FR3134469A1 - Procédé de recommandation de produits cosmétique utilisant un algorithme kNN - Google Patents
Procédé de recommandation de produits cosmétique utilisant un algorithme kNN Download PDFInfo
- Publication number
- FR3134469A1 FR3134469A1 FR2203201A FR2203201A FR3134469A1 FR 3134469 A1 FR3134469 A1 FR 3134469A1 FR 2203201 A FR2203201 A FR 2203201A FR 2203201 A FR2203201 A FR 2203201A FR 3134469 A1 FR3134469 A1 FR 3134469A1
- Authority
- FR
- France
- Prior art keywords
- cosmetic product
- product
- source
- source image
- recommendation
- 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
Links
- 239000002537 cosmetic Substances 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims 1
- 230000003796 beauty Effects 0.000 description 6
- 230000001815 facial effect Effects 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Procédé de recommandation de produits cosmétique utilisant un algorithme kNN L’invention concerne un procédé de recommandation d’un produit cosmétique comprenant : une obtention d’une image source (Xref) d’un produit cosmétique (PC) source, appliqué sur une zone corporelle d’une personne, une mise en œuvre d’un réseau de neurones artificiels encodeur (E) configuré pour déterminer des paramètres caractérisant, du produit cosmétique (PC) source à partir de l’image source (Xref), une identification, parmi des produits cosmétiques de référence d’une base de données, d’un produit cosmétique cible présentant les paramètres caractérisant les plus proches de ceux du produit cosmétique (PC) source ; et une recommandation du produit cosmétique cible. Figure pour l’abrégé : Fig.1
Description
La présente invention concerne un procédé de recommandation d’un produit cosmétique comprenant une mise en œuvre d’un réseau de neurones artificiels encodeur.
Le choix des produits de beauté est souvent fonction des caractéristiques personnelles d'un porteur. Ces caractéristiques peuvent inclure le mode de vie, les préférences de couleur, la chimie corporelle, les préférences de mode et/ou les attributs physiques du porteur. Ainsi, une nuance de rouge à lèvres qui fonctionne bien sur une jeune femme aux cheveux blonds et à la peau claire peut ne pas bien fonctionner sur une femme plus mature, aux cheveux foncés et à la peau foncée. Les professionnels de la beauté, qu'ils soient situés dans des établissements de beauté, des établissements de vente au détail ou d'autres endroits, sont donc souvent sollicités pour l'aide à la sélection de produits de beauté. Bien entendu, la capacité d'obtenir des conseils utiles est à la fois fonction du niveau d'attention personnelle disponible et du niveau de compétence du professionnel de la beauté qui dispense les conseils. Par exemple, si un comptoir de beauté dans un établissement de vente au détail n'a pas suffisamment de personnel pour gérer le trafic client ou si le personnel est mal formé, la qualité des conseils peut en souffrir.
Les technologies d'essai virtuel sont désormais largement répandues sur les plateformes de vente au détail en ligne et les médias sociaux. En particulier, pour le maquillage, les consommatrices ont la possibilité d'essayer virtuellement des produits cosmétiques en réalité augmentée avant achat. S'il est facile de créer du maquillage virtuel à des fins de divertissement, le paramétrage d'un moteur de rendu pour synthétiser des images réalistes d'un produit cosmétique donné reste une tâche fastidieuse et nécessite des connaissances pointues en infographie. De plus, les consommateurs sont souvent invités à choisir parmi un ensemble de nuances de maquillage prédéfinies, mais ils ne peuvent pas essayer un maquillage à partir d'images inspirantes de référence sur les réseaux sociaux.
Au cours des dernières années, le domaine de la vision par ordinateur a tenté d'apporter une solution à ce problème grâce aux progrès réalisés dans la tâche de transfert de style de maquillage. Cette tâche consiste à extraire un style de maquillage à partir d'une image de portrait de référence, et à le synthétiser sur l'image cible d'une personne différente. Les attributs de maquillage sont extraits à l'aide d'un réseau de neurones et rendu sur l'image source à l'aide d'un modèle génératif, tel que GAN ou VAE.
