[发明专利]一种基于人脸的广告机用户识别方法

摘要

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。

主权项

1.一种基于人脸的广告机用户识别方法，其特征在于：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,…,Pdn，其中PersonID为Pdj的人脸集中有k个FaceID fdji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FaceID fd；把FaceID fd依次和PersonID为Pdj的人脸集中所有的FaceID fdji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,…,ηn；取ηl＝max{η1,η2,…,ηn}，X为预设百分比阈值，如果X<ηl，则ηl对应的人脸集的PersonID为Pdl，此时广告机检测到的人脸对应为PersonID Pdl的用户；如果X>ηl，则认为目前人脸库中的所有PersonID均不与广告机检测到的人脸匹配；其中，计算人脸图像的特征值的方法为：第一步、读取人脸图像样本数据集，每幅人脸图像为3通道，其高度为112个像素，宽度为112个像素；第二步、建立深度化可分离卷积模型，所述深度化可分离卷积模型在两个卷积模块之间级联了多个残差瓶颈模块，如下表所示：输入图像大小模块名称通道数重复次数步幅间距112*112*3Conv3*3641256*56*64Depthwise conv3*3641156*56*64bottleneck645228*28*64bottleneck1281214*14*128bottleneck1286114*14*128bottleneck128127*7*128bottleneck128217*7*128Conv1*1512117*7*512linear GDConv7*7512111*1*512linear conv1*112811表中，第一列为各模块的输入图像大小，第二列为模块名称，第三列为通道数，第四列为该模块的重复次数，第四列为步幅间距，卷积核采用3*3；第三步、利用梯度下降算法更新深度化可分离卷积模型参数1)通过所述深度化可分离卷积模型将所述样本数据集的人脸图像映射成512维特征向量；2)计算损失函数，所述损失函数由Softmax函数和ArcFace函数加权构成，其中，Softmax函数的表达式如下：式中，x表示样本经深度化可分离卷积模型映射而成的特征向量，N表示所述样本数据集的大小，i取值1～N，y_i表示样本x_i对应的标签；W向量表示待优化参数，包括和W_j，表示样本x_i在其标签y_i处的权重，W_j表示输出节点j处的权重；b向量包括和b_j，表示样本x_i在其标签y_i处的偏差，b_j表示输出节点j处的偏差；ArcFace函数的表达式如下：式中，为样本x_i与其对应标签y_i的权重的夹角，θ_j为样本x_i与输出节点j处的权重W_j的夹角；m、s为预设参数，0.2≤m≤2，50≤s≤100；最终的损失函数为：Ltotal＝Lsoftmax+Larcface；3)计算损失函数的梯度下降距离其中μ是预设的学习率；4)确定损失函数的梯度下降距离是否小于预设阈值，如果是则执行第四步，否则更新W向量后再执行步骤1)，更新W向量的表达式如下：第四步、通过更新参数后的深度化可分离卷积模型将从VR互动中截取的人脸图像映射成512维特征向量作为所需的特征值。