CN108171222A - 一种基于多流神经网络的实时视频分类方法及装置 - Google Patents

Abstract

本公开涉及一种基于多流神经网络的实时视频分类方法及装置，包括从待分类视频中提取视频帧和运动矢量；利用光流神经网络，提取所述待分类视频的光流；利用所述光流调整所述运动矢量；将所述视频帧、提取的光流和调整后的运动矢量输入多流神经网络，并根据所述多流神经网络的输出结果确定所述待分类视频的类别。通过引入光流神经网络节省了光流的提取时间，根据本公开实施例的视频分类方法及装置能够节省光流的提取时间，提高了视频分类的实时性。

Description

一种基于多流神经网络的实时视频分类方法及装置

技术领域

本公开涉及计算机视觉技术领域，尤其涉及一种视频分类方法及装置。

背景技术

视频分类是指对于给定的视频，使机器能够正确识别出视频中的内容。视频分类可以应用在虚拟游戏、智能驾驶、社区监控、资源分类等方面。

相关技术中，基于神经网络的视频分类方法采用的是双流网络结构。一方面，以RGB为输入，编码视频帧的纹理信息；另一方面，以相邻帧的光流为输入，编码视频的运动信息。这两个流的预测结果求和，最大值对应的分类结果，为视频对应的分类结果。

然而，上述双流网络结构中光流的提取比较耗时，难以进行实时监测。

发明内容

有鉴于此，本公开提出了一种视频分类方法及装置，能够节省视频分类的时间。

根据本公开的一方面，提供了一种一种视频分类方法，包括：从待分类视频中提取视频帧和运动矢量；利用光流神经网络，提取所述待分类视频的光流；利用所述光流调整所述运动矢量；将所述视频帧、提取的光流和调整后的运动矢量输入多流神经网络，并根据所述多流神经网络的输出结果确定所述待分类视频的类别。

在一种可能的实现方式中，所述方法还包括：以相邻视频帧和与相邻视频帧对应的运动矢量为输入，以与相邻视频帧对应的光流为真值，训练所述光流神经网络。

在一种可能的实现方式中，利用所述光流调整所述运动矢量，包括：针对视频帧的每个点，若该点对应邻域内的第一光流均小于或等于光流阈值，则将所述邻域内的光流的平均值作为该点的运动矢量。

在一种可能的实现方式中，所述多流神经网络包括第一子网络、第二子网络和第三子网络，所述方法还包括：分别以视频帧、提取的光流和调整后的运动矢量为输入，视频类别为真值，训练多流神经网络的第一子网络、第二子网络和第三子网络。

在一种可能的实现方式中，将所述视频帧、提取的光流和调整后的运动矢量输入多流神经网络中，确定所述待分类视频的类别，包括：分别将所述视频帧、提取的光流和调整后的运动矢量输入多流神经网络的第一子网络、第二子网络和第三子网络中，得到各子网络对应的分类概率；针对每一类别的分类概率，将各子网络对应的分类概率中与该类别对应的分类概率求和得到该类别对应的分类概率之和，将分类概率之和的最大值对应的类别作为所述待分类视频的类别。

根据本公开的另一方面，提供了一种视频分类装置，包括：视频帧和运动矢量提取模块，用于从待分类视频中提取视频帧和运动矢量；光流提取模块，用于利用光流神经网络，提取所述待分类视频的光流；运动矢量调整模块，用于利用所述光流调整所述运动矢量；类别确定模块，用于将所述视频帧、提取的光流和调整后的运动矢量输入多流神经网络，并根据所述多流神经网络的输出结果确定所述待分类视频的类别。

在一种可能的实现方式中，所述装置还包括：光流神经网络训练模块，用于以相邻视频帧和与相邻视频帧对应的运动矢量为输入，以与相邻视频帧对应的光流为真值，训练所述光流神经网络。

在一种可能的实现方式中，所述运动矢量调整模块包括：运动矢量调整单元，用于针对视频帧的每个点，若该点对应邻域内的第一光流均小于或等于光流阈值，则将所述邻域内的光流的平均值作为该点的运动矢量。

在一种可能的实现方式中，所述多流神经网络包括第一子网络、第二子网络和第三子网络，所述装置还包括：多流神经网络训练模块，用于分别以视频帧、提取的光流和调整后的运动矢量为输入，视频类别为真值，训练多流神经网络的第一子网络、第二子网络和第三子网络。

在一种可能的实现方式中，所述类别确定模块包括：

多流神经网络输入单元，用于分别将所述视频帧、提取的光流和调整后的运动矢量输入多流神经网络的第一子网络、第二子网络和第三子网络中，得到各子网络对应的分类概率；

类别确定单元，用于针对每一类别的分类概率，将各子网络对应的分类概率中与该类别对应的分类概率求和得到该类别对应的分类概率之和，将分类概率之和的最大值对应的类别作为所述待分类视频的类别。

通过从待分类视频中提取视频帧和运动矢量，利用光流神经网络提取所述分类视频的光流，利用所述光流调整所述运动矢量，将所述视频帧、提取的光流和调整后的运动矢量输入多流神经网络，并根据所述多流神经网络的输出结果确定所述待分类视频的类别，根据本公开的各方面实施例的视频分类方法及装置能够通过引入光流神经网络节省了光流的提取时间，从而节省了视频分类的时间，提高了视频分类的实时性。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开一实施例的视频分类方法的流程图；

图2示出根据本公开一实施例的视频分类方法的流程图；

图3a示出根据本公开一实施例的利用光流调整所述运动矢量的示意图；

图3b示出根据本公开一实施例的利用光流调整所述运动矢量的示意图；

图3c示出根据本公开一实施例的多流神经网络的结构示意图；

图4示出根据本公开一实施例的视频分类方法的流程图；

图5示出根据本公开一实施例的视频分类方法的流程图；

图6示出根据本公开一实施例的视频分类方法的流程图；

图7示出根据本公开一实施例的视频分类装置的框图；

图8示出根据本公开一实施例的视频分类装置的框图；

图9示出根据本公开一实施例的视频分类装置的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开一实施例的视频分类方法的流程图。该方法可以应用于计算机、移动终端或平板电脑等终端设备。如图1所示，该方法可以包括：

步骤S11，从待分类视频中提取视频帧和运动矢量。

步骤S12，利用光流神经网络，提取所述待分类视频的光流。

步骤S13，利用所述光流调整所述运动矢量。

步骤S14，将所述视频帧、提取的光流和调整后的运动矢量输入多流神经网络，并根据所述多流神经网络的输出结果确定所述待分类视频的类别。

根据本公开实施例的视频分类方法能够，通过引入光流神经网络提取视频的光流节省了光流的提取时间，从而节省了视频分类的时间，提高了视频分类的实时性；通过以视频帧、光流、运动矢量作为多流神经网络的输入，并将对应的输出融合，提高了视频分类的精度；通过光流调整运动矢量，对运动矢量进行噪声过滤，进一步提高了视频分类的精度。

其中，待分类视频可以用于表示需要进行分类的视频，待分类视频可以为任意视频，例如可以为压缩编码后的视频，本公开对待分类视频不做限定。

视频是由静止的画面组成的，这些静止的画面可以称为视频帧。在一个示例中，从待分类视频中提取的视频帧可以为RGB格式的视频帧。

运动矢量是视频编码的过程中用来表示前一帧的某个块和后一帧和该块在空间上最相似的相同大小块之间的坐标位移，它在一定程度上反应了物体的运动信息，例如，人在移动过程中，人在视频的前一帧中的位置和在视频的后一帧中的位置的坐标位移。在本公开实施例中，可以采用相关技术中提取运动矢量的方法提取待分类视频的运动矢量。其中，每个运动矢量包含水平和竖直方向两个分量。

光流是空间运动物体在观察成像平面上的像素运动的瞬时速度，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。一般而言，光流是由于场景中前景目标本身的移动、相机的运动，或者两者的共同运动所产生的。相关技术中，光流计算方法可以分为基于匹配的方法、基于频域的方法和基于梯度的方法。这些方法提取光流一般为几帧每秒，不能满足实时监测的要求。

在步骤S12中，光流神经网络可以表示用于提取光流的神经网络，将所述待分类视频输入所述光流神经网络，输出结果为所述待分类视频的光流。这样，基于神经网进行光流的提取，可以缩短提取光流的时间，在一个示例中，基于神经网络进行光流的提取为几百帧每秒。

举例来说，步骤S12可以实现为：针对所述待分类视频的每组相邻视频帧，将该相邻视频帧和与该相邻视频帧对应的运动矢量输入训练好的光流神经网络中，将输出结果作为该相邻视频帧对应的光流。

图2示出根据本公开一实施例的视频分类方法的流程图，如图2所示，在一种可能实现方式中，所述方法还包括光流神经网络的训练过程，例如在步骤S12之前可以包括：步骤S15：以相邻视频帧和与相邻视频帧对应的运动矢量为输入，以与相邻视频帧对应的光流为真值，训练所述光流神经网络。

光流和运动矢量在编码运动信息上存在一定程度的互补，以运动矢量作为光流的初始值，指导光流神经网络训练，能够改善光流神经网络的训练效果，节省了光流的提取时间。

运动矢量是基于全局块搜索，所以在一定程度上能够解决大尺度运动描述准确性的问题。但是直接提取出来的运动矢量可能含有很多噪声。光流和运动矢量在编码运动信息上存在一定程度的互补。因此，可以通过步骤S13采用提取出来的光流为模板对运动矢量进行调整，过滤掉不相干的噪声。

图3a、图3b示出根据本公开一实施例的利用光流调整所述运动矢量的示意图。其中，图3a对应于运动矢量的水平分量，图3b对应于运动矢量的竖直分量。如图3a所示，a1为运动矢量的水平分量，b1为对应光流的水平分量，c1为利用b1对a1调整得到的调整后的运动矢量的水平分量。如图3b所示，a2为运动矢量的竖直分量，b2为对应光流的竖直分量，c2为利用b2对a2调整得到的调整后的运动矢量的竖直分量。c1与c2可以组成调整后的运动矢量。由a1和调整后的c1以及a2和调整后的c2对比可发现，利用提取出来的光流对运动矢量进行调整可以过滤掉不相干的噪声。

图4示出根据本公开一实施例视频分类方法的流程图，如图4所示，步骤S13可以实现为步骤S131或者步骤S132：

步骤S131，针对视频帧的每个点，若该点对应邻域内的第一光流均小于或等于光流阈值，则将所述邻域内的光流的平均值作为该点的运动矢量。

步骤S132，针对视频帧的每个点，若该点对应邻域内的第一光流存在大于所述光流阈值的光流，则保留该点的运动矢量。

其中，所述光流阈值可以根据需要进行设置，例如可以根据运动尺度进行设置，本公开对此不做限制。邻域是比图像尺寸小的一规则形状，例如，一个点的邻域可以为包括该点的一个N*N区域内部点的集合，或者以该点为中心的一个圆形区域内部点的集合。本公开对邻域不做限制。在一个示例中，该点对应邻域可以为包括该点的一个8*8区域。

第一光流可以用于表示相邻视频帧对应的光流去均值化后得到的光流。对原始数据进行均值化处理后，不仅消除了指标量纲和数量的影响，而且能更加全面地反映原始数据中各指标的变异程度和相互影响程度的信息。例如，本公开实施例中采用第一光流与光流阈值进行比较，不关注光流的整体明亮程度，所以可以进行均值规整化。

若该点对应邻域内的第一光流均小于或等于光流阈值，则说明运动尺度较小，而运动矢量在小尺度运动上噪声较大，因此可以将所述邻域内点的光流的平均值作为该点的运动矢量。例如，图3a的a1和图3b的a2的左侧区域。

若该点对应领域内的第一光流存在大于所述光流阈值的光流，则说明运动尺度较大，而运动矢量可以较好的反应大尺度运动，因此可以保留该点的运动矢量。例如，图3a的a1和图3b的a2的右侧区域。

在一个示例中，取步骤S12中得到的任意相邻视频帧对应的光流，对其去均值化，然后取与该相邻视频帧对应的运动矢量，遍历视频帧上每一点，若其对应邻域内存在大于光流阈值的去均值化后的光流，则不做处理，否则让该点的运动矢量取为该点对应邻域内的光流的平均值。

光流描述的是基于点的运动信息，对于大尺度运动描述的可能不够准确，如上所述，运动矢量是基于全局块搜索，所以在一定程度上能够解决大尺度运动描述准确性的问题。因此，在步骤S14中，采用多流网络以视频帧、光流、运动矢量作为输入，并将对应的输出融合，提高了视频分类的精度。

在一种可能的实现方式中，多流神经网络可以包括第一子网络、第二子网络和第三子网络。其中，第一子网络可以用于表示利用视频帧进行视频分类的神经网络，第二子网络可以用于表示利用光流进行视频分类的神经网络，第三子网络可以用于表示利用运动矢量进行视频分类的神经网络。

图5示出根据本公开一实施例的视频分类方法的流程图。如图5所示，所述方法还可以包括所述多流神经网络的训练过程，例如，所述方法在步骤S14之前还可以包括步骤S16：分别以视频帧、提取的光流和调整后的运动矢量为输入，视频类别为真值，训练多流神经网络的第一子网络、第二子网络和第三子网络。

在一种可能的实现方式中，第一子网络、第二子网络、第三子网络单独训练。例如，取一帧视频帧作为第一子网络的输入，以视频类别作为第一子网络的真值，对第一子网络进行训练；取连续10帧视频帧对应的光流(可以采用步骤S12获取)叠加得到的光流块作为第二子网络的输入，以视频类别作为第二子网络的真值，对第二子网络进行训练；取连续10帧视频帧对应的运动矢量(可以采用步骤S13获取)叠加得到的运送矢量块作为第三子网络的输入，以视频类别作为第三子网络的真值，对第三子网络进行训练。

在一种可能的实现方式中，光流神经网络、第一子网络、第二子网络、第三子网络可以为卷积神经网络。

图6示出根据本公开一实施例的视频分类方法的流程图。如图6所示，步骤S14可以实现为步骤S141和步骤S142：

步骤S141，分别将所述视频帧、提取的光流和调整后的运动矢量输入多流神经网络的第一子网络、第二子网络和第三子网络中，得到各子网络对应的分类概率。

步骤S142，针对每一类别的分类概率，将各子网络对应的分类概率中与该类别对应的分类概率求和得到该类别对应的分类概率之和，将分类概率之和的最大值对应的类别作为所述待分类视频的类别。

举例来说，图3c示出根据本公开一实施例的多流神经网络的结构示意图。如图3c所示，通过步骤S11至步骤S13分别获取视频帧、提取的光流和调整后的运动矢量，A、B、C分别表示通过一帧所述视频帧，多帧视频帧对应的提取的光流组成叠加得到的光流块、多帧视频帧对应的调整后的运动矢量叠加得到的运动矢量块。A、B、C分别输入多流神经网络的第一子网络、第二子网络、第三子网络，分别得到第一分类概率、第二分类概率和第三分类概率。其中，第一分类概率、第二分类概率和第三分类概率均包括N个分类概率，将第一子网络、第二子网络、第三子网络对应同一类别的分类概率求和，将分类概率之和最大的子网络对应的类别作为所述待分类视频的类别。

在一种可能的实现方式中，还可以获取多组视频帧、提取的光流和调整后的运动矢量，针对每一组采用步骤S141，获取该组各子网络对应的分类概率，并计算各子网络对应同一类别的分类概率之和，得到每类的概率。取各组的每类的概率的平均值，得到每类的平均概率，将最大平均概率对应的类别确定为待分类视频的类别。

在一个示例中，通过步骤S11至步骤S13获取待分类视频的视频帧、提取的光流和调整后的运动矢量。取25组数据，每组数据包括1帧视频帧，10帧提取的光流叠加得到的光流块以及10帧调整后的运动矢量得到的运动矢量块。

针对每组数据，将视频帧、光流块以及运动矢量块分别输入多流神经网络的第一子网络、第二子网络和第三子网络中，分别得到第一分类概率、第二分类概率和第三分类概率。将第一分类概率、第二分类概率和第三分类概率对应同一类别的分类概率求和，得到每类的概率。

取25组数据的每类的概率的平均值，得到每类的平均概率，将最大平均概率对应的类别确定为待分类视频的类别。

图7示出根据本公开一实施例的视频分类装置60的框图。该装置60可以应用于计算机、移动终端或平板电脑等终端设备。如图7所示，该装置可以包括：

视频帧和运动矢量提取模块61，用于从待分类视频中提取视频帧和运动矢量；

光流提取模块62，用于利用光流神经网络，提取所述待分类视频的光流；

运动矢量调整模块63，用于利用所述光流调整所述运动矢量；

类别确定模块64，用于将所述视频帧、提取的光流和调整后的运动矢量输入多流神经网络，并根据所述多流神经网络的输出结果确定所述待分类视频的类别。

图8示出根据本公开一实施例的视频分类装置60的框图。如图8所示，在一种可能的实现方式中，所述装置60还包括：

光流神经网络训练模块65，用于以相邻视频帧和与相邻视频帧对应的运动矢量为输入，以与相邻视频帧对应的光流为真值，训练所述光流神经网络。

在一种可能的实现方式中，所述运动矢量调整模块63包括：

运动矢量调整单元631，用于针对视频帧的每个点，若该点对应邻域内的第一光流均小于或等于光流阈值，则将所述邻域内的光流的平均值作为该点的运动矢量。

在一种可能的实现方式中，所述多流神经网络包括第一子网络、第二子网络和第三子网络，所述装置60还包括：

多流神经网络训练模块66，用于分别以视频帧、提取的光流和调整后的运动矢量为输入，视频类别为真值，训练多流神经网络的第一子网络、第二子网络和第三子网络。

在一种可能的实现方式中，所述类别确定模块64包括：

多流神经网络输入单元641，用于分别将所述视频帧、提取的光流和调整后的运动矢量输入多流神经网络的第一子网络、第二子网络和第三子网络中，得到各子网络对应的分类概率；

类别确定单元642，用于针对每一类别的分类概率，将各子网络对应的分类概率中与该类别对应的分类概率求和得到该类别对应的分类概率之和，将分类概率之和的最大值对应的类别作为所述待分类视频的类别。

图9是根据一示例性实施例示出的一种用于视频分类的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图9，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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模块、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (12)

1.一种视频分类方法，其特征在于，包括：

从待分类视频中提取视频帧和运动矢量；

利用光流神经网络，提取所述待分类视频的光流；

利用所述光流调整所述运动矢量；

将所述视频帧、提取的光流和调整后的运动矢量输入多流神经网络，并根据所述多流神经网络的输出结果确定所述待分类视频的类别。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

以相邻视频帧和与相邻视频帧对应的运动矢量为输入，以与相邻视频帧对应的光流为真值，训练所述光流神经网络。

3.根据权利要求1所述的方法，其特征在于，利用所述光流调整所述运动矢量，包括：

针对视频帧的每个点，若该点对应邻域内的第一光流均小于或等于光流阈值，则将所述邻域内的光流的平均值作为该点的运动矢量。

4.根据权利要求1所述的方法，其特征在于，所述多流神经网络包括第一子网络、第二子网络和第三子网络，所述方法还包括：

分别以视频帧、提取的光流和调整后的运动矢量为输入，视频类别为真值，训练多流神经网络的第一子网络、第二子网络和第三子网络。

5.根据权利要求4所述的方法，其特征在于，将所述视频帧、提取的光流和调整后的运动矢量输入多流神经网络中，确定所述待分类视频的类别，包括：

分别将所述视频帧、提取的光流和调整后的运动矢量输入多流神经网络的第一子网络、第二子网络和第三子网络中，得到各子网络对应的分类概率；

针对每一类别的分类概率，将各子网络对应的分类概率中与该类别对应的分类概率求和得到该类别对应的分类概率之和，将分类概率之和的最大值对应的类别作为所述待分类视频的类别。

6.一种视频分类装置，其特征在于，包括：

视频帧和运动矢量提取模块，用于从待分类视频中提取视频帧和运动矢量；

光流提取模块，用于利用光流神经网络，提取所述待分类视频的光流；

运动矢量调整模块，用于利用所述光流调整所述运动矢量；

类别确定模块，用于将所述视频帧、提取的光流和调整后的运动矢量输入多流神经网络，并根据所述多流神经网络的输出结果确定所述待分类视频的类别。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

光流神经网络训练模块，用于以相邻视频帧和与相邻视频帧对应的运动矢量为输入，以与相邻视频帧对应的光流为真值，训练所述光流神经网络。

8.根据权利要求6所述的装置，其特征在于，所述运动矢量调整模块包括：

运动矢量调整单元，用于针对视频帧的每个点，若该点对应邻域内的第一光流均小于或等于光流阈值，则将所述邻域内的光流的平均值作为该点的运动矢量。

9.根据权利要求6所述的装置，其特征在于，所述多流神经网络包括第一子网络、第二子网络和第三子网络，所述装置还包括：

多流神经网络训练模块，用于分别以视频帧、提取的光流和调整后的运动矢量为输入，视频类别为真值，训练多流神经网络的第一子网络、第二子网络和第三子网络。

10.根据权利要求9所述的装置，其特征在于，所述类别确定模块包括：

多流神经网络输入单元，用于分别将所述视频帧、提取的光流和调整后的运动矢量输入多流神经网络的第一子网络、第二子网络和第三子网络中，得到各子网络对应的分类概率；

类别确定单元，用于针对每一类别的分类概率，将各子网络对应的分类概率中与该类别对应的分类概率求和得到该类别对应的分类概率之和，将分类概率之和的最大值对应的类别作为所述待分类视频的类别。

11.一种视频分类装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1-5中任意一项所述的方法。

12.一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行根据权利要求1-5中任意一项所述的方法。