KR20220055018A - 안면 이미지에 기초하여 제품 추천을 제공하는 방법 및 장치 - Google Patents

Abstract

본 개시의 일 실시예에 따른, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 사용자 단말기로 하여금 이하의 동작들을 수행하기 위한 명령들을 포함하며, 상기 동작들은: 상기 사용자 단말기의 카메라로 촬영된, 상기 사용자의 안면을 포함하는 제 1 이미지를 획득하는 동작; 상기 제 1 이미지를 사전 학습된 영역 인식 모델에 입력하여 상기 제 1 이미지 내에서 특징 영역의 위치를 인식하는 동작; 상기 인식한 특징 영역 각각에 대한 제 2 이미지를 추출하는 동작; 상기 제 2 이미지를 사전 학습된 영역 진단 모델에 입력하여 상기 특징 영역 내 발생 빈도가 높은 트러블에 대한 존재 여부에 관한 정보, 또는 형태에 관한 정보 중 적어도 하나를 포함하는 제 1 정보를 추출하는 동작; 상기 제 1 정보의 적어도 일부에 기초하여 생성된 질문데이터를 디스플레이 하는 동작; 상기 질문데이터에 대한 상기 사용자의 답변 입력에 기초하여, 제 2 정보를 획득하는 동작; 상기 제 1 정보 및 상기 제 2 정보를 서버에 전송한 후, 상기 서버로부터 상기 제 1 정보 및 상기 제 2 정보에 적어도 부분적으로 매칭되는 하나 이상의 제품 정보를 수신하는 동작; 및 상기 제품 정보를 디스플레이 하는 동작; 을 포함하고, 상기 특징 영역은 눈 영역, 코 영역, 입 영역, 이마 영역, 또는 볼 영역 중 적어도 하나를 포함할 수 있다.

Description

안면 이미지에 기초하여 제품 추천을 제공하는 방법 및 장치{METHOD AND APPARATUS FOR RECOMMENDING SKIN PRODUCTS USING FACIAL IMAGES}

본 개시는 안면 이미지에 기초하여 제품 추천을 제공하는 방법 및 장치에 관한 것으로서, 구체적으로 사용자의 안면 촬영 이미지에 기초하여 적합한 제품 추천을 제공하는 방법 및 장치에 관한 것이다.

매우 다양한 피부 케어 제품이 판매되고 있지만, 소비자가 그들 자신이 어떤 피부 케어 제품을 사용해야 할지를 결정하는 데 어려움을 겪는 것은 흔한 일이다. 예를 들어, 다크서클에 관한 피부 문제를 가진 누군가는 여드름에 관한 피부 문제를 가진 누군가와 비교해 상이한 제품을 필요로 할 수 있다. 또는, 특정 환경에 지속적으로 노출되는 누군가는 상이한 환경에 노출되는 누군가와 비교해 상이한 제품을 필요로 할 수 있다.

피부 상태를 모델링하려는 다른 과거 시도들은 번거로운 장비 또는 기법들을 이용하였다(예를 들어, 고정 카메라, 현미경, 교차 편광된 광, 경면 반사율, 및/또는 공간 주파수 분석). 소비자가 피부 케어 제품 추천을 받을 수 있도록 피부를 분석하는, 사용하기 편리하고/하거나 이동성을 가진 시스템을 소비자에게 제공하는 것이 바람직할 것이다.

따라서, 맞춤형 피부 케어 제품 추천을 제공하는 데 도움을 주도록 사용될 수 있는, 사람의 피부 상태 정보를 편리하게 결정하는 개선된 방법에 대한 필요성이 여전히 존재한다.

대한민국 공개특허 2020-0003402

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 안면 이미지에 기초하여 제품 추천을 제공하는 방법 및 장치를 제공하고자 한다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

전술한 과제를 해결하기 위한 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램을 제공하고자 한다. 상기 컴퓨터 프로그램은 사용자 단말기로 하여금 이하의 동작들을 수행하기 위한 명령들을 포함하며, 상기 동작들은: 상기 사용자 단말기의 카메라로 촬영된, 상기 사용자의 안면을 포함하는 제 1 이미지를 획득하는 동작; 상기 제 1 이미지를 사전 학습된 영역 인식 모델에 입력하여 상기 제 1 이미지 내에서 특징 영역의 위치를 인식하는 동작; 상기 인식한 특징 영역 각각에 대한 제 2 이미지를 추출하는 동작; 상기 제 2 이미지를 사전 학습된 영역 진단 모델에 입력하여 상기 특징 영역 내 발생 빈도가 높은 트러블에 대한 존재 여부에 관한 정보, 또는 형태에 관한 정보 중 적어도 하나를 포함하는 제 1 정보를 추출하는 동작; 상기 제 1 정보의 적어도 일부에 기초하여 생성된 질문데이터를 디스플레이 하는 동작; 상기 질문데이터에 대한 상기 사용자의 답변 입력에 기초하여, 제 2 정보를 획득하는 동작; 상기 제 1 정보 및 상기 제 2 정보를 서버에 전송한 후, 상기 서버로부터 상기 제 1 정보 및 상기 제 2 정보에 적어도 부분적으로 매칭되는 하나 이상의 제품 정보를 수신하는 동작; 및 상기 제품 정보를 디스플레이 하는 동작; 을 포함하고, 상기 특징 영역은 눈 영역, 코 영역, 입 영역, 이마 영역, 또는 볼 영역 중 적어도 하나를 포함할 수 있다.

또한, 상기 영역 인식 모델은, 인간의 안면이 포함된 이미지 데이터를 포함하는 제 1 학습 데이터 세트 및 바운딩 박스(bounding box)에 대한 좌표를 이용하여 상기 인간의 안면의 이미지와 매칭되는 상기 특징 영역의 위치를 학습하고, 상기 제 1 이미지 내에서 상기 특징 영역의 위치를 인식하고, 상기 영역 진단 모델을 학습시키기 위한 제 2 학습 데이터는, 상기 특징 영역이 포함된 이미지 데이터를 학습 데이터의 입력으로 하고, 상기 특징 영역이 포함된 이미지 데이터에 상기 특징 영역에 발생 빈도가 높은 하나 이상의 상기 트러블에 대한 하나 이상의 클래스를 라벨로 하여 생성되고, 상기 영역 진단 모델은, 상기 제 2 학습 데이터를 포함하는 제 2 학습 데이터 세트를 이용하여 상기 특징 영역과 매칭되는 상기 트러블에 대한 분류를 학습하고, 상기 제 1 이미지에 기초하여 상기 제 1 정보를 획득하도록 할 수 있다.

또한, 상기 제 2 정보는, 상기 트러블의 진행 경과 정보, 제품 선호 정보, 알레르기성 성분 정보, 또는 거주지 환경 정보 중 적어도 하나를 포함할 수 있다.

또한, 상기 제품 정보는, 상기 서버에 저장되어 있는 복수의 제품에 대한 정보로부터 선택되고, 상기 복수의 제품에 대한 상기 정보는, 상기 제 1 정보 및 상기 제 2 정보 중 적어도 일부와 대응하는 메타데이터와 함께 저장될 수 있다.

전술한 과제를 해결하기 위한 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램을 제공하고자 한다. 상기 컴퓨터 프로그램은 서버로 하여금 이하의 동작들을 수행하기 위한 명령들을 포함하며, 상기 동작들은: 사용자 단말기로부터, 상기 사용자 단말기의 카메라로 촬영된 상기 사용자의 안면을 포함하는 제 1 이미지로부터 추출한 트러블에 대한 제 1 정보, 및 상기 제 1 정보의 적어도 일부에 기초하여 생성된 질문데이터에 대한 상기 사용자의 대답으로부터 획득된 상기 사용자에 대한 제 2 정보를 수신하는 동작; 상기 서버의 메모리에 저장된 복수의 제품에 대한 정보로부터 상기 제 1 정보 및 상기 제 2 정보 중 적어도 일부와 매칭되는 하나 이상의 상기 제품을 검색하는 동작; 및 검색된 상기 제품에 대한 상기 정보를 상기 사용자 단말기에 전송하는 동작; 을 포함할 수 있다.

본 개시는 안면 이미지에 기초하여 제품 추천을 제공하는 방법 및 장치를 제공할 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 특정 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 몇몇 실시예에 따른 안면 이미지에 기초하여 제품 추천을 제공하기 위한 사용자 단말기의 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 안면 이미지에 기초하여 제품 추천을 제공하기 위한 순서도이다.
도 3은 본 개시의 몇몇 실시예에 따른 영역 인식 모델을 개략적으로 설명하기 위한 도면이다.
도 4는 본 개시의 몇몇 실시예에 따른 영역 진단 모델을 개략적으로 설명하기 위한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따른 컨벌루셔널 뉴럴 네트워크(Convolutional neural network)를 나타내는 개략도이다.
도 6은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 몇몇 실시예에 따른 안면 이미지에 기초하여 제품 추천을 제공하기 위한 사용자 단말기의 블록 구성도이다.

본 개시의 몇몇 실시예에 따르면, 사용자 단말기(100)는 카메라부(110), 메모리(120), 제어부(130), 네트워크부(140) 및 디스플레이부(150)를 포함할 수 있다. 다만, 전술한 구성 요소들은 사용자 단말기(100)를 구현하는데 있어서 필수적인 것은 아니어서, 사용자 단말기(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다. 여기서, 각각의 구성 요소들은 별개의 칩이나 모듈이나 장치로 구성될 수 있고, 하나의 장치 내에 포함될 수도 있다.

본 개시의 몇몇 실시예에 따른 사용자 단말기(100)는 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 등일 수 있다. 다만, 이에 한정되는 것은 아니며, 사용자 단말기(100)는 영상을 촬영할 수 있는 카메라부(110)가 구비된 모든 종류의 단말기일 수 있다.

사용자 단말기(100)는 영상 정보의 입력을 위하여, 하나 또는 복수의 카메라부(110)를 구비할 수 있다. 카메라부(110)는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리할 수 있다. 처리된 화상 프레임은 디스플레이부(150)에 표시되거나 메모리(120)에 저장될 수 있다.

한편, 사용자 단말기(100)에 구비되는 복수의 카메라부(110)는 매트릭스 구조를 이루도록 배치될 수 있으며, 이와 같이 매트릭스 구조를 이루는 카메라부(110)를 통하여, 사용자 단말기(100)에는 다양한 각도 또는 초점을 갖는 복수의 영상정보가 입력될 수 있다.

본 개시의 몇몇 실시예에 따른 카메라부(110)는 사용자의 안면이 포함된 제 1 이미지(300)를 획득할 수 있다. 여기서 제 1 이미지는 영상 이미지 또는 프리뷰 이미지일 수 있다. 전술한 제 1 이미지는 예시일 뿐이며, 본 개시는 이제 제한되지 않는다.

제 1 이미지(300)는 촬영된 사용자 안면 내에서 특징 영역을 포함하는 제 2 이미지(600)를 추출하기 위해 이용될 수 있다. 또한, 상기 제 2 이미지(600)는. 사용자 안면 피부의 트러블에 대한 제 1 정보(800)를 획득하기 위해 이용될 수 있다.

카메라부(110)가 획득한 제 1 이미지는 메모리(120)에 저장될 수 있다. 또한, 상기 제 1 이미지는 네트워크부(140)를 통해 서버(200)에 전송될 수도 있다.

메모리(120)는 사용자 단말기(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 메모리(120)는 사용자 단말기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 사용자 단말기(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한 이러한 응용 프로그램 중 적어도 일부는, 사용자 단말기(100)의 기본적인 기능을 위하여 출고 당시부터 사용자 단말기(100) 상에 존재할 수 있다. 한편, 응용 프로그램은, 메모리(120)에 저장되고, 사용자 단말기(100) 상에 설치되어, 제어부(130)에 의하여 사용자 단말기(100)의 동작(또는 기능)을 수행하도록 구동될 수 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 사용자 단말기(100)는 인터넷(internet)상에서 상기 메모리(170)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작될 수도 있다.

본 개시의 몇몇 실시예에 따른 메모리(120)는 제 1 정보(800) 및 제 2 정보를 획득하고, 서버에 제 1 정보 및 제 2 정보를 전송하는 동작을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있다. 메모리(120)에 저장된 컴퓨터 프로그램은 제어부(130)에 의해 판독되어 구동될 수 있다. 또한, 메모리(120)는 제어부(130)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 사용자의 안면이 포함된 제 1 이미지, 제 1 이미지로부터 특징 영역을 포함하도록 추출된 제 2 이미지, 사용자 안면 피부의 트러블에 대한 제 1 정보, 제 1 정보로부터 생성되는 질문데이터, 및 질문데이터에 대한 사용자의 답변에 따른 제 2 정보 등)을 임시 또는 영구 저장할 수도 있다. 메모리(120)는 디스플레이 및 음향에 관한 데이터를 저장할 수 있다.

제어부(130)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥 러닝을 위한 프로세서를 포함할 수 있다.

본 개시의 몇몇 실시예에 따른 제어부(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 제 1 이미지(300)로부터 특징 영역을 포함하는 제 2 이미지(600)를 추출할 수 있고, 사용자 안면 피부의 트러블에 대한 제 1 정보(800)를 획득할 수 있다.

또한, 본 개시의 몇몇 실시예에 따른 제어부(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 제 1 정보로부터 질문데이터를 생성하여 디스플레이부(150)를 통해 디스플레이 할 수 있고, 질문데이터에 대한 사용자 답변 입력에 기초하여 제 2 정보를 획득할 수 있다.

본 개시의 몇몇 실시예에 따라 제어부(130)는 신경망의 학습을 위한 계산을 수행할 수 있다. 제어부(130)는 딥 러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐(feature) 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.

제어부(130)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 모델의 학습, 모델을 이용하여 촬영된 사용자 안면을 포함하는 제 1 이미지 내에서 특징 영역을 포함하는 제 2 이미지의 추출, 및 사용자 안면 피부의 트러블에 대한 제 1 정보의 획득에 대한 연산을 처리할 수 있다. 또한, 본 개시의 몇몇 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 모델의 학습, 모델을 통한 상기 제 2 이미지의 추출 및 상기 제 1 정보의 획득 및 중 적어도 하나에 대한 연산을 처리할 수 있다. 또한, 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 몇몇 실시예에서 사용자 단말기(100)는 CPU, GPGPU, 및 TPU 중 적어도 하나를 이용하여 모델을 분산하여 처리할 수 있다. 또한 본 개시의 몇몇 실시예에서 사용자 단말기(100)는 다른 컴퓨팅 장치와 함께 모델을 분산하여 처리할 수 있다.

네트워크부(140)는 사용자 단말기(100)와 무선 통신 시스템 사이, 사용자 단말기(100)와 다른 단말기(미도시) 사이, 또는 사용자 단말기(100)와 서버 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 네트워크부(140)는 사용자 단말기(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.

무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있으며, 상기 무선 인터넷 접속을 위한 모듈은 상기에서 나열되지 않은 인터넷 기술까지 포함한 범위에서 적어도 하나의 무선 인터넷 기술에 따라 데이터를 송수신할 수 있다.

디스플레이부(150)는 사용자 단말기(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(150)는 사용자 단말기(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

디스플레이부(150)는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다.

도 2는 본 개시의 몇몇 실시예에 따른 안면 이미지에 기초하여 제품 추천을 제공하기 위한 순서도이다. 도 3은 본 개시의 몇몇 실시예에 따른 영역 인식 모델을 개략적으로 설명하기 위한 도면이다. 도 4는 본 개시의 몇몇 실시예에 따른 영역 진단 모델을 개략적으로 설명하기 위한 도면이다. 도 5는 본 개시의 몇몇 실시예에 따른 컨벌루셔널 뉴럴 네트워크(Convolutional neural network)를 나타내는 개략도이다.

도 2를 참조하면, 제어부(130)는 카메라부(110)로부터 촬영된 사용자의 안면을 포함하는 제 1 이미지를 획득할 수 있다(S110).

구체적으로, 제어부(130)는 이미지 촬영 명령에 기초하여 카메라부(110)로부터 촬영된 사용자의 안면이 포함된 제 1 이미지(300)를 획득할 수 있다. 예를 들어, 사용자가 사용자 단말기(100)의 카메라부(110)로 사용자의 안면을 촬영하는 경우에, 제어부(130)는 사용자의 안면이 모두 포함되도록 하는 촬영 명령을 나타내는 사용자 인터페이스를 디스플레이부(150)를 통해 디스플레이 할 수 있다. 다만, 이에 한정되는 것은 아니다.

다음으로, 제어부(130)는 제 1 이미지(300) 내에서 특징 영역의 위치를 인식할 수 있고(S220), 인식한 특징 영역 각각에 대한 제 2 이미지(600)를 추출할 수 있다(S230).

