CN109446990A - 用于生成信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取目标视频；提取所述目标视频的视频特征向量，以及，提取所述目标视频的配乐的音频特征向量；将所述视频特征向量和所述音频特征向量进行融合，生成融合特征向量；将所述融合特征向量输入至预先训练的视频类别检测模型，得到目标视频的类别检测结果。该实施方式提高了视频类别检测的准确性。

Description

用于生成信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成信息的方法和装置。

背景技术

随着计算机技术的发展，视频类应用应运而生。用户可以利用视频类应用上传、发布视频。为保证视频质量以及便于向其他用户进行视频推送，通常需要确定用户上传的视频的类别。

相关的方式，通常是利用视频中的帧进行模型训练，以使训练后的模型能够检测图像类别。而后，利用训练后的模型对待检测视频中的帧进行分类，基于帧的类别检测结果，确定视频类别。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：获取目标视频；提取目标视频中的帧的特征，生成视频特征向量，以及，提取目标视频的配乐的特征，生成音频特征向量；将视频特征向量和音频特征向量进行融合，生成融合特征向量；将融合特征向量输入至预先训练的视频类别检测模型，得到目标视频的类别检测结果，其中，视频类别检测模型用于表征视频的融合特征向量与视频类别的对应关系。

在一些实施例中，将视频特征向量和音频特征向量进行融合，生成融合特征向量，包括：分别将视频特征向量和音频特征向量升维至目标维数；确定升维后的视频特征向量与升维后的音频特征向量的向量积；将向量积作为音视频特征向量，将音视频特征向量中的特征值按照预设特征值数量切分为多组，确定各组的特征值之和；将各组的特征值之和进行汇总，生成融合特征向量。

在一些实施例中，将视频特征向量和音频特征向量进行融合，生成融合特征向量，包括：将视频特征向量和音频特征向量进行拼接，生成融合特征向量。

在一些实施例中，提取目标视频中的帧的特征，生成视频特征向量，包括：提取目标视频中的至少一帧；将至少一帧输入至预先训练的视频特征提取模型，得到目标视频的视频特征向量，其中，视频特征提取模型用于提取视频特征。

在一些实施例中，视频类别检测模型通过如下步骤训练得到：提取样本集，其中，样本集中的样本包括样本视频和用于指示样本视频的类别的标注信息；对于样本集中的样本，提取该样本中的样本视频的样本视频特征向量，以及，提取该样本中的样本视频的配乐的样本音频特征向量，将样本视频特征向量和样本音频特征向量进行融合，生成样本融合特征向量；利用机器学习方法，将样本的样本融合特征向量作为输入，将所输入的样本融合特征向量对应的标注信息作为输出，训练得到视频类别检测模型。

第二方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：获取单元，被配置成获取目标视频；提取单元，被配置成提取目标视频中的帧的特征，生成视频特征向量，以及，提取目标视频的配乐的特征，生成音频特征向量；融合单元，被配置成将视频特征向量和音频特征向量进行融合，生成融合特征向量；输入单元，被配置成将融合特征向量输入至预先训练的视频类别检测模型，得到目标视频的类别检测结果，其中，视频类别检测模型用于表征视频的融合特征向量与视频类别的对应关系。

在一些实施例中，融合单元，包括：升维模块，被配置成分别将视频特征向量和音频特征向量升维至目标维数；确定模块，被配置成确定升维后的视频特征向量与升维后的音频特征向量的向量积；切分模块，被配置成将向量积作为音视频特征向量，将音视频特征向量中的特征值按照预设特征值数量切分为多组，确定各组的特征值之和；汇总模块，被配置成将各组的特征值之和进行汇总，生成融合特征向量。

在一些实施例中，融合单元，包括：拼接模块，被配置成将视频特征向量和音频特征向量进行拼接，生成融合特征向量。

在一些实施例中，提取单元，进一步被配置成：提取目标视频中的至少一帧；将至少一帧输入至预先训练的视频特征提取模型，得到目标视频的视频特征向量，其中，视频特征提取模型用于提取视频特征。

在一些实施例中，视频类别检测模型通过如下步骤训练得到：提取样本集，其中，样本集中的样本包括样本视频和用于指示样本视频的类别的标注信息；对于样本集中的样本，提取该样本中的样本视频的样本视频特征向量，以及，提取该样本中的样本视频的配乐的样本音频特征向量，将样本视频特征向量和样本音频特征向量进行融合，生成样本融合特征向量；利用机器学习方法，将样本的样本融合特征向量作为输入，将所输入的样本融合特征向量对应的标注信息作为输出，训练得到视频类别检测模型。

