CN110008910A - 一种影视剧穿帮镜头的检测方法 - Google Patents

Abstract

本发明公开了一种影视剧穿帮镜头的检测方法，通过采用预先训练好的检测模型对影视剧视频文档转化的图片文档进行检测，识别并发现穿帮镜头，解决了人工审查带来的耗时长、效率低问题，实现了对影视剧视频文档自动检测，低耗时、高效率地识别穿帮镜头，帮助相关从业人员创造优秀和完美的影视剧作品。

Description

一种影视剧穿帮镜头的检测方法

技术领域

本发明涉及物体检测领域，特别地，涉及一种影视剧穿帮镜头的检测方法。

背景技术

穿帮一般是指影视剧中出现与其设定的背景不相符的场景或物品。影视剧中的穿帮镜头时常成为热议的话题。常见的穿帮有文化穿帮、地理穿帮和农业穿帮等，如古装剧、历史剧中出现飞机、电线杆、轮胎、玉米、西红柿、塑料袋及拍摄现场的摄像机、收音筒、摄影师和围观群众等等。穿帮镜头会降低影视剧的艺术水平，更有甚者，多次出现低级的穿帮镜头，恐对影视剧的口碑及收视率等造成不良影响。

现有技术主要还是通过人工检查，现有一种群体智能的电影镜头穿帮检测方法，其原理是利用群体智能算法将影片片段分发给不同的审查者，其本质上也是人工审查，存在耗时长、效率不高等问题。

发明内容

为了克服现有技术的不足，本发明提供一种耗时短、效率高的影视剧穿帮镜头的检测方法。

本发明解决其技术问题所采用的技术方案是：

一种影视剧穿帮镜头的检测方法，包括以下步骤：

将影视剧视频文档转化成图片文档；

用样本图片训练得到检测模型，所述检测模型用于从所述图片文档中识别出与样本图片中穿帮相关的特征信息；

应用所述检测模型，依次对所述图片文档进行自动识别；

确定所述图片文档是否为穿帮图片，并且标记出所述图片文档中穿帮的特征。

进一步，可选地，所述将影视剧视频文档转化成图片文档：所述影视剧视频文档通过专业的视频转化工具转化为逐帧的图片文档。

进一步，可选地，所述样本图片包括穿帮样本图片和不穿帮样本图片。

进一步，可选地，所述训练得到检测模型包括：

安装并测试能训练检测模型的框架；

利用穿帮样本图片和不穿帮样本图片训练检测穿帮镜头的深度学习检测模型；

得到并导出模型进行测试；

如果测试准确率不够，增加穿帮样本图片的数量，重复利用穿帮样本图片和不穿帮样本图片训练检测穿帮镜头的深度学习检测模型，直到满足准确率要求。

进一步，可选地，所述利用穿帮样本图片训练检测穿帮镜头的深度学习检测模型包括：

准备穿帮样本图片和不穿帮样本图片数据集，所述数据集里面的图片包括常见穿帮的场景或物品；

对每张所述穿帮样本图片和不穿帮样本图片进行标注；

将穿帮样本图片和不穿帮样本图片数据集转换为能训练检测模型的框架可读取的格式，分为训练集和测试集两部分，并制作与数据集一一对应的标签数据；

选择检测深度学习网络模型，更改选择的模型的配置；

对检测模型进行训练。

进一步，可选地，所述训练集是用来训练检测模型的数据，所述测试集是用来测试检测模型效果的数据。

进一步，可选地，所述常见穿帮常见场景或物品包括：飞机、空调外机、电线杆、轮胎、玉米、西红柿、塑料袋及拍摄现场的摄像机、收音筒、摄影师的一种或多种。

进一步，可选地，所述对穿帮样本图片与不穿帮样本图片进行标注包括年代信息标注。

进一步，可选地，所述更改选择的模型配置包括更改物体类别数目、数据集的数目和其他一些参数。

进一步，可选地，所述确定所述图片文档是否为穿帮图片包括：

判断相邻若干图片是否皆为穿帮图片；

若相邻若干图片皆为穿帮图片，则将相邻的穿帮图片合并成为视频文档。

有益效果：

本申请提出的一种影视剧穿帮镜头的检测方法，通过采用预先训练好的检测模型对影视剧视频文档转化的图片文档进行检测，识别并发现穿帮镜头，解决了人工审查带来的耗时长、效率低问题，实现了对影视剧视频文档自动检测，低耗时、高效率地识别穿帮镜头，帮助相关从业人员创造优秀和完美的影视剧作品。

附图说明

图1是本发明实施例提供的一种影视剧穿帮镜头的检测方法的流程示意图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

参照图1，本发明实施例提供一种影视剧穿帮镜头的检测方法，包括以下步骤：

S1：将影视剧视频文档转化成图片文档；

S2：用穿帮样本图片和不穿帮样本图片训练得到检测模型；

S3：应用步骤S2中得到的检测模型，依次对步骤S1中所述的图片文档进行自动识别，获取识别结果；

本实施例提供的一种影视剧穿帮镜头的检测方法，通过采用预先训练好的检测模型对影视剧视频文档转化的图片文档进行检测，识别并发现穿帮镜头，解决了人工审查带来的耗时长、效率低问题，实现了对影视剧视频文档自动检测，低耗时、高效率地识别穿帮镜头，帮助相关从业人员创造优秀和完美的影视剧作品。

作为上述实施例的一种改进，本发明实施例提供另一种影视剧穿帮镜头的检测方法，包括以下步骤：

S1：将影视剧视频文档转化成图片文档；

具体的，影视剧视频文档可以通过专业的视频转化工具转化为逐帧的图片文档，如AE、PR等视频编辑软件。

S2：用穿帮样本图片和不穿帮样本图片训练得到检测模型；

作为本实施例的一种可选实现方式步骤S2可以通过以下过程实现：

S21：安装并测试能训练检测模型的框架，如Tensorflow Object Detection API框架；

S22：利用穿帮样本图片和不穿帮样本图片训练检测穿帮镜头的深度学习检测模型；

S23：得到并导出模型进行测试；

如果测试准确率不够，增加步骤S22中穿帮样本图片的数量，重复步骤S22直到满足准确率要求。

所述步骤S22中训练步骤可以通过如下过程实现：

S221：准备穿帮样本图片和不穿帮样本图片数据集，所述数据集里面的图片包括常见穿帮的场景或物品；常见穿帮常见场景或物品包括但不限于：飞机、空调外机、电线杆、轮胎、玉米、西红柿、塑料袋及拍摄现场的摄像机、收音筒、摄影师。

S222：对步骤S221中的每张穿帮样本图片进行标注，标注的具体过程：这里以数据集中的训练集为例，将图片中出现的穿帮场景或物品的用一个矩形框将其标注出来，获取矩形中心点与矩形宽和高的像素坐标。在标注完成之后生成一个.pbtxt格式的文件，在训练的时候需要将其作为输入放到训练程序中，测试集为同样的过程；

对穿帮样本图片进行标注包括年代信息标注，这里的标注主要是指数据集标签的制作，因为模型的训练是有监督的过程，在训练的过程中需要用到标签数据，比如该物体真正是属于哪个年代的(飞机、空调等是现代的，那么在使用训练好的模型检测图片文档时，直接就会得到“含有**年代的物体”结果，也即穿帮了。

S223：将穿帮样本图片数据集转换为能训练检测模型的框架可读取的格式，分为训练集和测试集两部分，并制作与数据集一一对应的标签数据，训练集：是用来训练模型的数据(图片)；

测试集：用来测试模型效果的数据(图片)。

整个模型是用训练集的数据来进行训练的，从而获得模型的参数(比如权重、偏置等参数)，接着将模型的参数固定，用测试集的数据进行测试，看准确率是否达到了要求，达到要求的话，模型就确定下来了。如果没有达到要求，还得继续训练或者调整网络的其他参数(比如学习率参数等)；

S224：选择检测深度学习网络模型；更改选择的模型的配置；

作为本实施例可选的一种实现方式，更改选择的模型配置包括但不限于更改物体类别数目、数据集的数目和其他一些参数,这里的配置修改是为了适合要训练的数据集。

S225：对检测模型进行训练。

S3：应用步骤S2中得到的检测模型，依次对步骤S1得到的图片文档进行自动识别，获取识别结果；

可选的，所述确定所述图片文档是否为穿帮图片包括：

判断相邻若干图片是否结尾穿帮图片；

若相邻若干图片皆为穿帮图片，则将相邻的穿帮图片合并成为视频文档。

为便于读者理解，下面提供上述一种影视剧穿帮镜头的检测方法的具体实施例，过程如下：

1、安装并测试Tensorflow Object Detection API。

2、训练检测穿帮镜头的深度学习检测模型。

(1)准备穿帮和不穿帮图片的数据集，该数据集里面的图片常见穿帮的场景或物品，如飞机、空调外机、电线杆、轮胎、玉米、西红柿、塑料袋及拍摄现场的摄像机、收音筒、摄影师等。

(2)对每张图片进行标注。

(3)将图片数据集转换为API可读取的tfrecord格式，分为训练集和测试集两部分，并且制作与数据集一一对应的标签数据。

(4)选择检测深度学习网络模型：如Faster-R-CNN-Inception-ResNet-v2模型(可在github直接下载获取)。

(5)更改选择的模型的配置：物体类别数目、数据集的数目和其他一些参数。这里的配置修改是为了适合要训练的数据集。

(6)开始训练。

3、得到并导出模型并测试。直接根据Tensorflow Object Detection API提供的一个脚本文件，将2中训练好的模型导出来，用导出的模型进行测试，如果准确率不够，可以增加数据集的图片数量或者调整模型的学习率等，重复第2步，直到满足准确率要求。

4、将影视剧的视频数据转换为图片，保存在一个文件夹中。

5、利用3中导出的模型对4中的图片进行检测并标记。

6、根据检测与标记的结果得到该图片是否穿帮。

本实施例提供的一种影视剧穿帮镜头的检测方法，通过AE等软件将视频文档转换为逐帧的图片文档，便于检测模型对图片文档的检测；通过Tensorflow Object DetectionAPI框架训练检测模型，Tensorflow Object Detection API框架操作方便，训练结果准确；对穿帮样本图片中的常用穿帮物品和背景进行识别并对年代信息进行标注，这样便于检测模型对图片文档中的图片进行自动检测，识别并标注出图片文档中穿帮物品的年代信息，通过与影视剧中背景年代信息的对比，判断出图片文档是否为穿帮图片，这种判断依据使检测模型对图片文档的判断更准确；如果相邻的图片文档都是穿帮图片，则将相邻的穿帮图片合并成视频文档，方便观察，更简单明了。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本申请的描述中，除非另有说明，“多种”的含义是指至少两种。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种影视剧穿帮镜头的检测方法，其特征在于，包括以下步骤：

将影视剧视频文档转化成图片文档；

用样本图片训练得到检测模型；

应用所述检测模型，依次对所述图片文档进行自动识别；

确定所述图片文档是否为穿帮图片，并且标记出所述图片文档中穿帮的特征。

2.根据权利要求1所述的一种影视剧穿帮镜头的检测方法，其特征在于：所述将影视剧视频文档转化成图片文档为：所述影视剧视频文档通过专业的视频转化工具转化为逐帧的图片文档。

3.根据权利要求1所述的一种影视剧穿帮镜头的检测方法，其特征在于：所述样本图片包括穿帮样本图片和不穿帮样本图片。

4.根据权利要求1所述的一种影视剧穿帮镜头的检测方法，其特征在于：所述训练得到检测模型包括：

安装并测试能训练检测模型的框架；

利用穿帮样本图片和不穿帮样本图片训练检测穿帮镜头的深度学习检测模型；

得到并导出模型进行测试；

如果测试准确率不够，增加样本图片的数量，重复利用穿帮样本图片和不穿帮样本图片训练检测穿帮镜头的深度学习检测模型，直到满足准确率要求。

5.根据权利要求4所述的一种影视剧穿帮镜头的检测方法，其特征在于：所述利用样本图片训练检测穿帮镜头的深度学习检测模型包括：

准备穿帮样本图片和不穿帮样本图片数据集，所述数据集里面的图片包括常见穿帮的场景或物品；

对每张所述穿帮样本图片和不穿帮样本图片进行标注；

将穿帮样本图片和不穿帮样本图片数据集转换为能训练检测模型的框架可读取的格式，分为训练集和测试集两部分，并制作与数据集一一对应的标签数据；

选择检测深度学习网络模型，更改选择的模型的配置；

对检测模型进行训练。

6.根据权利要求5所述的一种影视剧穿帮镜头的检测方法，其特征在于：所述训练集是用来训练检测模型的数据，所述测试集是用来测试检测模型效果的数据。

7.根据权利要求5所述的一种影视剧穿帮镜头的检测方法，其特征在于：所述常见穿帮常见场景或物品包括：飞机、空调外机、电线杆、轮胎、玉米、西红柿、塑料袋及拍摄现场的摄像机、收音筒、摄影师的一种或多种。

8.根据权利要求5所述的一种影视剧穿帮镜头的检测方法，其特征在于：所述对穿帮样本图片和不穿帮样品图片进行标注包括年代信息标注，根据标注出的年代信息与影视剧背景信息比较。

9.根据权利要求5所述的一种影视剧穿帮镜头的检测方法，其特征在于：所述更改选择的模型配置包括更改物体类别数目、数据集的数目和其他一些参数。

10.根据权利要求1所述的一种影视剧穿帮镜头的检测方法，其特征在于：所述确定所述图片文档是否为穿帮图片包括：

判断相邻若干图片是否皆为穿帮图片；

若相邻若干图片皆为穿帮图片，则将相邻的穿帮图片合并成为视频文档。