远程媒体广告监测方法、系统和电子设备与流程

1.本发明涉及远程媒体广告的领域，且更为具体地，涉及一种远程媒体广告监测方法、系统和电子设备。


背景技术：

2.传统媒体广告监测工作中需要在目标地域范围内，布设音视频采集设备，这里，采集设备的来源可以是机顶盒设备。由于广电网络的现有架构，决定了不同的地方台，只能在当地、使用当地的机顶盒设备才能观看。因此，采集系统必须在目标地方台所在地安装采集设备，并将当地部署的机顶盒的输出作为采集设备的输入。
3.目前，每个机顶盒在同一时间只能被遥控器设置为一个频道节目播出，因此，对于需要监测多个频道的目标地方，就需要有技术手段可以在需要的时候控制机顶盒切换到合适的频道，并且在遥控器控制机顶盒进行频道的节目播出时，何时向音视频节目采集设备发送远程指令以控制机顶盒切换频道是需要考虑的问题。
4.因此，期望提供一种优化的远程媒体广告监测方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种远程媒体广告监测方法、系统和电子设备，其在监测系统服务器一侧，进一步设置指令发送控制器，以基于接收到的音视频节目采集设备采集的视频信号来控制发送远程指令。具体地，所述指令发送控制器实现为基于神经网络模型的分类器，接收所述视频信号的图像帧作为输入，并输出是否发送远程指令的分类结果。并且在此过程中，考虑到了由于网络状态而产生的信号抖动的因素，从而对所述特征值进行修正，以使得分类的结果更为准确。通过这样的方式，可以准确地确定在何时向所述音视频节目采集设备发送远程指令以控制所述机顶盒切换频道，从而便于广播电视节目的采集和维护工作。
6.根据本技术的一个方面，提供了一种远程媒体广告监测方法，其包括：
7.获取由音视频节目采集设备采集的视频信号；
8.以预定时间间隔从所述视频信号获取一系列图像帧；
9.计算所述一系列图像中每两帧相邻图像帧之间的差分图像；
10.将各个所述差分图像输入卷积神经网络，其中，所述卷积神经网络输出长度与所述卷积神经网络的通道长度相等的第一特征向量；
11.基于所述音视频节目采集设备在传输所述视频信号至互联网的过程中的基于对数函数的上行参数来对所述第一特征向量中各个位置的特征值进行修正，以获得第二特征向量；
12.将所述第二特征向量通过包含交替排列的一维卷积层和全连接层的分类器以获得用于表示是否发送远程指令的概率值；以及
13.基于所述概率值，确定是否发送远程指令至机顶盒，其中，所述远程指令用于控制
机顶盒切换到其他频道。
14.在上述远程媒体广告监测方法中，将各个所述差分图像输入卷积神经网络，其中，所述卷积神经网络输出长度与所述卷积神经网络的通道长度相等的第一特征向量，包括：将各个所述差分图像输入所述卷积神经网络以获得特征图；以及，对所述特征图进行沿通道维度的全局平均值池化或者全局最大值池化以获得所述第一特征向量。
15.在上述远程媒体广告监测方法中，将各个所述差分图像输入所述卷积神经网络以获得特征图，包括：所述卷积神经网络以如下公式对各个所述差分图像进行处理以获得所述特征图；所述公式为：
16.fi＝active(ni×fi-1
+bi)
17.其中，f
i-1
为第i层卷积神经网络的输入，fi为第i层卷积神经网络的输出，ni为第i层卷积神经网络的卷积核，且bi为第i层神经网络的偏置矩阵，且active表示非线性激活函数。
18.在上述远程媒体广告监测方法中，基于所述音视频节目采集设备在传输所述视频信号至互联网的过程中的基于对数函数的上行参数来对所述第一特征向量中各个位置的特征值进行修正，以获得第二特征向量，包括：基于对数函数的上行参数以如下公式来对所述第一特征向量中各个位置的特征值进行修正以获得所述第二特征向量；其中，所述公式为：
[0019][0020]
其中w是所述音视频节目采集设备的上行带宽，a是小规模衰减效应，包含路径损失和遮挡损失，h是与频率相关的小规模衰减功率分量，σ2是加性白高斯噪声的功率，ic是传输信道中的干涉。
[0021]
在上述远程媒体广告监测方法中，将所述第二特征向量通过包含交替排列的一维卷积层和全连接层的分类器以获得用于表示是否发送远程指令的概率值，包括：使用所述分类器的全连接层对所述第二特征向量进行全位置编码以提取所述第二特征向量中各个位置的特征值的高维隐含特征；使用所述分类器的一维卷积层对所述第二特征向量进行一维卷积编码以提取出所述第二特征向量中各个位置的特征值之间的关联的高维关联特征以获得分类特征向量；将所述分类特征向量输入所述分类器的softmax分类函数以获得所述用于表示是否发送远程指令的概率值。
