用于毛发覆盖分析的系统和方法

技术领域

本申请整体涉及毛发覆盖分析系统和方法，该毛发覆盖分析系统和方法用于捕获至少用户头部顶部的图像，通过使用深度神经网络来分析用户的毛发覆盖状况和/或头皮覆盖状况，该深度神经网络在通过众包采集的类标签上进行训练；并且预测用户相对于性别群体的毛发覆盖状况和/或头皮覆盖状况，并向用户提供分析结果。本发明提供了具有提高的灵敏度的系统和方法。

背景技术

在全球，过早脱发和毛发稀疏是影响一半以上人口的最大的未能满足的消费者需求之一。担忧他(她)们的毛发量状态的大多数人不立即采取行动，因为他(她)们并不了解他(她)们的毛发的真实状况。虽然存在可用的诊断技术，但这些技术一直由诊所和医生办公室监管以提供更加模拟的分析。如果个体早期有访问权限来评估他(她)们的状况，则他(她)们可能能够选择在保持他(她)们的当前毛发量方面做得更好。数字成像技术(尤其消费者的图像或自拍照)的最新进展已经提高了利用图像分析技术的能力，并因此提高了“手头”消费者诊断的可访问性和速度。然而，各种各样的消费者特性和“自拍照”条件已造成在无需更多人工的咨询的情况下难以准确地评估毛发状况并推荐治疗方案。此外，这些方法、系统和评估依赖关于毛发物理特性和外观的预定信息，因此不能概括为真实毛发状况。因此，仍然需要提供一种方便地确定人们当前所具有的毛发量的改进方法，该方法然后可用于帮助提供定制的防脱发产品或方案推荐。

评估毛发状况是受关注的以便理解例如毛发覆盖和/或头皮覆盖的程度。此类评估同样受关注以便展示用于防止和/或治疗脱发的疗法的功效。

因此，本发明已满足对以下的这种需求：以提高的灵敏度来评估消费者脱发以评估真实毛发状况并且提供此类评估结果的系统和方法；基于评估结果的定制的产品推荐；以及基于评估结果的定制发型推荐。

发明内容

一种毛发分析系统，该毛发分析系统包括：

a)图像捕获单元，该图像捕获单元用于捕获至少用户头部顶部的图像并且将该图像发送至毛发分析单元；

b)毛发分析单元：通过使用深度神经网络基于该图像来分析用户的毛发覆盖状况和/或头皮覆盖状况，该深度神经网络预测用户相对于性别群体的毛发覆盖状况和/或头皮覆盖状况；

以及向显示单元提供分析结果，其中分析结果为以下中的至少一者：

所分析的毛发覆盖状况和/或头皮覆盖状况；

基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发预测；

基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发产品推荐；

基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发产品使用推荐；以及

基于所分析的毛发覆盖状况和/或头皮覆盖状况的发型推荐。

c)向用户显示分析结果的显示单元。

一种毛发分析方法，该毛发分析方法包括：

a)在图像捕获单元处捕获至少用户头部顶部的图像并且将图像从图像捕获单元发送至毛发分析单元的步骤；

b)在毛发分析单元处通过使用深度神经网络基于来自图像捕获单元的图像来分析用户的毛发覆盖状况和/或头皮覆盖状况；以及向显示单元提供分析结果的步骤，该深度神经网络预测用户相对于性别群体的毛发覆盖状况和/或头皮覆盖状况，其中分析结果为以下中的至少一者：

所分析的毛发覆盖状况和/或头皮覆盖状况；

基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发预测；

基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发产品推荐；

基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发产品使用推荐；以及

基于所分析的毛发覆盖状况和/或头皮覆盖状况的发型推荐；

c)在显示单元处向用户显示分析结果的步骤。

分析用户的毛发覆盖状况和/或头皮覆盖状况的系统和方法提高了评估真实毛发状况的灵敏度，并且提供了此类分析结果。通过在该方法和系统中使用深度神经网络(DNN)，向用户提供关于用户在图像中的外观的毛发分析，在该图像中示出了用户头部顶部上的毛发覆盖状况和/或头皮覆盖状况。该基于DNN的系统使用非常少的图像预处理，这减少了对关于图像的预定信息的依赖性，并且有助于概括，因此以提高的灵敏度来估计消费者毛发状况和/或头皮状况以评估真实毛发状况和/或头皮状况。

附图说明

应当理解，前述一般说明和以下的详细说明两者描述了各种非限制性示例，并且旨在提供用于理解受权利要求书保护的主题的性质和特征的概述或框架。包括附图以提供对各种非限制性示例的进一步理解，并且被并入本说明书中并构成本说明书的一部分。附图示出了本文所述的各种非限制性示例，并且连同说明书一起用来解释受权利要求书保护的主题的原理和操作。

图1为非限制性示例，其描绘了根据本文所述的本发明的用于捕获用户图像、分析图像并提供定制的产品推荐的系统。

图2为非限制性示例，其描绘了根据本文所述的本发明的用于提供定制的产品推荐的流程图。

具体实施方式

“深度神经网络”是一种具有多层神经元或单元的前馈人工神经网络，该多层神经元或单元构建表示输入的学习特征或概念的层级。这些DNN的示例可以是卷积神经网络(CNN)或深度胶囊网络(DCN)。

当提及本文系统的各个部件时，“联接”意指各部件彼此电连通、电子连通和/或机械连通。

“数据扩充”是指改变与训练图像或其它图像相关联的数据以创建图像的另外样本。

“特征向量”意指含有描述数字图像中对象的一种或多种特性的信息的一系列特征。特征向量中的每个特征通常由一个或多个数字表示，但可根据需要使用任何合适的指示符(字母、符号、颜色等)。

“图像捕获装置”是指能够捕获用户图像的装置，诸如数字相机；还可以是“视频捕获装置”，诸如能够捕获用户视频的数字相机；还可以是3-D图像捕获装置。

“宏观特征”为存在于人的头部上或头部顶部处或靠近人的面部的相对较大的身体特征。宏观特征包括但不限于头部顶部、面部形状、耳朵、眼睛、嘴部、鼻部、毛发和眼眉。

“微观特征”为诸如头皮面积、毛发量、毛发厚度量、毛发覆盖量、头皮覆盖量、毛发分配之类的特征。微观特征不包括宏观特征。

本文的“模型”是指用于预测、描述或模仿一组情况、系统或天然存在的现象的数学公式、算法或计算机软件。

“自拍照”是指由本人拍摄、由另一人拍摄或由自动图像捕获系统(例如，照相亭或安全相机)拍摄的人的数字图像、数字视频、静态图像或3-D扫描。此外，自拍照可包括人的头部顶部的数字图像、数字视频、静态图像或3-D扫描，

本文中的“用户”是指使用至少本文提供的特征的人员，包括例如装置用户、产品用户、系统用户等。

用于训练诊断模型的输入可以是来自至少数百名人员的头部顶部的图像、视频、3D扫描等(涵盖性别、种族、毛发颜色、位置、背景等的变化)。这些输入可由专家评级员小组或一群新手评级员(也称为众包)对毛发覆盖状况进行评级。一种方法可以是基于毛发覆盖模式(例如低、中、高等)将输入布置成组。另一种方法可以是使用成对比较方法，在这种方法中向评级员显示一对输入，并要求该评级员选择具有较高(或较低)毛发覆盖量的一个输入。可将来自单名或多名评级员的这些成对选择的集合汇总成其输入被评级的个体的毛发覆盖分数或等级。可将毛发覆盖量度或分数或等级进一步分成几个毛发覆盖水平(例如，0至3)或用作连续的毛发覆盖值(例如，0至1)。然后可使用输入连同其对应的毛发覆盖组标签或水平或分数来训练深度神经网络模型，以在给定输入的情况下预测毛发覆盖标签、水平或分数。可针对具有不同属性(诸如性别、种族等)的个体训练不同的毛发覆盖预测模型。诊断过程的预先步骤可包括要求个体指定这些属性(诸如性别、种族等)或使用不同的深度神经网络模型从输入中预测这些属性，以便将输入引导至对应的特定于属性的毛发覆盖模型。

诊断的另一个预先步骤可包括识别输入质量问题(例如，输入太模糊、太暗、太亮、未清楚包括头部顶部等)和提供校正反馈以生成改进的输入。也可经由深度神经网络模型来预测输入质量识别，该深度神经网络模型在具有对应输入质量问题标签的输入上进行训练。

在本发明中，对于神经网络，接收输入(例如，图像)并产生输出(例如，关于图像的预测，如对其内容进行分类)。这由连续地转换输入数据(例如，像素值)以产生输出值(例如，图像分类的概率)的若干(因此“深度”)“隐藏”(或中间)层构成。通过显示网络输入-输出对(因此需要标记数据—例如，具有类标签的图像)来“学习”隐藏层的权重或参数(例如，通过反向传播的梯度下降)。使用深度(多个隐藏层)的思路是创建学习特征/层的层级，这些学习特征/层将建立在彼此之上以产生对输入的复杂理解(例如，从图像中的原始像素->识别线条/边缘/颜色->对象部分(圆形/正方形)->小对象(车轮/窗口)->较大对象/场景(汽车))。

在本发明中，对于卷积神经网络(CNN)，隐藏层使用称为“卷积”的特定操作来仅处理“接受域”的数据(例如，卷积核可一次“查看”输入图像中的3×3像素窗口，并且局部应用转换并在整个图像网格上重复该相同过程)，通常，CNN可包括若干连续的卷积、池化、激活层(用于特征提取)，从而导致产生期望输出(用于预测)的完全连接的层。

在本发明中，CNN可能不直接使用学习特征的相对关系(例如，眼睛在鼻部和口部上方)来进行分类。胶囊网络(CapsNet)试图明确地了解组成复杂对象的对象部分的姿势(平移和旋转)。因此，CapsNet可潜在地使用少得多的标记示例来实现CNN的相同分类性能。

图像捕获单元用于捕获用户的图像并将该图像发送至毛发分析单元。

本文的用户的图像是示出用户的头部顶部、或整个头部的3-D视频、或用户的毛发和面部的图像。在图像中，面部尺寸与图像尺寸的比率可为约20％至70％，使得图像示出大于毛发轮廓的70％，或大于毛发轮廓的80％，或大于毛发轮廓的90％，或大于毛发轮廓的95％。本文的图像可为任何图像诸如自拍和视频。图像还可经历质量检查或预处理以确保存在具有可接受质量的全毛发视图。图像可具有自动指导以捕获最佳头部自拍照。非限制性示例将为，此类指导可以是自动数字，诸如距相机的实测距离或某一角度或经由音频命令。另一个非限制性示例将为对调整照明条件的指导。此外，对于头皮上的毛发覆盖状况，图像还可观察头皮上的不同区域，例如，头皮上的哪个区域可能具有较少或较多的毛发覆盖量，并且访问某个区域的量度，这些量度可导致产品推荐。

图像捕获单元可通过有线连接或无线连接而连接到毛发分析单元。

任选地包括在本发明的系统和/或方法中的该单元是用以在用户界面处为用户提供问题；从用户接收答案；以及将答案发送至毛发分析单元。

该单元可在用户界面处为消费者提供问题列表，其中每个问题均具有限定的一组答案；将由消费者在用户界面处选择的答案发送至毛发分析单元。

本文的问题是例如涉及用户的毛发覆盖状况和/或头皮覆盖状况的那些问题、涉及用户的与毛发相关联的习惯的那些问题；涉及用户的产品偏好的那些问题、涉及用户的发型偏好的那些问题、涉及用户的地理信息的那些问题、涉及用户的性别的那些问题、涉及用户的年龄的那些问题；涉及用户的生活方式的那些问题。

答案可用于在毛发覆盖和/或头皮覆盖分析单元提供毛发分析结果。答案可以任何形式发送至毛发分析单元，例如，可按原样发送，或可作为由答案计算的分数发送。

Q&A界面单元可通过有线连接或无线连接与毛发覆盖和/或头皮覆盖分析单元连接。Q&A界面单元可通过有线连接或无线连接与图像捕获单元连接，或者可独立于图像捕获单元，或者可与例如位于同一移动计算装置内的图像捕获单元物理上定位在一起。

毛发分析单元通过使用深度神经网络基于至少用户头部顶部的图像来分析用户的毛发覆盖状况和/或头皮覆盖状况；以及向显示单元提供分析结果，其中分析结果为以下中的至少一者：所分析的毛发覆盖状况和/或头皮覆盖状况；基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发预测；基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发产品推荐；基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发产品使用推荐；以及基于所分析的毛发覆盖状况和/或头皮覆盖状况的发型推荐。

毛发分析单元另外可预处理图像，其中预处理包括：确定图像上的锚特征以及改变图像以使锚特征处于预定位置。

毛发状况分析可通过以下步骤在毛发分析单元中进行，这些步骤包括：

预处理；

应用深度神经网络(DNN)以提取包括面部特征和毛发特征两者的宏观特征和微观特征；以及

提供所分析的毛发覆盖状况和/或头皮覆盖状况。

本文中要分析的毛发状况是以下状况中的至少一者：毛发覆盖量和/或头皮覆盖量、头皮面积、毛发量、毛发厚度量、毛发分配以及它们的组合。

为了分析这些毛发覆盖状况和/或头皮覆盖状况，本发明可通过结合至少用户头部顶部的图像的捕获来提供提高的灵敏度。

毛发预测、毛发产品推荐、毛发产品使用推荐和发型推荐全部基于此类分析的毛发覆盖状况和/或头皮覆盖状况。

毛发分析单元可通过有线或无线连接而连接到显示单元。

显示单元将向用户显示分析结果，其中分析结果为以下中的至少一者：所分析的毛发覆盖状况和/或头皮覆盖状况，其可包括毛发覆盖量和/或头皮覆盖量、头皮面积、毛发量、毛发厚度量、毛发分配以及它们的组合；基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发预测；基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发产品推荐；基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发产品使用推荐；以及基于所分析的毛发覆盖状况和/或头皮覆盖状况的发型推荐。

显示毛发产品推荐和/或毛发产品使用推荐的显示器也显示供用户购买产品的选项。

分析结果可以用例如数字数据诸如有或没有指示的绝对值、相对值、指数和/或颜色来表示。另选地或同时，所分析的毛发覆盖状况和/或头皮覆盖状况可例如用卡通画和/或用图像上的指示和/或加亮来表示以显示待改善的区域。

显示单元可与图像捕获单元和/或Q&A用户界面单元一起物理上定位在例如相同的移动计算装置内。另选地，显示单元可与图像捕获单元和Q&A用户界面单元中的任一者分开定位。

本文的系统和方法可使用经训练的深度神经网络诸如CNN或DCN，以通过分析所捕获的用户图像来分析用户的毛发状况。CNN包括多层神经元集合，所述神经元集合在层中对每个像素使用相同的滤波器。对部分和完全连接的层的各种组合中的每个像素使用相同的滤波器降低系统的内存和处理要求。

在一些情况下，系统可包括预处理阶段，之后是CNN或DCN训练和图像分析阶段。在预处理期间，可在所接收的图像中检测大多数用户共有的一种或多种毛发特征，诸如头皮面积、毛发量、毛发厚度量、毛发覆盖量、头皮覆盖量、毛发分配(“锚特征”)。系统可使用已知的边缘检测技术、形状检测技术等来检测一个或多个锚特征。基于一个或多个锚特征的位置，可缩放和旋转图像以使图像基本上水平，并且一个或多个锚特征布置在最终图像中的预定位置。这样，训练图像可一致地对齐，从而提供更一致的训练和分析。然后可将图像裁剪至预定面积的像素作为输入以作进一步处理。

预处理还可包括图像归一化。例如，全局对比度归一化可用于将训练图像(和/或用户图像)归一化以解决可由真实自拍照捕获条件引入的可变性。

在一些情况下，可执行数据扩充以从输入图像创建另外的样本。使用另外的样品来训练CNN或DCN以容许输入图像的变化。这有助于改善模型的准确性。换句话讲，CNN或DCN能够提取合适的分析所需的重要特征的信息和关系，尽管例如人们拍照的方式、拍照条件以及用于拍照的硬件有差异。通过数据扩充生成的另外的样品也可迫使CNN或DCN学会依靠用于毛发状况分析的多种特征，而不是一种特定特征，并且可防止对CNN或DCN的过度训练。数据扩充的一些非限制性示例包括随机放大或缩小图像，以顺时针或逆时针方向随机旋转图像，随机裁剪图像，和/或随机改变图像的饱和度和/或曝光。在一些情况下，可通过使输入图像经受随机垂直舍弃来增强图像数据，其中将随机列的像素从图像中移除。

本文的CNN或DCN可使用深度学习技术进行训练，该技术允许CNN或DCN了解图像的哪些部分对皮肤、面部特征、毛发特性等作出贡献，与哺乳动物视觉皮层学习来辨识图像中的重要特征的方式几乎一样。在一些情况下，CNN训练可涉及使用带有Nesterov动量(和/或其它算法)的微型批量随机梯度下降(SGD)。利用随机梯度下降的示例公开于US 8,582,807中。

DCN由许多胶囊构成。胶囊是学习以检测图像的给定区域内的特定对象(例如，矩形)的一小群神经元，并且它输出向量(例如，8维向量)，该向量的长度表示估计的对象存在的概率，并且该向量的取向(例如，在8D空间中)编码对象的姿势参数(例如，精确的位置、旋转等)。非常类似于常规神经网络，DCN被组织成多个层。最低层中的胶囊被称为主胶囊：它们中的每一者接收图像的小区域作为输入(称为其接受域)，并且其试图检测特定图案(例如矩形)的存在和姿势。较高层中的胶囊(称为路由胶囊)检测更大和更复杂的对象，诸如船。可使用一些规则的卷积层来实现主胶囊层。例如，可使用两个卷积层，这两个卷积层输出256个含有标量的6×6特征图。可将这些特征图重新成形以获得含有8维向量的32个6×6特征图。最后，可应用挤压函数以确保这些向量具有介于0至1之间的长度(以表示概率)。

下一层中的胶囊也可尝试使用称为协议路由的算法来检测对象及其姿势。协议路由算法可涉及协议检测+路由更新的几次迭代(对于每次预测，这都可能发生，不仅仅发生一次，而且不仅仅在训练时间发生)。

来源：https://www.oreilly.com/ideas/introducing-capsule-networks

在一些情况下，可通过提供从其中了解大量捕获的图像的未经训练DNN来训练DNN。在一些情况下，DNN可通过称为监督学习的过程来学习以识别图像的对特定毛发覆盖状况和/或头皮覆盖状况有贡献的部分。“监督学习”通常意指通过分析其中图像中的人员的毛发覆盖和/或头皮覆盖被预定的图像来训练DNN。根据期望的准确度，训练图像的数量可从少量图像变化到大量图像(例如，数百或甚至数千)，以连续输入图像(即，提供连续训练)。

本文的系统和方法利用经训练的DNN，该经训练的DNN能够准确地分析各种各样的毛发类型和样式的用户的毛发状况。为了提供所分析的毛发状况，通过经训练的DNN前向传播用户的图像。DNN分析图像并识别图像的对毛发状况诸如毛发覆盖和/或头皮覆盖有贡献的部分。然后DNN使用所识别的部分来分析用户的毛发状况。

在一些情况下，DNN分析所分析的毛发覆盖状况和/或头皮状况和/或目标状况，任选地结合由用户提供的习惯和实践输入可用于帮助提供毛发预测、毛发护理产品推荐、毛发产品使用推荐和/或发型推荐。

图1描绘了用于捕获用户图像、分析图像并提供定制的产品推荐的系统10。系统10可包括网络1，该网络可体现为广域网(诸如移动电话网络、公共交换电话网络、卫星网络、互联网等)、局域网(诸如无线保真度、Wi-Max、ZigBee

移动计算装置2可为移动电话、平板电脑、膝上型计算机、个人数字助理和/或被构造用于捕获、存储和/或传输图像诸如数字照片的其他计算装置。因此，移动计算装置2可包括图像捕获装置3，诸如数字相机，和/或可被构造成从其他装置接收图像。移动计算装置2可包括存储器部件7A，该存储器部件存储图像捕获逻辑8A和界面逻辑8B。存储器部件7A可包括随机存取存储器(诸如SRAM、DRAM等)、只读存储器(ROM)、寄存器和/或其他形式的计算存储硬件。如本文所述，图像捕获逻辑8A和界面逻辑8B可包括软件部件、硬件电路、固件和/或其他计算基础结构。如下文更详细地描述，图像捕获逻辑8A可有利于捕获、存储、预处理、分析、传送和/或执行用户的数字图像上的其他功能。界面逻辑8B可被构造用于向用户提供一个或多个用户界面，该用户界面可包括问题、选项等。移动计算装置2还可被构造用于经由网络1与其他计算装置通信。

远程计算装置4还可耦合到网络1并且可被构造为服务器(或多个服务器)、个人计算机、移动计算机和/或被构造用于创建并训练卷积神经网络的其他计算装置，该卷积神经网络能够通过识别所捕获的图像的对特定毛发状况有贡献的部分来分析用户的毛发状况。远程计算装置4可包括存储器部件7B，该存储器部件存储训练逻辑8C和分析逻辑8D。训练逻辑8C可有利于DNN的创建和/或训练，从而可有利于DNN的创建和/或操作。例如，DNN可作为逻辑8C、8D存储在远程计算装置4的存储器部件7B中。分析逻辑8D可促使远程计算装置4从移动计算装置2(或其他计算装置)接收数据并且处理所接收的数据用于提供所分析的毛发覆盖状况和/或头皮覆盖状况、产品推荐、发型推荐等。

系统10还可包括信息亭计算装置5，如图1所示。信息亭计算装置5可类似于移动计算装置2操作，但也可能能够分配一个或多个产品和/或以现金或电子交易的形式接收支付。在一些情况下，信息亭计算装置5还可被配置成有利于DNN的训练，如下文关于训练计算装置6更详细所述。

训练计算装置6可耦合到网络1以促进DNN的训练。例如，训练者可经由训练计算装置6向DNN提供面部或皮肤或毛发的一个或多个数字图像。训练者还可提供信息和其他指示，以告知DNN哪些评估是正确的以及哪些评估是不正确的。基于来自训练者的输入，DNN可自动地适应，如下文更详细所述。

应当理解，虽然信息亭计算装置5被描绘为售货机类型的装置，但是这是非限制性示例。另外的非限制性示例可利用也提供支付和/或生产分配的移动装置。类似地，信息亭计算装置5、移动计算装置2和/或训练计算装置6可用于训练DNN。因此，被描绘用于移动计算装置2和远程计算装置4的硬件和软件可包括在信息亭计算装置5、训练计算装置6和/或其他装置中。类似地，硬件和软件可包括在移动计算装置2、远程计算装置4、信息亭计算装置5和训练计算装置6中的一者或多者中。

还应当理解，尽管图1中将远程计算装置4描绘为执行深度神经网络处理，但是这仅仅是一个示例。深度神经网络处理可根据需要由任何合适的计算装置执行。

图2描绘了用于提供定制的产品推荐的流程图，并在本文中描述。在方框11中，可捕获用户图像。在方框12中，可向用户提供问题。在方框13中，可从用户接收对问题的答案。在方框14中，可向用户提供所分析的毛发覆盖状况和/或头皮覆盖状况。在方框15中，可向用户提供定制的产品推荐。

A.一种毛发分析系统，该毛发分析系统包括：

a.图像捕获单元，该图像捕获单元用于捕获至少用户头部顶部的图像并且将该图像发送至毛发分析单元；

b.毛发分析单元：通过使用深度神经网络基于该图像来分析用户的毛发覆盖状况和/或头皮覆盖状况，该深度神经网络预测用户相对于性别群体的毛发覆盖状况和/或头皮覆盖状况；

以及向显示单元提供分析结果，其中分析结果为以下中的至少一者：

所分析的毛发覆盖状况和/或头皮覆盖状况；

基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发预测；

基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发产品推荐；

基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发产品使用推荐；以及

基于所分析的毛发覆盖状况和/或头皮覆盖状况的发型推荐；

c.向用户显示分析结果的显示单元。

B.根据段落A所述的系统，其中在通过众包获取的类标签上训练深度神经网络。

C.根据段落A-B所述的系统，其中系统还包括Q&A用户界面单元以在用户界面处为用户提供问题；从用户接收答案；以及将答案发送至分析单元。

D.根据段落A-C所述的系统，其中答案用于提供分析结果。

E.根据段落A-D所述的系统，其中系统使用卷积神经网络。

F.根据段落A-E所述的系统，其中系统使用深度胶囊网络。

G.根据段落A-F所述的系统，其中显示毛发产品推荐和/或毛发产品使用推荐的显示器也显示供用户购买产品的选项。

H.根据段落A-G所述的系统，其中待分析的毛发覆盖状况和/或头皮覆盖状况为以下中的至少一者：毛发覆盖量和/或头皮覆盖量、头皮面积、毛发量、毛发厚度量、毛发分配以及它们的组合。

I.根据段落A-H所述的毛发分析方法，该方法包括：

a)在图像捕获单元处捕获至少用户头部顶部的图像并且将图像从图像捕获单元发送至毛发分析单元的步骤；

b)在毛发分析单元处通过使用深度神经网络基于来自图像捕获单元的图像来分析用户的毛发覆盖状况和/或头皮覆盖状况；以及向显示单元提供分析结果的步骤，该深度神经网络：1)在通过众包获取的类标签上进行训练；以及2)预测用户相对于性别群体的毛发覆盖状况和/或头皮覆盖状况，其中分析结果为以下中的至少一者：

所分析的毛发覆盖状况和/或头皮覆盖状况；

基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发预测；

基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发产品推荐；

基于所分析的毛发覆盖状况和/或头皮覆盖状况的毛发产品使用推荐；以及

基于所分析的毛发覆盖状况和/或头皮覆盖状况的发型推荐；

c)在显示单元处向用户显示分析结果的步骤。

J.根据段落A-I所述的方法，在通过众包获取的类标签上训练深度神经网络。

K.根据段落A-J所述的方法，其中该方法还包括在Q&A用户界面单元为用户提供问题的步骤；从用户接收答案；以及将答案发送至分析单元。

L.根据段落A-K所述的方法，其中答案用于提供分析结果。

M.根据段落A-L所述的方法，其中显示毛发产品推荐和/或毛发产品使用推荐的显示单元也显示供用户购买产品的选项。

N.根据段落A-M所述的方法，其中待分析的毛发覆盖状况和/或头皮覆盖状况为以下中的至少一者：毛发覆盖量和/或头皮覆盖量、头皮面积、毛发量、毛发厚度量、毛发分配以及它们的组合。

本文所公开的量纲和值不应理解为严格限于所引用的精确数值。相反，除非另外指明，否则每个此类量纲旨在表示所述值以及围绕该值功能上等同的范围。例如，公开为“40mm”的量纲旨在表示“约40mm”。

除非明确排除或以其它方式限制，本文中引用的每一篇文献，包括任何交叉引用或相关专利或专利申请以及本申请对其要求优先权或其有益效果的任何专利申请或专利，均据此全文以引用方式并入本文。对任何文献的引用不是对其作为与本发明的任何所公开或本文受权利要求书保护的现有技术的认可，或不是对其自身或与任何一个或多个参考文献的组合提出、建议或公开任何此类发明的认可。此外，当本发明中术语的任何含义或定义与以引用方式并入的文献中相同术语的任何含义或定义矛盾时，应当服从在本发明中赋予该术语的含义或定义。

虽然已举例说明和描述了本发明的具体实施方案，但是对于本领域技术人员来说显而易见的是，在不脱离本发明的实质和范围的情况下可作出多个其它变化和修改。因此，本文旨在于所附权利要求中涵盖属于本发明范围内的所有此类变化和修改。