基于人脸识别与大数据分析的广告投放效果评价与智能推送
决策方法
技术领域
[0001] 本
发明涉及人脸识别与大数据分析技术以及广告
心理学领域，特别是涉及一种适用于
电子广告牌等广告媒介的广告投放效果评价与智能推送决策方法。
背景技术
[0002] 中国的广告类型按照媒介物可划分为印刷广告、电子广告、交通广告、户外广告，而针对这些广告的投放效果的评价方法可以概括为观察法、实验法、访谈法、投射法和问卷法。这些传统的评价方法几乎都是依赖于人工调查这种效率低下且数据不够精准的评价手段。
[0003] 同时，广告的投放效果评价按照投放过程可以分为：广告前测试、广告中测试、广告后测试以及追踪测定。广告前和广告后测试会在实时性上较劣于其他两种方法，因为广告前测试是在特定情况下所进行的广告调查实验，被测者的反应不能完全还原真实情况下的观众感受，而广告后测试则只能作为下次广告活动设定广告目标的基准，没有实时效益。然而，想要对商业楼宇、商场电子屏等户外多媒体广告进行广告中测试以及追踪测定的难度比较大，目前在国内大部分广告区域中尚未有足够高效可行的广告中测试评价方法能够被实际应用。尤其对于这类传统的媒体广告，很难准确地知道有多少人接收到广告信息，尚未有一种手段能够通过权威公布的访客流量统计系统精确统计出每个广告被多少用户看过，以及这些用户查阅的时间分布和地域分布，从而有助于广告商正确评估广告效果，审定广告投放策略。
[0004] 目前中国广告行业缺乏第三方量化和评价参考的机构，因此，对于大多数广告牌前众多人群所产生的庞大广告投放效果数据，广告主以及广告商却只能维持“置之不理”的现状，在仅靠独立进行的人工调查、实地考察和经验判断等低效且粗糙的手段进行投放效果评价的情况下赖以生存。在互联网广告领域中，更是面临这样的问题。目前对
网络广告效果的评估主要是基于
网站提供的数据，而这些数据的准确性、公正性一直受到某些广告主和代理商的质疑。有些小型商家企业甚至得不到实时客观的广告投放效果评价，只能根据要投放的
广告位的性质和数量进行效果预估，期间产生高昂的成本，然后转化的收益甚少。同时，投放广告所带来的真实利润难以计算。
[0005] 综上所述，随着广告投放形式的多样化发展，商家和广告主
门正急于寻求这样一种能够帮助他们解决“实时获取真实的投放效果评价信息难”、“没有可靠的广告投放效果评价数据来源”、“历史投放数据难以科学统计导致难以对广告的投放作出正确决策”等的问题。
[0006] 因此，在信息化高速发展的时代下，我们迫切地需要一种便捷高效的广告投放效果评价方式以及科学的广告推送决策技术去替代这些传统的调查研究模式，来解决广告主与广告商的难题。同时，帮助我国开发与发展广告心理学领域的研究。
[0007] 大数据正在引发中国互联网行业新一轮的技术浪潮,尤其是在网络广告领域,刚刚兴起的网络广告人群实时竞价(RTB)模式就是大数据时代一个崭新的领域。RTB模式的兴起折射出在技术的推动下网络广告正经历着如下变革：
[0008] (1)网络广告从作为一种营销工具到作为一种营销系统的变革；
[0009] (2)网络广告从内容关联到消费者行为关联的变化；
[0010] (3)网络广告从以单一媒体为中心到以数据为中心的变革。
[0011] 在技术层面，RTB最大的区别在于所有的广告都是透过“竞价”而购买的。不过对广告主而言，RTB最大突破莫过于让广告主购买“受众”，换个说法，以后广告主将可以作出以下的投放要求“25-34岁的妇女、生活在亚洲、对奢侈品时尚服装抱有浓厚兴趣、在过去2个月曾经进行在线购买、现正关注2012的春/夏季商品”。通过RTB投放广告﹐广告主不再需要考虑广告渠道与
位置，因为通过RTB你的广告会精确的展示在你的目标客户眼前。
发明内容
[0012] 本发明的目的是提供一种基于人脸识别与大数据分析的广告投放效果评价与推送决策方法，该方法可科学客观的给出广告投放效果评价，尤其适用于广告RTB模式，但同样适用于传统户外广告。
[0013] 为达到上述目的，本发明采用如下技术方案：
[0014] 一、基于人脸识别与大数据分析的广告投放效果评价方法，包括：
