CN111432140A - 一种利用人工神经网络进行电视新闻拆条的方法 - Google Patents

一种利用人工神经网络进行电视新闻拆条的方法 Download PDF

Info

Publication number
CN111432140A
CN111432140A CN202010540133.3A CN202010540133A CN111432140A CN 111432140 A CN111432140 A CN 111432140A CN 202010540133 A CN202010540133 A CN 202010540133A CN 111432140 A CN111432140 A CN 111432140A
Authority
CN
China
Prior art keywords
program
common
feature
similarity
neural network
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.)
Granted
Application number
CN202010540133.3A
Other languages
English (en)
Other versions
CN111432140B (zh
Inventor
杨益红
罗宏智
牟骏杰
梅亮
梁安危
梁龙
杨龙
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.)
Chengdu Sobey Digital Technology Co Ltd
Original Assignee
Chengdu Sobey Digital 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 Chengdu Sobey Digital Technology Co Ltd filed Critical Chengdu Sobey Digital Technology Co Ltd
Priority to CN202010540133.3A priority Critical patent/CN111432140B/zh
Publication of CN111432140A publication Critical patent/CN111432140A/zh
Application granted granted Critical
Publication of CN111432140B publication Critical patent/CN111432140B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/43—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of news video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Television Signal Processing For Recording (AREA)

Abstract

本发明涉及媒体新闻技术领域，公开了一种利用人工神经网络进行电视新闻拆条的方法，本方法基于图像识别VGG19网络，对收录的视频进行分类处理，分离出普通节目、主持人场景、片头片花和广告这四类视频；然后，继续对普通节目进一步做特征分析，设置节目特征库，收集分析结果，最后通过节目特征库分离出各条节目，实现普通节目的拆条。本发明利用人工神经网络，排除了对普通节目拆条不相干的影响因素，使拆条准确率得到了大大的提高；同时，本发明预先对审片待播节目进行特征分析，在实时收录时，利用这些分析结果，提高分切节目的效率；而且本发明也大大地节省了人力物力。

Description

一种利用人工神经网络进行电视新闻拆条的方法
技术领域
本发明涉及媒体新闻技术领域，尤其涉及一种利用人工神经网络进行电视新闻拆条的方法。
背景技术
在目前这个以快节凑、互联网为特点的时代，人们利用碎片时间快速高效浏览自己感兴趣的新闻，已经是一个潮流。而传统的电视新闻，每档节目少则十多分钟，多则一两个小时。而通过网络看上两小时的新闻，是不可思议的事情。这就迫切要求能把长的电视新闻按条目分切成短小的完整主题的新闻。
目前，有人利用工具手动对每档新闻进行拆条，也有根据规则开发的智能拆条系统。智能拆条系统根据一些规则，比如利用语音识别找到主持人的固定话语，对片头建立模板进行识别，对主持人进行识别等等方式来对电视节目进行分切，但是这些都存在着各方面的不足。
发明内容
本发明所要解决的技术问题是：针对上述存在的问题，提出利用时下比较热门也比较成熟的人工神经网络来对电视新闻节目进行拆条，该方式不仅拆条准确，而且实时性很高。能达到对直播电视新闻进行边收录边拆条，当某一个完整的小新闻播完，基本上能立即把它分切出来并及时推送给观众，满足了观众对短视频及时性的需求。
本发明采用的技术方案如下：一种利用人工神经网络进行电视新闻拆条的方法，包括：
步骤1：改进人工神经网络；
步骤2：利用电视节目素材，人工标注出主持人场景、片头片花、广告和普通节目四种类型，对改进后的人工神经网络进行训练，得到四种分类模型；
步骤3：利用训练后的人工神经网络，对收录的信号进行分类，分离出主持人场景、片头片花、广告和普通节目；
步骤4：主持人场景、片头片花和广告直接作为拆条结果输出，继续对普通节目进行拆条；
步骤5：利用训练后的人工神经网络，对电视台的待播节目进行特征分析计算，得到待播节目的所有关键特征和普通特征，将其存入节目特征库中待用；
步骤6：再次利用训练后的人工神经网络，对分离出来的普通节目进行特征分析计算，计算出普通节目的关键特征和普通特征，利用其关键特征，在节目特征库中搜索相似度匹配的关键特征，找到对应的待播节目；再根据找到的待播节目的普通特征去匹配普通节目的普通特征，找到一条待分离节目在普通节目中的入出点位置，实现节目拆条；
步骤7：输出拆条后的节目。
进一步的，所述步骤5具体包括：
步骤51：利用训练后的人工神经网络，分析待播节目中的每个视频特征及转场信息，每帧视频都生成一个特征值；
步骤52：计算两个连续帧的特征值的相似度，若相似度低于设定的阈值，则将其判定为关键特征，若相似度高于设定的阈值，则将其判定为普通特征，将关键特征和普通特征放入节目特征库；
其中，所述关键特征用于搜索节目，所述普通特征用于对齐节目的入出点。
进一步的，所述步骤6具体包括：
步骤61：利用训练后的人工神经网络，计算分离出来的普通节目中视频的两个连续帧的特征相似度，若相似度低于设定的阈值，该判定该特征为用于搜索的关键特征；
步骤62：对节目特征库里所有关键特征进行搜索，找出节目特征库中与该关键特征相似度最高的关键特征和其所属的节目以及该节目的所有普通特征；
步骤63：若从节目特征库中找出的关键特征与用于搜索的关键特征之间的相似度低于设定的阈值，则判定搜索失败，则返回步骤61寻找下一个用于搜索的关键特征；若相似度高于设定的阈值，则判定找到一个可分离的节目，进入下一步；
步骤64：以搜索用的关键特征所在普通节目的位置和找到的关键特征所在待播节目的位置，这两个位置对齐为基准，分别向前和向后计算其对应位置的特征相似度，直至待播节目计算完；
步骤65：从待播节目的头一帧开始往后查找，找到第一个相似度满足设定阈值的那一帧，其对应的普通节目位置处为分切的入点帧；从待播节目的最后一帧开始往前查找，找到第一个相似度满足设定阈值的那一帧，其对应的普通节目位置处为分切的出点帧，完成节目拆条。
这样，采用折半计算的方式，在节目拆条时，通过之前在节目特征库中收录的特征信息，对普通节目中的视频段进行分析，提高节目分切的效率。
进一步的，所述步骤1中对人工神经网络的改造包括两个部分，第一个改造部分是使其最后一个输出变为4类；第二个改造部分是从全连接之前的最后一个pool层输出图像特征，每个图像特征为25088个维度的浮点数值。
进一步的，所述人工神经网络选用VGG19网络。
与现有技术相比，采用上述技术方案的有益效果为：
1、本发明利用人工神经网络，预先对审片待播节目进行特征分析，生成节目特征库，在实时收录时，利用这些分析结果，提高分切节目的效率。
2、本发明利用改造后的VGG19网络，先对收录视频进行分类处理，排除了不相干的因素影响，使得节目拆条准确率得到了提高。
3、本发明与人工拆条比较，效率更高，相应地减轻了人的劳动强度，使人从繁重的劳动中解脱出来。
附图说明
图1是本发明方法的逻辑示意图。
图2是输出图像特征的VGG19网络示意图。
图3是改造后的VGG19网络示意图。
图4是节目特征库的构成流程示意图。
图5是利用从节目特征库里搜索到的节目的普通特征来定位普通节目上分切入出点的示意图。
具体实施方式
下面结合附图对本发明做进一步描述。
实施例1
如图1所示，本发明提供一种利用人工神经网络进行电视新闻拆条的方法，具体包括以下内容：
步骤1：先对人工神经网络进行两处改造，第一个改造是使其最后一个输出变为4类，原始的为1000类。
第二个改造是从全连接之前的最后一个pool层输出图像特征。其中，人工神经网络选用VGG19网络，改造后的VGG19网络如图2、图3所示。
步骤2：利用大量的电视节目素材，人工标注出主持人场景、片头片花、广告和普通节目四种类型，对改造后的VGG网络进行训练，得到分类模型。
其中，主持人场景的特点是有人出现，背景是静止的；广告的特征是节凑快，声音大而急；片头片花的特征是视角绚丽；而普通节目是指除开主持人场景、片头片花和广告外的所有电视视频。它其实是很多单条节目前后相连的一个时间线上连续的视频。
步骤3：对电视信号进行收录，再通过步骤2训练的VGG网络，对收录的电视信号进行分类，分离出主持人场景、片头片花、广告和普通节目四类；其中普通节目可能是由多个待拆条的节目前后相连的，还需要进一步将其分离出来。
步骤4：主持人场景、片头片花和广告直接作为拆条结果输出，继续对普通节目进行拆条；
步骤5：如图4所示，利用训练后的人工神经网络，分析待播节目中的每个视频特征及转场信息，每帧视频都生成一个特征值。
计算两个连续帧的特征值的相似度，若相似度低于设定的阈值，则将其判定为关键特征，若相似度高于设定的阈值，则将其判定为普通特征，将关键特征和普通特征放入节目特征库；
其中，所述关键特征用于搜索节目，所述普通特征用于对齐节目的入出点。
待播节目，是指电视台为了播出而在非编上制作的节目。待播节目的视频内容在电视台播出后，会出现在收录信号里。本发明的目的就是在收录信号里找到“待播节目”的位置，从而把它分切出来。
步骤6：步骤61：利用训练后的人工神经网络，计算分离出来的普通节目中视频的两个连续帧的特征相似度，若相似度低于设定的阈值，该判定该特征为用于搜索的关键特征；
步骤62：对节目特征库里所有关键特征进行搜索，找出节目特征库中与该关键特征相似度最高的关键特征和其所属的节目以及该节目的所有普通特征；
步骤63：若从节目特征库中找出的关键特征与用于搜索的关键特征之间的相似度低于设定的阈值，则判定搜索失败，则返回步骤61寻找下一个用于搜索的关键特征；若相似度高于设定的阈值，则判定找到一个可分离的节目，进入下一步；
步骤64：如图5所示，以搜索用的关键特征所在普通节目的位置和找到的关键特征所在待播节目的位置，这两个位置对齐为基准，分别向前和向后计算其对应位置的特征相似度，直至待播节目计算完；
步骤65：从待播节目的头一帧开始往后查找，找到第一个相似度满足设定阈值的那一帧，其对应的普通节目位置处为分切的入点帧；从待播节目的最后一帧开始往前查找，找到第一个相似度满足设定阈值的那一帧，其对应的普通节目位置处为分切的出点帧，完成节目拆条。
这里实际查找入出点，采用的是折半计算的方法。即首先计算待播节目的第一帧与对应到普通节目上的帧，如果他们特征相似很高，则普通节目的这个位置作为入点；如果他们特征相似度低，则计算开头与基准点的中间位置的相似度。如此循环可快速定位到入点。出点同理。
步骤7：输出拆条后的节目。
本发明提出利用时下比较热门也比较成熟的人工神经网络来对电视新闻节目进行拆条。该方式不仅拆条准确，而且实时性很高。能到达对直播电视新闻进行边收录边拆条，当某一个完整的小新闻播完，本发明基本上能立即把它分切出来并及时推送给观众，满足了观众对短视频及时性的需求。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。如果本领域技术人员，在不脱离本发明的精神所做的非实质性改变或改进，都应该属于本发明权利要求保护的范围。

Claims (5)

1.一种利用人工神经网络进行电视新闻拆条的方法，其特征在于，包括：
步骤1：改进人工神经网络；
步骤2：利用电视节目素材，人工标注出主持人场景、片头片花、广告和普通节目四种类型，对改进后的人工神经网络进行训练，得到四种分类模型；
步骤3：利用训练后的人工神经网络，对收录的信号进行分类，分离出主持人场景、片头片花、广告和普通节目；
步骤4：主持人场景、片头片花和广告直接作为拆条结果输出，继续对普通节目进行拆条；
步骤5：利用训练后的人工神经网络，对电视台的待播节目进行特征分析计算，得到待播节目的所有关键特征和普通特征，将其存入节目特征库中待用；
步骤6：再次利用训练后的人工神经网络，对分离出来的普通节目进行特征分析计算，计算出普通节目的关键特征和普通特征，利用其关键特征，在节目特征库中搜索相似度匹配的关键特征，找到对应的待播节目；再根据找到的待播节目的普通特征去匹配普通节目的普通特征，找到一条待分离节目在普通节目中的入出点位置，实现节目拆条；
步骤7：输出拆条后的节目。
2.根据权利要求1所述的一种利用人工神经网络进行电视新闻拆条的方法，其特征在于，所述步骤5具体包括：
步骤51：利用训练后的人工神经网络，分析待播节目中的每个视频特征及转场信息，每帧视频都生成一个特征值；
步骤52：计算两个连续帧的特征值的相似度，若相似度低于设定的阈值，则将其判定为关键特征，若相似度高于设定的阈值，则将其判定为普通特征，将关键特征和普通特征放入节目特征库；
其中，所述关键特征用于搜索节目，所述普通特征用于对齐节目的入出点。
3.根据权利要求1或2所述的一种利用人工神经网络进行电视新闻拆条的方法，其特征在于，所述步骤6具体包括：
步骤61：利用训练后的人工神经网络，计算分离出来的普通节目中视频的两个连续帧的特征相似度，若相似度低于设定的阈值，该判定该特征为用于搜索的关键特征；
步骤62：对节目特征库里所有关键特征进行搜索，找出节目特征库中与该关键特征相似度最高的关键特征和其所属的节目以及该节目的所有普通特征；
步骤63：若从节目特征库中找出的关键特征与用于搜索的关键特征之间的相似度低于设定的阈值，则判定搜索失败，则返回步骤61寻找下一个用于搜索的关键特征；若相似度高于设定的阈值，则判定找到一个可分离的节目，进入下一步；
步骤64：以搜索用的关键特征所在普通节目的位置和找到的关键特征所在待播节目的位置，这两个位置对齐为基准，分别向前和向后计算其对应位置的特征相似度，直至待播节目计算完；
步骤65：从待播节目的头一帧开始往后查找，找到第一个相似度满足设定阈值的那一帧，其对应的普通节目位置处为分切的入点帧；从待播节目的最后一帧开始往前查找，找到第一个相似度满足设定阈值的那一帧，其对应的普通节目位置处为分切的出点帧，完成节目拆条。
4.根据权利要求1或2所述的一种利用人工神经网络进行电视新闻拆条的方法，其特征在于，所述步骤1中对人工神经网络的改造包括两个部分，第一个改造部分是使其最后一个输出变为4类；第二个改造部分是从全连接之前的最后一个pool层输出图像特征，每个图像特征为25088个维度的浮点数值。
5.根据权利要求4所述的一种利用人工神经网络进行电视新闻拆条的方法，其特征在于，所述人工神经网络选用VGG19网络。
CN202010540133.3A 2020-06-15 2020-06-15 一种利用人工神经网络进行电视新闻拆条的方法 Active CN111432140B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010540133.3A CN111432140B (zh) 2020-06-15 2020-06-15 一种利用人工神经网络进行电视新闻拆条的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010540133.3A CN111432140B (zh) 2020-06-15 2020-06-15 一种利用人工神经网络进行电视新闻拆条的方法

Publications (2)

Publication Number Publication Date
CN111432140A true CN111432140A (zh) 2020-07-17
CN111432140B CN111432140B (zh) 2020-09-15

Family

ID=71555288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010540133.3A Active CN111432140B (zh) 2020-06-15 2020-06-15 一种利用人工神经网络进行电视新闻拆条的方法

Country Status (1)

Country Link
CN (1) CN111432140B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112291589A (zh) * 2020-10-29 2021-01-29 腾讯科技（深圳）有限公司 视频文件的结构检测方法、装置
CN112565820A (zh) * 2020-12-24 2021-03-26 新奥特（北京）视频技术有限公司 一种视频新闻拆分方法和装置
CN113435438A (zh) * 2021-06-28 2021-09-24 中国兵器装备集团自动化研究所有限公司 一种图像和字幕融合的视频报幕板提取及视频切分方法
CN117132925A (zh) * 2023-10-26 2023-11-28 成都索贝数码科技股份有限公司 一种体育赛事的智能场记方法及装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7720281B2 (en) * 2006-07-31 2010-05-18 Mavs Lab, Inc. Visual characteristics-based news anchorperson segment detection method
US20150278606A1 (en) * 2012-04-18 2015-10-01 Vixs Systems, Inc. Video processing system with photo generation and methods for use therewith
CN105718871A (zh) * 2016-01-18 2016-06-29 成都索贝数码科技股份有限公司 一种基于统计的视频主持人识别方法
CN106658169A (zh) * 2016-12-18 2017-05-10 北京工业大学 一种基于深度学习多层次分割新闻视频的通用方法
US20180061459A1 (en) * 2016-08-30 2018-03-01 Yahoo Holdings, Inc. Computerized system and method for automatically generating high-quality digital content thumbnails from digital video
CN108710860A (zh) * 2018-05-23 2018-10-26 北京奇艺世纪科技有限公司 一种视频新闻分割方法和装置
CN109640193A (zh) * 2018-12-07 2019-04-16 成都东方盛行电子有限责任公司 一种基于场景检测的新闻拆条方法
US10277946B2 (en) * 2013-10-10 2019-04-30 The Trustees Of Columbia University In The City Of New York Methods and systems for aggregation and organization of multimedia data acquired from a plurality of sources
US20190260969A1 (en) * 2010-02-26 2019-08-22 Comcast Cable Communications, Llc Program Segmentation of Linear Transmission
CN110166828A (zh) * 2019-02-19 2019-08-23 腾讯科技（深圳）有限公司 一种视频处理方法和装置
CN110267061A (zh) * 2019-04-30 2019-09-20 新华智云科技有限公司 一种新闻拆条方法及系统
CN110610500A (zh) * 2019-09-06 2019-12-24 北京信息科技大学 基于动态语义特征的新闻视频自适应拆条方法
CN110941594A (zh) * 2019-12-16 2020-03-31 北京奇艺世纪科技有限公司 一种视频文件的拆分方法、装置、电子设备及存储介质
CN111242110A (zh) * 2020-04-28 2020-06-05 成都索贝数码科技股份有限公司 一种新闻自动拆条的自适应条件随机场算法的训练方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7720281B2 (en) * 2006-07-31 2010-05-18 Mavs Lab, Inc. Visual characteristics-based news anchorperson segment detection method
US20190260969A1 (en) * 2010-02-26 2019-08-22 Comcast Cable Communications, Llc Program Segmentation of Linear Transmission
US20150278606A1 (en) * 2012-04-18 2015-10-01 Vixs Systems, Inc. Video processing system with photo generation and methods for use therewith
US10277946B2 (en) * 2013-10-10 2019-04-30 The Trustees Of Columbia University In The City Of New York Methods and systems for aggregation and organization of multimedia data acquired from a plurality of sources
CN105718871A (zh) * 2016-01-18 2016-06-29 成都索贝数码科技股份有限公司 一种基于统计的视频主持人识别方法
US20180061459A1 (en) * 2016-08-30 2018-03-01 Yahoo Holdings, Inc. Computerized system and method for automatically generating high-quality digital content thumbnails from digital video
CN106658169A (zh) * 2016-12-18 2017-05-10 北京工业大学 一种基于深度学习多层次分割新闻视频的通用方法
CN108710860A (zh) * 2018-05-23 2018-10-26 北京奇艺世纪科技有限公司 一种视频新闻分割方法和装置
CN109640193A (zh) * 2018-12-07 2019-04-16 成都东方盛行电子有限责任公司 一种基于场景检测的新闻拆条方法
CN110166828A (zh) * 2019-02-19 2019-08-23 腾讯科技（深圳）有限公司 一种视频处理方法和装置
CN110267061A (zh) * 2019-04-30 2019-09-20 新华智云科技有限公司 一种新闻拆条方法及系统
CN110610500A (zh) * 2019-09-06 2019-12-24 北京信息科技大学 基于动态语义特征的新闻视频自适应拆条方法
CN110941594A (zh) * 2019-12-16 2020-03-31 北京奇艺世纪科技有限公司 一种视频文件的拆分方法、装置、电子设备及存储介质
CN111242110A (zh) * 2020-04-28 2020-06-05 成都索贝数码科技股份有限公司 一种新闻自动拆条的自适应条件随机场算法的训练方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RAGHVENDRA KANNAO ET AL: "Story Segmentation in TV News Broadcast", 《2016 23RD INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》 *
史惠: "电视新闻节目智能拆条软件系统的设计与实现", 《广播电视信息》 *
李晨杰: "基于音视频特征的新闻拆条算法", 《微型电脑应用》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112291589A (zh) * 2020-10-29 2021-01-29 腾讯科技（深圳）有限公司 视频文件的结构检测方法、装置
CN112291589B (zh) * 2020-10-29 2023-09-22 腾讯科技（深圳）有限公司 视频文件的结构检测方法、装置
CN112565820A (zh) * 2020-12-24 2021-03-26 新奥特（北京）视频技术有限公司 一种视频新闻拆分方法和装置
CN112565820B (zh) * 2020-12-24 2023-03-28 新奥特（北京）视频技术有限公司 一种视频新闻拆分方法和装置
CN113435438A (zh) * 2021-06-28 2021-09-24 中国兵器装备集团自动化研究所有限公司 一种图像和字幕融合的视频报幕板提取及视频切分方法
CN117132925A (zh) * 2023-10-26 2023-11-28 成都索贝数码科技股份有限公司 一种体育赛事的智能场记方法及装置
CN117132925B (zh) * 2023-10-26 2024-02-06 成都索贝数码科技股份有限公司 一种体育赛事的智能场记方法及装置

Also Published As

Publication number Publication date
CN111432140B (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN111432140B (zh) 一种利用人工神经网络进行电视新闻拆条的方法
CN106162223B (zh) 一种新闻视频切分方法和装置
US7327885B2 (en) Method for detecting short term unusual events in videos
CN110012349B (zh) 一种端到端的新闻节目结构化方法
JP4658598B2 (ja) ストリームに埋め込まれた反復オブジェクトに対するユーザ制御を提供するシステムおよび方法
CN102799605A (zh) 一种广告监播方法和系统
US20070112583A1 (en) Learning-Based Automatic Commercial Content Detection
JP2003517786A (ja) ビデオ制作システムおよび方法
CN110881115B (zh) 会议视频的拆条方法及系统
CN1404688A (zh) 利用观测到的副本信息线索进行节目分类的装置和方法
CN109005451B (zh) 基于深度学习的视频拆条方法
CN110691271A (zh) 一种新闻视频生成方法、系统、装置和存储介质
CN108307250A (zh) 一种生成视频摘要的方法及装置
CN115460462B (zh) 一种粤语新闻视频中自动裁剪含主播的视听数据集的方法
CN112019871B (zh) 一种基于大数据的直播电商内容智能管理平台
CN114782879B (zh) 视频识别方法、装置、计算机设备和存储介质
CN112291589A (zh) 视频文件的结构检测方法、装置
CN102377915B (zh) 多媒体文件碎片化的方法及拆条服务器
CN111242110B (zh) 一种新闻自动拆条的自适应条件随机场算法的训练方法
JP7137825B2 (ja) 映像情報提供システム
CN112565820B (zh) 一种视频新闻拆分方法和装置
CN114051154A (zh) 一种新闻视频拆条方法和系统
CN111970416A (zh) 一种智能化广播电视节目制作经营方法
CN109640193B (zh) 一种基于场景检测的新闻拆条方法
JP2009033413A (ja) 情報処理装置及び情報処理方法、並びにプログラム

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