CN102752631A - 互联网视频点播方法及系统 - Google Patents

Abstract

本发明公开了一种互联网视频点播方法及系统，方法包括：获取互联网视频节目资源；接收目标图像，提取所述目标图像的视觉特征；根据所述视觉特征，从所述互联网视频节目资源中，获取并点播目标视频节目。系统包括：资源获取模块，用于获取互联网视频节目资源；特征提取模块，用于接收目标图像，提取所述目标图像的视觉特征；所述资源获取模块，还用于根据所述视觉特征，从所述互联网视频节目资源中，获取并点播目标视频节目。采用该方法及系统，可以根据用户输入的图像，便捷地获取目标视频，并进行点播。

Description

互联网视频点播方法及系统

技术领域

本发明涉及互联网领域，特别涉及一种互联网视频点播方法及系统。

背景技术

在三网融合的趋势下，NGB（Next Generation Broadcasting Network，下一代广播电视网）平台用户如何快速有效地在海量互联网视频节目资源中筛选出需要的视频节目进行点播，成为值得关注的问题。

下面分别就互联网视频点播中用到的分布式执行引擎技术、可信度评估技术、视觉特征提取技术和高维特征检索技术的国内外发展现状进行介绍。

分布式执行引擎，是通过采用P2P（peer-to-peer，点对点）或移动代理等分布式调度机制，完成对分布式服务的调用执行工作，根据执行环境的不同，可以设计成不同的协同运行机制和接口规范。目前比较成熟的执行引擎技术多是采用集中式进行管理，如jBPM（Java Business Process Management，业务流程管理）、ActiveBPEL（Business Process Execution Language，业务流程执行语言）等，在分布式环境下，由于难以准确实时获取分布式节点信息和服务实例信息，难以进行实时有效的管理，因此在分布式环境下，需要额外采用分布式技术，如DHT(Distributed Hash Table，分布式哈希表)、代理等方式，对分布式节点信息和服务实例信息进行监控、管理，通过服务实例预期消耗的资源进行评估计算，对资源进行合理的分配，完成分布式执行。

可信度评估技术，是通过周期性采集自身、周围节点与待评估节点的交互信息，对待评估节点进行可信度评估的技术。在分布式环境下，由于节点的不确定性或恶意性，会导致可信度评估的不准确，因此，需要考虑各节点的历史信息和其评估权重。一种可信度评估技术是采用Dempster-Shafer理论来进行可信度计算，实现分布式环境下的动态可信度评估。在对服务实例进行可信度评估的时候，需要额外考虑服务组合过程的逐级性，从而实时、准确地进行可信度评估。

所谓特征提取，就是从图像中将图像自身的内容信息提取出来形成视觉特征，使用户可以据此进行图像检索。一般采用的视觉特征，主要有颜色、形状、纹理、兴趣点和压缩域的特征。对于不同性质的图像，需要采用实验的方法来确定最合适的图像表示方法。视觉特征需要对手机拍摄角度的不同、亮度的变化、拍摄的不同分辨率等影响因素具有鲁棒性。

高维检索技术是基于内容的图像检索中的关键技术之一。在维数足够高的情况下，近邻搜索的性能会低于原始的顺序查找的算法，这种现象被称为“维数灾难”。基于树形多维索引结构包括：R树、R+树、k-d树等，这些索引方法在维数足够高的情况下，检索性能下降很快，会出现“维数灾难”的现象。PCA(Pricipal Component Analysis,主成份分析)是将高维数据映射到低维空间的数学方法。VA-File（Vector-Approximation File，向量近似）是用于高维向量数据k-NN（K-Nearest Neighbor，k最近邻）检索的索引方法，它通过对向量进行量化得到近似向量，然后将近似向量按照顺序排列形成VA-File，通过减少向量的存储空间来达到减少查询开销的目的。LSH（Locality SensitiveHashing，位置敏感哈希）设计用来在高维向量空间进行快速的近似k近邻检索，其关键思想是使用一组哈希函数来保证在空间上距离较近的两个点能够有较高的概率投影到同一个哈希桶中。

目前，通常采用的互联网视频点播方法是：通过视频名称或视频内容中的相关文字，在互联网视频节目资源中检索到需要的视频节目，然后进行点播。

然而，这种互联网视频点播方法存在的问题是：

由于只能采用文字搜索，在不知道视频名称或相关文字内容时，便无法获取需要的视频节目，从而无法实现视频点播。

发明内容

本发明提供了一种互联网视频点播方法及系统，技术方案如下：

一种互联网视频点播方法，包括以下步骤：

获取互联网视频节目资源；接收目标图像，提取所述目标图像的视觉特征；根据所述视觉特征，从所述互联网视频节目资源中，获取并点播目标视频节目。

进一步地，还包括在获取互联网视频节目资源后，对所述互联网视频节目资源进行缓存的步骤，以及在获取目标视频节目后，对所述目标视频节目进行缓存的步骤。

优选地，提取目标图像的视觉特征的步骤包括：

将目标图像划分为多个图像块；计算每一图像块的平均灰度值，并对所述平均灰度值排序；采用最大化条件熵，在所述排序中选择预定的顺序关系；将目标图像量化为特征向量，所述特征向量为视觉特征。

优选地，所述特征向量为高维特征向量，采用MD-LSH（DistributedMemory Locality Sensitive Hashing,分布式位置敏感哈希）映射，将所述高维特征向量映射为低维特征向量。

优选地，所有步骤在基于分布式哈希表的分布式环境下完成执行。

进一步地，还包括对所述完成执行的结果进行可信度评估的步骤；其中，所述可信度评估的步骤包括直接评估阶段、综合评估阶段和可靠评估阶段。

一种互联网视频点播系统，包括：

资源获取模块，用于获取互联网视频节目资源；特征提取模块，用于接收目标图像，提取所述目标图像的视觉特征；所述资源获取模块，还用于根据所述视觉特征，从所述互联网视频节目资源中，获取并点播目标视频节目。

进一步地，还包括缓存模块，用于在获取互联网视频节目资源后，对所述互联网视频节目资源进行缓存，以及在获取目标视频节目后，对所述目标视频节目进行缓存。

优选地，所述资源获取模块，包括：SIS（Internet Video Search and IndexSystem，互联网视频搜索与索引设备），NGB平台和MS（Internet Video AccessManagement System,互联网视频访问管理设备）；其中，所述SIS用于搜索互联网视频节目资源，并将搜索到的互联网视频节目资源向NGB平台发布；所述特征提取模块，是VS（User Visual Retrieval System,用户视觉检索设备），用于接收目标图像，提取所述目标图像的视觉特征；所述SIS还用于根据所述视觉特征，从所述互联网视频节目资源中，获取目标视频节目；所述MS用于向NGB平台请求点播所述目标视频节目；其中，所述NGB平台，还用于接收到所述目标视频节目点播请求后，对MS发管理控制命令，实现所述目标视频节目的点播。

优选地，所述SIS采用MD-LSH构架，具体包括：被多个客户端访问的主服务器和多个数据服务器；其中，多个数据服务器保存实际的索引数据，并向主服务器报告状态信息；主服务器根据多个数据服务器的状态信息，维持多个数据服务器的拓扑结构和向量映射关系。

本发明提供的技术方案带来的有益效果是：

在本发明的实施例中，采用基于图像的可视搜索技术，能够根据接收到的目标图像内容，搜索到需要的目标视频节目，并进行点播。

进一步地，采用视觉特征提取技术，将目标图像量化为特征向量，从而能够准确地获取需要的视频节目。

进一步地，采用基于DHT的分布式执行引擎，使所有步骤都在基于DHT的分布式环境下完成执行，可以快速获取需要的视频节目。

进一步地，利用Dempster规则进行可信度评估，可以对互联网视频点播系统中各设备提供服务的可信度进行评估，从而提高视频点播系统的点播成功率。

进一步地，利用MD-LSH架构对每个特征向量建立分布式索引，以支持相似图像内容的快速检索。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图所示实施例得到其他的实施例及其附图。

图1是本发明实施例提供的一种互联网视频点播方法；

图2是本发明实施例提供的另一种互联网视频点播方法；

图3是本发明实施例提供的视觉特征的提取流程图；

图4是本发明实施例提供的MD-LSH映射示意图；

图5是本发明实施例提供的基于DHT的分布式执行引擎的结构示意图；

图6是本发明实施例提供的基于DHT的分布式执行引擎的工作流程图；

图7是本发明实施例提供的可信度评估流程图；

图8是本发明实施例提供的第一种互联网视频点播系统；

图9是本发明实施例提供的第二种互联网视频点播系统；

图10是本发明实施例提供的第三种互联网视频点播系统；

图11是本发明实施例提供的SIS的架构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的具体实施方式作进一步地详细描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动的前提下所得到的所有实施例都属于本发明的保护范围。

图1是本发明实施例提供的一种互联网视频点播方法，包括：

步骤101：获取互联网视频节目资源。

具体地，可以通过搜索互联网上的视频节目资源，进行汇聚索引，并将可以点播的视频节目资源进行发布，从而获取互联网上的视频节目资源。

步骤103：接收目标图像，提取所述目标图像的视觉特征。

具体地，接收的目标图像可以是用户利用手机、数码相机等电子设备拍摄的图片或录制的视频，目标图像的内容可以是视频节目的海报、宣传片头等。

步骤105：根据所述视觉特征，从所述互联网视频节目资源中，获取并点播目标视频节目。

具体地，根据提取的视觉特征，从互联网视频节目资源中，检索出目标视频节目。其中，目标视频节目是用户需要的视频节目，其可以是包含或者部分包含视觉特征的视频节目，也可以是与视觉特征具有特定关联性的视频节目，具体可以根据需要获取的视频的精度要求进行具体设定。检索到目标视频节目后，发送需要点播目标视频节目的请求，当接收到可以播放的管理控制命令后，进行目标视频节目的点播。

图2是本发明实施例提供的另一种互联网视频点播方法。在获取互联网视频节目资源后，还包括：

步骤102：对所述互联网视频节目资源进行缓存。

为了提高视频访问质量，在获取互联网视频节目资源后，将其进行缓存，以便提高后续对视频节目资源访问时的响应速度。

以及，在获取目标视频节目后，还包括：

步骤104：对所述目标视频节目进行缓存。

为了提高目标视频播放速度，通常在获取需要播放的视频节目后，将会对其进行缓存，以便用户点击播放时，能够快速顺畅地播放目标视频节目。

图3是本发明实施例提供的视觉特征的提取流程图。步骤103中的提取所述目标图像的视觉特征，是将目标图像量化为特征向量的过程，包括：

步骤201：将目标图像划分为多个图像块。

可以根据具体的要求将目标图像进行划分，在本实施例中，根据查找的准确率、召回率及速度的要求，将目标图像划分为多个图像块，划分的图像块数越多则准确率相应增加，但召回率下降，计算量增大，处理的速度会降低。在本实施例中，优选将图像划分为4×4的图像块。

步骤202：计算每一图像块的平均灰度值，并对所述平均灰度值排序。

计算出每一个图像块的平均灰度值，并且对平均灰度值进行大小排序。

步骤203：采用最大化条件熵，在所述排序中选择预定的顺序关系。

根据平均灰度值的大小排序，采用最大化条件熵选择出其中的一部分顺序关系，可以根据需要预先设定要选择的顺序关系。其中，该预定的顺序关系的数量要小于或等于步骤201中所划分的图像块的顺序关系总数。在本实施例中，优选其中的16种顺序关系。例如，将目标图像划分为8×8的图像块，然后计算出每个图像块的平均灰度值，并根据平均灰度值的大小进行排序，预定选择其中的16种顺序关系，采用最大化条件熵从排序中选择出这16种顺序关系。

步骤204：将目标图像量化为特征向量，所述特征向量为视觉特征。

根据选择出的顺序关系，将目标图像量化为特征向量，该特征向量代表所提取的视觉特征。其中，所选择的顺序关系数目即为特征向量的维数，特征向量的维数越高则准确率也越高，但召回率下降，检索速度也降低。也即，特征向量可以是高维特征向量，也可以是低维特征向量，具体决定于所选择的顺序关系数目。在本实施例中，该特征向量优选维数为十六的高维特征向量。通常将维数在十维以上的特征向量称为高维特征向量，而将维数在十维及以下的特征向量称为低维特征向量。

图4是本发明实施例提供的MD-LSH映射示意图。由于所提取的视觉特征可能是低维特征向量也可能是高维特征向量。当视觉特征为高维特征向量时，为了快速地实现检索，需要采用MD-LSH映射，将高维特征向量映射为低维特征向量。而当视觉特征为低维特征向量时，不需要经过MD-LSH映射。

具体举例说明如下：一个主服务器，多个数据服务器0~m，多个客户端，高维特征向量A、B、C通过LSH映射到一维的LSH桶空间中，主服务器根据数据服务器的个数m，将连续的LSH桶空间划分为与数据服务器个数相等的块数m,以及大于块数m的数据段数N，每个数据服务器维持其中的一块LSH桶空间中的数据，例如数据服务器0维持0~3段的数据，数据服务器m维持N-3~N段的数据，高维特征向量A、B映射到数据服务器0的数据段2，高维特征向量C映射到数据服务器m的数据段N-2。主服务器维持这种映射关系，当客户端向主服务器提交高维特征向量的查询时，主服务器根据映射关系返回保存与此高维特征向量相关的LSH桶空间的节点信息，其中包括节点的IP（Internet Protocol，网络协议）信息。客户端根据返回的节点信息，向相应的节点查询与此高维特征向量距离相近的高维特征向量集合及其相关的视频节目信息。例如客户端向主服务器提交高维特征向量B的查询时，主服务器返回保存与B相关的LSH桶空间的节点信息（如保存数据段2的数据服务器0的IP信息），客户端根据该信息向数据服务器0查询，从而找到高维特征向量A。

图5是本发明实施例提供的基于DHT的分布式执行引擎的结构示意图。其可以分为三个层次：业务逻辑层、服务层和资源层。具体地，业务逻辑层，对整个业务流程的功能和组成进行定义，在业务执行阶段还负责对业务流程的解析工作；服务层的对象是一个个具体的服务实例，例如SIS、VS、VCS（Internet Video Access Cache System，互联网视频访问缓存设备）和MS所提供的服务，服务层对这些具体服务进行管理操作，具体包括服务注册、服务查找、服务部署和服务调用等模块；资源层从整个系统资源角度，通过对资源进行实时监控、对服务调用所需的资源进行计算评估，然后再对资源进行管理和分配。

该分布式执行引擎的主要功能如下：

（1）路径动态优化功能:根据对业务节点信息与链路信息数据的分析，实现多种动态路径优化算法，输出优化路径；

（2）通信协同功能：向内部各模块提供与门户的相互通信，并能完成系统内部子模块的相互通信；

（3）XML（Extensible Markup Language,可扩展标记语言）解析功能：提供XML文件的解析功能，包括业务模板解析、协同优化系统内部数据存储格式解析，同时还能为内部各模块提供XML文件的生成、修改、查询功能；

（4）数据库管理功能：提供数据的存储、获取、查询功能，并维护数据表之间的关系；

（5）信息分析功能：从分布式节点上获取信息，分析节点、服务、负载、链路、业务信息；

（6）系统内部各模块间管理功能：完成分布式执行引擎各模块间协同管理功能；

（7）系统日志维护功能：动态生成并维护系统日志；

（8）数据维护功能：对分布式节点信息的维护和更新；

（9）生成服务覆盖网功能：根据数据存储的信息，为算法提供可理解和便于使用的逻辑拓扑功能；

（10）服务器恢复功能：在系统异常退出之后，根据日志和数据库信息，尽量做到在最小信息损失的情况下恢复系统运行。

图6是本发明实施例提供的基于DHT的分布式执行引擎的工作流程图。以基于可视搜索的互联网视频点播系统的一个典型流程为例，通过VS、SIS、VCS和MS完成整个业务流程。在接收到用户的点播服务请求后，工作流管理器将用户点播请求逐级发送到每一级服务，在整个工作流程的执行过程中，通过对资源的实时监控，对流程执行所消耗的资源进行计算评估，然后通过资源管理分配来完成工作流的执行。

互联网视频点播方法的所有步骤，在本实施例中为步骤101-105，步骤201-204以及将高维特征向量映射为低维特征向量的步骤，都是在基于DHT的分布式环境下完成执行的。

图7是本发明实施例提供的可信度评估流程图。由于互联网视频点播方法的所有步骤都是在基于DHT的分布式环境下完成执行的，为了提高服务可信度，需要对基于DHT的分布式环境下完成执行的结果进行可信度评估。在本实施例中，完成执行的结果为步骤101-105，步骤201-204以及将高维特征向量映射为低维特征向量的步骤中的任意一个步骤执行完毕后的结果。

具体地，可信度评估主要包括直接评估阶段、综合评估阶段和可靠评估阶段。在直接评估阶段，由于服务组合过程的逐级性，通常只有前一级SG（Signaling Gateway，信令网关）中的服务实例能调用后一级服务实例，而且在同一SG中的服务实例之间往往没有调用关系，因此在确定服务实例的可信性评估模型时，我们只考虑前一级服务实例对后一级服务实例的直接评估结果。在综合评估阶段，先收集该SG中其他服务实例的直接评估结果，利用Shapley熵来确定该SG中各个评估结果的权重，然后采用Dempster规则将前一级服务实例的直接评估结果合成，即可得到综合评估的信度区间。在可靠评估阶段利用Pignistic概率转换公式进行可靠判断可以得到精确的可信度值，方便在服务路由选择时决策。

为了对可信度评估流程进行更清楚的说明，下面以互联网视频电视点播业务为例，进行说明。互联网视频电视点播业务包括将海报、宣传片头等图像上传到VS；VS提取视觉特征；SIS利用VS提取的视觉特征检索出相关的视频节目。将整个业务抽象并划分为3个服务功能，即上传服务、视觉特征提取服务和视觉特征检索三个服务功能。为满足系统并发和鲁棒性等要求，整个系统中存在若干个不同的VS和SIS设备，在系统的实时运行时，存在VS设备和SIS设备之间的大量调用，这里考察VS设备中某一特定设备（这里记为W1）对某一特定SIS（这里记为W2）的可信评估过程。具体评估过程如下所示：

（1）W1统计一段时间T内与W2交互的总次数、交互成功、失败和不确定的次数，由此得到W1对W2的直接可信度。

（2）其它特定的VS设备也会对W2进行可信度评估，W1通过收集其它VS设备对W2的直接可信度评估值，可以得到一个直接可信度矩阵；然后利用Shapley熵来描述每一直接可信度的贡献度，进而确定各个评估结果的权重，然后采用Dempster规则将该直接可信度评估矩阵合成，得到一个评估的信度区间。

（3）在W1上利用选定的Pignistic概率转换公式对信度区间中不确定区间进行划分，从而得到确定的可信度概率值，从而方便在选择时的决策。

图8是本发明实施例提供的第一种互联网视频点播系统，包括：资源获取模块301，用于获取互联网视频节目资源；特征提取模块302，用于接收目标图像，提取所述目标图像的视觉特征；所述资源获取模块301，还用于根据所述视觉特征，从所述互联网视频节目资源中，获取并点播目标视频节目。

具体地，资源获取模块301搜索互联网上的视频节目资源，进行汇聚索引，并将可以点播的视频节目资源进行发布，从而获取互联网上的视频节目资源；特征提取模块302，根据接收的目标图像，提取视觉特征；资源获取模块301，根据所提取的视觉特征，从所获取的互联网视频节目资源中，获取并点播目标视频节目。

图9是本发明实施例提供的第二种互联网视频点播系统，还包括缓存模块303，用于在获取互联网视频节目资源后，对所述互联网视频节目资源进行缓存，以及在获取目标视频节目后，对所述目标视频节目进行缓存。

具体地，为了提高视频访问质量，通常在获取互联网视频节目资源后，通过缓存模块303将其缓存，在获取目标视频节目后，也通过缓存模块303将其缓存。

图10是本发明实施例提供的第三种互联网视频点播系统，所述资源获取模块301，包括：SIS，NGB平台和MS；其中，所述SIS用于搜索互联网视频节目资源，并将搜索到的互联网视频节目资源向NGB平台发布；所述特征提取模块302是VS，用于接收目标图像，提取所述目标图像的视觉特征；所述SIS，还用于根据所述视觉特征，从所述互联网视频节目资源中，获取目标视频节目；所述MS，用于向NGB平台请求点播所述目标视频节目；其中，所述NGB平台，还用于接收到所述目标视频节目点播请求后，对MS发管理控制命令，实现所述目标视频节目的点播。

具体地，SIS通过A1接口与互联网实现连接，在互联网上搜索视频节目资源，并进行汇聚索引，然后向NGB平台发布互联网上可以进行点播的视频节目资源。VS通过A2接口接收用户侧输入的目标图像，VS还用于提取目标图像的视觉特征。在本实施例中，VS包括：分块单元，用于将目标图像划分为多个图像块；计算及排序单元，用于计算每一图像块的平均灰度值，并对所述平均灰度值排序；选择单元，采用最大化条件熵，在所述排序中选择预定的顺序关系；量化单元：用于将目标图像量化为特征向量，所述特征向量为视觉特征。通过上述单元的配合工作，经过步骤201-步骤204后，实现目标图像视觉特征的提取。

在获取互联网视频节目资源后，通过A3接口将其放入缓存模块303，以便能够提高后续对互联网视频节目资源的访问速度。在本实施例中缓存模块303是VCS。通常，VCS为互联网视频节目资源分配存储空间，在根据目标图像获取目标视频节目后，将目标视频节目移入VCS为目标视频节目分配的另外的存储空间，实现对目标视频节目的缓存，当用户点播目标视频节目时，通过A4接口将用户需要的目标视频节目从VCS中输出，以便用户点击播放时，能够快速顺畅地播放。

在获取目标视频节目后，MS通过C1接口向NGB平台发送需要点播目标视频节目的请求，NGB平台收到请求后，通过C2接口向MS发送管理控制命令，从而实现所需要的目标视频节目的点播。

图11是本发明实施例提供的SIS的架构示意图。其中，SIS采用MD-LSH构架，具体包括：被多个客户端访问的主服务器和多个数据服务器；其中，多个数据服务器保存实际的索引数据，并向主服务器报告状态信息；主服务器根据多个数据服务器的状态信息，维持多个数据服务器的拓扑结构和向量映射关系。当客户端需要进行高维特征向量的相似性检索时，向主服务器提交高维特征向量，主服务器根据数据服务器的拓扑结构图及向量映射关系返回保存与此高维特征向量距离相近的高维特征向量集合的节点信息。客户端向此节点提交高维特征向量，此节点返回与此高维特征向量距离最近的前K个高维特征向量相关的信息，包括与之关联的视频节目信息。用户通过SIS检索出目标视频节目结果，通过MS向NGB平台发出播放目标视频节目的请求。在本实施例中，不限于进行高维特征向量的查找，也可以执行高维特征向量的插入和删除功能。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，程序在执行时，包括方法实施例的步骤之一或其组合。

另外，在本发明实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种互联网视频点播方法，其特征在于，包括以下步骤：

获取互联网视频节目资源；

接收目标图像，提取所述目标图像的视觉特征；

根据所述视觉特征，从所述互联网视频节目资源中，获取并点播目标视频节目。

2.根据权利要求1所述的互联网视频点播方法，其特征在于：

还包括在获取互联网视频节目资源后，对所述互联网视频节目资源进行缓存的步骤，以及

在获取目标视频节目后，对所述目标视频节目进行缓存的步骤。

3.根据权利要求1所述的互联网视频点播方法，其特征在于，

所述提取所述目标图像的视觉特征的步骤包括：

将目标图像划分为多个图像块；

计算每一图像块的平均灰度值，并对所述平均灰度值排序；

采用最大化条件熵，在所述排序中选择预定的顺序关系；

将目标图像量化为特征向量，所述特征向量为视觉特征。

4.根据权利要求3所述的互联网视频点播方法，其特征在于：

所述特征向量为高维特征向量，采用分布式位置敏感哈希映射，将所述高维特征向量映射为低维特征向量。

5.根据权利要求1-4任一项所述的互联网视频点播方法，其特征在于：

所有步骤在基于分布式哈希表的分布式环境下完成执行。

6.根据权利要求5所述的互联网视频点播方法，其特征在于：

还包括对所述完成执行的结果进行可信度评估的步骤；

其中，所述可信度评估的步骤包括直接评估阶段、综合评估阶段和可靠评估阶段。

7.一种互联网视频点播系统，其特征在于，包括：

资源获取模块，用于获取互联网视频节目资源；

特征提取模块，用于接收目标图像，提取所述目标图像的视觉特征；

所述资源获取模块，还用于根据所述视觉特征，从所述互联网视频节目资源中，获取并点播目标视频节目。

8.根据权利要求7所述的互联网视频点播系统，其特征在于：

还包括缓存模块，用于在获取互联网视频节目资源后，对所述互联网视频节目资源进行缓存，以及在获取目标视频节目后，对所述目标视频节目进行缓存。

9.根据权利要求7所述的互联网视频点播系统，其特征在于，

所述资源获取模块，包括：互联网视频搜索与索引设备，下一代广播电视网平台和互联网视频访问管理设备；

其中，所述互联网视频搜索与索引设备，用于搜索互联网视频节目资源，并将搜索到的互联网视频节目资源向下一代广播电视网平台发布；

所述特征提取模块，是用户视觉检索设备，用于接收目标图像，提取所述目标图像的视觉特征；

所述互联网视频搜索与索引设备，还用于根据所述视觉特征，从所述互联网视频节目资源中，获取目标视频节目；

所述互联网视频访问管理设备，用于向下一代广播电视网平台请求点播所述目标视频节目；

其中，所述下一代广播电视网平台，还用于接收到所述目标视频节目点播请求后，对互联网视频访问管理设备发管理控制命令，实现所述目标视频节目的点播。

10.根据权利要求9所述的互联网视频点播系统，其特征在于：

所述互联网视频搜索与索引设备，采用分布式位置敏感哈希构架，具体包括：

被多个客户端访问的主服务器和多个数据服务器；

其中，多个数据服务器保存实际的索引数据，并向主服务器报告状态信息；主服务器根据多个数据服务器的状态信息，维持多个数据服务器的拓扑结构和向量映射关系。

Images