[发明专利]用于评估关注状态的方法、装置、系统、介质及产品

权利要求书

1.一种用于评估关注状态的方法，应用于广告屏终端，包括：

获取待评估对象的人脸图像信息；其中，所述待评估对象为在与所述广告屏终端关联的预设采集区域采集到的对象；

基于所述人脸图像信息，生成人脸信息特征向量；

将所述人脸信息特征向量输入至关注识别模型，得到所述关注识别模型的输出结果；其中，所述关注识别模型根据样本人脸信息特征向量训练得到，且用于识别对象是否关注所述广告屏终端；以及

根据所述关注识别模型的输出结果，确定所述待评估对象的关注状态评估结果；其中，所述关注状态评估结果包括关注和非关注。

2.根据权利要求1所述的方法，其中：

所述关注识别模型包括卷积神经网络；

所述卷积神经网络包括依次堆叠的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第五卷积层和全连接层。

3.根据权利要求1所述的方法，所述根据所述关注识别模型的输出结果，确定所述待评估对象的关注状态评估结果包括：

比较所述关注识别模型的输出结果与第一预设阈值的大小；其中，所述关注识别模型的输出结果包括所述待评估对象的关注概率；

如果所述关注概率大于所述第一预设阈值，则确定所述待评估对象的关注状态评估结果为关注；以及

如果所述关注概率小于或等于所述第一预设阈值，则确定所述待评估对象的关注状态评估结果为未关注。

4.根据权利要求1所述的方法，在根据所述关注识别模型的输出结果，确定所述待评估对象的关注状态评估结果之后，所述方法还包括：

确定预设时间段内在预设采集区域采集到的对象的第一数量；

基于每个所述对象的关注状态评估结果，确定所述关注状态评估结果为关注的对象的第二数量；以及

基于所述第二数量和所述第一数量，确定所述广告屏终端的关注度。

5.根据权利要求3所述的方法，所述关注识别模型为利用损失函数根据样本人脸信息特征向量训练得到，训练过程包括：

获取已知关注状态结果的样本对象的人脸图像信息；

基于所述样本对象的人脸图像信息，生成所述样本对象的人脸信息特征向量；

将所述样本对象的人脸信息特征向量输入至初始卷积神经网络，生成损失函数的损失；其中，所述初始卷积神经网络的参数为预设参数；以及

根据所述损失函数的损失对所述初始卷积神经网络进行训练，直到所述损失函数的损失最小，将所述损失函数的损失最小时对应的模型作为所述关注识别模型。

6.根据权利要求5所述的方法，在所述根据所述关注识别模型的输出结果，确定所述待评估对象的关注状态评估结果之后，所述方法还包括：

将已确定为关注的对象的人脸图像信息对应的人脸信息特征向量输入至所述关注识别模型，生成损失函数的损失；以及

根据所述损失函数的损失对所述关注识别模型进行优化训练，直到所述损失函数的损失最小，将所述损失函数的损失最小时对应的模型作为更新后的关注识别模型。

7.根据权利要求6所述的方法，所述根据所述关注识别模型的输出结果，确定所述待评估对象的关注状态评估结果包括：

比较所述关注识别模型的输出结果与第二预设阈值的大小；其中，所述第二预设阈值大于所述第一预设阈值；

如果所述关注概率大于所述第二预设阈值，则确定所述待评估对象为所述已确定为关注的对象。

8.根据权利要求5所述的方法，所述损失函数包括分类损失softmax函数和中心损失center函数的结合。

9.根据权利要求8所述的方法，所述损失函数如下式：

其中，C_yi表示所属类别yi的类中心特征；x_i表示全连接层输入的特征；m表示最小训练样本的大小；n表示类别数；λ为损失函数L的权重；W_yi、W_j分别表示全连接层的权重矩阵W的第yi列、第j列；b表示偏置项。