CN106599834A - 信息推送方法和系统 - Google Patents

Abstract

本发明公开了一种信息推送方法和系统，涉及数据处理领域。其中的方法包括：获取用户生物特征信息；根据用户生物特征信息确定用户的性别和/或年龄；基于用户的性别和/或年龄向用户推送与用户的性别和/或年龄相适应的信息。本发明可以有针对性的向用户推送信息，使得信息推送的准确性更强。

Description

信息推送方法和系统

技术领域

本发明涉及数据处理领域，尤其涉及一种信息推送方法和系统。

背景技术

近年来，基于脸部图像的生物特征识别研究取得了巨大的发展，与其它的生物特征相比，脸部特征具有自然性、方便性和非接触性等优点，使其在安全监控、身份验证、人机交互等方面具有巨大的应用前景。人脸检测和识别的研究已经相对成熟，并广泛应用在智能相机人脸检测和基于人脸识别的门禁系统中。但是，机器在检测和识别人脸之后，对人脸上所反映的信息的解读远不成熟。另外，现有技术中，在向用户推送广告时，不会对用户进行区分，导致广告播放效果不佳。

发明内容

本发明要解决的技术问题是提供一种信息推送方法和系统能够有针对性的向用户推送信息。

根据本发明一方面，提出一种信息推送方法，包括：获取用户生物特征信息；根据用户生物特征信息确定用户的性别和/或年龄；基于用户的性别和/或年龄向用户推送与用户的性别和/或年龄相适应的信息。

进一步地，获取用户生物特征信息包括：基于自适应提升算法识别用户脸部图像；对用户脸部图像进行预处理；对预处理后的用户脸部图像进行特征提取。

进一步地，对用户脸部图像进行预处理包括：将用户脸部图像进行图像灰度化处理；将灰度化处理后的用户脸部图像进行几何归一化处理；将几何归一化处理后的用户脸部图像进行直方图均衡化处理。

进一步地，对预处理后的用户脸部图像进行特征提取包括：将同一张预处理后的用户脸部图像分割为不同尺度的子区域；基于方向梯度直方图算法HOG对每个子区域进行特征提取；顺序连接不同尺度的子区域提取的HOG特征，获得融合多尺度的HOG特征。

进一步地，还包括：基于高斯模糊算法核对年龄相关子区域施加权重；利用主成分分析方法PCA对数据的敏感性，提高年龄相关关键子区域的权重。

进一步地，根据用户生物特征信息确定用户的性别包括：将获取的用户脸部图像特征信息与样本人脸数据库中用户性别对应的图像特征进行比对，确定获取的用户脸部图像特征信息对应的用户性别；其中，对样本人脸数据库中的图像进行多尺度HOG特征融合提取；将提取的本人脸数据库中的图像多尺度HOG特征进行训练支持向量机，获得性别分类器。

进一步地，根据用户生物特征信息确定用户的年龄包括：将获取的用户脸部图像特征信息与样本人脸数据库中用户年龄对应的图像特征进行比对，确定获取的用户脸部图像特征信息对应的用户年龄；其中，对样本人脸数据库中的图像进行带权重全局HOG特征提取，将提取的本人脸数据库中的图像带权重全局HOG特征进行训练支持向量机，获得年龄分类器。

根据本发明的另一方面，还提出一种信息推送系统，包括：用户特征获取单元，用于获取用户生物特征信息；性别年龄确定单元，用于根据用户生物特征信息确定用户的性别和/或年龄；信息推送单元，用于基于用户的性别和/或年龄向用户推送与用户的性别和/或年龄相适应的信息。

进一步地，用户特征获取单元包括人脸检测模块、图像预处理模块和特征提取模块；人脸检测模块用于基于自适应提升算法识别用户脸部图像；图像预处理模块用于对用户脸部图像进行预处理；特征提取模块用于对预处理后的用户脸部图像进行特征提取。

