CN109145784A - 用于处理视频的方法和装置 - Google Patents

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：获取待处理的体育比赛的视频；从视频中识别出第一比分以及与第二比分，以及确定出最后一次出现第一比分的第一视频帧和第一次出现第二比分的第二视频帧；将视频中第一视频帧之前的第一预定时间对应的视频帧与第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入预先训练的得分置信度预测模型，得到输入的各视频帧属于得分片段的置信度；基于输入的各视频帧属于得分片段的置信度和预定置信度阈值，从至少一个视频帧中确定出至少一个目标视频帧，以及输出至少一个目标视频帧。该实施方式能够提高定位体育比赛的视频中得分视频片段的速度和准确率。

Description

用于处理视频的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于处理视频的方法和装置。

背景技术

互联网时代大背景下，内容的快速生产，推荐分发以及智能处理等方向都对吸引用户流量具有举足轻重的作用。球类体育比赛作为热门体育竞技运动，而得分片段为球类体育比赛点播视频中最为精彩的内容，因此得分视频片段为用户最感兴趣的内容。截取的得分片段既可以用于辅助编辑球类赛事相关文章的素材生产，也能够将截取的得分片段制作成短视频或者动图等多媒体内容直接进行分发。人工从几十分钟到两小时不等时长的视频中截取其中少量的短时得分片段是一个费时费力的过程，因此实现球类比赛点播视频中得分片段的智能化检测，对于互联网平台的内容生产和分发都具有重要的实用价值。

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，包括：获取待处理的体育比赛的视频；从视频中识别出第一比分以及与第二比分，以及确定出最后一次出现第一比分的第一视频帧和第一次出现第二比分的第二视频帧，其中，第二比分的出现时间在第一比分的出现时间之后并且相邻；将视频中第一视频帧之前的第一预定时间对应的视频帧与第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入预先训练的得分置信度预测模型，得到输入的各视频帧属于得分片段的置信度，其中，得分置信度预测模型用于表征视频帧与属于得分片段的置信度的对应关系；基于输入的各视频帧属于得分片段的置信度和预定置信度阈值，从至少一个视频帧中确定出至少一个目标视频帧，以及输出至少一个目标视频帧。

在一些实施例中，得分置信度预测模型通过如下步骤训练得到：确定初始得分置信度预测模型的网络结构以及初始化初始得分置信度预测模型的网络参数；获取训练样本集，其中，训练样本包括样本体育比赛图像和标注信息；将训练样本集中的训练样本中的样本体育比赛图像和标注信息分别作为初始得分置信度预测模型的输入和期望输出，利用机器学习方法训练初始得分置信度预测模型；将训练得到的初始得分置信度预测模型确定为预先训练的得分置信度预测模型。

在一些实施例中，将视频中第一视频帧之前的第一预定时间对应的视频帧与第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入预先训练的得分置信度预测模型，包括：确定体育比赛的类型；从预先训练的得分置信度预测模型集合中选择与类型匹配的得分置信度预测模型；将视频中第一视频帧之前的第一预定时间对应的视频帧与第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入所选择的得分置信度预测模型。

在一些实施例中，基于输入的各视频帧属于得分片段的置信度和预定置信度阈值，从至少一个视频帧中确定出至少一个目标视频帧，包括：将至少一个视频帧中属于得分片段的置信度大于预定置信度阈值的视频帧确定为目标视频帧。

在一些实施例中，基于输入的各视频帧属于得分片段的置信度和预定置信度阈值，从至少一个视频帧中确定出至少一个目标视频帧，包括：将至少一个视频帧中属于得分片段的置信度大于预定置信度阈值的视频帧确定为候选视频帧；响应于确定出候选视频帧组成第一连续视频片段和第二连续视频片段，确定第一连续视频片段的起止时间和第二连续视频片段的起止时间，其中，起止时间包括开始时间和结束时间，第一连续视频片段在第二连续视频片段之前；确定第一连续视频片段的结束时间和第二连续视频片段的开始时间之间的时间差是否小于预定第一时间间隔；若小于预定第一时间间隔，则将第一连续视频片段的开始时间和第二连续视频片段的结束时间之间的视频帧确定为目标视频帧。

在一些实施例中，该方法还包括：若第一连续视频片段的开始时间和第二连续视频片段的结束时间之间的时间差小于预定第二时间间隔，则将目标视频帧替换为输入的视频帧中第三预定时间对应的视频帧与第四预定时间对应的视频帧之间的视频帧。

在一些实施例中，得分置信度预测模型为卷积神经网络，卷积神经网络包括：残差网络、全连接层、融合层、分类器，其中，融合层位于全连接层和分类器之间，用于将全连接层输出的相邻视频帧的特征向量加权平均后输入分类器。

第二方面，本申请实施例提供了一种用于处理视频的装置，包括：获取单元，被配置成获取待处理的体育比赛的视频；确定单元，被配置成从视频中识别出第一比分以及与第二比分，以及确定出最后一次出现第一比分的第一视频帧和第一次出现第二比分的第二视频帧，其中，第二比分的出现时间在第一比分的出现时间之后并且相邻；预测单元，被配置成将视频中第一视频帧之前的第一预定时间对应的视频帧与第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入预先训练的得分置信度预测模型，得到输入的各视频帧属于得分片段的置信度，其中，得分置信度预测模型用于表征视频帧与属于得分片段的置信度的对应关系；输出单元，被配置成基于输入的各视频帧属于得分片段的置信度和预定置信度阈值，从至少一个视频帧中确定出至少一个目标视频帧，以及输出至少一个目标视频帧。

在一些实施例中，得分置信度预测模型通过如下步骤训练得到：确定初始得分置信度预测模型的网络结构以及初始化初始得分置信度预测模型的网络参数；获取训练样本集，其中，训练样本包括样本体育比赛图像和标注信息；将训练样本集中的训练样本中的样本体育比赛图像和标注信息分别作为初始得分置信度预测模型的输入和期望输出，利用机器学习装置训练初始得分置信度预测模型；将训练得到的初始得分置信度预测模型确定为预先训练的得分置信度预测模型。

在一些实施例中，预测单元进一步被配置成：确定体育比赛的类型；从预先训练的得分置信度预测模型集合中选择与类型匹配的得分置信度预测模型；将视频中第一视频帧之前的第一预定时间对应的视频帧与第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入所选择的得分置信度预测模型。

在一些实施例中，输出单元进一步被配置成：将至少一个视频帧中属于得分片段的置信度大于预定置信度阈值的视频帧确定为目标视频帧。

在一些实施例中，输出单元进一步被配置成：将至少一个视频帧中属于得分片段的置信度大于预定置信度阈值的视频帧确定为候选视频帧；响应于确定出候选视频帧组成第一连续视频片段和第二连续视频片段，确定第一连续视频片段的起止时间和第二连续视频片段的起止时间，其中，起止时间包括开始时间和结束时间，第一连续视频片段在第二连续视频片段之前；确定第一连续视频片段的结束时间和第二连续视频片段的开始时间之间的时间差是否小于预定第一时间间隔；若小于预定第一时间间隔，则将第一连续视频片段的开始时间和第二连续视频片段的结束时间之间的视频帧确定为目标视频帧。

在一些实施例中，该装置还包括替换单元，被配置成：若第一连续视频片段的开始时间和第二连续视频片段的结束时间之间的时间差小于预定第二时间间隔，则将目标视频帧替换为输入的视频帧中第三预定时间对应的视频帧与第四预定时间对应的视频帧之间的视频帧。

在一些实施例中，得分置信度预测模型为卷积神经网络，卷积神经网络包括：残差网络、全连接层、融合层、分类器，其中，融合层位于全连接层和分类器之间，用于将全连接层输出的相邻视频帧的特征向量加权平均后输入分类器。

第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。

本申请实施例提供的用于处理视频的方法和装置，通过识别出比分变化，确定出得分片段在视频中出现的区域，然后再将该区域中的视频帧输入预先训练的得分置信度预测模型，得到输入的各视频帧属于得分片段的置信度，根据置信度判断出得分片段所包括的视频帧。

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是本申请的一个实施例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；

图3a、图3b是根据本申请的用于处理视频的方法的一个应用场景的示意图；

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又一个应用场景的示意图；

图6是根据本申请的用于处理视频的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的电子设备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用于处理视频的方法或用于处理视频的装置的实施例的示例性系统架构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。

用户可以使用终端设备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，例如视频播放类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持视频播放的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的得分片段提供支持的后台剪辑服务器。后台剪辑服务器可以对接收到的体育比赛视频剪辑请求等数据进行分析等处理，并将处理结果(例如得分片段)反馈给终端设备。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

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可以由终端设备101、102、103执行，也可以由服务器105执行。相应地，用于推送信息的装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。在此不做具体限定。

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，获取待处理的体育比赛的视频。

在本实施例中，用于处理视频的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行体育比赛视频浏览的终端接收体育比赛的视频。该视频可以是足球比赛、篮球比赛、网球比赛等对抗性体育比赛。视频中会出现比分。该比分可以是直播或者转播过程中人工或者通过图像识别自动加入到视频中的，也可以是现场拍摄到的比分。该视频中的比分会发生变化，比如由0：0变成0：1。本申请的目的就是抓取出比分变化期间的视频帧，例如足球进球瞬间的一系列图像。这些图像可以组成精彩进球瞬间小视频。

步骤202，从视频中识别出第一比分以及与第二比分，以及确定出最后一次出现第一比分的第一视频帧和第一次出现第二比分的第二视频帧。

在本实施例中，可通过OCR(Optical Character Recognition，光学字符识别)识别出视频中的比分。本申请首先通过对视频帧进行OCR识别，定位视频内容中某一比分最后一次出现到下一个比分第一次出现的所有片段(图3a中线框301所指示的区域)。由于比分牌的变化具有一定的延迟，OCR定位的比分变化片段可能不能完整地包含进球片段的全部区域，因此，最终选取的候选区域是将线框301对应的区域向前向后各扩展预定时间得到的片段(图3a中线框302所指示的区域)。比分牌的OCR识别技术则采用两步法：先检测比分牌的图像区域，然后识别该区域的比分情况。比分牌的检测采用了经典的物体检测框架DenseBox,而比分牌区域的OCR识别则采用了全卷积网络+CTC解码来实现。

视频中可能有多个比分，第一比分和第二比分只是用来描述比分出现的先后顺序。第二比分的出现时间在第一比分的出现时间之后并且相邻。第一比分会在出现第二比分之前出现在大量视频帧中。直到比分发生变化。有的视频帧中可能没有比分，这是因为得分瞬间还未公布新比分，却取消了旧比分。将最后一次出现第一比分的视频帧作为第一视频帧。将第一次出现第二比分的视频帧作为第二视频帧。第一视频帧与第二视频帧可能是直接相邻的，也可能间隔了几个没有比分的视频帧。如图3a所示，在第一比分2：0与第二比分2：1之间出现了无比分的视频帧。视频中的比分数量有多个，本申请每次只处理两个相邻的比分。即，每获得一个得分片段的小视频需要执行一次步骤202-204。例如视频中出现的比分为0：0，0：1，1：1。则对于第一次得分，0：0相对于0：1是第一比分，0：1为第二比分。对于第二次得分，0：1相对于1：1是第一比分，1：1为第二比分。

步骤203，将视频中第一视频帧之前的第一预定时间对应的视频帧与第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入预先训练的得分置信度预测模型，得到输入的各视频帧属于得分片段的置信度。

在本实施例中，第一预定时间可以是几秒钟也可以是一分钟。第二预定时间可以和第一预定时间相等也可以不等。第二预定时间的目的是为了抓取回放片段。一般比赛时得后分会回放得分瞬间，因此通过第二视频帧之后的第二预定时间来扩展得分片段的范围。得分置信度预测模型用于表征视频帧与属于得分片段的置信度的对应关系。输入多个视频帧，然后输出每个帧属于得分片段的置信度。该得分置信度预测模型可以是卷积神经网络、循环神经网络等神经网络。

在本实施例的一些可选的实现方式中，得分置信度预测模型通过如下步骤训练得到：

步骤2031，确定初始得分置信度预测模型的网络结构以及初始化初始得分置信度预测模型的网络参数。

在本实施例中，训练步骤的执行主体可以与用于处理视频的方法的执行主体相同或者不同。如果相同，则训练步骤的执行主体可以在训练得到神经网络后将训练好的神经网络的网络结构信息和网络参数的参数值存储在本地。如果不同，则训练步骤的执行主体可以在训练得到神经网络后将训练好的神经网络的网络结构信息和网络参数的参数值发送给用于生成信息的方法的执行主体。

在本实施例中，训练步骤的执行主体可以首先确定初始得分置信度预测模型的网络结构。例如，需要确定初始得分置信度预测模型包括哪些层，层与层之间的连接顺序关系，以及每层都包括哪些神经元，每个神经元对应的权重(weight)和偏置项(bias)，每层的激活函数等等。

可以理解的是，由于神经网络可以包括各种类型的神经网络，对于不同类型的神经网络所需要确定的网络结构也不相同。

在本实施例的一些可选的实现方式中，当初始得分置信度预测模型为卷积神经网络时，由于卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成，则这里需要确定卷积神经网络类型的初始得分置信度预测模型包括哪些层(例如，卷积层，池化层，全连接层，分类器等等)，层与层之间的连接顺序关系，以及每个层都包括哪些参数(例如，权重、偏置项、卷积的步长)等等。其中，卷积层可以用于提取图像特征。针对每个卷积层可以确定有多少个卷积核，每个卷积核的大小，每个卷积核中的各个神经元的权重，每个卷积核对应的偏置项，相邻两次卷积之间的步长等等。

然后，训练步骤的执行主体可以初始化初始得分置信度预测模型的网络参数。实践中，可以将神经网络的各个网络参数(例如，权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态，从而导致训练失败，“不同”用来保证网络可以正常地学习。

可选地，训练步骤的执行主体可以在执行步骤2032之前，执行以下初始化操作：

首先，可以确定初始特征提取模型的模型结构信息。可以理解的是，由于初始特征提取模型可以包括各种类型用于提取图像特征的模型，对于不同类型的用于提取图像特征的模型，所需要确定的模型结构信息也不相同。可选地，初始特征提取模型可以为卷积神经网络。由于卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成，则这里需要确定卷积神经网络类型的初始特征提取模型包括哪些层(例如，卷积层，池化层，激励函数层等等)，层与层之间的连接顺序关系，以及每个层都包括哪些参数(例如，权重weight、偏置项bias、卷积的步长)等等。其中，卷积层可以用于提取图像特征。针对每个卷积层可以确定有多少个卷积核，每个卷积核的大小，每个卷积核中的各个神经元的权重，每个卷积核对应的偏置项，相邻两次卷积之间的步长，是否需要填充，填充多少像素点和填充用的数值(一般是填充为0)等等。而池化层可以用于对输入的信息进行下采样(Down Sample)，以压缩数据和参数的量，减少过拟合。针对每个池化层可以确定该池化层的池化方法(例如，取区域平均值或者取区域最大值)。激励函数层用于对输入的信息进行非线性计算。针对每个激励函数层可以确定具体的激励函数。例如，激活函数可以是ReLU以及ReLU各种变种激活函数、Sigmoid函数、Tanh(双曲正切)函数、Maxout函数等等。实践中，卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现，因而，可以利用卷积神经网络进行图像特征的提取，图像的特征可以是图像的各种基本要素(例如颜色、线条、纹理等)。

可选地，初始特征提取模型还可以为主动形状模型(Active Shape Model，ASM)、主元分析(Principal Component Analysis，PCA)模型、独立分量分析(IndependentComponent Analysis，ICA)模型和线性判别分析(Linear Discriminant Analysis，LDA)模型、局部特征分析(Local Feature Analysis，LFA)模型等等用于提取人脸图像特征的模型。相应的，对应不同的特征提取模型，需要确定的模型结构信息也是不同的。

然后，可以初始化初始特征提取模型的模型参数。实践中，可以将初始特征提取模型的各个模型参数用一些不同的小随机数进行初始化。“小随机数”用来保证模型不会因权值过大而进入饱和状态，从而导致训练失败，“不同”用来保证模型可以正常地学习。

实践中，由于特征提取模型的具体模型不同，所得到的与该活体人脸图像对应的图像特征既可以是特征图(feature map)形式的，也可以是特征向量形式的。

在本实施例的一些可选的实现方式中，卷积神经网络包括：残差网络、全连接层、融合层、分类器，其中，融合层位于全连接层和分类器之间，用于将全连接层输出的相邻视频帧的特征向量加权平均后输入分类器。残差网络可以采用ResNet101。输出的全连接层连接至ResNet-101 Global Pooling(全局池化)层之后，进行二分类。融合层可以将全连接层输出的相邻视频帧(例如，该视频帧的前一帧、该视频帧、该视频帧的后一帧)的特征向量加权平均后输入分类器。可以将该视频帧的权重设置的高于该视频帧的前一帧和后一帧，也可将三者设置相同的权重。

步骤2032，获取训练样本集，其中，训练样本包括样本体育比赛图像和标注信息。

在本实施例中，标注信息可以包括用于标识图像属于得分片段的置信度信息。样本体育比赛图像中可包括RGB(红绿蓝)信息，还可包括光流信息。为了提高识别效率，可仅使用RGB信息，丢弃光流信息。如此设计的主要出发点在于视频中光流信息的提取计算量大且耗时较多，丢弃光流信息是系统性能代价与效果之间的有效折衷。在训练得分置信度预测模型时，正样本即为人工标注的得分片段，对应的标注信息，即置信度信息可以为1。负样本的选择方式对边界的准确性有较大影响，实验结果表明，从紧邻正样本片段起止时间点的非得分背景片段中截取视频片段做为负样本有利于在得分片段的边界处得到较清晰可分辨的置信度得分，负样本对应的标注信息，即置信度信息可以是0。可选地，可针对不同的体育比赛选择相应的样本进行训练，得到针对该类比赛的得分置信度预测模型。例如，利用足球比赛进球视频训练针对足球比赛的得分置信度预测模型，利用篮球比赛进球视频训练针对篮球比赛的得分置信度预测模型。

步骤2033，将训练样本集中的训练样本中的样本体育比赛图像和标注信息分别作为初始得分置信度预测模型的输入和期望输出，利用机器学习方法训练初始得分置信度预测模型。

在本实施例中，训练步骤的执行主体可以将训练样本集中的训练样本中的样本体育比赛图像输入初始得分置信度预测模型，得到该样本体育比赛图像的置信度信息，以该训练样本中的标注信息(置信度信息)作为初始得分置信度预测模型的期望输出，利用机器学习方法训练初始得分置信度预测模型。具体地，可以首先利用预设的损失函数计算所得到的置信度信息与该训练样本中的标注信息之间的差异，例如，可以采用L2范数作为损失函数计算所得到的置信度信息与该训练样本中的标注信息之间的差异。然后，可以基于计算所得的差异，调整初始得分置信度预测模型的网络参数，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。

这里，可以采用各种实现方式基于所生成的置信度信息与该训练样本中的标注信息之间的差异调整初始得分置信度预测模型的网络参数。例如，可以采用BP(BackPropagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整初始得分置信度预测模型的网络参数。

步骤2034，将训练得到的初始得分置信度预测模型确定为预先训练的得分置信度预测模型。

在本实施例中，训练步骤的执行主体可以将步骤2033中训练得到的初始得分置信度预测模型确定为预先训练的得分置信度预测模型。

在本实施例的一些可选的实现方式中，可以为每种目标类型(例如，足球、篮球、网球等)训练对应的得分置信度预测模型，为不同的目标类型训练不同的得分置信度预测模型。具体地，在训练某种目标类型对应的得分置信度预测模型时，所采用的训练样本集中的每个训练样本可以都是该种目标类型的样本体育比赛图像和对应的标注信息，例如，都是足球类型的。这样，在步骤201中获取体育比赛的视频时，可以首先确定视频对应的目标类型，例如，从视频中识别出足球，确定出目标类型为足球。然后将视频中第一视频帧之前的第一预定时间对应的视频帧与第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入到所确定的足球对应的得分置信度预测模型中，得到输入的各视频帧属于得分片段的置信度。

步骤204，基于输入的各视频帧属于得分片段的置信度和预定置信度阈值，从至少一个视频帧中确定出至少一个目标视频帧，以及输出至少一个目标视频帧。

在本实施例中，可以预先设置置信度阈值，如果视频帧的置信度高于置信度阈值，则将该视频帧确定为目标视频帧。通常情况下目标视频帧都是连续的，可将该连续的目标视频帧生成小视频进行输出。如果有两段或两段以上的高置信度视频帧组成的连续视频片段，考虑到一次比分变化候选区域只有一次进球，此种情况下为了保证准确率，仅输出平均置信度最高的连续视频片段作为最终的得分片段检测结果，即目标视频帧。

继续参见图3a、3b，图3a、3b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。在图3a、3b的应用场景中，用户通过终端发送了一段足球比赛的视频给服务器。服务器通过OCR识别比分牌中的第一比分2：0和第二比分2：1，确定出最后一次出现第一比分的第一视频帧和第一次出现第二比分的第二视频帧之间的视频帧，如线框301所圈住的视频帧所示。将线框301所圈住的视频帧的范围向前和向后扩展一定时长得到线框302所圈住的视频帧作为候选区域。将候选区域中的视频帧输入预先训练的得分置信度预测模型，如图3b所示，输入的每个视频帧通过残差网络ResNet101后得到每个视频帧的特征向量，然后经过全连接层FC得到高维的向量。再将该高维的向量和其它相邻视频帧的高维的向量通过融合层做加权平均后输入分类器softmax，最终得到输入的各视频帧属于得分片段的置信度。然后选择置信度高于预定置信度阈值0.5的视频帧作为目标视频帧进行输出。

本申请的上述实施例提供的方法通过识别出的比分变化确定候选视频帧，再通过得分置信度预测模型从候选视频帧确定出置信度高于预定阈值的目标视频帧进行输出。

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，获取待处理的体育比赛的视频。

步骤402，从视频中识别出第一比分以及与第二比分，以及确定出最后一次出现第一比分的第一视频帧和第一次出现第二比分的第二视频帧。

步骤403，将视频中第一视频帧之前的第一预定时间对应的视频帧与第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入预先训练的得分置信度预测模型，得到输入的各视频帧属于得分片段的置信度。

步骤401-403基本相同，因此不再赘述。

步骤404，将至少一个视频帧中属于得分片段的置信度大于预定置信度阈值的视频帧确定为候选视频帧。

在本实施例中，如图3a中所示，将置信度高于0.5的视频帧确定为候选视频帧。图3a中输出进球片段检测结果显示的多个帧即为候选视频帧。

步骤405，响应于确定出候选视频帧组成第一连续视频片段和第二连续视频片段，确定第一连续视频片段的起止时间和第二连续视频片段的起止时间。

在本实施例中，由于视频帧都是按照固定速度播放的，因此连续的候选视频帧对应于一个播放的起止时间。本申请中的第一连续视频片段和第二连续视频片段并不是指具体的连续视频片段，而是用于限定时间先后顺序，第一连续视频片段在第二连续视频片段之前。其中，起止时间包括开始时间和结束时间，第一连续视频片段在第二连续视频片段之前。如图5所示t1为候选视频帧的开始时间，t2为候选视频帧的结束时间。t3是第一连续视频片段的开始时间，t3’是第一连续视频片段的结束时间。t4是第二连续视频片段的开始时间，t4’是第二连续视频片段的结束时间。

步骤406，确定第一连续视频片段的结束时间和第二连续视频片段的开始时间之间的时间差是否小于预定第一时间间隔。

在本实施例中，如图5所示，确定t3’与t4之间的时间差是否小于预定的第一时间间隔Δt1。

步骤407，若小于预定第一时间间隔，则将第一连续视频片段的开始时间和第二连续视频片段的结束时间之间的视频帧确定为目标视频帧。

在本实施例中，由于置信度得分的波动，选取进球置信度得分阈值T时，候选视频帧中有可能裁剪出多个置信度得分高于阈值T的连续视频片段。此时，需要将部分相距比较近的高置信度视频片段进行融合。融合的策略为任意相邻的两个高置信度片段直接时间间隔小于一定时间长度阈值Δt1，则将其融合为一个片段。如图5中的第一第二个片段间距小，合并为一个。如果t3’与t4之间的时间差小于预定的第一时间间隔Δt1，则将第一连续视频片段的开始时间和第二连续视频片段的结束时间之间的视频帧确定为目标视频帧。即将t3与t4之间的视频帧确定为目标视频帧。

在本实施例的一些可选的实现方式中，若第一连续视频片段的开始时间和第二连续视频片段的结束时间之间的时间差小于预定第二时间间隔，则将目标视频帧替换为输入的视频帧中第三预定时间对应的视频帧与第四预定时间对应的视频帧之间的视频帧。融合小间隔高置信度片段之后，依然可能存在孤立的极短的高置信片段，统计发现进球片段持续时长基本在30秒以上，因此，对于时长短于预定第二时间间隔Δt2的孤立片段应予以过滤，避免误检测。如图5中最后一个高置信度片段，t5与t5’之间的视频帧。

经过片段融合与过滤之后，如果仍有两段或两段以上的置信度高于预定置信度阈值的视频帧组成的连续视频片段，考虑到一次比分变化候选区域只有一次进球，此种情况下为了保证准确率，仅输出平均置信度最高的连续视频片段作为最终的得分片段检测结果，即目标视频帧。一个候选区域依然存在候选片段[t1,t2]范围内所有视频帧得分置信度均小于T或者候选片段中合并后的高置信度片段时长均小于Δt2而被过滤掉。即当不存在置信度高于预定置信度阈值的视频帧组成的连续视频片段或者连续视频片段的时长小于小于预定第二时间间隔时，输出视频帧中第三预定时间对应的视频帧与第四预定时间对应的视频帧之间的视频帧(例如，[(t2-t1)/4+t1,t2-(t2-t1)/4]时间段内的视频内容)作为最终的检测结果，以提高得分片段的召回率。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于处理视频的方法的流程400突出了对得分视频帧组成的视频片段进行融合和过滤的步骤。由此，本实施例描述的方案可以提高定位得分视频帧的高召回率并降低误召回率。

进一步参考图6，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6所示，本实施例的用于处理视频的装置600包括：获取单元601、确定单元602、预测单元603和输出单元604。其中，获取单元601被配置成获取待处理的体育比赛的视频。确定单元602被配置成从视频中识别出第一比分以及与第二比分，以及确定出最后一次出现第一比分的第一视频帧和第一次出现第二比分的第二视频帧，其中，第二比分的出现时间在第一比分的出现时间之后并且相邻。预测单元603被配置成将视频中第一视频帧之前的第一预定时间对应的视频帧与第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入预先训练的得分置信度预测模型，得到输入的各视频帧属于得分片段的置信度，其中，得分置信度预测模型用于表征视频帧与属于得分片段的置信度的对应关系。输出单元604被配置成基于输入的各视频帧属于得分片段的置信度和预定置信度阈值，从至少一个视频帧中确定出至少一个目标视频帧，以及输出至少一个目标视频帧。

在本实施例中，用于处理视频的装置600的获取单元601、确定单元602、预测单元603和输出单元604的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。

在本实施例的一些可选的实现方式中，得分置信度预测模型通过如下步骤训练得到：确定初始得分置信度预测模型的网络结构以及初始化初始得分置信度预测模型的网络参数。获取训练样本集，其中，训练样本包括样本体育比赛图像和标注信息。将训练样本集中的训练样本中的样本体育比赛图像和标注信息分别作为初始得分置信度预测模型的输入和期望输出，利用机器学习装置训练初始得分置信度预测模型。将训练得到的初始得分置信度预测模型确定为预先训练的得分置信度预测模型。

在本实施例的一些可选的实现方式中，预测单元603进一步被配置成：确定体育比赛的类型。从预先训练的得分置信度预测模型集合中选择与类型匹配的得分置信度预测模型。将视频中第一视频帧之前的第一预定时间对应的视频帧与第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入所选择的得分置信度预测模型。

在本实施例的一些可选的实现方式中，输出单元604进一步被配置成：将至少一个视频帧中属于得分片段的置信度大于预定置信度阈值的视频帧确定为目标视频帧。

在本实施例的一些可选的实现方式中，输出单元604进一步被配置成：将至少一个视频帧中属于得分片段的置信度大于预定置信度阈值的视频帧确定为候选视频帧。响应于确定出候选视频帧组成第一连续视频片段和第二连续视频片段，确定第一连续视频片段的起止时间和第二连续视频片段的起止时间，其中，起止时间包括开始时间和结束时间，第一连续视频片段在第二连续视频片段之前。确定第一连续视频片段的结束时间和第二连续视频片段的开始时间之间的时间差是否小于预定第一时间间隔。若小于预定第一时间间隔，则将第一连续视频片段的开始时间和第二连续视频片段的结束时间之间的视频帧确定为目标视频帧。

在本实施例的一些可选的实现方式中，装置600还包括替换单元(未示出)，被配置成：若第一连续视频片段的开始时间和第二连续视频片段的结束时间之间的时间差小于预定第二时间间隔，则将目标视频帧替换为输入的视频帧中第三预定时间对应的视频帧与第四预定时间对应的视频帧之间的视频帧。

在本实施例的一些可选的实现方式中，得分置信度预测模型为卷积神经网络，卷积神经网络包括：残差网络、全连接层、融合层、分类器，其中，融合层位于全连接层和分类器之间，用于将全连接层输出的相邻视频帧的特征向量加权平均后输入分类器。

下面参考图7，其示出了适于用来实现本申请实施例的电子设备(如图1所示的终端设备/服务器)的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，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7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；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707；包括硬盘等的存储部分708；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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，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710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708。

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709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701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。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。

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：一种处理器包括获取单元、确定单元、预测单元和输出单元。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，获取单元还可以被描述为“获取待处理的体育比赛的视频的单元”。

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：获取待处理的体育比赛的视频。从视频中识别出第一比分以及与第二比分，以及确定出最后一次出现第一比分的第一视频帧和第一次出现第二比分的第二视频帧，其中，第二比分的出现时间在第一比分的出现时间之后并且相邻。将视频中第一视频帧之前的第一预定时间对应的视频帧与第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入预先训练的得分置信度预测模型，得到输入的各视频帧属于得分片段的置信度，其中，得分置信度预测模型用于表征视频帧与属于得分片段的置信度的对应关系。基于输入的各视频帧属于得分片段的置信度和预定置信度阈值，从至少一个视频帧中确定出至少一个目标视频帧，以及输出至少一个目标视频帧。

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 (16)

1.一种用于处理视频的方法，包括：

获取待处理的体育比赛的视频；

从所述视频中识别出第一比分以及与第二比分，以及确定出最后一次出现所述第一比分的第一视频帧和第一次出现所述第二比分的第二视频帧，其中，所述第二比分的出现时间在所述第一比分的出现时间之后并且相邻；

将所述视频中所述第一视频帧之前的第一预定时间对应的视频帧与所述第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入预先训练的得分置信度预测模型，得到输入的各视频帧属于得分片段的置信度，其中，所述得分置信度预测模型用于表征视频帧与属于得分片段的置信度的对应关系；

基于输入的各视频帧属于得分片段的置信度和预定置信度阈值，从所述至少一个视频帧中确定出至少一个目标视频帧，以及输出所述至少一个目标视频帧。

2.根据权利要求1所述的方法，其中，所述得分置信度预测模型通过如下步骤训练得到：

确定初始得分置信度预测模型的网络结构以及初始化所述初始得分置信度预测模型的网络参数；

获取训练样本集，其中，训练样本包括样本体育比赛图像和标注信息；

将所述训练样本集中的训练样本中的样本体育比赛图像和标注信息分别作为所述初始得分置信度预测模型的输入和期望输出，利用机器学习方法训练所述初始得分置信度预测模型；

将训练得到的所述初始得分置信度预测模型确定为所述预先训练的得分置信度预测模型。

3.根据权利要求1所述的方法，其中，所述将所述视频中所述第一视频帧之前的第一预定时间对应的视频帧与所述第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入预先训练的得分置信度预测模型，包括：

确定所述体育比赛的类型；

从预先训练的得分置信度预测模型集合中选择与所述类型匹配的得分置信度预测模型；

将所述视频中所述第一视频帧之前的第一预定时间对应的视频帧与所述第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入所选择的得分置信度预测模型。

4.根据权利要求1所述的方法，其中，所述基于输入的各视频帧属于得分片段的置信度和预定置信度阈值，从所述至少一个视频帧中确定出至少一个目标视频帧，包括：

将所述至少一个视频帧中属于得分片段的置信度大于预定置信度阈值的视频帧确定为目标视频帧。

5.根据权利要求1所述的方法，其中，所述基于输入的各视频帧属于得分片段的置信度和预定置信度阈值，从所述至少一个视频帧中确定出至少一个目标视频帧，包括：

将所述至少一个视频帧中属于得分片段的置信度大于预定置信度阈值的视频帧确定为候选视频帧；

响应于确定出所述候选视频帧组成第一连续视频片段和第二连续视频片段，确定所述第一连续视频片段的起止时间和所述第二连续视频片段的起止时间，其中，起止时间包括开始时间和结束时间，所述第一连续视频片段在第二连续视频片段之前；

确定所述第一连续视频片段的结束时间和所述第二连续视频片段的开始时间之间的时间差是否小于预定第一时间间隔；

若小于预定第一时间间隔，则将所述第一连续视频片段的开始时间和所述第二连续视频片段的结束时间之间的视频帧确定为目标视频帧。

6.根据权利要求5所述的方法，其中，所述方法还包括：

若所述第一连续视频片段的开始时间和所述第二连续视频片段的结束时间之间的时间差小于预定第二时间间隔，则将所述目标视频帧替换为输入的视频帧中第三预定时间对应的视频帧与第四预定时间对应的视频帧之间的视频帧。

7.根据权利要求1-6之一所述的方法，其中，得分置信度预测模型为卷积神经网络，所述卷积神经网络包括：残差网络、全连接层、融合层、分类器，其中，所述融合层位于所述全连接层和所述分类器之间，用于将全连接层输出的相邻视频帧的特征向量加权平均后输入所述分类器。

8.一种用于处理视频的装置，包括：

获取单元，被配置成获取待处理的体育比赛的视频；

确定单元，被配置成从所述视频中识别出第一比分以及与第二比分，以及确定出最后一次出现所述第一比分的第一视频帧和第一次出现所述第二比分的第二视频帧，其中，所述第二比分的出现时间在所述第一比分的出现时间之后并且相邻；

预测单元，被配置成将所述视频中所述第一视频帧之前的第一预定时间对应的视频帧与所述第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入预先训练的得分置信度预测模型，得到输入的各视频帧属于得分片段的置信度，其中，所述得分置信度预测模型用于表征视频帧与属于得分片段的置信度的对应关系；

输出单元，被配置成基于输入的各视频帧属于得分片段的置信度和预定置信度阈值，从所述至少一个视频帧中确定出至少一个目标视频帧，以及输出所述至少一个目标视频帧。

9.根据权利要求8所述的装置，其中，所述得分置信度预测模型通过如下步骤训练得到：

确定初始得分置信度预测模型的网络结构以及初始化所述初始得分置信度预测模型的网络参数；

获取训练样本集，其中，训练样本包括样本体育比赛图像和标注信息；

将所述训练样本集中的训练样本中的样本体育比赛图像和标注信息分别作为所述初始得分置信度预测模型的输入和期望输出，利用机器学习装置训练所述初始得分置信度预测模型；

将训练得到的所述初始得分置信度预测模型确定为所述预先训练的得分置信度预测模型。

10.根据权利要求8所述的装置，其中，所述预测单元进一步被配置成：

确定所述体育比赛的类型；

从预先训练的得分置信度预测模型集合中选择与所述类型匹配的得分置信度预测模型；

将所述视频中所述第一视频帧之前的第一预定时间对应的视频帧与所述第二视频帧之后的第二预定时间对应的视频帧之间的至少一个视频帧输入所选择的得分置信度预测模型。

11.根据权利要求8所述的装置，其中，所述输出单元进一步被配置成：

将所述至少一个视频帧中属于得分片段的置信度大于预定置信度阈值的视频帧确定为目标视频帧。

12.根据权利要求8所述的装置，其中，所述输出单元进一步被配置成：

将所述至少一个视频帧中属于得分片段的置信度大于预定置信度阈值的视频帧确定为候选视频帧；

响应于确定出所述候选视频帧组成第一连续视频片段和第二连续视频片段，确定所述第一连续视频片段的起止时间和所述第二连续视频片段的起止时间，其中，起止时间包括开始时间和结束时间，所述第一连续视频片段在第二连续视频片段之前；

确定所述第一连续视频片段的结束时间和所述第二连续视频片段的开始时间之间的时间差是否小于预定第一时间间隔；

若小于预定第一时间间隔，则将所述第一连续视频片段的开始时间和所述第二连续视频片段的结束时间之间的视频帧确定为目标视频帧。

13.根据权利要求12所述的装置，其中，所述装置还包括替换单元，被配置成：

若所述第一连续视频片段的开始时间和所述第二连续视频片段的结束时间之间的时间差小于预定第二时间间隔，则将所述目标视频帧替换为输入的视频帧中第三预定时间对应的视频帧与第四预定时间对应的视频帧之间的视频帧。

14.根据权利要求8-13之一所述的装置，其中，得分置信度预测模型为卷积神经网络，所述卷积神经网络包括：残差网络、全连接层、融合层、分类器，其中，所述融合层位于所述全连接层和所述分类器之间，用于将全连接层输出的相邻视频帧的特征向量加权平均后输入所述分类器。

15.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

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1-7中任一所述的方法。

16.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。