CN108446390A - 用于推送信息的方法和装置 - Google Patents

用于推送信息的方法和装置 Download PDF

Info

Publication number
CN108446390A
CN108446390A CN201810240697.8A CN201810240697A CN108446390A CN 108446390 A CN108446390 A CN 108446390A CN 201810240697 A CN201810240697 A CN 201810240697A CN 108446390 A CN108446390 A CN 108446390A
Authority
CN
China
Prior art keywords
frame
key frame
information
recommendation information
image
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.)
Granted
Application number
CN201810240697.8A
Other languages
English (en)
Other versions
CN108446390B (zh
Inventor
仲召来
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu Online Network Technology Beijing Co Ltd
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201810240697.8A priority Critical patent/CN108446390B/zh
Publication of CN108446390A publication Critical patent/CN108446390A/zh
Application granted granted Critical
Publication of CN108446390B publication Critical patent/CN108446390B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G06F16/784—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content the detected or recognised objects being people
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/252—Processing of multiple end-users' preferences to derive collaborative data

Abstract

本申请实施例公开了用于推送信息的方法和装置。该方法的一具体实施方式包括：检测目标视频中的关键帧，其中，关键帧为目标视频中图像熵大于预设的图像熵阈值的帧；响应于检测到关键帧，从关键帧中检测人脸图像；响应于从关键帧中检测到人脸图像，获取人脸图像对应的用户的身份信息；从预设的推荐信息集合中选择与身份信息匹配的推荐信息；推送推荐信息。该实施方式实现了富于针对性的信息推荐。

