KR20210133036A - 비디오 분석 데이터를 이용한 효과적인 디지털 광고 시스템 - Google Patents

Abstract

비디오 분석 데이터를 이용한 효과적인 디지털 광고 시스템은 디지털 디스플레이 디바이스 상에서의 디스플레이를 위한 다수의 디지털 광고들을 제공하는 광고 모델을 포함한다. 디지털 디스플레이 디바이스를 포함하는 디지털 사인 모듈은 광고 모듈에 의해 제공된 디지털 광고들을 디스플레이하고, 디지털 사인 모듈에 의해 디스플레이된 디지털 광고들의 이전 뷰어들에 관한 비디오 분석 데이터를 캡처한다. 데이터 마이닝 모듈은 디지털 사인 모듈로부터 비디오 분석 데이터를 검색하고, 데이터 마이닝 알고리즘을 이용하여 비디오 분석 데이터에 기초하여 트레이닝된 광고 모델들을 생성한다.
광고 모듈 및 데이터 마이닝 모듈에 커플링된 콘텐츠 관리 시스템 모듈은 디지털 광고들 및 트레이닝된 광고 모델들을 수신하고, 트레이닝된 광고 모델들에 기초하여 디스플레이를 위한 광고들의 서브세트를 생성한다.

Description

비디오 분석 데이터를 이용한 효과적인 디지털 광고 시스템{Effective digital advertising system using video analysis data}

디지털 사이니지(digital signage)는, 식당들 또는 쇼핑 몰들과 같은 공중 장소들에 있어서 뉴스, 광고들, 로컬발표들, 및 다른 멀티미디어 콘텐츠를 보여주기 위한 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이, 플라즈마 디스플레이, 또는 투사형 디스플레이와 같은 전자 디스플레이 디바이스의 이용을 기술하기 위해 종종 사용된다. 최근에, 디지털 사이니지 산업은 엄청난 성장을 경험하였고, 이제, 연간 매출 성장의 관점에서 인터넷 광고 산업에 단지 버금간다.

디지털 사인(digital sign)들의 배치는 좋은 이유로 급속히 성장하고 있다. 이 사인들은 광고주들로 하여금 더 매력적이고 동적인 광고(애드(ad)) 콘텐츠를 나타낼 수 있게 하고, 새로운 프로모션들, 하루 중 시간, 심지어 날씨 및 다른 이벤트들에 기초하여 그 콘텐츠를 실시간으로 용이하게 변경하게 할 수 있다. 현재, 애드 콘텐츠의 유효성을 판정하기 위한 방법은 없다. 디지털 사이니지 산업에 있어서의 주요 과제들 중 하나는 디지털 사이니지 오퍼레이터들에게 일부 명확한 투자 수익률(ROI:return on investment) 데이터를 제공하는 것이었다.

애드 콘텐츠가 뷰잉(view)하는 사람들의 특정 데모그래픽들에 타겟팅되고 적응되는 방식이 필요하다.

본 발명의 실시예들은 하기 제공된 상세한 설명으로부터 및 본 발명의 다양한 실시예들의 첨부 도면들로부터 더 완전히 이해될 것이지만, 이들은 본 발명을 특정 실시예들로 한정하도록 취해지지 않으며 오직 설명 및 이해를 위해 취해진다.
도 1은 본 발명의 일 실시예를 기능 블록 형태로 도시한다.
도 2는 본 발명의 일 실시예의 플로우 차트이다.
도 3은 본 발명의 일 실시예의 양태들을 도시한다.
도 4는 본 발명의 일 실시예에 따른 콘텐츠 관리 시스템의 블록도를 제공한다.
도 5는 본 발명의 일 실시예에 따른 디지털 사인 모듈의 블록도를 제공한다.
도 6a는 디지털 사인의 관측가능 영역 내에서 개별 뷰어들에 관한 비디오 분석 데이터를 획득하는 것과 관련된 본 발명의 일 실시예의 일 양태를 도시한다.
도 6b는 디지털 사인의 관측가능 영역 내에서 개별 뷰어들에 관한 비디오 분석 데이터를 획득하는 것과 관련된 본 발명의 일 실시예의 일 양태를 도시한다.
도 7은 디지털 사인의 관측가능 영역 내에서 개별 뷰어들에 관한 익명의 비디오 분석 데이터를 획득하는 것과 관련된 본 발명의 일 실시예의 플로우 차트이다.

AVA(Anonymous Video Analytics)는, 디지털 사이니지 오퍼레이터들에게 양적 뷰어쉽 정보 및 투자 수익률(ROI) 데이터를 제공하는데 사용될 수 있는 디지털 사이니지 네트워크들을 위해 설계된 수동적 및 자동화된 청중 또는 뷰어 측정 기술이다. 본 발명의 실시예들은 AVA 데이터 및 데이터 마이닝 기술들을 이용하여 타겟팅된 광고를 달성하는 개념에 기초하며, 이는 디지털 사인의 광고 ROI를 측정 및 개선시키는데 사용될 수 있다.

부가적으로, AVA 뷰어쉽 정보를 판매점(POS:point-of-sale) 데이터와 상관시킴으로써, 실시예들은 또한 특정 데모그래픽 그룹에 의한 광고에 대한 응답 시간과 광고된 제품의 판매에 대한 영향 간의 링크를 확립하는데 사용될 수 있다.

본 발명의 실시예들은 디지털 디스플레이 디바이스 상에 광고를 디스플레이함에 있어서 AVA(anonymous video analytics) 를 이용한다. 디지털 디스플레이 디바이스 근방의 하나 이상의 전면 카메라들과 같은 센서, 및 인텔 코어 I5 및 인텔 코어 I7 프로세서들과 같은 강력한 프로세서들과 커플링된 AVA 소프트웨어를 디지털 사인들에 장비함으로써, 본 발명의 일 실시예에 따른 디지털 사인들은 뷰어들의 수, 그 성별, 그 연령층, 심지어 광고 디스플레이 스크린으로부터의 거리를 익명으로 검출하기 위한 인텔리전스를 갖고, 그 후, 그 정보에 기초하여 애드 콘텐츠를 적응시킨다. 예를 들어, 뷰어가 10대 소녀이면, 본 발명의 실시예는, 디지털 디스플레이 스크린이 위치된 몇몇 상점들에서 학교 신발 프로모션으로의 회귀를 낮게 강조하기 위해 콘텐츠를 변경할 수도 있다.

뷰어가 노인 남성이면, 실시예는 디지털 디스플레이 스크린으로 하여금 인근 스포츠 상품 상점에서의 골프 클럽 판매에 관한 광고를 디스플레이하게 할 수도 있다.

본 발명의 일 실시예에 따르면, 애드들은 더 우수하게 타겟팅되고 더 적절하며 궁극적으로 더 효과적일 수 있다. 그 실시예는 사람들이 디지털 사인을 시청하고 있는지를 판정하기 위해 비디오 콘텐츠의 초당 아마도 수백만 픽셀들을 실시간으로 분석하고, 사람들이 시청하고 있다면, 그 데모그래픽 특성들을 결정함으로써 이것을 가능하게 한다. 본 발명의 실시예들에 따르면, 이들 인텔리전트 디지털 사인들은 훨씬 더 많이 실시할 수 있다. 예를 들어, 이 사인들은 드웰 시간, 즉, 뷰어들이 애드들을 얼마나 오래 보고 있는지를 결정할 수 있다.

이들 능력들은 네트워크 오퍼레이터들, 콘텐츠 제공자들, 광고 에이전시들, 및 서비스 제공자들로 하여금 관련 메시지들을 더 우수하게 전달할 수 있게 하고, 네트워크 및 애드 유효성을 더 큰 정확도로 측정할 수 있게 한다. 나타낸 애드 및 청중의 데모그래픽들과 판매 데이터를 상관시킴으로써, 광고주들은 애드들을 그 청중에게 직접 타겟팅하고, 그 유효성을 측정할 수 있다. 부가적으로, 캠페인 계획 및 투자 수익률(ROI) 측정을 위해, AVA 데이터는 "플레이 입증(proof-of-play)" 데이터, 즉, 애드가 디지털 사인 상에 디스플레이되는 대상, 장소, 및 시간에 관한 데이터와 상관되어, 데모그래픽들 및 하루 중 시간에 의해 콘텐츠 특정 뷰어쉽 메트릭들을 결정할 수 있다.

본 발명의 실시예들은, 이전 뷰어들과 동일하거나 유사한 데모그래픽에 속하는 장래의 뷰어들 또는 고객들이 이전 뷰어들의 뷰잉 거동 또는 패턴들에 기초하여 타겟팅되는 타겟팅형 광고의 개념에 기초한다. 디지털 디스플레이 전방에 위치한 이전 뷰어들로부터 수집된 AVA 또는 뷰어쉽 데이터를 분석함으로써, 실시예들은 뷰잉 패턴들을 발견하고, 이 정보를 이용하여, 디지털 사인에 배치될 수 있는 광고 모델들을 트레이닝할 수 있다. 그 후, 이들 광고 모델들은 이용가능한 광고 콘텐츠의 재고목록(inventory)으로부터 특정 광고들을 선택하여 장래의 뷰어들을 인텔리전트하게 타겟팅하는데 사용될 수 있다.

광고 모델들은 데이터 마이닝 원리들에 기초하며, 마이크로소프트의 SQL 서버 분석 시스템(MS SSAS)과 같은 툴들을 이용하여 형성될 수 있다. 광고 모델들은, 대규모 클러스터링과 함께, 나이브 베이즈( ), 판정트리들(Decision Trees), 및 연관 룰들(Association Rules)과 같은 널리 공지된 데이터 마이닝 알고리즘들을 이용하여 생성되며, 이들 모두는 MS SSAS에서 이용가능하다.

디지털 사인에 대한 멀티미디어 콘텐츠의 플레이백은 콘텐츠 관리 시스템(CMS)을 통해 달성된다. 본 발명의 일 실시예에 따른 디지털 광고 시스템의 아키텍처의 설명이 뒤따르며, 여기서, 광고 모델은, CMS가 "클라우드에" 위치되더라도, CMS를 통해 디지털 사인 상에 실시간으로 배치된다. 그 후, CMS는 적어도 2개의 파라미터들, 즉, 트레이닝된 광고 모델 및 광고 데이터에 기초하여 커스터마이징된 광고 리스트를 생성하는데 사용될 수 있다. 본 발명의 일 실시예에 따르면, 광고 데이터는 트레이닝된 광고 모델과 결합되어, 실시간 콘텐츠 트리거링을 가능케 한다.

본 발명의 실시예들은 연령, 특히, 연령대 또는 연령층, 및 성별뿐 아니라 날씨 및 시간 정보와 같은 뷰어 정보의 타입을 분석하여, 디지털 사인 디스플레이 디바이스 상에서 플레이될 가장 적절한 광고를 선택한다. "연령"에 대한 본 명세서에서의 추가 참조들은 연령대, 연령 카테고리 또는 연령층을 포함하도록 이해될 것이다.

실시간 비디오 분석 데이터가 수집되고, 장래의 시간 슬롯, 예를 들어, 다음 시간 슬롯 동안 뷰어들의 타입을 예측하기 위해 분석된다. 그 예측에 의존하여, 적절한 애드들이 디스플레이 디바이스 상에서 플레이된다. CMS는 광고 정보 및 광고주 선호도를 이용함으로써 디폴트 플레이 리스트를 생성한다. 뷰어쉽 정보가 이용가능하지 않거나 예측이 어떤 이유로 실시되지 않거나 상당히 정확하지 않거나 어떤 이유로 예측의 정확도가 의심스러운 것으로 고려되면, 광고주들에 의해 CMS에 제공되는 오프라인(디폴트) 플레이 리스트가 디스플레이 디바이스상에서 플레이될 수도 있다.

도 1은 본 발명의 일 실시예의 기능 블록도를 도시한다. 도 2의 플로우 차트(200)를 또한 참조하면, 프로세스는 205에서 시작하여, 디지털 사인 모듈(105)이 광고들을 디스플레이하고, 210에서 비디오 분석 데이터를 프로세싱하며, 즉, 본 명세서에서 뷰어쉽 데이터로서 또한 지칭되는 비디오 분석 데이터를 캡처하며, 뷰어쉽 데이터를 데이터베이스와 같은 영구 데이터 저장부로 전송하며, 여기서, 데이터는 데이터 마이닝 모듈(110)에 의해 215에서 액세스하기 전에 옵션적으로 클리닝 또는 필터링되어, 디지털 사인 전방에 위치되고 그 디지털 사인을 뷰잉하는 것이 가능한 임의의 개인들의 뷰잉 패턴들을 결정한다.

중요하게는, 적어도 프라이버시를 유지할 목적으로, 비디오 분석 데이터는, 하기에서 추가로 설명될 바와 같이, 익명의 비디오 분석 데이터로서 제조 또는 유지될 수 있지만, 본질적으로, 뷰어쉽 데이터는 샘플링이 아닌 센서스(소정의 모집단의 멤버들에 관한 정보를 시스템적으로 및 정규적으로 포착 및 기록하는 것으로서 정의됨)에 기초하며, 뷰어들의 어떠한 이미지들도 캡처되거나 저장되거나 송신되지 않는다. 비디오 분석 데이터 캡처 기능은 디지털 사인 모듈에 의해 실행되는 소프트웨어에서 구현될 수도 있으며, 본 발명의 일 실시예에 있어서, 실시간 예측들을 실시하고 디스플레이를 위해 디지털 광고를 스케줄링하기 위해 모듈(110)에 의해 이용될 수도 있는 실시간 비디오 분석 데이터를 캡처하고/하거나 220에서 데이터 마이닝 모듈에 있어서 룰들을 생성(광고 모델들을 트레이닝)하기 위해 이력 데이터로서 사용될 수도 있다.

데이터 마이닝 모듈에 있어서, 광고 모델들은, 215에서 뷰잉 패턴들을 결정함에 있어서 사용되는 나이브 베이즈 알고리즘, 판정 트리들 알고리즘 및 연관 룰들 알고리즘과 같은 널리 공지된 데이터 마이닝 알고리즘들에 기초한 비디오 분석 데이터를 이용하여, 220에서 생성 및 트레이닝(즉, 정제화(refined))된다. 비디오 분석 데이터를 이용하는 것에 부가하여, 데이터 마이닝 모듈은 또한 비디오 분석 데이터가 캡처되었을 시에 대응하는 날씨 상태들을 고려할 수도 있다. 날씨 상태 데이터, 또는 간단히 날씨 데이터(135)는 데이터 마이닝 모듈(110)에 의해 액세스될 수 있는 영구 저장부에 유지될 수도 있다. 일 실시예에 있어서, 동일한 영구 저장부는 또한 디지털 사인 모듈(105)에 의해 캡처된 비디오 분석 데이터를 저장하는데 사용될 수도 있다. 추가로, 데이터 마이닝 모듈(110)은, 입력으로서, 디지털 사인 상에서의 디스플레이를 위해 이용가능한 디지털 광고들(125)의 리스트, 및 광고주들이 그 광고들을 타겟팅하길 원하는 뷰어들의 데모그래픽 특성들과 같은 광고들의 리스트와 연관된 메타데이터를 수신한다. 디지털 사인 모듈(105)은 또한, "플레이 입증" 데이터, 즉, 무슨 애드들이 디지털 사인에 의해 디스플레이되었는지, 그 애드들이 언제 어디서 디스플레이되었는지, 및 (예를 들어, 디지털 사인의 위치를 결정하기 위한 기반으로서 사용될 수 있는 디지털 사인에 대한 디바이스ID를 제공함으로써) 그 애드들이 어디서 디스플레이되었는지를 나타내는 광고 데이터를 데이터 마이닝 모듈에 공급한다. 본 발명의 일 실시예에 있어서, 예를 들어, 판매점 단말로부터의 판매 데이터(130)가 데이터 마이닝 모듈(110)에 입력될 수도 있다.

판매 데이터는 AVA 데이터와 상관되어, 광고에서 피처링된 제품들 또는 서비스들의 판매의 관점에서 특정 데모 그래픽 그룹에 대한 광고의 유효성을 측정할 수도 있다.

데이터 마이닝 모듈(110)은, 본 발명의 실시예에 따라 이전 뷰어 타입들("통과자(passer) 패턴 타입들")에 기초하여 적절한 광고 카테고리들뿐 아니라 장래의 뷰어 타입들을 예측하는데 사용되는 트레이닝된 광고 모델들을 220에서 생성한다. 트레이닝된 광고 모델(115)은 일단 생성되면, 데이터 마이닝 모듈에 의해 송신되고 콘텐츠 관리 시스템(CMS)(120)에 의해 수신 및 저장되며, 이 CMS에서, 광고 데이터와 함께, 커스터마이즈된 광고 리스트가 225에서 생성 및 저장된다. (실제로, CMS는 모든 트레이닝된 광고 모델들, 광고 리스트들, 광고주 선호도 및 광고 데이터를 저장함). CMS(120)는 140에서의 커스터마이즈된 광고 리스트를 디스플레이를 위해 디지털 사인(105)으로 송신한다. 본 발명의 일 실시예에 있어서, 디지털 사인 모듈(105)은, 광고 리스트들을 실시간으로 생성하는데 사용될 수도 있는 디지털 사이니지 미디어 플레이어 모듈(디지털 플레이어 모듈)(145)을 포함한다. 모듈(145)은 CMS에 저장된 정보에 대한 응축된 저장부로서 동작한다.

CMS는 데이터 마이닝 모듈로부터 트레이닝된 광고 모델들을 획득한다. 일 실시예에 있어서, 복수의(multiple) 디지털 사인 모듈들(105) 또는 복수의 디지털 사이니지 미디어 플레이어들(145), 또는 복수의 디지털 디스플레이 디바이스들이 인스톨된다. 따라서, CMS는 광고 모델들을, 케이스에 따라, 디지털 사인 모듈 또는 디지털 플레이어 등에 의해 구분할 것이다. CMS는 광고 모델들 및 획득된 광고 데이터에 기초하여 구분된 커스터마이즈된 애드 리스트들을 생성한다. CMS는 또한, 광고주들(125)로부터 획득된 광고주 선호도에 기초하여 오프라인 애드 리스트들, 즉, 디폴트 애드 리스트들을 생성한다. 이들 구분된 모델들, 커스터마이즈된 애드 리스트들, 및 디폴트 애드 리스트들은, 230에서, 디지털 사인 상에서의 디스플레이를 위해 각각의 디지털 사인 모듈 또는 디지털 플레이어로 전송된다.

도 1은 모듈들(110 및 120)을 별도의 기능 블록들로 도시하지만, 이들 모듈들은 단일의 컴퓨터 시스템 상에서 공동-동작할 수도 있거나, 또는 복수의 컴퓨터 시스템들에 걸쳐 분포될 수도 있음이 인식된다. 컴퓨터 시스템(들)은 사설 통신 네트워크에 상주할 수도 있거나, 또는 "클라우드에서" 인터넷을 통해 액세스가능할 수도 있다. AVA 소프트웨어 및 디지털 사이니지 미디어 플레이어(145)를 포함하는 디지털 사인 기능 블록은 통상적으로, 광고주들이 소매상점 또는 쇼핑몰과 같이 디지털 사인 상에 디지털 광고를 디스플레이하길 원하는 영역에 위치된 하나 이상의 디지털 디스플레이 디바이스들에 커플링된 하나 이상의 서버들에서 구현되거나 그 서버들에 접속된다. 센서(103), 예를 들어, 비디오 카메라와 같은 광학 디바이스와 같은 하나 이상의 센서들은 디지털 사인(105)에 커플링되어, AVA 데이터를 생성하기 위해 디지털 사인(105)에 의해 사용되는 뷰어들의 비디오 또는 이미지를 캡처한다.

뷰어들을 캡처하기

POI(Proof-of-Impression)는 광고주가 디지털 광고의 유효성을 측정하는 메트릭이다. 본질적으로, POI는 디지털 사인 근방의 개인들이 디지털 사인을 뷰잉하거나 일견(glance)하거나 일견하지 않는지 여부를 나타낸다. 본 발명의 일 실시예에 있어서, 이러한 메트릭을 획득하기 위해, 다수의 이벤트들 - 1) 디지털 광고가 상당히 관측될 수 있는 영역에 있는 동안 뷰어에 의해 디지털 사인을 일견하는 것, 2) 일 실시예에 있어서 비디오 카메라인 관측자가 뷰어로부터 일견 심지어 짧은 일견을 관측하기 위한 위치에 있는 것, 및 3) 일단 뷰어가 디지털 광고를 일견하였으면, 뷰어가 관측가능한 영역에 잔류하는 동안 부가적인 일견이 카운트될 필요가 없는 것 - 이 발생한다. POI를 측정하는 것은 또한, 관측가능한 영역 내에 있는 동안 상이한 개별적인 뷰어들을 구별하고 고유하게 트래킹하는 것, 및 각각의 고유하게 트래킹된 개별 뷰어를 디지털 광고를 보는 것과 관련하여 가변인 상태와 연관시키는 것을 포함한다. 따라서, POI를 측정하는 디지털 사인은 뷰어가 디지털 사인을 일견할 수 있는 위치들에서 뷰어를 모니터링한다.

POI를 측정하기 위한 상기 논의된 이러한 기본 기능 이외에도, 본 발명의 실시예는 뷰잉 시간 또는 일견 지속기간을 측정하고, 특정 일견을 디지털 사인 상의 디지털 광고의 특정 표현(rendition) 또는 디스플레이와 관련시키고, 디지털 사인이 최소 수의 또는 최대 수의 일견들과 같은 다수의 일견들을 획득할 때의 시간 및 위치들을 결정할 수도 있다. 추가로, 연령, 성별, 민족성, 체중 등과 같은 데모그래픽 정보가 또한 일 실시예에 따라 수집되어, POI를 측정하는 것으로부터 도출된 비즈니스 인텔리전스를 추가로 정제화하기 위한 실시예를 허용할 수도 있다. 다른 실시예에 있어서, 이러한 메트릭은 디지털 광고들에 있어서의 판매를 위해 제공된 제품들 또는 서비스들에 대한 판매 데이터와 상관되어, 광고들의 유효성을 평가할 수 있다.

실시예들은 하나의 비디오 카메라를 갖는 단일 디지털 사인으로부터 하나 이상의 카메라들을 각각 갖는 복수의 디지털 사인들에까지 이를 수도 있다. 임의의 경우, 비디오 카메라는 예를 들어, 초당 5-30 프레임들의 샘플링 레이트들을 이용하여 뷰어를 트래킹하는데 사용되고, 카메라가 일견 활동을 찾는 동안 뷰어에는 고유한 익명의 아이덴터티가 할당된다. 고유한 익명의 아이덴터티는 디지털 사인 전방의 관측 영역에 있는 동안의 각각의 개별 뷰어에 대한 일견 활동의 기록을 허용한다.

뷰잉 영역에 있어서 각각의 개인에 대한 일견들을 캡처 및 트래킹하기 위한 실시예의 능력은 비디오 카메라든지 또는 디지털 카메라든지 광학 캡처 디바이스의 품질, 백엔드 컴퓨터 비전 및 비디오 및 /또는 이미지 프로세싱 기능의 정교성, 및 개인이 비디오 카메라로부터 위치된 거리에 기초한다. 도 6a를 참조하면, 본 발명의 일 실시예에 따른 디지털 사인을 디스플레이하는 것이 가능한 디지털 디스플레이 스크린(610)이 위치된 환경(600)이 도시된다. 전면 비디오 카메라(610)(톱 다운 뷰로 도시됨)가 예를 들어 스크린의 상부 상에 장착된 디지털 디스플레이 스크린 근방에 위치된다. 전체 뷰잉 영역은 라인(630)에 의해 정의된 시야계에 의해 도시된다. 개인들(640a 및 640b)은 각각의 점선들(641a 및 641b)에 의해 표시된 이동 방향으로 이 뷰잉 영역을 통과한다. 비디오 카메라 및 관련 백엔드 프로세싱은 관측가능 영역(625) 내에서 비디오 또는 스틸 이미지들을 캡처하는 것 및 고유한 개인들을 검출하는 것이 가능하다. 따라서, 개인(640a)은 비디오 카메라(610)에 의해 관측 및 분리되는 것이 가능하지만, 개인(640b)은 그렇지 않다. 비디오 카메라(610)가 디지털 디스플레이 스크린(605)의 방향에서 개인(640a)에 의한 응시 또는 일견을 실제로 검출하기 위해, 개인(640a)은 일견 노티스 영역(620)을 통과하거나 그 영역 내에 있어야 한다. 또한, 개인(640a)이 디지털 디스플레이 스크린을 일견하는 시간의 길이, 즉, 일견 드웰 시간을 카메라(610)가 검출하기 위해, 개인(640a)은 영역(615) 내부에 있어야 한다. 따라서, 고유한 뷰어를 캡처 및 분리하기 위한 비디오 카메라 및 관련 백엔드 프로세싱 기능의 능력은 비디오 분석 데이터를 뷰어 당 기반으로 수집하기 위한 디지털 사인 모듈의 능력에 영향을 미친다.

일 실시예에 있어서, 뷰어를 더 큰 영역에 걸쳐 트래킹하기 위한 능력은 복수의 관측자들, 즉, 복수의 카메라들을 채용함으로써 달성된다. 도 6b는 디지털 디스플레이 스크린(610)이 위치된 환경(600)을 도시한다. 본 실시예에 있어서, 3개의 전면 비디오 카메라들(610a, 610b, 및 610c)이 스크린의 상부 상에 장착된다. 전체 뷰잉 영역은 라인(630)에 의해 정의된 시야계에 의해 도시된다. 개인들(640a 및 640b)은 각각의 점선들(641a 및 641b)에 의해 표시된 이동 방향으로 이 뷰잉 영역을 통과한다. 하지만, 비디오 카메라들 및 관련 백엔드 프로세싱은 오직 관측가능 영역(625) 내에서만 비디오를 캡처하는 것 및 고유한 개인들을 검출하는 것이 가능하다. 복수의 비디오 카메라들이 존재하기 때문에, 그리고 비디오 카메라들(610a, 610b 및 610c)이 배치된 상이한 위치들 및 비디오 카메라들이 포인팅되는 상이한 방향들 때문에, 도 6a에 도시된 실시예에 비해 더 큰 뷰잉 영역이 확립된다. 카메라 관측 영역들이 인접하고 아마도 심지어는 중첩하기 때문에, 더 큰 영역에 걸쳐/더 긴 시간 기간에 걸쳐 뷰어를 트래킹하는 것이 가능하다. 따라서, 개인(640a 및 640b) 양자는 비디오 카메라들에 의해 관측 및 분리되는 것이 가능하다. 비디오 카메라들은 또한, 개인들 양자가 일견 노티스 영역(620a 및 620b)을 통과하거나 또는 그 영역 내에 있기 때문에 양 개인들에 의한 응시 또는 일견을 검출할 수 있다. 또한, 카메라들은, 영역들(615a 및 615b) 내부에서 개인(640a)을 트래킹하는 동안 개인(640a)이 디지털 디스플레이 스크린을 일견하는 시간의 길이, 즉, 일견 드웰 시간을 검출할 수 있다. 하지만, 개인(640b)이 영역(615b)이 아닌 영역(615a)을 통과하기 때문에, 일견 드웰 시간을 결정하기 위한 카메라들의 능력은 개인(640b)이 오직 영역(615a) 내에 있는 동안으로 제한된다.

복수의 디지털 사인들 또는 복수의 디지털 디스플레이 스크린들이, 예를 들어, 별개의 또는 상이한 광고 캠페인들을 동시에 구동하고 있을 수도 있는 백화점 또는 쇼핑몰에서 공동-위치될 수도 있음이 고려된다. 상이한 매장들이 복수의 디지털 사인들을 인접한 또는 인근의 디지털 사인 존들에 배치할 수 있다. 사인들 및 그 위에 디스플레이된 디지털 광고들은 동일하거나 상이한 회사들 또는 광고주들에 의해 호스팅될 수도 있으며, 각각의 존은 그 고객들에 대한 별개의 익명의 비디오 분석물들 또는 존 당 광고 당 별개의 데이터를 도출하길 원할 수도 있다. 또한, 본 발명의 일 실시예에 따르면, 예를 들어, 상점 브랜딩, 특별 매물들 등과 같은 상점별 광고의 유효성을 측정하기 위해 광고들이 복수의 존들에 걸칠 수도 있음이 고려된다.

비디오 카메라들 및 백엔드 비디오 프로세싱 기능은 개인들이 국가, 주정부, 또는 컨텍스트에 의존하여 개인적으로 식별가능한 상승한 프라이버시 관심사들일 수도 있는 충분한 정보를 수집함이 인식된다. 본 발명의 일 실시예는 뷰어가 관측가능 영역 내에 있는 동안 익명의 태그를 각각의 고유한 개별 뷰어에게 할당한다. 그 후, 개인보다는 태그가 일견 활동 및 데모그래픽 데이터 등과 연관된다. 뷰어가 관측가능 영역을 떠날 때, 뷰어가 관측가능 영역으로 재진입하고 동일한 뷰어로서 신뢰성있게 식별될 수 있는 경우에 태그는 잠시동안 액티브로 유지될 수도 있다. 하지만, 상당히 짧은 시간 내에, 태그는 관측가능 영역에 진입하는 다른 개인을 트래킹하는데 사용하도록 재활용되고 이용가능하게 된다.

일 실시예에 있어서, 안면 검출 기능이, 소프트웨어에서 또한 구현된 연령 및 성별 분류 알고리즘들과 함께 실행된 소프트웨어에서 구현된 알고리즘들에서 구현된다. 일 실시예에 있어서, 2001년에 Paul Viola 및 Michael Jones에 의해 개발된 Viola-Jones 오브젝트 검출 프레임워크가 안면 인식을 위해 사용된다. 그 검출 프레임워크에 의해 채용된 특징들은 직사각형 영역들 내에서의 이미지 픽셀들의 합들을 포함한다. Haar 분류기 알고리즘이 본 발명의 일 실시예에서의 연령 및 성별 분류를 위해 사용된다. 이들 알고리즘들을 구현한 소프트웨어는, 인텔 코어 I5 및 인텔 코어 I7 프로세서들 및 관련 하드웨어와 같은 컴퓨터 프로세서들에 의해, 데모그래픽 정보를 수집하는 소프트웨어뿐 아니라 컴퓨터 비전 소프트웨어와 함께 실행된다.

일 실시예에 있어서, 컴퓨터 비전 소프트웨어는 OpenCV에 기초한다. OpenCV는 본 발명의 양수인인 인텔 코포레이션에 의해 개발된 오픈 소스 컴퓨터 비전 라이브러리이며, BSD(Berkeley Software Distribution) 라이센스하에서 상업적 및 연구 용도로 무료이다. 그 라이브러리는 크로스 플랫폼이고, 애플사의 Mac OS X뿐 아니라 마이크로소프트사의 윈도우즈 오퍼레이팅 시스템 및 리눅스 기반 오퍼레이팅 시스템들 상에서 구동한다. 그것은 주로 실시간 이미지 프로세싱을 향해 포커싱한다. 일반적으로, OpenCV 라이브러리는 실시간 캡처, 비디오 파일임포트, 기본 이미지 처리(휘도, 콘트라스트, 임계치 등), 및 오브젝트 검출(안면, 몸 등)을 지원한다.

도 7을 참조하면, 익명의 비디오 분석 데이터를 캡처하는 것과 관련된 바와 같은 본 발명의 일 실시예가 기술된다. 플로우 차트(700)는 뷰어들의 스크린 샷들이 캡처되는 705에서 시작한다. 스틸 카메라 또는 비디오 카메라와 같은 하나 이상의 광학 캡처 디바이스들이 디지털 사인 상에 또는 그 근방에 장착되고, 스크린 샷들(예를들어, 사진들)을 빈번한 시간 간격들로, 즉, 매 5초마다 취한다. 따라서, 1분 동안, 12개의 스크린 샷들이 캡처된다. 710에서, 이들 디지털 이미지들은 특정 시간 기간동안, 예를 들어, 1분 동안 수집된다. 715에서, 특정 수집물에서의 이미지들 각각은 고유한 태그로 태깅되고, 각각의 이미지를 식별하는 수치 - 예를 들어, 시간 2-분1-이미지1, 시간2-분1-이미지2,..., 시간2-분1-이미지12 - 가 고유한 태그에 부가된다. 그 후, 720에서, 제1 이미지, 즉, 시간1-분1-이미지1에서의 각각의 개인이 식별된다. 예를 들어, 식별된 제1 개인은 그와 관련된 시간2-분1-이미지1-개인-1과 같은 태그를 가질 수도 있다. 그 후, 개인은 성별 및 연령 그리고 아마도 다른 개인적 특성들에 대해 프로파일링된다. 이러한 동일한 프로세스가, 존재한다면 동일한 사진에서 다른 개인들, 예를 들어, 시간2-분1-이미지1-개인-2, 시간2-분1-이미지1-개인-3 등에 대해 반복된다.

725에서, 720에서의 제1 사진에서 식별 및 태깅된 개인들은 동일한 수집물에서의 나머지 사진들 - 예를 들어, 시간2-분1-이미지1 수집물에서의 나머지 11개의 이미지들 또는 사진들 - 에서 탐색 및 식별된다. 동일한 개인이 식별된 모든 사진에 대해, 일 시간 기간이 그 개인에 대한 드웰 시간 파라미터에 부가된다. 예를 들어, 동일한 개인이 그 수집물에서의 12개의 사진들 중 하나에서 인식될 때마다, 5초가 그 개인에 대한 드웰 시간 파라미터에 부가된다. 735에서, 존재한다면, 수집물의 제1 사진에서 식별되지 않았지만 제2 사진에서 나타나는 각각의 새로운 개인이 제2 사진에서 식별되고, 720 및 725에서 상기 설명된 프로세스가 수집물의 제2 사진에 대해 반복하며, 그 프로세스는 수집물에서의 사진들의 나머지 시퀀스에 있어서 임의의 미식별 개인들에 대해 다시 반복한다.

일단 태깅 및 계산(computation)들이 특정 수집물에 대해 수행되면, 플로우 차트의 박스 740에서, 태깅 및 계산들이 다음 수집물에 대해, 예를 들어, 사진들의 다음 1분 동안 수행되며, 박스 745에서, 태깅 및 계산들이 사진들의 다음 1시간 동안 수행된다. 730에서, 연령 및 성별과 같은 개인적 특성들 또는 특정 파라미터들에 기초한 드웰 시간이 모든 수집물에 대해(예를 들어, 매 분동안) 통합된(consolidated) 리스트로 표식화된다(tabulated).

타겟팅된 광고

타겟팅된 광고의 포인트는, 장래의 청중과 동일하거나 유사한 데모그래픽들을 갖는 이전 청중에 의해 상당한 양의 시간 동안 과거에 뷰잉되었던 특정 광고들을 장래의 청중에게 보여주는 것이다. 본 발명의 일 실시예에 따른 타겟팅된 광고의 프로세스는 본 발명의 일 실시예에 따른 디지털 광고 시스템의 3개의 페이즈들 및 대응하는 컴포넌트들을 특징으로 할 수 있다: 즉, 데이터 마이닝 모듈(110)에서 광고 모델들을 트레이닝하는 것, CMS(120)에서 커스터마이징된 애드 리스트들 또는 플레이 리스트들을 생성하는 것, 및 디지털 사인 모듈(105)로 플레이 리스트들을 플레이하는 것.

광고 모델들을 트레이닝하기

데이터 마이닝 기술은 데이터세트에 있어서 은닉된 패턴들 및 상이한 변수들 간의 관계를 발견하기 위해 다량의 데이터를 탐색하는 것을 포함한다. 이들 발견들은 새로운 데이터세트에 대해 승인(validated)될 수 있다. 데이터 마이닝의 통상의 이용은 새로운 데이터에 관한 예측을 실시하기 위해 이력 데이터에 있어서의 발견된 패턴을 사용하는 것이다. 본 발명의 실시예들에 있어서, 데이터 마이닝 모듈(110)은 광고 모델들을 트레이닝하고 질의하는 것을 책임진다. 특히, 2개 타입들의 광고 모델들 - 광고 카테고리(애드 카테고리) 모델 및 통과자 패턴 모델 - 이 생성된다. 애드 카테고리 모델에 있어서, 룰들의 세트는 특정 청중 또는 컨텍스트(예를 들어, 시간, 위치, 날씨)에 대해 가장 적절한 애드 카테고리와 상관된다. (디바이스ID가 특정 디지털 사인과 연관된 식별자이고 디지털 사인의 위치를 나타내는데 사용될 수 있는) 일 예로서:

디바이스ID = 561이고 시간 = 아침이고 요일 = 금요일이고 성별 = 여성이고 연령 = 젊은이이고 날씨 = 청명이며 타겟팅된 애드들 = 야외이면, 잠재적인 타겟 = (예를 들어, 80% 신뢰도로) 매우 강함이다.

디바이스ID = 561이고 시간 = 아침이고 요일 = 금요일이고 날씨 = 청명이며 타겟팅된 애드들 = 애드 리스트 1이면, 잠재적인 타겟 = (예를 들어, 70% 신뢰도로) 가능성있음이다.

상기 예에 있어서, "애드 리스트 1"은 특정 컨텍스트에 대한 광고주에 의해 제공되고 또한 CMS에 저장되는 애드 카테고리로부터의 리스트이다. 뷰어들이 디지털 사인 옆을 통과하는 통과자 패턴 모델에 있어서, 룰들의 세트는 청중 거동을 발견하는 것 또는 이전 청중에 기초하여 장래의 청중을 예측하는 것을 돕는다. 일 예로서:

디바이스ID = 561이고 시간 = 아침이고 요일 = 금요일이며 날씨 = 청명이면, 통과자 타입 = (예를 들어, 70% 신뢰도로) 노인 여성이다.

디바이스ID = 561이고 시간 = 아침이고 요일 = 금요일이고 주말인지=0이고 날씨 = 청명이고 WOP남성노인 = 0~1이고 WOP여성노인 = 0~1이고 WOP남성성인 = 0~1이고 WOP여성성인 = 0~1이고 WOP남성젊은성인 = 0~1이고 WOP여성젊은성인 =0~1이고 WOP남성어린이 = 0~1이고 WOP여성어린이 = 0~1이면, WON남성노인 = 0~1이고 WON여성노인 = 0~1이고 WON남성성인 = 0~1이고 WON여성성인 = 0~1이고 WON남성젊은성인 = 0~1이고 WON여성젊은성인 = 0~1이고 WON남성어린이 = 0~1이고 WON여성어린이 = 0~1이다.

도 3은 디지털 사인 모듈(105)에 의해 수집되고 입력으로서 데이터 마이닝 모듈(110)에 제공되는 비디오 분석데이터(305)와 함께 입력으로서 데이터 마이닝 모듈에 또한 제공되는 광고 데이터(310) 및 날씨 데이터(315)의 예시(300)를 제공한다. 325에서, 데이터 마이닝 모듈은, 일 실시예에 있어서, 컨텍스트 및 데이터 특성들에 의존하여, 정규적으로, 일간이든 주간이든 월간이든 또는 분기별이든 모델들을 생성 및 트레이닝 즉 정제화하며, 그 기본 원리는, 이력 데이터로부터 도출된 패턴들/룰들이 변하지 않으면 모델들을 트레이닝 또는 재생성할 필요가 없다는 것이다.

비디오 분석 데이터(305)는, 본 발명의 일 실시예에 따라, 특정 디지털 광고가 디지털 사인 상에 디스플레이되었던 일자 및 시간은 물론 애드가 디스플레이되었던 요일, 디바이스ID 또는 대안적으로 애드가 디스플레이되었던 위치를 나타내는 디스플레이ID를 포함한다. 센서 입력은 또한, 디지털 디스플레이 디바이스 상에 디스플레이되는 동안 디지털 애드가 뷰잉되었던 시간량을 제공한다. 최종적으로, 연령 및 성별과 같은 특성들에 기초한 잠재적인 타겟 뷰어쉽의 표시가 포함된다.

광고 저장부(125)로부터 데이터 마이닝 모듈(110)에 의해 수신된 광고 데이터(310)는, 특정 디지털 광고가 디지털 사인 상에서의 디스플레이를 위해 스케줄링되었던 일자 및 시간은 물론 디바이스ID 또는 대안적으로 애드가 디스플레이되도록 스케줄링되었던 위치를 나타내는 디스플레이ID, 및 초 단위의 디지털 광고의 지속기간 또는 길이를 포함한다. 날씨 데이터(315)는 일자, 온도, 및 디지털 광고가 디지털 사인 상에 디스플레이되었던 일자 및 시간에 또는 그 근방에서의 상태들을 포함한다.

2. 광고 리스트 생성하기

광고 모델들이 데이터 마이닝 모듈(110)에 의해 생성된 이후, 그 모델들은 콘텐츠 관리 시스템(CMS)(120)으로 전송된다. 그 후, CMS는 애드 카테고리 모델들로부터 애드 카테고리들을 추출하고 애드 카테고리 리스트를 생성한다. 그 후, 이들 애드 카테고리들에 대응하는 광고 데이터가 CMS(120)에 액세스가능한 데이터베이스와 같은 영구 저장부로부터 검색된다. 애드 카테고리 리스트에 기초하여, CMS(120)는 또한 광고 리스트들을 생성한다. 본 발명의 일 실시예에 있어서, 생성된 애드 리스트는 125에서의 광고주 입력에 기초하여 변경될 수도 있다. 일 실시예에 있어서, 각각의 광고주에는, 애드 리스트를 재배열하기 위한 기반으로서 사용될 수 있는 특정우선순위가 할당된다.

도 4는 CMS(120)에 있어서 이벤트들 및 정보(400)의 플로우를 도시한다. CMS는 데이터 마이닝 모듈(110)을 탐침한다. 본 발명의 일 실시예에 있어서 탐침의 빈도는 하루에 한번이다. CMS는 데이터 마이닝 모듈에 의해 생성된 모든 현재 룰들 및 예측 리스트들을 획득하고, 그 정보를 영구 저장부에 저장한다. 특정 카테고리들에 대응하는 광고들은 광고주 선호도, 애드 리스트 생성기, 및 광고 저장부(125)에 기초하여 임시(tentative) 플레이 리스트로부터 획득된다. "오프라인 모드"에 있어서, 임시 플레이 리스트는 디폴트 플레이 리스트로서 사용된다. 도 4에 도시된 SQL(Structured Query Language) 서버 데이터베이스와 같은 데이터 저장부는, 일 실시예에 따라, 광고 저장부(125)와 연관된다. 그 데이터 저장부로부터, 광고명, 광고 타입, 및 실제 광고를 위한 파일들을 보유하는 애드 저장부의 파일 디렉토리에서의 경로와 같은 특정 카테고리들에 대한 광고 데이터를 포함하여 다양한 정보가 검색된다. CMS는 광고 저장부에 접속하여, 소정 경로들에 위치된 광고들을 획득한다. 이제까지 생성된 모든 모델들 및 대응하는 광고 리스트들은 CMS에 저장되게 된다. 디지털 사인 모듈은 오직 이들 모델들, 및 디지털 사인 모듈의 타겟팅된 청중에 적절한 광고 리스트들의 서브세트만을 포함할 것이다. CMS는 디지털 사인 모듈에 접속하고, 그 모델들 및 광고 리스트들이 그 모듈에 적절하게 한다.

도 4를 다시 참조하면, 플레이어 특정 모델 추출기(435)가 데이터 마이닝 모듈(110)에 접속하고, 통과자 패턴 및 애드 카테고리 모델들 양자를 획득한다. 이들 모델들은 플레이어별로 구분되고 디지털 사인 모듈(디지털 플레이어)(105)로 전송된다. 데이터 마이닝 모듈(110)은 현재 요일 및 일자뿐 아니라 현재 날씨에 적절한 모델들을 제공하는데, 예를 들어, 현재 요일은 맑은 아침 및 비오는 저녁이 예보된 2011년 9월 9일 금요일이다. 모델 추출기(415)는 애드 카테고리 모델들로부터 애드 카테고리들을 추출하고 그것을 각각의 디지털 사인에 대한 애드(광고) 리스트 생성기(420)로 전송한다. 모델들이 파싱되고, 광고가 각각의 시간 슬롯 동안 선택된다. 예를들어, 평균 광고 지속기간이 10초라고 가정하면, 360개의 광고들이 매 시간동안 선택된다.

애드 리스트 생성기(420)는, 광고 데이터와 함께, 특정 요일에 스케줄링되는 카테고리들에 대한 애드를 페치한다. 임시 플레이 리스트 생성기 모듈은 애드 리스트를 분석하고, 광고주 입력 스케줄러에 전송되는 임시 플레이 리스트를 생성한다. 생성기(420)는 배열된 광고 카테고리들 및 광고 리스트에 기초하여 플레이 리스트를 컴파일한다. 광고들의 선택은, 일 실시예에 따라, 룰렛-휠 선택에 기초하며, 여기서, 각각의 광고는 확률에 기초하여 랜덤하게 선택된다. 광고주 입력 스케줄러 모듈(420)은 광고주 입력을 페치하고 광고주 선호도들을 임시 플레이 리스트에 통합하여, 디지털 사인 모듈로 전송되는 디폴트 플레이 리스트를 생성한다.

애드 리프레시 모듈(405)은 CMS에 액세스가능한 영구 저장부 - 예를 들어, 데이터베이스 - 에 유지된 버전들을 광고 저장부로부터 획득된 버전들과 비교함으로써 새로운 광고들을 체크한다. 새로운 버전의 광고가 발견되면, 실제 광고들(비디오 파일들)이 디지털 사인 모듈로 전송된다. 새로운 애드들(애드 저장부에 더 이전에 존재하지 않았던 애드들)이 존재하면, 모듈(405)은 SQL 서버 DB(440)로부터 광고 데이터를 페치하고, 그것을 디지털 사인 모듈(110)로 전송한다.

3. 디지털 사인 모듈로 플레이 리스트를 플레이하기

CMS(120)는 140에서의 애드 리스트를 디지털 사인 모듈(105)로 전송한다. 일 실시예에 있어서, 디지털 사인 모듈은, 애드 리스트로부터 파일 디렉토리 경로 정보를 추출하고 그 후 대응하는 광고를, 광고 파일들을 보유하는 광고 저장부(125)로부터 검색함으로써 디폴트 플레이 리스트를 생성한다. 디지털 사인 모듈은 온라인 및 오프라인 모드 양자로 동작한다. 오프라인 모드에 있어서, 디폴트 플레이 리스트가 디지털 사인에 플레이된다. 온라인 모드에 대한 플레이 리스트는, 디지털 사인 모듈(디지털 플레이어)(105)에 있어서 이벤트들 및 정보(500)의 플로우를 도시한 도 5를 참조하여 하기 설명되는 실시간 VA 데이터를 이용하여 생성된다.

VA(video analytic) 분석기(예측기) 모듈(510)은 실시간 VA 데이터를 페치하고 CMS(120)로부터 통과자 패턴 모델들을 검색하여 VA 데이터를 예측한다. 예측된 VA 데이터는 모델 분석기 모듈(515)로 전송된다. 모델 분석기 모듈(515)은 예측된 VA 데이터를 입력으로서 수신하고, CMS(120)로부터 애드 카테고리 모델들을 검색하며 예측된 VA 데이터에 기초하여 광고 카테고리를 추출한다. 일 실시예에 있어서, 통과자 패턴 모델 및 애드 카테고리 모델의 신뢰도 값들이 승산되어, 승산된 신뢰도 값을 생성한다. 승산된 신뢰도 값이 임계치보다 크면, 추출된 광고 카테고리에 대한 광고가 임시 플레이 리스트 생성기(520)로 전송되고, 그렇지 않으면, 디지털 사인 모듈이 오프라인 모드로 계속한다. 임시 플레이 리스트 생성기 모듈(520)은 CMS(120)로부터 광고 리스트를 검색하고, 모델 분석기로부터의 광고 카테고리를 고려함으로써 임시 플레이 리스트를 생성하며, 임시 플레이 리스트를 온라인 모드로 전송한다.

스케줄러 모듈(525)은 다음의 3개의 서브 모듈들을 포함한다: 즉, 확률 분포에 기초하여 광고를 선택하고 그 후 545에서의 디스플레이를 위해 스케줄링되고 전송되는 실제 광고와 연관시키는 온라인 서브-모듈, 스케줄링 시간에 기초하여 디폴트 플레이 리스트로부터 광고를 선택하고 그후 545에서의 디스플레이를 위해 스케줄링되고 전송되는 실제 광고와 연관시키는 오프라인 서브-모듈, 및 광고주 선호도를 체크하고 545에서의 디스플레이를 위해 광고주 선호된 광고를 스케줄링하는 선호도 서브-모듈.

실시간 콘텐츠 트리거링

본 발명의 일 실시예에 따르면, 뷰어들은 실시간으로 타겟팅된다. 실시간 프로세싱은 디지털 사인 모듈에서 발생한다. 각각의 디지털 사인 모듈은 CMS로부터 광고 카테고리뿐 아니라 통과자 패턴 모델들 양자를 수신한다. 대체로, 일 실시예에 따르면, 복수의 뷰어들이 검출되고, 이들 뷰어들의 데모그래픽들이 분석되며, 이들 뷰어들에 대한 뷰잉 패턴들이 수집된다. 이에 기초하여, 광고들이 디지털 사인 모듈로 타겟팅된다. 일 실시예에 있어서, 통과자 패턴 모델은, 디지털 광고들을 온라인 모드로 플레이하는지 또는 오프라인 모드로 플레이하는지를 나타내는 신뢰도 값으로서 지칭되는 파라미터를 갖는다. 따라서, AVA 데이터가 실시간 모드로 분석될 경우, 통과자 패턴 모델로부터의 룰들이 선택되고, 이들 룰들에 부가된 신뢰도 값이 임계치 값과 비교된다. 신뢰도 값이 임계치 미만이면 디폴트 플레이 리스트가 플레이되지만, 그 값이 임계치 이상이면 광고 리스트가 변경되고 현재 뷰어들을 타겟팅하는 광고들이 플레이된다. 현재 광고가 플레이된 이후, 디지털 사인 모듈이 디폴트 플레이 리스트를 플레이하는 것으로 리턴할 수 있거나 또는 타겟팅된 광고들을 플레이하는 것을 계속할 수 있다.

결론

이 설명에 있어서, 다수의 상세들이 본 발명의 실시예들의 더 철저한 설명을 제공하기 위해 기재되었다. 하지만, 본 발명의 실시예들은 이들 특정 상세들없이도 실시될 수도 있음이 당업자에게 명백해야 한다. 다른 경우들에 있어서, 널리 공지된 구조들 및 디바이스들은 본 발명의 실시예들을 불명료하게 하는 것을 회피하기 위해 상세히 보다는 블록도 형태로 나타내었다.

이 상세한 설명들의 일부 부분들은 컴퓨터 메모리 내에서의 데이터에 대한 동작들의 알고리즘들 및 심볼 표현들의 관점에서 제시된다. 이들 알고리즘 디스크립션들 및 표현들은 데이터 프로세싱 기술들에서의 당업자에 의해 그 작업의 실체를 다른 당업자에게 가장 효과적으로 전달하기 위해 사용되는 수단들이다. 알고리즘은 여기서 및 일반적으로, 원하는 결과로 이끄는 단계들의 자기-일관성있는 시퀀스인 것으로 사료된다. 그 단계들은 물리량들의 물리적 조작들을 요구하는 것들이다. 통상적으로, 필수적인 것은 아니지만, 이들 양들은 저장되고, 전송되고, 결합되고, 비교되고 아니면 조작되는 것이 가능한 전기적 또는 자기적 신호들의 형태를 취한다. 주로 일반적인 사용을 이유로, 이들 신호들을 비트들, 값들, 엘리먼트들, 심볼들, 문자들, 용어들, 수치들 등으로서 지칭하는 것이 때때로 편리함이 입증되었다.

하지만, 이들 용어 및 유사한 용어 모두는 적절한 물리량들과 연관되어야 하고, 이들 양들에 적용된 단지 편리한 라벨들임을 명심해야 한다. 본 논의로부터 명백한 바와 같이 특별히 달리 언급되지 않으면, 설명 전반에 걸쳐, "프로세싱하는 것" 또는 "컴퓨팅(computing)하는 것" 또는 "산출(calculating)하는 것" 또는 "결정하는 것" 또는 "디스플레이하는 것" 등과 같은 용어를 활용하는 논의들은 컴퓨터 시스템 또는 유사한 전자 컴퓨팅 디바이스의 액션 및 프로세스들을 지칭함이 인식되며, 이 컴퓨터 시스템 또는 유사한 전자 컴퓨팅 디바이스는 컴퓨터 시스템의 레지스터들 및 메모리들 내의 물리(전자)량들로서 표현된 데이터를 컴퓨터 시스템 메모리들 또는 레지스터들 또는 다른 그러한 정보 저장, 전송 또는 디스플레이 디바이스들 내의 물리량들로서 유사하게 표현된 다른 데이터로 조작 및 변환한다.

본 발명의 실시예들은 또한 본 명세서에서의 동작들을 수행하는 장치들에 관한 것이다. 일부 장치들은 요구된 목적을 위해 특별히 구성될 수도 있거나, 또는 컴퓨터에 저장된 컴퓨터 프로그램에 의해 선택적으로 활성화되거나 재구성된 범용 컴퓨터를 포함할 수도 있다. 그러한 컴퓨터 프로그램은 플로피 디스크들, 광학 디스크들, CD-ROM들, DVD-ROM들 및 광자기 디스크들, 판독 전용 메모리들(ROMs), 랜덤 액세스 메모리들(RAMs), EPROM들, EEPROM들, NVRAM들, 자기 또는 광학 카드들, 또는 전자 명령들을 저장하기에 적절하고 컴퓨터 시스템 버스에 각각 커플링된 임의의 타입의 매체를 포함한 임의의 타입의 디스크와 같지만 이에 한정되지 않는 컴퓨터 판독가능 저장 매체에 저장될 수도 있다.

본 명세서에서 제시된 알고리즘들 및 디스플레이들은 임의의 특정 컴퓨터 또는 다른 장치에 본질적으로 관련되지 않는다. 다양한 범용 시스템들이 본 명세서에서의 교시들에 따른 프로그램들과 함께 사용될 수도 있거나, 또는 요구된 방법 단계들을 수행하기 위해 더 전문화된 장치를 구성하는 것이 편리함을 입증할 수도 있다. 다양한 이들 시스템들에 대해 요구된 구조가 본 명세서에서의 설명으로부터 나타난다. 부가적으로, 본 발명의 실시예들은 임의의 특정 프로그래밍 언어를 참조하여 기술되지 않는다. 다양한 프로그래밍 언어들이 본 명세서에 설명된 바와 같은 본 발명의 교시들을 구현하기 위해 사용될 수도 있음이 인식될 것이다.

머신-판독가능 매체는 머신(예를 들어, 컴퓨터)에 의해 판독가능한 형태로 정보를 저장 또는 송신하기 위한 임의의 메커니즘을 포함한다. 예를 들어, 머신-판독가능 매체는 판독 전용 메모리("ROM"); 랜덤 액세스 메모리 ("RAM"); 자기 디스크 저장 매체; 광학 저장 매체; 플래시 메모리 디바이스들 등을 포함한다.

본 발명의 실시예의 다수의 변경들 및 변형들이 전술한 설명을 읽은 후 당업자에게 의심할 여지없이 명백하게 될 것이지만, 예시에 의해 도시되고 설명된 임의의 특정 실시예가 한정하는 것으로서 간주될 의도는 결코 없음이 이해되어야 한다. 따라서, 다양한 실시예들의 상세들에 대한 참조들은, 본 발명에 대한 본질적인 것으로서 간주되는 그 특징들만을 기재하는 청구항들의 범위를 한정하도록 의도되지 않는다.

Claims (30)

1. 디지털 사인(digital sign) 상에서의 디스플레이를 위한 광고를 선택하는 방법으로서,
   상기 디지털 사인 상에 디스플레이된 광고들의 복수의 이전 뷰어들로부터 비디오 분석 데이터를 수집하는 단계;
   상기 수집된 비디오 분석 데이터를 분석하여, 상기 수집된 비디오 분석 데이터에 기초하여 상기 이전 뷰어들의 뷰잉 패턴들을 결정하는 단계;
   상기 뷰잉 패턴들에 기초하여 광고 모델들을 트레이닝하는 단계; 및
   상기 트레이닝된 광고 모델들에 기초하여 복수의 광고들로부터 상기 디지털 사인 상에서의 디스플레이를 위한 광고를 선택하는 단계를 포함하는, 방법.
2. 제1항에 있어서,
   상기 디지털 사인 상에서의 디스플레이를 위한 광고를 선택하는 단계는 상기 이전 뷰어들과 동일하거나 유사한 데모그래픽에 속하는 장래의 뷰어들에 의한 뷰잉을 위하여 상기 디지털 사인 상에서의 디스플레이를 위한 광고를 선택하는 단계를 포함하는, 방법.
3. 제1항에 있어서,
   어느 광고를 장래의 뷰어들에 의한 뷰잉을 위하여 상기 디지털 사인 상에 디스플레이할지에 관한 광고주 선호도들을 수신하는 단계를 더 포함하고,
   상기 트레이닝된 광고 모델들에 기초하여 상기 디지털 사인 상에서의 디스플레이를 위한 광고를 선택하는 단계는 상기 트레이닝된 광고 모델들 및 상기 광고주 선호도들 중 하나 또는 양자에 기초하여 디스플레이를 위한 광고를 선택하는 단계를 포함하는, 방법.
4. 제1항에 있어서,
   상기 비디오 분석 데이터를 수집하는 단계는 익명의 비디오 분석 데이터를 수집하는 단계를 포함하는, 방법.
5. 제1항에 있어서,
   상기 비디오 분석 데이터는 하나 이상의 이전 뷰어 특성들을 포함하고, 상기 특성들은 성별 및 연령을 포함하는, 방법.
6. 제5항에 있어서,
   상기 비디오 분석 데이터는,
   일자 및 시간, 요일(a day-of-the-week), 시간슬롯, 디스플레이 위치, 뷰잉 시간, 및 상기 디지털 사인 상에 디스플레이된 광고들의 상기 이전 뷰어들과 연관된 뷰어 특성들에 기초하여 상기 이전 뷰어들이 타겟 뷰어들인지 여부에 관한 표시
   중 하나 이상을 더 포함하는, 방법.
7. 제1항에 있어서,
   상기 디지털 사인 상에 디스플레이된 광고들에 대응하는 광고 데이터를 수신하는 단계를 더 포함하고,
   상기 뷰잉 패턴들에 기초하여 광고 모델들을 트레이닝하는 단계는 상기 뷰잉 패턴들 및 상기 광고 데이터 중 하나 또는 양자에 기초하여 광고 모델들을 트레이닝하는 단계를 포함하는, 방법.
8. 제7항에 있어서,
   상기 광고 데이터는 일자 및 시간, 디스플레이 위치, 애드 카테고리(ad category), 및 상기 디지털 사인 상에 디스플레이된 각각의 광고에 대한 지속기간 또는 길이를 포함하는, 방법.
9. 제1항에 있어서,
   상기 광고들이 상기 디지털 사인 상에 디스플레이되었던 시간에 대응하는 날씨 데이터를 수집하는 단계를 더 포함하고,
   상기 뷰잉 패턴들에 기초하여 광고 모델들을 트레이닝하는 단계는 상기 뷰잉 패턴들 및 상기 날씨 데이터 중 하나 또는 양자에 기초하여 광고 모델들을 트레이닝하는 단계를 포함하는, 방법.
10. 제1항에 있어서,
    판매점(point-of-sale) 데이터를 수신하는 단계; 및
    상기 뷰잉 패턴들을 상기 판매점 데이터와 상관시켜, 상기 광고들에서 식별된 제품 또는 서비스의 판매에 대한 상기 디지털 사인 상에 디스플레이된 광고들의 영향을 결정하는 단계를 더 포함하는, 방법.
11. 제1항에 있어서,
    상기 선택된 광고를 상기 디지털 사인 상에 디스플레이하는 단계를 더 포함하는, 방법.
12. 디지털 광고 시스템으로서,
    복수의 디지털 광고들을 수신하는 입력부;
    디지털 사인 모듈 상에서의 디스플레이를 위한 상기 디지털 광고들을 송신하는 출력부;
    상기 디지털 사인 모듈에 커플링되어, 상기 디지털 사인 상에 디스플레이된 상기 디지털 광고들의 복수의 이전 뷰어들에 관한 비디오 분석 데이터를 검색하고, 데이터 마이닝 알고리즘에 따른 상기 비디오 분석 데이터에 기초하여 트레이닝된 광고 모델들을 생성하는 데이터 마이닝 모듈; 및
    상기 데이터 마이닝 모듈에 커플링되어, 상기 트레이닝된 광고 모델들을 수신하고, 상기 입력부에 커플링되어,
    상기 복수의 디지털 광고들을 수신하는 콘텐츠 관리 시스템 모듈을 포함하고,
    상기 콘텐츠 관리 시스템은 상기 트레이닝된 광고 모델들 및 상기 복수의 디지털 광고들에 기초하여 디스플레이를 위한 복수의 광고들의 서브세트를 생성하여 상기 디지털 사인 모듈로 송신하는, 디지털 광고 시스템.
13. 제12항에 있어서,
    상기 입력부에 커플링되어, 상기 복수의 디지털 광고들을 제공하는 광고 모듈을 더 포함하는, 디지털 광고 시스템.
14. 제12항에 있어서,
    상기 출력부에 커플링되어, 상기 디지털 광고들을 수신하는 디지털 사인 모듈을 더 포함하고,
    상기 디지털 사인 모듈은 상기 디지털 광고들을 디스플레이하고 상기 비디오 분석 데이터를 캡처하며 영구 저장부로 송신하는, 디지털 광고 시스템.
15. 제14항에 있어서,
    상기 영구 저장부에 커플링되어, 상기 비디오 분석 데이터를 검색하는 데이터 마이닝 모듈을 더 포함하는, 디지털 광고 시스템.
16. 제15항에 있어서,
    상기 데이터 마이닝 모듈은 나이브 베이즈( ), 판정 트리들(Decision Trees), 및 연관 룰들(Association Rules)의 데이터 마이닝 알고리즘을 포함한 다수의 널리 공지된 데이터 마이닝 알고리즘들 중 하나에 따른 비디오 분석에 기초하여 트레이닝된 광고 모델들을 생성하는, 디지털 광고 시스템.
17. 제14항에 있어서,
    상기 디지털 사인 모듈은 디스플레이를 위한 상기 복수의 광고들의 서브세트를 저장하고 디지털 디스플레이 스크린으로 송신하는 디지털 사인 플레이어 모듈을 포함하는, 디지털 광고 시스템.
18. 제12항에 있어서,
    상기 입력부는 추가로, 어느 광고를 디지털 사인으로 송신할지에 관한 광고주 선호도들을 수신하고,
    상기 콘텐츠 관리 시스템은 상기 트레이닝된 광고 모델들, 상기 복수의 디지털 광고들, 및 상기 광고주 선호도들에 기초하여 디스플레이를 위한 복수의 광고들의 서브세트를 생성하여 상기 디지털 사인 모듈로 송신하는, 디지털 광고 시스템.
19. 제12항에 있어서,
    상기 데이터 마이닝 모듈은 상기 디지털 사인 모듈에 커플링되어, 상기 디지털 사인에 디스플레이하기 위해 송신된 광고들의 디스플레이에 대응하는 비디오 분석 데이터 및 광고 데이터를 검색하고 상기 데이터 마이닝 알고리즘에 따른 상기 비디오 분석 데이터 및 상기 광고 데이터에 기초하여 트레이닝된 광고 모델들을 생성하는, 디지털 광고 시스템.
20. 제12항에 있어서,
    상기 데이터 마이닝 모듈은 상기 디지털 사인에 디스플레이하기 위해 송신된 광고들이 디스플레이되었던 시간에 대응하는 날씨 데이터를 수신하고, 상기 데이터 마이닝 알고리즘에 따른 상기 비디오 분석 데이터 및 상기 날씨 데이터에 기초하여 트레이닝 광고 모델들을 생성하는, 디지털 광고 시스템.
21. 제12항에 있어서,
    상기 디지털 사인 모듈에 커플링되어 상기 비디오 분석 데이터를 검색하는 상기 데이터 마이닝 모듈은, 상기 디지털 사인 모듈에 커플링되어 익명의 비디오 분석 데이터를 수신하는 데이터 마이닝 모듈을 포함하는, 디지털 광고 시스템.
22. 제21항에 있어서,
    상기 익명의 비디오 분석 데이터는 하나 이상의 이전 뷰어 특성들을 포함하는, 디지털 광고 시스템.
23. 제22항에 있어서,
    상기 하나 이상의 이전 뷰어 특성들은 성별 및 연령 중 하나 이상을 포함하는, 디지털 광고 시스템.
24. 제22항에 있어서,
    상기 하나 이상의 이전 뷰어 특성들은 이전 뷰어와 연관된 드웰 시간을 포함하는, 디지털 광고 시스템.
25. 제12항에 있어서,
    상기 비디오 분석 데이터는,
    일자 및 시간, 요일, 시간슬롯, 디스플레이 위치, 뷰잉 시간, 및 상기 디지털 사인 상에 디스플레이된 광고들의 상기 이전 뷰어들과 연관된 뷰어 특성들에 기초하여 상기 이전 뷰어들이 타겟 뷰어들인지 여부에 관한 표시
    중 하나 이상을 더 포함하는, 디지털 광고 시스템.
26. 명령어들을 포함하는 비-일시적인 컴퓨터 판독가능 매체를 포함한 장치로서,
    상기 명령어들은 컴퓨터에 의해 실행될 경우, 상기 컴퓨터로 하여금
    디지털 사인 상에 디스플레이된 광고들의 복수의 이전 뷰어들로부터 비디오 분석 데이터를 수집하는 단계;
    상기 수집된 비디오 분석 데이터를 분석하여, 상기 수집된 비디오 분석 데이터에 기초하여 상기 이전 뷰어들의 뷰잉 패턴들을 결정하는 단계;
    상기 뷰잉 패턴들에 기초하여 광고 모델들을 트레이닝하는 단계; 및
    상기 트레이닝된 광고 모델들에 기초하여 복수의 광고들로부터 상기 디지털 사인 상에서의 디스플레이를 위한 광고를 선택하는 단계
    수행하게 하는, 장치.
27. 제26항에 있어서,
    상기 매체는, 상기 컴퓨터에 의해 실행될 경우, 상기 컴퓨터로 하여금 어느 광고를 장래의 뷰어들에 의한 뷰잉을 위하여 상기 디지털 사인 상에 디스플레이할지에 관한 광고주 선호도들을 수신하는 단계를 수행하게 하는 명령어들을 더 포함하고,
    상기 트레이닝된 광고 모델들에 기초하여 상기 디지털 사인 상에서의 디스플레이를 위한 광고를 선택하는 단계는 상기 트레이닝된 광고 모델들 및 상기 광고주 선호도들 중 하나 또는 양자에 기초하여 디스플레이를 위한 광고를 선택하는 단계를 포함하는, 장치.
28. 제26항에 있어서,
    상기 비디오 분석 데이터는 하나 이상의 이전 뷰어 특성들을 포함하고, 상기 특성들은 성별 및 연령을 포함하는, 장치.
29. 제28항에 있어서,
    상기 비디오 분석 데이터는,
    일자 및 시간, 요일, 시간슬롯, 디스플레이 위치, 뷰잉 시간, 및 상기 디지털 사인 상에 디스플레이된 광고들의 상기 이전 뷰어들과 연관된 뷰어 특성들에 기초하여 상기 이전 뷰어들이 타겟 뷰어들인지 여부에 관한 표시
    중 하나 이상을 더 포함하는, 장치.
30. 제26항에 있어서,
    상기 매체는, 상기 컴퓨터에 의해 실행될 경우, 상기 컴퓨터로 하여금 상기 디지털 사인 상에 디스플레이된 광고들에 대응하는 광고 데이터를 수신하는 단계를 수행하게 하는 명령어들을 더 포함하고,
    상기 뷰잉 패턴들에 기초하여 광고 모델들을 트레이닝하는 단계는 상기 뷰잉 패턴들 및 상기 광고 데이터 중 하나 또는 양자에 기초하여 광고 모델들을 트레이닝하는 단계를 포함하는, 장치.
    

Images