[发明专利]一种基于智能显示终端的广告计费统计方法

说明书

本发明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。

技术领域

本发明涉及智能终端广告监测技术领域，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。

背景技术

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。

发明内容

为了解决上述问题中的至少一个，本发明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。

为达到上述目的，本发明采用下述技术方案：

一种基于智能显示终端的广告计费统计方法，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。

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：

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。

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。

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。

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：

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。

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。

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。

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：

采集到的人脸观看广告的时长、时段以及人群划分。