视频缩略图的提取方法及装置
技术领域
本公开涉及视频分析领域,尤其涉及一种视频缩略图的提取方法及装置。
背景技术
视频封面,亦称视频缩略图,一般指最能代表整个视频的内容情节的图片。视频缩略图中可以包含该视频的主要人物、关键场景等信息。用户通过视频封面能够直观、快速地了解该视频的内容。
相关技术中,采用人工方法或自动镜头检测方法确定视频缩略图。人工方法一般通过人工查看整个视频,筛选出最具有代表性的一个视频帧作为视频缩略图。或者,人工根据视频关键场景、主要人物拼接生成视频缩略图。人工确定视频缩略图的方法耗费较大人力和物力。自动镜头检测方法基于固定间隔采样,容易漏掉最佳图像。相关技术中的各种确定视频缩略图的方法均存在确定的视频缩略图不能准确地表明视频的关键场景的主要人物问题。
发明内容
有鉴于此,本公开提出了一种视频缩略图的提取方法及装置,以准确地提取视频的缩略图。
根据本公开的第一方面,提供了一种视频缩略图的提取方法,包括:
获取视频的多个待选缩略图;对各个所述待选缩略图进行目标检测,提取各个所述待选缩略图的图像特征;根据所述图像特征确定所述待选缩略图的置信度;根据所述置信度从多个所述待选缩略图中确定所述视频的推荐缩略图。
在一种可能的实现方式中,获取视频的多个待选缩略图,包括:
将所述视频的首个视频帧作为首个待选缩略图;从所述视频的第二个视频帧开始,计算所述视频帧与所述视频帧的上一个待选缩略图的相似度;在所述视频帧与所述视频帧的上一个待选缩略图的相似度小于第一阈值的情况下,将所述视频帧确定为所述待选缩略图。
在一种可能的实现方式中,对各个所述待选缩略图进行目标检测,提取各个所述待选缩略图的图像特征之前,所述方法还包括:确定各个所述待选缩略图的清晰度,去除清晰度小于第二阈值的所述待选缩略图。
在一种可能的实现方式中,对各个所述待选缩略图进行目标检测,提取各个所述待选缩略图的图像特征之前,所述方法还包括:
计算各个所述待选缩略图之间的相似度,在第一待选缩略图与第二待选缩略图的相似度大于第三阈值,且所述第一待选缩略图的清晰度小于所述第二待选缩略图的清晰度的情况下,去除所述第一待选缩略图,其中,所述第一待选缩略图为任意一个待选缩略图,所述第二待选缩略图为所述的第一待选缩略图以外的任意一个待选缩略图。
在一种可能的实现方式中,所述图像特征包括以下至少一种:
纹理强度、尺度不变特征点的个数、关键图像的个数、关键图像的尺寸和关键图像的位置,其中,所述关键图像包括人脸图像和/或动物图像。
在一种可能的实现方式中,所述方法还包括:
确定各个所述待选缩略图中的各个所述关键图像之间的相似度;将相似度大于第四阈值的多个关键图像确定为同一关键图像类别;统计所有所述待选缩略图中出现各个关键图像类别的关键图像的个数;根据所有所述待选缩略图中出现各个关键图像类别的关键图像的个数,确定各个关键图像类别的分数。
在一种可能的实现方式中,根据所述图像特征确定所述待选缩略图的置信度,包括:根据所述待选缩略图的各个图像特征以及各个图像特征对应的权重,确定所述待选缩略图的置信度。
在一种可能的实现方式中,所述关键图像还包括景物图像;根据所述图像特征确定所述待选缩略图的置信度,包括:
在所述待选缩略图的关键图像仅包含所述景物图像的情况下,根据所述待选缩略图的信息量确定所述待选缩略图的置信度。
在一种可能的实现方式中,根据所述置信度从多个所述待选缩略图中确定所述视频的推荐缩略图,包括:将所述置信度最大的待选缩略图确定为所述推荐缩略图。
在一种可能的实现方式中,根据所述置信度从多个所述待选缩略图中确定所述视频的推荐缩略图,还包括:
按照所述置信度由大到小的顺序对所述待选缩略图进行排序;将所述排序在前的N个待选缩略图确定为备选缩略图,其中,N大于或等于2;根据各个所述备选缩略图对应的点击率确定所述推荐缩略图。
根据本公开的第二方面,提供了一种视频缩略图的提取装置,包括:
待选缩略图获取模块,用于获取视频的多个待选缩略图;特征检测模块,用于对各个所述待选缩略图进行目标检测,提取各个所述待选缩略图的图像特征;置信度确定模块,用于根据所述图像特征确定所述待选缩略图的置信度;推荐缩略图确定模块,用于根据所述置信度从多个所述待选缩略图中确定所述视频的推荐缩略图。
在一种可能的实现方式中,所述待选缩略图获取模块包括:
第一待选缩略图确定子模块,用于将所述视频的首个视频帧作为首个待选缩略图;相似度计算子模块,用于从所述视频的第二个视频帧开始,计算所述视频帧与所述视频帧的上一个待选缩略图的相似度;第二待选缩略图确定子模块,用于在所述视频帧与所述视频帧的上一个待选缩略图的相似度小于第一阈值的情况下,将所述视频帧确定为所述待选缩略图。
在一种可能的实现方式中,所述装置还包括:清晰度筛选模块,用于确定各个所述待选缩略图的清晰度,去除清晰度小于第二阈值的所述待选缩略图。
在一种可能的实现方式中,所述装置还包括:去重模块,用于计算各个所述待选缩略图之间的相似度,在第一待选缩略图与第二待选缩略图的相似度大于第三阈值,且所述第一待选缩略图的清晰度小于所述第二待选缩略图的清晰度的情况下,去除所述第一待选缩略图,其中,所述第一待选缩略图为任意一个待选缩略图,所述第二待选缩略图为所述的第一待选缩略图以外的任意一个待选缩略图。
在一种可能的实现方式中,所述图像特征包括以下至少一种:
纹理强度、尺度不变特征点的个数、关键图像的个数、关键图像的尺寸和关键图像的位置,其中,所述关键图像包括人脸图像和/或动物图像。
在一种可能的实现方式中,所述装置还包括:
第一相似度计算模块,用于确定各个所述待选缩略图中的各个所述关键图像之间的相似度;关键图像归类模块,用于将相似度大于第四阈值的多个关键图像确定为同一关键图像类别;个数统计模块,用于统计所有所述待选缩略图中出现各个关键图像类别的关键图像的个数;分数确定模块,用于根据所有所述待选缩略图中出现各个关键图像类别的关键图像的个数,确定各个关键图像类别的分数。
在一种可能的实现方式中,所述置信度确定模块包括:第一置信度确定子模块,用于根据所述待选缩略图的各个图像特征以及各个图像特征对应的权重,确定所述待选缩略图的置信度。
在一种可能的实现方式中,所述关键图像还包括景物图像;所述置信度确定模块包括:第二置信度确定子模块,用于在所述待选缩略图的关键图像仅包含所述景物图像的情况下,根据所述待选缩略图的信息量确定所述待选缩略图的置信度。
在一种可能的实现方式中,所述推荐缩略图确定模块包括:第一推荐缩略图确定子模块,用于将所述置信度最大的待选缩略图确定为所述推荐缩略图。
在一种可能的实现方式中,所述推荐缩略图确定模块包括:
排序子模块,用于按照所述置信度由大到小的顺序对所述待选缩略图进行排序;备选缩略图确定子模块,用于将所述排序在前的N个待选缩略图确定为备选缩略图,其中,N大于或等于2;第二推荐缩略图确定子模块,用于根据各个所述备选缩略图对应的点击率确定所述推荐缩略图。
根据本公开的第三方面,提供了一种视频缩略图的提取装置,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上述方法。
根据本公开的第四方面,提供了一种非易失性计算机可读存储介质,当所述存储介质中的指令由终端和/或服务器的处理器执行时,使得终端和/或服务器能够执行上述方法。
本公开所提供的视频缩略图的提取方法及装置,计算量较小,能够快速地提取视频的缩略图,且所提取的视频缩略图包含视频的关键信息,能较好地表达视频的内容,有助于用户根据视频缩略图找到感兴趣的视频,提高用户体验。
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缩略图的提取方法的流程图;
图2示出根据本公开一实施例的视频缩略图的提取方法步骤S14的一示例性的流程图;
图3示出根据本公开一实施例的视频缩略图的提取方法步骤S11的一示例性的流程图;
图4示出根据本公开一实施例的视频缩略图的提取方法步骤S11的示意图;
图5示出根据本公开一实施例的视频缩略图的提取方法的一示例性的流程图;
图6示出根据本公开一实施例的视频缩略图的提取方法的另一示例性的流程图;
图7示出根据本公开一实施例的视频缩略图的提取装置的框图;
图8示出根据本公开一实施例的视频缩略图的提取装置的一示例性的框图;
图9是根据一示例性实施例示出的一种用于视频缩略图的提取的装置 1900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。
实施例1
图1示出根据本公开一实施例的视频缩略图的提取方法的流程图。该方法可以应用于PC(Personal Computer,个人计算机)、服务器和手机等智能终端中。如图1所示,该方法包括步骤S11至步骤S14。
在步骤S11中,获取视频的多个待选缩略图。
作为本实施例的一个示例,可以提取该视频的所有视频帧,并可以将该视频的部分视频帧作为该视频的待选缩略图。
在步骤S12中,对各个待选缩略图进行目标检测,提取各个待选缩略图的图像特征。
作为本实施例的一个示例,可以通过CNN(Convolutional Neural Network,卷积神经网络)、R-CNN(Regions with CNN,目标检测CNN)、 Adaboost算法或SVM(SupportVector Machine,支持向量机)等机器学习和/ 或深度学习方法提取待选缩略图的图像特征。
在一种可能的实现方式中,图像特征可以包括以下至少一种:纹理强度、尺度不变特征点的个数、关键图像的个数、关键图像的尺寸和关键图像的位置,其中,关键图像包括人脸图像和/或动物图像。
作为该实现方式的一个示例,人脸图像可以包括真实人物的人脸图像和 /或卡通人物的人脸图像。关键图像的尺寸可以是关键图像在待选缩略图中的面积占比,可以通过人脸图像的面积与待选缩略图的面积的比值确定关键图像在待选缩略图中的面积占比。关键图像的位置可以是关键图像的中心点与待选缩略图的中心点之间的距离。需要说明的是,本领域技术人员可以根据实际需要设置图像特征所包含的内容,只要图像特征可以表明待选缩略图的特征即可,在此不作限定。
在步骤S13中,根据图像特征确定待选缩略图的置信度。
在一种可能的实现方式中,步骤S13可以包括:根据待选缩略图的各个图像特征以及各个图像特征对应的权重,确定待选缩略图的置信度。
作为该实现方式的一个示例,可以根据不同图像特征所描述的待选缩略图的信息的重要程度,和/或视频的种类,确定各图像特征的权重。例如,某视频为介绍动物的视频,则其图像特征中动物图像的权重可以设置得较高,人脸图像的权重可以设置的较低。还可以采用机器学习方法训练获得各类图像特征的权重。
作为该实现方式的一个示例,可以利用公式1计算待选缩略图的置信度,
其中,Pi表示第i个待选缩略图的置信度,kj表示第i个待选缩略图的第j 个图像特征Aj的权重,scoreAj表示第j个图像特征Aj的分数。
例如,待选缩略图9的图像特征包括图像特征A1、图像特征A2、图像特征A3和图像特征A4,假设图像特征A1为纹理强度和尺度不变特征点的个数、图像特征A2为关键图像所属的关键图像类别、图像特征A3为关键图像的尺寸、图像特征A4为关键图像的位置,则可以根据第一步和第二步确定待选缩略图9的置信度:
第一步,计算图像特征的分数:
获取待选缩略图的纹理强度以及尺度不变特征点的个数,确定一个范围在0~100的分数scoreA1。由于根据纹理强度确定的分数和根据尺度不变特征点的个数确定的分数的计算标准不同,因此可以对纹理强度和尺度不变特征点的个数进行归一化处理,例如,以通过scoreA1表示根据纹理强度和尺度不变特征点的个数确定的分数。
根据图像特征A2的关键图像所对应的关键图像类别的分数,确定待选缩略图的范围在0~100的图像特征A2的分数scoreA2。例如,某视频具有3个关键图像类别,第一关键图像类别至第三关键图像类别的分数分别为40、30、10,若待选缩略图中仅包括属于第一关键图像类别的关键图像,不包括属于第二关键图像类别和第二关键图像类别的关键图像,则待选缩略图的图像特征A2的分数scoreA2为40分;若待选缩略图中包括属于第一关键图像类别的关键图像和属于第三关键图像类别的关键图像,则待选缩略图的图像特征A2的分数scoreA2为50分。在待选缩略图中包含多个关键图像的情况下,还可以根据关键图像的个数确定scoreA2的值。例如,设定关键图像的个数为2时,scoreA2为 50分,每增加一个关键图像scoreA2增加10分,每减少一个关键图像scoreA2减少20分,且scoreA2∈[0,100]。
根据关键图像的面积占比,确定待选缩略图的分数scoreA3,面积占比越大,scoreA3的值越大。根据关键图像的中心点与待选缩略图的中心点之间的距离确定分数scoreA4,距离越近,scoreA4的值越大。
第二步,根据公式1计算置信度:
P9=k1·scoreA1+k2·scoreA2+k3·scoreA3+k4·scoreA4。
在一种可能的实现方式中,关键图像还包括景物图像,步骤S13可以包括:在待选缩略图的关键图像仅包含景物图像的情况下,根据待选缩略图的信息量确定待选缩略图的置信度。
作为该实现方式的一个示例,可以设置信息量大的待选缩略图的置信度高于信息量较小的各个待选缩略图的置信度。这样,可以使最终确定的推荐缩略图为信息量最大的待选缩略图,避免选择天空、海洋或景物特写等信息量较小的图像作为推荐缩略图。
在步骤S14中,根据置信度从多个待选缩略图中确定视频的推荐缩略图。
在一种可能的实现方式中,步骤S14可以包括:将置信度最大的待选缩略图确定为推荐缩略图。
图2示出根据本公开一实施例的视频缩略图的提取方法步骤S14的一示例性的流程图。如图2所示,步骤S14可以包括步骤S141至步骤S143。
在步骤S141中,按照置信度由大到小的顺序对待选缩略图进行排序。
在步骤S142中,将排序在前的N个待选缩略图确定为备选缩略图,其中, N大于或等于2。
在步骤S143中,根据各个备选缩略图对应的点击率确定推荐缩略图。
作为本实施例的一个示例,可以根据该视频的各个备选缩略图对应的点击率确定推荐缩略图,备选缩略图对应的点击率可以通过用户在线点击该备选缩略图观看视频的次数与该备选缩略图被展示的总次数的比值确定。例如,已确定某视频包括3个备选缩略图:备选缩略图1、备选缩略图2和备选缩略图3,备选缩略图1的点击率为60%,备选缩略图2的点击率为30%,备选缩略图3的点击率为10%,则将备选缩略图1确定为该视频的推荐缩略图。
作为本实施例的另一个示例,可以按照置信度由小到大的顺序对待选缩略图进行排序,并可以将排序在后的N个待选缩略图确定为备选缩略图。
作为本实施例的另一个示例,可以根据人工选择确定推荐缩略图。
作为本实施例的另一个示例,可以对多个备选缩略图进行拼接、剪裁以获得推荐缩略图。
图3示出根据本公开一实施例的视频缩略图的提取方法步骤S11的一示例性的流程图。
在一种可能的实现方式中,如图3所示,步骤S11可以包括步骤S111至步骤S113。
在步骤S111中,将视频的首个视频帧作为首个待选缩略图。
作为该实现方式的一个示例,获取视频的所有视频帧,可以不漏掉视频的最佳图像,保证提取的视频缩略图能够准确的表达视频的具体内容。还可以设置每隔一定时间提取视频的视频帧,以节省提取视频缩略图的时间。例如,可以每隔1秒提取视频的一个视频帧。
在步骤S112中,从视频的第二个视频帧开始,计算视频帧与视频帧的上一个待选缩略图的相似度。
作为该实现方式的一个示例,可以基于SIFT(Scale-Invariant FeatureTransform,尺度不变特征变换)特征、SURF(Speeded Up Robust Features,加速稳健特征)或者采用直方图统计方法计算该视频帧与该视频帧的上一个待选缩略图的相似度。
在步骤S113中,在视频帧与视频帧的上一个待选缩略图的相似度小于第一阈值的情况下,将视频帧确定为待选缩略图。
作为该实现方式的一个示例,若该视频帧与该视频帧的上一个待选缩略图的相似度大于或等于第一阈值,则不将该视频帧确定为待选缩略图;若该视频帧与该视频帧的上一个待选缩略图的相似度小于第一阈值,则将该视频帧确定为待选缩略图。这样,可以将描述同一场景的多个视频帧中的1个或几个视频帧确定为待选视频缩略图,减少后续步骤的计算量。
图4示出根据本公开一实施例的视频缩略图的提取方法步骤S11的示意图。如图4所示,视频m的视频帧包括视频帧1至视频帧5,则确定视频m的待选缩略图的过程可以为:将视频帧1确定为首个待选缩略图,并将视频帧1确定为待选缩略图1;计算视频帧2与待选缩略图1的相似度,若视频帧2与待选缩略图1的相似度大于或等于第一阈值,则不将视频帧2确定为待选缩略图;计算视频帧3与待选缩略图1的相似度,若视频帧3与待选缩略图1的相似度小于第一阈值,则将视频帧3确定为待选缩略图2;计算视频帧4与待选缩略图2 的相似度,若视频帧4与待选缩略图2的相似度大于或等于第一阈值,则不将视频帧4确定为待选缩略图;计算视频帧5与待选缩略图2的相似度,若视频帧5与待选缩略图2的相似度小于第一阈值,则将视频帧5确定为待选视频缩略图3。最终,将视频帧1、视频帧3和视频帧5确定为待选视频缩略图。
图5示出根据本公开一实施例的视频缩略图的提取方法的一示例性的流程图。如图5所示,该方法还包括步骤S51至步骤S58。
在步骤S51中,确定各个待选缩略图中的各个关键图像之间的相似度。
作为该实现方式的一个示例,在关键图像包括人脸图像和/或动物图像的情况下,确定各个人脸图像和/或动物图像之间的相似度。
在步骤S52中,将相似度大于第四阈值的多个关键图像确定为同一关键图像类别。
作为该实现方式的一个示例,可以在同一个视频中将表示同一人物的人脸图像确定为同一关键图像类别,可以将表示同一动物的动物图像确定为同一关键图像类别。这样,可以将同一人物或动物的不同关键图像归为一类。例如,某视频为电影,其人物主演为演员A和演员B,演员A和演员B以多种造型出现在整个视频中,则可以从该电影的所有待选缩略图中提取所有演员 A的人脸图像,确定为关键图像类别1,提取所有演员B的人脸图像,确定为关键图像类别2。
在步骤S53中,统计所有待选缩略图中出现各个关键图像类别的关键图像的个数。
作为该实现方式的一个示例,统计所有待选缩略图中出现各个关键图像类别的关键图像的个数,可以确定该关键图像类别所对应的人物或动物的出现次数。还可以统计所有待选缩略图中出现的人脸图像或动物图像的总数。
在步骤S54中,根据所有待选缩略图中出现各个关键图像类别的关键图像的个数,确定各个关键图像类别的分数。
作为本实施例的一个示例,可以根据所有待选缩略图中出现各个关键图像类别的关键图像的个数确定关键图像类别的分数。例如,所有待选缩略图中出现关键图像类别3的关键图像的个数越多,则关键图像类别3的分数越高。某一关键图像类别的分数越高,则该关键图像类别中的关键图像的重要性越大。
作为本实施例的另一个示例,可以将所有待选缩略图中出现各个关键图像类别的关键图像的个数与所有待选缩略图中出现的关键图像的总数的比值,确定为各关键图像类别出现的频率。并可以根据各关键图像类别出现的频率,确定各关键图像类别的分数。某一关键图像类别出现的频率越高,则该关键图像类别的分数越高。例如,某视频以动物为主题,则对于该视频,动物图像对应的关键图像类别的分数可能高于人脸图像对应的关键图像类别的分数。
其中,可以统计所有待选缩略图中出现的人物图像在所有关键图像中的占比,统计所有待选缩略图中出现的动物图像的在所有关键图像中的占比,确定视频的主题是人物或动物。例如,某视频提取的所有待选缩略图中人脸图像的次数为90次、动物图像为10次,则人脸图像的占比为0.9,动物图像的占比为0.1,则可以确定该视频的主题为人物。
在步骤S55中,获取视频的多个待选缩略图。
其中,步骤S55参见步骤S11的具体描述。
在步骤S56中,对各个待选缩略图进行目标检测,提取各个待选缩略图的图像特征。
其中,步骤S56参见步骤S12的具体描述。
在步骤S57中,根据图像特征确定待选缩略图的置信度。
其中,步骤S57参见步骤S13的具体描述。
在步骤S58中,根据置信度从多个待选缩略图中确定视频的推荐缩略图。
其中,步骤S58参见步骤S14的具体描述。
在一种可能的实现方式中,在步骤S14之前,该方法还可以包括:确定各个待选缩略图的清晰度,去除清晰度小于第二阈值的待选缩略图。根据该实现方式,可以保证推荐缩略图的清晰度,还可以降低计算量。
在一种可能的实现方式中,在步骤S14之前,该方法还可以包括:计算各个待选缩略图之间的相似度,在第一待选缩略图与第二待选缩略图的相似度大于第三阈值,且第一待选缩略图的清晰度小于第二待选缩略图的清晰度的情况下,去除第一待选缩略图,其中,第一待选缩略图为任意一个待选缩略图,第二待选缩略图为的第一待选缩略图以外的任意一个待选缩略图。在该实现方式中,保存相似度大于第三阈值的两个或多个待选缩略图中的一个,去除相似的其他待选缩略图,由此可以降低计算量。
图6示出根据本公开一实施例的视频缩略图的提取方法的另一示例性的流程图。如图6所示,该方法可以包括步骤S61至步骤S66。
在步骤S61中,获取视频的多个待选缩略图。
其中,步骤S61参见步骤S11的具体描述。
在步骤S62中,确定各个待选缩略图的清晰度,去除清晰度小于第二阈值的待选缩略图。
在步骤S63中,计算各个待选缩略图之间的相似度,在第一待选缩略图与第二待选缩略图的相似度大于第三阈值,且第一待选缩略图的清晰度小于第二待选缩略图的清晰度的情况下,去除第一待选缩略图,其中,第一待选缩略图为任意一个待选缩略图,第二待选缩略图为的第一待选缩略图以外的任意一个待选缩略图。
在步骤S64中,对各个待选缩略图进行目标检测,提取各个待选缩略图的图像特征。
其中,步骤S64参见步骤S12的具体描述。
在步骤S65中,根据图像特征确定待选缩略图的置信度。
其中,步骤S65参见步骤S13的具体描述。
在步骤S66中,根据置信度从多个待选缩略图中确定视频的推荐缩略图。
其中,步骤S66参见步骤S14的具体描述。
本公开所提供的视频缩略图的提取方法,计算量较小,能够快速地提取视频的缩略图,且所提取的视频缩略图包含视频的关键信息,能较好地表达视频的内容,有助于用户根据视频缩略图找到感兴趣的视频,提高用户体验。
实施例2
图7示出根据本公开一实施例的视频缩略图的提取装置的框图。如图7所示,该装置可以包括待选缩略图获取模块701、特征检测模块702、置信度确定模块703和推荐缩略图确定模块704。该待选缩略图获取模块701,被配置为获取视频的多个待选缩略图。该特征检测模块702,被配置为对各个待选缩略图进行目标检测,提取各个待选缩略图的图像特征。该置信度确定模块 703,被配置为根据图像特征确定待选缩略图的置信度。该推荐缩略图确定模块704,被配置为根据置信度从多个待选缩略图中确定视频的推荐缩略图。
图8示出根据本公开一实施例的视频缩略图的提取装置的一示例性的框图。
在一种可能的实现方式中,如图8所示,待选缩略图获取模块701可以包括第一待选缩略图确定子模块7011、相似度计算子模块7012和第二待选缩略图确定子模块7013。该第一待选缩略图确定子模块7011,被配置为将视频的首个视频帧作为首个待选缩略图。该相似度计算子模块7012,被配置为从视频的第二个视频帧开始,计算该视频帧与该视频帧的上一个待选缩略图的相似度。该第二待选缩略图确定子模块7013,被配置为在视频帧与视频帧的上一个待选缩略图的相似度小于第一阈值的情况下,将视频帧确定为待选缩略图
在一种可能的实现方式中,如图8所示,该装置还可以包括清晰度筛选模块705,该清晰度筛选模块705,被配置为确定各个待选缩略图的清晰度,去除清晰度小于第二阈值的待选缩略图。
在一种可能的实现方式中,如图8所示,该装置还可以包括去重模块706。该去重模块706,被配置为用于计算各个待选缩略图之间的相似度,在第一待选缩略图与第二待选缩略图的相似度大于第三阈值,且第一待选缩略图的清晰度小于第二待选缩略图的清晰度的情况下,去除第一待选缩略图,其中,第一待选缩略图为任意一个待选缩略图,第二待选缩略图为的第一待选缩略图以外的任意一个待选缩略图。
在一种可能的实现方式中,图像特征包括以下至少一种:
纹理强度、尺度不变特征点的个数、关键图像的个数、关键图像的尺寸和关键图像的位置,其中,关键图像包括人脸图像和/或动物图像。
在一种可能的实现方式中,如图8所示,该装置还可以包括第一相似度计算模块707、关键图像归类模块708、个数统计模块709和分数确定模块710。该第一相似度计算模块707,被配置为确定各个待选缩略图中的各个关键图像之间的相似度。该关键图像归类模块708,被配置为将相似度大于第四阈值的多个关键图像确定为同一关键图像类别。该个数统计模块709,被配置为统计所有待选缩略图中出现各个关键图像类别的关键图像的个数。该分数确定模块710,被配置为根据所有待选缩略图中出现各个关键图像类别的关键图像的个数,确定各个关键图像类别的分数。
在一种可能的实现方式中,如图8所示,置信度确定模块703可以包括第一置信度确定子模块7031。该第一置信度确定子模块7031,被配置为根据待选缩略图的各个图像特征以及各个图像特征对应的权重,确定待选缩略图的置信度。
在一种可能的实现方式中,关键图像还包括景物图像;如图8所示,置信度确定模块703可以包括第二置信度确定子模块7032。该第二置信度确定子模块7032,被配置为在待选缩略图的关键图像仅包含景物图像的情况下,根据待选缩略图的信息量确定待选缩略图的置信度。
在一种可能的实现方式中,推荐缩略图确定模块704可以包括第一推荐缩略图确定子模块7041。该第一推荐缩略图确定子模块7041,被配置为将置信度最大的待选缩略图确定为推荐缩略图。
在一种可能的实现方式中,推荐缩略图确定模块704可以包括排序子模块7042、备选缩略图确定子模块7043和第二推荐缩略图确定子模块7044。该排序子模块7042,被配置为按照置信度由大到小的顺序对待选缩略图进行排序。该备选缩略图确定子模块7043,被配置为将排序在前的N个待选缩略图确定为备选缩略图,其中,N大于或等于2。该第二推荐缩略图确定子模块 7044,被配置为根据各个备选缩略图对应的点击率确定推荐缩略图。
需要说明的是,尽管以实施例3作为示例介绍了视频缩略图的提取装置如上,但本领域技术人员能够理解,本公开应不限于此。事实上,用户完全可根据个人喜好和/或实际应用场景灵活设定各模块,只要符合本公开的技术方案即可。
本公开所提供的视频缩略图的提取装置,计算量较小,能够快速地提取视频的缩略图,且所提取的视频缩略图包含视频的关键信息,能较好地表达视频的内容,有助于用户根据视频缩略图找到感兴趣的视频,提高用户体验。
实施例3
图9是根据一示例性实施例示出的一种用于视频缩略图的提取的装置 1900的框图。例如,装置1900可以被提供为一服务器。参照图9,装置1900 包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM, FreeBSDTM或类似。
在示例性实施例中,还提供了一种包括指令的非易失性计算机可读存储介质,例如包括指令的存储器1932,上述指令可由装置1900的处理组件1922 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。