CN108632639A - 一种视频类型判断方法及服务器 - Google Patents

Abstract

本发明提供了一种视频类型判断方法及服务器，其中所述方法应用于由服务器和至少一位用户使用的终端组成的系统，所述方法包括：获取视频数据；从所述视频数据中提取特定帧；识别所述特定帧中文字信息以及文字信息所占画面比例；依据所述特定帧中文字信息以及所述比例，确定所述视频特征；依据所述视频特征以及视频库中已存储的视频数据，应用贝叶斯定理计算所述视频数据为第一类型数据的概率；依据所述概率确定所述视频数据是否为第一类型数据。通过本发明提供的视频类型判断方法，能够在支持用户上传的应用中实现了对视频的分类和判断。

Description

一种视频类型判断方法及服务器

技术领域

本发明涉及计算机视频处理技术领域，更具体地，涉及一种视频类型判断方法及服务器。

背景技术

随着网络多媒体技术的飞速发展，网络传输速度的不断提高和压缩技术的不断进步，各种多媒体信息不断涌现，数字图书馆、远程教育、视频点播、数字视频广播、交互式电视等都产生和使用了大量的多媒体数据。而在这些多媒体信息中，视频由于其内容丰富、动态性强等特点而被越来越多的人使用。由于视频信息包含的数据量大，内容庞杂，因此难以从大量视频中识别出属于特定类别的视频，从而实现高效的信息分类和监管。

很多支持用户上传的视频应用程序，每日所接收到的用户上传的大量视频文件中，并非全部都是正常视频文件，往往会包含少量广告视频。目前为了从大量视频文件中筛选出广告视频，主要采用人工一一对视频进行审核，而这种通过人工对视频进行审核的方式，一方面，效率很低，审查速度慢；另一方面，当审核出某视频为广告视频时，可能该条广告视频已经播放一段时间；再一方面，人员审核成本高，并且遇到假期或比赛等活动时会有大量视频文件集中上传，人工审核完全无法满足需求。

现有的视频特征提取技术主要的工作机制是，针对视频数据取出指定帧，与现有广告库中的广告进行匹配，从而判别是否为广告。主要提取的数据为视频特征为色彩，页面切换频率，尾部静止帧多少等特征。但这种方式对于用户自己上传的视频并不是很好的可以适用。

现有的通用机器学习方法是支持向量机(Support Vector Machine，SVM)建模和机器学习，但SVM是一种判别学习模型。传统生成模型认为数据都是某种分布生成的，并试图根据这种分布建模。采用最大似然估计(Maximum Likelihood Estimation，MLE)来求解模型参数，并用平滑算法来解决数据稀疏问题。这种方法仅当数据的概率分布形式是已知的并且存在足够大的训练数据时才能采用MLE来求解模型参数。但在支持用户上传的应用中，这两个条件很多时候无法满足。

发明内容

本发明提供了一种视频类型判断方法及服务器，以解决现有技术中存在的，针对视频应用中用户自行上传的视频进行广告审核时无法使用现有特征选取方案以及机器学习方法，同时人工审核效率底下的问题。

为了解决上述问题，本发明公开了一种视频类型判断方法，应用于由服务器和至少一位用户使用的终端组成的系统，其中，所述方法包括：获取视频数据；从所述视频数据中提取特定帧；识别所述特定帧中文字信息以及文字信息所占画面比例；依据所述特定帧中文字信息以及所述比例，确定所述视频特征；依据所述视频特征以及视频库中已存储的视频数据，应用贝叶斯定理计算所述视频数据为第一类型数据的概率；依据所述概率确定所述视频数据是否为第一类型数据。

优选地，所述特定帧包括：所述视频数据开始部分包含声音的第一设定数量帧；所述视频数据结束前第二设定数量帧；所述视频数据中部第三设定数量帧。

优选地，识别所述特定帧中文字信息以及所述文字信息所占画面比例的步骤为：通过文字识别软件识别所述文字信息对应文字内容；确定所述文字信息含有的像素数；依据所述文字信息含有的像素数确定所述文字信息所占画面比例；将所述文字信息所占画面比例按照大小分档，确定分档结果。

优选地，所述依据所述特定帧中文字信息以及所述比例，确定所述视频特征的步骤包括：依据所述文字内容确定所述视频数据是否含有敏感词，得到第一类型判断结果；依据所述分档结果，确定所述视频数据对应的文字档，其中所述视频数据对应的文字档为所有所述分档结果中的最大档；上传所述视频数据的互联网协议地址；上传所述视频数据的账号信息；将所述第一判断结果、所述文字档、所述互联网协议地址以及所述账号信息确定为所述视频特征。

优选地，依据所述概率确定所述视频数据是否为第一类型数据的步骤包括：将所述概率与预设概率阈值进行对比；当所述概率大于所述预设概率阈值时，确定所述视频数据为第一类型数据。

为了解决上述问题，本发明还公开了一种服务器，其中，所述服务器包括：视频获取模块，用于获取视频数据；帧提取模块，用于从所述视频数据中提取特定帧；文字信息识别模块，用于识别所述特定帧中文字信息以及文字信息所占画面比例；视频特征模块，用于依据所述特定帧中文字信息以及所述比例，确定所述视频特征；计算模块，用于依据所述视频特征以及视频库中已存储的视频数据，应用贝叶斯定理计算所述视频数据为第一类型数据的概率；类型判断模块，用于依据所述概率确定所述视频数据是否为第一类型数据。

优选地，所述特定帧包括：所述视频数据开始部分包含声音的第一设定数量帧；所述视频数据结束前第二设定数量帧；所述视频数据中部第三设定数量帧。

优选地，所述文字信息识别模块包括：内容识别子模块，用于通过文字识别软件识别所述文字信息对应文字内容；像素数确定子模块，用于确定所述文字信息含有的像素数；文字比例计算子模块，用于依据所述文字信息含有的像素数确定所述文字信息所占画面比例；比例分档子模块，用于将所述文字信息所占画面比例按照大小分档，确定分档结果。

优选地，所述视频特征模块包括：敏感词子模块，用于依据所述文字内容确定所述视频数据是否含有敏感词，得到第一类型判断结果；视频档确定子模块，用于依据所述分档结果，确定所述视频数据对应的文字档，其中所述视频数据对应的文字档为所有所述分档结果中的最大档；地址识别子模块，用于确定上传所述视频数据的互联网协议地址；账号识别子模块，用于确定上传所述视频数据的账号信息；特征确定子模块，用于将所述第一判断结果、所述文字档、所述互联网协议地址以及所述账号信息确定为所述视频特征。

优选地，所述类型判断模块包括：对比子模块，用于将所述概率与预设概率阈值进行对比；类型确定子模块，用于当所述概率大于所述预设概率阈值时，确定所述视频数据为第一类型数据。

与现有技术相比，本发明具有以下优点：

本发明实施例提供的一种视频类型判断方法，能解决针对用户自行上传的视频进行特征选取，同时利用贝叶斯算法生成模型，使用历史数据进行模型训练，解决了在数据的概率分布形式不确定以及在训练数据不够多时视频分类的机器学习的问题。从而在支持用户上传的应用中实现了对视频的分类和判断。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例一的一种视频类型判断方法的步骤流程图；

图2为本发明实施例二的一种视频类型判断方法的步骤流程图；

图3为本发明实施例三提供的一种服务器的结构示意图；

图4为本发明实施例四提供的一种服务器的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一

参照图1，示出了本发明实施例一的一种视频类型判断方法的步骤流程图，本发明实施例的视频类型判断方法包括以下步骤：

步骤101：获取视频数据。

步骤102：从视频数据中提取特定帧。

特定帧为视频数据中的多个特征时段的多个帧，数量可以由本领域技术人员根据实际需求进行设置，本发明实施例中对此不作具体限定。

步骤103：识别特定帧中文字信息以及文字信息所占画面比例。

特定帧为多帧，需分别提取各帧中的文字信息和文字信息所占画面比例。

步骤104：依据特定帧中文字信息以及文字比例，确定视频特征。

步骤105：依据视频特征以及视频库中已存储的视频数据，应用贝叶斯定理计算视频数据为第一类型数据的概率。

本实施例使用贝叶斯公式对第一类型概率进行计算。贝叶斯定理是关于随机事件A和B的条件概率(或边缘概率)的一则定理。贝叶斯方法建立在主观判断的基础上，可以先估计一个值，然后根据客观事实不断修正。

在经典统计学看来，科学是关于客观事实的研究，我们只要反复观察一个可重复的现象，直到积累了足够多的数据，就能从中推断出有意义的规律。而贝叶斯方法却从主观猜测出发，在数据量足够大的情况下，可以通过直接研究这些样本来推断总体的规律。因此贝叶斯方法是一种很好的利用经验帮助作出更合理判断的方法。

步骤106：依据计算的概率确定视频数据是否为第一类型数据。

通过本发明实施例提供的一种视频类型判断方法，能解决针对用户自行上传的视频进行特征选取，同时使用贝叶斯算法，在不确定数据的概率分布形式以及在训练数据不足够多时解决视频分类时的机器学习的问题。

实施例二

参照图2，示出了本发明实施例二的一种视频类型判断方法的步骤流程图，本发明实施例的视频类型判断方法包括以下步骤：

步骤201：获取视频数据。

步骤202：从视频数据中提取特定帧。

特定帧包括：视频数据开始部分包含声音的第一设定数量帧；视频数据结束前第二设定数量帧；视频数据中部第三设定数量帧。

需要说明的是，在具体实现过程中，第一设定数量、第二设定数量以及第三设定数量可以由本领域技术人员根据实际需求进行设置，本发明实施例中对此不作具体限定。并且，三者的数值可以相同也可以不同。

步骤203：通过文字识别软件识别文字信息对应文字内容。

步骤204：确定文字信息所占画面比例并将文字信息所占画面比例按照大小分档。

其中，确定文字信息所占画面比例是通过文字信息含有的像素数和当前帧的总像素数进行对比得到的。

步骤205：依据特定帧中文字信息以及确定的比例，确定视频特征。

本发明实施例中的视频特征包括：第一类型判断结果、文字档、互联网协议地址以及账号信息。

一种优选的确定视频特征的方式为：

S1：依据文字内容确定视频数据是否含有敏感词，得到第一类型判断结果；

根据不同的分类，可设定不同的敏感词。例如判断类型为广告类视频时，敏感词可以为“下载”、“手机登录”“尽快行动”等。

S2：依据分档结果，确定视频数据对应的文字档，其中视频数据对应的文字档为所有分档结果中的最大档；

S3：确定上传视频数据的互联网协议地址；

S4：确定上传视频数据的账号信息；

S5：将所述第一判断结果、所述文字档、所述互联网协议地址以及所述账号信息确定为所述视频特征。

步骤206：依据视频特征以及视频库中已存储的视频数据，计算视频数据为第一类型数据的概率。

本实施例使用贝叶斯公式进行概率计算，贝叶斯定理是关于随机事件A和B的条件概率(或边缘概率)的一则定理。贝叶斯分析的好处在于，不需要任何客观估计，这对于机器学习很重要。贝叶斯方法建立在主观判断的基础上，可以先估计一个值，然后根据客观事实不断修正。

步骤207：将概率与预设概率阈值进行对比。

需要说明的是，阈值可以由本领域技术人员根据实际需求进行设置，本发明实施例中对此不作具体限定。

步骤208：当步骤207中计算的概率大于预设概率阈值时，确定视频数据为第一类型数据。

其中，第一类型数据可以为广告数据。

本发明实施例提供的一种视频类型判断方法，除了具有实施例一中的视频类型判断方法所具有的有益效果外，还通过对不同视频特征的设定和选取提高了视频类型判断的准确性。

实施例三

参照图3，示出了本发明的一种服务器的结构示意图。本实施例所示的服务器包括：

视频获取模块301，用于获取视频数据；帧提取模块302，用于从视频数据中提取特定帧；文字信息识别模块303，用于识别特定帧中文字信息以及文字信息所占画面比例；

视频特征模块304，用于依据特定帧中文字信息以及比例，确定视频特征；计算模块305，用于依据视频特征以及视频库中已存储的视频数据，计算视频数据为第一类型数据的概率；类型判断模块306，用于依据概率确定视频数据是否为第一类型数据。

通过本发明实施例提供的服务器，能解决针对用户自行上传的视频进行特征选取，同时在不确定数据的概率分布形式以及在训练数据不足够多时解决视频分类时的机器学习的问题。

实施例四

参照图4，示出了本发明的一种视频类型判断服务器的结构示意图。本实施例所示的服务器包括：

视频获取模块401，用于获取视频数据；帧提取模块402，用于从视频数据中提取特定帧；文字信息识别模块403，用于识别特定帧中文字信息以及文字信息所占画面比例；视频特征模块404，用于依据特定帧中文字信息以及文字信息比例，确定视频特征；计算模块405，用于依据视频特征以及视频库中已存储的视频数据，计算视频数据为第一类型数据的概率；类型判断模块406，用于依据概率确定视频数据是否为第一类型数据。

优选地，特定帧包括视频数据开始部分包含声音的第一设定数量帧；视频数据结束前第二设定数量帧；视频数据中部第三设定数量帧。优选地，文字信息识别模块403包括：内容识别子模块4031，用于通过文字识别软件识别文字信息对应文字内容；像素数确定子模块4032，用于确定文字信息含有的像素数；文字比例计算子模块4033，用于依据文字信息含有的像素数确定文字信息所占画面比例；比例分档子模块4034，用于将文字信息所占画面比例按照大小分档，确定分档结果。优选地，视频特征模块404包括：敏感词子模块4041，用于依据文字内容确定视频数据是否含有敏感词，得到第一判断结果；视频档确定子模块4042，用于依据分档结果，确定视频数据对应的文字档，其中视频数据对应的文字档为所有分档结果中的最大档；地址识别子模块4043，用于确定上传视频数据的互联网协议地址；账号识别子模块4044，用于确定上传视频数据的账号信息；特征确定子模块4045，用于将第一判断结果、文字档、互联网协议地址以及账号信息确定为视频特征。

优选地，类型判断模块406包括：对比子模块4061，用于将概率与预设概率阈值进行对比；类型确定子模块4062，用于当概率大于预设概率阈值时，确定视频数据为第一类型数据。

本发明实施例的视频类型判断服务器用于实现前述实施例一以及实施例二中相应的视频类型判断方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统实施例而言，由于其与方法实施例基本相似，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。

以上对本发明所提供的一种视频类型判断方法和服务器，进行了详细介绍，本文中应用了具体个例对本发明的实施步骤及实现装置进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种视频类型判断方法，应用于由服务器和至少一位用户使用的终端组成的系统，其特征在于，所述方法包括：

获取视频数据；

从所述视频数据中提取特定帧；

识别所述特定帧中文字信息以及文字信息所占画面比例；

依据所述特定帧中文字信息以及所述比例，确定所述视频特征；

依据所述视频特征以及视频库中已存储的视频数据，应用贝叶斯定理计算所述视频数据为第一类型数据的概率；

依据所述概率确定所述视频数据是否为第一类型数据。

2.根据权利要求1所述的视频类型判断方法，其特征在于，所述特定帧包括：

所述视频数据开始部分包含声音的第一设定数量帧；

所述视频数据结束前第二设定数量帧；

所述视频数据中部第三设定数量帧。

3.根据权利要求1所述的视频类型判断方法，其特征在于，识别所述特定帧中文字信息以及所述文字信息所占画面比例的步骤为：

通过文字识别软件识别所述文字信息对应文字内容；

确定所述文字信息含有的像素数；

依据所述文字信息含有的像素数确定所述文字信息所占画面比例；

将所述文字信息所占画面比例按照大小分档，确定分档结果。

4.根据权利要求3所述的视频类型判断方法，其特征在于，所述依据所述特定帧中文字信息以及所述比例，确定所述视频特征的步骤包括：

依据所述文字内容确定所述视频数据是否含有敏感词，得到第一类型判断结果；

依据所述分档结果，确定所述视频数据对应的文字档，其中所述视频数据对应的文字档为所有所述分档结果中的最大档；

上传所述视频数据的互联网协议地址；

上传所述视频数据的账号信息；

将所述第一判断结果、所述文字档、所述互联网协议地址以及所述账号信息确定为所述视频特征。

5.根据权利要求1所述的视频类型判断方法，其特征在于，依据所述概率确定所述视频数据是否为第一类型数据的步骤包括：

将所述概率与预设概率阈值进行对比；

当所述概率大于所述预设概率阈值时，确定所述视频数据为第一类型数据。

6.一种服务器，其特征在于，所述服务器包括：

视频获取模块，用于获取视频数据；

帧提取模块，用于从所述视频数据中提取特定帧；

文字信息识别模块，用于识别所述特定帧中文字信息以及文字信息所占画面比例；

视频特征模块，用于依据所述特定帧中文字信息以及所述比例，确定所述视频特征；

计算模块，用于依据所述视频特征以及视频库中已存储的视频数据，应用贝叶斯定理计算所述视频数据为第一类型数据的概率；

类型判断模块，用于依据所述概率确定所述视频数据是否为第一类型数据。

7.根据权利要求6所述的服务器，其特征在于，所述特定帧包括：

所述视频数据开始部分包含声音的第一设定数量帧；

所述视频数据结束前第二设定数量帧；

所述视频数据中部第三设定数量帧。

8.根据权利要求6所述的服务器，其特征在于，所述文字信息识别模块包括：

内容识别子模块，用于通过文字识别软件识别所述文字信息对应文字内容；

像素数确定子模块，用于确定所述文字信息含有的像素数；

文字比例计算子模块，用于依据所述文字信息含有的像素数确定所述文字信息所占画面比例；

比例分档子模块，用于将所述文字信息所占画面比例按照大小分档，确定分档结果。

9.根据权利要求8所述的服务器，其特征在于，所述视频特征模块包括：

敏感词子模块，用于依据所述文字内容确定所述视频数据是否含有敏感词，得到第一类型判断结果；

视频档确定子模块，用于依据所述分档结果，确定所述视频数据对应的文字档，其中所述视频数据对应的文字档为所有所述分档结果中的最大档；

地址识别子模块，用于确定上传所述视频数据的互联网协议地址；

账号识别子模块，用于确定上传所述视频数据的账号信息；

特征确定子模块，用于将所述第一判断结果、所述文字档、所述互联网协议地址以及所述账号信息确定为所述视频特征。

10.根据权利要求6所述的服务器，其特征在于，所述类型判断模块包括：

对比子模块，用于将所述概率与预设概率阈值进行对比；

类型确定子模块，用于当所述概率大于所述预设概率阈值时，确定所述视频数据为第一类型数据。