[0022]
在上述远程媒体广告监测方法中，基于所述概率值，确定是否发送远程指令至机顶盒，包括：响应于所述概率值大于预设阈值，确定发送所述远程指令至机顶盒。
[0023]
根据本技术的另一方面，提供了一种远程媒体广告监测系统，其包括：
[0024]
视频信号获取模块，用于获取由音视频节目采集设备采集的视频信号；
[0025]
图像帧采集模块，用于以预定时间间隔从所述视频信号获取一系列图像帧；
[0026]
差分图像计算模块，用于计算所述一系列图像中每两帧相邻图像帧之间的差分图像；
[0027]
神经网络模块，用于将各个所述差分图像输入卷积神经网络，其中，所述卷积神经网络输出长度与所述卷积神经网络的通道长度相等的第一特征向量；
[0028]
特征向量修正模块，用于基于所述音视频节目采集设备在传输所述视频信号至互
联网的过程中的基于对数函数的上行参数来对所述第一特征向量中各个位置的特征值进行修正，以获得第二特征向量；
[0029]
分类模块，用于将所述第二特征向量通过包含交替排列的一维卷积层和全连接层的分类器以获得用于表示是否发送远程指令的概率值；以及
[0030]
控制模块，用于基于所述概率值，确定是否发送远程指令至机顶盒，其中，所述远程指令用于控制机顶盒切换到其他频道。
[0031]
在上述远程媒体广告监测系统中，所述神经网络模块，包括：卷积处理单元，用于将各个所述差分图像输入所述卷积神经网络以获得特征图；以及，通道池化单元，用于对所述特征图进行沿通道维度的全局平均值池化或者全局最大值池化以获得所述第一特征向量。
[0032]
在上述远程媒体广告监测系统中，所述卷积处理单元，进一步用于：以如下公式对各个所述差分图像进行处理以获得所述特征图；所述公式为：
[0033]fi
＝active(ni×fi-1
+bi)
[0034]
其中，f
i-1
为第i层卷积神经网络的输入，fi为第i层卷积神经网络的输出，ni为第i层卷积神经网络的卷积核，且bi为第i层神经网络的偏置矩阵，且active表示非线性激活函数。
[0035]
在上述远程媒体广告监测系统中，所述特征向量修正模块，进一步用于：基于对数函数的上行参数以如下公式来对所述第一特征向量中各个位置的特征值进行修正以获得所述第二特征向量；其中，所述公式为：
[0036][0037]
其中w是所述音视频节目采集设备的上行带宽，a是小规模衰减效应，包含路径损失和遮挡损失，h是与频率相关的小规模衰减功率分量，σ2是加性白高斯噪声的功率，ic是传输信道中的干涉。
[0038]
在上述远程媒体广告监测系统中，所述分类模块，包括：全连接层处理单元，用于使用所述分类器的全连接层对所述第二特征向量进行全位置编码以提取所述第二特征向量中各个位置的特征值的高维隐含特征；一维卷积层处理单元，用于使用所述分类器的一维卷积层对所述第二特征向量进行一维卷积编码以提取出所述第二特征向量中各个位置的特征值之间的关联的高维关联特征以获得分类特征向量；以及，概率值计算单元，用于将所述分类特征向量输入所述分类器的softmax分类函数以获得所述用于表示是否发送远程指令的概率值。
[0039]
在上述远程媒体广告监测系统中，所述控制模块，进一步用于：响应于所述概率值大于预设阈值，确定发送所述远程指令至机顶盒。
[0040]
根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的远程媒体广告监测方法。
[0041]
根据本技术的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的远程媒体广告监测方法。
[0042]
与现有技术相比，本技术提供的远程媒体广告监测方法、系统和电子设备，其在监测系统服务器一侧，进一步设置指令发送控制器，以基于接收到的音视频节目采集设备采集的视频信号来控制发送远程指令。具体地，所述指令发送控制器实现为基于神经网络模型的分类器，接收所述视频信号的图像帧作为输入，并输出是否发送远程指令的分类结果。并且在此过程中，考虑到了由于网络状态而产生的信号抖动的因素，从而对所述特征值进行修正，以使得分类的结果更为准确。通过这样的方式，可以准确地确定在何时向所述音视频节目采集设备发送远程指令以控制所述机顶盒切换频道，从而便于广播电视节目的采集和维护工作。
附图说明
[0043]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0044]
图1a为根据本技术实施例的远程媒体广告监测方法中的音视频采集原理示意图；
[0045]
表1b为根据本技术实施例的远程媒体广告监测方法中的命令内容的指令表；
[0046]
图2为根据本技术实施例的远程媒体广告监测方法的流程图；
[0047]
图3为根据本技术实施例的远程媒体广告监测方法的系统架构示意图；
[0048]
图4为根据本技术实施例的远程媒体广告监测方法中，将所述第二特征向量通过包含交替排列的一维卷积层和全连接层的分类器以获得用于表示是否发送远程指令的概率值的流程图；
[0049]
图5为根据本技术实施例的远程媒体广告监测系统的框图；
[0050]
图6为根据本技术实施例的远程媒体广告监测系统中分类模块的框图；
[0051]
图7为根据本技术实施例的电子设备的框图。
具体实施方式
[0052]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0053]
申请概述
[0054]
如前所述，传统媒体广告监测工作中需要在目标地域范围内，布设音视频采集设备，这里，采集设备的来源可以是机顶盒设备。由于广电网络的现有架构，决定了不同的地方台，只能在当地、使用当地的机顶盒设备才能观看。因此，采集系统必须在目标地方台所在地安装采集设备，并将当地部署的机顶盒的输出作为采集设备的输入。
[0055]
目前，每个机顶盒在同一时间只能被遥控器设置为一个频道节目播出，因此，对于需要监测多个频道的目标地方，就需要有技术手段可以在需要的时候控制机顶盒切换到合适的频道，并且在遥控器控制机顶盒进行频道的节目播出时，何时向音视频节目采集设备发送远程指令以控制机顶盒切换频道是需要考虑的问题。因此，为了解决此类问题，期望提供一种远程媒体广告监测方案。
[0056]
基于此，在本技术的技术方案中，采用具备上网能力的采集设备，在进行音视频节目采集的同时，作为接收远程控制指令，控制连接在采集设备和机顶盒上的红外控制模块，向机顶盒发送遥控指令，原理如图1a所示。
[0057]
音视频节目采集设备通过tcp/ip协议接入互联网，而监测中心服务器网络也通过tcp/ip协议接入互联网。通过合适的路由设置和防火墙设置，双方可以通过ip地址互相访问对方。遥控指令是自定义的格式，以ascii字符串构成，作为udp协议的负载，由监控服务器端发送到采集设备上。
[0058]
当采集设备收到控制指令udp包以后，经过解析命令内容，可以知道需要向连接着的机顶盒发送何种指令，如表1b所示。
[0059]
并且，采集设备预先存储了机顶盒对应的遥控器的上述按键的红外二进制编码，在收到远程控制指令后，将待发送的按键编码通过连接在usb接口上的红外发射头，发射到机顶盒的红外接收窗口，从而实现了通过远程指令的方式，来控制机顶盒的动作。
[0060]
此外，在本技术的技术方案中，另一值得注意的问题是何时向音视频节目采集设备发送远程指令以控制机顶盒切换频道。这里，本技术的申请人注意到在远程媒体广告监测的场景下，如果采集到的视频信号处于预定状态，例如相对无变化的状态，则可以控制机顶盒切换到其它频道。
[0061]
因此，在监测系统服务器一侧，进一步设置指令发送控制器，以基于接收到的音视频节目采集设备采集的视频信号来控制发送远程指令。具体地，该指令发送控制器实现为基于神经网络模型的分类器，接收视频信号的图像帧作为输入，并输出是否发送远程指令的分类结果。
[0062]
基于此，本技术提出了一种远程媒体广告监测方法，其包括：获取由音视频节目采集设备采集的视频信号；以预定时间间隔从所述视频信号获取一系列图像帧；计算所述一系列图像中每两帧相邻图像帧之间的差分图像；将各个所述差分图像输入卷积神经网络，其中，所述卷积神经网络输出长度与所述卷积神经网络的通道长度相等的第一特征向量；基于所述音视频节目采集设备在传输所述视频信号至互联网的过程中的基于对数函数的上行参数来对所述第一特征向量中各个位置的特征值进行修正，以获得第二特征向量；将所述第二特征向量通过包含交替排列的一维卷积层和全连接层的分类器以获得用于表示是否发送远程指令的概率值；以及，基于所述概率值，确定是否发送远程指令至机顶盒，其中，所述远程指令用于控制机顶盒切换到其他频道。
[0063]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0064]
示例性方法
[0065]
图2图示了远程媒体广告监测方法的流程图。如图2所示，根据本技术实施例的远程媒体广告监测方法，包括：s110，获取由音视频节目采集设备采集的视频信号；s120，以预定时间间隔从所述视频信号获取一系列图像帧； s130，计算所述一系列图像中每两帧相邻图像帧之间的差分图像；s140，将各个所述差分图像输入卷积神经网络，其中，所述卷积神经网络输出长度与所述卷积神经网络的通道长度相等的第一特征向量；s150，基于所述音视频节目采集设备在传输所述视频信号至互联网的过程中的基于对数函数的上行参数来对所述第一特征向量中各个位置的特征值进行修正，以获得第二特征向量；s160，将所述第
二特征向量通过包含交替排列的一维卷积层和全连接层的分类器以获得用于表示是否发送远程指令的概率值；以及，s170，基于所述概率值，确定是否发送远程指令至机顶盒，其中，所述远程指令用于控制机顶盒切换到其他频道。
[0066]
图3图示了根据本技术实施例的远程媒体广告监测方法的架构示意图。如图3所示，在所述远程媒体广告监测方法的网络架构中，首先，以预定时间间隔从由音视频节目采集设备采集的所述视频信号(例如，如图3中所示意的in)获取一系列图像帧(例如，如图3中所示意的p)；接着，计算所述一系列图像中每两帧相邻图像帧之间的差分图像(例如，如图3中所示意的q)；然后，将各个所述差分图像输入卷积神经网络(例如，如图3中所示意的cnn)，其中，所述卷积神经网络输出长度与所述卷积神经网络的通道长度相等的第一特征向量(例如，如图3中所示意的vf1)；接着，基于所述音视频节目采集设备在传输所述视频信号至互联网的过程中的基于对数函数的上行参数来对所述第一特征向量中各个位置的特征值进行修正，以获得第二特征向量(例如，如图3中所示意的vf2)；然后，将所述第二特征向量通过包含交替排列的一维卷积层和全连接层的分类器(例如，如图 3中所示意的圈s)以获得用于表示是否发送远程指令的概率值；以及，最后，基于所述概率值，确定是否发送远程指令至机顶盒，其中，所述远程指令用于控制机顶盒切换到其他频道。
[0067]
在步骤s110和步骤s120中，获取由音视频节目采集设备采集的视频信号，并以预定时间间隔从所述视频信号获取一系列图像帧。如前所述，在本技术的技术方案中，另一值得注意的问题是何时向音视频节目采集设备发送远程指令以控制机顶盒切换频道。这里，考虑到在远程媒体广告监测的场景下，如果采集到的视频信号处于预定状态，例如相对无变化的状态，则可以控制所述机顶盒切换到其它频道。因此，在本技术的技术方案中，在所述监测系统服务器一侧，进一步设置指令发送控制器，以基于接收到的所述音视频节目采集设备采集的视频信号来控制发送远程指令。也就是，该所述指令发送控制器实现为基于神经网络模型的分类器，接收所述视频信号的图像帧作为输入，并输出是否发送远程指令的分类结果。
[0068]
相应地，在一个具体示例中，首先，从该所述指令发送控制器获取由音视频节目采集设备采集的视频信号，在一个具体示例中，可以通过机顶盒从音视频节目采集设备中采集视频信号，其中，所示采集设备具备联网功能，并且所述采集设备与所述机顶盒通过红外装置相连。然后，以预定时间间隔从所述视频信号获取一系列图像帧，以便于后续的卷积神经网络对其进行特征提取
[0069]
在步骤s130和步骤s140中，计算所述一系列图像中每两帧相邻图像帧之间的差分图像，并将各个所述差分图像输入卷积神经网络，其中，所述卷积神经网络输出长度与所述卷积神经网络的通道长度相等的第一特征向量。也就是，在得到所述一系列的图像帧之后，首先，计算所述一系列图像中每两帧相邻图像帧之间的差分图像，然后，将各个所述差分图像输入卷积神经网络中进行处理，以提取出所述各个图像帧之间的高维时序关联特征，从而得到与所述卷积神经网络的通道长度相等的第一特征向量。值得一提的是，这里，所述第一特征向量沿向量的长度方向表达各个图像帧的高维时序关联特征。
[0070]
具体地，在本技术的实施例中，将各个所述差分图像输入卷积神经网络，其中，所述卷积神经网络输出长度与所述卷积神经网络的通道长度相等的第一特征向量的过程，包括：首先，将各个所述差分图像输入所述卷积神经网络，以提取出所述差分图像中的局部特
征在高维空间中的特征分布表示，从而获得特征图。然后，对所述特征图进行沿通道维度的全局平均值池化或者全局最大值池化以获得所述第一特征向量。应可以理解，通过对所述特征图进行沿通道维度的全局平均值池化或者全局最大值池化处理，可以减小参数的数据，进而减小过拟合，以提高分类结果的准确性。
[0071]
特别地，在一个具体示例中，将各个所述差分图像输入所述卷积神经网络以获得特征图，包括：所述卷积神经网络以如下公式对各个所述差分图像进行处理以获得所述特征图；
[0072]
所述公式为：
[0073]fi
＝active(ni×fi-1
+bi)
[0074]
其中，f
i-1
为第i层卷积神经网络的输入，fi为第i层卷积神经网络的输出，ni为第i层卷积神经网络的卷积核，且bi为第i层神经网络的偏置矩阵，且active表示非线性激活函数。
[0075]
在步骤s150中，基于所述音视频节目采集设备在传输所述视频信号至互联网的过程中的基于对数函数的上行参数来对所述第一特征向量中各个位置的特征值进行修正，以获得第二特征向量。应可以理解，注意到所述图像在从音视频节目采集设备上传到互联网的过程当中，可能由于网络状态而产生信号抖动，而该所述信号抖动在通过卷积神经网络映射到高维空间之后，会显著影响所述第一特征向量的在高维空间中的特征表示。因此，在本技术的技术方案中，由于后续的softmax分类函数是基于自然常数的指数函数，这里以基于所述音视频节目采集设备在传输所述视频信号至互联网的过程中的基于对数函数的上行参数来对所述第一特征向量的各个特征值fi进行修正，这样，就能够从修正后的所述特征值f
′i得到第二特征向量。
[0076]
具体地，在本技术实施例中，基于所述音视频节目采集设备在传输所述视频信号至互联网的过程中的基于对数函数的上行参数来对所述第一特征向量中各个位置的特征值进行修正，以获得第二特征向量，包括：基于对数函数的上行参数以如下公式来对所述第一特征向量中各个位置的特征值进行修正以获得所述第二特征向量；
[0077]
其中，所述公式为：
[0078][0079]
其中w是所述音视频节目采集设备的上行带宽，a是小规模衰减效应，包含路径损失和遮挡损失，h是与频率相关的小规模衰减功率分量，σ2是加性白高斯噪声的功率，ic是传输信道中的干涉。
[0080]
在步骤s160和步骤s170中，将所述第二特征向量通过包含交替排列的一维卷积层和全连接层的分类器以获得用于表示是否发送远程指令的概率值，并基于所述概率值，确定是否发送远程指令至机顶盒，其中，所述远程指令用于控制机顶盒切换到其他频道。应可以理解，注意到沿时序方向的各个特征之间也会存在时序间的关联，因此，在本技术的技术方案中，首先，将所述第二特征向量通过包含交替排列的一维卷积层和全连接层的分类器中进行处理，以通过softmax分类函数获得用于表示是否发送远程指令的概率值；接着，再基于所述概率值，确定是否发送远程指令至机顶盒，这里，所述远程指令用于控制机顶盒切换到其他频道。在一个具体示例中，响应于所述概率值大于预设阈值，确定发送所述远程指
令至机顶盒。
[0081]
具体地，在本技术实施例中，将所述第二特征向量通过包含交替排列的一维卷积层和全连接层的分类器以获得用于表示是否发送远程指令的概率值的过程，包括：首先，使用所述分类器的全连接层对所述第二特征向量进行全位置编码以提取所述第二特征向量中各个位置的特征值的高维隐含特征；然后，使用所述分类器的一维卷积层对所述第二特征向量进行一维卷积编码以提取出所述第二特征向量中各个位置的特征值之间的关联的高维关联特征以获得分类特征向量；最后，将所述分类特征向量输入所述分类器的 softmax分类函数以获得所述用于表示是否发送远程指令的概率值。进而，就能够基于所述概率值，确定是否发送远程指令至机顶盒，具体地，响应于所述概率值大于预设阈值，确定发送所述远程指令至机顶盒。
[0082]
图4图示了根据本技术实施例的远程媒体广告监测方法中，将所述第二特征向量通过包含交替排列的一维卷积层和全连接层的分类器以获得用于表示是否发送远程指令的概率值的流程图。如图4所示，将所述第二特征向量通过包含交替排列的一维卷积层和全连接层的分类器以获得用于表示是否发送远程指令的概率值，包括：s210，使用所述分类器的全连接层对所述第二特征向量进行全位置编码以提取所述第二特征向量中各个位置的特征值的高维隐含特征；s220，使用所述分类器的一维卷积层对所述第二特征向量进行一维卷积编码以提取出所述第二特征向量中各个位置的特征值之间的关联的高维关联特征以获得分类特征向量；以及，s230，将所述分类特征向量输入所述分类器的softmax分类函数以获得所述用于表示是否发送远程指令的概率值。
[0083]
综上，本技术实施例的远程媒体广告监测方法被阐明，其在监测系统服务器一侧，进一步设置指令发送控制器，以基于接收到的音视频节目采集设备采集的视频信号来控制发送远程指令。具体地，所述指令发送控制器实现为基于神经网络模型的分类器，接收所述视频信号的图像帧作为输入，并输出是否发送远程指令的分类结果。并且在此过程中，考虑到了由于网络状态而产生的信号抖动的因素，从而对所述特征值进行修正，以使得分类的结果更为准确。通过这样的方式，可以准确地确定在何时向所述音视频节目采集设备发送远程指令以控制所述机顶盒切换频道，从而便于广播电视节目的采集和维护工作。
[0084]
示例性系统
[0085]
图5图示了根据本技术实施例的远程媒体广告监测系统的框图。如图5 所示，根据本技术实施例的远程媒体广告监测系统500，包括：视频信号获取模块510，用于获取由音视频节目采集设备采集的视频信号；图像帧采集模块520，用于以预定时间间隔从所述视频信号获取一系列图像帧；差分图像计算模块530，用于计算所述一系列图像中每两帧相邻图像帧之间的差分图像；神经网络模块540，用于将各个所述差分图像输入卷积神经网络，其中，所述卷积神经网络输出长度与所述卷积神经网络的通道长度相等的第一特征向量；特征向量修正模块550，用于基于所述音视频节目采集设备在传输所述视频信号至互联网的过程中的基于对数函数的上行参数来对所述第一特征向量中各个位置的特征值进行修正，以获得第二特征向量；分类模块 560，用于将所述第二特征向量通过包含交替排列的一维卷积层和全连接层的分类器以获得用于表示是否发送远程指令的概率值；以及，控制模块570，用于基于所述概率值，确定是否发送远程指令至机顶盒，其中，所述远程指令用于控制机顶盒切换到其他频道。
[0086]
在一个示例中，在上述远程媒体广告监测系统500中，所述神经网络模块540，包括：卷积处理单元，用于将各个所述差分图像输入所述卷积神经网络以获得特征图；以及，通道池化单元，用于对所述特征图进行沿通道维度的全局平均值池化或者全局最大值池化以获得所述第一特征向量。
[0087]
在一个示例中，在上述远程媒体广告监测系统500中，所述卷积处理单元，进一步用于：以如下公式对各个所述差分图像进行处理以获得所述特征图；所述公式为：
[0088]fi
＝active(ni×fi-1
+bi)
[0089]
其中，f
i-1
为第i层卷积神经网络的输入，fi为第i层卷积神经网络的输出，ni为第i层卷积神经网络的卷积核，且bi为第i层神经网络的偏置矩阵，且active表示非线性激活函数。
[0090]
在一个示例中，在上述远程媒体广告监测系统500中，所述特征向量修正模块550，进一步用于：基于对数函数的上行参数以如下公式来对所述第一特征向量中各个位置的特征值进行修正以获得所述第二特征向量；其中，所述公式为：
[0091][0092]
其中w是所述音视频节目采集设备的上行带宽，a是小规模衰减效应，包含路径损失和遮挡损失，h是与频率相关的小规模衰减功率分量，σ2是加性白高斯噪声的功率，ic是传输信道中的干涉。
[0093]
在一个示例中，在上述远程媒体广告监测系统500中，如图6所示，所述分类模块560，包括：全连接层处理单元561，用于使用所述分类器的全连接层对所述第二特征向量进行全位置编码以提取所述第二特征向量中各个位置的特征值的高维隐含特征；一维卷积层处理单元562，用于使用所述分类器的一维卷积层对所述第二特征向量进行一维卷积编码以提取出所述第二特征向量中各个位置的特征值之间的关联的高维关联特征以获得分类特征向量；以及，概率值计算单元563，用于将所述分类特征向量输入所述分类器的softmax分类函数以获得所述用于表示是否发送远程指令的概率值。
[0094]
在一个示例中，在上述远程媒体广告监测系统500中，所述控制模块570，进一步用于：响应于所述概率值大于预设阈值，确定发送所述远程指令至机顶盒。
[0095]
这里，本领域技术人员可以理解，上述远程媒体广告监测系统500中的各个单元和模块的具体功能和操作已经在上面参考图1a到图4的远程媒体广告监测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0096]
如上所述，根据本技术实施例的远程媒体广告监测系统500可以实现在各种终端设备中，例如远程媒体广告监测算法的服务器等。在一个示例中，根据本技术实施例的远程媒体广告监测系统500可以作为一个软件模块和/ 或硬件模块而集成到终端设备中。例如，该远程媒体广告监测系统500可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该远程媒体广告监测系统500同样可以是该终端设备的众多硬件模块之一。
[0097]
替换地，在另一示例中，该远程媒体广告监测系统500与该终端设备也可以是分立的设备，并且该远程媒体广告监测系统500可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0098]
示例性电子设备
[0099]
下面，参考图7来描述根据本技术实施例的电子设备。如图7所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0100]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器 (rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的远程媒体广告监测方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如差分图像、第二特征向量等各种内容。
[0101]
在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0102]
该输入系统13可以包括例如键盘、鼠标等等。
[0103]
该输出系统14可以向外部输出各种信息，包括概率值等。该输出系统 14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0104]
当然，为了简化，图7中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0105]
示例性计算机程序产品和计算机可读存储介质
[0106]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的远程媒体广告监测方法中的功能中的步骤。
[0107]
所述计算机程序产品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技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“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、作为一个独立的软件包执行、部分在用户计算设备上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。
[0108]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的远程媒体广告监测方法中的步骤。
[0109]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘
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。
[0110]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0111]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0112]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0113]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0114]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。