Description

用于推送信息的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于推送信息的方法和装置。
背景技术
随着互联网的快速普及和数字影像采集处理技术的发展，网络视频行业迅速崛起，并在人们的日常生活中起着越来越重要的作用。作为一种包含图像、声音、文字等多信息的综合性媒体，视频具有强大的信息承载和传播能力，因此视频的语义分析和理解早已成为多媒体信息处理领域的一个重要研究方向。
现有的信息推送方式通常是在视频上直接加载各种推荐信息，这些推荐信息与所在视频的内容有明显的差异。
发明内容
本申请实施例提出了用于推送信息的方法和装置。
第一方面，本申请实施例提供了一种用于推送信息的方法，包括：检测目标视频中的关键帧，其中，关键帧为目标视频中图像熵大于预设的图像熵阈值的帧；响应于检测到关键帧，从关键帧中检测人脸图像；响应于从关键帧中检测到人脸图像，获取人脸图像对应的用户的身份信息；从预设的推荐信息集合中选择与身份信息匹配的推荐信息；响应于满足预设条件，推送推荐信息。
在一些实施例中，检测目标视频中的关键帧，包括：按照目标视频中帧的播放顺序，从目标视频中获取图像熵大于预设的图像熵阈值的第一个帧作为基准帧，获取基准帧之后图像熵大于图像熵阈值的第一个帧作为候选帧，将基准帧添加到关键帧集合；执行如下关键帧确定步骤：确定候选帧与基准帧的相似度是否小于预设的相似度阈值；若小于相似度阈值，则将候选帧添加到关键帧集合，将候选帧作为基准帧，将基准帧之后播放的、图像熵大于图像熵阈值的第一个帧作为候选帧，继续执行上述关键帧确定步骤；若大于等于相似度阈值，则将候选帧之后播放的图像熵大于图像熵阈值的第一个帧作为候选帧，继续执行上述关键帧确定步骤。
在一些实施例中，推送推荐信息包括：确定在关键帧之后连续呈现人脸图像的帧的数目是否大于预定的帧数；若大于预定的帧数，则推送推荐信息。
在一些实施例中，获取人脸图像对应的用户的身份信息，包括：响应于检测出人脸图像对应至少一个用户；对于每个用户，确定在关键帧之后连续呈现该用户对应的人脸图像的帧的数目；按照所确定的帧的数目由大到小的顺序，从至少一个用户中选择预定数量的用户以获取身份信息。
在一些实施例中，上述方法还包括：获取观看者在观看推荐信息时的表情信息；根据表情信息确定观看者是否排斥推荐信息；若排斥，则从推荐信息集合中选择与在先推送的推荐信息不同的推荐信息进行推送。
第二方面，本申请实施例提供了一种用于推送信息的装置，包括：第一检测单元，配置用于检测目标视频中的关键帧，其中，关键帧为目标视频中图像熵大于预设的图像熵阈值的帧；第二检测单元，配置用于响应于检测到关键帧，从关键帧中检测人脸图像；获取单元，配置用于响应于从关键帧中检测到人脸图像，获取人脸图像对应的用户的身份信息；选择单元，配置用于从预设的推荐信息集合中选择与身份信息匹配的推荐信息；推送单元，配置用于响应于满足预设条件，推送推荐信息。
在一些实施例中，第一检测单元进一步配置用于：按照目标视频中帧的播放顺序，从目标视频中获取图像熵大于预设的图像熵阈值的第一个帧作为基准帧，获取基准帧之后图像熵大于图像熵阈值的第一个帧作为候选帧，将基准帧添加到关键帧集合；执行如下关键帧确定步骤：确定候选帧与基准帧的相似度是否小于预设的相似度阈值；若小于相似度阈值，则将候选帧添加到关键帧集合，将候选帧作为基准帧，将基准帧之后播放的、图像熵大于图像熵阈值的第一个帧作为候选帧，继续执行上述关键帧确定步骤；若大于等于相似度阈值，则将候选帧之后播放的图像熵大于图像熵阈值的第一个帧作为候选帧，继续执行上述关键帧确定步骤。
在一些实施例中，推送单元进一步配置用于：确定在关键帧之后连续呈现人脸图像的帧的数目是否大于预定的帧数；若大于预定的帧数，则推送推荐信息。
在一些实施例中，获取单元进一步配置用于：响应于检测出人脸图像对应至少一个用户；对于每个用户，确定在关键帧之后连续呈现该用户对应的人脸图像的帧的数目；按照所确定的帧的数目由大到小的顺序，从至少一个用户中选择预定数量的用户以获取身份信息。
在一些实施例中，选择单元进一步配置用于：获取观看者在观看推荐信息时的表情信息；根据表情信息确定观看者是否排斥推荐信息；若排斥，则从推荐信息集合中选择与在先推送的推荐信息不同的推荐信息进行推送。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。
本申请实施例提供的用于推送信息的方法和装置，通过检测视频中的人脸图像，获取与人脸图像对应的用户的身份相关的推荐信息，有效利用了视频内容，实现了富于针对性的信息推荐。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的用于推送信息的方法的一个实施例的流程图；
图3是根据本申请的用于推送信息的方法的一个应用场景的示意图；
图4是根据本申请的用于推送信息的方法的又一个实施例的流程图；
图5是根据本申请的用于推送信息的装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于推送信息的方法或用于推送信息的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种视频播放类客户端应用，例如视频播放器、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持视频播放的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的视频提供支持的后台视频服务器。后台视频服务器可以对接收到的视频播放请求等数据进行分析等处理，并将处理结果(例如视频数据)反馈给终端设备。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于推送信息的方法一般由服务器105执行，相应地，用于推送信息的装置一般设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的用于推送信息的方法的一个实施例的流程200。该用于推送信息的方法，包括以下步骤：
步骤201，检测目标视频中的关键帧。
在本实施例中，用于推送信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行视频播放的终端接收视频播放请求，根据视频播放请求获取目标视频，并检测目标视频中的关键帧。其中，关键帧为该目标视频中图像熵大于预设的图像熵阈值的帧。图像熵表示为图像灰度级集合的比特平均数，单位比特/像素，也描述了图像信源的平均信息量。图像熵的定义为：
其中H是图像熵，pi是图像中灰度为i的像素的概率。获取目标视频中图像熵大于预设的图像熵阈值的帧，可以去除视频中的空白帧，进一步降低算法的的复杂度。
在本实施例的一些可选的实现方式中，检测目标视频中的关键帧，包括：按照目标视频中帧的播放顺序，从目标视频中获取图像熵大于预设的图像熵阈值的第一个帧作为基准帧，获取基准帧之后图像熵大于图像熵阈值的第一个帧作为候选帧，将基准帧添加到关键帧集合；执行如下关键帧确定步骤：确定候选帧与基准帧的相似度是否小于预设的相似度阈值；若小于相似度阈值，则将候选帧添加到关键帧集合，将候选帧作为基准帧，将基准帧之后播放的、图像熵大于图像熵阈值的第一个帧作为候选帧，继续执行上述关键帧确定步骤；若大于等于相似度阈值，则将候选帧之后播放的图像熵大于图像熵阈值的第一个帧作为候选帧，继续执行上述关键帧确定步骤。
一般情况下，目标视频中包含多个独立的场景，在每个独立的场景中提取出包含人脸图像的关键帧，有助于减少重复检测，从而降低算法的复杂度。本申请利用视频中连续帧的事件信息，检出视频中的关键帧。所谓事件是指将视频分为独立的帧单元，在每个单元中帧与帧之间连续性较强，图像信息差异较小，而不同单元之间的图像差异度较大。图像的相似度采用图像之间像素差值刻画。如下式所示：
sim＝-abs(curFrame-preFrame) (公式2)
其中sim是相似度，curFrame，preFrame分别为同一像素点在两帧图像中的像素值，abs为绝对值。按照视频的播放顺序，获取到的第一个图像熵大于预设的图像熵阈值的帧作为关键帧，该关键帧上任一像素点的像素值为preFrame。该关键帧之后的帧中与该像素点处在相同位置的另一像素点的像素值为curFrame，如果根据公式2计算得到的sim的值小于预设的相似度阈值，则将该关键帧之后的帧也确定为关键帧。
步骤202，响应于检测到关键帧，从关键帧中检测人脸图像。
在本实施例中，从关键帧中检测人脸图像包括：基于预先训练的卷积神经网络从关键帧中检测人脸图像，其中，卷积神经网络用于识别人脸图像特征并根据图像特征确定人脸图像。用卷积神经网提取人脸图像，能够有效识别人脸图像在关键帧中的位置，从而便于后续目标追踪以及信息推荐。对于一张输入卷积神经网络的图片，首先提取候选区域，每张图片提取1000个候选区域，然后对每个候选区域进行图片大小归一化，然后采用卷积神经网提取候选区域的高维特征，最后通过全连接层，对候选区域进行分类。通过对每个区域进行分类，从而提取关键帧上的人脸图像，还可以确定其位置。本申请的预先训练出的网络检测的目标还可以包括衣物类，如鞋子，上衣，短裤，短裙，连衣裙等。这些信息对于后续的物品推荐有重要意义。人脸图像的位置信息便于后续目标跟踪的位置初始化。
卷积神经网络(Convolutional Neural Networks，CNN)是一种人工神经网络。卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是计算层，网络的每个计算层由多个特征映射层组成，每个特征映射层是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个特征提取层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而融合后提升分类或预测的准确性。该卷积神经网络可用于识别关键帧中的人脸图像的特征，其中，该人脸图像的特征可包括人脸图像的颜色、纹理、阴影、方向变化等特征。
步骤203，响应于从关键帧中检测到人脸图像，获取人脸图像对应的用户的身份信息。
在本实施例中，将人脸图像与预设的图像集合中的图像进行匹配。图像集合中的图像与已经注册的用户的身份信息相对应。人脸图像匹配过程如下所示：首先，提取人脸图像的特征数据，包括视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。然后，将提取的人脸图像的特征数据与人脸图像集合中存储的特征模板进行搜索匹配。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。可选的，由于获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，因此需要在匹配前对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。
通过一对多或一对一进行图像匹配过程，可得到人脸图像与图像集合中图像的匹配度。通过设定匹配度阈值，当图像集合中某个图像与人脸图像的匹配度超过预定匹配度阈值的图像，则认为该图像是目标图像，并将目标图像对应的身份信息确定为用户的身份信息。
在本实施例的一些可选的实现方式中，响应于检测出人脸图像对应至少一个用户；对于每个用户，确定在关键帧之后连续呈现该用户对应的人脸图像的帧的数目；按照所确定的帧的数目由大到小的顺序，从至少一个用户中选择预定数量的用户以获取身份信息。视频中可能出现多个人物，为了分清主角和配角，可按连续出现的帧的数量区分。这样可减少获取的用户的身份信息的数量从而减少每帧中呈现的推荐信息的数量，精选用户更感兴趣的信息。
可选地，通过人脸识别出的身份信息如果有多种可能性，则还可采集用户的声音，通过声音识别用户的声音特征，进一步确定用户的身份信息。
步骤204，从预设的推荐信息集合中选择与身份信息匹配的推荐信息。
在本实施例中，从预设的推荐信息集合中选择与身份信息匹配的推荐信息。例如，可获取存储了个人信息、广告产品、代表作品等信息的预设的推荐信息集合，识别出视频帧中出现了某位明星，则从预设的推荐信息集合中选择与该明星有关的预定数量或长度的推荐信息。推荐信息可以是链接到网页上的文字或图片。
步骤205，响应于满足预设条件，推送推荐信息。
在本实施例中，响应于满足预设条件，通过修改帧数据或者叠加的方式将所述推荐信息与呈现人脸图像的帧组合成新的帧进行推送。可根据人脸的位置确定推荐信息的呈现位置，让推荐信息在人脸附近呈现而不遮挡人脸。如果视频帧中有多个人脸，则A用户的推荐信息不仅不能遮挡A的脸部，也不能遮挡其它用户的脸部。可选地，响应于满足预设条件，推送推荐信息包括：响应于从关键帧中检测出物品的图像，确定推荐信息中是否存在与物品相关的信息；若存在，则推送与物品相关的信息。例如，在视频中识别出演员身份，可获取到她代言的各种产品信息，例如牛奶、洗发水、饮料。在视频中如果还检测出牛奶，则可输入该演员代言的牛奶品牌信息。
在本实施例的一些可选的实现方式中，响应于满足预设条件，推送推荐信息，包括：确定在关键帧之后连续呈现人脸图像的帧的数目是否大于预定的帧数；若大于预定的帧数，则推送推荐信息。可采用多种跟踪算法在连续帧中跟踪步骤202中检测到的人脸图像。只有在连续多个帧中都出现了人脸图像，再呈现推荐信息才有意义。选取人脸图像存在时间超过一定阈值的帧进行投放，一方面用户有足够的时间去点击推荐信息，例如广告，一方面也可以有效降低推荐信息数量，从而不影响用户的观影体验。用户点击信息条目即可进入推荐信息对应的网页。可采用诸如跟踪学习和检测(TLD，tracking learning anddetection)等跟踪算法来进行人脸图像的跟踪。
继续参见图3，图3是根据本实施例的用于推送信息的方法的应用场景的一个示意图。在图3的应用场景中，用户通过终端向服务器发送播放目标视频的请求。服务器检测出视频帧中出现的人脸301，然后识别出人脸的身份信息并获取与身份信息匹配的推荐信息302。服务器通过修改帧数据或者叠加的方式将推荐信息302与呈现人脸图像的帧组合成新的帧。服务器将新生成的视频推送给终端。当用户观看目标视频时，目标视频中除了原始的视频内容之外还呈现了推荐信息302。
本申请的上述实施例提供的方法通过识别出视频中出现的人脸的身份信息，根据身份信息进行信息推荐，从而实现了富于针对性的信息推荐。
进一步参考图4，其示出了用于推送信息的方法的又一个实施例的流程400。该用于推送信息的方法的流程400，包括以下步骤：
步骤401，检测目标视频中的关键帧。
步骤402，响应于检测到关键帧，从关键帧中检测人脸图像。
步骤403，响应于从关键帧中检测到人脸图像，获取人脸图像对应的用户的身份信息。
步骤404，从预设的推荐信息集合中选择与身份信息匹配的推荐信息。
步骤405，响应于满足预设条件，推送推荐信息。
步骤401-405与步骤201-205基本相同，因此不再赘述。
步骤406，获取观看者在观看推荐信息时的表情信息。
