CN109034101B - 一对多的动静态广告播放方法 - Google Patents

Abstract

本发明提出一种一对多的动静态广告播放方法，涉及广告播放领域。本发明解决了目前广告播放针对性不高、播放状态单一、不能满足用户的真实需求的问题，其技术方案要点为：建立人脸信息数据库，数据库中包括各个人脸信息及与之分别对应的广告类别；提取检测到的人脸图像中的人脸信息，并判断数据库中是否存在该人脸信息，若存在，判断数据库中该人脸信息对应的广告类别的播放状态，以及其他广告类别的播放状态，并以判断出的播放状态依次播放与该人脸信息对应的广告类别中的各个广告内容及其他广告类别中相应的广告内容，其中播放状态包括静态和动态。本发明的有益效果是，可以针对不同用户播放不同种类的广告，并且可以实现动静态广告播放的切换。

Description

一对多的动静态广告播放方法

技术领域

本发明涉及广告播放技术，特别涉及针对不同用户动静态切换地播放不同类型的广告类别的技术。

背景技术

广告作为一种信息传播方式，是适应人类信息交流的需要而产生的，伴随着商品经济的繁荣和传播媒体的进步而发展。20世纪初以来，经济迅速发展，广告业也进入蓬勃发展时期，这一时期的主要标志是电子广告问世，广告媒体日益多样化。随着信息传播手段的巨大发展，广告业已经成为现代信息产业的中坚力量。同时，由于广告是一种具有影响力的信息传播方式，公益广告的发展也使得广告行业有力地推动了社会文明建设，使广告行业具有重要的社会意义。

随着大数据的发展，广告系统已经渗透到人们的衣食住行中。将哪件衣服推荐给消费者购买的可能性最大，该到附近哪家餐馆吃饭最合口味，买哪个地段的房子最合适，怎样根据不同种类的客户推送不同广告，怎样才能使推荐信息变为有用信息。为用户提供便捷访问的高质量推荐，正是一对多广告系统研究领域的主要目标。一对多广告系统是主动地从大量信息中找到用户可能感兴趣的信息的工具。

现阶段的广告系统基本都以无差别的重复式推送覆盖，由于无法区分受众，往往要让全国男性观看卫生巾广告，让所有女士了解去剃须刀，导致电视广告逃离度不断升高，让广告主们对电视广告越来越没有信心。区别于传统广告的“狂轰滥炸”，针对性太差，不能真实满足客户需求。

同时，目前的广告内容播放单一、分类简单，传统的广告形式一般是一张或多张静态广告宣传、内容一般根据商家招标结果。对用户的刺激效果较弱、不能满足日益增长的信息需求，并且，在晚上、特殊节假日时期，用户量极少、广告效果极弱，持续不断的广告播放造成资源的大量浪费。

参见申请日为CN 200710304264.6的一篇专利申请，其公开了一种广告播放方法和广告播放设备，并具体公开了：一种广告播放方法，其特征在于，包括：检测广告播放设备前是否有观众；对广告播放设备前的观众进行统计和分类，将观众分成至少一类观众，生成分类信息；处理至少包含有所述分类信息的信息，获得需要播放的广告，所述广告至少与一类所述至少一类观众相关；以及播放所述需要播放的广告。一种广告播放设备，其特征在于，包括：检测单元，检测所述广告播放设备前是否有观众；识别单元，对广告播放设备前的观众进行统计和分类，将观众分成至少一类观众，生成分类信息；存储单元，存储观众类别分类规则和与所述观众分类规则相对应的广告播放内容；播放单元，从存储单元中选择相应的广告进行播放；以及控制单元，根据识别单元的分类信息，处理至少包含有所述分类信息的信息，获得需要播放的广告，所述广告至少与一类所述至少一类观众相关，并且控制播放单元播放所述需要播放的广告。

该专利申请虽然通过识别观众类别来有针对性地播放广告内容，增加了广告播放的目的性和有效性；提高了广告受众的可接受程度，使得看广告变得有趣一些；另外，通过记录广告的播放次数，为广告运营商向广告客户进行合理收费、提供广告受众信息提供了依据；因为只有在检测到有观众观看时才打开整个广告播放设备系统，节能环保；另外，今后在广告播放设备联网之后，可以更加方便传输客户需要的信息。但是，依然没有涉及如何更可靠、具体地针对何种人群推送何种广告的解决方法，更没有提及如何将动态广告及静态广告相结合播放，人性化不足，不能真实满足客户的真实需求。

发明内容

本发明的目的是提供一种一对多的动静态广告播放方法，解决目前广告播放针对性不高、播放状态单一、不能满足用户的真实需求的问题。

本发明解决其技术问题，采用的技术方案是：一对多的动静态广告播放方法，包括如下步骤：

步骤1、建立人脸信息数据库，所述数据库中包括各个人脸信息一及与之分别对应的广告类别，每一种广告类别包括两种类型的播放子集，两种类型的播放子集分别为静态广告子集和动态广告子集，还包括预设的根据各个人脸信息二计算各个广告类别下的两种类型的播放子集的评分的模型；

步骤2、摄像头实时获取视频帧，并判断是否检测到人脸图像，若是，则进入步骤3，若连续多帧没有检测到人脸图像，则控制降低广告机显示屏亮度或控制广告机显示屏进入休眠状态；

步骤3、提取检测到的人脸图像中的人脸信息一，并判断数据库中是否存在该人脸信息一，若存在，则进入步骤4，否则对该人脸信息一进行分析，根据分析结果将该人脸信息一归于数据库中对应的广告类别；

步骤4、提取检测到的人脸图像中的人脸信息二，并根据该人脸信息二计算与该人脸信息一对应的广告类别中两种类型的播放子集的评分，然后按规定的顺序播放相应的播放子集。

进一步地，步骤3和/或步骤4中，若检测到的人脸图像中的人脸信息一及人脸信息二不存在数据库中，则将该人脸信息一与人脸信息二保存到数据库中，对数据库进行更新。

具体地，步骤1中，所述数据库的建立包括如下步骤：

步骤101、采集欲存入数据库中人脸图像，通过所述人脸图像训练得到深度学习网络；

步骤102、将广告进行分类，并基于所述深度学习网络的部分输出内容训练得到分类器；

步骤103、当在所述深度学习网络中输入一张已存入数据库中的人脸图像时，经过深度学习网络的处理，输出一个与该人脸图像中人脸信息一的维度之和对应的向量，所述人脸信息一包括男性、女性、各个年龄以及各个人脸表情，所述深度学习网络输出的向量表示该人脸图像中男性的概率、女性的概率、各个年龄的概率以及各个人脸表情的概率；

步骤104、在分类器中输入深度学习网络的部分输出内容，经过分类器的处理，输出一个与广告类别的维度之和对应的向量，所述深度学习网络的部分输出内容是指与该人脸图像中人脸信息二的维度之和对应的向量，所述人脸信息二包括男性、女性及各个年龄，所述分类器输出的向量表示与各个人脸信息一对应的各个广告类别的播放概率；

步骤105、提取与该人脸信息一对应的广告类别的播放概率，并根据所述模型计算该广告类别的中两种类型的播放子集的播放概率是否达到设定值，若达到则播放对应类型的播放子集。

再进一步地，步骤103和/或步骤104中，为了能够针对更广泛的用户群体，所述各个年龄是指0-100岁，且均为整数，为了能够囊括更全面的人脸表情，各个人脸表情是指愤怒、厌恶、害怕、高兴、悲伤、惊喜和中立。

具体地，步骤105中，为了更好的表述用户对各个广告类别的感兴趣程度，以及顾及各个广告类别本身的播出特性，所述设定值为0.7，所述模型的计算公式为：

max_i[G₀(F_0-102)_i]

其中，i为各个广告类别中第i个广告类别，i取大于2的正整数，F_0-102为深度学习网络的部分输出内容，G₀为分类器。

再进一步地，在所述步骤4之后，还包括步骤5，具体为：根据实际的人脸响应计算该人脸对当前播放的广告类别感兴趣的分数，如果当前播放的广告类别与该人脸信息一对应，且根据实际的人脸响应计算出的对当前播放的广告类别感兴趣的分数小于规定值时，则将该人脸信息一与其存在对应关系的广告类别解除对应关系，如果当前播放的广告类别与该人脸信息一不对应，且计算出的对当前播放的广告类别感兴趣的分数大于等于规定值时，则将该人脸信息与该不存在对应关系的广告类别调整为存在对应关系，并将对应关系以及感兴趣的分数存入数据库中，对数据库进行更新，所述规定值为0.7。

具体地，步骤5中，所述实际的人脸响应包括滚转角、人脸在广告上的停留时间以及各个人脸表情，所述感兴趣的分数的计算公式为：

其中，score指感兴趣的分数，angle指滚转角，time指人脸在广告上的停留时间，expression指深度学习网络中输出的与各个人脸表情维度之和对应的向量，a₀指滚转角的权重，a₁指人脸在广告上的停留时间的权重，a₂指人脸表情的权重，j表示各个人脸表情，j取大于等于2的正整数，w_j指各个人脸表情的权重。

再进一步地，步骤5中，为了符合存储要求，并节省存储空间，所述在数据库中进行更新过程中，将感兴趣的分数存入数据库中的过程中，对感兴趣的分数先进行one-hot编码，再将编码结果乘以对应广告类别的协方差矩阵。

具体地，步骤5中，当数据库中存入的数据达到一定量时，则训练弱分类器，这里，弱分类器只对人脸信息进行简单的划分，所述弱分类器的输出表示的是人脸的年龄范围、所属性别的范围以及广告类别，训练的弱分类器采用循环列表的形式进行存储，当弱分类器达到最大数量时，则将最新训练的弱分类器替换最早训练的弱分类器。

再进一步地，训练的弱分类器更新后，所述模型的计算公式调整为：

其中，λ为弱分类器，λ_m为第m个弱分类器，m取大于等于2的正整数，λ_m(G_m＝＝i)表示当弱分类器λ_m的输出结果为i，即经第m个弱分类器判断输入的人脸图像中的人脸信息一属于第i个广告类别时，则(G_m＝＝i)结果为1，当弱分类器λ_m的输出结果不为i时,则(G_m＝＝i)结果为0。

本发明的有益效果是，通过上述一对多的动静态广告播放方法，可以针对不同用户提供不同种类的广告，并且当广告机的摄像头检测到人脸才提高显示屏亮度，在规定时间检测不到人脸图像就控制广告机降低显示屏亮度或休眠，大大减少不必要的电量浪费，更重要的是，能够根据实际情况利用提供的模型计算是播放各类广告的静态广告子集还是动态播放子集，大大提升广告吸引力，同时真正满足了客户的实际需求。

具体实施方式

下面结合实施例，详细描述本发明的技术方案。

本发明所述一对多的动静态广告播放方法，由如下步骤组成：

步骤1、建立人脸信息数据库，所述数据库中包括各个人脸信息一及与之分别对应的广告类别，每一种广告类别包括两种类型的播放子集，两种类型的播放子集分别为静态广告子集和动态广告子集，还包括预设的根据各个人脸信息二计算各个广告类别下的两种类型的播放子集的评分的模型；

步骤2、摄像头实时获取视频帧，并判断是否检测到人脸图像，若是，则进入步骤3，若连续多帧没有检测到人脸图像，则控制降低广告机显示屏亮度或控制广告机显示屏进入休眠状态；

步骤3、提取检测到的人脸图像中的人脸信息一，并判断数据库中是否存在该人脸信息一，若存在，则进入步骤4，否则对该人脸信息一进行分析，根据分析结果将该人脸信息一归于数据库中对应的广告类别；

步骤4、提取检测到的人脸图像中的人脸信息二，并根据该人脸信息二计算与该人脸信息一对应的广告类别中两种类型的播放子集的评分，然后按规定的顺序播放相应的播放子集。

这里，可以更精准的锁定特定人群，把正确的广告推送给正确的观众，可以针对不同用户提供不同种类的广告，并且当广告机的摄像头检测到人脸才提高显示屏亮度，在规定时间检测不到人脸图像就控制广告机降低显示屏亮度或休眠，大大减少不必要的电量浪费，更重要的是，能够根据实际情况利用提供的模型计算是播放各类广告的静态广告子集还是动态播放子集，大大提升广告吸引力，同时真正满足了客户的实际需求

