CN111783731B - 用于提取视频特征的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于提取视频特征的方法和装置。该方法的一具体实施方式包括：获取目标视频；从该目标视频中提取目标数目的视频帧，生成视频帧集合；提取该视频帧集合中的各视频帧对应的帧特征向量；将所提取的各视频帧对应的帧特征向量进行聚合，得到与该目标视频对应的视频特征，其中，该聚合包括以下至少一项：自适应权重聚合，时序关联聚合。该实施方式实现了对视频特征的优化，使得视频特征能够尽可能避免所提取的劣质帧的影响，从而为后续的视频匹配提供坚实的技术基础。

Description

用于提取视频特征的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于提取视频特征的方法和装置。

背景技术

随着互联网上的内容从以前的纯文本演变为各种形式的多媒体表示(例如图片，音频和视频)，基于内容的视频检索技术取得了越来越快的发展。在基于内容的视频检索领域，相关的方式通常包括提取视频特征以及根据视频特征进行视频间的相似度计算。因此，如何更有效地提取视频特征以更好地表征视频内容在整个视频检索过程中起着重要的作用。

发明内容

本申请实施例提出了用于提取视频特征的方法和装置。

第一方面，本申请实施例提供了一种用于提取视频特征的方法，该方法包括：获取目标视频；从目标视频中提取目标数目的视频帧，生成视频帧集合；提取视频帧集合中的各视频帧对应的帧特征向量；将所提取的各视频帧对应的帧特征向量进行聚合，得到与目标视频对应的视频特征，其中，聚合包括以下至少一项：自适应权重聚合，时序关联聚合。

在一些实施例中，上述聚合包括自适应权重聚合；以及上述将所提取的各视频帧对应的帧特征向量进行聚合，得到与目标视频对应的视频特征，包括：将所提取的各视频帧对应的帧特征向量输入至预先训练的特征聚合模型，生成尺度与帧特征向量一致的、聚合后的特征向量作为与目标视频对应的视频特征。

在一些实施例中，上述视频帧集合包括与视频帧在目标视频中的顺序一致的视频帧序列，上述聚合包括时序关联聚合；以及上述将所提取的各视频帧对应的帧特征向量进行聚合，得到与目标视频对应的视频特征，包括：基于视频帧集合中的各视频帧的上下文信息，对各视频帧对应的帧特征向量进行调整，生成各视频帧对应的调整后的帧特征向量；基于所生成的各视频帧对应的调整后的帧特征向量，生成与目标视频对应的视频特征。

在一些实施例中，上述基于视频帧集合中的各视频帧的上下文信息，对各视频帧对应的帧特征向量进行调整，生成各视频帧对应的调整后的帧特征向量，包括：根据各视频帧对应的帧特征向量，生成与视频帧序列顺序一致的帧特征向量序列；将帧特征向量序列输入至预先训练的时序聚合模型，生成聚合后的帧特征向量序列，其中，聚合后的帧特征向量序列中的帧特征向量与所生成的与视频帧序列对应的帧特征向量序列中的帧特征向量的尺度一致。

在一些实施例中，上述基于所生成的各视频帧对应的调整后的帧特征向量，生成与目标视频对应的视频特征，包括：从时间维度对各视频帧对应的调整后的帧特征向量进行聚合，生成尺度与帧特征向量一致的聚合后的特征向量作为与目标视频对应的视频特征。

在一些实施例中，上述提取视频帧集合中的各视频帧对应的帧特征向量，包括：将视频帧集合中的各视频帧输入至预先训练的特征提取网络，生成特征提取网络所包括的神经元输出的分别与各视频帧对应的第一特征图；对所生成的各第一特征图进行第一池化，生成与各第一特征图对应的第二特征图；对所生成的各第二特征图进行第二池化，生成与各第二特征图对应的特征值；将所生成的特征值组合成各视频帧对应的帧特征向量，其中，帧特征向量中的元素包括对应于同一视频帧的特征值。

在一些实施例中，上述第一池化包括局部最大值池化，上述第二池化包括平均池化。

第二方面，本申请实施例提供了一种用于提取视频特征的装置，该装置包括：获取单元，被配置成获取目标视频；帧提取单元，被配置成从目标视频中提取目标数目的视频帧，生成视频帧集合；特征提取单元，被配置成提取视频帧集合中的各视频帧对应的帧特征向量；聚合单元，被配置成将所提取的各视频帧对应的帧特征向量进行聚合，得到与目标视频对应的视频特征，其中，聚合包括以下至少一项：自适应权重聚合，时序关联聚合。

在一些实施例中，上述聚合包括自适应权重聚合；以及上述聚合单元被进一步配置成：将所提取的各视频帧对应的帧特征向量输入至预先训练的特征聚合模型，生成尺度与帧特征向量一致的、聚合后的特征向量作为与目标视频对应的视频特征。

在一些实施例中，上述视频帧集合包括与视频帧在目标视频中的顺序一致的视频帧序列，上述聚合包括时序关联聚合；以及上述聚合单元包括：调整子单元，被配置成基于视频帧集合中的各视频帧的上下文信息，对各视频帧对应的帧特征向量进行调整，生成各视频帧对应的调整后的帧特征向量；聚合子单元，被配置成基于所生成的各视频帧对应的调整后的帧特征向量，生成与目标视频对应的视频特征。

在一些实施例中，上述调整子单元包括：生成模块，被配置成根据各视频帧对应的帧特征向量，生成与视频帧序列顺序一致的帧特征向量序列；聚合模块，被配置成将帧特征向量序列输入至预先训练的时序聚合模型，生成聚合后的帧特征向量序列，其中，聚合后的帧特征向量序列中的帧特征向量与所生成的与视频帧序列对应的帧特征向量序列中的帧特征向量的尺度一致。

在一些实施例中，上述聚合子单元进一步被配置成从时间维度对各视频帧对应的调整后的帧特征向量进行聚合，生成尺度与帧特征向量一致的聚合后的特征向量作为与目标视频对应的视频特征。

在一些实施例中，上述特征提取单元包括：第一生成子单元，被配置成将视频帧集合中的各视频帧输入至预先训练的特征提取网络，生成特征提取网络所包括的神经元输出的分别与各视频帧对应的第一特征图；第一池化子单元，被配置成对所生成的各第一特征图进行第一池化，生成与各第一特征图对应的第二特征图；第二池化子单元，被配置成对所生成的各第二特征图进行第二池化，生成与各第二特征图对应的特征值；第二生成子单元，被配置成将所生成的特征值组合成各视频帧对应的帧特征向量，其中，帧特征向量中的元素包括对应于同一视频帧的特征值。

在一些实施例中，上述第一池化包括局部最大值池化，上述第二池化包括平均池化。

第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于提取视频特征的方法和装置，通过首先从视频中提取目标帧对应的帧特征向量，再将所提取的帧特征向量进行自适应权重或时序关联聚合，实现了对视频特征的优化，使得视频特征能够尽可能避免所提取的劣质帧的影响，从而为后续的视频匹配提供坚实的技术基础。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于提取视频特征的方法的一个实施例的流程图；

图3是根据本申请的实施例的用于提取视频特征的方法的一个应用场景的示意图；

图4是根据本申请的用于提取视频特征的方法的又一个实施例的流程图；

图5是根据本申请的用于提取视频特征的装置的一个实施例的结构示意图；

图6是适于用来实现本申请的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于提取视频特征的方法或用于提取视频特征的装置的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持视频播放的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上呈现的待播放视频提供支持的后台服务器。后台服务器可以对接收到的目标视频进行特征提取等处理，并生成特征提取结果。而后，可以基于所生成的特征提取结果选取匹配的视频。可选地，后台服务器还可以将上述所选取的匹配的视频反馈给终端设备。

需要说明的是，上述目标视频也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的目标视频并进行处理，此时，可以不存在终端设备101、102、103和网络104。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于提取视频特征的方法一般由服务器105执行，相应地，用于提取视频特征的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于提取视频特征的方法的一个实施例的流程200。该用于提取视频特征的方法包括以下步骤：

