KR20230033531A - 무인 상품 서비스 제공 방법 - Google Patents

무인 상품 서비스 제공 방법 Download PDF

Info

Publication number
KR20230033531A
KR20230033531A KR1020210116591A KR20210116591A KR20230033531A KR 20230033531 A KR20230033531 A KR 20230033531A KR 1020210116591 A KR1020210116591 A KR 1020210116591A KR 20210116591 A KR20210116591 A KR 20210116591A KR 20230033531 A KR20230033531 A KR 20230033531A
Authority
KR
South Korea
Prior art keywords
user
product
image
data
fitting
Prior art date
Application number
KR1020210116591A
Other languages
English (en)
Other versions
KR102646540B1 (ko
Inventor
김대현
김재윤
Original Assignee
김대현
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 김대현 filed Critical 김대현
Priority to KR1020210116591A priority Critical patent/KR102646540B1/ko
Publication of KR20230033531A publication Critical patent/KR20230033531A/ko
Application granted granted Critical
Publication of KR102646540B1 publication Critical patent/KR102646540B1/ko

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • G06T3/0056—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/10—Selection of transformation methods according to the characteristics of the input images
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07F—COIN-FREED OR LIKE APPARATUS
    • G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
    • G07F17/40—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for devices for accepting orders, advertisements, or the like
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2024—Style variation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 무인 상품 서비스 제공 방법을 개시한다. 상기 무인 상품 서비스 제공 방법은, 사용자의 인적사항이 기록된 사용자 데이터를 수신하는 단계, 상기 사용자로부터 상품에 대한 선택을 수신하는 단계, 상기 상품을 상기 사용자에게 가상 피팅하되, 상기 가상 피팅은 상기 사용자의 변형 모습과 상기 상품의 이미지를 결합하여 가상 피팅 이미지를 생성하는 것을 포함하는 단계, 상기 상품에 대한 구매요청을 수신하는 단계 및 상기 상품에 대한 연계상품을 판매하는 가맹점의 위치와 상기 사용자의 위치를 이용하여 가맹점 리스트를 제공하는 단계를 포함한다.

