一種生成用戶發(fā)型及妝容搭配建議的方法及裝置的制造方法
【專利摘要】本發(fā)明公開了一種生成用戶發(fā)型及妝容搭配建議的方法及裝置，該方法包括：采集用戶的個人照片，并獲取應用場景圖；采用卷積神經(jīng)網(wǎng)絡對個人照片及應用場景圖分析以篩選應用特征；根據(jù)應用特征生成發(fā)型及妝容的搭配建議。實施本發(fā)明的有益效果是，采用深層神經(jīng)網(wǎng)絡從客戶和數(shù)據(jù)庫的圖像中提取面部特征，使用統(tǒng)計測量特征之間的相關性，通過海量樣本的人工智能學習和分類判定，確保分析結果的客觀性、普遍性和準確性。根據(jù)用戶的面部特征的分析，從數(shù)百萬計的樣本中為客戶推薦統(tǒng)計學上最為適合的特征數(shù)量，避免了個人面對大量選擇是耗費的時間、選擇的困難和大量信息輸入對主觀判斷能力造成的沖擊和影響，提供給用戶更科學，客觀的建議。
【專利說明】
-種生成用戶發(fā)型及妝容搭配建議的方法及裝置
技術領域
[0001] 本發(fā)明設及神經(jīng)網(wǎng)絡技術領域，尤其設及一種生成用戶發(fā)型及妝容搭配建議的方 法及裝置。
【背景技術】
[0002] 隨著社會普遍審美品位的提高和對時尚的關注，人們對發(fā)型和化妝的多樣性和個 性化，尤其是針對特定場合的妝容定制有了更高的要求，如參加婚禮、面試、宴會或其它特 殊場合。
[0003] 傳統(tǒng)方式的定制發(fā)型和化妝，依賴于個人或單個美容師對于特定場合和相關禮儀 的有限了解和主觀經(jīng)驗，因此經(jīng)常出現(xiàn)難W挾擇或搭配錯誤的問題。另一方面，在大量實際 環(huán)境中接收反饋并加 W辨別改善的過程是十分漫長的，不僅效率低下，而且不利于廣泛使 用。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種生成用戶發(fā)型及妝容搭配建議的方法及裝置，解決現(xiàn) 有技術中搭配難W挾擇或搭配容易錯誤、反饋改善過程效率低下，不利于廣泛使用的問題。
[0005] 本發(fā)明的技術方案實現(xiàn)如下：
[0006] 本發(fā)明提供一種生成用戶發(fā)型及妝容搭配建議的方法，包括：
[0007] 采集用戶的個人照片，并獲取應用場景圖；
[000引采用卷積神經(jīng)網(wǎng)絡對所述個人照片及所述應用場景圖分析W篩選應用特征；
[0009] 根據(jù)所述應用特征生成發(fā)型及妝容的搭配建議。
[0010] 在本發(fā)明所述的方法中，所述采集用戶的個人照片，并獲取應用場景圖的步驟包 括：
[0011] 通過攝像頭采集所述個人照片，或者通過于圖片庫中選擇所述個人照片；
[0012] 設置應用場景W獲取所述應用場景圖，或者通過攝像頭采集所述應用場景圖，或 者通過于圖片庫中選擇所述應用場景圖。
[0013] 在本發(fā)明所述的方法中，所述采用卷積神經(jīng)網(wǎng)絡對所述個人照片及所述應用場景 圖分析W篩選應用特征的步驟包括：
[0014] 將所述個人照片及所述應用場景圖作為所述卷積神經(jīng)網(wǎng)絡的輸入；
[0015] 所述卷積神經(jīng)網(wǎng)絡的多個特征平面對所輸入的個人照片及應用場景圖進行多層 卷積處理，W篩選所述應用特征。
[0016] 在本發(fā)明所述的方法中，所述卷積神經(jīng)網(wǎng)絡的多個特征平面對所輸入的個人照片 及應用場景圖進行多層卷積處理，W篩選所述應用特征的步驟包括：
[0017] 獲取所述個人照片及所述應用場景圖的像素尺寸對應的訓練集W及卷積核；
[0018] 從所述訓練集中抽樣W提取第一子特征，將所述第一子特征與所述卷積核進行卷 積W輸出多個第一特征圖；
[0019] 從所述多個第一特征圖中的任一個再抽樣W提取第二子特征，將所述第一子特征 與所述卷積核卷積W輸出多個第二特征圖；
[0020] 組合所述多個第二特征圖W輸出所述應用特征。
[0021] 在本發(fā)明所述的方法中，所述根據(jù)所述應用特征生成發(fā)型及妝容的搭配建議的步 驟包括：
[0022] 對所述應用特征進行分析W對所述應用特征進行歸類；
[0023] 依據(jù)歸類結果與預設的推薦發(fā)型及妝容庫進行匹配，從而生成發(fā)型及妝容的搭配 建議。
[0024] 在本發(fā)明所述的方法中，還包括：
[0025] 將用戶所選擇的發(fā)型及妝容與所述個人照片及所述應用場景圖建立關聯(lián)，并存儲 至所述推薦發(fā)型及妝容庫。
[0026] 另一方面，提供一種生成用戶發(fā)型及妝容搭配建議的裝置，包括：
[0027] 圖片獲取模塊，用于采集用戶的個人照片，并獲取應用場景圖；
[0028] 特征篩選模塊，用于采用卷積神經(jīng)網(wǎng)絡對所述個人照片及所述應用場景圖分析W 篩選應用特征；
[0029] 搭配建議模塊，用于根據(jù)所述應用特征生成發(fā)型及妝容的搭配建議。
[0030] 在本發(fā)明所述的裝置中，所述特征篩選模塊包括：
[0031] 神經(jīng)網(wǎng)絡輸入子模塊，用于將所述個人照片及所述應用場景圖作為所述卷積神經(jīng) 網(wǎng)絡的輸入；
[0032] 多層卷積處理子模塊，用于所述卷積神經(jīng)網(wǎng)絡的多個特征平面對所輸入的個人照 片及應用場景圖進行多層卷積處理，W篩選所述應用特征。。
[0033] 在本發(fā)明所述的裝置中，所述搭配建議模塊包括：
[0034] 特征歸類子模塊，用于對所述應用特征進行分析W對所述應用特征進行歸類；
[0035] 匹配子模塊，用于依據(jù)歸類結果與預設的推薦發(fā)型及妝容庫進行匹配，從而生成 發(fā)型及妝容的搭配建議。
[0036] 在本發(fā)明所述的裝置中，還包括：
[0037] 學習擴充模塊，用于將用戶所選擇的發(fā)型及妝容與所述個人照片及所述應用場景 圖建立關聯(lián)，并存儲至所述推薦發(fā)型及妝容庫。
[0038] 因此，本發(fā)明的有益效果是，采用深層神經(jīng)網(wǎng)絡從客戶和數(shù)據(jù)庫的圖像中提取面 部特征，使用統(tǒng)計測量特征之間的相關性，通過海量樣本的人工智能學習和分類判定，確保 分析結果的客觀性、普遍性和準確性。根據(jù)用戶的面部特征的分析，從數(shù)百萬計的樣本中為 客戶推薦統(tǒng)計學上最為適合的特征數(shù)量，避免了個人面對大量選擇是耗費的時間、選擇的 困難和大量信息輸入對主觀判斷能力造成的沖擊和影響，提供給用戶更科學，客觀的建議。
【附圖說明】
[0039] 下面將結合附圖及實施例對本發(fā)明作進一步說明，附圖中：
[0040] 圖1為本發(fā)明提供的一種生成用戶發(fā)型及妝容搭配建議的方法流程圖；
[0041] 圖2為本發(fā)明提供的一種生成用戶發(fā)型及妝容搭配建議的裝置框圖。
【具體實施方式】
[0042] 為了對本發(fā)明的技術特征、目的和效果有更加清楚的理解，W下將對照附圖詳細 說明本發(fā)明的【具體實施方式】。應當理解，W下說明僅為本發(fā)明實施例的具體闡述，不應W此 限制本發(fā)明的保護范圍。