步骤201，获取目标视频。

在本实施例中，用于提取视频特征的方法的执行主体(如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取目标视频。其中，上述目标视频可以是根据实际的应用需求预先指定的任意视频(例如视频数据库中的视频)，也可以是根据规则而定的视频(例如终端设备发送的待匹配视频)。

作为示例，上述执行主体可以获取预先存储于本地的目标视频，也可以获取与之通信连接的电子设备(例如图1所示的终端设备)发送的目标视频。

步骤202，从目标视频中提取目标数目的视频帧，生成视频帧集合。

在本实施例中，上述执行主体可以通过各种方式从上述步骤201所获取的目标视频中提取目标数目的视频帧，从而生成视频帧集合。作为示例，上述执行主体可以按照预设的时间间隔(例如每1秒)从上述目标视频中均匀提抽帧，从而提取目标数目的视频帧。作为又一示例，上述执行主体可以从每一预设时间间隔(例如1秒)中选取图像质量符合要求(例如不模糊)的一帧，从而提取目标数目的视频帧。其中，上述目标数目可以是预先设定的任意数目，也可以是根据视频的时长而得到的数目。从而，上述执行主体可以将所提取的目标数目的视频帧组成视频帧集合。

步骤203，提取视频帧集合中的各视频帧对应的帧特征向量。

在本实施例中，上述执行主体可以通过各种方式提取步骤202所生成的视频帧集合中的各视频帧对应的帧特征向量。其中，上述帧特征向量通常可以采用特征表示(embedding)的形式。

步骤204，将所提取的各视频帧对应的帧特征向量进行聚合，得到与目标视频对应的视频特征。

在本实施例中，上述执行主体可以通过各种方式将步骤203所提取的各视频帧对应的帧特征向量进行聚合，得到与上述目标视频对应的视频特征。其中，上述聚合可以包括以下至少一项：自适应权重聚合，时序关联聚合。上述自适应权重聚合可以用于表征各帧特征向量所对应的聚合权重根据待聚合的帧特征向量的不同而动态调整。上述时序关联聚合可以用于表征上述与上述目标视频对应的视频特征可以体现各视频帧之间的时序信息。

在本实施例的一些可选的实现方式中，上述聚合可以包括自适应权重聚合。上述执行主体可以将所提取的各视频帧对应的帧特征向量输入至预先训练的特征聚合模型，生成尺度与帧特征向量一致的、聚合后的特征向量作为与上述目标视频对应的视频特征。其中，上述特征聚合模型可以包括自适应权重网络。上述执行主体可以将所提取的各视频帧对应的帧特征向量输入至预先训练的自适应权重网络，得到与输入的各帧特征向量对应的聚合权重。之后，上述执行主体可以按照所得到是聚合权重，将上述所提取的各视频帧对应的帧特征向量进行加权聚合，从而生成与上述目标视频对应的视频特征。

基于上述可选的实现方式，通过训练后的自适应权重，可以在抽取到存在运动模糊、遮挡和镜头失焦等问题的劣质视频帧时降低其帧特征向量在所聚合成的视频特征中的权重，从而减少劣质帧对视频整体特征的影响。

可选地，上述特征聚合模型可以包括基于VLAD(Vector of Local AggregatedDescriptors)网络的各种模型，例如NetVLAD或NeXtVLAD网络。从而，可以将原本应用于将图像的局部特征的聚合为图像特征的网络应用于视频中的视频帧的特征的聚合，从而可以使得所生成的视频特征能够更大程度上保留视频帧的特征所包含的信息。

在本实施例的一些可选的实现方式中，上述视频帧集合可以包括与视频帧在上述目标视频中的顺序一致的视频帧序列。上述聚合可以包括时序关联聚合。上述执行主体可以通过以下步骤将所提取的各视频帧对应的帧特征向量进行聚合，得到与目标视频对应的视频特征：

第一步，基于视频帧集合中的各视频帧的上下文信息，对各视频帧对应的帧特征向量进行调整，生成各视频帧对应的调整后的帧特征向量。

在这些实现方式中，基于视频帧集合中的各视频帧的上下文信息，上述执行主体可以利用各种方式对步骤203所提取的各视频帧对应的帧特征向量进行调整，以生成各视频帧对应的调整后的帧特征向量。作为示例，对于上述视频帧集合中的视频帧，上述执行主体可以选取与该视频帧在时序上相关联的目标数目个关联的视频帧(例如在时序上相邻的前两帧和后两帧)。而后，上述执行主体可以将上述所选取的视频帧和关联的视频帧按照时序排列。而后，将排序后的视频帧序列输入至预先训练的循环神经网络(Recurrent NeuralNetwork,RNN)，得到与上述视频帧序列对应的调整后的帧特征向量。

可选地，基于视频帧集合中的各视频帧的上下文信息，上述执行主体还可以通过以下步骤对各视频帧对应的帧特征向量进行调整，生成各视频帧对应的调整后的帧特征向量：

S1、根据各视频帧对应的帧特征向量，生成与视频帧序列顺序一致的帧特征向量序列。

在这些实现方式中，上述执行主体可以将上述步骤203所提取的各视频帧对应的帧特征向量按照与上述视频帧序列中的视频帧一致的顺序排列，形成帧特征向量序列。

S2、将帧特征向量序列输入至预先训练的时序聚合模型，生成聚合后的帧特征向量序列。

在这些实现方式中，上述执行主体可以将上述步骤S1所生成的帧特征向量序列输入至预先训练的时序聚合模型，生成聚合后的帧特征向量序列。其中，上述时序聚合模型可以用于表征帧特征向量序列与隐藏态序列之间的对应关系。上述隐藏态序列中的隐藏态h_t通常根据上一个隐藏态h_t-1和该隐藏态对应的输入的帧特征向量x_t而确定。上述执行主体可以将所生成的隐藏态序列确定为上述聚合后的帧特征向量序列。上述聚合后的帧特征向量序列中的帧特征向量通常与所生成的帧特征向量序列与上述视频帧序列对应的帧特征向量序列中的帧特征向量的尺度一致。

作为示例，上述时序聚合模型可以包括LSTM(Long short-term memory,长短期记忆网络)或GRU(Gate Recurrent Unit，门控循环单元)。由于上述时序聚合模型所具备的循环神经网络的特性，上述LSTM或GRU所输出的隐藏态可以编码并聚合该隐藏态对应的视频帧以其之前的视频帧的信息。

作为又一示例，上述时序聚合模型可以包括基于自注意力机制(Self-AttentionMechanism)的Transformer模型的编码器模块。上述执行主体可以将上述帧特征向量序列中的帧特征向量进行编码，而后将编码后的结果输入至自注意力层。而后，上述执行主体还可以将上述自注意力层的输出结果进一步输入至归一化层(LayerNorm layer)与前向层(Feed Forward Layer)，从而得到与输入的帧特征向量序列对应的聚合后的帧特征向量序列。其中，上述聚合后的帧特征向量序列中的帧特征向量通常与输入的帧特征向量序列中的帧特征向量一一对应。

第二步，基于所生成的各视频帧对应的调整后的帧特征向量，生成与目标视频对应的视频特征。

在这些实现方式中，上述执行主体可以直接将上述第一步所生成的各视频帧对应的调整后的帧特征向量确定为与目标视频对应的视频特征。其中，上述视频特征可以为特征向量序列的形式。

基于上述可选的实现方式，上述聚合方式可以充分利用视频中各帧之间的长短距离依赖，使得视频中的每一帧的特征都可以通过上下文语义进行优化，既符合视频的语义表达形式，又可以显著提升劣质帧的帧特征向量的质量，进而提升整个视频的特征的表征效果。

可选地，上述执行主体可以从时间维度对上述各视频帧对应的调整后的帧特征向量进行聚合，生成尺度与帧特征向量一致的聚合后的特征向量作为与上述目标视频对应的视频特征。作为示例，上述执行主体可以将各视频帧对应的调整后的帧特征向量中对应的元素取平均，生成新的特征向量作为与上述目标视频对应的视频特征。从而使得所得到的视频特征在结构上更加紧凑，进而可以提升计算速度，节约计算资源。