Le document US10936853B1 divulgue un procédé mis en oeuvre par un dispositif informatique, le procédé comprenant :
recevoir une image d'entrée à modifier sur la base des caractéristiques de couleur d'une image source ;
détecter des visages dans l'image d'entrée et dans l'image source;
déterminer une valeur de teint de peau reflétant un teint de peau de chacun des visages ;
regrouper les visages en groupes de visages sur la base de la valeur de teint de peau de chacun des visages, les groupes de visages comprenant chacun des visages de teint de peau similaires qui sont regroupés à partir de l'image d'entrée et regroupés à partir de l'image source sur la base d'une différence de valeur de teint de peau moyenne inférieure à ou égal à un seuil de regroupement des visages à teint de peau similaire ;
faire correspondre une paire de groupes de visages en tant que groupe de visages d'image d'entrée apparié avec un groupe de visages d'image source ; et
générer une image modifiée à partir de l'image d'entrée sur la base des caractéristiques de couleur de l'image source, les caractéristiques de couleur comprenant les tons chair des visages respectifs dans la paire de groupes de visages en tant que partie des caractéristiques de couleur appliquées pour modifier l'image d'entrée.
WO2014168678A1 divulgue un système comprenant :
un module d'informations d'utilisateur, dans lequel le module d'informations d'utilisateur capture une image de peau d'utilisateur ;
une interface utilisateur graphique, dans laquelle l'interface utilisateur graphique permet la sélection d'une application liée à la peau parmi une pluralité d'applications liées à la peau ;
une base de données d'images de peau ;
un processeur couplé au module d'informations utilisateur, à l'interface utilisateur graphique et à la base de données d'images de peau, dans lequel le processeur est configuré pour :
déterminer des données d'image de peau d'utilisateur à partir de l'image de peau d'utilisateur ;
identifier un ou plusieurs ensembles de données d'image de peau dans la base de données d'images de peau qui correspondent aux données d'image de peau d'utilisateur sur la base d'un ou plusieurs paramètres spécifiés par l'application liée à la peau ; et
appliquer au moins un filtre de traitement d'image qui correspond aux ensembles identifiés de données d'image de peau de la base de données d'images de peau à l'image de peau d'utilisateur pour générer une image de peau d'utilisateur simulée ; et
un affichage de sortie, dans lequel l'affichage de sortie affiche l'image de peau d'utilisateur simulée.
US2021209427A1 divulgue un appareil comprenant :
un circuit de traitement pour accepter au moins une image représentant la peau du visage d'un utilisateur ;
un circuit de communication pour transmettre l'image acceptée aux modèles d'apprentissage automatique et pour recevoir une recommandation de régime des modèles d'apprentissage automatique ;
un circuit d'interface utilisateur pour présenter la recommandation de régime à l'utilisateur,
dans lequel le circuit d'interface utilisateur est en outre configuré pour présenter des images de visages humains à l'utilisateur ;
le circuit de traitement étant en outre configuré pour accepter une entrée de l'utilisateur qui classe les caractéristiques de la peau du visage à partir des images qui lui sont fournies via le circuit d'interface utilisateur ; et
le circuit d'interface de communication étant en outre configuré pour transmettre l'entrée de l'utilisateur aux modèles d'apprentissage automatique en tant que données d'apprentissage.
Ces documents ne divulguent pas de recommandation de produits cosmétiques.
Il existe un besoin de fournir des recommandations de produits à des consommateurs de maquillage à partir d’une image de portrait de référence, repérée par exemple sur les réseaux sociaux, et de manière immédiate, c’est-à-dire sans consulter sur rendez-vous une personne qualifié en la matière.
Le problème posé par l’invention est :
D’extraire les valeurs des caractéristiques d’un produit cosmétique source (source), notamment d’un rouge à lèvres à partir d'une image avec le produit rendu sur une surface corporelle, notamment les lèvres.
