类块数k,从训练集中选取k个向量作为聚类中心,
将样本集中的每一个样本向量进行欧式距离计算,得到结果数据;
判断结果数据是否大于预设阈值;
若大于,则舍弃该样本向量对应的人脸图像;
若小于,则将该样本向量对应的人脸图像作为标准图像。
4.根据权利要求1所述的一种基于人脸识别的共享平台智能推荐方法,其特征在于,
获取人脸图像,建立坐标系;
提取人脸图像特征,通过投影法计算人脸特征坐标点;
判断坐标点数据与预设数据进行比较,得到偏差率;
判断所述偏差率是否大于预设阈值,
若大于,则对人脸特征进行数据补偿。
5.根据权利要求1所述的一种基于人脸识别的共享平台智能推荐方法,其特征在于,所述用户喜好信息包括果汁温度、果汁粘稠度、果汁甜度、果汁辅料种类、果汁辅料比例中的一种或多种。
6.根据权利要求1所述的一种基于人脸识别的共享平台智能推荐方法,其特征在于,通过喜好信息进行果汁配比智能推荐,生成推荐列表,具体包括:
推荐列表与用户选择匹配并形成交易信息;
交易信息传输至数据库,数据库每增加N条交易信息时,得到修正信息;
根据修正信息反向修正购买次数排序前N位对应的果蔬类形成一个新的果蔬组合的推荐屏显类;
根据推荐屏显类反向修正推荐列表。
7.一种基于人脸识别的共享平台智能推荐系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于人脸识别的共享平台智能推荐方法程序,所述基于人脸识别的共享平台智能推荐方法程序被所述处理器执行时实现如下步骤:
通过面部检测截取人脸图像,对图像进行数据压缩,降低向量维数,并提取图像特征;
将图像特征与标准图像特征进行比对,得到相似度信息;
判断所述相似度信息是否大于所述预设阈值,
若大于,则图像匹配成功;
通过大数据分析获取该标准图像对应的喜好信息;
通过喜好信息进行果汁配比智能推荐,生成推荐列表;
将推荐列表按照预定方式进行屏显。
8.根据权利要求7所述的一种基于人脸识别的共享平台智能推荐系统,其特征在于,对图像进行数据压缩,降低向量维数;具体包括
将原始图像经二维小波变换后,转换成小波域上的小波系数,
提取低频子带包含的图像信息,作为人脸图像特征数据;
把低频子带内的小波系数进行加权计算,并对小波系数进行量化编码,
将小波系数与预定阈值进行比较,若大于,则保留当前小波系数,
若小于,则舍弃当前小波系数,进行数据压缩。
9.根据权利要求7所述的一种基于人脸识别的共享平台智能推荐系统,其特征在于,将图像特征与标准图像特征进行比对前还包括通过数据库进行检索标准图像,具体为,
提取数据库中存储的所有人脸图像,
将人脸图像进行均值聚类,分为训练集与样本集;
选取聚类块数k,从训练集中选取k个向量作为聚类中心,
将样本集中的每一个样本向量进行欧式距离计算,得到结果数据;
判断结果数据是否大于预设阈值;
若大于,则舍弃该样本向量对应的人脸图像;
若小于,则将该样本向量对应的人脸图像作为标准图像。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于人脸识别的共享平台智能推荐方法程序,所述基于人脸识别的共享平台智能推荐方法程序被处理器执行时,实现如权利要求1至6中任一项所述的基于人脸识别的共享平台智能推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011302533.7A CN112395503A (zh) | 2020-11-19 | 2020-11-19 | 一种基于人脸识别的共享平台智能推荐方法、系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011302533.7A CN112395503A (zh) | 2020-11-19 | 2020-11-19 | 一种基于人脸识别的共享平台智能推荐方法、系统及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112395503A true CN112395503A (zh) | 2021-02-23 |
Family
ID=74606799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011302533.7A Withdrawn CN112395503A (zh) | 2020-11-19 | 2020-11-19 | 一种基于人脸识别的共享平台智能推荐方法、系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395503A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112923618A (zh) * | 2021-03-10 | 2021-06-08 | 深圳市兄弟制冰系统有限公司 | 一种双制冰系统蒸发器自动切换在线监测控制系统及方法 |
CN114783085A (zh) * | 2022-03-21 | 2022-07-22 | 南京信息工程大学 | 一种基于人脸识别的新型共享单车 |
CN116453200A (zh) * | 2023-06-13 | 2023-07-18 | 苏州浪潮智能科技有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
-
2020
- 2020-11-19 CN CN202011302533.7A patent/CN112395503A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112923618A (zh) * | 2021-03-10 | 2021-06-08 | 深圳市兄弟制冰系统有限公司 | 一种双制冰系统蒸发器自动切换在线监测控制系统及方法 |
CN114783085A (zh) * | 2022-03-21 | 2022-07-22 | 南京信息工程大学 | 一种基于人脸识别的新型共享单车 |
CN116453200A (zh) * | 2023-06-13 | 2023-07-18 | 苏州浪潮智能科技有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
CN116453200B (zh) * | 2023-06-13 | 2023-08-18 | 苏州浪潮智能科技有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
Li et al. | No-reference and robust image sharpness evaluation based on multiscale spatial and spectral features | |
CN112395503A (zh) | 一种基于人脸识别的共享平台智能推荐方法、系统及可读存储介质 | |
Guo et al. | Content-based image retrieval using features extracted from halftoning-based block truncation coding | |
Wang et al. | Information content weighting for perceptual image quality assessment | |
CN111738357B (zh) | 垃圾图片的识别方法、装置及设备 | |
Ye et al. | Real-time no-reference image quality assessment based on filter learning | |
CN108765261B (zh) | 图像变换方法和装置、电子设备、计算机存储介质 | |
US20020090132A1 (en) | Image capture and identification system and process | |
JP2003523587A (ja) | ビジュアルアテンションシステム | |
CN111062314B (zh) | 图像选取方法、装置、计算机可读存储介质及电子设备 | |
CN105550641B (zh) | 基于多尺度线性差分纹理特征的年龄估计方法和系统 | |
CN112584062B (zh) | 背景音频构建方法及装置 | |
CN112131421A (zh) | 医学图像分类方法、装置、设备及存储介质 | |
CN111259792B (zh) | 基于dwt-lbp-dct特征的人脸活体检测方法 | |
CN113792659B (zh) | 文档识别方法、装置及电子设备 | |
CN116978011A (zh) | 一种用于智能目标识别的图像语义通信方法及系统 | |
Paschalakis et al. | Real-time face detection and tracking for mobile videoconferencing | |
CN116862626B (zh) | 一种多模态商品对齐方法 | |
CN117689884A (zh) | 一种医学图像分割模型的生成方法及医学图像的分割方法 | |
CN111967331A (zh) | 基于融合特征和字典学习的人脸表示攻击检测方法及系统 | |
CN108920512B (zh) | 一种基于游戏软件场景的推荐方法 | |
US20240005562A1 (en) | Point cloud encoding method and apparatus, electronic device, medium and program product | |
CN112364675B (zh) | 一种基于三维码和图像识别的离线识读方法及装置 | |
US12014569B2 (en) | Synthetic human fingerprints |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210223 |
|
WW01 | Invention patent application withdrawn after publication |