CN112153460A - 一种视频的配乐方法、装置、电子设备和存储介质 - Google Patents
一种视频的配乐方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112153460A CN112153460A CN202011004742.3A CN202011004742A CN112153460A CN 112153460 A CN112153460 A CN 112153460A CN 202011004742 A CN202011004742 A CN 202011004742A CN 112153460 A CN112153460 A CN 112153460A
- Authority
- CN
- China
- Prior art keywords
- audio
- video
- image
- dubbed
- alternative
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 111
- 230000033764 rhythmic process Effects 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009432 framing Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 17
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 230000002996 emotional effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
- H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/439—Processing of audio elementary streams
- H04N21/4394—Processing of audio elementary streams involving operations for analysing the audio stream, e.g. detecting features or characteristics in audio streams
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Child & Adolescent Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Television Signal Processing For Recording (AREA)
Abstract
本公开实施例公开了一种视频的配乐方法、装置、电子设备和存储介质，该方法包括：获取待配乐视频中各图像帧的图像特征，并根据各所述图像特征，确定所述待配乐视频的图像变化特征；获取各备选音频的音频特征，并根据各所述音频特征，确定各所述备选音频的节奏变化特征；根据各所述备选音频的节奏变化特征和所述待配乐视频的图像变化特征的相似度，在各所述备选音频中选定所述待配乐视频的配乐音频。本公开实施例的技术方案，实现了视频内容的变化与音乐节奏的变化相匹配，准确的烘托出视频的内容表达，使得用户在观看视频时，更易引起用户的共鸣，提高了用户的观看体验。
Description
技术领域
本公开实施例涉及视频处理技术，尤其涉及一种视频的配乐方法、装置、电子设备和存储介质。
背景技术
随着互联网技术的不断发展，各种各样的视频软件出现在终端设备上，随之带来了大量的视频资料，而视频配乐技术作为一种常用的视频资料处理手段，成为了视频处理技术的重要分支。
在视频中添加匹配的音频，不但可以增加视频内容的丰富性，还可以更好的烘托出视频的情感表达；通常，通过机器学习的方式，为视频和各个备选音频分别进行情感预测，获取对应的分类标签，进而根据标签为视频选择对应的配乐音频。
但这样的配乐方式，匹配误差较大，往往不能为视频获取到内容匹配的配乐音频，无法体现视频的真实内容，甚至会适得其反，影响视频的情感表达，导致用户的观看体验较差。
发明内容
本公开提供了一种视频的配乐方法、装置、设备和存储介质，以实现为视频选择匹配的配乐音频。
第一方面，本公开实施例提供了一种视频的配乐方法，包括：
获取待配乐视频中各图像帧的图像特征，并根据各所述图像特征，确定所述待配乐视频的图像变化特征；
获取各备选音频的音频特征，并根据各所述音频特征，确定各所述备选音频的节奏变化特征；
根据各所述备选音频的节奏变化特征和所述待配乐视频的图像变化特征的相似度，在各所述备选音频中选定所述待配乐视频的配乐音频。
第二方面，本公开实施例提供了一种视频的配乐装置，包括：
图像变化特征获取模块，用于获取待配乐视频中各图像帧的图像特征，并根据各所述图像特征，确定所述待配乐视频的图像变化特征；
节奏变化特征获取模块，用于获取各备选音频的音频特征，并根据各所述音频特征，确定各所述备选音频的节奏变化特征；
配乐音频获取模块，用于根据各所述备选音频的节奏变化特征和所述待配乐视频的图像变化特征的相似度，在各所述备选音频中选定所述待配乐视频的配乐音频。
第三方面，本公开实施例提供了一种电子设备，包括存储器、处理装置及存储在存储器上并可在处理装置上运行的计算机程序，处理装置执行程序时实现本公开任意实施例的视频的配乐方法。
第四方面，本公开实施例提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行本公开任意实施例的视频的配乐方法。
本公开实施例的技术方案，在获取到待配乐视频的图像变化特征，以及各备选音频的节奏变化特征后，进行相似性比对，并将变化程度最相似目标备选音频作为待配乐视频的配乐音频，实现了视频内容的变化与音乐节奏的变化相匹配，准确的烘托出视频的内容表达，使得用户在观看视频时，更易引起用户的共鸣，提高了用户的观看体验。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是本公开的一种视频的配乐方法的一个实施例的流程图；
图2是本公开的一种视频的配乐装置的一个实施例的结构框图；
图3是适于用来实现本公开实施例的一种电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
实施例一
图1是本公开实施例一提供的一种视频的配乐方法的流程图，本实施例可适用于为视频选择配乐音频的情况，该方法可以由本公开实施例中的视频的配乐装置来执行，该装置可以通过软件和/或硬件实现，并集成在电子设备中，该方法具体包括如下步骤：
S110、获取待配乐视频中各图像帧的图像特征，并根据各所述图像特征，确定所述待配乐视频的图像变化特征。
图像特征可以包括颜色特征、纹理特征、形状特征和/或空间关系特征；其中，颜色特征，描述了图像或图像区域所对应的景物的表面性质，是基于像素点的特征；纹理特征，描述了图像或图像区域所对应景物的表面性质，其需要在包含多个像素点的区域中进行统计计算；形状特征，则描述物体外边界的轮廓特征，以及整体上的区域特征；空间关系特征，是图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，例如，连接关系、重叠关系以及包含关系等。对于图像特征的获取可以利用卷积神经网络(ConvolutionalNeural Networks，CNN)，通过特征图(feature map)进行提取；根据各图像帧的图像特征，可以确定待配乐视频在视频内容上的图像变化情况，例如，颜色变化、纹理变化、形状变化和/或空间关系变化。
可选的，在公开实施例中，所述获取待配乐视频中各图像帧的图像特征，包括：将待配乐视频的各图像帧输入至图像识别模型中，以获取各所述图像帧的图像特征；其中，所述图像识别模型基于残差网络构建。残差网络(Residual Network，ResNet)，是一种基于残差块(Residual block)构建的卷积神经网络，具有易优化的特点，并且能够通过增加深度来提高识别的准确率，相比传统的卷积神经网络，内部跳跃连接的残差块，可以减缓神经网络中由于深度增加带来的梯度消失；特别的，通过神经网络模型获取的图像特征为多维度的特征向量，在本公开实施例中，图像识别模型输入为长宽像素分别为224*224的三通道彩色图，输出为4096维度的特征向量，相比于仅获取各图像帧的像素值(像素值仅能反应不同帧在色彩上的差异性)，特征向量更准确的表征了视频中的图像内容，反应了各图像帧在内容上的连续性。
可选的，在公开实施例中，所述根据各所述图像特征，确定所述待配乐视频的图像变化特征，包括：根据各所述图像帧的图像特征，获取所述待配乐视频的多个图像差分特征值。图像差分特征值是将各图像帧的图像特征之间进行差值运算后获取的结果，表征了不同的图像帧之间的图像特征差异性，该差异性也反应了图形内容的变化情况，由于连续的多帧图像(例如，20帧)通常表征了相同的视频内容，因此，在公开实施例中，设定步长为较大值(例如，设定步长大于等于10帧)，以获取间隔为设定步长的两帧图像之间的差分特征值，例如，第11帧与第1帧之间的差分特征值，以及第12帧与第2帧之间的差分特征值。具体的，根据如下公式获取所述待处理视频的多个差分特征值：
g(i)＝norm(f(i+j)-f(i))
其中，i是各图像帧的索引号，i＝1、2……N，N是所述待配乐视频包括的图像帧的数量，j表示设定步长，f(i)是各图像帧的图像特征，g(i)是所述待配乐视频的各差分特征值，norm是2范式运算；特别的，根据上述公式，可以获取到待配乐视频的差分特征值数量为N-j个；在这N-j个差分特征值后，补充j个差分特征值，这j个差分特征值均将第N-j个差分特征值的数值作为对应的差分特征值，由此获取到描述该待配乐视频的图像变化特征的N个差分特征值，再将这N个差分特征值组成一个多维向量(N维向量)，即第一多维向量，该第一多维向量即描述了待配乐视频的图像变化特征。
S120、获取各备选音频的音频特征，并根据各所述音频特征，确定各所述备选音频的节奏变化特征。
音频是带有语音、音乐和/或音效，且有规律性的声波信息，音频特征可以通过声波的参数，例如，频率、幅度和相位等信息表示，音频特征的不断变化，反应了音频在节奏上的变化过程，例如，频率曲线先低后高再降低，表示了该音频在节奏上先平缓后加快再平缓的节奏变化过程。
可选的，在公开实施例中，所述音频特征包括梅尔频率倒谱系数；所述节奏变化特征包括频率变化特征。梅尔倒谱系数(Mel Frequency Cepstral Coefficients，MFCC)，是在Mel标度频率域提取出来的倒谱参数，是音频信号的能量在不同频率范围的分布；其中，Mel标度描述了人耳频率的非线性特性；MFCC描述了较短时间窗口内，音频频率的变化幅度；通常，将音频的原始波形(即振幅波形)作为音频特征，而振幅波形描述了语音的振动位移，反应了音频的响度信息，但相比于响度，人耳对于频率更为敏感，更能反应用户在听觉上的真实感受，因此，频率变化更能反应人耳感知音频的节奏变化；由于MFCC在语音和声纹识别中具有极高的准确率，因此，将MFCC作为音频特征，能够真实反应音频频率的变化程度。
可选的，在公开实施例中，在获取各备选音频的音频特征前，包括：根据所述待配乐视频的帧率，对各所述备选音频进行分帧，以使各备选音频的音频帧与所述待配乐视频的图像帧对齐匹配。视频是由多个图像帧组成，视频的帧率(Frame rate)是测量显示帧数的量度，反应了以帧为单位的位图图像连续出现的频率，单位为赫兹(Hz)，例如，待配乐视频的帧率为60Hz，也即每秒显示60个图像帧；由于音频是连续的声波信号，因此，需要将音频进行分帧处理，以将音频在时间序列上分为多个音频帧，并使每个音频帧与待配乐视频的各图像帧进行对齐，便于进行图像特征与音频特征的比对。例如，待配乐视频的帧率为60Hz，为了使各备选音频的音频帧与待配乐视频的图像帧对齐，各备选音频的帧率也为60Hz，即约每0.016秒的音频片段作为一个音频帧。
以上述技术方案音频特征包括MFCC为例，通过设置MFCC的滑动窗口步长可以获取指定的帧率，音频的帧率等于采样频率除以MFCC的滑动窗口步长，其中，采样频率是音频的固有属性，描述了单位时间内，对于声音信号的采样次数，单位是赫兹(Hz)，采样频率越高，声音越自然、越清晰，因此，在已知采样频率和指定帧率(即待配乐视频的帧率)的前提下，通过设置MFCC的滑动窗口步长，可以使各备选音频与待配乐视频的帧率一致，例如，待配乐视频的帧率为60，各备选音频的采样频率均为22050Hz，由此可以获取MFCC中的滑动窗口的步长为22050/60＝368，因此，通过设置MFCC的滑动窗口步长为368，可以使每个备选音频的帧率为60，确保各备选音频与待配乐视频的帧对齐。每个音频帧的MFCC都是基于频谱倒谱的低频分量(即频谱的包络)和高频分量(即频谱的细节)进行编码运算后得到的一组特征向量，将一个备选音频中的各个特征向量分别进行一阶求导及二范式运算后，可以获取与各个特征向量对应的音频序列特征值，再将各音频序列特征值组成一个多维向量(维数与备选音频的帧数相同，与待配乐视频的帧数也相同)，即第二多维向量，该第二多维向量即反应了对应的备选音频的节奏变化。
可选的，在公开实施例中，在获取各备选音频的音频特征前，还包括：根据音频时长、音频类型标签和/或音频热度，在音频库中获取与所述待配乐视频匹配的多个备选音频。由于音频库中存储的音频数量众多，因此，可以通过音频时长、音频类型标签和/或音频热度进行筛选，从中获取与待配乐视频相关的备选音频；其中，备选音频的音频时长需要大于等于待配乐视频，以保证配乐后视频的音效完整性；如果备选音频的音频时长大于待配乐视频，可以在备选音频中进行截取，例如，从备选音频的前端、中端或后端截取与待配乐视频等时长的音频片段；音频类型标签是基于机器学习，对各音频的情感(例如，喜悦、悲伤和感动等)和曲风(例如，摇滚、说唱和爵士等)进行的预测，相似的曲风和情感，使得配乐音频更能烘托出视频的情感表达；音频热度，是根据各个用户的下载量或收听量进行排序获取的，音频热度高的备选音频，更容易获取用户关注，提高用户观看热情。
S130、根据各所述备选音频的节奏变化特征和所述待配乐视频的图像变化特征的相似度，在各所述备选音频中选定所述待配乐视频的配乐音频。
图像变化特征，反应了视频内容的变化程度，而节奏变化特征(例如，频率变化特征)，反应了音乐节奏的变化程度；根据各备选音频的节奏变化程度与待配乐视频变化程度的相似性，在各备选音频中选定变化程度最相似的目标备选音频作为待配乐视频的配乐音频，使得用户在观看视频时，视频内容的变化与音乐节奏的变化相匹配，引起玩家的共鸣。
可选的，在公开实施例中，所述根据各所述备选音频的节奏变化特征和所述待配乐视频的图像变化特征的相似度，在各所述备选音频中选定所述待配乐视频的配乐音频，包括：通过动态时间归整或相对熵，比较各所述备选音频的节奏变化特征与所述待配乐视频的图像变化特征的相似度，并将相似度最高的目标备选音频作为所述待配乐视频的配乐音频。动态时间归整(Dynamic Time Warping，DTW)，是在时间序列中，比较两个序列相似性的函数，通过计算两个特征矢量之间的距离，来确定二者的相似度，距离越近，则相似度越高；在本公开实施例中，距离函数采用欧氏距离，也即通过计算各备选音频与待配乐视频的欧式距离(例如，上述技术方案中，第一多维向量与第二多维向量的欧式距离)，来确定待配乐视频的配乐音频。相对熵(Relative Entropy)，即KL散度(Kullback-Leiblerdivergence)，其表示了两个概率分布(probability distribution)间差异的非对称性度量，也即两个概率分布的信息熵(Shannon entropy)的差值，在本公开实施例中，在各个备选音频的节奏变化特征(例如，上述技术方案中的第二多维向量)中，选择与待配乐视频的图像变化特征(例如，上述技术方案中的第一多维向量)最接近的分布对应的目标备选音频作为配乐音频。
本公开实施例的技术方案，在获取到待配乐视频的图像变化特征，以及各备选音频的节奏变化特征后，进行相似性比对，并将变化程度最相似目标备选音频作为待配乐视频的配乐音频，实现了视频内容的变化与音乐节奏的变化相匹配，准确的烘托出视频的内容表达，使得用户在观看视频时，更易引起用户的共鸣，提高了用户的观看体验。
实施例二
图2是本公开实施例二提供的一种视频的配乐装置的结构框图，具体包括：图像变化特征获取模块210、节奏变化特征获取模块220和配乐音频获取模块230。
图像变化特征获取模块210，用于获取待配乐视频中各图像帧的图像特征，并根据各所述图像特征，确定所述待配乐视频的图像变化特征；
节奏变化特征获取模块220，用于获取各备选音频的音频特征，并根据各所述音频特征，确定各所述备选音频的节奏变化特征；
配乐音频获取模块230，用于根据各所述备选音频的节奏变化特征和所述待配乐视频的图像变化特征的相似度，在各所述备选音频中选定所述待配乐视频的配乐音频。
本公开实施例的技术方案，在获取到待配乐视频的图像变化特征，以及各备选音频的节奏变化特征后，进行相似性比对，并将变化程度最相似目标备选音频作为待配乐视频的配乐音频，实现了视频内容的变化与音乐节奏的变化相匹配，准确的烘托出视频的内容表达，使得用户在观看视频时，更易引起用户的共鸣，提高了用户的观看体验。
可选的，在上述技术方案的基础上，所述音频特征包括梅尔频率倒谱系数；所述节奏变化特征包括频率变化特征。
可选的，在上述技术方案的基础上，视频的配乐装置，还包括：
帧对齐执行模块，用于根据所述待配乐视频的帧率，对各所述备选音频进行分帧，以使各备选音频的音频帧与所述待配乐视频的图像帧对齐匹配。
可选的，在上述技术方案的基础上，视频的配乐装置，还包括：
备选音频获取模块，用于根据音频时长、音频类型标签和/或音频热度，在音频库中获取与所述待配乐视频匹配的多个备选音频。
可选的，在上述技术方案的基础上，图像变化特征获取模块210，具体用于将待配乐视频的各图像帧输入至图像识别模型中，以获取各所述图像帧的图像特征；其中，所述图像识别模型基于残差网络构建。
可选的，在上述技术方案的基础上，图像变化特征获取模块210，具体还用于根据各所述图像帧的图像特征，获取所述待配乐视频的多个图像差分特征值。
可选的，在上述技术方案的基础上，配乐音频获取模块230，具体用于通过动态时间归整或相对熵，比较各所述备选音频的节奏变化特征与所述待配乐视频的图像变化特征的相似度，并将相似度最高的目标备选音频作为所述待配乐视频的配乐音频。
上述装置可执行本公开任意实施例所提供的视频的配乐方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本公开任意实施例提供的方法。
实施例三
图3示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的电子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3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，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。
特别地，根据本公开的实施例，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，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态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309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上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。在本公开中，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。而在本公开中，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(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
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电子设备执行时，使得该电子设备：获取待配乐视频中各图像帧的图像特征，并根据各所述图像特征，确定所述待配乐视频的图像变化特征；获取各备选音频的音频特征，并根据各所述音频特征，确定各所述备选音频的节奏变化特征；根据各所述备选音频的节奏变化特征和所述待配乐视频的图像变化特征的相似度，在各所述备选音频中选定所述待配乐视频的配乐音频。
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公开的操作的计算机程序代码，上述程序设计语言包括但不限于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，图示了按照本公开各种实施例的系统、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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，配乐音频获取模块，可以被描述为“用于根据各所述备选音频的节奏变化特征和所述待配乐视频的图像变化特征的相似度，在各所述备选音频中选定所述待配乐视频的配乐音频的模块”。本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，【示例1】提供了一种视频的配乐方法，包括：
获取待配乐视频中各图像帧的图像特征，并根据各所述图像特征，确定所述待配乐视频的图像变化特征；
获取各备选音频的音频特征，并根据各所述音频特征，确定各所述备选音频的节奏变化特征；
根据各所述备选音频的节奏变化特征和所述待配乐视频的图像变化特征的相似度，在各所述备选音频中选定所述待配乐视频的配乐音频。
根据本公开的一个或多个实施例，【示例2】提供了示例1的方法，还包括：
所述音频特征包括梅尔频率倒谱系数；所述节奏变化特征包括频率变化特征。
根据本公开的一个或多个实施例，【示例3】提供了示例1或示例2的方法，还包括：
根据所述待配乐视频的帧率，对各所述备选音频进行分帧，以使各备选音频的音频帧与所述待配乐视频的图像帧对齐匹配。
根据本公开的一个或多个实施例，【示例4】提供了示例1的方法，还包括：
根据音频时长、音频类型标签和/或音频热度，在音频库中获取与所述待配乐视频匹配的多个备选音频。
根据本公开的一个或多个实施例，【示例5】提供了示例1的方法，还包括：
将待配乐视频的各图像帧输入至图像识别模型中，以获取各所述图像帧的图像特征；其中，所述图像识别模型基于残差网络构建。
根据本公开的一个或多个实施例，【示例6】提供了示例1或示例5的方法，还包括：
根据各所述图像帧的图像特征，获取所述待配乐视频的多个图像差分特征值。
根据本公开的一个或多个实施例，【示例7】提供了示例1的方法，还包括：
通过动态时间归整或相对熵，比较各所述备选音频的节奏变化特征与所述待配乐视频的图像变化特征的相似度，并将相似度最高的目标备选音频作为所述待配乐视频的配乐音频。
根据本公开的一个或多个实施例，【示例8】提供了一种视频的配乐装置，包括：
图像变化特征获取模块，用于获取待配乐视频中各图像帧的图像特征，并根据各所述图像特征，确定所述待配乐视频的图像变化特征；
节奏变化特征获取模块，用于获取各备选音频的音频特征，并根据各所述音频特征，确定各所述备选音频的节奏变化特征；
配乐音频获取模块，用于根据各所述备选音频的节奏变化特征和所述待配乐视频的图像变化特征的相似度，在各所述备选音频中选定所述待配乐视频的配乐音频。
根据本公开的一个或多个实施例，【示例9】提供了示例8的装置，还包括：
所述音频特征包括梅尔频率倒谱系数；所述节奏变化特征包括频率变化特征。
根据本公开的一个或多个实施例，【示例10】提供了示例8或示例9的装置，还包括：
帧对齐执行模块，用于根据所述待配乐视频的帧率，对各所述备选音频进行分帧，以使各备选音频的音频帧与所述待配乐视频的图像帧对齐匹配。
根据本公开的一个或多个实施例，【示例11】提供了示例8的装置，还包括：
备选音频获取模块，用于根据音频时长、音频类型标签和/或音频热度，在音频库中获取与所述待配乐视频匹配的多个备选音频。
根据本公开的一个或多个实施例，【示例12】提供了示例8的装置，图像变化特征获取模块，具体用于将待配乐视频的各图像帧输入至图像识别模型中，以获取各所述图像帧的图像特征；其中，所述图像识别模型基于残差网络构建。
根据本公开的一个或多个实施例，【示例13】提供了示例8或示例12的装置，图像变化特征获取模块，具体还用于根据各所述图像帧的图像特征，获取所述待配乐视频的多个图像差分特征值。
根据本公开的一个或多个实施例，【示例14】提供了示例8的装置，配乐音频获取模块，具体用于通过动态时间归整或相对熵，比较各所述备选音频的节奏变化特征与所述待配乐视频的图像变化特征的相似度，并将相似度最高的目标备选音频作为所述待配乐视频的配乐音频。
根据本公开的一个或多个实施例，【示例15】提供了一种电子设备，包括存储器、处理装置及存储在存储器上并可在处理装置上运行的计算机程序，处理装置执行程序时实现如示例1-7中任一所述的视频的配乐方法。
根据本公开的一个或多个实施例，【示例16】提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行如示例1-7中任一所述的视频的配乐方法。
以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开中公开的(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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种视频的配乐方法，其特征在于，包括：
获取待配乐视频中各图像帧的图像特征，并根据各所述图像特征，确定所述待配乐视频的图像变化特征；
获取各备选音频的音频特征，并根据各所述音频特征，确定各所述备选音频的节奏变化特征；
根据各所述备选音频的节奏变化特征和所述待配乐视频的图像变化特征的相似度，在各所述备选音频中选定所述待配乐视频的配乐音频。
2.根据权利要求1所述的方法，其特征在于，所述音频特征包括梅尔频率倒谱系数；所述节奏变化特征包括频率变化特征。
3.根据权利要求1或2所述的方法，其特征在于，在获取各备选音频的音频特征前，包括：
根据所述待配乐视频的帧率，对各所述备选音频进行分帧，以使各备选音频的音频帧与所述待配乐视频的图像帧对齐匹配。
4.根据权利要求1所述的方法，其特征在于，在获取各备选音频的音频特征前，还包括：
根据音频时长、音频类型标签和/或音频热度，在音频库中获取与所述待配乐视频匹配的多个备选音频。
5.根据权利要求1所述的方法，其特征在于，所述获取待配乐视频中各图像帧的图像特征，包括：
将待配乐视频的各图像帧输入至图像识别模型中，以获取各所述图像帧的图像特征；其中，所述图像识别模型基于残差网络构建。
6.根据权利要求1或5所述的方法，其特征在于，所述根据各所述图像特征，确定所述待配乐视频的图像变化特征，包括：
根据各所述图像帧的图像特征，获取所述待配乐视频的多个图像差分特征值。
7.根据权利要求1所述的方法，其特征在于，所述根据各所述备选音频的节奏变化特征和所述待配乐视频的图像变化特征的相似度，在各所述备选音频中选定所述待配乐视频的配乐音频，包括：
通过动态时间归整或相对熵，比较各所述备选音频的节奏变化特征与所述待配乐视频的图像变化特征的相似度，并将相似度最高的目标备选音频作为所述待配乐视频的配乐音频。
8.一种视频的配乐装置，其特征在于，包括：
图像变化特征获取模块，用于获取待配乐视频中各图像帧的图像特征，并根据各所述图像特征，确定所述待配乐视频的图像变化特征；
节奏变化特征获取模块，用于获取各备选音频的音频特征，并根据各所述音频特征，确定各所述备选音频的节奏变化特征；
配乐音频获取模块，用于根据各所述备选音频的节奏变化特征和所述待配乐视频的图像变化特征的相似度，在各所述备选音频中选定所述待配乐视频的配乐音频。
9.一种电子设备，包括存储器、处理装置及存储在存储器上并可在处理装置上运行的计算机程序，其特征在于，所述处理装置执行所述程序时实现如权利要求1-7中任一所述的视频的配乐方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的视频的配乐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011004742.3A CN112153460B (zh) | 2020-09-22 | 2020-09-22 | 一种视频的配乐方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011004742.3A CN112153460B (zh) | 2020-09-22 | 2020-09-22 | 一种视频的配乐方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112153460A true CN112153460A (zh) | 2020-12-29 |
| CN112153460B CN112153460B (zh) | 2023-03-28 |
Family
ID=73897690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011004742.3A Active CN112153460B (zh) | 2020-09-22 | 2020-09-22 | 一种视频的配乐方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112153460B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110704682A (zh) * | 2019-09-26 | 2020-01-17 | 新华智云科技有限公司 | 一种基于视频多维特征智能推荐背景音乐的方法及系统 |
| CN113488083A (zh) * | 2021-08-23 | 2021-10-08 | 北京字节跳动网络技术有限公司 | 数据匹配方法、装置、介质及电子设备 |
| CN113572981A (zh) * | 2021-01-19 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 视频配乐方法及装置、电子设备、存储介质 |
| CN115278382A (zh) * | 2022-06-29 | 2022-11-01 | 北京捷通华声科技股份有限公司 | 基于音频片段的视频片段确定方法及装置 |
| CN115695899A (zh) * | 2021-07-23 | 2023-02-03 | 花瓣云科技有限公司 | 视频的生成方法、电子设备及其介质 |
| WO2023174066A1 (zh) * | 2022-03-18 | 2023-09-21 | 北京字跳网络技术有限公司 | 视频生成方法、装置、电子设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8737817B1 (en) * | 2011-02-08 | 2014-05-27 | Google Inc. | Music soundtrack recommendation engine for videos |
| CN106503034A (zh) * | 2016-09-14 | 2017-03-15 | 厦门幻世网络科技有限公司 | 一种为动画配乐的方法及装置 |
| CN109246474A (zh) * | 2018-10-16 | 2019-01-18 | 维沃移动通信（杭州）有限公司 | 一种视频文件编辑方法及移动终端 |
-
2020
- 2020-09-22 CN CN202011004742.3A patent/CN112153460B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8737817B1 (en) * | 2011-02-08 | 2014-05-27 | Google Inc. | Music soundtrack recommendation engine for videos |
| CN106503034A (zh) * | 2016-09-14 | 2017-03-15 | 厦门幻世网络科技有限公司 | 一种为动画配乐的方法及装置 |
| CN109246474A (zh) * | 2018-10-16 | 2019-01-18 | 维沃移动通信（杭州）有限公司 | 一种视频文件编辑方法及移动终端 |
Non-Patent Citations (1)
| Title |
|---|
| 韩冰等: "《数字音视频处理》", 30 October 2018, 西安电子科技大学出版社 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110704682A (zh) * | 2019-09-26 | 2020-01-17 | 新华智云科技有限公司 | 一种基于视频多维特征智能推荐背景音乐的方法及系统 |
| CN113572981A (zh) * | 2021-01-19 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 视频配乐方法及装置、电子设备、存储介质 |
| CN115695899A (zh) * | 2021-07-23 | 2023-02-03 | 花瓣云科技有限公司 | 视频的生成方法、电子设备及其介质 |
| CN113488083A (zh) * | 2021-08-23 | 2021-10-08 | 北京字节跳动网络技术有限公司 | 数据匹配方法、装置、介质及电子设备 |
| WO2023174066A1 (zh) * | 2022-03-18 | 2023-09-21 | 北京字跳网络技术有限公司 | 视频生成方法、装置、电子设备和存储介质 |
| CN116800908A (zh) * | 2022-03-18 | 2023-09-22 | 北京字跳网络技术有限公司 | 一种视频生成方法、装置、电子设备和存储介质 |
| CN115278382A (zh) * | 2022-06-29 | 2022-11-01 | 北京捷通华声科技股份有限公司 | 基于音频片段的视频片段确定方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112153460B (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112153460B (zh) | 一种视频的配乐方法、装置、电子设备和存储介质 | |
| CN110677711B (zh) | 视频配乐方法、装置、电子设备及计算机可读介质 | |
| CN109543064B (zh) | 歌词显示处理方法、装置、电子设备及计算机存储介质 | |
| CN110971969B (zh) | 视频配乐方法、装置、电子设备及计算机可读存储介质 | |
| CN108416310B (zh) | 用于生成信息的方法和装置 | |
| CN111599343B (zh) | 用于生成音频的方法、装置、设备和介质 | |
| WO2020113733A1 (zh) | 动画生成方法、装置、电子设备及计算机可读存储介质 | |
| KR102346046B1 (ko) | 3차원 가상 인물 입모양 변화 제어 방법 및 장치 | |
| CN111309962B (zh) | 提取音频片段的方法、装置以及电子设备 | |
| CN111798821B (zh) | 声音转换方法、装置、可读存储介质及电子设备 | |
| JP2020004381A (ja) | 情報プッシュ方法及び装置 | |
| WO2021057740A1 (zh) | 视频生成方法、装置、电子设备和计算机可读介质 | |
| CN111883117B (zh) | 语音唤醒方法及装置 | |
| CN113257218B (zh) | 语音合成方法、装置、电子设备和存储介质 | |
| US20230307004A1 (en) | Audio data processing method and apparatus, and device and storage medium | |
| CN114073854A (zh) | 基于多媒体文件的游戏方法和系统 | |
| WO2021088790A1 (zh) | 用于目标设备的显示样式调整方法和装置 | |
| CN111897950A (zh) | 用于生成信息的方法和装置 | |
| CN113205793A (zh) | 音频生成方法、装置、存储介质及电子设备 | |
| CN114429658A (zh) | 人脸关键点信息获取方法、生成人脸动画的方法及装置 | |
| CN113923378A (zh) | 视频处理方法、装置、设备及存储介质 | |
| CN113488083B (zh) | 数据匹配方法、装置、介质及电子设备 | |
| CN109816670B (zh) | 用于生成图像分割模型的方法和装置 | |
| WO2023061229A1 (zh) | 视频生成方法及设备 | |
| CN114550728B (zh) | 用于标记说话人的方法、装置和电子设备 |
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 |