进一步地，图像预处理模块用于将用户脸部图像进行图像灰度化处理；将灰度化处理后的用户脸部图像进行几何归一化处理；将几何归一化处理后的用户脸部图像进行直方图均衡化处理。

进一步地，特征提取模块用于将同一张预处理后的用户脸部图像分割为不同尺度的子区域；基于方向梯度直方图算法HOG对每个子区域进行特征提取；顺序连接不同尺度的子区域提取的HOG特征，获得融合多尺度的HOG特征。

进一步地，特征提取模块还用于基于高斯模糊算法核对年龄相关子区域施加权重；利用主成分分析方法PCA对数据的敏感性，提高年龄相关关键子区域的权重。

进一步地，性别年龄确定单元用于将获取的用户脸部图像特征信息与样本人脸数据库中用户性别对应的图像特征进行比对，确定获取的用户脸部图像特征信息对应的用户性别；其中，对样本人脸数据库中的图像进行多尺度HOG特征融合提取；将提取的本人脸数据库中的图像多尺度HOG特征进行训练支持向量机，获得性别分类器。

进一步地，性别年龄确定单元用于将获取的用户脸部图像特征信息与样本人脸数据库中用户年龄对应的图像特征进行比对，确定获取的用户脸部图像特征信息对应的用户年龄；其中，对样本人脸数据库中的图像进行带权重全局HOG特征提取，将提取的本人脸数据库中的图像带权重全局HOG特征进行训练支持向量机，获得年龄分类器。

与现有技术相比，本发明通过用户生物特征信息，可以确定用户的性别和年龄，根据用户的性别和年龄向用户推送与用户的性别和年龄相适应的信息，因此可以有针对性的向用户推送信息，使得信息推送的针对性更强。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

构成说明书的一部分的附图描述了本发明的实施例，并且连同说明书一起用于解释本发明的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本发明，其中：

图1为本发明信息推送方法的一个实施例的流程示意图。

图2为本发明信息推送方法的另一个实施例的流程示意图。

图3为本发明信息推送方法中人脸检测算法示意图。

图4为基于Adaboost算法进行图像检测的示意图。

图5为本发明一个具体应用的实施例的示意图。

图6为本发明信息推送系统的一个实施例的结构示意图。

图7为本发明信息推送系统的再一个实施例的结构示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

图1为本发明信息推送方法的一个实施例的流程示意图。该方法包括以下步骤：

在步骤110，获取用户生物特征信息。例如，可以获取用户脸部图像特征信息，其中，可以基于Adaboost(自适应提升算法)算法实现人脸检测，再对用户脸部图像进行预处理，例如，依次对用户脸部图像进行图像灰度化、几何归一化和直方图均衡化处理，并基于方向梯度直方图算法对预处理后的用户脸部图像进行特征提取。

在步骤120，根据用户生物特征信息确定用户的性别和年龄。例如，根据用户脸部图像特征，通过机器学习手段训练分类器以实现用户性别判断和年龄估计。

在步骤130，基于用户的性别和年龄向用户推送与用户的性别和年龄相适应的信息。例如，在播放广告时，广告数据库中标注了性别和年龄区间，当检测到脸部图像时，确定主要用户为儿童，则可以向用户播放儿童相适宜的广告；若确定主要用户为成年男士，则可以向用户播放成年男士感兴趣的广告；若确定主要用户为成年女士，则可以向用户播放成年女士感兴趣的广告。

在该实施例中，通过用户生物特征信息，可以确定用户的性别和年龄，根据用户的性别和年龄向用户推送与用户的性别和年龄相适应的信息，因此可以有针对性的向用户推送信息，使得信息推送的准确性更强。

图2为本发明信息推送方法的另一个实施例的流程示意图。该方法包括以下步骤：

在步骤210，基于Adaboost算法实现人脸检测，其中，Adaboost算法是基于外观的检测算法，其具体实现过程如图3所示。

提取图像集的类Harr(哈尔)基特征，每个类Harr基特征都可以用于构造一个弱分类器；利用Adaboost学习算法选择一些弱分类器进行线性加权组合，构成一个强分类器；为了提高检测速度，将多个强分类器进行级联构成一个多级分类器，得到一个人脸检测器。

Adaboost算法将图像的矩形特征作为训练和分类的依据。引入“积分图像”的概念快速计算矩形特征。如图4所示，积分图像T中，坐标(x,y)处的值T(x,y)等于源图像S中坐标(x,y)左上方的所有像素之和：

积分图像通过递归的方法快速计算，将R(x,y)定义为图像对每一列进行按行累加运算的函数：

R(x,y)＝R(x,y-1)+S(x,y),R(x,-1)＝0,S(-1,y)＝0

积分图像的递归计算式为：

T(x,y)＝T(x-1,y)+R(x,y)

如果SA、SB、SC、SD分别表示源图像中矩形A、B、C、D所覆盖的像素值之和，那么在积分图像中，T_h＝SA，T_i＝SA+SB，T_j＝SA+SC，T_k＝SA+SB+SC+SD，从而可得：

SD＝T_k+T_h-(T_i+T_j)

每个类Harr基特征都可以用来构造一个弱分类器：

其中，h表示分类器的判别函数，f表示特征，θ表示阈值，p＝±1用以表示控制不等式的符号方向，下标j表示特征序号，参数x表示具体的检测窗口。

利用Adaboost学习算法选择一些弱分类器进行线性加权组合，并适当选取阈值，构成一个强分类器；通过多个强分类器的级联来提高检测速度。设第i级分类器的目标检测率为d_i，误检率为f_i，则由H级分类器所构成的级联分类器的目标检测率为误检率为在d_i≈1、f_i＜0.5和N适中的条件下，D与d_i相比下降并不大，而F则会变得很小。

由于输入图像中包含的目标数量是有限的，因此绝大多数的检测窗口在多级分类器的前几级就被拒绝了，只有少量的检测窗口才会进入多级分类器的后面几级。由于多级分类器中的每一级分类器，特别是级联结构前面部分的分类器，所采用的弱分类器的数目较少，因此，大大降低了检测一幅图像所需的计算量，从而提高了检测速度。

在步骤220，对用户脸部图像进行预处理。其中，把采集的人脸彩色图像转换成灰度图像，基本思想是遍历面部图像，对每一个像素点进行处理。根据人眼对红绿蓝三种颜色的敏感程度不同，最佳的灰度转换公式为：

Gray＝(9798R+19235G+3735B)/32768

其中Gray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、蓝色分量。

几何归一化是图像预处理方面一个很重要的环节，目的是消除输入图像可能的几何结构变形，使脸部图像标准化，即使得人脸的关键部位在图像中的相对位置基本一致。几何归一化的主要步骤包括：尺度校正、平移、旋转等。

直方图均衡化(Histogram equalization)为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。

在步骤230，对预处理后的用户脸部图像进行特征提取。其中，可以将同一张预处理后的用户脸部图像分割为不同尺度的子区域；基于HOG(方向梯度直方图)算法对每个子区域进行特征提取；顺序连接不同尺度的子区域特征，获得融合多尺度的HOG特征，进而确定用户脸部图像特性信息。

其中，基于HOG算法对图像特征提取可以如下所示。其核心思想是使用梯度方向密度描述图像子区域的形状和纹理，HOG特征则是基于方向梯度直方图的统计量，包括：运用了一种基于简单卷积核的进行梯度计算。

G_x＝[-1,0,1]

G_y＝[-1,0,1]^T

其中G_x用于计算水平方向梯度值，G_y用于计算竖直方向梯度值。综合G_x和G_y，可以得到最终梯度幅值G以及方向角θ：

对子区域所有像素点进行以上计算就可获得用于方向梯度直方图统计的所需的幅值及方向信息。

然后进行梯度方向直方图统计，将统计子区域中每个像素点的梯度方向。统计过程并不统计像素点梯度方向的连续分布，而是将梯度方向分成n个通道。假设梯度方向的统计范围是0到π，第i子区域第k通道的范围是k＝1,2,…,n。某像素对相关通道的投票值是改点梯度的幅值。记图像第i子区域的第j个像素的幅值和方向分别为：G_i,j和θ_i,j。第i子区域统计过程如下：

搜索包含第j像素点梯度方向θ_i,j的通道，记为将该点投票值G_i,j累加到第l通道的统计值中，记为对第i子区域未经统计的像素点进行前述操作；第i子区域HOG特征是由所有通道对应统计值组成的向量，即图像的HOG特征即连接所有子区域的HOG特征，假设图像有m个子空间，每个子空间将梯度方向范围分为n个通道，则图像HOG特征为包含n×m个元素的一维向量：

由于不同分辨率的图像会影响性别判断的准确性，本发明采用多尺度HOG特征融合来有效提高整体性别的识别率。图像被分割为n×n个子区域时，提取的HOG特征记为f_n，其中f_n为行向量。HOG特征融合的方法是顺序连接不同尺度提取的HOG特征：

另外，本发明还可以基于高斯模糊算法核对年龄相关子区域施加权重，利用PCA(Principal Component Analysis，主成分分析方法)对数据的敏感性，提高年龄相关关键子区域的权重，实现HOG特征通过PCA降维后，在保留年龄特征的条件下，尽量减少其他特征，即过滤部分干扰信息。即基于带权重全局HOG特征算法提取用户脸部特征信息。例如，将图像中眉毛部分设置的权重更大一些，将图像中嘴巴部分的权重设的小一些，本领域的技术人员应当理解，图像中眉毛部分或嘴巴部分仅用于举例，可以根据实际情况对图像不同的部分设置不同的值。

本发明可以利用PCA对数据尺度的敏感性，提高年龄相关关键子区域，来过滤除年龄外的其他特征，其具体算法如下：

输入：

具有n行和m列个子区域的图像；

第k个年龄相关关键子区域的坐标(i_k,j_k),k＝1,2,…,K。

输出：

计算图像HOG特征，第i行第j列的子区间的HOG特征记为h_ij，h_ij为列向量；

for k＝1 to K do

求第k个关键子区域到图像边缘距离(用子区间个数衡量)最大值：

d_k＝max(i_k-1,n-i_k,j_k-1,m-j_k)

根据d生成大小为(2d+1)×(2d+1)离散型高斯模糊核，记为G_k；用g_k表示将G_k中心放置于图像第k个关键子区域上时，图像与G_k重合部分；

g_k＝G_k(d_k-i_k+1:d_k+n-i_k,d_k-j_k+1:d_k+m-j_k)

其中，表示g_k是由G_k中第d_k-i_k+1行到第d_k+n-i_k行，以及第d_k-j_k+1列到第d_k+m-j_k列中的所有元素；

生成基于第k个关键子空间的带权重HOG特征，记为wh_k，wh_k＝[h₁₁g₁₁；…；h_1mg_1m；h₂₁g₂₁；…；h_2mg_2m；…；h_n1g_n1；…；h_nmg_nm]即将所有子区域HOG特征与对应权重相乘，并顺序连接组成新的列向量作为基于k个关键子空间带权重全局HOG特征；

end for

计算基于K个关键区域带权重HOG特征WH，returnWH。

在步骤240，将获取的用户脸部图像特征信息与样本人脸数据库中用户性别和年龄对应的图像特征进行比对，确定获取的用户脸部图像特征信息对应的用户性别和年龄，其中，可以通过机器学习手段训练分类器以实现性别判断和年龄估计。

例如，对样本人脸数据库(MORPH数据库为例)中的所有图像做图像预处理和多尺度HOG特征提取。获得HOG特征后训练支持向量机(SVM)。SVM训练过程采用表格搜索法(Grid-Search)求解最优参数，对每一组参数使用交叉验证法(cross-validation)中的K-Fold法计算该组参数的表现。K-Fold法即将训练集S随机分成k份，每次使用(k-1)份作为交叉验证中的训练集，剩下一份用作测试。对于每一组分类器参数，可以获得k组测试结果，记各组测试结果的平均值为选取最高的一组参数，作为分类器的最终参数。例如，获得成年男性图像具体有哪些特征，成年女士图像具体有哪些特征等。

将进行了多尺度HOG特征提取的用户图像特征信息与样本人脸数据库中用户性别对应的图像特征进行比对，确定获取的用户脸部图像特征信息对应的用户性别。

对样本人脸数据库中的所有图像做图像预处理和带权重全局HOG特征提取，将提取的本人脸数据库中的图像带权重全局HOG特征进行训练支持向量机，获得年龄分类器。将进行了带权重的HOG特征提取的用户图像特征信息与样本人脸数据库中用户年龄对应的图像特征进行比对，确定获取的用户脸部图像特征信息对应的用户年龄。

在步骤250，基于用户的性别和年龄向用户推送与用户的性别和年龄相适应的信息。

在该实施例中，通过对用户脸部图像进行特征提取，并将用户脸部图像与样本人脸数据库中的图像作比对，可以确定用户的性别或年龄，从而可以有针对性的对用户推送信息。另外，多尺度HOG特征融合提取用户脸部特征能够有效提高整体性别的识别率，带权重全局HOG特征提取用户脸部特征能够提高年龄相关关键子区域，来过滤除年龄外的其他特征，进而提高年龄的识别率。

本发明可以应用到广告推广领域，图5为本发明具体应用的一个实施例的流程示意图。

步骤510-步骤540为用户脸部特征提取过程，该过程可以在一个线程中进行，步骤550为随机播放广告过程，该过程可以在另一个线程中进行。

在步骤510，通过摄像头采集用户脸部图像。

在步骤520，对用户脸部图像进行预处理。

在步骤530，基于多尺度HOG特征融合算法提取用户脸部特征信息或者基于带权重全局HOG特征算法提取用户脸部特征信息。

在步骤540，识别用户性别和估计用户年龄。

步骤550，随机播放广告。

在步骤560，系统判断是否接收到用户脸部特征信息，若接收到，则执行步骤570，否则，执行步骤580。

在步骤570，挂起随机播放广告进程，根据用户脸部特征对应的性别和年龄分类播放广告。其中，广告数据库中标注了性别和年龄区间。

在步骤580，继续随机播放广告。如用户离开后，继续随机播放广告。

在该实施例中，在向用户播放广告时，开辟一个线程用于随机播放数据库中的广告，在检测到用户脸部特征信息并识别出性别和年龄时，根据性别和年龄信息进入分类播放模式，播放对应性别和年龄区间的广告，在没有人脸识别输入时，广告播放模块重新进入随机播放模式，因此可以更有针对性的向用户推荐广告，优化了广告的投放效果，避免引起用户的反感。

图6为本发明信息推送系统的一个实施例的结构示意图。该系统包括用户特征获取单元610、性别年龄确定单元620和信息推送单元630，其中：

用户特征获取单元610用于获取用户生物特征信息，例如，可以获取用户脸部图像特征信息，其中，可以基于Adaboost(自适应提升算法)算法实现人脸检测，再对用户脸部图像进行预处理，例如，依次对用户脸部图像进行图像灰度化、几何归一化和直方图均衡化处理，并基于方向梯度直方图算法对预处理后的用户脸部图像进行特征提取。

性别年龄确定单元620用于根据用户生物特征信息确定用户的性别和年龄。例如，根据用户脸部图像特征，通过机器学习手段训练分类器以实现用户性别判断和年龄估计。

信息推送单元630用于基于用户的性别和年龄向用户推送与用户的性别和年龄相适应的信息。例如，在播放广告时，广告数据库中标注了性别和年龄区间，当检测到脸部图像时，确定主要用户为儿童，则可以向用户播放儿童相适宜的广告；若确定主要用户为成年男士，则可以向用户播放成年男士感兴趣的广告；若确定主要用户为成年女士，则可以向用户播放成年女士感兴趣的广告。

在该实施例中，通过用户生物特征信息，可以确定用户的性别和年龄，根据用户的性别和年龄向用户推送与用户的性别和年龄相适应的信息，因此可以有针对性的向用户推送信息，使得信息推送的针对性更强。

在本发明的另一个实施例中，如图7所示，用户特征获取单元610包括人脸检测模块611、图像预处理模块612和特征提取模块613，其中，人脸检测模块611用于基于Adaboost算法实现人脸检测，其中，Adaboost算法是基于外观的检测算法，其具体实现过程如图3所示。图像预处理模块612用于对用户脸部图像进行预处理，例如将用户脸部图像进行图像灰度化处理；将灰度化处理后的用户脸部图像进行几何归一化处理；将几何归一化处理后的用户脸部图像进行直方图均衡化处理。特征提取模块613用于对预处理后的用户脸部图像进行特征提取。例如，将同一张预处理后的用户脸部图像分割为不同尺度的子区域；基于方向梯度直方图算法对每个子区域进行特征提取；顺序连接不同尺度的子区域特征，获得融合多尺度的HOG特征，进而确定用户脸部图像特性信息；或者，基于高斯模糊算法核对年龄相关子区域施加权重，利用PCA(Principal Component Analysis，主成分分析方法)对数据的敏感性，提高年龄相关关键子区域的权重，实现HOG特征通过PCA降维后，在保留年龄特征的条件下，尽量减少其他特征，即过滤部分干扰信息。性别年龄确定单元620用于将获取的用户脸部图像特征信息与样本人脸数据库中用户性别和年龄对应的图像特征进行比对，从而确定获取的用户脸部图像特征信息对应的用户性别和年龄，其中，可以对样本人脸数据库中的图像进行方多尺度HOG特征提取，将提取的本人脸数据库中的图像多尺度HOG特征进行训练支持向量机，获得性别分类器。或者，对样本人脸数据库中的所有图像做图像预处理和带权重全局HOG特征提取，将提取的本人脸数据库中的图像带权重全局HOG特征进行训练支持向量机，获得年龄分类器。信息推送单元630用于基于用户的性别和年龄向用户推送与用户的性别和年龄相适应的信息。

在该实施例中，通过对用户脸部图像进行特征提取，并将用户脸部图像与样本人脸数据库中的图像作比对，可以确定用户的性别或年龄，从而可以有针对性的对用户推送信息。另外，多尺度HOG特征融合提取用户脸部特征能够有效提高整体性别的识别率，带权重全局HOG特征提取用户脸部特征能够提高年龄相关关键子区域，来过滤除年龄外的其他特征，进而提高年龄的识别率。

至此，已经详细描述了本发明。为了避免遮蔽本发明的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

可能以许多方式来实现本发明的方法以及装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法以及装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。

Claims (14)

1.一种信息推送方法，其特征在于，包括：

获取用户生物特征信息；

根据所述用户生物特征信息确定所述用户的性别和/或年龄；

基于所述用户的性别和/或年龄向所述用户推送与所述用户的性别和/或年龄相适应的信息。

2.根据权利要求1所述的方法，其特征在于，获取用户生物特征信息包括：

基于自适应提升算法识别用户脸部图像；

对所述用户脸部图像进行预处理；

对预处理后的用户脸部图像进行特征提取。

3.根据权利要求2所述的方法，其特征在于，对所述用户脸部图像进行预处理包括：

将所述用户脸部图像进行图像灰度化处理；

将灰度化处理后的用户脸部图像进行几何归一化处理；

将几何归一化处理后的用户脸部图像进行直方图均衡化处理。

4.根据权利要求2或3所述的方法，其特征在于，对预处理后的用户脸部图像进行特征提取包括：

将同一张预处理后的用户脸部图像分割为不同尺度的子区域；

基于方向梯度直方图算法HOG对每个子区域进行特征提取；

顺序连接不同尺度的子区域提取的HOG特征，获得融合多尺度的HOG特征。

5.根据权利要求4所述的方法，其特征在于，还包括：

基于高斯模糊算法核对年龄相关子区域施加权重；

利用主成分分析方法PCA对数据的敏感性，提高年龄相关关键子区域的权重。

6.根据权利要求4所述的方法，其特征在于，根据所述用户生物特征信息确定所述用户的性别包括：

将获取的用户脸部图像特征信息与样本人脸数据库中用户性别对应的图像特征进行比对，确定获取的用户脸部图像特征信息对应的用户性别；

其中，对所述样本人脸数据库中的图像进行多尺度HOG特征融合提取；将提取的本人脸数据库中的图像多尺度HOG特征进行训练支持向量机，获得性别分类器。

7.根据权利要求5所述的方法，其特征在于，根据所述用户生物特征信息确定所述用户的年龄包括：

将获取的用户脸部图像特征信息与样本人脸数据库中用户年龄对应的图像特征进行比对，确定获取的用户脸部图像特征信息对应的用户年龄；

其中，对所述样本人脸数据库中的图像进行带权重全局HOG特征提取，将提取的本人脸数据库中的图像带权重全局HOG特征进行训练支持向量机，获得年龄分类器。

8.一种信息推送系统，其特征在于，包括：

用户特征获取单元，用于获取用户生物特征信息；

性别年龄确定单元，用于根据所述用户生物特征信息确定所述用户的性别和/或年龄；

信息推送单元，用于基于所述用户的性别和/或年龄向所述用户推送与所述用户的性别和/或年龄相适应的信息。

9.根据权利要求8所述的系统，其特征在于，用户特征获取单元包括人脸检测模块、图像预处理模块和特征提取模块；

所述人脸检测模块用于基于自适应提升算法识别用户脸部图像；

所述图像预处理模块用于对所述用户脸部图像进行预处理；

所述特征提取模块用于对预处理后的用户脸部图像进行特征提取。

10.根据权利要求9所述的系统，其特征在于，所述图像预处理模块用于将所述用户脸部图像进行图像灰度化处理；将灰度化处理后的用户脸部图像进行几何归一化处理；将几何归一化处理后的用户脸部图像进行直方图均衡化处理。

11.根据权利要求9或10所述的系统，其特征在于，所述特征提取模块用于将同一张预处理后的用户脸部图像分割为不同尺度的子区域；基于方向梯度直方图算法HOG对每个子区域进行特征提取；顺序连接不同尺度的子区域提取的HOG特征，获得融合多尺度的HOG特征。

12.根据权利要求11所述的系统，其特征在于，所述特征提取模块还用于基于高斯模糊算法核对年龄相关子区域施加权重；利用主成分分析方法PCA对数据的敏感性，提高年龄相关关键子区域的权重。

13.根据权利要求11所述的系统，其特征在于，所述性别年龄确定单元用于将获取的用户脸部图像特征信息与样本人脸数据库中用户性别对应的图像特征进行比对，确定获取的用户脸部图像特征信息对应的用户性别；

其中，对所述样本人脸数据库中的图像进行多尺度HOG特征融合提取；将提取的本人脸数据库中的图像多尺度HOG特征进行训练支持向量机，获得性别分类器。

14.根据权利要求12所述的系统，其特征在于，所述性别年龄确定单元用于将获取的用户脸部图像特征信息与样本人脸数据库中用户年龄对应的图像特征进行比对，确定获取的用户脸部图像特征信息对应的用户年龄；

其中，对所述样本人脸数据库中的图像进行带权重全局HOG特征提取，将提取的本人脸数据库中的图像带权重全局HOG特征进行训练支持向量机，获得年龄分类器。