CN111984822A - 图像生成方法、装置、电子设备及计算机可读存储介质 - Google Patents

图像生成方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111984822A
CN111984822A CN202010914469.1A CN202010914469A CN111984822A CN 111984822 A CN111984822 A CN 111984822A CN 202010914469 A CN202010914469 A CN 202010914469A CN 111984822 A CN111984822 A CN 111984822A
Authority
CN
China
Prior art keywords
video
image
demand
images
video image
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
CN202010914469.1A
Other languages
English (en)
Inventor
夏倩
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010914469.1A priority Critical patent/CN111984822A/zh
Publication of CN111984822A publication Critical patent/CN111984822A/zh
Priority to PCT/CN2021/096536 priority patent/WO2022048204A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/74—Browsing; Visualisation therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及图像处理技术，揭露了一种图像生成方法，包括：获取图像需求，将图像需求转化为需求向量；对需求向量进行特征提取，得到需求特征，其中，所述需求特征包括清晰度特征、时间特征、提取图像数目特征；获取目标视频，根据清晰度特征提取目标视频包含的图像，得到视频图像集；根据时间特征和提取图像数目特征从视频图像集中选取图像，得到待推送视频图像集；利用推送队列任务推送待推送视频图像集。本发明还提出一种图像生成方法、装置及计算机可读存储介质。此外，本发明还涉及区块链技术，图像需求可存储于区块链节点中。本发明可以既高效又个性化的基于视频生成图像。

Description

图像生成方法、装置、电子设备及计算机可读存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像生成方法、装置、电子设备及计算机可读存储介质。
背景技术
随着网络的迅速发展，网络中随时都可能产生大量的视频和图像资讯。在进行视频转化图像时，即生成图像时，需先进行图像筛选，若不进行筛选，则视频转化成图像后将得到大量单帧图像，如果将大量的单帧图像都推送至用户端，将消耗较大的网络带宽，占用较大的存储资源，也降低服务器端和用户端的运行效率。如何筛选出符合用户的图像并推送给用户，成为了越来越重要的需求。
目前市场上主流的视频转化成图像的方法是人工筛选视频和视频中的图像，从而选择性的将视频中的一帧或多帧转化成图像。但此种方法过于依赖于人工进行，效率低下且筛选出的图像不符合用户的个性化需求，无法达到既高效又个性化的基于视频生成图像的目的。
发明内容
本发明提供一种图像生成方法、装置、电子设备及计算机可读存储介质，其主要目的在于既高效又个性化的基于视频生成图像。
为实现上述目的，本发明提供的一种图像生成方法，包括：
获取图像需求，将所述图像需求进行词向量转化，得到需求向量；
对所述需求向量进行特征提取，得到需求特征，其中，所述需求特征包括清晰度特征、时间特征、提取图像数目特征；
获取目标视频，根据所述清晰度特征提取所述目标视频包含的图像，得到视频图像集；
根据所述时间特征和所述提取图像数目特征从所述视频图像集中选取图像，得到待推送视频图像集；
利用推送队列任务推送所述待推送视频图像集。
可选地，所述获取目标视频，包括：
接收用户端发送的目标视频选取指令；
根据所述目标视频选取指令获取目标视频的码流地址；
根据所述码流地址下载所述目标视频。
可选地，所述根据所述清晰度特征提取所述目标视频包含的图像，得到视频图像集，包括：
根据所述清晰度特征确定所述目标视频中多帧图像的目标清晰度；
判断所述目标视频中任意帧图像的清晰度是否为所述目标清晰度；
若所述目标视频中任意帧图像的清晰度不为所述目标清晰度，将所述目标视频中多帧图像的清晰度转换为所述目标清晰度；
确定所述目标视频中多帧图像进行清晰度转换后得到的多张图像构成所述视频图像集。
可选地，所述根据所述时间特征和所述提取图像数目特征从所述视频图像集中选取图像之前，所述方法还包括：
提取所述视频图像集的时序特征；
按照所述时序特征对所述视频图像集中的视频图像进行排序。
可选地，所述提取所述视频图像集的时序特征，包括：
利用如下时序特征提取算法提取所述视频图像集的时序特征bu(t)：
Figure BDA0002664505290000021
其中，du为所述视频图像集中第u张视频图像，i为所述视频图像集中视频图像的数量，tu为所述视频图像集中第u张视频图像的获取时间，tu+1为所述视频图像集中第u+1张视频图像的获取时间。
可选地，所述利用推送队列任务推送所述待推送视频图像集，包括：
获取推送队列任务；
根据所述推送队列任务确定推送顺序；
根据所述推送顺序向用户推送所述待推送视频图像集。
可选地，所述对所述需求向量进行特征提取，包括：
获取训练需求向量，以及所述训练需求向量对应的标准需求特征；
利用卷积神经网络对所述训练需求向量进行特征提取，得到训练需求特征；
计算所述训练需求特征和所述标准需求特征的差异值；
若所述训练需求特征与所述标准需求特征的差异值大于预设误差，则调整所述卷积神经网络的参数后，再次进行特征提取；
若所述训练需求特征与所述标准需求特征的差异值小于所述预设误差，则确认训练完成，获取训练完成的卷积神经网络；
利用所述训练完成的卷积神经网络对所述需求向量进行特征提取。
为了解决上述问题，本发明还提供一种图像生成装置，所述装置包括：
需求向量生成模块，用于获取图像需求，将所述图像需求进行词向量转化，得到需求向量；
特征提取模块，用于对所述需求向量进行特征提取，得到需求特征，其中，所述需求特征包括清晰度特征、时间特征、提取图像数目特征；
视频图像获取模块，用于获取目标视频，根据所述清晰度特征提取所述目标视频包含的图像，得到视频图像集；
视频图像筛选模块，用于根据所述时间特征和所述提取图像数目特征从所述视频图像集中选取图像，得到待推送视频图像集；
视频图像推送模块，用于利用推送队列任务推送所述待推送视频图像集。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的图像生成方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，其中，所述存储数据区存储创建的数据，所述存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如上所述的图像生成方法。
本发明实施例通过将图像需求转化为需求向量，进而进行特征提取，能够快速的获取需求特征，有利于快速地获取个性化需求信息；同时，获取目标视频后，根据所述清晰度特征提取目标视频包含的图像，得到视频图像集，以及根据时间特征和提取图像数目特征从视频图像集中选取图像，从而能够快速的基于视频生成符合个性化需求信息的图像。因此本发明提出的图像生成方法、装置及计算机可读存储介质，可以实现既高效又个性化的基于视频生成图像的目的。
附图说明
图1为本发明一实施例提供的图像生成方法的流程示意图；
图2为本发明一实施例提供的图像生成装置的模块示意图；
图3为本发明一实施例提供的实现图像生成方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供的图像生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述图像生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
本发明提供一种图像生成方法。参照图1所示，为本发明一实施例提供的图像生成方法的流程示意图。在本实施例中，所述图像生成方法包括：
S1、获取图像需求，将所述图像需求进行词向量转化，得到需求向量。
本发明实施例中，所述图像需求可直接由用户进行上传，也可利用具有数据调用功能的java语句从预先构建的用于存储图像需求的存储区内获取，其中，所述存储区包括但不限于mysql数据库、Oracle数据库、用户端缓存区、区块链节点。
进一步的，在本发明一优选实施例中，所述图像需求从需求分析系统获取，例如，间隔预设时间访问需求分析系统，获取需求分析系统产生的图像需求。
本发明实施例中，利用词向量转化模型将所述图像需求进行词向量转化，所述词向量转化模型为去除CRF层的NER(Named Entity Recognition，命名实体识别)模型。
本实施例中，所述去除CRF层的NER模型包括：
字/词向量层，用于将所述图像需求中的单词和字符转化为字/词向量；
Bi-LSTM层，用于将所述字/词向量进行分割，以及对所述字/词向量分割后的内容进行编码，得到所述字/词向量的编码表征。
由于所述图像需求中包含的文本可能较多，文本中的语句可能较长，因此利用字/词向量层将图像需求中的单词和字符转化所得到的字/词向量可能较长，不利于读取所述图像需求，因此本发明实施例中，进一步利用Bi-LSTM层将所述字/词向量进行分割，得到所述编码表征(所述编码表征即所述需求向量)，有利于进一步从图像需求得到的需求向量(即编码表征)中快速获取精准信息。
优选地，所述Bi-LSTM层可采用java语言将字/词向量层得到的字/词向量进行分割，并对字/词向量分割后的内容进行编码。
本发明实施例将去除CRF层的NER模型作为词向量转化模型，可简化词向量转化模型的结构层次，减少模型的计算量，提高获取需求向量的效率。
S2、对所述需求向量进行特征提取，得到需求特征，其中，所述需求特征包括清晰度特征、时间特征、提取图像数目特征。
本发明实施例中，所述对所述需求向量进行特征提取，包括：
获取训练需求向量，以及所述训练需求向量对应的标准需求特征；
利用卷积神经网络对所述训练需求向量进行特征提取，得到训练需求特征；
计算所述训练需求特征和所述标准需求特征的差异值；
若所述训练需求特征与所述标准需求特征的差异值大于预设误差，则调整所述卷积神经网络的参数后，再次进行特征提取；
若所述训练需求特征与所述标准需求特征的差异值小于所述预设误差，则确认训练完成，获取训练完成的卷积神经网络；
利用所述训练完成的卷积神经网络对所述需求向量进行特征提取。
详细地，本发明实施例利用如下损失函数计算所述训练需求特征和所述标准需求特征的差异值
Figure BDA0002664505290000061
Figure BDA0002664505290000062
其中，
Figure BDA0002664505290000063
表示所述训练需求特征，Y表示所述标准需求特征。
实际应用中，所述需求向量中可能存在着大量无用的向量，例如，用户名，图像需求上传时间等，因此，本发明实施例对所述需求向量进行特征提取，得到精准的需求特征，有利于精准的进行个性化图像的生成。
S3、获取目标视频，根据所述清晰度特征提取所述目标视频包含的图像，得到视频图像集。
本发明实施例中，所述获取目标视频，包括：
接收用户端发送的目标视频选取指令；
根据所述目标视频选取指令获取目标视频的码流地址；
根据所述码流地址下载所述目标视频。
详细地，所述目标视频选取指令中含有所述目标视频的视频名称、视频大小、视频存储地址之中的一项或多项信息。
本发明一可选实施例中，所述根据所述目标视频选取指令获取目标视频的码流地址包括：
根据所述目标选取指令包含的所述目标视频的视频名称获取所述目标视频的流码地址。
本发明另一可选实施例中，所述根据所述目标视频选取指令获取目标视频的码流地址包括：
从所述目标视频选取指令中解析所述目标视频的码流地址。
本发明实施例中，所述根据所述清晰度特征提取所述目标视频包含的图像，得到视频图像集，包括：
根据所述清晰度特征确定所述目标视频中多帧图像的目标清晰度；
判断所述目标视频中任意帧图像的清晰度是否为所述目标清晰度；
若所述目标视频中任意帧图像的清晰度不为所述目标清晰度，将所述目标视频中多帧图像的清晰度转换为所述目标清晰度；
确定所述目标视频中多帧图像进行清晰度转换后得到的多张图像构成所述视频图像集。
较佳地，若所述目标视频中任意帧图像的清晰度不为所述目标清晰度，本发明实施例利用清晰度转化工具将所述目标视频中多帧图像的清晰度转换为所述目标清晰度。所述清晰度转化工具包括但不限于WonderFox转换器、Video转换器等。
S4、根据所述时间特征和所述提取图像数目特征从所述视频图像集中选取图像，得到待推送视频图像集。
本发明实施例中，所述时间特征包括与用户需要提取的时间段或特定时间点有关的时间条件；所述提取图像数目特征包括需要从视频图像集中提取的图像的数量，或者待提取的数量条件。
优选地，所述根据所述时间特征和所述提取图像数目特征从所述视频图像集中选取视频图像之前，所述方法还包括：
提取所述视频图像集的时序特征；
按照所述时序特征对所述视频图像集中的视频图像进行排序。
详细地，本发明实施例所述提取所述视频图像集的时序特征，包括：
利用如下时序特征提取算法提取所述视频图像集的时序特征bu(t)：
Figure BDA0002664505290000071
其中，du为所述视频图像集中第u张视频图像，i为所述视频图像集中视频图像的数量，tu为所述视频图像集中第u张视频图像的获取时间，tu+1为所述视频图像集中第u+1张视频图像的获取时间。
本发明实施例中，获取所述视频图像集的时序特征后，将所述视频图像集中所有的视频图像按照所述时序特征进行排序，则在根据时间特征进行选取图像时，可以快速地选取多个符合时间特征的图像，提高图像选取的效率效率。
S5、利用推送队列任务推送所述待推送视频图像集。
详细地，所述利用推送队列任务推送所述待推送视频图像集，包括：
获取推送队列任务；
根据所述推送队列任务确定推送顺序；
根据所述推送顺序向用户推送所述待推送视频图像集。
本发明实施例中，所述待推送视频图像集可包含多张待推送视频图像，在批量推送待推送视频图像时，通过推送队列任务进行推送能够防止因同时对多份待推送视频图像进行推送操作而造成的数据拥塞，提高了对图像推送的效率和成功率。
优选地，所述推送队列任务采用订阅方通知消息列队(MQ)实现，具体的，通过设定时间的间隔阈值分批处理多份需要推送的待推送视频图像，从而确保前一批待推送视频图像送结束再继续处理后一批数据。
本发明实施例中，通过订阅方通知消息列队可以降低计算资源占用，将大量的数据进行切割并分批进行推送，避免因为数据拥塞而导致计算资源的占用与浪费。
本发明实施例通过将图像需求转化为需求向量，进而进行特征提取，能够快速的获取需求特征，有利于快速地获取个性化需求信息；同时，获取目标视频后，根据所述清晰度特征提取目标视频包含的图像，得到视频图像集，以及根据时间特征和提取图像数目特征从视频图像集中选取图像，从而能够快速的基于视频生成符合个性化需求信息的图像。因此本发明提出的图像生成方法，可以实现既高效又个性化的基于视频生成图像的目的。
如图2所示，是本发明图像生成装置的模块示意图。
本发明所述图像生成装置100可以安装于电子设备中。根据实现的功能，所述图像生成装置100可以包括需求向量生成模块101、特征提取模块102、视频图像获取模块103、视频图像筛选模块104和视频图像推送模块105。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述需求向量生成模块101，用于获取图像需求，将所述图像需求进行词向量转化，得到需求向量。
本发明实施例中，所述图像需求可直接由用户进行上传，也可利用具有数据调用功能的java语句从预先构建的用于存储图像需求的存储区内获取，其中，所述存储区包括但不限于mysql数据库、Oracle数据库、用户端缓存区、区块链节点。
进一步的，在本发明一优选实施例中，所述图像需求从需求分析系统获取，例如，间隔预设时间访问需求分析系统，获取需求分析系统产生的图像需求。
本发明实施例中，利用词向量转化模型将所述图像需求进行词向量转化，所述词向量转化模型为去除CRF层的NER(Named Entity Recognition，命名实体识别)模型。
本实施例中，所述去除CRF层的NER模型包括：
字/词向量层，用于将所述图像需求中的单词和字符转化为字/词向量；
Bi-LSTM层，用于将所述字/词向量进行分割，以及对所述字/词向量分割后的内容进行编码，得到所述字/词向量的编码表征。
由于所述图像需求中包含的文本可能较多，文本中的语句可能较长，因此利用字/词向量层将图像需求中的单词和字符转化所得到的字/词向量可能较长，不利于读取所述图像需求，因此本发明实施例中，进一步利用Bi-LSTM层将所述字/词向量进行分割，得到所述编码表征(所述编码表征即所述需求向量)，有利于进一步从图像需求得到的需求向量(即编码表征)中快速获取精准信息。
优选地，所述Bi-LSTM层可采用java语言将字/词向量层得到的字/词向量进行分割，并对字/词向量分割后的内容进行编码。
本发明实施例将去除CRF层的NER模型作为词向量转化模型，可简化词向量转化模型的结构层次，减少模型的计算量，提高获取需求向量的效率。
所述特征提取模块102，用于对所述需求向量进行特征提取，得到需求特征，其中，所述需求特征包括清晰度特征、时间特征、提取图像数目特征。
本发明实施例中，所述特征提取模块102具体用于：
获取训练需求向量，以及所述训练需求向量对应的标准需求特征；
利用卷积神经网络对所述训练需求向量进行特征提取，得到训练需求特征；
计算所述训练需求特征和所述标准需求特征的差异值；
若所述训练需求特征与所述标准需求特征的差异值大于预设误差，则调整所述卷积神经网络的参数后，再次进行特征提取；
若所述训练需求特征与所述标准需求特征的差异值小于所述预设误差，则确认训练完成，获取训练完成的卷积神经网络；
利用所述训练完成的卷积神经网络对所述需求向量进行特征提取，得到需求特征。
详细地，本发明实施例利用如下损失函数计算所述训练需求特征和所述标准需求特征的差异值
Figure BDA0002664505290000101
Figure BDA0002664505290000102
其中，
Figure BDA0002664505290000103
表示所述训练需求特征，Y表示所述标准需求特征。
实际应用中，所述需求向量中可能存在着大量无用的向量，例如，用户名，图像需求上传时间等，因此，本发明实施例对所述需求向量进行特征提取，得到精准的需求特征，有利于精准的进行个性化图像的生成。
所述视频图像获取模块103，用于获取目标视频，根据所述清晰度特征提取所述目标视频包含的图像，得到视频图像集。
本发明实施例中，所述视频图像获取模块103包括获取单元和提取单元。
所述获取单元，用于接收用户端发送的目标视频选取指令；根据所述目标视频选取指令获取目标视频的码流地址；根据所述码流地址下载所述目标视频。
所述提取单元，用于根据所述清晰度特征提取所述目标视频包含的图像，得到视频图像集。
详细地，所述目标视频选取指令中含有所述目标视频的视频名称、视频大小、视频存储地址之中的一项或多项信息。
本发明一可选实施例中，所述根据所述目标视频选取指令获取目标视频的码流地址包括：
根据所述目标选取指令包含的所述目标视频的视频名称获取所述目标视频的流码地址。
本发明另一可选实施例中，所述根据所述目标视频选取指令获取目标视频的码流地址包括：
从所述目标视频选取指令中解析所述目标视频的码流地址。
本发明实施例中，所述提取单元具体用于：
根据所述清晰度特征确定所述目标视频中多帧图像的目标清晰度；
判断所述目标视频中任意帧图像的清晰度是否为所述目标清晰度；
若所述目标视频中任意帧图像的清晰度不为所述目标清晰度，将所述目标视频中多帧图像的清晰度转换为所述目标清晰度；
确定所述目标视频中多帧图像进行清晰度转换后得到的多张图像构成所述视频图像集。
较佳地，若所述目标视频中任意帧图像的清晰度不为所述目标清晰度，本发明实施例利用清晰度转化工具将所述目标视频中多帧图像的清晰度转换为所述目标清晰度。所述清晰度转化工具包括但不限于WonderFox转换器、Video转换器等。
所述视频图像筛选模块104，用于根据所述时间特征和所述提取图像数目特征从所述视频图像集中选取图像，得到待推送视频图像集。
本发明实施例中，所述时间特征包括与用户需要提取的时间段或特定时间点有关的时间条件；所述提取图像数目特征包括需要从视频图像集中提取的图像的数量，或者待提取的数量条件。
优选地，所述装置还包括时序提取模块，所述时序提取模块用于：
根据所述时间特征和所述提取图像数目特征从所述视频图像集筛选视频图像之前，提取所述视频图像集的时序特征；按照所述时序特征对所述视频图像集中的视频图像进行排序。
详细地，本发明实施例所述提取所述视频图像集的时序特征，包括：
利用如下时序特征提取算法提取视频图像集的时序特征bu(t)：
Figure BDA0002664505290000111
其中，du为所述视频图像集中第u张视频图像，i为所述视频图像集中视频图像的数量，tu为所述视频图像集中第u张视频图像的获取时间，tu+1为所述视频图像集中第u+1张视频图像的获取时间。
本发明实施例中，获取所述视频图像集的时序特征后，将所述视频图像集中所有的视频图像按照所述时序特征进行排序，则在根据时间特征进行选取图像时，可以快速地选取多个符合时间特征的图像，提高图像选取的效率效率。
所述视频图像推送模块105，用于利用推送队列任务推送所述待推送视频图像集。
详细地，所述视频图像推送模块105具体用于：
获取推送队列任务；
根据所述推送队列任务确定推送顺序；
根据所述推送顺序向用户推送所述待推送视频图像集中。
本发明实施例中，所述待推送视频图像集可包含多张待推送视频图像，在批量推送待推送视频图像时，通过推送队列任务进行推送能够防止因同时对多份待推送视频图像进行推送操作而造成的数据拥塞，提高了对图像推送的效率和成功率。
优选地，所述推送队列任务采用订阅方通知消息列队(MQ)实现，具体的，通过设定时间的间隔阈值分批处理多份需要推送的待推送视频图像，从而确保前一批待推送视频图像送结束再继续处理后一批数据。
本发明实施例中，通过订阅方通知消息列队可以降低计算资源占用，将大量的数据进行切割并分批进行推送，避免因为数据拥塞而导致计算资源的占用与浪费。
本发明实施例通过将图像需求转化为需求向量，进而进行特征提取，能够快速的获取需求特征，有利于快速地获取个性化需求信息；同时，获取目标视频后，根据所述清晰度特征提取目标视频包含的图像，得到视频图像集，以及根据时间特征和提取图像数目特征从视频图像集中选取图像，从而能够快速的基于视频生成符合个性化需求信息的图像。因此本发明提出的图像生成装置，可以实现既高效又个性化的基于视频生成图像的目的。
如图3所示，是本发明实现图像生成方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如图像生成程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如图像生成程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行图像生成程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的图像生成程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取图像需求，将所述图像需求进行词向量转化，得到需求向量；
对所述需求向量进行特征提取，得到需求特征，其中，所述需求特征包括清晰度特征、时间特征、提取图像数目特征；
获取目标视频，根据所述清晰度特征提取所述目标视频包含的图像，得到视频图像集；
根据所述时间特征和所述提取图像数目特征从所述视频图像集中选取图像，得到待推送视频图像集；
利用推送队列任务推送所述待推送视频图像集。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种图像生成方法，其特征在于，所述方法包括：
获取图像需求，将所述图像需求进行词向量转化，得到需求向量；
对所述需求向量进行特征提取，得到需求特征，其中，所述需求特征包括清晰度特征、时间特征、提取图像数目特征；
获取目标视频，根据所述清晰度特征提取所述目标视频包含的图像，得到视频图像集；
根据所述时间特征和所述提取图像数目特征从所述视频图像集中选取图像，得到待推送视频图像集；
利用推送队列任务推送所述待推送视频图像集。
2.如权利要求1所述的图像生成方法，其特征在于，所述获取目标视频，包括：
接收用户端发送的目标视频选取指令；
根据所述目标视频选取指令获取目标视频的码流地址；
根据所述码流地址下载所述目标视频。
3.如权利要求1所述的图像生成方法，其特征在于，所述根据所述清晰度特征提取所述目标视频包含的图像，得到视频图像集，包括：
根据所述清晰度特征确定所述目标视频中多帧图像的目标清晰度；
判断所述目标视频中任意帧图像的清晰度是否为所述目标清晰度；
若所述目标视频中任意帧图像的清晰度不为所述目标清晰度，将所述目标视频中多帧图像的清晰度转换为所述目标清晰度；
确定所述目标视频中多帧图像进行清晰度转换后得到的多张图像构成所述视频图像集。
4.如权利要求1至3中任一项所述的图像生成方法，其特征在于，所述根据所述时间特征和所述提取图像数目特征从所述视频图像集中选取图像之前，所述方法还包括：
提取所述视频图像集的时序特征；
按照所述时序特征对所述视频图像集中的视频图像进行排序。
5.如权利要求4所述的图像生成方法，其特征在于，所述提取所述视频图像集的时序特征，包括：
利用如下时序特征提取算法提取所述视频图像集的时序特征bu(t)：
Figure FDA0002664505280000021
其中，du为所述视频图像集中第u张视频图像，i为所述视频图像集中视频图像的数量，tu为所述视频图像集中第u张视频图像的获取时间，tu+1为所述视频图像集中第u+1张视频图像的获取时间。
6.如权利要求1至3中任一项所述的图像生成方法，其特征在于，所述利用推送队列任务推送所述待推送视频图像集，包括：
获取推送队列任务；
根据所述推送队列任务确定推送顺序；
根据所述推送顺序向用户推送所述待推送视频图像集。
7.如权利要求1至3中任一项所述的图像生成方法，其特征在于，所述对所述需求向量进行特征提取，包括：
获取训练需求向量，以及所述训练需求向量对应的标准需求特征；
利用卷积神经网络对所述训练需求向量进行特征提取，得到训练需求特征；
计算所述训练需求特征和所述标准需求特征的差异值；
若所述训练需求特征与所述标准需求特征的差异值大于预设误差，则调整所述卷积神经网络的参数后，再次进行特征提取；
若所述训练需求特征与所述标准需求特征的差异值小于所述预设误差，则确认训练完成，获取训练完成的卷积神经网络；
利用所述训练完成的卷积神经网络对所述需求向量进行特征提取。
8.一种图像生成装置，其特征在于，所述装置包括：
需求向量生成模块，用于获取图像需求，将所述图像需求进行词向量转化，得到需求向量；
特征提取模块，用于对所述需求向量进行特征提取，得到需求特征，其中，所述需求特征包括清晰度特征、时间特征、提取图像数目特征；
视频图像获取模块，用于获取目标视频，根据所述清晰度特征提取所述目标视频包含的图像，得到视频图像集；
视频图像筛选模块，用于根据所述时间特征和所述提取图像数目特征从所述视频图像集中选取图像，得到待推送视频图像集；
视频图像推送模块，用于利用推送队列任务推送所述待推送视频图像集。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的图像生成方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，其特征在于，所述存储数据区存储创建的数据，所述存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的图像生成方法。
CN202010914469.1A 2020-09-03 2020-09-03 图像生成方法、装置、电子设备及计算机可读存储介质 Pending CN111984822A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010914469.1A CN111984822A (zh) 2020-09-03 2020-09-03 图像生成方法、装置、电子设备及计算机可读存储介质
PCT/CN2021/096536 WO2022048204A1 (zh) 2020-09-03 2021-05-27 图像生成方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010914469.1A CN111984822A (zh) 2020-09-03 2020-09-03 图像生成方法、装置、电子设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN111984822A true CN111984822A (zh) 2020-11-24

Family

ID=73448677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010914469.1A Pending CN111984822A (zh) 2020-09-03 2020-09-03 图像生成方法、装置、电子设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN111984822A (zh)
WO (1) WO2022048204A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022048204A1 (zh) * 2020-09-03 2022-03-10 平安科技（深圳）有限公司 图像生成方法、装置、电子设备及计算机可读存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114625340B (zh) * 2022-05-11 2022-08-02 深圳市商用管理软件有限公司 基于需求分析的商用软件研发方法、装置、设备及介质
CN116540792B (zh) * 2023-06-25 2023-09-12 福建天甫电子材料有限公司 一种草酸系ito蚀刻液制备的流量自动化控制方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI356355B (en) * 2007-12-03 2012-01-11 Inst Information Industry Motion transition method and system for dynamic im
CN110868598B (zh) * 2019-10-17 2021-06-22 上海交通大学 基于对抗生成网络的视频内容替换方法及系统
CN111126056B (zh) * 2019-12-06 2023-05-09 北京明略软件系统有限公司 一种识别触发词的方法及装置
CN110929070A (zh) * 2019-12-09 2020-03-27 北京字节跳动网络技术有限公司 图像处理方法、装置、电子设备及存储介质
CN111984822A (zh) * 2020-09-03 2020-11-24 平安科技（深圳）有限公司 图像生成方法、装置、电子设备及计算机可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022048204A1 (zh) * 2020-09-03 2022-03-10 平安科技（深圳）有限公司 图像生成方法、装置、电子设备及计算机可读存储介质

Also Published As

Publication number Publication date
WO2022048204A1 (zh) 2022-03-10

Similar Documents

Publication Publication Date Title
CN112541745B (zh) 用户行为数据分析方法、装置、电子设备及可读存储介质
CN111984822A (zh) 图像生成方法、装置、电子设备及计算机可读存储介质
CN112052370A (zh) 报文生成方法、装置、电子设备及计算机可读存储介质
CN111814962A (zh) 识别模型的参数获取方法、装置、电子设备及存储介质
WO2021189827A1 (zh) 识别模糊图像的方法、装置、设备及计算机可读存储介质
CN113283446A (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN112380859A (zh) 舆情信息的推荐方法、装置、电子设备及计算机存储介质
CN112733023A (zh) 资讯推送方法、装置、电子设备及计算机可读存储介质
CN112671921A (zh) 数据传输方法、装置、电子设备及可读存储介质
CN111652280A (zh) 基于行为的目标物数据分析方法、装置及存储介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN112528013A (zh) 文本摘要提取方法、装置、电子设备及存储介质
CN113868528A (zh) 资讯推荐方法、装置、电子设备及可读存储介质
CN113360768A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN112507663A (zh) 基于文本的判断题生成方法、装置、电子设备及存储介质
CN112702228A (zh) 服务限流响应方法、装置、电子设备及可读存储介质
CN112992187A (zh) 基于上下文的语音情感检测方法、装置、设备及存储介质
CN115600644A (zh) 多任务处理方法、装置、电子设备及存储介质
CN112541688A (zh) 业务数据校验方法、装置、电子设备及计算机存储介质
CN112528984A (zh) 图像信息抽取方法、装置、电子设备及存储介质
CN112101481A (zh) 目标物的影响因子筛选方法、装置、设备及存储介质
CN111460293A (zh) 信息推送方法、装置及计算机可读存储介质
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN112233194B (zh) 医学图片优化方法、装置、设备及计算机可读存储介质
CN114942855A (zh) 接口调用方法、装置、电子设备及存储介质

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