感兴趣人群属性统计数据对广告业和销售业具有非常重要的决策指导作用。这类数据的传统获得方式非常低效而且不准确,多为人工咨询或者问卷调查。由生活经验可知,当人遇到感兴趣的事物时,往往会不自觉地驻足观察。因此,如果能结合计算机视觉相关技术,通过捕捉人在观察事物时的人脸图像和进行一系列的人脸图像分析,就可以转化为感兴趣人群属性统计数据。这个过程涉及两个核心步骤,分别是人脸检测和人脸属性分析。人脸检测和人脸属性分析都是计算机视觉领域热门研究方向。本文首先广泛调研人脸检测和人脸属性分析技术的发展路线与关键技术,其中包括传统的基于特征提取的方法和流行的基于卷积神经网络模型的方法。然后通过完整的对比实验,从准确性、鲁棒性、实时性三个方面衡量各种方法的优缺点。分析实验结果可知,与基于特征提取的方法相比,基于卷积神经网络模型的方法在准确性和鲁棒性上有突破性提升。而在GPU的并行计算能力支持下,基于卷积神经网络模型的方法依然能保持较高的实时性,满足大部分应用场景需求。根据实验数据,本文选择SSD模型作为人脸检测方法,选择AlexNet模型作为人脸属性分析方法,构建一套完整的感兴趣人群属性分析系统。就整体架构而言,系统以摄像头获取视频流为输入,经过后台系统分析统计,最后在web端和移动端进行数据可视化显示。在实现细节上,一方面,采用Django作为后台主体框架,能有效地将数据和视图进行分离,减少系统耦合。另一方面,采用IONIC框架作为前端框架,可以快速开发响应式、跨平台移动端应用,并完美接入Django的数据接口。由功能测试结果可知,系统正确实现了所有涉及的功能,系统运行稳定。