CN111291666A - 游戏直播视频识别方法、装置、电子设备及存储介质 - Google Patents

游戏直播视频识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111291666A
CN111291666A CN202010075044.6A CN202010075044A CN111291666A CN 111291666 A CN111291666 A CN 111291666A CN 202010075044 A CN202010075044 A CN 202010075044A CN 111291666 A CN111291666 A CN 111291666A
Authority
CN
China
Prior art keywords
image
live
game
frame
live video
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.)
Pending
Application number
CN202010075044.6A
Other languages
English (en)
Inventor
贺向波
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.)
Reach Best Technology Co Ltd
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Reach Best 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 Reach Best Technology Co Ltd filed Critical Reach Best Technology Co Ltd
Priority to CN202010075044.6A priority Critical patent/CN111291666A/zh
Publication of CN111291666A publication Critical patent/CN111291666A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本公开关于一种游戏直播识别方法、装置、电子设备及存储介质，以至少解决相关技术中的游戏直播识别方法存在准确率低的问题。所述游戏直播识别方法包括：获取直播平台上待识别的直播视频；从所述待识别的直播视频中截取多帧图像；分别对截取到的各帧图像进行识别，得到各帧图像的识别结果，所述识别结果用于指示对应的图像是否为游戏直播视频中的图像；根据所述各帧图像的识别结果确定所述待识别的直播视频是否为游戏直播视频。

Description

游戏直播视频识别方法、装置、电子设备及存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种游戏直播视频识别方法、装置、电子设备及存储介质。
背景技术
直播是当前互联网非常常见的一种产品形态，按照内容一般可以分为秀场直播和游戏直播，而游戏直播又是其中非常大的一个垂直内容。如何识别出游戏直播对于用户发现游戏直播以及平台推荐，具有非常重要的意义。
相关技术中，通常由直播的主播对其直播进行主动分类，然而该方式常因主播选错分类而导致游戏直播的分类结果不准确。或者，从直播视频中截取某一关键帧图像，通过对该关键帧图像进行识别来对确定直播是否为游戏直播，然而，由于图像识别方法存在一定误差，进而会出现误将秀场直播识别成游戏直播的问题。
发明内容
本公开提供一种游戏直播识别方法、装置、电子设备及存储介质，以至少解决相关技术中的游戏直播识别方法存在准确率低的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种游戏直播识别方法，包括：
获取直播平台上待识别的直播视频；
从所述待识别的直播视频中截取多帧图像；
分别对截取到的各帧图像进行识别，得到各帧图像的识别结果，所述识别结果用于指示对应的图像是否为游戏直播视频中的图像；
根据所述各帧图像的识别结果确定所述待识别的直播视频是否为游戏直播视频。
根据本公开实施例的第二方面，提供一种游戏直播识别装置，包括：
获取单元，被配置为执行获取直播平台上待识别的直播视频；
截取单元，被配置为执行从所述待识别的直播视频中截取多帧图像；
识别单元，被配置为执行分别对截取到的各帧图像进行识别，得到各帧图像的识别结果，所述识别结果用于指示对应的图像是否为游戏直播视频中的图像；
确定单元，被配置为执行根据所述各帧图像的识别结果确定所述待识别的直播视频是否为游戏直播视频。
根据本公开实施例的第三方面，提供一种电子设备，包括：
处理器；
用于存储所述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所述指令，以实现本公开实施例的第一方面所述的游戏直播识别方法。
根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行本公开实施例的第一方面所述的游戏直播识别方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，包括一条或多条指令，该指令可以由电子设备的处理器执行时，使得电子设备能够执行本公开实施例的第一方面所述的游戏直播识别方法。
本公开的实施例提供的技术方案至少带来以下有益效果：通过从直播平台上待识别的直播视频中截取多帧图像并对截取到的各帧图像进行识别，确定各帧图像是否为游戏直播视频中的图像，根据截取到的各帧图像的识别结果综合判定待识别的直播视频是否为游戏直播视频，相较于相关技术中根据主播人工分类结果识别游戏直播视频或者对直播视频中的某一关键帧图像进行图像识别来判定游戏直播视频，可以有效提高游戏直播视频的识别效率和准确率，进而使得直播平台的用户基于待识别的直播视频的识别结果可以快速、准确地找到游戏直播视频，提升用户使用体验。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种游戏直播识别方法的流程图。
图2是根据一示例性实施例示出的另一种游戏直播识别方法的流程图。
图3是根据一示例性实施例示出的又一种游戏直播识别方法的流程图。
图4是根据一示例性实施例示出的一种游戏直播识别装置的框图。
图5是根据一示例性实施例示出的另一种游戏直播识别装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种游戏直播识别方法的流程图，该方法可用于电子设备，该电子设备可以被提供为一服务器。如图1所示，该方法，包括以下步骤：
在步骤S11中，获取直播平台上待识别的直播视频。
在步骤S12中，从所述待识别的直播视频中截取多帧图像。
在本公开实施例中，实施所述游戏直播识别方法的上述电子设备内可设置有截屏服务，电子设备可按照预先设定的时间间隔调用截屏服务，对所述待识别的直播视频进行截屏，得到多帧图像。例如，所述时间间隔可以是每隔5秒、10秒等时间对所述待识别的直播视频进行一次截屏，本公开实施例对此不做限定。
具体实施时，每对所述待识别的直播视频进行一次截屏，可将截取到的图像及图像的时间标识写入缓存redis中存储，以便在需要时从所述缓存redis中读取。
在步骤S13中，分别对截取到的各帧图像进行识别，得到各帧图像的识别结果。
其中，所述识别结果用于指示对应的图像是否为游戏直播视频中的图像。
在步骤S14中，根据截取到的各帧图像的识别结果确定所述待识别的直播视频是否为游戏直播视频。
本公开实施例所述的游戏直播识别方法中，通过从直播平台上待识别的直播视频中截取多帧图像并对截取到的各帧图像进行识别，确定各帧图像是否为游戏直播视频中的图像，根据截取到的各帧图像的识别结果综合判定待识别的直播视频是否为游戏直播视频，相较于相关技术中根据主播人工分类结果识别游戏直播视频或者对直播视频中的某一关键帧图像进行图像识别来判定游戏直播视频，可以有效提高游戏直播视频的识别效率和准确率，进而使得直播平台的用户基于待识别的直播视频的识别结果可以快速、准确地找到游戏直播视频，提升用户使用体验。
在本公开实施例提供的游戏直播识别方法中，对于上述步骤S13，可采用不同的图像识别方式对从待识别的直播视频中截取到的各帧图像进行识别，相应地，对于上述步骤S14，对于采用不同的图像识别方法得到的各帧图像的识别结果，可以采用不同的判定方式判断待识别的直播视频是否为游戏直播视频。
为了使本领域技术人员更加理解本公开实施例提供的技术方案，下面通过具体的实施例对各图像识别方式及对应的游戏直播视频判别方式进行详细说明。
在一种可选的实施方式中，针对上述步骤S13，可使用通过机器学习方法训练得到的分类模型对截取到的各帧图像进行识别。具体地，如图2所示，上述步骤S13可以包括：
在步骤S131中，对于截取到的每帧图像，将该帧图像输入到预先训练的分类模型，得到该帧图像的类别标签。
其中，各帧图像的识别结果包括各帧图像的类别标签，所述类别标签用于指示对应的图像是否为游戏直播视频中的图像，该分类模型基于游戏直播视频中的图像和非游戏直播视频中的图像构成的样本数据以及所述样本数据中的各图像的类别标签训练得到。
可以理解，在该实施方式中，通过预先训练得到的分类模型对从待识别的直播视频中截取的各帧图像进行识别，耗时短，进而可以提高对各帧图像的识别效率。
相应地，针对上述步骤S14，由于预先训练的分类模型存在准确率问题(如不到80％)，可综合该分类模型输出的对截取到的各帧图像的类别标签判定待识别的直播视频是否为游戏直播视频。具体地，可确定类别标签指示为游戏直播视频中的图像在截取到的所有图像中的数量占比，若该数量占比超过预设阈值，则可确定待识别的直播视频为游戏直播视频。其中，所述预设阈值可以根据实际业务需要自定义设置，例如，预设阈值可以设置为80％，本公开实施例对此不做限定。
进一步地，为了提升直播视频的识别速度和实时性以及减小识别工作量，可从截取到的所有图像中筛选出部分图像，根据筛选出的这部分图像的识别结果来判定所述待识别的直播视频是否为游戏直播视频。具体地，如图2所示，上述步骤S14可以包括：
在步骤S141中，基于截取到的各帧图像的时间标识从截取到的所有图像中筛选出预定时间段内的和/或预定数量的多帧图像作为候选图像，得到候选图像集合。
其中，所述预定时间段和所述预定数量均可以根据实际业务需要自定义设置，例如，所述预定时间段可以设置为距当前时刻之前半小时内，所述预定数量可以设置为10帧。
具体实施时，可以从缓存redis中读取所述预定时间段内截取到的多帧图像作为候选图像，或者，从缓存redis中读取预定数量的多帧图像，又或者，从缓存redis中读取所述预定时间段内的预定数量的多帧图像，本公开实施例对此不做限定。
在步骤S142中，确定类别标签指示为游戏直播视频中的图像的候选图像在所述候选图像集合中的数量占比。
在步骤S143中，若所述数量占比超过预设阈值，则确定所述待识别的直播视频为游戏直播视频。
类别标签为游戏直播视频中的图像的候选图像在所述候选图像集合中的数量占比能够在一定程度上反映所述待识别的直播视频为游戏直播视频的可能性，所述数量占比越高，则所述待识别的直播视频为游戏直播视频的可能性越大；反之，则所述待识别的直播视频为游戏直播视频的可能性越小，若此时将所述待识别的直播视频判定为游戏直播视频可能会出现误判的情况。基于此，可通过将所述数量占比与预设阈值进行比对，若所述数量占比超过预设阈值，则可确定所述待识别的直播视频为游戏直播视频。
示例地，如图3所示，可按照预先设定的时间间隔对待识别的直播视频进行一次截屏，得到多帧图像及各帧图像的时间标识。在每截取到一帧图像后，将该帧图像输入到预先训练的分类模型中，得到用于指示该帧图像是否为游戏直播视频中的图像的类别标签，并将该帧图像及其时间标识和类别标签存储至缓存redis中，且重复执行上述操作。接着，根据缓存redis中各帧图像的时间标识读取出半小时以内(预定时间段内)的10帧(预定数量)图像，若从缓存redis中未读取到10帧图像，则不做任何判定；若从缓存redis中读取到10帧图像，则将这10帧图像作为候选图像，得到候选图像集合。进一步地，确定所述候选图像集合中类别标签指示为游戏直播视频中的图像的候选图像在所述候选图像集合中的数量占比，若该数量占比超过预设阈值，则确定所述待识别的直播视频为游戏直播视频；否则，则确定所述待识别的直播视频为非游戏直播视频。
需要说明的是，针对该实施方式中所述的分类模型，本公开实施例还包括对该分类模型的训练方法。并且，对分类模型的训练是根据从直播平台采集到的样本数据预先进行的，后续在对直播平台上待识别的直播视频的识别过程中，无需每次对分类模型进行训练，或者可以周期性地基于从直播平台新采集的样本数据对该分类模型进行更新。
为了能够准确地识别出游戏直播视频，对分类模型的训练方法可以包括：首先，获取直播平台上的历史直播视频集合，其中，所述历史直播视频集合包括游戏直播视频和非游戏直播视频。接着，将所述历史直播视频集合的各历史直播视频中的图像作为训练样本，得到样本数据，并基于所述训练样本所属的历史直播视频的类别确定所述训练样本的类别标签。最后，基于机器学习方法，以所述样本数据作为输入、以所述样本数据中的训练样本的类别标签作为输出，训练初始模型，得到所述分类模型。
其中，所述初始模型可以为任意神经网络，如卷积神经网络(CNN，ConvolutionalNeural Networks)，本公开实施例对此不做限定。
训练样本的类别标签可由人工标记，例如，若作为训练样本的图像所属的历史直播视频为游戏直播视频，则可将该训练样本的类别标签标记为1，以指示该图像为游戏直播视频中的图像；若作为训练样本的图像所属的历史直播视频为非游戏直播视频，则可将该训练样本的类别标签标记为0，以指示该图像为非游戏直播视频中的图像。
在另一种可选的实施方式中，针对上述步骤S13，可通过将截取出的各帧图像与预先存储的样本游戏直播图像进行比对，得到各帧图像与所述样本游戏直播图像的相似度。
其中，所述样本游戏直播图像可以包括从游戏直播视频中截取到的一帧或多帧图像。对于每帧图像，若该帧图像与所述样本游戏直播图像的相似度越大，则表明该帧图像为游戏直播视频中的图像的可能性越大；反之，则表明该帧图像为非游戏直播视频中的图像的可能性越小。
具体地，如图2所示，上述步骤S13可以包括：
在步骤S132中，对于截取到的每帧图像，对该帧图像进行特征提取，得到该帧图像的特征信息。