[0043] 本發(fā)明提供一種生成用戶發(fā)型及妝容搭配建議的方法及裝置，其目的在于，借助 人工智能通過網(wǎng)絡大數(shù)據(jù)提供更為客觀科學的分析和引導，W及智能化的反饋改進機制， 使用戶足不出戶就可W快速的享受到最專業(yè)的定制化分析推薦服務。具體采用大數(shù)據(jù)集名 人和深層神經(jīng)網(wǎng)絡(面N，de邱neural network)提出一套為用戶分析推薦最適合發(fā)型和化 妝的方法。通過主動交互方式將客戶和大數(shù)據(jù)集中數(shù)百萬的面貌進行比較，運種優(yōu)勢是通 過雜志書刊閱讀獲取信息的方式所不能比擬的。在分析方式上，采用深層神經(jīng)網(wǎng)絡從客戶 和數(shù)據(jù)庫的圖像中提取面部特征，使用統(tǒng)計測量特征之間的相關性，通過海量樣本的人工 智能學習和分類判定，確保分析結果的客觀性、普遍性和準確性。在引導方式上，本方法完 全改變了傳統(tǒng)發(fā)型化妝主觀選擇方式。本方法根據(jù)用戶的面部特征的分析從數(shù)百萬計的樣 本中為客戶推薦統(tǒng)計學上最為適合的一定數(shù)量選擇，避免了個人面對大量選擇是耗費的時 間、選擇的困難和大量信息輸入對主觀判斷能力造成的沖擊和影響，提供給用戶更科學，客 觀的建議。此外，本發(fā)明還提供了反饋方法。該方法提取客戶按推薦方法的建議完成發(fā)型或 化妝后的外觀的面部特征。對所得的外觀和從推薦系統(tǒng)所選擇的建議樣式之間的相關性進 行測量，并與客戶原來的外觀的發(fā)型和妝容的特征數(shù)據(jù)相關度進行比較。該統(tǒng)計相關性的 度量不僅可W用來作為衡量發(fā)型和化妝服務商的一種測量，也可用作給用戶的反饋，讓用 戶明白實際的效果和預期目標風格的相似度。該方法最為重要的功能在于可W根據(jù)用戶的 實際選擇，將用戶的個人偏好作為反饋輸入優(yōu)化系統(tǒng)數(shù)據(jù)，并對下一次使用產(chǎn)生的推薦產(chǎn) 生影響。運一方法在原有的科學客觀的基礎上，既完成了對用戶主觀偏好的兼顧，又不受制 于個人有限的經(jīng)驗的品味。
[0044] 參見圖1，圖1為本發(fā)明提供的一種生成用戶發(fā)型及妝容搭配建議的方法流程圖。 該方法包括W下步驟S1-S3:
[0045] S1、采集用戶的個人照片，并獲取應用場景圖；該步驟Sl包括W下子步驟S11-S12:
[0046] S11、通過攝像頭采集所述個人照片，或者通過于圖片庫中選擇所述個人照片。
[0047] S12、設置應用場景W獲取所述應用場景圖，或者通過攝像頭采集所述應用場景 圖，或者通過于圖片庫中選擇所述應用場景圖。
[0048] S2、采用卷積神經(jīng)網(wǎng)絡對所述個人照片及所述應用場景圖分析W篩選應用特征； 卷積神經(jīng)網(wǎng)絡是人工智能中的一種技術，采用人工智能，在網(wǎng)絡大數(shù)據(jù)提供的海量樣本(包 括面部和場景特征）中進行數(shù)據(jù)挖掘、分析和分類。具體的技術實現(xiàn)是使用卷積神經(jīng)網(wǎng)絡 (Convolutional化ural化twork，C順)技術，通過機器深度學習（De邱Learning),使系統(tǒng) 基于樣本的特征參數(shù)逐漸形成判斷標準。該步驟S2包括W下子步驟S21-S22:
[0049] S21、將所述個人照片及所述應用場景圖作為所述卷積神經(jīng)網(wǎng)絡的輸入；
[0050] S22、所述卷積神經(jīng)網(wǎng)絡的多個特征平面對所輸入的個人照片及應用場景圖進行 多層卷積處理，W篩選所述應用特征。該步驟S22包括W下子步驟S221-S224:
[0051] S221、獲取所述個人照片及所述應用場景圖的像素尺寸對應的訓練集W及卷積 核；
[0052] S222、從所述訓練集中抽樣W提取第一子特征，將所述第一子特征與所述卷積核 進行卷積W輸出多個第一特征圖；
[0053] S223、從所述多個第一特征圖中的任一個再抽樣W提取第二子特征，將所述第一 子特征與所述卷積核卷積W輸出多個第二特征圖；
[0054] S224、組合所述多個第二特征圖W輸出所述應用特征。
[0055] 其中，步驟S222及S223可W組成多個第一特征圖及多個第二特征圖W組成多個卷 積層，通過多個卷積層，提高學習精度。卷積神經(jīng)網(wǎng)絡由一個或多個卷積層和頂端的全連通 層(對應經(jīng)典的神經(jīng)網(wǎng)絡)組成，同時也包括關聯(lián)權重和池化層(pooling layer)。與其他深 度學習結構相比，卷積神經(jīng)網(wǎng)絡在圖像方面能夠給出更優(yōu)的結果。運一模型使用反向傳播 算法進行訓練，相比較其他神經(jīng)網(wǎng)絡，卷積神經(jīng)網(wǎng)絡可W使用較少的參數(shù)，是一種高效準確 深度學習結構。
[0056] 在分析篩選特征的算法中，視覺圖像信息被分解成許多子模式(特征），然后進入 分層遞階式相連的特征平面進行處理，將視覺系統(tǒng)模型化，使其能夠在即使物體有位移或 輕微變形的時候，也能完成識別。多層卷積的采用為的是將單層卷積學提取的局部特征通 過多層數(shù)后變得更全局化。
[0057] 簡單的W-個大小為5 X 5的圖像，和一個3 X 3的卷積核為例，運里的卷積核共有9 個參數(shù)，就記為0=[0U]3X3。運種情況下，卷積核實際上有9個神經(jīng)元，他們的輸出又組成 一個3 X 3的矩陣，稱為特征圖。
[005引假設有二維離散函數(shù)f(x，y)，g(x，y)f(x，y)，g(x，y)，那么它們的卷積定義為： [0化9]
[0060] 因此，每個神經(jīng)元的卷積運算為：
[0061]
[0062] 如果卷積層中的一個"神經(jīng)中樞"連接到特征圖Xl，X2, ...，Xi且運個卷積核的權 重矩陣為0 i，那么送個神經(jīng)中巧的輸出為：
[0063]
[0064] 總之，客戶端面部和場景的特征是由經(jīng)過樣本訓練的深度網(wǎng)絡萃取。深度網(wǎng)絡的 訓練采用有監(jiān)督訓練的方式進行特征提取。在實際應用中，為了提高訓練的效率和準確度， 采用多卷積核(f i 1 ter)進行多特征量提取。
[0065] S3、根據(jù)所述應用特征生成發(fā)型及妝容的搭配建議。該步驟S3包括W下子步驟 S31-S32：
[0066] S31、對所述應用特征進行分析W對所述應用特征進行歸類;運些特征量可W體現(xiàn) 相貌的特質(zhì)和場景的風格特點。進行分類后，即形成判斷標準。當用戶數(shù)據(jù)輸入時，系統(tǒng)將 根據(jù)用戶和用戶提供的場景的特征量進行分析并進行相應屬性的歸類。根據(jù)結果，和候選 推薦進行匹配。
[0067] S32、依據(jù)歸類結果與預設的推薦發(fā)型及妝容庫進行匹配，從而生成發(fā)型及妝容的 搭配建議。
[0068] 優(yōu)選的，該方法還包括步驟S4:
[0069] S4、將用戶所選擇的發(fā)型及妝容與所述個人照片及所述應用場景圖建立關聯(lián)，并 存儲至所述推薦發(fā)型及妝容庫。優(yōu)化學習樣本的具體方法:記錄用戶的最終選擇，并根據(jù)用 戶反饋的實際效果，將樣本進行有監(jiān)督標注并反饋至推薦模塊。對反饋結果的評估中采用 動態(tài)加權，既確保了有監(jiān)督標注的客觀性又吸納了用戶個性化選擇的偏好特征。
[0070] 參見圖2,圖2為本發(fā)明提供的一種生成用戶發(fā)型及妝容搭配建議的裝置100框圖， 該裝置100包括圖片獲取模塊1、特征篩選模塊2及搭配建議模塊3。
[0071 ]圖片獲取模塊1，用于采集用戶的個人照片，并獲取應用場景圖；
[0072] 特征篩選模塊2,用于采用卷積神經(jīng)網(wǎng)絡對所述個人照片及所述應用場景圖分析 W篩選應用特征；
[0073] 搭配建議模塊3,用于根據(jù)所述應用特征生成發(fā)型及妝容的搭配建議。
[0074] 優(yōu)選的，所述特征篩選模塊2包括神經(jīng)網(wǎng)絡輸入子模塊及多層卷積處理子模塊。
