一种基于机器视觉的人工智能用户形象管理方法及系统与流程

文档序号：13073076阅读：307来源：国知局

本发明属于计算机视觉领域，具体涉及一种基于机器视觉的人工智能用户形象管理方法及系统。

背景技术：

随着时代的发展和社会的进步，人们的个人形象起到越来越重要的作用，人们也越来越注重自己的个人形象，特别是在商务会谈、面试、相亲、宴会等场合，人们都希望自己能够将最好的、符合场合的个人形象展现出来。这种个人形象也就是一个人的外表或容貌。

目前，人们对于自己的个人形象的管理主要是依据自己对于妆容、发型、着装服饰的见解来给自己进行打扮，这种方法大量依赖于人的主观性，致使塑造出来的个人形象可能并不适合所需出席的场合。另外，人们可以请专业的造型师帮助塑造合适的个人形象，但是，请到品味高、靠谱的造型师成本非常高且不方便。

为此，需找一种简单方便、快速靠谱的用户个人形象管理方法非常有必要，也非常有市场。

技术实现要素：

本发明提出一种基于机器视觉的人工智能用户形象管理方法及系统，能够快速、简单、方便、准确地对人的个人形象进行管理，能够应用于手机、平板、电脑等设备中，计算简单，大大节约人们对个人形象的管理成本。

本发明提出的一种基于机器视觉的人工智能用户形象管理方法，主要包括以下步骤：

步骤1：采用个人形象管理装置进行采集所需进行形象管理的人体部位的图像，并将图像存储；

步骤2：识别图像中的所需管理的人体区域；

步骤3：识别所需管理的人体区域中的颜色信息，对颜色面积进行统计；

步骤4：对需管理的人体区域进行形象评价：根据需要管理的人体区域中各种颜色所占面积以及该面积内颜色的浓度，对人体区域进行形象评价；

步骤5：给出塑造形象建议，报告输出评价报告。

作为进一步的，所述人体部位表示人体各个部位或整个人体，具体包括：面部妆容、发型、衣着。

作为进一步的，所述步骤2包括：利用机器学习的方法，识别出所需管理的人体区域。

作为进一步的，所述步骤3包括以下子步骤：

步骤301：获取人体部位各个颜色所在区域的位置信息；

步骤302：计算人体部位各个颜色所在区域的面积sk。

作为进一步的，所述步骤4包括以下子步骤：

步骤401：统计人体部位各个颜色所在区域的面积sk内的颜色浓度dk；

步骤402：根据人体部位各个颜色所在区域的面积sk内的颜色浓度dk对人体区域进行形象评价。

所述个人形象管理装置包括图像采集器、存储器、人体区域识别器、颜色识别器、颜色处理器、显示器；

所述图像采集器用于采集图像，图像采集器通过数据传输线路与图像存储器连接；

所述存储器用于数据，包括图像数据，存储器通过数据传输线路与图像处理器和显示器连接；

所述人体区域识别器用于识别人体区域，人体区域识别器通过数据连接线路与颜色处理器连接；

所述颜色识别器主要用于识别图像中的颜色，通过数据连接线路与颜色处理器连接；

所述颜色处理器主要用于实现计算颜色的面积、计算颜色的浓度等功能，颜色处理器通过数据传输线路与存储器和显示器连接；

所述显示器用于显示图像或/和输出评价报告，以及显示一些故障信息。

作为进一步的，所述图像采集器包括若干个摄像机；

所述图像存储器为sd卡或是移动硬盘；

所述人体区域识别器、颜色处理器为cpu、gpu以及可用于移动终端的图像处理组件；

所述移动终端包括手机、平板、移动电脑、具有处理功能的移动相机；

所述数据传输线路为数据线，数据线之间互相不交叉。

本发明还提出一种基于机器视觉的人工智能用户形象管理系统，包括：

图像采集模块：所述图像采集模块用于采集图像和存储图像；

人体形象管理区域识别模块：所述人体形象管理区域识别模块用于识别图像中的所需管理的人体区域；

个人形象管理模块：所述个人形象管理模块用于管理人体个人形象，主要用于评价图像中所需进行形象管理的部分的形象；

输出模块：用于输出输出评价报告以及图像；

所述人体形象管理区域识别模块从所述图像采集模块中获取图像数据识别人体形象管理区域，然后将识别结果传入个人形象管理模块进行人体个人形象管理，将形象管理反馈结果传入输出模块进行输出。

