CN104581379A - 视频预览图的选取方法及选取装置 - Google Patents

视频预览图的选取方法及选取装置 Download PDF

Info

Publication number
CN104581379A
CN104581379A CN201410850028.4A CN201410850028A CN104581379A CN 104581379 A CN104581379 A CN 104581379A CN 201410850028 A CN201410850028 A CN 201410850028A CN 104581379 A CN104581379 A CN 104581379A
Authority
CN
China
Prior art keywords
sectional drawing
gray
score value
image
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201410850028.4A
Other languages
English (en)
Inventor
刘阳
魏伟
边智
白茂生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
LeTV Information Technology Beijing Co Ltd
Original Assignee
LeTV Information Technology Beijing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by LeTV Information Technology Beijing Co Ltd filed Critical LeTV Information Technology Beijing Co Ltd
Priority to CN201410850028.4A priority Critical patent/CN104581379A/zh
Publication of CN104581379A publication Critical patent/CN104581379A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs
    • H04N21/44012—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving rendering scenes according to scene graphs, e.g. MPEG-4 scene graphs
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/472—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content
    • H04N21/4722—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content for requesting additional data associated with the content
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/85—Assembly of content; Generation of multimedia applications
    • H04N21/854—Content authoring
    • H04N21/8549—Creating video summaries, e.g. movie trailer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules

Abstract

本身请公开了一种视频预览图的选取方法及装置，所述选取方法包括：接收视频并对视频进行预定数量的截图；对每幅截图进行人脸个数的检测，分别对每幅截图进行区域划分，计算每幅截图中靠近中间位置的区域内的细节差异、颜色差异、轮廓个数以及每幅截图中靠近中间位置的区域内左右两侧相似度，并据此以及人脸个数为每幅截图赋予分值；根据每幅截图的分值选取一张截图作为所述视频的预览图。本申请从截图的人脸个数、细节差异、颜色差异、轮廓个数以及相似度的角度进行建模设计，将多种影响因素数据化，并对于影响因素通过加权进行组合，最终将上述影响因素通过量化的方式对截图进行评价，准确、稳定地筛选出合理的视频预览图。

Description

视频预览图的选取方法及选取装置
技术领域
本申请涉及数字图像处理技术领域，具体涉及一种视频预览图的选取方法及选取装置。
背景技术
随着多媒体技术及互联网技术的快速发展，越来越多的多媒体信息在网络上传播。由于视频相比于文本、图像及声音等其他媒介能够承载更丰富、更生动的信息，受到了广泛接受和喜爱。目前视频网站上含有大量的视频供用户观看，而用户在浏览网页时，通常希望短时间内能够在海量的视频库中找到自己感兴趣的视频进行观看。因此为每个视频加上预览图成为了一种提高浏览效率的方法。
目前为视频添加预览图的方法主要有以下几种，第一种就是随机在视频中截取一帧画面，作为该视频的预览图。这是目前各大视频网站普遍采用的方案。这种方法简单实用，但却存在一些问题。比如，由于是随机截取，得到的预览图可能会出现全黑、全白、模糊等情况，并不能很好地展示视频的内容，最终使得用户通过预览图了解视频内容的目的无法实现。另一种是人工筛选的方法，通常随机在视频中截取多帧画面，之后由编辑人员人工筛选出主观上最好的图片作为该视频的预览图。这种方法虽然可以得到较为理想预览图，但是由于筛选过程需要人工干预，面对海量的视频，这种筛选的人工成本和时间成本都是非常高的。
如何通过电脑自动执行，准确、稳定地筛选出合理的视频预览图，并达到接近于人工筛选的效果，就成为了亟待解决的技术问题。
发明内容
本申请的目的在于提供一种视频预览图的选取方法及选取装置，通过电脑自动执行，准确、稳定地筛选出合理的视频预览图。
为了解决上述技术问题，本申请揭示了一种视频预览图的选取方法，包括：接收视频并对视频进行预定数量的截图；对每幅截图进行人脸个数的检测，分别对每幅截图进行区域划分，计算每幅截图中靠近中间位置的区域内的细节差异、颜色差异、轮廓个数以及每幅截图中靠近中间位置的区域内左右两侧相似度，并据此以及人脸个数为每幅截图赋予分值；根据每幅截图的分值选取一张截图作为所述视频的预览图。
进一步地，为每幅截图赋予分值，包括：所述每幅截图的分值，与人脸个数的分值、颜色差异的分值、细节差异的分值、轮廓个数的分值和相似度的分值正相关；其中，所述人脸的个数越少且所述人脸在所述截图中所处位置越靠近中部，所述截图的人脸个数的分值越高；所述截图的中间区域相对于两侧区域的平均灰度值的差异越大且所述两侧区域之间的平均灰度值的差异越小，所述截图的颜色差异的分值越高；所述截图的中间区域相对于两侧区域的灰度梯度图像的平均灰度值的差异越大，且所述两侧区域之间的灰度梯度图像的平均灰度值的差异越小，所述截图的细节差异的分值越高；所述截图的中间区域内轮廓个数越小，所述截图的轮廓个数的分值越大；所述中间区域内两个子区域的灰度差异越小，所述截图的相似度的分值越大。
进一步地，分别对每幅截图进行区域划分，包括：对于每幅截图，将其由彩色图像转换为灰度图像，获得所述灰度图像中每个像素点的灰度值；将所述灰度图像平均分为三个区域，每个区域的宽度等于所述灰度图像的宽度的1/3，每个区域的高度等于所述灰度图像的高度。
进一步地，计算每幅截图中靠近中间位置的区域内的颜色差异，包括：对于每幅截图的任一区域，计算所述区域内的所有像素点的灰度值之和，根据所述灰度值之和以及所述区域内的总像素点个数得到所述区域的平均灰度值；根据所述三个区域的平均灰度值为所述截图赋予颜色差异的分值，其中，所述截图的中间区域相对于两侧区域的平均灰度值的差异越大且所述两侧区域之间的平均灰度值的差异越小，所述截图的颜色差异的分值越高。
进一步地，计算每幅截图中靠近中间位置的区域内的细节差异，包括：对于每幅截图的任一区域，通过预设的边缘检测算子，对所述区域内的灰度图像进行边缘检测运算，将所述区域内的灰度图像转换成灰度梯度图像；计算所述灰度梯度图像内的所有像素点的灰度值之和，根据所述灰度值之和以及所述灰度梯度图像内的总像素点个数得到相应区域的灰度梯度图像的平均灰度值；根据所述三个区域的灰度梯度图像的平均灰度值为所述截图赋予细节差异的分值，其中，所述截图的中间区域相对于两侧区域的灰度梯度图像的平均灰度值的差异越大，且所述两侧区域之间的灰度梯度图像的平均灰度值的差异越小，所述截图的细节差异的分值越高。
进一步地，计算每幅截图中靠近中间位置的区域内的轮廓个数，包括：对于中间区域的灰度图像，通过预设的边缘检测算子进行边缘检测运算，将所述中间区域的灰度图像转换成灰度梯度图像，提取所述灰度梯度图像中梯度灰度值大于一阈值的连续闭合曲线，所述连续闭合曲线为图像边缘；通过对提取出的图像边缘进行统计，得到所述中间区域内的轮廓个数，根据所述轮廓个数赋予轮廓个数的分值，其中，所述截图的中间区域内轮廓个数越少，所述截图的轮廓个数的分值越大。
进一步地，计算每幅截图中靠近中间位置的区域内左右两侧相似度，包括：将所述三个区域内的中间区域平均分为两个子区域，每个子区域的宽度等于所述灰度图像的宽度的1/6，每个子区域的高度等于所述灰度图像的高度；针对任一子区域的灰度图像，统计得出其灰度直方图数据；根据两个子区域的灰度直方图数据，利用直方图相交法为所述截图赋予相似度的分值，其中，所述中间区域内两个子区域的灰度分布差异越小，所述截图的相似度的分值越大。
进一步地，对每幅截图进行人脸个数的检测，包括：对于每幅截图，通过预设的人脸特征算子进行特征检测，识别出图像中的人脸，其中，所述人脸特征算子用于检测人脸中各关键特征点间的位置比例关系；根据识别出的人脸为截图赋予人脸个数的分值，其中，所述人脸的个数越少且所述人脸在所述截图中所处位置越靠近中部，所述截图的人脸个数的分值越高。
为了解决上述技术问题，本身请还揭示了一种视频预览图的选取装置，包括：截图模块，用于接收视频并对视频进行预定数量的随机截图；赋值模块，用于对每幅截图进行人脸个数的检测，分别对每幅截图进行区域划分，计算每幅截图中靠近中间位置的区域内的细节差异、颜色差异、轮廓个数以及每幅截图中靠近中间位置的区域内左右两侧相似度，并据此以及人脸个数为每幅截图赋予分值；选取模块，用于根据每幅截图的分值选取一张截图作为所述视频的预览图。
进一步地，所述赋值模块，为所述每幅截图赋予的分值，与人脸个数的分值、颜色差异的分值、细节差异的分值、轮廓个数的分值和相似度的分值正相关；其中，所述人脸的个数越少且所述人脸在所述截图中所处位置越靠近中部，所述截图的人脸个数的分值越高；所述截图的中间区域相对于两侧区域的平均灰度值的差异越大且所述两侧区域之间的平均灰度值的差异越小，所述截图的颜色差异的分值越高；所述截图的中间区域相对于两侧区域的灰度梯度图像的平均灰度值的差异越大，且所述两侧区域之间的灰度梯度图像的平均灰度值的差异越小，所述截图的细节差异的分值越高；所述截图的中间区域内轮廓个数越少，所述截图的轮廓个数的分值越大；所述中间区域内两个子区域的灰度分布差异越小，所述截图的相似度的分值越大。
进一步地，所述赋值模块，对于每幅截图，用于将其由彩色图像转换为灰度图像，获得所述灰度图像中每个像素点的灰度值；将所述灰度图像平均分为三个区域，每个区域的宽度等于所述灰度图像的宽度的1/3，每个区域的高度等于所述灰度图像的高度。
进一步地，所述赋值模块，对于每幅截图的任一区域，用于计算所述区域内的所有像素点的灰度值之和，根据所述灰度值之和以及所述区域内的总像素点个数得到所述区域的平均灰度值；根据所述三个区域的平均灰度值为所述截图赋予颜色差异的分值，其中，所述截图的中间区域相对于两侧区域的平均灰度值的差异越大且所述两侧区域之间的平均灰度值的差异越小，所述截图的颜色差异的分值越高。
进一步地，所述赋值模块，对于每幅截图的任一区域，用于通过预设的边缘检测算子，对所述区域内的灰度图像进行边缘检测运算，将所述区域内的灰度图像转换成灰度梯度图像灰度梯度图像；计算所述灰度梯度图像内的所有像素点的灰度值之和，根据所述灰度值之和以及所述灰度梯度图像内的总像素点个数得到相应区域的灰度梯度图像的平均灰度值；根据所述三个区域的灰度梯度图像的平均灰度值为所述截图赋予细节差异的分值，其中，所述截图的中间区域相对于两侧区域的灰度梯度图像的平均灰度值的差异越大，且所述两侧区域之间的灰度梯度图像的平均灰度值的差异越小，所述截图的细节差异的分值越高。
进一步地，所述赋值模块，对于中间区域的灰度图像，用于通过预设的边缘检测算子进行边缘检测运算，将所述中间区域的灰度图像转换成灰度梯度图像，提取所述灰度梯度图像中梯度灰度值大于一阈值的连续闭合曲线，所述连续闭合曲线为图像边缘；通过对提取出的图像边缘进行统计，得到所述中间区域内的轮廓个数，根据所述轮廓个数赋予轮廓个数的分值，其中，所述截图的中间区域内轮廓个数越少，所述截图的轮廓个数的分值越大。
进一步地，所述赋值模块，用于将所述三个区域内的中间区域平均分为两个子区域，每个子区域的宽度等于所述灰度图像的宽度的1/6，每个子区域的高度等于所述灰度图像的高度；针对任一子区域的灰度图像，统计得出其灰度直方图数据；根据两个子区域的灰度直方图数据，利用直方图相交法为所述截图赋予相似度的分值，其中，所述中间区域内两个子区域的灰度差异越小，所述截图的相似度的分值越大。
进一步地，所述赋值模块，用于对于每幅截图，通过预设的人脸特征算子进行特征检测，识别出图像中的人脸，其中，所述人脸特征算子用于检测人脸中各关键特征点间的位置比例关系人脸；根据识别出的人脸为截图赋予人脸个数的分值，其中，所述人脸的个数越少且所述人脸在所述截图中所处位置越靠近中部，所述截图的人脸个数的分值越高。
与现有技术相比，本申请可以获得包括以下技术效果：
本申请从截图的人脸个数、细节差异、颜色差异、轮廓个数以及相似度的角度进行建模设计，将多种影响因素数据化，并对于影响因素通过加权进行组合，最终将上述影响因素通过量化的方式对截图进行评价，从而提供了一种实用性很强的截图评价机制，并通过这种机制对截图进行自动筛选，准确、稳定地筛选出合理的视频预览图。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请实施例一的方法流程图。
图2是本申请实施例二的方法流程图。
图3是本申请实施例三的方法流程图。
图4是本申请实施例四的方法流程图。
图5是本申请实施例五的方法流程图。
图6是本申请实施例六的方法流程图。
图7是本申请实施例七的装置结构图。
具体实施方式
以下将配合附图及实施例来详细说明本申请的实施方式，藉此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。此外，“耦接”或“电性连接”一词在此包含任何直接及间接的电性耦接手段。因此，若文中描述一第一装置耦接于一第二装置，则代表所述第一装置可直接电性耦接于所述第二装置，或通过其它装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
还需要说明的是，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者系统不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者系统中还存在另外的相同要素。本申请实施例中所述“转码”亦可以称为“编码”。
实施例一
本申请实施例所揭示的一种视频预览图的选取方法，如图1所示，其包括以下步骤：
步骤S100，接收视频并对视频进行预定数量的截图；
截图可以采用随机截取方式，也可以按照固定帧位置进行截取，本申请对此并不限定。
为了便于最终能够找到足够好的视频预览图，需要保证一定的样本数量，同时又不能让样本数量过大，导致计算成本过高，实际操作中，预定数量选定为16张截图，当然本申请对此并不限定。
步骤S102，对每幅截图进行人脸个数的检测，分别对每幅截图进行区域划分，计算每幅截图中靠近中间位置的区域内的细节差异、颜色差异、轮廓个数以及每幅截图中靠近中间位置的区域内左右两侧相似度，并据此以及人脸个数为每幅截图赋予分值；
分别对每幅截图进行区域划分，一般来说，靠近中间位置的区域的重要性更高，换言之，一个截图是否适合作为预览图，更重要的在于靠近中间位置的区域的内容含量及画面质量。
对于中间位置的认定，一般来说会进行区域化分，对于每幅截图，将其由彩色图像转换为灰度图像，获得所述灰度图像中每个像素点的灰度值。灰度图像的转化可以依照如下方式：根据每个像素点的R、G、B分量计算每个像素点的灰度值，从而将彩色图像转换为灰度图像，其中，所述彩色图像中每个像素点存储有相应像素点的R、G、B分量。
每个像素点的灰度值gray可以依照每个像素点的R、G、B分量，通过如下公式1.1得到：
Gray＝R*0.299+G*0.587+B*0.114   公式1.1
需要说明，上述公式只是为了较佳地描述本实施例，其并不对本申请的保护范围作出限定，其他方式也可以实现本申请。
将转换后的所述灰度图像平均分为三个区域，每个区域的宽度等于所述灰度图像的宽度的1/3，每个区域的高度等于所述灰度图像的高度。后面很多计算操作都要基于这种区域划分方式。当然本申请对此并不限定于只分成三个区域，其他适合的区域个数也可以实现本申请。
对于画面质量的认定，对于每幅截图，会根据画面进行计算分析，按照不同的分析策略得到细节差异的分值、颜色差异的分值、轮廓个数的分值以及相似度的分值；然后根据这些分值和人脸个数的分值人脸个数的分值做运算，最终得到每幅截图的分值。
一般来说，所述每幅截图的分值score，与人脸个数的分值sf、颜色差异的分值sg、细节差异的分值se、轮廓个数的分值sl和相似度的分值ss正相关，通过如下公式1.2得到：
score＝sf+se+sg+(ss+sl)/2   公式1.2
对于计算颜色差异的分值的实现流程参见实施例二。对于计算细节差异的分值的实现流程参见实施例三。对于计算轮廓个数的分值的实现流程参见实施例四。对于计算相似度的分值的实现流程参见实施例五。对于人脸个数的分值的实现流程参见实施例六。
步骤S104，根据每幅截图的分值选取一张截图作为所述视频的预览图。
在本申请中，因为人脸个数的分值sf、颜色差异的分值sg、细节差异的分值se、轮廓个数的分值sl和相似度的分值ss的评分机制都是图像越符合要求，这些分值越高(为了便于对这些分值加权，这些分值的高低对于图像是否符合要求的描述趋势应该一致)。因此，与这些分值正相关的每幅截图的分值越高，表明截图越符合要求，因此，将分值最高的截图作为所述视频的预览图。
当然，如果人脸个数的分值sf、颜色差异的分值sg、细节差异的分值se、轮廓个数的分值sl和相似度的分值ss的评分机制都是图像越符合要求，这些分值越低。那就将分值最低的截图作为所述视频的预览图。
人脸个数的分值颜色差异的分值细节差异的分值轮廓个数的分值相似度的分值人脸个数的分值颜色差异的分值人脸个数的分值颜色差异的分值细节差异的分值。
实施例二
本申请实施例所揭示的是图1的步骤S102中对于计算颜色差异的分值的实现流程，如图2所示，其包括以下步骤：
步骤S1020，对于每幅截图的任一区域，计算所述区域内的所有像素点的灰度值之和，根据所述灰度值之和以及所述区域内的总像素点个数得到所述区域的平均灰度值；
上述区域，就是指步骤S102中划分的三个区域。对于中间区域，区域内有n×m个像素点，每个像素点对应具有一个灰度值，将所有像素点的灰度值相加求和，除以中间区域内的总像素点个数n×m，这得到了中间区域的平均灰度值。对于另外的每个区域，也通过类似的方式分别得到每个区域的平均灰度值。
步骤S1022，根据所述三个区域的平均灰度值为所述截图赋予颜色差异的分值，其中，所述截图中中间区域相对于两侧区域的平均灰度值的差异越大且所述两侧区域之间的平均灰度值的差异越小，所述截图的颜色差异的分值越高。
显然，中间区域的平均灰度值大于左右两侧区域的灰度值很多时，说明中间区域的色彩相对左右两侧区域比较明亮，或者中间区域的平均灰度值如果小于左右两侧区域的灰度值很多时，中间区域的色彩相对左右两侧区域比较暗淡。这种情况下，如果左右两侧区域的灰度值越接近，说明中间区域在色彩上都是较为突出的，整个截图的画面重心集中在中间区域。因此符合这样的要求截图更适合能够作为预览图，因此这样的截图的颜色差异的分值会较高，使得截图的总体分值增高。
对应上述数据关系，可以使用下面的公式进行建模。假设计算出左侧区域、中间区域、右侧区域的平均灰度值，分别记为avegl、avegm、avegr，所述截图的颜色差异的分值sg依据下述公式2.1获得：
sg＝(|avegm-avegl|+|avegm-avegr|-|avegl-avegr|)/255
                                             公式2.1
需要说明，上述公式只是为了较佳地描述本实施例，其并不对本申请的保护范围作出限定，其他方式也可以实现本申请。
实施例三
本申请实施例所揭示的是图1的步骤S102中对于计算细节差异的分值的实现流程，如图3所示，其包括以下步骤：
步骤S1021，对于每幅截图的任一区域，通过预设的边缘检测算子，对所述区域内的灰度图像进行边缘检测运算，将所述区域内的灰度图像转换成灰度梯度图像灰度梯度图像；
边缘检测算子可以采用水平sobel(索贝尔)算子及垂直sobel算子实现。这样采用水平sobel算子及垂直sobel算子分别对上述三个区域进行边缘检测运算。当然，也可以使用其他算子进行边缘检测，本申请并不限制于此。
边缘检测运算可以将每个区域内的灰度图像转换成灰度梯度图像，所述灰度梯度图像中边缘位置的梯度灰度值较高，所述边缘位置相邻两侧的梯度灰度值较低。换言之，灰度梯度图将增强边缘轮廓灰度值，并抑制其他部分的灰度值，这样灰度梯度图看上去就像“骨骼脉络”，去除了其他灰度的干扰，细节也就非常容易看出。
步骤S1023，计算所述灰度梯度图像内的所有像素点的灰度值之和，根据所述灰度值之和以及所述灰度梯度图像内的总像素点个数得到相应区域的灰度梯度图像的平均灰度值；
对于任一区域，其图像已经被转换为灰度梯度图像。对于中间区域的灰度梯度图像，区域内有n×m个像素点，每个像素点对应具有一个灰度值，将所有像素点的灰度值相加求和，除以中间区域内的总像素点个数n×m，这得到了中间区域的平均灰度值。对于另外的每个区域，也通过类似的方式分别得到每个区域的灰度梯度图像的平均灰度值。
步骤S1025，根据所述三个区域的灰度梯度图像的平均灰度值为所述截图赋予细节差异的分值，其中，所述截图的中间区域相对于两侧区域的灰度梯度图像的平均灰度值的差异越大，且所述两侧区域之间的灰度梯度图像的平均灰度值的差异越小，所述截图的细节差异的分值越高。
显然，中间区域的灰度梯度图像的平均灰度值大于左右两侧区域的灰度值很多时，说明相对左右两侧区域，中间区域内的图像边缘更加明亮，因此细节自然会更加清晰。这种情况下，如果左右两侧区域的灰度值越接近，说明中间区域在在细节上是格外清晰的，整个截图的画面的中间区域的细节非常清晰。因此符合这样的要求截图更适合能够作为预览图，因此这样的截图的细节差异的分值会较高，使得截图的总体分值增高。
对应上述数据关系，可以使用下面的公式进行建模。假设计算出左侧区域、中间区域、右侧区域的灰度梯度图像的平均灰度值，分别记为avesl、avesm、avesr，所述截图的细节差异的分值se依据下述公式3.1获得：
se＝((avesm-avesl)+(avesm-avesr)-|avesl-avesr|)/255
                                               公式3.1
需要说明，上述公式只是为了较佳地描述本实施例，其并不对本申请的保护范围作出限定，其他方式也可以实现本申请。
实施例四
本申请实施例所揭示的是图1的步骤S102中对于计算轮廓个数的分值的实现流程，如图4所示，其包括以下步骤：
步骤S1120，对于中间区域的灰度图像，通过预设的边缘检测算子进行边缘检测运算，将所述中间区域的灰度图像转换成灰度梯度图像，识别所述灰度梯度图像中梯度灰度值大于一阈值的连续闭合曲线，所述连续闭合曲线为图像边缘；
因为没有一个确切的取值来限定多亮的亮度梯度是边缘，而为了尽可能多地标识出灰度图像中的实际边缘，并保证识别出的边缘要尽可能与实际灰度图像中的实际边缘尽可能接近，所述边缘检测算子具有数值大小不同的两个阈值——高阈值与低阈值。假设灰度图像中的重要边缘都是连续的曲线，这样跟踪给定曲线中模糊的部分，并且避免将没有组成曲线的噪声像素点当成边缘。可以从一个较大的阈值开始，这将识别出比较确信的真实边缘。再使用一个较小的阈值，从这些真实的边缘开始在图像中跟踪整个的边缘。这样就可以跟踪曲线的模糊部分直到回到起点，从而识别出完整的图像边缘。边缘检测之后，所述中间区域的灰度图像就被转换成了灰度梯度图像，所述灰度梯度图像中梯度灰度值很高的连续闭合曲线就是图像边缘。
实际实现中可以使用canny算子进行边缘检测运算，canny算子的高阈值选择150，低阈值先择50。为了较好的效果，选择类似canny算子类的具有双阈值的算子，当然，也可以使用具有单一阈值的算子或者其他算子进行边缘检测，本申请并不限制于此。
步骤S1122，通过对提取出的图像边缘进行统计，得到所述中间区域内的轮廓个数，根据所述轮廓个数赋予轮廓个数的分值，其中，所述截图的中间区域内轮廓个数越少，所述截图的轮廓个数的分值越大。
对于动漫类截图，所述截图的中间区域内轮廓是画面中出现在中间位置的主体，可能是除了动漫主角(通过人脸检测识别)之外的重要物体，比如飞船、动物等等，这样轮廓个数越少，说明位于中间区域的物体越简单越清晰，不会因为过多的物体造成视觉上的杂乱不清，这样的截图适合作为预览图。
实际操作中，一个闭合的图像边缘就是一个轮廓，统计区域内的轮廓个数记为cn，利用计算得到轮廓个数cn计算轮廓个数的分值，记为sl；其中，height为中间区域的高度。
sl＝1-|cn/height-0.5|   公式4.1
需要说明，上述公式只是为了较佳地描述本实施例，其并不对本申请的保护范围作出限定，其他方式也可以实现本申请。
实施例五
本申请实施例所揭示的是图1的步骤S102中对于计算相似度的分值的实现流程，如图5所示，其包括以下步骤：
步骤S1220，将所述三个区域内的中间区域平均分为两个子区域，每个子区域的宽度等于所述灰度图像的宽度的1/6，每个子区域的高度等于所述灰度图像的高度。
上述区域，就是指步骤S102中划分的三个区域。对于中间区域，再作下均分，分为两个子区域，这样每个子区域的宽度等于所述灰度图像的宽度的1/6，每个子区域的高度还是所述灰度图像的高度。
步骤S1222，针对任一子区域的灰度图像，统计得出其直方图数据。
统计得出其直方图数据，进一步包括：根据灰度值的取值范围统计出灰度值数列，根据所述任一子区域的灰度图像中所有像素点及其灰度值统计所述灰度值数列中每个灰度值的像素个数。
所述灰度值取值范围为0～255，0代表最暗的灰度值，255代表最亮的灰度值，根据所述灰度值的取值范围形成一个按灰度值由小到大的顺序排列的灰度值数列0～255。所述左侧子区域的灰度图像中，检测是否具有灰度值为0的像素点，如果有，将灰度值为0的像素点的个数记录hist1[0]，如果没有，灰度值为0的像素点的个数为0，将0记录在hist1[0]中，用类似的方式统计所述灰度值数列中每个灰度值的像素点个数，对于所述灰度图像中不存在的灰度值，相应的像素点个数为0，这样得到hist1[0]～hist1[255]。
对于右侧子区域，通过如上方式得到hist2[0]～hist2[255]。
步骤S1224，利用直方图相交法计算出相似度，为所述截图赋予相似度的分值，其中，所述中间区域内两个子区域的灰度差异越小，所述截图的相似度的分值越大。
利用直方图相交法计算出相似度，为所述截图赋予相似度的分值，进一步包括：比较两个子区域的所述灰度值数列中同一个灰度值的像素个数，记录其中较小的像素个数，获得所记录的所有像素个数之和，并根据所记录的所有像素个数之和以及所述任一子区域的所述灰度值数列中所有灰度值的像素个数之和，为所述截图赋予相似度的分值。
对于左侧的子区域，灰度值数列对应的像素点个数为hist1[0]～hist1[255]，对于右侧的子区域，灰度值数列对应的像素点个数为hist2[0]～hist2[255]，比较hist1[0]和hist2[0]，将较小的值记为hist[0]。分别成对比较相应的灰度值的像素点个数后，都将较小的值记录下，这样就得到了hist[0]～hist[255]。这个hist[0]～hist[255]可以理解为左侧子区域和右侧子区域之间灰度值相似的像素点合并，每个像素点只能合并一次。
hist[0]～hist[255]求和就可以得到所有相似像素点的总个数，除以所述任一子区域的所述灰度值数列的像素点个数，即hist1[0]～hist1[255]之和，或hist2[0]～hist2[255]之和。
用公式表示上述过程，如下所示，histl[i]表示左侧子区域的灰度值数列的像素点个数，histr[i]表示右侧子区域的灰度值数列的像素点个数，ss表示相似度的分值：
ss = Σ i = 0 255 min ( hist [ i ] , histr [ i ] ) Σ i = 0 255 histl [ i ] ,    公式5.1
需要说明，上述公式只是为了较佳地描述本实施例，其并不对本申请的保护范围作出限定，其他方式也可以实现本申请。
实施例六
本申请实施例所揭示的是图1的步骤S102中对于计算人脸个数的分值的实现流程，如图6所示，其包括以下步骤：
步骤S1320，对于每幅截图，通过预设的人脸特征算子进行特征检测，识别出图像中的人脸，其中，所述人脸特征算子用于检测人脸中各关键特征点间的位置比例关系人脸；
通过预设的人脸特征算子，对截图进行特征检测，初步识别出截图中符合人脸特征的部分和背景部分；通过预设的人脸特征算子，对初步识别出的截图中符合人脸特征的部分再进行特征检测，对经过特征检测的人脸特征的部分进行比对分析，识别出其中符合人脸特征的部分，不断迭代，直到精确识别出符合人脸特征的部分。
步骤S1322，根据识别出的人脸为截图赋予人脸个数的分值，其中，所述人脸的个数越少且所述人脸在所述截图中所处位置越靠近中部，所述截图的人脸个数的分值越高。
对于动漫类截图，所述截图的中间区域内重要物体就是画面中出现在中间位置的动漫主角，当然，动漫主角的人脸不是越多越好，因为过多的动漫主角会造成视觉上的杂乱不清，人脸越少且位于中间区域说明截图的重点突出，且构图简单清晰，这样的截图适合作为预览图。
人脸特征检测使用的是Viola,P.A.和Jones,M.J在2004年提出的基于Haar-like特征，Adaboost分类器和Cascade级联分类器的人脸检测算法。当完成人脸检测后，根据以下规则对图像进行量化得到该模块的评分。设人脸的上下左右范围为ft、fb、fl、fr；最终得分为sf。
若图像中没有人脸，则sf＝0；
若图像中有1个人脸，并且人脸的区域符合公式6.1，则sf得分如公式6.2所示。
( fl + fr ) / 2 > 1 / 4 * width ( fl + fr ) / 2 < 3 / 4 * width ( ft + fd ) / 2 < 3 / 4 * width ( fr - fl ) * ( fd - ft ) > width * height / ( 15 * 15 )    公式6.1
sf＝1.2+2*max((fr-fl),(fb-ft))/height+(fr-fl)/|(fl+fr)/2-width/2|
                                                公式6.2
若图像中有2个人脸，则判断每个人脸区域是否符合公式6.1，若符合，则将当前的得分记为sfi(i＝0,1)，如公式6.3所示，否则sfi＝0。并且最终得分sf如公式6.4所示。
sfi＝2*max((fr-fl),(fb-ft))/height   公式6.3
sf = 0.8 + &Sigma; i = 0 1 s f i    公式6.4
若图像中有2个以上人脸，则判断每个人脸区域是否符合公式6.1，若符合，则将当前的得分记为sfi(i＝0,1,…n.n为正整数)，如公式6.3所示，否则sfi＝0。并且最终得分sf如公式6.5所示。
sf＝0.4+max(sfi)   公式6.5
需要说明，上述公式只是为了较佳地描述本实施例，其并不对本申请的保护范围作出限定，其他方式也可以实现本申请。
实施例七
本申请实施例还揭示的一种视频预览图的选取装置，如图7所示，包括：截图模块700、赋值模块702和选取模块704。
截图模块700，用于接收视频并对视频进行预定数量的随机截图；
赋值模块702，用于对每幅截图进行人脸个数的检测，分别对每幅截图进行区域划分，计算每幅截图中靠近中间位置的区域内的细节差异、颜色差异、轮廓个数以及每幅截图中靠近中间位置的区域内左右两侧相似度，并据此以及人脸个数为每幅截图赋予分值；
选取模块704，用于根据每幅截图的分值选取一张截图作为所述视频的预览图。在本申请中，因为人脸个数的分值、颜色差异的分值、细节差异的分值、轮廓个数的分值和相似度的分值的评分机制都是图像越符合要求，这些分值越高(为了便于对这些分值加权，这些分值的高低对于图像是否符合要求的描述趋势应该一致)。因此，与这些分值正相关的每幅截图的分值越高，表明截图越符合要求，因此，将分值最高的截图作为所述视频的预览图。当然，如果人脸个数的分值、颜色差异的分值、细节差异的分值、轮廓个数的分值和相似度的分值的评分机制都是图像越符合要求，这些分值越低。那就将分值最低的截图作为所述视频的预览图。
在分别对每幅截图进行区域划分时，赋值模块702对于每幅截图，用于将其由彩色图像转换为灰度图像，获得所述灰度图像中每个像素点的灰度值；将所述灰度图像平均分为三个区域，每个区域的宽度等于所述灰度图像的宽度的1/3，每个区域的高度等于所述灰度图像的高度。
计算每幅截图中靠近中间位置的区域内的颜色差异时，所述赋值模块702对于每幅截图的任一区域，用于计算所述区域内的所有像素点的灰度值之和，根据所述灰度值之和以及所述区域内的总像素点个数得到所述区域的平均灰度值；根据所述三个区域的平均灰度值为所述截图赋予颜色差异的分值，其中，所述截图的中间区域相对于两侧区域的平均灰度值的差异越大且所述两侧区域之间的平均灰度值的差异越小，所述截图的颜色差异的分值越高。
计算每幅截图中靠近中间位置的区域内的细节差异时，所述赋值模块702对于每幅截图的任一区域，用于通过预设的边缘检测算子，对所述区域内的灰度图像进行边缘检测运算，将所述区域内的灰度图像转换成灰度梯度图像灰度梯度图像；计算所述灰度梯度图像内的所有像素点的灰度值之和，根据所述灰度值之和以及所述灰度梯度图像内的总像素点个数得到相应区域的灰度梯度图像的平均灰度值；根据所述三个区域的灰度梯度图像的平均灰度值为所述截图赋予细节差异的分值，其中，所述截图的中间区域相对于两侧区域的灰度梯度图像的平均灰度值的差异越大，且所述两侧区域之间的灰度梯度图像的平均灰度值的差异越小，所述截图的细节差异的分值越高。
计算每幅截图中靠近中间位置的区域内的轮廓个数时，所述赋值模块702对于中间区域的灰度图像，用于通过预设的边缘检测算子进行边缘检测运算，将所述中间区域的灰度图像转换成灰度梯度图像，识别所述灰度梯度图像中梯度灰度值大于一阈值的连续闭合曲线，所述连续闭合曲线为图像边缘；通过对提取出的图像边缘进行统计，得到所述中间区域内的轮廓个数，根据所述轮廓个数赋予轮廓个数的分值，其中，所述截图的中间区域内轮廓个数越少，所述截图的轮廓个数的分值越大。
计算每幅截图中靠近中间位置的区域内左右两侧相似度时，所述赋值模块702用于将所述三个区域内的中间区域平均分为两个子区域，每个子区域的宽度等于所述灰度图像的宽度的1/6，每个子区域的高度等于所述灰度图像的高度；针对任一子区域的灰度图像，统计得出其灰度直方图数据，利用直方图相交法，为所述截图赋予相似度的分值，其中，所述中间区域内两个子区域的灰度差异越小，所述截图的相似度的分值越大。针对任一子区域的灰度图像，统计得出其灰度直方图数据，利用直方图相交法，为所述截图赋予相似度的分值进一步包括：针对任一子区域的灰度图像，根据灰度值的取值范围统计出灰度值数列，根据所述任一子区域的灰度图像中所有像素点及其灰度值统计所述灰度值数列中每个灰度值的像素个数，比较两个子区域的所述灰度值数列中同一个灰度值的像素个数，记录其中较小的像素个数，获得所记录的所有像素个数之和，并根据所记录的所有像素个数之和以及所述任一子区域的所述灰度值数列中所有灰度值的像素个数之和，为所述截图赋予相似度的分值。
对每幅截图进行人脸个数的检测时，所述赋值模块702用于对于每幅截图，用于通过预设的人脸特征算子进行特征检测，识别出其中符合人脸特征的人脸，其中，所述人脸特征算子用于模拟人脸中各关键特征点间的位置比例关系；根据识别出的人脸为截图赋予人脸个数的分值，其中，所述人脸的个数越少且所述人脸在所述截图中所处位置越靠近中部，所述截图的人脸个数的分值越高。
为每幅截图赋予分值时，所述赋值模块702为所述每幅截图赋予的分值，与人脸个数的分值、颜色差异的分值、细节差异的分值、轮廓个数的分值和相似度的分值正相关。
本装置的技术方案和各模块的功能特征、连接方式，与前述实施例一至六中所描述的特征和技术方案相对应，不足之处请参见前述实施例一至六。
上述说明示出并描述了本申请的实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求的保护范围内。

Claims (16)

1.一种视频预览图的选取方法，其特征在于，包括：
接收视频并对视频进行预定数量的截图；
对每幅截图进行人脸个数的检测，分别对每幅截图进行区域划分，计算每幅截图中靠近中间位置的区域内的细节差异、颜色差异、轮廓个数以及每幅截图中靠近中间位置的区域内左右两侧相似度，并据此以及人脸个数为每幅截图赋予分值；
根据每幅截图的分值选取一张截图作为所述视频的预览图。
2.如权利要求1所述的选取方法，其特征在于，为每幅截图赋予分值，进一步包括：
所述每幅截图的分值，与人脸个数的分值、颜色差异的分值、细节差异的分值、轮廓个数的分值和相似度的分值正相关；
其中，所述人脸的个数越少且所述人脸在所述截图中所处位置越靠近中部，所述截图的人脸个数的分值越高；所述截图的中间区域相对于两侧区域的平均灰度值的差异越大且所述两侧区域之间的平均灰度值的差异越小，所述截图的颜色差异的分值越高；所述截图的中间区域相对于两侧区域的灰度梯度图像的平均灰度值的差异越大，且所述两侧区域之间的灰度梯度图像的平均灰度值的差异越小，所述截图的细节差异的分值越高；所述截图的中间区域内轮廓个数越小，所述截图的轮廓个数的分值越大；所述中间区域内两个子区域的灰度差异越小，所述截图的相似度的分值越大。
3.如权利要求1所述的选取方法，其特征在于，分别对每幅截图进行区域划分，进一步包括：
对于每幅截图，将其由彩色图像转换为灰度图像，获得所述灰度图像中每个像素点的灰度值；
将所述灰度图像平均分为三个区域，每个区域的宽度等于所述灰度图像的宽度的1/3，每个区域的高度等于所述灰度图像的高度。
4.如权利要求3所述的选取方法，其特征在于，计算每幅截图中靠近中间位置的区域内的颜色差异，进一步包括：
对于每幅截图的任一区域，计算所述区域内的所有像素点的灰度值之和，根据所述灰度值之和以及所述区域内的总像素点个数得到所述区域的平均灰度值；
根据所述三个区域的平均灰度值为所述截图赋予颜色差异的分值，其中，所述截图的中间区域相对于两侧区域的平均灰度值的差异越大且所述两侧区域之间的平均灰度值的差异越小，所述截图的颜色差异的分值越高。
5.如权利要求3所述的选取方法，其特征在于，计算每幅截图中靠近中间位置的区域内的细节差异，进一步包括：
对于每幅截图的任一区域，通过预设的边缘检测算子，对所述区域内的灰度图像进行边缘检测运算，将所述区域内的灰度图像转换成灰度梯度图像；
计算所述灰度梯度图像内的所有像素点的灰度值之和，根据所述灰度值之和以及所述灰度梯度图像内的总像素点个数得到相应区域的灰度梯度图像的平均灰度值；
根据所述三个区域的灰度梯度图像的平均灰度值为所述截图赋予细节差异的分值，其中，所述截图的中间区域相对于两侧区域的灰度梯度图像的平均灰度值的差异越大，且所述两侧区域之间的灰度梯度图像的平均灰度值的差异越小，所述截图的细节差异的分值越高。
6.如权利要求3所述的选取方法，其特征在于，计算每幅截图中靠近中间位置的区域内的轮廓个数，进一步包括：
对于中间区域的灰度图像，通过预设的边缘检测算子进行边缘检测运算，将所述中间区域的灰度图像转换成灰度梯度图像，提取所述灰度梯度图像中梯度灰度值大于一阈值的连续闭合曲线，所述连续闭合曲线为图像边缘；
通过对提取出的图像边缘进行统计，得到所述中间区域内的轮廓个数，根据所述轮廓个数赋予轮廓个数的分值，其中，所述截图的中间区域内轮廓个数越少，所述截图的轮廓个数的分值越大。
7.如权利要求3所述的选取方法，其特征在于，计算每幅截图中靠近中间位置的区域内左右两侧相似度，进一步包括：
将所述三个区域内的中间区域平均分为两个子区域，每个子区域的宽度等于所述灰度图像的宽度的1/6，每个子区域的高度等于所述灰度图像的高度；
针对任一子区域的灰度图像，统计得出其灰度直方图数据；
根据两个子区域的灰度直方图数据，利用直方图相交法为所述截图赋予相似度的分值，其中，所述中间区域内两个子区域的灰度分布差异越小，所述截图的相似度的分值越大。
8.如权利要求1所述的选取方法，其特征在于，对每幅截图进行人脸个数的检测，包括：
对于每幅截图，通过预设的人脸特征算子进行特征检测，识别出图像中的人脸，其中，所述人脸特征算子用于检测人脸中各关键特征点间的位置比例关系；
根据识别出的人脸为截图赋予人脸个数的分值，其中，所述人脸的个数越少且所述人脸在所述截图中所处位置越靠近中部，所述截图的人脸个数的分值越高。
9.一种视频预览图的选取装置，其特征在于，包括：
截图模块，用于接收视频并对视频进行预定数量的随机截图；
赋值模块，用于对每幅截图进行人脸个数的检测，分别对每幅截图进行区域划分，计算每幅截图中靠近中间位置的区域内的细节差异、颜色差异、轮廓个数以及每幅截图中靠近中间位置的区域内左右两侧相似度，并据此以及人脸个数为每幅截图赋予分值；
选取模块，用于根据每幅截图的分值选取一张截图作为所述视频的预览图。
10.如权利要求9所述的选取装置，其特征在于，
所述赋值模块，为所述每幅截图赋予的分值，与人脸个数的分值、颜色差异的分值、细节差异的分值、轮廓个数的分值和相似度的分值正相关；其中，所述人脸的个数越少且所述人脸在所述截图中所处位置越靠近中部，所述截图的人脸个数的分值越高；所述截图的中间区域相对于两侧区域的平均灰度值的差异越大且所述两侧区域之间的平均灰度值的差异越小，所述截图的颜色差异的分值越高；所述截图的中间区域相对于两侧区域的灰度梯度图像的平均灰度值的差异越大，且所述两侧区域之间的灰度梯度图像的平均灰度值的差异越小，所述截图的细节差异的分值越高；所述截图的中间区域内轮廓个数越少，所述截图的轮廓个数的分值越大；所述中间区域内两个子区域的灰度分布差异越小，所述截图的相似度的分值越大。
11.如权利要求9所述的选取装置，其特征在于，
所述赋值模块，对于每幅截图，用于将其由彩色图像转换为灰度图像，获得所述灰度图像中每个像素点的灰度值；将所述灰度图像平均分为三个区域，每个区域的宽度等于所述灰度图像的宽度的1/3，每个区域的高度等于所述灰度图像的高度。
12.如权利要求11所述的选取装置，其特征在于，
所述赋值模块，对于每幅截图的任一区域，用于计算所述区域内的所有像素点的灰度值之和，根据所述灰度值之和以及所述区域内的总像素点个数得到所述区域的平均灰度值；根据所述三个区域的平均灰度值为所述截图赋予颜色差异的分值，其中，所述截图的中间区域相对于两侧区域的平均灰度值的差异越大且所述两侧区域之间的平均灰度值的差异越小，所述截图的颜色差异的分值越高。
13.如权利要求11所述的选取装置，其特征在于，
所述赋值模块，对于每幅截图的任一区域，用于通过预设的边缘检测算子，对所述区域内的灰度图像进行边缘检测运算，将所述区域内的灰度图像转换成灰度梯度图像灰度梯度图像；计算所述灰度梯度图像内的所有像素点的灰度值之和，根据所述灰度值之和以及所述灰度梯度图像内的总像素点个数得到相应区域的灰度梯度图像的平均灰度值；根据所述三个区域的灰度梯度图像的平均灰度值为所述截图赋予细节差异的分值，其中，所述截图的中间区域相对于两侧区域的灰度梯度图像的平均灰度值的差异越大，且所述两侧区域之间的灰度梯度图像的平均灰度值的差异越小，所述截图的细节差异的分值越高。
14.如权利要求11所述的选取装置，其特征在于，
所述赋值模块，对于中间区域的灰度图像，用于通过预设的边缘检测算子进行边缘检测运算，将所述中间区域的灰度图像转换成灰度梯度图像，提取所述灰度梯度图像中梯度灰度值大于一阈值的连续闭合曲线，所述连续闭合曲线为图像边缘；通过对提取出的图像边缘进行统计，得到所述中间区域内的轮廓个数，根据所述轮廓个数赋予轮廓个数的分值，其中，所述截图的中间区域内轮廓个数越少，所述截图的轮廓个数的分值越大。
15.如权利要求11所述的选取装置，其特征在于，
所述赋值模块，用于将所述三个区域内的中间区域平均分为两个子区域，每个子区域的宽度等于所述灰度图像的宽度的1/6，每个子区域的高度等于所述灰度图像的高度；针对任一子区域的灰度图像，统计得出其灰度直方图数据；根据两个子区域的灰度直方图数据，利用直方图相交法为所述截图赋予相似度的分值，其中，所述中间区域内两个子区域的灰度差异越小，所述截图的相似度的分值越大。
16.如权利要求9所述的选取装置，其特征在于，
所述赋值模块，用于对于每幅截图，通过预设的人脸特征算子进行特征检测，识别出图像中的人脸，其中，所述人脸特征算子用于检测人脸中各关键特征点间的位置比例关系人脸；根据识别出的人脸为截图赋予人脸个数的分值，其中，所述人脸的个数越少且所述人脸在所述截图中所处位置越靠近中部，所述截图的人脸个数的分值越高。
CN201410850028.4A 2014-12-31 2014-12-31 视频预览图的选取方法及选取装置 Pending CN104581379A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410850028.4A CN104581379A (zh) 2014-12-31 2014-12-31 视频预览图的选取方法及选取装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410850028.4A CN104581379A (zh) 2014-12-31 2014-12-31 视频预览图的选取方法及选取装置

Publications (1)

Publication Number Publication Date
CN104581379A true CN104581379A (zh) 2015-04-29

Family

ID=53096422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410850028.4A Pending CN104581379A (zh) 2014-12-31 2014-12-31 视频预览图的选取方法及选取装置

Country Status (1)

Country Link
CN (1) CN104581379A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104991718A (zh) * 2015-06-29 2015-10-21 努比亚技术有限公司 终端截屏方法及装置
CN105068507A (zh) * 2015-08-19 2015-11-18 莱芜钢铁集团有限公司 数控切割机、数控切割机的切割指令生成方法及系统
CN109034117A (zh) * 2018-08-22 2018-12-18 北京慕华信息科技有限公司 一种视频提取方法及装置
CN109151597A (zh) * 2018-09-03 2019-01-04 聚好看科技股份有限公司 信息显示方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070294641A1 (en) * 2000-05-31 2007-12-20 Rashkovskiy Oleg B Automatically preparing streaming video programming guides
US20080046406A1 (en) * 2006-08-15 2008-02-21 Microsoft Corporation Audio and video thumbnails
CN101626458A (zh) * 2008-07-08 2010-01-13 鸿富锦精密工业（深圳）有限公司 摄影装置及其摄影方法
CN101807198A (zh) * 2010-01-08 2010-08-18 中国科学院软件研究所 一种基于草图的视频摘要生成方法
CN101853286A (zh) * 2010-05-20 2010-10-06 上海全土豆网络科技有限公司 视频缩略图智能选取方法
CN103020947A (zh) * 2011-09-23 2013-04-03 阿里巴巴集团控股有限公司 一种图像的质量分析方法及装置
CN103428428A (zh) * 2012-05-24 2013-12-04 联发科技股份有限公司 影像捕获设备以及影像捕获方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070294641A1 (en) * 2000-05-31 2007-12-20 Rashkovskiy Oleg B Automatically preparing streaming video programming guides
US20080046406A1 (en) * 2006-08-15 2008-02-21 Microsoft Corporation Audio and video thumbnails
CN101626458A (zh) * 2008-07-08 2010-01-13 鸿富锦精密工业（深圳）有限公司 摄影装置及其摄影方法
CN101807198A (zh) * 2010-01-08 2010-08-18 中国科学院软件研究所 一种基于草图的视频摘要生成方法
CN101853286A (zh) * 2010-05-20 2010-10-06 上海全土豆网络科技有限公司 视频缩略图智能选取方法
CN103020947A (zh) * 2011-09-23 2013-04-03 阿里巴巴集团控股有限公司 一种图像的质量分析方法及装置
CN103428428A (zh) * 2012-05-24 2013-12-04 联发科技股份有限公司 影像捕获设备以及影像捕获方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104991718A (zh) * 2015-06-29 2015-10-21 努比亚技术有限公司 终端截屏方法及装置
CN104991718B (zh) * 2015-06-29 2018-11-20 努比亚技术有限公司 终端截屏方法及装置
CN105068507A (zh) * 2015-08-19 2015-11-18 莱芜钢铁集团有限公司 数控切割机、数控切割机的切割指令生成方法及系统
CN105068507B (zh) * 2015-08-19 2018-03-30 莱芜钢铁集团有限公司 数控切割机、数控切割机的切割指令生成方法及系统
CN109034117A (zh) * 2018-08-22 2018-12-18 北京慕华信息科技有限公司 一种视频提取方法及装置
CN109034117B (zh) * 2018-08-22 2020-11-17 北京慕华信息科技有限公司 一种视频提取方法及装置
CN109151597A (zh) * 2018-09-03 2019-01-04 聚好看科技股份有限公司 信息显示方法及装置

Similar Documents

Publication Publication Date Title
US10565479B1 (en) Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring
Jagadev et al. Detection of leukemia and its types using image processing and machine learning
Dudhane et al. C^ 2msnet: A novel approach for single image haze removal
CN101084527B (zh) 用于处理视频数据的方法及系统
CN105118048B (zh) 翻拍证件图片的识别方法及装置
Narihira et al. Learning lightness from human judgement on relative reflectance
CN104766076B (zh) 一种视频图像文字的检测方法和装置
CN102750535B (zh) 自动提取图像前景的方法和系统
Platzer et al. Skin sheriff: a machine learning solution for detecting explicit images
Jia et al. A two-step approach to see-through bad weather for surveillance video quality enhancement
CN104268590B (zh) 基于互补性组合特征与多相回归的盲图像质量评价方法
CN104408429A (zh) 一种视频代表帧提取方法及装置
US10803116B2 (en) Logo detection system for automatic image search engines
CN104318558A (zh) 复杂场景下基于多信息融合的手势分割方法
CN105404847A (zh) 一种遗留物实时检测方法
CN102117413A (zh) 基于多层特征的不良图像自动过滤方法
CN110298297A (zh) 火焰识别方法和装置
CN109472193A (zh) 人脸检测方法及装置
CN108764328A (zh) 太赫兹图像危险品识别方法、装置、设备及可读存储介质
Čuljak et al. Classification of art paintings by genre
CN104581379A (zh) 视频预览图的选取方法及选取装置
CN110705634B (zh) 一种鞋跟型号识别方法、装置及存储介质
CN106331746B (zh) 用于识别视频文件中的水印位置的方法和装置
Kryjak et al. Real-time foreground object detection combining the PBAS background modelling algorithm and feedback from scene analysis module
CN101329762A (zh) 基于内容相关图像尺寸调整的保真度评测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20150429

WD01 Invention patent application deemed withdrawn after publication