CN110532983A - 视频处理方法、装置、介质和设备 - Google Patents

Abstract

本公开涉及一种视频处理方法、装置、介质和设备，包括：获取目标视频中的目标视频帧图像；将目标视频帧图像输入预设深度学习模型中，以确定目标视频帧图像中属于字符区域的目标像素点；根据所述目标视频帧图像的目标像素点在目标视频帧图像的所有像素点中的占比，确定目标视频是否为文字类视频。这样，就能够通过深度学习模型准确分割目标视频中的每个目标视频帧图像中的属于字符区域的目标像素点，从而精确得到每个目标视频帧图像中属于字符区域的占比，进而就能确定目标视频是否为文字类视频，无需再通过人工判断的方式对目标视频中的字符内容的占比多少进行判断，大大提高了对视频处理的精确性。

Description

视频处理方法、装置、介质和设备

技术领域

本公开涉及深度学习领域，具体地，涉及一种视频处理方法、装置、介质和设备。

背景技术

目前在很多行业中，例如广告行业中，会有控制视频类广告中的字符与图像的比例的要求，目的是为了满足客户要求或者为了追求广告效果，为了达到不同的广告效果，会需要将字符在视频类广告中的的占比进行不同的控制，例如，通常会要求视频类广告中的字符内容的占比要低于图像内容的占比，或者也可能会要求视频类广告中的字符内容的占比大于图像内容的占比等。目前在对视频类广告中字符内容与图像内容的比例进行判断时，通常还是会根据人工的主观判断来对视频类广告中的字符占比进行判断，在这样的情况下，判断同一个视频类广告中的字符占比是否满足预定的条件时的判断结果通常会根据不同的人的主观感觉的不同而不同，无法达到对视频类广告中的字符内容的占比与图像内容的占比之间关系的精确判断。因此，如何通过对视频内容的处理来精确地确定视频中字符内容与图像内容之间的占比关系，是亟需解决的问题。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种视频处理方法，所述方法包括：

获取目标视频中的目标视频帧图像；

将所述目标视频帧图像输入预设深度学习模型中，以确定所述目标视频帧图像中属于字符区域的目标像素点；

根据所述目标视频帧图像的所述目标像素点在所述目标视频帧图像的所有像素点中的占比，确定所述目标视频是否为文字类视频。

第二方面，本公开还提供一种视频处理装置，所述装置包括：

获取模块，用于获取目标视频中的目标视频帧图像；

第一确定模块，用于将所述目标视频帧图像输入预设深度学习模型中，以确定所述目标视频帧图像中属于字符区域的目标像素点；

第二确定模块，根据所述目标视频帧图像的所述目标像素点在所述目标视频帧图像的所有像素点中的占比，确定所述目标视频帧图像是否为文字类视频。

第三方面，本公开还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中所述方法的步骤。

第四方面，本公开还提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面中所述方法的步骤。

通过上述技术方案，能够通过深度学习模型准确分割目标视频中的每个目标视频帧图像中的属于字符区域的目标像素点，从而精确得到每个目标视频帧图像中属于字符区域的占比，进而就能根据该目标视频中的所有目标视频帧图像中属于字符区域的比例来确定该目标视频是否为文字类视频，无需再通过人工判断的方式对目标视频中的字符内容的占比多少进行判断，提供了一种通过对视频中字符内容占比精确识别从而对视频进行分类的视频处理方式，大大提高了对视频处理的精确性。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

在附图中：

图1是根据本公开一示例性实施例示出的一种视频处理方法的流程图。

图2是根据本公开又一示例性实施例示出的一种视频处理方法的流程图。

图3是根据本公开一示例性实施例示出的一种视频处理方法中确定所述目标视频帧图像中属于字符区域的目标像素点的方法的流程图。

图4是根据本公开又一示例性实施例示出的一种视频处理方法的流程图。

图5是根据本公开又一示例性实施例示出的一种视频处理方法的流程图。

图6是根据本公开又一示例性实施例示出的一种视频处理方法的流程图。

图7是根据本公开一示例性实施例示出的一种视频处理装置的结构框图。

图8是根据本公开又一示例性实施例示出的一种视频处理装置中第二确定模块的结构框图。

图9是根据本公开又一示例性实施例示出的一种视频处理装置的结构框图。

图10是根据本公开一实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1是根据本公开一示例性实施例示出的一种视频处理方法的流程图。如图1所示，所述方法包括步骤101至步骤103。

在步骤101中，获取目标视频中的目标视频帧图像。该目标视频即为需要根据字符面积占比来进行处理的视频文件，可以是例如以上所述的视频类广告，也可以为例如短视频平台上传的各类短视频，还可以是例如剧集、电影等长视频。在本公开中对于目标视频的种类、时长、格式等都不进行限制。该目标视频帧图像可以是该目标视频中的所有视频帧，也可以为该目标视频中具有代表性的一部分视频帧，即根据预设的提取方法所得到的关键帧，该预设的提取方法可以为，例如在目标视频中的每一秒内选取第一帧作为该秒的关键帧等。实际应用时可以根据实际情况来确定目标视频帧图像，例如，当目标视频的时长过长时，可以将关键帧作为目标视频帧图像，以加速视频的处理，当目标视频的时长较短时，可以将该目标视频中的每一帧都作为该目标视频帧图像。

在步骤102中，将所述目标视频帧图像输入预设深度学习模型中，以确定所述目标视频帧图像中属于字符区域的目标像素点。在确定该目标视频帧图像之后，利用已预先训练好的预设深度学习模型来对每一张目标视频帧图像进行处理，以确定每一张目标视频帧图像中属于字符区域的目标像素点。其中，该预设深度学习模型可以通过输出二值化图像来区分属于字符区域的目标像素点与不属于字符区域的其他像素点，例如，当判断该目标视频帧图像中的某一像素点为属于字符区域的目标像素点时，将该像素点标记为1，当判断该目标视频帧图像中的某一像素点为不属于字符区域的其他像素点时，将该像素点标记为0，从而通过该预设深度学习模型输出的该二值化图像就能清楚得知该目标视频帧图像中有多少像素点属于字符区域，有多少像素点不属于字符区域。该预设深度学习模型也可以以其他方式来表征目标视频帧图像中属于字符区域的目标像素点，本公开中对于该预设深度学习模型的输出形式不做限制，只要能够将目标视频帧图像中属于字符区域的目标像素点表示出来即可。

在步骤103中，根据所述目标视频帧图像的所述目标像素点在所述目标视频帧图像的所有像素点中的占比，确定所述目标视频是否为文字类视频。例如，若目标视频帧图像中一共有50万像素点，其中目标像素点共有20万像素，则该目标视频帧图像的目标像素点在该目标视频帧图像的所有像素点中的占比即为进而就可以根据该占比来确定目标视频是否为文字类视频，其中，可以是根据该目标视频中的部分目标视频帧图像所对应的该占比来确定，也可以是根据该目标视频中的所有目标视频帧图像所对应的该占比来确定。具体的确定方法可以根据实际情况来进行定义，只要是基于该目标视频中的目标视频帧图像的目标像素点在该目标视频帧图像的所有像素点中的占比即可。

通过上述技术方案，能够通过深度学习模型准确分割目标视频中的每个目标视频帧图像中的属于字符区域的目标像素点，从而精确得到每个目标视频帧图像中属于字符区域的占比，进而就能根据该目标视频中的所有目标视频帧图像中属于字符区域的比例来确定目标视频是否为文字类视频，无需再通过人工判断的方式对目标视频中的字符内容的占比多少进行判断，提供了一种通过对视频中字符内容占比精确识别从而对视频进行分类的视频处理方式，大大提高了对视频处理的精确性。

在一种可能的实施方式中，该预设深度学习模型也可以直接根据输入的目标视频帧图像来输出该目标视频帧图像中属于字符区域的目标像素点在该目标视频帧图像的所有像素点中的占比，即，上述图1中的步骤102中深度学习模型的输出可以直接为输入的目标视频帧图像的目标像素点在该目标视频帧图像的所有像素点中的占比，只要事先对该预设深度学习模型进行相对应的训练即可。此时所述视频处理方法的流程图可以如图2所示，所述方法可以包括步骤201至步骤203。

在步骤201中，确定目标视频中的目标视频帧图像。

在步骤202中，将所述目标视频帧图像输入预设深度学习模型中，以确定所述目标视频帧图像中属于字符区域的目标像素点在所述目标视频帧图像的所有像素点中的占比。

在步骤203中，根据所述目标视频帧图像的所述目标像素点在所述目标视频帧图像的所有像素点中的占比，确定所述目标视频是否为文字类视频。

在实际应用中可以根据实际的场景需求来选择是否如何对该预设深度学习模型进行训练。

在一种可能的实施方式中，所述预设深度学习模型可以为字符分割模型，所述字符分割模型通过如图3所示的方法来确定所述目标视频帧图像中属于字符区域的目标像素点，所述方法包括步骤301和步骤302。

在步骤301中，确定所述目标视频帧图像中每个像素点属于所述字符区域的概率。

在步骤302中，将所述目标视频帧图像中属于字符区域的概率大于第一预设阈值的像素点确定为所述目标像素点。

例如，该第一预设阈值可以为60％，当在步骤301中确定该目标视频帧图像中的某一个像素点属于字符区域的概率大于60％时，则确定该像素点为目标像素点，即将该像素点确定为属于字符区域的像素点；当在步骤301中确定该目标视频帧图像中的某一个像素点属于字符区域的概率小于60％时，则将该像素点确定为不属于字符区域的像素点。

另外，该预设深度学习模型还可以为字符识别模型，通过将目标视频帧图像中的字符识别并定位，从而确定该目标视频帧中字符所在位置的矩形区域，最终通过该字符所在位置的矩形区域中的像素点确定为属于字符区域的所述目标像素点。

本公开中对预设深度学习模型如何确定所述目标像素点的方法不做限制，只要能够实现确定所述目标像素点的功能即可。

图4是根据本公开又一示例性实施例示出的一种视频处理方法的流程图。如图4所示，在所述目标视频帧图像为多个的情况下，所述方法除了包括图1中所示的步骤101和步骤102之外，还包括步骤401和步骤402。

在步骤401中，针对每一所述目标视频帧图像，若该目标视频帧图像的所述目标像素点在该目标视频帧图像的所有像素点中的占比大于第二预设阈值，则确定该目标视频帧图像为文字类图像。该第二预设阈值可以为例如70％。即，针对目标视频中的每一目标视频帧图像，若该目标视频帧图像的目标像素点在该目标视频帧图像的所有像素点中的占比大于70％，则确定该目标视频帧图像为文字类图像。假设该目标视频中包括60帧目标视频帧图像，其中，有50帧目标视频帧图像目标像素点在该目标视频帧图像的所有像素点中的占比都大于70％(第二预设阈值)，则该50帧目标视频帧图像都为文字类图像。

在步骤402中，根据所述目标视频中的所有目标视频帧图像中所述文字类图像的占比，确定所述目标视频是否为文字类视频。

其中，根据目标视频中的所有目标视频帧图像中文字类图像的占比，确定目标视频是否为文字类视频可以为：当该目标视频的目标视频帧图像中文字类图像在该目标视频中所有目标视频帧图像的占比大于第五预设阈值时，将该目标视频确定为文字类视频，该第五预设阈值可以为例如75％；若该目标视频的目标视频帧图像中文字类图像在该目标视频中所有目标视频帧图像的占比不大于第五预设阈值，则可将该目标视频确定为图像类视频。

例如，在对视频类广告的判断中，即可以直接通过对该第一预设阈值、第二预设阈值和第五预设阈值的限定，来确定符合要求的文字类视频或者图像类视频。无需再根据人工对视频内容的主观判断来对视频进行文字或图像的分类，大大提高了视频处理的效率及准确性。

在一种可能的实施方式中，所述根据所述目标视频帧图像的所述目标像素点在所述目标视频帧图像的所有像素点中的占比，确定所述目标视频是否为文字类视频还可以包括：若所述目标视频中是否存在目标像素点在所有像素点中的占比大于第六预设阈值的目标视频帧图像，则确定该目标视频为文字类视频，该第六预设阈值可以为例如90％；否则，则确定该目标视频为图像类视频。即，在目标视频中的所有目标视频帧图像中，只要有任一目标视频帧图像中目标像素点在该目标视频帧图像的所有像素点中的占比大于90％(第六预设阈值)，则就会将该目标视频确定为文字类视频。该第六预设阈值可以与该第二预设阈值相同，也可以不同。

图5是根据本公开又一示例性实施例示出的一种视频处理方法的流程图。如图5所示，所述方法除了包括图1中所示的步骤101至步骤103之外，还包括步骤501和步骤502。

在步骤501中，针对每一所述目标视频帧图像，若该目标视频帧图像的所述目标像素点在该目标视频帧图像的所有像素点中的占比大于第三预设阈值，则确定该目标视频帧图像为文字类图像。该第三预设阈值与上述第二预设阈值、第六预设阈值可以相同也可以不同。该步骤501可以是在如图5所示的步骤103之后进行，也可以是在步骤103中就已经执行。例如图4所示，在步骤103中确定目标视频是否为文字类视频时，就可以通过先确定目标视频中的每一目标视频帧图像是否为文字类图像，然后在根据目标视频中所有目标视频帧图像中文字类图像的占比来确定目标视频是否为文字类视频。若在步骤103中已经执行了该步骤501，则可直接执行以下步骤502。

在步骤502中，根据所述目标视频中第一预设时段内的所述文字类图像的数量和/或时间分布情况，确定所述第一预设时段内的视频内容是否为片头，所述第一预设时段位于所述目标视频对应的整个时段的开始。该第一预设时段可以为该目标视频对应的整个时段中位于开始位置的任意长度的一个时段。

该第一预设时段内可以包括一个或多个目标视频帧图像。在该第一预设时段内包括一个目标视频帧图像的情况下，可以在判定该目标视频帧图像为文字类图像时判定该第一预设时段内的视频内容为片头，在判定该目标视频帧图像不为文字类图像时判定该第一预设时段内的视频内容也不为片头。在该第一预设时段内包括多个目标视频帧图像的情况下，可通过对该第一预设时段内文字类图像占多个目标视频帧图像的比例是否满足预设的比例要求，和/或该第一预设时段内的文字类图像是否均匀分布在该第一预设时段中的不同时段中进行判断，来确定该第一预设时段内的视频内容是否为片头。例如，若第一预设时段为该目标视频的开始30秒，且在第一预设时段内包括30帧目标视频帧图像时，判断该30帧目标视频帧图像中是否至少有25帧以上的目标视频帧图像为文字类图像，并且判断在30秒中是否每2秒内都至少有一帧文字类图像，如果满足上述条件，则确定该第一预设时段内的视频内容为片头，否则，则确定该第一预设时段内的视频内容不为片头。

图6是根据本公开又一示例性实施例示出的一种视频处理方法的流程图。如图6所示，所述方法除了包括图1中所示的步骤101至步骤103之外，还包括步骤601和步骤602。

在步骤601中，针对每一所述目标视频帧图像，若该目标视频帧图像的所述目标像素点在该目标视频帧图像的所有像素点中的占比大于第四预设阈值，则确定该目标视频帧图像为文字类图像。该第四预设阈值与上述第二预设阈值、第三预设阈值、第六预设阈值可相同也可不同。步骤601的执行方式可与图5中的步骤501的执行方式相同，此处不再赘述。

在步骤602中，根据所述目标视频中第二预设时段内的所述文字类图像的数量和/或时间分布情况，确定所述第二预设时段内的视频内容是否为片尾，所述第二预设时段位于所述目标视频对应的整个时段的结尾。该第二预设时段可以为该目标视频对应的整个时段中位于结尾位置的任意长度的一个时段。根据该第二预设时段内的文字类图像的数量和/或时间分布情况来确定第二预设时段内的视频内容是否为片尾的实施方式可以与对图5中的步骤502的描述相同，此处不再赘述。

通过上述技术方案，能够实现根据对视频中的字符内容占比的判断自动识别视频中片头和片尾的功能，不仅能实现识别视频是文字类视频还是图像类视频，而且还能够利用识别视频是文字类视频还是图像类视频的过程中的中间结果快速识别出视频中的片头和片尾，从而不仅使得对片头和片尾的识别精度得到大大提高，而且还能提高片头和片尾的识别效率，进而大大提升了用户体验。

图7是根据本公开一示例性实施例示出的一种视频处理装置的结构框图。如图7所示，所述装置包括：获取模块10，用于获取目标视频中的目标视频帧图像；第一确定模块20，用于将所述目标视频帧图像输入预设深度学习模型中，以确定所述目标视频帧图像中属于字符区域的目标像素点；第二确定模块30，根据所述目标视频帧图像的所述目标像素点在所述目标视频帧图像的所有像素点中的占比，确定所述目标视频帧图像是否为文字类视频。

通过上述技术方案，能够通过深度学习模型准确分割目标视频中的每个目标视频帧图像中的属于字符区域的目标像素点，从而精确得到每个目标视频帧图像中属于字符区域的占比，进而就能根据该目标视频中的所有目标视频帧图像中属于字符区域的比例来确定该目标视频是否为文字类视频，无需再通过人工判断的方式对目标视频中的字符内容的占比多少进行判断，提供了一种通过对视频中字符内容占比精确识别从而对视频进行分类的视频处理方式，大大提高了对视频处理的精确性。

在一种可能的实施方式中，所述预设深度学习模型为字符分割模型，所述字符分割模型通过以下方法来确定所述目标视频帧图像中属于字符区域的目标像素点：确定所述目标视频帧图像中每个像素点属于所述字符区域的概率；将所述目标视频帧图像中属于字符区域的概率大于第一预设阈值的像素点确定为所述目标像素点。

图8是根据本公开又一示例性实施例示出的一种视频处理装置中第二确定模块30的结构框图。如图8所示，所述第二确定模块30包括：第一确定子模块301，用于针对每一所述目标视频帧图像，若该目标视频帧图像的所述目标像素点在该目标视频帧图像的所有像素点中的占比大于第二预设阈值，则确定该目标视频帧图像为文字类图像；第二确定子模块302，用于根据所述目标视频的所有目标视频帧图像中所述文字类图像的占比，确定所述目标视频是否为文字类视频。

图9是根据本公开又一示例性实施例示出的一种视频处理装置中的结构框图。如图9所示，所述装置还包括：第三确定模块40，用于针对每一所述目标视频帧图像，若该目标视频帧图像的所述目标像素点在该目标视频帧图像的所有像素点中的占比大于第三预设阈值，则确定该目标视频帧图像为文字类图像；第四确定模块50，用于根据所述目标视频中第一预设时段内的所述文字类图像的数量和/或时间分布情况，确定所述第一预设时段内的视频内容是否为片头，所述第一预设时段位于所述目标视频对应的整个时段的开始。

在一种可能的实时方式中，如图9所示，所述装置还包括：第五确定模块60，用于针对每一所述目标视频帧图像，若该目标视频帧图像的所述目标像素点在该目标视频帧图像的所有像素点中的占比大于第四预设阈值，则确定该目标视频帧图像为文字类图像；第六确定模块70，用于根据所述目标视频中第二预设时段内的所述文字类图像的数量和/或时间分布情况，确定所述第二预设时段内的视频内容是否为片尾，所述第二预设时段位于所述目标视频对应的整个时段的结尾。

下面参考图10，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图10示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图10所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置606加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置606；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

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，其包括承载在非暂态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装置609从网络上被下载和安装，或者从存储装置606被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端或服务器可以利用诸如HTTP(HyperTextTransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述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该电子设备执行时，使得该电子设备：获取目标视频中的目标视频帧图像；将所述目标视频帧图像输入预设深度学习模型中，以确定所述目标视频帧图像中属于字符区域的目标像素点；根据所述目标视频帧图像的所述目标像素点在所述目标视频帧图像的所有像素点中的占比，确定所述目标视频是否为文字类视频。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取目标视频中的目标视频帧图像的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种视频处理方法，包括：获取目标视频中的目标视频帧图像；将所述目标视频帧图像输入预设深度学习模型中，以确定所述目标视频帧图像中属于字符区域的目标像素点；根据所述目标视频帧图像的所述目标像素点在所述目标视频帧图像的所有像素点中的占比，确定所述目标视频是否为文字类视频。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，还包括：所述预设深度学习模型为字符分割模型，所述字符分割模型通过以下方法来确定所述目标视频帧图像中属于字符区域的目标像素点：确定所述目标视频帧图像中每个像素点属于所述字符区域的概率；将所述目标视频帧图像中属于字符区域的概率大于第一预设阈值的像素点确定为所述目标像素点。

根据本公开的一个或多个实施例，示例3提供了示例1的方法，在所述目标视频帧图像为多个的情况下，所述根据所述目标视频帧图像的所述目标像素点在所述目标视频帧图像的所有像素点中的占比，确定所述目标视频是否为文字类视频包括：针对每一所述目标视频帧图像，若该目标视频帧图像的所述目标像素点在该目标视频帧图像的所有像素点中的占比大于第二预设阈值，则确定该目标视频帧图像为文字类图像；根据所述目标视频中的所有目标视频帧图像中所述文字类图像的占比，确定所述目标视频是否为文字类视频。

根据本公开的一个或多个实施例，示例4提供了示例1的方法，还包括：针对每一所述目标视频帧图像，若该目标视频帧图像的所述目标像素点在该目标视频帧图像的所有像素点中的占比大于第三预设阈值，则确定该目标视频帧图像为文字类图像；根据所述目标视频中第一预设时段内的所述文字类图像的数量和/或时间分布情况，确定所述第一预设时段内的视频内容是否为片头，所述第一预设时段位于所述目标视频对应的整个时段的开始。

根据本公开的一个或多个实施例，示例5提供了示例1的方法，还包括：针对每一所述目标视频帧图像，若该目标视频帧图像的所述目标像素点在该目标视频帧图像的所有像素点中的占比大于第四预设阈值，则确定该目标视频帧图像为文字类图像；根据所述目标视频中第二预设时段内的所述文字类图像的数量和/或时间分布情况，确定所述第二预设时段内的视频内容是否为片尾，所述第二预设时段位于所述目标视频对应的整个时段的结尾。

根据本公开的一个或多个实施例，示例6提供了一种视频处理装置，包括：获取模块，用于获取目标视频中的目标视频帧图像；第一确定模块，用于将所述目标视频帧图像输入预设深度学习模型中，以确定所述目标视频帧图像中属于字符区域的目标像素点；第二确定模块，根据所述目标视频帧图像的所述目标像素点在所述目标视频帧图像的所有像素点中的占比，确定所述目标视频帧图像是否为文字类视频。

根据本公开的一个或多个实施例，示例7提供了示例6的装置，还包括：所述预设深度学习模型为字符分割模型，所述字符分割模型通过以下方法来确定所述目标视频帧图像中属于字符区域的目标像素点：确定所述目标视频帧图像中每个像素点属于所述字符区域的概率；将所述目标视频帧图像中属于字符区域的概率大于第一预设阈值的像素点确定为所述目标像素点。

根据本公开的一个或多个实施例，示例8提供了示例6的装置，在所述目标视频帧图像为多个的情况下，所述第二确定模块包括：第一确定子模块，用于针对每一所述目标视频帧图像，若该目标视频帧图像的所述目标像素点在该目标视频帧图像的所有像素点中的占比大于第二预设阈值，则确定该目标视频帧图像为文字类图像；第二确定子模块，用于根据所述目标视频中的所有目标视频帧图像中所述文字类图像的占比，确定所述目标视频是否为文字类视频。

根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-5中任一项所述示例提供的方法的步骤。

根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-5中任一项所提供的所述方法的步骤。

以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开中公开的(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。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (10)

1.一种视频处理方法，其特征在于，所述方法包括：

获取目标视频中的目标视频帧图像；

将所述目标视频帧图像输入预设深度学习模型中，以确定所述目标视频帧图像中属于字符区域的目标像素点；

根据所述目标视频帧图像的所述目标像素点在所述目标视频帧图像的所有像素点中的占比，确定所述目标视频是否为文字类视频。

2.根据权利要求1所述的方法，其特征在于，所述预设深度学习模型为字符分割模型，所述字符分割模型通过以下方法来确定所述目标视频帧图像中属于字符区域的目标像素点：

确定所述目标视频帧图像中每个像素点属于所述字符区域的概率；

将所述目标视频帧图像中属于字符区域的概率大于第一预设阈值的像素点确定为所述目标像素点。

3.根据权利要求1或2所述的方法，其特征在于，在所述目标视频帧图像为多个的情况下，所述根据所述目标视频帧图像的所述目标像素点在所述目标视频帧图像的所有像素点中的占比，确定所述目标视频是否为文字类视频包括：

针对每一所述目标视频帧图像，若该目标视频帧图像的所述目标像素点在该目标视频帧图像的所有像素点中的占比大于第二预设阈值，则确定该目标视频帧图像为文字类图像；

根据所述目标视频中的所有目标视频帧图像中所述文字类图像的占比，确定所述目标视频是否为文字类视频。

4.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

针对每一所述目标视频帧图像，若该目标视频帧图像的所述目标像素点在该目标视频帧图像的所有像素点中的占比大于第三预设阈值，则确定该目标视频帧图像为文字类图像；

根据所述目标视频中第一预设时段内的所述文字类图像的数量和/或时间分布情况，确定所述第一预设时段内的视频内容是否为片头，所述第一预设时段位于所述目标视频对应的整个时段的开始。

5.根据权利要求1或2所述的方法，其特征在于，所述方法还包括

针对每一所述目标视频帧图像，若该目标视频帧图像的所述目标像素点在该目标视频帧图像的所有像素点中的占比大于第四预设阈值，则确定该目标视频帧图像为文字类图像；

根据所述目标视频中第二预设时段内的所述文字类图像的数量和/或时间分布情况，确定所述第二预设时段内的视频内容是否为片尾，所述第二预设时段位于所述目标视频对应的整个时段的结尾。

6.一种视频处理装置，其特征在于，所述装置包括：

获取模块，用于获取目标视频中的目标视频帧图像；

第一确定模块，用于将所述目标视频帧图像输入预设深度学习模型中，以确定所述目标视频帧图像中属于字符区域的目标像素点；

第二确定模块，根据所述目标视频帧图像的所述目标像素点在所述目标视频帧图像的所有像素点中的占比，确定所述目标视频帧图像是否为文字类视频。

7.根据权利要求6所述的装置，其特征在于，所述预设深度学习模型为字符分割模型，所述字符分割模型通过以下方法来确定所述目标视频帧图像中属于字符区域的目标像素点：

确定所述目标视频帧图像中每个像素点属于所述字符区域的概率；

将所述目标视频帧图像中属于字符区域的概率大于第一预设阈值的像素点确定为所述目标像素点。

8.根据权利要求6或7所述的装置，其特征在于，在所述目标视频帧图像为多个的情况下，所述第二确定模块包括：

第一确定子模块，用于针对每一所述目标视频帧图像，若该目标视频帧图像的所述目标像素点在该目标视频帧图像的所有像素点中的占比大于第二预设阈值，则确定该目标视频帧图像为文字类图像；

第二确定子模块，用于根据所述目标视频中的所有目标视频帧图像中所述文字类图像的占比，确定所述目标视频是否为文字类视频。

9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-5中任一项所述方法的步骤。

10.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-5中任一项所述方法的步骤。