作为进一步的，所述输出模块用于输出人体形象评价报告和和塑造形象的建议；

所述人体形象管理区域分为面部妆容、发型、衣着；

所述衣着包括上衣、裤装或裙装以及鞋子的穿着。

作为进一步的，所述图像采集模块包括图像采集单元和图像存储单元；

所述个人形象管理模块包括颜色信息识别单元、面积计算单元、颜色浓度计算单元、评价生成单元；

所述颜色信息识别单元用于识别颜色；

所述面积计算单元用于计算面积，特别的，用于分别计算各种颜色在图像中所占的面积；

所述颜色浓度计算单元用于计算颜色的浓度；

所述评价生成单元用于根据颜色面积和颜色浓度的值，给出往更接近形象标准的方向调整颜色所占面积和颜色浓度的建议。

本发明所述的一种基于机器视觉的人工智能用户形象管理方法及系统的有益效果是：

1、能够快速、简单、方便、准确地对人的个人形象进行管理，提高人们生活质量，节约人们对个人形象的管理成本；

2、利用人体中着装或妆容或发型的颜色面积以及颜色浓度作为标准型评价指标，简单、直观，也比较可靠；

3、本方法计算量小，可应用于多种平台。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是一种基于机器视觉的人工智能用户形象管理系统的用户形象管理方法流程图；

图2是一种基于机器视觉的人工智能用户形象管理系统的人体区域识别卷积神经网络模型结构示意图；

图3是一种基于机器视觉的人工智能用户形象管理系统的个人形象管理装置结构示意图；

图4是一种基于机器视觉的人工智能用户形象管理系统的用户形象管理系统结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

本发明提供了一种基于机器视觉的人工智能用户形象管理方法及系统，如图1所示，主要包括以下步骤：

步骤1：采用个人形象管理装置进行采集所需进行形象管理的人体部位的图像，并将图像存储。如果只针对妆容进行管理，只需拍摄面部图像，如果只针对发型进行管理，只需拍摄头发图像，如果需要对整个人真题个人形象进行管理，需要拍摄人体整体图像，需要将需要管理的部位都包含在图像内。人体部位表示人体各个部位或整个人体，具体包括：面部妆容、发型、衣着。所述衣着包括人体上半身衣着、人体下半身衣着、鞋子。所述人体上半身衣着表示人体着装的上衣，所述人体下半身衣着表示人体着装的下装，包括裤子、裙子。

步骤2：识别图像中的所需管理的人体区域。利用机器学习的方法，识别出所需管理的人体区域。利用cnn(卷积神经网络)对图像进行特征提取训练，最终得到人体部位模型：卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成。在cnn中针对输入数据建立了网络层与空间域之间的信息联系，通过各层的卷积以及池化等操作，使得最终得出有用的物体表征特征。具体的，包括以下步骤：

步骤201：选择训练样本及添加标签，即输入数据x的选择和理想输出yp的设置，也就是数据的初始化。对于训练的样本和对应标签获得方式为：以人体部位的图像代表作为训练样本，以人体部位的纹理特征作为人体部位的识别标准，根据经验知识对人体图像添加标签。这个过程是人工执行的。这里的标签类别c典型划分是：面部妆容、发型、衣着，对应的理想输出矩阵

yp＝{a,b,c}

其中，a,b,c为实数。

步骤202：cnn网络结构设计；本发明的cnn网络结构具体设计如下：

步骤2021：在第一隐藏层进行卷积，得到c1层。具体为：它由8个特征映射组成，每个特征映射由28×28个神经元组成，每个神经元指定一个5×5的接受域。在cnn中，对于卷积层的每一种输出的特征图xj有：

其中，mj表示选择的输入特征图组合，是输入的第i种特征图和输出的第j种特征图之间的连接所用的卷积核，是第j种特征图对应的偏置，f是激活函数，w^l为第l层的权值矩阵。

步骤2022：第二隐藏层实现了子抽样和池化，得到s2层。具体为：它同样由8个特征映射组成，但其每个特征映射由14×14个神经元组成。每个神经元具有一个2×2的接受域，一个超系数，一个可训练偏置和一个sigmoid激活函数。可训练系数和偏置控制神经元的操作点。首先定义平方误差代价函数为：

其中，n是样本个数，c是样本的分类数量，为第n个样本类xⁿ的第k维，是第n个样本网络的输出的第k维。

超系数用样本误差函数表示，即为：。

在cnn中，对于采样层的每一种输出特征图xj有：

其中，down表示下采样，f(.)是激活函数，是第l偏置，w^l为第l层的权值矩阵。

步骤2023：第三隐藏层进行第二次卷积，得到c3层。具体为：它由20个特征映射组成，每个映射由10×10个神经元组成。该隐藏层中的每个神经元可能具有和下一个隐层几个特征映射相连的冲突链接，它以与第一个卷积层相似的方式操作。

步骤2024：第四个隐藏层进行第二次子抽样和池化计算，得到s4层。具体为：它由20个特征映射组成，但每个映射由5×5个神经元组成，它以与第一次抽样相似的方式操作。

步骤2025：第五个隐藏层实现卷积，得到c5。具体为：它由120个神经元组成，每个神经元指定一个5×5的接受域。

步骤：将c5层全映射，得到特征向量x，再由特征向量计算得到c典型分类输出向量op。其中x为全连接输出向量，有n维，由特征向量全映射得到输出向量描述为：

则输出向量描述为：

op＝{f(yj)},j＝1,2,...,k

f(yj)＝byj

其中b为一个n×k的矩阵，k为输出的类型数量。即输出向量的维数。

通过步骤2021到步骤2026设计的人体区域识别卷积神经网络模型结构如图2所示。

步骤203：训练cnn网络模型。cnn的训练分为两个阶段，第一阶段是向前传播阶段，第二阶段是向后传播阶段。

步骤2031：向前传播阶段：首先，从样图像本集中提取一个样本(x,xp)，将x作为网络的输入数据输入网络中，然后以步骤202的网络结构，计算x相应的实际输出op。

步骤2032：反向传播阶段：

a：计算实际输出op与相应的理想输出yp的差，即损失函数

b：利用梯度下降法传播调整权矩阵。具体为：

η是梯度下降的学习率，也是实际输出与理想输出的差值η＝lclc(op,yp)。

步骤2033：训练终止判断。一方面，由梯度下降的学习率和训练次数决定，另一方面由可训练系数决定，具体为：

(1)由步骤2032中计算出的梯度下降学习率η如果过小，则说明，当前得出的实际输出结果已经接近于理想输出结果，那么有可能就可以停止训练，如果此时训练次数达到一定的值，那么即可终止训练。

(2)由步骤2032中描述的超系数：

超系数作为训练的判断依据，即当超系数在一定范围内的时候训练出的结果是有效的，模型是可以继续训练的，当不在这个范围之内，可能会出现过拟合的情况，那么此时就应该停止训练。

步骤204：将采集到的人体图像传入训练完成的卷积神经网络模型中进行前向传播，人体图像将被提取出一组特征向量x＝{xj},j＝1,2,...,n，特征向量对应的输出函数为：

则人体部位识别函数描述为：

fm,m∈[1,k](yj)＝byj

其中b为一个n×k的矩阵，k为输出的类型数量。即输出向量的维数。再利用softmax回归法刻画人体部位识别的输出结果。具体为：

softmax函数为：

输出结果为：

其中，k为输出的类型数量，此例k＝3。

那么根据步骤201所述的c典型划分，如果输出的结果对应为output＝f1-a，则该图像表示的是面部妆容；如果输出的结果对应为output＝f2-b，则该图像表示发型；如果输出的结果对应为output＝f3-c，则该图像表示衣着。

步骤3：识别所需管理的人体区域中的颜色信息，对颜色面积进行统计。基于步骤2中的人体部位识别结果，将人体部位从图像中分割出来，然后计算人体部位的各个颜色所在区域的面积。具体的，包括以下子步骤：

步骤301：获取人体部位各个颜色所在区域的位置信息，即每个像素点的坐标(xi,yi),i＝1,2,...,n，其中n表示该区域所包含的像素点数量。

步骤302：计算人体部位各个颜色所在区域的面积sk：

其中，sk为第k种颜色的面积，(x1,y1)表示人体部位各个颜色所在区域中的第一个像素点的坐标，(xi,yi),i＝2,3,...,n表示人体部位各个颜色所在区域中初第一个点以外的其他n-1个像素点的坐标。

步骤4：对需管理的人体区域进行形象评价。如果该区域的各个颜色所在区域的面积sk颜色浓度和面积符合标准，则给出的评价为合适，否则给出的评价为不合适。所述评价为合适，还可包括评价为好、优等好的指标；所述评价为不合适，还可包括评价为不好、差等表示不好的指标。进一步的，包括以下子步骤：

步骤401：统计人体部位各个颜色所在区域的面积sk内的颜色浓度：以区域sk的rgb三通道颜色信息来刻画人体区域颜色浓度，可选的，将rgb颜色的三个颜色通道的颜色信息累加值作为人体区域颜色浓度值。

其中，dk为人体区域颜色浓度值，ri,gi,bi分别表示像素点(xi,yi)的r通道的颜色值、g通道的颜色值、g通道的颜色值。

步骤402：对人体区域进行形象评价。具体的，如果某种颜色k所占区域面积sk大于或小于一定面积范围，则对该人体部分的形象评价为不合适，否则评价为合适；如果人体部位各个颜色所占区域的面积sk的颜色浓度值dk大于或小于一定颜色浓度范围，则对该人体部分的形象评价为不合适，否则评价为合适。

步骤5：给出塑造形象建议，报告输出评价报告。所述评价报告内容为人体区域进行形象评价，和塑造形象建议。所述塑造形象建议为关于颜色弄得的增加或减少的建议。例如，某用户的人体区域进行形象评价结果为：第k种颜色所占面积sk大于60，则评估报告为：第k种颜色所占面积sk大于一定范围，建议较少k颜色的面积；某用户的人体区域进行形象评价结果为：第k种颜色所占面积sk小于20，第j种颜色所占区域的面积sj的颜色浓度值dj大于356，则评估报告为：第k种颜色所占面积sk小于20，第j种颜色所占区域的面积sj的颜色浓度值dj大于356，建议增大第k种颜色所占面积sk，减小第j种颜色所占区域的面积sj的颜色浓度值dj。

实施例2：

本发明提供了一种基于机器视觉的人工智能用户形象管理系统,如图3所示，所述个人形象管理装置包括图像采集器、存储器、人体区域识别器、颜色识别器、颜色处理器、显示器；