用于标识具有不受控制的光照条件的图像中的肤色的技术制造技术

在本公开的一些实施例中，一个或多个机器学习模型被训练成精确地估计一个或多个图像中的肤色，而不管光照条件如何。在一些实施例中，模型然后可以用于估计新图像中的肤色，并且这个所估计的肤色可以用于各种目的。例如，肤色可以用于生成与肤色精确匹配的粉底色号的推荐，或与所估计的肤色互补的另一化妆产品的推荐。因此，消除了对亲身测试产品的需要。消除了对亲身测试产品的需要。

【技术实现步骤摘要】
【国外来华专利技术】用于标识具有不受控制的光照条件的图像中的肤色的技术
[0001]相关申请的交叉引用
[0002]本申请要求于2019年7月18日提交的美国申请第16/516,080号的权益；该专利的内容整体通过引用结合于此。

技术实现思路

[0003]提供本概述是为了以简化的形式介绍将在下面的详细描述中进一步描述的一些构思。本概述不旨在标识所要求保护的主题的关键特征，也不旨在用于帮助确定所要求保护的主题的范围。
[0004]在一些实施例中，提供了一种训练机器学习模型以估计图像中的面部的肤色的方法。计算设备接收包括训练对象的面部的至少一个训练图像。计算设备接收用于至少一个训练图像的标记信息。计算设备将至少一个训练图像和标记信息添加到训练数据存储装置中。计算设备训练机器学习模型，以使用存储在训练数据存储装置中的信息来确定面部的肤色。
[0005]在一些实施例中，提供了一种使用一个或多个机器学习模型来估计面部的肤色的方法。计算设备接收至少一个图像，该至少一个图像包括实况对象的面部。计算设备使用至少一个机器学习模型来处理至少一个图像，以获得对肤色的确定。计算设备呈现肤色。
[0006]在一些实施例中，提供了一种系统。该系统包括肤色预测单元，该肤色预测单元包括计算电路系统，该计算电路系统被配置为接收包括训练对象的面部的至少一个训练图像；接收用于至少一个训练图像的标记信息；将至少一个训练图像和标记信息添加到训练数据存储中；并且使用训练数据集训练机器学习模型以确定面部的肤色。
[0007]在一些实施例中，提供了一种系统。系统包括肤色预测单元和所预测的肤色单元。肤色预测单元包括计算电路系统，该计算电路系统被配置为使用一个或多个卷积神经网络图像分类器生成图像中的面部的肤色的逐像素预测分数。所预测的肤色单元包括计算电路系统，该计算电路系统被配置为响应于基于面部的肤色的预测分数的一个或多个输入来生成用户的所预测的肤色的虚拟显示。
附图说明
[0008]通过参考结合附图进行的以下详细描述，本专利技术的前述方面和许多伴随的优点将变得更容易理解，其中：
[0009]图1是根据本公开的各个方面的使用至少一个机器学习模型来生成肤色的自动估计的系统的非限制性示例实施例的示意图；
[0010]图2是示出根据本公开的各个方面的移动计算设备和肤色确定设备的非限制性示例实施例的框图；
[0011]图3是示出了根据本公开的各个方面训练机器学习模型以估计图像中的面部的肤色的方法的非限制性示例实施例的流程图；
[0012]图4是示出根据本公开的各个方面的包括面部的图像的标准化的非限制性示例实
施例的示意图；
[0013]图5是示出根据本公开的各个方面的使用机器学习模型来估计图像中面部的肤色的方法的非限制性示例实施例的流程图；以及
[0014]图6是示出适合用作本公开的计算设备的示例性计算设备的各方面的框图。
具体实施方式
[0015]在线购买产品(包括通过移动计算设备)是消费者浏览和获取产品的便捷方式。除了在点击鼠标或轻击手指时使得较大的商品目录可获取之外，还存在各种技术来基于他们感兴趣的其他产品、他们的购买历史、他们对其他产品的评论、其他购物者的购买历史和评论等为在线购物者提供对他们可能感兴趣的产品的广泛推荐。
[0016]然而，存在对于其亲身体验难以被在线互动所取代的某些类型的产品。例如，诸如粉底或者其他化妆品的美容产品难以在线浏览，并且难以以自动的方式进行推荐。这主要是因为消费者推荐最相关的基础的特性——面部肤色——难以以自动化的方式进行估计。即使捕获了消费者的图像或视频，由于来自不受控制的环境的图像的处理中的技术缺陷，这个图像当前也不能用于可靠地确定肤色。位置之间不一致的光照条件将导致在不同位置的图像或视频中再现不同的颜色，并且因此所确定的肤色将基于光照条件而不同。所期望的是能够克服这些技术限制的技术，以便准确地估计图像中的肤色，而不管光照条件如何。
[0017]在本公开的一些实施例中，一个或多个机器学习模型被训练成精确地估计一个或多个图像中的肤色，而不管光照条件如何。在一些实施例中，模型然后可以用于估计新图像中的肤色，并且这个所估计的肤色可以用于各种目的。例如，肤色可以用于生成与肤色精确匹配的粉底色号的推荐，或与所估计的肤色互补的另一化妆产品的推荐。因此，消除了对亲身测试产品的需要，并且在线购物体验的益处可以扩展到严重依赖颜色匹配的这些新产品。
[0018]图1是根据本公开的各个方面的使用至少一个机器学习模型来生成肤色的自动估计的系统的非限制性示例实施例的示意图。如图所示，用户90具有移动计算设备102。用户90利用移动计算设备102捕获他们的面部的图像。用户90可以在任何位置，因此在其下捕获图像的光照条件可能是未知的。移动计算设备90将图像传输到肤色确定设备104。肤色确定设备104使用一个或多个机器学习模型106来基于图像确定肤色108。然后，肤色108可以用于推荐将补充肤色108或以其他方式适合肤色108的一种或多种产品110。
[0019]在一些实施例中，移动计算设备90可以向肤色确定设备104传输多于一个图像。在一些实施例中，可以通过捕获视频而不是单独的图像来捕获多个图像，并且可以通过在捕获视频的同时移动移动计算设备102来改变光照条件。例如，用户90可以将移动计算设备102配置成使用前置相机(也称为“自拍”相机)来捕获视频，并且可以在将移动计算设备102保持在“自拍”位置的同时旋转，以便改变所经历的光照条件。通过在不同的光照条件下提供多个图像，机器学习模型106可以用于生成多个肤色108确定，然后可以对其进行平均或以其他方式组合，以提高确定的准确性。
[0020]图2是示出根据本公开的各个方面的移动计算设备和肤色确定设备的非限制性示例实施例的框图。如上所讨论的那样，移动计算设备102用于捕获用户90的图像，并且移动计算设备102将该图像传输到肤色确定设备104，用于确定用户90的肤色。移动计算设备102
和肤色确定设备104可以使用任何合适的通信技术进行通信，诸如无线通信技术(包括但不限于Wi
‑
Fi、Wi
‑
MAX、蓝牙、2G、3G、4G、5G和LTE)或者有线通信技术(包括但不限于以太网、FireWire和USB)。在一些实施例中，移动计算设备102和肤色确定设备104之间的通信可以至少部分地通过互联网进行。
[0021]在一些实施例中，移动计算设备102是智能手机、平板计算设备或至少具有所示的部件的另一计算设备。在所示的实施例中，移动计算设备102包括相机202、数据收集引擎204和用户界面引擎206。在一些实施例中，相机202被配置成捕获图像。在一些实施例中，移动计算设备102可以包括多个相机，包括但不限于前置相机和后置相机。在一些实施例中，前置相机(即，位于移动计算设备102的与移动计算设备102的显示器相同的面上的相机)可以用作用于捕获图像的相机202。
[0022]在一些实本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种训练机器学习模型以估计图像中的面部的肤色的方法，所述方法包括：计算设备接收包括训练对象的面部的至少一个训练图像；所述计算设备接收用于所述至少一个训练图像的标记信息；所述计算设备将所述至少一个训练图像和所述标记信息添加到训练数据存储装置中；以及所述计算设备训练所述机器学习模型，以使用存储在所述训练数据存储装置中的信息来确定面部的肤色。2.根据权利要求1所述的方法，还包括所述计算设备标准化所述至少一个训练图像以创建至少一个标准化的训练图像，其中，所述标准化所述至少一个训练图像以创建至少一个标准化的训练图像包括：所述计算设备检测所述至少一个训练图像中的面部；所述计算设备将所述至少一个训练图像中的所述面部居中；以及所述计算设备缩放所述至少一个训练图像，使得所述面部为预定大小。3.根据权利要求1至2中任一项所述的方法，其中，所述接收至少一个训练图像包括：所述计算设备接收视频；以及所述计算设备从所述视频中提取至少一个训练图像。4.根据权利要求1至3中任一项所述的方法，其中，所述接收用于所述至少一个训练图像的标记信息包括：所述计算设备检测所述训练图像中的颜色参考表；所述计算设备基于所述颜色参考表确定照明颜色；以及所述计算设备基于所确定的照明颜色来调节所述至少一个训练图像的颜色。5.根据权利要求1至3中任一项所述的方法，其中，所述接收用于所述至少一个训练图像的标记信息包括：所述计算设备接收分光光度计从所述训练对象收集的肤色信息。6.根据权利要求1至5中任一项所述的方法，其中，所述使用所述训练数据集来训练所述机器学习模型以确定面部的肤色包括：所述计算设备训练第一机器学习模型，所述第一机器学习模型处理训练图像作为输入，以产生光照条件的指示作为输出；以及所述计算设备训练第二机器学习模型，所述第二机器学习模型处理所述训练图像和所述光照条件的指示作为输入，以产生肤色的指示作为输出。7.一种使用一个或多个机器学习模型来估计面部的肤色的方法，所述方法包括：计算设备接收包括实况对象的面部的至...

【专利技术属性】
技术研发人员：克莉丝汀，
申请(专利权)人：莱雅公司，
类型：发明
国别省市：