用于评估关注状态的方法、装置、系统、介质及产品

技术领域

本公开涉及计算机技术领域和互联网技术领域，更具体地，涉及一种用于评估关注状态的方法、装置、计算机系统、计算机可读存储介质及计算机程序产品。

背景技术

随着人工智能、自动控制、通信和计算机技术的快速发展，很多不同性质企业会在线下构建多种渠道来投放广告，例如楼宇广告、地铁广告和电梯广告等；大多数情况，做好监测和衡量线下广告投放效果的工作，才能在数字化时代兼顾投放的精确性和及时性。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题，广告屏关注度统计方法作为监测和衡量线下广告投放效果的评估方法，因基于姿态或者停留时间来进行评价，识别准确度低。

发明内容

有鉴于此，本公开提供了一种用于评估关注状态的方法、装置、计算机系统、计算机可读存储介质及计算机程序产品。

本公开的一个方面提供了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，上述待评估对象为在与上述广告屏终端关联的预设采集区域采集到的对象；

基于上述人脸图像信息，生成人脸信息特征向量；

将上述人脸信息特征向量输入至关注识别模型，得到上述关注识别模型的输出结果；其中，上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上述广告屏终端；以及

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

根据本公开的实施例，上述关注识别模型包括卷积神经网络；

上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。

根据本公开的实施例，上述根据上述关注识别模型的输出结果，确定上述待评估对象的关注状态评估结果包括：

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

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

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

根据本公开的实施例，在根据上述关注识别模型的输出结果，确定上述待评估对象的关注状态评估结果之后，上述方法还包括：

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；

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

基于上述第二数量和上述第一数量，确定上述广告屏终端的关注度。

根据本公开的实施例，上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；

基于上述样本对象的人脸图像信息，生成上述样本对象的人脸信息特征向量；

将上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，上述初始卷积神经网络的参数为预设参数；以及

根据上述损失函数的损失对上述初始卷积神经网络进行训练，直到上述损失函数的损失最小，将上述损失函数的损失最小时对应的模型作为上述关注识别模型。

根据本公开的实施例，在上述根据上述关注识别模型的输出结果，确定上述待评估对象的关注状态评估结果之后，上述方法还包括：

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上述关注识别模型，生成损失函数的损失；以及

根据上述损失函数的损失对上述关注识别模型进行优化训练，直到上述损失函数的损失最小，将上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。

根据本公开的实施例，上述根据上述关注识别模型的输出结果，确定上述待评估对象的关注状态评估结果包括：

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

如果上述关注概率大于上述第二预设阈值，则确定上述待评估对象为上述已确定为关注的对象。

根据本公开的实施例，上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。

根据本公开的实施例，上述损失函数如下式：

其中，C

根据本公开的实施例，上述基于上述人脸图像信息，生成人脸信息特征向量包括：

对上述人脸图像信息进行面部区域特征提取，得到人脸面部区域图像信息；以及

将上述人脸面部区域图像信息进行向量转换，生成人脸信息特征向量。

本公开的另一个方面提供了一种用于评估关注状态的装置，包括：

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

生成模块，用于基于上述人脸图像信息，生成人脸信息特征向量；

输出模块，用于将上述人脸信息特征向量输入至关注识别模型，得到上述关注识别模型的输出结果；其中，上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上述广告屏终端；以及

确定模块，用于根据上述关注识别模型的输出结果，确定上述待评估对象的关注状态评估结果；其中，上述关注状态评估结果包括关注和非关注。

根据本公开的实施例，上述用于评估关注状态的装置还包括：

训练模块，用于获取已知关注状态结果的样本对象的人脸图像信息；基于上述样本对象的人脸图像信息，生成上述样本对象的人脸信息特征向量；将上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，上述初始卷积神经网络的参数为预设参数；以及根据上述损失函数的损失对上述初始卷积神经网络进行训练，直到上述损失函数的损失最小，将上述损失函数的损失最小时对应的模型作为上述关注识别模型。

本公开的另一个方面提供了一种计算机系统，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如上述的方法。

本公开的另一个方面提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现如上述的方法。

本公开的另一个方面提供了一种计算机程序产品，包括：

计算机可执行指令，上述指令在被执行时使用于实现如上述的方法。

根据本公开的实施例，因为采用了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，待评估对象为在与广告屏终端关联的预设采集区域采集到的对象；基于人脸图像信息，生成人脸信息特征向量；将人脸信息特征向量输入至关注识别模型，得到关注识别模型的输出结果；其中，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广告屏终端；根据关注识别模型的输出结果，确定待评估对象的关注状态评估结果；其中，关注状态评估结果包括关注和非关注的技术手段，所以至少部分地克服了因基于姿态或者停留时间来进行评价，识别准确度低的技术问题，进而达到了精准识别确定对象是否关注广告屏的技术效果。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的用于评估关注状态的方法和装置的应用场景；

图2示意性示出了可以应用本公开的用于评估关注状态的方法和装置的示例性系统架构；

图3示意性示出了根据本公开实施例的用于评估关注状态的方法的流程图；

图4示意性示出了根据本公开实施例的关注识别模型的训练过程；

图5示意性示出了根据本公开实施例的关注识别模型的优化训练过程；

图6示意性示出了根据本公开另一实施例的用于评估关注状态的方法的流程图；

图7示意性示出了根据本公开实施例的用于评估关注状态的装置的框图；以及

图8示意性示出了根据本公开实施例的适于实现用于评估关注状态的方法的计算机系统800的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开的实施例提供了一种用于评估关注状态的方法和装置。该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，待评估对象为在与广告屏终端关联的预设采集区域采集到的对象；基于人脸图像信息，生成人脸信息特征向量；将人脸信息特征向量输入至关注识别模型，得到关注识别模型的输出结果；其中，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广告屏终端；根据关注识别模型的输出结果，确定待评估对象的关注状态评估结果；其中，关注状态评估结果包括关注和非关注。

图1示意性示出了根据本公开实施例的应用场景示意图。

如图1所示，用于评估关注状态的方法应用于广告屏终端100，广告屏终端100上具有显示器，可以用于播放广告；广告屏终端100上还具有进行人脸图像信息采集的摄像采集装置。本公开实施例提供的用于评估关注状态的方法的应用场景可以是，广告屏终端100上的显示器播放广告，广告屏终端100上的摄像采集装置采集在预设采集区域出现的行人的人脸图像信息，并通过保存在广告屏终端100上的关注识别模型来进行识别，最终确定行人对广告屏终端上展示的广告的关注与否。

根据本公开的实施例，主要目的是对来往行人是否关注广告屏终端展示的广告来进行识别、统计，以此来评价线下投放广告的受关注效果，给广告投放方提供有效的反馈数据，以便广告方进一步修正广告投放策略，同时防止广告播放方恶意在无人条件下，空播放广告骗取广告投放费用。

图2示意性示出了根据本公开实施例的可以应用用于评估关注状态的方法和装置的示例性系统架构200。需要注意的是，图2所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图2所示，根据该实施例的系统架构200可以包括广告屏终端201，网络202和服务器203。网络202用以在广告屏终端201和服务器203之间提供通信链路的介质。网络202可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用广告屏终端201通过网络202与服务器203交互，以接收或发送消息等。广告屏终端201上可以安装有广告屏等显示器以及控制广告屏播放的应用；还可以安装有摄像采集装置用于采集对象信息；此外，还可以保存有关注识别模型，用于识别对象是否关注广告屏上展示的广告。

广告屏终端201可以是具有显示屏并且支持图像分析处理的各种电子设备。

服务器203可以是提供各种服务的服务器，例如对用户利用广告屏终端201所采集的视频信息提供储存支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的视频信息等数据进行分析、储存等处理，并可以根据视频信息对关注识别模型进行优化训练，并将更新后的关注识别模型反馈给广告屏终端201。

需要说明的是，本公开实施例所提供的用于评估关注状态的方法可以由广告屏终端201执行，或者也可以由不同于广告屏终端201的其他终端设备执行。相应地，本公开实施例所提供的用于评估关注状态的装置也可以设置于广告屏终端201中，或设置于不同于广告屏终端201的其他终端设备中。

例如，关注识别模型以及采集到的人脸图像信息可以原本存储在广告屏终端201之中，或者存储在外部存储设备上并可以导入到广告屏终端201中。然后，广告屏终端201可以在本地执行本公开实施例所提供的用于评估关注状态的方法，或者将关注识别模型以及采集到的人脸图像信息发送到其他终端设备、服务器、或服务器集群，并由接收该待处理图像的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的用于评估关注状态的方法。

应该理解，图2中的广告屏终端、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图3示意性示出了根据本公开实施例的用于评估关注状态的方法的流程图。

如图3所示，该方法包括操作S301～S304。

在操作S301，获取待评估对象的人脸图像信息；其中，待评估对象为在与广告屏终端关联的预设采集区域采集到的对象。

根据本公开的实施例，获取人脸图像信息，可以通过摄像采集装置拍摄图片获取；还可以通过摄像采集装置录取视频，再通过提取视频帧图片获取。其中与广告屏终端关联的预设采集区域可以为安装在广告屏终端上的摄像采集装置所能采集到视频摄取区域。

在操作S302，基于人脸图像信息，生成人脸信息特征向量。

在实现本公开的过程中发现，可以采用以下几种关注度检测方式，例如，基于人脸关键点的图像信息来进行识别，但是这种技术受限于人脸关键点信息的识别，存在人脸关键点被遮挡，如人脸部具有遮罩物如口罩等，人脸关键点信息无法获取的问题，进而导致无法准确识别，容易造成误判的不良后果。

另外，还有利用人的眼神或者身体姿态等信息来进行识别，例如人身体的偏转角度、眼球椎体的欧拉角度等，但是角度的确定与人身体和播放设备之间的距离等均存在不确定性，这一手段很难量化。

此外，还有利用手机WIFI探针识别周围的用户携带的手机mac地址以进行人流统计，但是目前用户手机系统都会通过虚拟mac来隐藏自己的身份，这种方式已经逐渐被淘汰。

根据本公开的实施例，采用人脸信息特征向量作为广告屏终端关注状态评估方法的考察基础。以对象的整个人脸面部图像信息作为参考，避免了人脸关键点被遮挡而造成误识别或识别不出的问题；且无需计算眼球椎体或者身体姿态的偏转角度，也避免了因量化困难而导致误判的问题。

根据本公开的实施例，基于整个人脸图像信息进行判定，在识别准确度和识别速度上均得到提高。

根据本公开的其他实施例，基于人脸图像信息，生成人脸信息特征向量可以包括对人脸图像信息进行面部区域特征提取，得到人脸面部区域图像信息；以及将人脸面部区域图像信息进行向量转换，生成人脸信息特征向量。

根据本公开的其他实施例，基于人脸图像信息，生成人脸信息特征向量的操作，可以通过人脸特征提取模型来实现。该操作可以具体为，将人脸图像信息输入至人脸特征提取模型中，得到输出结果，该输出结果为人脸信息特征向量。

根据本公开的实施例，该人脸特征提取模型可以以卷积神经网络为基础构建，但是并不局限于此，还可以采用现有技术中的用于提取人脸特征的其他模型。只要能够实现整个面部区域特征提取，并将人脸面部区域图像信息转换为人脸信息特征向量即可。

在操作S303，将人脸信息特征向量输入至关注识别模型，得到关注识别模型的输出结果；其中，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广告屏终端。

根据本公开的实施例，在基于样本人脸图像信息生成了样本人脸信息特征向量的基础上，对卷积神经网络进行训练，最终得到用于识别对象是否关注广告屏终端的关注识别模型。

在操作S304，根据关注识别模型的输出结果，确定待评估对象的关注状态评估结果；其中，关注状态评估结果包括关注和非关注。

根据本公开的实施例，可以将行人(即待评估对象)是否关注广告的抽象问题定义为一个二分类问题，即关注和未关注两类，使得判定方便快捷有效。

根据本公开的实施例，一方面将评判关注广告的问题抽象化、简易化，另一方面结合识别基础为整个人脸图像信息，且采用关注识别模型进行识别，实现识别速率快、准确度高的效果。

下面参考图4～图6，结合具体实施例对图3所示的方法做进一步说明。

图4示意性示出了根据本公开实施例的关注识别模型的训练过程。

如图4所示，该方法包括操作S401～S404。

在操作S401，获取已知关注状态结果的样本对象的人脸图像信息。

根据本公开的实施例，已知关注状态结果的样本对象的人脸图像信息，可以使用开源数据集，但并不限于此，还可以在使用开源数据集的基础上，结合线下场景得到的采集数据集，例如通过广告屏终端的摄像采集装置进行视频采集得到的经过脱敏的采集数据集。

根据本公开的实施例，采用开源数据集和采集数据集结合作为训练样本，训练样本种类多，提高了获得识别准确度高的关注识别模型的可能性。

在操作S402，基于样本对象的人脸图像信息，生成样本对象的人脸信息特征向量。

在操作S403，将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，初始卷积神经网络的参数为预设参数。

在操作S404，根据损失函数的损失对初始卷积神经网络进行训练，直到损失函数的损失最小，将损失函数的损失最小时对应的模型作为关注识别模型。

根据本公开的实施例，采用的关注识别模型可以为卷积神经网络结构，通过不断的对初始卷积神经网络训练，直到损失函数的损失最小，得到关注识别模型。

根据本公开的实施例，该关注识别模型的最优参数和对应的卷积神经网络结构，可以经过序列化技术保存在模型文件中，用于广告屏终端脱离后端服务器直接在本地利用该关注识别模型实施用于评估关注状态的方法。

根据本公开的实施例，该关注识别模型直接保存在广告屏终端内，形成了一个可供广告屏终端直接处理使用的关注识别模型，提出了一种新的处理方式。与其他依赖服务器运行，需要广告屏终端回传图像信息至服务器处理的方式不同。采用本公开的实施例的用于评估关注状态的方法，提出一种在本地进行人脸图像信息处理、通过关注识别模型识别的方式，在降低传输数据流量的基础上，降低了运行使用成本。

根据本公开的实施例，关注识别模型包括卷积神经网络。该卷积神经网络可以但不局限于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。

根据本公开的实施例，该卷积神经网络的结构如下表1。

表1

根据本公开的实施例，关注识别模型通过将卷积神经网络计算后的多个神经元输出，映射到(0，1)区间，给出每种分类的概率情况。

根据本公开的实施例，损失函数包括分类损失softmax函数和中心损失center函数的结合。其中，关注识别模型的损失函数L可以为下式(1)：

L＝L

其中，C

根据本公开的实施例，设计如表1所示的关注识别模型结构，且结合如上式(1)中的关注识别模型的损失函数L，相比于其他实验，训练精度能达到88％～93％，相同迭代次数下，训练精度高，且能够实现内存占用量小，预测时间快等优点。

图5示意性示出了根据本公开实施例的关注识别模型的优化训练过程。

如图5所示，该方法包括操作S501～S502。

在操作S501，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关注识别模型，生成损失函数的损失；以及

在操作S502，根据损失函数的损失对关注识别模型进行优化训练，直到损失函数的损失最小，将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。

根据本公开的实施例，关注识别模型可以通过实际应用中的采集数据作为新的训练样本来优化训练关注识别模型，以便得到更新后的关注识别模型。例如，在疫情期间，行人出门会带有口罩，由佩戴口罩会导致人的面部信息产生较大程度的改变。本公开的实施例基于实际情况的改变，设计关注识别模型的优化训练，将识别出的概率较高的样本收集并加入到训练数据，能使得关注识别模型经过多次迭代提升识别准确度。

根据本公开的实施例，关注识别模型考虑了实效性以及应用性的要求，提高了关注识别模型的实际应用效果。

图6示意性示出了根据本公开另一实施例的用于评估关注状态的方法流程图。

如图6所示，根据关注识别模型的输出结果，确定待评估对象的关注状态评估结果包括操作S610、S621和S622。

在操作S610，比较关注识别模型的输出结果与第一预设阈值的大小；其中，关注识别模型的输出结果包括待评估对象的关注概率。

在操作S621，如果关注概率大于第一预设阈值，则确定待评估对象的关注状态评估结果为关注。

在操作S622，如果关注概率小于或等于第一预设阈值，则确定待评估对象的关注状态评估结果为未关注。

根据本公开的实施例，关注识别模型的输出结果包括每个分类的类别概率，在本公开的实施例中，关注识别模型的输出结果不仅包括待评估对象的关注概率，还包括待评估对象的未关注概率，二者加和为1。

根据本公开的实施例，将关注识别模型的待评估对象的关注概率来作为比较值与第一预设阈值来进行比较，其比较分析简单，方便快捷。

其中，第一预设阈值可以选取概率为80％、85％等，但是并不局限于此，可以根据实际情况或者识别精度要求来实际拟定。基于将关注概率与第一预设阈值来进行比较得出是否关注的结论，其关注识别模型输出的关注概率越高，关注识别模型的置信度越高。

有鉴于此，根据本公开的其他实施例，将实际应用中的采集数据作为新的训练样本来优化训练关注识别模型的过程中，可以将关注识别模型输出的关注概率高的对象作为训练样本来进行关注识别模型的优化训练。

例如，可以比较关注识别模型的输出结果与第二预设阈值的大小；其中，第二预设阈值大于第一预设阈值；以及如果关注概率大于第二预设阈值，则确定待评估对象为已确定为关注的对象。

根据本公开的其他实施例，将关注概率大于第二预设阈值的对象作为已确定为关注的对象，来作为训练样本对关注识别模型进行优化训练，不仅考虑了实效性以及应用性的要求，而且实现了通过改善训练样本，提高关注识别模型的识别精度的效果。

根据本公开的实施例，在根据关注识别模型的输出结果，确定待评估对象的关注状态评估结果之后，本公开的方法还可以包括如下操作。

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；

基于每个对象的关注状态评估结果，确定关注状态评估结果为关注的对象的第二数量；以及

基于第二数量和第一数量，确定广告屏终端的关注度。

根据本公开的实施例，用于评估关注状态的方法，不仅可以用于评价单个对象对广告屏终端上展示的广告关注与否；还可以评估一段时间内，在预设采集区域被采集到的多个对象中的关注广告屏终端展示的广告的对象的占比。例如，通过被采集到的所有对象的第一数量与关注广告的对象的第二数量，来确定广告屏终端上展示的某一广告的关注度。更为具体的，该广告屏终端的关注度，为第二数量占第一数量的比例。

图7示意性示出了根据本公开的实施例的用于评估关注状态的装置的框图。

如图7所示，用于评估关注状态的装置700包括获取模块710、生成模块720、输出模块730、和确定模块740。

获取模块710，用于获取待评估对象的人脸图像信息；其中，待评估对象为在与广告屏终端关联的预设采集区域采集到的对象。

生成模块720，用于基于人脸图像信息，生成人脸信息特征向量。

输出模块730，用于将人脸信息特征向量输入至关注识别模型，得到关注识别模型的输出结果；其中，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广告屏终端。

确定模块740，用于根据关注识别模型的输出结果，确定待评估对象的关注状态评估结果；其中，关注状态评估结果包括关注和非关注。

根据本公开的实施例，生成模块720包括提取单元和生成单元。

提取单元，用于对人脸图像信息进行面部区域特征提取，得到人脸面部区域图像信息。

生成单元，用于将人脸面部区域图像信息进行向量转换，生成人脸信息特征向量。

根据本公开的实施例，确定模块740包括第一比较单元，用于比较关注识别模型的输出结果与第一预设阈值的大小；其中，关注识别模型的输出结果包括待评估对象的关注概率。

根据本公开的实施例，如果关注概率大于第一预设阈值，则确定待评估对象的关注状态评估结果为关注。

根据本公开的实施例，如果关注概率小于或等于第一预设阈值，则确定待评估对象的关注状态评估结果为未关注。

根据本公开的实施例，确定模块740包括第二比较单元，用于比较关注识别模型的输出结果与第二预设阈值的大小；其中，第二预设阈值大于第一预设阈值；以及如果关注概率大于第二预设阈值，则确定待评估对象为已确定为关注的对象。

根据本公开的实施例，用于评估关注状态的装置还包括关注度确定模块，用于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；基于每个对象的关注状态评估结果，确定关注状态评估结果为关注的对象的第二数量；以及基于第二数量和第一数量，确定广告屏终端的关注度。

根据本公开的实施例，用于评估关注状态的装置还包括训练模块，用于利用损失函数根据样本人脸信息特征向量训练得到关注识别模型。

根据本公开的实施例，训练模块，用于获取已知关注状态结果的样本对象的人脸图像信息；基于样本对象的人脸图像信息，生成样本对象的人脸信息特征向量；将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，初始卷积神经网络的参数为预设参数；以及根据损失函数的损失对初始卷积神经网络进行训练，直到损失函数的损失最小，将损失函数的损失最小时对应的模型作为关注识别模型。

根据本公开的实施例，关注识别模型包括卷积神经网络。该卷积神经网络可以但不局限于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。

根据本公开的实施例，损失函数包括分类损失softmax函数和中心损失center函数的结合。

根据本公开的实施例，关注识别模型的损失函数L可以为下式：

L＝L

其中，C

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，获取模块710、生成模块720、输出模块730和确定模块740中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，获取模块710、生成模块720、输出模块730和确定模块740中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块710、生成模块720、输出模块730和确定模块740中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

需要说明的是，本公开的实施例中用于评估关注状态的装置部分与本公开的实施例中用于评估关注状态的方法部分是相对应的，用于评估关注状态的装置部分的描述具体参考用于评估关注状态的方法部分，在此不再赘述。

图8示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的框图。图8示出的计算机系统仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，根据本公开实施例的计算机系统800包括处理器801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 803中，存储有系统800操作所需的各种程序和数据。处理器801、ROM 802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，系统800还可以包括输入/输出(I/O)接口805，输入/输出(I/O)接口805也连接至总线804。系统800还可以包括连接至I/O接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的用于评估关注状态的方法。

在该计算机程序被处理器801执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分809被下载和安装，和/或从可拆卸介质811被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。