CN108549655A - 一种影视作品的制作方法、装置及设备 - Google Patents

Abstract

本说明书公开一种影视作品的制作方法、装置及设备，该方法中可以通过预先训练的分析模型，对用户输入的影视元素进行分析，以确定出影视元素对应的特征属性，而后，从预先收集的各视频素材中筛选出与确定出的影视元素对应的特征属性相匹配的视频素材，进而通过预先训练出的制作模型以及确定出的影视元素对应的特征属性，对筛选出的视频素材进行编排，得到影视作品。

Description

一种影视作品的制作方法、装置及设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种影视作品的制作方法、装置及设备。

背景技术

当前，影视行业的发展十分迅速，大量的国内外影视佳作进入到在全国各地的电影院、电视台中进行播放，从而给人们带来了丰富、多样的观影体验。

在实际应用中，一部影视作品的制作流程较为复杂，从编剧、演员选取、拍摄到后期制作，通常需要经过较长的时间才能完成。并且，一部影视作品的影视风格、表演风格、服饰特点等往往都是由拍摄该影视作品的导演、编剧、演员等决定的，而由于不同的用户所喜爱的导演、演员有所不同，因此，一部影视作品往往也只能受到一部分用户的青睐。

基于现有技术，需要更为有效的影视作品的制作方式。

发明内容

本说明书提供一种影视作品的制作方法，用以解决现有技术的影视作品的制作方式成本较高、效率低下，无法满足用户需求的问题。

本说明书提供了一种影视作品的制作方法，包括：

通过预先训练的分析模型，对用户输入的影视元素进行分析，确定所述影视元素对应的特征属性；

从预先收集的各视频素材中筛选与所述特征属性相匹配的视频素材；

通过预先训练的制作模型以及所述特征属性，对筛选出的视频素材进行编排，得到影视作品。

本说明书提供一种影视作品的制作装置，用以解决现有技术的影视作品的制作方式成本较高、效率低下，无法满足用户需求的问题。

本说明书提供了一种影视作品的制作装置，包括：

分析模块，通过预先训练的分析模型，对用户输入的影视元素进行分析，确定所述影视元素对应的特征属性；

筛选模块，从预先收集的各视频素材中筛选与所述特征属性相匹配的视频素材；

编排模块，通过预先训练的制作模型以及所述特征属性，对筛选出的视频素材进行编排，得到影视作品。

本说明书提供一种影视作品的制作设备，用以解决现有技术的影视作品的制作方式成本较高、效率低下，无法满足用户需求的问题。

本说明书提供了一种影视作品的制作设备，包括一个或多个存储器以及处理器，所述存储器存储程序，并且被配置成由所述一个或多个处理器执行以下步骤：

通过预先训练的分析模型，对用户输入的影视元素进行分析，确定所述影视元素对应的特征属性；

从预先收集的各视频素材中筛选与所述特征属性相匹配的视频素材；

通过预先训练的制作模型以及所述特征属性，对筛选出的视频素材进行编排，得到影视作品。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书一个或多个实施例中，可以通过预先训练的分析模型，对用户输入的影视元素进行分析，以确定出影视元素对应的特征属性，而后，从预先收集的各视频素材中筛选出与确定出的影视元素对应的特征属性相匹配的视频素材，进而通过预先训练出的制作模型以及确定出的影视元素对应的特征属性，对筛选出的视频素材进行编排，得到影视作品。

从上述方法中可以看出，由于用户可以通过自行选择的影视元素，通过预先训练的分析模型以及制作模型，完成影视作品的制作，这样不仅极大的降低了影视作品的制作成本，提高了影视作品的制作效率，同时，用于制作出的影视作品是基于用户选择的各影视元素而完成的，所以，制作出的影视作品能够很好迎合用户的需求，从而在一定程度上提高了用户的观影体验。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书提供的结合确定出的各项特征属性进行影视作品制作的示意图；

图2为本说明书提供的影视作品的制作过程示意图；

图3为本说明书提供的服务器对各演员的视频图像进行调整的示意图；

图4为本说明书提供的影视作品的制作装置示意图；

图5为本说明书提供的影视作品的制作设备示意图。

具体实施方式

在本说明书中，用户可以基于自身的喜好、需求，制作所需的影视作品，如图1所示。

图1为本说明书提供的结合确定出的各项特征属性进行影视作品制作的示意图。

从图1中可以看出，可以通过预先训练好的分析模型，确定出导演的拍摄风格(如图1中所示的黑色幽默、暴力美学等)，演员的面部表情、肢体动作等特征属性、以及剧本的作品类型、时代背景等特征属性，而后，可以通过预先训练出的制作模型，对确定出的这些特征属性进行聚合，以制作出能够体现出这些特征属性的影视作品，供用户进行观看。

其中，执行上述影视作品制作方法的执行主体可以是诸如电脑等终端，也可以是服务器，用户可以在诸如手机、平板电脑等终端中输入制作影视作品所需的影视元素，并通过该终端发送给服务器。服务器可以通过终端发送的影视元素，利用预先训练出的分析模型以及制作模型，进行影视作品的制作。为了方便后续描述，下面将仅以服务器为执行主体，对本说明书提供的影视作品的制作方法进行说明。

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

图2为本说明书提供的影视作品的制作过程示意图，具体包括以下步骤：

S200：通过预先训练的分析模型，对用户输入的影视元素进行分析，确定所述影视元素对应的特征属性。

在本说明书中，用户可以在自己所持有的终端中，输入影视元素，终端可将这些影视元素发送给服务器，以使服务器通过用户输入的这些影视元素，制作出用户心仪的影视作品。其中，这里提到的终端可以是指诸如手机、平板电脑、台式电脑等设备。

终端可以将用户在终端界面中填写的影视元素，确定为用户输入的影视元素，也可以将用户在终端界面中所选择的影视元素，确定为用户输入的影视元素。由于在实际应用中，通常需要剧本、拍摄影视作品的导演以及演员，才能拍摄出一部影视作品，因此，这里提到的影视元素可以包括用户选择的剧本和用户选择的影视人选。而这里提到的影视人选可以是用户选择的导演，以及用户选择至少一个演员，其中，这里提到的演员可以是指真实的演员，也可以是用户选择的虚拟演员(如某动画中的角色人物)。

在实际应用中，由于用户喜欢的导演有所不同，喜爱的演员也有所不同，所以，针对同一剧本来说，服务器通过用户选择出的不同导演、演员，可以制作出适合不同用户，符合不同用户胃口的各影视作品，从而在一定程度上，极大的满足了用户的观影需求，实现了能够为用户的需求量身定制影视作品。

在本说明书中，服务器中可以包含有两种分析模型，一种分析模型可以用于对剧本进行分析，该分析模型可以称之为第一分析模型，而用于分析影视人选的特征属性的分析模型，可以称之为是第二分析模型。

基于此，服务器确定出用户选择的剧本后，可以通过预先训练的分析模型，对该剧本的文本内容进行分析，以确定出该剧本的特征属性。其中，终端可以将用户输入的剧本的名称发送给服务器，服务器可以通过该剧本的名称，从网络中获取该剧本的文本内容，当然，终端也可以将用户上传的该剧本的文本文件发送给服务器，服务器可以通过该第一分析模型，对该剧本的文本文件中所包含的文本内容进行的分析，以确定出该剧本的特征属性。

这里提到的剧本的特征属性可以包括该剧本的时代背景、环境、作品类型、人物关系、人物特征、角色地位(所谓的角色地位是指在该剧本中哪些角色是主角、哪些是配角)，剧情气氛等。服务器后续可以通过确定出的这些特征属性，进行视频素材的筛选，以进行影视作品的制作。

同理，在本说明书中，服务器可以通过上述第二分析模型，对用户选择的导演进行分析，以确定出该导演对应的特征属性。具体的，服务器确定出用户选择的导演后，可以从网络中，获取该导演的影视作品。而后，服务器可以通过该第二分析模型，对该导演的影视作品进行分析，以确定出该导演对应的特征属性。其中，这里提到的该导演对应的特征属性可以包括：拍摄风格、叙事手段等。

需要说明的是，在实际应用中，一个导演拍摄的各影视作品所体现出拍摄风格、采用的叙事手段可能不尽相同。因此，服务器可以通过第二分析模型，对该导演的各个影视作品进行分析，以分别确定出该导演拍摄各影视作品所采用的叙事手段以及体现出的拍摄风格。而后，服务器可以统计出不同拍摄风格所对应的影视作品的数量，以及采用不同叙事手段拍摄出的影视作品的数量，进而确定出该导演最常用的叙事手段以及该导演最明显的拍摄风格。

在本说明书中，服务器在确定出用户选择的至少一个演员后，可以通过上述第二分析模型，确定出各演员对应的特征属性。具体的，服务器在确定出用户选择的各演员，可以针对每个演员，从网络中获取该演员的各影视作品，进而将这些影视作品输入到该第二分析模型中，以确定出该演员对应的特征属性。

其中，这里提到的该演员对应的特征属性包括：肢体特征、擅长角色类型、声纹特征、面部表情参数(该面部表情参数用于表征演员在不同表情下的面部特征)等。

需要说明的是，在本说明书中，服务器在使用上述分析模型(包括第一分析模型和第二分析模型)之前，需要对该分析模型进行训练。具体的，训练该分析模型的工作人员可以预先收集一些影视元素(包括各种剧本、导演、演员等)作为样本影视元素，并通过人工的方式，标记出的样本影视元素所对应的特征属性。而后，可以将这些样本影视元素输入到服务器中包含的待训练的分析模型中，以结合标记出的样本影视元素所对应的特征属性，对该分析模型进行训练。

S202：从预先收集的各视频素材中筛选与所述特征属性相匹配的视频素材。

在本说明书中，服务器中包含有预先收集的大量的视频素材，基于此，服务器确定出用户选择的影视元素所对应的特征属性后，可以根据确定出的特征属性，从预先收集的各视频素材中，筛选出与确定出的特征属性相匹配的视频素材，以在后续过程中，通过筛选出的视频素材，进行影视作品的制作。

其中，对于一部影视作品来说，其包含的各种背景、环境等应是与剧本本身存在紧密联系关系的。因此，服务器可以基于确定出的剧本的特征属性，从预先收集的大量视频素材中，确定出与该剧本的特征属性(如时代背景、环境、剧情气氛)相匹配的各视频素材。

当然，在本说明书中，服务器也可以根据确定出的演员对应的特征属性，从预先收集的大量视频素材中筛选出与演员对应的特征属性相匹配的视频素材，以在后续过程中，通过确定出的这些视频素材所包含的演员的视频图像，制作影视作品。

S204：通过预先训练的制作模型以及所述特征属性，对筛选出的视频素材进行编排，得到影视作品。

服务器可以通过预先训练的制作模型，基于确定出的各影视元素对应的特征属性，对筛选出的各视频素材进行编排，以制作影视作品。具体的，对于一个剧本来说，由于不同导演的叙事手段、拍摄风格有所不同，所以，最终拍摄出的影视作品在叙述剧本中剧情的顺序、拍摄重点也将存在差异。

基于此，在本说明书中，可以通过该制作模型、确定出的剧本对应的特征属性以及该导演对应的特征属性，确定出该剧本的内容编排模型，进而根据确定出的该剧本的内容编排模式，对筛选出的视频素材进行编排，得到第一影视作品。

换句话说，服务器通过该制作模型，结合该剧本对应的特征属性以及该导演对应的特征属性，可以确定出该剧本的剧情发展顺序、内容侧重点等应该以何种形式呈现。这里提到的该剧本的剧情发展顺序、内容侧重点即为这里提到的该剧本的内容编排模式。

服务器确定出上述第一影视作品后，可以进一步按照该剧本的内容编排模式，将确定出的至少一个演员的视频图像添加在该第一影视作品中，得到第二影视作品。其中，该至少一个演员的视频图像可以是服务器之前根据确定出的每个演员所对应的特征属性，从预先收集的大量视频素材中筛选出的。

一部影视作品中各角色会随着该影视作品的剧情发展顺序，将在该影视作品中的不同时刻出现。而由于一个剧本经导演拍摄成影视作品后，其剧情发展顺序，内容侧重点等相对于该剧本原本的剧情发展顺序、内容侧重点等将发生变化，相应的，该剧本中各角色在该剧本中出现的时刻随之也将发生变化。

因此，服务器可以通过上述第一分析模型，针对该剧本中的每个角色，确定出在该剧本中该角色出现的各时刻。而后，服务器可以将确定出的该剧本中各角色出现的各时刻作为该剧本的特征属性，结合确定出的用户选择的各演员与该剧本中各角色的对应关系，通过该制作模型，确定出用户选择的各演员应在该内容编排模式下的剧本中所出现的各时刻。

其中，这里提到的用户选择的各演员与该剧本中各角色的对应关系，可以是服务器根据用户选择的各演员与该剧本中各角色的对应关系确定出的。服务器在通过上述第一分析模型分析该剧本后，可以通过终端向用户展示剧本中各角色、各角色之间的人物关系以及各角色的角色地位(如主角、配角等)。用户可以基于服务器通过终端向用户展示的各角色的角色地位，在终端中输入各角色所对应的演员，以使服务器确定出的用户选择出的各演员与该剧本中各角色的对应关系。

服务器可以根据确定出用户选择的各演员在该内容编排模式下的剧本中所出现的各时刻，将各演员所对应的视频图像添加在该第一影视作品中，以得到第二影视作品。也即，在得到第一影视作品的基础上，服务器可以针对每个演员，按照该剧本的剧情发展顺序，将该演员的视频图像添加在该第一影视作品中该演员对应的角色出现的各时刻上。

当然，在本说明书中，服务器也可以在确定出该剧本的内容编排模式后，进一步确定出该内容编排模式下的新剧本，并将该新剧本输入到上述第一分析模型中，以确定出的该新剧本中各角色所出现的时刻，进而确定出各演员在该新剧本所对应的第一影视作品(由于该新剧本和第一影视作品均是以该内容编排模式为基础得到的，所以，该第一影视作品与该新剧本相对应)中出现的各时刻。

对于一部影视作品来说，在该影视作品的不同剧情气氛下，演员的肢体动作、面部表情等也会有所不同。因此，在本说明书中，服务器针对每个演员，可以根据确定出的该演员在该剧本中对应的角色，该演员对应的角色在该内容编排模式下的剧本中所出现的各时刻，以及该演员对应的角色出现在该剧本中各时刻所处于的形貌状态，确定出该演员出现在该影视作品中各时刻的形貌状态。其中，这里提到的形貌状态用于表征演员在该影视作品中的一个时刻应处于什么样的肢体动作、面部表情等。而服务器可以通过上述第一分析模型，对该剧本进行分析，并将确定出的该剧本中各角色在各时刻的形貌状态作为该剧本的特征属性。

例如，假设确定在该第二影视作品的一段中，剧情气氛为紧张的状态，则可以确定出该演员所对应的角色在这一段所应展现出的形貌状态应为表情紧张、凝重的状态。

服务器确定出各演员出现在该第二影视作品中各时刻的形貌状态后，可以根据确定出的各演员所对应的特征属性，对各演员的视频图像进行形貌调整。

其中，服务器在此之前，通过上述第二分析模型，可以确定出各演员在不同情绪下的面部表情参数，进而通过该制作模型，按照确定出的各演员在不同情绪下的面部表情参数，对各演员在该第二影视作品中出现时的面部进行调整，以适应剧情气氛。同理，对于演员在该第二影视作品中不同剧情气氛下的肢体动作，也可以基于确定出的各演员的肢体特征进行调整，如图3所示。

图3为本说明书提供的服务器对各演员的视频图像进行调整的示意图。

假设，服务器确定出演员A所对应的角色A在第二影视作品中的时刻A出现，则可以将该演员A的一帧视频图像添加在该第二影视作品的时刻A中。后，服务器可以根据确定出的该剧本的剧情气氛以及剧情发展顺序，确定出在时刻A时演员A应处于表情气愤、大步向前的形貌状态，进而基于确定出的该演员A所对应的面部表情参数、肢体特征等，对该演员A在时刻A的这一帧视频图像进行调整，得到调整后的该演员A的视频图像。

服务器对第二影视作品中各演员在各时刻出现时的形貌状态进行调整后，可以对调整后的第二影视作品进行诸如配乐、添加字幕等处理，进而得到最终的影视作品，并返回给用户进行观看。

其中，服务器可以通过上述第一分析模型，将该剧本的文本内容翻译成用户所选语言对应的文字，并确定出各角色所对应的台词。而后，可以按照各角色在该第二影视作品(或第一影视作品)中出现的各时刻，确定出各角色对应的台词在该第二影视作品(或第一影视作品)中出现的各时刻，进而将各台词转换成字幕，添加在该第二影视作品(或第一影视作品)相应的各时刻中。

服务器可以根据确定出的该剧本中包含的各剧情气氛，从预先收集的各配乐素材中确定出与各剧情气氛相匹配的配乐素材，进而将各配乐素材按照各剧情气氛在该第二影视作品中所出现的各时刻，添加在该第二影视作品中。

从上述方法中可以看出，由于用户可以通过自行选择的影视元素，通过预先训练的分析模型以及制作模型，完成影视作品的制作，这样不仅极大的降低了影视作品的制作成本，提高了影视作品的制作效率，同时，用于制作出的影视作品是基于用户选择的各影视元素而完成的，所以，制作出的影视作品能够很好迎合用户的需求，从而在一定程度上提高了用户的观影体验。

需要说明的是，上述提到的制作模型可以是训练该制作模型的工作人员，预先将标记出的各样本影视元素对应的各样本特征属性以及收集到的各样本影视元素对应的标准影视作品，对该制作模型进行训练。例如，假设训练该制作模型工作人员通过人工的方式，确定出导演A、演员B、C、D对应的特征属性，并将从网络中查找到的导演A拍摄的、演员B、C、D参演的影视作品作为标准影视作品。工作人员可以基于确定出的这些特征属性以及该标准影视作品，对该制作模型进行训练。

由于剧本中可能涉及大量的人物，如军队、闹市中的百姓等，因此，服务器可以从预先收集的各人物素材中，按照该剧本的特征属性筛选出一些人物素材，继而将这些人物素材所对应的视频图像添加在该第二影视作品(或第一影视作品)中合适的各时刻中。

以上为本说明书的一个或多个实施例提供的影视作品的制作方法，基于同样的思路，本说明书还提供了相应的影视作品的制作装置，如图4所示。

图4为本说明书提供的一种影视作品的制作装置示意图，具体包括：

分析模块401，通过预先训练的分析模型，对用户输入的影视元素进行分析，确定所述影视元素对应的特征属性；

筛选模块402，从预先收集的各视频素材中筛选与所述特征属性相匹配的视频素材；

编排模块403，通过预先训练的制作模型以及所述特征属性，对筛选出的视频素材进行编排，得到影视作品。

所述装置还包括：

第一训练模块404，通过预先收集的各样本影视元素以及标记出的所述各样本影视元素对应的特征属性，对所述分析模型进行训练。

所述用户输入的影视元素包括：用户选择的剧本和用户选择的影视人选；所述影视人选包括：用户选择的导演、用户选择的至少一个演员中的至少一种；

所述分析模型包括：第一分析模型和第二分析模型。

所述分析模块401，当所述影视元素为所述用户选择的剧本时，则通过所述第一分析模型，对所述剧本进行分析，以确定所述剧本对应的特征属性；当所述影视元素为所述用户选择的导演时，确定所述导演的影视作品，通过所述第二分析模型，对所述导演的影视作品进行分析，以确定所述导演对应的特征属性；当所述影视元素为所述用户选择的至少一个演员时，则针对所述用户选择的每个演员，确定该演员的影视作品，通过所述第二分析模型，对该演员的影视作品进行分析，以确定该演员对应的特征属性。

所述编排模块403，通过所述制作模型、所述剧本对应的特征属性以及所述导演对应的特征属性，确定所述剧本的内容编排模式；根据所述剧本的内容编排模式，对筛选出的视频素材进行编排，得到第一影视作品；按照所述剧本的内容编排模式，将确定出的所述至少一个演员的视频图像添加在所述第一影视作品中，得到第二影视作品；针对所述第二影视作品中每个演员的视频图像，根据所述剧本的内容编排模式以及确定出的该演员对应的特征属性，对该演员的视频图像进行调整，并将调整后的第二影视作品作为制作的影视作品。

所述剧本对应的特征属性包括：所述剧本中各角色出现的各时刻；

所述编排模块403，针对每个演员，根据确定出的所述用户选择的所述至少一个演员与所述剧本中各角色的对应关系，确定该演员在所述剧本中对应的角色；根据确定出的所述剧本中各角色出现的各时刻，以及所述至少一个演员在所述剧本中对应的各角色，通过所述制作模型，确定所述至少一个演员在所述内容编排模式下的剧本中所出现的各时刻；根据确定出的所述至少一个演员在所述内容编排模式下的剧本中所出现的各时刻，将所述至少一个演员的视频图像添加在所述第一影视作品中，得到第二影视作品。

所述剧本对应的特征属性还包括：所述剧本中各角色在各时刻的形貌状态；

所述编排模块403，针对每个演员，根据确定出的该演员在所述剧本中对应的角色、所述剧本中各角色在所述内容编排模式下的剧本中所出现的各时刻，以及所述剧本中各角色在各时刻的形貌状态，确定该演员出现在所述第二影视作品中各时刻的形貌状态；根据确定出的该演员在所述第二影视作品中各时刻的形貌状态，以及该演员对应的特征属性，对该演员的视频图像进行形貌调整。

所述装置还包括：

第二训练模块405，通过预先标记出的各样本影视元素对应的各样本特征属性以及收集到的所述各样本影视元素对应的标准影视作品，对所述制作模型进行训练。

其中，上述第一训练模块404和第二训练模块405也可以是一个模块，用于对待训练的模型(包括分析模型和制作模型)进行训练。

基于上述说明的影视作品的制作方法，本说明书还对应提供了一种用于影视作品的制作设备，如图5所示。该设备包括一个或多个存储器以及处理器，所述存储器存储程序，并且被配置成由所述一个或多个处理器执行以下步骤：

通过预先训练的分析模型，对用户输入的影视元素进行分析，确定所述影视元素对应的特征属性；

从预先收集的各视频素材中筛选与所述特征属性相匹配的视频素材；

通过预先训练的制作模型以及所述特征属性，对筛选出的视频素材进行编排，得到影视作品。

在本说明书的一个或多个实施例中，可以通过预先训练的分析模型，对用户输入的影视元素进行分析，以确定出影视元素对应的特征属性，而后，从预先收集的各视频素材中筛选出与确定出的影视元素对应的特征属性相匹配的视频素材，进而通过预先训练出的制作模型以及确定出的影视元素对应的特征属性，对筛选出的视频素材进行编排，得到影视作品。

从上述方法中可以看出，由于用户可以通过自行选择的影视元素，通过预先训练的分析模型以及制作模型，完成影视作品的制作，这样不仅极大的降低了影视作品的制作成本，提高了影视作品的制作效率，同时，用于制作出的影视作品是基于用户选择的各影视元素而完成的，所以，制作出的影视作品能够很好迎合用户的需求，从而在一定程度上提高了用户的观影体验。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书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，本说明书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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书一个或多个实施例的方法、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (17)

1.一种影视作品的制作方法，包括：

通过预先训练的分析模型，对用户输入的影视元素进行分析，确定所述影视元素对应的特征属性；

从预先收集的各视频素材中筛选与所述特征属性相匹配的视频素材；

通过预先训练的制作模型以及所述特征属性，对筛选出的视频素材进行编排，得到影视作品。

2.如权利要求1所述的方法，训练所述分析模型，具体包括：

通过预先收集的各样本影视元素以及标记出的所述各样本影视元素对应的特征属性，对所述分析模型进行训练。

3.如权利要求1所述的方法，所述用户输入的影视元素包括：用户选择的剧本和用户选择的影视人选；所述影视人选包括：用户选择的导演、用户选择的至少一个演员中的至少一种；

所述分析模型包括：第一分析模型和第二分析模型。

4.如权利要求3所述的方法，通过预先训练的分析模型，对用户输入的影视元素进行分析，确定所述影视元素对应的特征属性，具体包括：

当所述影视元素为所述用户选择的剧本时，则通过所述第一分析模型，对所述剧本进行分析，以确定所述剧本对应的特征属性；

当所述影视元素为所述用户选择的导演时，确定所述导演的影视作品，通过所述第二分析模型，对所述导演的影视作品进行分析，以确定所述导演对应的特征属性；

当所述影视元素为所述用户选择的至少一个演员时，则针对所述用户选择的每个演员，确定该演员的影视作品，通过所述第二分析模型，对该演员的影视作品进行分析，以确定该演员对应的特征属性。

5.如权利要求4所述的方法，通过预先训练的制作模型以及所述特征属性，对筛选出的视频素材进行编排，得到影视作品，具体包括：

通过所述制作模型、所述剧本对应的特征属性以及所述导演对应的特征属性，确定所述剧本的内容编排模式；

根据所述剧本的内容编排模式，对筛选出的视频素材进行编排，得到第一影视作品；

按照所述剧本的内容编排模式，将确定出的所述至少一个演员的视频图像添加在所述第一影视作品中，得到第二影视作品；

针对所述第二影视作品中每个演员的视频图像，根据所述剧本的内容编排模式以及确定出的该演员对应的特征属性，对该演员的视频图像进行调整，并将调整后的第二影视作品作为制作的影视作品。

6.如权利要求5所述的方法，所述剧本对应的特征属性包括：所述剧本中各角色出现的各时刻；

按照所述剧本的内容编排模式，将确定出的所述至少一个演员的视频图像添加在所述第一影视作品中，得到第二影视作品，具体包括：

针对每个演员，根据确定出的所述用户选择的所述至少一个演员与所述剧本中各角色的对应关系，确定该演员在所述剧本中对应的角色；

根据确定出的所述剧本中各角色出现的各时刻，以及所述至少一个演员在所述剧本中对应的各角色，通过所述制作模型，确定所述至少一个演员在所述内容编排模式下的剧本中所出现的各时刻；

根据确定出的所述至少一个演员在所述内容编排模式下的剧本中所出现的各时刻，将所述至少一个演员的视频图像添加在所述第一影视作品中，得到第二影视作品。

7.如权利要求6所述的方法，所述剧本对应的特征属性还包括：所述剧本中各角色在各时刻的形貌状态；

针对所述第二影视作品中每个演员的视频图像，根据所述剧本的内容编排模式以及确定出的该演员对应的特征属性，对该演员的视频图像进行调整，具体包括：

针对每个演员，根据确定出的该演员在所述剧本中对应的角色、所述剧本中各角色在所述内容编排模式下的剧本中所出现的各时刻，以及所述剧本中各角色在各时刻的形貌状态，确定该演员在所述第二影视作品中各时刻的形貌状态；

根据确定出的该演员在所述第二影视作品中各时刻的形貌状态，以及该演员对应的特征属性，对该演员的视频图像进行形貌调整。

8.如权利要求1所述的方法，训练所述制作模型，具体包括：

通过预先标记出的各样本影视元素对应的各样本特征属性以及收集到的所述各样本影视元素对应的标准影视作品，对所述制作模型进行训练。

9.一种影视作品的制作装置，包括：

分析模块，通过预先训练的分析模型，对用户输入的影视元素进行分析，确定所述影视元素对应的特征属性；

筛选模块，从预先收集的各视频素材中筛选与所述特征属性相匹配的视频素材；

编排模块，通过预先训练的制作模型以及所述特征属性，对筛选出的视频素材进行编排，得到影视作品。

10.如权利要求9所述的装置，所述装置还包括：

第一训练模块，通过预先收集的各样本影视元素以及标记出的所述各样本影视元素对应的特征属性，对所述分析模型进行训练。

11.如权利要求9所述的装置，所述用户输入的影视元素包括：用户选择的剧本和用户选择的影视人选；所述影视人选包括：用户选择的导演、用户选择的至少一个演员中的至少一种；

所述分析模型包括：第一分析模型和第二分析模型。

12.如权利要求11所述的装置，所述分析模块，当所述影视元素为所述用户选择的剧本时，则通过所述第一分析模型，对所述剧本进行分析，以确定所述剧本对应的特征属性；当所述影视元素为所述用户选择的导演时，确定所述导演的影视作品，通过所述第二分析模型，对所述导演的影视作品进行分析，以确定所述导演对应的特征属性；当所述影视元素为所述用户选择的至少一个演员时，则针对所述用户选择的每个演员，确定该演员的影视作品，通过所述第二分析模型，对该演员的影视作品进行分析，以确定该演员对应的特征属性。

13.如权利要求12所述的装置，所述编排模块，通过所述制作模型、所述剧本对应的特征属性以及所述导演对应的特征属性，确定所述剧本的内容编排模式；根据所述剧本的内容编排模式，对筛选出的视频素材进行编排，得到第一影视作品；按照所述剧本的内容编排模式，将确定出的所述至少一个演员的视频图像添加在所述第一影视作品中，得到第二影视作品；针对所述第二影视作品中每个演员的视频图像，根据所述剧本的内容编排模式以及确定出的该演员对应的特征属性，对该演员的视频图像进行调整，并将调整后的第二影视作品作为制作的影视作品。

14.如权利要求13所述的装置，所述剧本对应的特征属性包括：所述剧本中各角色出现的各时刻；

所述编排模块，针对每个演员，根据确定出的所述用户选择的所述至少一个演员与所述剧本中各角色的对应关系，确定该演员在所述剧本中对应的角色；根据确定出的所述剧本中各角色出现的各时刻，以及所述至少一个演员在所述剧本中对应的各角色，通过所述制作模型，确定所述至少一个演员在所述内容编排模式下的剧本中所出现的各时刻；根据确定出的所述至少一个演员在所述内容编排模式下的剧本中所出现的各时刻，将所述至少一个演员的视频图像添加在所述第一影视作品中，得到第二影视作品。

15.如权利要求14所述的装置，所述剧本对应的特征属性还包括：所述剧本中各角色在各时刻的形貌状态；

所述编排模块，针对每个演员，根据确定出的该演员在所述剧本中对应的角色、所述剧本中各角色在所述内容编排模式下的剧本中所出现的各时刻，以及所述剧本中各角色在各时刻的形貌状态，确定该演员出现在所述第二影视作品中各时刻的形貌状态；根据确定出的该演员在所述第二影视作品中各时刻的形貌状态，以及该演员对应的特征属性，对该演员的视频图像进行形貌调整。

16.如权利要求9所述的装置，所述装置还包括：

第二训练模块，通过预先标记出的各样本影视元素对应的各样本特征属性以及收集到的所述各样本影视元素对应的标准影视作品，对所述制作模型进行训练。

17.一种影视作品的制作设备，设备包括一个或多个存储器以及处理器，所述存储器存储程序，并且被配置成由所述一个或多个处理器执行以下步骤：

通过预先训练的分析模型，对用户输入的影视元素进行分析，确定所述影视元素对应的特征属性；

从预先收集的各视频素材中筛选与所述特征属性相匹配的视频素材；

通过预先训练的制作模型以及所述特征属性，对筛选出的视频素材进行编排，得到影视作品。