在本实施例中，在推送推荐信息之前，获取观看者的初始表情信息(可通过播放视频的终端采集)，在预定时间内再次获取观看者的表情信息，检测用户的表情变化。表情变化可通过用户的嘴唇上的关键点、额头上的关键点来确定。例如，在嘴唇上确定60个关键点，监测这60个关键点的位置变化。可以根据嘴角的位置确定用户的表情，如果嘴角上翘则说明用户在笑，并且不同的角度代表不同的笑，例如微笑、大笑，如果嘴角水平或者下翘则说明用户没有笑。还可根据额头之间的皱纹确定用户表情。如果用户额头从没有皱纹到出现皱纹，或者皱纹加深，则说明用户在皱眉。如果用户额头从有皱纹到没有皱纹，或者皱纹变浅，则说明用户在舒展眉头。
步骤407，根据表情信息确定观看者是否排斥所述推荐信息。
在本实施例中，通过嘴唇或额头等关键点的变化可以判断用户的心情。可以预先设置一些检测规则，例如，如果检测到用户的表情从初始的不笑变化成微笑，则说明该用户不排斥该推荐信息。如果检测到用户的表情从初始的没有皱纹变化成皱眉，则说明该用户排斥该推荐信息。如果推送推荐信息后检测不到用户的人脸图像，则说明用户走开了，对推荐信息毫无兴趣，也可确定该可认为用户排斥该推荐信息。
步骤408，若排斥，则从推荐信息集合中选择与在先推送的推荐信息不同的推荐信息进行推送。
在本实施例中，如果根据用户的表情变化确定出用户排斥该推荐信息，则从推荐信息集合中重新选择与之前推送的推荐信息不同的推荐信息进行推送。如果用户仍排斥，则继续更换推荐信息。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于推送信息的方法的流程400突出了对推荐信息进行重新选择的步骤。由此，本实施例描述的方案可以提高信息推荐的准确性。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于推送信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于推送信息的装置500包括：第一检测单元501、第二检测单元502、获取单元503、选择单元504和推送单元505。其中，第一检测单元501配置用于检测目标视频中的关键帧，其中，关键帧为目标视频中图像熵大于预设的图像熵阈值的帧；第二检测单元502配置用于响应于检测到关键帧，从关键帧中检测人脸图像；获取单元503配置用于响应于从关键帧中检测到人脸图像，获取人脸图像对应的用户的身份信息；选择单元504配置用于从预设的推荐信息集合中选择与身份信息匹配的推荐信息；推送单元505配置用于响应于满足预设条件，推送推荐信息。
在本实施例中，用于推送信息的装置500的第一检测单元501、第二检测单元502、获取单元503、选择单元504和推送单元505的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205。
在本实施例的一些可选的实现方式中，第一检测单元501进一步配置用于：按照目标视频中帧的播放顺序，从目标视频中获取图像熵大于预设的图像熵阈值的第一个帧作为基准帧，获取基准帧之后图像熵大于图像熵阈值的第一个帧作为候选帧，将基准帧添加到关键帧集合；执行如下关键帧确定步骤：确定候选帧与基准帧的相似度是否小于预设的相似度阈值；若小于相似度阈值，则将候选帧添加到关键帧集合，将候选帧作为基准帧，将基准帧之后播放的、图像熵大于图像熵阈值的第一个帧作为候选帧，继续执行上述关键帧确定步骤；若大于等于相似度阈值，则将候选帧之后播放的图像熵大于图像熵阈值的第一个帧作为候选帧，继续执行上述关键帧确定步骤。
在本实施例的一些可选的实现方式中，推送单元505进一步配置用于：确定在关键帧之后连续呈现人脸图像的帧的数目是否大于预定的帧数；若大于预定的帧数，则推送所述推荐信息。
在本实施例的一些可选的实现方式中，获取单元503进一步配置用于：响应于检测出人脸图像对应至少一个用户；对于每个用户，确定在关键帧之后连续呈现该用户对应的人脸图像的帧的数目；按照所确定的帧的数目由大到小的顺序，从至少一个用户中选择预定数量的用户以获取身份信息。
在本实施例的一些可选的实现方式中，装置500还包括重选单元(未示出)，配置用于：获取观看者在观看推荐信息时的表情信息；根据表情信息确定观看者是否排斥所述推荐信息；若排斥，则从推荐信息集合中选择与在先推送的推荐信息不同的推荐信息进行推送。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/推送(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的推送部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一检测单元、第二检测单元、获取单元、选择单元和推送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一检测单元还可以被描述为“检测目标视频中的关键帧的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：检测目标视频中的关键帧，其中，关键帧为目标视频中图像熵大于预设的图像熵阈值的帧；响应于检测到关键帧，从关键帧中检测人脸图像；响应于从关键帧中检测到人脸图像，获取人脸图像对应的用户的身份信息；从预设的推荐信息集合中选择与身份信息匹配的推荐信息；响应于满足预设条件，推送推荐信息。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于推送信息的方法，包括：
检测目标视频中的关键帧，其中，所述关键帧为所述目标视频中图像熵大于预设的图像熵阈值的帧；
响应于检测到所述关键帧，从所述关键帧中检测人脸图像；
响应于从所述关键帧中检测到所述人脸图像，获取所述人脸图像对应的用户的身份信息；
从预设的推荐信息集合中选择与所述身份信息匹配的推荐信息；
响应于满足预设条件，推送所述推荐信息。
2.根据权利要求1所述的方法，其中，所述检测目标视频中的关键帧，包括：
按照目标视频中帧的播放顺序，从所述目标视频中获取图像熵大于预设的图像熵阈值的第一个帧作为基准帧，获取所述基准帧之后图像熵大于所述图像熵阈值的第一个帧作为候选帧，将所述基准帧添加到关键帧集合；
执行如下关键帧确定步骤：确定候选帧与基准帧的相似度是否小于预设的相似度阈值；
若小于所述相似度阈值，则将候选帧添加到所述关键帧集合，将候选帧作为基准帧，将基准帧之后播放的、图像熵大于所述图像熵阈值的第一个帧作为候选帧，继续执行上述关键帧确定步骤；
若大于等于所述相似度阈值，则将候选帧之后播放的图像熵大于所述图像熵阈值的第一个帧作为候选帧，继续执行上述关键帧确定步骤。
3.根据权利要求1所述的方法，其中，所述响应于满足预设条件，推送所述推荐信息，包括：
确定在所述关键帧之后连续呈现所述人脸图像的帧的数目是否大于预定的帧数；
若大于预定的帧数，则推送所述推荐信息。
4.根据权利要求1所述的方法，其中，所述获取所述人脸图像对应的用户的身份信息，包括：
响应于检测出所述人脸图像对应至少一个用户；
对于每个用户，确定在所述关键帧之后连续呈现该用户对应的人脸图像的帧的数目；
按照所确定的帧的数目由大到小的顺序，从所述至少一个用户中选择预定数量的用户以获取身份信息。
5.根据权利要求1-4之一所述的方法，其中，所述方法还包括：
获取观看者在观看所述推荐信息时的表情信息；
根据所述表情信息确定所述观看者是否排斥所述推荐信息；
若排斥，则从所述推荐信息集合中选择与在先推送的推荐信息不同的推荐信息进行推送。
6.一种用于推送信息的装置，包括：
第一检测单元，配置用于检测目标视频中的关键帧，其中，所述关键帧为所述目标视频中图像熵大于预设的图像熵阈值的帧；
第二检测单元，配置用于响应于检测到所述关键帧，从所述关键帧中检测人脸图像；
获取单元，配置用于响应于从所述关键帧中检测到所述人脸图像，获取所述人脸图像对应的用户的身份信息；
选择单元，配置用于从预设的推荐信息集合中选择与所述身份信息匹配的推荐信息；
推送单元，配置用于响应于满足预设条件，推送所述推荐信息。
7.根据权利要求6所述的装置，其中，所述第一检测单元进一步配置用于：
按照目标视频中帧的播放顺序，从所述目标视频中获取图像熵大于预设的图像熵阈值的第一个帧作为基准帧，获取所述基准帧之后图像熵大于所述图像熵阈值的第一个帧作为候选帧，将所述基准帧添加到关键帧集合；
执行如下关键帧确定步骤：确定候选帧与基准帧的相似度是否小于预设的相似度阈值；
若小于所述相似度阈值，则将候选帧添加到所述关键帧集合，将候选帧作为基准帧，将基准帧之后播放的、图像熵大于所述图像熵阈值的第一个帧作为候选帧，继续执行上述关键帧确定步骤；
若大于等于所述相似度阈值，则将候选帧之后播放的图像熵大于所述图像熵阈值的第一个帧作为候选帧，继续执行上述关键帧确定步骤。
8.根据权利要求6所述的装置，其中，所述推送单元进一步配置用于：
确定在所述关键帧之后连续呈现所述人脸图像的帧的数目是否大于预定的帧数；
若大于预定的帧数，则推送所述推荐信息。
9.根据权利要求6所述的装置，其中，所述获取单元进一步配置用于：
响应于检测出所述人脸图像对应至少一个用户；
对于每个用户，确定在所述关键帧之后连续呈现该用户对应的人脸图像的帧的数目；
按照所确定的帧的数目由大到小的顺序，从所述至少一个用户中选择预定数量的用户以获取身份信息。
10.根据权利要求6-9之一所述的装置，其中，所述选择单元进一步配置用于：
获取观看者在观看所述推荐信息时的表情信息；
根据所述表情信息确定所述观看者是否排斥所述推荐信息；
若排斥，则从所述推荐信息集合中选择与在先推送的推荐信息不同的推荐信息进行推送。
11.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN201810240697.8A 2018-03-22 2018-03-22 用于推送信息的方法和装置 Active CN108446390B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810240697.8A CN108446390B (zh) 2018-03-22 2018-03-22 用于推送信息的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810240697.8A CN108446390B (zh) 2018-03-22 2018-03-22 用于推送信息的方法和装置

Publications (2)

Publication Number Publication Date
CN108446390A true CN108446390A (zh) 2018-08-24
CN108446390B CN108446390B (zh) 2022-01-04

Family

ID=63196152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810240697.8A Active CN108446390B (zh) 2018-03-22 2018-03-22 用于推送信息的方法和装置

Country Status (1)

Country Link
CN (1) CN108446390B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109120949A (zh) * 2018-09-30 2019-01-01 武汉斗鱼网络科技有限公司 视频集合的视频消息推送方法、装置、设备及存储介质
CN109299326A (zh) * 2018-10-31 2019-02-01 网易（杭州）网络有限公司 视频推荐方法及装置、系统、电子设备以及存储介质
CN109523344A (zh) * 2018-10-16 2019-03-26 深圳壹账通智能科技有限公司 产品信息推荐方法、装置、计算机设备和存储介质
CN109640119A (zh) * 2019-02-21 2019-04-16 百度在线网络技术（北京）有限公司 用于推送信息的方法和装置
CN109685611A (zh) * 2018-12-15 2019-04-26 深圳壹账通智能科技有限公司 一种产品推荐方法、装置、计算机设备及存储介质
CN109933723A (zh) * 2019-03-07 2019-06-25 百度在线网络技术（北京）有限公司 用于推送信息的方法和装置
CN109982106A (zh) * 2019-04-29 2019-07-05 百度在线网络技术（北京）有限公司 一种视频推荐方法、服务器、客户端及电子设备
CN110415318A (zh) * 2019-07-26 2019-11-05 上海掌门科技有限公司 图像处理方法和装置
CN110475148A (zh) * 2019-08-13 2019-11-19 北京奇艺世纪科技有限公司 视频播放方法、装置及电子设备
CN110909651A (zh) * 2019-11-15 2020-03-24 腾讯科技（深圳）有限公司 视频主体人物的识别方法、装置、设备及可读存储介质
CN110996156A (zh) * 2019-12-20 2020-04-10 杭州当虹科技股份有限公司 一种在视频播放过程中自动检测并推送广告的方法
CN111143663A (zh) * 2018-11-02 2020-05-12 百度在线网络技术（北京）有限公司 信息推送方法和装置
WO2020107624A1 (zh) * 2018-11-29 2020-06-04 北京微播视界科技有限公司 信息推送方法、装置、电子设备及计算机可读存储介质
CN112199582A (zh) * 2020-09-21 2021-01-08 聚好看科技股份有限公司 一种内容推荐方法、装置、设备及介质
CN112418063A (zh) * 2020-11-19 2021-02-26 北京软通智慧城市科技有限公司 人脸识别方法、装置、电子设备及存储介质
WO2021114552A1 (zh) * 2019-12-11 2021-06-17 北京市商汤科技开发有限公司 信息处理方法及装置、电子设备和存储介质
CN113420677A (zh) * 2021-06-25 2021-09-21 联仁健康医疗大数据科技股份有限公司 确定合理图像的方法、装置、电子设备及存储介质
CN114866693A (zh) * 2022-04-15 2022-08-05 苏州清睿智能科技股份有限公司 一种基于智能终端的信息交互方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120039515A1 (en) * 2007-01-04 2012-02-16 Samsung Electronic Co. Ltd. Method and system for classifying scene for each person in video
CN102930553A (zh) * 2011-08-10 2013-02-13 中国移动通信集团上海有限公司 不良视频内容识别方法及装置
CN103870559A (zh) * 2014-03-06 2014-06-18 海信集团有限公司 一种基于播放的视频获取信息的方法及设备
CN103970906A (zh) * 2014-05-27 2014-08-06 百度在线网络技术（北京）有限公司 视频标签的建立方法和装置、视频内容的显示方法和装置
CN104618803A (zh) * 2014-02-26 2015-05-13 腾讯科技（深圳）有限公司 信息推送方法、装置、终端及服务器
CN104820665A (zh) * 2014-03-17 2015-08-05 腾讯科技（北京）有限公司 展示推荐信息的方法、终端及服务器
CN106874827A (zh) * 2015-12-14 2017-06-20 北京奇虎科技有限公司 视频识别方法和装置
CN107305557A (zh) * 2016-04-20 2017-10-31 北京陌上花科技有限公司 内容推荐方法及装置
CN107786896A (zh) * 2017-10-30 2018-03-09 广东欧珀移动通信有限公司 信息的推送方法、装置、终端设备和存储介质
US20180075665A1 (en) * 2016-09-13 2018-03-15 Aleksey Konoplev Applying facial masks to faces in live video

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120039515A1 (en) * 2007-01-04 2012-02-16 Samsung Electronic Co. Ltd. Method and system for classifying scene for each person in video
CN102930553A (zh) * 2011-08-10 2013-02-13 中国移动通信集团上海有限公司 不良视频内容识别方法及装置
CN104618803A (zh) * 2014-02-26 2015-05-13 腾讯科技（深圳）有限公司 信息推送方法、装置、终端及服务器
CN103870559A (zh) * 2014-03-06 2014-06-18 海信集团有限公司 一种基于播放的视频获取信息的方法及设备
CN104820665A (zh) * 2014-03-17 2015-08-05 腾讯科技（北京）有限公司 展示推荐信息的方法、终端及服务器
CN103970906A (zh) * 2014-05-27 2014-08-06 百度在线网络技术（北京）有限公司 视频标签的建立方法和装置、视频内容的显示方法和装置
CN106874827A (zh) * 2015-12-14 2017-06-20 北京奇虎科技有限公司 视频识别方法和装置
CN107305557A (zh) * 2016-04-20 2017-10-31 北京陌上花科技有限公司 内容推荐方法及装置
US20180075665A1 (en) * 2016-09-13 2018-03-15 Aleksey Konoplev Applying facial masks to faces in live video
CN107786896A (zh) * 2017-10-30 2018-03-09 广东欧珀移动通信有限公司 信息的推送方法、装置、终端设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
卢宏涛等: "深度卷积神经网络在计算机视觉中的应用研究综述", 《数据采集与处理》 *
梅阳等: "一种基于关键帧的人体行为识别方法", 《光学技术》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109120949A (zh) * 2018-09-30 2019-01-01 武汉斗鱼网络科技有限公司 视频集合的视频消息推送方法、装置、设备及存储介质
CN109523344A (zh) * 2018-10-16 2019-03-26 深圳壹账通智能科技有限公司 产品信息推荐方法、装置、计算机设备和存储介质
CN109299326A (zh) * 2018-10-31 2019-02-01 网易（杭州）网络有限公司 视频推荐方法及装置、系统、电子设备以及存储介质
CN111143663A (zh) * 2018-11-02 2020-05-12 百度在线网络技术（北京）有限公司 信息推送方法和装置
CN111143663B (zh) * 2018-11-02 2023-08-18 百度在线网络技术（北京）有限公司 信息推送方法和装置
WO2020107624A1 (zh) * 2018-11-29 2020-06-04 北京微播视界科技有限公司 信息推送方法、装置、电子设备及计算机可读存储介质
CN109685611A (zh) * 2018-12-15 2019-04-26 深圳壹账通智能科技有限公司 一种产品推荐方法、装置、计算机设备及存储介质
CN109640119A (zh) * 2019-02-21 2019-04-16 百度在线网络技术（北京）有限公司 用于推送信息的方法和装置
CN109640119B (zh) * 2019-02-21 2021-06-11 百度在线网络技术（北京）有限公司 用于推送信息的方法和装置
CN109933723A (zh) * 2019-03-07 2019-06-25 百度在线网络技术（北京）有限公司 用于推送信息的方法和装置
CN109982106A (zh) * 2019-04-29 2019-07-05 百度在线网络技术（北京）有限公司 一种视频推荐方法、服务器、客户端及电子设备
CN110415318A (zh) * 2019-07-26 2019-11-05 上海掌门科技有限公司 图像处理方法和装置
CN110415318B (zh) * 2019-07-26 2023-05-05 上海掌门科技有限公司 图像处理方法和装置
CN110475148A (zh) * 2019-08-13 2019-11-19 北京奇艺世纪科技有限公司 视频播放方法、装置及电子设备
CN110909651A (zh) * 2019-11-15 2020-03-24 腾讯科技（深圳）有限公司 视频主体人物的识别方法、装置、设备及可读存储介质
CN110909651B (zh) * 2019-11-15 2023-12-26 腾讯科技（深圳）有限公司 视频主体人物的识别方法、装置、设备及可读存储介质
WO2021114552A1 (zh) * 2019-12-11 2021-06-17 北京市商汤科技开发有限公司 信息处理方法及装置、电子设备和存储介质
CN110996156A (zh) * 2019-12-20 2020-04-10 杭州当虹科技股份有限公司 一种在视频播放过程中自动检测并推送广告的方法
CN112199582B (zh) * 2020-09-21 2023-07-18 聚好看科技股份有限公司 一种内容推荐方法、装置、设备及介质
CN112199582A (zh) * 2020-09-21 2021-01-08 聚好看科技股份有限公司 一种内容推荐方法、装置、设备及介质
CN112418063A (zh) * 2020-11-19 2021-02-26 北京软通智慧城市科技有限公司 人脸识别方法、装置、电子设备及存储介质
CN113420677A (zh) * 2021-06-25 2021-09-21 联仁健康医疗大数据科技股份有限公司 确定合理图像的方法、装置、电子设备及存储介质
CN114866693A (zh) * 2022-04-15 2022-08-05 苏州清睿智能科技股份有限公司 一种基于智能终端的信息交互方法及装置
CN114866693B (zh) * 2022-04-15 2024-01-05 苏州清睿智能科技股份有限公司 一种基于智能终端的信息交互方法及装置

Also Published As

Publication number Publication date
CN108446390B (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN108446390A (zh) 用于推送信息的方法和装置
CN108629224B (zh) 信息呈现方法和装置
CN109145784B (zh) 用于处理视频的方法和装置
CN110188719B (zh) 目标跟踪方法和装置
JP7225188B2 (ja) ビデオを生成する方法および装置
CN109919244B (zh) 用于生成场景识别模型的方法和装置
CN110378732A (zh) 信息显示方法、信息关联方法、装置、设备及存储介质
CN108012162A (zh) 内容推荐方法及装置
CN111444357B (zh) 内容信息确定方法、装置、计算机设备及存储介质
US10524005B2 (en) Facilitating television based interaction with social networking tools
CN108446385A (zh) 用于生成信息的方法和装置
CN111491187B (zh) 视频的推荐方法、装置、设备及存储介质
CN109993150A (zh) 用于识别年龄的方法和装置
CN101668176A (zh) 一种基于人际社交图的多媒体内容点播与分享方法
CN108509611A (zh) 用于推送信息的方法和装置
CN108230033A (zh) 用于输出信息的方法和装置
CN108924381A (zh) 图像处理方法、图像处理装置及计算机可读介质
CN108446658A (zh) 用于识别人脸图像的方法和装置
CN109582825A (zh) 用于生成信息的方法和装置
CN109389096A (zh) 检测方法和装置
CN111897950A (zh) 用于生成信息的方法和装置
CN107977678A (zh) 用于输出信息的方法和装置
CN109873756A (zh) 用于发送信息的方法和装置
CN112766284A (zh) 图像识别方法和装置、存储介质和电子设备
CN113033677A (zh) 视频分类方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant