CN110135883A - 一种电梯人群画像和广告受众分析的方法及系统 - Google Patents

Abstract

本发明公开了一种电梯人群画像和广告受众分析的方法及系统，其中方法包括以下步骤：电梯广告点位推荐步骤，用于前期采集电梯乘梯人员数据进而分析电梯各个时段的人数和属性分布，得到符合广告对应人群要求的电梯点位和时段数据，进行广告点位及其内容设置和投放；电梯广告受众分析步骤，用于广告投放之后采集各个广告对应的电梯乘梯人员数据进而统计人数和属性分布，得到广告真实的受众人群数据，同时对点位推荐的前期过程提供后期反馈证据。本发明通过自动采集电梯中的乘梯人员及属性，进行针对性的广告投放，广告投放后再进行及时的受众人员及属性分析，从而对广告投放受众质量进行跟踪反馈。

Description

一种电梯人群画像和广告受众分析的方法及系统

技术领域

本发明属于数据分析技术领域，具体涉及一种电梯人群画像和广告受众分析的方法及系统。

背景技术

随着我国经济持续平稳的发展，尤其是住宅产业作为国民经济新增长点的提出，为电梯业的发展提供了良好的机遇；今后几年，我国将年建住宅3.5亿平方米，公建项目1.2亿平方米；随着城市向大型化、高层化的发展，我国每年对电梯的市场需求越来越大，对于电梯的管理也越来越趋于智能化、信息化。

为了实现电梯广告效益的增加，当前电梯广告点位推荐的前期调研工作，往往通过人力方式进行小区调研。对广告后期推广效果也采用问卷形式来统计反馈情况。此种人工调研和问卷调查形式费时耗力。

发明内容

本发明要解决的技术问题是提供一种电梯人群画像和广告受众分析的方法及系统，通过自动采集电梯中的乘梯人员及属性，进行针对性的广告投放，广告投放后再进行及时的受众人员及属性分析，从而对广告投放受众质量进行跟踪反馈。

为解决上述技术问题，本发明采用如下的技术方案：

本发明实施例的一方面提供了一种电梯人群画像和广告受众分析的方法，包括以下步骤：

电梯广告点位推荐步骤，用于前期采集电梯乘梯人员数据进而分析电梯各个时段的人数和属性分布，得到符合广告对应人群要求的电梯点位和时段数据，进行广告点位及其内容设置和投放；

电梯广告受众分析步骤，用于广告投放之后采集各个广告对应的电梯乘梯人员数据进而统计人数和属性分布，得到广告真实的受众人群数据，同时对点位推荐的前期过程提供后期反馈证据。

优选地，所述电梯广告点位推荐步骤进一步包括：

在电梯关门并有运动时，利用电梯轿厢顶部摄像头抓取一张图片；

利用检测模型对所抓取图片进行检测，获得人体检测框与人头检测框；

利用检测框获得人体截图和人头截图，送入属性分类算法进行多标签分类，最终得到人体与人头相关属性，其中属性分类算法选择卷积神经网络作为骨干网络，利用多个二分类交叉熵损失函数BCELoss的平均损失作为总体loss，进行网络训练来获得模型，训练完成的模型用于预测推断；

获得人头数作为该电梯行程的人流数量，同时获得人头和人体属性的数据，并将当前数据上传云端平台；

统计各个电梯各个时段的人数和属性分布，得到符合广告对应人群要求的电梯点位和时段数据信息。

优选地，所述电梯广告受众分析步骤进一步包括：

在电梯关门并有运动时，对每个广告播放期间，利用电梯轿厢顶部摄像头抓取一张图片；

利用检测模型对所抓取图片进行检测，获得人体检测框与人头检测框；

利用检测框获得人体截图和人头截图，送入属性分类算法进行多标签分类，最终得到人体与人头相关属性，其中属性分类算法选择卷积神经网络作为骨干网络，利用多个二分类交叉熵损失函数BCELoss的平均损失作为总体loss，进行网络训练来获得模型，训练完成的模型用于预测推断；

获得人头数作为该电梯行程的人流数量，同时获得人头和人体属性的数据，并将当前数据上传云端平台；

统计各个广告的人数和属性分布，得到广告真实的受众人群数据，同时对点位推荐前期过程提供后期反馈证据。

本发明实施例的又一方面提供了一种电梯人群画像和广告受众分析的系统，包括：

电梯广告点位推荐模块，用于前期采集电梯乘梯人员数据进而分析电梯各个时段的人数和属性分布，得到符合广告对应人群要求的电梯点位和时段数据，进行广告点位及其内容设置和投放；

电梯广告受众分析模块，用于广告投放之后采集电梯乘梯人员数据进而统计各个广告的人数和属性分布，得到广告真实的受众人群数据，同时对点位推荐的前期过程提供后期反馈证据。

优选地，所述电梯广告点位推荐模块进一步包括：

第一图像采集单元，在电梯关门并有运动时，利用电梯轿厢顶部摄像头抓取一张图片；

第一检测框获取单元，利用检测模型对所抓取图片进行检测，获得人体检测框与人头检测框；

第一属性预测单元，利用检测框获得人体截图和人头截图，送入属性分类算法进行多标签分类，最终得到人体与人头相关属性，其中属性分类算法选择卷积神经网络作为骨干网络，利用多个二分类交叉熵损失函数BCELoss的平均损失作为总体loss，进行网络训练来获得模型，训练完成的模型用于预测推断；

第一人头和人体属性的数据获取单元，用于获得人头数作为该电梯行程的人流数量，同时获得人头和人体属性的数据，并将当前数据上传云端平台；

第一统计分析单元，用于统计各个电梯各个时段的人数和属性分布，得到符合广告对应人群要求的电梯点位和时段数据信息。

优选地，所述电梯广告受众分析模块进一步包括：

第二图像采集单元，用于在电梯关门并有运动时，对每个广告播放期间，利用电梯轿厢顶部摄像头抓取一张图片；

第二检测框获取单元，利用检测模型对所抓取图片进行检测，获得人体检测框与人头检测框；

第二属性预测单元，利用检测框获得人体截图和人头截图，送入属性分类算法进行多标签分类，最终得到人体与人头相关属性，其中属性分类算法选择卷积神经网络作为骨干网络，利用多个二分类交叉熵损失函数BCELoss的平均损失作为总体loss，进行网络训练来获得模型，训练完成的模型用于预测推断；

第二人头和人体属性的数据获取单元，用于获得人头数作为该电梯行程的人流数量，同时获得人头和人体属性的数据，并将当前数据上传云端平台；

第二统计分析单元，用于统计各个广告的人数和属性分布，得到广告真实的受众人群数据，同时对点位推荐前期过程提供后期反馈证据。

采用本发明具有如下的有益效果：

(1)通过历史数据，给广告商推荐符合其广告定位的人群受众分布，即电梯的点位与时段，使得电梯广告投放不需要再人工现场进行调研和数据收集，大大提高了乘梯人员数据获取的准确性和效率；

(2)在利用得到的点位与时段数据进行广告投放后，进一步在电梯广告的后期受众分析中，通过根据电梯的行程和智能屏某个广告播放时段利用厢顶摄像头抓取一张图片，来分析在该广告播放期间并且有人的情况下的人员数量和属性分布，能够以广告有效播放为单位统计受众情况，提高广告投放的效率。

附图说明

图1为本发明实施例的电梯人群画像和广告受众分析的方法的流程图；

图2为本发明实施例的电梯人群画像和广告受众分析的系统的原理框图；

图3为本发明实施例的电梯人群画像和广告受众分析的系统中电梯广告点位推荐模块的原理框图；

图4为本发明实施例的电梯人群画像和广告受众分析的系统中电梯广告受众分析模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1，所示为本发明实施例的电梯人群画像和广告受众分析的方法的步骤流程图，其包括以下步骤：

S10，电梯广告点位推荐步骤，用于前期采集电梯乘梯人员数据进而分析电梯各个时段的人数和属性分布，得到符合广告对应人群要求的电梯点位和时段数据，进行广告点位及其内容设置和投放。

其中，人员属性指通过人头和人体检测并对检测结果进行识别，已达到统计人员数量并判断人员所具有的属性，例如性别，年龄，衣着样式，附属物，颜色等属性。通过对电梯点位进行长时间数据积累并分析，可以统计出该点位中人群属性随时间的变化。因而，能够为电梯广告的点位选取提供前期数据支撑。

进一步的，具体应用实施例中，S10包括以下子步骤：

S101，在电梯关门并有运动时，利用电梯轿厢顶部摄像头抓取一张图片；

S102，利用检测模型对所抓取图片进行检测，获得人体检测框与人头检测框；

S103，利用检测框获得人体截图和人头截图，送入属性分类算法进行多标签分类，最终得到人体与人头相关属性，其中属性分类算法选择卷积神经网络作为骨干网络，利用多个二分类交叉熵损失函数BCELoss的平均损失作为总体loss，进行网络训练来获得模型，训练完成的模型用于预测推断

主要对图像中的人头检测和人体检测，并分别对检测结果(截图)进行属性分类识别。其中人头检测对于统计人数相对准确，能根据人头截图对头部的一些属性进行分析(如光头、白发、戴帽、长发等)，而完整的人体截图有利于进行人体属性分析。这样数据分析中，主要依赖人头来统计人数，依赖人体来获得属性分布。

检测算法分类用来检测头肩截图和人体截图，当拥挤时人体往往被遮挡，无法获取人体截图，因此可分别对人头截图和人体截图都送入属性分类模型，来识别对应属性。检测算法不局限于yolov3，属性分类算法也不局限于resnet18，其他深度神经分类网络也可以，例如vgg，inception等。具体地，利用图像检测和图像分类两大技术，对于图像检测技术主要有two-stage的fast-rcnn和one-stage的yolo\ssd等，可以获得图片中特定物体的外接矩形框。对于图像分类技术主要利用主流的卷积神经网络，如resnet等，并采用多label的loss函数加以调整训练，多label分类指对于同一张人体截图，分类网络能够同时输出性别、年龄、衣着、背包等不同类别。

进一步地，利用卷积神经网络来对图像提取特征并分类，卷积神经网络是强大的特征提取工具，其主要依赖目标函数为导向来提取特征，例如检测与分类的网络是以不同的loss作为目标函数。Yolov3的骨干网络和resnet18网络的基本构成基本一样，都是有卷积层、池化层、relu激活层、正则化层、残差模块与全连接FC层组成。Yolov3的输入为一张图片，输出为不同目标的矩形框，矩形框以左上点(x，y)与宽高(w，h)表示。resnet18分类网络输入为一张图片，输出为各个类别标签的预测向量。

S104，获得人头数作为该电梯行程的人流数量，同时获得人头和人体属性的数据，并将当前数据上传云端平台；

S105，统计各个电梯各个时段的人数和属性分布，得到符合广告对应人群要求的电梯点位和时段数据信息。

以上在电梯广告的点位推荐中，通过在电梯的行程中抓取一张图片，来分析有人的行程中人群数量和属性的变化。通过对电梯点位进行长时间数据积累并分析，可以统计出该点位中人群属性随时间的变化。因而，能够为电梯广告的点位选取提供前期数据支撑。

S20，电梯广告受众分析步骤，用于广告投放之后采集各个广告对应的电梯乘梯人员数据进而统计人数和属性分布，得到广告真实的受众人群数据，同时对点位推荐的前期过程提供后期反馈证据。

进一步的，具体应用实施例中，S20包括以下子步骤：

S201，在电梯关门并有运动时，对每个广告播放期间，利用电梯轿厢顶部摄像头抓取一张图片；

S202，利用检测模型对所抓取图片进行检测，获得人体检测框与人头检测框；

S203，利用检测框获得人体截图和人头截图，送入属性分类算法进行多标签分类，最终得到人体与人头相关属性，其中属性分类算法选择卷积神经网络作为骨干网络，利用多个二分类交叉熵损失函数BCELoss的平均损失作为总体loss，进行网络训练来获得模型，训练完成的模型用于预测推断；

S204，获得人头数作为该电梯行程的人流数量，同时获得人头和人体属性的数据，并将当前数据上传云端平台；

S205，统计各个广告的人数和属性分布，得到广告真实的受众人群数据，同时对点位推荐前期过程提供后期反馈证据。

以上电梯广告受众分析步骤中，主要是通过广告播放期间，电梯摄像头抓图，来获得其播放期间真实的人群分布。点位推荐和受众分析的实现上来说，只是抓图的时机不同，以及统计方式不同，点位推荐是按乘梯过程来统计数据，受众分析是按广告播放次数统计(因为广告计费是跟播放次数相关的)，其他环节基本一致。

与本发明方法实施例对应的，本发明实施例提供了一种电梯人群画像和广告受众分析的系统，包括：

电梯广告点位推荐模块10，用于前期采集电梯乘梯人员数据进而分析电梯各个时段的人数和属性分布，得到符合广告对应人群要求的电梯点位和时段数据，进行广告点位及其内容设置和投放。

其中，人员属性指通过人头和人体检测并对检测结果进行识别，已达到统计人员数量并判断人员所具有的属性，例如性别，年龄，衣着样式，附属物，颜色等属性。通过对电梯点位进行长时间数据积累并分析，可以统计出该点位中人群属性随时间的变化。因而，能够为电梯广告的点位选取提供前期数据支撑。

进一步的，具体应用实施例中，电梯广告点位推荐模块10进一步包括：

第一图像采集单元101，在电梯关门并有运动时，利用电梯轿厢顶部摄像头抓取一张图片；

第一检测框获取单元102，利用检测模型对所抓取图片进行检测，获得人体检测框与人头检测框；

第一属性预测单元103，利用检测框获得人体截图和人头截图，送入属性分类算法进行多标签分类，最终得到人体与人头相关属性，其中属性分类算法选择卷积神经网络作为骨干网络，利用多个二分类交叉熵损失函数BCELoss的平均损失作为总体loss，进行网络训练来获得模型，训练完成的模型用于预测推断；

主要对图像中的人头检测和人体检测，并分别对检测结果(截图)进行属性分类识别。其中人头检测对于统计人数相对准确，能根据人头截图对头部的一些属性进行分析(如光头、白发、戴帽、长发等)，而完整的人体截图有利于进行人体属性分析。这样数据分析中，主要依赖人头来统计人数，依赖人体来获得属性分布。

检测算法分类用来检测头肩截图和人体截图，当拥挤时人体往往被遮挡，无法获取人体截图，因此可分别对人头截图和人体截图都送入属性分类模型，来识别对应属性。检测算法不局限于yolov3，属性分类算法也不局限于resnet18，其他深度神经分类网络也可以，例如vgg，inception等。具体地，利用图像检测和图像分类两大技术，对于图像检测技术主要有two-stage的fast-rcnn和one-stage的yolo\ssd等，可以获得图片中特定物体的外接矩形框。对于图像分类技术主要利用主流的卷积神经网络，如resnet等，并采用多label的loss函数加以调整训练，多label分类指对于同一张人体截图，分类网络能够同时输出性别、年龄、衣着、背包等不同类别。

进一步地，利用卷积神经网络来对图像提取特征并分类，卷积神经网络是强大的特征提取工具，其主要依赖目标函数为导向来提取特征，例如检测与分类的网络是以不同的loss作为目标函数。Yolov3的骨干网络和resnet18网络的基本构成基本一样，都是有卷积层、池化层、relu激活层、正则化层、残差模块与全连接FC层组成。Yolov3的输入为一张图片，输出为不同目标的矩形框，矩形框以左上点(x，y)与宽高(w，h)表示。resnet18分类网络输入为一张图片，输出为各个类别标签的预测向量。

第一人头和人体属性的数据获取单元104，获得人头数作为该电梯行程的人流数量，同时获得人头和人体属性的数据，并将当前数据上传云端平台；

第一统计分析单元105，统计各个电梯各个时段的人数和属性分布，得到符合广告对应人群要求的电梯点位和时段数据信息。

以上在电梯广告的点位推荐中，通过在电梯的行程中抓取一张图片，来分析有人的行程中人群数量和属性的变化。通过对电梯点位进行长时间数据积累并分析，可以统计出该点位中人群属性随时间的变化。因而，能够为电梯广告的点位选取提供前期数据支撑。

电梯广告受众分析模块20，用于广告投放之后采集电梯乘梯人员数据进而统计各个广告的人数和属性分布，得到广告真实的受众人群数据，同时对点位推荐的前期过程提供后期反馈证据。

进一步的，具体应用实施例中，电梯广告受众分析模块20进一步包括：

第二图像采集单元201，用于在电梯关门并有运动时，对每个广告播放期间，利用电梯轿厢顶部摄像头抓取一张图片；

第二检测框获取单元202，利用检测模型对所抓取图片进行检测，获得人体检测框与人头检测框；

第二属性预测单元203，利用检测框获得人体截图和人头截图，送入属性分类算法进行多标签分类，最终得到人体与人头相关属性，其中属性分类算法选择卷积神经网络作为骨干网络，利用多个二分类交叉熵损失函数BCELoss的平均损失作为总体loss，进行网络训练来获得模型，训练完成的模型用于预测推断；

第二人头和人体属性的数据获取单元204，用于获得人头数作为该电梯行程的人流数量，同时获得人头和人体属性的数据，并将当前数据上传云端平台；

第二统计分析单元205，用于统计各个广告的人数和属性分布，得到广告真实的受众人群数据，同时对点位推荐前期过程提供后期反馈证据。

以上电梯广告受众分析模块中，主要是通过广告播放期间，电梯摄像头抓图，来获得其播放期间真实的人群分布。点位推荐和受众分析的实现上来说，只是抓图的时机不同，以及统计方式不同，点位推荐是按乘梯过程来统计数据，受众分析是按广告播放次数统计(因为广告计费是跟播放次数相关的)，其他环节基本一致。

本领域技术人员应该可以理解的是，对于上述的电梯广告点位推荐和电梯广告受众分析，不限定其处理设备，抓图、人体检测、人体属性、人头检测人头属性、数据汇总以上功能，可以在摄像头设备里实现，也可以在电梯广告屏设备上实现，也可以在云端服务器上实现。

应当理解，本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例，本领域普通技术人员应当理解，在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下，可以做出各种形式和细节的改变。

Claims (6)

1.一种电梯人群画像和广告受众分析的方法，其特征在于，包括以下步骤：

电梯广告点位推荐步骤，用于前期采集电梯乘梯人员数据进而分析电梯各个时段的人数和属性分布，得到符合广告对应人群要求的电梯点位和时段数据，进行广告点位及其内容设置和投放；

电梯广告受众分析步骤，用于广告投放之后采集各个广告对应的电梯乘梯人员数据进而统计人数和属性分布，得到广告真实的受众人群数据，同时对点位推荐的前期过程提供后期反馈证据。

2.如权利要求1所述的电梯人群画像和广告受众分析的方法，其特征在于，所述电梯广告点位推荐步骤进一步包括：

在电梯关门并有运动时，利用电梯轿厢顶部摄像头抓取一张图片；

利用检测模型对所抓取图片进行检测，获得人体检测框与人头检测框；

利用检测框获得人体截图和人头截图，送入属性分类算法进行多标签分类，最终得到人体与人头相关属性，其中属性分类算法选择卷积神经网络作为骨干网络，利用多个二分类交叉熵损失函数BCELoss的平均损失作为总体loss，进行网络训练来获得模型，训练完成的模型用于预测推断；

获得人头数作为该电梯行程的人流数量，同时获得人头和人体属性的数据，并将当前数据上传云端平台；

统计各个电梯各个时段的人数和属性分布，得到符合广告对应人群要求的电梯点位和时段数据信息。

3.如权利要求1或2所述的电梯人群画像和广告受众分析的方法，其特征在于，所述电梯广告受众分析步骤进一步包括：

在电梯关门并有运动时，对每个广告播放期间，利用电梯轿厢顶部摄像头抓取一张图片；

利用检测模型对所抓取图片进行检测，获得人体检测框与人头检测框；

利用检测框获得人体截图和人头截图，送入属性分类算法进行多标签分类，最终得到人体与人头相关属性，其中属性分类算法选择卷积神经网络作为骨干网络，利用多个二分类交叉熵损失函数BCELoss的平均损失作为总体loss，进行网络训练来获得模型，训练完成的模型用于预测推断；

获得人头数作为该电梯行程的人流数量，同时获得人头和人体属性的数据，并将当前数据上传云端平台；

统计各个广告的人数和属性分布，得到广告真实的受众人群数据，同时对点位推荐前期过程提供后期反馈证据。

4.一种电梯人群画像和广告受众分析的系统，其特征在于，包括：

电梯广告点位推荐模块，用于前期采集电梯乘梯人员数据进而分析电梯各个时段的人数和属性分布，得到符合广告对应人群要求的电梯点位和时段数据，进行广告点位及其内容设置和投放；

电梯广告受众分析模块，用于广告投放之后采集电梯乘梯人员数据进而统计各个广告的人数和属性分布，得到广告真实的受众人群数据，同时对点位推荐的前期过程提供后期反馈证据。

5.如权利要求4所述的电梯人群画像和广告受众分析的系统，其特征在于，所述电梯广告点位推荐模块进一步包括：

第一图像采集单元，在电梯关门并有运动时，利用电梯轿厢顶部摄像头抓取一张图片；

第一检测框获取单元，利用检测模型对所抓取图片进行检测，获得人体检测框与人头检测框；

第一属性预测单元，利用检测框获得人体截图和人头截图，送入属性分类算法进行多标签分类，最终得到人体与人头相关属性，其中属性分类算法选择卷积神经网络作为骨干网络，利用多个二分类交叉熵损失函数BCELoss的平均损失作为总体loss，进行网络训练来获得模型，训练完成的模型用于预测推断；

第一人头和人体属性的数据获取单元，用于获得人头数作为该电梯行程的人流数量，同时获得人头和人体属性的数据，并将当前数据上传云端平台；

第一统计分析单元，用于统计各个电梯各个时段的人数和属性分布，得到符合广告对应人群要求的电梯点位和时段数据信息。

6.如权利要求4或5所述的电梯人群画像和广告受众分析的系统，其特征在于，所述电梯广告受众分析模块进一步包括：

第二图像采集单元，用于在电梯关门并有运动时，对每个广告播放期间，利用电梯轿厢顶部摄像头抓取一张图片；

第二检测框获取单元，利用检测模型对所抓取图片进行检测，获得人体检测框与人头检测框；

第二属性预测单元，利用检测框获得人体截图和人头截图，送入属性分类算法进行多标签分类，最终得到人体与人头相关属性，其中属性分类算法选择卷积神经网络作为骨干网络，利用多个二分类交叉熵损失函数BCELoss的平均损失作为总体loss，进行网络训练来获得模型，训练完成的模型用于预测推断；

第二人头和人体属性的数据获取单元，用于获得人头数作为该电梯行程的人流数量，同时获得人头和人体属性的数据，并将当前数据上传云端平台；

第二统计分析单元，用于统计各个广告的人数和属性分布，得到广告真实的受众人群数据，同时对点位推荐前期过程提供后期反馈证据。