CN110209878A - 视频处理方法、装置、计算机可读介质及电子设备 - Google Patents

Abstract

本发明的实施例提供了一种视频处理方法、装置、计算机可读介质及电子设备。该视频处理方法包括：分别提取第一视频的特征和第二视频的特征，得到所述第一视频的第一特征向量和所述第二视频的第二特征向量；基于注意力机制对所述第一特征向量进行处理，得到第三特征向量；基于所述第二特征向量和所述第三特征向量进行双线性匹配，以得到匹配结果；根据所述匹配结果在所述第二视频中定位所述第一视频。本发明实施例的技术方案在视频检索时能够精确定位到视频中的相关片段，并且能够提高视频检索效率，降低了视频检索的难度及视频检索所花费的时间。

Description

视频处理方法、装置、计算机可读介质及电子设备

技术领域

本发明涉及计算机及通信技术领域，具体而言，涉及一种视频处理方法、装置、计算机可读介质及电子设备。

背景技术

视频检索是从一个视频集合中找出与给定的视频内容相关的视频，目前的检索方案通常只能返回查找到的整个视频，之后还需要人工观看视频来确定其中的相关片段，检索效率较低，同时相关技术中的视频检索方案还存在准确性较差的问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的实施例提供了一种视频处理方法、装置、计算机可读介质及电子设备，进而至少在一定程度上克服视频检索效率较低的问题。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明实施例的一个方面，提供了一种视频处理方法，包括：分别提取第一视频的特征和第二视频的特征，得到所述第一视频的第一特征向量和所述第二视频的第二特征向量；基于注意力机制对所述第一特征向量进行处理，得到第三特征向量；基于所述第二特征向量和所述第三特征向量进行双线性匹配，以得到匹配结果；根据所述匹配结果在所述第二视频中定位所述第一视频。

根据本发明实施例的一个方面，提供了一种视频处理装置，包括：提取单元，用于分别提取第一视频的特征和第二视频的特征，得到所述第一视频的第一特征向量和所述第二视频的第二特征向量；第一处理单元，用于基于注意力机制对所述第一特征向量进行处理，得到第三特征向量；匹配单元，用于基于所述第二特征向量和所述第三特征向量进行双线性匹配，以得到匹配结果；第二处理单元，用于根据所述匹配结果在所述第二视频中定位所述第一视频。

在本发明的一些实施例中，基于前述方案，所述提取单元配置为：基于三维卷积神经网络分别提取所述第一视频的特征和所述第二视频的特征。

在本发明的一些实施例中，基于前述方案，所述提取单元还用于：在基于所述三维卷积神经网络分别提取所述第一视频的特征和所述第二视频的特征之后，对提取到的所述第一视频的特征和所述第二视频的特征进行降维处理，以得到所述第一特征向量和所述第二特征向量。

在本发明的一些实施例中，基于前述方案，所述第一处理单元包括：第一计算单元，用于计算各个所述第一特征向量与各个所述第二特征向量之间的相关性；确定单元，用于基于各个所述第一特征向量与各个所述第二特征向量之间的相关性，确定各个所述第一特征向量对应的权重因子；第二计算单元，用于根据各个所述第一特征向量和各个所述第一特征向量对应的权重因子，计算所述第三特征向量。

在本发明的一些实施例中，基于前述方案，所述第一计算单元用于通过以下公式计算各个所述第一特征向量与各个所述第二特征向量之间的相关性：

其中，e_i,j表示第i个第二特征向量与第j个第一特征向量之间的相关性；表示第j个第一特征向量；表示第i个第二特征向量；表示第i-1个第二特征向量与对应的所述第三特征向量之间的匹配结果；W^q、W^r、W^m和b^m表示公式的计算参数。

在本发明的一些实施例中，基于前述方案，所述确定单元用于通过以下公式确定各个所述第一特征向量对应的权重因子：

其中，α_i,j表示第j个第一特征向量对应的权重因子；ω和b表示公式的计算参数；k最小值为1，最大值为所述第二特征向量的个数。

在本发明的一些实施例中，基于前述方案，所述第二计算单元配置为：根据各个所述第一特征向量和各个所述第一特征向量对应的权重因子，对各个所述第一特征向量进行加权求和，以得到所述第三特征向量。

在本发明的一些实施例中，基于前述方案，所述匹配单元配置为：对所述第二特征向量和所述第三特征向量进行交叉过滤处理，得到所述第二特征向量过滤后对应的第四特征向量和所述第三特征向量过滤后对应的第五特征向量；对所述第四特征向量和所述第五特征向量进行双线性匹配，得到所述匹配结果。

在本发明的一些实施例中，基于前述方案，所述第二处理单元包括：汇总单元，用于按照时间顺序对各个视频时间段对应的所述匹配结果进行汇总，得到汇总结果；预测单元，用于根据所述汇总结果预测所述第二视频中的各个时间点与所述第一视频中的时间点之间的关系；定位单元，用于基于所述第二视频中的各个时间点与所述第一视频中的时间点之间的关系，在所述第二视频中定位所述第一视频。

在本发明的一些实施例中，基于前述方案，所述汇总单元配置为：按照视频播放的时间顺序，对各个视频时间段对应的所述匹配结果进行汇总，得到第一结果；按照与视频播放相反的时间顺序，对各个视频时间段对应的所述匹配结果进行汇总，得到第二结果；将所述第一结果和所述第二结果进行合并，以得到所述汇总结果。

在本发明的一些实施例中，基于前述方案，所述预测单元配置为：根据所述汇总结果预测所述第二视频中的各个时间点是所述第一视频的开始时间点和结束时间点的概率，以及所述第二视频中的各个时间点是所述第一视频中的时间点的概率。

在本发明的一些实施例中，基于前述方案，所述定位单元配置为：基于所述第二视频中的各个时间点是所述第一视频的开始时间点和结束时间点的概率，以及所述第二视频中的各个时间点是所述第一视频中的时间点的概率，确定所述第二视频中的各个时间段是所述第一视频的联合概率；根据所述第二视频中的各个时间段是所述第一视频的联合概率，选择联合概率最大的时间段作为在所述第二视频中定位到的所述第一视频。

根据本发明实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的视频处理方法。

根据本发明实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的视频处理方法。

在本发明的一些实施例所提供的技术方案中，通过提取第一视频的特征和第二视频的视频，并基于注意力机制对第一视频的第一特征向量进行处理得到第三特征向量，使得能够通过对第一特征向量进行处理来获取到与第二视频相关性较大的第三特征向量，进而能够基于第三特征向量来提高视频检索效率。通过根据第二特征向量和第三特征向量进行双线性匹配，使得能够更加全面地获取到第一视频和第二视频中的相关内容，有利于提高视频检索的准确性。通过根据双线性匹配的结果在第二视频中定位第一视频，使得在视频检索时能够精确定位到视频中的相关片段，相比于相关技术中需要人工观看查找到的整个视频来确定其中的相关片段的方案，本发明实施例的技术方案有效提高了视频的检索效率，降低了视频检索的难度及视频检索所花费的时间。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示出了可以应用本发明实施例的视频处理方法或视频处理装置的示例性系统架构的示意图；

图2示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图；

图3示意性示出了根据本发明的一个实施例的视频处理方法的流程图；

图4示意性示出了根据本发明的一个实施例的基于注意力机制对第一特征向量进行处理的流程图；

图5示意性示出了根据本发明的一个实施例的根据匹配结果在第二视频中定位第一视频的流程图；

图6示意性示出了根据本发明的一个实施例的视频检索方法的流程图；

图7示出了根据本发明的一个实施例的对特征进行交叉过滤及双线性匹配的流程图；

图8示意性示出了根据本发明的一个实施例的视频检索方法的总体流程图；

图9示意性示出了根据本发明的一个实施例的视频处理装置的框图；

图10示意性示出了图9中所示的第一处理单元的一种结构框图；

图11示意性示出了图9中所示的第二处理单元的一种结构框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

图1示出了可以应用本发明实施例的视频处理方法或视频处理装置的示例性系统架构100的示意图。

如图1所示，系统架构100可以包括终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种，当然也可以是台式计算机等等)、网络104和服务器105。网络104用以在终端设备和服务器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，例如有线通信链路、无线通信链路等等。

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。比如服务器105可以是多个服务器组成的服务器集群等。

用户可以使用终端设备通过网络104与服务器105交互，以接收或发送消息等。服务器105可以是提供各种服务的服务器。例如用户利用终端设备103(也可以是终端设备101或102)向服务器105上传了某一视频片段，服务器105在接收到该视频片段之后，提取该视频片段的特征，得到第一特征向量，并且服务器105可以提取视频库中的目标视频的特征，得到第二特征向量。然后服务器105基于注意力机制对该第一特征向量进行处理，得到第三特征向量，然后基于该第三特征向量和上述的第二特征向量进行双线性匹配，以得到匹配结果，进而根据该匹配结果在目标视频中定位该第一视频，不仅能够精确定位到视频中的相关片段，而且提高了视频的检索效率，降低了视频检索的难度及视频检索所花费的时间。

需要说明的是，本发明实施例所提供的视频处理方法一般由服务器105执行，相应地，视频处理装置一般设置于服务器105中。但是，在本发明的其它实施例中，终端设备也可以与服务器具有相似的功能，从而执行本发明实施例所提供的视频处理方案。

图2示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图2示出的电子设备的计算机系统200仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图2所示，计算机系统200包括中央处理单元(Central Processing Unit，CPU)201，其可以根据存储在只读存储器(Read-Only Memory，ROM)202中的程序或者从存储部分208加载到随机访问存储器(Random Access Memory，RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有系统操作所需的各种程序和数据。CPU 201、ROM202以及RAM 203通过总线204彼此相连。输入/输出(Input/Output，I/O)接口205也连接至总线204。

以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分207；包括硬盘等的存储部分208；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，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210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208。

特别地，根据本发明的实施例，下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，本发明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209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本发明实施例所示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(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，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。而在本发明中，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、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，上述模块、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，框图或流程图中的每个方框、以及框图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。

描述于本发明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。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。

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电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现如图3至图6所示的各个步骤。

以下对本发明实施例的技术方案的实现细节进行详细阐述：

图3示意性示出了根据本发明的一个实施例的视频处理方法的流程图，该视频处理方法可以由服务器来执行，该服务器可以是图1中所示的服务器。参照图3所示，该视频处理方法至少包括步骤S310至步骤S340，详细介绍如下：

在步骤S310中，分别提取第一视频的特征和第二视频的特征，得到所述第一视频的第一特征向量和所述第二视频的第二特征向量。

在本发明的一个实施例中，第一视频可以是需要在其它视频中进行查找的视频片段，第二视频可以是视频库中用于确定是否包含需要查找的视频片段的备选视频。

在本发明的一个实施例中，由于视频中包含了运动信息，为了更好地获取到视频中的运动信息，可以通过三维卷积神经网络提取第一视频的特征和第二视频的特征。比如可以采用视频数据集Sports-1M(一个大约包含了100万段视频和500个体育领域分类的视频数据集)训练好的三维卷积神经网络来提取第一视频和第二视频的特征。

在本发明的一个实施例中，由于三维卷积神经网络输出的特征向量的维度较大，为了避免特征维度较大而增加处理器的处理负荷，可以对三维卷积神经网络提取到的第一视频的特征和第二视频的特征进行降维处理，以得到所述第一特征向量和所述第二特征向量。比如可以通过PCA(Principal Component Analysis，主成分分析)技术来对三维卷积神经网络提取到的第一视频的特征和第二视频的特征进行降维处理。

在步骤S320中，基于注意力机制对所述第一特征向量进行处理，得到第三特征向量。

在本发明的一个实施例中，注意力机制(Attention Mechanism)主要是通过构建注意力模型(Attention model)来有效选择特征信息。具体而言，图像(即视频帧)的描述生成主要采用“编码-解码”的方式进行，编码器为一个卷积网络，用于提取图像的高层特征，表示为一个编码向量；解码器为一个循环神经网络语言模型，初始输入为编码向量，生成图像的描述文本，在图像描述生成的任务中，存在编码容量瓶颈以及长距离依赖这两个问题，因此可以利用注意力机制来有效地选择信息。本发明实施例中通过基于注意力机制来对第一特征向量进行处理，既能够降低后续匹配过程使用的特征数量，而且也能够获取到与第二视频相关性较大的特征向量，进而能够提高视频检索效率。

在本发明的一个实施例中，如图4所示，步骤S320中基于注意力机制对第一特征向量进行处理，得到第三特征向量的过程，包括如下步骤S410、步骤S420和步骤S430，详细说明如下：

在步骤S410中，计算各个所述第一特征向量与各个所述第二特征向量之间的相关性。

在本发明的一个实施例中，由于第一视频中可能只有部分内容与第二视频相关，因此可以计算第一视频的第一特征向量与第二视频的第二特征向量之间的相关性来便于后续对第一特征向量进行处理。

在本发明的一个实施例中，可以通过以下公式计算各个第一特征向量与各个第二特征向量之间的相关性：

其中，e_i,j表示第i个第二特征向量与第j个第一特征向量之间的相关性；表示第j个第一特征向量；表示第i个第二特征向量；表示第i-1个第二特征向量与对应的所述第三特征向量之间的匹配结果；W^q、W^r、W^m和b^m表示公式的计算参数。

在步骤S420中，基于各个所述第一特征向量与各个所述第二特征向量之间的相关性，确定各个所述第一特征向量对应的权重因子。

在本发明的一个实施例中，如上所述，第一视频中可能只有部分内容与第二视频相关，为了尽可能突出第一视频中与第二视频相关的内容，可以根据各个第一特征向量与各个第二特征向量之间的相关性来确定各个第一特征向量对应的权重因子。

在本发明的一个实施例中，可以通过以下公式确定各个所述第一特征向量对应的权重因子：

其中，α_i,j表示第j个第一特征向量对应的权重因子；ω和b表示公式的计算参数；k最小值为1，最大值为所述第二特征向量的个数。需要说明的是：上述公式中的“T”表示转置，由于e_i,j和ω均是向量，因此二者相乘需要对其中一个向量进行转置处理。

在步骤S430中，根据各个所述第一特征向量和各个所述第一特征向量对应的权重因子，计算所述第三特征向量。

在本发明的一个实施例中，可以根据各个第一特征向量和各个第一特征向量对应的权重因子，对各个第一特征向量进行加权求和，以得到所述第三特征向量。具体地，可以根据如下公式来对各个第一特征向量进行加权求和来得到第三特征向量：

其中，表示第i个第三特征向量。

继续参照图3所示，在步骤S330中，基于所述第二特征向量和所述第三特征向量进行双线性匹配，以得到匹配结果。

在本发明的一个实施例中，在基于第二特征向量和第三特征向量进行双线性匹配时，可以对第二特征向量和第三特征向量进行交叉过滤处理，得到第二特征向量过滤后对应的第四特征向量和第三特征向量过滤后对应的第五特征向量，然后对第四特征向量和第五特征向量进行双线性匹配，得到所述匹配结果。本发明实施例的技术方案通过对第四特征向量和第五特征向量进行双线性匹配，使得能够更加全面地获取到第一视频和第二视频中的相关内容，有利于提高视频检索的准确性。

继续参照图3所示，在步骤S340中，根据所述匹配结果在所述第二视频中定位所述第一视频。

在本发明的一个实施例中，如图5所示，根据匹配结果在第二视频中定位第一视频的过程，可以包括如下步骤S510、步骤S520和步骤S530，详细介绍如下：

在步骤S510中，按照时间顺序对各个视频时间段对应的所述匹配结果进行汇总，得到汇总结果。

在本发明的一个实施例中，由于匹配的结果是按照视频中的每个时间段来划分的，因此可以按照时间顺序来对各个视频时间段对应的匹配结果进行汇总。具体地，在本发明的一个实施例中，可以按照视频播放的时间顺序，对各个视频时间段对应的匹配结果进行汇总，得到第一结果，并按照与视频播放相反的时间顺序，对各个视频时间段对应的匹配结果进行汇总，得到第二结果，然后将第一结果和第二结果进行合并，以得到所述汇总结果。该实施例的技术方案通过汇总两个方向上的匹配结果，可以提高汇总结果的准确性，进而能够更准确地预测第二视频中的各个时间点与第一视频中的时间点之间的关系。

在本发明的一个实施例中，可以通过LSTM(Long Short-Term Memory，长短期记忆网络)来汇总匹配结果。

在步骤S520中，根据所述汇总结果预测所述第二视频中的各个时间点与所述第一视频中的时间点之间的关系。

在本发明的一个实施例中，可以根据汇总结果预测第二视频中的各个时间点是第一视频的开始时间点和结束时间点的概率，以及第二视频中的各个时间点是第一视频中的时间点的概率。

在步骤S530中，基于所述第二视频中的各个时间点与所述第一视频中的时间点之间的关系，在所述第二视频中定位所述第一视频。

在本发明的一个实施例中，可以基于第二视频中的各个时间点是第一视频的开始时间点和结束时间点的概率，以及第二视频中的各个时间点是第一视频中的时间点的概率，确定第二视频中的各个时间段是第一视频的联合概率；

根据所述第二视频中的各个时间段是所述第一视频的联合概率，选择联合概率最大的时间段作为在所述第二视频中定位到的所述第一视频。

图5所示实施例的技术方案使得能够在视频检索时精确定位到视频中的相关片段，并且能够提高视频的检索效率，降低了视频检索的难度及视频检索所花费的时间。

以上介绍了本发明实施例的实现原理，以下结合图6至图8，以上述的第一视频为查询视频、第二视频为备选视频为例，对本发明实施例的视频处理方案的实现细节进行详细阐述。

图6示意性示出了根据本发明的一个实施例的视频检索方法的流程图。

参照图6所示，根据本发明的一个实施例的视频检索方法，包括如下步骤S610、步骤S620、步骤S630、步骤S640、步骤S650和步骤S660，详细说明如下：

在步骤S610中，通过卷积神经网络提取视频特征。

在本发明的一个实施例中，可以采用卷积神经网络来提取视频特征，由于常用的卷积神经网络是提取图片特征的，这种特征只能包含静态的图像信息，无法包含视频中的运动信息，因此为了更好的获取视频中的运动信息，在本发明的实施例中可以使用三维卷积神经网络来提取视频特征。由于训练三维卷积神经网络需要大量的视频样本，这样会耗费大量的计算资源，因此为了降低对计算资源的需求，在本发明的实施例中可以采用在Sports-1M上预训练好的三维卷积神经网络模型来提取视频特征。

在本发明的一个实施例中，由于三维卷积神经网络输出的是4096维度的特征向量，这样的高维向量在处理时不仅会增大对内存的占用，而且会造成较大的计算负荷，因此可以将高维的特征向量通过PCA技术进行降维，以得到维度较少的特征向量，比如可以得到500维的特征向量，进而便于后续的计算。

在步骤S620中，对查询视频的特征进行注意力加权。

在本发明的一个实施例中，由于查询视频与备选视频中某一个时刻相匹配时，查询视频中只有部分内容可能与备选视频相关，因此可以采用注意力机制来选择查询视频中的相关部分。具体地，可以先采用如下公式(1)来计算查询视频特征与备选视频特征之间的相关性，然后基于如下公式(2)计算查询视频特征的权重因子，最后基于如下公式(3)计算加权之后的查询视频特征。

在上述公式(1)、公式(2)和公式(3)中，表示第j个查询视频特征；表示第i个备选视频特征；表示之前一个时刻的特征匹配结果；W^q、W^r、W^m、b^m、ω和b表示公式的计算参数；表示加权处理之后的查询视频特征。

在步骤S630中，对特征进行交叉过滤处理。

在本发明的一个实施例中，由于在一段视频当中有很多并不重要的信息，因此在匹配的过程中，可以通过过滤机制来去除不相关的内容。具体地，可以通过交叉过滤的方式来对特征进行过滤处理。

在本发明的一个实施例中，如图7所示，过程701表示对备选视频特征和加权处理后的查询视频特征进行交叉过滤处理的过程。具体地，备选视频特征通过Sigmoid函数处理后得到然后与求内积得到过滤处理后的查询视频特征加权处理后的查询视频特征通过Sigmoid函数处理后得到然后与求内积得到过滤处理后的备选视频特征

在本发明的一个实施例中，可以通过如下公式(4)计算通过如下公式(5)计算通过如下公式(6)计算通过如下公式(7)计算

在上述公式(4)和公式(5)中，表示模型参数；σ()表示sigmoid函数；在上述公式(6)和公式(7)中，⊙表示内积，即对对应位进行相乘。

在步骤S640中，对交叉过滤处理后的特征进行双线性匹配。

在本发明的一个实施例中，在得到过滤处理后的查询视频和备选视频特征之后，传统的方法是将他们拼接到一起，然后输入到神经网络来计算匹配结果，但是这种方法不能很好的得到视频中相关的内容，因此在本发明的实施例中可以采用双线性匹配的方法来代替拼接的方法，进而更加全面的获取视频的相关内容。

在本发明的一个实施例中，如图7所示，过程702表示对过滤处理后的查询视频和备选视频特征进行双线性匹配的过程，比如可以通过参数F_i和来进行双线性匹配，进而得到匹配结果t_ij。具体可以通过如下公式(8)来计算双线性匹配的结果：

在上述公式(8)中，F_i和表示模型的参数，t_ij表示t_i在第j个维度的匹配结果。

在步骤S650中，汇总匹配信息。

在本发明的一个实施例中，在匹配完成之后，匹配的结果是按每个时间段来划分的，而视频中的时序信息对定位非常的重要，因此可以使用一个额外的长短期记忆神经网络(即LSTM)来汇总前后的匹配结果。具体公式如下述公式(9)所示：

其中，在公式(9)中，是LSTM的隐含状态。在本发明的一个实施例中，在进行正向信息(即按照视频的播放顺序)汇总的同时，可以用另外一个LSTM来进行反向信息(即按照与视频的播放顺序相反的顺序)汇总，进而可以通过汇总前向和反向两个方向的匹配信息，确保更准确地预测视频片段的起始点和终止点。比如可以用我们用来表示反向汇总的信息，最终得到的汇总信息是由合并两个方向的信息得到的，如公式(10)所示：

在步骤S660中，基于匹配信息进行视频片段定位。

在本发明的一个实施例中，可以根据视频匹配的汇总结果来预测备选视频当中每个时间点是查询视频的开始点和结束点的概率。除此之外，还可以预测备选视频中的每个时间点在查询视频之内或者不在查询视频之内的概率，具体如公式11所示：

其中，在公式(11)中，是LSTM的隐含状态，W^l和b^l表示模型的参数。在预测的时候，可以选择联合概率最大的视频片段作为在备选视频中定位到的视频片段，其中，联合概率的表达公式如公式12所示：

其中，在公式(12)中，表示备选视频中的第s个时间点是查询视频的起始点的概率，表示备选视频中的第e个时间点是查询视频的终止点的概率，表示备选视频中的第i个时间点是查询视频中的一个时间点的概率。

上述图6至图7所示的视频检索方法的总体流程如图8所示，主要包括特征提取过程801；查询视频特征注意力加权、交叉过滤及双线性匹配、匹配信息汇总过程802；视频片段定位过程803。需要说明的是，图8中所示的表示的运算过程即为上述公式(1)、公式(2)和公式(3)所表示的过程。交叉过滤及双线性匹配过程804即为在图7中所示的i＝1时的具体过程。图8中所示的预测的概率“S”表示备选视频中的一个时间点是查询视频的起始点的概率；“E”表示备选视频中的一个时间点是查询视频的终止点的概率；“I”表示备选视频中的一个时间点是查询视频中的一个时间点的概率；“O”表示备选视频中的一个时间点不是查询视频中的一个时间点的概率；其中，图8所示的概率数值仅为示例。

以上详细介绍了本发明实施例的视频处理及检索方案，在相关技术中，视频检索结果只能返回查找到的整个视频，不能精确的定位到视频中的相关片段，这种方式需要人工观看视频来从中挑选出相关片段，花费较多的时间。而本发明上述实施例的技术方案能够在视频检索时精确定位到视频中的相关片段，并且能够提高视频的检索效率，降低了视频检索的难度及视频检索所花费的时间。

以下介绍本发明的装置实施例，可以用于执行本发明上述实施例中的视频处理方法。对于本发明装置实施例中未披露的细节，请参照本发明上述的视频处理方法的实施例。

图9示意性示出了根据本发明的一个实施例的视频处理装置的框图。

参照图9所示，根据本发明的一个实施例的视频处理装置900，包括：提取单元910、第一处理单元920、匹配单元930和第二处理单元940。

其中，提取单元910用于分别提取第一视频的特征和第二视频的特征，得到所述第一视频的第一特征向量和所述第二视频的第二特征向量；第一处理单元920用于基于注意力机制对所述第一特征向量进行处理，得到第三特征向量；匹配单元930用于基于所述第二特征向量和所述第三特征向量进行双线性匹配，以得到匹配结果；第二处理单元940用于根据所述匹配结果在所述第二视频中定位所述第一视频。

在本发明的一个实施例中，提取单元910配置为：基于三维卷积神经网络分别提取所述第一视频的特征和所述第二视频的特征。

在本发明的一个实施例中，提取单元910还用于：在基于所述三维卷积神经网络分别提取所述第一视频的特征和所述第二视频的特征之后，对提取到的所述第一视频的特征和所述第二视频的特征进行降维处理，以得到所述第一特征向量和所述第二特征向量。

在本发明的一个实施例中，如图10所示，第一处理单元920包括：第一计算单元921、确定单元922和第二计算单元923。

其中，第一计算单元921用于计算各个所述第一特征向量与各个所述第二特征向量之间的相关性；确定单元922用于基于各个所述第一特征向量与各个所述第二特征向量之间的相关性，确定各个所述第一特征向量对应的权重因子；第二计算单元923用于根据各个所述第一特征向量和各个所述第一特征向量对应的权重因子，计算所述第三特征向量。

在本发明的一个实施例中，第一计算单元921用于通过以下公式计算各个所述第一特征向量与各个所述第二特征向量之间的相关性：

其中，e_i,j表示第i个第二特征向量与第j个第一特征向量之间的相关性；表示第j个第一特征向量；表示第i个第二特征向量；表示第i-1个第二特征向量与对应的所述第三特征向量之间的匹配结果；W^q、W^r、W^m和b^m表示公式的计算参数。

在本发明的一个实施例中，确定单元922用于通过以下公式确定各个所述第一特征向量对应的权重因子：

其中，α_i,j表示第j个第一特征向量对应的权重因子；ω和b表示公式的计算参数；k最小值为1，最大值为所述第二特征向量的个数。

在本发明的一个实施例中，第二计算单元923配置为：根据各个所述第一特征向量和各个所述第一特征向量对应的权重因子，对各个所述第一特征向量进行加权求和，以得到所述第三特征向量。

在本发明的一个实施例中，匹配单元930配置为：对所述第二特征向量和所述第三特征向量进行交叉过滤处理，得到所述第二特征向量过滤后对应的第四特征向量和所述第三特征向量过滤后对应的第五特征向量；对所述第四特征向量和所述第五特征向量进行双线性匹配，得到所述匹配结果。

在本发明的一个实施例中，如图11所示，第二处理单元940包括：汇总单元941、预测单元942和定位单元943。

其中，汇总单元941用于按照时间顺序对各个视频时间段对应的所述匹配结果进行汇总，得到汇总结果；预测单元942用于根据所述汇总结果预测所述第二视频中的各个时间点与所述第一视频中的时间点之间的关系；定位单元943用于基于所述第二视频中的各个时间点与所述第一视频中的时间点之间的关系，在所述第二视频中定位所述第一视频。

在本发明的一个实施例中，汇总单元941配置为：按照视频播放的时间顺序，对各个视频时间段对应的所述匹配结果进行汇总，得到第一结果；按照与视频播放相反的时间顺序，对各个视频时间段对应的所述匹配结果进行汇总，得到第二结果；将所述第一结果和所述第二结果进行合并，以得到所述汇总结果。

在本发明的一个实施例中，预测单元942配置为：根据所述汇总结果预测所述第二视频中的各个时间点是所述第一视频的开始时间点和结束时间点的概率，以及所述第二视频中的各个时间点是所述第一视频中的时间点的概率。

在本发明的一个实施例中，定位单元943配置为：基于所述第二视频中的各个时间点是所述第一视频的开始时间点和结束时间点的概率，以及所述第二视频中的各个时间点是所述第一视频中的时间点的概率，确定所述第二视频中的各个时间段是所述第一视频的联合概率；根据所述第二视频中的各个时间段是所述第一视频的联合概率，选择联合概率最大的时间段作为在所述第二视频中定位到的所述第一视频。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (15)

1.一种视频处理方法，其特征在于，包括：

分别提取第一视频的特征和第二视频的特征，得到所述第一视频的第一特征向量和所述第二视频的第二特征向量；

基于注意力机制对所述第一特征向量进行处理，得到第三特征向量；

基于所述第二特征向量和所述第三特征向量进行双线性匹配，以得到匹配结果；

根据所述匹配结果在所述第二视频中定位所述第一视频。

2.根据权利要求1所述的视频处理方法，其特征在于，分别提取第一视频的特征和第二视频的特征，包括：

基于三维卷积神经网络分别提取所述第一视频的特征和所述第二视频的特征。

3.根据权利要求2所述的视频处理方法，其特征在于，在基于所述三维卷积神经网络分别提取所述第一视频的特征和所述第二视频的特征之后，对提取到的所述第一视频的特征和所述第二视频的特征进行降维处理，以得到所述第一特征向量和所述第二特征向量。

4.根据权利要求1所述的视频处理方法，其特征在于，基于注意力机制对所述第一特征向量进行处理，得到第三特征向量，包括：

计算各个所述第一特征向量与各个所述第二特征向量之间的相关性；

基于各个所述第一特征向量与各个所述第二特征向量之间的相关性，确定各个所述第一特征向量对应的权重因子；

根据各个所述第一特征向量和各个所述第一特征向量对应的权重因子，计算所述第三特征向量。

5.根据权利要求4所述的视频处理方法，其特征在于，通过以下公式计算各个所述第一特征向量与各个所述第二特征向量之间的相关性：

其中，e_i,j表示第i个第二特征向量与第j个第一特征向量之间的相关性；表示第j个第一特征向量；表示第i个第二特征向量；表示第i-1个第二特征向量与对应的所述第三特征向量之间的匹配结果；W^q、W^r、W^m和b^m表示公式的计算参数。

6.根据权利要求5所述的视频处理方法，其特征在于，通过以下公式确定各个所述第一特征向量对应的权重因子：

其中，α_i,j表示第j个第一特征向量对应的权重因子；ω和b表示公式的计算参数；k最小值为1，最大值为所述第二特征向量的个数。

7.根据权利要求6所述的视频处理方法，其特征在于，根据各个所述第一特征向量和各个所述第一特征向量对应的权重因子，计算所述第三特征向量，包括：

根据各个所述第一特征向量和各个所述第一特征向量对应的权重因子，对各个所述第一特征向量进行加权求和，以得到所述第三特征向量。

8.根据权利要求1所述的视频处理方法，其特征在于，基于所述第二特征向量和所述第三特征向量进行双线性匹配，以得到匹配结果，包括：

对所述第二特征向量和所述第三特征向量进行交叉过滤处理，得到所述第二特征向量过滤后对应的第四特征向量和所述第三特征向量过滤后对应的第五特征向量；

对所述第四特征向量和所述第五特征向量进行双线性匹配，得到所述匹配结果。

9.根据权利要求1至8中任一项所述的视频处理方法，其特征在于，根据所述匹配结果在所述第二视频中定位所述第一视频，包括：

按照时间顺序对各个视频时间段对应的所述匹配结果进行汇总，得到汇总结果；

根据所述汇总结果预测所述第二视频中的各个时间点与所述第一视频中的时间点之间的关系；

基于所述第二视频中的各个时间点与所述第一视频中的时间点之间的关系，在所述第二视频中定位所述第一视频。

10.根据权利要求9所述的视频处理方法，其特征在于，按照时间顺序对各个视频时间段对应的所述匹配结果进行汇总，得到汇总结果，包括：

按照视频播放的时间顺序，对各个视频时间段对应的所述匹配结果进行汇总，得到第一结果；

按照与视频播放相反的时间顺序，对各个视频时间段对应的所述匹配结果进行汇总，得到第二结果；

将所述第一结果和所述第二结果进行合并，以得到所述汇总结果。

11.根据权利要求9所述的视频处理方法，其特征在于，根据所述汇总结果预测所述第二视频中的各个时间点与所述第一视频中的时间点之间的关系，包括：

根据所述汇总结果预测所述第二视频中的各个时间点是所述第一视频的开始时间点和结束时间点的概率，以及所述第二视频中的各个时间点是所述第一视频中的时间点的概率。

12.根据权利要求11所述的视频处理方法，其特征在于，基于所述第二视频中的各个时间点与所述第一视频中的时间点之间的关系，在所述第二视频中定位所述第一视频，包括：

基于所述第二视频中的各个时间点是所述第一视频的开始时间点和结束时间点的概率，以及所述第二视频中的各个时间点是所述第一视频中的时间点的概率，确定所述第二视频中的各个时间段是所述第一视频的联合概率；

根据所述第二视频中的各个时间段是所述第一视频的联合概率，选择联合概率最大的时间段作为在所述第二视频中定位到的所述第一视频。

13.一种视频处理装置，其特征在于，包括：

提取单元，用于分别提取第一视频的特征和第二视频的特征，得到所述第一视频的第一特征向量和所述第二视频的第二特征向量；

第一处理单元，用于基于注意力机制对所述第一特征向量进行处理，得到第三特征向量；

匹配单元，用于基于所述第二特征向量和所述第三特征向量进行双线性匹配，以得到匹配结果；

第二处理单元，用于根据所述匹配结果在所述第二视频中定位所述第一视频。

14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至12中任一项所述的视频处理方法。

15.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至12中任一项所述的视频处理方法。