CN108228835B - 用于处理视频的方法和装置 - Google Patents
用于处理视频的方法和装置 Download PDFInfo
- Publication number
- CN108228835B CN108228835B CN201810008174.0A CN201810008174A CN108228835B CN 108228835 B CN108228835 B CN 108228835B CN 201810008174 A CN201810008174 A CN 201810008174A CN 108228835 B CN108228835 B CN 108228835B
- Authority
- CN
- China
- Prior art keywords
- frame
- polygon
- target
- sample
- information
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/738—Presentation of query results
- G06F16/739—Presentation of query results in form of a video summary, e.g. the video summary being a video sequence, a composite still image or having synthesized frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于处理视频的方法和装置。该方法的一具体实施方式包括:通过提取目标视频的帧序列中的关键帧,以便对该关键帧进行多边形检测,而后响应于检测到该关键帧中存在多边形,将满足预设条件的多边形确定为目标多边形,然后从该帧序列中选取包含该目标多边形的帧进行针对帧中的目标多边形的信息添加处理。该实施方式实现了将信息嵌入视频的帧序列中。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及用于处理视频的方法和装置。
背景技术
近些年,视频领域在互联网领域引起了爆炸性增长,诸如视频直播,短视频推荐等。此类视频相较于传统视频有很大区别。因此。出现了在此类视频中添加信息的需求。
发明内容
本申请实施例提出了用于处理视频的方法和装置。
第一方面,本申请实施例提供了一种用于处理视频的方法,该方法包括:提取目标视频的帧序列中的关键帧;对该关键帧进行多边形检测;响应于检测到该关键帧中存在多边形,将满足预设条件的多边形确定为目标多边形;从该帧序列中选取包含该目标多边形的帧进行针对帧中的目标多边形的信息添加处理。
在一些实施例中,该方法还包括:从该帧序列中选取包含该目标多边形的至少一个帧;对于该至少一个帧中的每一个帧,将该帧输入预先训练的多边形检测模型,得到用于表征目标多边形是否完整的检测结果信息,其中,该多边形检测模型用于表征包含该目标多边形的图像帧与检测结果信息的对应关系;根据检测结果信息,去除该至少一个帧中的包含不完整目标多边形的帧,生成待处理帧集合;对待处理帧所包含的目标多边形进行信息添加处理。
在一些实施例中,该多边形检测模型通过以下步骤训练得到:获取训练样本,该训练样本包括包含完整目标多边形的样本帧、包含不完整目标多边形的样本帧和各个样本帧的标注,其中,样本帧的标注表征样本帧所包含的目标多边形是否完整;采用机器学习的方法,将该训练样本中的每个样本帧作为输入,将该训练样本中的每个样本帧所对应的标注作为输出,训练得到多边形检测模型。
在一些实施例中,从帧序列中选取包含目标多边形的帧进行针对帧中的目标多边形的信息添加处理,包括:对于从帧序列中选取包含目标多边形的帧,在帧中的目标多边形上添加文字信息和/或图片信息。
第二方面,本申请实施例提供了一种用于处理视频的装置,该装置包括:第一提取单元,配置用于提取目标视频的帧序列中的关键帧;检测单元,配置用于对该关键帧进行多边形检测;确定单元,配置用于响应于检测到该关键帧中存在多边形,将满足预设条件的多边形确定为目标多边形;处理单元,配置用于从该帧序列中选取包含该目标多边形的帧进行针对帧中的目标多边形的信息添加处理。
在一些实施例中,上述处理单元进一步配置用于:从该帧序列中选取包含该目标多边形的至少一个帧;对于该至少一个帧中的每一个帧,将该帧输入预先训练的多边形检测模型,得到用于表征目标多边形是否完整的检测结果信息,其中,该多边形检测模型用于表征包含该目标多边形的图像帧与检测结果信息的对应关系;根据检测结果信息,去除该至少一个帧中的包含不完整目标多边形的帧,生成待处理帧集合;对待处理帧所包含的目标多边形进行信息添加处理。
在一些实施例中,该装置还包括:获取单元,配置用于获取训练样本,该训练样本包括包含完整目标多边形的样本帧、包含不完整目标多边形的样本帧和各个样本帧的标注,其中,样本帧的标注表征样本帧所包含的目标多边形是否完整;训练单元,配置用于采用机器学习的方法,将该训练样本中的每个样本帧作为输入,将该训练样本中的每个样本帧所对应的标注作为输出,训练得到多边形检测模型。
在一些实施例中,处理单元进一步配置用于:对于从帧序列中选取包含目标多边形的帧,在帧中的目标多边形上添加文字信息和/或图片信息。
第三方面,本申请实施例提供了一种服务器,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,当该一个或多个程序被该一个或多个处理器执行,使得该一个或多个处理器实现如第一方面中任一实现方式描述的方法。
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,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于处理视频的方法和装置,通过提取目标视频的帧序列中的关键帧,以便对该关键帧进行多边形检测,而后响应于检测到该关键帧中存在多边形,将满足预设条件的多边形确定为目标多边形,然后从该帧序列中选取包含该目标多边形的帧进行针对帧中的目标多边形的信息添加处理,从而实现在视频的帧序列中添加信息。而且,由于采用多边形检测得到的目标多边形作为添加信息的载体,而不局限于矩形框,以便信息嵌入视频帧序列中。
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是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于处理视频的方法的一个实施例的流程;
图3是根据本申请的用于处理视频的方法的应用场景的示意图;
图4是根据本申请的用于处理视频的方法的又一个实施例的流程图;
图5是根据本申请的用于处理视频的方法的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的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示出了可以应用本申请的信息生成方法或信息生成装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如视频处理类应用、浏览器类应用、阅读类应用等。
终端设备101、102、103可以是具有显示屏并且支持浏览文本的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如为终端设备101、102、103上所存储的目标视频提供各种视频处理服务的处理服务器。处理服务器可以对目标视频进行提取、检测等处理,并生成处理结果。
需要说明的是,上述目标视频也可以直接存储在服务器105的本地,服务器105可以直接提取本地所存储的目标的视频并进行处理,此时,可以不存在终端设备101、102、103和网络104。
需要说明的是,本申请实施例所提供的用于处理视频的方法一般由服务器105执行,相应地,用于处理视频的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于处理视频的方法的一个实施例的流程200。该用于处理视频的方法,包括以下步骤:
步骤201,提取目标视频的帧序列中的关键帧。
在本实施例中,用于处理视频的方法运行于其上的电子设备(例如图1所示的服务器105)可以首先提取目标视频。其中,上述目标视频可以是预先存储在上述电子设备中的、技术人员所预先指定的视频,上述电子设备可以直接提取本地所预先存储的上述视频。另外,上述目标视频也可以是上述电子设备通过有线连接方式或者无线连接方式从客户端(例如图1所示的终端设备101、102、103)所接收的视频。其中,视频的帧序列由按序排列的多个图像(每个图像为一帧)组成。关键帧包括但不限于以下至少一项:包含指定内容的帧、帧中包含的人物的动作发生改变的帧、技术人员预先指定的帧。
可选的,可以通过非线性编辑软件对目标视频进行处理得到帧序列。实践中,上述客户端可以向上述电子设备发送包含上述目标视频的解析请求,上述电子设备接收到该解析请求后,可以提取该解析请求中所包含的目标视频。需要说明的是,上述目标视频可以是各种格式的。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202,对关键帧进行多边形检测。
在本实施例中,上述电子设备可以利用各种检测方法对关键帧进行多边形检测。可选的,多边形检测方法至少包括:多边形逼近检测法和基于基元表示的多边形检测法。可选的,多边形可以是关键帧中的多边形物体的轮廓或闭合背景区块的轮廓。作为示例,关键帧中的多边形可以是相框、电脑屏幕等物体的轮廓。
步骤203,响应于检测到该关键帧中存在多边形,将满足预设条件的多边形确定为目标多边形。
在本实施例中,基于步骤202,将检测到的、满足预设条件的多边形确定为目标多边形。实践中,根据需要添加的信息的不同,预设条件可以是对多边形的大小、形状等加以限定的条件。
步骤204,从该帧序列中选取包含该目标多边形的帧进行针对帧中的目标多边形的信息添加处理。
在本实施例中,基于步骤203,检测上述帧序列中包含目标多边形的帧,选取包含目标多边形的至少一个帧并进行信息添加处理。其中,信息添加处理可以是对目标多边形的各种处理。可选的,可以对目标多边形进行渲染,也可以添加各种形式的信息。作为示例,待添加的信息可以是文字、图片等。上述电子设备可以将该信息附加在目标多边形上。
继续参见图3,图3是根据本实施例的用于处理视频的方法的应用场景的一个示意图300。在图3的应用场景中,示例性的列出了一个包含四帧图像301、302、303和304的帧序列,其中图像帧301为关键帧。待添加的信息为文字信息“你好”。首先提取关键帧301,检测其中包含的多边形,包括屏幕3011、桌子3012等。根据待添加的文字信息的显示合理性,确定屏幕3011为目标多边形。而后选取帧序列中包含屏幕3011的图像帧304,将待添加的文字信息“你好”添加至图像帧304中的屏幕3041上。
本申请的上述实施例提供的方法通过提取目标视频的帧序列中的关键帧,以便对该关键帧进行多边形检测,而后响应于检测到该关键帧中存在多边形,将满足预设条件的多边形确定为目标多边形,然后从该帧序列中选取包含该目标多边形的帧进行针对帧中的目标多边形的信息添加处理,从而实现在视频的帧序列中添加信息。而且,由于采用经多边形检测得到的目标多边形作为添加信息的载体,而不局限于传统的矩形框,使信息嵌入视频帧序列中。
进一步参考图4,其示出了用于处理视频的方法的又一个实施例的流程400。该用于处理视频的方法的流程400,包括以下步骤:
步骤401,提取目标视频的帧序列中的关键帧。
在本实施例中,用于生成视频的方法运行于其上的电子设备(例如图1所示的服务器105)可以首先提取目标视频,而后,可以对上述目标视频帧序列中的关键帧进行提取。关键帧包括但不限于以下至少一项:包含指定内容的帧、帧中包含的人物的动作发生改变的帧、技术人员预先指定的帧。
步骤402,对该关键帧进行多边形检测。
在本实施例中,上述电子设备可以利用各种检测方法对关键帧进行多边形检测。
步骤403,响应于检测到该关键帧中存在多边形,将满足预设条件的多边形确定为目标多边形。
在本实施例中,基于步骤402,将检测到的、满足预设条件的多边形确定为目标多边形。
需要说明的是,上述步骤401-403的操作与上述步骤201-203的操作基本相同,在此不再赘述。
步骤404,从上述帧序列中选取包含目标多边形的至少一个帧。
在本实施例中,基于步骤403,检测上述帧序列中包含目标多边形的帧,选取包含目标多边形的至少一个帧。
步骤405,对于至少一个帧中的每一个帧,将该帧输入预先训练的多边形检测模型,得到用于表征目标多边形是否完整的检测结果信息,其中,该多边形检测模型用于表征包含目标多边形的图像帧与检测结果信息的对应关系。作为示例,目标多边形(例如相框的轮廓或电脑屏幕的轮廓)是否完整可以是指该目标多边形出现在帧序列中除关键帧以外的帧中时,目标多边形(例如相框的轮廓或电脑屏幕的轮廓)是否被该帧中的其他物体遮挡。
在本实施例中,上述多边形检测结果信息用于表征目标多边形是否完整。作为示例,多边形检测结果信息可以是一个数值。需要说明的是,多边形检测模型可以用于表征包含目标多边形的图像帧与检测结果信息的对应关系。作为示例,多边形检测模型可以是技术人员基于对大量的包含目标多边形的图像帧和检测结果信息的统计而预先制定的、存储有多个包含目标多边形的图像帧与检测结果信息的对应关系的对应关系表;也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对包含目标多边形的图像帧中的一个或多个数值进行数值计算以得到用于表征检测结果信息的计算结果的计算公式,例如,该计算公式可以是将包含目标多边形的图像帧中的多边形的顶点数与多边形的边数相减,得到的差值可以用于表征检测结果信息。
作为示例,上述多边形检测模型还可以是基于训练样本对卷积神经网络(Convolutional Neural Network,CNN)等现有的图像处理模型进行有监督训练后得到的,其中,训练样本包括包含完整目标多边形的样本帧、包含不完整目标多边形的样本帧和每个样本帧的标注,其中,样本帧的标注表征样本帧所包含的目标多边形是否完整。
在本实施例的一些可选的实现方式中,上述通过对卷积神经网络等模型训练得到的多边形检测模型,可以通过以下步骤训练得到:首先获取训练样本,该训练样本包括包含完整目标多边形的样本帧、包含不完整目标多边形的样本帧和各个样本帧的标注,其中,样本帧的标注表征样本帧所包含的目标多边形是否完整;然后,采用机器学习的方法,将该训练样本中的每个样本帧作为输入,将该训练样本中的每个样本帧所对应的标注作为输出,训练得到多边形检测模型。
步骤406,根据检测结果信息,去除至少一个帧中的包含不完整目标多边形的帧,生成待处理帧集合。
在本实施例中,基于步骤405,上述电子设备将包含不完整目标多边形的帧从至少一个帧中去除。
步骤407,对待处理帧所包含的目标多边形进行信息添加处理。
在本实施例中,信息添加处理可以是对目标多边形的各种处理。可选的,可以对目标多边形进行渲染,也可以添加各种形式的信息。作为示例,待添加的信息可以是文字、图片等。对于经过步骤405操作的至少一个帧,上述电子设备可以将该信息附加在目标多边形上。
在本实施例中,通过提取目标视频的帧序列中的关键帧,以便对该关键帧进行多边形检测,而后响应于检测到该关键帧中存在多边形,将满足预设条件的多边形确定为目标多边形,之后从该帧序列中选取包含该目标多边形的至少一个帧,最后对该至少一个帧中所包含的多边形进行信息添加处理,从而实现在视频的帧序列中添加信息。而且,由于采用经多边形检测得到的目标多边形作为添加信息的载体,而不局限于传统矩形框,使信息嵌入视频帧序列中。
从图4中可以看出,与图2对应的实施例相比,本实施例中的信息用于处理视频的方法的流程400突出了将包含目标多边形的帧输入多边形检测模型以去除包含不完整目标多边形的帧的步骤。由此,本实施例描述的方案可以提高添加的信息的展示完整性。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于处理视频的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例上述的用于处理视频的装置500包括:第一提取单元501,配置用于提取目标视频的帧序列中的关键帧;检测单元502,配置用于对该关键帧进行多边形检测;确定单元503,配置用于响应于检测到该关键帧中存在多边形,将满足预设条件的多边形确定为目标多边形;处理单元504,配置用于从帧序列中选取包含所目标多边形的帧进行针对帧中的目标多边形的信息添加处理。
在本实施例的一些可选的实现方式中,上述图像生成装置500中的处理单元进一步配置用于:从该帧序列中选取包含该目标多边形的至少一个帧;对于该至少一个帧中的每一个帧,将该帧输入预先训练的多边形检测模型,得到用于表征目标多边形是否完整的检测结果信息,其中,该多边形检测模型用于表征包含该目标多边形的图像帧与检测结果信息的对应关系;根据检测结果信息,去除该至少一个帧中的包含不完整目标多边形的帧,生成待处理帧集合;对待处理帧所包含的目标多边形进行信息添加处理。
在本实施例的一些可选的实现方式中,上述图像生成装置500还可以包括获取单元和训练单元。其中,上述获取单元配置用于获取训练样本,该训练样本包括包含完整目标多边形的样本帧、包含不完整目标多边形的样本帧和各个样本帧的标注,其中,样本帧的标注表征样本帧所包含的目标多边形是否完整。上述训练单元配置用于采用机器学习的方法,将该训练样本中的每个样本帧作为输入,将该训练样本中的每个样本帧所对应的标注作为输出,训练得到多边形检测模型。
在本实施例的一些可选的实现方式中,处理单元进一步配置用于:对于从帧序列中选取包含目标多边形的帧,在帧中的目标多边形上添加文字信息和/或图片信息。
本申请的上述实施例提供的装置,通过检测单元502检测第一提取单元501提取的关键帧中的多边形,而后通过处理单元504从帧序列中选取包含该目标多边形的帧进行针对帧中的目标多边形的信息添加处理,从而输出添加有附加信息的视频。
下面参考图6,其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例,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,该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模块、程序段、或代码的一部分,该模块、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:一种处理器包括分割单元、第一确定单元、第一输入单元和解析单元。其中,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,提取单元还可以被描述为“对目标视频的帧序列进行提取的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:提取目标视频的帧序列中的关键帧;对该关键帧进行多边形检测;响应于检测到该关键帧中存在多边形,将满足预设条件的多边形确定为目标多边形;从该帧序列中选取包含该目标多边形的帧进行针对帧中的目标多边形的信息添加处理。
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所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 (8)
1.一种用于处理视频的方法,所述方法包括:
提取目标视频的帧序列中的关键帧;
对所述关键帧进行多边形检测;
响应于检测到所述关键帧中存在多边形,将满足预设条件的所述多边形确定为目标多边形;
从所述帧序列中选取包含所述目标多边形的帧进行针对帧中的目标多边形的信息添加处理;
所述从所述帧序列中选取包含所述目标多边形的帧进行针对帧中的目标多边形的信息添加处理,包括:
从所述帧序列中选取包含所述目标多边形的至少一个帧;
对于所述至少一个帧中的每一个帧,将该帧输入预先训练的多边形检测模型,得到用于表征目标多边形是否完整的检测结果信息,其中,所述多边形检测模型用于表征包含所述目标多边形的图像帧与检测结果信息的对应关系;
根据检测结果信息,去除所述至少一个帧中的包含不完整目标多边形的帧,生成待处理帧集合;
对待处理帧所包含的目标多边形进行信息添加处理。
2.根据权利要求1所述的方法,其中,所述多边形检测模型通过以下步骤训练得到:
获取训练样本,所述训练样本包括包含完整目标多边形的样本帧、包含不完整目标多边形的样本帧和各个样本帧的标注,其中,样本帧的标注表征样本帧所包含的目标多边形是否完整;
采用机器学习的方法,将所述训练样本中的每个样本帧作为输入,将所述训练样本中的每个样本帧所对应的标注作为输出,训练得到多边形检测模型。
3.根据权利要求1所述的方法,其中,所述从所述帧序列中选取包含所述目标多边形的帧进行针对帧中的目标多边形的信息添加处理,包括:
对于从所述帧序列中选取包含所述目标多边形的帧,在帧中的目标多边形上添加文字信息和/或图片信息。
4.一种用于处理视频的装置,所述装置包括:
第一提取单元,配置用于提取目标视频的帧序列中的关键帧;
检测单元,配置用于对所述关键帧进行多边形检测;
确定单元,配置用于响应于检测到所述关键帧中存在多边形,将满足预设条件的所述多边形确定为目标多边形;
处理单元,配置用于从所述帧序列中选取包含所述目标多边形的帧进行针对帧中的目标多边形的信息添加处理;
所述处理单元进一步配置用于:
从所述帧序列中选取包含所述目标多边形的至少一个帧;对于所述至少一个帧中的每一个帧,将该帧输入预先训练的多边形检测模型,得到用于表征目标多边形是否完整的检测结果信息,其中,所述多边形检测模型用于表征包含所述目标多边形的图像帧与检测结果信息的对应关系;根据检测结果信息,去除所述至少一个帧中的包含不完整目标多边形的帧,生成待处理帧集合;对待处理帧所包含的目标多边形进行信息添加处理。
5.根据权利要求4所述的装置,其中,所述装置还包括:
获取单元,配置用于获取训练样本,所述训练样本包括包含完整目标多边形的样本帧、包含不完整目标多边形的样本帧和各个样本帧的标注,其中,样本帧的标注表征样本帧所包含的目标多边形是否完整;
训练单元,配置用于采用机器学习的方法,将所述训练样本中的每个样本帧作为输入,将所述训练样本中的每个样本帧所对应的标注作为输出,训练得到多边形检测模型。
6.根据权利要求4所述的装置,其中,所述处理单元进一步配置用于:
对于从所述帧序列中选取包含所述目标多边形的帧,在帧中的目标多边形上添加文字信息和/或图片信息。
7.一种服务器,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1-3中任一所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810008174.0A CN108228835B (zh) | 2018-01-04 | 2018-01-04 | 用于处理视频的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810008174.0A CN108228835B (zh) | 2018-01-04 | 2018-01-04 | 用于处理视频的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108228835A CN108228835A (zh) | 2018-06-29 |
CN108228835B true CN108228835B (zh) | 2019-08-09 |
Family
ID=62643091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810008174.0A Active CN108228835B (zh) | 2018-01-04 | 2018-01-04 | 用于处理视频的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108228835B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109104620B (zh) * | 2018-07-26 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种短视频推荐方法、装置和可读介质 |
CN109165574B (zh) * | 2018-08-03 | 2022-09-16 | 百度在线网络技术(北京)有限公司 | 视频检测方法和装置 |
CN110084835B (zh) * | 2019-06-06 | 2020-08-21 | 北京字节跳动网络技术有限公司 | 用于处理视频的方法和装置 |
CN111292280B (zh) * | 2020-01-20 | 2023-08-29 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN111598917B (zh) * | 2020-07-15 | 2020-12-04 | 腾讯科技(深圳)有限公司 | 数据嵌入方法、装置、设备及计算机可读存储介质 |
CN112784176A (zh) * | 2020-12-29 | 2021-05-11 | 云景文旅科技有限公司 | 基于地理定位的游览信息获取方法和智能游览系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103986980A (zh) * | 2014-05-30 | 2014-08-13 | 中国传媒大学 | 一种超媒体编辑制作方法及系统 |
CN105957114A (zh) * | 2016-05-09 | 2016-09-21 | 北京小米移动软件有限公司 | 对图像中多边形进行检测的方法及装置 |
CN106658035A (zh) * | 2016-12-09 | 2017-05-10 | 武汉斗鱼网络科技有限公司 | 一种特效礼物动态展示方法及装置 |
CN106792157A (zh) * | 2016-12-13 | 2017-05-31 | 广东中星电子有限公司 | 一种基于视频的信息标注与显示方法和系统 |
-
2018
- 2018-01-04 CN CN201810008174.0A patent/CN108228835B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103986980A (zh) * | 2014-05-30 | 2014-08-13 | 中国传媒大学 | 一种超媒体编辑制作方法及系统 |
CN105957114A (zh) * | 2016-05-09 | 2016-09-21 | 北京小米移动软件有限公司 | 对图像中多边形进行检测的方法及装置 |
CN106658035A (zh) * | 2016-12-09 | 2017-05-10 | 武汉斗鱼网络科技有限公司 | 一种特效礼物动态展示方法及装置 |
CN106792157A (zh) * | 2016-12-13 | 2017-05-31 | 广东中星电子有限公司 | 一种基于视频的信息标注与显示方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108228835A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108228835B (zh) | 用于处理视频的方法和装置 | |
CN109002842A (zh) | 图像识别方法和装置 | |
CN109508681A (zh) | 生成人体关键点检测模型的方法和装置 | |
CN107644209A (zh) | 人脸检测方法和装置 | |
CN109460513A (zh) | 用于生成点击率预测模型的方法和装置 | |
CN109523503A (zh) | 一种图像裁剪的方法和装置 | |
CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
CN109360028A (zh) | 用于推送信息的方法和装置 | |
CN108986169A (zh) | 用于处理图像的方法和装置 | |
CN108595628A (zh) | 用于推送信息的方法和装置 | |
CN109308490A (zh) | 用于生成信息的方法和装置 | |
CN109446990A (zh) | 用于生成信息的方法和装置 | |
CN109308681A (zh) | 图像处理方法和装置 | |
CN109308469A (zh) | 用于生成信息的方法和装置 | |
CN107577807A (zh) | 用于推送信息的方法和装置 | |
CN109086780A (zh) | 用于检测电极片毛刺的方法和装置 | |
CN109934242A (zh) | 图片识别方法和装置 | |
CN109255767A (zh) | 图像处理方法和装置 | |
CN110263748A (zh) | 用于发送信息的方法和装置 | |
CN109214501A (zh) | 用于识别信息的方法和装置 | |
CN110070076B (zh) | 用于选取训练用样本的方法和装置 | |
CN109242801A (zh) | 图像处理方法和装置 | |
CN108510084A (zh) | 用于生成信息的方法和装置 | |
CN109241921A (zh) | 用于检测人脸关键点的方法和装置 | |
CN109389096A (zh) | 检测方法和装置 |
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 |