CN116547721A - 用于分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐的数字成像和学习系统及方法 - Google Patents
用于分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐的数字成像和学习系统及方法 Download PDFInfo
- Publication number
- CN116547721A CN116547721A CN202180077118.2A CN202180077118A CN116547721A CN 116547721 A CN116547721 A CN 116547721A CN 202180077118 A CN202180077118 A CN 202180077118A CN 116547721 A CN116547721 A CN 116547721A
- Authority
- CN
- China
- Prior art keywords
- hair
- user
- image
- pixel data
- head
- 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
- 210000004209 hair Anatomy 0.000 title claims abstract description 528
- 238000003384 imaging method Methods 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 62
- 230000015654 memory Effects 0.000 claims description 28
- 230000003648 hair appearance Effects 0.000 claims description 21
- 238000013473 artificial intelligence Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 239000000835 fiber Substances 0.000 claims description 6
- 230000003760 hair shine Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000001815 facial effect Effects 0.000 claims description 5
- 230000037308 hair color Effects 0.000 claims description 3
- 230000003741 hair volume Effects 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 claims 2
- 238000010801 machine learning Methods 0.000 description 22
- 230000006872 improvement Effects 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004140 cleaning Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000002453 shampoo Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002374 sebum Anatomy 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000004243 sweat Anatomy 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 241001178520 Stomatepia mongo Species 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003752 improving hair Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003020 moisturizing effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 229940095673 shampoo product Drugs 0.000 description 1
- 230000036555 skin type Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- A—HUMAN NECESSITIES
- A45—HAND OR TRAVELLING ARTICLES
- A45D—HAIRDRESSING OR SHAVING EQUIPMENT; EQUIPMENT FOR COSMETICS OR COSMETIC TREATMENTS, e.g. FOR MANICURING OR PEDICURING
- A45D44/00—Other cosmetic or toiletry articles, e.g. for hairdressers' rooms
- A45D44/005—Other cosmetic or toiletry articles, e.g. for hairdressers' rooms for selecting or displaying personal cosmetic colours or hairstyle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- A—HUMAN NECESSITIES
- A45—HAND OR TRAVELLING ARTICLES
- A45D—HAIRDRESSING OR SHAVING EQUIPMENT; EQUIPMENT FOR COSMETICS OR COSMETIC TREATMENTS, e.g. FOR MANICURING OR PEDICURING
- A45D44/00—Other cosmetic or toiletry articles, e.g. for hairdressers' rooms
- A45D2044/007—Devices for determining the condition of hair or skin or for selecting the appropriate cosmetic or hair treatment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Processing Or Creating Images (AREA)
Abstract
描述了用于分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐的数字成像和学习系统及方法。用户的数字图像在成像应用程序(app)处接收,并且包括用户的头部的头发区域的至少一部分的像素数据。通过描绘相应个体的头部的头发区域的多个训练图像的像素数据进行训练的基于头发的学习模型分析图像,以确定用户的头发区域的图像分类。该成像app基于图像分类来生成至少一个用户特定推荐,该至少一个用户特定推荐被设计成寻址在像素数据内能够识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分。该成像app将该用户特定推荐呈现在显示屏上。
Description
技术领域
本公开总体上涉及数字成像和学习系统及方法,并且更具体地涉及用于分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐的数字成像和学习系统及方法。
背景技术
一般而言,人类头发的多种内源性因素(诸如皮脂和汗液)对用户的头发的视觉质量和/或外观具有现实生活的影响,该现实生活的影响可包括不令人满意的头发质地、状况、外观和/或头发质量(例如,卷曲度、整齐度、光泽度、油性和/或其他头发属性)。附加的外源性因素(诸如风、湿度和/或各种头发相关产品的使用)也可影响用户的头发的外观。此外,用户对头发相关问题的感知通常不反映此类潜在的内源性因素和/或外源性因素。
因此,考虑到内源性因素和/或外源性因素的数量以及头发和头发类型的复杂性,尤其是当跨不同用户考虑时,会出现问题,这些不同用户中的每一者可与不同人口统计、种族和人种相关。这在各种人类头发状况和特性的诊断和治疗中产生问题。例如,现有技术方法(包括个人消费产品试验在内)可能是耗时的或容易出错的(并且可能是负面的)。除此之外,用户可尝试通过各种产品或技术进行经验性实验,但没有实现令人满意的结果和/或导致可能的负面副作用,从而影响他或她的头发的健康或另外的视觉外观。
出于前述原因,需要用于分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐的数字成像和学习系统及方法。
发明内容
一般而言,如本文所述,描述了用于分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐的数字成像和学习系统。此类数字成像和学习系统提供了一种基于数字成像和人工智能(AI)的解决方案,用于克服在识别和处理人类头发的各种内源性因素和/或外源性因素或属性中的困难所引起的问题。
如本文所述的数字成像和学习系统允许用户将特定用户图像提交到一个或多个成像服务器(例如,包括其一个或多个处理器)或另外的计算设备(例如,诸如本地在用户的移动设备上),其中该一个或多个成像服务器或用户计算设备实现或执行通过潜在10,000个(或更多个)图像的像素数据训练的基于人工智能的基于头发的学习模型,这些图像描绘相应个体的头部的头发区域。基于头发的学习模型可基于用户的头发区域的图像分类来生成至少一个用户特定推荐,该至少一个用户特定推荐被设计成寻址在像素数据内可识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分的。例如,用户的头部的头发区域的至少一部分可包括指示特定用户的头发的卷曲度、整齐度、光泽度、油性和/或其他属性的像素或像素数据。在一些实施方案中,可经由计算机网络将用户特定推荐(和/或产品特定推荐)传输到用户的用户计算设备以呈现在显示屏上。在其他实施方案中,没有发生用户的特定图像到成像服务器的传输,其中用户特定推荐(和/或产品特定推荐)可替代地由在用户的移动设备上本地执行和/或实现的基于头发的学习模型生成,并且由移动设备的处理器呈现在移动设备的显示屏上。在各种实施方案中,此类呈现可包括用于寻址像素数据中的特征的图形表示、覆盖、注释等。
更具体地讲,如本文所述,公开了一种数字成像和学习系统。数字成像和学习系统被配置为分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐。数字成像和学习系统可包括一个或多个处理器以及成像应用程序(app),该成像app包括被配置为在一个或多个处理器上执行的计算指令。数字成像和学习系统还可包括基于头发的学习模型,该基于头发的学习模型能够由成像app访问,并且通过描绘相应个体的头部的头发区域的多个训练图像的像素数据进行训练。基于头发的学习模型可被配置为输出与相应个体的头发的一个或多个特征相对应的一个或多个图像分类。更进一步,在各种实施方案中,成像app的计算指令在由一个或多个处理器执行时可使得一个或多个处理器接收用户的图像。图像可包括如由数字相机捕获的数字图像。图像可包括用户的头部的头发区域的至少一部分的像素数据。成像app的计算指令在由一个或多个处理器执行时还可使得一个或多个处理器通过基于头发的学习模型分析如由数字相机捕获的图像,以确定用户的头发区域的图像分类。图像分类可选自基于头发的学习模型的一个或多个图像分类。成像app的计算指令在由一个或多个处理器执行时还可使得一个或多个处理器基于用户的头发区域的图像分类来生成至少一个用户特定推荐,该至少一个用户特定推荐被设计成寻址在像素数据内可识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分。除此之外,成像app的计算指令在由一个或多个处理器执行时还可使得一个或多个处理器将至少一个用户特定推荐呈现在计算设备的显示屏上。
除此之外,如本文所述,公开了一种数字成像和学习方法,用于分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐。数字成像和学习方法包括在成像应用程序(app)处接收用户的图像,该成像app在一个或多个处理器上执行。图像可为如由数字相机捕获的数字图像。除此之外,图像可包括用户的头部的头发区域的至少一部分的像素数据。数字成像和学习方法还可包括通过能够由成像app访问的基于头发的学习模型来分析如由数字相机捕获的图像,以确定用户的头发区域的图像分类。图像分类可选自基于头发的学习模型的一个或多个图像分类。除此之外,可通过描绘相应个体的头部的头发区域的多个训练图像的像素数据来训练基于头发的学习模型。更进一步,基于头发的学习模型可操作以输出与相应个体的头发的一个或多个特征相对应的一个或多个图像分类。数字成像和学习方法还包括通过成像app基于用户的头发区域的图像分类来生成至少一个用户特定推荐,该至少一个用户特定推荐被设计成寻址在像素数据内可识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分。数字成像和学习方法还可包括通过成像app在计算设备的显示屏上呈现至少一个用户特定推荐。
进一步,如本文所述,公开了一种存储用于分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐的指令的有形、非瞬态计算机可读介质。指令在由一个或多个处理器执行时可使得一个或多个处理器在成像应用程序(app)处接收用户的图像。图像可包括如由数字相机捕获的数字图像。图像可包括用户的头部的头发区域的至少一部分的像素数据。指令在由一个或多个处理器执行时还可使得一个或多个处理器通过能够由成像应用程序访问的基于头发的学习模型分析如由数字相机捕获的图像,以确定用户的头发区域的图像分类。图像分类可选自基于头发的学习模型的一个或多个图像分类。可通过描绘相应个体的头部的头发区域的多个训练图像的像素数据来训练基于头发的学习模型。除此之外,基于头发的学习模型可操作以输出与相应个体的头发的一个或多个特征相对应的一个或多个图像分类。指令在由一个或多个处理器执行时还可使得一个或多个处理器通过成像app基于用户的头发区域的图像分类来生成至少一个用户特定推荐,该至少一个用户特定推荐被设计成寻址在像素数据内可识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分。指令在由一个或多个处理器执行时还可使得一个或多个处理器通过成像app将至少一个用户特定推荐呈现在计算设备的显示屏上。
根据上文以及本文的公开内容,本公开包括计算机功能的改进或对其他技术的改进,至少因为本公开描述了例如成像服务器或另外的计算设备(例如,用户计算机设备)得到改进,其中成像服务器或计算设备的智能或预测能力通过经训练(例如,机器学习训练)的基于头发的学习模型来增强。在成像服务器或计算设备上执行的基于头发的学习模型能够基于其他个体的像素数据更准确地识别用户特定头发特征、用户的头发区域的图像分类和/或用户特定推荐中的一者或多者,该用户特定推荐被设计成寻址在像素数据内可识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分。也就是说,本公开描述了计算机本身的运行或“任何其他技术或技术领域”的改进,因为成像服务器或用户计算设备通过多个训练图像(例如,10,000个训练图像和相关像素数据作为特征数据)来增强以准确地预测、检测或确定用户特定图像(诸如新提供的客户图像)的像素数据。这比现有技术有所改进,至少因为现有系统缺乏此类预测或分类功能,并且根本无法准确地分析用户特定图像以输出预测结果,以寻址像素数据内可识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分。
出于类似的原因,本公开涉及对其他技术或技术领域的改进,至少因为本公开描述或介绍了对头发护理产品中的计算设备的改进,由此在一个或多个成像设备或计算设备上执行的经训练的基于头发的学习模型改进了头发护理领域及其化学配方和推荐,通过对用户或个体图像的基于数字和/或人工智能的分析来输出预测结果,以寻址在像素数据内可识别的至少一个特征的用户特定像素数据,该像素数据包括用户的头部的头发区域的至少一部分。
除此之外,本公开涉及对其他技术或技术领域的改进,至少因为本公开描述或介绍了对头发护理产品中的计算设备的改进,由此在一个或多个成像设备或计算设备上执行的经训练的基于头发的学习模型改进了底层计算机设备(例如,一个或多个成像服务器和/或用户计算设备),其中此类计算机设备通过给定机器学习网络架构的配置、调整或适应而更有效。例如,在一些实施方案中,可通过减少计算资源来使用更少的机器资源(例如,处理周期或存储器存储装置),这是通过减少分析图像所需的机器学习网络架构,包括通过减小深度、宽度、图像尺寸或其他基于机器学习的维度要求。此类减小会释放潜在计算系统的计算资源,由此使其更有效。
更进一步,本公开涉及对其他技术或技术领域的改进,至少因为本公开描述或介绍了对安全性领域中计算设备的改进,其中对用户的图像进行预处理(例如,裁剪或以其他方式修改)以限定用户的提取或描绘的区域,而不描绘用户的个人可识别信息(PII)。例如,本文所述的基于头发的学习模型可使用用户的图像的简单裁剪或编辑部分,这消除了通过计算机网络传输用户的私人照片的需要(其中此类图像可能容易被第三方截获)。此类特征提供了安全性改进,即,其中PII(例如,面部特征)的移除提供了优于现有系统的改进,因为裁剪或编辑的图像,尤其是可通过网络(例如,互联网)传输的图像在不包括用户的PII信息的情况下更安全。因此,本文所述的系统和方法在不需要此类非基本信息的情况下操作,这提供了超过先前系统的改进,例如安全性改进。除此之外,至少在一些实施方案中,裁剪图像的使用允许底层系统存储和/或处理较小数据大小的图像,这导致底层系统作为整体性能提高,因为较小数据大小的图像需要较少的存储存储器和/或处理资源来存储、处理和/或由底层计算机系统以其他方式操作。
除此之外,本公开包括通过或通过使用特定机器(例如,数字相机)来应用权利要求元素中的某些权利要求元素,该特定机器捕获图像,这些图像用于训练基于头发的学习模型且用于确定用户的头发区域的图像分类。
除此之外,本公开包括除本领域中众所周知的、常规的、常规活动之外的特定特征,或者添加将权利要求限制到特定有用应用程序的非常规步骤,例如,分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐。
通过以举例说明的方式示出和描述的优选实施方案的以下描述,优点对于本领域的普通技术人员而言将变得更加显而易见。如将认识到的,本发明的实施方案可具有其他和不同的实施方案,并且它们的细节能够在各个方面进行修改。因此,附图和描述应被视为实质上是示例性的而非限制性的。
附图说明
下文所述的附图描绘了本文所公开的系统和方法的各个方面。应当理解,每个附图描绘了所公开的系统和方法的特定方面的实施方案,并且每个附图旨在与其可能的实施方案保持一致。此外,在可能的情况下,以下描述提及了以下附图中包括的附图标号,其中多个附图中所示的特征部用一致的附图标号进行表示。
在当前讨论的附图中示出了布置,然而,应当理解,本实施方案不限于所示的精确布置和工具,其中:
图1示出了根据本文公开的各种实施方案的被配置为分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐的示例性数字成像和学习系统。
图2示出了根据本文公开的各种实施方案的可用于训练和/或实现基于头发的学习模型的示例性图像及其相关像素数据。
图3A示出了根据本文公开的各种实施方案的具有与相应个体的头发的特征相对应的图像分类的一组示例性背面头部图像。
图3B示出了根据本文公开的各种实施方案的具有与相应个体的头发的特征相对应的图像分类的一组示例性正面头部图像。
图4示出了根据本文公开的各种实施方案的用于分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐的数字成像和学习方法。
图5A示出了根据本文公开的各种实施方案的描绘示例性基于头发的学习模型的架构和相关值的示例图。
图5B示出了根据本文公开的各种实施方案的描绘图5A的基于头发的学习模型的值的示例图。
图6示出了根据本文公开的各种实施方案的在用户计算设备的显示屏上呈现的示例性用户界面。
附图仅出于说明的目的描绘了优选的实施方案。在不脱离本文所述的本发明的原理的情况下,可以采用本文所示的系统和方法的替代实施方案。
具体实施方式
图1示出了根据本文公开的各种实施方案的被配置为分析用户的头部的头发区域的图像(例如,图像202a、202b和/或202c中的任一者或多者)的像素数据以生成一个或多个用户特定推荐的示例性数字成像和学习系统100。一般而言,如本文所提及的,用户的头部的头发区域可指给定用户(例如,用户202au、202bu和/或202cu中的任一者)的头部的头发区域的正面头发区域、背面头发区域、侧面头发区域、顶部头发区域、整个头发区域、部分头发区域或自定义头发区域(例如,自定义视角区域)中的一者或多者。在图1的示例性实施方案中,数字成像和学习系统100包括一个或多个服务器102,该一个或多个服务器可包括一个或多个计算机服务器。在各种实施方案中,服务器102包括多个服务器,该多个服务器可包括作为服务器群的一部分的多个、冗余或复制的服务器。在另外的实施方案中,服务器102可被实现为基于云的服务器,诸如基于云的计算平台。例如,成像服务器102可以是任何一个或多个基于云的平台,诸如MICROSOFT AZURE、AMAZON AWS等。服务器102可包括一个或多个处理器104以及一个或多个计算机存储器106。在各种实施方案中,一个或多个服务器102在本文中可被称为“一个或多个成像服务器”。
存储器106可包括一种或多种形式的易失性和/或非易失性、固定和/或可移动存储器,诸如只读存储器(ROM)、电子可编程只读存储器(EPROM)、随机存取存储器(RAM)、可擦除电子可编程只读存储器(EEPROM)和/或其他硬盘驱动器、闪存存储器、MicroSD卡等。存储器106可存储能够促进如本文所讨论的功能、应用程序、方法或其他软件的操作系统(OS)(例如,Microsoft Windows、Linux、UNIX等)。一个或多个存储器106还可存储基于头发的学习模型108,该基于头发的学习模型可为基于人工智能的模型,诸如在数字图像(例如,图像202a、202b和/或202c)上训练的机器学习模型,如本文所述。附加地或另选地,基于头发的学习模型108还可存储在数据库105中,该数据库能够由一个或多个成像服务器102访问或以其他方式通信地耦接到一个或多个成像服务器。此外,存储器106还可存储机器可读指令,包括一个或多个应用程序(例如,如本文所述的成像应用程序)、一个或多个软件组件和/或一个或多个应用程序编程接口(API)中的任一者,其可被实现以促进或执行这些特征,功能或本文所述的其他公开内容,诸如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的任何方法、过程、元件或限制。例如,应用程序、软件组件或API中的至少一些可为、可包括基于成像的机器学习模型或组件(诸如基于头发的学习模型108)或另外为其一部分,其中每一者可被配置为促进本文所讨论的其各种功能。应当理解,可设想由处理器104执行的一个或多个其他应用程序。
处理器104可经由计算机总线连接到存储器106,该计算机总线负责向和从处理器104和存储器106传输电子数据、数据分组或其他电子信号,以便实现或执行如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的机器可读指令、方法、过程、元件或限制。
处理器104可经由计算机总线与存储器106交接以执行操作系统(OS)。一个或多个处理器104还可经由计算机总线与存储器106交接,以创建、读取、更新、删除或以其他方式访问存储在存储器106和/或数据库104(例如,关系数据库,诸如Oracle、DB2、MySQL或基于NoSQL的数据库,诸如MongoDB)中的数据或与该数据进行交互。存储在存储器106和/或数据库105中的数据可包括在本文描述的数据或信息的任一者的全部或部分,包括例如训练图像和/或用户图像(例如,包括图像202a、202b和/或202c中的任一者或多者;背面头部图像(例如,3021、302m、302h、312l、312m、312h、322l、322m和322h);和/或正面头部图像(例如,352l、352m、352h、3621、362m、362h、372l、372m和372h)或用户的其他图像和/或信息,包括人口统计、年龄、种族、皮肤类型、头发类型、头发造型等或如本文中另外描述的。
成像服务器102还可包括通信组件,该通信组件被配置为经由一个或多个外部/网络端口将数据传送(例如,发送和接收)到一个或多个网络或本地终端诸如本文所述的计算机网络120和/或终端109(用于呈现或可视化)。在一些实施方案中,一个或多个成像服务器102可包括客户端-服务器平台技术,诸如ASP.NET、Java J2EE、Ruby on Rails、Node.js、web服务或在线API,其响应于接收并响应于电子请求。成像服务器102可以实现客户端-服务器平台技术,该技术可经由计算机总线与存储器106(包括存储在其中的应用程序、组件、API、数据等)和/或数据库105进行交互,以实现或执行如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的机器可读指令、方法、过程、元件或限制。
在各种实施方案中,一个或多个成像服务器102可包括根据IEEE标准、3GPP标准或其他标准起作用并且可用于经由连接到计算机网络120的外部/网络端口接收和传输数据的一个或多个收发器(例如,WWAN、WLAN和/或WPAN收发器),或者与该一个或多个收发器进行交互。在一些实施方案中,计算机网络120可包括专用网络或局域网(LAN)。附加地或另选地,计算机网络120可包括公共网络,诸如互联网。
成像服务器102还可包括或实现操作者界面,该操作者界面被配置为向管理员或操作者呈现信息和/或从管理员或操作者接收输入。如图1所示,操作者界面可提供显示屏(例如,经由终端109)。成像服务器102还可提供I/O组件(例如,端口、电容式或电阻式触敏输入面板、按键、按钮、灯、LED),该I/O组件可经由成像服务器102直接访问或附接到配给服务器,或者可经由终端109间接访问或附接到终端。根据一些实施方案,管理员或操作者可经由终端109访问服务器102以查看信息,做出改变,输入训练数据或图像,开始基于头发的训练模型108的训练和/或执行其他功能。
如本文所述,在一些实施方案中,一个或多个成像服务器102可执行如本文所讨论的作为“云”网络的一部分的功能,或者可以其他方式与云内的其他硬件或软件组件通信以发送、检索或以其他方式分析本文所述的数据或信息。
一般来讲,计算机程序或基于计算机的产品、应用程序或代码(例如,模型诸如AI模型,或本文所述的其他计算指令)可存储在计算机可用存储介质或其中体现有此类计算机可读程序代码或计算机指令的有形非暂态性计算机可读介质(例如,标准随机存取存储器(RAM)、光盘、通用串行总线(USB)驱动器等)上,其中计算机可读程序代码或计算机指令可被安装或以其他方式适配成由(例如,与存储器106中的相应操作系统结合工作的)处理器104执行以促进、实现或执行如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的机器可读指令、方法、过程、元件或限制。就这一点而言,程序代码可以任何期望的程序语言实施,并且可以被实施为机器代码、汇编代码、字节代码、可解释源代码等(例如,经由Golang、Python、C、C++、C#、Objective-C、Java、Scala、ActionScript、JavaScript、HTML、CSS、XML等)。
如图1所示,成像服务器102经由计算机网络120经由基站111b和112b通信地连接到一个或多个用户计算设备111c1-111c3和/或112c1-112c3。在一些实施方案中,基站111b和112b可包括蜂窝基站诸如蜂窝塔,从而基于各种移动电话标准(包括NMT、GSM、CDMA、UMMTS、LTE、5G等)中的任一者或多者经由无线通信121与一个或多个用户计算设备111c1-111c3和112c1-112c3进行通信。附加地或另选地,基站111b和112b可包括路由器、无线交换机或基于各种无线标准中的任一个或多个无线标准经由无线通信122与一个或多个用户计算设备111c1-111c3和112c1-112c3通信的其他此类无线连接点,作为非限制性示例,该无线标准包括IEEE 802.11a/b/c/g(WIFI)、BLUETOOTH标准等。
一个或多个用户计算设备111c1-111c3和/或112c1-112c3中的任一者可包括用于访问成像服务器102和/或与该成像服务器通信的移动设备和/或客户端设备。此类移动设备可包括一个或多个移动处理器和/或数字相机,该数字相机用于捕获图像,诸如如本文所述的图像(例如,图像202a、202b和/或202c中的任一者或多者)。在各种实施方案中,用户计算设备111c1-111c3和/或112c1-112c3可包括移动电话(例如,蜂窝电话)、平板设备、个人数据助理(PDA)等,作为非限制性示例,包括APPLE iPhone或iPad设备或基于GOOGLEANDROID的移动电话或平板电脑。
在附加的实施方案中,用户计算设备111c1-111c3和/或112c1-112c3可包括零售计算设备。零售计算设备可包括以与移动设备相同或类似的方式配置的用户计算机设备(例如,如本文针对用户计算设备111c1-111c3所述),包括具有处理器和存储器,以用于实现基于头发的训练模型108或与基于头发的学习模型通信(例如,经由一个或多个服务器102),如本文所述。附加地或另选地,零售计算设备可位于、安装或以其他方式定位在零售环境内,以允许零售环境的用户和/或顾客在零售环境内现场利用数字成像和学习系统及方法。例如,零售计算设备可安装在售货亭内以供用户访问。然后,用户可将图像(例如,从用户移动设备)上传或传递到售货亭以实现本文所述的数字成像和学习系统及方法。附加地或另选地,售货亭可配置有相机以允许用户拍摄他或她自己的新图像(例如,在授权的情况下以私人方式),以供上传和传递。在此类实施方案中,用户或消费者他或她自己将能够使用零售计算设备接收如本文所述的用户特定电子推荐和/或已将该用户特定电子推荐呈现在零售计算设备的显示屏上。
附加地或另选地,零售计算设备可为由零售环境的雇员或其他人员携带的用于在现场与用户或消费者交互的移动设备(如本文所述的)。在此类实施方案中,用户或消费者可能够经由零售计算设备(例如,通过将图像从用户的移动设备传递到零售计算设备或通过由零售计算设备的相机捕捉新图像)与零售环境的雇员或其他人员交互,以接收如本文所述的用户特定电子推荐和/或已将该用户特定电子推荐呈现在零售计算设备的显示屏上。