구체적으로, 제어부(130)는 제 1 이미지(300)를 영역 인식 모델에 입력하여 하나 이상의 특징 영역의 위치를 인식할 수 있고, 각각의 특징 영역에 대한 제 2 이미지(600)를 추출할 수 있다. 특징 영역은 사용자 안면 내에서의 랜드마크 구조를 포함할 수 있다.

예를 들어, 도 3을 참조하면, 특징 영역은, 눈 영역(520), 코 영역(530), 입 영역(550), 이마 영역(510), 또는 볼 영역(540) 중 적어도 하나를 포함할 수 있다. 다만 이에 한정되는 것은 아니다.

상술한 하나 이상의 특징 영역에 대해 추출된 제 2 이미지(600)는 후술할 영역 진단 모델(700)에 입력되어, 각각의 특징 영역 내에 존재할 수 있는 트러블에 대한 제 1 정보(800)를 획득하는 데에 이용될 수 있다.

예컨대, 도 4를 참조하면, 눈 영역인 특징 영역에 대해 추출된 제 2 이미지(620)는 눈 영역에 대한 영역 진단 모델(720)에 입력되어, 눈 영역에 발생 빈도가 높은 트러블에 대한 존재 여부, 또는 형태 등의 제 1 정보(820)를 획득하는 데에 이용될 수 있다. 가령, 다크서클, 기미, 또는 주름 중 어느 하나에 대한 제 1 정보를 획득하는 데에 이용될 수 있다.

이와 같이 사용자 단말기(100)로부터 입력된 제 1 이미지(300)로부터 각각의 특징 영역에 대한 제 2 이미지(600)를 추출하고 이를 통해 트러블에 대한 제 1 정보(800)를 획득함으로써, 사용자의 안면에 존재할 수 있는 트러블에 대한 진단의 신뢰도를 높일 수 있다. 예컨대, 다크서클은 눈 영역에서 발생 빈도가 높은 트러블인 반면, 입 영역 등 이 외의 영역에서는 발생하지 않는 트러블일 수 있다. 또는, 블랙헤드나 모공은 코 영역에서 발생 빈도가 높은 트러블인 반면, 눈 영역 등에서는 발생 빈도가 낮은 트러블일 수 있다. 즉, 각각의 특징 영역을 구분지어 인식하고 대응하는 제 2 이미지(600)를 추출하여 진단에 사용함으로써, 특징 영역 별로 발생 특이적인 트러블에 대한 진단의 정확도를 향상시킬 수 있다.

이하 도 3에서 본 개시의 몇몇 실시예에 따른 제어부(130)가 특징 영역의 위치를 인식하는 방법에 대해 좀 더 자세히 설명한다.

도 3을 참조하면, 제어부(130)는 제 1 이미지(300)를 사전 학습된 영역 인식 모델에 입력하여 제 1 이미지(300) 내에서 특징 영역의 위치를 인식할 수 있다. 영역 인식 모델은 YOLO(You Only Look Once) 알고리즘을 이용하는 모델일 수 있다. YOLO 알고리즘을 이용하는 모델에 대한 구체적인 구성에 대해서는 본 출원의 전체가 참조로서 통합되는 논문 "Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi; The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 779-788"에서 구체적으로 논의된다.

영역 인식 모델은 인간의 안면이 포함된 이미지 데이터를 포함하는 제 1 학습 데이터 세트 및 바운딩 박스(bounding box)에 대한 좌표를 이용하여 상기 인간의 안면의 이미지와 매칭되는 상기 특징 영역의 위치를 학습할 수 있다.

예를 들어, 외부 서버 또는 다른 컴퓨팅 장치는 인간의 안면이 포함된 이미지 데이터에서 눈 영역(520), 코 영역(530), 입 영역(550), 이마 영역(510), 또는 볼 영역(540)을 포함하는 특징 영역의 위치에 대한 정보의 바운딩 박스를 라벨링 하여 제 1 학습 데이터를 생성할 수 있다. 여기서 특징 영역의 위치에 대한 정보는, 인간의 안면 이미지 내에서 다른 객체와 식별하기 위한 각 특징 영역의 모양, 위치 및 크기에 대한 정보를 포함할 수 있다. 라벨링 된 제 1 학습 데이터는 사용자가 직접 인간의 안면이 포함된 이미지 내에서 특징 영역의 위치에 대한 정보의 바운딩 박스를 라벨링 한 것일 수 있다. 라벨링 된 학습 데이터는 다른 네트워크 함수 모델을 이용하여 인간 안면이 포함된 이미지 데이터에 특징 영역의 위치에 대한 정보를 라벨링 한 것일 수 있다. 다만 이에 한정되는 것은 아니다.

한편, 영역 인식 모델은 외부 서버 또는 다른 컴퓨팅 장치로부터 생성될 수 있다. 그리고, 외부 서버 또는 다른 컴퓨팅 장치는 웹 크롤링(Web Crawling)을 수행하여 인간의 안면이 포함된 이미지 데이터를 획득할 수 있다. 이미지 데이터는 영역 인식 모델을 학습시키기 위한 제 1 학습 데이터 세트에 이용될 수 있다. 또한, 외부 서버 또는 다른 컴퓨팅 장치는 사용자 단말기(100) 또는 다른 사용자 단말기로부터 인간 안면이 포함된 이미지 데이터를 획득할 수 있다. 전술한 이미지 데이터를 획득하는 방법은 예시일 뿐, 본 개시는 이제 제한되지 않는다.

한편, 사용자 단말기(100)는 외부에서 생성된 영역 인식 모델을 획득하여 메모리(120)에 저장할 수 있다. 한편, 본 개시의 다른 몇몇 실시예에 따르면, 사용자 단말기(100)이 영역 인식 모델을 생성할 수도 있다.

한편, 도 2를 다시 참조하면, 제어부(130)는 제 2 이미지(600)를 사전 학습된 영역 진단 모델(700)에 입력하여 촬영된 사용자 안면 피부의 트러블에 대한 제 1 정보를 획득할 수 있다(S140).

도 4를 참조하면, 영역 진단 모델(700)은 사용자 안면의 각 특징영역들을 분석하기 위한, 즉 눈 영역, 코 영역, 입 영역, 이마 영역 또는 볼 영역 중 적어도 하나 이상의 특징 영역들을 분석하기 위한 5개의 개별 모델(710 내지 750)들을 포함할 수 있다. 다만 이에 한정되는 것은 아니며, 더 적은 모델 또는 더 많은 모델들을 포함할 수 있다.

각각의 개별 영역 진단 모델들은 대응하는 특징 영역들에 발생 빈도가 높은 트러블들을 인식하도록 생성될 수 있다. 예컨대, 이마 영역에 대한 영역 진단 모델(710)은 유분, 여드름, 또는 주름 등의 트러블들을 인식하도록 생성될 수 있다. 눈 영역에 대한 영역 진단 모델(720)은 다크서클, 주름, 또는 기미 등의 트러블들을 인식하도록 생성될 수 있다. 코 영역에 대한 영역 진단 모델(730)은 블랙헤드, 여드름, 주름, 또는 모공 등의 트러블들을 인식하도록 생성될 수 있다. 볼 영역에 대한 영역 진단 모델(740)은 건조, 여드름, 또는 주름 등의 트러블들을 인식하도록 생성될 수 있다. 입 영역에 대한 영역 진단 모델(750)은 건조, 또는 주름 등의 트러블들을 인식하도록 생성될 수 있다.

상술한 트러블들의 종류는 각각의 특징 영역에 발생 빈도가 높은 것으로 선정하였으나, 트러블의 종류가 한정되는 것은 아니며 임의의 트러블이 추가 또는 생략되어 사용될 수 있다. 이상의 영역 진단 모델을 생성하는 방법에 대한 자세한 내용은 도 4를 통하여 보다 자세히 후술한다.

한편, 제어부(130)는 하나 이상의 특징 영역에 대해 추출된 제 2 이미지(600)들을 대응되는 개별 영역 진단 모델(700)에 입력하여, 각각의 특징 영역 내에 존재할 수 있는 트러블에 대한 제 1 정보(800)를 획득할 수 있다. 예를 들어, 제 1 정보(800)는 임의의 특징 영역 내의 임의의 트러블에 대한 존재 여부에 관한 정보, 또는 형태에 관한 정보 중 적어도 하나를 포함할 수 있다. 다만 이에 한정되는 것은 아니다.

이와 같이 각각의 특징 영역에 대한 제 2 이미지(600)를 대응되는 영역 진단 모델(700)에 입력하고 이를 통해 트러블에 대한 제 1 정보(800)를 획득함으로써, 특징 영역 별로 발생 특이적인 트러블에 대한 진단의 정확도를 향상시킬 수 있다.

이하 본 개시의 몇몇 실시예에 따른 제 1 정보(800)를 획득하는 방법에 대해 좀 더 자세히 설명한다.

본 개시의 몇몇 실시예에 따른 영역 진단 모델(700)은 사전 학습된 네트워크 함수로서 이는 교사 학습(supervised learning), 비 교사 학습(unsupervised learning) 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다.

본 개시의 몇몇 실시예에 있어서, 영역 진단 모델(700)을 학습시키기 위한 제 2 학습 데이터는 특징 영역이 포함된 이미지 데이터를 학습 데이터의 입력으로 하고, 특징 영역이 포함된 이미지 데이터에 각 특징 영역에 발생 빈도가 높은 하나 이상의 트러블에 대한 클래스를 라벨로 하여 생성될 수 있다.

본 개시의 몇몇 실시예에 있어서, 영역 진단 모델(700)은 제 2 학습 데이터를 포함하는 제 2 학습 데이터 세트를 이용하여 특징 영역과 매칭되는 트러블에 대한 분류를 학습하고, 제 1 이미지(300)에 기초하여 제 1 정보(800)가 획득되도록 생성될 수 있다.

여기서 영역 진단 모델(700)은 외부 서버 또는 다른 컴퓨팅 장치로부터 생성될 수 있다. 영역 진단 모델을 학습시키기 위한 이미지 데이터는 전술한 영역 인식 모델을 학습시키기 위한 이미지 데이터를 이용할 수 있다. 전술한 이미지 데이터를 획득하는 방법은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

예를 들어, 외부 서버 또는 다른 컴퓨팅 장치는 상기 획득한 이미지 데이터에, 각 특징 영역에 발생 빈도가 높은 하나 이상의 트러블들을 구별할 수 있는 특징에 기초하여 트러블에 관한 정보를 라벨링 하여 제 2 학습 데이터를 생성할 수 있다. 외부 서버 또는 다른 컴퓨팅 장치는 제 2 학습 데이터를 포함하는 제 2 학습 데이터 세트를 이용하여 네트워크 함수에 각 특징 영역과 매칭되는 트러블에 대한 분류를 학습시켜 영역 진단 모델을 생성할 수 있다. 전술한 영역 진단 모델을 생성하는 방법은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 몇몇 실시예에 따른 제어부(130)는 상기 생성된 영역 진단 모델(700)에 제 2 이미지(600)를 입력하여, 특징 영역을 포함하는 제 2 이미지에 존재하는 트러블에 대한 제 1 정보(800)를 획득할 수 있다.

