CN113505765B - 基于用户头像的年龄预测方法、装置及电子设备 - Google Patents

基于用户头像的年龄预测方法、装置及电子设备 Download PDF

Info

Publication number
CN113505765B
CN113505765B CN202111053003.8A CN202111053003A CN113505765B CN 113505765 B CN113505765 B CN 113505765B CN 202111053003 A CN202111053003 A CN 202111053003A CN 113505765 B CN113505765 B CN 113505765B
Authority
CN
China
Prior art keywords
matrix
image
user
age
group
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.)
Active
Application number
CN202111053003.8A
Other languages
English (en)
Other versions
CN113505765A (zh
Inventor
张猛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Easy Yikang Information Technology Co ltd
Original Assignee
Beijing Qingsongchou Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Qingsongchou Information Technology Co ltd filed Critical Beijing Qingsongchou Information Technology Co ltd
Priority to CN202111053003.8A priority Critical patent/CN113505765B/zh
Publication of CN113505765A publication Critical patent/CN113505765A/zh
Application granted granted Critical
Publication of CN113505765B publication Critical patent/CN113505765B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请提供一种基于用户头像的年龄预测方法、装置及电子设备。该方法包括：获取第一用户图像；将第一用户图像转换为第一灰度图像；将第一灰度图像划分为预设数量的区块；通过感知哈希编码对每个区块进行编码，生成第一矩阵；将第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵；将目标矩阵所在分组对应的年龄区间确定为第一用户图像对应的预测年龄区间。由于年龄相近的人群有大致相同的人生感悟、体会、追求目标等，而这些会间接地表现在用户的个性化头像上。因此，通过头像可以较为准确地预测出用户年龄，进而便于后续业务的有效推送。

Description

基于用户头像的年龄预测方法、装置及电子设备
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种基于用户头像的年龄预测方法、装置，信息推送方法、装置及电子设备。
背景技术
随着社交网络的飞速发展，很多应用程序的推送、公司业务的推送、广告的投放开始依赖于社交网络。
但由于目前很多网络用户不会在社交网络平台上留下真实信息（如真实年龄），使得现有的推送方式无法针对用户的年龄进行适应性推送，进而导致很多业务进行了无效的推送，同时此类无效推送还严重影响了用户的体验。
发明内容
本申请实施例的目的在于提供一种基于用户头像的年龄预测方法、装置，信息推送方法、装置及电子设备，以通过用户的头像准确地预测用户的年龄，进而基于预测的年龄向用户进行相关业务的推送。
本发明是这样实现的：
第一方面，本申请实施例提供一种基于用户头像的年龄预测方法，包括：获取第一用户图像；所述第一用户图像为待预测年龄的用户的头像；将所述第一用户图像转换为第一灰度图像；将所述第一灰度图像划分为预设数量的区块；通过感知哈希编码对每个所述区块进行编码，生成第一矩阵；将所述第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵；其中，所述目标矩阵为所述第二矩阵中与所述第一矩阵相似度最高的矩阵；所述第二矩阵通过将第二用户图像转换为第二灰度图像；并将所述第二灰度图像划分为所述预设数量的区块；再通过感知哈希编码对划分后的第二灰度图像中的每个区块进行编码后获得；所述第二用户图像为真实年龄已知的用户的头像；每个所述分组对应一个年龄区间；将所述目标矩阵所在分组对应的年龄区间确定为所述第一用户图像对应的预测年龄区间。
本申请实施例提供的年龄预测方式，通过将真实年龄已知的用户的头像进行分组，以确定各个头像的年龄区间，并将真实年龄已知的用户的头像进行编码形成预设的矩阵库，然后将未知年龄的用户头像进行编码，并与预设的矩阵库中的编码后的矩阵进行匹配，以确定出未知年龄的用户头像的预测年龄区间。由于年龄相近的人群有大致相同的人生感悟、体会、追求目标等，而这些会间接地表现在用户的个性化头像上。因此，通过头像可以较为准确地预测出用户年龄，进而便于后续业务的有效推送。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述通过感知哈希编码对每个所述区块进行编码，生成第一矩阵，包括：获取每个所述区块的像素均值以及获取所述第一灰度图像的像素均值；依次将每个所述区块的像素均值与所述第一灰度图像的像素均值进行数值大小比较；基于比较结果，生成所述第一矩阵；其中，若区块的像素均值大于所述第一灰度图像的像素均值，则该区块记为第一数值，若区块的像素均值不大于所述第一灰度图像的像素均值，则该区块记为第二数值；其中，所述第一数值和所述第二数值为不同的数值。
