CN110401847B - 云dvr视频的压缩存储方法、电子设备及系统 - Google Patents

云dvr视频的压缩存储方法、电子设备及系统 Download PDF

Info

Publication number
CN110401847B
CN110401847B CN201910644463.4A CN201910644463A CN110401847B CN 110401847 B CN110401847 B CN 110401847B CN 201910644463 A CN201910644463 A CN 201910644463A CN 110401847 B CN110401847 B CN 110401847B
Authority
CN
China
Prior art keywords
preset
value
video
user
coding
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.)
Active
Application number
CN201910644463.4A
Other languages
English (en)
Other versions
CN110401847A (zh
Inventor
莫东松
张进
张健
马晓琳
赵璐
钟宜峰
马丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MIGU Culture Technology Co Ltd
Original Assignee
MIGU Culture Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by MIGU Culture Technology Co Ltd filed Critical MIGU Culture Technology Co Ltd
Priority to CN201910644463.4A priority Critical patent/CN110401847B/zh
Publication of CN110401847A publication Critical patent/CN110401847A/zh
Application granted granted Critical
Publication of CN110401847B publication Critical patent/CN110401847B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • H04N19/423—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation characterised by memory arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/231—Content storage operation, e.g. caching movies for short term storage, replicating data over plural servers, prioritizing data for deletion
    • H04N21/23113—Content storage operation, e.g. caching movies for short term storage, replicating data over plural servers, prioritizing data for deletion involving housekeeping operations for stored content, e.g. prioritizing content for deletion because of storage space restrictions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
    • H04N21/234336—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements by media transcoding, e.g. video is transformed into a slideshow of still pictures or audio is converted into text
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4663—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving probabilistic networks, e.g. Bayesian networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4665—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving classification methods, e.g. Decision trees
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/76—Television signal recording

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Social Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Television Signal Processing For Recording (AREA)

Abstract

本发明实施例提供一种云DVR视频的压缩存储方法、电子设备及系统，所述方法包括：获取预设时段内包含视频播放内容信息的特征向量；根据所述特征向量确定用户针对所述视频播放内容信息做出的各情绪分类的概率值；根据用户自定义的预设参数和各概率值，计算反映所有情绪分类对视频编码影响的综合编码值；根据所述综合编码值所在的区间范围和预设关系，确定与所述区间范围相对应的压缩存储编码参数，并采用所述压缩存储编码参数对云DVR视频进行压缩存储。本发明实施例提供的云DVR视频的压缩存储方法、电子设备及系统，实现了基于用户的喜好高效地对云DVR视频进行压缩存储。

Description

云DVR视频的压缩存储方法、电子设备及系统
技术领域
本发明涉及视频处理技术领域，尤其涉及一种云DVR视频的压缩存储方法、电子设备及系统。
背景技术
云DVR是一种云服务，用户可以通过云DVR使用云端数字视频记录器记录想看的直播节目，用户可以从云端回看录制的节目。常用的视频压缩标准方案是MPEG，也可以使用其他压缩标准。云DVR可以编码回放设备的本地存储。然而，云DVR服务也有一些问题，大规模的云DVR服务会导致云端存储的巨大的压力，造成存储成本的高涨。
现有的技术方案都是只能针对视频内容，对录制后的视频内容进行二重压缩。但是，现有的技术会存在以下问题：因为是二重压缩，录制的时候增加了一次压缩的过程，播放的时候增加了一次解压的过程。所以，整个过程增加了时延，影响了用户的观影体验。
因此，如何避免上述缺陷，高效地对云DVR视频进行压缩存储，成为亟须解决的问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种云DVR视频的压缩存储方法、电子设备及系统。
本发明实施例提供一种云DVR视频的压缩存储方法，包括：
获取预设时段内包含视频播放内容信息的特征向量；
根据所述特征向量确定用户针对所述视频播放内容信息做出的各情绪分类的概率值；
根据用户自定义的预设参数和各概率值，计算反映所有情绪分类对视频编码影响的综合编码值；
根据所述综合编码值所在的区间范围和预设关系，确定与所述区间范围相对应的压缩存储编码参数，并采用所述压缩存储编码参数对云DVR视频进行压缩存储；所述预设关系为预设区间范围与预设压缩存储编码参数之间的对应关系。
本发明实施例提供一种云DVR视频的压缩存储方法，包括：
采集观看视频播放内容信息的用户的表情和/或声音；
对所述表情和/或所述声音分别进行识别，并分别获取各表情分类和/或各声音分类中置信度最高的目标表情数值和/或目标声音数值；
根据所述目标表情数值和/或所述目标声音数值，计算用户的情绪状态值，将参数信息、服务器发送的与当前播放时刻对应的视频播放内容信息作为训练预设分类模型的样本数据，待训练完成所述预设分类模型后，发送训练完成的预设分类模型至服务器，以供所述服务器对云DVR视频进行压缩存储；所述参数信息携带视频播放内容信息的当前播放时刻、根据所述目标表情数值和/或所述目标声音数值计算出的用户的情绪状态值、与所述情绪状态值对应的情绪分类。
本发明实施例提供一种电子设备，包括：存储器、第处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，
所述处理器执行所述计算机程序时实现如下方法步骤：
获取预设时段内包含视频播放内容信息的特征向量；
根据所述特征向量确定用户针对所述视频播放内容信息做出的各情绪分类的概率值；
根据用户自定义的预设参数和各概率值，计算反映所有情绪分类对视频编码影响的综合编码值；
根据所述综合编码值所在的区间范围和预设关系，确定与所述区间范围相对应的压缩存储编码参数，并采用所述压缩存储编码参数对云DVR视频进行压缩存储；所述预设关系为预设区间范围与预设压缩存储编码参数之间的对应关系。
或所述处理器执行所述计算机程序时实现如下方法步骤：
采集观看视频播放内容信息的用户的表情和/或声音；
对所述表情和/或所述声音分别进行识别，并分别获取各表情分类和/或各声音分类中置信度最高的目标表情数值和/或目标声音数值；
根据所述目标表情数值和/或所述目标声音数值，计算用户的情绪状态值，将参数信息、服务器发送的与当前播放时刻对应的视频播放内容信息作为训练预设分类模型的样本数据，待训练完成所述预设分类模型后，发送训练完成的预设分类模型至服务器，以供所述服务器对云DVR视频进行压缩存储；所述参数信息携带视频播放内容信息的当前播放时刻、根据所述目标表情数值和/或所述目标声音数值计算出的用户的情绪状态值、与所述情绪状态值对应的情绪分类。
本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被执行时实现如下方法步骤：
获取预设时段内包含视频播放内容信息的特征向量；
根据所述特征向量确定用户针对所述视频播放内容信息做出的各情绪分类的概率值；
根据用户自定义的预设参数和各概率值，计算反映所有情绪分类对视频编码影响的综合编码值；
根据所述综合编码值所在的区间范围和预设关系，确定与所述区间范围相对应的压缩存储编码参数，并采用所述压缩存储编码参数对云DVR视频进行压缩存储；所述预设关系为预设区间范围与预设压缩存储编码参数之间的对应关系。
或该计算机程序被执行时实现如下方法步骤：
采集观看视频播放内容信息的用户的表情和/或声音；
对所述表情和/或所述声音分别进行识别，并分别获取各表情分类和/或各声音分类中置信度最高的目标表情数值和/或目标声音数值；
根据所述目标表情数值和/或所述目标声音数值，计算用户的情绪状态值，将参数信息、服务器发送的与当前播放时刻对应的视频播放内容信息作为训练预设分类模型的样本数据，待训练完成所述预设分类模型后，发送训练完成的预设分类模型至服务器，以供所述服务器对云DVR视频进行压缩存储；所述参数信息携带视频播放内容信息的当前播放时刻、根据所述目标表情数值和/或所述目标声音数值计算出的用户的情绪状态值、与所述情绪状态值对应的情绪分类。
本发明实施例提供一种系统，包括上述电子设备。
本发明实施例提供的云DVR视频的压缩存储方法、电子设备及系统，通过计算反映所有情绪分类对视频编码影响的综合编码值，确定与该综合编码值对应的压缩存储编码参数，并采用该压缩存储编码参数对云DVR视频进行压缩存储，实现了基于用户的喜好高效地对云DVR视频进行压缩存储。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
图1为本发明云DVR视频的压缩存储方法实施例流程图；
图2为本发明实施例实现云DVR视频的压缩存储的设备示意图；
图3为本发明云DVR视频的压缩存储方法另一实施例流程图；
图4为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明云DVR视频的压缩存储方法实施例流程图，如图1所示，本发明实施例提供的一种云DVR视频的压缩存储方法，包括以下步骤：
S101：获取预设时段内包含视频播放内容信息的特征向量。
具体的，服务器获取预设时段内包含视频播放内容信息的特征向量。服务器可以是云DVR服务器，预设时段可以根据实际情况自主设置。图2为本发明实施例实现云DVR视频的压缩存储的设备示意图，如图2所示，图2中的“视频云”对应上述云DVR服务器。在用户预先设定好针对某个直播节目的录播程序后，当直播节目开始后，开始执行针对某个直播节目的录制工作。图2中的云DVR编码器可以利用视频识别实时识别出预设时段T(t1,t2)对应的特征向量，可以包括<明星，场景，动作>，不作具体限定。
S102：根据所述特征向量确定用户针对所述视频播放内容信息做出的各情绪分类的概率值。
具体的，服务器根据所述特征向量确定用户针对所述视频播放内容信息做出的各情绪分类的概率值。各情绪分类可以包括激动、愤怒、悲伤等，不作具体限定。确定概率值可以采用如下方法：
输入所述特征向量至预设分类模型，以获取所述预设分类模型的输出结果；所述输出结果为各情绪分类的概率值。该预设分类模型是预先训练过的、进一步地，该预设分类模型可以预先根据周期性获取的样本数据进行周期性训练。周期性获取的样本数据的第一周期间隔、周期性训练的第二周期间隔的具体数值可以相同也可以不同，为了更好地体现该预设分类模型预测各情绪分类的概率值的准确性和实时性，第一周期间隔和第二周期间隔的具体数值可以小于预设阈值。
基于云DVR视频的压缩存储的特定应用场景，即视频占用存储资源大，视频播放的实时性强等，通过少量样本数据快速训练好模型、使用模型，再根据增量样本数据较快速地重复训练、使用模型的过程，更有利于节省存储资源。
更进一步地，所述预设分类模型可以为朴素贝叶斯分类算法，基于朴素贝叶斯分类算法不需要大量样本数据进行训练的特性，有利于更快地训练好预设分类模型。
S103：根据用户自定义的预设参数和各概率值，计算反映所有情绪分类对视频编码影响的综合编码值。
具体的，服务器根据用户自定义的预设参数和各概率值，计算反映所有情绪分类对视频编码影响的综合编码值。预设参数可以包括与各情绪分类分别对应的预设编码意愿参数，预设编码意愿参数可以理解为反映用户意愿的、且与各情绪分类一一对应的权重。可以根据如下公式计算所述综合编码值：
Figure BDA0002132997240000061
其中，S为所述综合编码值、Pi为第i个概率值、Ii为第i个预设编码意愿参数、k为各情绪分类的总数。参照上述举例，k可以等于3，即分别对应激动、愤怒、悲伤三类情绪。
S104：根据所述综合编码值所在的区间范围和预设关系，确定与所述区间范围相对应的压缩存储编码参数，并采用所述压缩存储编码参数对云DVR视频进行压缩存储；所述预设关系为预设区间范围与预设压缩存储编码参数之间的对应关系。
具体的，服务器根据所述综合编码值所在的区间范围和预设关系，确定与所述区间范围相对应的压缩存储编码参数，并采用所述压缩存储编码参数对云DVR视频进行压缩存储；所述预设关系为预设区间范围与预设压缩存储编码参数之间的对应关系。预设关系可以包括：
设置1:<(0.8，1)，MPEG2,50,4k>；
设置2:<(0，0.8)，H264,25,2k>。以设置1为例，即当计算出的综合编码值所在的区间范围为(0.8，1)时，则采用的压缩存储编码参数为MPEG2,50,4k，其中，MPEG为一种视频压缩标准、50为码率、4k为帧率；对于设置2的说明不再赘述。可以理解的是：采用设置1实现的对云DVR视频进行压缩存储的视频质量优于采用设置2实现的对云DVR视频进行压缩存储的视频质量，相应的，占用的存储资源也更多。
本发明实施例提供的云DVR视频的压缩存储方法，通过计算反映所有情绪分类对视频编码影响的综合编码值，确定与该综合编码值对应的压缩存储编码参数，并采用该压缩存储编码参数对云DVR视频进行压缩存储，实现了基于用户的喜好高效地对云DVR视频进行压缩存储。
在上述实施例的基础上，所述预设参数包括与各情绪分类分别对应的预设编码意愿参数；相应的，所述根据用户自定义的预设参数和各概率值，计算反映所有情绪分类对视频编码影响的综合编码值，包括：
根据如下公式计算所述综合编码值：
Figure BDA0002132997240000071
其中，S为所述综合编码值、Pi为第i个概率值、Ii为第i个预设编码意愿参数、k为各情绪分类的总数。
具体的，服务器根据如下公式计算所述综合编码值：
Figure BDA0002132997240000072
其中，S为所述综合编码值、Pi为第i个概率值、Ii为第i个预设编码意愿参数、k为各情绪分类的总数。可参照上述说明，不再赘述。
本发明实施例提供的云DVR视频的压缩存储方法，通过具体公式计算综合编码值，进一步实现了基于用户的喜好高效地对云DVR视频进行压缩存储。
在上述实施例的基础上，所述预设参数还包括预设调整参数；相应的，所述根据用户自定义的预设参数和各概率值，计算反映所有情绪分类对视频编码影响的综合编码值，还包括：
根据如下公式计算所述综合编码值：
Figure BDA0002132997240000073
其中，r为所述预设调整参数。
具体的，服务器根据如下公式计算所述综合编码值：
Figure BDA0002132997240000081
其中，r为所述预设调整参数。预设调整参数可以根据实际情况自主调整，从而便于总体控制综合编码值的具体数值。
本发明实施例提供的云DVR视频的压缩存储方法，通过包含预设调整参数的具体公式计算综合编码值，进一步实现了基于用户的喜好高效地对云DVR视频进行压缩存储。
在上述实施例的基础上，所述根据所述特征向量确定用户针对所述视频播放内容信息做出的各情绪分类的概率值，包括：
输入所述特征向量至预设分类模型，以获取所述预设分类模型的输出结果；所述输出结果为各情绪分类的概率值。
具体的，服务器输入所述特征向量至预设分类模型，以获取所述预设分类模型的输出结果；所述输出结果为各情绪分类的概率值。可参照上述说明，不再赘述。
本发明实施例提供的云DVR视频的压缩存储方法，通过预设分类模型高效、准确地获取到各情绪分类的概率值，有助于准确确定用户的喜好，进而高效地对云DVR视频进行压缩存储。
在上述实施例的基础上，所述预设分类模型预先通过样本数据进行训练；所述样本数据包括由前端设备发送的反映用户当前情绪状态的参数信息、所述参数信息携带视频播放内容信息的当前播放时刻、根据目标表情数值和/或目标声音数值计算出的用户的情绪状态值、与所述情绪状态值对应的情绪分类，存储在本地的与所述当前播放时刻对应的视频播放内容信息；所述目标表情数值和/或所述目标声音数值分别为各表情分类和/或各声音分类中置信度最高的表情数值和/或声音数值。
需要说明的是，该实施例是在服务器中对预设分类模型进行训练，需要通过前端设备获取作为样本数据的参数信息，可以采用实时增量的样本数据对预设分类模型进行训练。可以采用自动训练机制，即每当增量的样本数据积累到一定的阈值，例如10万条，触发对预设分类模型进行一次训练，并使用增量的样本数据对该模型进行迭代训练。与所述当前播放时刻对应的视频播放内容信息，举例说明如下：某集电视剧的当前播放时刻对应的视频播放内容信息为：在该播放时刻明星甲在场景A下做了动作a。有关参数信息的具体内容详见后续说明。
本发明实施例提供的云DVR视频的压缩存储方法，通过采用特定的样本数据训练预设分类模型，使得该模型高效、准确地输出各情绪分类的概率值，有助于准确确定用户的喜好，进而高效地对云DVR视频进行压缩存储。
图3为本发明云DVR视频的压缩存储方法另一实施例流程图，如图3所示，本发明实施例提供的云DVR视频的压缩存储方法，包括以下步骤：
S301：采集观看视频播放内容信息的用户的表情和/或声音。
具体的，前端设备采集观看视频播放内容信息的用户的表情和/或声音。参照图2，可以通过前端设备中的采集模块采集包含用户面部的实时影像。通过处理模块中的计算机视觉模型，实时判断用户是否正在观看节目，如果有用户正在观看节目，则采集观看视频播放内容信息的用户的表情和/或声音。
S302：对所述表情和/或所述声音分别进行识别，并分别获取各表情分类和/或各声音分类中置信度最高的目标表情数值和/或目标声音数值。
具体的，前端设备对所述表情和/或所述声音分别进行识别，并分别获取各表情分类和/或各声音分类中置信度最高的目标表情数值和/或目标声音数值。可以通过推理模块分别计算各表情分类和/或各声音分类中的置信度，并确定目标表情数值和/或目标声音数值，针对只有表情分类的情况，举例说明如下：各表情分类可以包括分别与激动、愤怒、悲伤等相对应的面部表情，各面部表情分别对应一个置信度，如果面部表情为激动的置信度最高，则目标表情数值为面部表情为激动的置信度。对于只有声音分类的情况，不再赘述。
针对既有表情分类、又有声音分类的情况举例说明如下：各表情分类可以包括分别与激动、愤怒、悲伤等相对应的面部表情，各面部表情分别对应一个置信度，如果面部表情为激动的置信度最高，则目标表情数值为面部表情为激动的置信度；各声音分类可以包括分别与激动、愤怒、悲伤等相对应的声音声调，各声音声调分别对应一个置信度，如果声音声调为激动的置信度最高，则目标声音数值为声音声调为激动的置信度。
S303：根据所述目标表情数值和/或所述目标声音数值，计算用户的情绪状态值，将参数信息、服务器发送的与当前播放时刻对应的视频播放内容信息作为训练预设分类模型的样本数据，待训练完成所述预设分类模型后，发送训练完成的预设分类模型至服务器，以供所述服务器对云DVR视频进行压缩存储；所述参数信息携带视频播放内容信息的当前播放时刻、根据所述目标表情数值和/或所述目标声音数值计算出的用户的情绪状态值、与所述情绪状态值对应的情绪分类。
具体的，前端设备根据所述目标表情数值和/或所述目标声音数值，计算用户的情绪状态值，将参数信息、服务器发送的与当前播放时刻对应的视频播放内容信息作为训练预设分类模型的样本数据，待训练完成所述预设分类模型后，发送训练完成的预设分类模型至服务器，以供所述服务器对云DVR视频进行压缩存储；所述参数信息携带视频播放内容信息的当前播放时刻、根据所述目标表情数值和/或所述目标声音数值计算出的用户的情绪状态值、与所述情绪状态值对应的情绪分类。需要说明的是，该实施例是在前端设备中对预设分类模型进行训练，需要通过服务器获取作为样本数据的、与当前播放时刻对应的视频播放内容信息，也可以采用实时增量的样本数据对预设分类模型进行训练。预设分类模型训练可参照上述说明，不再赘述。也可以周期性地发送训练完成的预设分类模型至服务器。周期性发送训练完成的预设分类模型至服务器的具体周期可以根据实际情况自主设置。
计算情绪状态值的具体步骤可以包括：
若判断获知所述用户为一个、且只发出表情或声音，则将所述目标表情数值或所述目标声音数值作为所述情绪状态值。参照上述举例，当这一个用户只发出表情时，则将面部表情为激动的置信度作为情绪状态值；当这一个用户只发出声音时，则将声音声调为激动的置信度作为情绪状态值。
若判断获知所述用户为n个、且每个用户都只发出表情或声音，则根据如下公式计算所述情绪状态值：
Figure BDA0002132997240000111
其中，TZ为所述情绪状态值、Zj为第j个用户对应的目标表情数值或目标声音数值。参照上述举例，将上述用户的面部表情为激动的置信度或声音声调为激动的置信度代入上述公式中的Z1、如果还有其他用户的表情或声音，则继续代入上述公式进行计算。
若判断获知所述用户为n个、且每个用户在同一时刻发出表情和声音，则根据如下公式计算所述情绪状态值：
Figure BDA0002132997240000112
其中，TZ为所述情绪状态值、Zj1为第j个用户对应的目标表情数值、Wj1为第j个用户对应的目标表情数值的预设权重、Zj2为第j个用户对应的目标声音数值、Wj2为第j个用户对应的目标声音数值的预设权重。Wj1和Wj2的具体数值可根据实际情况自主设置。同一时刻可以采用不同的计算精度计量，例如秒。
本发明实施例提供的云DVR视频的压缩存储方法，通过将参数信息、与当前播放时刻对应的视频播放内容信息作为训练预设分类模型的样本数据，并在本地训练预设分类模型后，发送预设分类模型至服务器，以供服务器根据预设分类模型实现了基于用户的喜好高效地对云DVR视频进行压缩存储。
在上述实施例的基础上，所述方法还包括：
若判断获知所述用户为一个、且只发出表情或声音，则将所述目标表情数值或所述目标声音数值作为所述情绪状态值。
具体的，前端设备若判断获知所述用户为一个、且只发出表情或声音，则将所述目标表情数值或所述目标声音数值作为所述情绪状态值。可参照上述说明，不再赘述。
本发明实施例提供的云DVR视频的压缩存储方法，通过一个用户的表情或声音确定情绪状态值，并基于包含情绪状态值的样本数据训练预设分类模型，以供服务器根据预设分类模型实现了基于用户的喜好高效地对云DVR视频进行压缩存储。
在上述实施例的基础上，所述方法还包括：
若判断获知所述用户为n个、且每个用户都只发出表情或声音，则根据如下公式计算所述情绪状态值：
Figure BDA0002132997240000121
其中，TZ为所述情绪状态值、Zj为第j个用户对应的目标表情数值或目标声音数值。
具体的，前端设备若判断获知所述用户为n个、且每个用户都只发出表情或声音，则根据如下公式计算所述情绪状态值：
Figure BDA0002132997240000122
其中，TZ为所述情绪状态值、Zj为第j个用户对应的目标表情数值或目标声音数值。可参照上述说明，不再赘述。
本发明实施例提供的云DVR视频的压缩存储方法，通过n个用户的表情或声音确定情绪状态值，并基于包含情绪状态值的样本数据训练预设分类模型，以供服务器根据预设分类模型实现了基于用户的喜好高效地对云DVR视频进行压缩存储。
在上述实施例的基础上，所述方法还包括：
若判断获知所述用户为n个、且每个用户在同一时刻发出表情和声音，则根据如下公式计算所述情绪状态值：
Figure BDA0002132997240000123
其中，TZ为所述情绪状态值、Zj1为第j个用户对应的目标表情数值、Wj1为第j个用户对应的目标表情数值的预设权重、Zj2为第j个用户对应的目标声音数值、Wj2为第j个用户对应的目标声音数值的预设权重。
具体的，前端设备若判断获知所述用户为n个、且每个用户在同一时刻发出表情和声音，则根据如下公式计算所述情绪状态值：
Figure BDA0002132997240000124
其中，TZ为所述情绪状态值、Zj1为第j个用户对应的目标表情数值、Wj1为第j个用户对应的目标表情数值的预设权重、Zj2为第j个用户对应的目标声音数值、Wj2为第j个用户对应的目标声音数值的预设权重。可参照上述说明，不再赘述。
本发明实施例提供的云DVR视频的压缩存储方法，通过n个用户的表情和声音确定情绪状态值，并基于包含情绪状态值的样本数据训练预设分类模型，以供服务器根据预设分类模型实现了基于用户的喜好高效地对云DVR视频进行压缩存储。
在上述实施例的基础上，所述发送所述参数信息至服务器，包括：
周期性发送所述参数信息至服务器。
具体的，前端设备周期性发送所述参数信息至服务器。周期性发送所述参数信息的具体周期可以根据实际情况自主设置。
本发明实施例提供的云DVR视频的压缩存储方法，通过周期性发送参数信息至服务器，以供服务器根据包含参数信息的样本数据训练预设分类模型，实现了基于用户的喜好高效地对云DVR视频进行压缩存储。
本发明实施例提供一种系统，包括上述服务器、上述前端设备。
系统的实施例可以包括：
具体的，前端设备采集观看视频播放内容信息的用户的表情和/或声音；
前端设备对所述表情和/或所述声音分别进行识别，并分别获取各表情分类和/或各声音分类中置信度最高的目标表情数值和/或目标声音数值；
前端设备根据所述目标表情数值和/或所述目标声音数值，计算用户的情绪状态值，将参数信息、服务器发送的与当前播放时刻对应的视频播放内容信息作为训练预设分类模型的样本数据，待训练完成所述预设分类模型后，发送训练完成的预设分类模型至服务器根据所述目标表情数值和/或所述目标声音数值，计算用户的情绪状态值，将参数信息、服务器发送的与当前播放时刻对应的视频播放内容信息作为训练预设分类模型的样本数据，待训练完成所述预设分类模型后，发送训练完成的预设分类模型至服务器，以供所述服务器对云DVR视频进行压缩存储；所述参数信息携带视频播放内容信息的当前播放时刻、根据所述目标表情数值和/或所述目标声音数值计算出的用户的情绪状态值、与所述情绪状态值对应的情绪分类；
前端设备若判断获知所述用户为一个、且只发出表情或声音，则将所述目标表情数值或所述目标声音数值作为所述情绪状态值。
前端设备若判断获知所述用户为n个、且每个用户都只发出表情或声音，则根据如下公式计算所述情绪状态值：
Figure BDA0002132997240000141
其中，TZ为所述情绪状态值、Zj为第j个用户对应的目标表情数值或目标声音数值。
前端设备若判断获知所述用户为n个、且每个用户在同一时刻发出表情和声音，则根据如下公式计算所述情绪状态值：
Figure BDA0002132997240000142
其中，TZ为所述情绪状态值、Zj1为第j个用户对应的目标表情数值、Wj1为第j个用户对应的目标表情数值的预设权重、Zj2为第j个用户对应的目标声音数值、Wj2为第j个用户对应的目标声音数值的预设权重。
前端设备周期性发送所述参数信息至服务器。
前端设备作为执行主体的方法步骤可参照上述说明，不再赘述。
具体的，服务器获取预设时段内包含视频播放内容信息的特征向量；
服务器根据所述特征向量确定用户针对所述视频播放内容信息做出的各情绪分类的概率值；
服务器根据用户自定义的预设参数和各概率值，计算反映所有情绪分类对视频编码影响的综合编码值；
服务器根据所述综合编码值所在的区间范围和预设关系，确定与所述区间范围相对应的压缩存储编码参数，并采用所述压缩存储编码参数对云DVR视频进行压缩存储；所述预设关系为预设区间范围与预设压缩存储编码参数之间的对应关系。
服务器根据如下公式计算所述综合编码值：
Figure BDA0002132997240000143
其中，S为所述综合编码值、Pi为第i个概率值、Ii为第i个预设编码意愿参数、k为各情绪分类的总数。
服务器根据如下公式计算所述综合编码值：
Figure BDA0002132997240000151
其中，r为所述预设调整参数。
服务器输入所述特征向量至预设分类模型，以获取所述预设分类模型的输出结果；所述输出结果为各情绪分类的概率值。
服务器中的所述预设分类模型预先通过样本数据进行训练；所述样本数据包括由前端设备发送的反映用户当前情绪状态的参数信息、所述参数信息携带视频播放内容信息的当前播放时刻、根据目标表情数值和/或目标声音数值计算出的用户的情绪状态值、与所述情绪状态值对应的情绪分类，存储在本地的与所述当前播放时刻对应的视频播放内容信息；所述目标表情数值和/或所述目标声音数值分别为各表情分类和/或各声音分类中置信度最高的表情数值和/或声音数值。
服务器作为执行主体的方法步骤可参照上述说明，不再赘述。
本发明实施例提供的系统，通过计算反映所有情绪分类对视频编码影响的综合编码值，确定与该综合编码值对应的压缩存储编码参数，并采用该压缩存储编码参数对云DVR视频进行压缩存储，实现了基于用户的喜好高效地对云DVR视频进行压缩存储。
图4为本发明实施例提供的电子设备实体结构示意图，如图4所示，所述电子设备包括：处理器(processor)401、存储器(memory)402和总线403；
其中，所述处理器401、存储器402通过总线403完成相互间的通信；
所述处理器401用于调用所述存储器402中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取预设时段内包含视频播放内容信息的特征向量；根据所述特征向量确定用户针对所述视频播放内容信息做出的各情绪分类的概率值；根据用户自定义的预设参数和各概率值，计算反映所有情绪分类对视频编码影响的综合编码值；根据所述综合编码值所在的区间范围和预设关系，确定与所述区间范围相对应的压缩存储编码参数，并采用所述压缩存储编码参数对云DVR视频进行压缩存储；所述预设关系为预设区间范围与预设压缩存储编码参数之间的对应关系。
或者，包括：采集观看视频播放内容信息的用户的表情和/或声音；
对所述表情和/或所述声音分别进行识别，并分别获取各表情分类和/或各声音分类中置信度最高的目标表情数值和/或目标声音数值；
根据所述目标表情数值和/或所述目标声音数值，计算用户的情绪状态值，将参数信息、服务器发送的与当前播放时刻对应的视频播放内容信息作为训练预设分类模型的样本数据，待训练完成所述预设分类模型后，发送训练完成的预设分类模型至服务器，以供所述服务器对云DVR视频进行压缩存储；所述参数信息携带视频播放内容信息的当前播放时刻、根据所述目标表情数值和/或所述目标声音数值计算出的用户的情绪状态值、与所述情绪状态值对应的情绪分类。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取预设时段内包含视频播放内容信息的特征向量；根据所述特征向量确定用户针对所述视频播放内容信息做出的各情绪分类的概率值；根据用户自定义的预设参数和各概率值，计算反映所有情绪分类对视频编码影响的综合编码值；根据所述综合编码值所在的区间范围和预设关系，确定与所述区间范围相对应的压缩存储编码参数，并采用所述压缩存储编码参数对云DVR视频进行压缩存储；所述预设关系为预设区间范围与预设压缩存储编码参数之间的对应关系。
或者，包括：采集观看视频播放内容信息的用户的表情和/或声音；
对所述表情和/或所述声音分别进行识别，并分别获取各表情分类和/或各声音分类中置信度最高的目标表情数值和/或目标声音数值；
根据所述目标表情数值和/或所述目标声音数值，计算用户的情绪状态值，将参数信息、服务器发送的与当前播放时刻对应的视频播放内容信息作为训练预设分类模型的样本数据，待训练完成所述预设分类模型后，发送训练完成的预设分类模型至服务器，以供所述服务器对云DVR视频进行压缩存储；所述参数信息携带视频播放内容信息的当前播放时刻、根据所述目标表情数值和/或所述目标声音数值计算出的用户的情绪状态值、与所述情绪状态值对应的情绪分类。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取预设时段内包含视频播放内容信息的特征向量；根据所述特征向量确定用户针对所述视频播放内容信息做出的各情绪分类的概率值；根据用户自定义的预设参数和各概率值，计算反映所有情绪分类对视频编码影响的综合编码值；根据所述综合编码值所在的区间范围和预设关系，确定与所述区间范围相对应的压缩存储编码参数，并采用所述压缩存储编码参数对云DVR视频进行压缩存储；所述预设关系为预设区间范围与预设压缩存储编码参数之间的对应关系。
或者，包括：采集观看视频播放内容信息的用户的表情和/或声音；
对所述表情和/或所述声音分别进行识别，并分别获取各表情分类和/或各声音分类中置信度最高的目标表情数值和/或目标声音数值；
根据所述目标表情数值和/或所述目标声音数值，计算用户的情绪状态值，将参数信息、服务器发送的与当前播放时刻对应的视频播放内容信息作为训练预设分类模型的样本数据，待训练完成所述预设分类模型后，发送训练完成的预设分类模型至服务器，以供所述服务器对云DVR视频进行压缩存储；所述参数信息携带视频播放内容信息的当前播放时刻、根据所述目标表情数值和/或所述目标声音数值计算出的用户的情绪状态值、与所述情绪状态值对应的情绪分类。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (11)

1.一种云DVR视频的压缩存储方法，其特征在于，包括：
获取预设时段内包含视频播放内容信息的特征向量；
将所述特征向量输入预设的分类模型中，确定用户针对所述视频播放内容信息做出的各情绪分类的概率值；
根据用户自定义的预设参数和各概率值，计算反映所有情绪分类对视频编码影响的综合编码值；
根据所述综合编码值所在的区间范围和预设关系，确定与所述区间范围相对应的压缩存储编码参数，并采用所述压缩存储编码参数对云DVR视频进行压缩存储；所述预设关系为预设区间范围与预设压缩存储编码参数之间的对应关系；
其中，所述预设参数包括与各情绪分类分别对应的预设编码意愿参数；相应的，所述根据用户自定义的预设参数和各概率值，计算反映所有情绪分类对视频编码影响的综合编码值，包括：
根据如下公式计算所述综合编码值：
Figure FDA0003116609440000011
其中，S为所述综合编码值、Pi为第i个概率值、Ii为第i个预设编码意愿参数、k为各情绪分类的总数。
2.根据权利要求1所述的云DVR视频的压缩存储方法，其特征在于，所述预设参数还包括预设调整参数；相应的，所述根据用户自定义的预设参数和各概率值，计算反映所有情绪分类对视频编码影响的综合编码值，还包括：
根据如下公式计算所述综合编码值：
Figure FDA0003116609440000012
其中，r为所述预设调整参数。
3.根据权利要求1所述的云DVR视频的压缩存储方法，其特征在于，所述预设分类模型预先通过样本数据进行训练；所述样本数据包括由前端设备发送的反映用户当前情绪状态的参数信息、所述参数信息携带视频播放内容信息的当前播放时刻、根据目标表情数值和/或目标声音数值计算出的用户的情绪状态值、与所述情绪状态值对应的情绪分类，存储在本地的与所述当前播放时刻对应的视频播放内容信息；所述目标表情数值和/或所述目标声音数值分别为各表情分类和/或各声音分类中置信度最高的表情数值和/或声音数值。
4.一种云DVR视频的压缩存储方法，其特征在于，包括：
采集观看视频播放内容信息的用户的表情和/或声音；
对所述表情和/或所述声音分别进行识别，并分别获取各表情分类和/或各声音分类中置信度最高的目标表情数值和/或目标声音数值；
根据所述目标表情数值和/或所述目标声音数值，计算用户的情绪状态值，将参数信息、服务器发送的与当前播放时刻对应的视频播放内容信息作为训练预设分类模型的样本数据，待训练完成所述预设分类模型后，发送训练完成的预设分类模型至服务器，以供所述服务器对云DVR视频进行压缩存储；所述参数信息携带视频播放内容信息的当前播放时刻、根据所述目标表情数值和/或所述目标声音数值计算出的用户的情绪状态值、与所述情绪状态值对应的情绪分类。
5.根据权利要求4所述的云DVR视频的压缩存储方法，其特征在于，所述方法还包括：
若判断获知所述用户为一个、且只发出表情或声音，则将所述目标表情数值或所述目标声音数值作为所述情绪状态值。
6.根据权利要求5所述的云DVR视频的压缩存储方法，其特征在于，所述方法还包括：
若判断获知所述用户为n个、且每个用户都只发出表情或声音，则根据如下公式计算所述情绪状态值：
Figure FDA0003116609440000021
其中，TZ为所述情绪状态值、Zj为第j个用户对应的目标表情数值或目标声音数值。
7.根据权利要求6所述的云DVR视频的压缩存储方法，其特征在于，所述方法还包括：
若判断获知所述用户为n个、且每个用户在同一时刻发出表情和声音，则根据如下公式计算所述情绪状态值：
Figure FDA0003116609440000031
其中，TZ为所述情绪状态值、Zj1为第j个用户对应的目标表情数值、Wj1为第j个用户对应的目标表情数值的预设权重、Zj2为第j个用户对应的目标声音数值、Wj2为第j个用户对应的目标声音数值的预设权重。
8.根据权利要求4至7任一所述的云DVR视频的压缩存储方法，其特征在于，所述方法包括：
周期性发送所述训练完成的预设分类模型至服务器。
9.一种系统，包括执行权利要求1至3任一所述方法的电子设备、执行权利要求4至8任一所述方法的电子设备。
10.一种电子设备，包括：存储器、处理器及在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述方法的步骤，或者，所述处理器执行所述计算机程序时实现如权利要求4至8任一项所述方法的步骤。
11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被执行时实现如权利要求1至3任一项所述方法的步骤，或者，该计算机程序被执行时实现如权利要求4至8任一项所述方法的步骤。
CN201910644463.4A 2019-07-17 2019-07-17 云dvr视频的压缩存储方法、电子设备及系统 Active CN110401847B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910644463.4A CN110401847B (zh) 2019-07-17 2019-07-17 云dvr视频的压缩存储方法、电子设备及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910644463.4A CN110401847B (zh) 2019-07-17 2019-07-17 云dvr视频的压缩存储方法、电子设备及系统

Publications (2)

Publication Number Publication Date
CN110401847A CN110401847A (zh) 2019-11-01
CN110401847B true CN110401847B (zh) 2021-08-06

Family

ID=68325599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910644463.4A Active CN110401847B (zh) 2019-07-17 2019-07-17 云dvr视频的压缩存储方法、电子设备及系统

Country Status (1)

Country Link
CN (1) CN110401847B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113132730A (zh) * 2019-12-30 2021-07-16 北京积加科技有限公司 一种基于多帧内容的视频数据智能压缩方法及装置
CN117333913A (zh) * 2022-06-24 2024-01-02 上海哔哩哔哩科技有限公司 识别情绪类别的方法、装置、存储介质及电子设备

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8918344B2 (en) * 2011-05-11 2014-12-23 Ari M. Frank Habituation-compensated library of affective response
CN102905200B (zh) * 2012-08-07 2015-01-14 上海交通大学 一种视频感兴趣区域双流编码传输方法及系统
CN107105320B (zh) * 2017-03-07 2019-08-06 上海媒智科技有限公司 一种基于用户情绪的在线视频热度预测方法及系统
CN109218366A (zh) * 2017-07-04 2019-01-15 北京航天长峰科技工业集团有限公司 基于k均值的监控视频热度云存储方法
CN107609572B (zh) * 2017-08-15 2021-04-02 中国科学院自动化研究所 基于神经网络和迁移学习的多模态情感识别方法、系统
CN108012097B (zh) * 2017-11-13 2019-08-30 深圳市智美达科技股份有限公司 视频云录像的方法、装置、计算机设备和存储介质
US10405027B2 (en) * 2017-12-03 2019-09-03 Cisco Technology, Inc. Cloud DVR system with retroactive recording
CN109344286A (zh) * 2018-09-19 2019-02-15 罗斯盛 一种结构化索引超压缩蓝光存储系统
CN109819325B (zh) * 2019-01-11 2021-08-20 平安科技（深圳）有限公司 热点视频标注处理方法、装置、计算机设备及存储介质
CN110198482B (zh) * 2019-04-11 2022-05-20 华东理工大学 一种视频重点桥段标注方法、终端及存储介质

Also Published As

Publication number Publication date
CN110401847A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
US10990812B2 (en) Video tagging for video communications
US11282516B2 (en) Human-machine interaction processing method and apparatus thereof
US8879788B2 (en) Video processing apparatus, method and system
US20170359580A1 (en) Content Adaptation for Streaming
WO2018150083A1 (en) A method and technical equipment for video processing
US11762905B2 (en) Video quality evaluation method and apparatus, device, and storage medium
CN110401847B (zh) 云dvr视频的压缩存储方法、电子设备及系统
EP2727344B1 (en) Frame encoding selection based on frame similarities and visual quality and interests
CN110719457A (zh) 一种视频编码方法、装置、电子设备及存储介质
CN108920640B (zh) 基于语音交互的上下文获取方法及设备
CN112565777B (zh) 基于深度学习模型视频数据传输方法、系统、介质及设备
US20230144483A1 (en) Method for encoding video data, device, and storage medium
Zhang et al. Davd-net: Deep audio-aided video decompression of talking heads
CN109195011B (zh) 一种视频处理方法、装置、设备及存储介质
CN110430436A (zh) 一种云手机视频压缩方法、系统、装置及存储介质
CN116208807A (zh) 视频帧处理方法及装置、视频帧去噪方法及装置
CN116229307A (zh) 基于抽帧策略的目标识别方法、系统、设备及存储介质
CN113645448A (zh) 一种适用于指挥调度的视频解码方法和装置
Leszczuk Assessing task-based video quality—a journey from subjective psycho-physical experiments to objective quality models
CN115052190B (zh) 视频播放方法及装置
CN114125365A (zh) 视频会议方法、装置及可读存储介质
CN110708499A (zh) 监控的控制方法及装置
US11398091B1 (en) Repairing missing frames in recorded video with machine learning
CN110958417B (zh) 一种基于语音线索的视频通话类视频去除压缩噪声的方法
CN110163043B (zh) 面部检测方法、装置、存储介质及电子装置

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