技术领域
[0001] 本
发明涉及广告投放技术领域，具体涉及一种基于门禁系统的智能广告投送方法。
背景技术
[0002] 随着社会的不断发展，住户对于安全的问题越来越重视，于是智能门禁应用而生，智能门禁是新型现代化安全管理系统，它集微机自动识别技术和现代安全管理措施为一体，它涉及
电子，机械，光学，计算机技术，通讯技术，
生物技术等诸多新技术，它是解决重要部门出入口实现安全防范管理的有效措施；适用各种机要部门，如
银行、宾馆、机房、军械库、机要室、办公间，智能化小区，工厂等，在数字技术网络技术飞速发展的今天智能门禁技术得到了迅猛的发展，智能门禁系统早已超越了单纯的门道及钥匙管理，它已经逐渐发展成为一套完整的出入管理系统，它在工作环境安全工作中发挥着巨大的作用；
现有技术中的智能门禁访客在来访时，往往需要等待一段时间，为了起到广告宣传作用，有的门上张贴一些广告，这些广告是单一的并不能有针对性地将不同类别的广告投放给不同性别、年龄甚至爱好的人群，此外，张贴的广告浪费纸资源，而且雨
水等容易等损坏纸张，有的物业为了保证美好的居住环境，会将张贴的广告进行清理，这就导致使访客不能完整的观看广告或者看不到广告；这种单一的广告投送方式低效盲目，容易造成广告资源的浪费；也会造成纸资源的浪费，不具有环保的效果；因此，需要提供一种新的技术方案来解决上述技术问题。
发明内容
[0003] 为了克服上述现有技术中存在的
缺陷，本发明提供了一种基于门禁系统的智能广告投送方法，可以避免纸资源的浪费，并且本发明能够针对不同性别和年龄的人访客，有针对性的投放广告，提高广告资源投放的效率，提高广告的效益和价值。
[0004] 本发明提高了一种基于门禁系统的智能广告投送方法，包括：
[0005] 步骤一：安装在门上的摄像装置追踪进入摄像区域内的人脸信息；
[0006] 步骤二：所述摄像装置拍摄实时图像，对人脸图像进行特征提取，称为人脸图像
特征向量，形成样本集合，分析识别访客的性别；
[0007] 步骤三：所述摄像装置拍摄实时图像，对人脸图像进行特征提取，称为人脸图像特征向量，形成样本集合，分析识别访客的年龄；
[0008] 步骤四：根据步骤二和步骤三的所识别的访客的信息，进行建模分析，确认人物图像的人物特征，及时筛选出符合访客的广告，并通过安装在门禁上的显示屏进行投放。
[0009] 所述步骤二的具体实施步骤包括：摄像装置拍摄实时图像，基于人脸性别
算法从实时图像中提取出人脸区域，用于识别访客的性别，所述人脸区域大小为M×N的尺寸规格，且含有两瞳孔间距的规格，据此行列均分该人脸，生成网格，得到匹配数目的网格点；基于每个网格点提取人脸子特征，利用每个子特征信息和预先知道的男女信息，应用学习算法进行学习，输出训练结果；
[0010] 提取人脸子特征的方法是，首先截取对应网格点的预定邻域，形成一个M1×N1子区域，进而得到M1×N1列的向量；M1、N1的取值范围均为[10，15]；所述性别识别结果为y＝{0，1}，其中0代表女，1代表男；
[0011] 所述网格划分方法是宽m等分，高n等分，其中m、n均为自然数，且m∈[4，10]，n∈[3，8]。
[0012] 所述步骤三的具体实施步骤包括：基于步骤二拍摄的实时图像，基于人脸年龄识别算法从该实时图像中提取出人脸区域，用于识别访客的年龄，将该人脸区域输入预先确定的年龄识别模型，提取出一个n维特征向量Y[y0,y1,…,yi,…,yn]，其中，i∈[0,n]，0≤n≤100；及将所述特征向量Y[y0,y1,…,yi,…,yn]]输入年龄识别公式，识别所述实时图像中人脸的年龄，其中，所述年龄识别公式为：age＝arg_max(Y)。
[0013] 所述步骤三具体实施步骤中所提取的人脸区域中还包括
人脸识别参数，所述人脸识别参数包括眼睛间距E、颧骨间距B、鼻梁长度N、额头宽度F和下巴宽度C，所述人脸图像特征向量计为(E，B，N，F，C)。
[0014] 所述预先确定的年龄识别模型包括训练步骤，所述训练步骤包括：
[0015] A、准备各个年龄对应的预设数量的人脸样本图像，对人脸样本图像进行规范化处理形成年龄样本图像；
[0016] B、为每张年龄样本图像标注对应的年龄标签，形成样本集；
[0017] C、利用
卷积神经网络随机读取样本集中的年龄样本图像，从该年龄样本图像中提取不同年龄对应的特征，并组合该特征生成该年龄样本图像对应的n维特征向量；
[0018] D、计算所述n维特征向量的损失值，利用随机
梯度下降法及所述n维向量对应的年龄标签对所述卷积神经网络的参数进行更新；
[0019] E、反复执行步骤A-D，直到从年龄样本图像中提取的n维特征向量的损失值不再下降为止。
[0020] 所述步骤三与步骤四之间包括步骤(1)，基于步骤三识别的访客的年龄，进行年龄干扰因素参数的校正，所述年龄干扰因素的校正包括：
[0021] 对步骤三中的实时图像进行光照检测，获得光照参数的校正参数；
[0022] 对步骤三中的实时图像进行表情识别，获得表情识别的校正参数；
[0023] 所述基于步骤三中的访客的年龄和干扰因素参数，可以得到年龄校正值；所述年龄校正值和访客的年龄之和为访客的实际年龄值；
[0024] 所述年龄校正值与干扰因素参数校正值之间的函数为：
[0025] h(x)＝θ0+θ1X1+θ2X2+…+θnXn
[0026] 其中，h(x)是年龄校正值，X1、X2、…Xn分别是年龄干扰因素参数的校正参数值，θ1、θ2…θn是与所述年龄干扰因素校正参数对应的系数，θ0是所有年龄干扰因素的校正参数对所述实际年龄值的偏移量；
[0027] 年龄校正值的范围可以在[-100，100]之间。
[0028] 所述表情识别中的表情包括：喜悦、悲伤、惊讶、愤怒、正常。
[0029] 所述步骤三与步骤四之间包括步骤(2)，对访客的性别进行验证，所述步骤(2)包括以下步骤
[0030] 步骤Sa:对步骤三中所采集的样本集合根据年龄信息进行分解，分成各项子集合，[0031] 步骤Sb:按照M3网络的分解和组合方法对这些子集合进行训练，然后组合成M3网络分类器
[0032] 步骤Sc:进行性别识别,与步骤二中的性别识别进对比；
[0033] 所述Sa各项子集合分别为：
[0034] (E1，E2，E3,······，En)
[0035] (B1，B2，B3,······，Bn)
[0036] (N1，N2，N3,······，Nn)
[0037] (F1，F2，F3,······，Fn)
[0038] (C1，C2，C3,······，Cn)；
[0039] 所述步骤Sb子集合进行训练的方式为对这些子集数据进行线性回归处理，处理方法为：
[0040] 1)先求x,y的平均值b；
[0041] 2)用公式求解：a＝y-bx；
[0042] 3)求出各项参数的公式y＝bx+a线性回归方程y＝bx+a过定点
[0043] (x为对应提取参数人员的年龄，y为各项子集)。
[0044] 所述步骤Sc进行性别识别的方法为：
[0045] 1)提取未知性别人员的各项参数的数据，包括：测量眼睛间距、颧骨间距、鼻梁长度、额头宽度和下巴宽度；
[0046] 2)将该人员的年龄和各项参数带入对应参数所述的公式进行拟合，分别进行男性参数拟合和女性参数拟合；
[0047] 3)比较两种拟合度的结果，则拟合度较高的即为该人员的性别；
[0048] 4)将得出的结果与步骤二中所识别的性别进行比较，当结果一致时，开始下一步的工作，即进行广告的删选和推送，当结果不一致时，重新开始检测。
[0049] 所述步骤四之前还包括:
[0050] 录入所述人物特征中性别相匹配的广告数据；
[0051] 录入所述人物特征中年龄相匹配的广告数据。
[0052] 由于采用了上述技术方案，与现有技术相比，本发明提供了一种基于门禁系统的智能广告投送方法，能够在访客等待进门的过程中，有针对性的投送广告，充分利用等待的时间，可以避免纸资源的浪费，并且本发明能够针对不同性别和年龄的人访客，有针对性的投放广告，提高广告资源投放的效率，提高广告的效益和价值。
附图说明
[0053] 图1是本发明的
实施例1的流程示意图；
[0054] 图2是本发明的实施例2的流程示意图；
[0055] 图3是本发明的实施例3的流程示意图；
具体实施方式
[0056] 以下结合附图对本发明的具体实施方式进行详细说明。应当说明的是，此处所描述的具体实施方式仅用于说明和解释本发明，但是本发明可以由
权利要求限定和
覆盖的多种不同方式实施，并不用于限制本发明。
[0057] 现有技术中
线下广告投放包括会场展柜，固定广告台，大屏幕滚动广告，广告投放为单方面投放，缺乏与用户的直接交互，根本无法根据用户特征，如：年龄、性别进行精确广告投放；尤其在门禁上，现有技术中几乎都是通过张贴宣传海报的方式进行宣传，宣传海报受到外界的因素容易损坏，如水、
风等因素；而且在投放的过程中，很多人会不感兴趣，浪费纸资源。
[0058] 本发明主要目的在于提供一种基于门禁系统的智能广告投送方法，以实现线下广告的精确投放。
[0059] 实施例1:
[0060] 参考图1所示，本发明提供了一种基于门禁系统的智能广告投送方法，包括：
[0061] 步骤一：摄像装置追踪进入摄像区域内的人脸信息；
[0062] 步骤二：摄像装置拍摄实时图像，分析识别访客的性别；
[0063] 步骤三：摄像装置拍摄实时图像，分析识别访客的年龄；
[0064] 步骤四：根据步骤二和步骤三的所识别的访客的信息，进行建模分析，确认人物图像的人物特征，及时筛选出符合访客的广告，并通过安装在门禁上的显示屏进行投放。
[0065] 该智能广告投放方法可以解决应用在门禁设备中线下场景中针对不同特征人群的精准广告投放问题；主要技术手段为使用人脸识别技术，识别人物特征，并对人群进行分类，通过识别结果有针对性地投放播放不同的广告。
[0066] 步骤二和步骤三中分析识别访客的性别和年龄是通过其他的处理装置进行的，不是通过摄像装置进行处理的。
[0067] 步骤一中包括:所述人脸信息为整张人脸或选择眼睛、眉毛、鼻子、嘴巴中的一个或者多个。
[0068] 所述步骤二的具体实施步骤包括：摄像装置拍摄实时图像，性别识别装置基于人脸性别算法从实时图像中提取出人脸区域，用于识别访客的性别；提取出的人脸区域可以是整张人脸，也可以是人脸的眼睛、眉毛、鼻子、嘴巴等关键特征，在选择局部特征时，尽可能选择性别区分度较大的部位，在区分度相对较小时，可以匹配多种部位进行区分，以满足信息融合的需要；当提取出的人脸区域为整张人脸时，优选的，区域宽度为100-150，区域高度为150-200，此方法较为充分的利用了人脸的全部信息；当提取出的人脸区域为眉毛或眼睛的区域时，优选的，图像的大小为100×40，此方法利用了人脸的局部区域，但由于眉毛眼睛具有很好的区分度，也可具有很好的识别效果；
[0069] 所述人脸区域大小为M×N的尺寸规格，且含有两瞳孔间距的规格，据此行列均分该人脸，生成网格，得到匹配数目的网格点；对选择的M×N区域的高和宽分别等距离划分网格，得到若干个网格点；所述网格划分方法是宽m等分，高n等分，其中m、n均为自然数，m一般取M的1/10—1/4；经过大量的实验，m过大则容易包含过多的无效信息，造成识别率下降，m过小则容易遗漏关键信息，同样造成识别率下降，在这个区间内，可以获得较佳区分度；n一般取N的1/8—1/3，经过验证，n过大或过小也都将使识别率有不同程度的下降；所以，优选的m∈[4，10]，n∈[3，8]；基于每个网格点提取人脸子特征，选取2K(K为自然数，一般取100-300张即可，可获得具有较好代表性的数据)张尺寸归一化的人脸图像，男女图像各K张，基于每个网格点提取人脸子特征，利用每个子特征信息和预先知道的男女信息，用学习算法进行学习；提取人脸子特征的方法是，首先截取对应网格点的预定邻域，形成一个M1×N1子区域，进而得到M1×N1列的向量；M1、N1均为自然数，M1、N1的取值范围均为[10，15]；所述性别识别结果为y＝{0，1}，其中0代表女，1代表男；此种方法简单明了，易于操作；M1、N1均可取10—15之间，过大或过小都会造成学习效果变差，经过验证在期望的识别率中上述范围可用，并可在上述范围中去的峰值；应当理解，包括M1、N1取值范围在内的范围基本满足一定参数效果的曲线，由此所延伸出效果较差的数值，属于其的简单变换，应当落入其保护范围之内。
[0070] 所述步骤三的具体实施步骤包括：摄像装置拍摄的实时图像，年龄识别装置基于人脸年龄识别算法从该实时图像中提取出人脸区域，用于识别访客的年龄，将该人脸区域输入预先确定的年龄识别模型，提取出一个n维特征向量Y[y0,y1,…,yi,…,yn]，其中，i∈[0,n]，0≤n≤100；及将所述特征向量Y[y0,y1,…,yi,…,yn]]输入年龄识别公式，识别所述实时图像中人脸的年龄，其中，所述年龄识别公式为：age＝arg_max(Y)。
[0071] 所述步骤三具体实施步骤中所提取的人脸区域中还包括人脸识别参数，所述人脸识别参数包括眼睛间距E、颧骨间距B、鼻梁长度N、额头宽度F和下巴宽度C，所述人脸图像特征向量计为(E，B，N，F，C)；这些信息是人脸较具有代表性的信息，可以帮助有效判断人员的性别和年龄，本发明将这些脸部信息根据年龄进行分类，将相同的参数组成一个集合，对访客的性别进行验证，进一步提高了性别检测的准确性。
[0072] 所述预先确定的年龄识别模型包括训练步骤，所述训练步骤包括：
[0073] A、准备各个年龄对应的预设数量的人脸样本图像，对人脸样本图像进行规范化处理形成年龄样本图像；
[0074] B、为每张年龄样本图像标注对应的年龄标签，形成样本集；
[0075] C、利用卷积神经网络随机读取样本集中的年龄样本图像，从该年龄样本图像中提取不同年龄对应的特征，并组合该特征生成该年龄样本图像对应的n维特征向量；
[0076] D、计算所述n维特征向量的损失值，利用随机梯度下降法及所述n维向量对应的年龄标签对所述卷积神经网络的参数进行更新；
[0077] E、反复执行步骤A-D，直到从年龄样本图像中提取的n维特征向量的损失值不再下降为止。
[0078] 以识别实时图像中人脸的年龄为例，对本发明的具体方案进行说明。当摄像装置拍摄到一张实时图像，年龄识别装置获取脸部的区域且保存下来，这样就完成了一次人脸区域提取的过程。在其他实施例中，从该实时图像中提取人脸区域的人脸识别算法还可以为：基于几何特征的方法、局部特征分析方法、
特征脸方法、基于弹性模型的方法、神经网络方法等等。
[0079] 将利用人脸识别算法提取的人脸区域保存为预设大小的图片，例如，保存为256*256
像素的图片P，将包含人脸区域的图片P输入预先确定的年龄识别模型，以从图片P中提取中代表不同年龄的人脸特征，组合该人脸特征生成图片P的特征向量Y[y0,y1,…,yi,…,yn]，其中，所述预先确定的年龄识别模型通过训练卷积神经网络得到，在本实施例中，卷积神经网络为inception-resnet网络，具体训练步骤包括：
[0080] 为每个年龄分别准备对应的预设数量的人脸样本图像，例如，准备0岁至100岁对应的人脸样本图像，对这些样本图像进行规范化处理后形成年龄样本图像，根据每张年龄样本图像中人脸的年龄，为每张年龄样本图像标注年龄标签“0”至“100”，所有的年龄样本、图像及其年龄标签形成样本集；对卷积神经网络进行初始化，使其后续提取的特征向量均为n(例如，101)维的，在利用样本集训练卷积神经网络的过程中，卷积神经网络从样本集中随机读取年龄样本图像，从读取的该年龄样本图像中提取出反映不同年龄的人脸特征，组合该人脸特征生成该年龄样本图像对应的n维特征向量，每提取m(例如，100)张年龄样本图像的特征向量后，计算该m(例如，100)个维特征向量的损失值(即Loss)。具体地，所述Loss的计算公式如下：
[0081]
[0082] 其中，Xi表示年龄的特征向量Y，Cyi表示和特征向量Y维度一样的中心特征向量，即第yi类的特征中心，且Cyi的初始化值为全0，W表示所述卷积神经网络的全连接层的参数矩阵，b表示偏置，wj表示W的第j列，m表示更新一次模型参数输入的样本个数(在本实施例中，m为100)。通过计算特征向量的Loss，利用随机梯度下降法及所述特征向量对应的年龄标签对所述卷积神经网络的参数进行更新，使提取的特征向量更聚类，也使后续从实时图像中识别出的年龄更逼近真实年龄。利用随机梯度下降法更新模型参数的方法已较成熟，这里不再赘述。反复执行步骤A-D，直到从年龄样本图像中提取的特征向量的Loss不再下降，停止模型参数更新，也就是说模型训练过程结束，得到了所述模型识别模型。
[0083] 需要说明的是，所述对人脸样本图像进行规范化处理包括：对第一样本集中的样本图片进行预处理如缩放、裁剪、翻转及/或扭曲等操作，利用经过规范化处理后的人脸样本图像对卷积神经网络进行训练，有效提高模型训练的真实性及准确率。
[0084] 所述步骤四之前还包括:
[0085] 录入所述人物特征中性别相匹配的广告数据；
[0086] 录入所述人物特征中年龄相匹配的广告数据。
[0087] 优选的，在网络终端中录入与所述人物特征中性别相匹配的广告数据以及与所述人物特征中年龄相匹配的广告数据；通过无线网络模
块，可与网络终端进行快速的信息交换，及时筛选出符合消费者的广告类型，网络终端包括消费者
大数据模块或广告大数据模块，通过摄像装置主动采集访客的信息，从网络终端筛选出符合消费者类型的目标，再根据目标从网络终端智能甄选广告类型，并将广告投在投放装置上播放，所述投放装置优先采用设置在门禁装置上的显示屏，本发明可智能识别消费者类型，有针对性地对广告进行甄选投放，可大大提高广告效益和价值。
[0088] 实施例2：
[0089] 参考图2所示，与实施例1不同的地方在于，所述步骤三与步骤四之间包括步骤S(1):基于步骤三识别的访客的年龄，进行年龄干扰因素参数的校正，所述年龄干扰因素的校正包括：
[0090] 对步骤三中的实时图像进行光照检测，获得光照参数的校正参数；
[0091] 对步骤三中的实时图像进行表情识别，获得表情参数的校正参数；
[0092] 所述表情参数包括：喜悦、悲伤、惊讶、愤怒、正常。
[0093] 可选地，所述年龄干扰因素参数包括光照参数、表情参数中的至少一项。
[0094] 以光照参数为例，相对于同一目标人脸如果外界光照较强，即所述目标人脸图像中的光线强度值大，则进行年龄识别得出的年龄值会比实际年龄值小；反之，如果外界光照较弱，即所述目标人脸图像中的光线强度值小，则进行年龄识别得出的年龄值会比实际年龄值大。
[0095] 相对于人脸表情参数而言，人脸表情可以为愤怒、悲伤、高兴等。例如，相对于同一目标人脸如果所述目标人脸的人脸表情为高兴，则进行年龄识别得出的年龄值会比实际年龄值小；如果所述目标人脸的人脸表情为悲伤，则进行年龄识别得出的年龄值会比实际年龄值大。
[0096] 当然，所述人脸年龄校正参数除了以上参数外，还可以包括其他会影响年龄识别结果的参数，如人脸
姿态等，人脸的仰视
角度不同，也会影响年龄值的大小，本公开实施例就是要确定不同的人脸干扰参数的校正参数值对年龄校正值，从而提高年龄估计的准确性。
[0097] 本公开实施例中，在建立了所述人脸年龄模型后，可以对作为
训练数据的所有所述人脸图像基于所述年龄校正参数进行统计测试，得到所述年龄校正参数对人脸年龄识别的影响程度，可选地，可以用年龄校正值来描述所述影响程度。
[0098] 假设所述人脸年龄校正参数中只包括光照参数，则可以对作为训练数据的所有所述人脸图像均基于所述光照参数进行统计测试，按照相关技术对所述人脸图像进行光照检测，测试出不同的光照参数值，并根据测试出的所述光照参数值确定对所述人脸图像进行年龄识别的年龄校正值；根据已经建立的人脸年龄模型已经可以确定所有所述人脸图像各自的预估年龄值，在采集训练数据之前已经确定了所有所述人脸图像各自的实际年龄值，将每个所述人脸图像的所述实际年龄值减去所述预估年龄值，就得到了所述光照参数对所述人脸图像的校正年龄值。
[0099] 例如光照参数值为a1时，人脸图像A经过步骤三确定的年龄值是b1，采集训练数据时已经确定的所述人脸图像A的实际年龄值是b2，则光照参数值为a1时，进行年龄识别会造成的年龄校正值为(b2-b1)。
[0100] 基于步骤三中的访客的年龄和干扰因素参数，可以得到年龄校正值；所述年龄校正值和访客的年龄之和为访客的实际年龄值；
[0101] 所述年龄校正值与干扰因素参数校正值之间的函数为：
[0102] h(x)＝θ0+θ1X1+θ2X2+…+θnXn；
[0103] 其中，h(x)是年龄校正值，X1、X2、…Xn分别是年龄干扰因素参数的校正参数值，θ1、θ2…θn是与所述年龄干扰因素校正参数对应的系数，θ0是所有年龄干扰因素的校正参数对所述实际年龄值的偏移量。
[0104] 年龄校正值的范围可以在[-100，100]之间。
[0105] 例如，X1可以代表人脸年龄校正参数中的光照参数的光照参数值，X2可以代表人脸年龄校正参数中的人脸表情参数的人脸表情参数值，Xn可以代表人脸年龄干扰参数校正参数中的第n个参数相应的参数值；θ1、θ2…θn分别对应光照参数、表情参数和第n个参数，且θ0、θ1、θ2…θn一旦确定后，相对于同一人脸年龄数值不会发生改变；
[0106] 通过上述过程建立了所述人脸年龄模型，以及确定了所述估计函数后，基于同一人脸年龄模型进行年龄识别时，不再需要重复执行建立人脸模型和获取目标人脸图像；在需要进行年龄识别时，执行步骤三，获取访客人脸的图像。
[0107] 在步骤三中，所述访客人脸的图像可以截取自摄像装置拍摄的单独的图片，也可以截取自视频中的某一
帧图片；可以按照相关技术，对图片先进行人脸识别，例如对视频中的每一帧图片均进行人脸识别，如果识别到某一图片中包括人脸，则截取该图片中包括人脸的图像作为所述访客人脸图像。
[0108] 确定光照参数的目标光照参数值的过程如下：可以对所述访客人脸图像按照相关技术进行光照检测，从而获得所述光照参数的目标光照参数值，例如所述目标人脸图像中的光线强度值等。
[0109] 确定人脸表情参数的访客标表情参数值的过程如下：可以对所述访客人脸图像按照相关技术进行人脸表情识别，获得所述人脸表情参数的目标人脸表情参数值。
[0110] 确定人脸姿态参数的访客人脸姿态参数值的过程如下：可以对所述目标人脸图像按照相关技术进行人脸姿态检测，获得所述人脸姿态参数的目标人脸姿态参数值，例如访客人脸的旋转角度值、
俯仰角度值等。
[0111] 所述年龄校正值和访客的年龄之和为访客的实际年龄值；将所述年龄干扰参数的校正参数值代入所述估计函数中，计算得到所述年龄校正值。其中，所述目标校正年龄值的范围同样在[-100，100]之间；所述步骤三中检测的访客的年龄值和所述年龄校正值之和确定为访客实际年龄值。
[0112] 本步骤中，可以直接计算所述步骤三中检测的访客的年龄值和年龄校正值之和，最终将计算的结果确定为所述访客实际年龄值。
[0113] 上述步骤中，先确定访客的年龄值，同时获取年龄干扰因素校正参数在所述访客人脸图像中的年龄校正值，进而根据所述访客的年龄值和所述年龄校正值，确定所述访客的实际年龄值；由于在上述人脸年龄识别过程中考虑到了年龄干扰参数校正参数对年龄识别的影响，因此提高了人脸年龄识别的准确性。
[0114] 实施例3
[0115] 参考图3，与实施例2不同的地方在于，所述步骤三与步骤四之间包括步骤(2)用于对访客的性别进行验证，使对访客性别的检测结果更加的准确，所述步骤(2)包括以下步骤[0116] 步骤Sa:对步骤三中所采集的样本集合根据年龄信息进行分解，分成各项子集合，[0117] 步骤Sb:按照M3网络的分解和组合方法对这些子集合进行训练，然后组合成M3网络分类器
[0118] 步骤Sc:进行性别识别,与步骤二中的性别识别进对比；
[0119] 所述Sa各项子集合分别为：
[0120] (E1，E2，E3,······，En)
[0121] (B1，B2，B3,······，Bn)
[0122] (N1，N2，N3,······，Nn)
[0123] (F1，F2，F3,······，Fn)
[0124] (C1，C2，C3,······，Cn)。
[0125] 所述步骤Sb子集合进行训练的方式为对这些子集数据进行线性回归处理，处理方法为：
[0126] 1)先求x,y的平均值b；
[0127] 2)用公式求解：a＝y-bx；
[0128] 3)求出各项参数的公式y＝bx+a线性回归方程y＝bx+a过定点
[0129] (x为对应提取参数人员的年龄，y为各项子集)。
[0130] 步骤Sc进行性别识别，方法为：
[0131] 1)提取未知性别人员的各项参数的数据，包括：测量眼睛间距、颧骨间距、鼻梁长度、额头宽度和下巴宽度；
[0132] 2)将该人员的年龄和各项参数带入对应参数所述的公式进行拟合，分别进行男性参数拟合和女性参数拟合；
[0133] 3)比较两种拟合度的结果，则拟合度较高的即为该人员的性别；
[0134] 4)将得出的结果与步骤二中所识别的性别进行比较，当结果一致时，开始下一步的工作，即进行广告的删选和推送，当结果不一致时，重新开始检测；
[0135] 本发明中优选的，摄像装置采用摄像头，利用人脸识别技术采集访客的信息，利用处理系统，分析识别访客的性别和年龄，如PLC
控制器等，处理系统与通过信息交换器连接，信息交换器与网络终端连接连接，通过网络终端筛选出符合消费者类型的目标，再根据目标从网络终端智能甄选广告类型，并将广告投在显示屏上播放，所述显示屏安装在门上或者安装在门的两侧，方便访客进行观看的地方；所述信息交换器优先采用无线网络模块。
[0136] 综上所述，由于采用了上述技术方案，与现有技术相比，本发明提供了一种基于门禁系统的智能广告投送方法，能够在访客等待进门的过程中，有针对性的投送广告，充分利用等待的时间，可以避免纸资源的浪费，并且本发明能够针对不同性别和年龄的人访客，有针对性的投放广告，提高广告资源投放的效率，提高广告的效益和价值。
[0137] 以上结合附图详细描述了本发明的优选方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
[0138] 另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明各种可能的组合方式不再另行说明。
[0139] 此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明思想，其同样应当视为本发明所公开的内容。