[0075] 神經(jīng)網(wǎng)絡輸入子模塊，用于將所述個人照片及所述應用場景圖作為所述卷積神經(jīng) 網(wǎng)絡的輸入；
[0076] 多層卷積處理子模塊，用于所述卷積神經(jīng)網(wǎng)絡的多個特征平面對所輸入的個人照 片及應用場景圖進行多層卷積處理，W篩選所述應用特征。
[0077] 優(yōu)選的，所述搭配建議模塊3包括特征歸類子模塊及匹配子模塊。
[0078] 特征歸類子模塊，用于對所述應用特征進行分析W對所述應用特征進行歸類；
[0079] 匹配子模塊，用于依據(jù)歸類結果與預設的推薦發(fā)型及妝容庫進行匹配，從而生成 發(fā)型及妝容的搭配建議。
[0080] 優(yōu)選的，該裝置100還包括學習擴充模塊4:
[0081] 學習擴充模塊4,用于將用戶所選擇的發(fā)型及妝容與所述個人照片及所述應用場 景圖建立關聯(lián)，并存儲至所述推薦發(fā)型及妝容庫。
[0082] 本文提供了實施例的各種操作。在一個實施例中，所述的一個或多個操作可W構 成一個或多個計算機可讀介質(zhì)上存儲的計算機可讀指令，其在被電子設備執(zhí)行時將使得計 算設備執(zhí)行所述操作。描述一些或所有操作的順序不應當被解釋為暗示運些操作必需是順 序相關的。本領域技術人員將理解具有本說明書的益處的可替代的排序。而且，應當理解， 不是所有操作必需在本文所提供的每個實施例中存在。
[0083] 而且，本文所使用的詞語"優(yōu)選的"意指用作實例、示例或例證。奉文描述為"優(yōu)選 的"任意方面或設計不必被解釋為比其他方面或設計更有利。相反，詞語"優(yōu)選的"的使用旨 在W具體方式提出概念。如本申請中所使用的術語"或"旨在意指包含的"或"而非排除的 "或"。即，除非另外指定或從上下文中清楚/'X使用A或B"意指自然包括排列的任意一個。 即，如果X使用A;X使用B;或X使用A和B二者，則氣使用A或B"在前述任一示例中得到滿足。
[0084] 而且，盡管已經(jīng)相對于一個或多個實現(xiàn)方式示出并描述了本公開，但是本領域技 術人員基于對本說明書和附圖的閱讀和理解將會想到等價變型和修改。本公開包括所有運 樣的修改和變型，并且僅由所附權利要求的范圍限制。特別地關于由上述組件(例如元件、 資源等)執(zhí)行的各種功能，用于描述運樣的組件的術語旨在對應于執(zhí)行所述組件的指定功 能(例如其在功能上是等價的）的任意組件(除非另外指示），即使在結構上與執(zhí)行本文所示 的本公開的示范性實現(xiàn)方式中的功能的公開結構不等同。此外，盡管本公開的特定特征已 經(jīng)相對于若干實現(xiàn)方式中的僅一個被公開，但是運種特征可W與如可W對給定或特定應用 而言是期望和有利的其他實現(xiàn)方式的一個或多個其他特征組合。而且，就術語"包括"、"具 有"、"含有"或其變形被用在【具體實施方式】或權利要求中而言，運樣的術語旨在W與術語 "包含"相似的方式包括。
[0085] 本發(fā)明實施例中的各功能單元可W集成在一個處理模塊中，也可W是各個單元單 獨物理存在，也可W兩個或兩個W上單元集成在一個模塊中。上述集成的模塊既可W采用 硬件的形式實現(xiàn)，也可W采用軟件功能模塊的形式實現(xiàn)。所述集成的模塊如果W軟件功能 模塊的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，也可W存儲在一個計算機可讀取存儲介 質(zhì)中。上述提到的存儲介質(zhì)可W是只讀存儲器，磁盤或光盤等。上述的各裝置或系統(tǒng)，可W 執(zhí)行相應方法實施例中的方法。
[0086] 綜上所述，雖然本發(fā)明已W優(yōu)選實施例掲露如上，但上述優(yōu)選實施例并非用W限 制本發(fā)明，本領域的普通技術人員，在不脫離本發(fā)明的精神和范圍內(nèi)，均可作各種更動與潤 飾，因此本發(fā)明的保護范圍W權利要求界定的范圍為準。
【主權項】
1. 一種生成用戶發(fā)型及妝容搭配建議的方法，其特征在于，包括： 采集用戶的個人照片，并獲取應用場景圖； 采用卷積神經(jīng)網(wǎng)絡對所述個人照片及所述應用場景圖分析以篩選應用特征； 根據(jù)所述應用特征生成發(fā)型及妝容的搭配建議。2. 根據(jù)權利要求1所述的方法，其特征在于，所述采集用戶的個人照片，并獲取應用場 景圖的步驟包括： 通過攝像頭采集所述個人照片，或者通過于圖片庫中選擇所述個人照片； 設置應用場景以獲取所述應用場景圖，或者通過攝像頭采集所述應用場景圖，或者通 過于圖片庫中選擇所述應用場景圖。3. 根據(jù)權利要求1所述的方法，其特征在于，所述采用卷積神經(jīng)網(wǎng)絡對所述個人照片及 所述應用場景圖分析以篩選應用特征的步驟包括： 將所述個人照片及所述應用場景圖作為所述卷積神經(jīng)網(wǎng)絡的輸入； 所述卷積神經(jīng)網(wǎng)絡的多個特征平面對所輸入的個人照片及應用場景圖進行多層卷積 處理，以篩選所述應用特征。4. 根據(jù)權利要求3所述的方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡的多個特征平面對所輸 入的個人照片及應用場景圖進行多層卷積處理，以篩選所述應用特征的步驟包括： 獲取所述個人照片及所述應用場景圖的像素尺寸對應的訓練集以及卷積核； 從所述訓練集中抽樣以提取第一子特征，將所述第一子特征與所述卷積核進行卷積以 輸出多個第一特征圖； 從所述多個第一特征圖中的任一個再抽樣以提取第二子特征，將所述第一子特征與所 述卷積核卷積以輸出多個第二特征圖； 組合所述多個第二特征圖以輸出所述應用特征。5. 根據(jù)權利要求1所述的色彩檢測方法，其特征在于，所述根據(jù)所述應用特征生成發(fā)型 及妝容的搭配建議的步驟包括： 對所述應用特征進行分析以對所述應用特征進行歸類； 依據(jù)歸類結果與預設的推薦發(fā)型及妝容庫進行匹配，從而生成發(fā)型及妝容的搭配建 議。6. 根據(jù)權利要求5所述的方法，其特征在于，還包括： 將用戶所選擇的發(fā)型及妝容與所述個人照片及所述應用場景圖建立關聯(lián)，并存儲至所 述推薦發(fā)型及妝容庫。7. -種生成用戶發(fā)型及妝容搭配建議的裝置，其特征在于，包括： 圖片獲取模塊，用于采集用戶的個人照片，并獲取應用場景圖； 特征篩選模塊，用于采用卷積神經(jīng)網(wǎng)絡對所述個人照片及所述應用場景圖分析以篩選 應用特征； 搭配建議模塊，用于根據(jù)所述應用特征生成發(fā)型及妝容的搭配建議。8. 根據(jù)權利要求7所述的裝置，其特征在于，所述特征篩選模塊包括： 神經(jīng)網(wǎng)絡輸入子模塊，用于將所述個人照片及所述應用場景圖作為所述卷積神經(jīng)網(wǎng)絡 的輸入； 多層卷積處理子模塊，用于所述卷積神經(jīng)網(wǎng)絡的多個特征平面對所輸入的個人照片及 應用場景圖進行多層卷積處理，以篩選所述應用特征。。9. 根據(jù)權利要求7所述的裝置，其特征在于，所述搭配建議模塊包括： 特征歸類子模塊，用于對所述應用特征進行分析以對所述應用特征進行歸類； 匹配子模塊，用于依據(jù)歸類結果與預設的推薦發(fā)型及妝容庫進行匹配，從而生成發(fā)型 及妝容的搭配建議。10. 根據(jù)權利要求9所述的裝置，其特征在于，還包括： 學習擴充模塊，用于將用戶所選擇的發(fā)型及妝容與所述個人照片及所述應用場景圖建 立關聯(lián)，并存儲至所述推薦發(fā)型及妝容庫。
【文檔編號】G06F17/30GK105956150SQ201610317656
【公開日】2016年9月21日
【申請日】2016年5月12日
【發(fā)明人】李遠志, 朱凌
【申請人】張家港索奧通信科技有限公司