CN110111138A - 一种通过交通工具推送广告的方法 - Google Patents
一种通过交通工具推送广告的方法 Download PDFInfo
- Publication number
- CN110111138A CN110111138A CN201910325861.XA CN201910325861A CN110111138A CN 110111138 A CN110111138 A CN 110111138A CN 201910325861 A CN201910325861 A CN 201910325861A CN 110111138 A CN110111138 A CN 110111138A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- information
- passenger
- cell
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0257—User requested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0265—Vehicular advertisement
- G06Q30/0266—Vehicular advertisement based on the position of the vehicle
-
- 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
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ophthalmology & Optometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种通过交通工具推送广告的方法,交通工具中设置有广告发布平台和乘客识别系统,包括以下步骤:定位系统获取交通工具的当前地理位置信息、定位系统将所述地理位置信息发送至远程服务器、远程服务器根据地理位置信息获取以地理位置为圆心、半径为N公里的广告主的信息、远程服务器将广告主的广告信息发送至广告发布平台、乘客识别系统获取当前乘客的性别和/或年龄信息、乘客识别系统将当前乘客的性别和/或年龄信息发送至广告发布平台、广告发布平台根据当前乘客的性别和/或年龄信息筛选出与之匹配的广告并根据匹配度对广告进行排序和播放。本发明提高了乘客对广告的接受和欢迎程度,提高了广告的宣传效果。
Description
技术领域
本发明属于传媒广告技术领域,具体来说是一种通过交通工具推送广告的方法。
背景技术
传统的广告推广渠道主要包括电视、报纸、网站、设置在公共场所的电子显示屏等。这些推广方式主要由广告主或广告公司向渠道商支付一定的广告发布费,在渠道商的媒体平台上发布广告,以展示给消费者。这种广告推广方式的主要问题之一是无法确定广告信息是否有效地传达给消费者。例如,在电视节目中可能会播放许多广告,消费者在观看完节目后,注意力可能会分散,无法注意广告中的内容。又例如在报纸、门户网站等媒体中,页面上可能会展示许多广告,消费者为了浏览报纸、门户网站的主要内容时,会有意忽略页面上的广告。消费者这种在注意力上的忽略都可以被看成一种广告资源的浪费。
在现代城市中网约车和出租车作为城市中重要的交通工具,已经成为很多人的出行交通工具的首选,而经过调查发现,这部分人群大部分是高收入人群,并且随着人们对低碳生活的追求以及现代交通的越发拥堵,越来越多的人选择公共交通工具出行例如公交和地铁,因此通过交通工具来实现广告宣传是一个行之有效的手段,如何对这些人群进行有针对的广告宣传,是各个广告企业研究的重点。如常见的把出租车、网约车作为广告发布的媒体已经是非常普遍,主要对车顶的LED广告牌、座位静态平面广告及动态视频广告。动态视频广告色彩艳丽、信息量大,已经在一些城市的出租车上已经有应用,但也存在一些缺点,主要是广告的内容都是在系统中预先设置好的,针对所有乘客都是滚动循环播放这些视频,这样一来很多乘客对广告内容基本都是爱看不看或者过目即忘,因为首先,广告的播放并没有对乘客进行有效的针对和选择,不同的人群(例如不同的性别、不同的年龄、不同的收入层次)都会对广告有一定的选择性,不是每个人都会对所有的广告都感兴趣,因此导致广告宣传效率差,取不到理想的效果,同时,现今科技日益发展,人脸识别技术也日益完善,通过人脸识别技术能够识别人的表情信息,甚至从人脸信息中分析出人的性别、年龄等,其中优秀的有微软开源项目Oxford,其中主要有面部识别、性别分类和年龄检测等功能,并且免费提供给开发者使用,降低了开发难度,当然,厂家也可以自己编写相应的代码,建立相应的数据模型,实现人脸识别的功能,而性别分类和年龄检测的基础是面部识别技术,年龄检测和性别分类是在计算机中基于人脸特征表示、训练数据收集、回归/分类模型的建立和模型优化进行回归分析和统计分类,从而得出相应的性别信息和年龄信息。
其次,乘客会把这些播放的广告当做常规的普通的广告来对待,因此大部分人的心态都是:这些广告和自己有什么关系呢?试想,一个乘客看到的广告是距离自己几十甚至上百公里外的广告主(例如一家餐饮商)的广告,而自己短时间内又不会去那么远的地方吃饭,所以即便他通过广告对这家餐饮商产生了兴趣也很有可能只是停留在思想的层面而不会立刻付诸实践,而广告的效用也就是在他看到的那么十几秒的时间会存在,这样一来广告的所起到的效果也就大打折扣。
发明内容
本发明针对现有技术的上述问题提供了一种通过交通工具推送广告的方法。
为了实现上述目的,本发明采用的技术方案如下:
一种通过交通工具推送广告的方法,所述交通工具中设置有广告发布平台、乘客识别系统和定位系统,所述乘客识别系统包括摄像头和控制分析模块,包括以下步骤:
步骤(1):所述定位系统获取交通工具的当前地理位置信息;
步骤(2):所述定位系统将所述地理位置信息发送至远程服务器;
步骤(3):所述远程服务器根据所述地理位置信息获取以所述地理位置为圆心、半径为N公里的广告主的信息;
步骤(4):所述远程服务器将所述广告主的广告信息发送至所述广告发布平台;
步骤(5):所述乘客识别系统获取当前乘客的性别和/或年龄信息,具体包括:
所述摄像头摄取乘客图像信息,从图像信息中获取乘客人脸图像信息,控制分析模块基于人脸识别技术从人脸图像信息得出人脸特征点并根据人脸特征点进行性别和/或年龄分类分析得出性别和/或年龄信息,包括:
在获取乘客的人脸图像信息后,对图像进行预处理:首先对输入的图像利用Haar特征级联分类器检测人脸,定位人眼位置,得到双眼距离和双眼倾斜角度;然后利用该角度做二维仿射变换,旋转人脸,解决姿势角度不同的影响;再将人脸部分进行归一化处理,避免人脸大小不一的影响;最后利用直方图均衡化进行亮度归一,利用平滑处理消除噪声,达到人脸光照均衡的效果从而得到一张具有统一特性的人脸图像;
对预处理后的图像进行Gabor小波变换,二维Gabor函数表示为
其中,u,v为核的方向和尺度;Z(x,y)为方向矢量,x,y为二维坐标;ku,v为滤波器的中心频率;f为采样步长;σ为高斯窗宽度与波长比率,人脸的Gabor小波变换即是用人脸图像与不同尺度不同方向的Gabor滤波器卷积,f(x,y)为图像灰度分布,即有
G(x,y,u·v)=f(x,y)*ψu,v(z)
人脸图像与5个尺度,8个方向的40个小波核全部卷积之后,就会得到40张滤波图像,至此可以得到人脸图像经过Gabor小波变换之后的三维矩阵,可将三维矩阵顺序存放成一维的特征向量,输入的图像样本分辨率是M×N,则特征向量维度是M×N×40,上述得到的5个尺度,8个方向的特征向量存在大量冗余,但在大多数方向上的特征并不明显,因此利用权值矩阵的方法,通过给方向上特征赋予一定的权值,使得在某些尺度下的方向上的特征更突出,而且有效地降低了维度,权值矩阵的计算采用梯度加权投票的方法,具体如下:将图像分成互不重叠的连通区域Cell和有重叠的连通区域Block,其中,横线网格矩形为一个Cell,十字网格框矩形为一个Block,斜线填充矩形为2个Block之间重叠的Cell;
定义Cell的尺寸为8×8,单位是像素;Block的尺寸为2×2,单位是Cell,由于在梯度方向直方图算法和SIFT算法中的加权投票是无向九通道的,这里为了同Gabor小波分解的8个方向保持一致,需要将π分成8份,每个方向的角大小为:对于每一个Cell统计其梯度方向,进行一次加权投票,权值为该点梯度的模值,这样得出每个Cell的方向统计信息,在Block区域对包含的Cell区域进行归一化,归一化算法使用L2-norm,然后对每个Cell进行一次全局归一化,再将相对位置的所有统计信息取该通道均值进行合并,对Cell的八通道统计信息再进行一次L1-norm归一化,至此每个Cell区域都有8个权值,整个图片可保存为一个权值矩阵
其中,m是Cell的个数,ti(i=1,…,m)是第i个Cell的8个方向的权值所组成的向量;
对Gabor提取的特征向量经过权值矩阵加权组合得到用于分类的特征向量,具体过程如下:由上述可知,图像经过Gabor变换后,对每个像素都得到一个5个尺度,8个方向的40个卷积值,由于权值矩阵是以Cell为单位得到的,所以Gabor变换后的值也可以看作是以Cell为单位存放到一个三维矩阵中,存放时将属于同一尺度的数值连续保存,对于第i个Cell中的一个像素,通过Gabor变换后在第j个尺度下的值可以表示为
Gj8=(gj1,…,gj8)
其中gjk(k=1,…,8)是在第j(j=1,…,5)个尺度下的8个方向的值所组成的向量,接着使用权值矩阵对上述特征矩阵进行加权组合,即用第i个Cell的8个权值与得到的第i个Cell中每个像素的每个尺度下的8个方向的值作内积:
F=Gj8·(ti)T,i=1,…,m
得到第i个Cell中的每个像素在5个尺度下的方向值,对所有Cell中的每个像素都做同样的处理,得到一个新的三维矩阵,这个三维矩阵的层数已经从U×V层减少至V层,其中U为总方向数,V为总尺度数,然后对图像进行尺寸调整,用线性插值法调整至小尺寸,即将原来M×N的图像调整至(M/5)×(N/5),最终将维数从原来的M×N×40维降到了(M×N)/5维,最后顺序记录矩阵,形成一维的特征向量,从而完成了基于Gabor小波变换的加权组合特征的提取;
将上述提取的人脸属性特征向量,将其构成样本集合D,使用树状分类器在WebFace或FaceScrub或Adience的数据库里进行训练和测试,利用树状分类器处理高维的数据,选出对性别和/或年龄分类较重要的特征从而得到所需的性别和/或年龄信息;
步骤(6):所述乘客识别系统将当前乘客的性别和/或年龄信息发送至广告发布平台;
步骤(7):所述广告发布平台根据当前乘客的性别和/或年龄信息筛选出与之匹配的所述广告主的广告并根据匹配度对筛选出的广告进行排序和按序播放。
进一步地,所述乘客识别系统还获取当前乘客的穿着信息从而得到胖瘦信息和穿着信息,控制分析模块基于人脸特征和身形体态特征与标准人脸大小和身形轮廓大小对比分析胖瘦信息,控制分析模块基于穿着信息分析衣着服饰的品牌从而得出穿着信息。
进一步地,所述广告发布平台包括存储模块,所述存储模块包括若干个依据性别和/或年龄信息设置的存放区间,若干种类的广告数据根据性别和/或年龄信息分类储存在若干个存放区间中,存储模块根据性别和/或年龄信息与若干个存放区间进行匹配,并且调取配对的存放区间的广告进行播放。
进一步地,所述摄像头为虹膜识别摄像头,通过虹膜识别摄像头能够捕捉乘客眼球图像,从而分析得出每个乘客在各个广告上的瞳孔位置不变的持续时长数据,所述乘客识别系统能够将该数据发送至远程服务器,远程服务器基于所述数据统计分析出每个广告的平均聚焦时长以及每个广告在不同性别或年龄段的聚焦时长,得出每个广告的受欢迎程度以及受欢迎的人群分布情况,广告主根据广告的受欢迎程度调整广告的设计,所述广告发布平台根据广告受欢迎的人群分布情况调整所述匹配度。
进一步地,所述远程服务器基于所述定位系统获得每个乘客的上车地点和下车地点,结合每个乘客在各个广告上的瞳孔位置不变的持续时长数据,统计分析出每个广告按照聚焦时长排序的乘客的上车地点和下车地点的数量。
进一步地,所述交通工具是网约车或出租车,所述定位系统是GPS系统。
进一步地,所述广告中包括二维码信息,乘客通过扫所述二维码即可优惠购物。
进一步地,所述广告发布平台包括设置在网约车或出租车前排座椅背部和/或副驾驶储物箱上的显示模块,所述广告以视频的模式通过显示模块播放
进一步地,所述N的取值范围为:50≥N≥1。
进一步地,所述广告中包括广告主的地址和/或距离当前地理位置距离的信息。
本发明与现有技术相比,其显著优点在于:
(1)本发明在现有技术的基础上引入了乘客识别系统和定位系统,在交通工具中能够识别乘客的相关信息,结合定位系统定位到距离较近的广告主,然后根据不同的乘客匹配和推送相应广告主的广告,这样大大提高了乘客对广告的接受和欢迎程度,同时因为距离非常近,乘客去到商家也很方便很容易实现,因此提高了广告的宣传效果;
(2)本发明提出了一种准确、高效的性别和/或年龄信息的获取的方法,有效实现、配合和支撑了本发明的广告推送方法;
(3)本发明通过虹膜识别摄像头能够分析出每个乘客在各个广告上的瞳孔聚焦时长得知每个广告的平均聚焦时长以及每个广告在不同性别或年龄段的聚焦时长,得出每个广告的受欢迎程度以及受欢迎的人群分布情况,广告主能够根据广告的受欢迎程度调整广告的设计(如广告不受欢迎则改进广告片),所述广告发布平台根据广告受欢迎的人群分布情况调整所述匹配度从而使得匹配度更加准确;
(4)本发明通过远程服务器基于所述定位系统获得每个乘客的上车地点和下车地点,结合每个乘客在各个广告上的瞳孔位置不变的持续时长数据,能够统计分析出每个广告按照聚焦时长排序的乘客的上车地点和下车地点的数量,得知每个广告最受欢迎的人群的活动地点或区域,这样反馈广告主商家考虑在这些地点或区域开设门店或加强宣传。
附图说明
图1为本发明通过交通工具推送广告的方法的流程图。
图2为图像中的Cell和Block的示意图。
图3为Cell区域的多次表达示意图。
图4为权值矩阵的形成过程示意图。
图5为树状分类器流程图。
具体实施方式
下面结合说明书附图,对本发明作进一步的说明。
结合图1,一种通过交通工具推送广告的方法,所述交通工具中设置有广告发布平台、乘客识别系统和定位系统,所述乘客识别系统包括摄像头和控制分析模块,包括以下步骤:
步骤(1):所述定位系统获取交通工具的当前地理位置信息;
步骤(2):所述定位系统将所述地理位置信息发送至远程服务器;
步骤(3):所述远程服务器根据所述地理位置信息获取以所述地理位置为圆心、半径为N公里的广告主的信息;
步骤(4):所述远程服务器将所述广告主的广告信息发送至所述广告发布平台;
步骤(5):所述乘客识别系统获取当前乘客的性别和/或年龄信息,具体包括:
所述摄像头摄取乘客图像信息,从图像信息中获取乘客人脸图像信息,控制分析模块基于人脸识别技术从人脸图像信息得出人脸特征点并根据人脸特征点进行性别和/或年龄分类分析得出性别和/或年龄信息,包括:
在获取乘客的人脸图像信息后,由于在大部分现实场景的图像中,存在着人脸大小不一,光照不均衡,姿势角度不同等问题,为了消除这些问题带来的不良影响,必须对图像进行预处理,本实施例预处理主要分成5步:首先对输入的图像利用Haar特征级联分类器检测人脸,定位人眼位置,得到双眼距离和双眼倾斜角度;然后利用该角度做二维仿射变换,旋转人脸,解决姿势角度不同的影响;再将人脸部分进行归一化处理,避免人脸大小不一的影响;最后利用直方图均衡化进行亮度归一,利用平滑处理消除噪声,达到人脸光照均衡的效果。经过上述预处理后得到一张具有统一特性的人脸图像,为后续特征提取工作做准备。
对预处理后的图像进行Gabor小波变换,Gabor小波在频域和空域均具有很好的局部性,能充分描述图像纹理,用于提取局部特征效果显著;其属于加窗傅里叶变换,是Gabor理论和小波理论结合的产物,二维Gabor函数可以表示为
其中,u,v为核的方向和尺度,决定了高斯窗的大小;Z(x,y)为方向矢量,x,y为二维坐标;ku,v为滤波器的中心频率,为最大采样频率;f为采样步长;σ为高斯窗宽度与波长比率,式(1)实际上定义了一组自相似小波函数族,参数不同选值体现为Gabor滤波器的旋转和尺度变换,对于用在人脸识别方向的Gabor小波变换,如下选择参数效果最好:kmax取f取σ取8个方向(u=0,1,…,7),5个尺度v=(0,1,2,3,4),人脸的Gabor小波变换即是用人脸图像与不同尺度不同方向的Gabor滤波器卷积。f(x,y)为图像灰度分布,即有
G(x,y,u,v)=f(x,y)*ψu,v(z)
人脸图像与5个尺度,8个方向的40个小波核全部卷积之后,就会得到40张滤波图像,人脸的某些部分在特定的尺度和方向上呈现剧烈的变化趋势,通过Gabor小波变换之后,这些变化可以很直观地表现出来。因此通过在不同的尺度和方向的卷积核卷积之后,原始输入图像里对应部分有着很强的响应。
在小尺度里,人脸中的眼睛、鼻子、嘴巴就有很高的响应;而在大尺度中,人脸的轮廓显得更为突出。至此可以得到人脸图像经过Gabor小波变换之后的三维矩阵,可将三维矩阵顺序存放成一维的特征向量。如果输入的图像样本分辨率是M×N,则该样本的特征向量维度是M×N×40,需要采用一些方法对其进行降维处理,避免出现维度危机。
上述得到的5个尺度,8个方向的特征向量存在大量冗余,但在大多数方向上的特征并不明显,因此利用权值矩阵的方法,通过给方向上特征赋予一定的权值,使得在某些尺度下的方向上的特征更突出,而且有效地降低了维度。权值矩阵的计算采用梯度加权投票的方法,具体如下:将图像分成互不重叠的连通区域Cell和有重叠的连通区域Block,如图2所示,其中,横线网格矩形为一个Cell,十字网格框矩形为一个Block,斜线填充矩形为2个Block之间重叠的Cell。
本算法中,定义Cell的尺寸为8×8,单位是像素;Block的尺寸为2×2,单位是Cell。由于在梯度方向直方图(histograms of oriented gradients,HOG)算法和SIFT算法中的加权投票是无向九通道的,这里为了同Gabor小波分解的8个方向保持一致,需要将π分成8份,每个方向的角大小为:对于每一个Cell统计其梯度方向,进行一次加权投票,权值为该点梯度的模值,这样得出每个Cell的方向统计信息。为了消除局部光照的影响,需要在Block区域对包含的Cell区域进行归一化,归一化算法使用L2-norm,因为不同的Block会有重叠的部分,即多数Cell会被表达多次,如图3所示。图3中,每个方块表示一个Cell的梯度统计信息,x,y轴分别代表图像的横纵坐标轴,z轴代表Cell被表达的次数。对于一幅图像来说,四角的Cell被表达1次,边界的Cell(不包含四角)被表达2次,中间的被表达4次,这是因为每次归一化的Cell都是相对于其所属的Block,Block不同对其所属的Cell的归一化结果也会不同。这个4层的统计信息可以用一个三维矩阵来表示,然后对每个Cell进行一次全局归一化,再将相对位置的所有统计信息取该通道均值进行合并,则三维矩阵就会变成一个普通的二维矩阵,这部分计算的目的是把某个Cell的八通道加权投票结果作为Gabor小波分解的所有方向的加权系数,所以要对求得的Cell的八通道统计信息再进行一次L1-norm归一化。
至此每个Cell区域都有8个权值,整个图片可保存为一个权值矩阵
其中,m是Cell的个数,ti(i=1,…,m)是第i个Cell的8个方向的权值所组成的向量,上述过程的流程图如图4所示。
对Gabor提取的特征向量经过权值矩阵加权组合得到用于分类的特征向量,具体过程如下。由上述可知,图像经过Gabor变换后,对每个像素都得到一个5个尺度,8个方向的40个卷积值,由于权值矩阵是以Cell为单位得到的,所以Gabor变换后的值也可以看作是以Cell为单位存放到一个三维矩阵中,存放时将属于同一尺度的数值连续保存,方便后文的加权计算,对于第i个Cell中的一个像素,通过Gabor变换后在第j个尺度下的值可以表示为
Gj8=(gj1,…,gj8)
其中gjk(k=1,…,8)是在第j(j=1,…,5)个尺度下的8个方向的值所组成的向量,接着使用权值矩阵对上述特征矩阵进行加权组合,即用第i个Cell的8个权值与得到的第i个Cell中每个像素的每个尺度下的8个方向的值作内积。
F=Gj8·(ti)T,i=1,…,m
可以得到第i个Cell中的每个像素在5个尺度下的方向值,对所有Cell中的每个像素都做同样的处理,可以得到一个新的三维矩阵,这个三维矩阵的层数已经从U×V层减少至V层(U为总方向数,V为总尺度数,其中U取8,V取5),同时人脸特征能得到最大限度的保留。除此之外,还需要对图像进行尺寸调整,用线性插值法调整至小尺寸,即将原来M×N的图像调整至(M/5)×(N/5),最终此方法将维数从原来的M×N×40维降到了(M×N)/5维,最后顺序记录矩阵,形成一维的特征向量,从而完成了基于Gabor小波变换的加权组合特征的提取。
将上述提取的人脸属性特征向量,将其构成样本集合D,使用树状分类器在WebFace或FaceScrub或Adience的数据库里进行训练和测试,利用树状分类器处理高维的数据,选出对性别和/或年龄分类较重要的特征从而得到所需的性别和/或年龄信息。
树状分类器是Leo breiman所提出的,由k棵分类树组成,它的基本思想是将多个弱分类器集成为一个强分类器。分类树由根节点、内部节点和叶子节点构成。其中,根节点代表训练集,每个内部节点代表弱分类器,将样本按照某一属性划分,每个叶子节点都是有标签的训练或测试集,将输入数据分类成若干个子集。树状分类器最后的决策结果是所有分类树投票选择的最优结果,主要包括以下步骤:
1)使用bootstrap重抽样方法从原始样本集D中有放回地抽取,将第k个样本集记作Dk,并为第k棵分类树生成随机向量θk,θk跟前面的随机向量独立同分布。使用h(Dk,θk)表示第k棵分类树模型;
2)分别对k个样本建立分类树。分类树的生成就是递归构建二叉分类树的过程,使用基尼指数最小的特征分裂二叉树。假设输入样本Dk是M维的特征向量,在树的每个节点处,从这M个特征中随机抽取m(m<<M)个特征作为候选特征,然后从这m个特征中选取最优的特征和最佳二值切分点来分裂该节点。重复步骤2),建立了k棵分类树。
3)根据每一棵分类树的结果,投票决定最后的分类结果。构建树状分类器的流程如图5所示。
步骤(6):所述乘客识别系统将当前乘客的性别和/或年龄信息发送至广告发布平台;
步骤(7):所述广告发布平台根据当前乘客的性别和/或年龄信息筛选出与之匹配的所述广告主的广告并根据匹配度对筛选出的广告进行排序和按序播放。
进一步地,所述乘客识别系统还获取当前乘客的穿着信息从而得到胖瘦信息和穿着信息,控制分析模块基于人脸特征和身形体态特征与标准人脸大小和身形轮廓大小对比分析胖瘦信息,控制分析模块基于穿着信息分析衣着服饰的品牌从而得出穿着信息。
进一步地,所述广告发布平台包括存储模块,所述存储模块包括若干个依据性别和/或年龄信息设置的存放区间,若干种类的广告数据根据性别和/或年龄信息分类储存在若干个存放区间中,存储模块根据性别和/或年龄信息与若干个存放区间进行匹配,并且调取配对的存放区间的广告进行播放。
进一步地,所述摄像头为虹膜识别摄像头,通过虹膜识别摄像头能够捕捉乘客眼球图像,从而分析得出每个乘客在各个广告上的瞳孔位置不变的持续时长数据,所述乘客识别系统能够将该数据发送至远程服务器,远程服务器基于所述数据统计分析出每个广告的平均聚焦时长以及每个广告在不同性别或年龄段的聚焦时长,得出每个广告的受欢迎程度以及受欢迎的人群分布情况,广告主能够根据广告的受欢迎程度调整广告的设计(如广告不受欢迎则改进广告片),所述广告发布平台根据广告受欢迎的人群分布情况调整所述匹配度从而使得匹配度更加准确。
进一步地,所述远程服务器基于所述定位系统获得每个乘客的上车地点和下车地点,结合每个乘客在各个广告上的瞳孔位置不变的持续时长数据,统计分析出每个广告按照聚焦时长排序的乘客的上车地点和下车地点的数量,得知每个广告最受欢迎的人群的活动地点或区域,这样反馈广告主商家考虑在这些地点或区域开设门店或加强宣传。
进一步地,所述交通工具是网约车或出租车,所述定位系统是GPS系统。
进一步地,所述广告中包括二维码信息,乘客通过扫所述二维码即可优惠购物。
进一步地,所述广告发布平台包括设置在网约车或出租车前排座椅背部和/或副驾驶储物箱(也即手套箱)上的显示模块例如液晶显示屏,这样可以保证在副驾或后排的乘客均可以看到广告。当显示模块设置在副驾驶储物箱上时,可以设置一个支撑架来固定支撑显示模块,所述支撑架具有升降功能,当车正常行驶时,所述支撑架带动显示模块升起一定高度,这样把副驾安全气囊的位置空出,避免出现显示模块挡住了安全气囊的情况;或者也可以把显示模块设置在靠左或靠右的位置,这样正对乘客中间位置设置安全气囊,这样一来大大提高了行车安全性,当出现事故安全气囊能够顺利弹出,显示模块不会对其形成阻碍,所述广告以视频的模式通过显示模块播放。
进一步地,所述N的取值范围为:50≥N≥1。
进一步地,所述方法每当摄像头捕捉到的乘客信息变化(即换了一批乘客)时会重新获取乘客信息并重新推送与之匹配的广告,优选的可以每隔t分钟刷新一次新的地理位置获取新的广告排序或者在当前的广告播放完后刷新一次新的地理位置获取新的广告排序,这样保证随着交通工具的移动所播放的广告也会随之更新并且播放的广告尽量不重复。
进一步地,所述广告中包括广告主的地址或距离当前地理位置距离的信息,例如可以在广告视频中给出商家的地址和该地址距离乘客的距离的信息,这样让乘客更加具有该商家离自己非常近的印象,如果乘客对广告有兴趣或产生了冲动消费的想法那么去到商家进行体验或消费是非常容易实现的。
本发明在现有技术的基础上引入了乘客识别系统,在交通工具中能够识别乘客的性别和/或年龄信息和/或胖瘦信息和/或穿着信息,然后根据不同的乘客匹配和推送相应的广告,这样大大提高了乘客对广告的接受和欢迎程度,从而提高了广告的宣传效果,例如针对男性可以推送汽车、房产、游戏等类型广告,针对女性可以推送美食、美容、服饰等类型广告,针对肥胖人群可以推送美食、健身、减肥广告,针对穿着信息可以一定程度识别乘客的消费能力层次(例如识别乘客的衣服、包的品牌)根据乘客消费能力推送相应层次的广告(例如乘客衣服和包都是名牌或奢侈品牌就推送同档次或更高档次的品牌的广告);本发明还在现有技术的基础上引入了定位系统,这样一来所播放的广告将不再是预定好的不变的顺序,而是与当前位置距离非常近的商家,这样乘客如果对广告内容产生兴趣就很有可能会去到商家体验或消费,因为距离非常近,乘客去到商家也很方便很容易实现,从而通过本发明的方法大大提高了广告宣传效果和实际转化效果;由于本发明具有较好的广告效果,可以很好的吸引商家投放广告,广告发布平台可以和例如网约车平台进行合作,对车费进行一定的补贴(甚至实现免费打车),这样最终优惠到乘客,那么乘客就会优选网约车平台出行,从而实现了一个非常好的良性的商业链,具有很大的前景。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种通过交通工具推送广告的方法,所述交通工具中设置有广告发布平台、乘客识别系统和定位系统,所述乘客识别系统包括摄像头和控制分析模块,其特征在于包括以下步骤:
步骤(1):所述定位系统获取交通工具的当前地理位置信息;
步骤(2):所述定位系统将所述地理位置信息发送至远程服务器;
步骤(3):所述远程服务器根据所述地理位置信息获取以所述地理位置为圆心、半径为N公里的广告主的信息;
步骤(4):所述远程服务器将所述广告主的广告信息发送至所述广告发布平台;