在本申请实施例中，通过获取每个区块的像素均值以及获取第一灰度图像的像素均值；然后依次将每个区块的像素均值与第一灰度图像的像素均值进行数值大小比较；最后基于比较结果，生成第一矩阵。通过该方式所形成的第一矩阵由不同的数值构成，以便于后续根据数值来计算第一矩阵与第二矩阵之间的相似度，该方式可以提高图像之间相似度计算的合理性和可靠性。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述获取每个所述区块的像素均值以及获取所述第一灰度图像的像素均值，包括：获取每个所述区块中的各个像素点的灰度值；计算每个所述区块中的所有像素点的灰度值的平均值，得到每个所述区块的像素均值；计算所述第一灰度图像中所有区块的像素均值的平均值，得到所述第一灰度图像的像素均值。
在本申请实施例中，以每个区块中的所有像素点的灰度值的平均值，作为每个区块的像素均值，以及以所有区块的像素均值的平均值作为第一灰度图像的像素均值，进一步地提高了相似度计算的精度。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述预设数量为64，相应的，所述第一灰度图像被划分为8*8的图像；所述第一矩阵为1*64的数组；每个所述区块的尺寸为8*8。
在本申请实施例中，通过上述规则对第一灰度图像进行划分，使得在图像之间存在明显区分度的情况下，计算的复杂度相对较低。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述将所述第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵，包括：基于汉明距离算法，计算所述第一矩阵与每个所述分组中的第二矩阵的相似度，确定出第三矩阵；其中，第三矩阵为每个所述分组中与所述第一矩阵相似度最高的矩阵；基于所述第三矩阵，确定出所述目标矩阵；其中，所述目标矩阵为所述第三矩阵中与所述第一矩阵相似度最高的矩阵。
在本申请实施例中，通过汉明距离算法，能够较为准确地计算第一矩阵与第二矩阵之间的相似度。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述将所述第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵，包括：计算所述第一矩阵与每个所述分组中的第二矩阵的相似度；获取每个所述分组中相似度最高的目标数量的第三矩阵；计算每个所述分组中的所述第三矩阵与第一矩阵的相似度的平均值；将平均值最大的第三矩阵中的任一矩阵确定为所述目标矩阵。
在本申请实施例中，在计算第一矩阵与每个分组中的第二矩阵的相似度之后，会获取每个分组中相似度最高的目标数量的第三矩阵，然后再计算每个分组中的第三矩阵与第一矩阵的相似度的平均值，最后将平均值最大的第三矩阵中的任一矩阵确定为目标矩阵。通过该方式可以降低当不同分组中出现相同的头像而对预测结果造成影响。
第二方面，本申请实施例提供一种信息推送方法，包括：获取第一用户图像；所述第一用户图像为待预测年龄的用户的头像；将所述第一用户图像转换为第一灰度图像；将所述第一灰度图像划分为预设数量的区块；通过感知哈希编码对每个所述区块进行编码，生成第一矩阵；将所述第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵；其中，所述目标矩阵为所述第二矩阵中与所述第一矩阵相似度最高的矩阵；所述第二矩阵通过将第二用户图像转换为第二灰度图像；并将所述第二灰度图像划分为所述预设数量的区块；再通过感知哈希编码对划分后的第二灰度图像中的每个区块进行编码后获得；所述第二用户图像为真实年龄已知的用户的头像；每个所述分组对应一个年龄区间；将所述目标矩阵所在分组对应的年龄区间确定为所述第一用户图像对应的预测年龄区间；向所述待预测年龄的用户推送与所述预测年龄区间相符的推送信息。
第三方面，本申请实施例提供一种基于用户头像的年龄预测装置，包括：第一获取模块，用于获取第一用户图像；所述第一用户图像为待预测年龄的用户的头像；第一转换模块，用于将所述第一用户图像转换为第一灰度图像；第一划分模块，用于将所述第一灰度图像划分为预设数量的区块；第一编码模块，用于通过感知哈希编码对每个所述区块进行编码，生成第一矩阵；第一确定模块，用于将所述第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵；其中，所述目标矩阵为所述第二矩阵中与所述第一矩阵相似度最高的矩阵；所述第二矩阵通过将第二用户图像转换为第二灰度图像；并将所述第二灰度图像划分为所述预设数量的区块；再通过感知哈希编码对划分后的第二灰度图像中的每个区块进行编码后获得；所述第二用户图像为真实年龄已知的用户的头像；每个所述分组对应一个年龄区间；第一预测模块，用于将所述目标矩阵所在分组对应的年龄区间确定为所述第一用户图像对应的预测年龄区间。
第四方面，本申请实施例提供一种信息推送装置，包括：第二获取模块，用于获取第一用户图像；所述第一用户图像为待预测年龄的用户的头像；第二转换模块，用于将所述第一用户图像转换为第一灰度图像；第二划分模块，用于将所述第一灰度图像划分为预设数量的区块；第二编码模块，用于通过感知哈希编码对每个所述区块进行编码，生成第一矩阵；第二确定模块，用于将所述第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵；其中，所述目标矩阵为所述第二矩阵中与所述第一矩阵相似度最高的矩阵；所述第二矩阵通过将第二用户图像转换为第二灰度图像；并将所述第二灰度图像划分为所述预设数量的区块；再通过感知哈希编码对划分后的第二灰度图像中的每个区块进行编码后获得；所述第二用户图像为真实年龄已知的用户的头像；每个所述分组对应一个年龄区间；第二预测模块，用于将所述目标矩阵所在分组对应的年龄区间确定为所述第一用户图像对应的预测年龄区间；推送模块，用于向所述待预测年龄的用户推送与所述预测年龄区间相符的推送信息。
第五方面，本申请实施例提供一种电子设备，包括：处理器和存储器，所述处理器和所述存储器连接；所述存储器用于存储程序；所述处理器用于调用存储在所述存储器中的程序，执行如上述第一方面实施例和/或上述第二方面实施例提供的方法。
第六方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上述第一方面实施例和/或上述第二方面实施例提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种电子设备的模块框图。
图2为本申请实施例提供的一种基于用户头像的年龄预测方法的步骤流程图。
