CN110263650B - 行为类别检测方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本申请实施例公开了行为类别检测方法、装置、电子设备和计算机可读介质。所述方法的实施例包括：基于目标视频的关键帧，将该目标视频切分为多个视频片段；对切分成的视频片段进行预处理，生成各视频片段的解码数据；将各视频片段的解码数据输入至预先训练的行为类别检测模型，得到各视频片段对应的行为类别检测结果；对所得到的行为类别检测结果进行整合，生成该目标视频中的人体对象的行为类别序列。该实施方式提高了对视频帧中人体对象的行为类别的检测的准确性。

Description

行为类别检测方法、装置、电子设备和计算机可读介质

技术领域

本申请实施例涉及计算机技术领域，具体涉及行为类别检测方法、装置、电子设备和计算机可读介质。

背景技术

视频理解作为自动化分析、处理视频的前提和手段，在视频推荐、抽取精彩片段、视频打标签等方面具有重要的价值和意义。例如，在影视剧等视频中，重要的行为动作往往是对视频内容情节分析的关键。因此，对视频中的帧进行人体行为类别的检测，能够为视频分析提供支持。

相关的方式，通常是将视频均匀切分成视频片段，再逐段对视频中的人体对象的行为类别进行检测。然而，这种方式无法有效控制视频片段中的镜头数量，由于不同的镜头通常记录不同的类别的行为，因而，这种方式导致对视频片段中的人体对象的行为类别检测不够准确。

发明内容

本申请实施例提出了行为类别检测方法、装置、电子设备和计算机可读介质，以解决现有技术中在对视频中的人体对象进行行为类别检测时，由于采用均匀切分方式对视频切分，导致行为类别检测不够准确的技术问题。

第一方面，本申请实施例提供了一种行为类别检测方法，该方法包括：基于目标视频的关键帧，将目标视频切分为多个视频片段；对多个视频片段进行预处理，生成各视频片段的解码数据；将各视频片段的解码数据输入至预先训练的行为类别检测模型，得到各视频片段对应的行为类别检测结果，其中，行为类别检测模型用于检测视频中的人体对象的行为类别；对所得到的行为类别检测结果进行整合，生成目标视频中的人体对象的行为类别序列。

在一些实施例中，基于目标视频的关键帧，将目标视频切分为多个视频片段，包括：确定目标视频的关键帧，并记录关键帧的时间戳；在所记录的至少一个时间戳处对目标视频进行切分，生成多个视频片段，其中，各视频片段的时长在预设时长范围内。

在一些实施例中，对多个视频片段进行预处理，生成各视频片段的解码数据，包括：调用预先编译的动态链接库，利用动态链接库对多个视频片段进行预处理，生成各视频片段的解码数据，其中，动态链接库使用能够应用于底层开发的指定计算机编程语言编译。

在一些实施例中，动态链接库通过如下步骤生成该片段的解码数据：分别将各视频片段解码为矩阵序列；对于每一个矩阵序列，按照预设间隔帧数，对该矩阵序列进行抽样，依次将抽取的矩阵汇总为抽样矩阵序列；对于每一个抽样矩阵序列，将该抽样矩阵序列中的矩阵均分为多组，对各组中的矩阵中的目标区域进行截取，生成与该抽样矩阵序列对应的截取矩阵序列，以及，依次对截取矩阵序列中的矩阵进行数值处理，输出浮点类型的矩阵序列，作为解码数据。

在一些实施例中，在生成目标视频中的人体对象的行为类别序列之后，该方法还包括：获取与行为类别序列中的行为类别相关联的待推送信息；确定目标视频中待插入待推送信息的位置；根据位置，将待推送信息插入至目标视频中。

在一些实施例中，在生成目标视频中的人体对象的行为类别序列之后，该方法还包括：判断行为类别序列中是否存在目标行为类别；若是，从目标视频中截取目标行为类别的视频片段；向目标用户推送所截取的视频片段。

在一些实施例中，在生成目标视频中的人体对象的行为类别序列之后，该方法还包括：建立用于指示行为类别序列中的行为类别的标签，将标签增量更新至预先建立的标签库。

在一些实施例中，行为类别检测模型通过如下步骤训练得到：提取预先训练的初始模型；获取目标样本集，其中，目标样本集中的样本包括目标领域的第一样本视频和第一标注信息，第一标注信息用于指示第一样本视频中的人体对象的行为类别；将目标样本集中的第一样本视频作为初始模型的输入，将所输入的第一样本视频对应的第一标注信息作为初始模型的输出，利用机器学习方法，训练得到行为类别检测模型。

在一些实施例中，初始模型通过如下步骤训练得到：提取预置样本集，其中，预置样本集中的样本包括第二样本视频和第二标注信息，第二标注信息用于指示第一样本视频中的人体对象的行为类别；将目标样本集中的第二样本视频作为三维卷积神经网络的输入，将所输入的第二样本视频对应的第二标注信息作为三维卷积神经网络的输出，利用机器学习方法，训练得到初始模型。

在一些实施例中，第一标注信息所指示的行为类别被划分为背景类和至少一个行为类。

第二方面，本申请实施例提供了一种行为类别检测装置，该装置包括：切分单元，被配置成基于目标视频的关键帧，将目标视频切分为多个视频片段；预处理单元，被配置成对多个视频片段进行预处理，生成各视频片段的解码数据；行为类别检测单元，被配置成将各视频片段的解码数据输入至预先训练的行为类别检测模型，得到各视频片段对应的行为类别检测结果，其中，行为类别检测模型用于检测视频中的人体对象的行为类别；整合单元，被配置成对所得到的行为类别检测结果进行整合，生成目标视频中的人体对象的行为类别序列。

在一些实施例中，切分单元，包括：记录模块，被配置成确定目标视频的关键帧，并记录关键帧的时间戳；切分模块，被配置成在所记录的至少一个时间戳处对目标视频进行切分，生成多个视频片段，其中，各视频片段的时长在预设时长范围内。

在一些实施例中，预处理单元，进一步被配置成：调用预先编译的动态链接库，利用动态链接库对多个视频片段进行预处理，生成各视频片段的解码数据，其中，动态链接库使用能够应用于底层开发的指定计算机编程语言编译。

在一些实施例中，动态链接库通过如下步骤生成该片段的解码数据：分别将各视频片段解码为矩阵序列；对于每一个矩阵序列，按照预设间隔帧数，对该矩阵序列进行抽样，依次将抽取的矩阵汇总为抽样矩阵序列；对于每一个抽样矩阵序列，将该抽样矩阵序列中的矩阵均分为多组，对各组中的矩阵中的目标区域进行截取，生成与该抽样矩阵序列对应的截取矩阵序列，以及，依次对截取矩阵序列中的矩阵进行数值处理，输出浮点类型的矩阵序列，作为解码数据。

在一些实施例中，该装置还包括：获取单元，被配置成获取与行为类别序列中的行为类别相关联的待推送信息；位置确定单元，被配置成确定目标视频中待插入待推送信息的位置；插入单元，被配置成根据位置，将待推送信息插入至目标视频中。

在一些实施例中，该装置还包括：截取单元，被配置成判断行为类别序列中是否存在目标行为类别；若是，从目标视频中截取目标行为类别的视频片段；向目标用户推送所截取的视频片段。

在一些实施例中，该装置还包括：标签库更新单元，被配置成建立用于指示行为类别序列中的行为类别的标签，将标签增量更新至预先建立的标签库。

在一些实施例中，行为类别检测模型通过如下步骤训练得到：提取预先训练的初始模型；获取目标样本集，其中，目标样本集中的样本包括目标领域的第一样本视频和第一标注信息，第一标注信息用于指示第一样本视频中的人体对象的行为类别；将目标样本集中的第一样本视频作为初始模型的输入，将所输入的第一样本视频对应的第一标注信息作为初始模型的输出，利用机器学习方法，训练得到行为类别检测模型。

在一些实施例中，初始模型通过如下步骤训练得到：提取预置样本集，其中，预置样本集中的样本包括第二样本视频和第二标注信息，第二标注信息用于指示第一样本视频中的人体对象的行为类别；将目标样本集中的第二样本视频作为三维卷积神经网络的输入，将所输入的第二样本视频对应的第二标注信息作为三维卷积神经网络的输出，利用机器学习方法，训练得到初始模型。

在一些实施例中，第一标注信息所指示的行为类别被划分为背景类和至少一个行为类。

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行为类别检测方法和装置，首先基于目标视频的关键帧，将目标视频切分为多个视频片段；而后所生成的各视频片段进行预处理，从而生成各视频片段的解码数据；之后将各视频片段的解码数据输入至预先训练的行为类别检测模型，得到各视频片段对应的行为类别检测结果；最后对所得到的行为类别检测结果进行整合，生成目标视频中的人体对象的行为类别序列。由于一个镜头通常由两相邻关键帧及该两相邻关键帧之间的帧构成，因而，相对于将目标视频均匀切分成视频片段，再逐段进行检测的方式，基于关键帧的切分方式可以有效控制视频片段中的镜头数量，使对目标视频的切分更加精确合理，从而，提高了对视频帧中人体对象的行为类别的检测的准确性。

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是根据本申请的行为类别检测方法的一个实施例的流程图；

图2是根据本申请的行为类别检测方法的一个应用场景的示意图；

图3是根据本申请的行为类别检测方法的又一个实施例的流程图；

图4是根据本申请的行为类别检测装置的一个实施例的结构示意图；

图5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。

请参考图1，其示出了根据本申请的行为类别检测方法的一个实施例的流程100。该行为类别检测方法，包括以下步骤：

步骤101，基于目标视频的关键帧，将目标视频切分为多个视频片段。

在本实施例中，行为类别检测方法的执行主体(例如服务器等电子设备)可以基于目标视频的关键帧，将该目标视频切分为多个视频片段。此处，目标视频可是当前待进行处理的任一视频。实践中，视频可以用帧(Frame)来描述。这里，帧是组成视频的最小视觉单位。每一帧是一幅静态的图像。将时间上连续的帧序列合成到一起便形成视频。上述关键帧是物体运动或变化中的关键动作所处的帧。视频中，相邻关键帧及该相邻两关键帧之间的帧，通常为一个镜头(Shot)。实践中，镜头是由一系列帧组成的，它描绘的是一个事件或一组摄像机的连续运动。

需要说明的是，上述执行主体可以利用各种现有的关键帧抽取工具或者算法，确定上述目标视频的关键帧，此处不作限定。这里，基于关键帧对目标视频进行切分，可以是在每一个关键帧处对视频进行切分。由于相邻关键帧及该相邻两关键帧之间的帧构成一个镜头，由此，可以简单快速地定位出每个镜头的起始位置，保证各视频片段中的情节相互独立，使切分位置更加精确合理。进而，有助于提高后续对视频帧中人体对象的行为类别的检测的准确性。

步骤102，对多个视频片段进行预处理，生成各视频片段的解码数据。

在本实施例中，上述执行主体可以对切分后所得到的各视频片段进行预处理，生成各视频片段的解码数据。此处，预处理可以是将视频片段转换成矩阵序列的过程。上述执行主体可以使用各种现有的图像预处理算法、工具或者软件开发工具包进行视频片段的预处理。

在本实施例的一些可选的实现方式中，上述执行主体可以调用预先编译的动态链接库，利用上述动态链接库对上述多个视频片段进行预处理，生成各视频片段的解码数据，其中，上述动态链接库可以使用能够应用于底层开发的指定计算机编程语言(例如C语言)编译。

相较于以往直接采用python接口或脚本语言的软件开发工具包的预处理方式，使用应用于底层开发的指定计算机编程语言(例如C语言)编译动态链接库，可以提升预处理的速度。

可选的，在上述实现方式中，上述动态链接库可以通过如下步骤生成该片段的解码数据：

第一步，分别将各视频片段解码为矩阵序列。例如，对于某个视频片段，可以将其解码为T×W×H×C的矩阵。其中，T为该视频片段的帧数。W为视频的宽度(即矩阵的列数)。H为视频的高度(即矩阵的行数)。C为通道数(例如分为RGB(Red Green Blue，红绿蓝)三通道)。

第二步，对于每一个矩阵序列，按照预设间隔帧数，对该矩阵序列进行抽样，依次将抽取的矩阵汇总为抽样矩阵序列。例如，可以每隔8帧采样1帧。

第三步，对于每一个抽样矩阵序列，将该抽样矩阵序列中的矩阵均分为多组，对各组中的矩阵中的目标区域进行截取(crop)，生成与该抽样矩阵序列对应的截取矩阵序列，以及，依次对上述截取矩阵序列中的矩阵进行数值处理(例如减均值、除方差等处理)，输出浮点类型的矩阵序列。

作为示例，对于某一个抽样矩阵序列，可以在时间域上对该抽样矩阵序列进行分组，分组后的每组为8帧对应的数据。分组后，对于各组中的各矩阵，可以从中截取目标区域(例如256×256)的数值，从而得到截取矩阵。进而，将各组的截取矩阵分别汇总为截取矩阵序列。最后，可以将截取矩阵序列中的矩阵进行减均值、除方差等数值处理，输出浮点类型的矩阵序列，作为解码数据。

需要说明的是，上述动态链接库还可以按照其他方式或者按照其他操作顺序生成解码数据，此处不作限定。

需要指出的是，上述执行主体在预处理过程中，可以利用多进程技术创建进程池。在进程池中创建多个进程(例如24个进程)进行上述多个视频片段的预处理，以提高CPU(Central Processing Unit，中央处理器)在预处理时的工作速度。

此外，可以利用数据预读取的方式，即，使CPU提前读取GPU(Graphics ProcessingUnit，图形处理器)下一次需要处理的数据，进行该数据的预处理，以防止GPU等待。由此，减少了GPU的空闲时间，充分利用了计算资源，从而提高了整体的数据处理速度。

步骤103，将各视频片段的解码数据输入至预先训练的行为类别检测模型，得到各视频片段对应的行为类别检测结果。

在本实施例中，上述执行主体可以将各视频片段的解码数据输入至预先训练的行为类别检测模型，得到各视频片段对应的行为类别检测结果。其中，上述行为类别检测模型可以用于检测视频中的人体对象的行为类别。

此处，上述行为类别检测模型可以是利用机器学习方法，基于样本集(包含视频样本和用于指示人体对象区域的位置的标注)，对现有的模型进行有监督训练得到的。上述模型可以是三维卷积神经网络(3 Dimensions Convolutional Neural Network，3D CNN)、结合有非局部神经网络(Non-local Neural Network)的3D CNN等。

在本实施例的一些可选的实现方式中，上述行为类别检测模型可以通过如下步骤训练得到：利用机器学习方法，将样本集中的视频样本作为上述模型(例如，结合有非局部神经网络的3D CNN网络)的输入，将样本图像的标注信息作为输出，对上述模型进行有监督训练。在训练过程中，可以计算模型的损失值，并利用反向传播算法求得损失值相对于模型参数的梯度，而后利用梯度下降算法基于梯度更新模型参数。训练结束后的模型，即可作为类别检测模型。

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

第一步，提取预先训练的初始模型。初始模型可以使用能够进行行为类别检测的各种模型，可以是现有的模型，也可以是已经过初步的训练的模型，此处不作限定。

第二步，获取目标样本集。其中，上述目标样本集中的样本包括目标领域的第一样本视频(例如真实影视剧)和第一标注信息，第一标注信息用于指示第一样本视频中的人体对象的行为类别。第三步，将上述目标样本集中的第一样本视频作为上述初始模型的输入，将所输入的第一样本视频对应的第一标注信息作为上述初始模型的输出，利用机器学习方法，训练得到行为类别检测模型。

可选的，在上述实现方式中，上述第一标注信息所指示的行为类别被可以划分为背景类和至少一个行为类(例如，弹吉他类、打电话类、骑马类、唱歌类、跳舞类等等)。以往的样本集中通常不包含背景类的样本，但实际视频中多数帧为背景类。因此，在行为类别中引入背景类，有助于使行为类别检测模型所学习到的特征更准确。进而，可以提升行为类别检测模型检测的准确性。

可选的，在上述实现方式中，上述初始模型可以通过如下步骤训练得到：第一步，提取预置样本集(例如现有的数据集kinetics400)。其中，上述预置样本集中的样本包括第二样本视频和第二标注信息，上述第二标注信息用于指示第一样本视频中的人体对象的行为类别。第二步，将上述目标样本集中的第二样本视频作为三维卷积神经网络的输入，将所输入的第二样本视频对应的第二标注信息作为上述三维卷积神经网络的输出，利用机器学习方法，训练得到初始模型。

由此，在上述实现方式中，由于目标样本集中的样本视频是针对目标领域(例如真实影视剧)所选取的，因而利用该目标样本集再次训练模型，可以使模型更适用于对该目标领域的视频(例如真实影视剧)的检测，提高了行为类别检测模型检测的准确性。

步骤104，对所得到的行为类别检测结果进行整合，生成目标视频中的人体对象的行为类别序列。

在本实施例中，上述执行主体可以对所得到的行为类别检测结果进行整合(例如，进一步进行类别合并等)，生成目标视频中的人体对象的行为类别序列。此处，可以按照其他预设规则进行类别检测结果的整合。例如，可以首先确定各类别检测结果的上级行为类别。如“唱歌”和“跳舞”的上级行为类别均为“歌舞”；“喝水”和“吃饭”的上级行为类别均为“进餐”等。而后，可以将属于同一上级行为类别的类别检测结果进行合并，生成由上级行为类别构成的行为类别序列。

作为示例，所得到的类别检测结果依次为“唱歌”-“跳舞”-“背景”-“吃饭”-“喝水”，则可以将“唱歌”、“跳舞”合并为“歌舞”，将“喝水”和“吃饭”合并为“进餐”，从而生成依次为“歌舞”-“背景”-“进餐”的行为类别序列。

需要说明的是，上述执行主体还可以按照其他预设规则进行类别检测结果的整合，此处不作限定。

对所得到的行为类别检测结果进行整合后，可以将从属于同一上级行为类别的细粒度检测结果进行合并，从而便于为后续对视频片段进行截取、生成短视频和精彩视频片段等操作，提高了行为类别检测结果的可读性。

在本实施例的一些可选的实现方式中，在整合得到行为类别序列之后，上述执行主体还可以执行如下操作：首先，获取与上述行为类别序列中的行为类别相关联的待推送信息(例如待推送的短视频、图像等)。作为示例，行为类别序列中包括“进餐”这一行为类别，则相关联的待推送信息可以是某个食品或者饮料的推广视频。之后，确定上述目标视频中待插入上述待推送信息的位置。继续上述示例，上述执行主体可以将“进餐”这一行为类别对应的视频片段的指定位置确定为待插入上述待推送信息的位置。其中，上述指定位置可以是该视频片段的起始位置、结束位置、中间位置等。最后，将上述待推送信息插入至上述目标视频中的上述位置。由此，可以使目标视频的内容更加丰富。

在本实施例的一些可选的实现方式中，在整合得到行为类别序列之后，上述执行主体还可以执行如下操作：首先，判断上述行为类别序列中是否存在目标行为类别；若是，从上述目标视频中截取上述目标行为类别的视频片段。最后，向目标用户推送所截取的视频片段。作为示例，可以判断行为类别序列中是否存在目标行为类别(例如“进餐”)。若存在，则截取该目标行为类别对应的视频片段。之后，向目标用户推送该视频片段。上述目标用户的范围不作限定，可以是所记录的全部或部分用户，也可是满足某些条件的用户(例如10-30岁的用户)等。由此，可以实现富于针对性的信息推送。

在本实施例的一些可选的实现方式中，在整合得到行为类别序列之后，上述执行主体还可以执行如下操作：建立用于指示上述行为类别序列中的行为类别的标签，将上述标签增量更新至预先建立的标签库。由此，自动生成视频标签，减少了人力成本，提升了标签生成效率。

继续参见图2，图2是根据本实施例的行为类别检测方法的一个应用场景的示意图。在图2的应用场景中，需要对目标视频进行行为类别检测。执行行为类别检测的电子设备中可以存储有预先训练的行为类别检测模型。上述电子设备在得到目标视频后，可以首先基于目标视频的关键帧，将上述目标视频切分为多个视频片段(例如包含如图2所示的视频片段s-1、视频片段s、视频片段s+1)。而后，可以对各视频片段进行预处理，生成各视频片段的解码数据(例如矩阵序列)。之后，上述电子设备可以将各视频片段的解码数据输入至预先训练的行为类别检测模型，得到上述各视频片段对应的行为类别检测结果。最后，上述电子设备可以对所得到的行为类别检测结果进行整合，生成上述目标视频中的人体对象的行为类别序列。

本申请的上述实施例提供的方法，首先基于目标视频的关键帧，将上述目标视频切分为多个视频片段；而后所生成的各视频片段进行预处理，从而生成各视频片段的解码数据；之后将各视频片段的解码数据输入至预先训练的行为类别检测模型，得到各视频片段对应的行为类别检测结果；最后对所得到的行为类别检测结果进行整合，生成上述目标视频中的人体对象的行为类别序列。由于一个镜头通常由两相邻关键帧及该两相邻关键帧之间的帧构成，因而，相对于将目标视频均匀切分成视频片段，再逐段进行检测的方式，基于关键帧的切分方式可以有效控制视频片段中的镜头数量，使对目标视频的切分更加精确合理，从而，提高了对视频帧中人体对象的行为类别的检测的准确性。

进一步参考图3，其示出了行为类别检测方法的又一个实施例的流程300。该行为类别检测方法的流程300，包括以下步骤：

步骤301，确定目标视频的关键帧，并记录关键帧的时间戳。

在本实施例中，上述执行主体可以确定目标视频的关键帧，并记录上述关键帧的时间戳。此处，可以利用现有的视频处理应用(例如ffmpeg(Fast Forward Mpeg))应用，该应用是一套可以用来记录、转换数字音频、视频，并能将其转化为流的开源计算机程序)进行关键帧的确定，并记录各关键帧的时间戳(例如unix时间戳)。

需要说明的是，时间戳(timestamp)是能表示一份数据在某个特定时刻已经存在的、完整的、可验证的数据。通常，时间戳是一个字符序列，唯一地标识某一刻的时间。

步骤302，在所记录的至少一个时间戳处对目标视频进行切分，生成多个视频片段。

在本实施例中，上述执行主体可以在所记录的至少一个时间戳处对上述目标视频进行切分，生成多个视频片段。其中，各视频片段的时长在预设时长范围(例如5s至10s)内。

此处，对目标视频的切分操作也可以利用上述视频处理应用来执行。通过在视频处理应用中设定参数，即可在不对目标视频进行解码的情况下，实现对上述目标视频的切分。

由此，一方面，通过在关键帧的时间戳处对目标视频切分，可以使切分位置更加精确合理。另一方面，由于利用上述视频处理应用对目标视频切分时，不需要对目标视频解码，因此，还可以提高视频切分效率。

步骤303，调用预先编译的动态链接库，利用动态链接库对多个视频片段进行预处理，生成各视频片段的解码数据。

在本实施例中，上述执行主体可以调用预先编译的动态链接库，利用上述动态链接库对上述多个视频片段进行预处理，生成各视频片段的解码数据。其中，上述动态链接库可以使用能够应用于底层开发的指定计算机编程语言编译(例如C语言)。上述动态链接库可以通过如下步骤生成该片段的解码数据：

第一步，分别将各视频片段解码为矩阵序列。例如，对于某个视频片段，可以将其解码为T×W×H×C的矩阵。其中，T为该视频片段的帧数。W为视频的宽度(即矩阵的列数)。H为视频的高度(即矩阵的行数)。C为通道数(例如分为RGB三通道)。

第二步，对于每一个矩阵序列，按照预设间隔帧数，对该矩阵序列进行抽样，依次将抽取的矩阵汇总为抽样矩阵序列。例如，可以每隔8帧采样1帧。

第三步，对于每一个抽样矩阵序列，将该抽样矩阵序列中的矩阵均分为多组，对各组中的矩阵中的目标区域进行截取(crop)，生成与该抽样矩阵序列对应的截取矩阵序列，以及，依次对上述截取矩阵序列中的矩阵进行数值处理(例如减均值、除方差等处理)，输出浮点类型的矩阵序列。

作为示例，对于某一个抽样矩阵序列，可以在时间域上对该抽样矩阵序列进行分组，分组后的每组为8帧对应的数据。分组后，对于各组中的各矩阵，可以从中截取目标区域(例如256×256)的数值，从而得到截取矩阵。进而，将各组的截取矩阵分别汇总为截取矩阵序列。最后，可以将截取矩阵序列中的矩阵进行减均值、除方差等数值处理，输出浮点类型的矩阵序列。

需要说明的是，上述动态链接库还可以按照其他方式或者按照其他操作顺序生成解码数据，此处不作限定。

相较于以往直接采用python接口或脚本语言的软件开发工具包的预处理方式，使用应用于底层开发的指定计算机编程语言编译动态链接库，可以提升预处理的速度。

步骤304，将各视频片段的解码数据输入至预先训练的行为类别检测模型，得到各视频片段对应的行为类别检测结果。

在本实施例中，上述执行主体可以将各视频片段的解码数据输入至预先训练的行为类别检测模型，得到各视频片段对应的行为类别检测结果。其中，上述行为类别检测模型可以用于检测视频中的人体对象的行为类别。此处，上述行为类别检测模型可以通过如下步骤训练得到：

第一步，提取预置样本集(例如现有的数据集kinetics400)。其中，上述预置样本集中的样本包括第二样本视频和第二标注信息。第二标注信息可以用于指示第一样本视频中的人体对象的行为类别。

第二步，将上述目标样本集中的第二样本视频作为三维卷积神经网络的输入，将所输入的第二样本视频对应的第二标注信息作为上述三维卷积神经网络的输出，利用机器学习方法，训练得到初始模型。此处的三维卷积神经网络可以结合有非局部神经网络。

第三步，获取目标样本集。其中，上述目标样本集中的样本包括目标领域的第一样本视频(例如真实影视剧)和第一标注信息。第一标注信息可以用于指示第一样本视频中的人体对象的行为类别。

需要说明的是，上述第一标注信息所指示的行为类别被可以划分为背景类和至少一个行为类(例如，弹吉他类、打电话类、骑马类、唱歌类、跳舞类等等)。以往的样本集中通常不包含背景类的样本，但实际视频中多数帧为背景类。因此，在行为类别中引入背景类，有助于使行为类别检测模型所学习到的特征更准确。进而，可以提升行为类别检测模型检测的准确性。

第四步，将上述目标样本集中的第一样本视频作为上述初始模型的输入，将所输入的第一样本视频对应的第一标注信息作为上述初始模型的输出，利用机器学习方法，训练得到行为类别检测模型。

由此，首先利用预置样本集训练得到初始模型，而后利用目标样本集对初始模型进一步训练，得到行为类别检测模型。由于目标样本集中的样本视频是针对目标领域(例如真实影视剧)所选取的，因而利用该目标样本集再次训练模型，可以使模型更适用于对该目标领域的视频(例如真实影视剧)的检测，提高了行为类别检测模型检测的准确性。

步骤305，对所得到的行为类别检测结果进行整合，生成目标视频中的人体对象的行为类别序列。

在本实施例中，上述执行主体可以对所得到的行为类别检测结果进行整合(例如，进一步进行类别合并等)，生成目标视频中的人体对象的行为类别序列。

步骤306，获取与行为类别序列中的行为类别相关联的待推送信息。

在本实施例中，上述执行主体可以获取与上述行为类别序列中的行为类别相关联的待推送信息(例如待推送的短视频、图像等)。作为示例，行为类别序列中包括“进餐”这一行为类别，则相关联的待推送信息可以是某个食品或者饮料的推广视频。

步骤307，确定目标视频中待插入待推送信息的位置。

在本实施例中，上述执行主体可以确定上述目标视频中待插入上述待推送信息的位置。继续上述示例，上述执行主体可以将“进餐”这一行为类别对应的视频片段的指定位置确定为待插入上述待推送信息的位置。其中，上述指定位置可以是该视频片段的起始位置、结束位置、中间位置等。

步骤308，根据上述位置，将待推送信息插入至目标视频中。

在本实施例中，上述执行主体可以将上述待推送信息插入至上述目标视频中。由此，可以使目标视频的内容更加丰富。

从图3中可以看出，与图2对应的实施例相比，本实施例中的行为类别检测方法的流程300涉及了利用视频处理应用(例如ffmpeg)，在关键帧的时间戳处对目标视频进行切分的步骤。由此，在使切分位置精确合理的基础上，由于不需要对目标视频解码，因此，还可以提高视频切分效率。

另一方面，本实施例中的行为类别检测方法的流程300还涉及了通过调用预先编译的动态链接库，生成各视频片段的解码数据的步骤。相较于以往直接采用python接口或脚本语言的软件开发工具包的预处理方式，使用应用于底层开发的指定计算机编程语言(例如C语言)编译动态链接库，可以提升预处理的速度。

再一方面，本实施例中的行为类别检测方法的流程300还涉及了利用预置样本集训练得到初始模型，而后利用目标样本集对初始模型进一步训练，得到行为类别检测模型的步骤。由于目标样本集中的样本视频是针对目标领域(例如真实影视剧)所选取的，因而利用该目标样本集再次训练模型，可以使模型更适用于对该目标领域的视频(例如真实影视剧)的检测，提高了行为类别检测模型检测的准确性。此外，以往的样本集中通常不包含背景类的样本，但实际视频中多数帧为背景类。因此，在行为类别中引入背景类，有助于使行为类别检测模型所学习到的特征更准确。进而，可以提升行为类别检测模型检测的准确性。

最后，本实施例中的行为类别检测方法的流程300还涉及了基于所生成的行为类别序列，在目标视频中插入待推送信息的步骤。由此，可以使目标视频的内容更加丰富。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种行为类别检测装置的一个实施例，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4所示，本实施例所述的行为类别检测装置400包括：切分单元401，被配置成基于目标视频的关键帧，将上述目标视频切分为多个视频片段；预处理单元402，被配置成对上述多个视频片段进行预处理，生成各视频片段的解码数据；行为类别检测单元403，被配置成将各视频片段的解码数据输入至预先训练的行为类别检测模型，得到各视频片段对应的行为类别检测结果，其中，上述行为类别检测模型用于检测视频中的人体对象的行为类别；整合单元404，被配置成对所得到的行为类别检测结果进行整合，生成上述目标视频中的人体对象的行为类别序列。

在本实施例的一些可选的实现方式中，上述切分单元401可以包括记录模块4011和切分模块4012。其中，上述记录模块可以被配置成确定目标视频的关键帧，并记录上述关键帧的时间戳；切分模块，被配置成在所记录的至少一个时间戳处对上述目标视频进行切分，生成多个视频片段，其中，各视频片段的时长在预设时长范围内。

在本实施例的一些可选的实现方式中，上述预处理单元可以进一步被配置成：调用预先编译的动态链接库，利用上述动态链接库对上述多个视频片段进行预处理，生成各视频片段的解码数据，其中，上述动态链接库使用能够应用于底层开发的指定计算机编程语言编译。

在本实施例的一些可选的实现方式中，上述动态链接库可以通过如下步骤生成该片段的解码数据：分别将各视频片段解码为矩阵序列；对于每一个矩阵序列，按照预设间隔帧数，对该矩阵序列进行抽样，依次将抽取的矩阵汇总为抽样矩阵序列；对于每一个抽样矩阵序列，将该抽样矩阵序列中的矩阵均分为多组，对各组中的矩阵中的目标区域进行截取，生成与该抽样矩阵序列对应的截取矩阵序列，以及，依次对上述截取矩阵序列中的矩阵进行数值处理，输出浮点类型的矩阵序列，作为解码数据。

在本实施例的一些可选的实现方式中，该装置还可以包括获取单元405、位置确定单元406和插入单元407。其中，上述获取单元可以被配置成获取与上述行为类别序列中的行为类别相关联的待推送信息。上述位置确定单元可以被配置成确定上述目标视频中待插入上述待推送信息的位置。上述插入单元可以被配置成根据所述位置，将上述待推送信息插入至上述目标视频中。

在本实施例的一些可选的实现方式中，该装置还可以包括截取单元408和推送单元409。其中，上述截取单元可以被配置成上述判断上述行为类别序列中是否存在目标行为类别；若是，从上述目标视频中截取上述目标行为类别的视频片段。上述推送单元可以被配置成向目标用户推送所截取的视频片段。

在本实施例的一些可选的实现方式中，该装置还可以包括标签库更新单元410。其中，上述标签库更新单元可以被配置成建立用于指示上述行为类别序列中的行为类别的标签，将上述标签增量更新至预先建立的标签库。

在本实施例的一些可选的实现方式中，上述行为类别检测模型可以通过如下步骤训练得到：提取预先训练的初始模型；获取目标样本集，其中，上述目标样本集中的样本包括目标领域的第一样本视频和第一标注信息，第一标注信息用于指示第一样本视频中的人体对象的行为类别；将上述目标样本集中的第一样本视频作为上述初始模型的输入，将所输入的第一样本视频对应的第一标注信息作为上述初始模型的输出，利用机器学习方法，训练得到行为类别检测模型。

在本实施例的一些可选的实现方式中，上述初始模型可以通过如下步骤训练得到：提取预置样本集，其中，上述预置样本集中的样本包括第二样本视频和第二标注信息，上述第二标注信息用于指示第一样本视频中的人体对象的行为类别；将上述目标样本集中的第二样本视频作为三维卷积神经网络的输入，将所输入的第二样本视频对应的第二标注信息作为上述三维卷积神经网络的输出，利用机器学习方法，训练得到初始模型。

在本实施例的一些可选的实现方式中，第一标注信息所指示的行为类别可以被划分为背景类和至少一个行为类。

本申请的上述实施例提供的装置，首先切分单元401基于目标视频的关键帧，将上述目标视频切分为多个视频片段；而后预处理单元402所生成的各视频片段进行预处理，从而生成各视频片段的解码数据；之后行为类别检测单元将各视频片段的解码数据输入至预先训练的行为类别检测模型，得到各视频片段对应的行为类别检测结果；最后整合单元404对所得到的行为类别检测结果进行整合，生成上述目标视频中的人体对象的行为类别序列。由此，相对于将目标视频均匀切分成视频片段，再逐段进行检测的方式，基于关键帧的切分方式可以有效控制视频片段中的镜头数量，使对目标视频的切分更加精确合理，从而，提高了对视频帧中人体对象的行为类别的检测的准确性。

下面参考图5，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500的结构示意图。图5示出的终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5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，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510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508。

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509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501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：一种处理器包括切分单元、预处理单元、行为类别检测单元和整合单元。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，切分单元还可以被描述为“基于目标视频的关键帧，将该目标视频切分为多个视频片段的单元”。

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：基于目标视频的关键帧，将该目标视频切分为多个视频片段；对切分成的视频片段进行预处理，生成各视频片段的解码数据；将各视频片段的解码数据输入至预先训练的行为类别检测模型，得到各视频片段对应的行为类别检测结果；对所得到的行为类别检测结果进行整合，生成该目标视频中的人体对象的行为类别序列。

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 (20)

1.一种行为类别检测方法，其特征在于，所述方法包括：

基于目标视频的关键帧，在每一个所述关键帧处对所述目标视频进行切分，将所述目标视频切分为多个视频片段，所述关键帧是物体运动或变化中的关键动作所处的帧，相邻关键帧及该相邻两关键帧之间的帧构成一个镜头；

调用预先编译的动态链接库，分别将各视频片段解码为矩阵序列，对于每一个矩阵序列，按照预设间隔帧数，对该矩阵序列进行抽样，依次将抽取的矩阵汇总为抽样矩阵序列，对于每一个抽样矩阵序列，将该抽样矩阵序列中的矩阵均分为多组，对各组中的矩阵中的目标区域进行截取，生成与该抽样矩阵序列对应的截取矩阵序列，以及，依次对所述截取矩阵序列中的矩阵进行数值处理，输出浮点类型的矩阵序列，作为解码数据；

将所述各视频片段的解码数据输入至预先训练的行为类别检测模型，得到所述各视频片段对应的行为类别检测结果，其中，所述行为类别检测模型用于检测视频中的人体对象的行为类别；

对所得到的行为类别检测结果进行整合，生成所述目标视频中的人体对象的行为类别序列。

2.根据权利要求1所述的行为类别检测方法，其特征在于，所述基于目标视频的关键帧，将所述目标视频切分为多个视频片段，包括：

确定目标视频的关键帧，并记录所述关键帧的时间戳；

在所记录的至少一个时间戳处对所述目标视频进行切分，生成多个视频片段，其中，各视频片段的时长在预设时长范围内。

3.根据权利要求1所述的行为类别检测方法，其特征在于，所述动态链接库使用能够应用于底层开发的指定计算机编程语言编译。

4.根据权利要求1所述的行为类别检测方法，其特征在于，在所述生成所述目标视频中的人体对象的行为类别序列之后，所述方法还包括：

获取与所述行为类别序列中的行为类别相关联的待推送信息；

确定所述目标视频中待插入所述待推送信息的位置；

根据所述位置，将所述待推送信息插入至所述目标视频中。

5.根据权利要求1所述的行为类别检测方法，其特征在于，在所述生成所述目标视频中的人体对象的行为类别序列之后，所述方法还包括：

判断所述行为类别序列中是否存在目标行为类别；

若是，从所述目标视频中截取所述目标行为类别的视频片段；

向目标用户推送所截取的视频片段。

6.根据权利要求1所述的行为类别检测方法，其特征在于，在所述生成所述目标视频中的人体对象的行为类别序列之后，所述方法还包括：

建立用于指示所述行为类别序列中的行为类别的标签，将所述标签增量更新至预先建立的标签库。

7.根据权利要求1所述的行为类别检测方法，其特征在于，所述行为类别检测模型通过如下步骤训练得到：

提取预先训练的初始模型；

获取目标样本集，其中，所述目标样本集中的样本包括目标领域的第一样本视频和第一标注信息，第一标注信息用于指示第一样本视频中的人体对象的行为类别；

将所述目标样本集中的第一样本视频作为所述初始模型的输入，将所输入的第一样本视频对应的第一标注信息作为所述初始模型的输出，利用机器学习方法，训练得到行为类别检测模型。

8.根据权利要求7所述的行为类别检测方法，其特征在于，所述初始模型通过如下步骤训练得到：

提取预置样本集，其中，所述预置样本集中的样本包括第二样本视频和第二标注信息，所述第二标注信息用于指示第二样本视频中的人体对象的行为类别；

将所述目标样本集中的第二样本视频作为三维卷积神经网络的输入，将所输入的第二样本视频对应的第二标注信息作为所述三维卷积神经网络的输出，利用机器学习方法，训练得到初始模型。

9.根据权利要求7所述的行为类别检测方法，其特征在于，第一标注信息所指示的行为类别被划分为背景类和至少一个行为类。

10.一种行为类别检测装置，其特征在于，所述装置包括：

切分单元，被配置成基于目标视频的关键帧，在每一个所述关键帧处对所述目标视频进行切分，将所述目标视频切分为多个视频片段，所述关键帧是物体运动或变化中的关键动作所处的帧，相邻关键帧及该相邻两关键帧之间的帧构成一个镜头；

预处理单元，被配置成调用预先编译的动态链接库，分别将各视频片段解码为矩阵序列，对于每一个矩阵序列，按照预设间隔帧数，对该矩阵序列进行抽样，依次将抽取的矩阵汇总为抽样矩阵序列，对于每一个抽样矩阵序列，将该抽样矩阵序列中的矩阵均分为多组，对各组中的矩阵中的目标区域进行截取，生成与该抽样矩阵序列对应的截取矩阵序列，以及，依次对所述截取矩阵序列中的矩阵进行数值处理，输出浮点类型的矩阵序列，作为解码数据；

行为类别检测单元，被配置成将所述各视频片段的解码数据输入至预先训练的行为类别检测模型，得到所述各视频片段对应的行为类别检测结果，其中，所述行为类别检测模型用于检测视频中的人体对象的行为类别；

整合单元，被配置成对所得到的行为类别检测结果进行整合，生成所述目标视频中的人体对象的行为类别序列。

11.根据权利要求10所述的行为类别检测装置，其特征在于，所述切分单元，包括：

记录模块，被配置成确定目标视频的关键帧，并记录所述关键帧的时间戳；

切分模块，被配置成在所记录的至少一个时间戳处对所述目标视频进行切分，生成多个视频片段，其中，各视频片段的时长在预设时长范围内。

12.根据权利要求10所述的行为类别检测装置，其特征在于，所述动态链接库使用能够应用于底层开发的指定计算机编程语言编译。

13.根据权利要求10所述的行为类别检测装置，其特征在于，所述装置还包括：

获取单元，被配置成获取与所述行为类别序列中的行为类别相关联的待推送信息；

位置确定单元，被配置成确定所述目标视频中待插入所述待推送信息的位置；

插入单元，被配置成根据所述位置，将所述待推送信息插入至所述目标视频中。

14.根据权利要求10所述的行为类别检测装置，其特征在于，所述装置还包括：

截取单元，被配置成判断所述行为类别序列中是否存在目标行为类别；若是，从所述目标视频中截取所述目标行为类别的视频片段；

推送单元，被配置成向目标用户推送所截取的视频片段。

15.根据权利要求10所述的行为类别检测装置，其特征在于，所述装置还包括：

标签库更新单元，被配置成建立用于指示所述行为类别序列中的行为类别的标签，将所述标签增量更新至预先建立的标签库。

16.根据权利要求10所述的行为类别检测装置，其特征在于，所述行为类别检测模型通过如下步骤训练得到：

提取预先训练的初始模型；

获取目标样本集，其中，所述目标样本集中的样本包括目标领域的第一样本视频和第一标注信息，第一标注信息用于指示第一样本视频中的人体对象的行为类别；

将所述目标样本集中的第一样本视频作为所述初始模型的输入，将所输入的第一样本视频对应的第一标注信息作为所述初始模型的输出，利用机器学习方法，训练得到行为类别检测模型。

17.根据权利要求16所述的行为类别检测装置，其特征在于，所述初始模型通过如下步骤训练得到：

提取预置样本集，其中，所述预置样本集中的样本包括第二样本视频和第二标注信息，所述第二标注信息用于指示第二样本视频中的人体对象的行为类别；

将所述目标样本集中的第二样本视频作为三维卷积神经网络的输入，将所输入的第二样本视频对应的第二标注信息作为所述三维卷积神经网络的输出，利用机器学习方法，训练得到初始模型。

18.根据权利要求16所述的行为类别检测装置，其特征在于，第一标注信息所指示的行为类别被划分为背景类和至少一个行为类。

19.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，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1-9中任一所述的方法。

20.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的方法。

Images