De recommander un produit cosmétique à partir d'une base de données de produits cosmétiques, notamment de rouge à lèvres, qui présente des valeurs de caractéristiques prédites à partir du rouge à lèvres source.
Les recommandations de produits peuvent ainsi servir d’assistance aux consommateurs de maquillage pour effectuer un choix esthétique, ou bien éventuellement servir à obtenir un produit ayant cette couleur.
L’invention a pour objet un procédé pour extraire des informations d’un produit cosmétique source à partir d'une image source et recommander un produit cosmétique cible proche du produit cosmétique source à partir d'une base de données. Le procédé met en œuvre un réseau de neurones convolutifs formé pour récupérer les caractéristiques de l'image source et en proposant deux approches pour utiliser la méthode des k plus proches voisins et trouver le produit cible dans la base de données de produits de référence, le plus proche du produit cosmétique source.
Selon un aspect, il est proposé un procédé de recommandation d’un produit cosmétique comprenant :
une obtention d’une image source d’un produit cosmétique source appliqué sur une première personne,
une mise en œuvre d’un réseau de neurones artificiels encodeur configuré pour déterminer des paramètres caractérisant du produit cosmétique source à partir de l’image source,
une obtention d’une image source d’un produit cosmétique source appliqué sur une première personne,
une mise en œuvre d’un réseau de neurones artificiels encodeur configuré pour déterminer des paramètres caractérisant du produit cosmétique source à partir de l’image source,
une identification, parmi des produits cosmétiques de référence d’une base de données, d’un produit cosmétique cible présentant les paramètres caractérisant les plus proches de ceux du produit cosmétique source ; et
une recommandation du produit cosmétique cible,
la recommandation comprend la mise en œuvre d’un l'algorithme des k plus proches voisins (k-NN).
Le procédé peut être utilisé pour recommander des produits cosmétiques de différents types. Par exemple, le procédé peut être utilisé pour des produits de maquillage ou des produits capillaires. En particulier, les produits de maquillage peuvent être du fard, du fond de teint, du mascara, du rouge à lèvres, du gloss, du vernis à ongles, un ligneur. Le produit capillaire peut être une teinture. Notamment, le produit cosmétique est un rouge à lèvres.
L’invention présente l’avantage de mettre en œuvre l’algorithme des plus proches voisins, qui procure des résultats fiables et précis.
Le procédé met ainsi en œuvre un réseau de neurones artificiels entraîné pour extraire automatiquement des paramètres du produit cosmétique source de l’image source. Ces paramètres permettent de rechercher, dans la base de données, un produit cosmétique cible défini par des paramètres proches.
Le réseau de neurones artificiels utilisé présente l’avantage de nécessiter peu de ressources informatiques de calcul pour être exécuté, en comparaison notamment des méthodes classiques utilisant des réseaux graphiques inverses dans lesquelles est effectuée une descente de gradient.
Le procédé proposé peut donc être mis en œuvre par des appareils à faibles capacités de calcul, notamment par des appareils portatifs, par exemple des téléphones intelligents (« smartphone »), des tablettes par exemple.
Avantageusement, l’obtention de ladite au moins une image source est effectuée par un dispositif photographique. En outre, le produit cible recommandé peut être affiché sur un écran.
Dans un mode de mise en œuvre avantageux, le produit cosmétique est un produit de maquillage des lèvres. Les paramètres du vecteur peuvent alors être une opacité, une couleur, une intensité de réflexion, une quantité et une texture du produit de maquillage des lèvres.
Selon un autre aspect, il est proposé un procédé d’entraînement d’un réseau de neurones artificiels encodeur tel que décrit précédemment, comprenant :
une extraction, à partir d’une base de données, de paramètres caractérisant prédéfinis associés à des produits cosmétiques de référence,
une mise en œuvre d’un réseau de neurones artificiels encodeur, pour déterminer les paramètres caractérisant d’un produit cosmétique source, en prenant en entrée une image source,
une mise en œuvre d’un moteur de recommandation de produits cosmétique comprenant un l'algorithme des k plus proches voisins (k-NN), le moteur de recommandation reçoit, en entrée, le vecteur de paramètres caractérisant déterminé par le réseau de neurones artificiels encodeur et génère, en sortie, une recommandation d’un produit cosmétique cible, à partir de la base de données.
Selon un autre aspect, il est proposé un produit programme d'ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à :
- extraire, à partir d’une base de données, des paramètres caractérisant prédéfinis associés à des produits cosmétiques de référence,
- mettre en œuvre un réseau de neurones artificiels encodeur, pour déterminer les paramètres caractérisant d’un produit cosmétique source, en prenant en entrée une image source,
- mettre en œuvre un moteur de recommandation de produit cosmétique comprenant un l'algorithme des k plus proches voisins (k-NN), le moteur de recommandation reçoit, en entrée, le vecteur de paramètres caractérisant déterminé par le réseau de neurones artificiels encodeur et génère, en sortie, une recommandation d’un produit cosmétique cible à partir de la base de données.
Selon un autre aspect, il est proposé un système comprenant :
- une mémoire dans laquelle est stocké le produit programme d’ordinateur défini précédemment, l’image source et la base de données,
- une mémoire dans laquelle est stocké le produit programme d’ordinateur défini précédemment, l’image source et la base de données,
- une unité de traitement configurée pour mettre en œuvre le produit programme d’ordinateur,
- un dispositif photographique configuré pour acquérir l’image source,
- un écran configuré pour présenter le produit cosmétique cible.
- un dispositif photographique configuré pour acquérir l’image source,
- un écran configuré pour présenter le produit cosmétique cible.
Modes de réalisation préférés
De préférence, le dispositif selon l’invention présente une ou plusieurs des caractéristiques suivantes, prises seules ou en combinaison :
L’obtention de ladite au moins une image source est effectuée par un dispositif photographique, et la recommandation du produit cosmétique est affichée sur un écran.
Le produit cosmétique est un produit de maquillage des lèvres, et les paramètres du vecteur sont une opacité, une couleur, une intensité de réflexion, une quantité et une texture du produit de maquillage des lèvres.
Le produit cosmétique source est introduit dans la base de données.
La mise en œuvre de l'algorithme des k plus proches voisins (k-NN) est effectuée après une extraction de valeurs par un modèle d’apprentissage automatique.
On stocke dans la base de données, les paramètres caractérisant du produit cosmétique source.
La mise en œuvre du réseau de neurones artificiels encodeur comprend une détection d’une scintillance sur l’image source; une classification de l’image source en fonction de la scintillance détectée ; une différenciation de l’algorithme de recommandation du produit cosmétique cible en fonction de la classification de l’image source.
On ne détecte pas de scintillance sur l’image source, on prétraite l’image source pour un recadrage de la zone corporelle et les paramètres caractérisant du produit cosmétique source sont représentés dans un vecteur de type E (produit R, produit G, produit B, brillant, détail de brillant, humidité, intensité), pour alimenter l’entrée de l’algorithme de recommandation.
On détecte une scintillance sur l’image source et les paramètres caractérisant du produit cosmétique source sont représentés dans un vecteur de type E (produit R, produit G, produit B, brillant, détail de brillant, humidité, intensité, scintillance R, scintillance G, scintillance B), pour alimenter l’entrée de l’algorithme de recommandation.
L’invention pourra être mieux comprise à la lecture de la description détaillée qui va suivre, d’un exemple de mise en œuvre non limitatif de celle-ci, et à l’examen du dessin annexé, schématique et partiel, sur lequel
la illustre schématiquement un mode de réalisation et de mise en œuvre de l’invention.
La
Le procédé de génération de rendu comprend une obtention d’une image source . L’image source est une image d’un produit cosmétique réel PC appliqué sur une personne. Par exemple, lorsque le produit cosmétique est un produit de maquillage du visage ou un produit capillaire, l’image source peut être un portrait d’une personne sur qui est appliqué le produit de maquillage ou le produit capillaire. Ici, le produit cosmétique est un rouge à lèvres.