在本实施例的一些可选的实现方式中，上述执行主体可以对视频数据库中的大量视频执行如前述的用于提取视频特征的方法，从而为建立视频特征数据库提供基础。

在本实施例的一些可选的实现方式中，上述执行主体还可以将所得到与上述目标视频对应的视频特征与预设的视频特征数据库中的视频特征进行相似度计算，从而确定与上述目标视频相匹配的视频。其中，上述视频特征数据库中的视频特征通过与前述的用于提取视频特征的方法一致的方式得到，

继续参见图3，图3是根据本申请实施例的用于提取视频特征的方法的应用场景的一个示意图。在图3的应用场景中，用户301使用终端设备302点击视频链接。终端设备302向后台服务器304发送视频获取请求303。其中，上述视频获取请求303中可以包括上述视频链接。后台服务器304可以按照每秒提取2帧的速率从上述视频306中提取视频帧，生成视频帧集合307。之后，后台服务器304可以提取上述视频帧集合307中的各视频帧对应的帧特征向量308。接下来，后台服务器304可以将所提取的帧特征向量308进行自适应权重聚合或时序关联聚合，从而生成与视频306对应的视频特征309。可选地，后台服务器304还可以根据所生成的视频特征309，从数据库服务器305中选取视频特征匹配的视频作为相似视频。最后，将上述相似视频对应的链接发送至终端302。

目前，现有技术之一通常是将视频中的各视频帧看作相互独立的图像，往往将从各视频帧提取的特征进行简单取平均而生成视频对应的特征，从而当所提取的视频帧属于劣质帧(例如存在运动模糊、遮挡和镜头失焦等问题的视频帧)时会因其区分性不高的帧特征而导致整个视频的特征质量不高。而本申请的上述实施例提供的方法，通过将所提取的帧特征向量进行自适应权重或时序关联聚合，实现了对视频特征的优化，使得视频特征能够尽可能避免所提取的劣质帧的影响，从而为后续的视频匹配提供坚实的技术基础。

进一步参考图4，其示出了用于提取视频特征的方法的又一个实施例的流程400。该用于提取视频特征的方法的流程400，包括以下步骤：

步骤401，获取目标视频。

步骤402，从目标视频中提取目标数目的视频帧，生成视频帧集合。

步骤403，将视频帧集合中的各视频帧输入至预先训练的特征提取网络，生成特征提取网络所包括的神经元输出的分别与各视频帧对应的第一特征图。

在本实施例中，用于提取视频特征的方法的执行主体(例如图1所示的服务器105)可以将步骤402所生成的视频帧集合中的各视频帧输入至预先训练的特征提取网络，生成特征提取网络所包括的神经元输出的分别与各视频帧对应的第一特征图。其中，上述特征提取网络可以包括各种用于图像特征提取的神经网络模型。通常，上述视频帧集合中的每个视频帧都可以对应一个通过上述步骤所生成的第一特征图。

步骤404，对所生成的各第一特征图进行第一池化，生成与各第一特征图对应的第二特征图。

在本实施例中，上述执行主体可以通过各种方式对步骤403所生成的各第一特征图进行第一池化，从而生成与各第一特征图对应的第二特征图。其中，上述第二特征图的尺寸往往小于上述第一特征图的尺寸。上述第一池化可以包括但不限于以下至少一项：平均池化，最大池化。

在本实施例的一些可选的实现方式中，上述第一池化可以包括局部最大值池化。其中，上述局部最大值池化可以包括仅在上述第一特征图的局部区域而非全部特征图范围内进行池化。作为示例，假设上述第一特征图的尺寸为8×8，则上述执行主体可以在4×4的区域进行局部最大值池化，从而得到的第二特征图的尺寸为2×2。

步骤405，对所生成的各第二特征图进行第二池化，生成与各第二特征图对应的特征值。

在本实施例中，上述执行主体可以通过与前述第一池化相同或不同的方式对步骤404所生成的各第二特征图进行第二池化，生成与各第二特征图对应的特征值。

在本实施例的一些可选的实现方式中，基于上述第一池化包括的局部最大值池化，上述第二池化可以包括平均池化。从而，上述池化组合的方式既可以保留原始特征图的空间局部特征，又可以节省存储空间与计算成本。

步骤406，将所生成的特征值组合成各视频帧对应的帧特征向量。

在本实施例中，上述执行主体可以通过各种方式将步骤405所生成的特征值组合成各视频帧对应的帧特征向量。其中，上述帧特征向量中的元素可以包括对应于同一视频帧的特征值。作为示例，上述执行主体可以将对应于同一视频帧的第一特征图所对应的特征值进行拼接，从而得到与该视频帧对应的帧特征向量。

步骤407，将所提取的各视频帧对应的帧特征向量进行聚合，得到与目标视频对应的视频特征。

上述步骤401、步骤402、步骤407分别与前述实施例中的步骤201、步骤202、步骤204一致，上文针对步骤201、步骤202和步骤204的描述也适用于步骤401、步骤402和步骤407，此处不再赘述。

从图4中可以看出，本实施例中的用于提取视频特征的方法的流程400体现了通过对预先训练的特征提取网络所输出的第一特征图进行第一池化和第二池化的步骤，以及根据池化结果生成帧特征向量的步骤。由此，本实施例描述的方案可以在减小数据处理量的同时兼顾特征表示效果，从而实现了对提取帧特征向量的优化。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了用于提取视频特征的装置的一个实施例，该装置实施例与图2或图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例提供的用于提取视频特征的装置500包括获取单元501、帧提取单元502、特征提取单元503和聚合单元504。其中，获取单元501，被配置成获取目标视频；帧提取单元502，被配置成从目标视频中提取目标数目的视频帧，生成视频帧集合；特征提取单元503，被配置成提取视频帧集合中的各视频帧对应的帧特征向量；聚合单元504，被配置成将所提取的各视频帧对应的帧特征向量进行聚合，得到与目标视频对应的视频特征，其中，聚合包括以下至少一项：自适应权重聚合，时序关联聚合。

在本实施例中，用于提取视频特征的装置500中：获取单元501、帧提取单元502、特征提取单元503和聚合单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述聚合可以包括自适应权重聚合。上述聚合单元504可以被进一步配置成：将所提取的各视频帧对应的帧特征向量输入至预先训练的特征聚合模型，生成尺度与帧特征向量一致的、聚合后的特征向量作为与目标视频对应的视频特征。

在本实施例的一些可选的实现方式中，上述视频帧集合可以包括与视频帧在目标视频中的顺序一致的视频帧序列。上述聚合可以包括时序关联聚合。上述聚合单元504可以包括：调整子单元(图中未示出)、聚合子单元(图中未示出)。其中，上述调整子单元，可以被配置成基于视频帧集合中的各视频帧的上下文信息，对各视频帧对应的帧特征向量进行调整，生成各视频帧对应的调整后的帧特征向量。上述聚合子单元，可以被配置成基于所生成的各视频帧对应的调整后的帧特征向量，生成与目标视频对应的视频特征。

在本实施例的一些可选的实现方式中，上述调整子单元可以包括生成模块(图中未示出)、聚合模块(图中未示出)。其中，上述生成模块可以被配置成根据各视频帧对应的帧特征向量，生成与视频帧序列顺序一致的帧特征向量序列。上述聚合模块可以被配置成将帧特征向量序列输入至预先训练的时序聚合模型，生成聚合后的帧特征向量序列。其中，上述聚合后的帧特征向量序列中的帧特征向量可以与所生成的与视频帧序列对应的帧特征向量序列中的帧特征向量的尺度一致。

在本实施例的一些可选的实现方式中，上述聚合子单元可以进一步被配置成从时间维度对各视频帧对应的调整后的帧特征向量进行聚合，生成尺度与帧特征向量一致的聚合后的特征向量作为与目标视频对应的视频特征。

在本实施例的一些可选的实现方式中，上述特征提取单元可以包括第一生成子单元(图中未示出)、第一池化子单元(图中未示出)、第二池化子单元(图中未示出)、第二生成子单元(图中未示出)。其中，上述第一生成子单元，可以被配置成将视频帧集合中的各视频帧输入至预先训练的特征提取网络，生成特征提取网络所包括的神经元输出的分别与各视频帧对应的第一特征图。上述第一池化子单元，可以被配置成对所生成的各第一特征图进行第一池化，生成与各第一特征图对应的第二特征图。上述第二池化子单元，可以被配置成对所生成的各第二特征图进行第二池化，生成与各第二特征图对应的特征值。上述第二生成子单元，可以被配置成将所生成的特征值组合成各视频帧对应的帧特征向量，其中，帧特征向量中的元素包括对应于同一视频帧的特征值。

在本实施例的一些可选的实现方式中，上述第一池化可以包括局部最大值池化，上述第二池化可以包括平均池化。

本申请的上述实施例提供的装置，通过获取单元501获取目标视频。而后，帧提取单元502从目标视频中提取目标数目的视频帧，生成视频帧集合。接下来，特征提取单元503提取视频帧集合中的各视频帧对应的帧特征向量。最后，聚合单元504将所提取的各视频帧对应的帧特征向量进行聚合，得到与目标视频对应的视频特征，其中，聚合包括以下至少一项：自适应权重聚合，时序关联聚合。从而实现了对视频特征的优化，使得视频特征能够尽可能避免所提取的劣质帧的影响，从而为后续的视频匹配提供坚实的技术基础。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1中的服务器)600的结构示意图。本申请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6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6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608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RAM603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、等的输入装置606；包括例如液晶显示器(LCD，Liquid Crystal Display)、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608；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6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。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本申请的实施例，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，本申请的实施例包括一种计算机程序产品，其包括承载在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608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，执行本申请的实施例的方法中限定的上述功能。

需要说明的是，本申请的实施例所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。在本申请的实施例中，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。而在本申请的实施例中，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(Radio Frequency，射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该服务器中。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服务器执行时，使得该服务器：获取目标视频；从目标视频中提取目标数目的视频帧，生成视频帧集合；提取视频帧集合中的各视频帧对应的帧特征向量；将所提取的各视频帧对应的帧特征向量进行聚合，得到与目标视频对应的视频特征，其中，聚合包括以下至少一项：自适应权重聚合，时序关联聚合。

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申请实施例的操作的计算机程序代码，所述程序设计语言包括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、Python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，图示了按照本申请的各种实施例的系统、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。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括获取单元、帧提取单元、特征提取单元、聚合单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标视频的单元”。

以上描述仅为本申请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，本申请的实施例中所涉及的发明范围，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发明构思的情况下，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。例如上述特征与本申请实施例中公开的(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。

Claims (7)

1.一种用于提取视频特征的方法，包括：

获取目标视频；

从所述目标视频中提取目标数目的视频帧，生成视频帧集合；

提取所述视频帧集合中的各视频帧对应的帧特征向量；

将所提取的各视频帧对应的帧特征向量进行聚合，得到与所述目标视频对应的视频特征，其中，所述聚合包括以下至少一项：自适应权重聚合，时序关联聚合；

其中，所述视频帧集合包括与视频帧在所述目标视频中的顺序一致的视频帧序列，所述聚合包括时序关联聚合；以及

所述将所提取的各视频帧对应的帧特征向量进行聚合，得到与所述目标视频对应的视频特征，包括：

基于所述视频帧集合中的各视频帧的上下文信息，对所述各视频帧对应的帧特征向量进行调整，生成所述各视频帧对应的调整后的帧特征向量；

基于所生成的各视频帧对应的调整后的帧特征向量，生成与所述目标视频对应的视频特征，其中，将各视频帧对应的调整后的帧特征向量中对应的元素取平均，生成新的特征向量作为与所述目标视频对应的视频特征；

其中，所述提取所述视频帧集合中的各视频帧对应的帧特征向量，包括：

将所述视频帧集合中的各视频帧输入至预先训练的特征提取网络，生成所述特征提取网络所包括的神经元输出的分别与各视频帧对应的第一特征图；

对所生成的各第一特征图进行第一池化，生成与各第一特征图对应的第二特征图；

对所生成的各第二特征图进行第二池化，生成与各第二特征图对应的特征值；

将所生成的特征值组合成各视频帧对应的帧特征向量，其中，帧特征向量中的元素包括对应于同一视频帧的特征值；

其中，所述第一池化包括局部最大值池化，所述第二池化包括平均池化。

2.根据权利要求1所述的方法，其中，所述聚合包括自适应权重聚合；以及

所述将所提取的各视频帧对应的帧特征向量进行聚合，得到与所述目标视频对应的视频特征，包括：

将所提取的各视频帧对应的帧特征向量输入至预先训练的特征聚合模型，生成尺度与帧特征向量一致的、聚合后的特征向量作为与所述目标视频对应的视频特征。

3.根据权利要求1所述的方法，其中，所述基于所述视频帧集合中的各视频帧的上下文信息，对所述各视频帧对应的帧特征向量进行调整，生成所述各视频帧对应的调整后的帧特征向量，包括：

根据所述各视频帧对应的帧特征向量，生成与所述视频帧序列顺序一致的帧特征向量序列；

将所述帧特征向量序列输入至预先训练的时序聚合模型，生成聚合后的帧特征向量序列，其中，所述聚合后的帧特征向量序列中的帧特征向量与所生成的与所述视频帧序列对应的帧特征向量序列中的帧特征向量的尺度一致。

4.根据权利要求1所述的方法，其中，所述基于所生成的各视频帧对应的调整后的帧特征向量，生成与目标视频对应的视频特征，包括：

从时间维度对所述各视频帧对应的调整后的帧特征向量进行聚合，生成尺度与帧特征向量一致的聚合后的特征向量作为与所述目标视频对应的视频特征。

5.一种用于提取视频特征的装置，包括：

获取单元，被配置成获取目标视频；

帧提取单元，被配置成从所述目标视频中提取目标数目的视频帧，生成视频帧集合；

特征提取单元，被配置成提取所述视频帧集合中的各视频帧对应的帧特征向量；

聚合单元，被配置成将所提取的各视频帧对应的帧特征向量进行聚合，得到与所述目标视频对应的视频特征，其中，所述聚合包括以下至少一项：自适应权重聚合，时序关联聚合；

其中，所述视频帧集合包括与视频帧在所述目标视频中的顺序一致的视频帧序列，所述聚合包括时序关联聚合；以及

所述聚合单元包括：调整子单元和聚合子单元；

所述调整子单元被配置成基于所述视频帧集合中的各视频帧的上下文信息，对所述各视频帧对应的帧特征向量进行调整，生成所述各视频帧对应的调整后的帧特征向量；

所述聚合子单元被配置成基于所生成的各视频帧对应的调整后的帧特征向量，生成与所述目标视频对应的视频特征，其中，将各视频帧对应的调整后的帧特征向量中对应的元素取平均，生成新的特征向量作为与所述目标视频对应的视频特征；

其中，特征提取单元包括：第一生成子单元，被配置成将视频帧集合中的各视频帧输入至预先训练的特征提取网络，生成特征提取网络所包括的神经元输出的分别与各视频帧对应的第一特征图；

第一池化子单元，被配置成对所生成的各第一特征图进行第一池化，生成与各第一特征图对应的第二特征图；

第二池化子单元，被配置成对所生成的各第二特征图进行第二池化，生成与各第二特征图对应的特征值；

第二生成子单元，被配置成将所生成的特征值组合成各视频帧对应的帧特征向量，其中，帧特征向量中的元素包括对应于同一视频帧的特征值；

其中，所述第一池化包括局部最大值池化，所述第二池化包括平均池化。

6.一种服务器，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。

7.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。

Images