Description

무인 상품 서비스 제공 방법{Method for providing unmanned goods service}
본 발명은 딥러닝 모듈을 이용한 무인 상품 서비스 제공 방법에 관한 것이다. 구체적으로, 본 발명은 사용자의 이미지에 사용자가 선택한 상품의 이미지 및 변형 모습을 결합하여 가상 피팅 이미지를 생성할 수 있는 무인 상품 서비스 제공 방법에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
최근 들어, 인터넷이 발달함에 따라, 온라인으로 상품을 판매 및 구매하는 사람이 증가하여 온라인 매장이 더욱 커지고 있다. 이에 따라, 판매자들은 다양한 종류의 상품을 온라인 매장에 등록하고, 구매자들은 오프라인보다 온라인에서 상품을 구매하는 빈도가 높아졌다.
종래에는, 구매자들이 오프라인에서 안경테를 직접 피팅해본 후, 본인과 가장 어울리는 안경테를 구매하고, 시력을 측정하여 안경렌즈를 구매하였다.
그러나, 온라인 매장이 확대됨에 따라, 구매자들의 안경테에 대한 선택폭이 넓어졌으나, 안경테를 직접 착용해볼 수 없어 상품에 대한 만족율이 낮았다. 이에, 구매자의 이미지에 안경테를 합성하여 구매자에게 가상으로 피팅함으로써, 상품에 대한 구매자의 만족율을 높일 수 있는 니즈가 요구되었다.
또한, 안경테를 구매한 경우, 안경테에 결합가능한 안경렌즈를 구매할 수 있는 오프라인 매장을 찾아다녀야 하는 불편함이 있었다. 이에 따라, 구매자의 안경테 정보를 이용하여 안경테에 대한 안경렌즈를 판매하는 오프라인 매장을 제공할 수 있는 시스템이 요구되었다.
본 발명의 목적은, 사용자에 의해 온라인 매장에서 선택된 상품을 사용자 이미지에 가상으로 피팅하여 가상 피팅 이미지를 생성하고, 가상 피팅한 상품에 대해 무인매장에서 직접 피팅 가능하게 할 수 있는 무인 상품 서비스 제공 방법을 제공하는 것이다.
또한, 본 발명의 목적은, 사용자 이미지에 포함된 변형가능한 사용자의 외형을 변형하고, 외형이 변형된 사용자 이미지에 상품의 이미지를 결합하여 가상 피팅 이미지를 생성하는 무인상품 서비스 제공 방법을 제공하는 것이다.
또한, 본 발명의 목적은, 사용자 데이터 및 피팅 데이터를 기초로 딥러닝을 이용하여 사용자가 선호할 가능성이 높은 상품 및 변형가능한 외형 항목을 추천하는 무인 상품 서비스 제공 방법을 제공하는 것이다.
또한, 본 발명의 목적은, 사용자가 구매한 안경테에 결합가능한 안경렌즈를 구매할 수 있는 오프라인 가맹점을 추천할 수 있는 무인 상품 서비스 제공 방법을 제공하는 것이다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 발명의 실시예에 따른 무인 상품 서비스 제공 방법은, 사용자의 인적사항이 기록된 사용자 데이터를 수신하는 단계, 상기 사용자로부터 상품에 대한 선택을 수신하는 단계, 상기 상품을 상기 사용자에게 가상 피팅하되, 상기 가상 피팅은 상기 사용자의 변형 모습과 상기 상품의 이미지를 결합하여 가상 피팅 이미지를 생성하는 것을 포함하는 단계, 상기 상품에 대한 구매요청을 수신하는 단계; 및 상기 상품에 대한 연계상품을 판매하는 가맹점의 위치와 상기 사용자의 위치를 이용하여 가맹점 리스트를 제공하는 단계를 포함한다.
또한, 상기 사용자의 변형 모습과 상기 상품의 이미지를 결합하여 가상 피팅 이미지를 생성하는 것을 포함하는 단계는, 상기 사용자의 사용자 단말기에 설치된 어플리케이션을 통해 상기 사용자의 이미지를 수신하고, 상기 사용자의 이미지에 변형을 가하여 상기 변형 모습을 생성하고, 상기 변형 모습에 수신한 상기 상품의 이미지를 결합하는 것을 포함할 수 있다.
또한, 상기 상품은, 상기 사용자 데이터와 상기 사용자의 가상 피팅이력이 포함된 가상 피팅 데이터를 이용하여 상기 상품 각각의 예상선호도를 산출하고, 산출된 상기 예상선호도를 기초로 상기 사용자에게 추천된 상품인 것을 포함할 수 있다.
또한, 상기 사용자의 변형 모습과 상기 상품의 이미지를 결합하여 가상 피팅 이미지를 생성하는 것을 포함하는 단계는, 키오스크를 통해 상기 사용자의 이미지를 수신하고, 상기 사용자의 이미지에 변형을 가하여 상기 변형 모습을 생성하고, 상기 변형 모습에 상기 상품의 이미지를 결합하는 것을 포함할 수 있다.
또한, 카메라를 통해 촬영된 상기 사용자의 실제 피팅과정이 포함되고, 실제 피팅 데이터와 연관된 영상 데이터를 수신하고, 상기 실제 피팅 데이터는 상기 사용자의 가상 피팅이력이 포함된 가상 피팅 데이터와 함께 이용되어 상기 사용자의 예상선호도를 산출하는 것을 더 포함할 수 있다.
또한, 상기 상품은, 상기 예상선호도를 기초로 상기 사용자에게 추천된 상품인 것을 포함할 수 있다.
또한, 상기 실제 피팅 데이터는, 상기 영상 데이터에서 추출된 상기 사용자의 피팅내역, 피팅시간 또는 피팅순서 중 적어도 하나를 포함할 수 있다.
또한, 상기 사용자의 변형 모습과 상기 상품의 이미지를 결합하여 가상 피팅 이미지를 생성하는 단계는, 상기 사용자의 이미지에 외형 이미지를 결합하되, 상기 외형 이미지는 헤어스타일, 메이크업, 의류, 악세사리 또는 마스크에 대한 이미지 중 적어도 하나를 포함할 수 있다.
또한, 상기 사용자의 외형 이미지를 결합하는 단계는, 상기 외형 이미지에 대한 카테고리를 표시하고, 상기 카테고리에 대해 크롤링을 이용하여 상기 외형 이미지의 항목을 수집하는 것을 포함할 수 있다.
또한, 상기 가맹점 리스트를 제공하는 단계는, 상기 사용자의 위치와 상기 가맹점 간의 거리를 산출하고, 상기 산출된 거리가 짧은 순으로 상기 가맹점을 나열하여 상기 가맹점 리스트를 생성하는 것을 포함할 수 있다.
본 발명의 무인 상품 서비스 제공 방법은, 어플리케이션을 통해 사용자의 이미지를 수신하고, 사용자의 이미지에 사용자가 선택한 상품의 이미지를 결합하여 가상 피팅 이미지를 생성할 수 있다. 이를 통해, 상품을 가상으로 피팅해봄으로써, 상품 선택 및 구매에 대한 사용자의 만족도를 높일 수 있다. 또한, 매장 운영에 필요한 인력 및 비용을 절감함으로써, 매장의 수익률 향상을 기대할 수 있다.
또한, 본 발명의 무인 상품 서비스 제공 방법은, 사용자 이미지 내 변형가능한 외형에 대한 가상 외형 카테고리를 표시하고, 가상 외형 카테고리의 항목에 대한 선택수신을 기초로 사용자 이미지에 외형 이미지를 결합할 수 있다. 이어서, 외형이 변형된 사용자 이미지에 상품의 이미지를 결합하여 가상 피팅 이미지를 생성할 수 있다. 이에 따라, 헤어스타일, 메이크업, 의류 및 악세사리에 따라 어울리는 상품을 확인 후 구매하도록 함으로써, 패션에 대한 완성도 및 사용자의 만족감을 향상시킬 수 있다.
또한, 본 발명의 무인 상품 서비스 제공 방법은, 사용자 데이터 및 피팅 데이터를 기초로 딥러닝 모듈을 이용하여 사용자별 예상선호도를 도출하고, 도출된 예상선호도를 기초로 상품 리스트 및 외형 항목을 생성할 수 있다. 이를 통해, 사용자의 기호를 반영한 상품을 추천하여 상품 구매에 대한 사용자의 시간을 절약하고, 사용자의 편의성 및 만족도를 향상시킬 수 있다.
또한, 본 발명의 무인 상품 서비스 제공 방법은, 사용자의 안경테 정보를 기초로 안경테에 결합가능한 안경렌즈를 판매하는 가맹점을 사용자와 인접한 거리순으로 나열하여 가맹점 리스트를 제공할 수 있다. 이를 통해, 온라인 및 오프라인 매장을 자동으로 연결하여 안경렌즈 구매에 대한 사용자의 편리성을 향상시키고, 온라인 매장에 대한 사용자의 서비스 이용률을 증가시키는 효과를 기대할 수 있다.
상술한 내용과 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 본 발명의 실시예에 따른 무인 상품 서비스 제공 방법을 수행하는 안경점 시스템을 설명하기 위한 개념도이다.
도 2는 도 1의 안경점 시스템의 각 구성요소를 설명하기 위한 블럭도이다.
도 3은 본 발명의 몇몇 실시예에 따른 무인 상품 서비스 제공 방법을 설명하기 위한 순서도이다.
도 4는 도 1의 S130 단계에서 가상 피팅 이미지를 생성하는 방법을 설명하기 위한 예시도이다.
도 5는 도 1의 S130 단계에서 사용자의 외형을 변형하여 가상 피팅 이미지를 생성하는 방법을 설명하기 위한 예시도이다.
도 6은 도 1의 S130 단계에서 키오스크를 통해 가상 피팅 이미지를 생성하는 방법을 설명하기 위한 예시도이다.
도 7은 도 6의 카메라를 통해 실제 피팅 데이터를 도출하는 방법을 설명하기 위한 순서도이다.
도 8은 도 1의 S150 단계에서 제공되는 가맹점 리스트를 설명하기 위한 예시도이다.
도 9는 도 1의 S110 단계에서 사용자에게 추천할 상품을 도출하는 과정에서 이용되는 딥러닝 모듈의 구성을 도시한 도면이다.
본 명세서 및 특허청구범위에서 사용된 용어나 단어는 일반적이거나 사전적인 의미로 한정하여 해석되어서는 아니된다. 발명자가 그 자신의 발명을 최선의 방법으로 설명하기 위해 용어나 단어의 개념을 정의할 수 있다는 원칙에 따라, 본 발명의 기술적 사상과 부합하는 의미와 개념으로 해석되어야 한다. 또한, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명이 실현되는 하나의 실시예에 불과하고, 본 발명의 기술적 사상을 전부 대변하는 것이 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 및 응용 가능한 예들이 있을 수 있음을 이해하여야 한다.
본 명세서 및 특허청구범위에서 사용된 제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. '및/또는' 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서 및 특허청구범위에서 사용된 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서 "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해서 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호 간 모순되지 않는 범위 내에서 공유될 수 있다.
이하에서는, 도 1 내지 도 20을 참조하여, 사용자 데이터 및 피팅 데이터를 기초로 사용자에게 사용자 맞춤 요리 또는 레시피를 추천하는 무인 상품 서비스 제공 방법에 대하여 구체적으로 살펴보도록 한다.
