CN106792005B - 一种基于音视频结合的内容检测方法 - Google Patents

一种基于音视频结合的内容检测方法 Download PDF

Info

Publication number
CN106792005B
CN106792005B CN201710035103.5A CN201710035103A CN106792005B CN 106792005 B CN106792005 B CN 106792005B CN 201710035103 A CN201710035103 A CN 201710035103A CN 106792005 B CN106792005 B CN 106792005B
Authority
CN
China
Prior art keywords
frame
image
shot
video
audio
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
Application number
CN201710035103.5A
Other languages
English (en)
Other versions
CN106792005A (zh
Inventor
张涛
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.)
Nantong Coship Electronics Co ltd
Original Assignee
Nantong Coship Electronics 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 Nantong Coship Electronics Co ltd filed Critical Nantong Coship Electronics Co ltd
Priority to CN201710035103.5A priority Critical patent/CN106792005B/zh
Publication of CN106792005A publication Critical patent/CN106792005A/zh
Application granted granted Critical
Publication of CN106792005B publication Critical patent/CN106792005B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/266—Channel or content management, e.g. generation and management of keys and entitlement messages in a conditional access system, merging a VOD unicast channel into a multicast channel
    • H04N21/2668—Creating a channel for a dedicated end-user group, e.g. insertion of targeted commercials based on end-user profiles
    • 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
    • H04N21/439—Processing of audio elementary streams
    • H04N21/4394—Processing of audio elementary streams involving operations for analysing the audio stream, e.g. detecting features or characteristics in audio streams
    • 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 or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • 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
    • H04N21/81—Monomedia components thereof
    • H04N21/812—Monomedia components thereof involving advertisement data

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于音视频结合的内容检测方法，包括：从待测视频中提取出与图像同步的音频；检测出音频中的所有静音段；对待测视频中与各个静音段同步的各组连续的图像进行镜头切变检测，在有镜头切变的两相邻图像之间插入标记，提取出相邻标记之间时长小于时长阈值的视频段；将视频段分割成若干镜头，提取每个镜头的关键帧，使用无监督神经网络算法将关键帧进行分类，含有广告帧的视频段为广告片段。本方法结合广告分界点在音频和图像上的特征，得到疑似广告片段，通过无监督神经网络算法进行分类，减少了算法处理的数据量，简化了算法的复杂度，同时还提高了检测的准确性，无需建立视频的样本数据库，通用性高。

Description

一种基于音视频结合的内容检测方法
技术领域
本发明涉及视频内容检索技术领域，具体涉及一种基于音视频结合的内容检测方法。
背景技术
随着互联网技术的发展，人们可以方便地获得各种视频资源，同时也吸引了更多的商家在视频中投放广告。用户希望能够跳过视频中的广告部分直接观看自己感兴趣的内容，广告投放方希望能够检测出视频中广告的时长以确保其投资价值。一些视频制作方会在广告和节目之间插入单色帧作为边界，或者插入倒计时标志，这样的视频很容易检测出广告。但这些并不是通用的手段，还有很多视频的广告与节目之间没有明显的边界，因此希望找到一种能够适用于所有片源的检测广告的方法。
目前，检测电视广告主要是基于机器学习的方法，通过训练样本数据对视频帧进行分类，从而自动提取出广告部分。基于机器学习的常用检测算法主要有支持向量机、K-means算法、决策树等，用上述机器学习算法来检测广告，首先需要获取数据库中用于训练的各个待测视频的样本数据，而现在视频来源广，数据库中不可能存储所有视频的样本数据，所以对数据库中没有样本的视频无法进行检测；整个视频数据作为上述算法的输入，处理数据量大，算法复杂度高，并不能实现广告的精确分割。
发明内容
为解决上述问题，本发明提出了一种基于音视频结合的内容检测方法，该方法结合广告分界点分别在音频和图像上的特征，不依赖样本数据即可准确检测出广告片段。
本发明的具体技术方案如下：一种基于音视频结合的内容检测方法，包括以下步骤：
1、从待测视频中提取出与图像同步的音频；
2、检测出所述音频中的所有静音段，具体包括：将所述音频分割成连续的无重叠的音频帧，计算每帧的平均能量，若平均能量小于预设能量阈值，该音频帧为静音帧，计算连续静音帧的时长，时长大于预设长度阈值的为静音段；
3、对待测视频中与各个静音段同步的各组连续的图像分别进行镜头切变检测，在有镜头切变的两相邻图像之间插入标记，计算两两相邻标记之间的时长，从待测视频中提取出时长小于预设时长阈值的视频段；
4、将步骤3得到的视频段分割成若干镜头，提取每个镜头的关键帧，使用无监督神经网络算法将关键帧进行分类，分类结果为广告的关键帧所在的视频段为广告片段，计算广告片段的时长为广告播出时长。
作为本发明的进一步改进，步骤3中使用颜色直方图法进行镜头切变检测，具体步骤为：
1)计算每帧图像的颜色直方图：
Figure GDA0002548026070000021
Figure GDA0002548026070000022
Figure GDA0002548026070000023
其中Hn(i)表示第n帧图像的H分量直方图，H_follown(i)为第n帧图像的H值为i的像素个数，i∈[1,12]，Sn(j)表示第n帧图像的S分量直方图，S_follown(j)为第n帧图像的S值为j的像素个数，j∈[1,5]，Vn(k)表示第n帧图像的V分量直方图，V_follown(k)为第n帧图像的V值为k的像素个数，k∈[1,5]，M×N为第n帧图像的总像素数；
2)计算每相邻两帧图像分别在H、S、V三分量的相似性：
Figure GDA0002548026070000024
Figure GDA0002548026070000025
Figure GDA0002548026070000026
其中simH(n,n+1)为第n帧与第n+1帧在H分量的相似性，Hn(i)是第n帧的H分量直方图，Hn+1(i)是第n+1帧的H分量直方图，simS(n,n+1)为第n帧与第n+1帧在S分量的相似性，Sn(j)是第n帧的S分量直方图，Sn+1(j)是第n+1帧的S分量直方图，simV(n,n+1)为第 n帧与第n+1帧在V分量的相似性，Vn(k)是第n帧的V分量直方图，Vn+1(k)是第n+1帧的V 分量直方图；
3)计算每相邻两帧的总相似性：
Figure GDA0002548026070000027
其中sim(n,n+1)为第n帧与第n+1帧的总相似度，α、β、γ分别是H、S、V三分量的相似性系数，且α≥β，α≥γ；
4)若相邻两帧的总相似性大于预设相似阈值，则确定在这两帧之间有镜头切变。
作为本发明的进一步改进，步骤4中提取每个镜头的关键帧具体包括：
1)计算每个镜头中每个图像在H、S、V三个分量上的图像熵：
Figure GDA0002548026070000031
Figure GDA0002548026070000032
Figure GDA0002548026070000033
其中EH(n)是第n帧图像在H分量上的图像熵，hn(i)为第n帧图像的H值为i的像素个数与总像素数的比例，ES(n)是第n帧图像在S分量上的图像熵，sn(j)为第n帧图像的S值为j的像素个数与总像素数的比例，EV(n)是第n帧图像在V分量上的图像熵，vn(k)为第n帧图像的V值为k的像素个数与总像素数的比例；
2)计算每个图像的总图像熵为：
E(n)＝α'×EH(n)+β'×ES(n)+γ'×EV(n)
其中E(n)是第n帧的总图像熵，α'、β'、γ'分别是H、S、V三分量的图像熵系数；
3)将每个镜头中总图像熵最大的图像作为关键帧提取出来。
本发明的有益效果：本发明方法结合广告分界点分别在音频和图像上的特征，先通过检测同步音频中静音段的位置，初步判断可能的广告分界点，再在可能的分界点附近进行镜头切变检测，将既有镜头切变又是静音段的位置作为初级分界点，提取出相邻初级分界点之间时长接近广告时长的视频段，再将这些视频段进行镜头切割，对每个镜头提取关键帧，使用无监督神经网络算法对关键帧进行分类，分类结果为广告的关键帧所在的视频段即为广告，从而计算出广告时长。本发明一步步缩小检测范围，最后通过机器学习算法进行分类，减少了机器学习算法处理的数据量，简化了机器学习算法的复杂度，同时还提高了检测的准确性。使用无监督神经网络算法进行分类，无需建立视频的样本数据库，随时可以检查，通用性高。
附图说明
图1为本发明方法的流程图。
具体实施方式
本发明提出的一种基于音视频结合的内容检测方法，包括以下步骤：
1、从待测视频中提取出与图像同步的音频。
2、检测出音频中的所有静音段，具体为：将音频分割成连续的无重叠的音频帧，计算每帧的平均能量，若平均能量小于预设能量阈值，该音频帧为静音帧，计算连续静音帧的时长，时长大于预设长度阈值的为静音段。
本实施例中将音频分割成15ms的音频帧，能量阈值设为0.01，长度阈值设为1000ms。
3、找出与各静音段同步的各组连续的图像，分别将每帧图像投影到HSV颜色空间，计算每帧图像的颜色直方图：
Figure GDA0002548026070000041
Figure GDA0002548026070000042
Figure GDA0002548026070000043
其中Hn(i)表示第n帧图像的H分量直方图，H_follown(i)为第n帧图像的H值为i的像素个数，i∈[1,12]，Sn(j)表示第n帧图像的S分量直方图，S_follown(j)为第n帧图像的S值为j的像素个数，j∈[1,5]，Vn(k)表示第n帧图像的V分量直方图，V_follown(k)为第n帧图像的V值为k的像素个数，k∈[1,5]，M×N为第n帧图像的总像素数。
计算每相邻两帧图像分别在H、S、V三分量的相似性：
Figure GDA0002548026070000044
Figure GDA0002548026070000045
Figure GDA0002548026070000046
其中simH(n,n+1)为第n帧与第n+1帧在H分量的相似性，Hn(i)是第n帧的H分量直方图，Hn+1(i)是第n+1帧的H分量直方图，simS(n,n+1)为第n帧与第n+1帧在S分量的相似性，Sn(j)是第n帧的S分量直方图，Sn+1(j)是第n+1帧的S分量直方图，simV(n,n+1)为第 n帧与第n+1帧在V分量的相似性，Vn(k)是第n帧的V分量直方图，Vn+1(k)是第n+1帧的V 分量直方图。
计算每相邻两帧的总相似性：
Figure GDA0002548026070000047
其中sim(n,n+1)为第n帧与第n+1帧的总相似度，α、β、γ分别是H、S、V三分量的相似性系数，且α≥β，α≥γ。
设置相似阈值Hsim，若相邻两帧的总相似性大于相似阈值，则确定在这两帧之间有镜头切变。
在有镜头切变的两相邻图像之间插入标记，计算两两相邻标记之间的时长，从待测视频中提取出时长小于预设时长阈值的视频段。
本实施例中设置H、S、V三分量的相似性系数α＝1.007、β＝0.995、γ＝0.993，设置相似阈值Hsim＝0.88～0.95。
4、将步骤3得到的视频段分割成若干个镜头，计算每个镜头中所有图像在H、S、V三个分量上的图像熵分别为：
Figure GDA0002548026070000051
Figure GDA0002548026070000052
Figure GDA0002548026070000053
其中EH(n)是第n帧图像在H分量上的图像熵，hn(i)为第n帧图像的H值为i的像素个数与总像素数的比例，ES(n)是第n帧图像在S分量上的图像熵，sn(j)为第n帧图像的S值为j的像素个位与总像素数的比例，EV(n)是第n帧图像在V分量上的图像熵，vn(k)为第n帧图像的V值为k的像素个数与总像素数的比例。
计算每个图像的总图像熵为：
E(n)＝α'×EH(n)+β'×ES(n)+γ'×EV(n)
其中E(n)是第n帧的总图像熵，α'、β'、γ'分别是H、S、V三分量的图像熵系数。
将每个镜头中总图像熵最大的图像作为关键帧提取出来，再使用无监督神经网络算法对提取出的每个镜头的关键帧进行分类，分类结果为该关键帧为广告或非广告，属于广告的关键帧所在的视频段判定为广告片段，计算广告片段的时长。

Claims (3)

1.一种基于音视频结合的内容检测方法，其特征在于，所述方法包括以下步骤：
步骤1、从待测视频中提取出与图像同步的音频；
步骤2、检测出所述音频中的所有静音段，具体包括：将所述音频分割成连续的无重叠的音频帧，计算每帧的平均能量，若平均能量小于预设能量阈值，该音频帧为静音帧，计算连续静音帧的时长，时长大于预设长度阈值的为静音段；先通过检测同步音频中静音段的位置，初步判断可能的广告分界点；
步骤3、对待测视频中与各个静音段同步的各组连续的图像分别进行镜头切变检测，在有镜头切变的两相邻图像之间插入标记，计算两两相邻标记之间的时长，从待测视频中提取出时长小于预设时长阈值的视频段；其中，使用颜色直方图法进行镜头切变检测，具体为：计算每帧图像的颜色直方图，计算每相邻两帧图像分别在H、S、V三分量的相似性，计算每相邻两帧的总相似性，若相邻两帧的总相似性大于预设相似阈值，则确定在这两帧之间有镜头切变；在可能的分界点附近进行镜头切变检测，将既有镜头切变又是静音段的位置作为初级分界点；
步骤4、将步骤3得到的视频段分割成若干镜头，即提取出相邻初级分界点之间时长接近广告时长的视频段；提取每个镜头的关键帧，使用无监督神经网络算法对关键帧进行分类，分类结果为广告的关键帧所在的视频段为广告片段，计算广告片段的时长为广告播放时长；其中，提取每个镜头的关键帧具体包括：计算每个镜头中每个图像在H、S、V三个分量上的图像熵，计算每个图像的总图像熵，将每个镜头中总图像熵最大的图像作为关键帧提取出来。
2.根据权利要求1所述的方法，其特征在于，步骤3中使用颜色直方图法进行镜头切变检测，具体包括：
1)计算每帧图像的颜色直方图：
Figure FDA0002548026060000011
Figure FDA0002548026060000012
Figure FDA0002548026060000013
其中Hn(i)表示第n帧图像的H分量直方图，H_follown(i)为第n帧图像的H值为i的像素个数，i∈[1,12]，Sn(j)表示第n帧图像的S分量直方图，S_follown(j)为第n帧图像的S值为j的像素个数，j∈[1,5]，Vn(k)表示第n帧图像的V分量直方图，V_follown(k)为第n帧图像的V值为k的像素个数，k∈[1,5]，M×N为第n帧图像的总像素数；
2)计算每相邻两帧图像分别在H、S、V三分量的相似性：
Figure FDA0002548026060000021
Figure FDA0002548026060000022
Figure FDA0002548026060000023
其中simH(n,n+1)为第n帧与第n+1帧在H分量的相似性，Hn(i)是第n帧的H分量直方图，Hn+1(i)是第n+1帧的H分量直方图，simS(n,n+1)为第n帧与第n+1帧在S分量的相似性，Sn(j)是第n帧的S分量直方图，Sn+1(j)是第n+1帧的S分量直方图，simV(n,n+1)为第n帧与第n+1帧在V分量的相似性，Vn(k)是第n帧的V分量直方图，Vn+1(k)是第n+1帧的V分量直方图；
3)计算每相邻两帧的总相似性：
Figure FDA0002548026060000024
其中sim(n,n+1)为第n帧与第n+1帧的总相似度，α、β、γ分别是H、S、V三分量的相似性系数，且α≥β，α≥γ；
4)若相邻两帧的总相似性大于预设相似阈值，则确定在这两帧之间有镜头切变。
3.根据权利要求1或2所述的方法，其特征在于，步骤4中提取每个镜头的关键帧具体包括：
1)计算每个镜头中每个图像在H、S、V三个分量上的图像熵：
Figure FDA0002548026060000025
Figure FDA0002548026060000026
Figure FDA0002548026060000027
其中EH(n)是第n帧图像在H分量上的图像熵，hn(i)为第n帧图像的H值为i的像素个数与总像素数的比例，ES(n)是第n帧图像在S分量上的图像熵，sn(j)为第n帧图像的S值为j的像素个数与总像素数的比例，EV(n)是第n帧图像在V分量上的图像熵，vn(k)为第n帧图像的V值为k的像素个数与总像素数的比例；
2)计算每个图像的总图像熵为：
E(n)＝α'×EH(n)+β'×ES(n)+γ'×EV(n)
其中E(n)是第n帧的总图像熵，α'、β'、γ'分别是H、S、V三分量的图像熵系数；
3)将每个镜头中总图像熵最大的图像作为关键帧提取出来。
CN201710035103.5A 2017-01-17 2017-01-17 一种基于音视频结合的内容检测方法 Expired - Fee Related CN106792005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710035103.5A CN106792005B (zh) 2017-01-17 2017-01-17 一种基于音视频结合的内容检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710035103.5A CN106792005B (zh) 2017-01-17 2017-01-17 一种基于音视频结合的内容检测方法

Publications (2)

Publication Number Publication Date
CN106792005A CN106792005A (zh) 2017-05-31
CN106792005B true CN106792005B (zh) 2020-08-28

Family

ID=58946229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710035103.5A Expired - Fee Related CN106792005B (zh) 2017-01-17 2017-01-17 一种基于音视频结合的内容检测方法

Country Status (1)

Country Link
CN (1) CN106792005B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108024142B (zh) * 2017-12-05 2020-10-30 深圳市茁壮网络股份有限公司 一种视频流检测方法及系统
CN110267061B (zh) * 2019-04-30 2021-07-27 新华智云科技有限公司 一种新闻拆条方法及系统
CN110248182B (zh) * 2019-05-31 2021-01-15 成都东方盛行电子有限责任公司 一种场景片段镜头检测方法
CN110267083B (zh) * 2019-06-18 2021-12-10 广州虎牙科技有限公司 音视频同步的检测方法、装置、设备及存储介质
CN112118494B (zh) * 2019-06-20 2022-09-20 腾讯科技（深圳）有限公司 一种视频数据处理方法、装置及存储介质
CN113112519B (zh) * 2021-04-23 2023-04-18 电子科技大学 基于感兴趣目标分布的关键帧筛选方法
CN115278298A (zh) * 2022-07-20 2022-11-01 北京卡拉卡尔科技股份有限公司 一种视频的自动分段方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101021857A (zh) * 2006-10-20 2007-08-22 鲍东山 基于内容分析的视频搜索系统
CN101175214A (zh) * 2007-11-15 2008-05-07 北京大学 一种从广播数据流中实时检测广告的方法及设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102469350A (zh) * 2010-11-16 2012-05-23 北大方正集团有限公司 广告统计的方法、装置和系统
CN104410867A (zh) * 2014-11-17 2015-03-11 北京京东尚科信息技术有限公司 改进的视频镜头检测方法
CN105049911B (zh) * 2015-07-10 2017-12-29 西安理工大学 一种基于人脸识别的视频特效处理方法
CN105516802B (zh) * 2015-11-19 2018-10-23 上海交通大学 多特征融合的新闻视频摘要提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101021857A (zh) * 2006-10-20 2007-08-22 鲍东山 基于内容分析的视频搜索系统
CN101175214A (zh) * 2007-11-15 2008-05-07 北京大学 一种从广播数据流中实时检测广告的方法及设备

Also Published As

Publication number Publication date
CN106792005A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106792005B (zh) 一种基于音视频结合的内容检测方法
CN110119711B (zh) 一种获取视频数据人物片段的方法、装置及电子设备
US10304458B1 (en) Systems and methods for transcribing videos using speaker identification
US9398326B2 (en) Selection of thumbnails for video segments
CN103488764B (zh) 个性化视频内容推荐方法和系统
CN112153483B (zh) 信息植入区域的检测方法、装置及电子设备
US20040161154A1 (en) Learning-based automatic commercial content detection
US8989491B2 (en) Method and system for preprocessing the region of video containing text
CN110267061B (zh) 一种新闻拆条方法及系统
US20090274364A1 (en) Apparatus and methods for detecting adult videos
CN107358141B (zh) 数据识别的方法及装置
CN108093314B (zh) 一种视频新闻拆分方法及装置
WO2019007020A1 (zh) 一种视频摘要的生成方法及装置
CN103605666B (zh) 一种进行广告检测的视频拷贝检测方法
CN107247919A (zh) 一种视频情感内容的获取方法及系统
CN107609149B (zh) 一种视频定位方法和装置
CN111836118B (zh) 视频处理方法、装置、服务器及存储介质
US20210319230A1 (en) Keyframe Extractor
CN107066488B (zh) 基于影视内容语义分析的影视桥段自动分割方法
Nasir et al. Event detection and summarization of cricket videos
CN111541939A (zh) 一种视频拆分方法、装置、电子设备及存储介质
Gomes et al. Automatic detection of TV commercial blocks: A new approach based on digital on-screen graphics classification
CN115460462A (zh) 一种粤语新闻视频中自动裁剪含主播的视听数据集的方法
Esen et al. A fast method for animated TV logo detection
CA3024183C (en) Generating synthetic frame features for sentinel frame matching

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200828

CF01 Termination of patent right due to non-payment of annual fee