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上述第一方面中任一实施例的方法。

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，该程序被处理器执行时实现如上述第一方面中任一实施例的方法。

本申请实施例提供的用于生成信息的方法和装置，通过获取目标视频，而后提取目标视频的视频特征向量以及目标视频的配乐的音频特征向量，之后将视频特征向量和音频特征向量进行融合，生成融合特征向量，最后将融合特征向量输入至预先训练的视频类别检测模型，得到目标视频的类别检测结果，从而结合将目标视频的视频特征和配乐的音频特征进行视频类别检测，提高了视频类别检测的准确性。

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生成信息的方法的一个实施例的流程图；

图3是根据本申请的用于生成信息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生成信息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生成信息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示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的示例性系统架构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，例如视频录制类应用、视频播放类应用、语音交互类应用、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。

当终端设备101、102、103为硬件时，其上还可以安装有图像采集设备。图像采集设备可以是各种能实现采集图像功能的设备，如摄像头、传感器等等。用户可以利用终端设备101、102、103上的图像采集设备，来采集视频。

服务器105可以是提供各种服务的服务器，例如用于对终端设备101、102、103上传的视频进行存储、管理或者分析的视频处理服务器。视频处理服务器可以接收终端设备101、102、103发送的视频类别检测请求。其中，上述视频类别检测请求可以包含目标视频。视频处理服务器可以提取目标视频的视频特征向量以及目标视频的配乐的音频特征向量，对所提取的特征向量进行融合、分析等处理，得到处理结果(例如目标视频的类别检测结果)。

这样，在用户利用终端设备101、102、103上传视频后，服务器105可以确定用户所上传的视频是否属于目标类别，进而，可以对目标视频进行禁止推送、禁止转发等处理，或者推送相关信息(例如目标视频的类别检测结果)。

需要说明的是，服务器105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)，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生成信息的方法一般由服务器105执行，相应地，用于生成信息的装置一般设置于服务器105中。

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生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，获取目标视频。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或无线连接方式，获取终端设备(例如图1所示的终端设备101、102、103)发送的目标视频。上述目标视频可以是待进行类别检测的各种视频。例如，可以是使用终端设备的用户所录制的视频，也可以是从互联网或者其他设备中获取的视频。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

需要说明的是，上述目标视频也可以是预先存储在上述执行主体中的待进行类别检测的视频。此时，上述执行主体可以直接本地提取目标视频。

此处，视频的类别可以预先根据视频中的对象划分为多种。例如，可以划分为猫、狗、人、树、房子、等类别。需要说明的是，图像的类别不限于上述划分方式，也可以预先根据视频所表现的内容划分为多种。例如，可以划分为违反法律类、违反社会公德类、妨害公共利益类、正常等类别。实践中，由于用户可以上传各种视频，因此，需要对获取的视频的类别进行检测，以避免一些不好的视频(例如上述违反法律类、违反社会公德类、妨害公共利益类的视频)的传播。

步骤202，提取目标视频中的帧的特征，生成视频特征向量，以及，提取目标视频的配乐的特征，生成音频特征向量。

在本实施例中，上述执行主体可以利用各种视频特征提取方法，提取上述目标视频中的帧的特征，生成视频特征向量。实践中，特征可以是某一类对象区别于其他类对象的特点或特性，或是这些特点和特性的集合。特征是通过测量或处理能够抽取的数据。对于图像而言，图像的特征可以是图像所具有的能够区别于其他类图像的自身特征。有些是可以直观地感受到的自然特征，如亮度、边缘、纹理和色彩等。有些则是需要通过变换或处理才能得到的，例如直方图以及主成份分析等。可以将图像的多个或多种特征组合在一起，形成特征向量。此处，将目标视频中的帧的特征进行组合，所得到的特征向量可以称为视频特征向量。其中，帧的特征可以通过各种方式提取。

作为示例，可以生成上述目标视频中的帧颜色直方图，将上述颜色直方图作为帧的特征。实践中，颜色直方图可以表示不同色彩在上述目标视频的帧中所占的比例，通常用于表征图像的颜色特征。具体地，可以将颜色空间划分成若干个颜色区间，进行颜色量化。之后，计算上述目标视频中的帧在每个颜色区间内的像素数量，生成颜色直方图。需要说明的是，上述颜色直方图可以基于各种颜色空间所生成，例如，RGB(red green blue，红绿蓝)颜色空间、HSV(hue saturation value，色彩饱和度值)颜色空间、HSI(hue saturationIntensity，色彩饱和度亮度)颜色空间等等。在不同的颜色空间中，目标视频的帧的颜色直方图中的各个颜色区间可以具有不同的数值。

作为又一示例，可以利用灰度共生矩阵算法，从目标视频中的帧中提取灰度共生矩阵，将上述灰度共生矩阵作为帧的特征。实践中，灰度共生矩阵可以用于表征图像中的纹理方向、相邻间隔、变化幅度等信息。

作为又一示例，可以首先对上述目标视频中的帧进行分割，划分出该帧所包含的颜色区域，之后为所划分的颜色区域建立索引以提取该帧的空间关系特征。或者，可以将该帧均匀地划分为若干图像子块，然后对每一个图像子块提取图像特征，之后为所提取的图像特征建立索引以提取该帧的空间关系特征。

需要说明的是，上述执行主体还可以基于霍夫变换、随机场构造模型、傅里叶形状描述符法、构造图像灰度梯度方向矩阵等任意的图像特征提取方式(或者多种图像特征提取方式的任意结合)进行上述目标视频的帧的特征的提取。并且，对帧的特征的提取方式不限于以上提到的方式。

需要指出的是，在提取帧的特征后，可以对帧的特征进行各种处理(例如降维、融合等)，得到视频的特征向量。上述目标视频的帧可以是目标视频中的一帧或者多帧。此处不作限定。当为多帧时，可以分别从各帧中提取特征，得到各帧的特征向量；而后将从各帧的特征向量进行融合(例如将各帧的特征向量中的相同位置取平均)，得到目标视频的视频特征向量。

在本实施例中，上述执行主体可以利用各种音频特征提取方式，提取目标视频的配乐的特征，生成音频特征向量。实践中，音频特征可以包括但不限于以下至少一项：频域能量、子带能量、过零率、频谱中心等。可以将所提取的音频特征进行组合，所得到的特还特征向量可以称为音频特征向量。

作为示例，可以基于梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient，MFCC)从上述目标语音信号中提取特征向量。具体的，可以首先利用离散傅氏变换的快速算法(Fast Fourier Transformation，FFT)对上述配乐对应的音频信号进行从时域至频域的转换，得到能量频率；之后，可以利用三角带通滤波方法，依照梅尔刻度分布，将上述能量频谱进行卷积计算，得到多个输出对数能量，最后对上述多个输出对数能量构成的向量进行离散余弦变换(Discrete Cosine Transform，DCT)，生成音频特征向量。

此处，在基于MFCC从上述音频信号中提取特征向量之前，还可以对上述音频信号进行预加重、加窗等处理。实践中，由于上述音频信号是非平稳信号，为了能对上述音频信号进行处理，还可以将上述音频信号按短时段进行划分，每个短时段为一帧。其中，每一帧可以与预设的任意时长，如20ms、25ms、30ms等。

作为又一示例，上述电子设备还可以利用线性预测编码(Linear PredictiveCoding，LPC)方法，通过对上述音频信号进行解析，生成声道激励和转移函数的参数，并以所生成的参数作为特征参数，生成特征向量。

作为又一示例，上述电子设备还可以利用音频特征提取模型进行音频特征的提取。此处，音频特征提取模型可以使用各种现有的能够提取音频特征的模型；也可以是基于数据集，利用机器学习方法预先训练的。例如，可以使用RNN(Recurrent neural network，递归神经网络)进行音频特征提取模型的训练。

需要说明的是，生成音频特征向量的方式不限于上述列举。

在本实施例的一些可选的实现方式中，上述执行主体可以利用预先训练的视频特征提取模型得到视频特征向量。具体可以按照如下步骤执行：

第一步，提取上述目标视频中的至少一帧。此处，可以利用各种方式进行帧的抽取。例如，可以随机抽取执行数量的帧。或者，可以按照固定时间间隔(例如1s)进行抽取。此处不作限定。

第二步，将上述至少一帧输入至预先训练的视频特征提取模型，得到上述目标视频的视频特征向量。其中，上述视频特征提取模型用于提取视频特征。

此处，视频特征提取模型可以是利用机器学习方法，基于样本集(包含样本视频中的帧，以及用于指示样本视频的类别的标注)，对现有的用于进行图像特征提取的模型进行有监督训练得到的。作为示例，上述模型可以使用各种现有的卷积神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)。实践中，卷积神经网络(Convolutional NeuralNetwork，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对图像进行处理。卷积神经网络可以包含卷积层、池化层、特征融合层、全连接层等。其中，卷积层可以用于提取图像特征。池化层可以用于对输入的信息进行降采样(downsample)。特征融合层可以用于将所得到的各帧对应的图像特征(例如，可以是特征向量的形式)进行融合。例如，可以将不同帧对应的特征矩阵中的相同位置的特征值取平均，以进行特征融合，生成一个融合后的特征矩阵。全连接层可以用于将所得到的特征进行进一步处理，得到视频特征向量。需要说明的是，视频特征提取模型也可以使用其他能够提取图像特征的模型进行训练。

步骤203，将视频特征向量和音频特征向量进行融合，生成融合特征向量。

在本实施例中，上述执行主体可以利用各种方式将视频特征向量和音频特征向量进行融合，生成融合特征向量。

在本实施例的一些可选的实现方式中，上述执行主体可以将上述视频特征向量和上述音频特征向量进行拼接，将拼接后的向量确定为融合特征向量。此处，拼接的次序可以预先指定。例如，将音频特征向量拼接在视频特征向量的后面。

在本实施例的一些可选的实现方式中，上述执行主体可以首先确定视频特征向量和音频特征向量的维数是否相同。若相同，可以将视频特征向量和音频特征向量进行拼接；或者，将相同位置的特征值取平均；或者，计算视频特征向量与音频特征向量向量积。将处理结果确定为融合特征向量。若视频特征向量和音频特征向量的维数不同，可以首先将视频特征向量和音频特征向量通过升维或降维的方式，调整至同一维数。而后，执行如上所列举的任一处理操作，得到融合特征向量。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤得到特征融合向量：

第一步，分别将上述视频特征向量和上述音频特征向量升维至目标维数。作为示例，视频特征向量的维数为2048，音频特征向量的维数为128。可以将视频特征向量与音频特征向量均升维成2048×4维。此处，可以利用各种升维方式进行视频特征向量、音频特征向量的升维。

可选的，可以预先设置分别用于对视频特征向量、音频特征向量进行升维的矩阵。将视频特征向量与用于对视频特征向量进行升维的矩阵相乘，即可得到升维后的视频特征向量。将音频特征向量与用于对音频特征向量进行升维的矩阵相乘，即可得到升维后的音频特征向量。需要说明的是，用于对视频特征向量、音频特征向量进行升维的矩阵，分别可以是技术人员基于大量数据统计和计算所预先制定的。

可选的，可以利用预先训练的用于对视频特征向量进行处理的神经网络进行视频特征向量的升维。此处，神经网络可以是一层全连接层。将视频特征向量输入至该神经网络后，该神经网络所输出的向量即为升维后的视频特征向量。同样的，可以利用预先训练的用于对音频特征向量进行处理的神经网络进行音频特征向量的升维。此处的神经网络也可以是一层全连接层。将音频特征向量输入至该神经网络后，该神经网络所输出的向量即为升维后的音频特征向量。

需要说明的是，还可以按照其他方式进行视频特征向量、音频特征向量的升维。例如，采用对视频特征向量、音频特征向量进行复制等方式。对此处不再赘述。

通过升维操作，可以增加新的视频特征和音频特征。从而，可以使不同视频之间的区别性更强，有助于提高视频类别检测的准确性。

第二步，确定升维后的视频特征向量与升维后的音频特征向量的向量积。继续上述示例，将2048×4维的视频特征向量与2048×4维的音频特征向量进行向量积计算后，可以得到2048×4维的向量。通过确定升维后的视频特征向量与升维后的音频特征向量的向量积，可以使视频特征和音频特征的交互性更强，进行更深入的特征融合。

第三步，将上述向量积作为音视频特征向量，将上述音视频特征向量中的特征值按照预设特征值数量切分为多组，确定各组的特征值之和。继续上述示例，可以将计算向量积后所得到2048×4维的向量作为音视频特征向量。而后，可以将上述音视频特征向量中的特征值(即向量中的数值)每4个切分为一组。即，音视频特征向量中的第1个至第4个特征值为第一组，确定第一组中的4个特征值之和；第5个至第8个特征值为第二组，确定第二组中的4个特征值之和；以此类推，直至确定出第2048组中的4个特征值之和。

第四步，将各组的特征值之和进行汇总，生成融合特征向量。此处，可以顺序将各组中的特征值之和进行汇总。继续上述示例，可以将第一组的特征值之和作为第一个特征值；将第二组的特征值之和作为第二个特征值；以此类推。而后，依次将各个特征值进行汇总，得到2048维的融合特征向量。对音视频特征向量进行特征值分组、对各组特征值求和等处理后得到的融合特征向量，相对于第二步所生成的音视频特征向量，可以有效降低向量维度，提高数据处理效率。

步骤204，将融合特征向量输入至预先训练的视频类别检测模型，得到目标视频的类别检测结果。

在本实施例中，上述执行主体可以将融合特征向量输入至预先训练的视频类别检测模型，得到目标视频的类别检测结果。其中，视频类别检测模型可以用于表征视频的融合特征向量与视频类别的对应关系。作为示例，上述视频类别检测模型可以是用于表征视频的融合特征向量与视频类别的对应关系表。上述对应关系表可以是基于对大量的视频的融合特征向量进行统计所预先制定的。

在本实施例的一些可选的实现方式中，上述视频类别检测模型可以通过如下步骤训练得到：

首先，可以提取样本集。其中，上述样本集中的样本可以包括样本视频和用于指示样本视频的类别的标注信息。

之后，对于样本集中的样本，提取该样本中的样本视频的样本视频特征向量，以及，提取该样本中的样本视频的配乐的样本音频特征向量，将上述样本视频特征向量和上述样本音频特征向量进行融合，生成样本融合特征向量。需要说明的是，对于样本集中的每一个样本，可以采用步骤202中所阐述的方式，提取该样本中的样本视频的样本视频特征向量和音频特征向量。并且，可以采用步骤203中所阐述的融合方式对样本视频特征向量和上述样本音频特征向量进行融合。此处不再赘述。

最后，利用机器学习方法，将样本的样本融合特征向量作为输入，将所输入的样本融合特征向量对应的标注信息作为输出，训练得到视频类别检测模型。此处，可以使用各种分类模型进行视频类别检测模型的训练。例如卷积神经网络、支持向量机(Support VectorMachine，SVM)等。此外，也可以使用3D(三维)卷积神经网络(例如用于视频特征提取的三维卷积神经网络C3D network等)。需要说明的是，机器学习方法是目前广泛研究和应用的公知技术，在此不再赘述。

在本实施例的一些可选的实现方式中，当目标视频的类别检测结果指示该目标视频为任一指定类别(例如违反法律类等不宜传播的类别)，上述执行主体可以生成提示信息，以提示该目标视频的类别不符合规定。或者，可以向上传该目标视频的终端设备发送提示信息，以提示用户该目标视频的类别不符合规定。需要说明的是，当目标视频的类别不为上述各指定类别时，上述执行主体可以将该目标视频存储在相应类别对应的视频库中。

继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，用户可以利用终端设备301进行视频拍摄。终端设备301中可以安装有短视频应用。用户可以将所录制的目标视频303上传至为该短视频应用提供支持的服务器302。服务器302在获取到目标视频303后，可以提取上述目标视频303中的帧的特征，生成视频特征向量304，以及，提取上述目标视频303的配乐的特征，生成音频特征向量305。接着，服务器302可以将上述视频特征向量304和上述音频特征向量305进行融合，生成融合特征向量306。接着，服务器302可以将上述融合特征向量306输入至预先训练的视频类别检测模型307，得到目标视频的类别检测结果308。

本申请的上述实施例提供的方法，通过获取目标视频，而后提取上述目标视频的视频特征向量以及目标视频的配乐的音频特征向量，之后将上述视频特征向量和上述音频特征向量进行融合，生成融合特征向量，最后将上述融合特征向量输入至预先训练的视频类别检测模型，得到目标视频的类别检测结果，从而结合将目标视频的视频特征和配乐的音频特征进行视频类别检测，提高了视频类别检测的准确性。

进一步参考图4，其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400，包括以下步骤：

步骤401，获取目标视频。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器105)可以获取待进行视频类别检测的目标视频。

步骤402，提取上述目标视频中的至少一帧。

在本实施例中，上述执行主体可以提取上述目标视频中的至少一帧。此处，可以利用各种方式进行帧的抽取。例如，可以随机抽取执行数量的帧。或者，可以按照固定时间间隔(例如1s)进行抽取。此处不作限定。

步骤403，将上述至少一帧输入至预先训练的视频特征提取模型，得到上述目标视频的视频特征向量。

在本实施例中，上述执行主体可以将上述至少一帧输入至预先训练的视频特征提取模型，得到上述目标视频的视频特征向量。其中，上述视频特征提取模型用于提取视频特征。

此处，视频特征提取模型可以是利用机器学习方法，基于样本集(包含样本视频中的帧，以及用于指示样本视频的类别的标注)，对现有的用于进行图像特征提取的模型进行有监督训练得到的。作为示例，上述模型可以使用各种现有的卷积神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)。

步骤404，提取目标视频的配乐的特征，生成音频特征向量。

在本实施例中，上述执行主体可以利用各种音频特征提取方式，提取目标视频的配乐的特征，生成音频特征向量。作为示例，可以基于梅尔频率倒谱系数从上述目标语音信号中提取特征向量。具体的，可以首先利用离散傅氏变换的快速算法对上述配乐对应的音频信号进行从时域至频域的转换，得到能量频率；之后，可以利用三角带通滤波方法，依照梅尔刻度分布，将上述能量频谱进行卷积计算，得到多个输出对数能量，最后对上述多个输出对数能量构成的向量进行离散余弦变换，生成音频特征向量。

步骤405，分别将视频特征向量和音频特征向量升维至目标维数。

在本实施例中，上述执行主体可以分别将上述视频特征向量和上述音频特征向量升维至目标维数。作为示例，视频特征向量的维数为2048，音频特征向量的维数为128。可以将视频特征向量与音频特征向量均升维成2048×4维。此处，可以利用各种升维方式进行视频特征向量、音频特征向量的升维。

此处，可以利用预先训练的用于对视频特征向量进行处理的神经网络进行视频特征向量的升维。上述神经网络可以是一层全连接层。将视频特征向量输入至该神经网络后，该神经网络所输出的向量即为升维后的视频特征向量。同样的，可以利用预先训练的用于对音频特征向量进行处理的神经网络进行音频特征向量的升维。此处的神经网络也可以是一层全连接层。将音频特征向量输入至该神经网络后，该神经网络所输出的向量即为升维后的音频特征向量。

通过升维操作，可以增加新的视频特征和音频特征。从而，可以使不同视频之间的区别性更强，有助于提高视频类别检测的准确性。

步骤406，确定升维后的视频特征向量与升维后的音频特征向量的向量积。

在本实施例中，上述执行主体可以确定升维后的视频特征向量与升维后的音频特征向量的向量积。继续上述示例，将2048×4维的视频特征向量与2048×4维的音频特征向量进行向量积计算后，可以得到2048×4维的向量。通过确定升维后的视频特征向量与升维后的音频特征向量的向量积，可以使视频特征和音频特征的交互性更强，进行更深入的特征融合。

步骤407，将向量积作为音视频特征向量，将音视频特征向量中的特征值按照预设特征值数量切分为多组，确定各组的特征值之和。

在本实施例中，上述执行主体可以将上述向量积作为音视频特征向量，将上述音视频特征向量中的特征值按照预设特征值数量切分为多组，确定各组的特征值之和。继续上述示例，可以将计算向量积后所得到2048×4维的向量作为音视频特征向量。而后，可以将上述音视频特征向量中的特征值(即向量中的数值)每4个切分为一组。即，音视频特征向量中的第1个至第4个特征值为第一组，确定第一组中的4个特征值之和；第5个至第8个特征值为第二组，确定第二组中的4个特征值之和；以此类推，直至确定出第2048组中的4个特征值之和。

步骤408，将各组的特征值之和进行汇总，生成融合特征向量。

在本实施例中，上述执行主体可以将各组的特征值之和进行汇总，生成融合特征向量。此处，可以顺序将各组中的特征值之和进行汇总。继续上述示例，可以将第一组的特征值之和作为第一个特征值；将第二组的特征值之和作为第二个特征值；以此类推。而后，依次将各个特征值进行汇总，得到2048维的融合特征向量。

对音视频特征向量进行特征值分组、对各组特征值求和等处理后得到的融合特征向量，相对于第二步所生成的音视频特征向量，可以有效降低向量维度，提高数据处理效率。

步骤409，将融合特征向量输入至预先训练的视频类别检测模型，得到目标视频的类别检测结果。

在本实施例中，上述执行主体可以将融合特征向量输入至预先训练的视频类别检测模型，得到目标视频的类别检测结果。其中，视频类别检测模型用于表征视频的融合特征向量与视频类别的对应关系。此处，上述视频类别检测模型可以通过如下步骤训练得到：

首先，可以提取样本集。其中，上述样本集中的样本可以包括样本视频和用于指示样本视频的类别的标注信息。

之后，对于样本集中的样本，提取该样本中的样本视频的样本视频特征向量，以及，提取该样本中的样本视频的配乐的样本音频特征向量，将上述样本视频特征向量和上述样本音频特征向量进行融合，生成样本融合特征向量。需要说明的是，对于样本集中的每一个样本，可以采用步骤202中所阐述的方式，提取该样本中的样本视频的样本视频特征向量和音频特征向量。并且，可以采用步骤203中所阐述的融合方式对样本视频特征向量和上述样本音频特征向量进行融合。此处不再赘述。

最后，利用机器学习方法，将样本的样本融合特征向量作为输入，将所输入的样本融合特征向量对应的标注信息作为输出，训练得到视频类别检测模型。此处，可以使用各种分类模型进行视频类别检测模型的训练。例如卷积神经网络、支持向量机等。需要说明的是，机器学习方法是目前广泛研究和应用的公知技术，此处不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程400涉及了对视频特征向量和音频特征向量进行融合的方式。由此，本实施例描述的方案可以使视频特征和音频特征的交互性更强，进行更深入的特征融合，有助于提高视频类别检测的准确性。

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生成信息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，本实施例所述的用于生成信息的装置500包括：获取单元501，被配置成获取目标视频；提取单元502，被配置成提取上述目标视频中的帧的特征，生成视频特征向量，以及，提取上述目标视频的配乐的特征，生成音频特征向量；融合单元503，被配置成将上述视频特征向量和上述音频特征向量进行融合，生成融合特征向量；输入单元504，被配置成将上述融合特征向量输入至预先训练的视频类别检测模型，得到目标视频的类别检测结果，其中，上述视频类别检测模型用于表征视频的融合特征向量与视频类别的对应关系。

在本实施例的一些可选的实现方式中，上述融合单元503可以包括升维模块、确定模块、切分模块和汇总模块(图中未示出)。其中，上述升维模块可以被配置成分别将上述视频特征向量和上述音频特征向量升维至目标维数。上述确定模块可以被配置成确定升维后的视频特征向量与升维后的音频特征向量的向量积。上述切分模块可以被配置成将上述向量积作为音视频特征向量，将上述音视频特征向量中的特征值按照预设特征值数量切分为多组，确定各组的特征值之和。上述汇总模块可以被配置成将各组的特征值之和进行汇总，生成融合特征向量。

在本实施例的一些可选的实现方式中，上述融合单元503可以包括拼接模块(图中未示出)。其中，上述拼接模块可以被配置成将上述视频特征向量和上述音频特征向量进行拼接，生成融合特征向量。

在本实施例的一些可选的实现方式中，上述提取单元502可以进一步被配置成：提取上述目标视频中的至少一帧；将上述至少一帧输入至预先训练的视频特征提取模型，得到上述目标视频的视频特征向量，其中，上述视频特征提取模型用于提取视频特征。

在本实施例的一些可选的实现方式中，上述视频类别检测模型可以通过如下步骤训练得到：提取样本集，其中，上述样本集中的样本包括样本视频和用于指示样本视频的类别的标注信息；对于样本集中的样本，提取该样本中的样本视频的样本视频特征向量，以及，提取该样本中的样本视频的配乐的样本音频特征向量，将上述样本视频特征向量和上述样本音频特征向量进行融合，生成样本融合特征向量；利用机器学习方法，将样本的样本融合特征向量作为输入，将所输入的样本融合特征向量对应的标注信息作为输出，训练得到视频类别检测模型。

本申请的上述实施例提供的装置，通过获取单元501获取目标视频，而后提取单元502提取上述目标视频的视频特征向量以及目标视频的配乐的音频特征向量，之后融合单元503将上述视频特征向量和上述音频特征向量进行融合，生成融合特征向量，最后输入单元504将上述融合特征向量输入至预先训练的视频类别检测模型，得到目标视频的类别检测结果，从而结合将目标视频的视频特征和配乐的音频特征进行视频类别检测，提高了视频类别检测的准确性。

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)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)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、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)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)、液晶显示器(LCD)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。

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、提取单元、融合单元和输入单元。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“获取目标视频的单元”。

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：获取目标视频；提取所述目标视频的视频特征向量，以及，提取所述目标视频的配乐的音频特征向量；将所述视频特征向量和所述音频特征向量进行融合，生成融合特征向量；将所述融合特征向量输入至预先训练的视频类别检测模型，得到目标视频的类别检测结果。

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 (12)

1.一种用于生成信息的方法，包括：

获取目标视频；

提取所述目标视频中的帧的特征，生成视频特征向量，以及，提取所述目标视频的配乐的特征，生成音频特征向量；

将所述视频特征向量和所述音频特征向量进行融合，生成融合特征向量；

将所述融合特征向量输入至预先训练的视频类别检测模型，得到目标视频的类别检测结果，其中，所述视频类别检测模型用于表征视频的融合特征向量与视频类别的对应关系。

2.根据权利要求1所述的用于生成信息的方法，其中，所述将所述视频特征向量和所述音频特征向量进行融合，生成融合特征向量，包括：

分别将所述视频特征向量和所述音频特征向量升维至目标维数；

确定升维后的视频特征向量与升维后的音频特征向量的向量积；

将所述向量积作为音视频特征向量，将所述音视频特征向量中的特征值按照预设特征值数量切分为多组，确定各组的特征值之和；

将各组的特征值之和进行汇总，生成融合特征向量。

3.根据权利要求1所述的用于生成信息的方法，其中，所述将所述视频特征向量和所述音频特征向量进行融合，生成融合特征向量，包括：

将所述视频特征向量和所述音频特征向量进行拼接，生成融合特征向量。

4.根据权利要求1所述的用于生成信息的方法，其中，所述提取所述目标视频中的帧的特征，以生成视频特征向量，包括：

提取所述目标视频中的至少一帧；

将所述至少一帧输入至预先训练的视频特征提取模型，得到所述目标视频的视频特征向量，其中，所述视频特征提取模型用于提取视频特征。

5.根据权利要求1所述的用于生成信息的方法，其中，所述视频类别检测模型通过如下步骤训练得到：

提取样本集，其中，所述样本集中的样本包括样本视频和用于指示样本视频的类别的标注信息；

对于样本集中的样本，提取该样本中的样本视频的样本视频特征向量，以及，提取该样本中的样本视频的配乐的样本音频特征向量，将所述样本视频特征向量和所述样本音频特征向量进行融合，生成样本融合特征向量；

利用机器学习方法，将样本的样本融合特征向量作为输入，将所输入的样本融合特征向量对应的标注信息作为输出，训练得到视频类别检测模型。

6.一种用于生成信息的装置，包括：

获取单元，被配置成获取目标视频；

提取单元，被配置成提取所述目标视频中的帧的特征，生成视频特征向量，以及，提取所述目标视频的配乐的特征，生成音频特征向量；

融合单元，被配置成将所述视频特征向量和所述音频特征向量进行融合，生成融合特征向量；

输入单元，被配置成将所述融合特征向量输入至预先训练的视频类别检测模型，得到目标视频的类别检测结果，其中，所述视频类别检测模型用于表征视频的融合特征向量与视频类别的对应关系。

7.根据权利要求6所述的用于生成信息的装置，其中，所述融合单元，包括：

升维模块，被配置成分别将所述视频特征向量和所述音频特征向量升维至目标维数；

确定模块，被配置成确定升维后的视频特征向量与升维后的音频特征向量的向量积；

切分模块，被配置成将所述向量积作为音视频特征向量，将所述音视频特征向量中的特征值按照预设特征值数量切分为多组，确定各组的特征值之和；

汇总模块，被配置成将各组的特征值之和进行汇总，生成融合特征向量。

8.根据权利要求6所述的用于生成信息的装置，其中，所述融合单元，包括：

拼接模块，被配置成将所述视频特征向量和所述音频特征向量进行拼接，生成融合特征向量。

9.根据权利要求6所述的用于生成信息的装置，其中，所述提取单元，进一步被配置成：

提取所述目标视频中的至少一帧；

将所述至少一帧输入至预先训练的视频特征提取模型，得到所述目标视频的视频特征向量，其中，所述视频特征提取模型用于提取视频特征。

10.根据权利要求6所述的用于生成信息的装置，其中，所述视频类别检测模型通过如下步骤训练得到：

提取样本集，其中，所述样本集中的样本包括样本视频和用于指示样本视频的类别的标注信息；

对于样本集中的样本，提取该样本中的样本视频的样本视频特征向量，以及，提取该样本中的样本视频的配乐的样本音频特征向量，将所述样本视频特征向量和所述样本音频特征向量进行融合，生成样本融合特征向量；

利用机器学习方法，将样本的样本融合特征向量作为输入，将所输入的样本融合特征向量对应的标注信息作为输出，训练得到视频类别检测模型。

11.一种电子设备，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1-5中任一所述的方法。

12.一种计算机可读介质，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1-5中任一所述的方法。