CN107948721A - 推送信息的方法和装置 - Google Patents
推送信息的方法和装置 Download PDFInfo
- Publication number
- CN107948721A CN107948721A CN201711184200.7A CN201711184200A CN107948721A CN 107948721 A CN107948721 A CN 107948721A CN 201711184200 A CN201711184200 A CN 201711184200A CN 107948721 A CN107948721 A CN 107948721A
- Authority
- CN
- China
- Prior art keywords
- video
- information
- information carrier
- position candidate
- probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000002513 implantation Methods 0.000 claims abstract description 11
- 238000003860 storage Methods 0.000 claims description 22
- 230000007704 transition Effects 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012163 sequencing technique Methods 0.000 description 6
- 230000006854 communication Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000005267 amalgamation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
- H04N21/435—Processing of additional data, e.g. decrypting of additional data, reconstructing software from modules extracted from the transport 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]
- H04N21/40—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
-
- 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
- H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
- H04N21/845—Structuring of content, e.g. decomposing content into time segments
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种推送信息的方法和装置。方法包括:识别视频中的场景切换帧;根据场景切换帧,将视频切割为视频段;从视频段的帧图像中,识别信息载体的候选位置序列;基于候选位置序列,植入向用户推送的信息。该方法能够很好的根据视频内容进行分析,将向用户推送的信息更有针对性的植入视频内容中,提升了向用户推送的信息与视频内容的关联度。
Description
技术领域
本申请涉及计算机技术领域,具体涉及计算机网络技术领域,尤其涉及推送信息的方法和装置。
背景技术
随着互联网数据的爆炸性增长,以及人工智能技术的快速发展,围绕视频中信息的产品正不断受到关注。比如视频植入信息由于其自然性、融合性等优点,容易被用户接受,也越来越受到人们的关注。
目前的视频植入信息,通常为视频制作时对拍摄进行限制,为后期视频信息植入提供可参考依据。或者,采用人工或者半自动的对视频进行解读,赋予主观理解,或者单纯的将视频跟外部信息绑定在一起。
发明内容
本申请实施例提出一种推送信息的方法和装置。
第一方面,本申请实施例提供了一种推送信息的方法,包括:识别视频中的场景切换帧;根据场景切换帧,将视频切割为视频段;从视频段的帧图像中,识别信息载体的候选位置序列;基于候选位置序列,植入向用户推送的信息。
在一些实施例中,从视频段的帧图像中,识别信息载体的候选位置序列包括:检测视频段的帧图像中的物体;根据物体与信息载体的相关性函数,确定信息载体出现的位置和概率;将概率最大的信息载体出现的区域确定为候选区域;对候选区域进行坐标变换,得到信息载体的候选位置;排序信息载体的候选位置,得到信息载体的候选位置序列。
在一些实施例中,检测视频段的帧图像中的物体包括:采用Faster RCNN检测算法,检测视频段的帧图像中的物体;将概率最大的信息载体出现的区域确定为候选区域包括:采用全卷积网络,将概率最大的信息载体出现的区域确定为信息载体的候选区域。
在一些实施例中,基于候选位置序列,植入向用户推送的信息包括:计算候选位置序列中各个候选位置的信息出现概率;计算连续帧中的候选位置的转移概率;基于信息出现概率和转移概率在时间轴上的分布,生成候选的类别区域的解码网络;当解码网络的解码路径不满足信息载体的尺寸时,选出最优路径;基于排序后的视频中的所有最优路径,植入向用户推送的信息。
在一些实施例中,当解码网络的解码路径不满足信息载体的尺寸时,选出最优路径包括:当解码网络的解码路径中存在候选位置的尺寸不满足信息载体的尺寸时和/或当解码网络的解码路径存在解码路径终点时,选出最优路径。
在一些实施例中,排序后的视频中的所有最优路径基于最优路径的以下一项或多项参数确定:候选位置的尺寸、持续时间、稳定性概率、纹理复杂度和遮挡概率。
第二方面,本申请实施例提供了一种推送信息的装置,包括:切换帧识别单元,用于识别视频中的场景切换帧;视频段切割单元,用于根据场景切换帧,将视频切割为视频段;位置序列识别单元,用于从视频段的帧图像中,识别信息载体的候选位置序列;推送信息植入单元,用于基于候选位置序列,植入向用户推送的信息。
在一些实施例中,位置序列识别单元包括:物体检测单元,用于检测视频段的帧图像中的物体;位置概率确定单元,用于根据物体与信息载体的相关性函数,确定信息载体出现的位置和概率;候选区域确定单元,用于将概率最大的信息载体出现的区域确定为候选区域;坐标变换单元,用于对候选区域进行坐标变换,得到信息载体的候选位置;位置排序单元,用于排序信息载体的候选位置,得到信息载体的候选位置序列。
在一些实施例中,物体检测单元进一步用于:采用Faster RCNN检测算法,检测视频段的帧图像中的物体;候选区域确定单元进一步用于:采用全卷积网络,将概率最大的信息载体出现的区域确定为信息载体的候选区域。
在一些实施例中,推送信息植入单元包括:出现概率计算单元,用于计算候选位置序列中各个候选位置的信息出现概率;转移概率计算单元,用于计算连续帧中的候选位置的转移概率;解码网络生成单元,用于基于信息出现概率和转移概率在时间轴上的分布,生成候选的类别区域的解码网络;最优路径选择单元,用于当解码网络的解码路径不满足信息载体的尺寸时,选出最优路径;植入推送信息单元,基于排序后的视频中的所有最优路径,植入向用户推送的信息。
在一些实施例中,最优路径选择单元进一步用于:当解码网络的解码路径中存在候选位置的尺寸不满足信息载体的尺寸时和/或当解码网络的解码路径存在解码路径终点时,选出最优路径。
在一些实施例中,植入推送信息单元中排序后的视频中的所有最优路径基于最优路径的以下一项或多项参数确定:候选位置的尺寸、持续时间、稳定性概率、纹理复杂度和遮挡概率。
第三方面,本申请实施例提供了一种设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上任一所述的一种推送信息的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上任一所述的一种推送信息的方法。
本申请实施例提供的推送信息的方法和装置,首先识别视频中的场景切换帧;之后,根据场景切换帧,将视频切割为视频段;之后,从视频段的帧图像中,识别信息载体的候选位置序列;之后,基于候选位置序列,植入向用户推送的信息。在这一过程中,能够很好的根据视频内容进行分析,将向用户推送的信息更有针对性的植入视频内容中,提升了向用户推送的信息与视频内容的关联度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是根据本申请实施例的推送信息的方法的一个实施例的示意性流程图;
图2是根据本申请实施例的识别信息载体的候选位置序列的方法的一个实施例的示意性流程图;
图3是根据本申请实施例的基于候选位置序列植入向用户推送的信息的方法的一个实施例的示意性流程图;
图4是根据本申请实施例的推送信息的方法的实施例的示例性应用场景;
图5是根据本申请实施例的一种推送信息的装置的一个实施例的示例性结构图;
图6是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请的推送信息的方法的一个实施例的流程100。该推送信息的方法包括:
在步骤110中,识别视频中的场景切换帧。
在本实施例中,运行推送信息的方法的电子设备可以识别视频中的场景切换帧,以便根据场景切换帧将视频切割成视频段。
在步骤120中,根据场景切换帧,将视频切割为视频段。
在本实施例中,运行推送信息的方法的电子设备可以将视频根据场景切换帧的位置,切割为若干个视频段。
在步骤130中,从视频段的帧图像中,识别信息载体的候选位置序列。
在本实施例中,可以从视频段的各个帧图像中,识别信息载体的候选位置,从而形成候选位置序列。在每次识别时,可以先对图像中的关键位置进行特征提取,之后,对图像帧中的特征进行类别估计,并且通过迭代得到较为稳定的候选区域,之后再对候选区域进行坐标变换,得到候选位置。
在步骤140中,基于候选位置序列,植入向用户推送的信息。
在本实施例中,在得到候选位置序列之后,可以根据预定的候选位置选取规则从候选位置序列中选取候选位置,并且在选取的候选位置处,植入向用户推送的信息。
本申请上述实施例提供的推送信息的方法,首先识别视频中的场景切换帧;之后,根据场景切换帧,将视频切割为视频段;之后,从视频段的帧图像中,识别信息载体的候选位置序列;之后,基于候选位置序列,植入向用户推送的信息。在这一过程中,能够很好的根据视频内容进行分析,从而将向用户推送的信息更有针对性的植入视频内容中,提升了向用户推送的信息与视频内容的关联度。
进一步地,请参考图2,图2在图1的基础上,示出了根据本申请实施例的识别信息载体的候选位置序列的方法的一个实施例的示意性流程,也即示出了图1中步骤103的一个实施例的示意性流程。
如图2所示,该识别信息载体的候选位置序列的方法200包括:
在步骤210中,检测视频段的帧图像中的物体。
在本实施例中,运行推送信息的方法的电子设备对图像中的特征进行类别估计,以得到图像中的物体。在进行类别估计时,可以考虑根据每个局部区域的颜色、纹理、边缘特征等,来进行类别估计。
在本实施例的一些可选实现方式中,可以采用Faster RCNN检测算法,检测视频段的帧图像中的物体。
在本实现方式中,具体步骤如下:首先,将整张图片输进卷积神经网络CNN,得到特征图(feature map),之后,卷积特征输入到区域建议网络RPN,得到候选框的特征信息;之后,对候选框中提取出的特征,使用分类器判别是否属于一个特定类;之后,对于属于某一特征的候选框,用回归器进一步调整其位置。
其中,区域建议网络(Region Proposal Network,RPN),它和检测网络共享全图的卷积特征,使得区域建议几乎不花费额外时间,它是一个全卷积网络,在每个位置同时预测目标边界和对象性(objectness)得分。RPN是端到端训练的,可以生成高质量的区域建议框来用于Faster R-CNN的检测。通过一种简单的交替运行优化方法,RPN和Faster R-CNN可以在训练时共享卷积特征。
在步骤220中,根据物体与信息载体的相关性函数,确定信息载体出现的位置和概率。
在本实施例中,相关性函数用于基于类别估计的结果,表征帧图像中的物体与信息载体的图像相似度。相关性函数可以用于计算机视觉中的检测跟踪中目标位置的获取,也可以用于基于图像内容的图像检索,也就是通常说的以图检图。
在基于类别估计的结果计算图像相似度时,主要对于两幅图像之间内容的相似程度进行打分,根据分数的高低来判断图像内容的相近程度。这里的计算图像相似度的方法,可以基于现有技术或未来发展的技术中的相似度计算方法得到,本申请对此不做限定。例如,计算图像相似度的方法可以基于以下任意一项的相似度计算方法得到:直方图匹配、数学上的矩阵分解或者基于特征点的图像相似度计算等。
在确定物体与信息载体的相关性函数之后,可以基于该相关性函数,确定匹配信息载体的物体所在的位置和出现概率,也即确定信息载体在视频中出现的位置和概率。
在步骤230中,将概率最大的信息载体出现的区域确定为候选区域。
在本实施例中,概率最大的信息载体出现的区域,可以通过图片中各像素点属于信息载体的概率进行预估。将概率最大的信息载体出现的区域确定为候选区域,可以提升用户推送的信息和视频中物体的关联度。
在本实施例的一些可选实现方式中,可以采用全卷积网络(FCN网络),将概率最大的信息载体出现的区域确定为信息载体的候选区域。
在本实现方式中,可以运用深度学习中全卷积网络对图片中每个像素点属于信息载体的概率进行预估,之后,将概率最大的信息载体出现的区域确定为信息载体的候选区域。
在步骤240中,对候选区域进行坐标变换,得到信息载体的候选位置。
在本实施例中,基于预先确定的视频的帧图像的坐标系,可以将候选区域在帧图像中的位置转换为坐标,从而得到信息载体的候选位置。
在步骤250中,排序信息载体的候选位置,得到信息载体的候选位置序列。
在本实施例中,在得到信息载体的候选位置之后,可以基于时间对信息载体的候选位置进行排序,从而得到信息载体的候选位置序列。
本申请上述实施例提供的识别信息载体的候选位置序列的方法,基于帧图像中的物体与信息载体的相关性函数确定候选位置序列,提高了候选位置序列的准确度。
进一步地,请参考图3,图3在图1的基础上,示出了根据本申请实施例的基于候选位置序列植入向用户推送的信息的方法的一个实施例的示意性流程,也即图1中步骤104的一个实施例的示意性流程。
如图3所示,该基于候选位置序列植入向用户推送的信息的方法300包括:
在步骤310中,计算候选位置序列中各个候选位置的信息出现概率。
在本实施例中,运行推送信息的方法的电子设备可以基于候选位置序列中各个候选位置的具体参数是否适合出现推送的信息,来确定信息出现的概率。例如,可以根据各个候选位置的以下一项或多项参数来确定信息出现的概率:尺寸、颜色特征、纹理特征、边缘特征、空间位置特征、区域形状特征以及遮挡概率等。
在步骤320中,计算连续帧中的候选位置的转移概率。
在本实施例中,转移概率,为连续的两帧图像候选区域的RGB颜色特征、纹理特征、边缘特征、空间位置特征、区域形状特征所组成的空间向量间的距离归一化后得出。
在步骤330中,基于信息出现概率和转移概率在时间轴上的分布,生成候选的类别区域的解码网络。
在本实施例中,对于每个时间点,m个候选的类别区域形成m个节点,在下一个时间点,n个候选的类别区域形成n个节点,并且每个节点都标记了信息出现概率,当前时间点的节点与下一个时间点的节点之间为全连接,连接的权重即为前面提到的转移概率。这样t个时间点即可以形成一套网络。而网络解码即找到一条路径,从时间0开始到时间t,基于信息出现概率和转移概率得到的节点流动的概率最大。这里的m、n和t分别为大于0的整数,m、n和t的取值有可能相同,也有可能不同。
在步骤340中,当解码网络的解码路径不满足信息载体的尺寸时,选出最优路径。
在本实施例中,由于在同一推送信息的时间段,视频中可能存在多条可以推送信息的候选位置序列,需要对符合信息的特征的候选位置序列进行排序,从而确定解码路径的优劣。在解码路径时,可以基于以下情况来确定解码路径:①由于遮挡、相机移动等因素,候选位置的面积逐步缩小,解码路径中的节点的候选位置的尺寸不再满足信息载体的尺寸;②由于场景切换,下一场景中候选位置不再存在,也即解码路径出现了终止节点。在候选位置的尺寸不再满足信息载体的尺寸或者出现终止节点时,进行路径回溯,就可以找到最大概率生成路径作为最优路径。在进行路径回溯找到最大概率生成路径时,可以根据基于路径中各节点的候选位置的出现概率和转移概率等来确定。
在这里,实现解码网络并确定最优解码路径的算法,可以为现有技术或未来发展的技术中基于动态规划求解最短路径的算法,本申请对此不做限定。例如,可以采用维特比解码算法(Viterbi算法)、插点法(Floyd算法)或迪杰斯特拉算法(Dijkstra算法)等,来实现该解码网络以及确定最优解码路径。
在本实施例的一些可选实现方式中,当解码网络的解码路径不满足信息载体的尺寸时,选出最优路径可以包括:当解码网络的解码路径存在候选位置的尺寸不满足信息载体的尺寸和/或当解码网络的解码路径中存在解码路径终点时,选出最优路径。
在步骤350中,基于排序后的视频中的所有最优路径,植入向用户推送的信息。
在本实施例中,由于视频中可能存在多条可以推送信息的时间段,需要基于推送信息的位置序列的特征对这些时间段进行排序,从而确定这些时间段的优劣。在排序视频中的所有最优路径之后,可以根据排序顺序,向预定数量的最优路径植入向用户推送的信息。示例性地,推送信息的位置序列的特征可以包括以下一项或多项:候选位置的尺寸、持续时间、稳定性概率、纹理复杂度和遮挡概率。
本申请上述实施例提供的基于候选位置序列植入向用户推送的信息的方法,基于信息出现概率和转移概率在时间轴上的分布求解最优路径,提高了最优路径的准确率,进而提升了向用户推送的信息与视频中的物体的关联度。
以下结合图4,描述本申请实施例的推送信息的方法的示例性应用场景。
如图4所示,推送信息的方法400运行于电子设备420中,方法包括:
首先,识别视频中的场景切换帧401;
之后,根据场景切换帧401,将视频切割为视频段402;
之后,检测视频段402的帧图像403中的物体404;
之后,根据物体404与信息载体的相关性函数405,确定信息载体出现的位置和概率406;
之后,将概率最大的信息载体出现的区域确定为候选区域407;
之后,对候选区域407进行坐标变换,得到信息载体的候选位置408;
之后,排序信息载体的候选位置408,得到信息载体的候选位置序列409;
之后,计算候选位置序列中各个候选位置的信息出现概率410;
之后,计算连续帧中的候选位置的转移概率411;
之后,基于信息出现概率和转移概率在时间轴上的分布,生成候选的类别区域的解码网络412;
之后,当解码网络412的解码路径不满足信息载体的尺寸时,选出最优路径413;
之后,基于排序后的视频中的所有最优路径413,植入向用户推送的信息414。
应当理解,上述图4中所示出的推送信息的方法,仅为推送信息的方法的示例性应用场景,并不代表对本申请的限定。例如,图4中也可以进一步公开当解码网络的解码路径不满足信息载体的尺寸时如何选出最优路径,或者进一步公开用于确定排序的视频中的所有最优路径的参数,又或者将多个步骤采用一个步骤完成。本申请的上述应用场景中提供的推送信息的方法,可以提高推送的信息与视频中的物体的关联度以及提升推送的时间段的准确度。
进一步参考图5,作为对上述方法的实现,本申请实施例提供了一种推送信息的装置的一个实施例,该推送信息的装置的实施例与图1至图4所示的推送信息的方法的实施例相对应,由此,上文针对图1至图4中推送信息的方法描述的操作和特征同样适用于推送信息的装置500及其中包含的单元,在此不再赘述。
如图5所示,该推送信息的装置500包括:切换帧识别单元510,用于识别视频中的场景切换帧;视频段切割单元520,用于根据场景切换帧,将视频切割为视频段;位置序列识别单元530,用于从视频段的帧图像中,识别信息载体的候选位置序列;推送信息植入单元540,用于基于候选位置序列,植入向用户推送的信息。
在本实施例的一些可选实现方式中,位置序列识别单530元包括:物体检测单元531,用于检测视频段的帧图像中的物体;位置概率确定单元532,用于根据物体与信息载体的相关性函数,确定信息载体出现的位置和概率;候选区域确定单元533,用于将概率最大的信息载体出现的区域确定为候选区域;坐标变换单元534,用于对候选区域进行坐标变换,得到信息载体的候选位置;位置排序单元535,用于排序信息载体的候选位置,得到信息载体的候选位置序列。
在本实施例的一些可选实现方式中,物体检测单元进一步用于:采用Faster RCNN检测算法,检测视频段的帧图像中的物体;候选区域确定单元进一步用于:采用全卷积网络,将概率最大的信息载体出现的区域确定为信息载体的候选区域。
在本实施例的一些可选实现方式中,推送信息植入单元540包括:出现概率计算单元541,用于计算候选位置序列中各个候选位置的信息出现概率;转移概率计算单元542,用于计算连续帧中的候选位置的转移概率;解码网络生成单元543,用于基于信息出现概率和转移概率在时间轴上的分布,生成候选的类别区域的解码网络;最优路径选择单元544,用于当解码网络的解码路径不满足信息载体的尺寸时,选出最优路径;植入推送信息单元545,基于排序后的视频中的所有最优路径,植入向用户推送的信息。
在本实施例的一些可选实现方式中,最优路径选择单元进一步用于:当解码网络的解码路径中存在候选位置的尺寸不满足信息载体的尺寸时和/或当解码网络的解码路径存在解码路径终点时,选出最优路径。
在本实施例的一些可选实现方式中,植入推送信息单元中排序后的视频中的所有最优路径基于最优路径的以下一项或多项参数确定:候选位置的尺寸、持续时间、稳定性概率、纹理复杂度和遮挡概率。
本申请还提供了一种设备的实施例,包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上任意一项所述的推送信息的方法。
本申请还提供了一种计算机可读存储介质的实施例,其上存储有计算机程序,该程序被处理器执行时实现如上任意一项所述的推送信息的方法。
下面参考图6,其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个单元、程序段、或代码的一部分,所述单元、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括切换帧识别单元、视频段切割单元、位置序列识别单元和推送信息植入单元。这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,切换帧识别单元还可以被描述为“识别视频中的场景切换帧的单元”。
作为另一方面,本申请还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质;也可以是单独存在,未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当所述一个或者多个程序被一个设备执行时,使得所述设备:识别视频中的场景切换帧;根据场景切换帧,将视频切割为视频段;从视频段的帧图像中,识别信息载体的候选位置序列;基于候选位置序列,植入向用户推送的信息。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种推送信息的方法,包括:
识别视频中的场景切换帧;
根据所述场景切换帧,将所述视频切割为视频段;
从所述视频段的帧图像中,识别信息载体的候选位置序列;
基于所述候选位置序列,植入向用户推送的信息。
2.根据权利要求1所述的方法,其中,所述从所述视频段的帧图像中,识别信息载体的候选位置序列包括:
检测所述视频段的帧图像中的物体;
根据所述物体与所述信息载体的相关性函数,确定所述信息载体出现的位置和概率;
将概率最大的所述信息载体出现的区域确定为候选区域;
对所述候选区域进行坐标变换,得到信息载体的候选位置;
排序所述信息载体的候选位置,得到所述信息载体的候选位置序列。
3.根据权利要求2所述的方法,其中,所述检测所述视频段的帧图像中的物体包括:采用Faster RCNN检测算法,检测所述视频段的帧图像中的物体;
所述将概率最大的所述信息载体出现的区域确定为候选区域包括:采用全卷积网络,将概率最大的所述信息载体出现的区域确定为信息载体的候选区域。
4.根据权利要求1-3中任意一项所述的方法,其中,所述基于所述候选位置序列,植入向用户推送的信息包括:
计算所述候选位置序列中各个候选位置的信息出现概率;
计算连续帧中的候选位置的转移概率;
基于所述信息出现概率和所述转移概率在时间轴上的分布,生成候选的类别区域的解码网络;
当所述解码网络的解码路径不满足信息载体的尺寸时,选出最优路径;
基于排序后的所述视频中的所有最优路径,植入向用户推送的信息。
5.根据权利要求4所述的方法,其中,所述当所述解码网络的解码路径不满足信息载体的尺寸时,选出最优路径包括:
当所述解码网络的解码路径中存在候选位置的尺寸不满足信息载体的尺寸时和/或当所述解码网络的解码路径存在解码路径终点时,选出最优路径。
6.根据权利要求4所述的方法,其中,所述排序后的所述视频中的所有最优路径基于最优路径的以下一项或多项参数确定:候选位置的尺寸、持续时间、稳定性概率、纹理复杂度和遮挡概率。
7.一种推送信息的装置,包括:
切换帧识别单元,用于识别视频中的场景切换帧;
视频段切割单元,用于根据所述场景切换帧,将所述视频切割为视频段;
位置序列识别单元,用于从所述视频段的帧图像中,识别信息载体的候选位置序列;
推送信息植入单元,用于基于所述候选位置序列,植入向用户推送的信息。
8.根据权利要求7所述的装置,其中,所述位置序列识别单元包括:
物体检测单元,用于检测所述视频段的帧图像中的物体;
位置概率确定单元,用于根据所述物体与所述信息载体的相关性函数,确定所述信息载体出现的位置和概率;
候选区域确定单元,用于将概率最大的所述信息载体出现的区域确定为候选区域;
坐标变换单元,用于对所述候选区域进行坐标变换,得到信息载体的候选位置;
位置排序单元,用于排序所述信息载体的候选位置,得到所述信息载体的候选位置序列。
9.根据权利要求8所述的装置,其中,所述物体检测单元进一步用于:采用Faster RCNN检测算法,检测所述视频段的帧图像中的物体;
所述候选区域确定单元进一步用于:采用全卷积网络,将概率最大的所述信息载体出现的区域确定为信息载体的候选区域。
10.根据权利要求6-9中任意一项所述的装置,其中,所述推送信息植入单元包括:
出现概率计算单元,用于计算所述候选位置序列中各个候选位置的信息出现概率;
转移概率计算单元,用于计算连续帧中的候选位置的转移概率;
解码网络生成单元,用于基于所述信息出现概率和所述转移概率在时间轴上的分布,生成候选的类别区域的解码网络;
最优路径选择单元,用于当所述解码网络的解码路径不满足信息载体的尺寸时,选出最优路径;
植入推送信息单元,基于排序后的所述视频中的所有最优路径,植入向用户推送的信息。
11.根据权利要求10所述的装置,其中,最优路径选择单元进一步用于:
当所述解码网络的解码路径中存在候选位置的尺寸不满足信息载体的尺寸时和/或当所述解码网络的解码路径存在解码路径终点时,选出最优路径。
12.根据权利要求10所述的装置,其中,所述植入推送信息单元中排序后的所述视频中的所有最优路径基于最优路径的以下一项或多项参数确定:候选位置的尺寸、持续时间、稳定性概率、纹理复杂度和遮挡概率。
13.一种设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的推送信息的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-6中任一所述的推送信息的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711184200.7A CN107948721B (zh) | 2017-11-23 | 2017-11-23 | 推送信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711184200.7A CN107948721B (zh) | 2017-11-23 | 2017-11-23 | 推送信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107948721A true CN107948721A (zh) | 2018-04-20 |
CN107948721B CN107948721B (zh) | 2020-07-10 |
Family
ID=61930130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711184200.7A Active CN107948721B (zh) | 2017-11-23 | 2017-11-23 | 推送信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107948721B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784375A (zh) * | 2018-12-22 | 2019-05-21 | 国网内蒙古东部电力有限公司 | 基于Faster RCNN的自适应变压器部件检测识别方法 |
CN109993579A (zh) * | 2019-03-28 | 2019-07-09 | 北京酷云互动科技有限公司 | 广告投放区域确定方法、系统、服务器和计算机可读介质 |
CN113225450A (zh) * | 2020-02-06 | 2021-08-06 | 阿里巴巴集团控股有限公司 | 视频处理方法、视频处理装置及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101715585A (zh) * | 2007-04-20 | 2010-05-26 | 谷歌公司 | 媒体广告 |
CN103297811A (zh) * | 2012-02-24 | 2013-09-11 | 北京明日时尚信息技术有限公司 | 一种智能嵌入式视频广告的实现方法 |
WO2014139019A1 (en) * | 2013-03-15 | 2014-09-18 | Synaptive Medical (Barbados) Inc. | System and method for dynamic validation, correction of registration for surgical navigation |
CN105472434A (zh) * | 2014-11-17 | 2016-04-06 | Tcl集团股份有限公司 | 植入内容到视频演示中的方法和系统 |
CN106296789A (zh) * | 2016-08-05 | 2017-01-04 | 深圳迪乐普数码科技有限公司 | 一种虚拟植入物体在实景中穿梭的方法及终端 |
CN106874519A (zh) * | 2017-03-20 | 2017-06-20 | 百度在线网络技术(北京)有限公司 | 页面展现方法和装置 |
CN107016344A (zh) * | 2017-03-08 | 2017-08-04 | 上海极链网络科技有限公司 | 视频中品牌识别系统及其实现方法 |
-
2017
- 2017-11-23 CN CN201711184200.7A patent/CN107948721B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101715585A (zh) * | 2007-04-20 | 2010-05-26 | 谷歌公司 | 媒体广告 |
CN103297811A (zh) * | 2012-02-24 | 2013-09-11 | 北京明日时尚信息技术有限公司 | 一种智能嵌入式视频广告的实现方法 |
WO2014139019A1 (en) * | 2013-03-15 | 2014-09-18 | Synaptive Medical (Barbados) Inc. | System and method for dynamic validation, correction of registration for surgical navigation |
CN105472434A (zh) * | 2014-11-17 | 2016-04-06 | Tcl集团股份有限公司 | 植入内容到视频演示中的方法和系统 |
CN106296789A (zh) * | 2016-08-05 | 2017-01-04 | 深圳迪乐普数码科技有限公司 | 一种虚拟植入物体在实景中穿梭的方法及终端 |
CN107016344A (zh) * | 2017-03-08 | 2017-08-04 | 上海极链网络科技有限公司 | 视频中品牌识别系统及其实现方法 |
CN106874519A (zh) * | 2017-03-20 | 2017-06-20 | 百度在线网络技术(北京)有限公司 | 页面展现方法和装置 |
Non-Patent Citations (1)
Title |
---|
安玉松: "基于视频主角识别的服装广告投放方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑,2017年第3期》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784375A (zh) * | 2018-12-22 | 2019-05-21 | 国网内蒙古东部电力有限公司 | 基于Faster RCNN的自适应变压器部件检测识别方法 |
CN109993579A (zh) * | 2019-03-28 | 2019-07-09 | 北京酷云互动科技有限公司 | 广告投放区域确定方法、系统、服务器和计算机可读介质 |
CN113225450A (zh) * | 2020-02-06 | 2021-08-06 | 阿里巴巴集团控股有限公司 | 视频处理方法、视频处理装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107948721B (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052787B (zh) | 基于人工智能的目标检测方法、装置及电子设备 | |
CN110298238B (zh) | 行人视觉跟踪方法、模型训练方法、装置、设备及存储介质 | |
CN112529026B (zh) | 提供ai模型的方法、ai平台、计算设备及存储介质 | |
CN110209859A (zh) | 地点识别及其模型训练的方法和装置以及电子设备 | |
CN108564102A (zh) | 图像聚类结果评价方法和装置 | |
CN108280477A (zh) | 用于聚类图像的方法和装置 | |
CN113673305A (zh) | 使用最短连线特征的图像标记 | |
CN109360028A (zh) | 用于推送信息的方法和装置 | |
CN113255617B (zh) | 图像识别方法、装置、电子设备和计算机可读存储介质 | |
CN110225366A (zh) | 视频数据处理及广告位确定方法、装置、介质及电子设备 | |
CN110378410A (zh) | 多标签场景分类方法、装置及电子设备 | |
CN107948721A (zh) | 推送信息的方法和装置 | |
CN110443824A (zh) | 用于生成信息的方法和装置 | |
CN108960912A (zh) | 用于确定目标位置的方法和装置 | |
CN112052818A (zh) | 无监督域适应的行人检测方法、系统及存储介质 | |
CN108960110A (zh) | 用于生成信息的方法和装置 | |
CN113935389A (zh) | 数据标注的方法、装置、计算设备和存储介质 | |
CN110119460A (zh) | 图像检索方法、装置及电子设备 | |
Huo et al. | Semisupervised learning based on a novel iterative optimization model for saliency detection | |
CN109389660A (zh) | 图像生成方法和装置 | |
CN111222546A (zh) | 一种多尺度融合的食品图像分类模型训练及图像分类方法 | |
CN114743139A (zh) | 视频场景检索方法、装置、电子设备及可读存储介质 | |
US20210326595A1 (en) | Systems and methods for stream recognition | |
KR101946842B1 (ko) | 데이터 탐색 장치 | |
KR101919698B1 (ko) | 실루엣을 적용한 그룹 탐색 최적화 데이터 클러스터링 방법 및 시스템 |
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 |