步骤(5):所述乘客识别系统获取当前乘客的性别和/或年龄信息,具体包括:
所述摄像头摄取乘客图像信息,从图像信息中获取乘客人脸图像信息,控制分析模块基于人脸识别技术从人脸图像信息得出人脸特征点并根据人脸特征点进行性别和/或年龄分类分析得出性别和/或年龄信息,包括:
在获取乘客的人脸图像信息后,对图像进行预处理:首先对输入的图像利用Haar特征级联分类器检测人脸,定位人眼位置,得到双眼距离和双眼倾斜角度;然后利用该角度做二维仿射变换,旋转人脸,解决姿势角度不同的影响;再将人脸部分进行归一化处理,避免人脸大小不一的影响;最后利用直方图均衡化进行亮度归一,利用平滑处理消除噪声,达到人脸光照均衡的效果从而得到一张具有统一特性的人脸图像;
对预处理后的图像进行Gabor小波变换,二维Gabor函数表示为
其中,u,v为核的方向和尺度;Z(x,y)为方向矢量,x,y为二维坐标;ku,v为滤波器的中心频率;f为采样步长;σ为高斯窗宽度与波长比率,人脸的Gabor小波变换即是用人脸图像与不同尺度不同方向的Gabor滤波器卷积,f(x,y)为图像灰度分布,即有
G(x,y,u,v)=f(x,y)*ψu,v(z)
人脸图像与5个尺度,8个方向的40个小波核全部卷积之后,就会得到40张滤波图像,至此可以得到人脸图像经过Gabor小波变换之后的三维矩阵,可将三维矩阵顺序存放成一维的特征向量,输入的图像样本分辨率是M×N,则特征向量维度是M×N×40,上述得到的5个尺度,8个方向的特征向量存在大量冗余,但在大多数方向上的特征并不明显,因此利用权值矩阵的方法,通过给方向上特征赋予一定的权值,使得在某些尺度下的方向上的特征更突出,而且有效地降低了维度,权值矩阵的计算采用梯度加权投票的方法,具体如下:将图像分成互不重叠的连通区域Cell和有重叠的连通区域Block,其中,横线网格矩形为一个Cell,十字网格框矩形为一个Block,斜线填充矩形为2个Block之间重叠的Cell;
定义Cell的尺寸为8×8,单位是像素;Block的尺寸为2×2,单位是Cell,由于在梯度方向直方图算法和SIFT算法中的加权投票是无向九通道的,这里为了同Gabor小波分解的8个方向保持一致,需要将π分成8份,每个方向的角大小为:对于每一个Cell统计其梯度方向,进行一次加权投票,权值为该点梯度的模值,这样得出每个Cell的方向统计信息,在Block区域对包含的Cell区域进行归一化,归一化算法使用L2-norm,然后对每个Cell进行一次全局归一化,再将相对位置的所有统计信息取该通道均值进行合并,对Cell的八通道统计信息再进行一次L1-norm归一化,至此每个Cell区域都有8个权值,整个图片可保存为一个权值矩阵
其中,m是Cell的个数,ti(i=1,…,m)是第i个Cell的8个方向的权值所组成的向量;
对Gabor提取的特征向量经过权值矩阵加权组合得到用于分类的特征向量,具体过程如下:由上述可知,图像经过Gabor变换后,对每个像素都得到一个5个尺度,8个方向的40个卷积值,由于权值矩阵是以Cell为单位得到的,所以Gabor 变换后的值也可以看作是以Cell为单位存放到一个三维矩阵中,存放时将属于同一尺度的数值连续保存,对于第i个Cell中的一个像素,通过Gabor变换后在第j个尺度下的值可以表示为
Gj8=(gj1,…,gj8)
其中gjk(k=1,…,8)是在第j(j=1,…,5)个尺度下的8个方向的值所组成的向量,接着使用权值矩阵对上述特征矩阵进行加权组合,即用第i个Cell的8个权值与得到的第i个Cell中每个像素的每个尺度下的8个方向的值作内积:
F=Gj8·(ti)T,i=1,…,m
得到第i个Cell中的每个像素在5个尺度下的方向值,对所有Cell中的每个像素都做同样的处理,得到一个新的三维矩阵,这个三维矩阵的层数已经从U×V层减少至V层,其中U为总方向数,V为总尺度数,然后对图像进行尺寸调整,用线性插值法调整至小尺寸,即将原来M×N的图像调整至(M/5)×(N/5),最终将维数从原来的M×N×40维降到了(M×N)/5维,最后顺序记录矩阵,形成一维的特征向量,从而完成了基于Gabor小波变换的加权组合特征的提取;
将上述提取的人脸属性特征向量,将其构成样本集合D,使用树状分类器在WebFace或FaceScrub或Adience的数据库里进行训练和测试,利用树状分类器处理高维的数据,选出对性别和/或年龄分类较重要的特征从而得到所需的性别和/或年龄信息;
步骤(6):所述乘客识别系统将当前乘客的性别和/或年龄信息发送至广告发布平台;
步骤(7):所述广告发布平台根据当前乘客的性别和/或年龄信息筛选出与之匹配的所述广告主的广告并根据匹配度对筛选出的广告进行排序和按序播放。
2.根据权利要求1所述的方法,其特征在于,所述乘客识别系统还获取当前乘客的穿着信息从而得到胖瘦信息和穿着信息,控制分析模块基于人脸特征和身形体态特征与标准人脸大小和身形轮廓大小对比分析胖瘦信息,控制分析模块基于穿着信息分析衣着服饰的品牌从而得出穿着信息。
3.根据权利要求1所述的方法,其特征在于,所述广告发布平台包括存储模块,所述存储模块包括若干个依据性别和/或年龄信息设置的存放区间,若干种类的广告数据根据性别和/或年龄信息分类储存在若干个存放区间中,存储模块根据性别和/或年龄信息与若干个存放区间进行匹配,并且调取配对的存放区间的广告进行播放。
4.根据权利要求1所述的方法,其特征在于,所述摄像头为虹膜识别摄像头,通过虹膜识别摄像头能够捕捉乘客眼球图像,从而分析得出每个乘客在各个广告上的瞳孔位置不变的持续时长数据,所述乘客识别系统能够将该数据发送至远程服务器,远程服务器基于所述数据统计分析出每个广告的平均聚焦时长以及每个广告在不同性别或年龄段的聚焦时长,得出每个广告的受欢迎程度以及受欢迎的人群分布情况,广告主根据广告的受欢迎程度调整广告的设计,所述广告发布平台根据广告受欢迎的人群分布情况调整所述匹配度。
5.根据权利要求4所述的方法,其特征在于,所述远程服务器基于所述定位系统获得每个乘客的上车地点和下车地点,结合每个乘客在各个广告上的瞳孔位置不变的持续时长数据,统计分析出每个广告按照聚焦时长排序的乘客的上车地点和下车地点的数量。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述交通工具是网约车或出租车,所述定位系统是GPS系统。
7.根据权利要求6所述的方法,其特征在于,所述广告中包括二维码信息,乘客通过扫所述二维码即可优惠购物。
8.根据权利要求7所述的方法,其特征在于,所述广告发布平台包括设置在网约车或出租车前排座椅背部和/或副驾驶储物箱上的显示模块,所述广告以视频的模式通过显示模块播放。
9.根据权利要求6所述的方法,其特征在于,所述N的取值范围为:50≥N≥1。
10.根据权利要求6所述的方法,其特征在于,所述广告中包括广告主的地址和/或距离当前地理位置距离的信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325861.XA CN110111138A (zh) | 2019-04-23 | 2019-04-23 | 一种通过交通工具推送广告的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325861.XA CN110111138A (zh) | 2019-04-23 | 2019-04-23 | 一种通过交通工具推送广告的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110111138A true CN110111138A (zh) | 2019-08-09 |
Family
ID=67486150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910325861.XA Pending CN110111138A (zh) | 2019-04-23 | 2019-04-23 | 一种通过交通工具推送广告的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110111138A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382353A (zh) * | 2019-12-27 | 2020-07-07 | 上海学人信息科技有限公司 | 一种车内乘客精准信息广告匹配发布装置及其系统 |
CN111429725A (zh) * | 2020-02-17 | 2020-07-17 | 国网安徽电动汽车服务有限公司 | 一种基于智能商业化的电动汽车智能识别充电方法 |
CN113034169A (zh) * | 2019-12-25 | 2021-06-25 | 丰田自动车株式会社 | 信息处理装置、信息处理系统、存储介质及信息处理方法 |
CN114221960A (zh) * | 2021-12-14 | 2022-03-22 | 阿波罗智联(北京)科技有限公司 | 基于自动驾驶公交车的数据推送方法和自动驾驶公交车 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902986A (zh) * | 2012-06-13 | 2013-01-30 | 上海汇纳网络信息科技有限公司 | 自动性别识别系统及方法 |
CN103942705A (zh) * | 2014-03-25 | 2014-07-23 | 惠州Tcl移动通信有限公司 | 一种基于人脸识别的广告分类匹配推送方法及系统 |
CN104732413A (zh) * | 2013-12-20 | 2015-06-24 | 中国科学院声学研究所 | 一种智能个性化视频广告推送方法及系统 |
CN105046513A (zh) * | 2015-06-19 | 2015-11-11 | 长沙待霁电子科技有限公司 | 一种车载区域化智能定位广告方法 |
CN108681928A (zh) * | 2018-05-30 | 2018-10-19 | 中海云智慧(北京)物联网科技有限公司 | 一种智能广告投放方法 |
CN108921585A (zh) * | 2018-05-15 | 2018-11-30 | 北京七鑫易维信息技术有限公司 | 一种广告推送方法、装置、设备及存储介质 |
-
2019
- 2019-04-23 CN CN201910325861.XA patent/CN110111138A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902986A (zh) * | 2012-06-13 | 2013-01-30 | 上海汇纳网络信息科技有限公司 | 自动性别识别系统及方法 |
CN104732413A (zh) * | 2013-12-20 | 2015-06-24 | 中国科学院声学研究所 | 一种智能个性化视频广告推送方法及系统 |
CN103942705A (zh) * | 2014-03-25 | 2014-07-23 | 惠州Tcl移动通信有限公司 | 一种基于人脸识别的广告分类匹配推送方法及系统 |
CN105046513A (zh) * | 2015-06-19 | 2015-11-11 | 长沙待霁电子科技有限公司 | 一种车载区域化智能定位广告方法 |
CN108921585A (zh) * | 2018-05-15 | 2018-11-30 | 北京七鑫易维信息技术有限公司 | 一种广告推送方法、装置、设备及存储介质 |
CN108681928A (zh) * | 2018-05-30 | 2018-10-19 | 中海云智慧(北京)物联网科技有限公司 | 一种智能广告投放方法 |
Non-Patent Citations (4)
Title |
---|
刘劲松: "《专业学位研究生实验课程 工科篇》", 30 November 2017 * |
宓超: "《装卸机器视觉及其应用》", 31 January 2016 * |
申蔚: "《虚拟现实技术》", 30 September 2002 * |
韩志艳: "《面向语音与面部表情信号的多模式情感识别技术研究》", 31 January 2017 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034169A (zh) * | 2019-12-25 | 2021-06-25 | 丰田自动车株式会社 | 信息处理装置、信息处理系统、存储介质及信息处理方法 |
CN111382353A (zh) * | 2019-12-27 | 2020-07-07 | 上海学人信息科技有限公司 | 一种车内乘客精准信息广告匹配发布装置及其系统 |
CN111429725A (zh) * | 2020-02-17 | 2020-07-17 | 国网安徽电动汽车服务有限公司 | 一种基于智能商业化的电动汽车智能识别充电方法 |
CN114221960A (zh) * | 2021-12-14 | 2022-03-22 | 阿波罗智联(北京)科技有限公司 | 基于自动驾驶公交车的数据推送方法和自动驾驶公交车 |
CN114221960B (zh) * | 2021-12-14 | 2024-05-24 | 阿波罗智联(北京)科技有限公司 | 基于自动驾驶公交车的数据推送方法和自动驾驶公交车 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135894A (zh) | 一种基于乘客识别的通过交通工具推送广告的方法 | |
CN110111138A (zh) | 一种通过交通工具推送广告的方法 | |
Richards et al. | Using image recognition to automate assessment of cultural ecosystem services from social media photographs | |
CN108875674B (zh) | 一种基于多列融合卷积神经网络的驾驶员行为识别方法 | |
CN105045858B (zh) | 基于投票的出租车载客点推荐方法 | |
CN105512684B (zh) | 基于主成分分析卷积神经网络的车标自动识别方法 | |
CN109344736A (zh) | 一种基于联合学习的静态图像人群计数方法 | |
CN105718873B (zh) | 基于双目视觉的人流分析方法 | |
CN103578119B (zh) | 基于超像素的Codebook动态场景中目标检测方法 | |
CN109376603A (zh) | 一种视频识别方法、装置、计算机设备及存储介质 | |
CN103493068B (zh) | 个性化广告选择系统和方法 | |
CN109858388A (zh) | 一种智慧旅游管理系统 | |
CN109002492B (zh) | 一种基于LightGBM的绩点预测方法 | |
CN106778788A (zh) | 对图像进行美学评价的多特征融合方法 | |
CN103679191B (zh) | 基于静态图片的自动套牌车检测方法 | |
CN108647595B (zh) | 基于多属性深度特征的车辆重识别方法 | |
CN106815604A (zh) | 基于多层信息融合的注视点检测方法 | |
CN102799635A (zh) | 一种用户驱动的图像集合排序方法 | |
CN109063619A (zh) | 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统 | |
CN107785061A (zh) | 孤独症谱系障碍儿童情绪能力干预系统 | |
CN107895139A (zh) | 一种基于多特征融合的sar图像目标识别方法 | |
CN111461039A (zh) | 基于多尺度特征融合的地标识别方法 | |
CN112514404B (zh) | 用于生成目标媒体内容的系统和方法 | |
Yu et al. | AI-based targeted advertising system | |
Hussein et al. | A comprehensive evaluation framework and a comparative study for human detectors |
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 |