图3为本申请实施例提供的另一种基于用户头像的年龄预测方法的步骤流程图。
图4为本申请实施例提供的一种信息推送方法的步骤流程图。
图5为本申请实施例提供的一种基于用户头像的年龄预测装置的模块框图。
图6为本申请实施例提供的一种信息推送装置的模块框图。
图标：100-电子设备；110-处理器；120-存储器；200-基于用户头像的年龄预测装置；210-第一获取模块；220-第一转换模块；230-第一划分模块；240-第一编码模块；250-第一确定模块；260-第一预测模块；300-信息推送装置；310-第二获取模块；320-第二转换模块；330-第二划分模块；340-第二编码模块；350-第二确定模块；360-第二预测模块；370-推送模块。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
请参阅图1，本申请实施例提供的一种应用基于用户头像的年龄预测方法、装置，和/或信息推送、装置的电子设备100的示意性模块框图。本申请实施例中，电子设备100可以是，但不限于服务器、计算机等。在结构上，电子设备100可以包括处理器110和存储器120。
处理器110与存储器120直接或间接地电性连接，以实现数据的传输或交互，例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。基于用户头像的年龄预测装置和/或信息推送装置包括至少一个可以软件或固件（Firmware）的形式存储在存储器120中或固化在电子设备100的操作系统（Operating System，OS）中的软件模块。处理器110用于执行存储器120中存储的可执行模块，例如，用户头像的年龄预测装置所包括的软件功能模块及计算机程序等，以实现用户头像的年龄预测方法；又例如信息推送装置所包括的软件功能模块及计算机程序等，以实现信息推送方法。处理器110可以在接收到执行指令后，执行计算机程序。
其中，处理器110可以是一种集成电路芯片，具有信号处理能力。处理器110也可以是通用处理器，例如，可以是中央处理器（Central Processing Unit，CPU）、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific IntegratedCircuit ，ASIC）、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。此外，通用处理器可以是微处理器或者任何常规处理器等。
存储器120可以是，但不限于，随机存取存储器（Random Access Memory，RAM）、只读存储器（Read Only Memory，ROM）、可编程只读存储器（Programmable Read-OnlyMemory，PROM）、可擦可编程序只读存储器（Erasable Programmable Read-Only Memory，EPROM），以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM）。存储器120用于存储程序，处理器110在接收到执行指令后，执行该程序。
需要说明的是，图1所示的结构仅为示意，本申请实施例提供的电子设备100还可以具有比图1更少或更多的组件，或是具有与图1所示不同的配置。此外，图1所示的各组件可以通过软件、硬件或其组合实现。
本申请实施例所提供的基于用户头像的年龄预测方法可以应用于各类需要进行年龄预测的应用场景，例如：应用程序的推荐、公司业务的推荐等应用场景中。举例来说，假设当前需要进行应用程序的推荐，而该应用程序可能只有年轻人有需求，则，此时便可以根据用户的年龄进行针对性的推荐，避免无效和不准确的推荐。
进而，该年龄预测方法可以应用于涉及对应的应用场景的推荐平台，例如：应用程序的推荐平台、公司业务的推荐平台等。这些推荐平台通常具有本地的用户数据库，基于本地的用户数据库，可进行用户年龄的预测。
结合推荐平台，该年龄预测方法可以应用于推荐平台的数据处理端，该数据处理端可以是：服务器或者前端。即，该年龄预测方法对应的硬件运行环境可以是服务器、前端等，在本申请实施例中不作限定。
请参阅图2，图2为本申请实施例提供的基于用户头像的年龄预测方法的步骤流程图，该方法应用于图1所示的电子设备100。需要说明的是，本申请实施例提供的基于用户头像的年龄预测方法不以图2及以下所示的顺序为限制，该方法包括：步骤S101-步骤S106。
步骤S101：获取第一用户图像。
第一用户图像为待预测年龄的用户的头像。例如可从待预测年龄的用户的终端获取用户的头像信息，但无法获取到该用户的年龄信息。第一用户图像还可以是未填写年龄信息的用户的头像。由于少数用户会填写虚假的年龄信息，比如在社交软件上填写与真实年龄不符的年龄，因此，第一用户图像也可以是指已填写年龄信息的用户的头像，本申请不作限定。
步骤S102：将第一用户图像转换为第一灰度图像。
由于通常用户所使用的个性化图像均为三通道的彩色图像，而为了便于后续计算图像之间的相似度，此处，将第一用户图像转换为第一灰度图像。
于本申请实施例中，转换方式采用加权法进行转换。加权法转换公式为：
Figure F_210827135949418_418420001
（1）
公式（1）中，
Figure F_210827135949530_530916002
表示第一灰度图像的像素点的灰度值，
Figure F_210827135949655_655991003
表示像素点红色通道的像素值；
Figure F_210827135949762_762091004
表示像素点绿色通道的像素值；
Figure F_210827135949856_856085005
表示像素点蓝色通道的像素值。
转换方式还可以采用均值法进行转换。均值法的公式为：
Figure F_210827135949936_936200006
（2）
公式（2）中，
Figure F_210827135950045_045539007
表示第一灰度图像的像素点的灰度值，
Figure F_210827135950156_156914008
表示像素点红色通道的像素值；
Figure F_210827135950283_283387009
表示像素点绿色通道的像素值；
Figure F_210827135950511_511835010
表示像素点蓝色通道的像素值。
转换方式还可以采用最大值法进行转换。最大值的公式为：
Figure F_210827135950621_621782011
（3）
公式（3）中，
Figure F_210827135950732_732663012
表示第一灰度图像的像素点的灰度值，
Figure F_210827135950832_832570013
表示像素点红色通道的像素值；
Figure F_210827135950944_944992014
表示像素点绿色通道的像素值；
Figure F_210827135951023_023099015
表示像素点蓝色通道的像素值。max表示取最大值，公式（3）表示将红色通道的像素值、绿色通道的像素值和蓝色通道的像素值的最大值作为该像素点的灰度值。
步骤S103：将第一灰度图像划分为预设数量的区块。
在得到第一灰度图像后，将其进行划分，以便于后续根据区块来进行编码形成矩阵。
于本申请实施例中，预设数量为64，即，第一灰度图像被划分为了一个8*8共64个区块的图像。当然，为了使得区块与第一灰度图像的划分方式统一，每个区块的尺寸也为8*8。通过上述规则对第一灰度图像进行划分，使得在图像之间存在明显区分度的情况下，计算的复杂度相对较低。
示例性的，第一灰度图像的尺寸为480*480。则先将第一灰度图像划分为64个区块。例如，可以是将第一灰度图像等分为64个（8*8）区块的图像，此时，每个区块的尺寸为60*60，然后再通过像素点合并的方式，将每个区块的尺寸也转换为8*8。若第一灰度图像划分后的每个区块不满足8*8，则通过像素点插值的方式使每个区块转换为8*8的形式。
当然，在其他实施例中，预设数量还可以是49，36等，每个区块的尺寸也可以不进行调整，对此，本申请不作限定。
步骤S104：通过感知哈希编码对每个区块进行编码，生成第一矩阵。
在得到划分好区块的第一灰度图像后，于本申请实施例中，采用感知哈希编码对每个区块进行编码。
采用感知哈希编码对每个区块进行编码的具体过程请参阅图3，其包括：步骤S201-步骤S203。
步骤S201：获取每个区块的像素均值以及获取第一灰度图像的像素均值。
可选地，每个区块的像素均值为每个区块中的所有像素点的灰度值的平均值。而第一灰度图像的像素均值为所有区块的像素均值的平均值。即步骤S201可具体包括：获取每个区块中的各个像素点的灰度值；计算每个区块中的所有像素点的灰度值的平均值，得到每个区块的像素均值；最后计算第一灰度图像中所有区块的像素均值的平均值，得到第一灰度图像的像素均值。
示例性的，第一灰度图像包括64个区块，每个区块为一个尺寸为8*8的区块。首先，获取该区块中每个像素点的灰度值，然后将各个像素点的灰度值相加再除以64即可得到该区块的像素均值。在得到每个区块的像素均值后，再将所有的区块的像素均值相加再除以64即可得到第一灰度图像的像素均值。
本申请实施例中，以每个区块中的所有像素点的灰度值的平均值，作为每个区块的像素均值，以及以所有区块的像素均值的平均值作为第一灰度图像的像素均值，进一步地提高了相似度计算的精度。
在其他实施例中，每个区块的像素均值还可以将该区块的右上角的像素点的灰度值作为该区块的像素均值。相应的，第一灰度图像的像素均值为右上角的区块的像素均值，对此，本申请不作限定。
步骤S202：依次将每个区块的像素均值与第一灰度图像的像素均值进行数值大小比较。
步骤S203：基于比较结果，生成第一矩阵。
其中，若区块的像素均值大于第一灰度图像的像素均值，则该区块记为第一数值，若区块的像素均值不大于第一灰度图像的像素均值，则该区块记为第二数值；其中，第一数值和所述第二数值为不同的数值。
示例性的，第一数值可以为1，相应的，第二数值可以为0。也即，当区块的像素均值大于第一灰度图像的像素均值，则该区块记为1，若区块的像素均值不大于第一灰度图像的像素均值，则该区块记为0。当然，也可以是第一数值为0，第二数值为1，或者第一数值为3，第二数值为5，本申请均不作限定。
此外，为了便于计算，生成的第一矩阵为一维矩阵。若第一灰度图像为等分为64个区块的图像，则第一矩阵为1*64的数组。示例性的，第一矩阵为：[1，0，1，......，1，1，0]，中间的省略号省略了58个数字。
步骤S105：将第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵。
在得到第一矩阵后，将其与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，进而得到目标矩阵。其中，目标矩阵为第二矩阵中与第一矩阵相似度最高的矩阵。
需要说明的是，预设的矩阵库是通过对第二用户图像进行编码所构建的（第二用户图像为预先获取的真实年龄已知的用户的头像）。在对第二用户图像进行编码之前，需要先基于第二用户图像各自对应的真实年龄进行分组。示例性的，年龄区间可以划分为十组：
年龄大于等于70组别为十（group_10）。
年龄大于等于60小于70组别为九（group_9）。
年龄大于等于50小于60组别为八（group_8）。
年龄大于等于45小于50组别为七（group_7）。
年龄大于等于40小于45组别为六（group_6）。
年龄大于等于35小于40组别为五（group_5）。
年龄大于等于30小于35组别为四（group_4）。
年龄大于等于25小于30组别为三（group_3）。
年龄大于等于20小于25组别为二（group_2）。
年龄大于等于10小于20组别为一（group_1）。
年龄大于等于0小于10组别为零（group_0）。
在对年龄区间分组后，将第二用户图像进行归类，比如第二用户图像A的对应的用户的真实年龄为27岁，则将第二用户图像A归为group_3。
在对所有的第二用户图像进行归类后，再依次对每个组别中的第二用户图像进行编码得到第二矩阵。其中，每个分组中的第二矩阵通过如下步骤生成：将第二用户图像转换为第二灰度图像；并将第二灰度图像划分为预设数量的区块；再通过感知哈希编码对划分后的第二灰度图像中的每个区块进行编码后获得。
需要说明的是，在上述方法的实施过程中，对第一用户图像进行处理（包括图像转换、分块、编码）的方式需要与对第二用户图像进行处理的方式相同。而具体的处理过程在前述实施例已有说明，为了避免累赘，此处不作赘述。
在得到预设的矩阵库后，每个分组中均包括多个第二矩阵，如：
group_0:[1，0，1，......，1，1，0]......[0，0，1，......，1，1，0]；
group_1:[1，0，0，......，1，0，0]......[0，0，1，......，0，1，0]；
......
group_10:[0，0，1，......，1，0，0]......[0，0，0，......，1，1，0]。
上述的group_0~group_0可以保存成为.npy文件，将编码后得到的矩阵库存入后缀为.npy文件中，当再次使用矩阵库时可直接读取.npy文件，无需重复编码，无需每次重新生成矩阵库，节省编码时间，节约计算机资源。
上述相似度的计算过程可以是依次计算第一矩阵中与所有分组中的第二矩阵的相似度，然后选取最大的相似度对应的第二矩阵作为目标矩阵。
当然，上述的相似度的计算过程还可以包括：计算第一矩阵与每个分组中的第二矩阵的相似度，确定出第三矩阵；其中，第三矩阵为每个分组中与第一矩阵相似度最高的矩阵；基于第三矩阵，确定出目标矩阵；其中，目标矩阵为第三矩阵中与第一矩阵相似度最高的矩阵。
也即，该方式是从每个分组中确定出一个相似度最大的矩阵，然后再将每个分组中确定出的最高相似度的矩阵进行比较，进而确定出目标矩阵。
可选地，上述的相似度计算可以采用汉明距离算法。需要说明的是，两个等长字符串之间的汉明距离是两个字符串对应位置的不同字符的个数。示例性的，第一矩阵为[1，0，1]，第二矩阵为[0，0，1]。第一矩阵和第二矩阵的第一位字符不相同，则第一矩阵与第二矩阵的汉明距离为1。若第一矩阵为[1，0，1]，第二矩阵为[0，1，0]。第一矩阵和第二矩阵的三位字符均不相同，则第一矩阵与第二矩阵的汉明距离为3。
本申请实施例中，通过汉明距离算法，能够较为准确地计算第一矩阵与第二矩阵之间的相似度。当然，在其他实施例中，相似度计算还可以采用余弦相似度算法等，本申请不作限定。
可选地，为了降低当不同分组中出现相同的头像而对预测结果造成影响。比如，头像A同时出现在了group_0和group_10。若待预测年龄的用户的头像也为头像A时，此时则无法预测出头像A的年龄区间。因此，于本申请实施例中，上述相似度确定过程还可以具体包括：计算第一矩阵与每个分组中的第二矩阵的相似度；获取每个分组中相似度最高的目标数量的第三矩阵；计算每个分组中的第三矩阵与第一矩阵的相似度的平均值；将平均值最大的第三矩阵中的任一矩阵确定为目标矩阵。
上述的目标数量可以是三个、五个、十个，本申请不作限定。以目标数量为三个为例。当计算出第一矩阵与每个分组中的第二矩阵的相似度后；获取每个分组中相似度最高的三个第三矩阵；然后，将这三个矩阵与第一矩阵的相似度取平均值，根据相似度的平均值即可确定出第一矩阵与某个分组中的矩阵的相似度更高。最后，以平均值最大的第三矩阵中的任一矩阵确定为目标矩阵。当然，可以是以平均值最大的第三矩阵中的与第一矩阵像素度最大的矩阵确定为目标矩阵。通过上述方式，可以避免出现相同的头像出现在不同的分组中对预测结果造成的影响，进一步的提高了预测准确性。
步骤S106：将目标矩阵所在分组对应的年龄区间确定为第一用户图像对应的预测年龄区间。
最后，根据目标矩阵所在分组即可确定出第一用户图像对应的预测年龄区间。示例性的，目标矩阵在group_0，则第一用户图像对应的预测年龄区间为大于等于0小于10。
此外，需要说明的是，上述的第一用户图像可以和第二用户图像来源于同一社交软件。比如，通过社交软件A中已知真实年龄的第二用户图像去预测社交软件A中的未知真实年龄的第一用户图像对应的年龄区间。通过该方式，能够提高对第一用户图像年龄区间预测的准确性。
当然，上述的第一用户图像和第二用户图像还可以来源于不同的社交软件。比如，通过社交软件A中已知真实年龄的第二用户图像去预测社交软件B中的未知真实年龄的第一用户图像对应的年龄区间。在社交软件B中由于缺乏用户的特征信息，而导致难以在社交软件B中针对性地且较精确地向用户推荐信息，但通过本申请可以基于社交软件A中获取到一些用户的特征信息（即已经真实年龄的用户的头像（即第二用户图像））来预测社交软件B中的用户的特征信息，从而可以基于预测得到的社交软件B中的用户的特征信息，来向社交软件B中的用户针对性地推荐信息，提高推荐相关度和精确度。
综上，本申请实施例提供的年龄预测方式，通过将真实年龄已知的用户的头像进行分组，以确定各个头像的年龄区间，并将真实年龄已知的用户的头像进行编码形成预设的矩阵库，然后将未知年龄的用户头像进行编码，并与预设的矩阵库中的编码后的矩阵进行匹配，以确定出未知年龄的用户头像的预测年龄区间。由于年龄相近的人群有大致相同的人生感悟、体会、追求目标等，而这些会间接地表现在用户的个性化头像上。因此，通过头像可以较为准确地预测出用户年龄，进而便于后续业务的有效推送。此外，本申请实施例是采用已知年龄的用户的头像进行的预测，年龄预测的准确性较高。
请参阅图4，基于同一发明构思，本申请实施例还提供一种信息推送方法，该方法应用于图1所示的电子设备100。需要说明的是，本申请实施例提供的信息推送方法不以图4及以下所示的顺序为限制，该方法包括：步骤S301-步骤S307。
步骤S301：获取第一用户图像。
步骤S302：将第一用户图像转换为第一灰度图像。
步骤S303：将第一灰度图像划分为预设数量的区块。
步骤S304：通过感知哈希编码对每个区块进行编码，生成第一矩阵。
步骤S305：将第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵。
步骤S306：将目标矩阵所在分组对应的年龄区间确定为第一用户图像对应的预测年龄区间。
需要说明的是，上述步骤S301-步骤S306与步骤S101-步骤S106相同，为了避免累赘，此处不作赘述，相同部分互相参考即可。
步骤S107：向待预测年龄的用户推送与预测年龄区间相符的推送信息。
在得到待预测年龄的用户的预测年龄区间后，即可向该用户推送与用户年龄相符的推送信息。比如根据不同年龄段的用户推送不同的广告、新闻、产品等等，或者向某些年龄段的用户推送筹款信息、保险信息。对于推送信息的种类，本申请不作限定。
此外，需要说的是，推送与预测年龄区间相符的推送信息可以是根据预测出的用户的年龄，选择向该年龄的用户推荐某类信息或不推荐某类信息。例如对于保险业务，若预测出的用户的年龄较大的话，选择不向该用户推送保险信息，进而规避风险。
请参阅图5，基于同一发明构思，本申请实施例还提供一种基于用户头像的年龄预测装置200，该装置包括：
第一获取模块210，用于获取第一用户图像；所述第一用户图像为待预测年龄的用户的头像。
第一转换模块220，用于将所述第一用户图像转换为第一灰度图像。
第一划分模块230，用于将所述第一灰度图像划分为预设数量的区块。
第一编码模块240，用于通过感知哈希编码对每个所述区块进行编码，生成第一矩阵。
第一确定模块250，用于将所述第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵；其中，所述目标矩阵为所述第二矩阵中与所述第一矩阵相似度最高的矩阵；所述第二矩阵通过将第二用户图像转换为第二灰度图像；并将所述第二灰度图像划分为所述预设数量的区块；再通过感知哈希编码对划分后的第二灰度图像中的每个区块进行编码后获得；所述第二用户图像为真实年龄已知的用户的头像；每个所述分组对应一个年龄区间。
第一预测模块260，用于将所述目标矩阵所在分组对应的年龄区间确定为所述第一用户图像对应的预测年龄区间。
可选地，第一编码模块240具体用于获取每个所述区块的像素均值以及获取所述第一灰度图像的像素均值；依次将每个所述区块的像素均值与所述第一灰度图像的像素均值进行数值大小比较；基于比较结果，生成所述第一矩阵；其中，若区块的像素均值大于所述第一灰度图像的像素均值，则该区块记为第一数值，若区块的像素均值不大于所述第一灰度图像的像素均值，则该区块记为第二数值；其中，所述第一数值和所述第二数值为不同的数值。
可选地，第一编码模块240还具体用于获取每个所述区块中的各个像素点的灰度值；计算每个所述区块中的所有像素点的灰度值的平均值，得到每个所述区块的像素均值；计算所述第一灰度图像中所有区块的像素均值的平均值，得到所述第一灰度图像的像素均值。
可选地，第一确定模块250具体用于基于汉明距离算法，计算所述第一矩阵与每个所述分组中的第二矩阵的相似度，确定出第三矩阵；其中，第三矩阵为每个所述分组中与所述第一矩阵相似度最高的矩阵；基于所述第三矩阵，确定出所述目标矩阵；其中，所述目标矩阵为所述第三矩阵中与所述第一矩阵相似度最高的矩阵。
可选地，第一确定模块250具体用于计算所述第一矩阵与每个所述分组中的第二矩阵的相似度；获取每个所述分组中相似度最高的目标数量的第三矩阵；计算每个所述分组中的所述第三矩阵与第一矩阵的相似度的平均值；将平均值最大的第三矩阵中的任一矩阵确定为所述目标矩阵。
请参阅图6，基于同一发明构思，本申请实施例还提供一种信息推送装置300，该装置包括：
第二获取模块310，用于获取第一用户图像；所述第一用户图像为待预测年龄的用户的头像。
第二转换模块320，用于将所述第一用户图像转换为第一灰度图像。
第二划分模块330，用于将所述第一灰度图像划分为预设数量的区块。
第二编码模块340，用于通过感知哈希编码对每个所述区块进行编码，生成第一矩阵。
第二确定模块350，用于将所述第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵；其中，所述目标矩阵为所述第二矩阵中与所述第一矩阵相似度最高的矩阵；所述第二矩阵通过将第二用户图像转换为第二灰度图像；并将所述第二灰度图像划分为所述预设数量的区块；再通过感知哈希编码对划分后的第二灰度图像中的每个区块进行编码后获得；所述第二用户图像为真实年龄已知的用户的头像；每个所述分组对应一个年龄区间。
第二预测模块360，用于将所述目标矩阵所在分组对应的年龄区间确定为所述第一用户图像对应的预测年龄区间。
推送模块370，用于向所述待预测年龄的用户推送与所述预测年龄区间相符的推送信息。
需要说明的是，由于所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
基于同一发明构思，本申请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，计算机程序在被运行时执行上述实施例中提供的方法。
该存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk(SSD)）等。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，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。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于用户头像的年龄预测方法，其特征在于，包括：
获取第一用户图像；所述第一用户图像为社交软件上的待预测年龄的用户的个性化头像；
将所述第一用户图像转换为第一灰度图像；
将所述第一灰度图像划分为预设数量的区块；
通过感知哈希编码对每个所述区块进行编码，生成第一矩阵；
将所述第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵；其中，所述目标矩阵为所述第二矩阵中与所述第一矩阵相似度最高的矩阵；所述第二矩阵通过将第二用户图像转换为第二灰度图像；并将所述第二灰度图像划分为所述预设数量的区块；再通过感知哈希编码对划分后的第二灰度图像中的每个区块进行编码后获得；所述第二用户图像为真实年龄已知的用户的头像；每个所述分组对应一个年龄区间；
将所述目标矩阵所在分组对应的年龄区间确定为所述第一用户图像对应的预测年龄区间。
2.根据权利要求1所述的年龄预测方法，其特征在于，所述通过感知哈希编码对每个所述区块进行编码，生成第一矩阵，包括：
获取每个所述区块的像素均值以及获取所述第一灰度图像的像素均值；
依次将每个所述区块的像素均值与所述第一灰度图像的像素均值进行数值大小比较；
基于比较结果，生成所述第一矩阵；其中，若区块的像素均值大于所述第一灰度图像的像素均值，则该区块记为第一数值，若区块的像素均值不大于所述第一灰度图像的像素均值，则该区块记为第二数值；其中，所述第一数值和所述第二数值为不同的数值。
3.根据权利要求2所述的年龄预测方法，其特征在于，所述获取每个所述区块的像素均值以及获取所述第一灰度图像的像素均值，包括：
获取每个所述区块中的各个像素点的灰度值；
计算每个所述区块中的所有像素点的灰度值的平均值，得到每个所述区块的像素均值；
计算所述第一灰度图像中所有区块的像素均值的平均值，得到所述第一灰度图像的像素均值。
4.根据权利要求1所述的年龄预测方法，其特征在于，所述预设数量为64，相应的，所述第一灰度图像被划分为8*8的图像；所述第一矩阵为1*64的数组；每个所述区块的尺寸为8*8。
5.根据权利要求1所述的年龄预测方法，其特征在于，所述将所述第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵，包括：
基于汉明距离算法，计算所述第一矩阵与每个所述分组中的第二矩阵的相似度，确定出第三矩阵；其中，第三矩阵为每个所述分组中与所述第一矩阵相似度最高的矩阵；
基于所述第三矩阵，确定出所述目标矩阵；其中，所述目标矩阵为所述第三矩阵中与所述第一矩阵相似度最高的矩阵。
6.根据权利要求1所述的年龄预测方法，其特征在于，所述将所述第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵，包括：
计算所述第一矩阵与每个所述分组中的第二矩阵的相似度；
获取每个所述分组中相似度最高的目标数量的第三矩阵；
计算每个所述分组中的所述第三矩阵与第一矩阵的相似度的平均值；
将平均值最大的第三矩阵中的任一矩阵确定为所述目标矩阵。
7.一种信息推送方法，其特征在于，包括：
获取第一用户图像；所述第一用户图像为社交软件上的待预测年龄的用户的个性化头像；
将所述第一用户图像转换为第一灰度图像；
将所述第一灰度图像划分为预设数量的区块；
通过感知哈希编码对每个所述区块进行编码，生成第一矩阵；
将所述第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵；其中，所述目标矩阵为所述第二矩阵中与所述第一矩阵相似度最高的矩阵；所述第二矩阵通过将第二用户图像转换为第二灰度图像；并将所述第二灰度图像划分为所述预设数量的区块；再通过感知哈希编码对划分后的第二灰度图像中的每个区块进行编码后获得；所述第二用户图像为真实年龄已知的用户的头像；每个所述分组对应一个年龄区间；
将所述目标矩阵所在分组对应的年龄区间确定为所述第一用户图像对应的预测年龄区间；
向所述待预测年龄的用户推送与所述预测年龄区间相符的推送信息。
8.一种基于用户头像的年龄预测装置，其特征在于，包括：
第一获取模块，用于获取第一用户图像；所述第一用户图像为社交软件上的待预测年龄的用户的个性化头像；
第一转换模块，用于将所述第一用户图像转换为第一灰度图像；
第一划分模块，用于将所述第一灰度图像划分为预设数量的区块；
第一编码模块，用于通过感知哈希编码对每个所述区块进行编码，生成第一矩阵；
第一确定模块，用于将所述第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵；其中，所述目标矩阵为所述第二矩阵中与所述第一矩阵相似度最高的矩阵；所述第二矩阵通过将第二用户图像转换为第二灰度图像；并将所述第二灰度图像划分为所述预设数量的区块；再通过感知哈希编码对划分后的第二灰度图像中的每个区块进行编码后获得；所述第二用户图像为真实年龄已知的用户的头像；每个所述分组对应一个年龄区间；
第一预测模块，用于将所述目标矩阵所在分组对应的年龄区间确定为所述第一用户图像对应的预测年龄区间。
9.一种信息推送装置，其特征在于，包括：
第二获取模块，用于获取第一用户图像；所述第一用户图像为社交软件上的待预测年龄的用户的个性化头像；
第二转换模块，用于将所述第一用户图像转换为第一灰度图像；
第二划分模块，用于将所述第一灰度图像划分为预设数量的区块；
第二编码模块，用于通过感知哈希编码对每个所述区块进行编码，生成第一矩阵；
第二确定模块，用于将所述第一矩阵与预设的矩阵库中的每个分组中的第二矩阵进行相似度计算，确定出目标矩阵；其中，所述目标矩阵为所述第二矩阵中与所述第一矩阵相似度最高的矩阵；所述第二矩阵通过将第二用户图像转换为第二灰度图像；并将所述第二灰度图像划分为所述预设数量的区块；再通过感知哈希编码对划分后的第二灰度图像中的每个区块进行编码后获得；所述第二用户图像为真实年龄已知的用户的头像；每个所述分组对应一个年龄区间；
第二预测模块，用于将所述目标矩阵所在分组对应的年龄区间确定为所述第一用户图像对应的预测年龄区间；
推送模块，用于向所述待预测年龄的用户推送与所述预测年龄区间相符的推送信息。
10.一种电子设备，其特征在于，包括：处理器和存储器，所述处理器和所述存储器连接；
所述存储器用于存储程序；
所述处理器用于运行存储在所述存储器中的程序，执行如权利要求1-6中任一项所述的年龄预测方法，和/或执行如权利要求7所述的信息推送方法。
CN202111053003.8A 2021-09-09 2021-09-09 基于用户头像的年龄预测方法、装置及电子设备 Active CN113505765B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111053003.8A CN113505765B (zh) 2021-09-09 2021-09-09 基于用户头像的年龄预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111053003.8A CN113505765B (zh) 2021-09-09 2021-09-09 基于用户头像的年龄预测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113505765A CN113505765A (zh) 2021-10-15
CN113505765B true CN113505765B (zh) 2022-02-08

Family

ID=78016665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111053003.8A Active CN113505765B (zh) 2021-09-09 2021-09-09 基于用户头像的年龄预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113505765B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511713A (zh) * 2022-04-20 2022-05-17 威海经济技术开发区天智创新技术研究院 一种基于图像的预测方法、装置及服务器

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105912643A (zh) * 2016-04-08 2016-08-31 浙江理工大学 一种基于内容改进型均值哈希的图像检索方法
CN106446823A (zh) * 2016-09-20 2017-02-22 北京金山安全软件有限公司 一种识别用户年龄的方法、装置及电子设备
WO2020147257A1 (zh) * 2019-01-16 2020-07-23 平安科技（深圳）有限公司 一种人脸识别方法和装置
CN111709305A (zh) * 2020-05-22 2020-09-25 东南大学 一种基于局部图像块的人脸年龄识别方法
WO2021000832A1 (zh) * 2019-07-03 2021-01-07 平安科技（深圳）有限公司 匹配人脸的方法、装置、计算机设备和存储介质
CN112446310A (zh) * 2020-11-19 2021-03-05 杭州趣链科技有限公司 基于区块链的年龄识别系统、方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476642A (zh) * 2020-04-14 2020-07-31 广东技术师范大学 一种基于社交平台用户头像分析的保险推荐方法及系统
CN112131411A (zh) * 2020-09-21 2020-12-25 腾讯科技（深圳）有限公司 一种多媒体资源推荐方法、装置、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105912643A (zh) * 2016-04-08 2016-08-31 浙江理工大学 一种基于内容改进型均值哈希的图像检索方法
CN106446823A (zh) * 2016-09-20 2017-02-22 北京金山安全软件有限公司 一种识别用户年龄的方法、装置及电子设备
WO2020147257A1 (zh) * 2019-01-16 2020-07-23 平安科技（深圳）有限公司 一种人脸识别方法和装置
WO2021000832A1 (zh) * 2019-07-03 2021-01-07 平安科技（深圳）有限公司 匹配人脸的方法、装置、计算机设备和存储介质
CN111709305A (zh) * 2020-05-22 2020-09-25 东南大学 一种基于局部图像块的人脸年龄识别方法
CN112446310A (zh) * 2020-11-19 2021-03-05 杭州趣链科技有限公司 基于区块链的年龄识别系统、方法及装置

Also Published As

Publication number Publication date
CN113505765A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
AU2017389535A1 (en) Image tampering detection method and system, electronic apparatus and storage medium
CN111783875A (zh) 基于聚类分析的异常用户检测方法、装置、设备及介质
CN111144457B (zh) 图像处理方法、装置、设备及存储介质
CN113689285B (zh) 一种检测用户特征的方法、装置、设备及存储介质
CN113505765B (zh) 基于用户头像的年龄预测方法、装置及电子设备
CN111091385A (zh) 基于权重的对象识别方法、装置以及电子设备
CN110995681A (zh) 用户识别方法、装置、电子设备及存储介质
CN111340574B (zh) 风险用户的识别方法、装置和电子设备
WO2021174881A1 (zh) 多维度信息的组合预测方法、装置、计算机设备及介质
CN116524206B (zh) 目标图像的识别方法及装置
CN111310832A (zh) 一种图片查重方法和系统
CN116257885A (zh) 基于联邦学习的隐私数据通信方法、系统和计算机设备
CN114245385B (zh) 一种基于时间序列分析的短信防炸登录方法及系统
CN115129867A (zh) 一种文本内容审核方法、装置、设备和存储介质
CN114218574A (zh) 一种数据检测方法、装置、电子设备以及存储介质
CN115374318A (zh) 模型调用方法、装置、计算机设备及存储介质
CN113535885B (zh) 基于用户昵称的年龄预测方法、装置及电子设备
CN111836051B (zh) 一种桌面图像编码、解码方法及相关装置
CN114511713A (zh) 一种基于图像的预测方法、装置及服务器
CN114663200B (zh) 一种产品推荐方法、装置、电子设备以及存储介质
CN113591983B (zh) 图像识别方法和装置
CN112954306B (zh) 一种图像处理性能测试方法及装置
CN115423855B (zh) 图像的模板匹配方法、装置、设备及介质
CN114494745A (zh) 图像检测方法、装置、终端设备及计算机可读存储介质
US8249293B2 (en) Method, apparatus and computer-readable recording medium for obtaining information

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Room 716, floor 7, building 2, No. 28 Andingmen East Street, Dongcheng District, Beijing 100010

Patentee after: Beijing Easy Yikang Information Technology Co.,Ltd.

Address before: Room 716, floor 7, building 2, No. 28 Andingmen East Street, Dongcheng District, Beijing 100010

Patentee before: BEIJING QINGSONGCHOU INFORMATION TECHNOLOGY Co.,Ltd.