在各种实施方案中,一个或多个用户计算设备111c1-111c3和/或112c1-112c3可实现或执行操作系统(OS)或移动平台,诸如Apple的iOS和/或Google的Android操作系统。一个或多个用户计算设备111c1-111c3和/或112c1-112c3中的任一者可包括用于存储、实现或执行计算指令或代码(例如,移动应用程序或家庭或个人助理应用程序)的一个或多个处理器和/或一个或多个存储器,如本文的各种实施方案中所述。如图1所示,如本文所述的基于头发的学习模型108和/或成像应用程序或至少其部分也可被本地存储在用户计算设备(例如,用户计算设备111c1)的存储器上。
用户计算设备111c1-111c3和/或112c1-112c3可包括无线收发器以向基站111b和/或112b传输无线通信121和/或122并从该基站接收无线通信。在各种实施方案中,基于像素的图像(例如,图像202a、202b和/或202c)可经由计算机网络120传输到一个或多个成像服务器102以用于如本文所述的一个或多个模型(例如,基于头发的学习模型108)的训练和/或成像分析。
除此之外,一个或多个用户计算设备111c1-111c3和/或112c1-112c3可包括用于捕获或拍摄数字图像和/或帧(例如,其可以是图像202a、202b和/或202c中的任一者或多者)的数字相机和/或数字摄像机。每个数字图像可包括用于训练或实现如本文所述的模型(诸如AI或机器学习模型)的像素数据。例如,(例如,用户计算设备111c1-111c3和/或112c1-112c3中的任一者的)数字相机和/或数字摄像机可被配置为拍摄、捕获或以其他方式生成数字图像(例如,基于像素的图像202a、202b和/或202c),并且至少在一些实施方案中,可将此类图像存储在相应用户计算设备的存储器中。另外地或另选地,此类数字图像也可被传输到和/或存储在服务器102的存储器106和/或数据库105上。
更进一步,一个或多个用户计算机设备111c1-111c3和/或112c1-112c3中的每一者可包括用于显示图形、图像、文本、产品推荐、数据、像素、特征和/或如本文所述的其他此类可视化或信息的显示屏。在各种实施方案中,可从一个或多个成像服务器102接收图形、图像、文本、产品推荐、数据、像素、特征和/或其他此类可视化或信息,以用于在用户计算机设备111c1-111c3和/或112c1-112c3中的任一者或多者的显示屏上显示。附加地或另选地,用户计算机设备可包括、实现、访问、呈现或以其他方式至少部分地暴露界面或引导用户界面(GUI)以用于在其显示屏上显示文本和/或图像。
在一些实施方案中,在服务器(例如,一个或多个服务器102)处和/或移动设备(例如,移动设备111c1)处执行的计算指令和/或应用程序可通信地连接用于分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐,如本文所述。例如,服务器102的一个或多个处理器(例如,处理器104)可经由计算机网络(例如,计算机网络120)通信地耦接到移动设备。在此类实施方案中,成像应用程序可包括被配置为在服务器(例如,一个或多个服务器102)的一个或多个处理器上执行的服务器应用程序部分以及被配置为在移动设备(例如,一个或多个用户计算设备111cl-111c3和/或112c1-112c3中的任一者)的一个或多个处理器上执行的移动app部分。在此类实施方案中,服务器app部分被配置为与移动app部分通信。服务器app部分或移动app部分可各自被配置为实现或部分地实现以下各项中的一项或多项:(1)接收由数字相机捕获的图像;(2)确定用户的头发的图像分类;(3)生成用户特定推荐;以及/或者(4)将一个用户特定推荐发送给移动app部分。
图2示出了根据本文公开的各种实施方案的可用于训练和/或实现基于头发的学习模型的示例性图像202a及其相关像素数据。在各种实施方案中,如图1所示,图像202a可为由用户(例如,用户202au)捕获的图像。图像202a(以及分别是用户202bu和用户202cu的图像202b和/或202c)可经由计算机网络120传输到一个或多个服务器102,如针对图1所示。应当理解,此类图像可由用户自己捕获(例如,“自拍图像”),或者附加地或另选地由代表用户使用和/或传输此类图像的其他人(诸如零售商等)捕获。
更一般地,数字图像(诸如示例性图像202a、202b和202c)可在一个或多个成像服务器102处收集或汇总,并可通过基于头发的学习模型(例如,AI模型,诸如本文所述的机器学习成像模型)分析和/或用于训练。这些图像中的每一者可包括像素数据(例如,RGB数据),该像素数据包括特征数据并且与相应图像内的相应用户(例如,用户202au、202bu和202cu)的个人属性中的每个个人属性相对应。像素数据可由用户计算设备(例如,一个或多个用户计算机设备111c1-111c3和/或112c1-112c3)中的一者的数字相机捕获。
关于本文所述的数字图像,像素数据(例如,图2的像素数据202ap、202bp和/或202cp)包括图像内的数据的单个点或正方形,其中每个点或正方形表示图像内的单个像素(例如,像素202ap1、像素202ap2和像素202ap3中的每一者)。每个像素可位于图像内的特定位置处。此外,每个像素可具有特定颜色(或缺乏其)。像素颜色可通过与给定像素相关联的颜色格式和相关通道数据来确定。例如,流行的颜色格式包括具有红色、绿色和蓝色通道的红-绿-蓝(RGB)格式。也就是说,在RGB格式中,像素的数据由三个数字RGB分量(红色、绿色、蓝色)表示,其可被称为通道数据,以操纵图像内的像素区域的颜色。在一些实施方案中,三个RGB分量可表示为每个像素的三个8位数字。三个8位字节(针对每个RGB有一个字节)可用于生成24位颜色。每个8位RGB分量可具有256个可能值,范围从0到255(即,在基础2二进制系统中,8位字节可包含在0到255范围内的256个数字值中的一者)。这个通道数据(R、G和B)可被分配可用于设置像素颜色的0到255的值。例如,三个值如(250,165,0)(意味着(红色=250,绿色=165,蓝色=0))可表示一个橙色像素。作为另一示例,(红色=255,绿色=255,蓝色=0)意味着各自完全饱和(255是8位可为的明亮)的红色和绿色,没有蓝色(零),其中所得颜色为黄色。作为又一示例,颜色黑色具有RGB值(红色=0,绿色=0,蓝色=0)并且白色具有RGB值(红色=255,绿色=255,蓝色=255)。灰色的性质为具有相等或类似RGB值,例如(红色=220,绿色=220,蓝色=220)是浅灰色(近似白色),并且(红色=40,绿色=40,蓝色=40)深灰色(近似黑色)。
以此方式,三个RGB值的复合为给定像素产生最终颜色。关于24位RGB颜色图像,使用3个字节来定义颜色,可能存在256个红色阴影和256个绿色阴影及256个蓝色阴影。这为24位RGB颜色图像提供256×256×256,即16.7百万个可能的组合或颜色。因此,像素的RGB数据值指示红色、绿色和蓝色像素中的每一者组成的颜色或光的程度。三种颜色和其强度水平在该图像像素处组合,即在显示屏上的该像素位置处,以在该位置处用该颜色照亮显示屏。然而,应理解,具有更少或更多位的其他位大小,例如10位,可用于产生更少或更多的总体颜色和范围。
作为整体,以网格图案(例如,像素数据202ap)定位在一起的各个像素形成数字图像或其一部分。单个数字图像可包括数千或数百万个像素。图像可以多种格式(诸如JPEG、TIFF、PNG和GIF)捕获、生成、存储和/或传输,。这些格式使用像素来存储或表示图像。
参考图2,示例性图像202a示出了用户202au或个体。更具体地,图像202a包括像素数据,包括限定用户或个体的头部的头发区域的像素数据202ap。像素数据202ap包括多个像素,包括像素202ap1、像素202ap2和像素202ap3。在示例性图像202a中,像素202ap1、像素202ap2和像素202ap3中的每一者各自代表与头发区域的图像分类的相对应的头发的特征。一般而言,在各种实施方案中,用户的头发的特征可包括以下各项中的一项或多项:(1)一根或多根伸出的头发;(2)头发纤维形状或相对定位;(3)一个或多个连续的头发光泽度带;和/或(4)头发油性。这些分类中的每一者可根据或以其他方式基于数字图像(例如,图像202a)中的一个或多个像素来确定。例如,关于图像202a,像素202ap1为定位在用户的头部(并且更一般地,用户的头发主体)的顶部及侧面处的头发区域中的像素数据202ap内的暗像素(例如,具有低R、G及B值的像素)。像素202ap1被较亮像素包围,表明像素202apl代表用户的头发的“卷曲度”图像分类。一般而言,“卷曲度”图像分类将用户的头发或头发区域分类为具有从用户的头部伸出的头发。
作为另一示例,像素202ap2为定位在用户的头发的中间后部到发梢处的头发区域中的像素数据202ap内的暗像素(例如,具有低R、G和B值的像素)。像素202ap2被其他头发纤维的较暗像素围绕,从而指示像素202ap2代表用户的头发的“整齐度”图像分类。一般而言,“整齐度”图像分类将用户的头发或头发区域分类为具有成形且定位成彼此相邻的头发纤维。
作为又另一示例,像素202ap3为定位在用户的头部的头顶处和/或用户的头发主体的中间部分处的头发区域中的像素数据202ap内的较亮像素(例如,具有高R、G及B值的像素)。像素202ap3通过以线性或连续方式布置穿过用户的头发的一部分的其他较亮像素定位,从而指示像素202ap3代表用户的头发的“光泽度”图像分类。一般而言,“光泽度”图像分类将用户的头发或头发区域分类为具有连续的头发光泽度带,例如,从顶部向底部延伸,或以其他方式具有用户的头发的飘逸或造型。
除了像素202ap1、202ap2和202ap3之外,像素数据202ap包括各种其他像素,该各种其他像素包括用户的头部的剩余部分,包括可被分析和/或用于训练一个或多个模型的各种其他头发区域和/或头发的部分,以及/或者通过使用已经训练的模型进行分析,诸如本文所述的基于头发的学习模型108。例如,像素数据202ap还包括代表与各种图像分类的头发的特征的像素相对应的像素,该各种图像分类包括(但不限于):(1)头发卷曲度图像分类(例如,如针对像素202apl所述)、(2)头发整齐度图像分类(例如,如针对像素202ap2所述)、(3)头发光泽度图像分类(例如,如针对像素202ap3所述)、(4)头发油性分类(例如,包括像素数据202ap内的用户的头部的头发区域的一个或多个较亮像素);(5)头发体积分类(例如,与像素数据202ap内的图像中的其他像素相比,包括更大数目的基于头发的像素);(6)头发颜色分类(例如,基于像素数据202ap内的一个或多个像素的RGB颜色);和/或(7)头发类型分类(例如,基于像素数据202ap或另外的图像内的像素相对于彼此的各种定位,该各种定位指示头发类型和/或属性,该头发类型和/或属性包括例如形状、卷曲度、笔直度、盘绕类型、造型或另外的用户头发的特性),以及如图2中所示的其他分类和/或特征。
数字图像(诸如训练图像、由用户提交的图像或另外的数字图像(例如,图像202a、202b和/或202c中的任一者))可以是或可包括裁剪图像。通常,裁剪图像是具有从原始捕获的图像去除、删除或隐藏的一个或多个像素的图像。例如,参考图2,图像202a表示原始图像。裁剪部分202ac1表示图像202a的第一裁剪部分,该第一裁剪部分表示移除用户的不包括用户的头发主体的部分(在裁剪部分202ac1外部)的整个头发裁剪。作为另一示例,裁剪部分202ac2表示图像202a的第二裁剪部分,该第二裁剪部分表示移除图像的不包括用户的头部和相关头发区域的部分(在裁剪部分202ac2的外部)的头部裁剪。在各种实施方案中,分析和/或使用裁剪图像用于训练产生基于头发的学习模型的改进的准确度。它还改进了底层计算机系统的效率和性能,因为此类系统处理、存储和/或传输较小尺寸的数字图像。
应当理解,图2的图像202a的公开内容相同或类似地应用于本文所述的其他数字图像,包括例如图像202b和202c,其中此类图像还包括如本文所述可被分析和/或用于训练一个或多个模型的像素。
除此之外,如本文所述的用户的头发的数字图像可描绘各种头发状态,该各种头发状态可用于跨具有各种不同头发状态的各种不同用户训练基于头发的学习模型。例如,如针对图像202a、202b和202c所示,这些图像的用户(例如,202au、202bu和202cu)的头发区域包括能够通过相应图像的像素数据识别的用户的头发的头发状态。这些头发状态包括例如头发扎起状态(例如,如针对用户202cu的图像202c中所描绘)、头发散开状态(例如,分别如针对用户202au和202bu的图像202a和202b中所描绘)、头发造型状态(例如,如针对用户202bu的图像202b中所描绘)和/或非造型状态(例如,如用户202au的图像202a中所描绘)。
在各种实施方案中,无论是用作描述个体的训练图像还是用作描述用户或个体以供分析和/或推荐的图像,数字图像(例如,图像202a、202b和202c)都可包括描绘相应个体或用户中的每一者的头发区域的多个角度或视角。多个角度或视角可包括不同视图、位置、用户和/或背景的接近度、照明条件或用户在给定图像中所处的另外的环境。例如,图3A和图3B中的每一者包括背面头部图像(例如,3021、302m、302h、3121、312m、312h、3221、322m和322h)和正面头部图像(例如,3521、352m、352h、3621、362m、362h、3721、372m和372h)的集合,这些集合表示描绘相应个体和/或用户的头发区域的不同角度或视角。更具体地说,图3A示出了根据本文所公开的各种实施方案的具有与相应个体的头发的特征相对应的图像分类(例如,300f、300a和300s)的背面头部图像(3021、302m、302h、3121、312m、312h、3221、322m和322h)的示例性集合300。图3B示出了根据本文所公开的各种实施方案的具有与相应个体的头发的特征相对应的图像分类(例如,300f、300a和300s)的正面头部图像(352l、352m、352h、362l、362m、362h、372l、372m和372h)的示例性集合352。此类图像可用于训练基于头发的学习模型,或用于分析和/或用户特定推荐,如本文所述。
如图3A及图3B中的每一者中所示,背面头部图像(302l、302m、302h、312l、312m、312h、322l、322m和322h)和正面头部图像(352l、352m、352h、362l、362m、362h、372l、372m和372h)包括头部裁剪图像,即,已被裁剪以包括用户或个体的头部部分的图像(例如,如本文针对图像202a的裁剪部分202ac2所述)。在一些实施方案中,数字图像(诸如训练图像和/或由用户或以其他方式提供的图像(例如,图像202a、202b和/或202c中的任一者))可为或可包括描绘头发的裁剪图像,其中至少一个或多个特征(诸如用户的面部特征)被移除。例如,图3B的正面头部图像(352l、352m、352h、362l、362m、362h、372l、372m和372h)描绘了移除了面部图像的头部裁剪图像。附加地或另选地,图像可作为裁剪图像或另外地包括用户的提取或描绘的头发区域而不描绘用户的个人可识别信息(PII)的裁剪图像来发送。例如,图1的图像202c包括被描绘为佩戴口罩(以覆盖她的面部)并且具有覆盖或隐藏她的眼睛的裁剪或编辑部分的用户的示例。此类特征提供了安全性改进,即,其中PII(例如,面部特征)的移除提供了优于现有系统的改进,因为裁剪或编辑的图像,尤其是可通过网络(例如,互联网)传输的图像在不包括用户的PII信息的情况下更安全。重要的是,本文所述的系统和方法可在不需要此类非基本信息的情况下操作,这提供了优于先前系统的改进,例如,安全性和性能改进。
尽管图3A和图3B描绘和描述裁剪图像,然而,应当理解,其他图像类型,包括但不限于原始的、未裁剪的图像(例如,原始图像202a)和/或整个头发裁剪图像(例如,图像202a的裁剪部分202ac1),也可被使用或替换。
参考图3A和图3B,图像集302和图像集352中的图像中的每一者已经被分类、分配或以其他方式识别为具有卷曲度图像分类300f。“卷曲度”图像分类指示用户的头发或头发区域具有一个或多个特征(例如,在给定图像的像素数据内可识别),包括从用户的头部或头发区域伸出的头发。将给定图像分类为基于卷曲度的图像的确定可包括分析图像(及其相关像素数据,例如图像202a的像素202ap1),包括在用户的头部的顶部和侧面处的头发区域处,并且更一般地,在用户的头发主体的顶部和侧面处的头发区域处。应当理解,附加地或另选地,也可分析其他头发区域或部位或用户的头部。
本文所述的分类中的每一者(包括与头发的一个或多个特征相对应的分类)还可包括子分类或给定分类的不同程度的给定特征(例如,头发卷曲度、整齐度、光泽度、油性等)。例如,关于图像集302和图像集352,背面头部图像3021和正面头部图像3521中的每一者已经被分类、分配或以其他方式识别为具有“低卷曲度”的子分类或程度(具有卷曲度1的等级或值),指示如从相应像素数据确定的背面头部图像3021和正面头部图像3521中的每一者指示如相应图像中描绘的少量头发或没有头发从用户的头部伸出。同样地,背面头部图像302m和正面头部图像352m中的每一者已经被分类、分配或以其他方式识别为具有“中卷曲度”的子分类或程度(具有卷曲度2的等级或值),指示如从相应像素数据确定的背面头部图像302m和正面头部图像352m中的每一者指示如相应图像中描绘的中等数量的头发从用户的头部伸出。最后,背面头部图像302h和正面头部图像352h中的每一者已经被分类、分配或以其他方式识别为具有“高卷曲度”的子分类或程度(具有卷曲度3的等级或值),指示如从相应像素数据确定的背面头部图像302h和正面头部图像352h中的每一者指示如相应图像中描绘的大量的头发从用户的头部伸出。图像集302和图像集352的图像中的每一者可通过它们的指示特定分类(即,卷曲度图像分类)和相关子分类或程度的相应特征训练或再训练基于头发的训练模型(例如,基于头发的训练模型108),以便使得基于头发的训练模型在检测、确定或预测提供给基于头发的训练模型的图像(例如,用户图像202a、202b和/或202c)中的分类和/或基于卷曲度的特征(以及在各种实施方案中,这些基于卷曲度的特征的程度)时更准确。
进一步参考图3A和图3B,图像集312和图像集362中的每个图像已经被分类、分配或以其他方式识别为具有整齐度图像分类300a。“整齐度”图像分类指示用户的头发或头发区域具有一个或多个特征(例如,在给定图像的像素数据可识别),具有成形且定位成彼此相邻的头发纤维。将给定图像分类为基于整齐度的图像的确定可包括分析图像(及其相关像素数据,例如图像202a的像素202ap2),包括在用户的头发的中间后部到发梢处。应当理解,附加地或另选地,也可分析其他头发区域或部位或用户的头部。
关于图像集312和图像集362,背面头部图像3121和正面头部图像3621中的每一者已经被分类、分配或以其他方式识别为具有“低整齐度”的子分类或程度(具有整齐度1的等级或值),指示如从相应像素数据确定的背面头部图像312l和正面头部图像3621中的每一者指示如相应图像中描绘的用户的头发的低整齐度或无整齐度。同样地,背面头部图像312m和正面头部图像362m中的每一者已经被分类、分配或以其他方式识别为具有“中整齐度”的子分类或程度(具有整齐度2的等级或值),指示如从相应像素数据确定的背面头部图像312m和正面头部图像362m中的每一者指示如相应图像中描绘的用户的头发的中等数量的整齐度。最后,背面头部图像312h和正面头部图像362h中的每一者已经被分类、分配或以其他方式识别为具有“高整齐度”的子分类或程度(具有整齐度3的等级或值),指示如从相应像素数据确定的背面头部图像312h和正面头部图像362h中的每一者指示如相应图像中描绘的用户的头发的大量整齐度。图像集312和图像集362的图像中的每一者可通过它们的指示特定分类(即,整齐度图像分类)和相关子分类或程度的相应特征训练或再训练基于头发的训练模型(例如,基于头发的训练模型108),以便使得基于头发的训练模型在检测、确定或预测提供给基于头发的训练模型的图像(例如,用户图像202a、202b和/或202c)中的分类和/或基于整齐度的特征(以及在各种实施方案中,这些基于整齐度的特征的程度)时更准确。
进一步参考图3A和图3B,图像集322和图像集372中的图像已经被分类、分配或以其他方式识别为具有光泽度图像分类300s。“光泽度”图像分类指示用户的头发或头发区域具有一个或多个特征(例如,在给定图像的像素数据内可识别),具有连续的头发光泽度带,例如,从顶部向底部延伸,或以其他方式具有用户的头发的流或造型。将给定图像分类为基于光泽度的图像的确定可包括分析图像(及其相关像素数据,例如图像202a的像素202ap2),包括在用户的头部的头顶处和/或用户的头发主体的中间部分处。应当理解,附加地或另选地,也可分析其他头发区域或部位或用户的头部。
关于图像集322和图像集372,背面头部图像3221和正面图像3721中的每一者已经被分类、分配或以其他方式识别为具有“低光泽度”的子分类或程度(具有光泽度1的等级或值),指示如从相应像素数据确定的背面头部图像3221和正面图像3721中的每一者指示如相应图像中描绘的用户的头发的低光泽度或无光泽度或少量光泽度带或无光泽度带。同样地,背面头部图像322m和正面图像372m中的每一者已经被分类、分配或以其他方式识别为具有“中光泽度”的子分类或程度(具有光泽度2的等级或值),指示如从相应像素数据确定的背面头部图像322m和正面图像372m中的每一者指示如正面图像372l图像中描绘的用户的头发的中光泽度或中等数量的光泽度带。最后,背面头部图像322h和正面图像372l中的每一者已经被分类、分配或以其他方式识别为具有“高光泽度”的子分类或程度(具有光泽度3的等级或值),指示如从相应像素数据确定的背面头部图像322h和正面图像372l的每一者指示如相应图像中描绘的用户的头发的高光泽度或大量的光泽度带。图像集322和图像集372的图像中的每一者可以通过它们的指示特定分类(即,光泽度图像分类)和相关子分类或程度的相应特征训练或再训练基于头发的训练模型(例如,基于头发的训练模型108),以便使得基于头发的训练模型在检测、确定或预测提供给基于头发的训练模型的图像(例如,用户图像202a、202b和/或202c)中的分类和/或基于光泽度的特征(以及在各种实施方案中,这些基于光泽度的特征的程度)时更准确。
虽然图3A和图3B中的每一者示出了针对图像特征的三个图像分类,包括卷曲度、整齐度和光泽度,但是应当理解,本文中类似地设想了附加分类(例如,油性)。除此之外,可一起使用各种分类,其中可将单个图像分类为具有多个图像分类或通过多个图像分类以其他方式识别。例如,在各种实施方案中,计算指令还可使得(例如,一个或多个服务器102和/或用户计算设备的)一个或多个处理器通过基于头发的学习模型来分析由数字相机捕获的图像,以确定如从基于头发的学习模型的一个或多个图像分类中选择的用户的头发区域的第二图像分类。如本文所述,用户特定推荐还可基于用户的头发区域的第二图像分类。第三图像分类、第四图像分类等也可以为给定的图像分配和/或用于给定的图像。
图4示出了根据本文所公开的各种实施方案的用于分析以下图像的像素数据以生成一个或多个用户特定推荐的数字成像和学习方法400:图像(例如,图像202a、202b和/或202c中的任一者);背面头部图像(302l、302m、302h、312l、312m、312h、322l、322m和/或322h);和/或用户的头部的头发区域的正面头部图像(352l、352m、352h、362l、362m、362h、372l、372m和372h)。如与方法400一起使用并且更一般地如本文所述,图像是如由数字相机(例如,用户计算设备111c1的数字相机)捕获的基于像素的图像。在一些实施方案中,图像可包括或是指使用数字摄像机收集的多个图像,诸如多个图像(例如,帧)。帧构成限定运动的连续图像,并且可构成电影、视频等。
在框402处,方法400包括在成像应用程序(app)处接收用户(例如,用户202au)的图像,该成像app在一个或多个处理器(例如,一个或多个服务器102的一个或多个处理器104和/或计算机用户设备(诸如移动设备)的处理器)上执行。图像包括如由数字相机(例如,用户计算设备111c1的数字相机)捕获的数字图像。图像包括用户的头部的头发区域的至少一部分的像素数据;
在框404处,方法400包括通过能够由成像app访问的基于头发的学习模型(基于头发的学习模型108)来分析如由数字相机捕获的图像,以确定用户的头发区域的图像分类。图像分类选自基于头发的学习模型的一个或多个图像分类(例如,整齐度图像分类300f、整齐度图像分类300a和/或光泽度图像分类300s中的任一者或多者)。
通过以下图像的像素数据来训练如本文在各种实施方案中所提及的基于头发的学习模型(例如,基于训练头发的学习模型108):多个训练图像(例如,图像202a、202b和/或202c中的任一者);背面头部图像(302l、302m、302h、312l、312m、312h、322l、322m和/或322h);和/或正面头部图像(352l、352m、352h、362l、362m、362h、372l、372m和/或372h),从而描绘了相应个体的头部的头发区域。基于头发的学习模型被配置为或者可以其他方式操作以输出与相应个体的头发的一个或多个特征相对应的一个或多个图像分类。
在各种实施方案中,基于头发的学习模型(例如,基于训练头发的学习模型108)是通过至少一个AI算法训练的基于人工智能(AI)的模型。基于头发的学习模型108的训练涉及用于配置基于头发的学习模型108的权重的训练图像的图像分析,以及用于预测和/或分类未来图像的其底层算法(例如,机器学习或人工智能算法)。例如,在本文的各种实施方案中,基于头发的学习模型108的生成涉及通过多个个体的多个训练图像来训练基于头发的学习模型108,其中训练图像中的每一者包括像素数据并且描绘相应个体的头部的头发区域。在一些实施方案中,服务器或基于云的计算平台(例如,一个或多个成像服务器102)的一个或多个处理器可经由计算机网络(例如,计算机网络120)接收多个个体的多个训练图像。在此类实施方案中,服务器和/或基于云的计算平台可通过多个训练图像的像素数据来训练基于头发的学习模型。
在各种实施方案中,可使用监督或无监督的机器学习程序或算法来训练如本文所述的机器学习成像模型(例如,基于头发的学习模型108)。机器学习程序或算法可采用神经网络,该神经网络可以是卷积神经网络、深度学习神经网络、或组合学习模块或程序,其学习在特定感兴趣区域中的两个或更多个特征或特征数据集(例如,像素数据)。机器学习程序或算法还可包括自然语言处理、语义分析、自动推理、回归分析、支持向量机(SVM)分析、决策树分析、随机森林分析、K最近邻分析、朴素初贝叶斯分析、聚类、增强学习和/或其他机器学习算法和/或技术。在一些实施方案中,基于人工智能和/或机器学习的算法可被包括为在一个或多个成像服务器102上执行的库或分组。例如,库可包括基于TENSORFLOW的库、PYTORCH库和/或SCIKIT-LEARN Python库。
机器学习可涉及识别和辨识现有数据中的图案(诸如识别如本文所述的图像的像素数据中的头发、头发类型、头发造型的特征或其他头发相关特征),以便促进对后续数据进行预测或识别(诸如在新图像的新像素数据上使用模型以便确定或生成用户特定推荐,该用户特定推荐被设计成寻址在像素数据内可识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分)。
可基于示例性数据(例如,“训练数据”和相关像素数据)输入或数据(其可被称为“特征”和“标签”)来创建和训练一个或多个机器学习模型(诸如本文针对一些实施方案所述的基于头发的学习模型)以便对新输入(诸如测试水平或生产水平数据或输入)进行有效且可靠的预测。在监督机器学习中,在服务器、计算设备或另外的处理器上操作的机器学习程序可被设置有示例性输入(例如,“特征”)及其相关联的或观察到的输出(例如,“标签”),以便例如通过跨各种特征类别确定权重或其他度量和/或将权重或其他度量分配给模型来使机器学习程序或算法确定或发现将此类输入(例如,“特征”)映射到输出(例如,“标签”)的规则、关系、模式或另外的机器学习“模型”。然后,此类规则、关系或另外的模型可被提供作为后续输入以便使在服务器、计算设备或另外的处理器上执行的模型基于所发现的规则、关系或模型来预测预期输出。
在无监督机器学习中,可能要求服务器、计算设备或另外的处理器在未标记的示例性输入中找到其自身的结构,其中例如多个训练迭代由服务器、计算设备或另外的处理器执行以训练多个模型生成,直到生成了令人满意的模型,例如在被给予测试水平或生产水平数据或输入时提供足够预测准确度的模型。
监督学习和/或无监督机器学习还可包括重新训练模型、重新学习模型、或通过新的或不同的信息以其他方式更新模型,该信息可包括随时间推移接收、摄入、生成或以其他方式使用的信息。本文的公开内容可使用此类监督或无监督机器学习技术中的一者或两者。
在各种实施方案中,基于头发的学习模型(例如,基于训练头发的学习模型108)可通过以下图像的像素数据由一个或多个处理器(例如,一个或多个服务器102的一个或多个处理器104和/或计算机用户设备(诸如移动设备)的处理器)来训练:多个训练图像(例如,图像202a、202b和/或202c中的任一者);背面头部图像(3021、302m、302h、3121、312m、312h、3221、322m和/或322h);和/或正面头部图像(3521、352m、352h、3621、362m、362h、3721、372m和/或372h)。在各种实施方案中,基于头发的学习模型(例如,基于训练头发的学习模型108)被配置为输出与相应个体的头部的头发区域相对应的一个或多个头发类型。
在各种实施方案中,一种或多种头发类型可与一个或多个用户人口统计和/或人种相对应,例如,如通常与不同种族、基因组和/或与此类人口统计和/或人种相关联的地理位置相关联或以其它方式自然发生。更进一步,一种或多种头发类型中的每一者可限定特定头发类型属性。在此类实施方案中,头发类型和/或其一种或多种属性可包括例如形状、卷曲度、笔直度、盘绕类型、造型或用户头发的其他特性或结构中的任一者或多者。基于训练头发的学习模型(例如,基于训练头发的学习模型108)可基于用户的头部的头发区域的至少一部分的头发类型或一种或多种特定头发类型属性来确定用户的头发区域的图像分类(例如,卷曲度图像分类300f、整齐度图像分类300a和/或光泽度图像分类300s)。
在各种实施方案中,图像分析可包括在描绘相应个体的头部的头发区域的图像的像素数据上训练基于机器学习的模型(例如,基于头发的学习模型108)。附加地或另选地,图像分析可包括使用如先前训练的机器学习成像模型,以基于一个或多个个体的一个或多个图像的像素数据(例如,包括它们的RGB值)来确定用户的头发区域的图像分类。可经由分析给定图像的各个像素的各种RGB值来训练模型的权重。例如,暗或低RGB值(例如,具有值R=25、G=28、B=31的像素)可指示图像中存在头发的区域。例如,暗色调RGB值(例如,具有值R=215、G=90、B=85的像素)可指示图像头发内存在具有黑色、褐色或“脏”金色色调的头发。同样地,稍微较亮RGB值(例如,具有R=181、G=170且B=191的像素)可指示图像内存在具有较亮金色色调(或在一些情况下具有灰色或白色色调)的头发。更进一步,RGB值(例如,具有R=199、G=200且B=230的像素)可指示白色背景、天空区域或其他此类背景或环境色调颜色。同时,当具有头发色调RGB的像素被定位在给定图像内或以其他方式被具有背景或环境色调颜色的一组(group)或一组(set)像素包围时,则基于头发的训练模型(例如,基于头发的训练模型108)可确定如在给定图像内所识别的用户的头发区域的图像分类。以此方式,10,000个训练图像的像素数据(例如,详细描述相应个体的头部的头发区域)可用于训练或使用机器学习成像模型来确定用户的头发区域的图像分类。
在各种实施方案中,基于训练头发的学习模型108可为包括多个模型或子模型的整体模型,该多个模型或子模型被配置为一起操作。例如,在一些实施方案中,可训练每个模型以识别或预测给定图像的图像分类,其中每个模型可输出或确定图像的分类,使得可通过一个或多个图像分类对给定图像进行识别、分配、确定或分类。
图5A示出了根据本文公开的各种实施方案的描绘示例性基于头发的学习模型(基于头发的学习模型108)的模型架构500和其相关值的示例图。在图5A的示例中,基于头发的学习模型是具有模型架构500整体模型,该模型架构包括三个头发模型530,包括头发模型530f、530a和530s中的每一者。头发模型530f是基于头发卷曲度的模型,该基于头发卷曲度的模型经训练或以其他方式配置以将图像识别、分配、确定或分类为具有如本文所述的卷曲度图像分类300f。同样地,头发模型530a是基于头发整齐度的模型,该基于头发整齐度的模型经训练或以其他方式配置以将图像识别、分配、确定或分类为具有如本文所述的整齐度图像分类300a。更进一步,头发模型530s是基于头发整齐度的模型,该基于头发整齐度曲的模型经训练或以其他方式配置以将图像识别、分配、确定或分类为具有如本文所述的光泽度图像分类300s。模型中的每一者可为基于头发的学习模型108的一部分,且可循序地或并行地操作以如本文所述识别、分配、确定或分类图像。可在原始图像和/或裁剪图像上训练此类模型,包括:例如,图像202a、202b和/或202c中的任一者;背面头部图像(302l、302m、302h、312l、312m、312h、322l、322m和/或322h);和/或正面头部图像(352l、352m、352h、362l、362m、362h、372l、372m和/或372h),如本文所述。
在图5A的示例中,头发模型530f、530a和530s中的每一者具有包括Efficient Net架构的网络架构532。一般而言,Efficient Net是包括缩放算法的卷积神经网络(CNN)架构,该缩放算法使用复合系数来统一地缩放图像的所有维度(例如,数字图像的深度、宽度、分辨率)。也就是说,Efficient Net缩放算法通过一组固定缩放系数统一地缩放模型的网络值(例如,模型的权重值),诸如模型的宽度值、深度值和分辨率值。可调整系数以适应给定网络架构的效率,且因此适应底层计算系统(例如,一个或多个成像服务器102和/或用户计算设备(例如111c1))的效率或影响。例如,为了将计算资源(如底层计算系统所使用的)减少2N,可将网络架构的深度减少αN,可将其宽度减少βN,并且可将其图像尺寸减少γN,其中α、β和γ中的每一者是应用于网络架构的恒定系数,并且可例如通过网格搜索或查看原始模型来确定。
在各种实施方案中,(例如,头发模型530f、530a和530s中的任一者的)EfficientNet架构可使用复合系数φ以原则方式统一地缩放网络宽度、深度和分辨率中的每一者。在此类实施方案中,可基于图像尺寸使用复合缩放,其中例如较大图像可能需要模型的网络具有更多层以增加感受野且具有更多通道(例如,像素的RGB通道),以捕获包括更多像素的较大图像内的细粒度图案。
头发模型530f使用Efficient Net B0网络架构。Efficient Net B0是基线模型。Efficient Net B0基线模型可通过复合系数ω调整以增加模型尺寸,且实现准确率增益(例如,模型更准确地预测或分类给定图像的能力)。相反,头发模型530a和头发模型530s中的每一者都具有增加至值4的复合系数导致它们使用Efficient Net B4网络架构。因此,在图5A的实施方案中,头发模型530a和头发模型530s中的每一者与头发模型530f相比具有增加的模型尺寸(维度)。
如图5A的示例中所示,头发模型530f、530a和530s中的每一者都提供了头发视觉属性(例如,卷曲度、整齐度和光泽度)的多类分类(例如,整体模型)。在图5A的示例中,通过数百个头发提取的背面头部图像(例如,图像302l、302m、302h、312l、312m、312h、322l、322m和/或322h)和正面头部图像(例如,图像352l、352m、352h、362l、362m、362h、372l、372m和/或372h)来训练模型。头发模型530f、530a和530s经训练和/或配置以捕获男性和女性头发特征两者。训练后,头发模型530f、530a和530s实现约73%、90%和78%的精确率(534);71%、81%、73%的召回率(536);71%、85%和75%的F1分数(538);75%、83%和74%的准确率(540),分别针对卷曲度分类、整齐度分类和光泽度分类中的每一者。一般而言,精确率(534)通过将预测的阳性结果与实际的阳性结果进行比较来定义模型有多精确。准确率(540)值基于混淆矩阵(542)值,其中混淆矩阵是定义分类模型(或“分类器”)对其真实值已知的一组测试数据的性能的表。混淆矩阵中的每一行表示实际类别,而每一列表示预测类别。与假阳性和假阴性相比,行值和列值的比较产生正确的结果。准确率(540)值基于混淆矩阵(542)的值的总和或评估。召回率(536)定义了模型捕获了多少实际阳性。F1分数(538)是从精确率(534)和召回率(536)两者导出的,并且测量精确率和召回率之间的平衡,并且允许确定跨模型的不均匀类别分布。
尽管图5A的示例使用Efficient Net模型和架构,但是应当理解,可以使用其他AI模型架构和/或类型(诸如其他类型的CNN架构)来代替Efficient Net架构。除此之外,虽然示出了整体模型或多类模型,但是应当理解,可以使用一个或多个模型,包括基于单个AI模型的单个模型,诸如单个Efficient Net神经网络架构或其他AI算法。
参考图4,在框406处,方法400包括通过成像app基于用户的头发区域的图像分类来生成至少一个用户特定推荐。生成或设计用户特定推荐以寻址在像素数据内可识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分。例如,在各种实施方案中,用户特定推荐可包括特定于用户的推荐清洗频率。清洗频率可包括清洗次数、一天、一周等中的清洗的一次或多次清洗或一个或多个时间段、关于如何清洗的建议等。
附加地或另选地,用户特定推荐可以包括如基于用户的头部的头发区域的至少一部分的像素数据和从基于头发的学习模型(例如,基于头发的学习模型108)的一个或多个图像分类中选择的一个或多个图像分类而确定的头发质量分数。例如,图5B示出了根据本文公开的各种实施方案的描绘图5A的基于头发的学习模型的值(例如,包括指示头发质量分数的值)的示例图。应当理解,图5B的值还可更一般地表示如由基于头发的学习模型(例如,基于头发的学习模型108)提供的值(例如,包括指示头发质量分数的值)。
参考图5B,描绘了各种头发属性分数(552)。头发属性分数(552)是一种类型的头发质量分数。头发属性分数(552)可各自由基于机器学习的模型输出,包括由头发模型530f输出的卷曲度值550f、由头发模型530a输出的整齐度值550a以及由头发模型530s输出的光泽度值550s。(例如,头发属性分数(552)的)头发质量分数可基于卷曲度、整齐度、光泽度、油性和/或其他头发属性的等级、程度或严重性(或其缺乏)来分配、示出或提供给用户。一般而言,头发质量分数可指示用户的头发在这些属性上有多好或多坏。除此之外,头发质量分数可以是针对单个头发属性(例如头发光泽度),或者可以是并入或基于一种或多种头发属性(例如卷曲度、光泽度、整齐度、油性等)的整体分数。较高的分数通常指示更有利的属性。
如图5B所示,卷曲度值550f、整齐度值550a和光泽度值550s中的每一者都分布在时间(554)上,头发清洗后时间限定了用户清洗他或她的头发之后的时间。(例如,头发属性分数(552)的)头发质量分数通常随时间的推移而降低,从而向用户指示频繁洗发改善了用户的头发的属性(例如,卷曲度、整齐度、光泽度、油性和/或其他头发属性)。例如,如图5B所例示的,与清洗后2小时和12小时时段相比,在洗发后24小时,针对头发卷曲度、整齐度和光泽度中每一者的头发质量评分(例如,头发属性分数(552))大大降低,表明内源性因素(诸如皮脂、汗液)和/或外源性因素(诸如风、湿度和所用的产品类型等)对头发的质量和/或外观具有影响,这可能导致不令人满意的头发外观和/或头发质量属性(例如,卷曲度、整齐度、光泽度、油性和/或其他头发属性)。
参考图4,在框408处,方法400包括通过成像app,将至少一个用户特定推荐呈现在计算设备(例如,用户计算设备111c1)的显示屏上。用户特定推荐可由用户计算设备(例如,用户计算设备111c1)和/或由服务器(例如,一个或多个成像服务器102)生成。例如,在一些实施方案中,如本文针对图1所述,一个或多个成像服务器102可分析远离用户计算设备的用户图像,以确定用户的头发区域的图像分类和/或用户特定推荐,该用户特定推荐被设计成寻址在像素数据内可识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分。例如,在此类实施方案中,成像服务器或基于云的计算平台(例如,一个或多个成像服务器102)跨计算机网络120接收至少一个图像,该至少一个图像包括用户的头部的头发区域的至少一部分的像素数据。然后,服务器或基于云的计算平台可执行基于头发的学习模型(例如,基于头发的学习模型108),并且基于该基于头发的学习模型(例如,基于头发的学习模型108)的输出生成用户特定推荐。然后,服务器或基于云的计算平台可经由计算机网络(例如,计算机网络120)向用户计算设备传输用户特定推荐,以呈现在用户计算设备的显示屏上。
在一些实施方案中,用户可将新图像提交至基于头发的学习模型以进行如本文所述的分析。在此类实施方案中,一个或多个处理器(例如,一个或多个成像服务器102和/或用户计算设备(诸如用户计算设备111c1))可在通信地耦接到一个或多个处理器的一个或多个存储器中接收、分析和/或记录如由数字相机在第一时间捕获的用户的图像,以用于跟踪用户的头发区域随时间推移的改变。除此之外,一个或多个处理器(例如,一个或多个成像服务器102和/或用户计算设备(诸如用户计算设备111c1))可接收用户的第二图像。第二图像可能已经在第二时间由数字相机捕获。第二图像可包括用户的头部的头发区域的至少一部分的像素数据。更进一步,一个或多个处理器(例如,一个或多个成像服务器102和/或用户计算设备(诸如用户计算设备111c1))可通过基于头发的学习模型来分析由数字相机捕获的第二图像,以在第二时间确定如从基于头发的学习模型的一个或多个图像分类中选择的用户的头发区域的第二图像分类。除此之外,一个或多个处理器(例如,一个或多个成像服务器102和/或用户计算设备(诸如用户计算设备111c1))可基于图像与第二图像或分类或用户的头发区域的第二分类的比较,生成关于在第二图像的像素数据内可识别的至少一个特征的新用户特定推荐或评论(例如,消息),该第二图像的像素数据包括用户的头部的头发区域的至少一部分。一个或多个处理器(例如,一个或多个成像服务器102和/或用户计算设备(诸如用户计算设备111c1))可将新用户特定推荐或评论呈现在计算设备的显示屏上。
在各种实施方案中,用户特定推荐或评论(例如,包括新用户特定推荐或评论)可包括例如在用户计算设备(例如,用户计算设备111c1)的显示屏上显示的文本、视觉或虚拟推荐。此类推荐可包括用户和/或用户的头发的图形表示,如通过与用户特定属性(例如,卷曲度、整齐度、光泽度等)相对应的一个或多个图形或文本描绘所注释的。在包括新用户特定推荐或评论的实施方案中,此类新用户特定推荐或评论可包括用户的头部的头发区域的至少一部分在第一时间和第二时间之间的比较。
在一些实施方案中,用户特定推荐可与指令一起显示在计算设备(例如,用户计算设备111c1)的显示屏上,该指令用于处理在(例如,图像的)像素数据中可识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分。可基于例如如最初接收到的用户的图像(例如,图像202a)来作出此推荐。
在附加的实施方案中,用户特定推荐可包括对制造的产品的产品推荐。附加地或另选地,在一些实施方案中,用户特定推荐可与指令(例如,消息)一起显示在计算设备(例如,用户计算设备111c1)的显示屏上,该指令用于通过制造的产品处理在像素数据中可识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分。在另外的实施方案中,在用户计算设备(例如,用户计算设备111c1)和/或一个或多个成像服务器中的任一者的一个或多个处理器上执行的计算指令可基于产品推荐来开始将制造的产品运送给用户。
关于制造的产品推荐,在一些实施方案中,一个或多个处理器(例如,一个或多个成像服务器102和/或用户计算设备(诸如用户计算设备111c1))可基于例如如最初接收到的用户的至少一个图像来生成经修改的图像。在此类实施方案中,经修改的图像可描绘在通过制造的产品处理至少一个特征之后预测用户的头发的表现将如何的呈现。例如,可通过更新、平滑化或改变图像的像素的色彩来修改经修改的图像,以表示在通过制造的产品处理像素数据内的至少一个特征之后的可能或预测的改变。然后,经修改的图像可被呈现在用户计算设备(例如,用户计算设备111c1)的显示屏上。
图6示出了根据本文公开的各种实施方案的在用户计算设备(例如,用户计算设备111c1)的显示屏600上呈现的示例性用户界面602。例如,如图6的示例所示,用户界面602可经由在用户计算设备111c1上执行的应用程序(应用程序(app))来实现或呈现。例如,如图6的示例所示,用户界面602可经由在用户计算设备11lc1上执行的本机应用程序来实现或呈现。在图6的示例中,用户计算设备111c1是如针对图1所述的用户计算机设备,例如,其中111c1被示出为实现APPLE iOS操作系统并具有显示屏600的APPLE iPhone。用户计算设备111c1可在其操作系统上执行一个或多个本机应用程序(app),包括例如本文所述的成像应用程序。此类本机应用程序可以以由用户计算设备操作系统(例如,APPLE iOS)通过用户计算设备111c1的处理器执行的计算语言(例如,SWIFT)来实现或编码(例如,作为计算指令)。
附加地或另选地,用户界面602可经由web接口来实现或呈现,诸如经由web浏览器应用程序,例如Safari和/或Google Chrome应用程序,或其他此类web浏览器等。
如图6的示例所示,用户界面602包括用户202au的(例如,图像202a的)图形表示。图像202a可包括用户的至少一个图像(或其图形表示),该至少一个图像包括如本文所述的用户的头部的头发区域的至少一部分的像素数据(例如,像素数据202ap)。在图6的示例中,用户的图形表示(例如,图像202a)通过与像素数据内可识别的各种特征相对应的一个或多个图形(例如,像素数据202ap的区域)或一个或多个文本呈现(例如,文本202at)来注释,该像素数据包括用户的头部的头发区域的一部分。例如,像素数据202ap的区域可被注释或覆盖在用户的图像(例如,图像202a)的顶部上,以由基于头发的学习模型(例如,基于头发的学习模型108)突出显示在像素数据(例如,特征数据和/或原始像素数据)内识别的区域或一个或多个特征。在图6的示例中,像素数据202ap的区域指示如像素数据202ap中所限定的特征,包含卷曲度(例如,针对像素202ap1)、整齐度(例如,针对像素202ap2)和光泽度(例如,针对像素202ap3),以及像素数据202ap的区域中所示出的其他特征,如本文所述。在各种实施方案中,被识别为特定特征的像素(包括卷曲度(例如,像素202ap1)、整齐度(例如,像素202ap2)和光泽度(例如,如像素202ap3))在被呈现在显示屏600上时可被突出显示或以其他方式注释。
文本呈现(例如,文本202at)示出了用户特定属性或特征(例如,针对像素202ap2为1.4),该用户特定属性或特征指示用户具有针对卷曲度的头发质量分数(1.4)。1.4分表示用户具有低卷曲度头发质量分数,使得用户可从清洗她的头发获益以改善头发质量(例如,卷曲度质量)。应当理解,其他文本呈现类型或值在本文中被设想,其中文本呈现类型或值可被呈现,诸如整齐度、光泽度、油性等的头发质量分数。附加地或另选地,颜色值可用于和/或覆盖在用户界面602(例如,图像202a)上所示的图形表示上,以指示给定头发质量分数(例如,2.5的高分数或1.0的低分数(例如,如图5B所示的分数))或其他方式的程度或质量。评分可以原始分数、绝对分数、基于百分比的分数来提供。附加地或另选地,此类分数可用文字或图形指示符表示,指示分数是否代表阳性结果(良好的头发清洗频率)、阴性结果(差的头发清洗频率)或可接受的结果(平均或可接受的头发清洗频率)。
用户界面602还可包括或呈现用户特定电子推荐612。在图6的实施方案中,用户特定电子推荐612包括到用户的消息612m,该消息被设计成寻址在像素数据内可识别的至少一个特征,该像素数据包括用户的头部的头发区域的一部分。如图6的示例所示,消息612m推荐用户每12小时清洗她的头发。
消息612m还推荐使用具有保湿剂的洗发剂来帮助为用户的头发补充水分,以提供柔软性和光泽度。洗发剂推荐可基于针对卷曲度的低头发质量分数(例如,1.4)作出,表明用户的图像描绘差的卷曲度分数,其中洗发剂产品被设计成寻址在图像202a的像素数据中检测到或分类的卷曲度,或以其他方式基于针对卷曲度的低头发质量分数或分类假设的卷曲度。产品推荐可与像素数据内的识别的特征相关,并且当特征(例如,过度卷曲度)被识别或分类(例如,卷曲度图像分类300f)时,用户计算设备111cl和/或服务器102可被指示以输出产品推荐。
用户界面602还可包括或呈现用于制造的产品624r(例如,如上所述的洗发剂)的产品推荐622的部分。产品推荐622可与用户特定电子推荐612相对应,如上所述。例如,在图6的示例中,用户特定电子推荐612可与指令(例如,消息612m)一起显示在用户计算设备111c1的显示屏600上,该指令用于通过制造的产品(制造的产品624r(例如,洗发剂))处理在像素数据(例如,像素数据202ap)中可识别的至少一个特征(例如,与像素202ap1处的头发卷曲度相关的1.4的低头发质量分数),该像素数据包括用户的头部的头发区域的至少一部分。
如图6所示,用户界面602基于用户特定电子推荐612来推荐产品(例如,制造的产品624r(例如,洗发剂)。在图6的示例中,基于头发的学习模型(例如,基于头发的学习模型108)的一个或多个图像(例如,图像202a)的输出或分析(例如,用户特定电子推荐612和/或其相关值(例如,1.4头发质量分数)或相关像素数据(例如,202ap1、202ap2和/或202ap3))可用于生成或识别一个或多个对应产品的推荐。此类推荐可包括诸如洗发剂、护发素、发胶、保湿处理等产品,以寻址如由基于头发的学习模型(例如,基于头发的学习模型108)在像素数据内检测到的用户特定问题。
在图6的示例中,用户界面602呈现或提供如由基于头发的学习模型(例如,基于头发的学习模型108)和图像202a及其像素数据和各种特征的相关图像分析所确定的推荐的产品(例如,制造的产品624r)。在图6的示例中,这在用户界面602上指示和注释(624p)。
用户界面602还可包括可选择的UI按钮624s以允许用户(例如,图像202a的用户)选择购买或运送对应的产品(例如,制造的产品624r)。在一些实施方案中,对可选的UI按钮624s的选择可以使一个或多个推荐的产品被运送给用户(例如,用户202au)以及/或者可以通知第三方个体对一个或多个产品感兴趣。例如,用户计算设备111c1和/或一个或多个成像服务器102可基于用户特定电子推荐612来开始将制造的产品624r(例如,洗发剂)运送给用户。在此类实施方案中,产品可被包装并运送给用户。
在各种实施方案中,具有图形注释(例如,像素数据202ap的区域)、文本注释(例如,文本202at)的图形表示(例如,图像202a)和用户特定电子推荐612,可以经由计算机网络(例如,从成像服务器102和/或一个或多个处理器)传输到用户计算设备111c1,用于呈现在显示屏600上。在其他实施方案中,没有发生用户的特定图像到成像服务器的传输,其中用户特定推荐(和/或产品特定推荐)可替代地由在用户的移动设备(例如,用户计算设备111c1)上执行和/或实现的基于头发的学习模型(例如,基于头发的学习模型108)本地生成,并且由移动设备(例如,用户计算设备111c1)的处理器呈现在移动设备的显示屏600上。
在一些实施方案中,带有图形注释(例如,像素数据202ap的区域)、文本注释(例如,文本202at)的图形表示(例如,图像202a)、用户特定电子推荐612和/或产品推荐622中的任一者或多者可在接收具有用户的头部的头发区域的图像期间或之后实时或接近实时地呈现(例如,本地呈现在显示屏600上)。在其中由一个或多个成像服务器102分析图像的实施方案中,可由一个或多个成像服务器102实时或接近实时地传输和分析图像。
在一些实施方案中,用户可提供新图像,该新图像可被传输到一个或多个成像服务器102以用于由基于头发的学习模型108更新、重新训练或重新分析。在其他实施方案中,新图像可在计算设备111c1上本地接收,并且由基于头发的学习模型108在计算设备111c1上分析。
除此之外,如图6的示例所示,用户可以选择可选按钮612i以用于(例如,在计算设备111c1处本地或在一个或多个成像服务器102处远程)重新分析新图像。可选择按钮612i可导致用户界面602提示用户附着用于分析新图像。一个或多个成像服务器102和/或用户计算设备(诸如用户计算设备111c1)可接收新图像,该新图像包括用户的头部的头发区域的至少一部分的像素数据。新图像可由数字相机捕获。新图像(例如,类似于图像202a)可包括用户的头部的头发区域的至少一部分的像素数据。在计算设备(例如,一个或多个成像服务器102)的存储器上执行的基于头发的学习模型(例如,基于头发的学习模型108)可分析由数字相机捕获的新图像,以确定用户的头发区域的图像分类。计算设备(例如,一个或多个成像服务器102)可基于图像和第二图像的比较或分类和用户的头发区域的分类的比较,生成关于在新图像的像素数据内可识别的至少一个特征的新用户特定电子推荐或评论。例如,新用户特定电子推荐可包括新图形表示,该新图形表示包括图形和/或文本(例如,在用户在此清洗头发之后示出新头发质量分数,例如,2.5)。新用户特定电子推荐可包括附加的推荐,例如,用户已经成功地清洗了她的头发以减少如通过新图像的像素数据检测到的卷曲度。评论可包括用户需要通过施加附加的产品(例如,发胶)来校正在像素数据内检测到的附加的特征(例如,头发整齐度)。
在各种实施方案中,新用户特定推荐或评论可经由计算机网络从一个或多个服务器102传输到用户的用户计算设备,以呈现在用户计算设备(例如,用户计算设备111c1)的显示屏600上。
在其他实施方案中,没有发生用户的新图像到成像服务器的传输,其中新用户特定推荐(和/或产品特定推荐)可替代地由在用户的移动设备(例如,用户计算设备111c1)上执行和/或实现的基于头发的学习模型(例如,基于头发的学习模型108)本地生成,并且由移动设备(例如,用户计算设备111c1)的处理器呈现在移动设备的显示屏上。
本公开的方面
以下方面作为根据本文公开内容的示例提供,并且不旨在限制公开内容的范围。
1.一种数字成像和学习系统,该数字成像和学习系统被配置为分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐,该数字成像和学习系统包括:一个或多个处理器;成像应用程序(app),该成像应用程序(app)包括被配置为在一个或多个处理器上执行的计算指令;以及基于头发的学习模型,该基于头发的学习模型能够由成像应用程序访问,并且通过描绘相应个体的头部的头发区域的多个训练图像的像素数据进行训练,该基于头发的学习模型被配置为输出与相应个体的头发的一个或多个特征相对应的一个或多个图像分类,其中成像app的计算指令在由一个或多个处理器执行时使得一个或多个处理器:接收用户的图像,该图像包括如由数字相机捕获的数字图像,并且该图像包括用户的头部的头发区域的至少一部分的像素数据;通过基于头发的学习模型来分析如由数字相机捕获的图像,以确定用户的头发区域的图像分类,该图像分类选自基于头发的学习模型的一个或多个图像分类;基于用户的头发区域的图像分类来生成至少一个用户特定推荐,该至少一个用户特定推荐被设计成寻址在像素数据内可识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分;以及将至少一个用户特定推荐呈现在计算设备的显示屏上。
2.根据方面1所述的数字成像和学习系统,其中该一个或多个图像分类包括以下各项中的一项或多项:(1)头发卷曲度图像分类;(2)头发整齐度图像分类;(3)头发光泽度图像分类;(4)头发油性分类;(5)头发体积分类;(6)头发颜色分类;或(7)头发类型分类。
3.根据方面1或2中任一方面所述的数字成像和学习系统,其中该计算指令还使得一个或多个处理器:通过基于头发的学习模型来分析由数字相机捕获的图像,以确定如从基于头发的学习模型的一个或多个图像分类中选择的用户的头发区域的第二图像分类,其中用户特定推荐还基于用户的头发区域的第二图像分类。
4.根据方面1至3中任一方面所述的数字成像和学习系统,其中该用户的头发的一个或多个特征包括以下各项中的一项或多项:(1)一根或多根伸出的头发;(2)头发纤维形状或相对定位;(3)一个或多个连续的头发光泽度带;或(4)头发油性。
5.根据方面1至4中任一方面的数字成像和学习系统,其中该用户的头部的头发区域包括以下各项中的至少一项:正面头发区域、背面头发区域、侧面头发区域、顶部头发区域、整个头发区域、部分头发区域或自定义头发区域。
6.根据方面1至5中任一方面所述的数字成像和学习系统,其中该头发区域描绘能够通过像素数据识别的用户的头发的头发状态,该头发状态包括以下状态中的至少一者:头发扎起状态、头发散开状态、头发造型状态和/或非造型状态。
7.根据方面1至6中任一方面所述的数字成像和学习系统,其中该多个训练图像中的一者或多者或该用户的至少一个图像各自包括描绘头发的一个或多个裁剪图像,其中用户的至少一个或多个面部特征被移除。
8.根据方面7所述的数字成像和学习系统,其中该一个或多个裁剪图像包括用户的一个或多个提取的头发区域,而不描绘用户的个人可识别信息(PII)。
9.根据方面1至8中任一方面所述的数字成像和学习系统,其中该多个训练图像中的一者或多者或该用户的至少一个图像各自包括描绘相应个体或用户中的每一者的头发区域的多个角度或视角。
10.根据方面1至9中任一方面所述的数字成像和学习系统,其中该至少一个用户特定推荐与指令一起显示在计算设备的显示屏上,该指令用于处理在像素数据中可识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分。
11.根据方面1至10中任一方面所述的数字成像和学习系统,其中该至少一个用户特定推荐包括特定于用户的推荐清洗频率。
12.根据方面1至11中任一方面所述的数字成像和学习系统,其中该至少一个用户特定推荐包括如基于用户的头部的头发区域的至少一部分的像素数据和从基于头发的学习模型的一个或多个图像分类中选择的一个或多个图像分类而确定的头发质量分数。
13.根据方面1至12中任一方面所述的数字成像和学习系统,其中该计算指令还使得一个或多个处理器:在通信地耦接到一个或多个处理器的一个或多个存储器中记录如由数字相机在第一时间捕获的用户的图像,以用于跟踪用户的头发区域随时间推移的改变;接收用户的第二图像,该第二图像由数字相机在第二时间捕获,并且该第二图像包括用户的头部的头发区域的至少一部分的像素数据;通过基于头发的学习模型来分析由数字相机捕获的第二图像,以在第二时间确定如从基于头发的学习模型的一个或多个图像分类中选择的用户的头发区域的第二图像分类;基于图像与第二图像或分类或用户的头发区域的第二分类的比较,生成关于在第二图像的像素数据内可识别的至少一个特征的新用户特定推荐或评论,该第二图像的像素数据包括用户的头部的头发区域的至少一部分;将新用户特定推荐或评论呈现在计算设备的显示屏上。
14.根据方面13所述的数字成像和学习系统,其中该新用户特定推荐或评论包括用户的头部的头发区域的至少一部分在第一时间和第二时间之间的文本、视觉或虚拟比较。
15.根据方面1至14中任一方面所述的数字成像和学习系统,其中在接收到具有用户的头部的头发区域的图像期间或之后,至少一个用户特定推荐实时或接近实时地呈现在显示屏幕上。
16.根据方面1至15中任一方面所述的数字成像和学习系统,其中该至少一个用户特定推荐包括对制造的产品的产品推荐。
17.根据方面16所述的数字成像和学习系统,其中该至少一个用户特定推荐与指令一起显示在计算设备的显示屏上,该指令用于通过制造的产品处理在像素数据中可识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分。
18.根据方面16所述的数字成像和学习系统,其中该计算指令还使得一个或多个处理器:基于产品推荐来开始将制造的产品运送给用户。
19.根据方面16所述的数字成像和学习系统,其中该计算指令还使得一个或多个处理器:基于图像生成经修改的图像,该经修改的图像描绘在通过制造的产品处理至少一个特征之后预测用户的头发的表现将如何;以及将经修改的图像呈现在计算设备的显示屏上。
20.根据方面1至19中任一方面所述的数字成像和学习系统,其中该基于头发的学习模型是通过至少一个人工智能(AI)算法训练的基于AI的模型。
21.根据方面1至21中任一方面所述的数字成像和学习系统,其中该基于头发的学习模型还由一个或多个处理器通过多个训练图像的像素数据训练,以输出与相应个体的头部的头发区域相对应的一个或多个头发类型,并且其中该一种或多种头发类型中的每一者限定特定头发类型属性,并且其中用户的头发区域的图像分类的确定还基于用户的头部的头发区域的至少一部分的头发类型或特定头发类型属性。
22.根据方面21所述的数字成像和学习系统,其中该一种或多种头发类型与一种或多种用户人口统计或人种相对应。
23.根据方面1至22中任一方面所述的数字成像和学习系统,其中该一个或多个处理器中的至少一者包括移动设备的移动处理器,并且其中数字相机包括移动设备的数字相机。
24.根据方面23所述的数字成像和学习系统,其中该移动设备包括移动电话、平板电脑、手持式设备、个人助理设备或零售计算设备中的至少一者。
25.根据方面1至24中任一方面所述的数字成像和学习系统,其中该一个或多个处理器包括服务器的服务器处理器,其中该服务器经由计算机网络通信地耦接到移动设备,并且其中成像app包括被配置为在服务器的一个或多个处理器上执行的服务器app部分以及被配置为在移动设备的一个或多个处理器上执行的移动app部分,该服务器app部分被配置为与移动app部分通信,其中该服务器app部分被配置为实现以下各项中的一项或多项:(1)接收由数字相机捕获的图像;(2);确定用户的头发的图像分类;(3)生成用户特定推荐;或(4)将一个用户特定推荐发送给移动app部分。
26.一种用于分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐的数字成像和学习方法,该数字成像和学习方法包括:在成像应用程序(app)处接收用户的图像,该成像app在一个或多个处理器上执行,该图像包括如由数字相机捕获的数字图像,并且该图像包括用户的头部的头发区域的至少一部分的像素数据;通过能够由成像app访问的基于头发的学习模型来分析如由数字相机捕获的图像,以确定用户的头发区域的图像分类,该图像分类选自基于头发的学习模型的一个或多个图像分类,其中通过描绘相应个体的头部的头发区域的多个训练图像的像素数据来训练基于头发的学习模型,该基于头发的学习模型可操作以输出与相应个体的头发的一个或多个特征相对应的一个或多个图像分类;通过成像app基于用户的头发区域的图像分类来生成至少一个用户特定推荐,该至少一个用户特定推荐被设计成寻址在像素数据内可识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分;以及通过成像app,将至少一个用户特定推荐呈现在计算设备的显示屏上。
27.一种存储用于分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐的指令的有形、非瞬态计算机可读介质,当该指令在由一个或多个处理器执行时使得一个或多个处理器:在成像应用程序(app)处接收用户的图像,该图像包括如由数字相机捕获的数字图像,并且该图像包括用户的头部的头发区域的至少一部分的像素数据;通过能够由成像app访问的基于头发的学习模型来分析如由数字相机捕获的图像,以确定用户的头发区域的图像分类,该图像分类选自基于头发的学习模型的一个或多个图像分类,其中通过描绘相应个体的头部的头发区域的多个训练图像的像素数据来训练该基于头发的学习模型,该基于头发的学习模型可操作以输出与相应个体的头发的一个或多个特征相对应的一个或多个图像分类;通过成像app基于用户的头发区域的图像分类来生成至少一个用户特定推荐,该至少一个用户特定推荐被设计成寻址在像素数据内能够识别的至少一个特征,该像素数据包括用户的头部的头发区域的至少一部分;以及通过成像app,将至少一个用户特定推荐呈现在计算设备的显示屏上。
附加的考虑
虽然本公开陈述了多个不同实施方案的具体实施方式,但应当理解,本说明书的法律范围由本专利结尾处所陈述的权利要求书及其等同物的内容来限定。具体实施方式被理解为仅是示例性的,而非描述每一种可能的实施方案,因为描述每一种可能的实施方案是不切实际的。可使用当前技术或在本专利的申请日期之后开发的技术来实施众多另选的实施方案,该另选的实施方案将仍然落入本权利要求书的范围内。
以下附加的考虑适用于前述讨论。在本说明书通篇中,多个实例可实现被描述为单个实例的部件、操作或结构。虽然一个或多个方法的各个操作被示出和描述为单独的操作,但各个操作中的一个或多个操作可同时执行,并且不需要按所示顺序来执行这些操作。在示例性配置中作为单独部件展示的结构和功能可被实现为组合的结构或部件。类似地,展示为单个部件的结构和功能可被实现为单独的部件。这些型、修改、添加和改进以及其他变型、修改、添加和改进均属于本文主题范围之内。
另外,某些实施方案在本文中被描述为包括逻辑或多个例程、子例程、应用程序或指令。这些可构成软件(例如,机器可读介质上或传输信号中体现的代码)或硬件。在硬件中,例程等是能够执行某些操作的有形单元并且可按某种方式进行配置或布置。在示例性实施方案中,一个或多个计算机系统(例如,独立的客户端或服务器计算机系统)或计算机系统的一个或多个硬件模块(例如,处理器或处理器组)可通过软件(例如,应用程序或应用程序部分)配置为用于执行如本文所述的某些操作的硬件模块。
本文所述的示例性方法的各种操作可至少部分地由经临时配置(例如,由软件)或永久性配置以执行相关操作的一个或多个处理器来执行。无论是临时配置还是永久性配置,此类处理器都可构成处理器实现型模块,用以执行一个或多个操作或功能。在一些示例性实施方案中,本文提及的模块可包括处理器实现型模块。
类似地,本文所述的方法或例程可至少部分地由处理器实现。例如,方法的至少一些操作可由一个或多个处理器或处理器实现型硬件模块来执行。操作中的某些操作的执行可分配给一个或多个处理器,这些处理器不仅驻留在单个机器内,而且部署于多个机器之间。在一些示例性实施方案中,一个或多个处理器可位于单个位置,而在其他实施方案中,处理器可分布于多个位置。
操作中的某些操作的执行可分配给一个或多个处理器,这些处理器不仅驻留在单个机器内,而且部署于多个机器之间。在一些示例性实施方案中,一个或多个处理器或处理器实现型模块可位于单个地理位置(例如,在家庭环境、办公室环境或服务器群内)。在其他实施方案中,一个或多个处理器或处理器实现型模块可分布于多个地理位置。
本具体实施方式被理解为仅是示例性的,而非描述每一种可能的实施方案,因为描述每一种可能的实施方案即使可能也是不切实际的。本领域普通技术人员可使用当前技术或在本申请提交日期之后所开发的技术来实现众多另选的实施方案。
本领域的普通技术人员将认识到,在不脱离本发明范围的前提下,可对上述实施方案进行多种修改、更改和组合,并且这些修改、更改和组合应视为落入本发明构思的范围内。
本专利申请末尾的专利权利要求不旨在根据35U.S.C.§112(f)来解释,除非明确引用了传统的装置加功能语言,诸如权利要求中明确引用的“用于......的装置”或“用于......的步骤”语言。本文所述的系统和方法涉及对计算机功能的改进,以及改进常规计算机的功能。
本文所公开的量纲和值不应理解为严格限于所引用的精确数值。相反,除非另外指明,否则每个此类量纲旨在表示所述值以及围绕该值功能上等同的范围。例如,公开为“40mm”的量纲旨在表示“约40mm”。
除非明确排除或以其他方式限制,本文中引用的每一篇文献,包括任何交叉引用或相关专利或专利申请以及本申请对其要求优先权或其有益效果的任何专利申请或专利,均据此全文以引用方式并入本文。对任何文献的引用不是对其作为与本发明的任何所公开或本文受权利要求书保护的现有技术的认可,或不是对其自身或与任何一个或多个参考文献的组合提出、建议或公开任何此类发明的认可。此外,当本发明中术语的任何含义或定义与以引用方式并入的文献中相同术语的任何含义或定义矛盾时,应当服从在本发明中赋予该术语的含义或定义。
虽然已举例说明和描述了本发明的具体实施方案,但是对于本领域技术人员来说显而易见的是,在不脱离本发明的实质和范围的情况下可作出各种其他变化和修改。因此,本文旨在于所附权利要求中涵盖属于本发明范围内的所有此类变化和修改。
Claims (15)
1.一种数字成像和学习系统,所述数字成像和学习系统被配置为分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐,所述数字成像和学习系统包括:
一个或多个处理器;
成像应用程序(app),所述成像应用程序(app)包括被配置为在所述一个或多个处理器上执行的计算指令;以及
基于头发的学习模型,所述基于头发的学习模型能够由所述成像app访问,并且通过描绘相应个体的头部的头发区域的多个训练图像的像素数据进行训练,所述基于头发的学习模型被配置为输出与所述相应个体的头发的一个或多个特征相对应的一个或多个图像分类,其中所述成像app的所述计算指令在由所述一个或多个处理器执行时,使得所述一个或多个处理器:
接收用户的图像,所述图像包括如由数字相机捕获的数字图像,并且所述图像包括所述用户的头部的头发区域的至少一部分的像素数据,
通过所述基于头发的学习模型来分析如由所述数字相机捕获的所述图像,以确定所述用户的头发区域的图像分类,所述图像分类选自所述基于头发的学习模型的所述一个或多个图像分类,
基于所述用户的头发区域的所述图像分类来生成至少一个用户特定推荐,所述至少一个用户特定推荐被设计成寻址在所述像素数据内能够识别的至少一个特征,所述像素数据包括所述用户的头部的头发区域的所述至少一部分,以及
将所述至少一个用户特定推荐呈现在计算设备的显示屏上。
2.根据前述权利要求中任一项所述的数字成像和学习系统,其中所述一个或多个图像分类包括以下各项中的一项或多项:(1)头发卷曲度图像分类;(2)头发整齐度图像分类;(3)头发光泽度图像分类;(4)头发油性分类;(5)头发体积分类;(6)头发颜色分类;或
(7)头发类型分类。
3.根据前述权利要求中的任一项所述的数字成像和学习系统,其中所述计算指令还使得所述一个或多个处理器:
通过所述基于头发的学习模型来分析由所述数字相机捕获的所述图像,以确定如从所述基于头发的学习模型的所述一个或多个图像分类中选择的所述用户的头发区域的第二图像分类,
其中所述用户特定推荐还基于所述用户的头发区域的所述第二图像分类。
4.根据前述权利要求中的任一项所述的数字成像和学习系统,其中所述用户的头发的所述一个或多个特征包括以下各项中的一项或多项:
(1)一根或多根伸出的头发;(2)头发纤维形状或相对定位;(3)一个或多个连续的头发光泽度带;或(4)头发油性。
5.根据前述权利要求中任一项的数字成像和学习系统,其中所述多个训练图像中的一者或多者或所述用户的至少一个图像各自包括描绘头发的一个或多个裁剪图像,其中所述用户的至少一个或多个面部特征被移除,并且优选地其中所述一个或多个裁剪图像包括所述用户的一个或多个提取的头发区域,而不描绘个人可识别信息(PII)。
6.根据前述权利要求中任一项的数字成像和学习系统,其中所述至少一个用户特定推荐与指令一起显示在所述计算设备的所述显示屏上,所述指令用于处理在所述像素数据中能够识别的所述至少一个特征,所述像素数据包括所述用户的头部的头发区域的所述至少一部分。
7.根据前述权利要求中任一项的数字成像和学习系统,其中所述至少一个用户特定推荐包括如基于所述用户的头部的头发区域的至少一部分的所述像素数据和从所述基于头发的学习模型的所述一个或多个图像分类中选择的一个或多个图像分类而确定的头发质量分数。
8.根据前述权利要求中的任一项所述的数字成像和学习系统,其中所述计算指令还使得所述一个或多个处理器:
在通信地耦接到所述一个或多个处理器的一个或多个存储器中记录如由所述数字相机在第一时间捕获的所述用户的所述图像,以用于跟踪用户的头发区域随时间推移的改变,
接收所述用户的第二图像,所述第二图像由所述数字相机在第二时间捕获,并且所述第二图像包括所述用户的头部的头发区域的至少一部分的像素数据,
通过所述基于头发的学习模型来分析由所述数字相机捕获的所述第二图像,以在所述第二时间确定如从所述基于头发的学习模型的所述一个或多个图像分类中选择的所述用户的头发区域的第二图像分类,
基于所述图像与所述第二图像或所述分类或所述用户的头发区域的所述第二分类的比较,生成关于在所述第二图像的所述像素数据内能够识别的至少一个特征的新用户特定推荐或评论,所述第二图像的所述像素数据包括所述用户的头部的头发区域的所述至少一部分,
将所述新用户特定推荐或评论呈现在计算设备的显示屏上,所述新用户特定推荐或评论优选地包括所述用户的头部的所述头发区域的所述至少一部分在所述第一时间和所述第二时间之间的文本、视觉或虚拟比较。
9.根据前述权利要求中的任一项所述的数字成像和学习系统,其中所述至少一个用户特定推荐包括对制造的产品的产品推荐,并且优选地其中所述至少一个用户特定推荐与指令一起显示在所述计算设备的所述显示屏上,所述指令用于通过所述制造的产品处理在所述像素数据中能够识别的所述至少一个特征,所述像素数据包括所述用户的头部的头发区域的所述至少一部分。
10.根据权利要求9中所述的数字成像和学习系统,其中所述计算指令还使得所述一个或多个处理器:
基于所述产品推荐来开始将所述制造的产品运送给所述用户。
11.根据权利要求9中所述的数字成像和学习系统,其中所述计算指令还使得所述一个或多个处理器:
基于所述图像生成经修改的图像,所述经修改的图像描绘在通过所述制造的产品处理所述至少一个特征之后预测所述用户的头发的表现如何;以及
将所述经修改的图像呈现在所述计算设备的所述显示屏上。
12.根据前述权利要求中的任一项所述的数字成像和学习系统,其中所述基于头发的学习模型是通过至少一个人工智能(AI)算法训练的基于AI的模型。
13.根据前述权利要求中的任一项所述的数字成像和学习系统,
其中所述基于头发的学习模型还由所述一个或多个处理器通过所述多个训练图像的所述像素数据训练,以输出与相应个体的头部的所述头发区域相对应的一个或多个头发类型,并且
其中所述一种或多种头发类型中的每一者限定特定头发类型属性,并且
其中所述用户的头发区域的所述图像分类的确定还基于所述用户的头部的头发区域的所述至少一部分的头发类型或特定头发类型属性。
14.根据前述权利要求中的任一项所述的数字成像和学习系统,其中所述一个或多个处理器包括服务器的服务器处理器,其中所述服务器经由计算机网络通信地耦接到移动设备,并且其中所述成像app包括被配置为在所述服务器的所述一个或多个处理器上执行的服务器app部分以及被配置为在所述移动设备的一个或多个处理器上执行的移动app部分,所述服务器app部分被配置为与所述移动app部分通信,其中所述服务器app部分被配置为实现以下各项中的一项或多项:(1)接收由所述数字相机捕获的所述图像;(2);确定所述用户的头发的所述图像分类;(3)生成所述用户特定推荐;或(4)将所述一个用户特定推荐发送给所述移动app部分。
15.一种用于分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐的数字成像和学习方法,所述数字成像和学习方法包括:
在成像应用程序(app)处接收用户的图像,所述成像app在一个或多个处理器上执行,所述图像包括如由数字相机捕获的数字图像,并且所述图像包括所述用户的头部的头发区域的至少一部分的像素数据;
通过能够由所述成像app访问的基于头发的学习模型来分析如由所述数字相机捕获的所述图像,以确定所述用户的头发区域的图像分类,所述图像分类选自所述基于头发的学习模型的一个或多个图像分类,其中通过描绘相应个体的头部的头发区域的多个训练图像的像素数据来训练所述基于头发的学习模型,所述基于头发的学习模型能够操作以输出与所述相应个体的头发的一个或多个特征相对应的所述一个或多个图像分类;
通过所述成像app基于所述用户的头发区域的所述图像分类来生成至少一个用户特定推荐,所述至少一个用户特定推荐被设计成寻址在所述像素数据内能够识别的至少一个特征,所述像素数据包括所述用户的头部的头发区域的所述至少一部分;以及
通过所述成像app,将所述至少一个用户特定推荐呈现在计算设备的显示屏上。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/953,385 | 2020-11-20 | ||
US16/953,385 US20220164852A1 (en) | 2020-11-20 | 2020-11-20 | Digital Imaging and Learning Systems and Methods for Analyzing Pixel Data of an Image of a Hair Region of a User's Head to Generate One or More User-Specific Recommendations |
PCT/US2021/059836 WO2022109096A1 (en) | 2020-11-20 | 2021-11-18 | Digital imaging and learning systems and methods for analyzing pixel data of an image of a hair region of a user's head to generate one or more user-specific recommendations |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116547721A true CN116547721A (zh) | 2023-08-04 |
Family
ID=79024492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180077118.2A Pending CN116547721A (zh) | 2020-11-20 | 2021-11-18 | 用于分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐的数字成像和学习系统及方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220164852A1 (zh) |
EP (1) | EP4248424A1 (zh) |
JP (1) | JP2023551789A (zh) |
CN (1) | CN116547721A (zh) |
CA (1) | CA3199439A1 (zh) |
MX (1) | MX2023005561A (zh) |
WO (1) | WO2022109096A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11890764B2 (en) | 2020-07-02 | 2024-02-06 | The Gillette Company Llc | Digital imaging systems and methods of analyzing pixel data of an image of a user's body for determining a hair density value of a user's hair |
US11741606B2 (en) * | 2020-07-02 | 2023-08-29 | The Gillette Company Llc | Digital imaging systems and methods of analyzing pixel data of an image of a user's body after removing hair for determining a user-specific hair removal efficiency value |
US11801610B2 (en) | 2020-07-02 | 2023-10-31 | The Gillette Company Llc | Digital imaging systems and methods of analyzing pixel data of an image of a user's body for determining a hair growth direction value of the user's hair |
US20220335614A1 (en) * | 2021-04-14 | 2022-10-20 | The Procter & Gamble Company | Digital Imaging and Learning Systems and Methods for Analyzing Pixel Data of a Scalp Region of a Users Scalp to Generate One or More User-Specific Scalp Classifications |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030065256A1 (en) * | 2001-10-01 | 2003-04-03 | Gilles Rubinstenn | Image capture method |
US20140028822A1 (en) * | 2012-07-30 | 2014-01-30 | Alex A. Khadavi | Hair loss monitor |
DE102015226167A1 (de) * | 2015-12-21 | 2017-06-22 | Henkel Ag & Co. Kgaa | Haarbehandlungs-Kit mit Hautschutzmittel |
DE102017209225A1 (de) * | 2017-05-31 | 2018-12-06 | Henkel Ag & Co. Kgaa | Haarzustands-Ermittlungsvorrichtung, Haarzustands-Ermittlungssystem und Verfahren zum Ermitteln eines Haarzustands |
KR102516001B1 (ko) * | 2017-10-24 | 2023-03-29 | 로레알 | 심층 신경망을 사용하는 이미지 처리를 위한 시스템 및 방법 |
DE102018207560A1 (de) * | 2018-05-16 | 2019-11-21 | Henkel Ag & Co. Kgaa | Bestimmung des reduktiven Schädigungsgrades von Haaren mit NIR-Spektroskopie |
US11172873B2 (en) * | 2018-05-17 | 2021-11-16 | The Procter & Gamble Company | Systems and methods for hair analysis |
EP3793427A1 (en) * | 2018-05-17 | 2021-03-24 | The Procter & Gamble Company | Systems and methods for hair coverage analysis |
EP3627444B1 (en) * | 2018-09-20 | 2024-06-26 | L'oreal | Method and system for determining a characteristic of a keratinous surface and method and system for treating said keratinous surface |
US11961608B2 (en) * | 2019-11-11 | 2024-04-16 | Healthy.Io Ltd. | Image processing systems and methods for caring for skin features |
CN113516743A (zh) * | 2020-03-27 | 2021-10-19 | 北京达佳互联信息技术有限公司 | 头发的渲染方法、装置、电子设备及存储介质 |
US11734823B2 (en) * | 2020-07-02 | 2023-08-22 | The Gillette Company Llc | Digital imaging systems and methods of analyzing pixel data of an image of a user's body for determining a user-specific skin irritation value of the user's skin after removing hair |
US11790581B2 (en) * | 2020-09-28 | 2023-10-17 | Adobe Inc. | Transferring hairstyles between portrait images utilizing deep latent representations |
US11482041B2 (en) * | 2020-10-21 | 2022-10-25 | Adobe Inc. | Identity obfuscation in images utilizing synthesized faces |
-
2020
- 2020-11-20 US US16/953,385 patent/US20220164852A1/en not_active Abandoned
-
2021
- 2021-11-18 JP JP2023527960A patent/JP2023551789A/ja active Pending
- 2021-11-18 CA CA3199439A patent/CA3199439A1/en active Pending
- 2021-11-18 WO PCT/US2021/059836 patent/WO2022109096A1/en active Application Filing
- 2021-11-18 CN CN202180077118.2A patent/CN116547721A/zh active Pending
- 2021-11-18 MX MX2023005561A patent/MX2023005561A/es unknown
- 2021-11-18 EP EP21824728.6A patent/EP4248424A1/en not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
CA3199439A1 (en) | 2022-05-27 |
US20220164852A1 (en) | 2022-05-26 |
JP2023551789A (ja) | 2023-12-13 |
MX2023005561A (es) | 2023-05-29 |
WO2022109096A1 (en) | 2022-05-27 |
EP4248424A1 (en) | 2023-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10489683B1 (en) | Methods and systems for automatic generation of massive training data sets from 3D models for training deep learning networks | |
CN116547721A (zh) | 用于分析用户的头部的头发区域的图像的像素数据以生成一个或多个用户特定推荐的数字成像和学习系统及方法 | |
US20220335614A1 (en) | Digital Imaging and Learning Systems and Methods for Analyzing Pixel Data of a Scalp Region of a Users Scalp to Generate One or More User-Specific Scalp Classifications | |
US11507781B2 (en) | Methods and systems for automatic generation of massive training data sets from 3D models for training deep learning networks | |
US11455747B2 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a user's body for determining a user-specific skin redness value of the user's skin after removing hair | |
US11734823B2 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a user's body for determining a user-specific skin irritation value of the user's skin after removing hair | |
JP7493532B2 (ja) | 毛の外観の変更 | |
EP3933762A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a user's body after removing hair for determining a user-specific hair removal efficiency value | |
EP3933851A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin laxity | |
EP3933682A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a user's skin after removing hair for determining a user-specific skin nick and cut value | |
US11896385B2 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a shaving stroke for determining pressure being applied to a user's skin | |
US20230196579A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin pore size | |
EP3933683A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a user's body before removing hair for determining a user-specific trapped hair value | |
US20230196549A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin puffiness | |
US20230196835A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining dark eye circles | |
US20230196553A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin dryness | |
US20230196551A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin roughness | |
US20230196816A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin hyperpigmentation | |
US20230196552A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin oiliness | |
WO2023114721A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determing body contour | |
JP2023007999A (ja) | 髪画像分析方法 |
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 |