구체적으로 제어부(130)는 영역 진단 모델(700)에 각 특징 영역이 포함된 제 2 이미지(600)를 입력하여 연산할 수 있다. 제어부(130)는 영역 진단 모델(700)을 이용하여 트러블에 대한 클래스 각각에 대한 컨피던스 스코어(confidence score)를 출력할 수 있다. 제어부(130)는 출력된 컨피던스 스코어에 기초하여 컨피던스 스코어 중 가장 높은 값을 가지는 클래스를 제 1 정보로 획득할 수 있다. 전술한 제 1 정보를 획득하는 방법은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

예를 들어, 영역 진단 모델(720)에 입력된 이미지가 눈 영역을 포함하는 제 2 이미지(620)인 경우, 연산된 컨피던스 스코어 중 다크서클, 주름, 또는 기미 중 적어도 하나에 대한 컨피던스 스코어가 높은 값을 가질 수 있다. 가령, 다크서클에 대한 컨피던스 스코어가 가장 높은 값을 가질 수 있다. 이 경우, 제어부(130)는 사용자 안면 피부 중 눈 영역에 존재하는 트러블을 다크서클로 인식하여 제 1 정보(820)를 획득할 수 있다. 전술한 제 1 정보를 획득하는 방법은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

한편, 사용자 단말기(100)는 외부에서 생성된 영역 진단 모델을 획득하여 메모리(120)에 저장할 수 있다. 한편, 본 개시의 다른 몇몇 실시예에 따르면, 사용자 단말기(100)이 영역 진단 모델을 생성할 수도 있다.

한편, 본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크 (CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.

도 5에 도시된 컨벌루셔널 뉴럴 네트워크는 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptorns)의 한 종류이다. CNN은 하나 또는 여러 개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있다. CNN은 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은 2 차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩 된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지 인 경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상 값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서 이미지 데이터는 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.

컨벌루셔널 뉴럴 네트워크에서 컨벌루셔널 필터를 이동해가며 컨벌루셔널 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨벌루셔널 과정(컨벌루셔널 레이어의 입출력)을 수행할 수 있다. 컨벌루셔널 필터는 n*n 형태의 행렬로 구성될 수 있다. 컨벌루셔널 필터는 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨벌루셔널 레이어(예를 들어, 컨벌루셔널 필터의 사이즈가 n*n인 컨벌루셔널 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨벌루셔널 필터와 성분 곱 (즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이 미지에서 컨벌루셔널 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터는 [[0,1,0], [0,1,0], [0,1,0]] 와 같이 구성될 수 있다. 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터가 입력 이미지에 적용되면 이미지에서 컨벌루셔널 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨벌루셔널 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨벌루셔널 필터를 적용할 수 있다. 컨벌루셔널 레이어는 입력 이미지에 컨벌루셔널 필터를 적용하여 입력 이미지에서 컨벌루셔널 필터와 매칭되는 피쳐를 추출할 수 있다. 컨벌루셔널 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨벌루셔널 뉴럴 네트워크의 학습 과정에서 역전파에 의하여 업데이트 될 수 있다.

컨벌루셔널 레이어의 출력에는 서브샘플링 레이어가 연결되어 컨벌루셔널 레이어의 출력을 단순화하여 메모리 사용량과 연산량을 줄일 수 있다. 예를 들어, 2*2 맥스 풀링 필터를 가지는 풀링 레이어에 컨벌루셔널 레이어의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 최대값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 평균값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 개시에 포함될 수 있다.

컨벌루셔널 뉴럴 네트워크는 하나 이상의 컨벌루셔널 레이어, 서브 샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 이미지에서 피쳐를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 이미지의 글로벌 피쳐를 추출할 수 있다.

컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다.

본 개시의 몇몇 실시예에서 이미지 데이터의 세그먼테이션(segmentation)을 수행하기 위하여 뉴럴 네트워크는 디컨벌루셔널 뉴럴 네트워크(DCNN: deconvolutional neural network)를 포함할 수 있다. 디컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크를 역방향으로 계산시킨 것과 유사한 동작을 수행한다. 디컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크에서 추출된 피쳐를 원본 데이터와 관련된 피쳐맵으로 출력할 수 있다.

본 개시의 몇몇 실시예에 따르면, 사전 학습된 영역 진단 모델은 컨벌루셔널 뉴럴 네트워크에 해당하며, 제어부(130)는 상술한 컨벌루션 뉴럴 네트워크를 이용하여 촬영된 사용자 안면의 특징 영역을 포함하는 제 2 이미지(600)로부터, 각 특징 영역에 존재할 수 있는 피부 트러블을 인식할 수 있고, 이에 기초하여 피부 트러블에 대한 제 1 정보(800)를 획득할 수 있다.

한편, 도 2를 다시 참조하면, 제어부(130)는 제 1 정보의 적어도 일부에 기초하여 질문데이터를 생성하고, 이를 디스플레이 하도록 디스플레이부(150)를 제어할 수 있다(S150). 또한, 제어부(130)는 질문데이터에 대한 사용자의 답변 입력에 기초하여 제 2 정보를 획득할 수 있다(S160).

구체적으로, 제어부(130)는 트러블의 존재 여부에 관한 정보, 또는 존재하는 트러블의 형태에 관한 정보 등을 포함하는 제 1 정보(800)의 적어도 일부에 기초하여, 질문데이터(미도시)를 생성할 수 있다. 또한 제어부(130)는 질문데이터에 대한 사용자의 답변 입력에 기초하여 제 2 정보(미도시)를 획득할 수 있으며, 제 2 정보는 트러블의 진행 경과에 대한 정보, 사용자의 제품 선호에 대한 정보, 알레르기성 성분에 대한 정보, 또는 사용자의 거주지 환경에 대한 정보 중 적어도 하나를 포함할 수 있다. 또한 상기 질문 데이터는, 각 질문에 대하여 사용자가 임의로 선택할 수 있는, 사전 설정된 하나 이상의 답변에 대한 정보를 포함할 수 있다. 다만 이에 한정되는 것은 아니다.

예를 들어, 사용자 안면의 특징 영역 중 볼 영역에 여드름 트러블이 존재한다는 정보가 포함된 제 1 정보(840)가 획득되는 경우, 이에 기초하여 여드름의 진행 경과에 대한 질문데이터를 생성하여 사용자 단말기(100)에 디스플레이 할 수 있다. 가령, 여드름이 진행됨에 따라 피부 변색이 발생하는 경향이 있는지에 대한 질문데이터를 생성하여 사용자 단말기(100)에 디스플레이 할 수 있다. 또한, 이와 같은 질문데이터는, 사용자가 임의로 선택할 수 있는 답변에 대한 정보, 즉 '전혀 그렇지 않다', '가끔 그렇다', '항상 그렇다' 등의 정보를 포함할 수 있다. 다만 이에 한정되는 것은 아니며, 제 1 정보에 기초하지 않은 사전 설정된 질문데이터가 사용자 단말기(100)에 디스플레이 될 수 있다.

예를 들어, 사용자 안면의 특징 영역 중 볼 영역에 여드름 트러블이 존재한다는 정보가 포함된 제 1 정보(840)가 획득되는 경우, 이에 기초하여 생성된 질문데이터(예를 들어, 상술한 여드름의 진행 경과에 대한 질문데이터)와 함께, 제 1 정보(840)와 무관한 사전 설정된 질문데이터(예를 들어, 사용자가 알레르기 반응을 보이는 성분에 대한 정보, 또는 사용자 거주지 환경 정보에 대한 질문데이터)가 사용자 단말기(100)에 디스플레이 할 수 있다. 다만 이에 한정되는 것은 아니다.

트러블에 대한 정보를 포함하는 제 1 정보에 기초하여 질문데이터를 생성하고, 해당 질문데이터에 대한 사용자의 답변 입력을 바탕으로 제 2 정보를 획득함으로써, 후술할 제품 추천의 정확도를 높이기 위한 보다 상세한 정보를 얻을 수 있는 한편, 나아가 사용자가 불필요한 질문에 대한 답변을 입력할 필요가 없도록 할 수 있다. 예를 들어, 사용자의 안면 피부에 여드름이 존재하지 않음에도 불구하고 여드름의 진행 경과에 대한 질문에 대한 답변을 입력할 필요가 없도록 할 수 있다. 즉, 본 개시에 따른 질문데이터의 생성에 의해, 사용자는 불필요하거나 복잡한 절차를 생략하면서도 보다 정확도 높은 제품 추천을 제공받을 수 있다.

다음으로, 제어부(130)는 제 1 정보 및 제 2 정보를 서버에 전송하도록 네트워크부(140)를 제어할 수 있고(S170). 또한, 사용자 단말기(100)가 서버(200)로부터 네트워크부(140)를 통해 제 1 정보 및 제 2 정보와 매칭되는 제품 정보를 수신하는 경우, 제어부(130)는 디스플레이부(150)를 통해 수신한 제품 정보를 디스플레이 하도록 디스플레이부(150)를 제어할 수 있다.

서버(미도시)의 제어부는, 수신된 제 1 정보(800) 및 제 2 정보에 기초하여 사용자 안면 피부에 적합한 제품에 대한 정보를 획득하고, 사용자 단말기(100)에 전송하도록 서버(200)의 네트워크부를 제어할 수 있다.

서버의 메모리에 저장된 제품에 대한 정보는, 제 1 정보(800) 및 제 2 정보 중 적어도 일부와 대응하는 메타데이터와 함께 저장되어 데이터베이스를 구축할 수 있다. 예를 들어, 제품에 대한 정보 각각은, 해당 제품이 사용될 수 있는 특징 영역(예를 들어, 눈 영역, 코 영역, 입 영역, 이마 영역 또는 볼 영역 중 적어도 하나), 또는 해당 제품이 사용되는 경우 개선 가능한 트러블에 대한 값을 가지는 메타데이터와 함께 저장될 수 있다. 또한, 제품에 대한 정보 각각은, 트러블의 진행 경과, 사용자의 제품 선호, 알레르기성 성분, 또는 사용자의 거주지 환경에 대한 값을 가지는 메타데이터와 함께 저장될 수 있다.

상술한 메타데이터와 함께 저장된 제품에 대한 정보는, 사용자 단말기(100)로부터 수신된 제 1 정보(800) 및 제 2 정보에 매칭되는 하나 이상의 제품을 확인하는데 사용될 수 있다. 전술한 제품에 대한 정보는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

한편, 사용자 단말기(100)에 디스플레이 되는 제품 정보는, 해당 제품 정보와 함께 저장되어 있는 상술한 메타데이터 정보 중 적어도 일부와 함께 디스플레이 될 수 있다. 또는 추가적으로, 해당 제품에 대한 구매 정보, 또는 해당 제품에 대한 사용 요법 등과 함께 디스플레이 될 수 있다. 예컨대, 해당 제품에 대한 구매 정보와 함께 디스플레이 되는 경우, 해당 제품의 온라인 판매처에 대한 링크 등의 쇼핑 옵션을 함께 제공할 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 사용자 단말기(100)에 디스플레이 되는 제품 정보는, 서버로 전송된 제 1 정보(800) 및 제 2 정보와 적어도 부분적으로 매칭되는 하나 이상의 제품 정보를, 매칭되는 정도가 높은 순으로 정렬하여 사전 설정된 개수로 제공될 수 있다. 예를 들어, 제품에 대한 정보에 포함되는 메타데이터 값들이 제 1 정보(800) 및 제 2 정보와 다수 매칭될수록 해당 제품을 사용자 단말기(100) 상에 우선적으로 디스플레이 되도록 할 수 있으며, 매칭되는 정도가 높은 순으로 10개의 제품을 사용자 단말기(100) 상에 디스플레이 할 수 있다.

또는, 매칭되는 정도가 사전 설정된 정확도 이상인 제품 정보만을 사용자 단말기(100)에 디스플레이 할 수 있다. 예를 들어, 제품에 대한 정보에 포함되는 메타데이터 값들 중 과반이 제 1 정보(800) 및 제 2 정보와 매칭되는 제품 정보만을 사용자 단말기(100) 상에 우선적으로 디스플레이 되도록 할 수 있다.

전술한 제품 정보의 디스플레이 방법은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다. 예컨대, 제품에 대한 정보에 포함되는 메타데이터 값들 중 특정한 메타데이터 값이 대응하는 제 1 정보(800) 또는 제 2 정보와 매칭되지 않는 경우, 이외의 메타데이터의 매칭 정도와 무관하게 해당 제품 정보를 사용자 단말기(100)에 디스플레이 하지 않는 등 다양한 변형 실시가 가능하다.

도 6은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (5)

1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 사용자 단말기로 하여금 이하의 동작들을 수행하기 위한 명령들을 포함하며, 상기 동작들은:
   상기 사용자 단말기의 카메라로 촬영된, 상기 사용자의 안면을 포함하는 제 1 이미지를 획득하는 동작;
   상기 제 1 이미지를 사전 학습된 영역 인식 모델에 입력하여 상기 제 1 이미지 내에서 특징 영역의 위치를 인식하는 동작;
   상기 인식한 특징 영역 각각에 대한 제 2 이미지를 추출하는 동작;
   상기 제 2 이미지를 사전 학습된 영역 진단 모델에 입력하여 상기 특징 영역 내 발생 빈도가 높은 트러블에 대한 존재 여부에 관한 정보, 또는 형태에 관한 정보 중 적어도 하나를 포함하는 제 1 정보를 추출하는 동작;
   상기 제 1 정보의 적어도 일부에 기초하여 생성된 질문데이터를 디스플레이 하는 동작;
   상기 질문데이터에 대한 상기 사용자의 답변 입력에 기초하여, 제 2 정보를 획득하는 동작;
   상기 제 1 정보 및 상기 제 2 정보를 서버에 전송한 후, 상기 서버로부터 상기 제 1 정보 및 상기 제 2 정보에 적어도 부분적으로 매칭되는 하나 이상의 제품 정보를 수신하는 동작; 및
   상기 제품 정보를 디스플레이 하는 동작;
   을 포함하고,
   상기 특징 영역은 눈 영역, 코 영역, 입 영역, 이마 영역, 또는 볼 영역 중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
2. 제 1항에 있어서,
   상기 영역 인식 모델은,
   인간의 안면이 포함된 이미지 데이터를 포함하는 제 1 학습 데이터 세트 및 바운딩 박스(bounding box)에 대한 좌표를 이용하여 상기 인간의 안면의 이미지와 매칭되는 상기 특징 영역의 위치를 학습하고, 상기 제 1 이미지 내에서 상기 특징 영역의 위치를 인식하고,
   상기 영역 진단 모델을 학습시키기 위한 제 2 학습 데이터는,
   상기 특징 영역이 포함된 이미지 데이터를 학습 데이터의 입력으로 하고, 상기 특징 영역이 포함된 이미지 데이터에 상기 특징 영역에 발생 빈도가 높은 하나 이상의 상기 트러블에 대한 하나 이상의 클래스를 라벨로 하여 생성되고,
   상기 영역 진단 모델은,
   상기 제 2 학습 데이터를 포함하는 제 2 학습 데이터 세트를 이용하여 상기 특징 영역과 매칭되는 상기 트러블에 대한 분류를 학습하고, 상기 제 1 이미지에 기초하여 상기 제 1 정보를 획득하도록 하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
3. 제 1항에 있어서,
   상기 제 2 정보는,
   상기 트러블의 진행 경과 정보, 제품 선호 정보, 알레르기성 성분 정보, 또는 거주지 환경 정보 중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
4. 제 1항에 있어서,
   상기 제품 정보는,
   상기 서버에 저장되어 있는 복수의 제품에 대한 정보로부터 선택되고,
   상기 복수의 제품에 대한 상기 정보는,
   상기 제 1 정보 및 상기 제 2 정보 중 적어도 일부와 대응하는 메타데이터와 함께 저장되는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
5. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 서버로 하여금 이하의 동작들을 수행하기 위한 명령들을 포함하며, 상기 동작들은:
   사용자 단말기로부터, 상기 사용자 단말기의 카메라로 촬영된 상기 사용자의 안면을 포함하는 제 1 이미지로부터 추출한 트러블에 대한 제 1 정보, 및 상기 제 1 정보의 적어도 일부에 기초하여 생성된 질문데이터에 대한 상기 사용자의 대답으로부터 획득된 상기 사용자에 대한 제 2 정보를 수신하는 동작;
   상기 서버의 메모리에 저장된 복수의 제품에 대한 정보로부터 상기 제 1 정보 및 상기 제 2 정보 중 적어도 일부와 매칭되는 하나 이상의 상기 제품을 검색하는 동작; 및
   검색된 상기 제품에 대한 상기 정보를 상기 사용자 단말기에 전송하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
   
   

Images