CN110633700B - 视频处理方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种视频处理方法及装置、电子设备和存储介质，所述方法包括：在待处理视频的多个视频帧中，确定出多个目标视频帧；对多个目标视频帧分别进行多个通道的特征提取处理，获得目标视频帧的多个通道的第一特征图；对目标视频帧的第一特征图进行时空提取处理，获得目标视频帧的时空特征信息；根据时空特征信息，对待处理视频进行识别，得到识别结果。根据本公开的实施例视频处理方法，通过顺序置换处理和特征提取处理来获得时空特征信息，无需使用光流或三维卷积等运算开销较大的方式获取时空特征信息，提高处理效率，能够在不增加神经网络的参数数量的情况下，获得较好的时空特征信息表达能力。

Description

视频处理方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种视频处理方法及装置、电子设备和存储介质。

背景技术

视频识别是计算机视觉和人工智能领域里一个非常具备挑战的任务，在真实世界中有着广泛的应用。例如，在短视频应用方面，如果能对整个短视频的内容进行准确理解，就能为不同的客户推荐不同的内容，实现千人千面的个性化内容推荐。在安防监控领域，准确的识别出视频中出现的异常行为事件，对及时防止和抑制危险行为能起到非常积极的作用。与图像识别相比，视频识别中包含了视频的时序信息，可利用这些时序信息进一步帮助视频识别。在相关技术中，可通过光流和3D卷积神经网络来提取和利用这些时序信息，但这些方法的计算开销较大，难以应用于实际。

发明内容

本公开提出了一种视频处理方法及装置、电子设备和存储介质。

根据本公开的一方面，提供了一种视频处理方法，包括：

在待处理视频的多个视频帧中，确定出多个目标视频帧；

对所述多个目标视频帧分别进行多个通道的特征提取处理，获得目标视频帧的多个通道的第一特征图；

对所述目标视频帧的第一特征图进行时空提取处理，获得所述目标视频帧的时空特征信息，其中，所述时空提取处理包括顺序置换处理和特征提取处理，其中，顺序置换处理包括对一个或多个特征提取处理的输入特征图和输出特征图进行顺序置换；

根据所述时空特征信息，对所述待处理视频进行识别，得到识别结果。

根据本公开的实施例视频处理方法，通过顺序置换处理和特征提取处理来获得时空特征信息，有助于对视频进行识别，且无需使用光流或三维卷积等运算开销较大的方式获取时空特征信息，可以以较小的运算开销获得时空特征信息，提高处理效率，能够在不增加神经网络的参数数量的情况下，获得较好的时空特征信息表达能力，取得明显的精度提升，并提升实用性。

在一种可能的实现方式中，对所述目标视频帧的第一特征图进行时空提取处理，获得所述目标视频帧的时空特征信息，包括：

对所述目标视频帧的第一特征图进行第一顺序置换处理，获得多个第一特征图序列，其中，所述第一特征图序列中的第一特征图的顺序与对应的目标视频帧的顺序一致；

对所述第一特征图序列中的第一特征图进行特征提取处理，获得第二特征图序列，其中，所述第二特征图序列中包括与所述第一特征图对应的第二特征图；

对所述第二特征图序列进行第二顺序置换处理，获得所述时空特征信息。

通过这种方式，在未使用三维卷积或光流的情况下提取到包含目标视频帧之间的时序信息的时空特征信息，可不引入更多的网络参数，从而节省运算开销。进一步地，经过第一顺序置换处理，可使神经网络获得与时间顺序一致的时空特征信息，有利于按时间顺序表达视频的内容，并通过第二顺序置换处理将特征图的顺序置换为以对应的目标视频帧为分组依据的顺序，即，表达为各目标视频帧对应的时空特征信息，使获取的时空特征信息中，包含了各目标视频帧的空间信息，有助于对待处理视频进行识别。

在一种可能的实现方式中，对所述目标视频帧的第一特征图进行第一顺序置换处理，获得多个第一特征图序列，包括：

针对每个目标视频帧，将该目标视频帧的多个第一特征图进行分组，获得该目标视频帧的多个第一特征图组，其中，每个所述第一特征图组均具有索引号，各目标视频帧的具有相同索引号的第一特征图组对应于多个通道中的同一组通道；

将各所述目标视频帧的第一特征图组中，索引号相同的第一特征图组按照所述目标视频帧的顺序进行组合，获得与所述索引号对应的第一特征图序列。

通过这种方式，第一顺序置换处理后的第一特征图序列不仅包含了原始连续帧的空间域信息，同时也包含了时间域的信息。通过后续的卷积操作，就能使卷积网络补抓到视频的时空信息。

在一种可能的实现方式中，对所述第二特征图序列进行第二顺序置换处理，获得所述时空特征信息，包括：

将所述第二特征图序列中的第二特征图根据对应的目标视频帧进行分组，获得第二特征图组，同一个第二特征图组中的第二特征图对应同一个目标视频帧；

将各第二特征图组分别进行组合，获得与所述各目标视频帧对应的时空特征信息。

通过这种方式，第二顺序置换处理与第一顺序置换处理过程类似，可以使第一特征图序列经过卷积操作后的通道继续保持之前的空间信息。

在一种可能的实现方式中，对所述目标视频帧的第一特征图进行时空提取处理，获得所述目标视频帧的时空特征信息，包括：

对所述目标视频帧的第一特征图进行第一特征提取处理，获得与第一特征图对应的第三特征图；

对所述第三特征图进行第三顺序置换处理，获得多个第三特征图序列，其中，所述第三特征图序列中的第三特征图的顺序与对应的目标视频帧的顺序一致；

对所述第三特征图序列中的第三特征图进行第二特征提取处理，获得第四特征图序列，其中，所述第四特征图序列中包括与第三特征图对应的第四特征图；

对所述第四特征图序列进行第四顺序置换处理，获得与目标视频帧对应的第三特征图组；

对所述第三特征图组中的第四特征图进行第三特征提取处理，获得与所述目标视频帧对应的时空特征信息。

通过这种方式，在未使用三维卷积或光流的情况下提取到包含目标视频帧之间的时序信息的时空特征信息，可不引入更多的网络参数，从而节省运算开销。进一步地，经过第一顺序置换处理，可使神经网络获得与时间顺序一致的时空特征信息，有利于按时间顺序表达视频的内容，并通过第二顺序置换处理将特征图的顺序置换为以对应的目标视频帧为分组依据的顺序，即，表达为各目标视频帧对应的时空特征信息，使获取的时空特征信息中，包含了各目标视频帧的空间信息，有助于对待处理视频进行识别。

在一种可能的实现方式中，在待处理视频的多个视频帧中，确定出多个目标视频帧，包括：

对待处理视频的多个视频帧进行抽帧处理，获得多个待处理视频帧；

对所述待处理视频帧进行预处理，获得所述多个目标视频帧。

在一种可能的实现方式中，所述视频处理方法通过神经网络来实现，

所述方法还包括：

在样本视频的多个视频帧中，确定出样本视频帧；

将所述样本视频帧输入所述神经网络，获得所述样本视频的训练识别结果；

根据所述训练识别结果与所述样本视频的标注信息，确定所述神经网络的网络损失；

根据所述网络损失，训练所述神经网络。

根据本公开的一方面，提供了一种视频处理装置，包括：

确定模块，用于在待处理视频的多个视频帧中，确定出多个目标视频帧；

提取模块，用于对所述多个目标视频帧分别进行多个通道的特征提取处理，获得目标视频帧的多个通道的第一特征图；

时空模块，用于对所述目标视频帧的第一特征图进行时空提取处理，获得所述目标视频帧的时空特征信息，其中，所述时空提取处理包括顺序置换处理和特征提取处理，其中，顺序置换处理包括对一个或多个特征提取处理的输入特征图和输出特征图进行顺序置换；

识别模块，用于根据所述时空特征信息，对所述待处理视频进行识别，得到识别结果。

在一种可能的实现方式中，所述时空模块被进一步配置为：

对所述目标视频帧的第一特征图进行第一顺序置换处理，获得多个第一特征图序列，其中，所述第一特征图序列中的第一特征图的顺序与对应的目标视频帧的顺序一致；

对所述第一特征图序列中的第一特征图进行特征提取处理，获得第二特征图序列，其中，所述第二特征图序列中包括与所述第一特征图对应的第二特征图；

对所述第二特征图序列进行第二顺序置换处理，获得所述时空特征信息。

在一种可能的实现方式中，所述时空模块被进一步配置为：

针对每个目标视频帧，将该目标视频帧的多个第一特征图进行分组，获得该目标视频帧的多个第一特征图组，其中，每个所述第一特征图组均具有索引号，各目标视频帧的具有相同索引号的第一特征图组对应于多个通道中的同一组通道；

将各所述目标视频帧的第一特征图组中，索引号相同的第一特征图组按照所述目标视频帧的顺序进行组合，获得与所述索引号对应的第一特征图序列。

在一种可能的实现方式中，所述时空模块被进一步配置为：

将所述第二特征图序列中的第二特征图根据对应的目标视频帧进行分组，获得第二特征图组，同一个第二特征图组中的第二特征图对应同一个目标视频帧；

将各第二特征图组分别进行组合，获得与所述各目标视频帧对应的时空特征信息。

在一种可能的实现方式中，所述时空模块被进一步配置为：

对所述目标视频帧的第一特征图进行第一特征提取处理，获得与第一特征图对应的第三特征图；

对所述第三特征图进行第三顺序置换处理，获得多个第三特征图序列，其中，所述第三特征图序列中的第三特征图的顺序与对应的目标视频帧的顺序一致；

对所述第三特征图序列中的第三特征图进行第二特征提取处理，获得第四特征图序列，其中，所述第四特征图序列中包括与第三特征图对应的第四特征图；

对所述第四特征图序列进行第四顺序置换处理，获得与目标视频帧对应的第三特征图组；

对所述第三特征图组中的第四特征图进行第三特征提取处理，获得与所述目标视频帧对应的时空特征信息。

在一种可能的实现方式中，所述确定模块被进一步配置为：

对待处理视频的多个视频帧进行抽帧处理，获得多个待处理视频帧；

对所述待处理视频帧进行预处理，获得所述多个目标视频帧。

在一种可能的实现方式中，所述视频处理方法通过神经网络来实现，

所述装置还包括训练模块，所述训练模块被配置为：

在样本视频的多个视频帧中，确定出样本视频帧；

将所述样本视频帧输入所述神经网络，获得所述样本视频的训练识别结果；

根据所述训练识别结果与所述样本视频的标注信息，确定所述神经网络的网络损失；

根据所述网络损失，训练所述神经网络。

根据本公开的一方面，提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述视频处理方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述视频处理方法。

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，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的视频处理方法的流程图；

图2示出根据本公开实施例的时空提取处理的示意图；

图3示出根据本公开实施例的时空提取处理的示意图；

图4示出根据本公开实施例的视频处理方法的应用示意图；

图5示出根据本公开实施例的视频处理装置的框图；

图6示出根据本公开实施例的电子装置的框图；

图7示出根据本公开实施例的电子装置的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开实施例的视频处理方法的流程图，如图1所示，所述方法包括：

在步骤S11中，在待处理视频的多个视频帧中，确定出多个目标视频帧；

在步骤S12中，对所述多个目标视频帧分别进行多个通道的特征提取处理，获得目标视频帧的多个通道的第一特征图；

在步骤S13中，对所述目标视频帧的第一特征图进行时空提取处理，获得所述目标视频帧的时空特征信息，其中，所述时空提取处理包括顺序置换处理和特征提取处理，其中顺序置换处理包括对一个或多个特征提取处理的输入特征图和输出特征图进行顺序置换；

在步骤S14中，根据所述时空特征信息，对所述待处理视频进行识别，得到识别结果。

根据本公开的实施例视频处理方法，通过顺序置换处理和特征提取处理来获得时空特征信息，有助于对视频进行识别，且无需使用光流或三维卷积等运算开销较大的方式获取时空特征信息，可以以较小的运算开销获得时空特征信息，提高处理效率，能够在不增加神经网络的参数数量的情况下，获得较好的时空特征信息表达能力，取得明显的精度提升，并提升实用性。

在一种可能的实现方式中，所述视频处理方法可以由终端设备或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该视频处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

在一种可能的实现方式中，待处理视频可以是任意视频，例如，监控设备、门禁设备等拍摄到的视频，待处理视频可包含任意内容，例如，车辆行驶或者一个或多个人进行某种动作等内容。待处理视频可包括多个视频帧，在识别待处理视频的内容的过程中，可对待处理视频的全部视频帧进行处理，也可选取一部分视频帧进行处理，例如，可选取一部分有代表性的视频帧进行处理。

在一种可能的实现方式中，可选取一部分视频帧进行处理，以节省计算资源。步骤S11可包括：对待处理视频的多个视频帧进行抽帧处理，获得多个待处理视频帧；对所述待处理视频帧进行预处理，获得所述多个目标视频帧。

在一种可能的实现方式中，可对待处理视频的多个视频帧进行抽帧处理，例如，可通过随机抽样、分层抽样或等间距抽样等方式，从待处理视频的多个视频帧中进行抽帧，以获得T(T为正整数)个待处理视频帧。本公开对抽样方式不做限制。

在一种可能的实现方式中，可对多个待处理视频帧进行预处理，例如，可对T个待处理视频帧进行放缩、切割、归一化等处理，获得T个目标视频帧。在示例中，可将T个待处理视频帧分别进行放缩处理，将待处理视频帧的尺寸放缩为256×256。并可对放缩后的待处理视频帧进行切割处理，例如，可在每个放缩后的待处理视频帧中切割出中央位置的尺寸224×224的图像块。进一步地，可对所述图像块进行归一化处理，获得所述目标视频帧，例如，可进行均值和方差的归一化处理，即，图像块中的每个像素值减去该图像块中像素值的均值，再将相减获得的差值除以该图像块中像素值的方差。本公开对预处理方式不做限制。

通过这种方式，可通过预处理提升图像质量，且使图像尺寸符合神经网络的处理要求，经过归一化的图像可降低神经网络的运算量，提高处理效率。

在一种可能的实现方式中，在步骤S12中，可通过卷积神经网络对目标视频帧分别进行多个通道的特征提取处理，获得各目标视频帧的多个通道的第一特征图。在示例中，所述卷积神经网络可以是二维深度卷积神经网络。相比于三维卷积神经网络，二维深度卷积神经网络的参数较少，训练和处理效率较高。

在一种可能的实现方式中，在步骤S13中，由于待处理视频的各视频帧之间存在时序信息，因此可获取目标视频帧的时空特征信息，以表达待处理视频的各视频帧之间的时序信息，从而为识别视频的类别提供更丰富的信息。

在一种可能的实现方式中，可通过对各通道的特征图进行顺序置换处理以及特征提取处理，来获取目标视频帧的时空特征信息。时空特征信息可以是表示视频帧之间的前后关系的特征信息，例如，按照视频帧的顺序进行排列的特征图等。时空特征信息可表示视频帧的时序，即，可按照视频帧的时间顺序表示视频帧的内容，例如，视频中的一个对象在第一个视频帧中出现在位置A，在第二个视频帧中出现在位置B…时空特征信息可按照视频帧的时间顺序来表达各视频帧中的内容(例如，按照时间顺序表达上述对象的位置)。顺序置换处理包括对一个或多个特征提取处理的输入特征图和输出特征图进行顺序置换。

图2示出根据本公开实施例的时空提取处理的示意图，如图2所示，步骤S13可包括：对所述目标视频帧的第一特征图进行第一顺序置换处理，获得多个第一特征图序列，其中，所述第一特征图序列中的第一特征图的顺序与对应的目标视频帧的顺序一致；对所述第一特征图序列中的第一特征图进行特征提取处理，获得第二特征图序列，其中，所述第二特征图序列中包括与所述第一特征图对应的第二特征图(即，通过第一特征图进行特征提取处理获得的第二特征图)；对所述第二特征图序列进行第二顺序置换处理，获得所述时空特征信息。

在一种可能的实现方式中，所述卷积神经网络可包括多个层级，可通过卷积神经网络的至少一个层级对目标视频帧进行特征提取处理，获得多个通道的第一特征图，进一步地，可通过卷积神经网络的其他层级继续对多个通道的第一特征图进行处理。

在示例中，可在卷积神经网络的一个或多个卷积层之前和之后，分别进行顺序置换处理，即，在一个或多个卷积层之前，进行第一顺序置换处理，使得第一特征图序列中的第一特征图的顺序与对应的目标视频帧的顺序一致，即，第一特征图在第一特征图序列中的排序与第一特征图对应的目标视频帧的排序一致，例如，在第一特征图序列中，可按照第1个目标视频帧的第一特征图，第2个目标视频帧的第一特征图，第3个目标视频帧的第一特征图…的顺序进行排序。因此，第一顺序置换处理后的第一特征图序列不仅包含了原始连续帧的空间域信息，同时也包含了时间域的信息。通过后续的卷积操作，就能使卷积网络补抓到视频的时空信息。并在一个或多个卷积层之后，进行第二顺序置换处理。该第二顺序置换处理与第一顺序置换处理过程类似，可以使第一特征图序列经过卷积操作后的通道继续保持之前的空间信息。

在一种可能的实现方式中，对所述目标视频帧的第一特征图进行第一顺序置换处理，获得多个第一特征图序列，包括：针对每个目标视频帧，将该目标视频帧的多个第一特征图进行分组，获得该目标视频帧的多个第一特征图组，其中，所述第一特征图组具有索引号，目标视频帧的具有相同索引号的第一特征图组对应于多个通道中的同一组通道；将各所述目标视频帧的第一特征图组中，索引号相同的第一特征图组按照所述目标视频帧的顺序进行组合，获得与所述索引号对应的第一特征图序列。

在示例中，每帧目标视频帧的多个第一特征图可用[C，H，W]表示，其中，C(C为正整数)表示通道数，H(H为正整数)表示第一特征图的高度，W(W为正整数)表示第一特征图的宽度。即，每帧目标视频帧对应C个通道的第一特征图。

在示例中，可将C个通道的第一特征图进行分组，或者可将通道进行分组。每组包括的第一特征图的数量或者每组包括的通道数量可由目标视频帧的数量T和通道数C来确定，例如，每组可包括C/T个第一特征图或通道。在示例中，通道数C为64，目标视频帧的数量T为8，则每组可包括8个第一特征图，或者每组可包括8个通道。每个第一特征图组可具有索引号，例如，第1组，第2组，第3组……第8组。例如，可将第1-8个通道的第一特征图划分为第1组，将第9-16个通道的第一特征图划分为第2组…将第57-64个通道的第一特征图划分为第8组。第一特征图组和通道组之间具有对应关系，即，由第1组通道获取第1组第一特征图(第1-8个通道的第一特征图)，第2组通道获取第2组第一特征图(第9-16个通道的第一特征图)……第8组通道获取第8组第一特征图(第57-64个通道的第一特征图)。

在一种可能的实现方式中，将各所述目标视频帧的第一特征图组中，索引号相同的第一特征图按照所述目标视频帧的顺序进行组合，获得与所述索引号对应的第一特征图序列。

在示例中，每个目标视频帧的多个通道的第一特征图均可按照以上方式进行分组。例如，每个目标视频帧的第一特征图均可分为8组。进一步地，可将T个目标视频帧的多个第一特征图组按照目标视频帧的顺序进行组合。

在示例中，目标视频帧是具有时间戳或帧号的视频帧序列，即，各目标视频帧之间具有先后顺序。可将索引号相同的第一特征图组按照所述目标视频帧的顺序进行组合。

例如，将第1个目标视频帧的第1组第一特征图组、第2个目标视频帧的第1组第一特征图组、第3个目标视频帧的第1组第一特征图组……第8个目标视频帧的第1组第一特征图组进行组合，获得与索引号1对应的第一特征图序列。

例如，将第1个目标视频帧的第2组第一特征图组、第2个目标视频帧的第2组第一特征图组、第3个目标视频帧的第2组第一特征图组……第8个目标视频帧的第2组第一特征图组进行组合，获得与索引号2对应的第一特征图序列……可按照这种方式，获得与每个索引号对应的第一特征图序列。即，将以目标视频帧为分组依据的第一特征图的顺序进行置换，获得以索引号为分组依据的第一特征图序列。每个第一特征图序列中，各组第一特征图组均按照目标视频帧的顺序排列，即，按照第1个目标视频帧的第一特征图组、第2个目标视频帧的第一特征图组……第8个目标视频帧的第一特征图组的顺序进行排列，以便在后续处理中获得目标视频帧的时序信息。

在一种可能的实现方式中，可对第一特征图序列中的第一特征图进行特征提取处理。在示例中，可按照目标视频帧的顺序，提取第一特征图序列中的各第一特征图的特征，获取的特征可包含目标视频帧之间的时序信息。

在示例中，可通过1×1卷积、3×3卷积和1×1卷积三个二维卷积层对第一特征图序列中的各第一特征图进行特征提取处理，分别获得每个第一特征图对应的第二特征图，各第二特征图可组成第二特征图序列。即，按照上述方式可获得各索引号对应的第二特征图序列。从而在未使用三维卷积或光流的情况下提取到包含目标视频帧之间的时序信息的第二特征图，可不引入更多的网络参数，从而节省运算开销。可按照这种方式，分别获得各第一特征图序列对应的第二特征图序列。

在一种可能的实现方式中，在获取第二特征图序列后，可将第二特征图序列进行第二顺序置换处理，即，将按照以索引号为分组依据的第二特征图序列进行第二顺序置换处理，将各第二特征图序列中的各第二特征图变换回以目标视频帧为分组依据的分组方式，获得时空特征信息。

在一种可能的实现方式中，对所述第二特征图序列进行第二顺序置换处理，获得所述时空特征信息，包括：将所述第二特征图序列中的第二特征图根据对应的目标视频帧进行分组，获得第二特征图组，同一个第二特征图组中的第二特征图对应同一个目标视频帧；将各第二特征图组分别进行组合，获得与所述各目标视频帧对应的时空特征信息。

在示例中，第二特征图序列中的各第二特征图均为第一特征图进行特征提取获得的，因此各第二特征图也分别对应目标视频帧。可按照第二特征图对应的目标视频帧进行分组，获得第二特征图组。例如，针对某个第二特征图序列，可将序列中的第二特征图分组为第1个目标视频帧的第二特征图组、第2个目标视频帧的第二特征图组……第8个目标视频帧的第二特征图组。可按照这种方式，对每个第二特征图序列中的第二特征图进行分组，获得每个第二特征图序列中的第二特征图组。

在示例中，可将多个第二特征图序列中对应的目标视频帧相同的第二特征图组进行组合。例如，可将第1个第二特征图序列中与第1个目标视频帧对应的第二特征图组、第2个第二特征图序列中与第1个目标视频帧对应的第二特征图组……第8个第二特征图序列中与第1个目标视频帧对应的第二特征图组进行组合，获得与第1个目标视频帧对应的时空特征信息。可将第1个第二特征图序列中与第2个目标视频帧对应的第二特征图组、第2个第二特征图序列中与第2个目标视频帧对应的第二特征图组……第8个第二特征图序列中与第2个目标视频帧对应的第二特征图组进行组合，获得与第2个目标视频帧对应的时空特征信息……可将第1个第二特征图序列中与第8个目标视频帧对应的第二特征图组、第2个第二特征图序列中与第8个目标视频帧对应的第二特征图组……第8个第二特征图序列中与第8个目标视频帧对应的第二特征图组进行组合，获得与第8个目标视频帧对应的时空特征信息。通过这种方式，可对第二特征图序列中的第二特征图进行重新组合，即，进行第二顺序置换处理，获得每个目标视频帧对应的时空特征信息。在所述时空特征信息中，包含了各目标视频帧之间的时序信息，可有助于对待处理视频进行识别。在示例中，可识别视频的类别，例如，识别视频中的目标的动作(例如，一个目标正在走路、骑车、拿取物品等)。

通过这种方式，在未使用三维卷积或光流的情况下提取到包含目标视频帧之间的时序信息的时空特征信息，可不引入更多的网络参数，从而节省运算开销。进一步地，经过第一顺序置换处理，可使神经网络获得与时间顺序一致的时空特征信息，有利于按时间顺序表达视频的内容，并通过第二顺序置换处理将特征图的顺序置换为以对应的目标视频帧为分组依据的顺序，即，表达为各目标视频帧对应的时空特征信息，使获取的时空特征信息中，包含了各目标视频帧的空间信息，有助于对待处理视频进行识别。

图3示出根据本公开实施例的时空提取处理的示意图，如图3所示，步骤S13可包括：对所述目标视频帧的第一特征图进行第一特征提取处理，获得与第一特征图对应的第三特征图；对所述第三特征图进行第三顺序置换处理，获得多个第三特征图序列，其中，所述第三特征图序列中的第三特征图的顺序与对应的目标视频帧的顺序一致；对所述第三特征图序列中的第三特征图进行第二特征提取处理，获得第四特征图序列，其中，所述第四特征图序列中包括与第三特征图对应的第四特征图；对所述第四特征图序列进行第四顺序置换处理，获得与目标视频帧对应的第三特征图组；对所述第三特征图组中的第四特征图进行第三特征提取处理，获得与所述目标视频帧对应的时空特征信息。

在一种可能的实现方式中，可对第一特征图进行第一特征提取处理，获得与各第一特征图对应的第三特征图，在示例中，可对第一特征图进行1×1卷积处理，可过滤无用信息，并获得与各第一特征图对应的第三特征图。

在一种可能的实现方式中，可对第三特征图进行第三顺序置换处理，获得多个第三特征图序列。第三顺序置换处理的方式与第一顺序置换处理的方式类似，可将每个目标视频帧对应的第三特征图进行分组，例如，可分为8组，例如，可将第1-8个通道的第三特征图划分为第1组，将第9-16个通道的第三特征图划分为第2组…将第57-64个通道的第三特征图划分为第8组。并将索引号相同的第三特征图组按照所述目标视频帧的顺序进行组合。例如，将第1个目标视频帧的第1组第三特征图组、第2个目标视频帧的第1组第三特征图组、第3个目标视频帧的第1组第三特征图组……第8个目标视频帧的第1组第三特征图组进行组合，获得与索引号1对应的第三特征图序列，在第三特征图序列中，可按照第1个目标视频帧的第三特征图，第2个目标视频帧的第三特征图，第3个目标视频帧的第三特征图…的顺序进行排序组合。进一步地，可按照上述方式获得每个索引号对应的第三特征图序列。

在一种可能的实现方式中，可对第三特征图序列中的第三特征图进行第二特征提取处理，获得第四特征图序列，在示例中，可对各第三特征图进行3×3卷积处理，获得第四特征图，各第四特征图可组成第四特征图序列。即，按照上述方式可获得各索引号对应的第四特征图序列，第四特征图序列可包含目标视频帧之间的时序信息。

在一种可能的实现方式中，可对第四特征图序列进行第四顺序置换处理。第四顺序置换处理与第二顺序置换处理类似，可将第四特征图序列中的第四特征图按照对应的目标视频帧分组，并将各第四特征图序列中的对应的目标视频帧相同的第四特征图进行组合。例如，可将第1个第四特征图序列中与第1个目标视频帧对应的第四特征图、第2个第四特征图序列中与第1个目标视频帧对应的第四特征图……第8个第四特征图序列中与第1个目标视频帧对应的第四特征图进行组合，获得与第1个目标视频帧对应的第三特征图组。进一步的，可按照这种方式，获得与每个目标视频帧对应的第三特征图组。

在一种可能的实现方式中，可对第三特征图组中的第四特征图进行第三特征提取处理，获得与所述各目标视频帧对应的时空特征信息。在示例中，可对第三特征图组中的第四特征图进行1×1卷积处理，可获得每个目标视频帧对应的时空特征信息。在所述时空特征信息中，包含了各目标视频帧之间的时序信息，有助于对待处理视频进行识别。在示例中，可识别视频的类别，例如，识别视频中的目标的动作(例如，一个目标正在走路、骑车、拿取物品等)。

在一种可能的实现方式中，除图2和图3的时空提取处理方法之外，还可进行其他的时空提取处理。例如，使图2中的第一顺序置换处理的顺序位于第一个1×1卷积和3×3卷积之间，或者使第二顺序置换处理的顺序位于3×3卷积和第二个1×1卷积之间。又例如，使图3中的第三顺序置换处理的顺序位于第一个1×1卷积之前，或者使第四顺序置换处理的顺序位于第二个1×1卷积之后。本公开对时空提取处理的处理顺序不做限制。

在一种可能的实现方式中，在步骤S14中，可根据所述第一特征图和所述时空特征信息，确定待处理视频的识别结果。例如，在卷积神经网络为残差网络的情况下，可通过卷积神经网络的后续的网络层级继续对第一特征图和时空特征信息进行处理，并输出待处理视频的识别结果，例如，该识别结果可以是待处理视频的类别，所述类别可由概率分布等形式表示，本公开对待处理视频的类别的形式不做限制。

在示例中，卷积神经网络也可以不是残差网络，可通过卷积神经网络的后续的网络层级继续时空特征信息进行处理，并输出待处理视频的识别结果。

在一种可能的实现方式中，在所述卷积神经网络的至少一个卷积层之前或之后进行顺序置换处理，可使得卷积神经网络具备提取时空特征信息的能力，可帮助卷积神经网络识别待处理视频，例如，识别待处理视频的类别。本申请公开的视频处理方法，还可根据实际处理需求在至少一个卷积层之前或之后进行顺序置换处理，使得增加顺序置换处理的卷积层具备获得时空特征信息的能力，卷积神经网络可变换为具有获得时空特征信息的能力的神经网络，使该神经网络对待处理视频的识别能力增强。所述卷积神经网络可以是残差神经网络等，本公开对卷积神经网络的类型和结构不做限制。

在一种可能的实现方式中，在使用神经网络，例如，卷积神经网络(该卷积神经网络的至少一个卷积层之前或之后可进行顺序置换处理)对视频进行识别处理前，可对卷积神经网络进行训练。所述方法还包括：在样本视频的多个视频帧中，确定出样本视频帧；将所述样本视频帧输入所述神经网络，获得所述样本视频的训练识别结果；根据所述训练识别结果与所述样本视频的标注信息，确定所述神经网络的网络损失；根据所述网络损失，训练所述神经网络。

在示例中，可使用样本视频对卷积神经网络进行训练，可对样本视频进行抽帧，并对抽取的视频帧进行预处理，获得样本视频帧。并可将样本视频帧输入卷积神经网络进行处理，卷积神经网络可对样本视频帧进行特征提取、顺序置换等处理，并获得样本视频的训练识别结果，例如，样本视频的类别。进一步地，可根据卷积神经网络获取的识别结果(例如，描述样本视频类别的概率分布，可能有偏差)以及样本视频的标注信息(例如，描述样本视频的类别的准确的概率分布)，获得卷积神经网络的网络损失，并利用网络损失训练卷积神经网络，例如，将网络损失进行反向传播，以调整卷积神经网络的网络参数。

在示例中，在训练卷积神经网络的过程中，可针对顺序置换处理进行相关的参数调整，例如，可优先优化顺序置换处理之间的卷积层等。

在示例中，可在网络损失小于或等于预设阈值，或者收敛于预设区间，或者训练次数达到次数阈值时，停止训练，获得训练后的卷积神经网络。训练后的卷积神经网络可用于识别待处理视频，例如，识别待处理视频的类别。

图4示出根据本公开实施例的视频处理方法的应用示意图，如图4所示，可对待处理视频的视频帧进行抽帧和预处理，获得目标视频帧，并可对目标视频帧进行特征提取处理，获得各目标视频帧的第一特征图。

在一种可能的实现方式中，对各目标视频帧的第一特征图进行第一顺序置换处理，获得多个第一特征图序列。例如，每帧目标视频帧对应C个通道的第一特征图。

在一种可能的实现方式中，可将C各通道的第一特征图进行分组，例如，每组可包括C/T个第一特征图或通道。在示例中，通道数C为64，目标视频帧的数量T为8，则每组可包括8个第一特征图，或者每组可包括8个通道。

在一种可能的实现方式中，将第1个目标视频帧的第1组第一特征图组、第2个目标视频帧的第1组第一特征图组、第3个目标视频帧的第1组第一特征图组……第8个目标视频帧的第1组第一特征图组进行组合，获得与索引号1对应的第一特征图序列。将第1个目标视频帧的第2组第一特征图组、第2个目标视频帧的第2组第一特征图组、第3个目标视频帧的第2组第一特征图组……第8个目标视频帧的第2组第一特征图组进行组合，获得与索引号2对应的第一特征图序列……可获得以索引号为分组依据的第一特征图序列。

在一种可能的实现方式中，可对第一特征图序列中的各第一特征图进行特征提取处理。在示例中，可通过1×1卷积、3×3卷积和1×1卷积三个二维卷积层对第一特征图序列中的各第一特征图进行特征提取处理，分别获得每个第一特征图对应的第二特征图，各第二特征图可组成第二特征图序列。可按照这种方式，分别获得各第一特征图序列对应的第二特征图序列。

在一种可能的实现方式中，将第二特征图序列进行第二顺序置换处理，即，将按照以索引号为分组依据的第二特征图序列进行第二顺序置换处理，将各第二特征图序列中的各第二特征图变换回以目标视频帧为分组依据的分组方式，获得时空特征信息。

在一种可能的实现方式中，可通过卷积神经网络的后续的网络层级继续对第一特征图和时空特征信息进行处理，并输出待处理视频的类别。

在一种可能的实现方式中，所述视频处理方法可在不使用光流和三维卷积神经网络等计算消耗较大的方法的基础上，获取待处理视频的时空信息，以帮助识别视频类别。可用于短视频推荐、安防行为识别、异常事件检测以及视频分析理解等领域，本公开对所述方法的应用领域不做限制。

图5示出根据本公开实施例的视频处理装置的框图。如图5所示，所述装置包括：

确定模块11，用于在待处理视频的多个视频帧中，确定出多个目标视频帧；

提取模块12，用于对所述多个目标视频帧分别进行多个通道的特征提取处理，获得目标视频帧的多个通道的第一特征图；

时空模块13，用于对所述目标视频帧的第一特征图进行时空提取处理，获得所述目标视频帧的时空特征信息，其中，所述时空提取处理包括顺序置换处理和特征提取处理，其中，顺序置换处理包括对一个或多个特征提取处理的输入特征图和输出特征图进行顺序置换；

识别模块14，用于根据时空特征信息，对所述待处理视频进行识别，得到识别结果。

在一种可能的实现方式中，所述时空模块被进一步配置为：

对所述目标视频帧的第一特征图进行第一顺序置换处理，获得多个第一特征图序列，其中，所述第一特征图序列中的第一特征图的顺序与对应的目标视频帧的顺序一致；

对所述第一特征图序列中的第一特征图进行特征提取处理，获得第二特征图序列，其中，所述第二特征图序列中包括与所述第一特征图对应的第二特征图；

对所述第二特征图序列进行第二顺序置换处理，获得所述时空特征信息。

在一种可能的实现方式中，所述时空模块被进一步配置为：

针对每个目标视频帧，将该目标视频帧的多个第一特征图进行分组，获得该目标视频帧的多个第一特征图组，其中，每个所述第一特征图组均具有索引号，各目标视频帧的具有相同索引号的第一特征图组对应于多个通道中的同一组通道；

将各所述目标视频帧的第一特征图组中，索引号相同的第一特征图组按照所述目标视频帧的顺序进行组合，获得与所述索引号对应的第一特征图序列。

在一种可能的实现方式中，所述时空模块被进一步配置为：

将所述第二特征图序列中的第二特征图根据对应的目标视频帧进行分组，获得第二特征图组，同一个第二特征图组中的第二特征图对应同一个目标视频帧；

将各第二特征图组分别进行组合，获得与所述各目标视频帧对应的时空特征信息。

在一种可能的实现方式中，所述时空模块被进一步配置为：

对所述目标视频帧的第一特征图进行第一特征提取处理，获得与第一特征图对应的第三特征图；

对所述第三特征图进行第三顺序置换处理，获得多个第三特征图序列，其中，所述第三特征图序列中的第三特征图的顺序与对应的目标视频帧的顺序一致；

对所述第三特征图序列中的第三特征图进行第二特征提取处理，获得第四特征图序列，其中，所述第四特征图序列中包括与第三特征图对应的第四特征图；

对第四特征图序列进行第四顺序置换处理，获得与目标视频帧对应的第三特征图组；

对所述第三特征图组中的第四特征图进行第三特征提取处理，获得与所述目标视频帧对应的时空特征信息。

在一种可能的实现方式中，所述确定模块被进一步配置为：

对待处理视频的多个视频帧进行抽帧处理，获得多个待处理视频帧；

对所述待处理视频帧进行预处理，获得所述多个目标视频帧。

在一种可能的实现方式中，所述视频处理方法通过神经网络来实现，

所述装置还包括训练模块，所述训练模块被配置为：

在样本视频的多个视频帧中，确定出样本视频帧；

将所述样本视频帧输入所述神经网络，获得所述样本视频的训练识别结果；

根据所述训练识别结果与所述样本视频的标注信息，确定所述神经网络的网络损失；

根据所述网络损失，训练所述神经网络。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了视频处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种视频处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性计算机可读存储介质或非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图6是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图片搜索方法的指令。

本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图片搜索方法的操作。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

图7是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (16)

1.一种视频处理方法，其特征在于，包括：

在待处理视频的多个视频帧中，确定出多个目标视频帧；

对所述多个目标视频帧分别进行多个通道的特征提取处理，获得目标视频帧的多个通道的第一特征图；

对所述目标视频帧的第一特征图进行时空提取处理，获得所述目标视频帧的时空特征信息，其中，所述时空提取处理包括顺序置换处理和特征提取处理，其中，顺序置换处理包括对一个或多个特征提取处理的输入特征图分别进行顺序置换，使得顺序置换后的输入特征图按照视频帧的顺序排列，和/或，对一个或多个特征提取处理的输出特征图分别进行顺序置换，使得顺序置换后的输出特征图按照视频帧的顺序排列；

根据所述时空特征信息，对所述待处理视频进行识别，得到识别结果。

2.根据权利要求1所述的方法，其特征在于，对所述目标视频帧的第一特征图进行时空提取处理，获得所述目标视频帧的时空特征信息，包括：

对所述目标视频帧的第一特征图进行第一顺序置换处理，获得多个第一特征图序列，其中，所述第一特征图序列中的第一特征图的顺序与对应的目标视频帧的顺序一致；

对所述第一特征图序列中的第一特征图进行特征提取处理，获得第二特征图序列，其中，所述第二特征图序列中包括与所述第一特征图对应的第二特征图；

对所述第二特征图序列进行第二顺序置换处理，获得所述时空特征信息。

3.根据权利要求2所述的方法，其特征在于，对所述目标视频帧的第一特征图进行第一顺序置换处理，获得多个第一特征图序列，包括：

针对每个目标视频帧，将该目标视频帧的多个第一特征图进行分组，获得该目标视频帧的多个第一特征图组，其中，每个所述第一特征图组均具有索引号，各目标视频帧的具有相同索引号的第一特征图组对应于多个通道中的同一组通道；

将各所述目标视频帧的第一特征图组中，索引号相同的第一特征图组按照所述目标视频帧的顺序进行组合，获得与所述索引号对应的第一特征图序列。

4.根据权利要求2所述的方法，其特征在于，对所述第二特征图序列进行第二顺序置换处理，获得所述时空特征信息，包括：

将所述第二特征图序列中的第二特征图根据对应的目标视频帧进行分组，获得第二特征图组，同一个第二特征图组中的第二特征图对应同一个目标视频帧；

将各第二特征图组分别进行组合，获得与所述各目标视频帧对应的时空特征信息。

5.根据权利要求1所述的方法，其特征在于，对所述目标视频帧的第一特征图进行时空提取处理，获得所述目标视频帧的时空特征信息，包括：

对所述目标视频帧的第一特征图进行第一特征提取处理，获得与第一特征图对应的第三特征图；

对所述第三特征图进行第三顺序置换处理，获得多个第三特征图序列，其中，所述第三特征图序列中的第三特征图的顺序与对应的目标视频帧的顺序一致；

对所述第三特征图序列中的第三特征图进行第二特征提取处理，获得第四特征图序列，其中，所述第四特征图序列中包括与第三特征图对应的第四特征图；

对所述第四特征图序列进行第四顺序置换处理，获得与目标视频帧对应的第三特征图组；

对所述第三特征图组中的第四特征图进行第三特征提取处理，获得与所述目标视频帧对应的时空特征信息。

6.根据权利要求1所述的方法，其特征在于，在待处理视频的多个视频帧中，确定出多个目标视频帧，包括：

对待处理视频的多个视频帧进行抽帧处理，获得多个待处理视频帧；

对所述待处理视频帧进行预处理，获得所述多个目标视频帧。

7.根据权利要求1所述的方法，其特征在于，所述视频处理方法通过神经网络来实现，

所述方法还包括：

在样本视频的多个视频帧中，确定出样本视频帧；

将所述样本视频帧输入所述神经网络，获得所述样本视频的训练识别结果；

根据所述训练识别结果与所述样本视频的标注信息，确定所述神经网络的网络损失；

根据所述网络损失，训练所述神经网络。

8.一种视频处理装置，其特征在于，包括：

确定模块，用于在待处理视频的多个视频帧中，确定出多个目标视频帧；

提取模块，用于对所述多个目标视频帧分别进行多个通道的特征提取处理，获得目标视频帧的多个通道的第一特征图；

时空模块，用于对所述目标视频帧的第一特征图进行时空提取处理，获得所述目标视频帧的时空特征信息，其中，所述时空提取处理包括顺序置换处理和特征提取处理，其中，顺序置换处理包括对一个或多个特征提取处理的输入特征图和分别进行顺序置换，使得顺序置换后的输入特征图按照视频帧的顺序排列，和/或，对一个或多个特征提取处理的输出特征图分别进行顺序置换，使得顺序置换后的输出特征图按照视频帧的顺序排列；

识别模块，用于根据所述时空特征信息，对所述待处理视频进行识别，得到识别结果。

9.根据权利要求8所述的装置，其特征在于，所述时空模块被进一步配置为：

对所述目标视频帧的第一特征图进行第一顺序置换处理，获得多个第一特征图序列，其中，所述第一特征图序列中的第一特征图的顺序与对应的目标视频帧的顺序一致；

对所述第一特征图序列中的第一特征图进行特征提取处理，获得第二特征图序列，其中，所述第二特征图序列中包括与所述第一特征图对应的第二特征图；

对所述第二特征图序列进行第二顺序置换处理，获得所述时空特征信息。

10.根据权利要求9所述的装置，其特征在于，所述时空模块被进一步配置为：

针对每个目标视频帧，将该目标视频帧的多个第一特征图进行分组，获得该目标视频帧的多个第一特征图组，其中，每个所述第一特征图组均具有索引号，各目标视频帧的具有相同索引号的第一特征图组对应于多个通道中的同一组通道；

将各所述目标视频帧的第一特征图组中，索引号相同的第一特征图组按照所述目标视频帧的顺序进行组合，获得与所述索引号对应的第一特征图序列。

11.根据权利要求9所述的装置，其特征在于，所述时空模块被进一步配置为：

将所述第二特征图序列中的第二特征图根据对应的目标视频帧进行分组，获得第二特征图组，同一个第二特征图组中的第二特征图对应同一个目标视频帧；

将各第二特征图组分别进行组合，获得与所述各目标视频帧对应的时空特征信息。

12.根据权利要求8所述的装置，其特征在于，所述时空模块被进一步配置为：

对所述目标视频帧的第一特征图进行第一特征提取处理，获得与第一特征图对应的第三特征图；

对所述第三特征图进行第三顺序置换处理，获得多个第三特征图序列，其中，所述第三特征图序列中的第三特征图的顺序与对应的目标视频帧的顺序一致；

对所述第三特征图序列中的第三特征图进行第二特征提取处理，获得第四特征图序列，其中，所述第四特征图序列中包括与第三特征图对应的第四特征图；

对所述第四特征图序列进行第四顺序置换处理，获得与目标视频帧对应的第三特征图组；

对所述第三特征图组中的第四特征图进行第三特征提取处理，获得与所述目标视频帧对应的时空特征信息。

13.根据权利要求8所述的装置，其特征在于，所述确定模块被进一步配置为：

对待处理视频的多个视频帧进行抽帧处理，获得多个待处理视频帧；

对所述待处理视频帧进行预处理，获得所述多个目标视频帧。

14.根据权利要求8所述的装置，其特征在于，所述视频处理方法通过神经网络来实现，

所述装置还包括训练模块，所述训练模块被配置为：

在样本视频的多个视频帧中，确定出样本视频帧；

将所述样本视频帧输入所述神经网络，获得所述样本视频的训练识别结果；

根据所述训练识别结果与所述样本视频的标注信息，确定所述神经网络的网络损失；

根据所述网络损失，训练所述神经网络。

15.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至7中任意一项所述的方法。

16.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。

Images