CN110121034A - 一种在视频中植入信息的方法、装置及存储介质 - Google Patents
一种在视频中植入信息的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110121034A CN110121034A CN201910385878.4A CN201910385878A CN110121034A CN 110121034 A CN110121034 A CN 110121034A CN 201910385878 A CN201910385878 A CN 201910385878A CN 110121034 A CN110121034 A CN 110121034A
- Authority
- CN
- China
- Prior art keywords
- frame
- implanted region
- detected
- implanted
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000000903 blocking effect Effects 0.000 claims abstract description 19
- 238000002513 implantation Methods 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 21
- 230000003068 static effect Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 10
- 229910002056 binary alloy Inorganic materials 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 17
- 238000001514 detection method Methods 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 241000208340 Araliaceae Species 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 description 5
- 238000005538 encapsulation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 235000008434 ginseng Nutrition 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 3
- 238000009432 framing Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 239000003826 tablet Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/63—Control of cameras or camera modules by using electronic viewfinders
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/66—Remote control of cameras or camera parts, e.g. by remote control devices
- H04N23/661—Transmitting camera control signals through networks, e.g. control via the Internet
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
- H04N5/272—Means for inserting a foreground image in a background image, i.e. inlay, outlay
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N9/00—Details of colour television systems
- H04N9/64—Circuits for processing colour signals
- H04N9/68—Circuits for processing colour signals for controlling the amplitude of colour signals, e.g. automatic chroma control circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/71—Circuitry for evaluating the brightness variation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
- H04N5/2628—Alteration of picture size, shape, position or orientation, e.g. zooming, rotation, rolling, perspective, translation
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种在视频中植入信息的方法、装置及存储介质;方法包括:构建符合参考帧中植入区域的像素分布特性的模型,并基于所述参考帧后续的待检测帧控制所述模型的更新;基于所述模型识别所述待检测帧中植入区域的背景和前景,生成用于遮挡所述背景、并用于显露前景的模板;将待植入信息应用所述模板,以屏蔽所述待植入信息中会遮挡所述前景的内容;将应用所述模板后的所述待植入信息覆盖到所述待检测帧中植入区域,以使所述前景相对于所述待植入信息突出显示。通过本申请能够高效地将信息在融入到视频的背景内容当中。
Description
技术领域
本申请涉及图形图像技术,尤其涉及一种在视频中植入信息的方法、装置及存储介质。
背景技术
视频是目前主流的信息载体,随着互联网特别是移动互联网的发展,视频的传播速度得以迅速提升,使得视频成为信息传播的重要途径。视频的信息植入是指,在不影响观看视频的主要内容(例如前景内容)的情况下,在视频的背景中叠加各种信息,例如推广信息,包括图像、文字或者二者的结合。
视频的主体内容(例如视频中的人物、视频后期制作时加入的特效等)是以前景内容的形式呈现的,为了在播放视频时是用户始终能够看到视频的主体内容,需要将信息融入到视频的背景内容当中。相关技术缺乏有效的解决方案。
发明内容
本申请实施例提供一种在视频中植入信息的方法、装置及存储介质,能够高效地将信息在融入到视频的背景内容当中。
本申请实施例的技术方案是这样实现的:
本申请实施例提供一种在视频中植入信息的方法,包括:
构建符合参考帧中植入区域的像素分布特性的模型,并基于所述参考帧后续的待检测帧控制所述模型的更新;
基于所述模型识别所述待检测帧中植入区域的背景和前景,生成用于遮挡所述背景、并用于显露前景的模板;
将待植入信息应用所述模板,以屏蔽所述待植入信息中会遮挡所述前景的内容;
将应用所述模板后的所述待植入信息覆盖到所述待检测帧中植入区域,以使所述前景相对于所述待植入信息突出显示。
本申请实施例提供一种在视频中植入信息的装置,包括:
模型构建模块,用于构建符合参考帧中植入区域的像素分布特性的模型,并基于所述参考帧后续的待检测帧控制所述模型的更新;
模板生成模块,用于基于所述模型识别所述待检测帧中植入区域的背景和前景,生成用于遮挡所述背景、并用于显露前景的模板;
模板应用模块,用于将待植入信息应用所述模板,以屏蔽所述待植入信息中会遮挡所述前景的内容;
信息覆盖模块,用于将应用所述模板后的所述待植入信息覆盖到所述待检测帧中植入区域,以使所述前景相对于所述待植入信息突出显示。
本申请实施例提供一种计算机设备,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现本申请实施例提供的方法。
本申请实施例提供一种存储介质,存储有可执行指令,用于引起处理器执行时,实现本申请实施例提供的方法。
本申请实施例具有以下有益效果:
基于参考帧中植入区域的像素分布特性构建模型,并根据模型识别待检测帧中植入区域的背景和前景,生成能够遮挡背景、显露前景的模板,在将待植入信息应用模板后可能将植入信息中会遮挡前景的内容过滤掉,保证视频中植入的信息不会遮挡视频的前景,使得植入信息能够更好地融入到视频的背景中,从而带来更好的观看体验。
附图说明
图1A是本申请实施例利用掩膜处理图像的示意图;
图1B为本申请实施例提供的应用场景示意图;
图2是本申请实施例提供的装置的一个可选的结构示意图;
图3是本申请实施例在视频中植入信息的方法的实现流程示意图;
图4是本申请实施例中构建并更新模型的实现流程示意图;
图5为本申请实施例在视频中植入信息的方法的又一实现流程示意图;
图6为本申请实施例在视频中植入信息的方法的再一实现流程示意图;
图7为本申请实施例在视频中植入信息的再一实现过程示意图;
图8A为本申请实施例在采用静态镜头形成的视频中植入信息的效果示意图;
图8B为本申请实施例在采用静态镜头形成的视频中植入信息的又一效果示意图;
图8C为本申请实施例在采用动态镜头形成的视频中植入信息的效果示意图;
图8D为本申请实施例在采用动态镜头形成的视频中植入信息的又一效果示意图;
图9A为本申请实施例利用形态学改善掩膜的示意图;
图9B为本申请实施例利用形态学改善掩膜的又一示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
对本申请实施例进行进一步详细说明之前,对本申请实施例中涉及的名词和术语进行说明,本申请实施例中涉及的名词和术语适用于如下的解释。
1)掩膜,也称为滤镜或模板,是用于对待处理的图像中的(部分或者全部像素)进行屏蔽的图像,以使特定图像中的部分突出显示。
掩膜可以是二维矩阵数组,有时也用多值图像。图像掩膜主要用于对图像某些区域作屏蔽。原图中的每个像素和掩膜中相同位置的二进制数(也称为掩码)进行与运算。比如1&1=1;1&0=0。
比如一个如图1A中101所示的3*3的图像与图1A中102所示的3*3的掩膜进行运算,得到图1A中的103所示的结果图像。
2)静态镜头,即固定镜头(Fixed Shot,FS),是摄影机机位、镜头光轴和焦距都固定不变的镜头。静态镜头的视频中的对象(真实对象如人,虚拟对象如动画形象)可以是静态的,也可以是动态(出入画面)的,但是画面所依附的框架不动,即画面范围和视域面积是始终如一。
3)运动镜头,是利用各种运动(例如机位、光轴、焦距的变化)来摄像的镜头。运动镜头的视频中的画面所依附的框架可以是变化的,即画面范围和视域面积是可以变化,例如成像的远近、大小和角度的变化。
4)背景,视频的画面中主体背后的景物,能够表现人物或事件所处的时空环境,例如人物后方的建筑物、墙壁、地面等。
5)前景,视频画面中较背景更靠近镜头的内容,是视频展现的主体,例如站立在建筑物前的人物。
为了更好地理解本申请实施例中提供在视频中植入信息的方法,首先对相关技术中针对视频中植入信息的遮挡问题的解决方案进行分析说明。
背景减除,即人工设定一个固定阈值,将视频中新的包括潜在的前景的区域与原始的背景区域进行相减,与阈值比计确定背景是否被前景遮挡,进而形成对应遮挡部分的掩膜。解决方案对前景和背景的判定依赖于人工选取的阈值,因此自动化程度低,且需要频繁调整;当前景和背景颜色相近时,前景和背景之间减除不彻底,准确度较低。
静态镜头的高斯混合背景建模,即对静态镜头挑选无遮挡情况的背景进行建模,对后续的图像帧使用模型进行背景是否被前景遮挡的判别,以形成遮挡部分的掩膜。解决方案只能用于固定镜头的视频,如果是运动镜头的视频则容易把背景当成前景识别出来,同样准确度较低。
轨迹分类,即在初始帧中标定感兴趣的目标点,利用运动跟踪模型获得植入信息中特征点的轨迹,基于轨迹进行前景和背景的判别。解决方案对图像帧中的噪声比较敏感,准确度依赖运动跟踪模型。如果选取的运动跟踪模型不合适,前景和背景的判别准确度会受到很大的影响。
针对上述几种解决方案中存在的技术问题,本申请实施例提供一种在视频中植入信息的方法,结合视频序列和全像素统计来建模的方法,对静止镜头的视频,实现自动选取背景建模,后续帧自动更新学习率以优化模型,使用统计特征判定是否存在遮挡并形成掩膜;对运动镜头的视频,使用变换技术映射为参考帧的标准画面进行像素统计建模,再返回到后续帧的画面得出遮挡的掩膜,无需运动跟踪模型,实时性高,适用范围广,鲁棒性强,使用自动高效。
下面说明实现本申请实施例的装置的示例性应用,本申请实施例提供的装置可以实施为移动电话(手机)、平板电脑、笔记本电脑等具有无线通信能力的移动终端,还可以实施为不便移动的具有计算功能的台式计算机、桌面电脑等。另外,本申请实施提供的装置也可以实施为服务器,服务器可以是指一台服务器,也可以是由多台服务器构成的服务器集群、云计算中心等等,在此不加以限定。
参见图1B,图1B为本申请实施例提供的应用场景示意图,为实现支撑一个示例性应用,终端400通过网络300连接服务器200,网络300可以是广域网或者局域网,又或者是二者的组合,使用无线链路实现数据传输。
当终端400想要在一个视频中植入信息,植入的信息可以是广告,视频可以是利用终端录制的视频,此时,终端400可以将视频和要植入的信息发送给服务器,请求服务器200在视频中植入信息,此时服务器200在接收到视频和待植入的信息后,利用本申请实施例提供的在视频中植入信息的方法,将待植入的信息加入到视频的各个帧中,并进行封装,得到封装后的视频文件,最后再将封装后的视频文件发送给终端400。终端可以将植入了广告的视频发布出去。
在一些实施例中,还可以是终端400在录制好视频并确定了待植入的信息后,由终端400自身利用本申请实施例提供的在视频中植入信息的方法,将待植入信息加入到视频的各个帧中,并进行封装得到视频文件,然后通过观看视频的APP发布植入了广告的视频。需要说明的是,为了减少终端的运算量以及植入效率,一般终端自身进行信息植入时,是针对时长比较短的视频。
在一些实施中,当终端400想要在一个视频植入信息时,视频为服务器中存储的视频,此时终端400可以向服务器发送待植入信息和视频的标识信息,以请求服务器200将待植入信息加入到标识信息对应的视频中。服务器200基于标识信息确定出对应的视频文件,并将待植入的信息植入到视频文件中,最后进行封装,得到封装后的视频文件,然后将封装后的视频文件发送给终端400。
本申请实施例提供的装置可以实施为硬件或者软硬件结合的方式,下面说明本申请实施例提供的装置的各种示例性实施。
参见图2,图2是本申请实施例提供的服务器200一个可选的结构示意图,服务器200可以是台式服务器,也可以是由多台服务器构成的服务器集群、云计算中心等根据服务器200的结构,可以预见装置实施为服务器时的示例性结构,因此这里所描述的结构不应视为限制,例如可以省略下文所描述的部分组件,或者,增设下文所未记载的组件以适应某些应用的特殊需求。
图2所示的服务器200包括:至少一个处理器210、存储器240、至少一个网络接口220和用户接口230。终端200中的每个组件通过总线系统250耦合在一起。可理解,总线系统250用于实现这些组件之间的连接通信。总线系统250除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图2中将各种总线都标为总线系统250。
用户接口230可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
存储器240可以是易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM,Read Only Memory)。易失性存储器可以是随机存取存储器(RAM,Random Access Memory)。本申请实施例描述的存储器240旨在包括任意适合类型的存储器。
本申请实施例中的存储器240能够存储数据以支持服务器200的操作。这些数据的示例包括:用于在服务器200上操作的任何计算机程序,如操作系统和应用程序。其中,操作系统包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序。
作为本申请实施例提供的方法采用软硬件结合实施的示例,本申请实施例所提供的方法可以直接体现为由处理器210执行的软件模块组合,软件模块可以位于存储介质中,存储介质位于存储器240,处理器210读取存储器240中软件模块包括的可执行指令,结合必要的硬件(例如,包括处理器210以及连接到总线250的其他组件)完成本申请实施例提供的方法。
作为示例,处理器210可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其中,通用处理器可以是微处理器或者任何常规的处理器等。
将结合前述的实现本申请实施例的装置的示例性应用和实施,说明实现本申请实施例的方法。本申请实施例提供的方法可以是由服务器执行的,还可以是由终端执行的。服务器可以是台式服务器,也可以是由多台服务器构成的服务器集群、云计算中心等。终端可以是移动电话(手机)、平板电脑、笔记本电脑等具有无线通信能力的移动终端,还可以实施为不便移动的具有计算功能的台式计算机、桌面电脑等。
参见图3,图3是本申请实施例在视频中植入信息的方法的实现流程示意图,将结合图3示出的步骤进行说明。
步骤S101,构建符合参考帧中植入区域的像素分布特性的模型,并基于所述参考帧后续的待检测帧控制所述模型的更新。
这里,参考帧可以是已经植入信息之后的一帧图像,植入信息所在的区域即为植入区域。参考帧和植入区域可以时人为设定的,还可以是利用诸如机器学习、深度学习等技术自动筛选出来的。
参考帧可以是视频中这样的图像帧:至少包括植入区域,植入区域植入有待植入信息,且待植入信息没有被遮挡。例如,可以是视频中首次出现植入区域,植入有待植入信息且未被遮挡的图像帧。以待植入信息为广告为例,参考帧可以是视频中首次出现完整的广告区域(例如墙壁或地面中的特定区域,特定区域足以完整展示广告)的图像帧。
例如,参考帧可以是出现了与待植入信息相关的目标对象的图像帧,或者在参考帧中所显示的字幕中出现了与待植入信息相关的关键词的图像帧。假设待植入信息为某一品牌空调的广告,那么可以是视频中出现了空调的某一个图像帧作为参考帧,也可以是将出现了类似“冷”、“热”等关键词的图像帧作为参考帧。
植入区域可以是人为划定的,例如可以是图像帧中右上角的一个区域,还可以是图像帧的中上方的一个区域,当然,还可以是自动识别出的特定区域,例如地面、墙壁、天空等相关区域。需要说明的是参考帧中的植入区域要求是没有被前景遮挡的,从而初始化模型时,可以完整学习到植入区域的像素分布。
构建符合参考帧中植入区域的像素分布特性的模型在实现时,是要构建植入区域中每个像素点的模型,例如,可以是构建植入区域中每个像素点的高斯混合模型。此时,步骤S101在实现时,首先根据参考帧的各个像素点初始化针对每个像素预先定义高斯混合模型,其中包括多个高斯模式,对高斯模式中的参数进行初始化,并求出之后将要用到的参数。然后对于后续的每一个待检测帧中植入区域的每一个像素进行处理,判断像素是否匹配某个模式,若匹配,则将其归入模式中,并对模式的权重,根据新的像素值进行更新,若不匹配,则以像素建立一个高斯模式,并初始化参数,代替原有模式中权重最小的模式。
步骤S102,基于所述模型识别所述待检测帧中植入区域的背景和前景,生成用于遮挡所述背景、并用于显露前景的模板。
这里,步骤S102在实现时,可以是依次将待检测帧中植入区域的各个像素点与对应模型中的各个模式进行匹配,如果一个像素点存在与之匹配的模式,则认为像素点为背景像素点,如果没有一个模式是与像素点是匹配的,那么认为像素点为前景像素点。
在识别出植入区域的各个像素点为前景还是背景之后,可以通过识别结果来生成用于遮挡所述背景、并用于显露前景的模板。进一步地,当一个像素点识别为前景时,可以将像素点在模板中对应的值置为1,如果像素点识别为背景时,那么将像素点在模板中对应的值置为0。需要说明的是,这里的0和1为二进制数,即模板是由二进制的0和1构成的掩膜。
步骤S103,将待植入信息应用所述模板,以屏蔽所述待植入信息中会遮挡所述前景的内容。
这里,步骤S103在实现时,可以是将待植入信息和模板进行乘法运算。在本实施例及其他实施例中,乘法运算可以是将植入信息的像素与模板中相应位置的二进制数进行乘法操作。由于在模板中,前景像素点对应的值为1,背景像素点对应的值为0,因此经待植入信息与模板进行乘法运算时,就会屏蔽待植入信息中会遮挡前景的内容,而不会对植入信息中不遮挡前景的内容造成影响。
步骤S104,将应用所述模板后的所述待植入信息覆盖到所述待检测帧中植入区域,以使所述前景相对于所述待植入信息突出显示。
这里,由于在步骤S103中已经对植入信息应用了模板,并对待植入信息中会遮挡前景的内容进行了屏蔽,因此将应用模板后的待植入信息覆盖到待检测帧中的植入区域时,待植入信息并不会遮挡待检测帧中的前景部分,从而带来更好的观看体验。
利用本申请实施例提供的方法在视频中植入待植入信息时,首先要基于参考帧中植入区域的像素分布特性,为每个像素点构建模型,而模型的参数可以根据待检测帧中植入区域的各个像素点进行更新,然后再基于待检测帧中植入区域的前景像素点和背景像素点来生成能够遮挡背景并且不遮挡前景的模板,再对待植入信息应用模板,最后将应用了模板之后的待植入信息覆盖到待检测帧中的植入区域,生成的模板能够遮挡背景不遮挡前景,因此对待植入信息应用模板之后,能够屏蔽待植入信息中会遮挡前景的内容,从而使得在待检测帧中植入信息后,不会对待检测帧中的前景部分造成遮挡,进而能够保证视频的观看体验。
在一些实施例中,参见图4,图4是本申请实施例中构建并更新模型的实现流程示意图,步骤S101可以通过如图4所示的各个步骤实现:
步骤S1011,对应所述参考帧中植入区域的每个像素点,初始化与所述像素点对应的至少一个子模型以及对应的权重。
在本申请实施例中,在构建模型时,是以像素点为粒度的,也就是说是对每个像素点构建一个模型,并且一个像素点的模型可以对应有多个子模型。
例如,像素点的模型可以是高斯混合模型,模型中包括两个或以上的子模型,一般可以是三到五个。子模型可以是高斯概率分布函数,初始化子模型至少为初始化子模型的参数,其中,子模型的参数可以是均值、方差、权重等参数。在初始化子模型的参数时,可以是将子模型的参数设置预设值。在初始化过程中,一般将方差设置的尽量大些,而权重则尽量小些。这样设置是由于初始化的高斯模型是一个并不准确的模型,需要不停的缩小他的范围,更新参数值,从而得到最可能的高斯模型,将方差设置大些,就是为了使得尽可能多的像素与子模型匹配,从而获得准确表示像素的颜色在视频的各个帧之间的分布特性的模型。
在一些实施例中,模型还可以是单高斯模型,此时仅需要一个子模型,子模型的参数可以是均值、方差等。由于单高斯模型适用于背景单一不变的场景,因此通常构建高斯混合模型来进行后续的处理。
步骤S1012,将对应每个像素点构建的子模型基于初始化的权重混合,以形成与所述像素点对应的模型。
这里,假设每个像素点有3个子模型,分别为F1,F2和F3,对应的权值分别为K1、K2和K3,那么步骤S1012可以通过公式(1-1)来实现:
Fm=K1*F1+K2*F2+K3*F3 (1-1);
其中,Fm为像素点对应的模型。
在一些实施例中,还可以对公式(1-1)进行简单的数学变换以形成与像素点对应的模型。
通过步骤S1011和步骤S1012,就完成了构建符合参考帧中植入区域的像素分布特性的模型。
步骤S1013,判断待检测帧中植入区域是否被前景遮挡。
在一些实施例中,可以是先获取待检测帧中植入区域的第一色彩空间分布和参考帧中植入区域的第一色彩空间分布,然后确定待检测帧的植入区域和参考帧的植入区域的第一色彩空间分布的差异度,进而通过判断差异度是否满足第一差异性条件,来确定待检测帧中植入区域是否被前景遮挡。
例如,由于参考帧中的植入区域是没有被前景遮挡的,如果待检测帧中植入区域的第一色彩空间分布,与参考帧中植入区域的第一色彩空间分布满足第一差异条件时,说明两者的差异很大,那么此时表明待检测帧中植入区域被前景遮挡,进入步骤S1014;如果待检测帧中植入区域的第一色彩空间分布,与参考帧中植入区域的第一色彩空间分布不满足第一差异性条件时,说明两者差异较小,那么此时表明待检测帧中植入区域没有被前景遮挡,此时进入步骤S1015。
在一些实施例中,第一色彩空间分布可以是红绿蓝(Red Green Blue,RG B)空间分布。获取植入区域的第一色彩空间分布可以是获取植入区域的RGB直方图,例如可以将256个灰度分为32个区间,统计植入区域的像素点在这32个区间内的分布情况得到RGB直方图。
第一差异条件可以是用于表示确定待检测帧中植入区域不存在遮挡时,参考帧的植入区域与待植入帧的植入区域的第一空间分布的最大差异度。例如,假设一共分为M个区间,第一差异性条件可以是有30%*M个区间中像素点个数的差值在个数阈值范围之外。例如有32个区间,那么第一差异性条件可以是至少有9个区间内的像素点个数的差值超过10个。
步骤S1014,当所述待检测帧中植入区域被所述前景遮挡时,将所述模型向所述待检测帧中植入区域的拟合进行减速,所述模型中子模型的权重不变。
将所述模型向所述待检测帧中植入区域的拟合进行减速也即将所述模型向所述待检测帧中植入区域进行拟合的速率进行减小。例如,对于植入区域每个像素点的模型,可以通过将模型中拟合速度相关的学习率置为0,以保持模型中子模型的权重不变。当待检测帧中植入区域被前景遮挡时,那么模型向待检测帧中植入区域的拟合进行减速,从而使得模型学习植入区域的像素变化的速度降低,以避免后续将前景误识别为背景。
步骤S1015,判断待检测帧中植入区域的光照情况是否发生变化。
在一些实施例中,可以是首先获取待检测帧中植入区域的第二色彩空间分布和参考帧中植入区域的第二色彩空间分布,然后确定待检测帧的植入区域和参考帧的植入区域的第二色彩空间分布的差异度,进而通过判断差异度是否满足第二差异性条件,来确定待检测帧中植入区域的光照情况是否发生变化。第二差异条件可以是用于表示确定待检测帧中植入区域的光照情况发生变换时,参考帧的植入区域与待植入帧的植入区域的第二空间分布的最大差异度。
例如,当所述待检测帧中植入区域的第二色彩空间分布,与所述参考帧中植入区域的第二色彩空间分布满足第二差异性条件时,确定所述待检测帧中植入区域的光照情况发生变化,此时进入步骤S1016;当所述待检测帧中植入区域的第二色彩空间分布,与所述参考帧中植入区域的第二色彩空间分布不满足第二差异性条件时,确定所述待检测帧中植入区域的光照情况没有发生变化,此时保持原有的学习率,对权重进行更新。
在一些实施例中,第二色彩空间分布可以是色相饱和度色调(Hue Saturat ionValue,HSV)空间分布。步骤S1015实现过程可以参照步骤S1013而理解。
步骤S1016,将所述模型向所述待检测帧中植入区域的拟合进行加速。
将所述模型向所述待检测帧中植入区域的拟合进行加速,也即将所述模型向所述待检测帧中植入区域进行拟合的速率进行提升。在一些实施例中,步骤S1016执行的前提条件为待检测帧中植入区域没有被前景遮挡,且植入区域的光照情况发生了变化,那么为了避免将新的光照被识别为前景,需要加快拟合速度,从而使得模型尽快向参考帧的植入区域去拟合,以便保证模型能够表示植入区域的像素分布特性。例如,对于植入区域每个像素点的模型,可以将模型中与拟合速度相关的学习率置为-1来实现。
通过步骤S1013至步骤S1016就完成了对模型中各个子模型权重的更新,此时还需要进一步对子模型的参数进行更新。
步骤S1017,判断待检测帧中植入区域的各个像素点是否分别与对应模型中的子模型匹配。
在一些实施例中,对于植入区域中任一像素点,如果像素点的颜色值与像素点的模型中任一子模型的均值的偏差小于一定阈值,则认为像素点与子模型是匹配的。例如,在实际应用中,阈值可以是与标准差有关的,可以是子模型标准差的2.5倍。如果一像素点与模型中的至少一个子模型匹配,那么进入步骤S1018;如果一像素点与模型中的任一子模型都不匹配,此时进入步骤S1019。
步骤S1018,当所述待检测帧中植入区域中的像素点与所述模型中的至少一个子模型匹配时,更新所述匹配的子模型的参数。
对于像素点的模型中与像素点未匹配的子模型,保持相应子模型的参数不变。
步骤S1019,当待检测帧中植入区域中像素点与对应模型中的任一子模型都不匹配时,基于像素点初始化新的子模型,并替换权重最小的子模型。
这里,通过步骤S1017至步骤1019就完成了子模型参数的更新。在进行子模型参数的更新时,需要对待检测帧中植入区域的各个像素点进行遮挡检测,也即确定像素点为前景或背景,并根据遮挡检测结果更新子模型的参数以及生成用于遮挡背景、显露前景的模板,从而使得在待检测帧的植入区域中植入信息时,与背景更好的融合,并且能够不遮挡前景。
在一些实施例中,步骤S102可以通过以下步骤实现:
步骤S1021,将所述待检测帧中植入区域的每个像素点的颜色值,与所述像素点对应模型中的各个子模型进行匹配。
这里,步骤S1021在实现时,可以是将待检测帧中各个像素点的颜色值,与像素点对应的各个子模式进行比较,一个像素点的颜色值与至少一个模式的均值的偏差在一定阈值范围内时,表明模式与像素点匹配。
步骤S1022,将匹配成功的像素点识别为所述背景的像素点,将匹配失败的像素点识别为所述前景的像素点。
这里,由于参考帧中的植入区域是不会遮挡前景的区域,因此可以是背景,并且在构建模型时,是基于参考帧中植入区域的像素分布特性构建的,那么如果待检测帧中植入区域中的像素点与像素点对应的模型中的一个子模型匹配时,那么就确定像素点为背景像素点;如果待检测帧中植入区域的像素点与像素点对应的模型中的任一个子模型都不匹配,那么就确定像素点为前景像素点。
步骤S1023,对应所述植入区域中被识别为背景的像素点,在空的所述模板中对应的位置填充二进制一。
步骤S1024,对应所述植入区域中前景像素点,在空的所述模板中对应的位置填充二进制零。
通过步骤S1021至步骤S1024,就生成了二值化的模板,由于在模板中,对于识别为背景的像素点,其对应的模板位置为1,对于识别为前景的像素点,其对应的模板位置为0,因此在将此模板与待植入信息进行乘法运算之后,得到应用模板之后的待植入信息,在应用模板之后的待植入信息中识别为前景的像素点的像素值为0,而识别为背景的像素点的像素值不变。这样在将应用后的待植入信息覆盖待检测区域中的植入区域时,能够保证前景没有被遮挡,并且是相对于植入信息突出显示的。
在一些实例中,在步骤S101之前或之后,还需要确定待检测帧中的植入区域。如果所述视频是采用静态镜头形成的,那么视频中的画面范围和视域面积是不变的。此时,确定待检测帧中的植入区域在实际实现时,可以是基于所述参考帧中植入区域的位置,在所述待检测帧中定位相应位置的区域,以得到所述待检测中植入区域。
在一些实施例中,如果所述视频为采用运动镜头形成的,确定待检测帧中的植入区域可以通过以下步骤实现:
步骤21,将从所述视频的参考帧中植入区域提取的特征,与从所述待检测帧中提取的特征匹配。
这里,步骤21在实现时,可以首先从参考帧中的植入区域中提取出特征点,然后再提取待检测帧中的特征点,再将参考帧中的植入区域提取出的特点点与待检测帧中的特征点进行匹配。
进一步地,提取特征点时,可以是提取定向的角点测试的特征(Features f romAccelerated Segment Test,FAST)和旋转的二元鲁棒独立触及特征(Bina ry RobustIndependent Elementary Features,BRIEF)(Oriented FAST and Rot ated BRIEF,ORB)特征点,或者是尺度不变特征转换(Scale-Invariant Feature Transform,SIFT)特征。当然,在一些实施例中,还是可以是提取其他类型的特征点。
步骤22,当匹配成功时,确定所述待检测帧中包括与参考帧中植入区域对应的植入区域。
这里,在本实施例中,参考帧中植入区域的特征点与待检测帧中的特征点匹配成功可以是所有的特征点都匹配成功,还可以是一部分特征点匹配成功,例如可以是80%的特征点匹配成功。
当参考帧中的植入区域的特征点与待检测帧中的特征点匹配成功,说明待检测帧中存在与参考帧中植入区域对应的植入区域,此时可以植入信息。当参考帧中的植入区域的特征点与待检测帧中的特征点没有匹配成功,说明待检测帧中不存在与参考帧中植入区域对应的植入区域,此时如果植入信息可能会大面积的遮挡待检测帧中的前景,因此此时不能进行信息植入。
在步骤21至步骤22中,是通过参考帧中植入区域的特征点与待检测帧中的特征点进行匹配来跟踪待检测帧中的植入区域,相对于通过运动跟踪的实现方式实时性高,适用范围广,鲁棒性强,使用自动高效。
在一些实施例中,如果所述视频为采用运动镜头形成的,由于镜头的机位、光轴、焦距的变化都可能会发生变化,因此采用运动镜头形成的视频的各个图像帧中植入区域的位置是会发生变化的。此时在步骤S1013之前,还需要执行以下步骤:
步骤31,将所述待检测帧中植入区域进行变换,以使变换后的植入区域中每个像素点的位置,与所述参考帧中植入区域相应像素点的位置一致。
这里,步骤31在实现时,可以是先跟踪植入区域(即用于植入信息的背景区域)生成单应矩阵(Homography matrix)H,然后再将待检测帧中的植入区域根据单应矩阵H变换到参考帧,以使得变换后的植入区域中每个像素点的位置,与所述参考帧中植入区域相应像素点的位置一致。进一步地,可以是根据公式(2-1)来实现:
其中,xt,yt分别表示当前帧中的一像素点,x0,y0表示参考帧中与像素点对应的像素点。
如果所述视频为采用运动镜头形成的,由于在基于待检测帧中的植入区域控制模型的更新时,实际上使用的是经过单应矩阵变换的植入区域,因此在步骤S102中识别待检测帧中植入区域的背景和前景,以及生成用于遮挡背景并显露前景的模板时也是利用的经过单应矩阵变换的植入区域。那么对应地,在步骤S103之前,还需要将所述模板进行所述变换的逆变换,以使变换后的模板中每个二进制数的位置,与所述待检测帧中植入区域相应像素点的位置一致。
在本申请实施例中,对于采用静态镜头形成的视频,利用待检测帧中植入区域的每个像素点的像素分布特性拟合参考帧中植入区域的背景像素分布,并且采用高斯混合建模,自动学习更新模型,并根据遮挡检测结果确定能够屏蔽背景显示前景的模板,从而避免植入信息遮挡前景。而对于运动镜头,使用变换技术,将待检测帧中的植入区域中的像素点位置映射到与参考帧中的植入区域中一致的位置,同样对待检测帧中植入区域的像素点进行遮挡检测,生成模板,再将模板进行逆变换,形成能够屏蔽背景显示前景的模板,从而保证植入信息后能够不遮挡前景。
本申请实施例再提供一种在视频中植入信息的方法,图5为本申请实施例在视频中植入信息的方法的又一实现流程示意图,如图5所示,所述方法包括:
步骤S401,终端获取待处理的视频和待植入信息。
这里,待处理的视频可以是终端录制的视频,还可以终端从服务器下载的视频,当然,也可以是其他终端发送给终端的视频。待植入信息可以是待植入的图片信息,待植入的图片信息可以是广告图片信息,还可以是公示信息等。
在本申请实施例中,待处理的视频可以是至少包括很多图像帧的视频文件,在一些实施例中,待处理的视频还可以是值待处理的视频的标识信息,例如可以包括待处理的视频的片名、主演等信息。
步骤S402,终端将至少携带有所述视频和待植入信息的植入请求,发送给服务器。
在一些实施例中,植入请求中还可以包括参考帧的标识以及参考帧中的植入区域。
以植入区域为矩形为例,植入请求中可以包括参考帧的帧号、参考帧中植入区域的四个顶点的坐标。
步骤S403,服务器基于接收到的植入请求,确定参考帧和参考帧中的植入区域。
在一些实施例中,可以通过解析接收到的植入请求,以获取设置的参考帧和在参考帧中设定的植入区域。在另一些实施例中,可以通过图像识别的方式,对视频文件的图像帧分析,从而确定符合信息植入条件的参考帧和参考帧中的植入区域。
作为信息植入条件的示例,可以包括以下至少之一:植入区域的类型(例如墙壁、地面)、植入区域的尺寸(例如宽和高,以适配待植入信息)、植入区域的颜色(例如与待植入信息形成一定的对比度),植入区域的曝光时间(即在视频中累计出现的时长)。
步骤S404,服务器构建符合参考帧中植入区域的像素分布特性的模型,并基于所述参考帧后续的待检测帧控制所述模型的更新。
步骤S405,服务器基于所述模型识别所述待检测帧中植入区域的背景和前景,生成用于遮挡所述背景、并用于显露前景的模板。
步骤S406,服务器将待植入信息应用所述模板,以屏蔽所述待植入信息中会遮挡所述前景的内容。
步骤S407,将应用所述模板后的所述待植入信息覆盖到所述待检测帧中植入区域,以使所述前景相对于所述待植入信息突出显示。
这里,步骤S404至步骤S407的实现过程可以参照上文类似步骤的说明而理解。
步骤S408,服务器将植入信息后的视频进行封装,并将封装后的视频发送给终端。
在一些实施例中,由于服务器在对视频中的各个图像帧植入信息之前,是先对视频进行分帧,得到一个个的图像帧,然后再对各个图像帧进行信息植入的,那么在植入信息之后,为了得到一个正常的视频文件,需要把各个图像帧、音频、字幕等进行集中,使得音频、图像帧和字幕成为一个整体。
在一些实施例中,服务器在将植入信息后的视频进行封装后,还可以在观看视频的应用中发布植入信息的视频。
步骤S409,终端将植入信息后的视频进行发布。
在一些实施例中,可以在观看视频的应用中发布,还可以是发送给其他终端,例如可以是在即时通讯应用的好友群中发布。
在本申请实施例提供的方法中,终端要在视频中植入信息时,将待处理的视频和待植入信息发送给服务器,由服务器根据参考帧中植入区域的像素分布特性构建模型,由于参考帧中的植入区域是不会遮挡视频的前景的,因此再基于构建的模型对后续的待检测帧中的植入区域中像素点进行背景和前景的识别,并进一步生成能够遮挡背景不遮挡前景的模板,因此对待植入信息应用模板之后,能够屏蔽待植入信息中会遮挡前景的内容,从而使得在待检测帧中植入信息后,不会对待检测帧中的前景部分造成遮挡,进而能够保证视频的观看体验。
下面,将说明本申请实施例在一个实际的应用场景中的示例性应用。
本申请实施例再提供一种在视频中植入信息的方法,方法在实现过程中包括两个阶段:背景建模学习阶段和遮挡预测阶段。图6为本申请实施例在视频中植入信息的方法的再一实现流程示意图,如图6所示,所述方法包括:
步骤S501,获取背景图片。
步骤S502,根据背景图片进行高斯混合建模。
通过步骤S501和步骤S502就完成了背景建模过程。
步骤S503,对视频进行分帧。
步骤S504,获取待预测图片。
步骤S505,基于背景建模对待预测图像进行逆变换得到逆变换图片。
步骤S506,对逆变换图片再进行正变换得到遮挡掩膜。
图6所示的流程图,构造了一个自适应高斯混合模型用于背景建模,基于视频广告植入的商机初始帧,对后续帧自适应选择帧图片进行背景建模,自适应选择学习率迭代更新来优化模式。
图7为本申请实施例在视频中植入信息的再一实现过程示意图,如图7所示,在本实施例中可以通过以下步骤在视频中植入信息:
步骤S601、视频解帧。
这里,将输入的视频通过图像处理技术进行分帧操作,把视频拆成每一帧作为待预测的图片。
步骤S602、定位商机初始帧(即准备植入广告的帧),以及相应的植入区域。
这里,商机初始帧和相应的植入区域可以是人工设定的。在一些实施例中,还可以是自动识别视频中的包括特定对象/区域(例如地面、墙壁)的帧作为商机初始帧,进一步地,可以使用基于神经网络的图像识别技术确定商机初始帧和植入区域以及特定位置(例如中间区域,与广告尺寸一致),特定位置对应相应的植入区域。
步骤S603、根据商机初始帧中的植入区域的图像,初始化植入区域各个像素点各自对应的高斯混合模型。
步骤S604、后续帧(即视频后续的包括植入区域的帧),处理如下:
步骤S6041,将后续帧的植入区域,与初始帧的植入区域进行分布特性的比较,判断是否出现遮挡;当出现遮挡时,更新学习率。
步骤S6042,根据是否出现光照变化,调整学习率。
步骤S6043,背景/前景像素点的识别,结合识别结果和更新的学习率进行模型的更新。
在实际实现时,可以首先进行前景/背景的识别,也即判断像素点是否符合对应模型中的至少一个模式,如果符合,则像素点是背景像素点,如果均不符合,则像素点为前景像素点;然后再进行模型的更新,涉及模式的权重和参数(均值和标准差)。
对于权重,按照更新的学习率更新模式的权重;对于参数,未匹配到的模式的均值与标准差不变,匹配到的模式的均值和标准差根据更新的学习率和权重进行更新;没有任何模式匹配,则权重最小的模式被替换;各个模式按照w/α2按照降序排列,权重大,标准差小的模式排列靠前。
步骤S605、重复步骤S604,在所有后续帧处理完成后,将图像帧封装。
这里,在播放封装好的视频时,植入的广告并不会对图像帧中的前景部分造成遮挡,从而带来更好的观看体验。
在上述步骤中,步骤S601至步骤S603对应背景建模学习部分,步骤S604至步骤S606对应遮挡预测部分。这两个部分是交叉执行的:首先是根据初始帧来建模;后续帧进行遮挡预测(判断),并根据预测结果继续更新模型。
在一些实施例中,步骤S603在实现时,可以是获取视频植入广告项目的参考帧(即包括植入区域的商机初始帧)作为背景建模,来对先验的植入区域(视频的参考帧的背景区域中,用于植入广告的特定区域,即植入区域)进行高斯混合模型(GMM)的初始化。
商机初始帧中的植入区域是满足这样的条件的:在商机初始帧中植入区域没有被前景遮挡。从而初始化模型时,可以完整学习到植入区域的像素分布。
建立植入区域的每一个像素点的混合高斯模型,混合高斯模型将像素点的颜色值用K个模式(在一些实施例中,模式也可称为高斯模式/高斯分量/子模型)来叠加表示,通常K取3-5之间。混合高斯模型将像素点所呈现的颜色X表示为随机变量,则视频每帧图像中的像素的颜色值是随机变量X的采样值。
在高斯背景维护中,场景中的每一个像素的值可以由K个高斯分量组成的混合分布来表示,即图像中像素j在时刻t的取值为xj的概率为:
其中,表示t时刻像素j的混合高斯模型中第i个高斯分量的权重,满足:
这里和分别表示第i个高斯分量的均值及协方差,η表示高斯概率密度函数:
其中,d为xj的维数,对于RGB颜色空间而言,可视为相互独立,则协方差矩阵定义为:
其中,σ表示标准差,I表示单位矩阵。
高斯混合模型的初始化可以是对各个参数的初始化,在本申请实施例中可以有以下两种初始化方式:
一种初始化方式是:在初始化阶段,如果对混合高斯参数初始化速度要求不高,那么像素点的每个颜色通道范围为[0,255],可以对K个高斯分量直接初始化较大的对每个高斯分量的权重取ωinit=1/K,取第一帧图像的每个像素的值来对混合高斯模型中的K个高斯分量的均值进行初始化。其中,均值是像素的颜色值,方差是预先设定的经验值。
另一种初始化方式是:在第一帧图像时每个像素对应的第一个高斯分量进行初始化,均值赋为当前像素的值,权值赋为1,除第一以外的高斯分布函数的均值、权值和都初始化零。方差是预先设定的经验值。
在一些实施例中,在进行后续帧的处理时,对于形成视频所采用的镜头类型不同而进行不同的处理。
对于采用静止镜头形成的视频,步骤S6041在实现时,可以是:
对于商机初始帧后续每一帧的植入区域,比较后续帧的植入区域和初始植入区域(即初始帧的植入区域)的RGB颜色空间分布,根据RGB分布的差异性确定是否存在遮挡。也即在商机初始帧的植入区域植入的广告,是否对后续帧中在植入区域出现的前景造成遮挡,例如对图8B中的“婴儿式”造成遮挡。如果RGB分布的差异性满足差异性条件,则认为植入区域的背景被前景遮挡。判断RGB分布的差异性是否满足差异性条件可以通过比较直方图分布实现,例如可以将0-255灰度分为16区间,统计每帧的像素点在16区间的分布情况,并进行比较。如果后续帧的植入区域的直方图分布与初始植入区域的直方图分布差异超过了一定的阈值说明RGB分布的差异性满足差异性条件,此时认为后续帧的植入区域的背景被前景遮挡。相应地,如果后续帧的植入区域的直方图分布与初始植入区域的直方图分布差异没超过阈值说明RGB分布的差异性不满足差异性条件,此时认为后续帧的植入区域的背景没有被前景遮挡。
当判断为存在遮挡时,将更新的学习率置为0(即不使用后续帧更新模型中模式的权重);如果不存在遮挡,则可以保持原先的学习率。
在一些实施例中,步骤S6042在实现时,可以是:
对于商机初始帧后续每一帧的植入区域,比较后续帧的植入区域和初始植入区域(即初始帧的植入区域)的HSV分布,根据HSV分布的差异性确定是否为背景的不同光照变化(HSV颜色空间的直方图分布),如果满足差异性条件,则认为存在背景的光照变化,将更新的学习率置为-1。由于HSV能够反映光照的变化,如果是背景的光照发生变化,则可以通过将学习率调整为-1方式,增大符合新的光照变化的模式的权重,以避免新的光照被识别为前景的情况;如果没有发生光照变化,则可以保持原先的学习率。
在一些实施例中,步骤S6043在实现时,可以是识别后续帧植入区域的像素点类型,并更新模型,进一步确定掩膜。
对于商机初识帧与后续帧的同一个像素点,在后续帧(t时刻)的颜色值X t,与像素的当前K个模式(即K各高斯分量)进行比较,如果与至少一个模式的均值的偏差在模式的2.5σ(即标准差的2.5倍)以内,则认为模式与像素匹配,像素点属于视频的背景;如果不匹配,则像素点属于前景。
在确定出一个像素点为前景还是背景的基础上,确定掩膜并进行形态学改善。
如果一个像素属于视频的背景,那么像素在掩膜中对应的值为1;则像素属于视频的前景,那么像素在掩码中对应的值为0。
在本申请实施例中,利用形态学改善掩膜,主要针对模式的一些判断前景和遮挡的误差进行修复,包括消除掩膜中的孔洞和连接断层,避免遮挡处理后,显露的视频前景中出现噪点。图9A和图9B为利用形态学改善掩膜的示意图。如图9A所示,通过形态学可以将901中白色区域中的孔洞消除了,形成如902所示的完全连通的区域。如图9B所示,通过形态学可以将911中的断层粘连起来,同样形成一个如912所示的连通的完整区域。
更新模型可以是按照更新的学习率更新模型的权重。其中,一个像素点未匹配到的模式的均值与标准差不变,仅对匹配到的模式的均值和标准差进行更新。如果没有任何模式与像素点匹配,则基于像素点初始化新的模型,并替换权重最小的模式;各个模式按照ω/α2降序排列,权重大,标准差小的模式排列靠前。这里的ω是权重,α是学习率。
在实际实现时,若xj与第i个模式匹配,则模式被xj更新,其余的模式保持不变,更新方式如下所示:
其中,α为模型的学习率,ρ为参数的学习率,反映的是模式参数的收敛速度。若xj与像素的K个模式都不匹配,那么混合高斯模型中排在最后面的那几个模式将被新的模式所代替,新模式的均值为xj,标准差和权值初始化为σinit和ωinit。剩下的模式保持相同的均值和方差,权重按照公式(3-8)进行更新:
在更新完成后,各模式的权重需要被归一化,参数更新完成之后,为了确定像素的混合高斯模型中的模式是由背景产生的,根据每个模式按照ω/α2由大到小排序,选取前B个模式作为背景的分布,B满足以下公式,参数Q表示背景所占比例;
取较大者表示像素值具有较大的方差与较高的出现概率,这正体现了场景背景像素值的特性。
以上可认为是在采用静态镜头形成的视频中植入信息的实现过程。图8A和图8B为本申请实施例在采用静态镜头形成的视频中植入信息的效果示意图。其中,图8A所示的图像可以是图8B所示图像之前的某一帧中(即视频未讲解“婴儿式”之前),此时,如图8A所示,图像帧中的墙壁区域801并未显示“婴儿式”,如果以墙壁区域作为广告植入区域,则在后续帧中,也即图8B所示的图像帧中,出现了前景“婴儿式”,如果直接将植入广告作为图层覆盖,其中“儿式”部分会被遮挡。
应用本申请实施例提供的在视频中植入信息的方案后,如图8B所示,“婴儿式”三个字浮动于广告上,即植入的广告811不会对视频的前景内容造成遮挡,从而保证了改变原始视频在广告植入位置的前景内容的完整性。
对于采用运动镜头形成的视频,步骤S604在实现时,在步骤S6041之前还需要执行以下步骤:
步骤71,跟踪包括植入区域的后续帧。
通过特征跟踪技术进行模板匹配(特征点的模板,例如使用orb方法找到的特征点)、或sift方法来跟踪包括植入区域的后续帧。
对于视频后续帧,需要先跟踪植入区域(即用于植入信息的背景区域)生成单应矩阵H,由于背景建模是对每个像素进行建模,所以需要将商家初始帧(参考帧)和后续帧中植入区域的像素的位置进行一一对应。因为如果摄像头移动,那么商机初始帧和当前帧的植入区域的像素的位置是不对应的。
将商家初始帧和后续帧中植入区域的像素的位置进行一一对应在实现时,可以通过公式(3-10)将当前帧的植入区域根据单应矩阵H逆变化到初始帧:
其中,xt,yt表示当前帧中的一像素点,x0,y0表示初始商机帧中与像素点对应的像素点。
对于采用运动镜头形成的视频,步骤S6041与步骤S6042在实现时与采用静态镜头形成的视频步骤S6041与步骤S6042的实现过程是类似的,可以参照上文类似步骤的说明而理解。
步骤S6043在实现时,也是需要识别后续帧植入区域的像素点类型,以更新模型和确定掩膜。不同的时,确定掩膜后,利用单应矩阵H将mask逆变换为后续帧的位置,变化如下公式(3-11)所示:
在后续帧的植入区域植入广告,对于判断为遮挡的图像帧在植入区域应用对应的掩膜,视频封装。
图8C和图8D本申请实施例在采用动态镜头形成的视频中植入信息的效果示意图。图8C为人物并未出现的某一帧,如果此时以地面作为广告植入区域821,那么植入广告后的图像帧如图8C所示。而在后续帧中,如果植入广告“hello秦”直接以图层覆盖,会遮挡在区域出现的人物的腿部。而应用本实施例提供的在视频中植入信息的方案后,如图8D所示,人物腿部在植入广告的顶部显示,使得广告植入区域831不会对视频的前景造成遮挡。
利用本申请实施例提供的在视频中植入信息的方法,使用结合视频序列和全像素统计建模方法,对静止镜头,实现自动选取背景建模,后续帧自动更新学习率优化模型,使用统计特征判定遮挡掩膜;对运动镜头,使用变换技术映射为标准画面进行像素统计建模,再返回到序列帧得出遮挡掩膜,无需运动跟踪模型,不仅能够很精细地处理在视频广告植入过程中遮挡物,使植入的广告表现得更加原生,并且实时性高,适用范围广,鲁棒性强,使用自动高效。
下面说明软件模块的示例性结构,在一些实施例中,如图2所示,装置240中的软件模块可以包括:
模型构建模块241,用于构建符合参考帧中植入区域的像素分布特性的模型,并基于所述参考帧后续的待检测帧控制所述模型的更新;
模板生成模块242,用于基于所述模型识别所述待检测帧中植入区域的背景和前景,生成用于遮挡所述背景、并用于显露前景的模板;
模板应用模块243,用于将待植入信息应用所述模板,以屏蔽所述待植入信息中会遮挡所述前景的内容;
信息覆盖模块244,用于将应用所述模板后的所述待植入信息覆盖到所述待检测帧中植入区域,以使所述前景相对于所述待植入信息突出显示。
在一些实施例中,所述装置还进一步包括:
参数初始化模块,用于对应所述参考帧中植入区域的每个像素点,初始化与所述像素点对应的多个子模型以及对应的权重;
权重混合模块,用于将对应每个像素点构建的子模型基于初始化的权重混合,以形成与所述像素点对应的模型。
在一些实施例中,所述装置还进一步包括:
权重保持模块,用于当所述待检测帧中植入区域被所述前景遮挡时,将所述模型向所述待检测帧中植入区域进行拟合的速率进行减小,所述模型中子模型的权重不变;
拟合加速模块,用于当所述待检测帧中植入区域未被所述前景遮挡、且所述待检测帧中植入区域的光照情况发生变化时,将所述模型向所述待检测帧中植入区域的进行拟合的速率进行提升。
在一些实施例中,所述装置还进一步包括:
参数更新模块,用于当所述待检测帧中植入区域与所述模型中的至少一个子模型匹配时,更新所述匹配的子模型的参数,以及
保持所述模型中未匹配的子模型的参数不变。
在一些实施例中,所述装置还进一步包括:
第一匹配模块,用于将所述待检测帧中植入区域的每个像素点的颜色值,与所述像素点对应模型中的子模型匹配;
识别模块,用于将匹配成功的像素点识别为所述背景的像素点,将匹配失败的像素点识别为所述前景的像素点。
在一些实施例中,所述装置还进一步包括:
填充模块,用于对应所述植入区域中被识别为背景的像素点,在空的所述模板中对应的位置填充二进制一,以及
对应所述植入区域中前景像素点,在空的所述模板中对应的位置填充二进制零。
在一些实施例中,所述装置还进一步包括:
运算模块,用于将所述模板中每个位置填充的二进制数,与所述待植入信息进行乘法操作。
在一些实施例中,所述装置还进一步包括:
第二匹配模块,用于如果所述视频为采用运动镜头形成的,将从所述视频的参考帧中植入区域提取的特征,与从所述待检测帧中提取的特征匹配;
区域确定模块,用于当匹配成功时,确定所述待检测帧中包括与参考帧中植入区域对应的植入区域。
在一些实施例中,所述装置还进一步包括:
区域变换模块,用于如果所述视频为采用运动镜头形成的,
基于所述参考帧后续的待检测帧控制所述模型的更新之前,将所述待检测帧中植入区域进行变换,以使变换后的植入区域中每个像素点的位置,与所述参考帧中植入区域相应像素点的位置一致;
模板逆变换模块,用于将所述模板进行所述变换的逆变换,以使变换后的模板中每个二进制数的位置,与所述待检测帧中植入区域相应像素点的位置一致。
在一些实施例中,所述装置还进一步包括:
区域定位模块,用于如果所述视频为采用静态镜头形成的,
基于所述参考帧中植入区域的位置,在所述待检测帧中定位相应位置的区域,以得到所述待检测中植入区域。
在一些实施例中,所述装置还进一步包括:
第一确定模块,用于当所述待检测帧中植入区域的第一色彩空间分布,与所述参考帧中植入区域的第一色彩空间分布满足第一差异性条件时,确定所述参考帧中植入区域被所述前景遮挡;
第二确定模块,用于当所述待检测帧中植入区域的第二色彩空间分布,与所述参考帧中植入区域的第二色彩空间分布满足第二差异性条件时,确定所述参考帧中植入区域被所述前景遮挡。
作为本申请实施例提供的方法采用硬件实施的示例,本申请实施例所提供的方法可以直接采用硬件译码处理器形式的处理器410来执行完成,例如,被一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circui t)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可编程逻辑器件(CPLD,Complex ProgrammableLogic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)或其他电子元件执行实现本申请实施例提供的方法。
本申请实施例提供一种存储有可执行指令的存储介质,其中存储有可执行指令,当可执行指令被处理器执行时,将引起处理器执行本申请实施例提供的方法,例如,如图3至6示出的方法。
在一些实施例中,存储介质可以是FRAM、ROM、PROM、EPROM、EE PROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
综上所述,通过本申请实施例能够基于参考帧中植入区域的像素分布特性所构建模型,对待检测帧中的植入区域进行遮挡检测,并且基于遮挡检测结果对模型参数进行更新,能够使得待检测帧的植入区域拟合参考帧中植入区域的背景像素分布,使得植入信息能够更好地融入到视频的背景中而不遮挡前景,从而带来更好的观看体验。另外对于动态镜头形成的视频利用特征点确定植入区域,并且通过变换将待检测帧中植入区域的像素点映射到与参考帧一致的位置,而不需用运动跟踪的方式,实时性更高且鲁棒性更强。
以上所述,仅为本申请的实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本申请的保护范围之内。
Claims (24)
1.一种在视频中植入信息的方法,其特征在于,包括:
构建符合参考帧中植入区域的像素分布特性的模型,并基于所述参考帧后续的待检测帧控制所述模型的更新;
基于所述模型识别所述待检测帧中植入区域的背景和前景,生成用于遮挡所述背景、并用于显露前景的模板;
将待植入信息应用所述模板,以屏蔽所述待植入信息中会遮挡所述前景的内容;
将应用所述模板后的所述待植入信息覆盖到所述待检测帧中植入区域,以使所述前景相对于所述待植入信息突出显示。
2.根据权利要求1所述的方法,其特征在于,
所述构建符合参考帧中植入区域的像素分布特性的模型,包括:
对应所述参考帧中植入区域的每个像素点,初始化与所述像素点对应的多个子模型以及对应的权重;
将对应每个像素点构建的子模型基于初始化的权重混合,以形成与所述像素点对应的模型。
3.根据权利要求1所述的方法,其特征在于,
所述基于所述参考帧后续的待检测帧控制所述模型的更新,包括:
当所述待检测帧中植入区域被所述前景遮挡时,将所述模型向所述待检测帧中植入区域进行拟合的速率进行减小;
当所述待检测帧中植入区域未被所述前景遮挡、且所述待检测帧中植入区域的光照情况发生变化时,将所述模型向所述待检测帧中植入区域进行拟合的速率进行提升。
4.根据权利要求1所述的方法,其特征在于,
所述基于所述参考帧后续的待检测帧控制所述模型的更新,包括:
当所述待检测帧中植入区域与所述模型中的至少一个子模型匹配时,更新所述匹配的子模型的参数,以及
保持所述模型中未匹配的子模型的参数不变。
5.根据权利要求1所述的方法,其特征在于,
所述基于所述模型识别所述待检测帧中植入区域中的背景和前景,包括:
将所述待检测帧中植入区域的每个像素点的颜色值,与所述像素点对应模型中的子模型匹配;
将匹配成功的像素点识别为所述背景的像素点,将匹配失败的像素点识别为所述前景的像素点。
6.根据权利要求1所述的方法,其特征在于,
所述生成用于遮挡所述背景、并用于显露前景的模板,包括:
对应所述植入区域中被识别为背景的像素点,在空的所述模板中对应的位置填充二进制一,以及
对应所述植入区域中前景像素点,在填充二进制一的所述模板中对应的位置填充二进制零。
7.根据权利要求1所述的方法,其特征在于,所述将待植入信息应用所述模板,包括:
将所述模板中每个位置填充的二进制数,与所述待植入信息进行乘法操作。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述方法还包括:
当所述视频为采用运动镜头形成时,将从所述视频的参考帧中植入区域提取的特征,与从所述待检测帧中提取的特征匹配;
当匹配成功时,确定所述待检测帧中包括与参考帧中植入区域对应的植入区域。
9.根据权利要求1至7任一项所述的方法,其特征在于,所述方法还包括:
当所述视频为采用运动镜头形成时,
基于所述参考帧后续的待检测帧控制所述模型的更新之前,将所述待检测帧中植入区域进行变换,以使变换后的植入区域中每个像素点的位置,与所述参考帧中植入区域相应像素点的位置一致;
应用所述模板之前,将所述模板进行所述变换的逆变换,以使变换后的模板中每个二进制数的位置,与所述待检测帧中植入区域相应像素点的位置一致。
10.根据权利要求1至7任一项所述的方法,其特征在于,所述方法还包括:
当所述视频为采用静态镜头形成时,
基于所述参考帧中植入区域的位置,在所述待检测帧中定位相应位置的区域,以确定所述待检测帧中植入区域。
11.根据权利要求1至7任一项所述的方法,其特征在于,所述方法还包括:
当所述待检测帧中植入区域的第一色彩空间分布,与所述参考帧中植入区域的第一色彩空间分布满足第一差异性条件时,确定所述待检测帧中植入区域被所述前景遮挡;
当所述待检测帧中植入区域的第二色彩空间分布,与所述参考帧中植入区域的第二色彩空间分布满足第二差异性条件时,确定所述待检测帧中植入区域的光照情况发生变化。
12.一种在视频中植入信息的装置,其特征在于,包括:
模型构建模块,用于构建符合参考帧中植入区域的像素分布特性的模型,并基于所述参考帧后续的待检测帧控制所述模型的更新;
模板生成模块,用于基于所述模型识别所述待检测帧中植入区域的背景和前景,生成用于遮挡所述背景、并用于显露前景的模板;
模板应用模块,用于将待植入信息应用所述模板,以屏蔽所述待植入信息中会遮挡所述前景的内容;
信息覆盖模块,用于将应用所述模板后的所述待植入信息覆盖到所述待检测帧中植入区域,以使所述前景相对于所述待植入信息突出显示。
13.根据权利要求12中所述的装置,其特征在于,还包括:
参数初始化模块,用于对应所述参考帧中植入区域的每个像素点,初始化与所述像素点对应的多个子模型以及对应的权重;
权重混合模块,用于将对应每个像素点构建的子模型基于初始化的权重混合,以形成与所述像素点对应的模型。
14.根据权利要求12中所述的装置,其特征在于,还包括:
权重保持模块,用于当所述待检测帧中植入区域被所述前景遮挡时,将所述模型向所述待检测帧中植入区域进行拟合的速率进行减小;
拟合加速模块,用于当所述待检测帧中植入区域未被所述前景遮挡、且所述待检测帧中植入区域的光照情况发生变化时,将所述模型向所述待检测帧中植入区域进行拟合的速率进行提升。
15.根据权利要求12中所述的装置,其特征在于,还包括:
参数更新模块,用于当所述待检测帧中植入区域与所述模型中的至少一个子模型匹配时,更新所述匹配的子模型的参数,以及
保持所述模型中未匹配的子模型的参数不变。
16.根据权利要求12中所述的装置,其特征在于,还包括:
第一匹配模块,用于将所述待检测帧中植入区域的每个像素点的颜色值,与所述像素点对应模型中的子模型匹配;
识别模块,用于将匹配成功的像素点识别为所述背景的像素点,将匹配失败的像素点识别为所述前景的像素点。
17.根据权利要求12中所述的装置,其特征在于,还包括:
填充模块,用于对应所述植入区域中被识别为背景的像素点,在空的所述模板中对应的位置填充二进制一,以及
对应所述植入区域中前景像素点,在填充二进制一的所述模板中对应的位置填充二进制零。
18.根据权利要求12中所述的装置,其特征在于,还包括:
运算模块,用于将所述模板中每个位置填充的二进制数,与所述待植入信息进行乘法操作。
19.根据权利要求12至18中任一项中所述的装置,其特征在于,还包括:
第二匹配模块,用于当所述视频为采用运动镜头形成时,将从所述视频的参考帧中植入区域提取的特征,与从所述待检测帧中提取的特征匹配;
区域确定模块,用于当匹配成功时,确定所述待检测帧中包括与参考帧中植入区域对应的植入区域。
20.根据权利要求12至18中任一项中所述的装置,其特征在于,还包括:
区域变换模块,用于当所述视频为采用运动镜头形成时,
基于所述参考帧后续的待检测帧控制所述模型的更新之前,将所述待检测帧中植入区域进行变换,以使变换后的植入区域中每个像素点的位置,与所述参考帧中植入区域相应像素点的位置一致;
模板逆变换模块,用于将所述模板进行所述变换的逆变换,以使变换后的模板中每个二进制数的位置,与所述待检测帧中植入区域相应像素点的位置一致。
21.根据权利要求12至18中任一项中所述的装置,其特征在于,还包括:
区域定位模块,用于当所述视频为采用静态镜头形成时,
基于所述参考帧中植入区域的位置,在所述待检测帧中定位相应位置的区域,以确定所述待检测中植入区域。
22.根据权利要求12至18中任一项中所述的装置,其特征在于,还包括:
第一确定模块,用于当所述待检测帧中植入区域的第一色彩空间分布,与所述参考帧中植入区域的第一色彩空间分布满足第一差异性条件时,确定所述待检测帧中植入区域被所述前景遮挡;
第二确定模块,用于当所述待检测帧中植入区域的第二色彩空间分布,与所述参考帧中植入区域的第二色彩空间分布满足第二差异性条件时,确定所述待检测帧中植入区域的光照情况发生变化。
23.一种计算机设备,其特征在于,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至11中任一项所述的方法。
24.一种存储介质,其特征在于,存储有可执行指令,用于引起处理器执行时,实现权利要求1至11任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910385878.4A CN110121034B (zh) | 2019-05-09 | 2019-05-09 | 一种在视频中植入信息的方法、装置、设备及存储介质 |
JP2021532214A JP7146091B2 (ja) | 2019-05-09 | 2020-04-21 | ビデオへの情報埋め込み方法、コンピュータ機器及びコンピュータプログラム |
EP20802358.0A EP3968627A4 (en) | 2019-05-09 | 2020-04-21 | Method for implanting information into video, computer device and storage medium |
PCT/CN2020/085939 WO2020224428A1 (zh) | 2019-05-09 | 2020-04-21 | 在视频中植入信息的方法、计算机设备及存储介质 |
US17/394,579 US11785174B2 (en) | 2019-05-09 | 2021-08-05 | Method for implanting information into video, computer device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910385878.4A CN110121034B (zh) | 2019-05-09 | 2019-05-09 | 一种在视频中植入信息的方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110121034A true CN110121034A (zh) | 2019-08-13 |
CN110121034B CN110121034B (zh) | 2021-09-07 |
Family
ID=67522038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910385878.4A Active CN110121034B (zh) | 2019-05-09 | 2019-05-09 | 一种在视频中植入信息的方法、装置、设备及存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11785174B2 (zh) |
EP (1) | EP3968627A4 (zh) |
JP (1) | JP7146091B2 (zh) |
CN (1) | CN110121034B (zh) |
WO (1) | WO2020224428A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111556336A (zh) * | 2020-05-12 | 2020-08-18 | 腾讯科技(深圳)有限公司 | 一种多媒体文件处理方法、装置、终端设备及介质 |
CN111556337A (zh) * | 2020-05-15 | 2020-08-18 | 腾讯科技(深圳)有限公司 | 一种媒体内容植入方法、模型训练方法以及相关装置 |
CN111556338A (zh) * | 2020-05-25 | 2020-08-18 | 腾讯科技(深圳)有限公司 | 视频中区域的检测方法、信息融合方法、装置和存储介质 |
CN111652207A (zh) * | 2019-09-21 | 2020-09-11 | 秦佑胜 | 定位式数据加载平台和方法 |
WO2020224428A1 (zh) * | 2019-05-09 | 2020-11-12 | 腾讯科技(深圳)有限公司 | 在视频中植入信息的方法、计算机设备及存储介质 |
CN113011227A (zh) * | 2019-12-19 | 2021-06-22 | 合肥君正科技有限公司 | 一种遮挡检测中背景更新预判断期间避免误报的辅助检测方法 |
CN116939293A (zh) * | 2023-09-17 | 2023-10-24 | 世优(北京)科技有限公司 | 植入位置的检测方法、装置、存储介质及电子设备 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112672173A (zh) * | 2020-12-09 | 2021-04-16 | 上海东方传媒技术有限公司 | 一种电视直播信号中特定内容的遮挡方法及系统 |
CN115761598B (zh) * | 2022-12-20 | 2023-09-08 | 易事软件(厦门)股份有限公司 | 一种基于云端业务平台的大数据分析方法及系统 |
CN116939294B (zh) * | 2023-09-17 | 2024-03-05 | 世优(北京)科技有限公司 | 视频植入方法、装置、存储介质及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105191287A (zh) * | 2013-03-08 | 2015-12-23 | 吉恩-鲁克·埃法蒂卡迪 | 替换视频流中的对象的方法及计算机程序 |
CN107347166A (zh) * | 2016-08-19 | 2017-11-14 | 北京市商汤科技开发有限公司 | 视频图像的处理方法、装置和终端设备 |
CN107493488A (zh) * | 2017-08-07 | 2017-12-19 | 上海交通大学 | 基于Faster R‑CNN模型的视频内容物智能植入的方法 |
CN108419115A (zh) * | 2018-02-13 | 2018-08-17 | 杭州炫映科技有限公司 | 一种广告植入方法 |
CN108961304A (zh) * | 2017-05-23 | 2018-12-07 | 阿里巴巴集团控股有限公司 | 识别视频中运动前景的方法和确定视频中目标位置的方法 |
CN109461174A (zh) * | 2018-10-25 | 2019-03-12 | 北京陌上花科技有限公司 | 视频目标区域跟踪方法和视频平面广告植入方法及系统 |
US20190130215A1 (en) * | 2016-04-21 | 2019-05-02 | Osram Gmbh | Training method and detection method for object recognition |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL108957A (en) * | 1994-03-14 | 1998-09-24 | Scidel Technologies Ltd | Video sequence imaging system |
SG150527A1 (en) * | 2006-07-11 | 2009-03-30 | Agency Science Tech & Res | Method and system for multi-object tracking |
US8477246B2 (en) * | 2008-07-11 | 2013-07-02 | The Board Of Trustees Of The Leland Stanford Junior University | Systems, methods and devices for augmenting video content |
US8947534B2 (en) * | 2009-06-11 | 2015-02-03 | Google Technology Holdings LLC | System and method for providing depth imaging |
JP5994493B2 (ja) * | 2012-08-31 | 2016-09-21 | カシオ計算機株式会社 | 動画像前景切抜き装置、方法、およびプログラム |
CN105654458A (zh) * | 2014-11-14 | 2016-06-08 | 华为技术有限公司 | 图像处理的方法及装置 |
WO2017165538A1 (en) * | 2016-03-22 | 2017-09-28 | Uru, Inc. | Apparatus, systems, and methods for integrating digital media content into other digital media content |
US20180048894A1 (en) * | 2016-08-11 | 2018-02-15 | Qualcomm Incorporated | Methods and systems of performing lighting condition change compensation in video analytics |
US10198621B2 (en) * | 2016-11-28 | 2019-02-05 | Sony Corporation | Image-Processing device and method for foreground mask correction for object segmentation |
US11720745B2 (en) * | 2017-06-13 | 2023-08-08 | Microsoft Technology Licensing, Llc | Detecting occlusion of digital ink |
US10646999B2 (en) * | 2017-07-20 | 2020-05-12 | Tata Consultancy Services Limited | Systems and methods for detecting grasp poses for handling target objects |
CN110121034B (zh) * | 2019-05-09 | 2021-09-07 | 腾讯科技(深圳)有限公司 | 一种在视频中植入信息的方法、装置、设备及存储介质 |
-
2019
- 2019-05-09 CN CN201910385878.4A patent/CN110121034B/zh active Active
-
2020
- 2020-04-21 EP EP20802358.0A patent/EP3968627A4/en active Pending
- 2020-04-21 JP JP2021532214A patent/JP7146091B2/ja active Active
- 2020-04-21 WO PCT/CN2020/085939 patent/WO2020224428A1/zh unknown
-
2021
- 2021-08-05 US US17/394,579 patent/US11785174B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105191287A (zh) * | 2013-03-08 | 2015-12-23 | 吉恩-鲁克·埃法蒂卡迪 | 替换视频流中的对象的方法及计算机程序 |
US20190130215A1 (en) * | 2016-04-21 | 2019-05-02 | Osram Gmbh | Training method and detection method for object recognition |
CN107347166A (zh) * | 2016-08-19 | 2017-11-14 | 北京市商汤科技开发有限公司 | 视频图像的处理方法、装置和终端设备 |
CN108961304A (zh) * | 2017-05-23 | 2018-12-07 | 阿里巴巴集团控股有限公司 | 识别视频中运动前景的方法和确定视频中目标位置的方法 |
CN107493488A (zh) * | 2017-08-07 | 2017-12-19 | 上海交通大学 | 基于Faster R‑CNN模型的视频内容物智能植入的方法 |
CN108419115A (zh) * | 2018-02-13 | 2018-08-17 | 杭州炫映科技有限公司 | 一种广告植入方法 |
CN109461174A (zh) * | 2018-10-25 | 2019-03-12 | 北京陌上花科技有限公司 | 视频目标区域跟踪方法和视频平面广告植入方法及系统 |
Non-Patent Citations (1)
Title |
---|
昌晶: "体育比赛视频中标牌型广告检测方法研究", 《硕士学位论文》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020224428A1 (zh) * | 2019-05-09 | 2020-11-12 | 腾讯科技(深圳)有限公司 | 在视频中植入信息的方法、计算机设备及存储介质 |
US11785174B2 (en) | 2019-05-09 | 2023-10-10 | Tencent Technology (Shenzhen) Company Limited | Method for implanting information into video, computer device and storage medium |
CN111652207A (zh) * | 2019-09-21 | 2020-09-11 | 秦佑胜 | 定位式数据加载平台和方法 |
CN113011227A (zh) * | 2019-12-19 | 2021-06-22 | 合肥君正科技有限公司 | 一种遮挡检测中背景更新预判断期间避免误报的辅助检测方法 |
CN113011227B (zh) * | 2019-12-19 | 2024-01-26 | 合肥君正科技有限公司 | 一种遮挡检测中背景更新预判断期间避免误报的辅助检测方法 |
CN111556336A (zh) * | 2020-05-12 | 2020-08-18 | 腾讯科技(深圳)有限公司 | 一种多媒体文件处理方法、装置、终端设备及介质 |
CN111556337A (zh) * | 2020-05-15 | 2020-08-18 | 腾讯科技(深圳)有限公司 | 一种媒体内容植入方法、模型训练方法以及相关装置 |
CN111556337B (zh) * | 2020-05-15 | 2021-09-21 | 腾讯科技(深圳)有限公司 | 一种媒体内容植入方法、模型训练方法以及相关装置 |
CN111556338A (zh) * | 2020-05-25 | 2020-08-18 | 腾讯科技(深圳)有限公司 | 视频中区域的检测方法、信息融合方法、装置和存储介质 |
CN111556338B (zh) * | 2020-05-25 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 视频中区域的检测方法、信息融合方法、装置和存储介质 |
CN116939293A (zh) * | 2023-09-17 | 2023-10-24 | 世优(北京)科技有限公司 | 植入位置的检测方法、装置、存储介质及电子设备 |
CN116939293B (zh) * | 2023-09-17 | 2023-11-17 | 世优(北京)科技有限公司 | 植入位置的检测方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
JP2022531639A (ja) | 2022-07-08 |
US20210368112A1 (en) | 2021-11-25 |
EP3968627A1 (en) | 2022-03-16 |
WO2020224428A1 (zh) | 2020-11-12 |
CN110121034B (zh) | 2021-09-07 |
US11785174B2 (en) | 2023-10-10 |
EP3968627A4 (en) | 2022-06-29 |
JP7146091B2 (ja) | 2022-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110121034A (zh) | 一种在视频中植入信息的方法、装置及存储介质 | |
Wu et al. | Content‐based colour transfer | |
CN110503097A (zh) | 图像处理模型的训练方法、装置及存储介质 | |
CN110163235A (zh) | 图像增强模型的训练、图像增强方法、装置和存储介质 | |
CN110197229A (zh) | 图像处理模型的训练方法、装置及存储介质 | |
CN108960090A (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
CN112215171B (zh) | 目标检测方法、装置、设备及计算机可读存储介质 | |
US10664973B2 (en) | Video object tagging using synthetic images and segmentation hierarchies | |
US20230014448A1 (en) | Methods for handling occlusion in augmented reality applications using memory and device tracking and related apparatus | |
US20230040256A1 (en) | Image coloring method and apparatus based on artificial intelligence, electronic device, and computer readable storage medium | |
JP2015518594A (ja) | デジタル画像分析のため空間制約を用いた統合インタラクティブセグメンテーション法 | |
JP2023519728A (ja) | 二次元画像の三次元化方法、装置、機器及びコンピュータプログラム | |
Delussu et al. | Scene-specific crowd counting using synthetic training images | |
CN109819176A (zh) | 一种拍摄方法、系统、装置、电子设备及存储介质 | |
CN110689478B (zh) | 图像风格化处理方法、装置、电子设备及可读介质 | |
US20210327071A1 (en) | Automated Cropping of Images Using a Machine Learning Predictor | |
CN114299573A (zh) | 视频处理方法、装置、电子设备及存储介质 | |
US11080549B1 (en) | Automated cropping of images using a machine learning predictor | |
US10672113B2 (en) | Methods and systems for normalizing images | |
CN108256611B (zh) | 二维码影像生成方法、装置、计算设备及存储介质 | |
US20230162379A1 (en) | Training alignment of a plurality of images | |
CN115272527A (zh) | 基于色盘对抗网络的图像上色方法 | |
Anitha et al. | GEVE: A generative adversarial network for extremely dark image/video enhancement | |
Lyu | Research on subway pedestrian detection algorithm based on big data cleaning technology | |
CN112085025A (zh) | 物体分割方法、装置、设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |