CN104732413B - 一种智能个性化视频广告推送方法及*** - Google Patents
一种智能个性化视频广告推送方法及*** Download PDFInfo
- Publication number
- CN104732413B CN104732413B CN201310713223.8A CN201310713223A CN104732413B CN 104732413 B CN104732413 B CN 104732413B CN 201310713223 A CN201310713223 A CN 201310713223A CN 104732413 B CN104732413 B CN 104732413B
- Authority
- CN
- China
- Prior art keywords
- advertisement
- face
- advertisements
- audience
- recommendation list
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003780 insertion Methods 0.000 claims description 9
- 230000037431 insertion Effects 0.000 claims description 9
- 238000002716 delivery method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 15
- 238000012706 support-vector machine Methods 0.000 description 13
- 210000000887 face Anatomy 0.000 description 8
- 238000005259 measurement Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 241000219112 Cucumis Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种智能个性化视频广告推送方法,包括:采集并保存广告投放现场影像信息;对广告投放现场影像信息做人脸检测;人脸检测包括:从广告投放现场影像信息中识别出各个人脸,得到各个人脸的面部图像,以及某一时间段的影像信息中所包含的人脸的数量;对广告投放现场影像信息做人脸跟踪;人脸跟踪包括对某一人脸在广告投放现场影像信息中的广告观看过程进行跟踪,以得到该人脸在广告投放现场影像信息中观看广告的时间区间;根据人脸跟踪结果对不同人物的人脸做性别识别与年龄估计,得到每个人的性别和年龄信息,并根据所述性别和年龄信息对广告受众进行分类;利用推荐决策算法为各个广告终端生成分时段的广告推荐列表。
Description
技术领域
本发明涉及计算机智能应用领域,特别涉及一种智能个性化视频广告推送方法及***。
背景技术
20世纪90年代以来,中国户外广告高速发展,产生了各种各样的户外视频广告终端。由于户外广告有自身的媒介特性和传播特点,它的效果评估与监测一直是户外媒体业的弱点和难点。随着计算机视觉和机器学习以及互联网技术的发展,越来越多业界商家和学者开始意识到,户外媒体行业的发展方向应该是针对这些难点和弱点进行专门的理论上的研究和具有商业实用性的开发,而不再是单纯的以瓜分资源、抢占市场的方式竞争,这样才会促进整个行业的快速发展。
目前已有的户外广告机、数字标牌货架、智能售卖机、联网商店、交互式广告牌等视频广告终端中,存在的亟待解决问题是商家和广告受众之间的信息阻塞。一方面,商家投放视频广告后不知道有没有人看、多少人看、什么人看,使广告的效果难于评估。另一方面,由于广告机布放位置的差异,其广告受众由于性别、年龄、群体的不同,关注点和兴趣有着很大的差异,往往观看广告后发现并没有自己想要的信息。解决的思路主要也是针对这两个方面入手,一方面是需要采集不同广告机的受众信息,采集数据要尽可能的全面和准确;另一方面则是对采集后的信息进行处理,将结果反馈到视频广告推送终端上。
在现有技术中尚缺乏此类方法或***。
发明内容
本发明的目的在于克服现有技术中的视频广告投放***无法根据受众的情况有选择地投放广告的缺陷,从而提供一种智能个性化视频广告推送方法及***。
为了实现上述目的,本发明提供了一种智能个性化视频广告推送方法,包括:
步骤1)、采集并保存广告投放现场影像信息;
步骤2)、对步骤1)所得到的广告投放现场影像信息做人脸检测;所述人脸检测包括:从广告投放现场影像信息中识别出各个人脸,得到各个人脸的面部图像,以及某一时间段的影像信息中所包含的人脸的数量;
步骤3)、对步骤1)所得到的广告投放现场影像信息做人脸跟踪;所述人脸跟踪包括对某一人脸在广告投放现场影像信息中的广告观看过程进行跟踪,以得到该人脸在广告投放现场影像信息中观看广告的时间区间;
步骤4)、根据步骤3)所得到的人脸跟踪结果对不同人物的人脸做性别识别与年龄估计,得到每个人的性别和年龄信息,并根据所述性别和年龄信息对广告受众进行分类;
步骤5)、根据步骤2)、步骤3)和步骤4)所得到的结果利用推荐决策算法为各个广告终端生成分时段的广告推荐列表。
上述技术方案中,步骤2)中的人脸检测包括:首先利用Adaboost方法对图片进行粗检,得到人脸候选区域,然后基于可变形部件模型对脸部的标志点进行定位并对匹配程度进行评分;当分数高于预先设置的阈值时,直接认定该候选区域为人脸;如果分数低于预设阈值,则结合标志点位置利用人脸几何先验知识确定鼻子所在区域,然后利用Adaboost鼻子检测器进行确认,如果检测到鼻子,则认定该候选区域为人脸。
上述技术方案中,步骤3)中的人脸跟踪包括:采用矩形滤波器对广告投放现场影像信息中检测到的人脸图像中的像素进行卷积,得到高维特征向量;利用随机投影法对所述高维特征向量进行降维;对降维后的特征进行尺度标准化处理;将图像经降维与尺度标准化处理后的特征向量用于训练朴素贝叶斯分类器;对于后一帧检测到的人脸区域,提取特征后利用前一帧训练好的朴素贝叶斯分类器进行分类,依次选出分类得分最高的<分类器,图像>实现多人物跟踪,然后利用后一帧的跟踪结果更新所述朴素贝叶斯分类器。
上述技术方案中,所述步骤5)进一步包括:
步骤5-1)、根据步骤2-步骤4)所得到的结果以及广告播放记录生成受众观看记录表和广告播放记录表;其中,受众观看记录表包括任务编号、观看起始时间、观看结束时间、人物性别、人物年龄、广告机编号;广告播放记录表包括广告编号、广告播放起始时间、结束时间、广告机编号;
步骤5-2)、根据受众的性别和年龄对受众进行分类,得到K类受众,根据广告终端的数目T以及在T个广告终端上播放的广告的数目L,求T个K×L维的用户-广告矩阵;
步骤5-3)、对步骤5-2)所得到的T个K×L维的用户-广告矩阵做全局广告分析,得到一个L×N维的Ad-Ad TOP N推荐列表,该推荐列表包含了对于L个广告中的任意一个,与其相关性最强的N个广告;
步骤5-4)、对步骤5-2)所得到的T个K×L维的用户-广告矩阵做局部流行度分析,得到User-Ad TOP N推荐列表,该推荐列表包含了每个广告终端每类受众最喜爱的N个广告;
步骤5-5)、根据步骤5-3)得到的Ad-Ad TOP N推荐列表以及步骤5-4)得到的User-Ad TOP N推荐列表,建立一个针对每一个广告终端上每一类受众的联合TOP2N推荐列表,并为该推荐列表中的各个广告赋予权重;所述联合TOP2N推荐列表包含了为每一个广告终端上每一类受众推荐的2N个广告;
步骤5-6)、根据受众观看记录和广告播放记录统计每个广告终端在每个时段的受众类别分布表;
步骤5-7)、综合步骤5-5)得到的TOP2N推荐列表和步骤5-6)得到的受众类别分布表,生成最终的分时段广告TOP N推荐列表。
上述技术方案中,步骤5-3)中的全局广告分析包括:
首先将T个用户-广告矩阵进行相加合并,得到一个全局用户-广告矩阵;该矩阵中任意广告ai均对应一个K维的统计向量Vi=(u1,L,um,LuK),其中um表示第m类受众中共有um人对该类广告有兴趣;
对任意两个广告ai和aj,基于统计向量Vi和Vj求得两者的余弦相关系数;计算公式为:其中,分子表示两个向量的内积,分母表示两个向量的长度的乘积;对于任一广告ai,求出它与另外L-1个广告的余弦相关系数,并按系数大小从大到小排序;前面的N个系数对应的广告即为与广告ai相关性最强的N个广告,由此得到一个L×N维的Ad-Ad TOP N推荐列表。
上述技术方案中,在步骤5-5)中的联合TOP2N推荐列表的建立过程包括:
根据User-Ad TOP N推荐列表,假设终端Tj上的某一类观众uk最喜爱的前N个广告是am1,am2…amq;然后根据Ad-Ad TOP N推荐列表找到广告am1的表项,***am1的最近邻广告;若***过程中,遇到了am2且当前广告数还未满2N个,则***am2,接着***am2的最近邻广告;以此类推,在***ami的最近邻广告过程中若遇到am(i+1),且当前广告数未满2N个,***am(i+1)后转而***am(i+1)的最近邻广告,重复该过程直到这一类观众的观看广告列表达到2N个。
上述技术方案中,步骤5-7)进一步包括:
对某一个终端To,已知在时间段Pi内每一类受众的权重同时对任一类受众k,TOP2N推荐列表中记录了这一类观众最可能喜爱的前2N个广告以及这些广告的权重假定剩余的L-2N个广告的权重为0,那么对于时间段Pi,即可计算所有L个广告在该终端上的该时间段的得分S,ID为n的广告得分Sn的计算公式如下:
将L个得分从大到小排序,取前N个的值对应的广告即为该时间段的TOP N广告推荐。
本发明还提供了一种智能个性化视频广告推送***,包括广告投放现场影像信息采集模块、人脸检测模块、人脸跟踪模块、广告受众分类模块以及广告推荐模块;其中,
所述广告投放现场影像信息采集模块采集并保存广告投放现场影像信息;
所述人脸检测模块对广告投放现场影像信息做人脸检测;所述人脸检测包括:从广告投放现场影像信息中识别出各个人脸,得到各个人脸的面部图像,以及某一时间段的影像信息中所包含的人脸的数量;
所述人脸跟踪模块对广告投放现场影像信息做人脸跟踪;所述人脸跟踪包括对某一人脸在广告投放现场影像信息中的广告观看过程进行跟踪,以得到该人脸在广告投放现场影像信息中观看广告的时间区间;
所述广告受众分类模块根据所述人脸跟踪模块所得到的人脸跟踪结果对不同人物的人脸做性别识别与年龄估计,得到每个人的性别和年龄信息,并根据所述性别和年龄信息对广告受众进行分类;
广告推荐模块根据人脸检测模块、人脸跟踪模块、广告受众分类模块所得到的结果利用推荐决策算法为各个广告终端生成分时段的广告推荐列表。
本发明的优点在于:
本发明通过对广告投放现场影像信息的分析,得到广告受众的数量、年龄、性别、观看时长等信息,实现对广告受众的分类,进而根据广告受众的具体类型投放对应的广告,有效地提高了广告投放的效果。
附图说明
图1是本发明的智能个性化视频广告推送方法的流程图;
图2是本发明方法中生成广告推荐列表的流程图;
图3是本发明中所涉及的用户-广告矩阵的示意图。
具体实施方式
现结合附图对本发明作进一步的描述。
本发明的智能个性化视频广告推送方法需要依据从部署在视频广告终端侧的摄像设备所采集的广告投放现场影像信息,利用这些影像信息分析广告受众的数量、年龄、性别、观看时长等,进而区分不同类型的广告受众,从而根据广告受众的具体类型投放对应的个性化视频广告。
下面结合图1就本发明的智能个性化视频广告推送方法的具体实现步骤加以说明。
本发明的方法包括:
步骤1)、采集并保存广告投放现场影像信息。
该广告投放现场影像信息可由部署在视频广告终端侧的摄像机采集,并保存在一视频数据库中。本步骤中所采集的广告投放现场影像信息应具有一定的规模,以利于数据统计。
步骤2)、对步骤1)所得到的广告投放现场影像信息做人脸检测;所述人脸检测包括:从广告投放现场影像信息中识别出各个人脸,得到各个人脸的面部图像,并得到某一时间段的影像信息中所包含的人脸的数量。
步骤3)、对步骤1)所得到的广告投放现场影像信息做人脸跟踪;所述人脸跟踪包括对某一人脸在广告投放现场影像信息中的广告观看过程进行跟踪,以得到该人脸在广告投放现场影像信息中观看广告的时间区间。
步骤4)、根据步骤2)所得到的人脸检测结果对检测出的人脸做性别识别与年龄估计,得到每个人的性别和年龄信息,并根据所述性别和年龄信息对广告受众进行分类。
步骤5)、根据步骤2)、步骤3)和步骤4)所得到的结果为各个广告终端生成分时段的广告推荐列表。
下面对本发明方法中的各个步骤做进一步的描述。
在步骤2)中的人脸检测进一步包括:
步骤2-1)、利用AdaBoost方法对广告投放现场影像信息中的各个图像进行粗检,得到候选图像集合,后续检测过程均基于此集合。
步骤2-2)、利用候选图像训练人脸检测模型,所述人脸检测模型为可变形部件模型,可采用结构化输出支持向量机训练该人脸检测模型。
具体的说,首先利用可变形部件模型(Deformable Part Model,DPM)对脸部标志点定位问题进行建模。假设I∈RM×N表示高为M、宽为N的候选图像,由于候选图像为8bit灰度图,因此像素值的取值范围为{0,1,L,255}。在形式化表示中,可以用一个无向图G=(V,E)表示人脸的模型,其中的V={v1,...,vn}表示人脸的n个组成部件,边(vi,vj)∈E代表部件间的连接。人脸某个模型实例可以表示为l={l1,l2,L,ln}∈L,其中li表示部件vi的位置,L表示所有模型实例的集合。对于图像I,本申请中用pi(I,li)衡量部件vi被放置在图像中li位置时的模版匹配程度,可以称之为局部外观模型;用qi,j(li,lj)衡量部件vi和vj分别被放置在li和lj位置时的模型变化程度,可以称之为变形损失模型。因此,最优的模型就是既能在图像上对每一个部件进行很好匹配,又能使部件间的相对关系保持最优。模型的选取质量可以用下面的公式表示:
当f(I,l)取最大值时,模型选取质量最高。因此,最优模型可以由下式求得:
该式即为可变形部件模型的判别函数。
假设pi(I,li)和qi,j(li,lj)是线性参数函数
其中,和是预先定义的映射表,和是可以从样本中习得的参数向量。此时引入一个联合映射表m和一个联合参数向量k,分别定义为独立映射表和以及独立参数向量和的列式串联。这样(2)式可以简化为
结构化输出支持向量机(Structured Output SVM)的目标是寻找一个判别F:X×Y→R。在判别函数确定后,给定一个输入值x,选择能最大化F的值y作为输出,即f为如下形式:
可以看出式(6)和式(5)是等价的,因此本发明中将利用结构化输出支持向量机的训练方法对可变形部件模型进行训练。
步骤2-3)、采用四层LBP金字塔对局部外观模型pi(I,li)的特征进行提取。
步骤2-4)、用二次方程表示变形损失模型中的特征,即变形损失,定义如下:
方程中包含了距离和方向的信息;
步骤2-5)、根据步骤2-3)得到的局部外观模型的特征以及步骤2-4)得到的变形损失模型的特征,通过结构化输出支持向量机学习分类器参数k。
分类器的需求由用户定义的损失函数Z指定。本发明使用估计值和标准值之间的平均标准误差作为损失函数。
标准化因子是人脸大小的倒数,定义为两眼中心与嘴巴中心点连线的长度。标准化因子的引入是为了使损失函数具有尺度不变性。
给定一组包含图像和标注信息的训练样本之后,可以通过求解一下凸最小化问题求得分类器参数k
学习算法在优化检测器性能的同时通过参数向量范式控制过拟合风险。虽然该问题是一个凸优化问题,但是该问题依然很难求解。本发明采用Bundle Methods forRegularized Risk Minimization方法进行求解。
步骤2-6)、模型训练好后,基于公式(5)求得的最优模型对候选区域的标志点进行定位,并对匹配程度进行评分,利用所得到的评分f(I,l*)对候选区域进行筛选。当评分高于预先定义的阈值δ时,将其认定为人脸;当评分低于阈值时,再基于鼻子特征对其进行后续判定。
步骤2-7)、对于在步骤2-6)中得分小于阈值的候选区域,首先基于脸部标识点确定鼻子区域,然后利用AdaBoost鼻子检测器对该区域进行检测,如果检测到鼻子,则认为该候选区域是人脸。
本发明中利用DPM模型定位出七个脸部标志点:左内眼角、左外眼角、右内眼角、右外眼角、左嘴角、右嘴角以及鼻子。这些标志点的坐标分别记为:
(xLeyein,yLeyein)、(xLeyeout,yLeyeout)、(xReyein,yReyein)、(xReyeout,yReyeout)、(xmouthL,ymouthL)、(xmouthR,ymouthR)以及(xnose,ynose)。此时,鼻子区域的左上角坐标以及区域长宽可以用以下公式求得:
xrect=xnose-widthrect/2
yrect=min(yLeyeout,yReyeout)-(max(ymouthL,ymouthR)-ynose)/2
widthrect=(xReyein+xReyeeout)/2-(xLeyein+xLeyeout)/2
heightrect=(max(ymouthL,ymouthR)-ynose)/2-yrect
在步骤3)中的人脸跟踪进一步包括:
步骤3-1)、为了实现尺度不变性,对于大小为M×N的图片使用M×N个矩形滤波器{h1,1,L,hM×N}对图片中的每一个像素点进行卷积。每一种尺度的矩形滤波器定义如下:
hi,j(x,y)=1,1≤x≤i,1≤y≤j
式中,i和j分别为矩形滤波器的宽和高;
步骤3-2)、矩形滤波器对图像中像素进行卷积,得到一高维特征向量。所述卷积过程如下:把矩形放在图像矩阵上(中心对准要处理的元素),用矩形中每个元素去乘图像中的元素,累加和等于这个元素的卷积值。因此,大小为M×N的图片中的每一个像素与一个矩形滤波器卷积后将得到M×N个结果。由于每个滤波器的大小范围是1≤i≤M,1≤j≤N,一共有M×N个滤波器。于是,这些滤波器与大小为M×N的图片卷积后,将得到一个(M×N)2维的高维特征向量。
步骤3-3)、采用随机投影法对步骤3-2)所得到的高维特征向量进行降维。
所述随机投影法就是使用一个n×m的随机矩阵R,将一个高维图像空间的x(m维)投影到一个低维的空间f(n维),数学表达就是:f=Rx。其中随机矩阵R需要满足两个条件:①约束等距性(RIP)。该条件是压缩感知理论中的基础假设;②非常稀疏,便于高效计算;
步骤3-4)、为满足步骤3-3)中对随机矩阵R的要求,本发明将采用如下矩阵:
从式中可以看出,该矩阵非常稀疏,每行仅有2到4个非零元素。且该矩阵满足RIP条件。
步骤3-5)、根据步骤3-4)中的公式生成一个n×(MN)2维的测量矩阵R。由于原特征向量x为MN2维列向量,因此可以根据f=Rx得到一个投影后的n维列向量,本发明中n取70。
步骤3-6)、特征f中的第k个元素fk可以由下式求得:
其中,p(xkj,ykj)和hkj分别表示非零系数rkj对应像素点与矩形滤波器。由于矩形滤波器核函数为全1矩阵,因此就等于以像素点p(xkj,ykj)为中心的矩形窗口内像素灰度值的累加和,可以利用积分图快速求取。
当稀疏测量矩阵R确定后,计算f中每个元素时所用到的矩形框都确定了。实际计算式只需要根据矩形框所在位置利用积分图求取各个框内的像素灰度累加和并进行加权即可。
步骤3-7)、以上讨论的只是针对图片大小为M×N的情况,为了使该方法可以适用于不同尺寸的图片,需要对f进行尺度标准化处理。假设稀疏测量矩阵R是基于大小为M×N的图片确定的,hkj的长和宽分别为widthkj和heightkj,当前图片大小为M′×N′。则fk的尺度标准化处理过程如下式所示:
其中,δx=M′/M和δy=N′/N分别为x轴和y轴的尺度系数,h′kj的长和宽分别为δx·widthkj和δy·heightkj。求解时首先根据图片大小以及矩形框的相对位置确定矩形框的实际位置,然后计算框内像素灰度累加和并处以框内像素个数得到框内平均像素灰度值,然后根据权重求和的到fk。
步骤3-8)、当每幅图像都被表示为n维特征向量后便可将其用于训练朴素贝叶斯分类器:
其中,y∈{0,1}代表样本标签,y=0表示负样本,y=1表示正样本,假设两个类的先验概率相等。p(y=1)=p(p=0)=0.5。Diaconis和Freedman证明了高维随机向量的随机投影几乎都是高斯分布的。因此,假定在分类器H(f)中的条件概率p(fk|y=1)和p(fk|y=0)也属于高斯分布,并且可以用四个参数描述,满足以及这四个参数会进行增量更新:
式中,学习因子λ>0,u1和σ1可由最大似然估计求得。
步骤3-9)、假设第t帧检测出n张人脸,第t+1帧检测出m张人脸。当n<m时,认为有人脸加入,此时增加新的***;当n=m时,认为无人脸加入或退出;当n>m时,认为有人脸退出,此时清除对应的***。
步骤3-10)、***初始化时,在初始化位置Pinit采样两个样本集,Dpos={z|||P(z)-Pinit||<α}和Dneg={z|β<||P(z)-Pinit||<χ},其中α<β<χ。基于步骤3-1)~3-7)的方法提取上述两个样本集的特征,然后分别作为正负样本基于步骤3-8)去训练朴素贝叶斯分类器。
步骤3-11)、对于t+1帧检测到的人脸区域,本发明利用第t帧训练好的朴素贝叶斯分类器进行分类,依次选出分类得分最高的<分类器,图像>对实现多人物跟踪。然后利用t+1帧的跟踪结果基于步骤3-8)更新分类器。
在步骤4)中所实现的人脸性别识别进一步包括:
步骤4-1-1)、对训练用的人脸图像进行预处理,得到图像像素矩阵。
步骤4-1-2)、提取图像像素矩阵的LBP直方图序列统计特征,过程如下:①计算像素矩阵每个点的LBP值②对像素矩阵分块,分为8*8=64块③统计每块的LBP直方图序列④采用均匀模式对LBP直方图特征进行降维⑤利用分块的LBP直方图序列合成整个图像的LBP特征。
步骤4-1-3)、将所有训练图片得到的LBP特征输入到SVM分类器进行训练,使用SVM分类模式,设定SVM参数中的惩罚系数C=128,学习参数g=0.2,采用RBF(径向高斯基)核函数进行训练,得到训练模型GR.model。
步骤4-1-4)、对于人脸检测所得到的人脸图像,经过图片预处理和LBP特征提取后,将特征输入到SVM分类器中,SVM分类器结合训练好的模型GR.model对图片进行判决,得到人脸图像所代表的人为男性或女性的最终结果。
其中的步骤4-1-1)进一步包括:
步骤4-1-1-1)、图像灰度化,遍历面部图像,对每一个像素点进行处理,得到每个像素的RGB值,通过与运算分别提取出红、蓝、绿的值,根据人眼对红蓝绿三种颜色的敏感程度不同,最佳灰度转换公式为:
Grey=(9798R+19235G+3735B)/32768
其中Grey代表转换后的灰度值,R、G、B分别代表图像中每一个像素点的红色分量、绿色分量和蓝色分量。
步骤4-1-1-2)、图像大小调整,采用双线性插值法将灰度化图像调整至48*48大小。
步骤4-1-1-3)、图像直方图均衡化,利用直方图的统计数据进行直方图的修改,通过调整各灰度级别像素出现的概率相等来改变图像中各灰度级别的像素值,从而实现图像增强。
步骤4-1-1-4)、提取图像像素矩阵。
在步骤4)中所实现的人脸年龄估计进一步包括:
步骤4-2-1)、对训练用的人脸图像进行预处理,得到人脸图像的图像像素矩阵。
步骤4-2-2)、提取图像像素矩阵的LBP直方图序列统计特征,过程如下:①计算像素矩阵每个点的LBP值②对像素矩阵分块,分为7*7=49块③统计每块的LBP直方图序列④采用均匀模式对LBP直方图特征进行降维⑤利用分块的LBP直方图序列合成整个图像的LBP特征。
步骤4-2-3)、将提取到的训练集LBP特征输入到SVR回归模型中进行训练,使用SVR回归模式,设定SVR参数中的惩罚系数C=256,学习参数g=0.3,采用RBF(径向高斯基)核函数进行训练,得到训练模型AE.model。
步骤4-2-4)、对于人脸检测所得到的人脸图像,经过图片预处理和LBP特征提取后,将特征输入到SVR回归模型中,结合训练好的模型AE.model对图片进行回归估计,得到最终结果。
步骤4-2-1)进一步包括:
步骤4-2-1-1)、图像灰度化。
步骤4-2-1-2)、图像旋转调整,设两眼的瞳孔坐标分别为(x1,y1)和(x2,y2),求出两眼中心连线与水平方向的夹角θ,公式如下:
设图像中任一点的坐标为(x,y),旋转后该点坐标变换为(x′,y′),则:
其中[x y]T表示求矩阵转置,依据公式(4-2)就可以把图像的每一个点进行旋转调整。
步骤4-2-1-3)、图像大小调整,采用双线性插值法将灰度化图像调整至91*112大小。
步骤4-2-1-4)、图像直方图均衡化,利用直方图的统计数据进行直方图的修改,通过调整各灰度级别像素出现的概率相等来改变图像中各灰度级别的像素值,从而实现图像增强。
步骤4-2-1-5)、提取图像像素矩阵。
步骤4-2-3)可进一步包括:
步骤4-2-3-1)、SVR是支持向量回归算法,是SVM支持向量机在回归问题上的推广。设训练集为T={(x1,y1),(x2,y2),(x3,y3)…(xl,yl)}∈(X×Y)l,其中xi∈X=Rn,yi∈Y=R,i=1,2,3…l;xi为第i张人脸提取到的特征向量,yi是第i张人脸对应的实际年龄。采用一个非线性函数将数据映射到高维特征空间,在高维空间里面进行线性回归,同时引入松弛变量ξi,构造惩罚系数C和常数ε,设回归函数为:
则求解该问题的标准SVR模型为:
约束条件:
步骤4-2-3-2)、由于目标函数和约束集都是凸集,存在唯一最小解,根据KKT条件,引入拉格朗日函数,得到其对偶形式:
约束条件:
其中称为核函数,由式子(4-6)可得到:
其中SV为标准支持向量集合,NNSV为标准支持向量数量,最后所求回归函数为:
参考图2,所述步骤5)进一步包括:
步骤5-1)、根据视频分析结果以及广告播放记录得到受众观看记录表和广告播放记录表。受众观看记录表包括任务编号、观看起始时间、观看结束时间、人物性别、人物年龄、广告机编号等信息,广告播放记录表包括广告编号、广告播放起始时间、结束时间、广告机编号等信息。在后续的步骤中实现广告推荐时需要用到受众观看记录表与广告播放记录表。
步骤5-2)、假设通过性别和年龄将受众分为K类,广告终端共有T个,且在这T个广告终端上一共播出了L个不同的广告。则可以得到T个K×L维的User-Ad(用户-广告)矩阵,图3为所述用户-广告矩阵的示意图,其中用户指的是按类划分的广告受众。定义广告接受程度:δ=t收看/t总长。当一个观看者对某广告的接受程度δ大于设定的阈值δg时,认为其对该广告有兴趣,此时User-Ad矩阵中对应位置的该类受众人数加1。得到全部T个User-Ad矩阵后,便可据此进行全局广告相关性及局部广告流行度分析。
步骤5-3)、全局广告相关性分析是指在全局范围内针对所有的L个广告进行相关性分析,而不是单单对于某个终端而言。该分析过程包括:
首先将T个User-Ad矩阵进行相加合并,得到一个全局User-Ad矩阵。该矩阵中任意广告ai均对应一个K维的统计向量Vi=(u1,L,um,LuK),其中um表示第m类受众中共有um人对该类广告有兴趣。
对任意两个广告ai和aj,可基于统计向量Vi和Vj求得两者的余弦相关系数。计算公式为:其中,分子表示两个向量的内积,分母表示两个向量的长度的乘积。对于任一广告ai,求出它与另外(L-1)个广告的余弦相关系数,并按系数大小从大到小排序。前面的N个系数对应的广告即为与广告ai相关性最强的N个广告。此时可以得到一个L×N维的Ad-Ad TOP N推荐列表,表中基于广告相关性,针对每个广告都进行了TOP N推荐。
步骤5-4)、局部流行度分析是指针对每个广告终端进行广告流行度分析,得到每台广告终端每类受众最喜爱的广告TOP N列表,称为User-Ad TOP N推荐列表。该列表可以基于每台广告终端对应的User-Ad矩阵进行统计分析后得到。
步骤5-5)、得到Ad-Ad TOP N推荐列表以及User-Ad TOP N推荐列表后,可以据此建立一个针对每一个广告终端上每一类受众的联合TOP2N推荐列表,并赋予权重。
根据User-Ad TOP N推荐列表,假设终端Tj上的某一类观众uk最喜爱的前N个广告是am1,am2…amq。此时,首先根据Ad-Ad TOP N推荐列表找到广告am1的表项,***am1的最近邻广告;若***过程中,遇到了am2且当前广告数还未满2N个,则***am2,接着***am2的最近邻广告;以此类推,在***ami的最近邻广告过程中若遇到am(i+1),且当前广告数未满2N个,***am(i+1)后转而***am(i+1)的最近邻广告,重复该过程直到这一类观众的观看广告列表达到2N个。这样得到的列表便综合了每一个终端单独的统计信息和基于全局的所有广告相关性信息。
对所得到的每一个广告终端上每一类受众的联合TOP2N推荐列表中的2N个广告分别赋予权重系数
步骤5-6)、根据受众观看记录和广告播放记录统计每台广告终端在每个时段的受众类别分布表。
统计时结合受众总人数统计和观看时长,以半小时为一个时间段,视频广告终端开始运行时刻为起点,到结束时刻为终点,划分出M个时间段。假设终端捕捉到的人脸观看广告的时长为t,设定另一个阈值tu,当t>tu时即认为该受众在该时间段内观看了广告,tu取值非常小。当确定该时间段有受众看广告时,通过其性别和年龄确定受众类别,然后统计这个时间段内所有的该类受众观看的总人数;分别统计所有类别的总人数,即可得到所有类别受众在该时间段观看广告的直方统计图。现在假设在第i个时间段Pi内,第k类受众uk的人数为Nk,那么对应的给该类受众赋予权重而权重的计算采取公式:
步骤5-7)、综合步骤5-5)得到的TOP2N推荐列表和步骤5-6)得到的受众类别分布表,生成最终的分时段广告TOP N推荐列表。
对某一个终端To,现已知在时间段Pi内,每一类受众的权重同时对任一类受众k,TOP2N推荐列表中记录了这一类观众最可能喜爱的前2N个广告,以及这些广告的权重同时假定剩余的(L-2N)个广告的权重为0,那么对于时间段Pi,即可计算所有L个广告在该终端上的该时间段的得分S,ID为n的广告得分Sn的计算公式如下:
将L个得分从大到小排序,取前N个的值对应的广告,那么这N个广告即为该时间段的TOP N广告推荐。应用该方法计算所有M个时间段的TOP N推荐广告,即可得到该终端的最终的分时段TOP N广告推荐列表。将该步骤重复应用到所有终端,即可完成整个***的广告推送策略。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种智能个性化视频广告推送方法,包括:
步骤1)、采集并保存广告投放现场影像信息;
步骤2)、对步骤1)所得到的广告投放现场影像信息做人脸检测;所述人脸检测包括:从广告投放现场影像信息中识别出各个人脸,得到各个人脸的面部图像,以及某一时间段的影像信息中所包含的人脸的数量;
步骤3)、对步骤1)所得到的广告投放现场影像信息做人脸跟踪;所述人脸跟踪包括对某一人脸在广告投放现场影像信息中的广告观看过程进行跟踪,以得到该人脸在广告投放现场影像信息中观看广告的时间区间;
步骤4)、根据步骤3)所得到的人脸跟踪结果对不同人物的人脸做性别识别与年龄估计,得到每个人的性别和年龄信息,并根据所述性别和年龄信息对广告受众进行分类;
步骤5)、根据步骤2)、步骤3)和步骤4)所得到的结果利用推荐决策算法为各个广告终端生成分时段的广告推荐列表;
所述步骤5)进一步包括:
步骤5-1)、根据步骤2-步骤4)所得到的结果以及广告播放记录生成受众观看记录表和广告播放记录表;其中,受众观看记录表包括任务编号、观看起始时间、观看结束时间、人物性别、人物年龄、广告机编号;广告播放记录表包括广告编号、广告播放起始时间、结束时间、广告机编号;
步骤5-2)、根据受众的性别和年龄对受众进行分类,得到K类受众,根据广告终端的数目T以及在T个广告终端上播放的广告的数目L,求T个K×L维的用户-广告矩阵;
步骤5-3)、对步骤5-2)所得到的T个K×L维的用户-广告矩阵做全局广告分析,得到一个L×N维的Ad-Ad TOP N推荐列表,该推荐列表包含了对于L个广告中的任意一个,与其相关性最强的N个广告;
步骤5-4)、对步骤5-2)所得到的T个K×L维的用户-广告矩阵做局部流行度分析,得到User-Ad TOP N推荐列表,该推荐列表包含了每个广告终端每类受众最喜爱的N个广告;
步骤5-5)、根据步骤5-3)得到的Ad-Ad TOP N推荐列表以及步骤5-4)得到的User-AdTOP N推荐列表,建立一个针对每一个广告终端上每一类受众的联合TOP 2N推荐列表,并为该推荐列表中的各个广告赋予权重;所述联合TOP 2N推荐列表包含了为每一个广告终端上每一类受众推荐的2N个广告;
步骤5-6)、根据受众观看记录和广告播放记录统计每个广告终端在每个时段的受众类别分布表;
步骤5-7)、综合步骤5-5)得到的TOP 2N推荐列表和步骤5-6)得到的受众类别分布表,生成最终的分时段广告TOP N推荐列表。
2.根据权利要求1所述的智能个性化视频广告推送方法,其特征在于,步骤2)中的人脸检测包括:首先利用Adaboost方法对图片进行粗检,得到人脸候选区域,然后基于可变形部件模型对脸部的标志点进行定位并对匹配程度进行评分;当分数高于预先设置的阈值时,直接认定该候选区域为人脸;如果分数低于预设阈值,则结合标志点位置利用人脸几何先验知识确定鼻子所在区域,然后利用Adaboost鼻子检测器进行确认,如果检测到鼻子,则认定该候选区域为人脸。
3.根据权利要求1所述的智能个性化视频广告推送方法,其特征在于,步骤3)中的人脸跟踪包括:采用矩形滤波器对广告投放现场影像信息中检测到的人脸图像中的像素进行卷积,得到高维特征向量;利用随机投影法对所述高维特征向量进行降维;对降维后的特征进行尺度标准化处理;将图像经降维与尺度标准化处理后的特征向量用于训练朴素贝叶斯分类器;对于后一帧检测到的人脸区域,提取特征后利用前一帧训练好的朴素贝叶斯分类器进行分类,依次选出分类得分最高的<分类器,图像>实现多人物跟踪,然后利用后一帧的跟踪结果更新所述朴素贝叶斯分类器。
4.根据权利要求1所述的智能个性化视频广告推送方法,其特征在于,步骤5-3)中的全局广告分析包括:
首先将T个用户-广告矩阵进行相加合并,得到一个全局用户-广告矩阵;该矩阵中任意广告ai均对应一个K维的统计向量Vi=(u1,…,um,uK),其中um表示第m类受众中共有um人对该类广告有兴趣;u1表示第1类受众中共有u1人对该类广告有兴趣;uk表示第k类受众中共有uk人对该类广告有兴趣;
对任意两个广告ai和aj,基于统计向量Vi和Vj求得两者的余弦相关系数;计算公式为:其中,分子表示两个向量的内积,分母表示两个向量的长度的乘积;对于任一广告ai,求出它与另外L-1个广告的余弦相关系数,并按系数大小从大到小排序;前面的N个系数对应的广告即为与广告ai相关性最强的N个广告,由此得到一个L×N维的Ad-Ad TOP N推荐列表。
5.根据权利要求1所述的智能个性化视频广告推送方法,其特征在于,在步骤5-5)中的联合TOP 2N推荐列表的建立过程包括:
根据User-Ad TOP N推荐列表,假设终端Tj上的某一类观众uk最喜爱的前N个广告是am1,am2...amq;然后根据Ad-Ad TOP N推荐列表找到广告am1的表项,***am1的最近邻广告;若***过程中,遇到了am2且当前广告数还未满2N个,则***am2,接着***am2的最近邻广告;以此类推,在***ami的最近邻广告过程中若遇到am(i+1),且当前广告数未满2N个,***am(i+1)后转而***am(i+1)的最近邻广告,重复该过程直到这一类观众的观看广告列表达到2N个。
6.根据权利要求1所述的智能个性化视频广告推送方法,其特征在于,步骤5-7)进一步包括:
对某一个终端To,已知在时间段Pi内每一类受众的权重同时对任一类受众k,TOP2N推荐列表中记录了这一类观众最可能喜爱的前2N个广告以及这些广告的权重假定剩余的L-2N个广告的权重为0,那么对于时间段Pi,即可计算所有L个广告在该终端上的该时间段的得分S,ID为n的广告得分Sn的计算公式如下:
<mrow>
<msub>
<mi>S</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</msubsup>
<msubsup>
<mi>w</mi>
<mi>j</mi>
<mrow>
<mi>p</mi>
<mi>i</mi>
</mrow>
</msubsup>
<mo>&times;</mo>
<msubsup>
<mi>w</mi>
<mrow>
<mi>a</mi>
<mi>n</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>n</mi>
<mo>&le;</mo>
<mi>L</mi>
</mrow>
将L个得分从大到小排序,取前N个的值对应的广告即为该时间段的TOP N广告推荐。
7.一种智能个性化视频广告推送***,其特征在于,包括广告投放现场影像信息采集模块、人脸检测模块、人脸跟踪模块、广告受众分类模块以及广告推荐模块;其中,
所述广告投放现场影像信息采集模块采集并保存广告投放现场影像信息;
所述人脸检测模块对广告投放现场影像信息做人脸检测;所述人脸检测包括:从广告投放现场影像信息中识别出各个人脸,得到各个人脸的面部图像,以及某一时间段的影像信息中所包含的人脸的数量;
所述人脸跟踪模块对广告投放现场影像信息做人脸跟踪;所述人脸跟踪包括对某一人脸在广告投放现场影像信息中的广告观看过程进行跟踪,以得到该人脸在广告投放现场影像信息中观看广告的时间区间;
所述广告受众分类模块根据所述人脸跟踪模块所得到的人脸跟踪结果对不同人物的人脸做性别识别与年龄估计,得到每个人的性别和年龄信息,并根据所述性别和年龄信息对广告受众进行分类;
广告推荐模块根据人脸检测模块、人脸跟踪模块、广告受众分类模块所得到的结果利用推荐决策算法为各个广告终端生成分时段的广告推荐列表;
所述广告推荐模块的具体实现过程为:
步骤5-1)、根据人脸检测模块、人脸跟踪模块、广告受众分类模块所得到的结果以及广告播放记录生成受众观看记录表和广告播放记录表;其中,受众观看记录表包括任务编号、观看起始时间、观看结束时间、人物性别、人物年龄、广告机编号;广告播放记录表包括广告编号、广告播放起始时间、结束时间、广告机编号;
步骤5-2)、根据受众的性别和年龄对受众进行分类,得到K类受众,根据广告终端的数目T以及在T个广告终端上播放的广告的数目L,求T个K×L维的用户-广告矩阵;
步骤5-3)、对步骤5-2)所得到的T个K×L维的用户-广告矩阵做全局广告分析,得到一个L×N维的Ad-Ad TOP N推荐列表,该推荐列表包含了对于L个广告中的任意一个,与其相关性最强的N个广告;
步骤5-4)、对步骤5-2)所得到的T个K×L维的用户-广告矩阵做局部流行度分析,得到User-Ad TOP N推荐列表,该推荐列表包含了每个广告终端每类受众最喜爱的N个广告;
步骤5-5)、根据步骤5-3)得到的Ad-Ad TOP N推荐列表以及步骤5-4)得到的User-AdTOP N推荐列表,建立一个针对每一个广告终端上每一类受众的联合TOP 2N推荐列表,并为该推荐列表中的各个广告赋予权重;所述联合TOP 2N推荐列表包含了为每一个广告终端上每一类受众推荐的2N个广告;
步骤5-6)、根据受众观看记录和广告播放记录统计每个广告终端在每个时段的受众类别分布表;
步骤5-7)、综合步骤5-5)得到的TOP 2N推荐列表和步骤5-6)得到的受众类别分布表,生成最终的分时段广告TOP N推荐列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310713223.8A CN104732413B (zh) | 2013-12-20 | 2013-12-20 | 一种智能个性化视频广告推送方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310713223.8A CN104732413B (zh) | 2013-12-20 | 2013-12-20 | 一种智能个性化视频广告推送方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104732413A CN104732413A (zh) | 2015-06-24 |
CN104732413B true CN104732413B (zh) | 2017-11-21 |
Family
ID=53456284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310713223.8A Active CN104732413B (zh) | 2013-12-20 | 2013-12-20 | 一种智能个性化视频广告推送方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104732413B (zh) |
Families Citing this family (55)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2937342C (en) * | 2015-07-31 | 2019-09-10 | Fmr Llc | Inserting personalized information into digital content |
KR20170033549A (ko) * | 2015-09-17 | 2017-03-27 | 삼성전자주식회사 | 디스플레이 장치, 그 제어 방법 및 컴퓨터 판독가능 기록 매체 |
CN105450778B (zh) * | 2015-12-29 | 2019-02-15 | 广州小百合信息技术有限公司 | 信息推送*** |
CN105654349A (zh) * | 2016-01-06 | 2016-06-08 | 上海斐讯数据通信技术有限公司 | 电梯广告自适应播放方法及*** |
CN107122125B (zh) * | 2016-02-25 | 2020-06-23 | 阿里巴巴集团控股有限公司 | 一种数据处理方法和*** |
CN107545227A (zh) * | 2016-06-27 | 2018-01-05 | 张业 | 基于物联网和云计算的智能建筑集成*** |
CN106446823B (zh) * | 2016-09-20 | 2019-08-27 | 北京金山安全软件有限公司 | 一种识别用户年龄的方法、装置及电子设备 |
CN106910085B (zh) * | 2017-01-06 | 2020-05-22 | 哈尔滨学院 | 一种基于电商平台的产品智能推荐方法及其*** |
CN106815352B (zh) * | 2017-01-17 | 2018-09-04 | 维沃移动通信有限公司 | 一种数据推送方法及移动终端 |
CN108510299B (zh) * | 2017-02-28 | 2021-12-10 | 腾讯科技(北京)有限公司 | 确定多媒体资源投放策略的方法及装置 |
CN108665793A (zh) * | 2017-03-30 | 2018-10-16 | 鸿富锦精密电子(天津)有限公司 | 移动式广告装置、广告播放***及方法 |
CN107194892A (zh) * | 2017-05-18 | 2017-09-22 | 哈尔滨理工大学 | 一种基于svr的图像增强方法 |
CN107371042B (zh) * | 2017-08-31 | 2020-09-11 | 深圳创维-Rgb电子有限公司 | 广告投放方法、装置、设备及存储介质 |
CN107563500B (zh) * | 2017-09-14 | 2021-04-13 | 北京奇艺世纪科技有限公司 | 一种基于用户头像的视频推荐方法及*** |
CN107786898B (zh) * | 2017-09-28 | 2020-06-16 | 南京林洋电力科技有限公司 | 一种带补偿机制的电力智慧营业厅媒体智能播放方法 |
CN108022152A (zh) * | 2017-11-30 | 2018-05-11 | 北京长城华冠汽车技术开发有限公司 | 基于图像识别的用户商品自动推荐***及推荐方法 |
CN107958396A (zh) * | 2017-12-18 | 2018-04-24 | 长沙鹏阳信息技术有限公司 | 广告投放方法和装置 |
CN108133392A (zh) * | 2017-12-29 | 2018-06-08 | 佛山市幻云科技有限公司 | 广告控制方法、装置与*** |
CN108197994A (zh) * | 2018-01-02 | 2018-06-22 | 珠海兴业新材料科技有限公司 | 广告投放方法、***、终端及计算机可读存储介质 |
CN108764968B (zh) * | 2018-04-28 | 2022-01-18 | 北京鸿途信达科技股份有限公司 | 互联网广告*** |
CN108766278B (zh) * | 2018-05-15 | 2020-06-05 | 三星电子(中国)研发中心 | 一种电子路牌信息显示方法和装置 |
CN108806577A (zh) * | 2018-05-31 | 2018-11-13 | 北京小马当红文化传媒有限公司 | 一种基于云端控制的大屏广告***及方法 |
CN108491835B (zh) * | 2018-06-12 | 2021-11-30 | 常州大学 | 面向面部表情识别的双通道卷积神经网络 |
CN109034389A (zh) * | 2018-08-02 | 2018-12-18 | 黄晓鸣 | 信息推荐***的人机交互式修正方法、装置、设备和介质 |
CN110830852B (zh) * | 2018-08-07 | 2022-08-12 | 阿里巴巴(中国)有限公司 | 一种视频内容的处理方法及装置 |
CN109064229B (zh) * | 2018-08-13 | 2020-10-16 | 河海大学 | 一种基于体感设备的广告推荐*** |
CN109034101B (zh) * | 2018-08-14 | 2022-04-19 | 成都智汇脸卡科技有限公司 | 一对多的动静态广告播放方法 |
CN109345953A (zh) * | 2018-08-28 | 2019-02-15 | 信利光电股份有限公司 | 基于广告机的广告推送方法及***、存储介质和移动终端 |
CN109344726A (zh) * | 2018-09-05 | 2019-02-15 | 顺丰科技有限公司 | 一种广告投放方法和装置 |
CN109544216B (zh) * | 2018-11-02 | 2021-02-09 | 长春众鼎科技有限公司 | 基于视频监控的公交站台广告智能投放***及其方法 |
CN109558535B (zh) * | 2018-11-05 | 2020-08-07 | 重庆中科云从科技有限公司 | 基于人脸识别的个性化推送物品的方法及*** |
KR102537781B1 (ko) | 2018-11-13 | 2023-05-30 | 삼성전자주식회사 | 전자 장치 및 이의 제어 방법 |
CN109727071A (zh) * | 2018-12-28 | 2019-05-07 | 中国科学院半导体研究所 | 广告推荐方法及*** |
CN109874054B (zh) * | 2019-02-14 | 2021-06-29 | 深兰科技(上海)有限公司 | 一种广告推荐方法及装置 |
CN109949077A (zh) * | 2019-02-26 | 2019-06-28 | 南京铭富信息科技有限公司 | 基于儿童摇摆机的儿童年龄范围估算方法及广告方法 |
CN110009407A (zh) * | 2019-03-25 | 2019-07-12 | 深兰科技(上海)有限公司 | 一种广告推送方法、装置、广告播放终端及存储介质 |
CN110046940A (zh) * | 2019-04-22 | 2019-07-23 | 福建工程学院 | 一种车载广告个性化推送方法及装置 |
CN110111138A (zh) * | 2019-04-23 | 2019-08-09 | 江苏聚垚科技有限公司 | 一种通过交通工具推送广告的方法 |
CN110084644A (zh) * | 2019-04-24 | 2019-08-02 | 京东方科技集团股份有限公司 | 一种广告发布装置、广告发布***以及广告发布方法 |
CN110188703A (zh) * | 2019-05-31 | 2019-08-30 | 广州软盈科技有限公司 | 一种基于人脸识别的信息推送及引流方法 |
CN110378752A (zh) * | 2019-07-26 | 2019-10-25 | 京东方科技集团股份有限公司 | 广告推荐方法、装置、电子设备以及存储介质 |
CN110689374B (zh) * | 2019-09-27 | 2021-06-22 | 广州云从人工智能技术有限公司 | 一种商品导购管理方法、***、介质和设备 |
CN111415328B (zh) * | 2020-02-20 | 2023-07-11 | 北京三快在线科技有限公司 | 物品分析数据确定方法、装置、电子设备 |
CN111556330B (zh) * | 2020-04-30 | 2021-01-05 | 赵勇奎 | 基于人工智能的电子商务信息推送方法及人工智能云平台 |
CN111626786B (zh) * | 2020-05-29 | 2022-02-08 | 杭州熹屋文化传媒有限公司 | 一种基于大数据的广告分析*** |
CN111582957B (zh) * | 2020-06-30 | 2021-09-07 | 成都新潮传媒集团有限公司 | 一种广告推送计费方法、装置及计算机设备 |
CN112132616B (zh) * | 2020-09-23 | 2021-06-01 | 广东省广汽车数字营销有限公司 | 一种基于大数据的移动多媒体广告智能推送管理*** |
CN112581195B (zh) * | 2021-02-25 | 2021-05-28 | 武汉卓尔数字传媒科技有限公司 | 一种广告推送方法、装置和电子设备 |
CN112949763A (zh) * | 2021-04-01 | 2021-06-11 | 北京奇艺世纪科技有限公司 | 数据提取方法、装置、设备及存储介质 |
CN113253841A (zh) * | 2021-05-17 | 2021-08-13 | 南京林业大学 | 一种广告屏幕智能控制方法及装置 |
CN113421130A (zh) * | 2021-07-20 | 2021-09-21 | 重庆京东方智慧科技有限公司 | 一种广告推送方法和装置、电子设备和可读存储介质 |
CN113887541A (zh) * | 2021-12-06 | 2022-01-04 | 北京惠朗时代科技有限公司 | 一种应用于公司管理的多区域员工数量检测方法 |
CN115689649A (zh) * | 2022-10-27 | 2023-02-03 | 深圳新度博望科技有限公司 | 一种视频广告投放方法、装置、计算机设备及存储介质 |
CN116681477A (zh) * | 2023-08-03 | 2023-09-01 | 天津鑫宝龙电梯集团有限公司 | 一种智能广告推荐方法、装置、电子设备及存储介质 |
CN117291670B (zh) * | 2023-09-14 | 2024-04-05 | 广州太棒了传媒科技有限公司 | 基于人群数据的视频广告播放方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079103A (zh) * | 2007-06-14 | 2007-11-28 | 上海交通大学 | 基于稀疏贝叶斯回归的人脸姿势识别方法 |
CN101795400A (zh) * | 2010-03-16 | 2010-08-04 | 上海复控华龙微***技术有限公司 | 一种婴幼儿主动跟踪监护的方法及其实现*** |
CN102129644A (zh) * | 2011-03-08 | 2011-07-20 | 北京理工大学 | 一种具有受众特性感知与统计功能的智能广告*** |
CN102930454A (zh) * | 2012-10-07 | 2013-02-13 | 乐配(天津)科技有限公司 | 基于多感知技术的智能3d广告推荐方法 |
CN103377293A (zh) * | 2013-07-05 | 2013-10-30 | 河海大学常州校区 | 多源输入、信息智能优化处理的全息触摸交互展示*** |
-
2013
- 2013-12-20 CN CN201310713223.8A patent/CN104732413B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101079103A (zh) * | 2007-06-14 | 2007-11-28 | 上海交通大学 | 基于稀疏贝叶斯回归的人脸姿势识别方法 |
CN101795400A (zh) * | 2010-03-16 | 2010-08-04 | 上海复控华龙微***技术有限公司 | 一种婴幼儿主动跟踪监护的方法及其实现*** |
CN102129644A (zh) * | 2011-03-08 | 2011-07-20 | 北京理工大学 | 一种具有受众特性感知与统计功能的智能广告*** |
CN102930454A (zh) * | 2012-10-07 | 2013-02-13 | 乐配(天津)科技有限公司 | 基于多感知技术的智能3d广告推荐方法 |
CN103377293A (zh) * | 2013-07-05 | 2013-10-30 | 河海大学常州校区 | 多源输入、信息智能优化处理的全息触摸交互展示*** |
Also Published As
Publication number | Publication date |
---|---|
CN104732413A (zh) | 2015-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104732413B (zh) | 一种智能个性化视频广告推送方法及*** | |
CN107506703B (zh) | 一种基于无监督局部度量学习和重排序的行人再识别方法 | |
US8457391B2 (en) | Detecting device for specific subjects and learning device and learning method thereof | |
Zhan et al. | Face detection using representation learning | |
Garcia et al. | Convolutional face finder: A neural architecture for fast and robust face detection | |
CN107330397B (zh) | 一种基于大间隔相对距离度量学习的行人重识别方法 | |
US7848548B1 (en) | Method and system for robust demographic classification using pose independent model from sequence of face images | |
CN102110285B (zh) | 数据校正设备、其控制方法以及图像判别设备 | |
Degtyarev et al. | Comparative testing of face detection algorithms | |
CN103098079A (zh) | 个性化节目选择***和方法 | |
CN103136504A (zh) | 人脸识别方法及装置 | |
KR20080033486A (ko) | 서포트 벡터 머신 및 얼굴 인식에 기초한 자동 생체 식별 | |
CN103810500B (zh) | 一种基于有监督学习概率主题模型的地点图像识别方法 | |
CN101950448B (zh) | Atm的伪装与偷窥行为检测的方法和*** | |
Parde et al. | Face and image representation in deep CNN features | |
CN109815923B (zh) | 基于lbp特征与深度学习的金针菇菇头分选识别方法 | |
Demirkus et al. | Hierarchical temporal graphical model for head pose estimation and subsequent attribute classification in real-world videos | |
CN109635647B (zh) | 一种基于约束条件下的多图片多人脸的聚类方法 | |
CN114445879A (zh) | 一种高精度人脸识别方法及人脸识别设备 | |
CN113313149A (zh) | 一种基于注意力机制和度量学习的菜品识别方法 | |
Bekhet et al. | Gender recognition from unconstrained selfie images: a convolutional neural network approach | |
CN108921872B (zh) | 一种适用于长程跟踪的鲁棒性视觉目标跟踪方法 | |
Ou et al. | A real time race classification system | |
CN110472639B (zh) | 一种基于显著性先验信息的目标提取方法 | |
Abdullah-Al-Wadud et al. | Skin segmentation using color distance map and water-flow property |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220729 Address after: 100190, No. 21 West Fourth Ring Road, Beijing, Haidian District Patentee after: INSTITUTE OF ACOUSTICS, CHINESE ACADEMY OF SCIENCES Patentee after: NANHAI RESEARCH STATION, INSTITUTE OF ACOUSTICS, CHINESE ACADEMY OF SCIENCES Address before: 100190, No. 21 West Fourth Ring Road, Beijing, Haidian District Patentee before: INSTITUTE OF ACOUSTICS, CHINESE ACADEMY OF SCIENCES |
|
TR01 | Transfer of patent right |