一种基于智能显示终端的广告计费统计方法技术

本发明专利技术公开一种基于智能显示终端的广告计费统计方法，在一具体实施方式中，该方法包括：当智能显示终端上开始播放广告时，开启摄像头进行实时拍摄，摄像头将实时拍摄到的图像经信息传递光纤传送给远端带GPU的服务器；远端带GPU的服务器接收摄像头传送的图像后，将接收到的图像输入训练好的人脸识别模型，输出对该图像的检测到的图像内容；根据所述图像内容，使用多决策评估算法来进行广告计费的评估与计算。该实施方式能够对经过智能显示终端的人群进行人脸识别，统计真实观看广告的人群群体、广告内容、观看时长等信息，还能够用多决策评估算法计算出真实的广告营销效果。评估算法计算出真实的广告营销效果。评估算法计算出真实的广告营销效果。

A statistical method of advertising billing based on intelligent display terminal

【技术实现步骤摘要】
一种基于智能显示终端的广告计费统计方法


[0001]本专利技术涉及智能终端广告监测
，更具体地，涉及一种基于智能显示终端的广告计费统计方法。

技术介绍

[0002]目前社区用到的大型电子宣传屏，大部分都是没有画面的滚动文字屏幕，或者是用来播放短视频的室外LED的电子屏幕。目前最大的问题就在于，现有的传统社区电子宣传屏在广告投放上只能循环播放广告，广告虽然在屏幕上展示了，但是否有用户观看，展示期间被多少用户观看以及用户观看的时长不得而知，从而无法得知广告的实际宣传效果。

技术实现思路

[0003]为了解决上述问题中的至少一个，本专利技术的一个目的在于提供一种基于智能显示终端的广告计费统计方法。
[0004]为达到上述目的，本专利技术采用下述技术方案：
[0005]一种基于智能显示终端的广告计费统计方法，包括：
[0006]当智能显示终端上开始播放广告时，开启摄像头进行实时拍摄，摄像头将实时拍摄到的图像经信息传递光纤传送给远端带GPU的服务器；
[0007]远端带GPU的服务器接收摄像头传送的图像后，将接收到的图像输入训练好的人脸识别模型，输出对该图像的检测到的图像内容；
[0008]根据所述图像内容，使用多决策评估算法来进行广告计费的评估与计算。
[0009]在一个具体示例中，所述将接收到的图像输入训练好的人脸识别模型之前，还包括：
[0010]利用人脸面向智能显示终端与人脸非面向智能显示终端的数据集训练所述人脸识别模型，所述人脸识别模型采用基于卷积神经网络的深度监督学习下的机器学习模型CNN，所述CNN通过结合人脸面向智能显示终端的图像空间的局部感知区域、共享权重和在空间或时间上的降采样来利用数据集包含的局部性特征，优化所述人脸识别模型结构，得到训练好的人脸识别模型。
[0011]在一个具体示例中，所述基于卷积神经网络的深度监督学习下的机器学习模型CNN结合了高斯混合模型以及非参数估计的建模模型，使得人脸识别模型在不同的色彩空间中建立不同的肤色模型来进行人脸检测，通过提取彩色图像中的面部区域以实现人脸检测，并使用mean
‑
shift方法进行局部搜索实现人脸的检测和跟踪。
[0012]在一个具体示例中，所述基于卷积神经网络的深度监督学习下的机器学习模型CNN结合了Adaboost人脸检测算法，通过多次循环迭代来寻求最优分类器，用弱分类器Haar特征中任一特征放在人脸样本上，求出人脸特征值，通过多个分类器的级联得到人脸的量化特征。
[0013]在一个具体示例中，所述将接收到的图像输入训练好的人脸识别模型之前，还包
括：
[0014]采用灰度调整、图像滤波和图像尺寸归一化处理摄像头拍摄到的图片。
[0015]在一个具体示例中，所述人脸识别模型在相邻帧之间做MTCNN Onet forward预测来实现跟踪并统计每个人脸面向智能显示终端的时长。
[0016]在一个具体示例中，所述统计每个人脸面向智能显示终端的时长的间隔大概为100ms
‑
300ms。
[0017]在一个具体示例中，所述输出对该图像的检测到的图像内容包括：
[0018]采集到的人脸观看广告的时长、时段以及人群划分。
[0019]在一个具体示例中，所述多决策评估算法为multiple treatment算法。
[0020]本专利技术的有益效果如下：
[0021]本专利技术所述技术方案，使用人脸识别模型能够对经过智能显示终端的人群进行人脸识别，并统计真实观看广告的人群群体、广告内容、观看时长等信息，还能够用多决策评估算法计算出真实的广告营销效果。
附图说明
[0022]下面结合附图对本专利技术的具体实施方式作进一步详细的说明。
[0023]图1示出本专利技术实施例提供的基于智能显示终端的广告计费统计方法的流程图。
[0024]图2示出本专利技术实施例提供的人脸识别流程图。
[0025]图3示出本专利技术实施例提供的智能显示终端信息采集过程示意图。
具体实施方式
[0026]为了更清楚地说明本专利技术，下面结合优选实施例和附图对本专利技术做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本专利技术的保护范围。
[0027]目前社区用到的大型宣传电子屏，大部分都是没有画面的滚动文字屏幕，或者是用来播放短视频的室外LED的电子屏幕。目前最大的问题就在于，现有的传统社区电子宣传屏在广告投放上只能循环播放广告，广告虽然在屏幕上展示了，但是否有用户观看，展示期间被多少用户观看以及用户观看的时长不得而知，从而无法得知广告的实际宣传效果、无法得知上架广告的受众群体信息以及无法得知上架广告的最受欢迎时段。
[0028]有鉴于此，本专利技术实施例提供了一种基于智能显示终端的广告计费统计方法，如图1所示，该方法包括：
[0029]S10、当智能显示终端上开始播放广告时，开启摄像头进行实时拍摄，摄像头将实时拍摄到的图像经信息传递光纤传送给远端带GPU的服务器。
[0030]在一个具体示例中，智能显示终端上设置有高清摄像头，用于广角拍摄智能显示终端面前一定范围内的图像，与智能显示终端相连接的还包括有信息传递光纤，通过信息传递光纤建立高速信息传输轨道，将智能显示终端拍摄到的图像及时传递给远端带GPU的服务器，远端带GPU的服务器快速对所述图像进行处理，以确保信息的传送与快速处理。
[0031]S20、远端带GPU的服务器接收摄像头传送的图像后，将接收到的图像输入训练好的人脸识别模型，输出对该图像的检测到的图像内容。
[0032]在一个具体示例中，本专利技术实施例提供的基于智能显示终端的广告计费统计方法是基于机器视觉基础、人脸识别技术以及智能算法
的组合，
[0033]在所述将接收到的图像输入训练好的人脸识别模型之前，首先需要进行人脸识别模型的训练，具体包括：收集人脸面向智能显示终端与人脸非面向智能显示终端的数据集，将该数据集输入到人脸识别模型进行模型的训练。其中，人脸识别模型采用的是基于卷积神经网络的深度监督学习模型CNN(Convolutional Neural Networks)，CNN卷积神经网络能挖掘数据局部特征，提取全局训练特征和分类，其权值共享结构网络使之更类似于生物神经网络；CNN卷积神经网络还通过结合人脸面向智能显示终端的图像空间的局部感知区域、共享权重、在空间或时间上的降采样来充分利用数据本身包含的局部性等特征，优化人脸识别模型结构，保证一定的位移不变性，在训练过程中，需要扩充大量的数据集来提升模型识别的准确度，以得到训练好的人脸识别模型。
[0034]在一个具体示例中，所述基于卷积神经网络的深度监督学习下的机器学习模型CNN结合了高斯混合模型，利用高斯混合模型在不同颜色空间中建立色彩识别模型来进行人脸检测，并通过提取彩色图像中的面部区域以实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能显示终端的广告计费统计方法，其特征在于，包括：当智能显示终端上开始播放广告时，开启摄像头进行实时拍摄，摄像头将实时拍摄到的图像经信息传递光纤传送给远端带GPU的服务器；远端带GPU的服务器接收摄像头传送的图像后，将接收到的图像输入训练好的人脸识别模型，输出对该图像的检测到的图像内容；根据所述图像内容，使用多决策评估算法来进行广告计费的评估与计算。2.根据权利要求1所述的方法，其特征在于，所述将接收到的图像输入训练好的人脸识别模型之前，还包括：利用人脸面向智能显示终端与人脸非面向智能显示终端的数据集训练所述人脸识别模型，所述人脸识别模型采用基于卷积神经网络的深度监督学习下的机器学习模型CNN，所述CNN通过结合人脸面向智能显示终端的图像空间的局部感知区域、共享权重和在空间或时间上的降采样来利用数据集包含的局部性特征，优化所述人脸识别模型结构，得到训练好的人脸识别模型。3.根据权利要求1所述的方法，其特征在于，所述基于卷积神经网络的深度监督学习下的机器学习模型CNN结合了高斯混合模型以及非参数估计的建模模型，使得人脸识别模型在不同的色彩空间中建立不同的肤色模型来进行人脸检测，通过提取彩色图像中的面部区域以实现人脸检测，并使用mean...

【专利技术属性】
技术研发人员：孟炜，谢奕，徐春龙，
申请(专利权)人：中科强基科技北京有限公司，
类型：发明
国别省市：