基于人脸特征识别的商品推荐系统的研究与开发
来源:用户上传
作者:
摘要：本文主要研究了基于人脸特征识别的商品推荐系统的设计思路、总体结构、推荐算法的模型设计;阐明了推荐系统的推荐系统的人脸识别算法、基于人脸特征识别的商品推荐系统的实现等。具体一定的实用价值。
关键词：人脸特征识别;商品推荐;信息采集;协同推荐
中图分类号：TP391.3 文献标志码：A 文章编号：1007-9416（2020）04-0000-00
近年来，随着电子商务迅速发展与规模逐渐扩大，商品的种类越来越繁杂，顾客为了网购商品需要浏览大量与商品无关的垃圾虚假信息，消耗大量的精力和时间才有可能搜索到自己想买的商品，这就是所课的信息过载造成顾客的流失。为了帮助顾客快速精准购买到满足个性所需的商品，商品个性化推荐系统就应运而生。个性化是根据顾客的兴趣爱好与购买行为向精准地为顾客推荐所感兴趣的信息和商品;商品个性化推荐系统的关键技术是通过对商品海量数据进行深度学习与挖掘，为顾客购物提供完全个性化的决策支持和信息服务的电子商务网站，即高级商务智能平台。目前，大小型商场、娱乐场、商品交易会展、休闲场所、公共场所等推出的各式各样的商品推荐系统，其实就是一般的商品广告。本文所阐述的是基于人脸特征识别的商品推荐系统，是通过视频人脸信息的采集，进行人脸特征识别，实时判断购买者年龄大小，性别，个性爱好和购物时的心情，并实时推荐符合购者个性的商品。系统能依据购物者的面部表情判断其对推荐的商品的满意度，并能及时调整推荐商品使其能贴近顾客的个性爱好。
1 推荐系统的总体结构
本文的核心技术是人脸特征识别系统和商品推荐算法。人脸特征识别系统采用人工智能芯片RK3399芯片作为核心处理器，由摄像头进行图像采集，并把跨平台计算机视觉库（OpenCV）到RK3399开发板上，通过调用百度的AI库，经大量的图片训练，能够精准的判断人的顾客的性别，年龄大小和购物心情。获取视频图像信息的流程是采集视频图像信息、图像预处理、图像的边缘与轮廓提取、特征提取与识别等;考虑到在复杂背景下能有效、清晰地获取人脸视频信息，采用了多姿态猴脸检测与识别方法来实现多姿态下的人脸识别算法。商品推荐算法及推荐方法是用基于风格分类和人脸匹配[1-2]。
在多姿态表情的人脸特征识别主要是以眼睛和鼻子的特征，包括嘴巴、耳朵、毛发等观测区域的特征信息;为了使系统有准确性和健壮性，需考虑环境因素的影响，如光线、表情、视角等干扰因素。
在获取人脸信息的数据和人脸特征识别处理后，由商品推荐系统依据顾客所选择的商品种类，通过商品推荐算法进行数据分析、数据挖掘、数据处理、完成商品推荐。推荐系统需考虑3个基本要素：顾客、商品、推荐方法[3]。本系统以服装商品为例通过对顾客、商品、特征的分析研究出顾客、商品、特征之间的关系，如图1所示。
通常，商品特征主要包含2种属性，即静态属性和动态属性。静态属性包括：商品的品牌、商品种类、商品货号、购物者的性别、
尺码大小、颜色、上架时间、适应季节等;动态属性包括：商品数量和库存量、市场价格和销售价格、毛利、曝光数、浏览次数、加购物车次数等。
为实现基于人脸特征识别的商品推荐系统，需设计一个较为全面且符合商家需求的推荐系统模型，建立包括人脸基本特征识别、特征过滤、风格分类、个性化人脸匹配、综合处理及动态显示推荐商品的总体架构模型[4]，系统的具体的总体架构如图2所示。
其中基本特征匹配模块主要是用来通过人脸视频特征如顾客年龄，性别，个性和心情等信息从数据库中过滤出满足顾客需求的商品;风格分类模块主要是来对商家商品的风格进行分类，在系统运行初期，该模块首先会对系统数据库中的各种不同类型的商家商品的照片进行图像风格的判断，并将判断后得到的结果存储到数据库中的相应用商家商品信息中，用于后继推荐过程中的风格过滤;个性化商品匹配则可以匹配出与依据人脸特征识别推荐的具有一定需求的客户;综合处理模块则按照顾客的个性化需求进行综合推荐;交互与推荐模块主要是用来与顾客进行交互，获得顾客的个性化需求并针对顾客的需求做出相应的推荐。
2 推荐系统的推荐算法
2.1 推荐算法的模型设计
摄像头采集人脸图像信息，通过人脸特征识别，判断顾客的年龄大小，性别，个性和购物时的心情，推荐相对应的需求产品。然后根据顾客面部表情判断顾客对商品的满意度，做出相应的调整。推荐系统的模型如图3所示。
基于人脸特征识别的商品推荐系统的模型的描述如下：（1）推荐系统通过顾客行为举止，建立客户模型;（2）通过商品的信息，建立推荐对象模型;（3）通过顾客人脸特征识别判断购买者年龄，性别，个性爱好与购物时的心情，再推荐算法的深度学习与计算，能快速找到顾客可能感兴趣的推荐对象，然后推荐给顾客[5]。
2.2 推荐算法
本系统采用基于用户的协同过滤推荐算法，其算法是寻找3个与本次需推荐商品的顾客个性相似的用户，并用这3个用户的评分去预测该顾客推荐的商品的评分[6]。
（1）使用余弦相似性度量如下：
（2）依据皮尔森的相关性，定义如下：
在皮尔森的算法中，最近邻方法用于基于各种相似性度量搜索k个最近邻。
（3）其目标用户对商品的预测可用下式表示：
是目标用户m对商品j的预测，是用户m和v之间的相似度，K是与目标用户相似的K个用户。
（4）推荐算法的编程流程如图4所示：
3 推荐系统的人脸识别与编程
目前人脸识别技术主要存在的难点为光照问题、遮挡问题、表情问题、姿态问题和生长问题。本系统的是在正面人脸、正常光照、正常表情的基础上實现的，只有小部分的人脸图像是在小范围倾斜、有近视眼镜遮挡的情况下进行识别的。这样做是为了更好地对人脸特征识别算法，判断购买者年龄，性别，个性和当天的心情，推荐相对应的需求产品。 人臉识别系统可以分为四个阶段：人脸图像的采集获取、人脸图像的预处理、人脸特征的提取和特征匹配，本文所对应的系统能实现基于正面、无光照问题、有表情变化和轻微姿态变化情况下的人脸识别。速度快、准确率高，具有一定的研究和应用价值[7]。本系统的特征脸算法识别率如表1所示。
4 结语
本系统是基于特征脸算法的人脸识别，系统的实现方法是利用特征脸识别算法实现的。采用的人脸图像数据库为ESSEX FACES94人脸图像数据库，特征提取方法为特征脸算法，分类方法采用的是最小距离分类方法。本系统能实现人脸特征识别功能，在光照没有明显变化、存在少量遮挡物以及是正面姿态的情况下，完成人脸图像的特征识别。本系统的优点是识别速度快、准确率高，具有一定的实际应用价值。
参考文献
[1] 黄立威，江碧涛，吕守业，等.基于深度学习的推荐系统研究综述[J].计算机学报，2018（7）：1619-1647.
[2] 胡勇，朱莹莹.特征脸算法脸识别系统[J].金陵科技学院学报，2018（6）：1-4.
[3] 王俊生，王波，韩庆芝.一种多模态生物特征融合算法探究[J].智能计算机与应用，2018（12）：87-89.
[4] 孙海威，曹曦文，张鑫晟，等.基于压缩感知的人脸识别算法实现[J].信息技术，2018（3）155-158.
[5] 尹利.Hadoop下的个性化推荐应用研究[D].武汉：湖北大学，2016.
[6] 李欢.新型协同过滤推荐算法研究[D].合肥：安徽大学，2017.
[7] 张丹.基于风格分类和人脸匹配的服装模特推荐系统研究与实现[D].广州：华南理工大学，2017.
收稿日期：2020-03-13
基金项目：2019年，“攀登计划”广东大学生科技创新（科技发明类）培育专项，项目名称：基于人脸特征识别的商品推荐系统，项目编号（pdjh2019b0976）;2018年度广东省教育科学“十三五”规划课题，课题编号（2018GXJK361）。
作者简介：邓康荣，男，广东东莞人，研究方向：计算机应用、图像处理、机电工程方面的研究。
通讯作者：熊茂华（1958—），男，江西南昌人，本科，教授，研究方向：智能控制、物联网技术、嵌入式系统、无线传感器网络技术。
Research and Development of Product Recommendation System Based on Face Feature Recognition
DENG Kang-rong，XIONG Mao-hua
（Guangzhou South China Business Vocational College，Guangzhou Guangdong 511483）
Abstract： This article mainly studies the design ideas， overall structure， and model design of a product recommendation system based on face feature recognition; clarifies the face recognition algorithm of a recommendation system recommendation system， and a product recommendation system based on face feature recognition Implementation. Specific practical value.
Keywords： facial feature recognition; product recommendation; information collection; collaborative recommendation
转载注明来源:https://www.xzbu.com/8/view-15252027.htm
