CN108734516A - 广告投放方法及装置 - Google Patents

Abstract

本公开揭示了一种广告投放方法及装置，属于计算机技术领域。方法包括：从采集的图像中进行区域选择，得到区域图像，根据区域图像的像素在区域图像中确定人流密集区域，从区域图像中提取人流密集区域的图像特征，对图像特征进行人体的识别，并将人体的图像从人流密集区域分割出来得到人体图像，采用卷积神经网络算法对人体图像进行人体部位识别，确定与人相关的属性特征，根据属性特征从预置的广告库中选取目标广告，对目标广告进行投放。上述广告投放方法及装置能够自动根据采集的图像中人的属性特征对投放的广告进行自适应性的调整，使投放的广告与当前路过的行人更加匹配，大大提高了广告投放的效率及灵活性，有效地实现了广告的精准投放。

Description

广告投放方法及装置

技术领域

本公开涉及计算机应用技术领域，特别涉及一种广告投放方法及装置。

背景技术

随着社会经济的不断发展，公共场所的广告越来越得到广泛应用。广告能很好地吸引消费者注意，并且通过多媒体投放的形式也更有力地传播广告主的品牌影响力。

目前，投放广告时，通常是通过预先设置固定的某条广告，或者多条广告的投放顺序，进而对预先设置的广告一直进行投放，或者按照预先设置的投放顺序对多条广告依次进行投放。

然而，由于广告是投放给路过的行人观看的，而投放的广告却是预先设置的，因此，当路过的行人对投放的广告不感兴趣时，将使投放的广告失去其本应具有的作用，大大降低了广告投放的效率及灵活性。

发明内容

为了解决相关技术中广告投放的效率及灵活性较低的技术问题，本公开提供了一种广告投放方法、装置及终端。

一种广告投放方法，其特征在于，包括：

从采集的图像中进行区域选择，得到区域图像；

根据所述区域图像的像素在所述区域图像中确定人流密集区域；

从所述区域图像中提取所述人流密集区域的图像特征；

对所述图像特征进行人体的识别，并将所述人体的图像从所述人流密集区域分割出来得到人体图像；

采用卷积神经网络算法对所述人体图像进行人体部位识别，确定与人相关的属性特征；

根据所述属性特征从预置的广告库中选取目标广告；

对所述目标广告进行投放。

一种广告投放装置，其特征在于，所述装置包括：

区域选择模块，用于从采集的图像中进行区域选择，得到区域图像；

人流密集区域确定模块，用于根据所述区域图像的像素在所述区域图像中确定人流密集区域；

图像特征提取模块，用于从所述区域图像中提取所述人流密集区域的图像特征；

人体分割别模块，用于对所述图像特征进行人体的识别，并将所述人体的图像从所述人流密集区域分割出来得到人体图像；

属性特征确定模块，用于采用卷积神经网络算法对所述人体图像进行人体部位识别，确定与人相关的属性特征；

目标广告选取模块，用于根据所述属性特征从预置的广告库中选取目标广告；

广告投放模块，用于对所述目标广告进行投放。

本公开的实施例提供的技术方案可以包括以下有益效果：

在进行广告投放时，从采集的图像中进行区域选择得到区域图像，再采用卷积神经网络算法对所述区域图像进行图像识别，确定与人相关的属性特征，进而根据所述属性特征从预置的广告库中选取目标广告进行投放，由于能够自动根据采集的图像中人的属性特征对投放的广告进行自适应性的调整，使投放的广告与当前路过的行人更加匹配，即投放的广告是路过的行人更加感兴趣的，因而大大提高了广告投放的效率及灵活性，有效地实现了广告的精准投放。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种装置的框图。

图2是根据一示例性实施例示出的一种广告投放方法的流程图。

图3是图2对应实施例的广告投放方法中步骤S110的一种具体实现的流程图。

图4是图2对应实施例的步骤S120的一种具体实现的流程图。

图5是图2对应实施例示出的另一种广告投放方法的流程图。

图6是图2对应实施例的广告投放方法中步骤S130的一种具体实现的流程图。

图7是图2对应实施例的广告投放方法中步骤S130的另一种具体实现的流程图。

图8是图7对应实施例的广告投放方法中步骤S137的一种具体实现的流程图。

图9是根据一示例性实施例示出的一种广告投放装置的框图。

图10是图9对应实施例示出的广告投放装置中区域选择模块110的一种框图。

图11是图9对应实施例示出的广告投放装置中图像识别模块120的一种框图。

图12是图9对应实施例示出的另一种广告投放装置的框图。

图13是图9对应实施例示出的广告投放装置中目标广告选取模块130的一种框图。

图14是图9对应实施例示出的广告投放装置中目标广告选取模块130的另一种框图。

图15是图14对应实施例示出的广告投放装置中第二目标广告确定单元137的一种框图。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种装置100的框图。装置100可以应用于智能手机、电脑等终端。

参考图1，装置100可以包括以下一个或者多个组件：处理组件101，存储器102，电源组件103，多媒体组件104，音频组件105，传感器组件107以及通信组件108。

处理组件101通常控制装置100的整体操作，诸如与显示，电话呼叫，数据通信，相机操作以及记录操作相关联的操作等。处理组件101可以包括一个或多个处理器109来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件101可以包括一个或多个模块，便于处理组件101和其他组件之间的交互。例如，处理组件101可以包括多媒体模块，以方便多媒体组件104和处理组件101之间的交互。

存储器102被配置为存储各种类型的数据以支持在装置100的操作。这些数据的示例包括用于在装置100上操作的任何应用程序或方法的指令。存储器102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储器102中还存储有一个或多个模块，该一个或多个模块被配置成由该一个或多个处理器109执行，以完成以下任一所示方法中的全部或者部分步骤。

电源组件103为装置100的各种组件提供电力。电源组件103可以包括电源管理系统，一个或多个电源，及其他与为装置100生成、管理和分配电力相关联的组件。

多媒体组件104包括在所述装置100和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。

音频组件105被配置为输出和/或输入音频信号。例如，音频组件105包括一个麦克风(MIC)，当装置100处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器102或经由通信组件108发送。在一些实施例中，音频组件105还包括一个扬声器，用于输出音频信号。

传感器组件107包括一个或多个传感器，用于为装置100提供各个方面的状态评估。例如，传感器组件107可以检测到装置100的打开/关闭状态，组件的相对定位，传感器组件107还可以检测装置100或装置100一个组件的位置改变以及装置100的温度变化。在一些实施例中，该传感器组件107还可以包括磁传感器，压力传感器或温度传感器。

通信组件108被配置为便于装置100和其他设备之间有线或无线方式的通信。装置100可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件108经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件108还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置100可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行下述方法。

其中，该实施例的终端中的处理器被配置为执行：

从采集的图像中进行区域选择，得到区域图像；

采用卷积神经网络算法对所述区域图像进行图像识别，确定与人相关的属性特征；

根据所述属性特征从预置的广告库中选取目标广告；

对所述目标广告进行投放。

该实施例中的终端中处理器执行操作的具体方式将在有关广告投放方法的实施例中进行详细描述，此处将不做详细阐述说明。

图2是根据一示例性实施例示出的一种广告投放方法的流程图。该广告投放方法用于智能手机、电脑等终端中。如图2所示，该广告投放方法可以包括以下步骤。

步骤S110，从采集的图像中进行区域选择，得到区域图像。

可以理解的是，采集的图像中并不是整个图像都存在有人，因此，通过从采集的图像中进行区域选择，避免对采集的整个图像进行图像识别，有效地减少了图像识别时的数据处理量，提高了图像识别的效率。

从采集的图像中进行区域选择时，可以是根据图像与对应的实际场景，预先从图像中设置路过行人最多的区域；也可以是接收用户对图像的区域选择；也可以是通过对采集的图像进行初步的识别，从图像中选择人数较多的一部分区域；还可以是通过其他方式从采集的图像中进行区域选择，在此不进行一一描述。

在进行区域选择后，通过从采集的图像中选取位于选择的区域所在的图像，即得到区域图像。

步骤S120，采用卷积神经网络算法对所述区域图像进行图像识别，确定与人相关的属性特征。

卷积神经网络是LeCun等人在1998年提出的用于文字识别，他们称之为LeNet-5。卷积操作是基于图像二维结构定义的，其定义局部感受域每个底层特征只跟输入的一个子集有关，如拓扑邻域。卷积层里面的拓扑局部限制会使得权重矩阵非常稀疏，所以卷积操作连接的两层只有局部连接。计算这样的矩阵乘法比起计算一个稠密矩阵乘法更方便高效，另外更小数目的自由参数会使得统计计算有更多的好处。在拥有二维拓扑结构的图像里，相同的输入模式会在不同位置出现，而且相近的值更可能有更强的依赖，这对于数据的模型是非常重要的。计算相同的局部特征可能是在整个图的任意平移位置，所以我们用这样一个局部特征算子在整个图中扫描。这就是卷积并把输入图变换为一个特征图。这个扫描可以看作在不同的位置提取相同的特征，它们是共享权重的，与生物神经网络更相似。通过这种设计不仅可以使模型的复杂度降低，而且使网络权值的数量也大大的减少。CNN利用权值共享的方式减少需要学习的参数数目，较之一般前向BP算法(Error Back Propagation，误差反向传播)使得训练速度和准确度得到了极大的提高。CNN作为一个深度学习算法，可以使得数据的预处理的开销达到最小化。

很明显，深度卷积网络需要大量的有标注样本进行训练，而且还需要在训练过程中进行样本增强。而且由于卷积结构的存在和数据量的庞大，训练一个深度卷积网络需要密集的运算量，因此现在大部分深度卷积网络都是通过GPU训练的。

卷积神经网络一般使用卷积和聚合操作作为基础操作，但是它不需要无监督的逐层预训练策略。在整个训练过程中，反向传播起到的作用是非常突出的，另外通过合适的激励函数能够在提升训练速度的同时提高最终的准确率。

通过卷积神经网络算法对具有各种不同属性特征的人和物体的图像进行训练及优化，使最终得到的卷积神经网络具备各种不同的与人相关的属性特征。

可选的，属性特征包括年龄、性别、衣着、职业、身高、职业、体型、持有物品等中的一种或多种。

步骤S130，根据所述属性特征从预置的广告库中选取目标广告。

广告库中广告的类型包括视频、图像、文字等。

需要说明的是，广告库是预先设置的，广告库中包含有各种标记有属性特征的广告。

因此，根据属性特征从广告库中选取标记的属性特征为该属性特征的广告。

可选的，当预置的广告库中存在有多个广告被标记为区域图像的属性特征时，可以从这多个广告中随机选取一个广告作为目标广告，也可以是选取生成时间距离当前时间最近的广告作为目标广告，还可以是通过其他方式根据所述属性特征从预置的广告库中选取目标广告。

步骤S140，对所述目标广告进行投放。

利用如上所述的方法，在进行广告投放时，从采集的图像中进行区域选择得到区域图像，再采用卷积神经网络算法对所述区域图像进行图像识别，确定与人相关的属性特征，进而根据所述属性特征从预置的广告库中选取目标广告进行投放，由于能够自动根据采集的图像中人的属性特征对投放的广告进行自适应性的调整，使投放的广告与当前路过的行人更加匹配，即投放的广告是路过的行人更加感兴趣的，因而大大提高了广告投放的效率及灵活性，有效地实现了广告的精准投放。

图3是根据图2对应示例性实施例示出的对步骤S110的细节的描述。如图3所示，该步骤S110可以包括以下步骤。

步骤S111，接收在采集的图像指定的至少两个顶点。

接收的顶点是用户对采集的图像进行选定的位置。

通过用户进行顶点的选择，确定采集的图像中进行选择的区域，进而确定区域图像。

由于用户在观看采集的图像后再进行的顶点选择，因而选择的顶点所包含的区域是人流密集区域，从而进一步保证了后续进行广告选取的准确性。

在一示例性实施例中，选取的顶点为两个，则将以首先选取的顶点为圆心，以另一个顶点与该顶点之间的距离为半径所形成的圆形区域确定为选择的区域。

在一示例性实施例中，选取的顶点为三个，则将以这三个顶点所形成圆形区域或者三角形区域确定为选择的区域。

步骤S112，根据所述至少两个顶点在所述图像中确定区域图像。

利用如上所述的方法，在采集的图像中进行区域选择时，通过接收用户在采集的图像中指定的顶点，进而根据这些顶点确定区域图像，进一步保证了后续进行广告选取的准确性。

图4是根据图2对应示例性实施例示出的对步骤S120的细节的描述。如图4所示，该步骤S120可以包括以下步骤。

步骤S121，根据所述区域图像的像素在所述区域图像中确定人流密集区域。

人流密集区域是图像中人流比较多的区域。

可以理解的是，人流密集区域的像素与无人区域存在一定的差别。

因此，根据区域图像的像素，从区域图像中确定人流密集区域。

例如，根据各像素的RGB特征，通过像素形成特定的形状特征，并对形状特征进行人体判断，进而确定人流密集区域。

步骤S122，从所述区域图像中提取所述人流密集区域的图像特征。

步骤S123，对所述图像特征进行人体的识别，并将所述人体的图像从所述人流密集区域分割出来得到人体图像。

由于步骤S121中确定人流密集区域只是初步进行人流区域的判断，为进一步保证与人相关的属性特征确定的准确性，对从人流密集区域提取的图像特征进行人体的识别，再对各人体的部位进行识别。

根据图像特征进行人体的识别时，可以通过预先进行人脸的识别，确定人流密集区域中的各人体；也可以根据图像特征识别人体的轮廓，进而确定人流密集区域中的各人体；还可以通过其他方式进行人体的识别。

根据图像中的相对位置，寻找人体的头部、上半身和下半身在图像中的位置。

需要说明的是，当系统内部用于确定人流密集区域的初步处理监控画面部分与用于人体部位分割的部分之间进行数据传输时，相互之间只需进行部位分割图像的传输，从而通过传输较小的文件，减少对网络资源或系统资源的占用。

步骤S124，采用卷积神经网络算法对人体图像进行人体部位识别，确定与人相关的属性特征。

如前所述的，通过卷积神经网络算法对具有各种不同属性特征的人和物体的图像进行训练及优化，最终得到的卷积神经网络具备各种不同的与人相关的属性特征。

因此，通过卷积神经网络算法对人体图像进行图像识别，可以确定与人相关的属性特征。

利用如上所述的方法，在采用卷积神经网络算法对所述区域图像进行图像识别时，通过预先对区域图像进行初步判断，从区域图像中确定人流密集区域，进而根据人流密集区域的图像特征进行人体识别后再对各人体的部位进行图像识别，确定与人相关的属性特征，从而进一步提高了进行与人相关的属性特征的准确性。

图5是根据图2对应示例性实施例示出的另一种广告投放方法的流程图。如图5所示，步骤S130之前，该广告投放方法还的可以包括以下步骤。

步骤S210，获取广告。

获取广告的方式有多种，可以是获取用户存储于终端广告，也可以是通过网络连接而下载的广告，还可以是通过其他形式而获取广告。

步骤S220，按照与人相关的所述属性特征对所述广告进行标记。

通过对广告进行属性特征的标记，在从预置的广告库中选取目标广告时，即可根据属性特征从广告库中选取被标记为该属性特征的广告，从而大大提高选取目标特征的效率。

对所述广告进行属性特征的标记时，可以是对广告进行图像识别，在识别到与人相关的属性特征后，进而以该属性特征对该广告进行标记；也可以是用户自定义对各广告进行属性特征的标记；还可以是通过其他方式对广告进行属性特征的标记。

步骤S230，通过将所述广告与标记的所述属性特征进行关联存储，形成所述广告库。

利用如上所述的方法，通过对获取的广告预先进行属性特征的标记并形成广告库，使从广告库中选取目标广告时只需根据属性特征即可查找到目标广告，从而大大提高了确定目标广告的效率。

图6是根据图2对应示例性实施例示出的对步骤S130的细节的描述。如图6所示，所述属性特征的数量为多个，该步骤S130可以包括以下步骤。

步骤S131，从预置的广告库中选取具备任一所述属性特征的广告，得到第一备选广告集。

第一广告集中的所有广告均具备区域图像的任一属性特征。

步骤S132，针对每一所述属性特征，计算所述区域图像中具备所述属性特征的人数。

步骤S133，根据所述区域图像中具备各所述属性特征的人数，计算所述区域图像与所述第一备选广告集中各广告的匹配度。

匹配度是区域图像与广告之间的关联程度。

可以理解的是，区域图像中具备某一属性特征的人数越多，则具备该属性特征的属性就越明显。

因此，根据区域图像中具备各述属性特征的人数计算区域图像与广告之间的匹配度将进一步提高确定目标广告的准确性。

例如，广告库中包含有广告A1、A2、A3、A4，广告A1、A2、A3、A4被标记的属性特征分别为C1、C2、C3，C1，C2，C3。当区域图像P的属性特征为C1、C3，且具备属性特征C1、C3的人数分别为2、3时，则得到的第一备选广告集包括广告A1、A4，广告A1与区域图像P之间的匹配度为2*1+3*1＝5，广告A4与区域图像P之间的匹配度为3*1＝3。

步骤S134，根据所述匹配度确定目标广告。

通过步骤S133进行的匹配度的计算，从第一备选广告集中选取与区域图像之间的匹配度最大的广告作为目标广告。

可选的，当与区域图像之间的匹配度最大的广告存在多个时，可以从这多个与区域图像之间的匹配度最大的广告中随机选取一个作为目标广告，也可以选取生成时间距离当前时间最近的一个广告作为目标广告，还可以是通过其他方式从多个与区域图像之间的匹配度最大的广告中确定目标广告。

利用如上所述的方法，当区域图像具备多个属性特征时，通过预先从预置的广告库中选取具备任一所述属性特征的广告得到第一备选广告集，及区域图像中具备各属性特征的人数，进而计算区域图像与所述第一备选广告集中各广告的匹配度，最终通过根据所述匹配度从所述第一备选广告集中确定目标广告，从而无需计算广告库中所有的广告与区域图像的匹配度，大大减少了进行匹配度计算的工作量，提高了确定目标广告的效率，并且根据具备各属性特征的人数计算匹配度，从而进一步保证了匹配度计算的准确性。

可选的，图7是根据图2对应示例性实施例示出的对步骤S130的细节的描述。如图7所示，所述属性特征的数量为多个，该步骤S130还可以包括以下步骤。

步骤S136，计算所述广告库中各广告具备所述属性特征的数量。

可以理解的是，区域图像包括的属性特征可能较多，而广告库中并不存在任一各广告具备区域图像的所有属性特征。

因此，通过计算各广告具备区域图像的属性特征的数量。

步骤S137，将具备所述属性特征的数量最大的广告确定为目标广告。

可以理解的是，与区域图像具备相同的属性特征越多，则该广告与区域图像之间的匹配程度就越高。

例如，区域图像具备的属性特征为C1、C2、C3、C4、C5、C6，而广告库中包含有广告A1、A2、A3、A4，而广告A1、A2、A3、A4被标记的属性特征分别为C1、C2、C3、C4，C1、C2、C3，C2、C3，C2、C3、C4、C5、C6。因此，确定广告A4为目标广告。

利用如上所述的方法，当区域图像具备多个属性特征时，通过计算广告库中各广告具备所述属性特征的数量，将具备所述属性特征的数量最大的广告确定为目标广告，保证了确定目标广告的准确性。

可选的，图8是根据图7对应示例性实施例示出的对步骤S137的细节的描述。如图8所示，广告库中存在多个具备所述属性特征的广告，该步骤S137还可以包括以下步骤。

步骤S1371，从预置的广告库中选取包含所述属性特征的数量最多的广告，得到第二备选广告集。

可以理解的是，当广告库中存在多个具备所述属性特征的广告时，需要从这多个广告中选取某一广告而确定目标广告。

第二备选广告集是广告库中包含区域图像的属性特征数量最多的广告的集合。

例如，区域图像具备的属性特征为C1、C2、C3、C4、C5、C6，而广告库中包含有广告A1、A2、A3、A4，而广告A1、A2、A3、A4被标记的属性特征分别为C1、C2、C3、C4，C1、C2、C3，C2、C3，C3、C4、C5、C6，则第二备选广告集包括广告A1、A4。

步骤S1372，从所述第二备选广告集中选取获取时间距离当前时间最近的广告作为目标广告。

利用如上所述的方法，当广告库中存在多个具备所述属性特征的广告时，通过从这多个广告中选取获取时间距离当前时间最近的广告作为目标广告，从而保证了投放广告的时新性。

下述为本公开装置实施例，可以用于执行本上述广告投放方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开广告投放方法实施例。

图9是根据一示例性实施例示出的一种广告投放装置的框图，该装置包括但不限于：区域选择模块110、图像识别模块120、目标广告选取模块130及广告投放模块140。

区域选择模块110，用于从采集的图像中进行区域选择，得到区域图像；

图像识别模块120，用于采用卷积神经网络算法对所述区域图像进行图像识别，确定与人相关的属性特征；

目标广告选取模块130，用于根据所述属性特征从预置的广告库中选取目标广告；

广告投放模块140，用于对所述目标广告进行投放。

上述装置中各个模块的功能和作用的实现过程具体详见上述广告投放方法中对应步骤的实现过程，在此不再赘述。

可选的，如图10所示，区域选择模块110包括但不限于：指定顶点接收单元111和区域图像确定单元112。

指定顶点接收单元111，用于接收在采集的图像指定的至少两个顶点；

区域图像确定单元112，用于根据所述至少两个顶点在所述图像中确定区域图像。

可选的，如图11所示，图像识别模块120包括：包括但不限于：人流密集区域确定单元121、图像特征提取单元122、分割单元123和图像识别单元124。

人流密集区域确定单元121，用于根据所述区域图像的像素在所述区域图像中确定人流密集区域；

图像特征提取单元122，用于从所述区域图像中提取所述人流密集区域的图像特征；

分割单元123，用于对所述图像特征进行人体部位的分割，得到部位分割图像；

图像识别单元124，用于采用卷积神经网络算法对所述部位分割图像进行图像识别，确定与人相关的属性特征。

可选的，如图12所示，图9对应实施例示出的广告投放装置还包括但不限于：广告获取模块210、广告标记模块220和广告库形成模块230。

广告获取模块210，用于获取广告；

广告标记模块220，用于按照与人相关的所述属性特征对所述广告进行标记；

广告库形成模块230，用于通过将所述广告与标记的所述属性特征进行关联存储，形成所述广告库。

可选的，如图13所示，属性特征的数量为多个，目标广告选取模块130包括但不限于：第一备选广告集获取单元131、人数计算单元132、匹配度计算单元133和第一目标广告确定单元134。

第一广告集获取单元131，用于从预置的广告库中选取具备任一所述属性特征的广告，得到第一备选广告集；

人数计算单元132，用于针对每一所述属性特征，计算所述区域图像中具备所述属性特征的人数；

匹配度计算单元133，用于根据所述区域图像中具备各所述属性特征的人数，计算所述区域图像与所述第一备选广告集中各广告的匹配度；

第一目标广告确定单元134，用于根据所述匹配度从所述第一备选广告集中确定目标广告。

可选的，如图14所示，属性特征的数量为多个，目标广告选取模块130包括但不限于：数量计算单元136和第二目标广告确定单元137。

数量计算单元136，用于计算所述广告库中各广告具备所述属性特征的数量；

第二目标广告确定单元137，用于将具备所述属性特征的数量最大的广告确定为目标广告。

可选的，如图15所示，广告库中存在多个具备所述属性特征的广告，第二目标广告确定单元137包括但不限于：第二广告集获取子单元1371和目标广告确定子单元1372。

第二广告集获取子单元1371，用于从预置的广告库中选取包含所述属性特征的数量最多的广告，得到第二备选广告集；

目标广告确定子单元1372，用于从所述第二备选广告集中选取获取时间距离当前时间最近的广告作为目标广告。

可选的，本发明还提供一种终端，执行如上述示例性实施例任一所示的广告投放方法的全部或者部分步骤。终端包括：

处理器；以及

与所述处理器通信连接的存储器；其中，

所述存储器存储有可读性指令，所述可读性指令被所述处理器执行时实现如上述任一示例性实施例所述的方法。

该实施例中的终端中处理器执行操作的具体方式已经在有关该广告投放方法的实施例中执行了详细描述，此处将不做详细阐述说明。

在示例性实施例中，还提供了一种存储介质，该存储介质为计算机可读性存储介质，例如可以为包括指令的临时性和非临时性计算机可读性存储介质。该存储介质例如包括指令的存储器102，上述指令可由终端100的处理器109执行以完成上述广告投放方法。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种广告投放方法，其特征在于，所述方法包括：

从采集的图像中进行区域选择，得到区域图像；

根据所述区域图像的像素在所述区域图像中确定人流密集区域；

从所述区域图像中提取所述人流密集区域的图像特征；

对所述图像特征进行人体的识别，并将所述人体的图像从所述人流密集区域分割出来得到人体图像；

采用卷积神经网络算法对所述人体图像进行人体部位识别，确定与人相关的属性特征；

根据所述属性特征从预置的广告库中选取目标广告；

对所述目标广告进行投放。

2.根据权利要求1所述的方法，其特征在于，所述从采集的图像中进行区域选择，得到区域图像的步骤包括：

接收在采集的图像指定的至少两个顶点；

根据所述至少两个顶点在所述图像中确定区域图像。

3.根据权利要求1所述的方法，其特征在于，所述根据所述属性特征从预置的广告库中选取广告进行投放的步骤之前，所述方法还包括：

获取广告；

按照与人相关的所述属性特征对所述广告进行标记；

通过将所述广告与标记的所述属性特征进行关联存储，形成所述广告库。

4.根据权利要求1所述的方法，其特征在于，所述属性特征的数量为多个，所述根据所述属性特征从预置的广告库中选取目标广告的步骤包括：

从预置的广告库中选取具备任一所述属性特征的广告，得到第一备选广告集；

针对每一所述属性特征，计算所述区域图像中具备所述属性特征的人数；

根据所述区域图像中具备各所述属性特征的人数，计算所述区域图像与所述第一备选广告集中各广告的匹配度；

根据所述匹配度从所述第一备选广告集中确定目标广告。

5.根据权利要求1所述的方法，其特征在于，所述属性特征的数量为多个，所述根据所述属性特征从预置的广告库中选取目标广告的步骤包括：

计算所述广告库中各广告具备所述属性特征的数量；

将具备所述属性特征的数量最大的广告确定为目标广告。

6.根据权利要求5所述的方法，其特征在于，所述广告库中存在多个具备所述属性特征的广告，所述将具备所述属性特征的数量最大的广告确定为目标广告的步骤包括：

从预置的广告库中选取包含所述属性特征的数量最多的广告，得到第二备选广告集；

从所述第二备选广告集中选取获取时间距离当前时间最近的广告作为目标广告。

7.据权利要求1所述的方法，其特征在于，所述属性特征包括年龄、性别、衣着、职业、身高、职业、体型、持有物品等中的一种或多种。

8.一种广告投放装置，其特征在于，所述装置包括：

区域选择模块，用于从采集的图像中进行区域选择，得到区域图像；

人流密集区域确定模块，用于根据所述区域图像的像素在所述区域图像中确定人流密集区域；

图像特征提取模块，用于从所述区域图像中提取所述人流密集区域的图像特征；

人体分割别模块，用于对所述图像特征进行人体的识别，并将所述人体的图像从所述人流密集区域分割出来得到人体图像；

属性特征确定模块，用于采用卷积神经网络算法对所述人体图像进行人体部位识别，确定与人相关的属性特征；

目标广告选取模块，用于根据所述属性特征从预置的广告库中选取目标广告；

广告投放模块，用于对所述目标广告进行投放。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

广告获取模块，用于获取广告；

广告标记模块，用于按照与人相关的所述属性特征对所述广告进行标记；

广告库形成模块，用于通过将所述广告与标记的所述属性特征进行关联存储，形成所述广告库。

10.根据权利要求8所述的装置，其特征在于，所述属性特征的数量为多个，所述目标广告选取模块包括：

备选广告集确定单元，用于从预置的广告库中选取具备任一所述属性特征的广告，得到第一备选广告集；

人数计算单元，用于针对每一所述属性特征，计算所述区域图像中具备所述属性特征的人数；

匹配度计算单元，用于根据所述区域图像中具备各所述属性特征的人数，计算所述区域图像与所述第一备选广告集中各广告的匹配度；

目标广告确定单元，用于根据所述匹配度从所述第一备选广告集中确定目标广告。