Le procédé peut comprendre une délimitation d’une zone d’intérêt de l’image source , la zone d’intérêt correspondant à la zone de l’image source dans laquelle se situe le produit cosmétique PC, ici la bouche de la personne sur laquelle est appliqué le rouge à lèvres.
En particulier, le procédé selon l’invention comprend une mise en œuvre d’un réseau de neurones artificiels encodeur. Ce réseau de neurones artificiels encodeur est entraîné pour extraire des paramètres caractérisant d’un produit cosmétique d’une image reçue en entrée de ce réseau de neurones artificiels encodeur.
Les paramètres caractérisant permettent de définir les caractéristiques du produit cosmétique présent dans l’image reçu en entrée. Par exemple, lorsque le produit cosmétique est un produit de maquillage des lèvres, notamment un rouge à lèvre ou un brillant à lèvres (« gloss »), les paramètres caractérisant peuvent être choisis parmi un brillant, un détail de brillant, une humidité, une intensité, une scintillance R, une scintillance G, une scintillance B du produit de maquillage des lèvres.
Le réseau de neurones artificiels encodeur E est par exemple un réseau de neurones convolutif.
Plus particulièrement, dans le procédé selon l’invention, le réseau de neurones artificiels encodeur est mis en œuvre en prenant en entrée l’image source ou la zone d’intérêt définie de l’image source. Le réseau de neurones artificiels encodeur E permet alors de déterminer des paramètres caractérisant associés au produit cosmétique PC représenté dans l’image source ou dans la zone d’intérêt de l’image source. Ces paramètres caractérisant sont représentés dans un vecteur .
Le procédé de génération de rendu comprend ensuite une mise en œuvre d’un moteur de recommandation de produit comprenant la mise en œuvre d’un l'algorithme deskplus proches voisins (k-NN).
Le moteur de recommandation est configuré pour recevoir en entrée le vecteur des paramètres caractérisant du produit cosmétique source. Le moteur de recommandation est également configuré pour générer en sortie une recommandation d’un produit cosmétique à partir des paramètres caractérisant renseignés en entrée.
Le produit cosmétique généré par la recommandation présente alors les caractéristiques définis par les paramètres caractérisant renseignés en entrée du moteur de recommandation (KNN).
En particulier, dans le procédé de recommandation, le moteur de recommandation est mis en œuvre en recevant en entrée ladite au moins le vecteur ou de paramètres caractérisant déterminé par le réseau de neurones artificiels encodeur. Le moteur de recommandation permet alors de générer au moins une recommandation d’un produit cosmétique.
Un tel procédé de recommandation peut être utilisé par un utilisateur pour choisir virtuellement un produit cosmétique à partir d’une image d’une personne sur qui est appliqué le produit cosmétique que veut essayer virtuellement l’utilisateur.
Le procédé de recommandation peut également être utilisé pour générer simplement des vecteurs de paramètres caractérisant d’un produit cosmétique d’une image source . Ces vecteurs de paramètres caractérisant peuvent ensuite être utilisés en entrée d’un moteur de recommandation, lorsqu’un utilisateur souhaite essayer virtuellement le produit cosmétique.
Selon l’invention, on classe l’image source ( ) en fonction de la scintillance détectée sur l’image source. La scintillance peut par exemple être détectée à l’aide d’un algorithme d’intelligence artificielle.
Si on ne détecte pas de scintillance, un réseau de neurones artificiels encodeur E1 permet de déterminer des paramètres caractérisant associés au produit cosmétique. Ces paramètres caractérisant sont représentés dans un vecteur , à savoir <couleur (R, G, B), brillance, détail de brillance, humidité, intensité>.
Le vecteur est ensuite traité par un algorithme d’apprentissage supervisé mettant en œuvre la méthode des k plus proches voisins KNN qui génère une recommandation d’un ou plusieurs produits cosmétiques (marque a, marque b, marque c) dans laquelle le moteur de recommandation compare les paramètres caractérisant de l’image source à ceux des produits de référence d’une base de données de produits sans scintillance en utilisant un algorithme KNN.
La mise en œuvre du moteur de recommandation KNN permet d’obtenir une recommandation de produit à partir des paramètres caractérisant représentés dans le vecteur
Dans l’exemple représenté, la base de données de produits sans scintillance comporte N produits sans scintillance, chaque produit allant de 1 à N étant défini par une marque à laquelle est associée une couleur, un brillant, un détail de brillant, une humidité et une intensité.
Si on détecte une scintillance, un réseau de neurones artificiels encodeur E2 permet de déterminer des paramètres caractérisant associés au produit cosmétique. Ces paramètres caractérisant sont représentés dans un vecteur , à savoir <scintillance (R, G, B), couleur (R, G, B), brillance, détail de brillance, humidité, intensité>.
Le vecteur est ensuite traité par un algorithme d’apprentissage supervisé mettant en œuvre la méthode des k plus proches voisins KNN qui génère une recommandation d’un ou plusieurs produits cosmétiques (marque i, marque j, marque k) dans laquelle le moteur de recommandation compare les paramètres caractérisant de l’image source à ceux des produits de référence d’une base de données de produits avec scintillance en utilisant un algorithme KNN.
La mise en œuvre du moteur de recommandation KNN permet d’obtenir une recommandation de produit à partir des paramètres caractérisant représentés dans le vecteur
Dans l’exemple représenté, la base de données de produits avec scintillance comporte M produits avec scintillance, chaque produit allant de 1 à M étant défini par une marque à laquelle est associée une scintillance, une couleur, un brillant, un détail de brillant, une humidité et une intensité.
Le produit cosmétique généré présente alors les caractéristiques définis par les paramètres caractérisant renseignés en entrée du réseau de neurones artificiels de recommandation.
L’invention n’est pas limitée au mode de réalisation de l’exemple représenté.
Claims (12)
- Procédé de recommandation d’un produit cosmétique comprenant :
une obtention d’une image source (Xref) d’un produit cosmétique (PC) source, appliqué sur une zone corporelle d’une personne,
une mise en œuvre d’un réseau de neurones artificiels encodeur configuré pour déterminer des paramètres caractérisant, du produit cosmétique (PC) source à partir de l’image source (Xref),
une identification, parmi des produits cosmétiques de référence d’une base de données, d’un produit cosmétique cible présentant les paramètres caractérisant les plus proches de ceux du produit cosmétique (PC) source ; et
une recommandation du produit cosmétique cible,
la recommandation comprenant la mise en œuvre d’un l'algorithme des k plus proches voisins (k-NN). - Procédé selon la revendication 1, dans lequel l’obtention de ladite au moins une image source est effectuée par un dispositif photographique, et dans lequel la recommandation du produit cosmétique est affichée sur un écran.
- Procédé selon l’une quelconque des revendications précédentes, dans lequel le produit cosmétique (PC) est un produit de maquillage des lèvres, et dans lequel les paramètres du vecteur sont une opacité, une couleur, une intensité de réflexion, une quantité et une texture du produit de maquillage des lèvres.
- Procédé selon l’une quelconque des revendications précédentes, dans lequel le produit cosmétique (PC) source est introduit dans la base de données.
- Procédé selon l’une quelconque des revendications précédentes, dans lequel la mise en œuvre de l'algorithme des k plus proches voisins (k-NN) est effectuée après une extraction de valeurs par un modèle d’apprentissage automatique.
- Procédé selon l’une quelconque des revendications précédentes, caractérisé par le fait qu’on stocke dans la base de données, les paramètres caractérisant du produit cosmétique (PC) source.
- Procédé selon l’une quelconque des revendications précédentes, dans lequel la mise en œuvre du réseau de neurones artificiels encodeur (E1, E2) comprend une détection d’une scintillance sur l’image source (Xref) ; une classification de l’image source (Xref) en fonction de la scintillance détectée ; une différenciation de l’algorithme de recommandation du produit cosmétique cible en fonction de la classification de l’image source (Xref).
- Procédé selon la revendication précédente, dans lequel on ne détecte pas de scintillance sur l’image source, on prétraite l’image source pour un recadrage de la zone corporelle et les paramètres caractérisant du produit cosmétique source sont représentés dans un vecteur de type E (produit R, produit G, produit B, brillant, détail de brillant, humidité, intensité), pour alimenter l’entrée de l’algorithme de recommandation.
- Procédé selon la revendication 8, dans lequel on détecte une scintillance sur l’image source et les paramètres caractérisant du produit cosmétique source sont représentés dans un vecteur de type E (produit R, produit G, produit B, brillant, détail de brillant, humidité, intensité, scintillance R, scintillance G, scintillance B), pour alimenter l’entrée de l’algorithme de recommandation.
- Procédé d’entraînement d’un réseau de neurones artificiels encodeur de l’une des revendications précédentes, comprenant :
une extraction, à partir d’une base de données, de paramètres caractérisant prédéfinis associés à des produits cosmétiques de référence,
une mise en œuvre d’un réseau de neurones artificiels encodeur (E1, E2), pour déterminer les paramètres caractérisant d’un produit cosmétique (PC) source, en prenant en entrée une image source,
une mise en œuvre d’un moteur de recommandation de produits cosmétique comprenant un l'algorithme des k plus proches voisins (k-NN), le moteur de recommandation reçoit, en entrée, le vecteur (E1(Xref), E2(Xref)) de paramètres caractérisant déterminé par le réseau de neurones artificiels encodeur (E1, E2) et génère, en sortie, une recommandation d’un produit cosmétique cible, à partir de la base de données. - Produit programme d'ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à :
extraire, à partir d’une base de données, des paramètres caractérisant prédéfinis associés à des produits cosmétiques de référence,
mettre en œuvre un réseau de neurones artificiels encodeur (E1, E2), pour déterminer les paramètres caractérisant d’un produit cosmétique (PC) source, en prenant en entrée une image source,
mettre en œuvre un moteur de recommandation de produit cosmétique comprenant un l'algorithme des k plus proches voisins (k-NN), le moteur de recommandation reçoit, en entrée, le vecteur (E1(Xref), E2(Xref)) de paramètres caractérisant déterminé par le réseau de neurones artificiels encodeur (E1, E2) et génère, en sortie, une recommandation d’un produit cosmétique cible à partir de la base de données. - Système comprenant :
une mémoire dans laquelle est stocké le produit programme d’ordinateur selon la revendication précédente, l’image source (Xref) et la base de données,
une unité de traitement configurée pour mettre en œuvre le produit programme d’ordinateur,
un dispositif photographique configuré pour acquérir l’image source,
un écran configuré pour présenter le produit cosmétique cible.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2203201A FR3134469B1 (fr) | 2022-04-07 | 2022-04-07 | Procédé de recommandation de produits cosmétique utilisant un algorithme kNN |
| PCT/EP2023/058988 WO2023194466A1 (fr) | 2022-04-07 | 2023-04-05 | Procédé de recommandation de produits cosmétiques en utilisant un algorithme knn |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2203201 | 2022-04-07 | ||
| FR2203201A FR3134469B1 (fr) | 2022-04-07 | 2022-04-07 | Procédé de recommandation de produits cosmétique utilisant un algorithme kNN |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3134469A1 true FR3134469A1 (fr) | 2023-10-13 |
| FR3134469B1 FR3134469B1 (fr) | 2024-08-16 |
Family
ID=82196774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2203201A Active FR3134469B1 (fr) | 2022-04-07 | 2022-04-07 | Procédé de recommandation de produits cosmétique utilisant un algorithme kNN |
Country Status (2)
| Country | Link |
|---|---|
| FR (1) | FR3134469B1 (fr) |
| WO (1) | WO2023194466A1 (fr) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014168678A1 (fr) | 2013-04-09 | 2014-10-16 | Elc Management Llc | Systèmes de diagnostic et de traitement d'image de la peau, appareil et objets |
| US20190272659A1 (en) * | 2014-02-23 | 2019-09-05 | Northeastern University | System for Beauty, Cosmetic, and Fashion Analysis |
| US10936853B1 (en) | 2019-10-04 | 2021-03-02 | Adobe Inc. | Skin tone assisted digital image color matching |
| US20210209427A1 (en) | 2018-01-05 | 2021-07-08 | L'oreal | Machine-implemented facial health and beauty assistant |
-
2022
- 2022-04-07 FR FR2203201A patent/FR3134469B1/fr active Active
-
2023
- 2023-04-05 WO PCT/EP2023/058988 patent/WO2023194466A1/fr unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014168678A1 (fr) | 2013-04-09 | 2014-10-16 | Elc Management Llc | Systèmes de diagnostic et de traitement d'image de la peau, appareil et objets |
| US20190272659A1 (en) * | 2014-02-23 | 2019-09-05 | Northeastern University | System for Beauty, Cosmetic, and Fashion Analysis |
| US20210209427A1 (en) | 2018-01-05 | 2021-07-08 | L'oreal | Machine-implemented facial health and beauty assistant |
| US10936853B1 (en) | 2019-10-04 | 2021-03-02 | Adobe Inc. | Skin tone assisted digital image color matching |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3134469B1 (fr) | 2024-08-16 |
| WO2023194466A1 (fr) | 2023-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11748980B2 (en) | Makeup evaluation system and operating method thereof | |
| US10799010B2 (en) | Makeup application assist device and makeup application assist method | |
| CN110235169B (zh) | 化妆评价系统及其动作方法 | |
| US20080002892A1 (en) | Method and system for image and video analysis, enhancement and display for communication | |
| FR2818529A1 (fr) | Procede pour determiner un degre d'une caracteristique de la typologie corporelle | |
| US11776187B2 (en) | Digital makeup artist | |
| US11961169B2 (en) | Digital makeup artist | |
| JPWO2018029963A1 (ja) | メイクアップ支援装置およびメイクアップ支援方法 | |
| FR2915820A1 (fr) | Procede d'evaluation d'une typologie de levres et systeme d'evaluation pour la mise en oeuvre d'un tel procede | |
| WO2021234599A1 (fr) | Système intelligent permettant un test de peau puis une formulation et une fabrication de cosmétique sur mesure | |
| JP2022058165A (ja) | 肌の明るさを決定するシステム及び方法 | |
| FR3134469A1 (fr) | Procédé de recommandation de produits cosmétique utilisant un algorithme kNN | |
| KR20200107486A (ko) | 가상화장 합성 처리 장치 | |
| KR102465453B1 (ko) | 가상화장 합성 처리 인공지능 장치 및 방법 | |
| JP2024505359A (ja) | デジタルメイクアップアーティスト | |
| KR20220051516A (ko) | 머신러닝 및 증강현실 기반의 퍼스널 컬러 진단 방법 및 시스템 | |
| CN117764687B (zh) | 基于人工智能和图像处理的化妆品推荐方法和系统 | |
| KR102330368B1 (ko) | 메이크업 평가 시스템 및 그의 동작 방법 | |
| KR20200107482A (ko) | 가상화장 합성 처리 장치 | |
| WO2022079000A1 (fr) | Procede d'assistance au soin du corps | |
| FR3115146A1 (fr) | systeme et procédé d'essayage de maquillage virtuel précis et personnalisé | |
| Kamble | Foundation Makeup Shade Recommendation using Computer Vision Based on Skin Tone Recognition | |
| FR3145227A1 (fr) | SYSTÈME, APPAREIL ET PROCÉDÉ DE diagnostic de boucle | |
| FR3135556A1 (fr) | Détection et visualisation de signes cutanés au moyen d’une carte thermique | |
| WO2023083583A1 (fr) | Procédé et système de caractérisation de fibres kératiniques, en particulier de cils humains |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20231013 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |