CN109165573A - 用于提取视频特征向量的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于提取视频特征向量的方法和装置。该方法的一具体实施方式包括：从目标视频中采集多个视频片段，每个视频片段包括一个视频帧序列；对于每一个视频片段，基于该视频片段对应的视频帧序列生成该视频片段的组合图，组合图的各像素的像素值存储于三维数组中；将各视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到目标视频的特征向量。该实施方式所得到的视频的特征向量同时蕴含了目标视频的空间信息以及视频对象在时间跨度上的行为信息，有利于提高使用视频的特征向量分析视频内容所属类别的准确率。

Description

用于提取视频特征向量的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及视频处理技术领域，尤其涉及用于提取视频特征向量的方法和装置。

背景技术

随着信息技术的发展，数字视频的传输速率越来越高。作为信息的一种载体，视频也逐渐在多媒体数据中广泛流行。尤其是随着自媒体的发展，越来越多的视频通过互联网进行传播。

通常，在将视频通过互联网进行传播之前，需要对视频内容进行分析，确定视频所属的类别，以便对视频进行管理和进一步传播。

发明内容

本申请实施例提出了一种用于提取视频特征向量的方法和装置。

第一方面，本申请实施例提供了一种用于提取视频特征向量的方法，该方法包括：从目标视频中采集多个视频片段，每个视频片段包括一个视频帧序列；对于每一个视频片段，基于该视频片段对应的视频帧序列生成该视频片段的组合图，组合图的各像素的像素值存储于三维数组中；其中，三维数组包括行、列、页，三维数组的行、列的数量分别与该视频帧序列中的任意视频帧所包括的像素的行数、列数相同，三维数组的页数与该视频帧序列所包括的视频帧的数量相同，视频帧序列的每一个视频帧中，处于同一位置的像素的像素值存储于三维数组的每一页中的相同的位置；将各视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到目标视频的特征向量。

在一些实施例中，视频特征提取模型包括至少一个卷积单元，卷积单元包括级联的二维卷积神经网络和一维卷积神经网络，其中，二维卷积神经网络用于对视频片段的组合图所对应的三维数组的行与列方向进行卷积，输出表征视频片段的组合图的特征的特征三维数组；一维卷积神经网络用于对特征三维数组的页方向进行卷积。

在一些实施例中，在将各视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到目标视频的特征向量之前，该方法还包括：使用多个添加了类别标注的视频片段对初始视频特征提取模型进行训练，得到训练后的视频特征提取模型；其中，每一个视频片段可以包括一个视频帧序列。

在一些实施例中，该方法还包括：将特征向量输入到预先训练的视频类别识别模型，根据视频类别识别模型的输出确定目标视频对应的类别。

在一些实施例中，多个视频片段在时间上不连续。

在一些实施例中，每一视频片段的视频帧序列中的各视频帧在时间上不连续。

第二方面，本申请实施例提供了一种用于提取视频特征向量的装置，该装置包括：采集模块，被配置成从目标视频中采集多个视频片段，每个视频片段包括一个视频帧序列；生成模块，被配置成对于每一个视频片段，基于该视频片段对应的视频帧序列生成该视频片段的组合图，组合图的各像素的像素值存储于三维数组中；其中，三维数组包括行、列、页，三维数组的行、列的数量分别与该视频帧序列中的任意视频帧所包括的像素的行数、列数相同，三维数组的页数与该视频帧序列所包括的视频帧的数量相同，所述视频帧序列的每一个视频帧中，处于同一位置的像素的像素值存储于所述三维数组的每一页中的相同的位置；特征提取模块，被配置成将各视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到目标视频的特征向量。

在一些实施例中，视频特征提取模型包括至少一个卷积单元，卷积单元包括级联的二维卷积神经网络和一维卷积神经网络，其中，二维卷积神经网络用于对视频片段的组合图所对应的三维数组的行与列方向进行卷积，输出表征视频片段的组合图的特征的特征三维数组；一维卷积神经网络用于对特征三维数组的页方向进行卷积。

在一些实施例中，该装置还包括训练模块，训练模块被配置成：在特征提取模块将将各视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到目标视频的特征向量之前，使用多个添加了类别标注的视频片段对初始视频特征提取模型进行训练，得到训练后的视频特征提取模型；其中，每一个视频片段可以包括一个视频帧序列。

在一些实施例中，该装置还包括视频类别识别模块，视频类别识别模块被配置成：将特征向量输入到预先训练的视频类别识别模型，根据视频类别识别模型的输出确定目标视频对应的类别。

在一些实施例中，多个视频片段在时间上不连续。

在一些实施例中，每一视频片段的视频帧序列中的各视频帧在时间上不连续。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述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介质，其上存储有计算机程序，其中，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提取视频特征向量的方法和装置，通过首先从目标视频中采集多个视频片段，每个视频片段包括一个视频帧序列；然后对于每一个视频片段，基于该视频片段对应的视频帧序列生成该视频片段的组合图，组合图的各像素的像素值存储于三维数组中；最后将各视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到目标视频的特征向量。该实施方式所得到的视频的特征向量同时蕴含了目标视频的空间信息以及视频对象在时间跨度上的行为信息，有利于提高使用目标视频的特征向量分析目标视频所属类别的准确率。

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的用于提取视频特征向量的方法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提取视频特征向量的方法的一个实施例的流程图；

图3是视频特征提取模型的一个示意性结构图；

图4是根据本申请的用于提取视频特征向量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提取视频特征向量的装置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示出了本申请的一个实施例的用于提取视频特征向量的方法可以应用于其中的示例性系统架构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上可以安装有各种客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、视频录制类应用等。

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网页浏览的各种电子设备，包括但不限于智能手机、平板电脑膝上型便携计算机和台式计算机、摄像机、录像机等等。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的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。用户可以使用终端设备101、102、103拍摄视频，或者使用安装了终端设备101、102、103的电子设备拍摄视频，终端设备101、102、103可以将所拍摄的视频发送给服务器105。

服务器105可以是提供各种服务的后台服务器，例如对终端设备101、102、103发送的视频进行分析处理以确定视频对应的类别的服务器。

需要说明的是，本申请实施例所提供的用于提取视频特征向量的方法一般由服务器105执行，相应地，用于提取视频特征向量的装置一般设置于服务器105中。

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。

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，其示出了根据本申请的用于提取视频特征向量的方法的一个实施例的流程200。该用于提取视频特征向量的方法，包括以下步骤：

步骤201，从目标视频中采集多个视频片段，每个视频片段包括一个视频帧序列。

通常，视频的每一帧均包含了对象、场景、行为和语音等内容信息。通常来说对视频进行分类，是对视频中的对象的行为进行分类。这里的对象可以是人。在视频分类和理解中，有两类信息至关重要：单个视频帧的静态表观信息，以及多个视频帧之间的时序关系。单个视频帧的静态表观信息通常可以反映视频中对象的空间位置信息。多个在时间上相关的视频帧通常可以反映视频中的对象的行为信息。

在本实施例中，用于提取视频特征向量的方法的执行主体(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终端设备接收用户发送的目标视频。此外，上述执行主体还可以从保存视频的数据库中获取目标视频；或者上述执行主体还可以将其实时拍摄或者录制的视频作为目标视频。

上述执行主体可以从目标视频中采集多个视频片段，每个视频片段可以包括一个视频帧序列。

具体地，上述执行主体可以将目标视频划分成多个视频段，从每一个视频段中按照视频帧出现的先后顺序等间隔采集出多个视频帧。从每一个视频段中等间隔采集出的多个视频帧按照采集时间的先后形成一个视频帧序列。每一个视频帧序列可以组成一个视频片段。也就是说，上述执行主体可以从目标视频中采集多个视频片段，每一视频片段包括一个视频帧序列。

步骤202，对于每一个视频片段，基于该视频片段对应的视频帧序列生成该视频片段的组合图，组合图的各像素的像素值存储于三维数组中。

在本实施例中，对于步骤201中得到的每一个视频片段，上述执行主体(例如图1所示的服务器)可以基于该视频片段对应的视频帧序列生成该视频片段的组合图。

该视频片段的各视频帧所包括的像素的行数相等，列数也相等。上述三维数组可以包括行、列、页。上述三维数组的行、列的数量分别与该视频帧序列中的任意视频帧所包括的像素的行数、列数相同。上述三维数组的页数与该视频帧序列所包括的视频帧的数量相同。

具体地，上述执行主体可以将该视频帧序列的第一个视频帧的各像素分别对应的像素值存入与该视频帧序列对应的三维数组的对应第一页的各个行列组合的元素中。其中，上述三维数组中与第一页对应的每一个行与列组合的元素存储了第一个视频帧的与该行与列组合相同的行与列组合的像素的像素值。例如，上述三维数组中与第一页对应的第一行第一列的元素保存了第一个视频帧的第一行第一列的像素的像素值。三维数组中与第一页对应的第三行第四列的元素保存了第一个视频帧的第三行第四列的像素的像素值。同理，上述执行主体可以按照上述方式将该视频帧序列的第二个视频帧的各像素分别对应的像素值存入上述三维数组中与该三维数组的第二页对应的各个行列组合的元素中。将该视频帧序列的第三个视频帧的各像素分别对应的像素值保存入上述三维数组中与该三维数组的第三页对应的各个行列组合的元素中，…，直到将该视频帧序列的最后一个视频帧的各像素分别对应的像素值存入上述三维数组中与最后一个视频帧对应的页的各个行与列组合的元素中。

这样一来，通过上述方式将该视频帧序列的多个视频帧各自对应每一像素的像素值保存到了同一三维数组中。

若该视频序列中的每个视频帧有K×L个像素，其中，K是视频帧的像素的行数，L是视频帧的像素的列数；该视频序列包括Q个视频帧；与该视频序列对应的三维数组包括K×L×Q个元素。也就是三维数组包括K行、L列、Q页。三维数组的每一页包括K×L个元素。K、L、Q分别为大于1的正整数。

该视频帧序列中的第1帧至第Q帧视频帧中每个视频帧的第m行第n列的像素的像素值依次存储在上述三维数组的第1页至第Q页的第m行第n列的元素中，在这里，1≤m≤M、1≤n≤N。

通过上述将该视频帧序列的多个视频帧各自对应的每一像素的像素值保存到同一三维数组的过程中，可以看出上述三维数组中的各页的排列顺序与上述视频帧序列中各视频帧的排列顺序相同。对应每一行与列组合的像素在该视频帧序列中不同视频帧的像素值依次存储于三维数组中对应该行与列组合的不同页中。也就是说，上述三维数组中每一行与列组合所对应的不同页的元素中依次存储了该视频帧序列中各视频帧的与该行与列组合对应的像素的像素值。也即，该视频帧序列的每一个视频帧中，处于同一位置的像素的像素值存储于三维数组的每一页中的相同的位置。

可以理解的是，在本实施例中，上述任一视频帧中的每一个像素的像素值可以为该像素对应的R、G、B三通道分量值。上述三维数组的任一元素中存储了与该元素对应的一个视频帧中的像素的R、G、B三通道分量值。

这样一来，若一个视频片段所包括的视频帧序列的数量为N，对于该视频片段的组合图而言，该组合图的每一个像素的像素值对应3×N通道分量值。N为大于1的正整数。

步骤203，将各视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到目标视频的特征向量。

在本实施例中，在步骤202中得到了与多个视频片段分别对应的三维数组之后，上述执行主体可以将各视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到目标视频的特征向量。

上述视频特征提取模型可以是各种机器学习模型，例如基于有限状态机的机器学习模型、基于贝叶斯网络的机器学习模型、基于隐马尔可夫模型的机器学习模型、三维卷积神经网络模型等。

在本实施例的一些可选的实现方式中，请参考图3，其示出了视频特征提取模型的一个示意性结构图300。

在这些可选的实现方式中，视频特征提取模型3001可以包括至少一个卷积单元302、池化层(P1)303、全连接层304以及池化层(P2)305。

上述卷积单元302包括级联的二维卷积神经网络(2DCNN)3021和一维卷积神经网络(1DCNN)3022。如图3所示，卷积单元302中的二维卷积神经网络3021的数量可以大于1。二维卷积神经网络3021的数量可以与目标视频所拆分成的视频片段301的数量相等。这样一来，每一个视频片段301可以对应一个二维卷积神经网络3021。每一个二维卷积神经网络3021的输入可以是与该二维卷积神经网络3021对应的视频片段301所对应的三维数组。

二维卷积神经网络3021用于对视频片段301的组合图所对应的三维数组的行与列方向进行卷积。二维卷积神经网络3021中可以包括多个卷积核。每一个卷积核的维度例如可以为3×3×N。其中，N等于输入的视频组合图对应的三维数组的页数。也即N等于与该二维卷积神经网络3021对应的一个视频片段301所包括的视频帧的数量。

将一个视频片段301所对应的三维数组输入到与该视频片段所对应的二维卷积神经网络3021之后，上述二维卷积神经网络3021中的每一个卷积核可以对该三维数组的行与列方向执行卷积操作，得到一个与该视频片段301对应的、表征该视频片段的组合图的特征的特征三维数组。一个二维卷积神经网络3021所输出的特征三维数组的页数与该二维卷积神经网络3021所输入的三维数组的页数相等。若一个二维卷积神经网络3021包括M个卷积核，经过该二维卷积神经网络之后，将得到M个特征三维数组。M为大于等于1的正整数。

可以将各二维卷积神经网络3021所输出的特征三维数组依次输入到一维卷积神经网络3022中。例如将第一个视频片段301对应的多个特征三维数组首先输入到一维卷积神经网络3022中，然后将第二个视频片段301对应的多个特征三维数组输入到一维卷积神经网络3022中等，直到把最后一个视频片段对应的多个特征三维数组输入到一维卷积神经网络3022中。这里的各视频片段301的排列顺序可以由各个视频片段在目标视频中出现的顺序确定。

一维卷积神经网络3022用于对所输入每一个特征三维数组在该特征三维数组的页方向上进行卷积。一维卷积神经网络可以包括多个卷积核。一维神经网络的卷积核的维度例如可以为1×1×3。也就是说，每一个上述一维卷积神经网络的卷积核可以对输入到该一维卷积神经网络的特征三维数组在页方向执行卷积操作。

将一个视频片段对应的特征三维数组输入到一个上述一维卷积神经网络中之后，可以由该一维卷积神经网络的各卷积核对该特征三维数组在页方向上进行卷积，从而提取该视频片段所包括的对象在时间跨度上的行为特征。

可以看出，上述卷积单元302中的二维卷积神经网络3021可以在空间上提取视频片段的特征，一维卷积神经网络3022可以在时间跨度上提取视频片段所包括的对象的行为特征。也就是卷积单元302通过由二维卷积网络3021提取视频片段301的空间特征，由一维卷积网络3022提取视频片段301所包括的对象在时间跨度上的行为特征，从而实现了由卷积单元302提取目标视频的空间特征以及目标视频所包括的对象的行为特征。

若上述视频特征提取模型包括多个卷积单元，在经过第一个卷积单元302对多个视频片段的卷积之后，进入第二个卷积单元302中，并由第二卷积单元302的二维卷积神经网络3021对所输入的与一个视频片段301对应的三维数组在行列方向进行卷积，进一步提取该视频片段301在空间上的特征。由第二卷积单元302的一维卷积神经网络3022对由该卷积单元中302的二维卷积神经网络3021输出的特征三维数据数组在页方向进行卷积，从而进一步提取该视频片段301所包括的对象的行为特征。并将第二卷积单元302的输出继续输入到后续的卷积单元302中，以进一步提取视频片段301在空间上的特征以及目标视频所包括的对象的行为特征。

池化层(P1)303用于对卷积单元302输出的特征图在行列方向进一步降维。全连接层(FC)304的作用是将输入的池化层的输出的数据映射为在行列方向上为一维的数据。池化层(P2)305用于对全连接层304输出数据在页方向上取平均，从而得到目标视频的特征向量。

在这些可选的实现方式中，在提取目标视频的空间特征以及目标视频所包括的对象的行为特征时分别使用了二维卷积神经网络3021以及一维卷积神经网络3022。相对于使用三维卷积神经网络来提取视频的空间、视频所包括的对象的行为特征，使用二维卷积神经网络以及一维卷积神经网络级联的方式可以减少模型的参数的数量和计算量，可以减少对模型进行训练所用的时间。

本申请的上述实施例提供的方法通过首先对所采集的目标视频的多个视频片段所对应的视频帧序列生成各自对应的视频片段组合图，组合图的各像素的像素值存储于三维数组中，然后将多个视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到目标视频的特征向量。使得所提取的特征向量同时蕴含了目标视频的空间信息以及目标视频所包括的对象在时间跨度上的行为信息，有利于提高使用目标视频的特征向量分析目标视频所属类别的准确率。

在本实施例的一些可选的实现方式中，在使用上述视频特征模型提取视频的特征向量之前，需要使用多个添加了类别标注的视频片段对初始视频特征提取模型进行训练，得到训练后的视频特征提取模型；其中，每一个视频片段可以包括一个视频帧序列。

上述对视频特征提取模型进行训练的方法可以参考通用的对机器学习模型进行训练的方法，此处不赘述。

在本实施例的一些可选的实现方式中，上述所采集的多个视频片段在时间上不连续。这里多个视频片段在时间上不连续是指的相邻的两个视频片段中第一个视频片段的最后一个视频帧与第二个视频片段的第一个视频帧在目标视频中不相邻。多个视频片段在时间上不连续，意味着上述多个视频片段在目标视频中出现的时刻之间具有一定的跨度。这样一来，上述所采集的多个视频片段可以反映出目标视频所包括的对象的整体行为。在这些可选的实现方式中，使用目标视频的在时间上不连续的多个视频片段来分析目标视频的特征向量，使得所得到的目标视频的特征向量可以蕴含视频所包括的对象在较大的时间跨度中的行为信息。有利于提高目标视频的特征向量所蕴含的信息量。进一步地，可以有利于提高使用上述特征向量识别目标视频的类别的准确率。例如，在跳高和跳远这两种运动的前期都需要助跑，只有在运动的后期运动员才会做出向高处起跳、越杆、落地的动作，或者做出起跳、落地的动作。如果所采集的多个视频片段在目标视频中出现的时刻的跨度比较小的话，有可能只采集到助跑阶段的多个视频片段，通过这些视频片段所提取的特征向量反映了运动员助跑阶段的特征信息。当通过这些特征信息对目标视频进行分类时，有可能将跳高或跳远这样的视频归为短跑类视频。因此，多个视频片段在目标视频中出现的时刻之间具有一定的跨度，使得通过所采集的多个视频片段得到的目标视频的特征向量中所包含的目标视频的信息较全面。有利于提高后续使用目标视频的特征向量对目标视频进行分类的准确率。

在本实施例的一些可选的实现方式中，每一个视频片段所对应的视频帧序列中所包括的各个视频帧可以在时间上不连续。这里的视频帧序列中所包括的各个视频帧在时间上不连续是指的视频帧序列中相邻的两个视频帧在目标视频中不相邻。视频片段所对应的视频帧序列中所包括的各个视频帧在时间上不连续，意味着上述视频片段中的各个视频帧在目标视频中出现的时刻之间具有一定的跨度。这样一来，每一个视频片段中的各个视频帧可以反映出该视频片段所包括的对象的在该视频片段中的整体行为。这样一来，可以进一步提高目标视频的特征向量所蕴含的目标视频中的对象的行为的信息量。

进一步参考图4，其示出了用于提取视频特征向量的方法的又一个实施例的流程400。该用于提取视频特征向量的方法的流程400，包括以下步骤：

步骤401，从目标视频中采集多个视频片段，每个视频片段包括一个视频帧序列。

在本实施例中，步骤401与图2所示实施例的步骤201相同，此处不赘述。

步骤402，对于每一个视频片段，基于该视频片段对应的视频帧序列生成该视频片段的组合图，组合图的各像素的像素值存储于三维数组中。

在本实施例中，步骤402与图2所示实施例的步骤202相同，此处不赘述。

步骤403，将各视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到目标视频的特征向量。

在本实施例中，步骤403与图2所示实施例的步骤203相同，此处不赘述。

步骤404，将特征向量输入到预先训练的视频类别识别模型，根据视频类别识别模型的输出确定目标视频对应的类别。

在本实施例中，上述执行主体可以将在步骤403中得到的目标视频的特征向量输入到预先训练的视频类别模型中。

上述视频类别识别模型的输出可以是与视频类别对应的标签。这里的一个视频类别的标签可以是与该视频类别对应的标识。

上述执行主体可以根据视频类别识别模型输出的标签，来确定目标视频对应的视频类别。这里的视频类别例如可以是视频所包括的对象的行为的类别。视频类别例如可以是踢足球、打篮球、跑步等。

上述视频类别识别模型可以是任意分类模型，例如支持向量机分类模型、K近邻分类模型、决策树分类模型等。

在使用上述视频类别识别模型对输入的目标视频的特征向量进行分类之前，需要对初始视频类别识别模型进行训练。例如使用大量标注了视频类别的视频的特征向量对初始视频类别识别模型进行训练，从而得到训练后的视频类别识别模型。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于提取视频特征向量的方法的流程400突出了使用视频类别识别模型识别目标视频的类别的步骤。由此，本实施例描述的方法可以得到目标视频所属的类别，从而有利于对目标视频进行管理和向相关用户进行有针对性的推送。

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提取视频特征向量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，本实施例的用于提取视频特征向量的装置500包括：采集模块501、生成模块502和特征提取模块503。其中，采集模块501被配置成从目标视频中采集多个视频片段，每个视频片段包括一个视频帧序列；生成模块502被配置成对于每一个视频片段，基于该视频片段对应的视频帧序列生成该视频片段的组合图，组合图的各像素的像素值存储于三维数组中；其中，三维数组包括行、列、页，三维数组的行、列的数量分别与该视频帧序列中的任意视频帧所包括的像素的行数、列数相同，三维数组的页数与该视频帧序列所包括的视频帧的数量相同，对应同一行与列组合的像素在该视频帧序列中不同视频帧的像素值依次存储于三维数组中对应行与列组合的不同页中；特征提取模块503被配置成将各视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到目标视频的特征向量。

在本实施例中，用于提取视频特征向量的装置500的采集模块501、生成模块502和特征提取模块503的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，视频特征提取模型包括至少一个卷积单元，卷积单元包括级联的二维卷积神经网络和一维卷积神经网络，其中二维卷积神经网络用于对视频片段的组合图所对应的三维数组的行与列方向进行卷积，输出表征视频片段的组合图的特征的特征三维数组；一维卷积神经网络用于对特征三维数组的页方向进行卷积。

在本实施例的一些可选的实现方式中，用于提取视频特征向量的装置500还包括训练模块(图中未示出)，训练模块被配置成：在特征提取模块将各视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到目标视频的特征向量之前，使用多个添加了类别标注的视频片段对初始视频特征提取模型进行训练，得到训练后的视频特征提取模型；其中，每一个视频片段可以包括一个视频帧序列。

在本实施例的一些可选的实现方式中，用于提取视频特征向量的装置500还包括视频类别识别模块504，视频类别识别模块被配置成：将目标视频的特征向量输入到预先训练的视频类别识别模型，根据视频类别识别模型的输出确定目标视频对应的类别。

在本实施例的一些可选的实现方式中，多个视频片段在时间上不连续。

在本实施例的一些可选的实现方式中，每一视频片段的视频帧序列中的各视频帧在时间上不连续。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6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6所示，计算机系统600包括中央处理单元(CPU，Central Processing Unit)601，其可以根据存储在只读存储器(ROM，Read Only Memory)602中的程序或者从存储部分608加载到随机访问存储器(RAM，Random Access Memory)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、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O，Input/Output)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，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)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(局域网，Local AreaNetwork)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。

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，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模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括采集模块、生成模块和特征提取模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，采集模块还可以被描述为“从目标视频中采集多个视频片段的模块”。

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：从目标视频中采集多个视频片段，每个视频片段包括一个视频帧序列；对于每一个视频片段，基于该视频片段对应的视频帧序列生成该视频片段的组合图，组合图的各像素的像素值存储于三维数组中；其中，三维数组包括行、列、页，三维数组的行、列的数量分别与该视频帧序列中的任意视频帧所包括的像素的行数、列数相同，三维数组的页数与该视频帧序列所包括的视频帧的数量相同，视频帧序列的每一个视频帧中，处于同一位置的像素的像素值存储于三维数组的每一页中的相同的位置；将各视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到目标视频的特征向量。

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上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 (14)

1.一种用于提取视频特征向量的方法，包括：

从目标视频中采集多个视频片段，每个视频片段包括一个视频帧序列；

对于每一个视频片段，基于该视频片段对应的视频帧序列生成该视频片段的组合图，所述组合图的各像素的像素值存储于三维数组中；其中，所述三维数组包括行、列、页，所述三维数组的行、列的数量分别与该视频帧序列中的任意视频帧所包括的像素的行数、列数相同，所述三维数组的页数与该视频帧序列所包括的视频帧的数量相同，所述视频帧序列的每一个视频帧中，处于同一位置的像素的像素值存储于所述三维数组的每一页中的相同的位置；

将各视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到所述目标视频的特征向量。

2.根据权利要求1所述的方法，其中，所述视频特征提取模型包括至少一个卷积单元，

所述卷积单元包括级联的二维卷积神经网络和一维卷积神经网络，其中，

所述二维卷积神经网络用于对视频片段的组合图所对应的三维数组的行与列方向进行卷积，输出表征所述视频片段的组合图的特征的特征三维数组；所述一维卷积神经网络用于对所述特征三维数组的页方向进行卷积。

3.根据权利要求2所述的方法，其中，在将各视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到所述目标视频的特征向量之前，所述方法还包括：

使用多个添加了类别标注的视频片段对初始视频特征提取模型进行训练，得到训练后的视频特征提取模型；其中，每一个视频片段可以包括一个视频帧序列。

4.根据权利要求1所述的方法，其中，所述方法还包括：

将所述特征向量输入到预先训练的视频类别识别模型，根据视频类别识别模型的输出确定所述目标视频对应的类别。

5.根据权利要求1所述的方法，其中，所述多个视频片段在时间上不连续。

6.根据权利要求1所述的方法，其中，每一视频片段的视频帧序列中的各视频帧在时间上不连续。

7.一种用于提取视频特征向量的装置，包括：

采集模块，被配置成从目标视频中采集多个视频片段，每个视频片段包括一个视频帧序列；

生成模块，被配置成对于每一个视频片段，基于该视频片段对应的视频帧序列生成该视频片段的组合图，所述组合图的各像素的像素值存储于三维数组中；其中，所述三维数组包括行、列、页，所述三维数组的行、列的数量分别与该视频帧序列中的任意视频帧所包括的像素的行数、列数相同，所述三维数组的页数与该视频帧序列所包括的视频帧的数量相同，所述视频帧序列的每一个视频帧中，处于同一位置的像素的像素值存储于所述三维数组的每一页中的相同的位置；

特征提取模块，被配置成将各视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到所述目标视频的特征向量。

8.根据权利要求6所述的装置，其中，所述视频特征提取模型包括至少一个卷积单元，

所述卷积单元包括级联的二维卷积神经网络和一维卷积神经网络，其中，

所述二维卷积神经网络用于对视频片段的组合图所对应的三维数组的行与列方向进行卷积，输出表征所述视频片段的组合图的特征的特征三维数组；所述一维卷积神经网络用于对所述特征三维数组的页方向进行卷积。

9.根据权利要求8所述的装置，其中，所述装置还包括训练模块，所述训练模块被配置成：

在所述特征提取模块将将各视频片段分别对应的三维数组输入到预先训练的视频特征提取模型，得到所述目标视频的特征向量之前，使用多个添加了类别标注的视频片段对初始视频特征提取模型进行训练，得到训练后的视频特征提取模型；其中，每一个视频片段可以包括一个视频帧序列。

10.根据权利要求7所述的装置，其中，所述装置还包括视频类别识别模块，所述视频类别识别模块被配置成：

将所述特征向量输入到预先训练的视频类别识别模型，根据视频类别识别模型的输出确定所述目标视频对应的类别。

11.根据权利要求7所述的装置，其中，所述多个视频片段在时间上不连续。

12.根据权利要求7所述的装置，其中，

每一视频片段的视频帧序列中的各视频帧在时间上不连续。

13.一种电子设备，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1-6中任一所述的方法。

14.一种计算机可读介质，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1-6中任一所述的方法。