[发明专利]一种基于人脸的广告机用户识别方法

说明书

本发明涉及一种基于人脸的广告机用户识别方法，广告机在无人脸状态下一直播放全屏广告；当有人脸出现在屏幕中时，通过屏幕进行AR互动截取该人脸的图像，计算该人脸图像的特征值；把该人脸图像的特征值人脸库中的特征值进行匹配，对用户进行识别。本发明还对计算人脸图像的特征值的方法进行了改进，从而可以在保证人脸识别准确率的基础上提高识别速度。本发明通过人脸作为身份特征对广告机进行身份识别，从而可以有针对性的推送个性化的广告内容，避免现有技术中采用指纹识别影响用户体验度，甚至可能具有相似指纹的两个不同用户可能会同时通过指纹验证的缺陷。

技术领域

本发明涉及一种基于人脸的广告机用户识别方法，属于人脸识别技术领域。

背景技术

广告机是新一代的智能设备，通过终端软件控制、网络信息传输和多媒体终端显示构成一个完整的广告播控系统，并通过图片、文字、视频、小插件(天气、汇率等)等多媒体素材进行广告宣传。广告机最初的构想是将广告变被动为主动，所以广告机的互动性使得它具备很多公共服务功能，并以此来吸引顾客主动浏览广告。

随着人工智能技术的发展，人们对广告机的需求越来越智能化，因此能够快速而准确地对个人进行身份的识别并且为个人建立一个与之相对应的唯一身份ID将会是不可或缺的一步。

现有的身份识别技术，比如手机上的指纹识别，其指纹的识别精度范围是一个重大的挑战，识别过于精细时可能会导致用户再次输入指纹时无法通过识别，需要多次输入指纹，从而影响用户体验度；相反，识别过于粗糙时则会产生指纹无法与用户产生一一对应关系，具有相似指纹的两个不同用户可能会同时通过指纹验证。

而人脸作为个人最具有身份特征的部分，具有唯一性，其特征可以在无需刻意输入的情况下获取，因此用人脸来对个人进行唯一身份ID的对应是很好的选择。但是现有的人脸识别技术主要着重于追求准确度上的提升，然而要想让人脸识别技术在生活中的运用更加普遍化，更加用户友好，识别的速度成为亟待解决的技术问题。

基于深度学习的卷积神经网络模型是人脸识别技术的基石，该网络通过梯度下降反馈来不断来减小模型输出值与真实值的差从而逼近真实结果。比如现有的神经网络模型ResNet-50，其预测准确度虽已达到97％以上，但是该模型离投入到实际产品中使用仍有着很大提升空间。一些改进后的网络模型例如Facenet等，其计算精确性通过利用残差单元使其模型的准确性得到了提升，但其仍面临着占用内存过大、计算速度过低等问题。

发明内容

本发明要解决技术问题是：提供一种识别速度快、占用资源低的基于人脸的广告机用户识别方法。

为了解决上述技术问题，本发明提出的技术方案是：一种基于人脸的广告机用户识别方法，广告机中预存有包含n个人脸集的人脸库，n个人脸集对应的PersonID分别记为Pd₁,Pd₂,···,Pd_n，其中PersonID为Pd_j的人脸集中有k个FaceID fd_jⁱ与之相对应，其中i∈[1,k]，j∈[1,n]；

广告机在无人脸状态下一直播放全屏广告；

当有人脸出现在屏幕中时，广告机停止播放全屏广告，并在屏幕下方继续播放广告，同时通过屏幕进行AR互动截取该人脸的图像，计算该人脸图像的特征值作为FaceIDfd；把FaceID fd依次和PersonID为Pd_j的人脸集中所有的FaceID fd_jⁱ的平均值进行对比，i∈[1,k]，j∈[1,n]，从而得到相似度百分比分别为η₁,η₂,···,η_n；