도 1은 본 발명의 실시예에 따른 무인 상품 서비스 제공 방법을 수행하는 안경점 시스템을 설명하기 위한 개념도이다.
도 1을 참조하면, 본 발명의 몇몇 실시예에 따른 안경점 시스템은 안경점 서버(100), 사용자 단말기(200), 가맹점 관리 서버(300) 및 가맹점 단말기(400)를 포함할 수 있다.
본 발명에 따른 안경점 서버(100; 이하, 서버)는 사용자의 인적사항이 기록된 사용자 데이터, 상품 데이터 및 피팅 데이터를 수신할 수 있다. 이때, 사용자 데이터는 사용자의 나이, 성별, 지역 및 선호색상을 등을 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.
상품 데이터는 판매 상품 데이터 및 연계상품 데이터를 포함할 수 있다. 판매상품 데이터는 서버(100)에서 판매하는 상품(예를 들어, 안경테)에 대한 데이터이고, 연계상품 데이터는 가맹점에서 판매하는 상품의 연계상품(예를 들어, 안경렌즈)에 대한 데이터일 수 있다.
구체적으로, 서버(100)는 연계상품을 판매하는 가맹점을 관리하는 가맹점 관리 서버(300)를 통해 연계상품 데이터를 수신할 수 있다. 가맹점 관리 서버(300)는 가맹점 단말기(400)에서 수신한 연계상품 데이터를 서버(100)에 전달할 수 있다. 여기에서, 복수의 가맹점은 가맹점별 판매가능한 연계상품을 가맹점 단말기(400)에 미리 등록할 수 있다. 가맹점 관리 서버(300)는 가맹점 단말기(400)에 의해 등록된 연계상품 데이터를 서버(100)에 실시간으로 제공할 수 있다. 가맹점 관리 서버(300)는 사용자 단말기(200)를 통해 수신한 사용자의 구매상품 데이터를 가맹점 단말기(400)에 전달할 수 있다.
또한, 피팅 데이터는 가상 피팅 데이터 및/또는 실제 피팅 데이터를 포함할 수 있다. 여기에서, 가상 피팅 데이터는 어플리케이션 및/또는 키오스크를 통한 사용자의 가상 피팅이력을 포함할 수 있고, 실제 피팅 데이터는 무인매장에서 사용자가 상품을 직접 피팅한 실제 피팅이력일 수 있다.
서버(100)는 사용자 데이터, 상품 데이터 및 피팅 데이터를 이용하여 상품 리스트를 도출할 수 있다. 이때, 서버(100)는 딥러닝을 이용하여 상품별 사용자의 예상선호도를 산출하고, 산출된 예상선호도를 기초로 상품을 나열하여 표시할 수 있다. 서버(100)는 상품 리스트에 표시된 상품에 대한 사용자의 선택을 수신할 수 있다.
이어서, 서버(100)는 어플리케이션 또는 키오스크를 통해 사용자 이미지를 수신할 수 있다. 서버(100)는 사용자 이미지에 사용자의 선택을 수신한 상품의 이미지를 결합하여 가상 피팅 이미지를 생성할 수 있다.
또한, 서버(100)는 사용자 이미지에 대해 변형가능한 외형을 인식하고, 가상 외형 카테고리를 표시할 수 있다. 가상 외형 카테고리란, 서버(100)가 사용자 이미지에 포함된 사용자의 외형 중에서 가상 피팅하여 변형할 수 있는 외형 항목에 대한 카테고리일 수 있다. 여기에서, 가상 외형 카테고리에는 헤어스타일, 메이크업, 의류, 악세사리 및 마스크 카테고리가 포함될 수 있다.
이때, 서버(100)는 외부 서버로부터 가상 외형 카테고리별로 표시될 외형 항목에 대한 데이터를 크롤링(Crawling)을 통해 수집할 수 있다. 여기에서, 크롤링(Crawling)이란, 수많은 웹 페이지에 분산되어 있는 데이터를 추출하여 정보를 수집하는 기술이며, 스크레이핑이라고도 불린다. 외부 정보는 포탈 사이트 검색정보(예를 들어, 구글 등), SNS(예를 들어, 페이스북 등), 커뮤니티(예를 들어, 네이버 카페), 개인 블로그를 통해 접근 가능한 정보를 포함한다.
서버(100)는 크롤링을 통해 수집된 외형 데이터에 대해 사용자의 선호도를 산출하여 선호도 순으로 외형 항목을 나열하여 가상 외형 카테고리에 표시할 수 있다.
이어서, 서버(100)는 사용자의 선택을 수신한 외형 항목에 해당하는 외형 이미지를 사용자 이미지에 결합하여 가상 피팅 이미지를 생성할 수 있다. 이때, 가상 피팅 이미지에는 상품의 이미지 또한 결합되어 있을 수 있다. 서버(100)는 가상 피팅 이력을 사용자 계정에 가상 피팅 데이터로 저장할 수 있다.
무인매장에서 키오스크를 통해 가상 피팅 이미지 생성을 진행하는 경우, 서버(100)는 상품에 대한 사용자의 요청을 기초로 실제 피팅을 더 제공할 수 있다.
구체적으로, 서버(100)는 피팅요청을 수신한 상품의 보관함을 잠금해제함으로써, 사용자에게 상품을 직접 제공할 수 있다. 사용자는 실제 상품을 직접 착용해볼 수 있다.
이때, 서버(100)는 무인매장에 설치된 카메라를 통해 사용자의 실제 피팅과정이 촬영된 영상 데이터를 수신할 수 있다. 서버(100)는 수신한 영상 데이터를 분석하여 피팅내역, 피팅시간 또는 피팅순서를 포함하는 실제 피팅 데이터를 추출할 수 있다. 서버(100)는 추출한 실제 피팅 데이터를 사용자 계정에 저장할 수 있다.
이어서, 서버(100)는 상품 리스트에 포함된 상품에 대한 구매요청을 수신할 수 있다. 서버(100)는 상품을 사용자 데이터에 포함된 사용자의 배송주소로 배송할 수 있으나, 본 발명이 이에 제한되는 것은 아니다.
이어서, 서버(100)는 가맹점 관리 서버(300)로부터 사용자가 구매한 상품에 대한 연계상품을 판매하는 가맹점의 가맹점 데이터를 수신할 수 있다. 서버(100)는 가맹점 데이터에 포함된 가맹점의 위치와 사용자의 위치를 이용하여 사용자와 가맹점 간의 거리를 산출할 수 있다. 서버(100)는 산출된 거리를 기초로 가맹점 리스트를 생성하여 사용자에게 제공할 수 있다.
이때, 서버(100)와 사용자 단말기(200)는 서버-클라이언트 시스템으로 구현될 수 있다. 서버(100)는 유무선 네트워크를 통해 사용자 단말기(200)와 데이터를 송수신할 수 있다.
여기에서, 단말 어플리케이션은 상품 리스트 및 가상 피팅 이미지를 제공하기 위한 전용 어플리케이션이거나, 상품 리스트 및 가상 피팅 이미지를 웹 페이지를 통해 제공하기 위한 웹 브라우징 어플리케이션일 수 있다. 여기에서, 상품 리스트 및 가상 피팅 이미지를 제공하기 위한 전용 어플리케이션은 사용자 단말기(200)에 내장된 어플리케이션이거나, 어플리케이션 배포 서버로부터 다운로드 되어 사용자 단말기(200)에 설치된 어플리케이션일 수 있다.
즉, 사용자 단말기(200)는 서버(100)로부터 제공받은 요리 또는 레시피에 대한 상품 리스트 및 가상 피팅 이미지를 사용자 단말기(200)에 설치된 단말 어플리케이션을 통해 사용자에게 제공할 수 있다.
이하에서는, 설명의 편의를 위하여 사용자 단말기(200)가 미리 설치된 단말 어플리케이션(이하, 어플리케이션)을 이용하여 서버(100)로부터 제공받은 인터페이스, 상품 리스트 및 가상 피팅 이미지를 화면에 표시하는 것을 전제로 설명하도록 한다.
이때, 사용자 단말기(200)는 유무선 통신 환경에서 단말 어플리케이션을 동작 시킬 수 있는 통신 단말기를 의미한다. 사용자 단말기(200)는 사용자의 휴대용 단말기일 수 있다. 도 1에서 사용자 단말기(200)는 휴대용 단말기의 일종인 스마트폰(smart phone)으로 도시되었지만, 본 발명이 이에 제한되지 아니하며, 상술한 바와 같이 단말 어플리케이션을 탑재할 수 있는 장치에 제한없이 적용될 수 있다. 예를 들어, 사용자 단말기(200)는 퍼스널 컴퓨터(PC), 노트북, 태블릿, 휴대폰, 스마트폰, 웨어러블 디바이스(예를 들어, 워치형 단말기) 및 키오스크 등의 다양한 형태의 전자 장치를 포함할 수 있다.
또한, 도면 상에는 하나의 사용자 단말기(200)만을 도시하였으나, 본 발명이 이에 한정되는 것은 아니며, 서버(100)는 복수의 사용자 단말기(200)와 연동하여 동작할 수 있다.
부가적으로, 사용자 단말기(200)는 사용자의 입력을 수신하는 입력부, 비주얼 정보를 디스플레이 하는 디스플레이부, 외부와 신호를 송수신하는 통신부 및 데이터를 프로세싱하고 사용자 단말기(200) 내부의 각 유닛들을 제어하며 유닛들 간의 데이터 송/수신을 제어하는 제어부를 포함할 수 있다. 이하, 사용자의 명령에 따라 제어부가 사용자 단말기(200) 내부에서 수행하는 명령은 사용자 단말기(200)가 수행하는 것으로 통칭한다.
한편, 통신망(500)은 서버(100), 사용자 단말기(200) 및 가맹점 관리 서버(300)를 연결하는 역할을 수행한다. 즉, 통신망(500)은 사용자 단말기(200)들이 서버(100) 및 가맹점 관리 서버(300)에 접속한 후 데이터를 송수신할 수 있도록 접속 경로를 제공하는 통신망을 의미한다. 통신망(500)은 예컨대 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
보다 구체적으로, 본 발명의 실시예에서 서버(100)는 사용자 데이터를 기초로 딥러닝을 이용하여 예상선호도를 산출하고, 예상선호도를 기초로 상품 리스트를 생성하여 사용자 단말기(200)에 제공할 수 있다.
이 과정에서 서버(100)는 사용자 데이터, 가상 피팅 데이터 및 실제 피팅 데이터를 기초로 인공신경망(Neural Networks)을 이용하여 상품 리스트를 제공할 수 있다. 인공신경망을 이용한 딥러닝 모듈에 대한 구체적인 설명은 도 9를 참조하여 자세히 후술하도록 한다.
이하에서는, 안경점 시스템의 구체적인 구성에 대해 자세히 설명하도록 한다.
도 2는 도 1의 안경점 시스템의 각 구성요소를 설명하기 위한 블럭도이다.
도 2를 참조하면, 서버(100)는 데이터 관리부(110), 상품 관리부(120), 피팅부(130), 딥러닝부(140) 및 제어부(150)를 포함할 수 있다.
구체적으로, 데이터 관리부(110)는 사용자 데이터 및 피팅 데이터를 저장 및 관리할 수 있다.
여기에서, 사용자 데이터는 사용자의 나이, 성별, 지역, 선호색상 및 선호 디자인 등에 관한 사용자의 인적사항을 포함할 수 있다.
피팅 데이터는 가상 피팅 데이터 및/또는 실제 피팅 데이터를 포함할 수 있다. 여기에서, 가상 피팅 데이터는 어플리케이션 및 키오스크를 통한 사용자의 가상 피팅이력을 포함할 수 있다.
또한, 실제 피팅 데이터는 키오스크를 통해 실제 피팅을 신청한 상품에 대한 사용자의 실제 피팅이력을 포함할 수 있다. 실제 피팅 데이터는 사용자의 피팅내역, 피팅시간 또는 피팅순서 중 적어도 하나를 포함할 수 있다. 이때, 실제 피팅 데이터는 키오스크를 구비한 매장에 설치된 카메라를 통해 수신될 수 있다.
상품 관리부(120)는 안경점 및 가맹점 관리 서버(300)로부터 제공받은 상품 데이터를 저장 및 관리할 수 있다. 여기에서, 상품 데이터는 판매상품 데이터와 연계상품 데이터를 포함할 수 있다.
판매 상품 데이터는 안경점에서 판매하는 안경테 및 렌즈에 관한 데이터일 수 있다. 판매 상품 데이터는 상품의 품명, 가격, 색상, 디자인 및 상품의 이미지를 포함할 수 있다.
연계상품 데이터는 가맹점 관리 서버(300)에 미리 등록된 안경렌즈에 관한 데이터일 수 있다. 연계상품 데이터는 안경렌즈의 종류, 가격 및 판매 가맹점 정보를 포함할 수 있다.
피팅부(130)는 사용자에게 상품을 피팅할 수 있다.
구체적으로, 사용자로부터 상품에 대한 선택을 수신한 경우, 피팅부(130)는 상품 관리부(120)로부터 선택된 상품에 대한 상품 데이터를 수신할 수 있다. 이어서, 피팅부(130)는 사용자의 이미지를 수신할 수 있다. 피팅부(130)는 사용자의 이미지에 상품 데이터의 상품 이미지를 결합하여 가상 피팅 이미지를 생성할 수 있다.
또한, 피팅부(130)는 사용자의 이미지에 표시된 사용자의 외형을 변형하여 더 표시할 수 있다. 이때, 변형가능한 외형은 헤어스타일, 메이크업, 의류, 악세사리 및 마스크를 포함할 수 있다. 사용자로부터 외형에 대한 피팅요청을 수신한 경우, 피팅부(130)는 사용자의 이미지에 사용자로부터 선택을 수신한 외형 이미지를 결합하여 가상 피팅 이미지를 생성할 수 있다.
또 다른 예로, 오프라인 무인 매장의 키오스크를 통해 상품에 대한 실제 피팅요청을 수신한 경우, 피팅부(130)는 상품 관리부(120)로부터 선택된 상품에 대한 상품 데이터를 수신할 수 있다. 이어서, 피팅부(130)는 상품 데이터의 상품 품번을 기초로 보관함을 잠금해제하여 사용자에게 직접 피팅가능한 실제 상품을 제공할 수 있다.
여기에서, 피팅부(130)는 무인 매장에 설치된 카메라를 통해 사용자의 피팅과정이 촬영된 영상 데이터를 수신할 수 있다. 피팅부(130)는 수신한 영상 데이터를 딥러닝부(140)로 전송할 수 있다.
딥러닝부(140)는 딥러닝을 이용하여 상품에 대한 사용자의 선호도를 분석할 수 있다. 구체적으로, 사용자 데이터, 피팅 데이터 및 상품 데이터를 기초로 인공신경망(Neural Networks)을 포함하는 딥러닝 모듈을 이용하여 상품에 대한 예상선호도 산출할 수 있다.
또한, 딥러닝부(140)는 피팅부(130)에서 수신한 영상 데이터에 대해 이미지를 분석하여 실제 피팅 데이터를 추출할 수 있다. 이에 대한 자세한 내용은 도 6 및 도 7에서 자세히 설명하도록 한다.
제어부(150)는 딥러닝 모듈을 통해 산출된 예상선호도를 기초로 상품 리스트를 도출하여 사용자 단말기(200)에 제공할 수 있다. 또한, 상품 리스트로부터 사용자의 선택을 수신한 상품을 기초로 연계상품을 판매하는 가맹점 리스트를 도출할 수 있다.
이하에서는, 본 발명의 실시예에 따른 무인 상품 서비스 제공 방법에 대해 설명하도록 한다.
도 3은 본 발명의 몇몇 실시예에 따른 무인 상품 서비스 제공 방법을 설명하기 위한 순서도이다. 도 4는 도 1의 S130 단계에서 가상 피팅 이미지를 생성하는 방법을 설명하기 위한 예시도이다. 도 5는 도 1의 S130 단계에서 사용자의 외형을 변형하여 가상 피팅 이미지를 생성하는 방법을 설명하기 위한 예시도이다. 도 6은 도 1의 S130 단계에서 키오스크를 통해 가상 피팅 이미지를 생성하는 방법을 설명하기 위한 예시도이다. 도 7은 도 6의 카메라를 통해 실제 피팅 데이터를 도출하는 방법을 설명하기 위한 순서도이다. 도 8은 도 1의 S150 단계에서 제공되는 가맹점 리스트를 설명하기 위한 예시도이다.
여기에서, 도 4의 <a1>은 사용자에게 제공되는 상품 리스트를 나타내고, <a2>는 상품을 가상으로 피팅한 가상 피팅 이미지를 나타낸다. 또한, 도 5의 <b1>은 사용자의 외형을 변형할 수 있는 가상 피팅 인터페이스를 나타내고, <b2>는 사용자의 외형이 변형 완료된 가상 피팅 이미지를 나타낸다.
이하에서는, 상품이 안경테라고 가정하고 설명하도록 한다.
도 1 내지 도 8을 참조하면, 서버(100)는 사용자 데이터를 수신한다(S110). 여기에서, 서버(100)는 사용자의 로그인 정보를 기초로 사용자 데이터를 수신할 수 있다. 서버(100)는 사용자 데이터를 기초로 사용자에 대한 피팅 데이터를 수신할 수 있다. 이어서, 서버(100)는 사용자 데이터, 피팅 데이터 및 상품 데이터를 이용하여 상품 리스트(ML)를 생성할 수 있다.
예를 들어, 어플리케이션에 대한 사용자의 로그인을 수신한 경우, 서버(100)는 사용자에 대한 사용자 데이터, 가상 피팅 데이터 및 상품 데이터를 수신할 수 있다. 사용자 데이터, 가상 피팅 데이터 및 상품 데이터를 기초로, 서버(100)는 딥러닝 모듈(DL)을 이용하여 상품에 대한 사용자의 선호도를 분석할 수 있다. 서버(100)는 상품 데이터에 포함된 상품별 사용자의 예상 선호도를 산출할 수 있다. 예상 선호도를 기초로, 서버(100)는 사용자에게 추천하고자 하는 상품을 상품 리스트(ML)에 표시할 수 있다.
또 다른 예로, 키오스크에 대한 사용자의 로그인을 수신한 경우, 서버(100)는 사용자 데이터, 가상 피팅 데이터, 실제 피팅 데이터 및 상품 데이터를 수신할 수 있다. 서버(100)는 딥러닝 모듈(DL)을 통해 상품별 예상 선호도를 산출하여 상품 리스트(ML)를 생성할 수 있다.
이어서, 서버(100)는 상품에 대한 사용자의 선택을 수신한다(S120).
구체적으로, 도 1, 도 3 및 도 4의 <a1>을 참조하면, 서버(100)는 생성된 상품 리스트(ML)를 표시할 수 있다. 서버(100)는 예상 선호도를 기초로 예상 선호도가 높은 순으로 상품을 나열하여 표시할 수 있다. 서버(100)는 A 안경테(MO1), B 안경테(MO2), C 안경테(MO3) 및 D 안경테(MO4)의 순서로 상품 리스트(ML)를 표시할 수 있다.
이때, 서버(100)는 상품 리스트(ML)에 상품 이미지를 더 표시할 수 있다. 서버(100)는 상품 리스트(ML)에 A 안경테(MO1), B 안경테(MO2), C 안경테(MO3) 및 D 안경테(MO4)에 각각 대응되는 A 이미지(MI1), B 이미지(MI2), C 이미지(MI3) 및 D 이미지(MI4)를 표시할 수 있다.
서버(100)는 상품 리스트(ML)에 표시된 A 안경테(MO1), B 안경테(MO2), C 안경테(MO3) 및 D 안경테(MO4) 중 A 안경테(MO1)에 대한 사용자의 선택을 수신할 수 있다.
이어서, 상품을 가상 피팅하여 가상 피팅 이미지를 생성한다(S130).
예를 들어, 도 1, 도 3 및 도 4의 <a2>을 참조하면, 서버(100)는 어플리케이션 또는 키오스크를 통해 사용자 이미지(UI)를 수신할 수 있다. 서버(100)는 사용자 이미지(UI)에서 얼굴을 인식할 수 있다. 서버(100)는 사용자 이미지(UI)의 사용자 얼굴에 A 안경테(MO1)의 A 이미지(MI1)를 결합하여 가상 피팅 이미지를 생성할 수 있다. 서버(100)는 생성된 가상 피팅 이미지를 표시할 수 있다.
다만, 본 발명이 이에 제한되는 것은 아니고, 서버(100)는 사용자 이미지(UI)의 사용자 눈, 사용자 귀 또는 사용자 코 등을 다양하게 인식하여 A 이미지(MI1)를 결합할 수 있다.
또한, 도 1, 도 3 및 도 5를 참조하면, 서버(100)는 사용자 이미지(UI)의 외형을 인식할 수 있다. 서버(100)는 인식된 외형 중 변형가능한 외형에 대한 가상 외형 카테고리(OC)를 표시할 수 있다. 즉, 가상 외형 카테고리(OC)는 사용자 이미지(UI)에 포함된 사용자의 외형 중에서 가상 피팅하여 변형할 수 있는 항목을 포함할 수 있다.
구체적으로, 서버(100)는 사용자 이미지(UI)에서 헤어, 메이크업, 의류 및 악세사리를 변형가능한 외형으로 인식할 수 있다. 서버(100)는 헤어 카테고리(HC), 메이크업 카테고리(MC), 의류 카테고리(CC) 및 악세사리 카테고리(AC)를 가상 외형 카테고리(OC)로 표시할 수 있다. 이어서, 서버(100)는 사용자로부터 변형하고자 하는 가상 외형 카테고리(OC)에 대한 선택을 수신할 수 있다.
예를 들어, 서버(100)는 헤어 카테고리(HC)에 대한 사용자의 선택을 수신할 수 있다. 헤어 카테고리(HC)에 대한 선택을 수신한 경우, 서버(100)는 헤어 카테고리(HC)로 표시할 헤어스타일을 헤어 항목으로 도출할 수 있다.
서버(100)는 외부 서버로부터 헤어스타일을 크롤링(Crawling)을 통해 수집할 수 있다. 여기에서, 외부 정보는 포탈 사이트 검색정보(예를 들어, 구글 등), SNS(예를 들어, 페이스북 등), 커뮤니티(예를 들어, 네이버 카페), 개인 블로그를 통해 접근 가능한 정보를 포함한다.
이어서, 크롤링을 통해 수집된 헤어스타일 데이터와 사용자 데이터를 기초로, 서버(100)는 딥러닝을 이용하여 사용자의 헤어스타일 선호도를 산출할 수 있다. 이때, 서버(100)는 사용자 데이터에 포함된 사용자의 성별, 나이 및 선호 색 등을 기초로 사용자 데이터와 유사한 데이터를 포함하는 타사용자의 선호도를 반영하여 헤어스타일 선호도를 산출할 수 있다. 서버(100)는 헤어스타일 선호도를 기초로 헤어스타일별 순위를 산출할 수 있다.
또는, 서버(100)는 미리 설정된 기간동안 외부 정보에 업로드 된 헤어스타일을 크롤링할 수 있다. 서버(100)는 크롤링을 통해 수집된 헤어스타일 데이터의 수집량 순으로 헤어스타일별 순위를 산출할 수 있다.
또는, 서버(100)는 크롤링을 통해 순위가 매겨진 헤어스타일 데이터(예를 들어, 유행하는 남성 헤어스타일 1-5위 정보 등)을 수신할 수 있다.
여기에서, 서버(100)는 위에 나열된 3가지의 방법 중 적어도 하나를 이용하여 헤어스타일별 순위를 산출할 수 있으나, 본 발명이 이에 제한되는 것은 아니다.
이어서, 서버(100)는 산출된 헤어스타일별 순위를 기초로 헤어 카테고리(HC)에 포함되는 헤어스타일 항목인 제1 헤어 내지 제4 헤어(HO1~HO4)를 표시할 수 있다. 이때, 헤어스타일 항목은 산출된 헤어스타일별 순위를 기초로 나열될 수 있다. 본 발명이 이에 제한되는 것은 아니며, 헤어스타일 항목은 이름순으로 나열되는 등 다양한 방법으로 나열되어 표시될 수 있다.
이어서, 서버(100)는 사용자로부터 제1 헤어(HO1)에 대한 선택을 수신할 수 있다. 서버(100)는 사용자 이미지(UI)에 표시된 사용자의 헤어스타일을 제1 헤어(HO1)의 이미지(예를 들어, 갈색 염색 헤어스타일)로 변경하여 표시할 수 있다.
이어서, 서버(100)는 제1 헤어(HO1)가 표시된 사용자 이미지(UI)의 사용자 얼굴에 미리 선택을 수신한 A 안경테(MO1)의 A 이미지(MI1)를 결합하여 가상 피팅 이미지를 생성할 수 있다.
다만, 본 발명이 이에 제한되는 것은 아니며, 서버(100)는 상품 이미지를 사용자 이미지(UI)에 결합한 상태로 사용자 이미지(UI)의 외형을 변형할 수 있다.
이를 통해, 무인 상품 서비스 제공 방법은 사용자의 이미지에 포함된 헤어스타일을 사용자가 원하는 헤어스타일로 변형하고, 변형된 헤어스타일 이미지가 표시된 사용자 이미지에 상품 이미지를 결합하여 가상 피팅 이미지를 생성할 수 있다. 이에 따라, 사용자의 헤어스타일 변화에 따른 사용자의 이미지 변화를 확인할 수 있어, 사용자의 이미지에 어울리는 상품을 선택하게 함으로써 사용자의 만족도를 높일 수 있다.
이하에서는, 중복되는 내용을 제외하고 차이점에 대해서만 서술하도록 한다.
또 다른 예로, 서버(100)는 메이크업 카테고리(MC)에 대한 사용자의 선택을 수신할 수 있다. 메이크업 카테고리(MC)에 대한 선택을 수신한 경우, 서버(100)는 메이크업 카테고리(MC)로 표시할 메이크업 스타일을 메이크업 항목으로 도출할 수 있다. 여기에서, 메이크업 스타일이란, 피부톤 및 입술색 등을 포함할 수 있다. 이하에서는, 피부톤을 메이크업 스타일이라고 가정하도록 한다.
서버(100)는 외부 서버로부터 피부톤 데이터에 대해 크롤링을 통해 수집할 수 있다.
이어서, 크롤링을 통해 수집된 피부톤 데이터와 사용자 데이터를 기초로, 서버(100)는 딥러닝을 이용하여 사용자의 피부톤 선호도를 산출할 수 있다. 이때, 서버(100)는 사용자 데이터와 유사한 타사용자의 선호도를 반영하여 헤어스타일 선호도를 산출하여, 피부톤별 순위를 산출할 수 있다.
또는, 서버(100)는 미리 설정된 기간동안 외부 정보에 업로드 된 피부톤을 크롤링하여, 피부톤 데이터의 수집량 순으로 헤어스타일별 순위를 산출할 수 있다. 서버(100)는 크롤링을 통해 순위가 매겨진 헤어스타일 데이터(예를 들어, 인기 남성 피부톤 1-5위 정보 등)을 수신할 수 있다.
이어서, 서버(100)는 산출된 헤어스타일별 순위를 기초로 메이크업 카테고리(MC)에 포함되는 피부톤 항목(예를 들어, 21호 및 23호 등)을 표시할 수 있다.
이어서, 피부톤 항목에 대한 사용자의 선택을 기초로, 서버(100)는 사용자 이미지(UI)의 얼굴에 대한 피부톤을 변경하여 표시할 수 있다. 서버(100)는 피부톤이 변경된 사용자 이미지(UI)에 미리 선택을 수신한 A 안경테(MO1)의 A 이미지(MI1)를 결합하여 가상 피팅 이미지를 생성할 수 있다.
이를 통해, 무인 상품 서비스 제공 방법은 사용자의 이미지에 변형된 피부톤 및 상품 이미지를 결합하여 가상 피팅 이미지를 생성할 수 있다. 안경테라는 상품의 특성상 피부톤과 컬러 매칭에 따라 사용자의 인상이 크게 좌우될 수 있다. 이에 따라, 사용자의 피부톤 또는 사용자가 선호하는 피부톤에 어울리는 컬러의 상품을 사용자가 용이하게 선택할 수 있어 사용자가 선호하는 상품의 구매를 이끌어 낼 수 있다.
또 다른 예로, 서버(100)는 의류 카테고리(CC)에 대한 사용자의 선택을 수신할 수 있다. 의류 카테고리(CC)에 대한 선택을 수신한 경우, 서버(100)는 의류 카테고리(CC)로 표시할 의류 정보를 의류 항목으로 도출할 수 있다. 이때, 의류 카테고리(CC)는 사용자 이미지(UI)에 표시된 사용자의 겉옷 또는 상의 등을 의류 항목으로 포함할 수 있다.
구체적으로, 서버(100)는 의류 데이터에 대해 크롤링을 통해 수집할 수 있다.
이어서, 크롤링을 통해 수집된 의류 데이터와 사용자 데이터를 기초로, 서버(100)는 딥러닝을 이용하여 사용자의 의류 선호도를 산출할 수 있다. 이때, 서버(100)는 선호도를 기초로 의류별 순위를 산출할 수 있다. 또는, 서버(100)는 미리 설정된 기간동안 업로드 된 의류를 크롤링하여, 의류 데이터의 수집량 순으로 헤어스타일별 순위를 산출하거나, 순위가 포함된 의류 데이터를 수신할 수 있다.
이어서, 서버(100)는 산출된 의류별 순위를 기초로 의류 카테고리(CC)에 포함되는 의류 항목(예를 들어, 상의인 경우, 와이셔츠, 반팔셔츠 및 긴팔셔츠 등)을 표시할 수 있다.
이어서, 의류 항목에 대한 사용자의 선택을 기초로, 서버(100)는 사용자 이미지(UI)에 포함된 사용자의 의류 이미지를 변경하여 표시할 수 있다. 서버(100)는 의류가 변경된 사용자 이미지(UI)에 A 안경테(MO1)의 A 이미지(MI1)를 결합하여 가상 피팅 이미지를 생성할 수 있다.
이를 통해, 무인 상품 서비스 제공 방법은 의류가 변형되어 표시된 사용자의 이미지에 상품 이미지를 결합하여 가상 피팅 이미지를 생성할 수 있다. 이에 따라, 사용자는 착용하는 의류에 따라 어울리는 상품을 확인하기 쉬워 상품선택에 대한 사용자의 편의성을 향상시킬 수 있다.
또 다른 예로, 서버(100)는 악세사리 카테고리(AC)에 대한 사용자의 선택을 수신할 수 있다. 악세사리 카테고리(AC)에 대한 선택을 수신한 경우, 서버(100)는 악세사리 항목을 도출할 수 있다. 이때, 악세사리 항목은 목걸이, 모자 및 마스크 등을 포함할 수 있다. 악세사리 항목은 사용자 이미지(UI) 내 악세사리 유무와 관계없이 사용자 이미지(UI)에 결합되어 표시될 수 있다.
서버(100)는 악세사리 데이터에 대해 크롤링을 통해 수집할 수 있다. 크롤링을 통해 수집된 악세사리 데이터와 사용자 데이터를 기초로, 서버(100)는 딥러닝을 이용하여 사용자의 악세사리별 선호도를 산출할 수 있다. 또는, 미리 설정된 기간동안 업로드 된 악세사리를 크롤링하여, 악세사리별 악세사리 데이터의 수집량을 산출할 수 있다. 또한, 순위가 포함된 악세사리 데이터를 수신할 수 있다.
이어서, 서버(100)는 악세사리별 순위를 산출하고, 악세사리 카테고리(AC)에 포함되는 악세사리 항목을 표시할 수 있다.
악세사리 항목에 대한 사용자의 선택을 기초로, 서버(100)는 사용자 이미지(UI)에 포함된 악세사리 이미지를 변경하거나, 악세사리 이미지를 결합할 수 있다. 서버(100)는 악세사리 이미지가 결합된 사용자 이미지(UI)에 A 이미지(MI1)를 결합하여 가상 피팅 이미지를 생성할 수 있다.
이를 통해, 무인 상품 서비스 제공 방법은 사용자 이미지에 악세사리 이미지 및 상품 이미지를 결합하여 가상 피팅 이미지를 생성할 수 있다. 이에 따라, 사용자는 착용하고자 하는 악세사리에 어울리는 상품을 구매하여 착용함으로써, 악세사리와 상품의 일체감을 형성할 수 있다.
추가적으로, 가상 외형 카테고리(OC)는 마스크 카테고리를 더 포함할 수 있다. 서버(100)는 마스크 카테고리에 대한 사용자의 선택을 수신하고, 마스크 항목을 도출할 수 있다. 여기에서, 마스크 항목은 3D 입체형 마스크, 새부리형 2D 마스크 및 평면형 마스크(예를 들어, 덴탈 마스크 및 일회용 마스크) 등을 포함할 수 있다. 이때, 마스크 항목은 흰색 및 검정색 등 다양한 색의 마스크를 표시할 수 있으나 본 발명이 이에 제한되는 것은 아니다.
마스크 항목은 사용자 이미지(UI) 내 마스크 착용유무와 관계없이 사용자 이미지(UI)에 결합되어 표시될 수 있다.
서버(100)는 마스크 데이터에 대해 크롤링을 통해 수집할 수 있다. 크롤링을 통해 수집된 마스크 데이터와 사용자 데이터를 기초로, 서버(100)는 딥러닝을 이용하여 사용자의 마스크 종류별 선호도를 산출할 수 있다. 이어서, 서버(100)는 마스크 종류별 순위를 산출하고, 마스크 카테고리에 포함되는 마스크 항목을 표시할 수 있다. 그러나, 본 발명이 이에 제한되는 것은 아니며 다양하게 변형되어 실시될 수 있다.
마스크 항목에 대한 사용자의 선택을 기초로, 서버(100)는 사용자 이미지(UI)에 포함된 마스크 이미지를 선택된 마스크 이미지로 변경할 수 있다. 또한, 사용자 이미지(UI)에 마스크가 포함되지 않은 경우, 선택된 마스크 이미지를 결합할 수 있다. 서버(100)는 마스크 이미지가 결합된 사용자 이미지(UI)에 A 이미지(MI1)를 결합하여 가상 피팅 이미지를 생성할 수 있다.
또한, 도 1, 도 6 및 도 7을 참조하면, 사용자가 무인매장에 간 경우, 서버(100)는 키오스크(KO)를 통해 사용자의 가상 피팅 이미지를 생성하고, 가상 피팅에 사용된 상품의 이미지에 대한 실제 상품 착용을 제공할 수 있다.
구체적으로, 서버(100)는 키오스크(KO)를 통해 사용자 계정의 로그인 및 사용자 이미지(UI)를 수신할 수 있다. 여기에서, 사용자 계정의 로그인과 동시에, 서버(100)는 무인매장에 설치된 카메라(CM)를 이용하여 사용자를 촬영할 수 있다. 다만, 본 발명이 이에 제한되는 것은 아니며, 서버(100)는 사용자로부터 실제 상품에 대한 피팅요청을 수신하는 경우, 카메라(CM)를 통해 촬영을 시작할 수 있다.
이어서, 서버(100)는 수신한 사용자 이미지(UI)를 키오스크(KO)의 화면에 표시할 수 있다. 서버(100)는 키오스크(KO)에 표시된 가상 외형 카테고리(OC)를 통해 변경요청을 수신한 외형을 변형할 수 있다. 또한, 외형이 변형되어 표시된 사용자 이미지(UI)에 사용자에 의해 선택된 상품에 대한 상품 이미지(예를 들어, A 이미지(MI1))를 결합하여 가상 피팅 이미지를 생성할 수 있다.
이어서, 서버(100)는 키오스크(KO)를 통해 사용자로부터 상품에 대한 실제 피팅요청을 수신할 수 있다. 서버(100)는 실제 피팅요청을 수신한 상품에 대한 상품 데이터를 기초로 실제 상품이 보관된 보관함(OL)의 위치를 추출할 수 있다.
서버(100)는 추출된 위치에 해당하는 보관함(OL)을 잠금해제하여 사용자에게 실제 상품을 제공할 수 있다. 사용자는 실제 상품을 착용함으로써, 상품을 실제로 피팅해볼 수 있다. 서버(100)는 무인매장에 설치된 카메라(CM)를 통해 촬영된 사용자의 피팅과정을 영상 데이터로 수신할 수 있다.
서버(100)는 수신한 영상 데이터를 이용하여 실제 피팅 데이터를 추출할 수 있다.
구체적으로, 서버(100)는 카메라(CM)를 통해 실제 피팅과정이 촬영된 영상 데이터를 수신한다(S231). 서버(100)는 키오스크(KO)를 통해 사용자의 로그인을 수신한 시각으로부터 사용자의 로그아웃을 수신한 시각까지의 영상 데이터를 수신할 수 있다.
이어서, 영상 데이터를 분석하여 피팅내역, 피팅시간 또는 피팅순서 중 적어도 하나를 도출한다(S233).
구체적으로, 서버(100)는 영상 데이터에 포함된 실제 상품이 보관된 보관함(OL)의 이미지 또는 사용자가 착용한 실제 상품의 이미지에 대해 딥러닝을 이용하여 이미지 분석을 실행할 수 있다.
예를 들어, 서버(100)는 영상 데이터로부터 사용자가 실제 상품을 꺼내며 열린 보관함(OL)의 이미지 또는 실제 상품이 꺼내진 후 열려있는 보관함(OL)의 이미지를 추출할 수 있다. 이어서, 서버(100)는 이미지에 포함된 열린 상태의 보관함(OL)의 위치를 추출할 수 있다. 서버(100)는 2번째줄 중간 위치의 보관함(OL)을 도출할 수 있다. 서버(100)는 상품 데이터에 포함된 실제 상품 보관 위치와 도출된 보관함(OL)의 위치를 비교하여 상품을 도출할 수 있다.
또 다른 예로, 서버(100)는 영상 데이터를 통해 사용자가 착용한 실제 상품의 이미지를 추출할 수 있다. 이어서, 서버(100)는 실제 상품의 이미지와 상품 데이터에 포함된 상품 이미지를 비교하여 상품을 도출할 수 있다.
이어서, 서버(100)는 사용자의 영상 데이터에서 도출한 모든 상품을 사용자의 피팅내역으로 추출할 수 있다. 또한, 영상 데이터에서 추출된 상품의 도출순서를 피팅순서로 추출할 수 있다.
또한, 서버(100)는 상품에 대한 사용자의 착용시점과 탈착시점을 이용하여 피팅시간을 산출할 수 있다. 서버(100)는 영상 데이터에 포함된 사용자의 얼굴을 인식할 수 있다. 서버(100)는 사용자의 얼굴에 실제 상품이 착용되는 제1 시각을 도출할 수 있다. 즉, 서버(100)는 사용자의 얼굴 이미지에 실제 상품의 이미지가 결합되는 영상 데이터의 이미지를 추출할 수 있다. 서버(100)는 추출된 영상 데이터의 이미지가 촬영된 제1 시각을 도출할 수 있다.
이어서, 서버(100)는 사용자가 사용자의 얼굴에서 실제 상품을 탈착하는 제2 시각을 도출할 수 있다. 서버(100)는 제1 시각 및 제2 시각을 이용하여 상품별 피팅시간을 산출할 수 있다.
도출된 피팅내역, 피팅시간 및 피팅순서를 사용자의 실제 피팅 데이터로 저장한다(S235). 서버(100)는 상품별 실제 피팅 데이터를 사용자의 계정에 저장할 수 있다.
상품별 가상 피팅 데이터 및 실제 피팅 데이터는 추후에 사용자에게 신제품을 제안하거나 정기적으로 추가 구매 광고를 제안할 때 사용될 수 있다. 즉, 가상 피팅 데이터 및 실제 피팅 데이터를 이용한 예상선호도에 따라서 신제품의 예상선호도가 높을 경우 사용자에게 서버가 구매 제안을 전송할 수 있다. 이와 같이 예상선호도를 이용하여 구매 제안을 전송하는 경우, 그렇지 않은 경우보다 더 높은 구매율을 가질 수 있다.
이어서, 서버(100)는 상품에 대한 구매요청을 수신한다(S140).
여기에서, 서버(100)는 어플리케이션 또는 키오스크를 통해 상품에 대한 구매요청을 수신할 수 있다. 서버(100)는 사용자 데이터에 포함된 사용자의 주소로 상품을 배송요청 할 수 있다.
다만, 본 발명이 이에 제한되는 것은 아니며, 키오스크를 통해 구매요청을 수신한 경우, 서버(100)는 키오스크가 설치된 무인 매장에 상품의 재고가 남아있는지 확인할 수 있다. 재고가 남아있는 경우, 서버(100)는 사용자에게 상품을 즉시 제공할 수 있다.
상품의 연계상품을 판매하는 가맹점 리스트를 제공한다(S150).
구체적으로, 도 1, 도 3 및 도 8을 참조하면, 서버(100)는 사용자로부터 구매요청을 수신한 상품에 연계된 연계상품을 도출할 수 있다. 예를 들어, 안경테에 대한 구매요청을 수신한 경우, 서버(100)는 안경테에 결합가능한 안경렌즈를 연계상품으로 도출할 수 있다.
이어서, 서버(100)는 가맹점 관리 서버(300)를 통해 수신한 연계상품 데이터를 기초로, 안경렌즈를 판매하는 가맹점을 도출할 수 있다. 서버(100)는 안경렌즈를 판매하는 A 가맹점(FO1), B 가맹점(FO2) 및 C 가맹점(FO3)을 도출할 수 있다. 이때, 서버(100)는 연계상품 데이터에 포함된 안경렌즈의 재고개수가 하나 이상인 가맹점을 도출할 수 있다.
이어서, 서버(100)는 A 가맹점(FO1), B 가맹점(FO2) 및 C 가맹점(FO3)에 대한 가맹점 데이터를 수신할 수 있다. 서버(100)는 가맹점 데이터에 포함된 가맹점 위치정보와 사용자 데이터에 포함된 사용자 위치정보를 이용하여 각 가맹점과 사용자 간의 거리(이하, 사이거리)를 산출할 수 있다.
서버(100)는 산출된 사이거리를 이용하여 A 가맹점(FO1), B 가맹점(FO2) 및 C 가맹점(FO3)을 가맹점 리스트(FL)에 표시할 수 있다. 예를 들어, 서버(100)는 사이거리가 짧은 순으로 가맹점을 나열하여 표시할 수 있다. 사이거리가 0m로 산출된 A 가맹점(FO1)을 가맹점 리스트(FL)의 맨 상단에 표시할 수 있다. 이어서, 서버(100)는 사이거리가 50m인 B 가맹점(FO2) 및 사이거리가 100m인 C 가맹점(FO3)을 표시할 수 있다.
추가적으로, 서버(100)는 가맹점 리스트(FL)에 연계상품 데이터에 포함된 가맹점별 안경렌즈 가격을 더 표시할 수 있다. 서버(100)는 사용자의 설정에 따라 가맹점 리스트(FL)의 가맹점 표시 순서를 사이거리 또는 가격순으로 설정할 수 있다. 다만, 본 발명이 이에 제한되는 것은 아니다.
도 9는 본 발명의 몇몇 실시예에서 이용되는 딥러닝 모듈의 구성을 도시한 도면이다.
도 9를 참조하면, 딥러닝 모듈(DL)은 빅데이터를 기초로 학습된 인공신경망을 이용하여 무인 상품 서비스 제공 방법에 필요한 예상선호도 및 실제 피팅 데이터를 도출할 수 있다.
보다 자세히 설명하자면, 머신 러닝(Machine Learning)의 일종인 딥러닝(Deep Learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습하는 것이다. 즉, 딥러닝(Deep learning)은, 단계를 높여가면서 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝(Machine Learning) 알고리즘의 집합을 나타낸다.
딥러닝 모듈(DL)은 공지된 다양한 딥러닝 구조를 이용할 수 있다. 예를 들어, 딥러닝 모듈(DL)은 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network), GNN(Graph Neural Network) 등의 구조를 이용할 수 있다.
한편, 딥러닝 모듈(DL)의 인공신경망 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(Back Propagation) 등의 방법이 사용될 수 있다.
한편, 서버(100)의 메모리에는 머신 러닝으로 미리 학습된 인공신경망(Artificial Neural Network)이 탑재될 수 있다.
즉, 딥러닝 모듈(DL)은 머신 러닝(machine learning)을 기반으로, 사용자 데이터, 피팅 데이터 및 상품 데이터를 입력 데이터로 하여, 예상선호도 출력하는 동작을 수행할 수 있다. 또한, 딥러닝 모듈(DL)은 머신 러닝(machine learning)을 기반으로, 영상 데이터를 입력 데이터로 하여, 실제 피팅 데이터를 출력하는 동작을 수행할 수 있다.
이때, 인공신경망의 머신 러닝 방법으로는 준지도학습(semi-supervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다. 또한, 딥러닝 모듈(DL)은 설정에 따라 학습 후 예상선호도 및 실제 피팅 데이터를 출력하기 위한 인공신경망 구조를 자동 업데이트하도록 제어될 수 있다.
추가적으로, 도면에 명확하게 도시하지는 않았으나, 본 발명의 다른 실시예에서, 딥러닝 모듈(DL)의 동작은 서버(100) 또는 별도의 클라우드 서버(미도시)에서 실시될 수 있다.
여기에서, 딥러닝 모듈(DL)은 사용자 데이터, 피팅 데이터 및/또는 상품 데이터를 입력노드로 하는 입력 레이어(input)와, 사용자의 예상선호도를 출력노드로 하는 출력 레이어(Output)와, 입력 레이어와 출력 레이어 사이에 배치되는 M 개의 히든 레이어를 포함한다.
여기서, 각 레이어들의 노드를 연결하는 에지(edge)에는 가중치가 설정될 수 있다. 이러한 가중치 혹은 에지의 유무는 학습 과정에서 추가, 제거, 또는 업데이트 될 수 있다. 따라서, 학습 과정을 통하여, k개의 입력노드와 i개의 출력노드 사이에 배치되는 노드들 및 에지들의 가중치는 업데이트될 수 있다.
딥러닝 모듈(DL)이 학습을 수행하기 전에는 모든 노드와 에지는 초기값으로 설정될 수 있다. 그러나, 누적하여 정보가 입력될 경우, 노드 및 에지들의 가중치는 변경되고, 이 과정에서 학습인자로 입력되는 파라미터들(즉, 사용자 데이터, 피팅 데이터, 상품 데이터 및/또는 영상 데이터)과 출력노드로 할당되는 값(예상선호도 및/또는 실제 피팅 데이터) 사이의 매칭이 이루어질 수 있다.
추가적으로, 클라우드 서버를 이용하는 경우, 딥러닝 모듈(DL)은 많은 수의 파라미터들을 수신하여 처리할 수 있다. 따라서, 딥러닝 모듈(DL)은 방대한 데이터에 기반하여 학습을 수행할 수 있다.
또한, 딥러닝 모듈(DL)을 구성하는 입력노드와 출력노드 사이의 노드 및 에지의 가중치는 딥러닝 모듈(DL)의 학습 과정에 의해 업데이트될 수 있다. 또한, 딥러닝 모듈(DL)에서 출력되는 파라미터는 예상선호도 외에도 다양한 데이터로 추가 확장될 수 있음은 물론이다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (10)

  1. 사용자의 인적사항이 기록된 사용자 데이터를 수신하는 단계;
    상기 사용자로부터 상품에 대한 선택을 수신하는 단계;
    상기 상품을 상기 사용자에게 가상 피팅하되, 상기 가상 피팅은 상기 사용자의 변형 모습과 상기 상품의 이미지를 결합하여 가상 피팅 이미지를 생성하는 것을 포함하는 단계;
    상기 상품에 대한 구매요청을 수신하는 단계; 및
    상기 상품에 대한 연계상품을 판매하는 가맹점의 위치와 상기 사용자의 위치를 이용하여 가맹점 리스트를 제공하는 단계를 포함하는
    무인 상품 서비스 제공 방법.
  2. 제1 항에 있어서,
    상기 사용자의 변형 모습과 상기 상품의 이미지를 결합하여 가상 피팅 이미지를 생성하는 것을 포함하는 단계는,
    상기 사용자의 사용자 단말기에 설치된 어플리케이션을 통해 상기 사용자의 이미지를 수신하고,
    상기 사용자의 이미지에 변형을 가하여 상기 변형 모습을 생성하고,
    상기 변형 모습에 수신한 상기 상품의 이미지를 결합하는 것을 포함하는
    무인 상품 서비스 제공 방법.
  3. 제2 항에 있어서,
    상기 상품은,
    상기 사용자 데이터와 상기 사용자의 가상 피팅이력이 포함된 가상 피팅 데이터를 이용하여 상기 상품 각각의 예상선호도를 산출하고, 산출된 상기 예상선호도를 기초로 상기 사용자에게 추천된 상품인 것을 포함하는
    무인 상품 서비스 제공 방법.
  4. 제1 항에 있어서,
    상기 사용자의 변형 모습과 상기 상품의 이미지를 결합하여 가상 피팅 이미지를 생성하는 것을 포함하는 단계는,
    키오스크를 통해 상기 사용자의 이미지를 수신하고,
    상기 사용자의 이미지에 변형을 가하여 상기 변형 모습을 생성하고,
    상기 변형 모습에 상기 상품의 이미지를 결합하는 것을 포함하는
    무인 상품 서비스 제공 방법.
  5. 제4 항에 있어서,
    카메라를 통해 촬영된 상기 사용자의 실제 피팅과정이 포함되고, 실제 피팅 데이터와 연관된 영상 데이터를 수신하고,
    상기 실제 피팅 데이터는 상기 사용자의 가상 피팅이력이 포함된 가상 피팅 데이터와 함께 이용되어 상기 사용자의 예상선호도를 산출하는 것을 더 포함하는
    무인 상품 서비스 제공 방법.
  6. 제5 항에 있어서,
    상기 상품은,
    상기 상기 예상선호도를 기초로 상기 사용자에게 추천된 상품인 것을 포함하는
    무인 상품 서비스 제공 방법.
  7. 제6 항에 있어서,
    상기 실제 피팅 데이터는,
    상기 영상 데이터에서 추출된 상기 사용자의 피팅내역, 피팅시간 또는 피팅순서 중 적어도 하나를 포함하는
    무인 상품 서비스 제공 방법.
  8. 제1 항에 있어서,
    상기 사용자의 변형 모습과 상기 상품의 이미지를 결합하여 가상 피팅 이미지를 생성하는 단계는,
    상기 사용자의 이미지에 외형 이미지를 결합하되, 상기 외형 이미지는 헤어스타일, 메이크업, 의류, 악세사리 또는 마스크에 대한 이미지 중 적어도 하나를 포함하는
    무인 상품 서비스 제공 방법.
  9. 제8 항에 있어서,
    상기 사용자의 외형 이미지를 결합하는 단계는,
    상기 외형 이미지에 대한 카테고리를 표시하고,
    상기 카테고리에 대해 크롤링을 이용하여 상기 외형 이미지의 항목을 수집하는 것을 포함하는
    무인 상품 서비스 제공 방법.
  10. 제1 항에 있어서,
    상기 가맹점 리스트를 제공하는 단계는,
    상기 사용자의 위치와 상기 가맹점 간의 거리를 산출하고,
    상기 산출된 거리가 짧은 순으로 상기 가맹점을 나열하여 상기 가맹점 리스트를 생성하는 것을 포함하는
    무인 상품 서비스 제공 방법.
KR1020210116591A 2021-09-01 2021-09-01 무인 상품 서비스 제공 방법 KR102646540B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210116591A KR102646540B1 (ko) 2021-09-01 2021-09-01 무인 상품 서비스 제공 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210116591A KR102646540B1 (ko) 2021-09-01 2021-09-01 무인 상품 서비스 제공 방법

Publications (2)

Publication Number Publication Date
KR20230033531A true KR20230033531A (ko) 2023-03-08
KR102646540B1 KR102646540B1 (ko) 2024-03-12

Family

ID=85508009

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210116591A KR102646540B1 (ko) 2021-09-01 2021-09-01 무인 상품 서비스 제공 방법

Country Status (1)

Country Link
KR (1) KR102646540B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229643A (zh) * 2023-05-09 2023-06-06 北京惠朗时代科技有限公司 一种基于物联网的保管柜识别管理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170060740A (ko) * 2015-11-25 2017-06-02 박진수 오프라인 패션/의류 매장 판매 활성화 솔루션
KR101922713B1 (ko) * 2018-08-31 2019-02-20 이준호 사용자 단말, 중개서버 및 이를 포함하는 안경업체 중개 시스템 및 방법
KR102271063B1 (ko) * 2020-08-18 2021-06-29 정윤호 가상 피팅 서비스 제공 방법, 장치 및 그 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170060740A (ko) * 2015-11-25 2017-06-02 박진수 오프라인 패션/의류 매장 판매 활성화 솔루션
KR101922713B1 (ko) * 2018-08-31 2019-02-20 이준호 사용자 단말, 중개서버 및 이를 포함하는 안경업체 중개 시스템 및 방법
KR102271063B1 (ko) * 2020-08-18 2021-06-29 정윤호 가상 피팅 서비스 제공 방법, 장치 및 그 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229643A (zh) * 2023-05-09 2023-06-06 北京惠朗时代科技有限公司 一种基于物联网的保管柜识别管理系统

Also Published As

Publication number Publication date
KR102646540B1 (ko) 2024-03-12

Similar Documents

Publication Publication Date Title
CN105637512B (zh) 用于创造定制产品的方法和系统
CA2659698C (en) System and method for collaborative shopping, business and entertainment
US20190188784A1 (en) System, platform, device and method for personalized shopping
US10783528B2 (en) Targeted marketing system and method
JP2022043272A (ja) アバタの生成方法及び装置、電子機器、記憶媒体及びコンピュータプログラム
WO2018012136A1 (ja) メイクアップ支援装置およびメイクアップ支援方法
CN109154983A (zh) 被配置为交换生物测定信息的头戴式显示系统
US20130215116A1 (en) System and Method for Collaborative Shopping, Business and Entertainment
US20180247356A1 (en) Computer implemented platform for the creation of a virtual product
KR20100019067A (ko) 3ｄ 아바타를 이용한 인터넷 서비스 제공 시스템 및 그 방법
US20220327747A1 (en) Information processing device, information processing method, and program
KR20150061089A (ko) 아바타를 이용한 상품 구매 및 광고 시스템 및 방법
AU2019240635A1 (en) Targeted marketing system and method
KR102271063B1 (ko) 가상 피팅 서비스 제공 방법, 장치 및 그 시스템
US11544768B2 (en) System and method for fashion recommendations
KR102646540B1 (ko) 무인 상품 서비스 제공 방법
JP2022043244A (ja) アバタに用いられるスライダ処理方法及び装置、電子機器、記憶媒体及びコンピュータプログラム
US11526925B2 (en) System and method for fashion recommendations
KR20220079274A (ko) 인공 신경망을 이용한 안경 추천 기능이 포함된 안경 착용 시뮬레이션 방법
KR20210067309A (ko) 패션 정보 제공 방법, 장치 및 시스템
JP7021316B1 (ja) 情報処理プログラム、情報処理方法および情報処理装置
US20240071019A1 (en) Three-dimensional models of users wearing clothing items
GB2536565A (en) Computer implemented platform for the creation of a virtual product
US11790429B2 (en) Systems and methods for interpreting colors and backgrounds of maps
KR20240023725A (ko) 도플갱어 패션 상품 추천 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant