CN113554762A - 基于深度学习的短视频风格图像生成方法、装置及系统 - Google Patents

基于深度学习的短视频风格图像生成方法、装置及系统 Download PDF

Info

Publication number
CN113554762A
CN113554762A CN202110716375.8A CN202110716375A CN113554762A CN 113554762 A CN113554762 A CN 113554762A CN 202110716375 A CN202110716375 A CN 202110716375A CN 113554762 A CN113554762 A CN 113554762A
Authority
CN
China
Prior art keywords
clothing
favorite
praise
garment
model
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.)
Granted
Application number
CN202110716375.8A
Other languages
English (en)
Other versions
CN113554762B (zh
Inventor
詹瑾
黄厚财
唐四云
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.)
Foshan Haixie Technology Co ltd
Guangzhou Yuepai Yuejing Advertising Co ltd
Original Assignee
Guangdong Polytechnic Normal University
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 Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN202110716375.8A priority Critical patent/CN113554762B/zh
Publication of CN113554762A publication Critical patent/CN113554762A/zh
Application granted granted Critical
Publication of CN113554762B publication Critical patent/CN113554762B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/006—Mixed reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/483—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Computer Graphics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明公开了一种基于深度学习的短视频风格图像生成方法、装置及系统，其中，包括：从短视频平台获取服装类的点赞数据；基于所述点赞数据摘录对应的服装着装图；结合点赞评论获取所述服装着装图对应的点赞特征；所述点赞特征为服装中各个部分的爱好特征；获取点赞人员的爱好标签，并基于所述爱好标签构建由所述点赞特征集成的喜爱服装图库；通过挑选学习模型从所述喜爱服装图库中挑选风格差异化的多个喜爱服装图；将多个所述喜爱服装图呈现至观看者；获取所述观看者相对于所述喜爱服装图的朝向，并基于所述观看者的3D模型构建对应的着装动态图。

Description

基于深度学习的短视频风格图像生成方法、装置及系统
技术领域
本发明涉及的图像生成技术领域，尤其涉及一种基于深度学习的短视频风格图像生成方法、装置及系统。
背景技术
短视频平台广泛在人们的生活中被使用，并且储存着大量的使用数据，其中，服装类视频也逐渐在短视频平台中流行，并引导观看者的消费，可是，观看者面对较多相似的服装图更加难以选择，使得观看者选择灵活度降低。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于深度学习的短视频风格图像生成方法、装置及系统，可以实现追溯点赞数据，并获取点赞数据所对应的所述服装着装图对应的点赞特征，并通过对基于所述爱好标签构建由所述点赞特征集成的喜爱服装图库，以便于服装着装图的建立，并符合点赞人员的爱好，另外，通过挑选学习模型从所述喜爱服装图库中挑选风格差异化的多个喜爱服装图，将多个所述喜爱服装图呈现至观看者，预估观看者的多个喜爱服装图，并且在多种风格下做了挑选，实现多个喜爱服装图的自我挑选和构建，提高观看者选择灵活度。
为了解决上述技术问题，本发明实施例提供了一种基于深度学习的短视频风格图像生成方法，包括：从短视频平台获取服装类的点赞数据；基于所述点赞数据摘录对应的服装着装图；结合点赞评论获取所述服装着装图对应的点赞特征；所述点赞特征为服装中各个部分的爱好特征；获取点赞人员的爱好标签，并基于所述爱好标签构建由所述点赞特征集成的喜爱服装图库；通过挑选学习模型从所述喜爱服装图库中挑选风格差异化的多个喜爱服装图；将多个所述喜爱服装图呈现至观看者；获取所述观看者相对于所述喜爱服装图的朝向，并基于所述观看者的3D模型构建对应的着装动态图。
可选的，所述从短视频平台获取服装类的点赞数据，包括：由服装平台登录所述短视频平台；基于所述服装平台获取相关联的行业数据；所述行业数据为以所述服装平台进行供应链延伸的相关数据；从所述行业数据中获取服装类的点赞数据，该点赞数据为达到预设阈值的数据；基于所述点赞数据获取点赞人员的基本信息；所述基本信息包括年龄阶段和对应所述年龄阶段的爱好标签。
可选的，所述基于所述点赞数据摘录对应的服装着装图，包括：获取所述点赞数据对应的链接；基于所述链接进行链接遍历，并在大数据下进行相关的服装着装图的查找；确定对应的服装着装图，并基于物联网进行相似寻找，并确定相似着装图；所述相似着装图中的人物肤色和所述服装着装图的人物具有差异。
可选的，所述结合点赞评论获取所述服装着装图对应的点赞特征；所述点赞特征为服装中各个部分的爱好特征，包括：获取所述点赞评论对应的所述服装着装图；采集点赞人员的眼球数据，并建立所述点赞人员的眼球模型；呈现所述服装着装图的3D模型，并正对所述点赞人员的眼球模型；基于所述点赞人员的眼球模型的运动轨迹确定所述服装着装图的3D模型中的重点观察区域；圈定所述重点观察区域，并定格至少一所述服装着装图的点赞特征；所述点赞特征为服装中各个部分的爱好特征。
可选的，还包括：获取所述点赞评论对应的所述服装着装图；采集点赞人员的指令或声音特征，解读所述指令或所述声音特征；基于所述指令或所述声音特征将对应的服装特征进行显色处理；将经显色处理的服装特征移动至点赞特征库，并将该服装特征作为所述服装着装图的点赞特征；所述点赞特征为服装中各个部分的爱好特征；基于所述点赞特征库对每一次移动的所述点赞特征进行对比，并从观看时长和相似度以确定最喜爱的点赞特征，且进行喜爱度排序。
可选的，所述通过挑选学习模型从所述喜爱服装图库中挑选风格差异化的多个喜爱服装图，包括：获取所述点赞人员的以往购买的服装记录；将已购买的服装的各个特征组件训练库；基于所述训练库和所述点赞人员当时的爱好进行所述挑选学习模型的训练；根据当前的时代潮流对所述挑选学习模型进行幅度加持，并建立所述挑选学习模型的指数升级模式；所述挑选学习模型外设有至少一可变参数栏，该可变参数栏基于所述点赞人员所添加的数据进行对应的转化，以实现所述挑选学习模型的属性增加模式；通过所述挑选学习模型从所述喜爱服装图库中挑选风格差异化的多个喜爱服装图。
可选的，所述获取所述观看者相对于所述喜爱服装图的朝向，并基于所述观看者的3D模型构建对应的着装动态图，包括：捕捉所述观看者的观看角度，并确定所述观看者相对于所述喜爱服装图的朝向；建立所述观看者的3D模型和所述喜爱服装图的3D模型；基于所述朝向调整所述喜爱服装图的3D模型相对于所述观看者的3D模型的角度，使得所述观看者的3D模型和所述喜爱服装图的3D模型正对；基于所述观看者的3D模型构建对应的着装动态图；将所述喜爱服装图的3D模型套入所述观看者的3D模型，并凸显出所述着装动态图基于所述观看者的肌肉的变化；模拟所述观看者的3D模型在所述喜爱服装图的3D模型加持的状态下的行走，并摘录所述对应的角度图片；基于所述角度图片供所述观看者测评分数，若所述分数不满足预设分数，则更换所述喜爱服装图，并基于所述观看者的目前浏览服装数据进行调整；将所述观看者的发型和所述喜爱服装图对应搭配测试，并在测试中获取所述观看者的发型和所述喜爱服装图的搭配指数，若所述搭配指数不满足预设搭配指数，则给出对应发型的建议。
可选的，还包括：跟踪所述点赞数据，并获取基于所述点赞数据进行销售的销售记录；基于所述销售记录获取对应购买者的个人信息；所述个人信息包括年龄、购买欲望等级、喜爱度、售后反馈；在预设时间内建立趋势购买表，并基于所述购买者的个人信息跟踪所述喜爱服装图的变化；构建多个年龄段在不同时间内的所述喜爱服装图的换装变化图；基于所述换装变化图预测下一季度的待购买服装图；基于所述短视频平台的热点排行榜调整所述待购买服装图的预测指数，以更新所述待购买服装图。
另外，本发明实施例还提供了一种基于深度学习的短视频风格图像生成装置，所述基于深度学习的短视频风格图像生成装置包括：获取模块：用于从短视频平台获取服装类的点赞数据；摘录模块：用于基于所述点赞数据摘录对应的服装着装图；结合模块：用于结合点赞评论获取所述服装着装图对应的点赞特征；所述点赞特征为服装中各个部分的爱好特征；第一构建模块：用于获取点赞人员的爱好标签，并基于所述爱好标签构建由所述点赞特征集成的喜爱服装图库；挑选模块：用于通过挑选学习模型从所述喜爱服装图库中挑选风格差异化的多个喜爱服装图；呈现模块：用于将多个所述喜爱服装图呈现至观看者；第二构建模块：用于获取所述观看者相对于所述喜爱服装图的朝向，并基于所述观看者的3D模型构建对应的着装动态图。
另外，本发明实施例还提供了一种基于深度学习的短视频风格图像生成系统，所述系统包括：一体机屏幕、电脑和彩色分析仪；所述电脑基于HDMI接口与所述一体机屏幕相连接；所述电脑基于USB接口与所述彩色分析仪相连接；所述彩色分析仪与所述一体机屏幕信号连接；其中，
所述系统被配置为用于执行上述中任意一项的所述基于深度学习的短视频风格图像生成方法。
在本发明实施例中，通过本发明实施例中的方法，可以实现追溯点赞数据，并获取点赞数据所对应的所述服装着装图对应的点赞特征，并通过对基于所述爱好标签构建由所述点赞特征集成的喜爱服装图库，以便于服装着装图的建立，并符合点赞人员的爱好，另外，通过挑选学习模型从所述喜爱服装图库中挑选风格差异化的多个喜爱服装图，将多个所述喜爱服装图呈现至观看者，预估观看者的多个喜爱服装图，并且在多种风格下做了挑选，实现多个喜爱服装图的自我挑选和构建，提高观看者选择灵活度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，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的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于深度学习的短视频风格图像生成方法的流程示意图；
图2是本发明实施例中的基于深度学习的短视频风格图像生成装置的结构组成示意图；
图3是本发明实施例中的基于深度学习的短视频风格图像生成系统的结构组成示意图。
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，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
实施例
请参阅图1，图1是本发明实施例中的基于深度学习的短视频风格图像生成方法的流程示意图。
如图1所示，一种基于深度学习的短视频风格图像生成方法，所述方法包括：
S11：从短视频平台获取服装类的点赞数据；
在本发明具体实施过程中，具体的步骤可以为：由服装平台登录所述短视频平台；基于所述服装平台获取相关联的行业数据；所述行业数据为以所述服装平台进行供应链延伸的相关数据；从所述行业数据中获取服装类的点赞数据，该点赞数据为达到预设阈值的数据；基于所述点赞数据获取点赞人员的基本信息；所述基本信息包括年龄阶段和对应所述年龄阶段的爱好标签。
其中，通过点赞数据的数据链寻找到相关链接，进而寻到相关的数据，通过服装平台为中间端实现网络的接入，以便于提高该相关数据的安全性，并且基于商用的环境下允许使用。从所述行业数据中获取服装类的点赞数据，该点赞数据为达到预设阈值的数据；基于所述点赞数据获取点赞人员的基本信息，从而获得年龄阶段和对应所述年龄阶段的爱好标签。
S12：基于所述点赞数据摘录对应的服装着装图；
在本发明具体实施过程中，具体的步骤可以为：获取所述点赞数据对应的链接；基于所述链接进行链接遍历，并在大数据下进行相关的服装着装图的查找；确定对应的服装着装图，并基于物联网进行相似寻找，并确定相似着装图；所述相似着装图中的人物肤色和所述服装着装图的人物具有差异。
其中，基于所述链接进行链接遍历，并在大数据下进行相关的服装着装图的查找，不仅获取服装着装图，还能基于服装着装图获取相关的相似着装图，并且所述相似着装图中的人物肤色和所述服装着装图的人物具有差异，以体现在不同场景下的服装着装图的应用，从而体下出服装着装图在各个环境中的适配度。
S13：结合点赞评论获取所述服装着装图对应的点赞特征；所述点赞特征为服装中各个部分的爱好特征；
在本发明具体实施过程中，具体步骤包括：获取所述点赞评论对应的所述服装着装图；采集点赞人员的眼球数据，并建立所述点赞人员的眼球模型；呈现所述服装着装图的3D模型，并正对所述点赞人员的眼球模型；基于所述点赞人员的眼球模型的运动轨迹确定所述服装着装图的3D模型中的重点观察区域；圈定所述重点观察区域，并定格至少一所述服装着装图的点赞特征；所述点赞特征为服装中各个部分的爱好特征。
其中，通过点赞人员的眼球数据获取点赞人员相对于服装着装图的点赞特征，并且基于所述点赞人员的眼球模型的运动轨迹确定所述服装着装图的3D模型中的重点观察区域进行确定，该重点观察区域可以为多个点赞特征的交叉区域。
另外，还有的是，获取所述点赞评论对应的所述服装着装图；采集点赞人员的指令或声音特征，解读所述指令或所述声音特征；基于所述指令或所述声音特征将对应的服装特征进行显色处理；将经显色处理的服装特征移动至点赞特征库，并将该服装特征作为所述服装着装图的点赞特征；所述点赞特征为服装中各个部分的爱好特征；基于所述点赞特征库对每一次移动的所述点赞特征进行对比，并从观看时长和相似度以确定最喜爱的点赞特征，且进行喜爱度排序，以便于对点赞特征进行级别分类。
S14：获取点赞人员的爱好标签，并基于所述爱好标签构建由所述点赞特征集成的喜爱服装图库；
其中，所述点赞特征基于点赞人员的爱好标签进行拼接，并且集成喜爱服装图库，该喜爱服装图库收集大量的所述点赞特征，并且能够基于点赞特征在预设时间内进行更新，以结合相关事件对点赞特征进行升级或淘汰，另外，还可以点赞特征在独立的空间内进行相对对比，并且基于点赞人员的反馈进行调整，以延伸出延伸特征，该延伸特征可以根据当前的热点进行适应性的形态调整，以满足当前的潮流。
S15：通过挑选学习模型从所述喜爱服装图库中挑选风格差异化的多个喜爱服装图；
在本发明具体实施过程中，具体的步骤包括：获取所述点赞人员的以往购买的服装记录；将已购买的服装的各个特征组件训练库；基于所述训练库和所述点赞人员当时的爱好进行所述挑选学习模型的训练；根据当前的时代潮流对所述挑选学习模型进行幅度加持，并建立所述挑选学习模型的指数升级模式；所述挑选学习模型外设有至少一可变参数栏，该可变参数栏基于所述点赞人员所添加的数据进行对应的转化，以实现所述挑选学习模型的属性增加模式；通过所述挑选学习模型从所述喜爱服装图库中挑选风格差异化的多个喜爱服装图。
其中，通过所述挑选学习模型的训练提高所述挑选学习模型的挑选准确度，并且所述挑选学习模型具有可升级的操作空间，具体有：指数升级模式和属性增加模式，根据当前的时代潮流对所述挑选学习模型进行幅度加持，并建立所述挑选学习模型的指数升级模式；所述挑选学习模型外设有至少一可变参数栏，该可变参数栏基于所述点赞人员所添加的数据进行对应的转化，以实现所述挑选学习模型的属性增加模式。
还有的是，所述挑选学习模型还设有预警机制和判错机制，获取点赞人员针对多个喜爱服装图的反馈，并将该反馈与所述挑选学习模型所预判的喜爱服装图进行对比，并基于对比确定准确度，若准确度低于预设准确度，则错发所述挑选学习模型的预警机制，该预警机制提供呈指数递交的对比库，所述挑选学习模型基于对比库进行逐一识别，并进行判断和校准，若经校准的所述挑选学习模型的识别率低于预设识别率，则触发判错机制，该判错机制将所述挑选学习模型的模型学习经历清楚，并重新进行学习，且以所述对比库进行学习，其中，预警机制和判错机制呈闭环逻辑，以逐步提升所述挑选学习模型的准确度。
S16：将多个所述喜爱服装图呈现至观看者；
S17：获取所述观看者相对于所述喜爱服装图的朝向，并基于所述观看者的3D模型构建对应的着装动态图。
在本发明具体实施过程中，具体的步骤包括：捕捉所述观看者的观看角度，并确定所述观看者相对于所述喜爱服装图的朝向；建立所述观看者的3D模型和所述喜爱服装图的3D模型；基于所述朝向调整所述喜爱服装图的3D模型相对于所述观看者的3D模型的角度，使得所述观看者的3D模型和所述喜爱服装图的3D模型正对；基于所述观看者的3D模型构建对应的着装动态图；将所述喜爱服装图的3D模型套入所述观看者的3D模型，并凸显出所述着装动态图基于所述观看者的肌肉的变化；模拟所述观看者的3D模型在所述喜爱服装图的3D模型加持的状态下的行走，并摘录所述对应的角度图片；基于所述角度图片供所述观看者测评分数，若所述分数不满足预设分数，则更换所述喜爱服装图，并基于所述观看者的目前浏览服装数据进行调整；将所述观看者的发型和所述喜爱服装图对应搭配测试，并在测试中获取所述观看者的发型和所述喜爱服装图的搭配指数，若所述搭配指数不满足预设搭配指数，则给出对应发型的建议。
其中，将所述喜爱服装图的3D模型套入所述观看者的3D模型，并凸显出所述着装动态图基于所述观看者的肌肉的变化，以便于凸显喜爱服装图的视野效果，并且更加接近现实化，另外，模拟所述观看者的3D模型在所述喜爱服装图的3D模型加持的状态下的行走，并摘录所述对应的角度图片；基于所述角度图片供所述观看者测评分数，若所述分数不满足预设分数，则更换所述喜爱服装图，并基于所述观看者的目前浏览服装数据进行调整；将所述观看者的发型和所述喜爱服装图对应搭配测试，并在测试中获取所述观看者的发型和所述喜爱服装图的搭配指数，若所述搭配指数不满足预设搭配指数，则给出对应发型的建议，以便于进行合适的形态调整。
基于深度学习的短视频风格图像生成方法还包括：跟踪所述点赞数据，并获取基于所述点赞数据进行销售的销售记录；基于所述销售记录获取对应购买者的个人信息；所述个人信息包括年龄、购买欲望等级、喜爱度、售后反馈；在预设时间内建立趋势购买表，并基于所述购买者的个人信息跟踪所述喜爱服装图的变化；构建多个年龄段在不同时间内的所述喜爱服装图的换装变化图；基于所述换装变化图预测下一季度的待购买服装图；基于所述短视频平台的热点排行榜调整所述待购买服装图的预测指数，以更新所述待购买服装图。
其中，基于所述购买者的个人信息跟踪所述喜爱服装图的变化，并实时跟踪喜爱服装图的变化，构建多个年龄段在不同时间内的所述喜爱服装图的换装变化图，并基于所述换装变化图预测下一季度的待购买服装图，以便于提前获悉下一季度的购买需求，并且能够满足购买者的购买需求。另外，基于所述短视频平台的热点排行榜调整所述待购买服装图的预测指数，以更新所述待购买服装图，实现待购买服装图的自动更新。
在本发明实施例中，通过本发明实施例中的方法，可以实现追溯点赞数据，并获取点赞数据所对应的所述服装着装图对应的点赞特征，并通过对基于所述爱好标签构建由所述点赞特征集成的喜爱服装图库，以便于服装着装图的建立，并符合点赞人员的爱好，另外，通过挑选学习模型从所述喜爱服装图库中挑选风格差异化的多个喜爱服装图，将多个所述喜爱服装图呈现至观看者，预估观看者的多个喜爱服装图，并且在多种风格下做了挑选，实现多个喜爱服装图的自我挑选和构建，提高观看者选择灵活度。
实施例
请参阅图2，图2是本发明实施例中的基于深度学习的短视频风格图像生成装置的结构组成示意图。
如图2所示，一种基于深度学习的短视频风格图像生成装置，所述基于深度学习的短视频风格图像生成装置包括：
获取模块21：用于从短视频平台获取服装类的点赞数据；
摘录模块22：用于基于所述点赞数据摘录对应的服装着装图；
结合模块23：用于结合点赞评论获取所述服装着装图对应的点赞特征；所述点赞特征为服装中各个部分的爱好特征；
第一构建模块24：用于获取点赞人员的爱好标签，并基于所述爱好标签构建由所述点赞特征集成的喜爱服装图库；
挑选模块25：用于通过挑选学习模型从所述喜爱服装图库中挑选风格差异化的多个喜爱服装图；
呈现模块26：用于将多个所述喜爱服装图呈现至观看者；
第二构建模块27：用于获取所述观看者相对于所述喜爱服装图的朝向，并基于所述观看者的3D模型构建对应的着装动态图。
在本发明实施例中，通过本发明实施例中的方法，可以实现追溯点赞数据，并获取点赞数据所对应的所述服装着装图对应的点赞特征，并通过对基于所述爱好标签构建由所述点赞特征集成的喜爱服装图库，以便于服装着装图的建立，并符合点赞人员的爱好，另外，通过挑选学习模型从所述喜爱服装图库中挑选风格差异化的多个喜爱服装图，将多个所述喜爱服装图呈现至观看者，预估观看者的多个喜爱服装图，并且在多种风格下做了挑选，实现多个喜爱服装图的自我挑选和构建，提高观看者选择灵活度。
实施例
请参阅图3，图3是本发明实施例中的基于深度学习的短视频风格图像生成系统的结构组成示意图。
如图3所示，一种基于深度学习的短视频风格图像生成系统，所述系统包括：一体机屏幕31、电脑32和彩色分析仪33；所述电脑32基于HDMI接口与所述一体机屏幕31相连接；所述电脑32基于USB接口与所述彩色分析仪33相连接；所述彩色分析仪33与所述一体机屏幕31信号连接；其中，
所述系统被配置为用于执行上述中任意一项的所述基于深度学习的短视频风格图像生成方法。
在本发明具体实施过程中，基于深度学习的短视频风格图像生成系统的具体实施过程请参阅上述实施例，在此不再赘述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的基于深度学习的短视频风格图像生成方法、装置及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于深度学习的短视频风格图像生成方法，其特征在于，包括：
从短视频平台获取服装类的点赞数据；
基于所述点赞数据摘录对应的服装着装图；
结合点赞评论获取所述服装着装图对应的点赞特征；所述点赞特征为服装中各个部分的爱好特征；
获取点赞人员的爱好标签，并基于所述爱好标签构建由所述点赞特征集成的喜爱服装图库；
通过挑选学习模型从所述喜爱服装图库中挑选风格差异化的多个喜爱服装图；
将多个所述喜爱服装图呈现至观看者；
获取所述观看者相对于所述喜爱服装图的朝向，并基于所述观看者的3D模型构建对应的着装动态图。
2.根据权利要求1所述的基于深度学习的短视频风格图像生成方法，其特征在于，所述从短视频平台获取服装类的点赞数据，包括：
由服装平台登录所述短视频平台；
基于所述服装平台获取相关联的行业数据；所述行业数据为以所述服装平台进行供应链延伸的相关数据；
从所述行业数据中获取服装类的点赞数据，该点赞数据为达到预设阈值的数据；
基于所述点赞数据获取点赞人员的基本信息；所述基本信息包括年龄阶段和对应所述年龄阶段的爱好标签。
3.根据权利要求1所述的基于深度学习的短视频风格图像生成方法，其特征在于，所述基于所述点赞数据摘录对应的服装着装图，包括：
获取所述点赞数据对应的链接；
基于所述链接进行链接遍历，并在大数据下进行相关的服装着装图的查找；
确定对应的服装着装图，并基于物联网进行相似寻找，并确定相似着装图；所述相似着装图中的人物肤色和所述服装着装图的人物具有差异。
4.根据权利要求1所述的基于深度学习的短视频风格图像生成方法，其特征在于，所述结合点赞评论获取所述服装着装图对应的点赞特征；所述点赞特征为服装中各个部分的爱好特征，包括：
获取所述点赞评论对应的所述服装着装图；
采集点赞人员的眼球数据，并建立所述点赞人员的眼球模型；
呈现所述服装着装图的3D模型，并正对所述点赞人员的眼球模型；
基于所述点赞人员的眼球模型的运动轨迹确定所述服装着装图的3D模型中的重点观察区域；
圈定所述重点观察区域，并定格至少一所述服装着装图的点赞特征；所述点赞特征为服装中各个部分的爱好特征。
5.根据权利要求4所述的基于深度学习的短视频风格图像生成方法，其特征在于，还包括：
获取所述点赞评论对应的所述服装着装图；
采集点赞人员的指令或声音特征，解读所述指令或所述声音特征；
基于所述指令或所述声音特征将对应的服装特征进行显色处理；
将经显色处理的服装特征移动至点赞特征库，并将该服装特征作为所述服装着装图的点赞特征；所述点赞特征为服装中各个部分的爱好特征；
基于所述点赞特征库对每一次移动的所述点赞特征进行对比，并从观看时长和相似度以确定最喜爱的点赞特征，且进行喜爱度排序。
6.根据权利要求1所述的基于深度学习的短视频风格图像生成方法，其特征在于，所述通过挑选学习模型从所述喜爱服装图库中挑选风格差异化的多个喜爱服装图，包括：
获取所述点赞人员的以往购买的服装记录；
将已购买的服装的各个特征组件训练库；
基于所述训练库和所述点赞人员当时的爱好进行所述挑选学习模型的训练；
根据当前的时代潮流对所述挑选学习模型进行幅度加持，并建立所述挑选学习模型的指数升级模式；
所述挑选学习模型外设有至少一可变参数栏，该可变参数栏基于所述点赞人员所添加的数据进行对应的转化，以实现所述挑选学习模型的属性增加模式；
通过所述挑选学习模型从所述喜爱服装图库中挑选风格差异化的多个喜爱服装图。
7.根据权利要求1所述的基于深度学习的短视频风格图像生成方法，其特征在于，所述获取所述观看者相对于所述喜爱服装图的朝向，并基于所述观看者的3D模型构建对应的着装动态图，包括：
捕捉所述观看者的观看角度，并确定所述观看者相对于所述喜爱服装图的朝向；
建立所述观看者的3D模型和所述喜爱服装图的3D模型；
基于所述朝向调整所述喜爱服装图的3D模型相对于所述观看者的3D模型的角度，使得所述观看者的3D模型和所述喜爱服装图的3D模型正对；
基于所述观看者的3D模型构建对应的着装动态图；
将所述喜爱服装图的3D模型套入所述观看者的3D模型，并凸显出所述着装动态图基于所述观看者的肌肉的变化；
模拟所述观看者的3D模型在所述喜爱服装图的3D模型加持的状态下的行走，并摘录所述对应的角度图片；
基于所述角度图片供所述观看者测评分数，若所述分数不满足预设分数，则更换所述喜爱服装图，并基于所述观看者的目前浏览服装数据进行调整；
将所述观看者的发型和所述喜爱服装图对应搭配测试，并在测试中获取所述观看者的发型和所述喜爱服装图的搭配指数，若所述搭配指数不满足预设搭配指数，则给出对应发型的建议。
8.根据权利要求1所述的基于深度学习的短视频风格图像生成方法，其特征在于，还包括：
跟踪所述点赞数据，并获取基于所述点赞数据进行销售的销售记录；
基于所述销售记录获取对应购买者的个人信息；所述个人信息包括年龄、购买欲望等级、喜爱度、售后反馈；
在预设时间内建立趋势购买表，并基于所述购买者的个人信息跟踪所述喜爱服装图的变化；
构建多个年龄段在不同时间内的所述喜爱服装图的换装变化图；
基于所述换装变化图预测下一季度的待购买服装图；
基于所述短视频平台的热点排行榜调整所述待购买服装图的预测指数，以更新所述待购买服装图。
9.一种基于深度学习的短视频风格图像生成装置，其特征在于，所述基于深度学习的短视频风格图像生成装置包括：
获取模块：用于从短视频平台获取服装类的点赞数据；
摘录模块：用于基于所述点赞数据摘录对应的服装着装图；
结合模块：用于结合点赞评论获取所述服装着装图对应的点赞特征；所述点赞特征为服装中各个部分的爱好特征；
第一构建模块：用于获取点赞人员的爱好标签，并基于所述爱好标签构建由所述点赞特征集成的喜爱服装图库；
挑选模块：用于通过挑选学习模型从所述喜爱服装图库中挑选风格差异化的多个喜爱服装图；
呈现模块：用于将多个所述喜爱服装图呈现至观看者；
第二构建模块：用于获取所述观看者相对于所述喜爱服装图的朝向，并基于所述观看者的3D模型构建对应的着装动态图。
10.一种基于深度学习的短视频风格图像生成系统，其特征在于，所述系统包括：一体机屏幕、电脑和彩色分析仪；所述电脑基于HDMI接口与所述一体机屏幕相连接；所述电脑基于USB接口与所述彩色分析仪相连接；所述彩色分析仪与所述一体机屏幕信号连接；其中，
所述系统被配置为用于执行权利要求1-8所述基于深度学习的短视频风格图像生成方法。
CN202110716375.8A 2021-06-25 2021-06-25 基于深度学习的短视频风格图像生成方法、装置及系统 Active CN113554762B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110716375.8A CN113554762B (zh) 2021-06-25 2021-06-25 基于深度学习的短视频风格图像生成方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110716375.8A CN113554762B (zh) 2021-06-25 2021-06-25 基于深度学习的短视频风格图像生成方法、装置及系统

Publications (2)

Publication Number Publication Date
CN113554762A true CN113554762A (zh) 2021-10-26
CN113554762B CN113554762B (zh) 2023-12-29

Family

ID=78131081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110716375.8A Active CN113554762B (zh) 2021-06-25 2021-06-25 基于深度学习的短视频风格图像生成方法、装置及系统

Country Status (1)

Country Link
CN (1) CN113554762B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005070731A (ja) * 2003-08-07 2005-03-17 Tetsuo Tanaka 広告キャンペーン用ラベル、該ラベルを読み取るためのプログラムおよびキャンペーン開催方法
CN101739392A (zh) * 2008-11-07 2010-06-16 柯丽贞 数据编辑及印刷用计算机系统
CN107231570A (zh) * 2017-06-13 2017-10-03 中国传媒大学 新闻数据内容特征获取系统及应用系统
CN109242514A (zh) * 2018-08-28 2019-01-18 腾讯科技（深圳）有限公司 客户标签推荐方法、装置和系统
CN110008311A (zh) * 2019-04-04 2019-07-12 北京邮电大学 一种基于语义分析的产品信息安全风险监测方法
CN110162693A (zh) * 2019-03-04 2019-08-23 腾讯科技（深圳）有限公司 一种信息推荐的方法以及服务器
CN111914885A (zh) * 2020-06-19 2020-11-10 合肥工业大学 基于深度学习的多任务人格预测方法和系统
CN111935503A (zh) * 2020-06-28 2020-11-13 百度在线网络技术（北京）有限公司 短视频生成方法、装置、电子设备和存储介质
CN111966946A (zh) * 2020-09-10 2020-11-20 北京百度网讯科技有限公司 一种页面权威值的识别方法、装置、设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005070731A (ja) * 2003-08-07 2005-03-17 Tetsuo Tanaka 広告キャンペーン用ラベル、該ラベルを読み取るためのプログラムおよびキャンペーン開催方法
CN101739392A (zh) * 2008-11-07 2010-06-16 柯丽贞 数据编辑及印刷用计算机系统
CN107231570A (zh) * 2017-06-13 2017-10-03 中国传媒大学 新闻数据内容特征获取系统及应用系统
CN109242514A (zh) * 2018-08-28 2019-01-18 腾讯科技（深圳）有限公司 客户标签推荐方法、装置和系统
CN110162693A (zh) * 2019-03-04 2019-08-23 腾讯科技（深圳）有限公司 一种信息推荐的方法以及服务器
CN110008311A (zh) * 2019-04-04 2019-07-12 北京邮电大学 一种基于语义分析的产品信息安全风险监测方法
CN111914885A (zh) * 2020-06-19 2020-11-10 合肥工业大学 基于深度学习的多任务人格预测方法和系统
CN111935503A (zh) * 2020-06-28 2020-11-13 百度在线网络技术（北京）有限公司 短视频生成方法、装置、电子设备和存储介质
CN111966946A (zh) * 2020-09-10 2020-11-20 北京百度网讯科技有限公司 一种页面权威值的识别方法、装置、设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
操江峰: "基于深度学习的图像与视频风格化研究与实现", 《中国优秀硕士学位论文全文数据库》 *
赵震宇: "基于深度学习和海云协同的推荐方法研究", 《中国博士学位论文全文数据库信息科技辑》 *

Also Published As

Publication number Publication date
CN113554762B (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
US20220239988A1 (en) Display method and apparatus for item information, device, and computer-readable storage medium
CN103760968B (zh) 数字标牌显示内容选择方法和装置
US10019779B2 (en) Browsing interface for item counterparts having different scales and lengths
US11189085B2 (en) Technologies for generating computer models, devices, systems, and methods utilizing the same
CN112313697A (zh) 用于生成描述角度增强的可解释的基于描述的推荐的系统和方法
US11810344B2 (en) Image recognition system
CN106060572A (zh) 视频播放方法及装置
US11315354B2 (en) Method and apparatus that controls augmented reality (AR) apparatus based on action prediction
Cao et al. Look over here: Attention-directing composition of manga elements
CN106294489A (zh) 内容推荐方法、装置及系统
Martinez Criteria for defining animation: A revision of the definition of animation in the advent of digital moving images
JP6807389B2 (ja) メディアコンテンツのパフォーマンスの即時予測のための方法及び装置
US11126845B1 (en) Comparative information visualization in augmented reality
US11586841B2 (en) Method and system for generating user driven adaptive object visualizations using generative adversarial network models
CN113766330A (zh) 基于视频生成推荐信息的方法和装置
CN114005077B (zh) 观众评价数据驱动的无声产品视频创作辅助方法及装置
CN105979366A (zh) 智能电视及其内容推荐的方法、装置
US20170262991A1 (en) Browsing interface for item counterparts having different scales and lengths
CN111311315A (zh) 视频处理方法、装置、电子设备和存储介质
Chen et al. Predicting perceived emotions in animated GIFs with 3D convolutional neural networks
KR101624071B1 (ko) 소셜 태깅 및 메타데이터 어플리케이션들에 기초하여 문화적 아이템의 관람을 제시하는 시스템 및 방법
CN112699311A (zh) 信息推送方法、存储介质及电子设备
CN116910302A (zh) 一种多模态视频内容有效性反馈可视分析方法与系统
CN113554762A (zh) 基于深度学习的短视频风格图像生成方法、装置及系统
JP6320844B2 (ja) パーツの影響度に基づいて感情を推定する装置、プログラム及び方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20231206

Address after: Room 1519, No.1 Tianhe Road, Yuexiu District, Guangzhou City, Guangdong Province, 510000

Applicant after: Guangzhou Yuepai Yuejing Advertising Co.,Ltd.

Address before: No. 508-2A, Baoli Tianji North Block, Qiandenghu, Guicheng Street, Nanhai District, Foshan City, Guangdong Province, 528200

Applicant before: Foshan Haixie Technology Co.,Ltd.

Effective date of registration: 20231206

Address after: No. 508-2A, Baoli Tianji North Block, Qiandenghu, Guicheng Street, Nanhai District, Foshan City, Guangdong Province, 528200

Applicant after: Foshan Haixie Technology Co.,Ltd.

Address before: No. 293, Zhongshan Avenue West, Tianhe District, Guangzhou, Guangdong 510630

Applicant before: GUANGDONG POLYTECHNIC NORMAL University

GR01 Patent grant
GR01 Patent grant