实施例

本实施例一对多的动静态广告播放方法，包括如下步骤：

步骤1、建立人脸信息数据库，其中，数据库中包括各个人脸信息一及与之分别对应的广告类别，每一种广告类别优选地包括两种类型的播放子集，两种类型的播放子集分别为静态广告子集和动态广告子集，还包括预设的根据各个人脸信息二计算各个广告类别下的两种类型的播放子集的评分的模型。

步骤2、摄像头实时获取视频帧，并判断是否检测到人脸图像，若是，则进入步骤3，若连续多帧没有检测到人脸图像，为了节省电量，则可以优选控制降低广告机显示屏亮度或控制广告机显示屏进入休眠状态等。

步骤3、提取检测到的人脸图像中的人脸信息一，并判断数据库中是否存在该人脸信息一，若存在，则进入步骤4，否则对该人脸信息一进行分析，根据分析结果将该人脸信息一归于数据库中对应的广告类别。

步骤4、提取检测到的人脸图像中的人脸信息二，并根据该人脸信息二计算与该人脸信息一对应的广告类别中两种类型的播放子集的评分，然后按规定的顺序播放相应的播放子集。

本例的步骤4中，可以根据计算的广告类别中的两种类型的播放子集的评分来设定播放子集的播放顺序，具体地，可以设定当该广告类别中某种类型的播放子集的评分超过某个评分时，则优先播放这种类型的播放子集，然后再播放其他播放子集，这里，次优播放的其他播放子集也可进行设定，当优先播放的某广告类别中某类型播放子集播放完毕后，可以设定播放该广告类别中另外一种类型的播放子集，也可以设定播放其他广告类别中的对应类型的播放子集，至于播放其他广告类别中对应类型的播放子集的播放顺序的设定，可以参考本例中提到的关于优先播放的广告类别中对应类型的播放子集的播放顺序的设定，来对其他广告类别中对应类型的播放子集的播放顺进行设定。

也就是说，对于优先播放的广告类别，若根据评分优先播放动态广告子集时，接下来可以播放该广告类别中的静态广告子集，也可以根据评分播放次优播放的广告类别中的对应播放子集，接下来，可以播放次优播放的广告类别中另外一种类型的播放子集，也可以根据评分播放其他广告类别中对应的播放子集，并根据这种原理顺序播放相应的播放子集。当然，对于优先播放的广告类别，若根据评分优先播放静态广告子集时，接下来可以播放该广告类别中的动态广告子集，也可以根据评分播放次优播放的广告类别中的对应播放子集，接下来，可以播放次优播放的广告类别中另外一种类型的播放子集，也可以根据评分播放其他广告类别中对应的播放子集，并根据这种原理顺序播放相应的播放子集。那么，对于具体地广告类别的设定下，如何顺序播放相应的播放子集，本例不再详细描述。

上述方法的步骤3和/或步骤4中，若检测到的人脸图像中的人脸信息一及人脸信息二不存在数据库中，则可以将该人脸信息一与人脸信息二保存到数据库中，对数据库进行更新。

实际应用中，步骤1中，数据库的建立优选包括如下步骤：

步骤101、采集欲存入数据库中人脸图像，通过人脸图像训练得到深度学习网络，这里深度学习网络用F表示。

步骤102、将广告进行分类，并基于深度学习网络F的部分输出内容训练得到分类器，这里，分类器用G₀表示。

步骤103、当在深度学习网络F中输入一张已存入数据库中的人脸图像时，经过深度学习网络F的处理，具体应用时，为了能够针对更广泛的用户群体，各个年龄优选是指0-100岁，且均为整数，当然可以根据需要调整到其他年龄范围，为了能够囊括更全面的人脸表情，各个人脸表情优选是指愤怒、厌恶、害怕、高兴、悲伤、惊喜和中立等，也可以根据需要添加、减少或重新设定人脸表情，因此，本例中，深度学习网络F输出的是一个(2+101+7)维的向量，其中，2表示男性和女性，101表示0-100岁，7表示人脸表情的愤怒、厌恶、害怕、高兴、悲伤、惊喜和中立，这里，深度学习网络F输出的(2+101+7)维向量具体表示该人脸图像中男性的概率、女性的概率、各个年龄的概率以及各个人脸表情的概率。

步骤104、在分类器中G₀输入深度学习网络F的部分输出内容，经过分类器G₀的处理，输出一个与广告类别的维度之和对应的向量，其中，广告类别的维度之和为可以定义为n，n取大于等于2的正整数，对于本例中，广告类别可以包括电器、数码、男装、女装、美妆及清洁等，那么n就取6，当然，对于广告类别的划分及定义，可以按需进行调整，类别也可以不止本例提到的这几种，只需在设定不同个数的广告类别时对应好相应的n值即可满足要求。

本例中，深度学习网络F的部分输出内容是指与该人脸图像中人脸信息二的维度之和对应的向量，也就是说，深度学习网络F的部分输出内容是指(2+101)维的向量，这里用F_0-102表示。其中，人脸信息二优选包括男性、女性及各个年龄，分类器G₀输出的向量表示与各个人脸信息一对应的各个广告类别的播放概率。

步骤105、提取与该人脸信息一对应的广告类别的播放概率，并根据所述模型计算该广告类别的中两种类型的播放子集的播放概率是否达到设定值，若达到则播放对应类型的播放子集。

当播放概率大于等于设定值时，优选设定播放该广告类别中动态广告子集，否则播放该广告类别中的静态广告子集，当该广告类别的相应播放子集播放完毕后，播放其他广告类别中的相应播放子集，同理，对于其他广告类别中的播放子集，若接下来播放的某广告类别的播放概率大于等于设定值时，播放该广告类别中的动态播放子集，否则播放静态播放子集。为了更好的表述用户对各个广告类别的感兴趣程度，以及顾及各个广告类别本身的播出特性，本例中设定值优选为0.7，当然，可以根据实际需要对该设定值进行调整，其中，根据各个人脸信息二计算各个广告类别下的两种类型的播放子集的评分的模型的公式优选为：

max_i[G₀(F_0-102)_i]

其中，i为n个广告类别中第i个广告类别，F_0-102为深度学习网络的部分输出内容，G₀为分类器。这里，该公式即代表优先播放的广告类别的播放概率。

本例中，各个播放子集的循序播放实际上就是动静态广告的选择播放，而动静态广告的选择播放实际上考虑的是各个广告类别的播放概率，最开始播放的第一个广告类别是播放概率最大的广告类别，若优先播放的广告类别的播放概率小于0.7，并且依次播放的其他广告类别的播放概率均小于0.7，那么意味着针对目前的人脸信息，只播放静态广告即可满足真实的用户需求，此种情况下不需动静态广告的切换；若第一个播放的广告类别的播放概率大于等于0.7，那么意味着存在动静态切换播放，那么一位置针对目前的人脸信息，只播放静态广告不能满足真实的用户需求，需要播放动态广告，具体就是，第一个广告类别播放动态广告，其他广告类别在0.7以下播放静态广告，在0.7以上的播放动态广告。

实际应用过程中，在本例的步骤4之后，还可以包括步骤5，具体为：根据实际的人脸响应计算该人脸对当前播放的广告类别感兴趣的分数，如果当前播放的广告类别与该人脸信息一对应，且根据实际的人脸响应计算出的对当前播放的广告类别感兴趣的分数小于规定值时，则将该人脸信息一与其存在对应关系的广告类别解除对应关系，如果当前播放的广告类别与该人脸信息一不对应，且计算出的对当前播放的广告类别感兴趣的分数大于等于规定值时，则将该人脸信息与该不存在对应关系的广告类别调整为存在对应关系，并将对应关系以及感兴趣的分数存入数据库中，对数据库进行更新，其中，规定值优选为0.7。

这里，分数的设置实际上是为了验证人脸信息与初始时保存在数据库中的与之对应的广告类别是否真正符合用户的需求，若分数达到0.7，则说明用户对与之人脸信息对应的广告类别能够满足用户需求，反之不能满足用户需求，通过深度学习网络以及分类器的处理后判断出该人脸信息实际感兴趣的广告类别后，并在数据库中进行记录更新；同时对于人脸信息，若数据库中没有存储与之对应的广告类别，那么，在某个广告类别播放时，若根据实际的人脸反应，得出的分数在0.7及以上时，那么也表示用户对该广告类别感兴趣，那么就可以将此时的人脸信息与感兴趣的广告类别对应并存储在数据库中，也在数据库中进行更新。

本例的步骤5中，为了切实满足用户的真实需求，实际的人脸响应优选包括滚转角、人脸在广告上的停留时间以及各个人脸表情，感兴趣的分数的计算公式为：

其中，score指感兴趣的分数，angle指滚转角，time指人脸在广告上的停留时间，expression指深度学习网络中输出的与各个人脸表情维度之和对应的向量，a₀指滚转角的权重，a₁指人脸在广告上的停留时间的权重，a₂指人脸表情的权重，j表示各个人脸表情，j取大于等于2的正整数，w_j指各个人脸表情的权重。

为了符合存储要求，并节省存储空间，在数据库中进行更新过程中，将感兴趣的分数存入数据库中的过程中，对感兴趣的分数先进行one-hot编码，再将编码结果乘以对应广告类别的协方差矩阵。

当数据库中存入的数据达到一定量时，可以去训练弱分类器，这里，弱分类器只对人脸信息进行简单的划分，弱分类器的输出表示的是人脸的年龄范围、所属性别的范围以及广告类别，训练的弱分类器采用循环列表的形式进行存储，当弱分类器达到最大数量时，则将最新训练的弱分类器替换最早训练的弱分类器。训练的弱分类器更新后，根据各个人脸信息二计算各个广告类别下的两种类型的播放子集的评分的模型的公式调整为：

其中，λ为弱分类器，λ_m为第m个弱分类器，m取大于等于2的正整数，λ_m(G_m＝＝i)表示当弱分类器λ_m的输出结果为i，即经第m个弱分类器判断输入的人脸图像中的人脸信息一属于第i个广告类别时，则(G_m＝＝i)结果为1，当弱分类器λ_m的输出结果不为i时,则(G_m＝＝i)结果为0。

Claims (8)

1.一对多的动静态广告播放方法，其特征在于，包括如下步骤：

步骤1、建立人脸信息数据库，所述数据库中包括各个人脸信息一及与之分别对应的广告类别，每一种广告类别包括两种类型的播放子集，两种类型的播放子集分别为静态广告子集和动态广告子集，还包括预设的根据各个人脸信息二计算各个广告类别下的两种类型的播放子集的评分的模型；

步骤2、摄像头实时获取视频帧，并判断是否检测到人脸图像，若是，则进入步骤3，若连续多帧没有检测到人脸图像，则控制降低广告机显示屏亮度或控制广告机显示屏进入休眠状态；

步骤3、提取检测到的人脸图像中的人脸信息一，并判断数据库中是否存在该人脸信息一，若存在，则进入步骤4，否则对该人脸信息一进行分析，根据分析结果将该人脸信息一归于数据库中对应的广告类别；

步骤4、提取检测到的人脸图像中的人脸信息二，并根据该人脸信息二计算与该人脸信息一对应的广告类别中两种类型的播放子集的评分，然后按规定的顺序播放相应的播放子集；

步骤5、根据实际的人脸响应计算该人脸对当前播放的广告类别感兴趣的分数，如果当前播放的广告类别与该人脸信息一对应，且根据实际的人脸响应计算出的对当前播放的广告类别感兴趣的分数小于规定值时，则将该人脸信息一与其存在对应关系的广告类别解除对应关系，如果当前播放的广告类别与该人脸信息一不对应，且计算出的对当前播放的广告类别感兴趣的分数大于等于规定值时，则将该人脸信息与不存在对应关系的广告类别调整为存在对应关系，并将对应关系以及感兴趣的分数存入数据库中，对数据库进行更新，所述规定值为0.7；

所述实际的人脸响应包括滚转角、人脸在广告上的停留时间以及各个人脸表情，所述感兴趣的分数的计算公式为：

其中，score指感兴趣的分数，angle指滚转角，time指人脸在广告上的停留时间，expression指深度学习网络中输出的与各个人脸表情维度之和对应的向量，a₀指滚转角的权重，a₁指人脸在广告上的停留时间的权重，a₂指人脸表情的权重，j表示各个人脸表情，j取大于等于2的正整数，w_j指各个人脸表情的权重。

2.根据权利要求1所述的一对多的动静态广告播放方法，其特征在于，步骤3和/或步骤4中，若检测到的人脸图像中的人脸信息一及人脸信息二不存在数据库中，则将该人脸信息一与人脸信息二保存到数据库中，对数据库进行更新。

3.根据权利要求1所述的一对多的动静态广告播放方法，其特征在于，步骤1中，所述数据库的建立包括如下步骤：

步骤101、采集欲存入数据库中人脸图像，通过所述人脸图像训练得到深度学习网络；

步骤102、将广告进行分类，并基于所述深度学习网络的部分输出内容训练得到分类器；

步骤103、当在所述深度学习网络中输入一张已存入数据库中的人脸图像时，经过深度学习网络的处理，输出一个与该人脸图像中人脸信息一的维度之和对应的向量，所述人脸信息一包括男性、女性、各个年龄以及各个人脸表情，所述深度学习网络输出的向量表示该人脸图像中男性的概率、女性的概率、各个年龄的概率以及各个人脸表情的概率；

步骤104、在分类器中输入深度学习网络的部分输出内容，经过分类器的处理，输出一个与广告类别的维度之和对应的向量，所述深度学习网络的部分输出内容是指与该人脸图像中人脸信息二的维度之和对应的向量，所述人脸信息二包括男性、女性及各个年龄，所述分类器输出的向量表示与各个人脸信息一对应的各个广告类别的播放概率；

步骤105、提取与该人脸信息一对应的广告类别的播放概率，并根据所述模型计算该广告类别中两种类型的播放子集的播放概率是否达到设定值，若达到则播放对应类型的播放子集。

4.根据权利要求3所述的一对多的动静态广告播放方法，其特征在于，步骤103和/或步骤104中，所述各个年龄是指0-100岁，且均为整数，各个人脸表情是指愤怒、厌恶、害怕、高兴、悲伤、惊喜和中立。

5.根据权利要求3所述的一对多的动静态广告播放方法，其特征在于，步骤105中，所述设定值为0.7，所述模型的计算公式为：

max_i[G₀(F_0-102)_i]

其中，i为各个广告类别中第i个广告类别，i取大于2的正整数，F_0-102为深度学习网络的部分输出内容，G₀为分类器。

6.根据权利要求1所述的一对多的动静态广告播放方法，其特征在于，步骤5中，将感兴趣的分数存入数据库中的过程中，对感兴趣的分数先进行one-hot编码，再将编码结果乘以对应广告类别的协方差矩阵。

7.根据权利要求1所述的一对多的动静态广告播放方法，其特征在于，步骤5中，当数据库中存入的数据达到一定量时，则训练弱分类器，所述弱分类器的输出表示的是人脸的年龄范围、所属性别的范围以及广告类别，训练的弱分类器采用循环列表的形式进行存储，当弱分类器达到最大数量时，则将最新训练的弱分类器替换最早训练的弱分类器。

8.根据权利要求7所述的一对多的动静态广告播放方法，其特征在于，训练的弱分类器更新后，所述模型的计算公式调整为：

其中，λ为弱分类器，λ_m为第m个弱分类器，m取大于等于2的正整数，λ_m(G_m＝＝i)表示当弱分类器λ_m的输出结果为i，即经第m个弱分类器判断输入的人脸图像中的人脸信息一属于第i个广告类别时，则(G_m＝＝i)结果为1，当弱分类器λ_m的输出结果不为i时,则(G_m＝＝i)结果为0。