具体实施时，可首先对截取到的各帧图像进行降噪、灰度处理、调整大小和像素等预处理，以便提高对图像进行特征提取的准确性和效率。接着，采用预设的特征提取算法对预处理后的各帧图像进行特征提取。其中，各帧图像的特征信息具体可以例如包括但不限于颜色、布局、纹理以及形状等特征。
需要说明的是，上述对各帧图像进行特征提取的具体方式属于本领域技术人员公知的，在本公开实施例中不再详细阐述。
在步骤S133中，根据该帧图像的特征信息和预先存储的样本游戏直播图像的特征信息，确定该帧图像与所述样本游戏直播图像的相似度。
具体实施时，对于每帧图像，在提取出该帧图像的特征信息后，可确定该帧图像的特征信息与预先存储的样本游戏直播图像的特征信息之间的距离，进一步根据该距离确定该帧图像与所述样本游戏直播图像的相似度，例如，将该距离作为该帧图像与所述样本游戏直播图像的相似度。其中，所述距离可以包括欧式距离、汉明距离等中的任一种。
相应地，针对上述步骤S14，如图2所示，上述步骤S14可以包括：
在步骤S144中，若截取到的各帧图像与所述样本游戏直播图像的相似度之和超过预设相似度阈值，则确定所述待识别的直播视频为游戏直播视频。
可以理解，该实施方式中，通过对截取到的各帧图像进行特征提取并基于各帧图像的特征信息与预先存储的样本游戏直播图像的特征信息确定各帧图像与所述样本游戏直播图像的相似度，由于各帧图像与所述样本游戏直播图像的相似度能够在较大程度上反映各帧图像为游戏直播视频中的图像的可能性，通过各帧图像对应的相似度的累积和来判定待识别的直播视频是否为游戏直播视频，可以提升对游戏直播视频的识别结果的准确性，且无需收集海量样本数据即可实现对游戏直播视频的识别，实现简单。
图4是根据一示例性实施例示出的一种游戏直播识别装置框图。参照图4，该装置包括获取单元401、截取单元402、识别单元403和确定单元404。
该获取单元401被配置为执行获取直播平台上待识别的直播视频。
该截取单元402被配置为执行从所述待识别的直播视频中截取多帧图像。
该识别单元403被配置为执行分别对截取到的各帧图像进行识别，得到各帧图像的识别结果，所述识别结果用于指示对应的图像是否为游戏直播视频中的图像。
该确定单元404被配置为执行根据所述各帧图像的识别结果确定所述待识别的直播视频是否为游戏直播视频。
本公开实施例所述的游戏直播识别装置中，通过从直播平台上待识别的直播视频中截取多帧图像并对截取到的各帧图像进行识别，确定各帧图像是否为游戏直播视频中的图像，根据截取到的各帧图像的识别结果综合判定待识别的直播视频是否为游戏直播视频，相较于相关技术中根据主播人工分类结果识别游戏直播视频或者对直播视频中的某一关键帧图像进行图像识别来判定游戏直播视频，可以有效提高游戏直播视频的识别效率和准确率，进而使得直播平台的用户基于待识别的直播视频的识别结果可以快速、准确地找到游戏直播视频，提升用户使用体验。
可选地，所述识别单元403具体被配置为执行：
对于截取到的每帧图像，将该帧图像输入到预先训练的分类模型，得到该帧图像的类别标签，其中，所述分类结果包括对应的图像的类别标签，所述类别标签用于指示对应的图像是否为游戏直播视频中的图像，所述分类模型是基于游戏直播视频中的图像和非游戏直播视频中的图像构成的样本数据以及所述样本数据中的各图像的类别标签训练得到。
可选地，所述确定单元404具体被配置为执行：
基于截取到的各帧图像的时间标识从截取到的所有图像中筛选出预定时间段内的和/或预定数量的多帧图像作为候选图像，得到候选图像集合；
确定类别标签指示为游戏直播视频中的图像的候选图像在所述候选图像集合中的数量占比；
若所述数量占比超过预设阈值，则确定所述待识别的直播视频为游戏直播视频。
可选地，如图5所示，所述装置400还包括：
训练单元405，被配置为执行：
在所述识别单元于截取到的每帧图像，将该帧图像输入到预先训练的分类模型之前，获取所述直播平台上的历史直播视频集合，所述历史直播视频集合包括游戏直播视频和非游戏直播视频；
将所述历史直播视频集合的各历史直播视频中的图像作为训练样本，得到样本数据，并根据所述训练样本所属的历史直播视频的类别确定所述训练样本的类别标签；
基于机器学习方法，以所述样本数据作为输入、以所述样本数据中的训练样本的类别标签作为输出，训练初始模型，得到所述分类模型。
可选地，所述识别单元403具体被配置为执行：
对于截取到的每帧图像，对该帧图像进行特征提取，得到该帧图像的特征信息；
根据该帧图像的特征信息和预先存储的样本游戏直播图像的特征信息，确定该帧图像与所述样本游戏直播图像的相似度。
可选地，所述确定单元404具体被配置为执行：
若截取到的各帧图像与所述样本游戏直播图像的相似度之和超过预设相似度阈值，则确定所述待识别的直播视频为游戏直播视频。
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。
图6是根据一示例性实施例示出的一种电子设备600的框图。例如，装置600可以是PC(Personal Computer)机、便携式计算机(例如笔记本电脑等)、桌面型计算机等终端设备。如图6所示，该电子设备600可以包括：处理器601，存储器602。该电子设备600还可以包括多媒体组件603，输入/输出(I/O)接口604，以及通信组件605中的一者或多者。
其中，处理器601用于控制该电子设备600的整体操作，以完成上述的游戏直播识别方法中的全部或部分步骤。存储器602用于存储各种类型的数据以支持在该电子设备600的操作，这些数据例如可以包括用于在该电子设备600上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器602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，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件603可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器602或通过通信组件605发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口604为处理器601和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件605用于该电子设备600与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件605可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，电子设备600可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的游戏直播识别方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的游戏直播识别方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器602，上述程序指令可由电子设备600的处理器601执行以完成上述的游戏直播识别方法。
本公开实施例还提供了一种计算机程序产品，包括指令，当计算机程序产品被计算机所执行时，该指令使得计算机执行上述的游戏直播识别方法。例如，游戏直播识别方法包括以下步骤：
获取直播平台上待识别的直播视频；
从所述待识别的直播视频中截取多帧图像；
分别对截取到的各帧图像进行识别，得到各帧图像的识别结果，所述识别结果用于指示对应的图像是否为游戏直播视频中的图像；
根据所述各帧图像的识别结果确定所述待识别的直播视频是否为游戏直播视频。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种游戏直播识别方法，其特征在于，包括：
获取直播平台上待识别的直播视频；
从所述待识别的直播视频中截取多帧图像；
分别对截取到的各帧图像进行识别，得到各帧图像的识别结果，所述识别结果用于指示对应的图像是否为游戏直播视频中的图像；
根据所述各帧图像的识别结果确定所述待识别的直播视频是否为游戏直播视频。
2.根据权利要求1所述的方法，其特征在于，所述识别结果包括对应的图像的类别标签，所述类别标签用于指示对应的图像是否为游戏直播视频中的图像；
所述根据所述各帧图像的识别结果确定所述待识别的直播视频是否为游戏直播视频，包括：
基于截取到的各帧图像的时间标识从截取到的所有图像中筛选出预定时间段内的和/或预定数量的多帧图像作为候选图像，得到候选图像集合；
确定类别标签指示为游戏直播视频中的图像的候选图像在所述候选图像集合中的数量占比；
若所述数量占比超过预设阈值，则确定所述待识别的直播视频为游戏直播视频。
3.根据权利要求1所述的方法，其特征在于，所述识别结果包括对应的图像与预先存储的样本游戏直播图像的相似度；
所述根据所述各帧图像的识别结果确定所述待识别的直播视频是否为游戏直播视频，包括：
若截取到的各帧图像与所述样本游戏直播图像的相似度之和超过预设相似度阈值，则确定所述待识别的直播视频为游戏直播视频。
4.根据权利要求2所述的方法，其特征在于，所述分别对截取到的各帧图像进行识别，得到各帧图像的识别结果，包括：
对于截取到的每帧图像，将该帧图像输入到预先训练的分类模型，得到该帧图像的类别标签，其中，所述分类模型基于游戏直播视频中的图像和非游戏直播视频中的图像构成的样本数据以及所述样本数据中的各图像的类别标签训练得到。
5.根据权利要求4所述的方法，其特征在于，在对于截取到的每帧图像，将该帧图像输入到预先训练的分类模型之前，所述方法还包括：
获取所述直播平台上的历史直播视频集合，所述历史直播视频集合包括游戏直播视频和非游戏直播视频；
将所述历史直播视频集合的各历史直播视频中的图像作为训练样本，得到样本数据，并根据所述训练样本所属的历史直播视频的类别确定所述训练样本的类别标签；
基于机器学习方法，以所述样本数据作为输入、以所述样本数据中的训练样本的类别标签作为输出，训练初始模型，得到所述分类模型。
6.根据权利要求3所述的方法，其特征在以，所述分别对截取到的各帧图像进行识别，得到各帧图像的识别结果，包括：
对于截取到的每帧图像，对该帧图像进行特征提取，得到该帧图像的特征信息；
根据该帧图像的特征信息和所述样本游戏直播图像的特征信息，确定该帧图像与所述样本游戏直播图像的相似度。
7.一种游戏直播识别装置，其特征在于，包括：
获取单元，被配置为执行获取直播平台上待识别的直播视频；
截取单元，被配置为执行从所述待识别的直播视频中截取多帧图像；
识别单元，被配置为执行分别对截取到的各帧图像进行识别，得到各帧图像的识别结果，所述识别结果用于指示对应的图像是否为游戏直播视频中的图像；
确定单元，被配置为执行根据所述各帧图像的识别结果确定所述待识别的直播视频是否为游戏直播视频。
8.根据权利要求7所述的装置，其特征在于，所述识别结果包括对应的图像的类别标签，所述类别标签用于指示对应的图像是否为游戏直播视频中的图像；
所述确定单元具体被配置为执行：
基于截取到的各帧图像的时间标识从截取到的所有图像中筛选出预定时间段内的和/或预定数量的多帧图像作为候选图像，得到候选图像集合；
确定类别标签指示为游戏直播视频中的图像的候选图像在所述候选图像集合中的数量占比；
若所述数量占比超过预设阈值，则确定所述待识别的直播视频为游戏直播视频。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储所述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所述指令，以实现如权利要求1至6中任一项所述的游戏直播识别方法。
10.一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1至6中任一项所述的游戏直播识别方法。
CN202010075044.6A 2020-01-21 2020-01-21 游戏直播视频识别方法、装置、电子设备及存储介质 Pending CN111291666A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010075044.6A CN111291666A (zh) 2020-01-21 2020-01-21 游戏直播视频识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010075044.6A CN111291666A (zh) 2020-01-21 2020-01-21 游戏直播视频识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111291666A true CN111291666A (zh) 2020-06-16

Family

ID=71024341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010075044.6A Pending CN111291666A (zh) 2020-01-21 2020-01-21 游戏直播视频识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111291666A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114247133A (zh) * 2021-12-27 2022-03-29 北京达佳互联信息技术有限公司 一种游戏视频合成方法、装置、电子设备及存储介质
CN114398514A (zh) * 2021-12-24 2022-04-26 北京达佳互联信息技术有限公司 一种视频展示方法、装置及电子设备
CN114650432A (zh) * 2022-04-25 2022-06-21 咪咕视讯科技有限公司 直播视频显示方法、装置、电子设备和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107040795A (zh) * 2017-04-27 2017-08-11 北京奇虎科技有限公司 一种直播视频的监控方法和装置
CN107197370A (zh) * 2017-06-22 2017-09-22 北京密境和风科技有限公司 一种直播视频的场景检测方法和装置
CN108076354A (zh) * 2017-12-20 2018-05-25 北京潘达互娱科技有限公司 直播间推荐方法及设备
CN109034049A (zh) * 2018-07-23 2018-12-18 北京密境和风科技有限公司 跳舞视频的识别方法及装置
CN109271534A (zh) * 2018-10-19 2019-01-25 武汉斗鱼网络科技有限公司 一种直播数据识别框架、方法、服务器及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107040795A (zh) * 2017-04-27 2017-08-11 北京奇虎科技有限公司 一种直播视频的监控方法和装置
CN107197370A (zh) * 2017-06-22 2017-09-22 北京密境和风科技有限公司 一种直播视频的场景检测方法和装置
CN108076354A (zh) * 2017-12-20 2018-05-25 北京潘达互娱科技有限公司 直播间推荐方法及设备
CN109034049A (zh) * 2018-07-23 2018-12-18 北京密境和风科技有限公司 跳舞视频的识别方法及装置
CN109271534A (zh) * 2018-10-19 2019-01-25 武汉斗鱼网络科技有限公司 一种直播数据识别框架、方法、服务器及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114398514A (zh) * 2021-12-24 2022-04-26 北京达佳互联信息技术有限公司 一种视频展示方法、装置及电子设备
CN114398514B (zh) * 2021-12-24 2022-11-22 北京达佳互联信息技术有限公司 一种视频展示方法、装置及电子设备
CN114247133A (zh) * 2021-12-27 2022-03-29 北京达佳互联信息技术有限公司 一种游戏视频合成方法、装置、电子设备及存储介质
CN114650432A (zh) * 2022-04-25 2022-06-21 咪咕视讯科技有限公司 直播视频显示方法、装置、电子设备和介质
CN114650432B (zh) * 2022-04-25 2023-10-17 咪咕视讯科技有限公司 直播视频显示方法、装置、电子设备和介质

Similar Documents

Publication Publication Date Title
CN110363220B (zh) 行为类别检测方法、装置、电子设备和计算机可读介质
CN111225234B (zh) 视频审核方法、视频审核装置、设备和存储介质
CN110399526B (zh) 视频标题的生成方法、装置和计算机可读存储介质
CN111291666A (zh) 游戏直播视频识别方法、装置、电子设备及存储介质
CN111858973B (zh) 多媒体事件信息的检测方法、装置、服务器及存储介质
CN109034069B (zh) 用于生成信息的方法和装置
CN112860943A (zh) 一种教学视频审核方法、装置、设备及介质
KR102002024B1 (ko) 객체 라벨링 처리 방법 및 객체 관리 서버
CN113469298B (zh) 模型训练方法及资源推荐方法
CN112084812B (zh) 图像处理方法、装置、计算机设备及存储介质
CN112995690B (zh) 直播内容品类识别方法、装置、电子设备和可读存储介质
CN112115950B (zh) 酒标识别方法、酒品信息管理方法、装置、设备及存储介质
CN113763348A (zh) 图像质量确定方法、装置、电子设备及存储介质
CN112183289A (zh) 一种花屏检测方法、装置、设备及介质
CN114005019B (zh) 一种翻拍图像识别方法及其相关设备
CN113221718B (zh) 公式识别方法、装置、存储介质和电子设备
CN111222825A (zh) 基于货物签收的双录方法、装置、终端及存储介质
CN112161984B (zh) 酒品定位方法、酒品信息管理方法、装置、设备及存储介质
CN113010785A (zh) 用户推荐方法及设备
CN110796071B (zh) 行为检测方法、系统、机器可读介质及设备
CN109842805B (zh) 视频看点的生成方法、装置、计算机设备及存储介质
CN111382383A (zh) 网页内容敏感类型确定方法、装置、介质和计算机设备
CN113297417B (zh) 视频推送方法、装置、电子设备和存储介质
CN115018783A (zh) 一种视频水印检测方法和装置、电子设备和存储介质
CN114693554A (zh) 一种大数据图像处理方法及系统

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