本發(fā)明涉及廣告機技術(shù)和人工智能技術(shù)應(yīng)用領(lǐng)域，具體地，涉及一種智能視頻廣告展示方法及裝置。

背景技術(shù)：

隨著我們經(jīng)濟的高速發(fā)展，大賣場及商場在都市商業(yè)經(jīng)濟當(dāng)中顯示出越來越重要的作用，其中用來刺激消費者的液晶電視廣告也越來越被各消費品廠商的重視。根據(jù)調(diào)查顯示，消費者對于液晶電視廣告這種推廣方式還是喜聞樂見的。而由于賣場購物人群相對行色匆匆，不會像電視廣告的消費者那樣有充裕的時間去注意到廣告的內(nèi)容，因此公共場合的液晶電視廣告只能對消費者提供一定的幫助，起到一定的提醒作用，并不能起到預(yù)期的效果。廣告的最終目的是打動目標(biāo)消費人群，如果消費者對于信息傳遞渠道的接受度很低，信息傳遞的效果就會大打折扣，那么創(chuàng)意再好的廣告，也難以取得良好的效果。

在視頻廣告的推送方面，公開號為cn102708497a的專利通過互聯(lián)網(wǎng)獲取用戶視頻節(jié)目觀看日志，并以網(wǎng)上投遞問卷的形式獲取用戶信息，再通過分析計算從而推送廣告。該方法的局限性很大，首先必須通過聯(lián)網(wǎng)才能獲取用戶信息，其次只有累積到一定的數(shù)據(jù)才能進(jìn)行預(yù)測。并且是通過分析過去的用戶信息來推斷當(dāng)下的用戶喜好，并不具有針對性。同時由于互聯(lián)網(wǎng)和大數(shù)據(jù)的發(fā)展，如今互聯(lián)網(wǎng)廣告的推送多采用點擊率或者通過大數(shù)據(jù)分析，來獲取消費者的行為特征，從而進(jìn)行精準(zhǔn)的廣告投放。而線下的諸如商場賣場里的液晶廣告機卻始終維持著傳統(tǒng)的播放模式。傳統(tǒng)的播放模式，即廣告機根據(jù)預(yù)先設(shè)置好的播放列表循環(huán)播放廣告，完全沒有照顧到消費者的興趣以及體驗，使廣告的投放并未能取得預(yù)期的效果。

隨著人工智能的不斷發(fā)展，人們試圖讓電腦扮演著人類的角色來解決問題。機器視覺作為人工智能的一個分支，正在快速的發(fā)展。簡單的說，機器視覺就是用機器代替人眼來做測量和判斷。機器視覺系統(tǒng)是通過機器視覺產(chǎn)品(即圖像攝取裝置，分cmos和ccd兩種)將被攝取目標(biāo)轉(zhuǎn)換成圖像信號，傳送給專用的圖像處理系統(tǒng)，得到被攝目標(biāo)的形態(tài)信息，根據(jù)像素分布、亮度、顏色和紋理等信息，轉(zhuǎn)變成數(shù)字化信號；圖像系統(tǒng)對這些信號進(jìn)行各種運算來抽取目標(biāo)的特征，根據(jù)相應(yīng)特征使用相關(guān)算法便能進(jìn)行物體的識別。如果廣告播放系統(tǒng)自己能夠識別消費者類型，就能夠根據(jù)識別結(jié)果精準(zhǔn)推送廣告了。

技術(shù)實現(xiàn)要素：

為了克服已有廣告展示方法的人為決策、無法照顧到消費者的興趣以及體驗的不足，本發(fā)明提供了一種智能視頻廣告展示方法及裝置，在不通過人為決策的情況下，使視頻廣告展示裝置能夠通過采集周圍人物對象進(jìn)行分析，通過決策自行推送最適合當(dāng)前人物的廣告。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

一種智能視頻廣告展示方法，包括以下步驟：

s1：利用所述視覺傳感器采集展示裝置當(dāng)前的場景，一方面將采集到的場景圖片傳送給訓(xùn)練模塊進(jìn)行訓(xùn)練，在傳送前會對圖片進(jìn)行人物對象檢測，若不存在人物則會舍棄；另一方面會將采集到的視頻序列傳送給特征分析模塊，用于特征的提??；

s2：特征分析過程：首先會對視頻序列中的人物對象進(jìn)行人物跟蹤，通過靜態(tài)特征分析和動態(tài)特征分析分析每一個被跟蹤對象的特征；根據(jù)提取的特征使用計算公式計算各對象的分值，最后根據(jù)分值將對象進(jìn)行分類合并，得到新的分值列表，取最大分值作為最終的分類結(jié)果；

s3：根據(jù)步驟s2獲取的結(jié)果，在已分類好的視頻廣告庫中匹配最適合該類人物的視頻廣告，待當(dāng)前廣告結(jié)束后播放。

進(jìn)一步，所述步驟s1中，訓(xùn)練模型包括線下訓(xùn)練和線上訓(xùn)練，所述線下訓(xùn)練是預(yù)先采集好訓(xùn)練集進(jìn)行模型訓(xùn)練；所述線上訓(xùn)練是根據(jù)展示裝置實際運營過程中通過采集足夠多的樣本對模型進(jìn)行沖訓(xùn)練，以適應(yīng)場景多變的環(huán)境。

再進(jìn)一步，所述步驟s2中，所述靜態(tài)特征包括對象的性別、年齡和穿著習(xí)慣，對于每個靜態(tài)特征有其自身的分類函數(shù)和模型權(quán)值文件，利用各特征的分類函數(shù)和模型權(quán)值文件可以計算出性別和其對應(yīng)的概率值ps、年齡段和對應(yīng)的概率值pa以及穿著習(xí)慣和其對應(yīng)的概率值pw；

動態(tài)特征分析包括判斷對象的走向、腳速和軌跡預(yù)測，首先將各動態(tài)特征進(jìn)行量化，走向的量化則可轉(zhuǎn)化為對象與視覺傳感器的連線與視覺傳感器所在平面垂直線之間的角度r；腳速則可以更具圖像幀與幀之間移動的距離除以采集每幀的時間得到腳速v；軌跡預(yù)測則根據(jù)跟蹤的路線進(jìn)行預(yù)測根據(jù)走向角度r給予打分s；

靜態(tài)分值f1的計算為：

f1＝f(ps,pa,pw)

先將靜態(tài)特征的各概率值進(jìn)行歸一化處理，根據(jù)各特征所占的比率來計算靜態(tài)分值；

動態(tài)分值f2的計算為：

f2＝f(r,v,s)

用不同權(quán)值的參數(shù)進(jìn)行相乘來計算動態(tài)分值；

對象分值f3的計算，計算公式為：

f3＝f(f1,f2)；

將靜態(tài)分值f1和動態(tài)分值f2加權(quán)相加得到對象分值。

一種智能視頻廣告展示裝置，所述裝置包括：

采集模塊，用于利用所述視覺傳感器采集展示裝置當(dāng)前的場景；

訓(xùn)練模塊，用于將采集到的場景圖片進(jìn)行訓(xùn)練，包括樣本的訓(xùn)練和測試，所述樣本訓(xùn)練是指當(dāng)采集模塊采集到足夠的樣本圖片后，使用算法進(jìn)行訓(xùn)練，調(diào)節(jié)權(quán)值參數(shù)使網(wǎng)絡(luò)輸出與預(yù)期值相符；所述測試則是使用測試集對訓(xùn)練好的模型進(jìn)行測試，如果沒有得到預(yù)期的效果則調(diào)整權(quán)重參數(shù)進(jìn)行重新訓(xùn)練；

特征分析模塊，包括靜態(tài)特征分析模塊和動態(tài)特征分析模塊，所述的靜態(tài)特征分析模塊用于實現(xiàn)人物的靜態(tài)特征提取，靜態(tài)特征包括人物的性別、年齡和穿著習(xí)慣；所述的動態(tài)特征分析模塊用于實現(xiàn)人物的動態(tài)特征提取，包括目標(biāo)人物行走的方向、目標(biāo)人物在行走的腳速、獲取行走軌跡和行走軌跡的預(yù)測，用于判斷目標(biāo)人物能在展示裝置前能逗留的時間從而甄選播放廣告的時長；

視頻廣告匹配模塊，用于根據(jù)特征分析模塊得到的最優(yōu)結(jié)果去已分類好的視頻廣告庫進(jìn)行匹配；

播放模塊，用于在當(dāng)前廣告播放結(jié)束后取視頻廣告匹配模塊中匹配得到的最適合目標(biāo)人物的廣告進(jìn)行播放。

本發(fā)明的有益效果主要表現(xiàn)在：針對現(xiàn)有的廣告機無法根據(jù)具體顧客播放其喜好廣告，只能根據(jù)預(yù)先設(shè)置好的播放列表進(jìn)行循環(huán)播放廣告的情況，本發(fā)明提供了一種智能視頻廣告展示方法及裝置，通過視覺傳感器采集訓(xùn)練樣本圖片和視頻跟蹤序列，樣本圖片用于訓(xùn)練產(chǎn)生新的預(yù)測模型，為分類器提供模型權(quán)值文件。根據(jù)人物檢測和跟蹤獲取目標(biāo)的動態(tài)特征和靜態(tài)特征，根據(jù)各分類特征進(jìn)行分值的計算和歸類，在預(yù)分類好的廣告列表中匹配目標(biāo)人物最感興趣的廣告。本發(fā)明的模型權(quán)值文件還能根據(jù)場景的變化重新訓(xùn)練以適應(yīng)多變的場景，使廣告的播放更具有針對性，大大提高了廣告的關(guān)注度，提高廣告推送所帶來的經(jīng)濟效益。

附圖說明

圖1為本發(fā)明一種智能視頻廣告展示裝置應(yīng)用實例工作展示圖；

圖2為本發(fā)明一種智能視頻廣告展示裝置結(jié)構(gòu)示意框圖；

圖3為本發(fā)明一種智能視頻廣告展示方法特征分析模塊流程圖；

圖4為本發(fā)明一種智能視頻廣告展示方法計算單個對象分值流程圖；

圖5為本發(fā)明一種智能視頻廣告展示方法及裝置的示例工作流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。

參照圖1～圖5，一種智能視頻廣告展示方法，包括以下步驟：

s1：利用所述視覺傳感器采集展示裝置當(dāng)前的場景，一方面將采集到的場景圖片傳送給訓(xùn)練模塊進(jìn)行訓(xùn)練，在傳送前會對圖片進(jìn)行人物對象檢測，若不存在人物則會舍棄；另一方面會將采集到的視頻序列傳送給特征分析模塊，用于特征的提??；

s2：特征分析過程：首先會對視頻序列中的人物對象進(jìn)行人物跟蹤，通過靜態(tài)特征分析和動態(tài)特征分析分析每一個被跟蹤對象的特征；根據(jù)提取的特征使用計算公式計算各對象的分值，最后根據(jù)分值將對象進(jìn)行分類合并，得到新的分值列表，取最大分值作為最終的分類結(jié)果；

s3：根據(jù)步驟s2獲取的結(jié)果，在已分類好的視頻廣告庫中匹配最適合該類人物的視頻廣告，待當(dāng)前廣告結(jié)束后播放。

進(jìn)一步，所述步驟s1中，訓(xùn)練模型包括線下訓(xùn)練和線上訓(xùn)練，所述線下訓(xùn)練是預(yù)先采集好訓(xùn)練集進(jìn)行模型訓(xùn)練；所述線上訓(xùn)練是根據(jù)展示裝置實際運營過程中通過采集足夠多的樣本對模型進(jìn)行沖訓(xùn)練，以適應(yīng)場景多變的環(huán)境。

再進(jìn)一步，所述步驟s2中，所述靜態(tài)特征包括對象的性別、年齡和穿著習(xí)慣，對于每個靜態(tài)特征有其自身的分類函數(shù)和模型權(quán)值文件，利用各特征的分類函數(shù)和模型權(quán)值文件可以計算出性別和其對應(yīng)的概率值ps、年齡段和對應(yīng)的概率值pa以及穿著習(xí)慣和其對應(yīng)的概率值pw；

動態(tài)特征分析包括判斷對象的走向、腳速和軌跡預(yù)測，首先將各動態(tài)特征進(jìn)行量化，走向的量化則可轉(zhuǎn)化為對象與視覺傳感器的連線與視覺傳感器所在平面垂直線之間的角度r；腳速則可以更具圖像幀與幀之間移動的距離除以采集每幀的時間得到腳速v；軌跡預(yù)測則根據(jù)跟蹤的路線進(jìn)行預(yù)測根據(jù)走向角度r給予打分s；

靜態(tài)分值f1的計算為：

f1＝f(ps,pa,pw)

先將靜態(tài)特征的各概率值進(jìn)行歸一化處理，根據(jù)各特征所占的比率來計算靜態(tài)分值；

動態(tài)分值f2的計算為：

f2＝f(r,v,s)

用不同權(quán)值的參數(shù)進(jìn)行相乘來計算動態(tài)分值；

對象分值f3的計算，計算公式為：

f3＝f(f1,f2)；

將靜態(tài)分值f1和動態(tài)分值f2加權(quán)相加得到對象分值。

一種智能視頻廣告展示裝置，所述裝置包括：

采集模塊，用于利用所述視覺傳感器采集展示裝置當(dāng)前的場景；

訓(xùn)練模塊，用于將采集到的場景圖片進(jìn)行訓(xùn)練，包括樣本的訓(xùn)練和測試，所述樣本訓(xùn)練是指當(dāng)采集模塊采集到足夠的樣本圖片后，使用算法進(jìn)行訓(xùn)練，調(diào)節(jié)權(quán)值參數(shù)使網(wǎng)絡(luò)輸出與預(yù)期值相符；所述測試則是使用測試集對訓(xùn)練好的模型進(jìn)行測試，如果沒有得到預(yù)期的效果則調(diào)整權(quán)重參數(shù)進(jìn)行重新訓(xùn)練；

特征分析模塊，包括靜態(tài)特征分析模塊和動態(tài)特征分析模塊，所述的靜態(tài)特征分析模塊用于實現(xiàn)人物的靜態(tài)特征提取，靜態(tài)特征包括人物的性別、年齡和穿著習(xí)慣；所述的動態(tài)特征分析模塊用于實現(xiàn)人物的動態(tài)特征提取，包括目標(biāo)人物行走的方向、目標(biāo)人物在行走的腳速、獲取行走軌跡和行走軌跡的預(yù)測，用于判斷目標(biāo)人物能在展示裝置前能逗留的時間從而甄選播放廣告的時長；

視頻廣告匹配模塊，用于根據(jù)特征分析模塊得到的最優(yōu)結(jié)果去已分類好的視頻廣告庫進(jìn)行匹配；

播放模塊，用于在當(dāng)前廣告播放結(jié)束后取視頻廣告匹配模塊中匹配得到的最適合目標(biāo)人物的廣告進(jìn)行播放。

假設(shè)某視頻廣告的播放時長為s秒，在這s秒內(nèi)對采集到的視頻序列進(jìn)行人物跟蹤，在跟蹤的過程中可能有些人物早已不在場景內(nèi)，即使匹配結(jié)果再好再準(zhǔn)確，那對于整個廣告智能推送也沒有任何的意義。因此，只在當(dāng)前視頻廣告播放結(jié)束前s1(0<s1≤s)秒內(nèi)對跟蹤人物進(jìn)行特征提取和視頻廣告的匹配。

整個過程匹配的次數(shù)取決于視覺傳感器的采集幀率，假設(shè)視覺傳感器的采集幀率為f，在目標(biāo)檢測和跟蹤過程中可能需要將視頻序列進(jìn)行降幀處理，使得跟蹤算法能夠?qū)崿F(xiàn)實時跟蹤目標(biāo)人物，假設(shè)降幀后的幀率為f1(f1≤f)，即從跟蹤序列中獲取一張目標(biāo)圖片需要秒，假定每k幀獲取一張目標(biāo)圖片進(jìn)行特征提取和視頻廣告匹配，則在s1秒內(nèi)將進(jìn)行次匹配。

圖1為本發(fā)明一種智能視頻廣告展示裝置的應(yīng)用實例工作展示圖。如圖所示視覺傳感器安裝在液晶廣告機的上方的中間位置，使能采集到的視角最大。每個用戶有其自身的特征，圖中箭頭指向為各用戶的行走軌跡，在整個過程中可能有的如用戶1一般始終站在廣告機的前面，此類型的用戶為最佳識別對象，也有像用戶3那樣的突然出現(xiàn)在采集范圍內(nèi)又走出采集范圍區(qū)域，本發(fā)明的目的就在于分析這些客戶的靜態(tài)特征和動態(tài)特征，匹配最合適的廣告進(jìn)行推送。

圖2為本發(fā)明一種智能視頻廣告展示裝置的結(jié)構(gòu)示意框圖；主要包括采集模塊1、訓(xùn)練模塊2、特征分析模塊3、視頻廣告匹配模塊4和播放模塊5，其中特征分析模塊包括靜態(tài)特征分析模塊31和動態(tài)特征分析模塊32。其中采集模塊是有視覺傳感器和系統(tǒng)前端isp(imagesignalprocessor)組成，將視覺傳感器采集到的原始圖片發(fā)送給訓(xùn)練模塊；將采集到的視頻序列發(fā)送給特征分析模塊。特征分析模塊采用人物跟蹤算法對視頻進(jìn)行降幀處理，對視頻序列中的人物進(jìn)行檢測和跟蹤。對個對象進(jìn)行靜態(tài)特征和動態(tài)特征的分析，根據(jù)相關(guān)算法計算每個對象所對應(yīng)的分值。將各類得到的各分值進(jìn)行相似性合并，去合并后分值最大的類型去匹配已分類好的視頻廣告庫。在當(dāng)前視頻結(jié)束后就會播放該匹配好的視頻。

圖3為本發(fā)明一種智能視頻廣告展示方法的特征分析模塊流程圖；該過程的主要目的是分析單個人物對象的特征，其中特征包括靜態(tài)特征和動態(tài)特征。

步驟310：從目標(biāo)檢測和跟蹤視頻序列中獲取目標(biāo)對象；

步驟320：特征的分析，其中包括321靜態(tài)特征分析和322動態(tài)特征分析。

其中步驟321靜態(tài)特征分析包括對象的性別、年齡和穿著習(xí)慣，對于每個靜態(tài)特征有其自身的分類函數(shù)和模型權(quán)值文件。如對于性別特征其類型只有兩類非男即女，為了提高算法的效率，算法只判斷該對象是否為男性。最終會得到對象的性別和其對應(yīng)的概率值ps。同樣利用該方法利用各特征的分類函數(shù)和模型權(quán)值文件可以計算出年齡段和對應(yīng)的概率值pa以及穿著習(xí)慣和其對應(yīng)的概率值pw。

其中步驟322動態(tài)特征分析包括判斷對象的走向、腳速和軌跡預(yù)測，分析動態(tài)特征主要是為了選擇適當(dāng)時長的廣告。由于對象在廣告機逗留的時間是有限的，如果不能合理的選擇時長則會在時域上浪費時間，降低廣告的播放效益。首先將各動態(tài)特征進(jìn)行量化，走向的量化則可轉(zhuǎn)化為對象與視覺傳感器的連線與視覺傳感器所在平面垂直線之間的角度r；腳速則可以更具圖像幀與幀之間移動的距離除以采集每幀的時間得到腳速v；軌跡預(yù)測則根據(jù)跟蹤的路線進(jìn)行預(yù)測根據(jù)走向角度r給予打分s。

圖4為本發(fā)明一種智能視頻廣告展示方法計算單個對象分值流程圖，本流程意在分析對象檢測和跟蹤過程中單個對象的分值情況。

步驟410：從目標(biāo)檢測和跟蹤視頻序列中獲取目標(biāo)對象；

步驟420：特征的分析，其中包括421靜態(tài)特征分析模塊和422動態(tài)特征分析模塊。具體過程參見圖3一種智能視頻廣告展示方法的特征分析模塊流程圖，在此步驟中獲取了對象的靜態(tài)特征性別和其對應(yīng)的概率值ps、年齡段和對應(yīng)的概率值pa以及穿著習(xí)慣和其對應(yīng)的概率值pw；獲取了對象的動態(tài)特征走向角度r，腳速v和軌跡分值s；

步驟430：分值計算，其中包括431靜態(tài)特征分值計算和432動態(tài)特征分值計算。靜態(tài)分值的計算為：

f1＝f(ps,pa,pw)

其中，f1表示的是該對象的靜態(tài)分值，計算的方法可先將靜態(tài)特征的各概率值進(jìn)行歸一化處理，根據(jù)各特征所占的比率來計算所謂的分值。

動態(tài)分值的計算為：

f2＝f(r,v,s)

其中，f2表示的是該對象的動態(tài)分值，f2除了用于步驟440計算對象的最終分值，也用于估計所選廣告的時長，由于各動態(tài)特征的重要性體現(xiàn)度，可用不同權(quán)值的參數(shù)進(jìn)行相乘來計算動態(tài)分值。

步驟440：對象分值的計算，計算公式為：

f3＝f(f1,f2)

其中，f3為對象的分值。

圖5為本發(fā)明一種智能視頻廣告展示方法及裝置的示例工作流程圖，具體包括以下步驟：

步驟410：通過視覺傳感器采集當(dāng)前人物場景的視頻序列；

步驟420：使用人物跟蹤算法對視頻序列中的人物對象進(jìn)行檢測和跟蹤；

步驟430：根據(jù)人物識別算法將此過程中出現(xiàn)的對象提取出來，其中431對象1、432對象2、…、43n對象n為跟蹤過程中出現(xiàn)過及還在跟蹤的人物對象。

步驟440：將步驟430獲取的對象，通過圖4一種智能視頻廣告展示方法計算單個對象分值來計算每個人物的最終分值，其中步驟441、442、…、44n分別為對應(yīng)的分值計算的結(jié)果{f31,f32,…,f3n}；

步驟450：是對步驟440所計算的分值進(jìn)行合并歸類，根據(jù)圖4得到的目標(biāo)對象的靜態(tài)特征和動態(tài)特征進(jìn)行人物類型歸類，將相同類型人物的分值進(jìn)行累加，得到這n個分值進(jìn)行分類合并得到的累計分值{f′31,f′32,…,f′3m}，其中m≤n。

步驟460：是根據(jù)步驟450所分類得到的最終累計分值列表，使用max(f′3i)，取最大值作為最后的分類結(jié)果。

本發(fā)明提供一種智能視頻廣告展示方法及裝置是為了實現(xiàn)廣告的精準(zhǔn)投放，提高廣告的關(guān)注度。通過視覺傳感器采集展示裝置當(dāng)前的場景，使用算法技術(shù)分析場景中人物的性別、年齡、穿著喜好和動態(tài)行為，從已分類好的廣告庫中匹配出最適合當(dāng)前人物的廣告進(jìn)行推送。

最后應(yīng)說明的是：以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述實施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明實施例技術(shù)方案的精神和范圍。