CN105678254A - 一种视频检测方法及装置 - Google Patents
一种视频检测方法及装置 Download PDFInfo
- Publication number
- CN105678254A CN105678254A CN201610003909.1A CN201610003909A CN105678254A CN 105678254 A CN105678254 A CN 105678254A CN 201610003909 A CN201610003909 A CN 201610003909A CN 105678254 A CN105678254 A CN 105678254A
- Authority
- CN
- China
- Prior art keywords
- program
- frame image
- flags
- stream
- representative frame
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种视频检测方法及装置,方法包括:获取视频流的当前帧图像;判断代表帧图像集合中是否存在与当前帧图像匹配的图像,代表帧图像集合中包括若干个节目样本的代表帧图像;若是,确定与匹配的代表帧图像对应的节目样本,并读取与所述节目样本对应的标志流;获取视频流中当前帧图像之前,与标志流相同时长的历史视频流;对历史视频流与标志流进行相似度计算,在相似度值满足阈值要求时,确定当前时间所述视频流代表的节目为节目样本对应的节目。本申请仅在确定当前帧图像与某个节目样本的代表帧图像匹配时,才执行后续历史视频流与节目样本标志流的相似度计算过程,有效减少了对计算资源的占用,并且缩短了节目检测时间。
Description
技术领域
本申请涉及视频检测技术领域,更具体地说,涉及一种视频检测方法及装置。
背景技术
随着电视技术的快速发展,电视频道及电视节目也越来越多。为了提醒用户准时观看自己喜好的电视节目,需要对视频流进行检测,在检测到视频流当前播放的节目为用户喜好的节目时,及时提醒用户观看。
现有技术在对视频流进行检测时,一般是对某一段视频流进行图像特征精确检测,判断当前视频流是否属于用户所喜好的节目,进而在判断结果为是时及时提醒用户观看。但是,图像特征精确检测的过程需要耗费大量计算时间,现有技术对一段视频流中的每一帧图像均进行图像特征精确检测的方式,将会消耗大量计算资源,且节目检测时间也大大延长。
发明内容
有鉴于此,本申请提供了一种视频检测方法及装置,用于解决现有视频检测方法所存在的计算资源占用量大且节目检测时间长的问题。
为了实现上述目的,现提出的方案如下:
一种视频检测方法,包括:
获取视频流的当前帧图像;
判断预置的代表帧图像集合中是否存在与所述当前帧图像匹配的代表帧图像,所述代表帧图像集合中包括若干个节目样本的代表帧图像;
若是,确定与所述匹配的代表帧图像对应的节目样本,并读取预置的与所述节目样本对应的标志流;
获取所述视频流中所述当前帧图像之前,与所述标志流相同时长的历史视频流;
对所述历史视频流与所述标志流进行相似度计算,在相似度值满足阈值要求时,确定当前时间所述视频流代表的节目为所述节目样本对应的节目。
优选地,所述判断预置的代表帧图像集合中是否存在与所述当前帧图像匹配的代表帧图像,包括:
读取预先训练好的支持向量机SVM模型,所述SVM模型为预先利用若干个节目样本的代表帧图像进行训练后得到的模型;
将所述当前帧图像作为输入条件输入至所述SVM模型中,得到SVM模型输出的匹配结果,所述匹配结果表明是否存在与所述当前帧图像匹配的节目样本。
优选地,在利用若干个节目样本的代表帧图像对SVM模型进行训练时,具体为:利用各节目样本的代表帧图像的方向梯度直方图HOG特征和颜色直方图特征对SVM模型进行训练。
优选地,所述对所述历史视频流与所述标志流进行相似度计算,在相似度值满足阈值要求时,确定当前时刻所述视频流代表的节目为所述节目样本对应的节目,包括:
分别提取所述历史视频流、所述标志流中各帧图像的二值特征和SIFT特征;
计算所述历史视频流和所述标志流中,相同位置处帧图像的二值特征的相似度值;
判断所述二值特征的相似度值是否达到第一相似度阈值;
若是,计算所述历史视频流和所述标志流中,相同位置处帧图像的尺度不变特征变换SIFT特征的相似度值;
判断所述SIFT特征的相似度值是否达到第二相似度阈值;
若是,确定当前时间所述视频流代表的节目为所述节目样本对应的节目。
优选地,所述节目样本为表征节目片头信息的节目片头样本,在所述相似度值满足阈值要求时,该方法还包括:
根据当前时间,对电子节目指南EPG中所述节目样本对应的节目的播出时间进行修正。
一种视频检测装置,包括:
图像获取单元,用于获取视频流的当前帧图像;
图像匹配单元,用于判断预置的代表帧图像集合中是否存在与所述当前帧图像匹配的代表帧图像,所述代表帧图像集合中包括若干个节目样本的代表帧图像;
标志流读取单元,用于在所述图像匹配单元判断存在与所述当前帧图像匹配的代表帧图像时,确定与所述匹配的代表帧图像对应的节目样本,并读取预置的与所述节目样本对应的标志流;
历史视频流获取单元,用于获取所述视频流中所述当前帧图像之前,与所述标志流相同时长的历史视频流;
标志流相似度计算单元,用于对所述历史视频流与所述标志流进行相似度计算,在相似度值满足阈值要求时,确定当前时间所述视频流代表的节目为所述节目样本对应的节目。
优选地,所述图像匹配单元包括:
模型读取单元,用于读取预先训练好的支持向量机SVM模型,所述SVM模型为预先利用若干个节目样本的代表帧图像进行训练后得到的模型;
模型处理单元,用于将所述当前帧图像作为输入条件输入至所述SVM模型中,得到SVM模型输出的匹配结果,所述匹配结果表明是否存在与所述当前帧图像匹配的节目样本。
优选地,还包括:
模型训练单元,用于利用各节目样本的代表帧图像的方向梯度直方图HOG特征和颜色直方图特征对SVM模型进行训练。
优选地,所述标志流相似度计算单元包括:
特征提取单元,用于分别提取所述历史视频流、所述标志流中各帧图像的二值特征和SIFT特征;
二值特征相似度计算单元,用于计算所述历史视频流和所述标志流中,相同位置处帧图像的二值特征的相似度值;
二值特征相似度判断单元,用于判断所述二值特征的相似度值是否达到第一相似度阈值;若是,计算所述历史视频流和所述标志流中,相同位置处帧图像的尺度不变特征变换SIFT特征的相似度值;
SIFT特征相似度判断单元,用于判断所述SIFT特征的相似度值是否达到第二相似度阈值;若是,确定当前时间所述视频流代表的节目为所述节目样本对应的节目。
优选地,所述节目样本为表征节目片头信息的节目片头样本,该装置还包括:
EPG修正单元,用于在所述相似度值满足阈值要求时,根据当前时间,对电子节目指南EPG中所述节目样本对应的节目的播出时间进行修正。
从上述的技术方案可以看出,本申请实施例提供的视频检测方法预先采集了多个节目的节目样本,节目样本能够表征对应的节目,并且提取了各个节目样本的代表帧图像和标志流,由各个代表帧图像组成代表帧图像集合,进而在获取视频流的当前帧图像后,判断预置的代表帧图像集合中是否存在与当前帧图像匹配的代表帧图像,如果是,则确定与匹配的代表帧图像对应的节目样本,并读取与该节目样本对应的标志流,获取所述视频流中所述当前帧图像之前,与所述标志流相同时长的历史视频流,对所述历史视频流与所述标志流进行相似度计算,在确定相似度值满足阈值要求时,确定当前时间所述视频流代表的节目为所述节目样本对应的节目。本申请提取了节目样本的代表帧图像,通过视频流当前帧图像与代表帧图像进行粗略匹配,判断当前帧图像是否属于预置的某个节目样本,并且仅在判断结果为是时才执行后续历史视频流与节目样本标志流的相似度计算过程,有效减少了对计算资源的占用,并且缩短了节目检测时间。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的一种视频检测方法流程图;
图2为本申请实施例公开的另一种视频检测方法流程图;
图3为本申请实施例公开的又一种视频检测方法流程图;
图4为本申请实施例公开的一种视频检测装置结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1,图1为本申请实施例公开的一种视频检测方法流程图。
如图1所示,该方法包括:
步骤S100、获取视频流的当前帧图像;
具体地,视频流可以是某一个频道的实时视频流。视频流是由一帧帧的图像组成。本申请实时获取视频流的当前帧图像。
步骤S110、判断预置的代表帧图像集合中是否存在与所述当前帧图像匹配的代表帧图像;若是,执行步骤S120;
其中,所述代表帧图像集合中包括若干个节目样本的代表帧图像。
每个节目播放前均有一段独一无二的视频流,本申请可以预先提取这段视频流作为对应节目的节目样本。在每个节目样本中提取出一帧图像,作为该节目样本的代表帧图像,代表帧图像能够一定程度上标志该节目样本(特别是包含节目名称的画面)。
举例如,中央电视台新闻联播节目,该节目在片头部分有一段大概10秒左右的片头,并且片头结尾部分的画面显示“中央电视台新闻联播”字样。为此,本申请可以将提取该10秒钟的片头视频流作为中央电视台新闻联播节目的节目样本,同时将最后一帧携带有“中央电视台新闻联播”字样的图像作为该节目样本的代表帧图像。
这里需要说明的是,每个节目样本的代表帧图像一般均位于整个节目样本视频流的最后部分。
进一步,对于节目样本而言,除了代表帧图像之外,剩余部分视频流可以作为节目样本的标志流,标志流用于供相似度计算使用。
需要说明的是,如果本步骤判断预置的代表帧图像集合中不存在与所述当前帧图像匹配的代表帧图像,则结束整个流程。
步骤S120、确定与所述匹配的代表帧图像对应的节目样本,并读取预置的与所述节目样本对应的标志流;
具体地,上述已经介绍了标志流的概念,每个节目样本均存在与之对应的标志流。
步骤S130、获取所述视频流中所述当前帧图像之前,与所述标志流相同时长的历史视频流;
具体地,本申请对于实时获取的视频流的每一帧图像,可以进行缓存。缓存的视频流可以是最近5分钟或者其它时间段的视频流。
为了与获取的节目样本的标志流进行相似度比对,本步骤中在所述视频流中获取历史视频流,历史视频流为所述视频流中当前帧图像之前,与所述标志流相同时长的历史视频流。
举例如,节目样本的标志流的时长为10秒。从视频流中获取的当前帧的时间为第50秒。因此,读取视频流中从第40秒至第50秒的视频流,作为历史视频流。利用历史视频流与标志流进行相似度计算。
步骤S140、对所述历史视频流与所述标志流进行相似度计算,在相似度值满足阈值要求时,确定当前时间所述视频流代表的节目为所述节目样本对应的节目。
具体地,通过代表帧匹配可以初步确定对应的节目样本,本步骤中通过对节目样本的标志流与历史视频流进行相似度计算,确认节目样本的可信度,在相似度值满足阈值要求时,最终确定当前时间所述视频流代表的节目为所述节目样本对应的节目。
本申请实施例提供的视频检测方法预先采集了多个节目的节目样本,节目样本能够表征对应的节目,并且提取了各个节目样本的代表帧图像和标志流,由各个代表帧图像组成代表帧图像集合,进而在获取视频流的当前帧图像后,判断预置的代表帧图像集合中是否存在与当前帧图像匹配的代表帧图像,如果是,则确定与匹配的代表帧图像对应的节目样本,并读取与该节目样本对应的标志流,获取所述视频流中所述当前帧图像之前,与所述标志流相同时长的历史视频流,对所述历史视频流与所述标志流进行相似度计算,在确定相似度值满足阈值要求时,确定当前时间所述视频流代表的节目为所述节目样本对应的节目。本申请提取了节目样本的代表帧图像,通过视频流当前帧图像与代表帧图像进行粗略匹配,判断当前帧图像是否属于预置的某个节目样本,并且仅在判断结果为是时才执行后续历史视频流与节目样本标志流的相似度计算过程,有效减少了对计算资源的占用,并且缩短了节目检测时间。
接下来,本申请实施例介绍上述步骤S110、判断预置的代表帧图像集合中是否存在与所述当前帧图像匹配的代表帧图像的具体实现过程。
本实施例中采用支持向量机SVM模型来进行代表帧图像的匹配。
具体地,本申请预先利用若干个节目样本的代表帧图像对SVM模型进行训练,得到训练好的SVM模型。
进一步,在进行图像匹配时,将所述当前帧图像作为输入条件输入至SVM模型中,得到SVM模型输出的匹配结果,匹配结果表明了是否存在与所述当前帧图像匹配的节目样本。
在对SVM模型进行训练时,可以利用各节目样本的代表帧图像的方向梯度直方图HOG特征和颜色直方图特征对SVM模型进行训练。
其中,方向梯度直方图(HistogramofOrientedGradient,HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。
颜色直方图是在许多图像检索系统中被广泛采用的颜色特征。它所描述的是不同色彩在整幅图像中所占的比例,而并不关心每种色彩所处的空间位置,即无法描述图像中的对象或物体。
接下来参见图2,图2为本申请实施例公开的另一种视频检测方法流程图。
如图2所示,该方法包括:
步骤S200、获取视频流的当前帧图像;
具体地,视频流可以是某一个频道的实时视频流。视频流是由一帧帧的图像组成。本申请实时获取视频流的当前帧图像。
步骤S210、判断预置的代表帧图像集合中是否存在与所述当前帧图像匹配的代表帧图像;若是,执行步骤S220;
其中,所述代表帧图像集合中包括若干个节目样本的代表帧图像。
每个节目播放前均有一段独一无二的视频流,本申请可以预先提取这段视频流作为对应节目的节目样本。在每个节目样本中提取出一帧图像,作为该节目样本的代表帧图像,代表帧图像能够一定程度上标志该节目样本(特别是包含节目名称的画面)。
步骤S220、确定与所述匹配的代表帧图像对应的节目样本,并读取预置的与所述节目样本对应的标志流;
具体地,上述已经介绍了标志流的概念,每个节目样本均存在与之对应的标志流。
步骤S230、获取所述视频流中所述当前帧图像之前,与所述标志流相同时长的历史视频流;
具体地,本申请对于实时获取的视频流的每一帧图像,可以进行缓存。缓存的视频流可以是最近5分钟或者其它时间段的视频流。
为了与获取的节目样本的标志流进行相似度比对,本步骤中在所述视频流中获取历史视频流,历史视频流为所述视频流中当前帧图像之前,与所述标志流相同时长的历史视频流。
步骤S240、分别提取所述历史视频流、所述标志流中各帧图像的二值特征和SIFT特征;
其中,二值特征和SIFT特征为图像处理方法中经常使用到的两种图像特征。SIFT特征即尺度不变特征变换(Scale-invariantfeaturetransform,SIFT),是用于图像处理领域的一种描述子。SIFT算法对平移、旋转、尺度缩放保持不变性,并且对亮度变化、视角变换、仿射变换、噪声也保持一定的稳定性,具有很强的匹配能力,可在图像中检测出关键点,是一种局部特征描述子。
步骤S250、计算所述历史视频流和所述标志流中,相同位置处帧图像的二值特征的相似度值;
具体地,历史视频流与标志流为相同时长的视频流,针对两个视频流中相同位置处帧图像的二值特征进行相似度计算。
步骤S260、判断所述二值特征的相似度值是否达到第一相似度阈值;若是,执行步骤S270;
步骤S270、计算所述历史视频流和所述标志流中,相同位置处帧图像的尺度不变特征变换SIFT特征的相似度值;
步骤S280、判断所述SIFT特征的相似度值是否达到第二相似度阈值;若是,执行步骤S290;
步骤S290、确定当前时间所述视频流代表的节目为所述节目样本对应的节目。
相比于上述实施例,本实施例中首先对历史视频流和标志流的二值特征进行相似度比对,达到第一相似度阈值时,进一步对历史视频流和标志流的SIFT特征进行相似度比对,达到第二相似度阈值时才确定当前时间所述视频流代表的节目为所述节目样本对应的节目。
本实施例中历史视频流与标志流的相似度计算过程属于精确计算过程,通过相似度计算能够非常准确的判断当前时间所述视频流代表的节目是否为所述节目样本对应的节目。
接下来参见图3,图3为本申请实施例公开的又一种视频检测方法流程图。
如图3所示,该方法包括:
步骤S300、获取视频流的当前帧图像;
具体地,视频流可以是某一个频道的实时视频流。视频流是由一帧帧的图像组成。本申请实时获取视频流的当前帧图像。
步骤S310、判断预置的代表帧图像集合中是否存在与所述当前帧图像匹配的代表帧图像;若是,执行步骤S320;
其中,所述代表帧图像集合中包括若干个节目样本的代表帧图像。
每个节目播放前均有一段独一无二的视频流,本申请可以预先提取这段视频流作为对应节目的节目样本,节目样本表征了节目片头信息。在每个节目样本中提取出一帧图像,作为该节目样本的代表帧图像,代表帧图像能够一定程度上标志该节目样本(特别是包含节目名称的画面)。
步骤S320、确定与所述匹配的代表帧图像对应的节目样本,并读取预置的与所述节目样本对应的标志流;
具体地,上述已经介绍了标志流的概念,每个节目样本均存在与之对应的标志流。
步骤S330、获取所述视频流中所述当前帧图像之前,与所述标志流相同时长的历史视频流;
具体地,本申请对于实时获取的视频流的每一帧图像,可以进行缓存。缓存的视频流可以是最近5分钟或者其它时间段的视频流。
为了与获取的节目样本的标志流进行相似度比对,本步骤中在所述视频流中获取历史视频流,历史视频流为所述视频流中当前帧图像之前,与所述标志流相同时长的历史视频流。
步骤S340、对所述历史视频流与所述标志流进行相似度计算,在相似度值满足阈值要求时,确定当前时间所述视频流代表的节目为所述节目样本对应的节目;
步骤S350、根据当前时间,对电子节目指南EPG中所述节目样本对应的节目的播出时间进行修正。
其中,电子节目指南(ElectronicProgramGuide,EPG)用于向用户播报各个节目播出时间。EPG播报的节目播出时间经常会出现偏差。现有技术中,当用户想要回看某个节目时,按照EPG给出的节目播放时间去调取相应视频流,由于EPG给出的节目播放时间与节目真实播放时间存在偏差,导致用户无法观看到完整的节目,或者看到的是节目之前的广告,影响用户的体验。
通过本实施例提供的方案,根据实时检测出的各节目的准确播放时间,对EPG进行修正,避免了上述问题的发生。
下面对本申请实施例提供的视频检测装置进行描述,下文描述的视频检测装置与上文描述的视频检测方法可相互对应参照。
参见图4,图4为本申请实施例公开的一种视频检测装置结构示意图。
如图4所示,该装置包括:
图像获取单元41,用于获取视频流的当前帧图像;
图像匹配单元42,用于判断预置的代表帧图像集合中是否存在与所述当前帧图像匹配的代表帧图像,所述代表帧图像集合中包括若干个节目样本的代表帧图像;
标志流读取单元43,用于在所述图像匹配单元判断存在与所述当前帧图像匹配的代表帧图像时,确定与所述匹配的代表帧图像对应的节目样本,并读取预置的与所述节目样本对应的标志流;
历史视频流获取单元44,用于获取所述视频流中所述当前帧图像之前,与所述标志流相同时长的历史视频流;
标志流相似度计算单元45,用于对所述历史视频流与所述标志流进行相似度计算,在相似度值满足阈值要求时,确定当前时间所述视频流代表的节目为所述节目样本对应的节目。
本申请实施例提供的视频检测装置预先采集了多个节目的节目样本,节目样本能够表征对应的节目,并且提取了各个节目样本的代表帧图像和标志流,由各个代表帧图像组成代表帧图像集合,进而在获取视频流的当前帧图像后,判断预置的代表帧图像集合中是否存在与当前帧图像匹配的代表帧图像,如果是,则确定与匹配的代表帧图像对应的节目样本,并读取与该节目样本对应的标志流,获取所述视频流中所述当前帧图像之前,与所述标志流相同时长的历史视频流,对所述历史视频流与所述标志流进行相似度计算,在确定相似度值满足阈值要求时,确定当前时间所述视频流代表的节目为所述节目样本对应的节目。本申请提取了节目样本的代表帧图像,通过视频流当前帧图像与代表帧图像进行粗略匹配,判断当前帧图像是否属于预置的某个节目样本,并且仅在判断结果为是时才执行后续历史视频流与节目样本标志流的相似度计算过程,有效减少了对计算资源的占用,并且缩短了节目检测时间。
可选的,上述图像匹配单元可以包括:
模型读取单元,用于读取预先训练好的支持向量机SVM模型,所述SVM模型为预先利用若干个节目样本的代表帧图像进行训练后得到的模型;
模型处理单元,用于将所述当前帧图像作为输入条件输入至所述SVM模型中,得到SVM模型输出的匹配结果,所述匹配结果表明是否存在与所述当前帧图像匹配的节目样本。
可选的,本申请装置还可以包括:
模型训练单元,用于利用各节目样本的代表帧图像的方向梯度直方图HOG特征和颜色直方图特征对SVM模型进行训练。
可选的,上述标志流相似度计算单元可以包括:
特征提取单元,用于分别提取所述历史视频流、所述标志流中各帧图像的二值特征和SIFT特征;
二值特征相似度计算单元,用于计算所述历史视频流和所述标志流中,相同位置处帧图像的二值特征的相似度值;
二值特征相似度判断单元,用于判断所述二值特征的相似度值是否达到第一相似度阈值;若是,计算所述历史视频流和所述标志流中,相同位置处帧图像的尺度不变特征变换SIFT特征的相似度值;
SIFT特征相似度判断单元,用于判断所述SIFT特征的相似度值是否达到第二相似度阈值;若是,确定当前时间所述视频流代表的节目为所述节目样本对应的节目。
可选的,上述节目样本可以为表征节目片头信息的节目片头样本,则本申请装置还可以包括:
EPG修正单元,用于在所述相似度值满足阈值要求时,根据当前时间,对电子节目指南EPG中所述节目样本对应的节目的播出时间进行修正。
根据实时检测出的各节目的准确播放时间,对EPG进行修正,避免了因为EPG播报的节目播放时间不准确,而导致用户依照EPG时间去调取历史视频流时,无法观看到完整的节目,或者看到的是节目之前的广告,影响用户体验的问题。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他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、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。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、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种视频检测方法,其特征在于,包括:
获取视频流的当前帧图像;
判断预置的代表帧图像集合中是否存在与所述当前帧图像匹配的代表帧图像,所述代表帧图像集合中包括若干个节目样本的代表帧图像;
若是,确定与所述匹配的代表帧图像对应的节目样本,并读取预置的与所述节目样本对应的标志流;
获取所述视频流中所述当前帧图像之前,与所述标志流相同时长的历史视频流;
对所述历史视频流与所述标志流进行相似度计算,在相似度值满足阈值要求时,确定当前时间所述视频流代表的节目为所述节目样本对应的节目。
2.根据权利要求1所述的方法,其特征在于,所述判断预置的代表帧图像集合中是否存在与所述当前帧图像匹配的代表帧图像,包括:
读取预先训练好的支持向量机SVM模型,所述SVM模型为预先利用若干个节目样本的代表帧图像进行训练后得到的模型;
将所述当前帧图像作为输入条件输入至所述SVM模型中,得到SVM模型输出的匹配结果,所述匹配结果表明是否存在与所述当前帧图像匹配的节目样本。
3.根据权利要求2所述的方法,其特征在于,在利用若干个节目样本的代表帧图像对SVM模型进行训练时,具体为:利用各节目样本的代表帧图像的方向梯度直方图HOG特征和颜色直方图特征对SVM模型进行训练。
4.根据权利要求1所述的方法,其特征在于,所述对所述历史视频流与所述标志流进行相似度计算,在相似度值满足阈值要求时,确定当前时刻所述视频流代表的节目为所述节目样本对应的节目,包括:
分别提取所述历史视频流、所述标志流中各帧图像的二值特征和SIFT特征;
计算所述历史视频流和所述标志流中,相同位置处帧图像的二值特征的相似度值;
判断所述二值特征的相似度值是否达到第一相似度阈值;
若是,计算所述历史视频流和所述标志流中,相同位置处帧图像的尺度不变特征变换SIFT特征的相似度值;
判断所述SIFT特征的相似度值是否达到第二相似度阈值;
若是,确定当前时间所述视频流代表的节目为所述节目样本对应的节目。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述节目样本为表征节目片头信息的节目片头样本,在所述相似度值满足阈值要求时,该方法还包括:
根据当前时间,对电子节目指南EPG中所述节目样本对应的节目的播出时间进行修正。
6.一种视频检测装置,其特征在于,包括:
图像获取单元,用于获取视频流的当前帧图像;
图像匹配单元,用于判断预置的代表帧图像集合中是否存在与所述当前帧图像匹配的代表帧图像,所述代表帧图像集合中包括若干个节目样本的代表帧图像;
标志流读取单元,用于在所述图像匹配单元判断存在与所述当前帧图像匹配的代表帧图像时,确定与所述匹配的代表帧图像对应的节目样本,并读取预置的与所述节目样本对应的标志流;
历史视频流获取单元,用于获取所述视频流中所述当前帧图像之前,与所述标志流相同时长的历史视频流;
标志流相似度计算单元,用于对所述历史视频流与所述标志流进行相似度计算,在相似度值满足阈值要求时,确定当前时间所述视频流代表的节目为所述节目样本对应的节目。
7.根据权利要求6所述的装置,其特征在于,所述图像匹配单元包括:
模型读取单元,用于读取预先训练好的支持向量机SVM模型,所述SVM模型为预先利用若干个节目样本的代表帧图像进行训练后得到的模型;
模型处理单元,用于将所述当前帧图像作为输入条件输入至所述SVM模型中,得到SVM模型输出的匹配结果,所述匹配结果表明是否存在与所述当前帧图像匹配的节目样本。
8.根据权利要求7所述的装置,其特征在于,还包括:
模型训练单元,用于利用各节目样本的代表帧图像的方向梯度直方图HOG特征和颜色直方图特征对SVM模型进行训练。
9.根据权利要求6所述的装置,其特征在于,所述标志流相似度计算单元包括:
特征提取单元,用于分别提取所述历史视频流、所述标志流中各帧图像的二值特征和SIFT特征;
二值特征相似度计算单元,用于计算所述历史视频流和所述标志流中,相同位置处帧图像的二值特征的相似度值;
二值特征相似度判断单元,用于判断所述二值特征的相似度值是否达到第一相似度阈值;若是,计算所述历史视频流和所述标志流中,相同位置处帧图像的尺度不变特征变换SIFT特征的相似度值;
SIFT特征相似度判断单元,用于判断所述SIFT特征的相似度值是否达到第二相似度阈值;若是,确定当前时间所述视频流代表的节目为所述节目样本对应的节目。
10.根据权利要求6-9任一项所述的装置,其特征在于,所述节目样本为表征节目片头信息的节目片头样本,该装置还包括:
EPG修正单元,用于在所述相似度值满足阈值要求时,根据当前时间,对电子节目指南EPG中所述节目样本对应的节目的播出时间进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610003909.1A CN105678254B (zh) | 2016-01-04 | 2016-01-04 | 一种视频检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610003909.1A CN105678254B (zh) | 2016-01-04 | 2016-01-04 | 一种视频检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678254A true CN105678254A (zh) | 2016-06-15 |
CN105678254B CN105678254B (zh) | 2019-05-31 |
Family
ID=56298822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610003909.1A Active CN105678254B (zh) | 2016-01-04 | 2016-01-04 | 一种视频检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678254B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106791812A (zh) * | 2016-12-16 | 2017-05-31 | 上海高顿教育培训有限公司 | 一种视频的帧率检测方法 |
CN107423718A (zh) * | 2017-08-02 | 2017-12-01 | 陈雷 | 一种用于识别蒙太奇语言叙事结构的方法 |
CN108615045A (zh) * | 2018-03-06 | 2018-10-02 | 重庆金山医疗器械有限公司 | 筛选胶囊内镜拍摄的图像的方法、装置及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140205148A1 (en) * | 2012-01-20 | 2014-07-24 | Rakuten, Inc. | Video search device, video search method, recording medium, and program |
CN104166685A (zh) * | 2014-07-24 | 2014-11-26 | 北京捷成世纪科技股份有限公司 | 一种检测视频片段的方法和装置 |
-
2016
- 2016-01-04 CN CN201610003909.1A patent/CN105678254B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140205148A1 (en) * | 2012-01-20 | 2014-07-24 | Rakuten, Inc. | Video search device, video search method, recording medium, and program |
CN104166685A (zh) * | 2014-07-24 | 2014-11-26 | 北京捷成世纪科技股份有限公司 | 一种检测视频片段的方法和装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106791812A (zh) * | 2016-12-16 | 2017-05-31 | 上海高顿教育培训有限公司 | 一种视频的帧率检测方法 |
CN107423718A (zh) * | 2017-08-02 | 2017-12-01 | 陈雷 | 一种用于识别蒙太奇语言叙事结构的方法 |
CN108615045A (zh) * | 2018-03-06 | 2018-10-02 | 重庆金山医疗器械有限公司 | 筛选胶囊内镜拍摄的图像的方法、装置及设备 |
CN108615045B (zh) * | 2018-03-06 | 2022-07-12 | 重庆金山医疗技术研究院有限公司 | 筛选胶囊内镜拍摄的图像的方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105678254B (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108769731B (zh) | 一种检测视频中目标视频片段的方法、装置及电子设备 | |
TWI712316B (zh) | 視訊摘要的生成方法及裝置 | |
CN110381366B (zh) | 赛事自动化报道方法、系统、服务器及存储介质 | |
US8326042B2 (en) | Video shot change detection based on color features, object features, and reliable motion information | |
US10474903B2 (en) | Video segmentation using predictive models trained to provide aesthetic scores | |
WO2020259510A1 (zh) | 信息植入区域的检测方法、装置、电子设备及存储介质 | |
CN110019954A (zh) | 一种作弊用户的识别方法及系统 | |
CN114494982B (zh) | 一种基于人工智能的直播视频大数据精准推荐方法及系统 | |
CN111160134A (zh) | 一种以人为主体的视频景别分析方法和装置 | |
WO2018192245A1 (zh) | 一种基于美学评价的照片自动评分方法 | |
CN105678254A (zh) | 一种视频检测方法及装置 | |
CN111541939B (zh) | 一种视频拆分方法、装置、电子设备及存储介质 | |
WO2014100936A1 (zh) | 视频的关联信息库制作和视频播放的方法、平台及系统 | |
CN115396705B (zh) | 投屏操作验证方法、平台及系统 | |
WO2022127814A1 (zh) | 一种图像的显著性物体检测方法、装置、设备及存储介质 | |
CN109977738B (zh) | 一种视频场景分割判断方法、智能终端及存储介质 | |
CN110933520B (zh) | 一种基于螺旋摘要的监控视频展示方法及存储介质 | |
CN108012164B (zh) | 一种视频播放方法、装置及电子设备 | |
CN112069357B (zh) | 视频资源处理方法、装置、电子设备及存储介质 | |
CN110019951B (zh) | 一种生成视频缩略图的方法及设备 | |
CN112784691B (zh) | 一种目标检测模型训练方法、目标检测方法和装置 | |
CN112101479B (zh) | 一种发型识别方法及装置 | |
CN112860941A (zh) | 一种封面推荐方法、装置、设备及介质 | |
CN111046232A (zh) | 一种视频分类方法、装置及系统 | |
CN110619362A (zh) | 一种基于感知与像差的视频内容比对方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |