CN106203244B - 一种镜头类型的确定方法及装置 - Google Patents
一种镜头类型的确定方法及装置 Download PDFInfo
- Publication number
- CN106203244B CN106203244B CN201510234612.1A CN201510234612A CN106203244B CN 106203244 B CN106203244 B CN 106203244B CN 201510234612 A CN201510234612 A CN 201510234612A CN 106203244 B CN106203244 B CN 106203244B
- Authority
- CN
- China
- Prior art keywords
- characteristic point
- picture
- close quarters
- frame
- frame image
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种镜头类型的确定方法及装置。该方法包括:将镜头下相邻的前后两帧图片分别进行特征点检测,提取特征点;根据前后两帧图像中的有效密集区域,对所述特征点进行提纯;所述有效密集区域中的区域密集度和区域内特征点的匹配度均满足设定条件;使用提纯后的特征点,确定所述前后两帧图片的变换关系;根据所述变换关系,对所述两帧图片中的后一帧图像进行图像变换;根据前一帧图像与变换后的后一帧图像,确定所属镜头的类型。本发明通过对同一个镜头下的相邻两张图片进行匹配的方式,确定所属镜头的类型,实现了镜头类型识别的自动化,并且,利用有效密集区域进行匹配的方式,能在提高特征点的匹配的准确度的同时,保证图片匹配的速度。
Description
技术领域
本发明涉及互联网技术领域,特别涉及一种镜头类型的确定方法及装置。
背景技术
随着网络以及多媒体技术的迅速发展,涌现出了大量的数字视频,如新闻、广告、监控视频、家庭视频等。数字视频的大量涌现引发了许多新的技术,包括视频存档、编目、索引以及有效存取等,而这些都需要将非结构化的视频数据转换成为结构化的视频数据。
视频数据按层次可划分为帧、镜头、场景、故事单元等,其中镜头是视频结构的基本单位,因此对视频镜头的检测成为视频检索和浏览技术的基础工作。
对视频中镜头拍摄方式的自动识别属于电视资料编目的描述范畴,镜头的拍摄方式包括:固定镜头、平移、推进和拉伸、镜头转换。传统的做法,镜头的拍摄方式的确定是通过人工观看视频来判断。但是人工识别的方式,存在效率较低,识别准确性较差的问题。
近年来出现使用图片识别技术来确定镜头拍摄方式的技术,具体方法是根据镜头下相邻两帧的匹配度,来确定镜头的类型是否发生了变化以及具体发生了什么样的变化,相邻两帧图片是否匹配度的准确判断,关系到后续镜头的类型判断的准确性,如何提高图片匹配的准确性,成为亟待解决的问题。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的镜头类型的确定方法及装置。
本发明实施例提供的一种镜头类型的确定方法,包括:
将镜头下相邻的前后两帧图片分别进行特征点检测,提取特征点;
根据前后两帧图像中的有效密集区域,对所述特征点进行提纯;所述有效密集区域中的区域密集度和区域内特征点的匹配度均满足设定条件;
使用提纯后的特征点,确定所述前后两帧图片的变换关系;
根据所述变换关系,对所述两帧图片中的后一帧图像进行图像变换;
根据前一帧图像与变换后的后一帧图像,确定所属镜头的类型。
进一步地,所述提取特征点的步骤之后,还包括:
对提取的特征点进行随机抽样一致RANSAC提纯。
进一步地,根据前后两帧图像中的有效密集区域,对所述特征点进行提纯,具体包括:
分别对两帧图像中的设定区域进行分块,并根据各块的密集度,确定所述设定区域内的密集区域;
分别比较所述两帧图片的密集区域中的各特征点,确定所述两帧图片中的有效密集区域;所述有效密集区域中的区域密集度和区域内特征点的匹配程度均满足设定条件;
比较两帧图片的有效密集区域中相同位置的块,若前一帧图片中的块包含的特征点,未存在于后一帧图像相同位置的块中,则删除前后两帧图片中对应的特征点;
相应地,所述使用提纯后的特征点,确定所述前后两帧图片的变换关系,具体包括:
对所述两帧图片的有效密集区域,使用特征点提纯处理后的特征点进行计算,得到图片之间的变换矩阵。
进一步地,所述设定区域为前后两帧图片中,沿图片中心辐射的占整个图片4/5大小的区域。
进一步地,分别对两帧图像中的设定区域进行分块,并根据各块的密集度,确定所述设定区域内的密集区域的步骤之前,还包括:
将所述两帧图片中的特征点匹配程度小于设定匹配度阈值的特征点删除。
本发明实施例提供的一种图片的匹配装置,包括:
特征点检测模块,用于将镜头下相邻的前后两帧图片分别进行特征点检测,提取特征点;
提纯模块,用于根据前后两帧图像中的有效密集区域,对所述特征点进行提纯;所述有效密集区域中的区域密集度和区域内特征点的匹配度均满足设定条件;
变换关系确定模块,用于使用提纯后的特征点,确定所述前后两帧图片的变换关系;
图像变换模块,用于根据所述变换关系,对所述两帧图片中的后一帧图像进行图像变换;
镜头类型确定模块,用于根据前一帧图像与变换后的后一帧图像,确定所属镜头的类型。
进一步地,所述提纯模块,还用于在特征点检测模块提取特征点之后,对提取的特征点进行RANSAC提纯。
进一步地,所述提纯模块,具体用于分别对两帧图像中的设定区域进行分块,并根据各块的密集度,确定所述设定区域内的密集区域;分别比较所述两帧图片的密集区域中的各特征点,确定所述两帧图片中的有效密集区域;所述有效密集区域中的区域密集度和区域内特征点的匹配程度均满足设定条件;比较两帧图片的有效密集区域中相同位置的块,若前一帧图片中的块包含的特征点,未存在于后一帧图像相同位置的块中,则删除前后两帧图片中对应的特征点;
相应地,所述变换关系确定模块,具体用于对所述两帧图片的有效密集区域,使用特征点提纯处理后的特征点进行计算,得到图片之间的变换矩阵。
进一步地,所述设定区域为前后两帧图片中,沿图片中心辐射的占整个图片4/5大小的区域。
进一步地,所述提纯模块,进一步用于分别对两帧图像中的设定区域进行分块,并根据各块的密集度,确定所述设定区域内的密集区域的步骤之前,将所述两帧图片中的特征点匹配程度小于设定匹配度阈值的特征点删除。
本发明的有益效果包括:
本发明实施例提供的上述镜头类型的确定方法及装置,将镜头下相邻的前后两帧图片分别进行特征点检测,提取特征点;然后根据前后两帧图像中的有效密集区域,对特征点进行提纯;使用提纯后的特征点,确定前后两帧图片的变换关系;根据变换关系,对两帧图片中的后一帧图像进行图像变换;最后根据前一帧图像与变换后的后一帧图像,确定所属镜头的类型。本发明实施例通过对同一个镜头下的相邻两张图片进行匹配的方式,确定所属镜头的类型,实现了镜头类型识别的自动化,并且,利用有效密集区域进行匹配的方式,能在提高特征点的匹配的准确度的同时,保证图片匹配的速度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例中镜头类型的确定方法的流程图;
图2为本发明实施例提供的镜头类型的确定方法中S12步骤的具体实施流程图;
图3为本发明实施例中图片的匹配装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
首先对本发明实施例提供的镜头类型的确定方法的具体实施方式进行说明。
本发明实施例提供的镜头类型的确定方法,如图1所示,包括:
S11、将镜头下相邻的前后两帧图片分别进行特征点检测,提取特征点;
S12、根据前后两帧图像中的有效密集区域,对提取的特征点进行提纯;其中有效密集区域中的区域密集度和区域内特征点的匹配度均满足设定条件;
S13、使用提纯后的特征点,确定前后两帧图片的变换关系;
S14、根据变换关系,对两帧图片中的后一帧图像进行图像变换;
S15、根据前一帧图像与变换后的后一帧图像,确定所属镜头的类型。
下面分别对上述各步骤进行详细的说明。
上述步骤S11-S15针对的两帧相邻的图片,其图像重叠区域不能太小,一般来说,不能少于图片大小的15%,这样才能保证有足够的特征点匹配。一般连续性镜头不用考虑重叠区域多少的问题;只有切换镜头的时候,不能再按照这个方法进行,因为不同镜头下的图片很难检测到匹配点,换言之,检测到的匹配点其实都是严重错误的。
进一步地,上述S11中,将镜头下相邻的前后两帧图片分别进行特征点检测,提取特征点,可以参考现有特征点检测的方法,例如采用简单的Harris角点检测等,具体的不再详述。
对特征点进行检测提取出特征点之后,上述步骤S11和S12之间,还可以包括对特征点进行随机抽样一致(RANdom SAmple Consensus,RANSAC)算法提纯的步骤,该步骤也可以采用最小二乘法进行,目的是去掉一些噪声,得到有效的样本。RANSAC算法可以参考现有技术。
在执行S12之前,还可以进一步地,参考两帧图片中的特征点的匹配度的阈值,将特征点的匹配度低于设定阈值的特征点进一步地筛除。
进一步地,如图2所示,上述S12具体可通过下述流程实现:
S21、分别对两帧图像中的设定区域进行分块,并根据各块的密集度,确定所述设定区域内的密集区域;
S22、分别比较两帧图片的密集区域中的各特征点,确定两帧图片中的有效密集区域;有效密集区域中的区域密集度和区域内特征点的匹配程度均满足设定条件;
S23、比较两帧图片的有效密集区域中相同位置的块,若前一帧图片中的块包含的特征点,未存在于后一帧图像相同位置的块中,则删除前后两帧图片中对应的特征点。
较佳地,上述S21中,两帧图像中的设定区域可以是前后两帧图片中,沿图片中心辐射的占整个图片4/5大小的区域。之所以采用上述设定区域,是因为一般视频的数据流fps=25,数据采样率不低于每秒5帧,所以对于连续镜头,不用担心相邻图片变化太快的问题。
在这个区域中,进一步地进行分块,例如分为Area1,Area2…等,将各个块按照密集度进行排列,按照设定的密集度的阈值,去掉密集度较低的块,剩下的各块组成的区域就是密集区域了。
在密集区域中,需要进一步确定有效密集区域,上述步骤S22在具体实施时,将密集区域内的所有特征点的匹配度进行排列,同样使用预设的匹配度的阈值,筛掉一些匹配度不高的特征点,剩下的区域就得到了有效密集区域。
进一步地,上述S23中,比较两帧图片的有效密集区域中相同位置的块,若前一帧图片中的块包含的特征点,均存在于后一帧图像相同位置的块中,则不用处理,反之,若前一帧图像中的块包含的某个特征点,未落在后一帧图像相同位置的块中,则在前一帧中删除掉这个特征点,并删除后一帧图片中对应的特征点。
相应地,上述S13中使用提纯后的特征点,确定前后两帧图片的变换关系,在具体实施时,可以对两帧图片的有效密集区域,使用特征点提纯处理后的特征点进行计算,得到图片之间的变换矩阵(例如选择opencv中的FindHomography函数输出的透视变换矩阵)。
进一步地,上述S14中,可使用S13得到的变换矩阵,对两帧图片的设定区域进行变换,最后的效果即将前一帧图像中的4/5区域变换到后一帧图像的对应位置上。
现有技术对图像进行匹配的方法,常常采用将所有匹配点进行转换,得到一个相邻图像的转换关系然后再进行转换的方式,这种方式的前提是特征点的选取都是正确的而且特征点的匹配也是正确的,这中间就存在一个平衡矛盾的问题:特征点选择的准确度越优(比如sift特征点),则提取特征点的速度就越慢,如果特征点的维数很高,匹配的速度也会很慢(即使先经过上一步的特征点筛选)。所以如何在特征点选择和图像匹配速度上进行平衡,是需要考虑的。基于此,本发明实施例的S12步骤中,采用了有效密集区域进行图片匹配和转换的基础,就是充分考虑两帧图片中非常近似的部分,基于这一部分,特征点的选取比较准确,相应的图像匹配过程也较快。克服了现有做法的缺点。
基于同一发明构思,本发明实施例还提供了一种镜头类型的确定装置,由于这些装置所解决问题的原理与前述镜头类型的确定方法相似,因此该装置实施可以参见前述方法的实施,重复之处不再赘述。
进一步地,上述S15中,根据前一帧图像与变换后的后一帧图像,确定所属镜头的类型,具体来说,即根据变换后的后一帧图像与前一帧图像的相似程度,来确定镜头是否固定,是否发生了的平移、推进和拉伸等。
本发明实施例提供的一种图片的匹配装置,如图3所示,包括:
特征点检测模块301,用于将镜头下相邻的前后两帧图片分别进行特征点检测,提取特征点;
提纯模块302,用于根据前后两帧图像中的有效密集区域,对所述特征点进行提纯;所述有效密集区域中的区域密集度和区域内特征点的匹配度均满足设定条件;
变换关系确定模块303,用于使用提纯后的特征点,确定所述前后两帧图片的变换关系;
图像变换模块304,用于根据所述变换关系,对所述两帧图片中的后一帧图像进行图像变换;
镜头类型确定模块305,用于根据前一帧图像与变换后的后一帧图像,确定所属镜头的类型。
进一步地,上述提纯模块302,还用于在特征点检测模块提取特征点之后,对提取的特征点进行RANSAC提纯。
进一步地,上述提纯模块302,具体用于分别对两帧图像中的设定区域进行分块,并根据各块的密集度,确定设定区域内的密集区域;分别比较两帧图片的密集区域中的各特征点,确定两帧图片中的有效密集区域;有效密集区域中的区域密集度和区域内特征点的匹配程度均满足设定条件;比较两帧图片的有效密集区域中相同位置的块,若前一帧图片中的块包含的特征点,未存在于后一帧图像相同位置的块中,则删除前后两帧图片中对应的特征点;
相应地,上述变换关系确定模块303,具体用于对两帧图片的有效密集区域,使用特征点提纯处理后的特征点进行计算,得到图片之间的变换矩阵。
进一步地,上述设定区域为前后两帧图片中,沿图片中心辐射的占整个图片4/5大小的区域。
进一步地,上述提纯模块302,进一步用于分别对两帧图像中的设定区域进行分块,并根据各块的密集度,确定设定区域内的密集区域的步骤之前,将两帧图片中的特征点匹配程度小于设定匹配度阈值的特征点删除。
本发明实施例提供的上述镜头类型的确定方法及装置,将镜头下相邻的前后两帧图片分别进行特征点检测,提取特征点;然后根据前后两帧图像中的有效密集区域,对特征点进行提纯;使用提纯后的特征点,确定前后两帧图片的变换关系;根据变换关系,对两帧图片中的后一帧图像进行图像变换;最后根据前一帧图像与变换后的后一帧图像,确定所属镜头的类型。本发明实施例通过对同一个镜头下的相邻两张图片进行匹配的方式,确定所属镜头的类型,实现了镜头类型识别的自动化,并且,利用有效密集区域进行匹配的方式,能在提高特征点的匹配的准确度的同时,保证图片匹配的速度。
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种镜头类型的确定方法,其特征在于,包括:
将镜头下相邻的前后两帧图片分别进行特征点检测,提取特征点;
根据前后两帧图像中的有效密集区域,对所述特征点进行提纯;所述有效密集区域中的区域密集度和区域内特征点的匹配度均满足设定条件;
使用提纯后的特征点,确定所述前后两帧图片的变换关系;
根据所述变换关系,对所述两帧图片中的后一帧图像进行图像变换;
根据前一帧图像与变换后的后一帧图像,确定所属镜头的类型;
根据前后两帧图像中的有效密集区域,对所述特征点进行提纯,具体包括:
分别对两帧图像中的设定区域进行分块,并根据各块的密集度,确定所述设定区域内的密集区域;
分别比较所述两帧图片的密集区域中的各特征点,确定所述两帧图片中的有效密集区域;所述有效密集区域中的区域密集度和区域内特征点的匹配程度均满足设定条件;
比较两帧图片的有效密集区域中相同位置的块,若前一帧图片中的块包含的特征点,未存在于后一帧图像相同位置的块中,则删除前后两帧图片中对应的特征点;
所述使用提纯后的特征点,确定所述前后两帧图片的变换关系,具体包括:
对所述两帧图片的有效密集区域,使用特征点提纯处理后的特征点进行计算,得到图片之间的变换矩阵。
2.如权利要求1所述的方法,其特征在于,所述提取特征点的步骤之后,还包括:
对提取的特征点进行随机抽样一致RANSAC提纯。
3.如权利要求要求1所述的方法,其特征在于,所述设定区域为前后两帧图片中,沿图片中心辐射的占整个图片4/5大小的区域。
4.如权利要求要求1所述的方法,其特征在于,分别对两帧图像中的设定区域进行分块,并根据各块的密集度,确定所述设定区域内的密集区域的步骤之前,还包括:
将所述两帧图片中的特征点匹配程度小于设定匹配度阈值的特征点删除。
5.一种图片的匹配装置,其特征在于,包括:
特征点检测模块,用于将镜头下相邻的前后两帧图片分别进行特征点检测,提取特征点;
提纯模块,用于根据前后两帧图像中的有效密集区域,对所述特征点进行提纯;所述有效密集区域中的区域密集度和区域内特征点的匹配度均满足设定条件;
变换关系确定模块,用于使用提纯后的特征点,确定所述前后两帧图片的变换关系;
图像变换模块,用于根据所述变换关系,对所述两帧图片中的后一帧图像进行图像变换;
镜头类型确定模块,用于根据前一帧图像与变换后的后一帧图像,确定所属镜头的类型;
提纯模块,具体用于分别对两帧图像中的设定区域进行分块,并根据各块的密集度,确定所述设定区域内的密集区域;分别比较所述两帧图片的密集区域中的各特征点,确定所述两帧图片中的有效密集区域;所述有效密集区域中的区域密集度和区域内特征点的匹配程度均满足设定条件;比较两帧图片的有效密集区域中相同位置的块,若前一帧图片中的块包含的特征点,未存在于后一帧图像相同位置的块中,则删除前后两帧图片中对应的特征点;
相应地,所述变换关系确定模块,具体用于对所述两帧图片的有效密集区域,使用特征点提纯处理后的特征点进行计算,得到图片之间的变换矩阵。
6.如权利要求5所述的装置,其特征在于,所述提纯模块,还用于在特征点检测模块提取特征点之后,对提取的特征点进行RANSAC提纯。
7.如权利要求6所述的装置,其特征在于,所述设定区域为前后两帧图片中,沿图片中心辐射的占整个图片4/5大小的区域。
8.如权利要求6或7所述的装置,其特征在于,提纯模块,进一步用于分别对两帧图像中的设定区域进行分块,并根据各块的密集度,确定所述设定区域内的密集区域的步骤之前,将所述两帧图片中的特征点匹配程度小于设定匹配度阈值的特征点删除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510234612.1A CN106203244B (zh) | 2015-05-08 | 2015-05-08 | 一种镜头类型的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510234612.1A CN106203244B (zh) | 2015-05-08 | 2015-05-08 | 一种镜头类型的确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106203244A CN106203244A (zh) | 2016-12-07 |
CN106203244B true CN106203244B (zh) | 2019-08-27 |
Family
ID=57459907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510234612.1A Expired - Fee Related CN106203244B (zh) | 2015-05-08 | 2015-05-08 | 一种镜头类型的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203244B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214311B (zh) * | 2018-08-16 | 2020-06-19 | 北京奇艺世纪科技有限公司 | 一种检测方法和装置 |
CN109447022B (zh) * | 2018-11-08 | 2021-04-09 | 北京奇艺世纪科技有限公司 | 一种镜头类型识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093467A (zh) * | 2013-01-21 | 2013-05-08 | 杭州电子科技大学 | 一种基于双重检测模型的镜头边界检测方法 |
CN103886306A (zh) * | 2014-04-08 | 2014-06-25 | 山东大学 | 一种基于SURF特征点匹配和RANSAC模型估计的牙齿X-ray影像匹配方法 |
CN104185086A (zh) * | 2014-03-28 | 2014-12-03 | 无锡天脉聚源传媒科技有限公司 | 一种提供视频信息的方法和装置 |
CN104320670A (zh) * | 2014-11-17 | 2015-01-28 | 东方网力科技股份有限公司 | 一种网络视频的摘要信息提取方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6261187B2 (ja) * | 2013-05-21 | 2018-01-17 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
-
2015
- 2015-05-08 CN CN201510234612.1A patent/CN106203244B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093467A (zh) * | 2013-01-21 | 2013-05-08 | 杭州电子科技大学 | 一种基于双重检测模型的镜头边界检测方法 |
CN104185086A (zh) * | 2014-03-28 | 2014-12-03 | 无锡天脉聚源传媒科技有限公司 | 一种提供视频信息的方法和装置 |
CN103886306A (zh) * | 2014-04-08 | 2014-06-25 | 山东大学 | 一种基于SURF特征点匹配和RANSAC模型估计的牙齿X-ray影像匹配方法 |
CN104320670A (zh) * | 2014-11-17 | 2015-01-28 | 东方网力科技股份有限公司 | 一种网络视频的摘要信息提取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106203244A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hassanien et al. | Large-scale, fast and accurate shot boundary detection through spatio-temporal convolutional neural networks | |
US10410397B2 (en) | Picture presentation method and apparatus | |
GB2607749A (en) | Fine-grained visual recognition in mobile augmented reality | |
US9542735B2 (en) | Method and device to compose an image by eliminating one or more moving objects | |
US10600158B2 (en) | Method of video stabilization using background subtraction | |
CN110503619B (zh) | 图像处理方法、装置及可读存储介质 | |
CN110139169B (zh) | 视频流的质量评估方法及其装置、视频拍摄系统 | |
CN109327715B (zh) | 一种视频风险识别方法、装置及设备 | |
US20160189425A1 (en) | Determination of augmented reality information | |
CN112866799A (zh) | 一种视频抽帧处理方法、装置、设备及介质 | |
US20180253877A1 (en) | Focus stacking of captured images | |
CN116363554A (zh) | 一种监控视频关键帧提取方法、系统、介质、设备及终端 | |
CN111382647A (zh) | 一种图片处理方法、装置、设备及存储介质 | |
CN106203244B (zh) | 一种镜头类型的确定方法及装置 | |
JP7111873B2 (ja) | 信号灯識別方法、装置、デバイス、記憶媒体及びプログラム | |
CN111159150A (zh) | 一种数据扩充方法及装置 | |
US10924637B2 (en) | Playback method, playback device and computer-readable storage medium | |
Sunny et al. | Map-Reduce based framework for instrument detection in large-scale surgical videos | |
Xu et al. | Fast and accurate object detection using image cropping/resizing in multi-view 4K sports videos | |
CN112884866A (zh) | 一种黑白视频的上色方法、装置、设备及存储介质 | |
CN112446361A (zh) | 一种训练数据的清洗方法及设备 | |
US10283166B2 (en) | Video indexing method and device using the same | |
Choudhary et al. | Real time video summarization on mobile platform | |
CN115243073A (zh) | 一种视频处理方法、装置、设备及存储介质 | |
Escalera et al. | ChaLearn looking at people: Inpainting and denoising challenges |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method and device for determining lens type Effective date of registration: 20210104 Granted publication date: 20190827 Pledgee: Inner Mongolia Huipu Energy Co.,Ltd. Pledgor: WUXI TVMINING MEDIA SCIENCE & TECHNOLOGY Co.,Ltd. Registration number: Y2020990001517 |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190827 Termination date: 20210508 |