[0015] 步骤1，对待评价的广告集合中广告进行编号；
[0016] 步骤2，为广告集合建立广告数据表，具体为：将广告集合中每个广告的广告名和广告编号作为一条记录存放于广告数据表中；
[0017] 步骤3，在电子广告牌中按照预设顺序和预设次数向目标用户播放广告集合中所有广告；
[0018] 步骤4，广告播放过程中，电子广告牌上安装的摄像头采集目标用户的人脸数据，并从人脸数据中识别出人脸；
[0019] 步骤5，通过人脸识别自动获取每一
帧图像中每一个目标用户的面部特征数据，所述的面部特征数据包括性别、年龄、观看距离、人种、微笑值、
姿态、面部特征点位置、睁闭眼；
[0020] 步骤6，根据目标用户的面部特征数据，建立脸表和临时脸表，其中，脸表中以每一帧图像中每一位目标用户的面部特征数据作为一条记录，同时为各条记录添加记录所对应帧图像所属广告的广告编号、所对应帧图像的播放时间、所对应帧图像播放时的天气和地理；将脸表中刚播放结束的广告最近一次播放所对应的所有记录放入临时表；
[0021] 步骤7，每则广告播放结束时，对临时表中面部特征数据进行聚类，将各帧图像中同一人脸识别出来；对临时表中每一个人脸分别建立记录，将记录放入人表；记录的数据包括：年龄、性别、第一次出现时间、最后一次出现时间、闭眼次数、睁眼次数、注视率、是否佩戴眼镜、平均微笑值、人种、平均观看距离、观看的广告编号、观看时长、地点和天气；
[0022] 步骤8，当广告集合中广告播放结束后，对人表中数据进行标准化，具体为：
[0023] 统计人表中数据，分别获得观看每一个广告的目标用户的观看情况，所述的观看情况包括观看总人数tnun、男性人数mnun、女性人数fnun、总睁眼次数onum、总观看时长lenth、各年龄层人数knum；
[0024] 对每一个广告的观看情况分别进行标准化，标准化后的数据包括：平均注视率EC、男性比例MSR＝mnum/tnum、女性比例FSR＝fnum/tnum、男性注视率MEC＝EC*MSR、女性注视率FEC＝EC*FSR、各年龄层注视率KEC＝knum*EC/tnum、广告平均观看距离AD和微笑指数AS；其中，EC即观看每一个广告的所有目标用户的注视率的平均值，AD即观看每一个广告的所有目标用户的平均观看距离的平均值，AS即观看每一个广告的所有目标用户的平均微笑值的平均值；
[0025] 步骤9，根据标准化后的数据分别获取各广告的广告属性值，即广告投放效果的直接评价；所述的广告属性包括观看各广告的所有目标用户的性别比、年龄范围、广告平均观看距离AD、年龄
波动范围、观看兴趣区，以及各广告的幽默度、被注视率和关注度；其中，年龄波动范围即脸表中同一人脸各记录的年龄波动差；观看兴趣区根据观看该广告的所有目标用户头部的抬头
角度和摇头角度的平均值确定，幽默度即各广告的微笑指数AS；被注视率即各广告播放时所有观看目标用户的观看时长的平均值和各广告时长的比值；对各广告在人表中对应的各记录分别进行：首先，计算各记录的第一次出现时间和第二次出现时间的差值；然后，计算各记录观看时长和该差值的比值；最后，计算同一广告在人表中对应的所有记录的该比值的平均值，即该广告的关注度。
[0026] 进一步的，步骤4中，采用Adaboost法识别人脸，具体为：
[0027]
子窗口在帧图像的图片窗口中移动，子窗口每到一个位置，计算出子窗口区域的Haar特征；利用已训练的人脸识别级联分类器对Haar特征进行筛选，若Haar特征通过了所有强分类器的筛选，则判定该子窗口区域为人脸区域。
[0028] 进一步的，步骤5中，采用face++平台来自动获取每一帧图像中每一个目标用户的面部特征数据。
[0029] 进一步的，上述广告投放效果评价方法还包括对广告的投放效果进行间接分析评价，具体为：
[0030] 对各广告分别进行最适分析，获得各广告的最适人群，包括：
[0031] 首先，从年龄、性别、是否佩戴眼镜和人种中选择多个人脸属性，采用选择的人脸属性对人表中观看同一广告的目标用户分别进行划分；若按照年龄，将目标用户划分为儿童、青少年、青年、中年和老年五个属性集合，将儿童、青少年、青年、中年、老年五个因素分枝按照从小到大顺序依次编号；若按照性别，将目标用户划分为男和女两个属性集合，将男、女两个因素分枝按照从小到大顺序依次编号；若按照是否佩戴眼镜，将目标用户划分为佩戴眼镜和不佩戴眼镜两个属性集合，将佩戴眼镜、不佩戴眼镜两个因素分枝按照从小到大顺序依次编号；若按照人种，将目标用户划分白、黄和黑三个属性集合，将白、黄、黑三个因素分枝按照从小到大顺序依次编号；
[0032] 然后，以所选择的每一个人脸属性为一个维度，将目标用户划分为N种类型的特征人群，N为所选择的多个人脸属性的因素分支数量的乘积；根据该广告在人表中对应的记录，分别计算落入各特征人群中的目标用户的注视率和平均微笑值的平均值，即各特征人群对应的平均注视率和微笑指数；以各特征人群的平均注视率和微笑指数的平均值作为各特征人群的适宜度，适宜度最高的特征人群即该广告的最适人群。
[0033] 进一步的，上述广告投放效果评价方法还包括对广告的投放效果进行间接分析评价，具体为：
[0034] 对各广告分别进行最适分析，获得各广告的最适天气，包括：
[0035] 根据天气属性划分多种类型的特征天气，根据同一广告在人表中对应的记录，分别计算各特征天气所对应记录的目标用户的注视率和平均微笑值的平均值，即各特征天气对应的平均注视率和微笑指数；以各特征天气的平均注视率和微笑指数的平均值作为各特征天气的适宜度，适宜度最高的特征天气即该广告的最适天气。
[0036] 进一步的，上述广告投放效果评价方法还包括对广告的投放效果进行间接分析评价，具体为：
[0037] 对各广告分别进行最适分析，获得各广告的最适地点，包括：
[0038] 根据环境属性划分多种类型的特征地点，根据同一广告在人表中对应的记录，分别计算各特征地点所对应记录的目标用户的注视率和平均微笑值的平均值，即各特征地点对应的平均注视率和微笑指数；以各特征地点的平均注视率和微笑指数的平均值作为各特征地点的适宜度，适宜度最高的特征地点即该广告的最适地点。
[0039] 进一步的，上述广告投放效果评价方法还包括对广告的投放效果进行间接分析评价，具体为：
[0040] 对各广告分别进行最适分析，获得各广告的最适观看距离，包括：
[0041] 根据平均观看距离划分多种类型的特征观看距离，包括近距离、中距离和远距离；根据同一广告在人表中对应的记录，分别计算各特征观看距离所对应记录的目标用户的注视率和平均微笑值的平均值，即各特征观看距离对应的平均注视率和微笑指数；以各特征观看距离的平均注视率和微笑指数的平均值作为各特征观看距离的适宜度，适宜度最高的特征观看距离即该广告的最适观看距离。
[0042] 二、基于人脸识别与大数据分析的广告智能推送决策方法，包括：
[0043] (1)广告投放初测期，采用
权利要求1所述方法对广告投放效果进行评价；
[0044] (2)广告二次投放时，采用权利要求1中步骤4～7所述的方法更新当前的脸表和人表；
[0045] (3)根据当前的脸表和人表中所有数据，采用关联分析法挖掘潜在受众与各广告间的关联规则，即将影响广告受众的影响因素分类为正相关因素、负相关因素和无关因素，所述的影响因素为可能影响广告投放效果的因素，人为
选定；
[0046] 本步骤进一步包括：
[0047] 3.1对当前人表中观看时长进行
剪枝处理，即剔除注视率小于预设的注视率
阈值的记录，以去除噪声数据，注视率阈值为经验值；记人表中剩余所有记录的总项数为total；
[0048] 基于选定的各影响因素分别进行步骤3.2～3.5：
[0049] 3.2按照选定的影响因素，对剩余所有记录分类生成多个候选项集，各候选项集对应一个影响因素分枝；
[0050] 3.3对各候选集分别进行：将候选项集中注视率不小于最小阈值sup_min的记录归为事件A集合，小于最小阈值sup_min的记录归为事件B集合，事件A集合中记录项数记为a，事件B集合中记录项数记为b，该候选项集中总记录项数k＝a+b，则a/total为该候选项集所对应影响因素分枝的关联支持度，a/k为该候选项集所对应影响因素分枝的关联
置信度；最小阈值sup_min为该广告在人表中所有剩余记录的注视率均值；
[0051] 3.4计算影响因素下各影响因素分枝的关联置信度的标准差，若标准差小于1，则该影响因素为无关因素；否则，若该影响因素下，其影响因素分枝值越大，该影响因素的置信度也越大，则该影响因素为正相关因素；若其影响因素分枝值越大，该影响因素的置信度越小，则该影响因素为负相关因素；
[0052] 3.5无关因素，其相关系数为0；正相关因素，其相关系数为其所有影响因素分枝的关联支持度之和；负相关因素，其相关系数为其所有影响因素分枝的关联支持度之和；
[0053] (4)计算广告和观众的 其中，m、n分别表示所选定的影响因素中正相关因素和负相关因素的数量，coefi和coefj分别表示第i个负相关因素和第j个正相关因素的相关系数；infi表示临时表中所有记录的第i个负相关因素的值的平均值；infj表示临时表中所有记录的第j个正相关因素的值的平均值；optimumi表示当前广告第i个负相关因素的最适值；optimumj表示当前广告第j个正相关因素的最适值；
[0054] (5)若当前广告和观众的绝对匹配度大于预设的匹配度阈值，继续按照当前顺序播放广告；否则，取绝对匹配度最大的广告推作为下一则播放广告。
[0055] 本发明广告投放效果评价方法主要是在公共场合下装有摄像头装置的广告牌客户端中，应用人脸识别技术对观众群体的面部特征数据进行获取，这些数据将作为参数传入广告投放效果评价模
块中用于对广告投放效果进行量化，也就是利用FAEM(face-based advertisement evaluation model)评价
算法对该时段该则广告的投放效果进行评价。另外，历史数据将存储于
数据库中用于数据分析系统进行更进一步的分析，例如广告牌客流量分析、观众兴趣区分析、广告最适人群分析、最适投放地点和时间分析、数据
可视化、投放效果增量分析等，分析结果可提供给广告商家作为投放决策参考，还可提供给广告主对其广告位进行合理的竞价收费。同时，广告推送系统分为广告牌推送系统与客户端推送系统，主要方法是利用FAEM匹配算法对当前播放广告与当前观众面部特征数据进行匹配，当匹配值小于匹配算法的最新
阀值时，推送系统将对广告模块的广告列表进行遍历排序，取样当前广告播放的最佳参考时段的观众面部数据进行匹配，将匹配值最高的广告推送到待播放广告列表中作为下一则播放的广告。我们能够帮助企业做出对产品广告的投放效果以及观众的心理效应的准确判断，能够做出更加客观真实且科学的评价,以便进一步地做出更加准确的改进和决策。同时，将能有效避免广告资金的浪费，提高广告投放效益的转化率。
[0056] 本发明方法致
力于用人脸识别和大数据分析的技术结合广告效果评价心理学来读懂观众用户内心需求，做出更加科学的广告投放决策，促进用户合理消费，拉动广告市场经济效益与对社会的效益，改善广告市场的环境。
[0057] 通过人脸识别这种非
接触性、非强制性的技术采集用户面部特征数据，不会使用户感觉到不适应且操作简单。通过大数据分析技术，能够根据用户的反应对广告做出合理的评价，反过来，也能够让适合该用户的广告与之匹配，让用户只会看到自己需要的广告内容，而无须受到无关广告的骚扰，这就是FAEM算法能够做到的，这也是我们的项目的核心，不仅仅是人脸识别，而在于解决如何利用计算机、互联网的技术去给出广告科学投放以及智能推送广告给观众用户的整体解决方案。
[0058] 本发明具有如下特点和有益效果：
[0059] (1)可科学客观地给出广告投放效果的精准评价；
[0060] (2)可根据广告受众人群选择性地智能投放广告。
附图说明
[0061] 图1为FAEM评价模型示意图；
[0062] 图2为FAEM匹配模型示意图；
具体实施方式
[0064] 下面将对本发明的具体实施方式进行详细说明。
[0065] 一、广告投放效果检测阶段
[0066] 步骤一：待测广告准备。
[0067] 将广告集合中待测广告进行编号，根据商家对广告集合中广告的预设主旨为各广告赋予初始属性，例如，“商品类别”属性，可以设置为
家用电器、服饰、奢侈品等；其余待测属性均以缺省值表示。
[0068] 步骤二：建立广告数据表。
[0069] 为广告集合建立广告数据表，每个待测广告作为一条记录存放广告数据表中，其记录的字段包括：广告名和广告编号。
[0070] 步骤三：进行初次投放。
[0071]
指定的广告初测期内，在电子广告牌中按照预设顺序，向参与广告投放效果评价的目标用户播放广告集合中所有广告，目标用户可以为商场中来往的人群或影院内的观众等。播放同时，进行
数据采集。
[0072] 步骤四：对目标用户进行人脸识别。
[0073] 广告播放过程中，电子广告牌上安装的摄像头捕捉目标用户的人脸数据，并对采集的人脸数据进行处理，具体为：利用传统的人脸识别方法识别出人脸，然后结合现有的人脸识别技术平台face++的人脸识别开源api，以进行人脸的精准识别。这样可满足及时处理连续帧的观众面部数据的同时，还能做到实时精准的人脸识别所需要的较高的检测
频率。如果单独使用face++开源
云端api进行人脸识别，效率不高。通过实验测试发现，这种结合会使
人脸检测效率提高30％左右，检测精准度提高20％左右。
[0074] 下面将对本步骤采用的人脸识别方法进行详细描述。
[0075] 本实施例中，采用Adaboost法进行人脸识别，该方法的核心思路是：子窗口在帧图像的图片窗口中不断移动，子窗口每到一个位置，计算出子窗口区域的Haar特征；利用训练好的人脸识别级联分类器对Haar特征进行筛选，一旦特征通过了所有强分类器的筛选，则判定该子窗口区域为人脸区域。
[0076] Haar特征，又称Haar-like特征，是
计算机视觉领域常用的特征描述算子。目前，常用的Haar特征包括线性特征、边缘特征、点特征(中心特征)、对角线特征。
[0077] 开源的计算机图形识别数据库OpenCV已提供训练好的人脸识别级联分类器，人脸识别级联分类器是基于人脸数据库中样本，通过AdaBoost算法训练出来。
[0078] 步骤五：获取目标用户的面部特征数据。
[0079] 自动获取每一帧图像中每一位目标用户的面部特征数据，包括：性别(gender)、年龄(age)、观看距离(distance)、人种(race)、微笑值(smile)、姿态、面部特征点位置、睁闭眼状态(blink)。所述的姿态包括抬头(pitch_angle)、旋转(row_angle)和摇头(yaw_angle)；所述的面部特征点位置包括中心位置(center)、左眼位置(eye_left)、右眼位置(eye_right)、左嘴角位置(mouth_left)、右嘴角位置(mouth_right)、鼻子位置(nose)和面宽(width)。
[0080] 面部特征数据可使用face++平台自动获得，face++平台可对识别出的人脸自动进行性别判断、计算微笑值、人种识别、姿态检测、面部特征点检测和睁闭眼状态检测。睁闭眼状态检测的原理为：根据面部特征点坐标中人脸25点坐标值，计算帧中人眼的眼宽比上眼高(例如左眼眼宽即左眼最左点x坐标与左眼最右点x坐标的差值，左眼眼高即左眼最高点y坐标与左眼最低点y坐标的差值)，计算眼高与眼宽的比值，若比值小于预设的经验阈值则记为闭眼，相反则是睁眼。
[0081] 步骤六：建立脸表和临时表。
[0082] 根据步骤五获取的目标用户的面部特征数据，建立脸表。其中，脸表以每一帧图像中每一位目标用户的面部特征数据作为一条记录，同时为该条记录添加该帧图像所属广告的广告编号“ads_id”、该帧图像的播放时间“time”、该帧图像播放时的天气“weather”和地理“location”。另外，将脸表中同一广告同一次播放时的所有记录放入临时表，作为人脸分析缓存区，当分析完成后，清空临时表。建立临时表的意义在于，为下一步的
聚类分析缩小范围，提高分析效率。脸表和临时表中各记录按照帧图像播放时间排序。
[0083] 步骤七：人脸分析并建立人表。
[0084] 每则广告播放结束时，对临时表中面部特征数据进行聚类，即通过face++提供的face_set人脸聚类分析功能，将不同帧图像中同一人脸识别出来；然后，对每一个人脸分别建立记录，将记录放入人表。记录的数据包括：年龄、性别、第一次出现时间、最后一次出现时间、闭眼次数、睁眼次数、注视率、是否佩戴眼镜、平均微笑值、人种、平均观看距离、观看的广告编号、观看时长、地点、天气。注视率和观看时长采用如下方法计算：假设计算人脸A的注视率，找出在该则广告播放过程中人脸A出现的总数和人脸A的睁眼数，睁眼数和人脸出现总数的比值即人脸A的注视率。观看时长则为人脸A的睁眼次数乘以帧图像间隔。
[0085] 二、广告投放效果评价阶段
[0086] 该阶段采用基于人脸特征的广告评价模型FAEM(Face Advertisement Evaluation Model)实现，见图1，根据检测得到的人脸属性解算出被观看广告的广告属性，从而得出准确的广告评价值。同时，还根据给定的广告属性值，为观众匹配并播放适宜的广告。
[0087] 步骤一：数据标准化。
[0088] FAEM模型将利用检测阶段产生的数据对待测广告集合进行投放效果评价，为了统一评价标准同时方便计算，需要对采集的数据进行数据标准化，即将人表与脸表中的人脸属性按照一定规则进行统一规定。
[0089] 首先，统计人表中数据，分别获得观看每一个广告的目标用户的观看情况，具体包括观看总人数tnun、男性人数mnun、女性人数fnun、总睁眼次数onum、总观看时长lenth、各年龄层人数knum。
[0090] 接着，对每一个广告的观看情况分别进行标准化，标准化后的数据包括：
[0091] 平均注视率EC，即观看每一个广告的所有目标用户的注视率的平均值。
[0092] 观看每一个广告的男性比例MSR：
[0093] MSR＝mnum/tnum (1)
[0094] 观看每一个广告的女性比例FSR：
[0095] FSR＝fnum/tnum (2)
[0096] 观看每一个广告的男性注视率MEC：
[0097] MEC＝EC*MSR (3)
[0098] 观看每一个广告的女性注视率FEC：
[0099] FEC＝EC*FSR (4)
[0100] 观看每一个广告的各年龄层注视率KEC：
[0101] KEC＝knum*EC/tnum (5)
[0102] 广告平均观看距离AD，即观看每一个广告的所有目标用户的平均观看距离的平均值。
[0103] 微笑指数AS，即观看每一个广告的所有目标用户的平均微笑值的平均值。
[0104] 步骤二：获取广告投放效果直接评价。
[0105] 根据标准化的面部特征数据对该则广告进行广告属性评价，赋予该则广告新的标签属性。下面给出FAEM评价模型的初步评价表，见表1，根据此评价表，即可获得各广告的广告属性，根据广告属性商家能了解该广告投放时，观看该广告人群的性别比、年龄范围、广告平均观看距离、年龄波动范围、观看兴趣区，以及该广告的幽默度、被注视率和关注度等投放效果直接评价。
[0106] 表1 FAEM评价模型的初步评价表
[0107]
[0108] 步骤三：获取广告投放效果间接分析评价。
[0109] 除了上述广告投放效果的直接评价外，本系统还将对广告的投放效果进行进一步分析评价，商家还可利用最适分析功能得出各则广告最适宜投放的特征人群、天气、地点、时间等。
[0110] 对各广告分别进行最适分析，具体为：
[0111] 首先，对人表中观看该广告的目标用户按某一人脸属性进行划分，可将其划分为有限的属性集合，其划分后的结果为每个因素的因素分枝。将性别、是否佩戴眼镜等二值属性划分为男和女、是和否，根据年龄可划分为儿童(0-10岁)、青少年(11-20岁)、青年(21-30岁)、中年(30-50岁)、老年(50-100岁)，根据人种可简单分为白、黄、黑，根据平均观看距离可划分为近距离(0-2m)、中距离(2-10m)和远距离(10m-50m)。为每个因素分枝从小到大编号，即赋予因素分枝值，如男性因素分枝值为0，女性因素分枝值为1。
[0112] 然后，可选取多个人脸属性，以每一个人脸属性为一个维度，建立多维数据集。例如，选择年龄、性别和人种三种人脸属性，将年龄、性别、人种分别设为x、y、z轴，求笛卡尔积。根据年龄，目标用户被划分为5个属性集合；根据性别，目标用户被划分为2个属性集合；根据人种，目标用户被划分个3个属性集合，则构成的多维数据集中包含有5*2*3种类型的特征人群，计算人表中落入每个特征人群的所有目标用户的注视率和微笑值的平均值，分别记为平均注视率EC和微笑指数AS。以平均注视率EC和微笑指数AS为评价指标，分别求每个特征人群对应的EC和AS的平均值，即各特征人群的适宜度，取适宜度最高的特征人群为该广告的最适人群。
[0113] 同样的方法，可以计算出适宜度最高的最适天气、适宜度最高的最适地点、适宜度最高的最适观看距离等客观因素属性值。
[0114] 最后，将最适人群、最适天气、最适地点、最适观看距离传入广告数据库中，作为该广告的投放效果间接分析结果，为商家下一次的投放决策提供重要参考依据。
[0115] 三、二次投放效果测试以及智能推送阶段。
[0116] 本步骤采用FAEM广告匹配模型实现，见图2。
[0117] 步骤一：广告二次投放。
[0118] 对于已经测试过一遍以上的广告，在接下来的投放中能够进行投放中测试同时作为备选广告加入到智能推送时的待选广告列表中用于匹配。操作中，即将广告保留在原播放路径下，对广告随机播放或按预设顺序播放。
[0119] 步骤二：重复测试，更新评价。
[0120] 投放过程中，重复上述前两个阶段，将期间获得的人脸的面部特征数据以及广告的原有属性直接添加至已有的人表和脸表中。根据此次新增以后的所有历史数据，采用关联分析法挖掘出潜在的观众与该广告的关联规则，可以改变初次广告投放效果评价的各个评价值(将无关的人脸属性即无关因素从间接分析评价算法中剔除，如性别、年龄等)，从而不断降低与该属性无关的噪声项所产生的影响，做到不断
迭代趋于精准。经过重新计算该广告的投放效果评价，可以获得更为精准的评价。然后将结果作为更新后的值存储至该则广告在广告数据库的该条纪录中，这些最新的评价数据在广告投放的实时匹配中会使用到。
[0121] 采用关联分析法挖掘出潜在受众与该广告的关联规则，具体为：
[0122] 对影响广告受众的影响因素(性别、年龄、微笑指数、人种等)进行分类，例如影响因素分为正相关、负相关和无关。也就是说，若分析得出某种影响因素值越大，该广告的投放效果越好，则该影响因素为正相关因素；反之为负相关因素。若分析得出某影响因素与广告的投放效果之间不存在必然的联系，则该影响因素为无关因素。
[0123] 具体正相关因素、负相关因素和无关因素的具体判断过程如下：
[0124] (1)对当前人表中观看时长进行剪枝处理，即剔除注视率小于预设的注视率阈值的记录，以去除噪声数据减少计算量，注视率阈值为经验值；记人表中剩余所有记录的总项数为total。按照各影响因素对这些记录分别进行分类，生成基于各影响因素的多个候选项集。
[0125] 以性别进行分类，性别影响因素包括男性和女性两个影响因素分枝，人表中记录可划分为男性和女性两个候选项集，性别影响因素的因素分枝数br＝2。以年龄进行分类，年龄影响因素包括儿童、青少年、青年、中年和老年五个影响因素分枝，人表中记录可划分为儿童、青少年、青年、中年和老年五个候选项集，年龄影响因素的因素分枝数br＝5。以微笑指数进行分类，根据微笑指数的数值范围将人表中记录划分为微笑程度四个候选项集，四个候选项集对应的微笑指数的数值范围分别为[0,25]、[26,50]、[51,75]、[75,100]，微笑指数影响因素的因素分枝数br＝4。以人种为影响因素，人种影响因素包括白、黄和黑三个影响因素分枝，人表中记录可划分为白、黄和黑三个两个候选项集，人种影响因素的因素分枝数br＝3。
[0126] (2)计算各影响因素分枝的关联支持度。
[0127] 对于某候选项集中一条记录，若其注视率的值不小于最小阈值sup_min，则将该条记录归为事件A集合中，反之则归为事件B集合中。最小阈值sup_min一般设为该广告在人表中所有剩余记录的注视率均值。将A集合中记录项数记为a，B集合中记录项数记为b，该候选项集中总记录项数k＝a+b。
[0128] 若某候选项集为女性候选集，则女性影响因素分枝的关联支持度sup_female为：
[0129] sup_female＝a/total (6)
[0130] 采用该方法可获得所有影响因素分枝的关联支持度。
[0131] (3)计算中各影响因素分枝的置信度，以女性影响因素分枝的关联置信度为例，女性影响因素分枝的关联置信度con_female为：
[0132] con_female＝a/k (7)
[0133] (4)计算各影响因素的相关系数。
[0134] 若某影响因素下各影响因素分枝的关联置信度的标准差小于阈值1，则该影响因素为无关因素；否则，若影响因素下，其影响因素分枝值越大，该影响因素分支的置信度越大，则该影响因素为正相关因素；若其影响因素分枝值越大，该影响因素分支的置信度越小，则该影响因素为负相关因素。
[0135] 对于正相关因素，其相关系数为其所有影响因素分枝的关联支持度之和。
[0136] 对于负相关因素，其相关系数为其所有影响因素分枝的关联支持度之和。
[0137] 对于无关因素，其相关系数为0。
[0138] 步骤三：计算匹配度，并根据匹配度推送最适宜当前播放的广告。
[0139] 传统的匹配方法往往是根据经验，也就是广告的刻板
印象，来为观众匹配合适的广告。例如，女性更倾向于观看服饰、珠宝等生活性、消费性、服务性的广告，而男性则更倾向于观看科学性、生产性、权威性的广告。缺乏系统科学地对广告进行分类，纯靠人工判断缺少量化依据的广告精准投放并不能叫做真正的精准投放。因此，FAEM匹配算法，借助量化的思想，系统而又科学地解决广告精准投放的难题。
[0140] 本发明计算广告与当前观众的绝对匹配度，公式如下：
[0141]
[0142] 其中，m、n分别表示所选定的影响因素中正相关因素和负相关因素的数量，coefi和coefj分别表示第i个负相关因素和第j个正相关因素的相关系数；infi表示临时表中所有记录的第i个负相关因素的值的平均值；infj表示临时表中所有记录的第j个正相关因素的值的平均值；optimumi表示第i个负相关因素的最适值；optimumj表示第j个正相关因素的最适值。
[0143] 若影响因素为年龄影响因素，其值即年龄值；若影响因素为性别影响因素，男性赋值为0，女性赋值为1；若影响因素为微笑指数影响因素，其值即微笑指数值；若影响因素为人种影响因素，则白种人、黄种人和黑种人分别赋值0、1、2。综上，影响因素的值为该影响因素的实际值或赋值。
[0144] 影响因素的最适值根据最适分析获得。阶段二可获得最适人群、最适天气、最适地点、最适观看距离，最适人群、最适天气、最适地点、最适观看距离对应的影响因素的值即最适值。例如，分析获得最适人群为男性黄种人，则性别影响因素的最适值为男性的赋值，人种影响因素的最适值为黄种人的赋值。
[0145] 绝对匹配度越高，说明该广告越适合当前观众；反之，则需要切换下一则绝对度匹配度较高的广告进行播放。
[0146] 见图3，实施例中，本发明系统包括三大模块：
[0147] (1)广告投放效果测试(广告内容测试)
[0148] 将待测广告加载入库，使用客户端自备播放器进行投放，同时打开人脸检测功能即可实时获取当前观众的面部特征数据，以及广告的收视情况(人流量、被注视区、被注视时长等)，通过FAEM算法模型的计算便可得出该广告的综合评价，包括了上述过程中的直接评价与间接分析评价。
[0150] 数据分析系统可将数据库中的数据表、数据记录进行查询、筛查、
整理、排序等等操作，进而得出广告的属性值以供使用者查看。同时，提供大数据分析工具，对关键的字段进行关联分析并运用FAEM算法模型得出广告的最适属性(如最适人群、最适地点、最适天气等)。同时
数据可视化能够直观展示数据特征、趋势。
[0151] (3)智能广告投放
[0152] 这一模块是系统业务的顶层，也就是在测试系统和
数据处理、管理、决策中心的
基础之上的面向各种垂直业务的广告投放系统
软件。通过CARD系统的技术及数据支持,我们将选取其中具有代表性的垂直方向开发出自己的系列产品。
