CN112163121A - 一种基于大数据的视频内容信息智能分析处理方法 - Google Patents
一种基于大数据的视频内容信息智能分析处理方法 Download PDFInfo
- Publication number
- CN112163121A CN112163121A CN202011208477.0A CN202011208477A CN112163121A CN 112163121 A CN112163121 A CN 112163121A CN 202011208477 A CN202011208477 A CN 202011208477A CN 112163121 A CN112163121 A CN 112163121A
- Authority
- CN
- China
- Prior art keywords
- picture
- characteristic
- elements
- same
- feature
- 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
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
- G06F16/75—Clustering; Classification
-
- 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
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- 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
- 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
- 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)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Library & Information Science (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于大数据的视频内容信息智能分析处理方法,本发明通过将待分类的视频分解为若干图片,并提取各图片的特征元素及获取特征元素所在特征区域的面积,同时将提取的各图片的特征元素进行相互对比,筛选出相同特征元素,进而对各相同特征元素对应的相关参数进行统计,将各相同特征元素按照其统计的相关参数进行排序,结合排序结果挑选出待分类视频的最优分类特征,实现了视频的精准分类,满足了视频网站平台对视频分类的需求,提高了视频分类的准确度,缩短了用户筛选自己喜好视频分类的时间,增强了用户的观看体验感,进而增加了该视频网站的受众人群。
Description
技术领域
本发明属于视频分类处理技术领域,具体涉及一种基于大数据的视频内容信息智能分析处理方法。
背景技术
视频网站是在完善的技术平台支持下,让互联网用户在线流畅发布、浏览和分享视频作品,随着网络技术的不断发展,许多视频网站平台如雨后春笋般涌现。与此同时,随着用户的观看需求越来越大,视频网站中发布的视频也越来越多,这就需要对视频网站中发布的视频进行分类,以供观看视频的用户根据分类的视频筛选出符合自己喜好的视频。这对视频网站平台来说,对视频的精准分类是亟需解决的问题,视频分类的越精准,用户便能最短时间内筛选出自己喜好的视频分类,进而提高用户的观看体验感,反之,视频分类欠精准,用户筛选自己喜好视频分类的时间就会延长,降低用户的观看体验感,鉴于此,本发明提出一种基于大数据的视频内容信息智能分析处理方法。
发明内容
本发明的目的在于提出一种基于大数据的视频内容信息智能分析处理方法,通过将待分类的视频分解为若干图片,并提取各图片的特征元素及获取特征元素所在特征区域的面积,同时将提取的各图片的特征元素进行相互对比,筛选出相同特征元素,进而对各相同特征元素对应的相关参数进行统计,将各相同特征元素按照其统计的相关参数进行排序,结合排序结果挑选出待分类视频的最优分类特征,以实现视频的精准分类。
本发明的目的可以通过以下技术方案实现:
一种基于大数据的视频内容信息智能分析处理方法,包括以下步骤;
S1.视频分解:将待分类的视频获取其视频时长,并按照视频时长具有的视频帧数将待分类的视频分解为若干图片,其中每张图片对应一个视频帧;
S2.分解图片排序:对分解的若干图片按照预设的顺序进行编号,依次标记为1,2...i....n,并对编号后的各图片构成分解图片集合;
S3.分解图片预处理:对分解图片集合中的各图片进行图片初步处理,得到处理后的各图片;
S4.图片面积获取及特征元素提取:从分解图片集合中按照图片的编号顺序依次筛选出处理后的各图片,并对筛选出的各图片获取其图片面积,同时从各图片上提取特征元素,进而对提取的各图片对应的各特征元素进行编号,分别标记为1,2...j....m;
S5.特征元素所在特征区域面积获取:对提取的各图片对应的各特征元素获取各特征元素所在特征区域,进而获取各特征元素所在特征区域的面积,并将获取的各图片对应各特征元素所在特征区域面积构成各图片特征元素特征区域面积集合Si(si1,si2,...,sij,...,sim),sij表示为第i张图片对应的第j个特征元素所在特征区域的面积;
S6.相同特征元素统计:将各图片特征元素特征区域面积集合中各图片对应的各特征元素进行相互对比,判断是否存在相同的特征元素,若存在相同的特征元素,则统计相同特征元素的个数,并将统计的各相同特征元素进行编号,依次标记为1,2...k....l,同时统计各相同特征元素对应的图片个数和图片编号,根据各相同特征元素对应的图片编号1,2...f....g,获取各相同特征元素对应各图片的面积,构成相同特征元素图片面积集合Pks(pks1,pks2,...,pksf,...,pksg),pksf表示为第k个相同特征元素对应第f个图片编号的图片面积,根据各相同特征元素对应的图片编号,获取各相同特征元素在对应图片编号内所在特征区域的面积,将得到的各相同特征元素在对应图片编号内所在特征区域的面积构成相同特征元素特征区域面积集合Pks′(pks′1,pks′2,...,pks′f,...,pks′g),pks′f表示为第k个相同特征元素在对应第f个图片编号内所在特征区域的面积;
S7.相同特征元素参数集合构建:将相同特征元素图片面积集合中各相同特征元素对应各图片的面积进行叠加,得到各相同特征元素对应图片的总面积,并对相同特征元素特征区域面积集合中每个相同特征元素在对应各图片编号内所在特征区域的面积进行求和,得到各相同特征元素对应的特征区域总面积,进而将各相同特征元素对应的图片总面积、特征区域总面积和图片个数构成相同特征元素参数集合Qw(qw1,qw2,...,qwk,...,qwl),qwk表示为第k个相同特征元素的第w个参数对应的数值,w表示为参数,w=wd,ws,wv,wd,ws,wv分别表示为图片总面积、特征区域总面积、图片个数;
S8.相同特征元素排序:从相同特征元素参数集合中分别提取各相同特征元素对应的特征区域总面积,并对提取的各相同特征元素按照其对应的特征区域总面积由大到小进行排序,得到各相同特征元素以对应的特征区域总面积为排序依据的排序结果,此时再从相同特征元素参数集合中分别提取各相同特征元素对应的图片个数,并对提取的各相同特征元素按照其对应的图片个数由大到小进行排序,得到各相同特征元素以对应的图片个数为排序依据的排序结果;
S9.视频最优分类特征挑选:分别从各相同特征元素以对应的特征区域总面积以排序依据的排序结果中和以对应的图片个数为排序依据的排序结果中提取排在第一位的相同特征元素,并将提取出的各排在第一位的相同特征元素进行相互对比,判断是否为同一个相同特征元素,若是同一个相同特征元素,则该相同特征元素即为该待分类视频的最优分类特征,若不是同一个相同特征元素,则根据预设的相同特征元素的综合分类影响系数计算公式,统计各相同特征元素对应的综合分类影响系数,并将各相同特征元素按照统计的各自对应的综合分类影响系数由大到小进行排序,得到各相同特征元素以综合分类影响系数为排序依据的排序结果,其中排在第一位的相同特征元素,即为该待分类视频的最优分类特征,根据获得的最优分类特征将该待分类的视频进行分类。
进一步地,步骤S2中对分解的若干图片按照预设的顺序进行编号,其预设的顺序为按照分解的各图片对应视频帧的视频时间点先后顺序。
进一步地,步骤S3中对分解图片集合中的各图片进行图片初步处理,其中图片初步处理过程包括以下两个步骤:
W1:对各图片进行滤除噪声、提高清晰度和高清滤波处理,得到高清图片;
W2:对得到的高清图片进行灰度二值化处理,凸显图片的边界轮廓,得到各图片对应的灰度图片。
进一步地,步骤S4中对筛选出的各图片获取其图片面积,同时从各图片上提取特征元素的过程执行以下步骤:
H1.对筛选的各图片采用边缘检测技术提取各图片的边界轮廓线;
H2.对各图片边界轮廓线以内的区域面积进行统计,即为各图片的面积;
H3.从各图片边界轮廓线以内的区域提取区域内包含的特征元素;
H4.对提取的区域内包含的特征元素个数进行统计,若区域内包含的特征元素只有一个,则只统计该特征元素,若区域内包含的特征元素有不止一个,则统计区域内包含的多个特征元素。
进一步地,步骤S5中对提取的各图片对应的各特征元素获取各特征元素所在特征区域的面积,其中特征区域为特征元素所在区域。
进一步地,步骤S5中对提取的各图片对应的各特征元素获取各特征元素所在特征区域,进而获取各特征元素所在特征区域面积的具体步骤如下:
T1.对提取的各图片对应的各特征元素,获取各特征元素在对应图片上所处位置;
T2.根据各特征元素在对应图片上所处位置,获取各特征元素在对应图片上的形状,进而根据各特征元素在对应图片上的形状勾勒出形状轮廓,其形状轮廓内区域即为各特征元素所在的特征区域;
T3.获取各特征元素所在特征区域的面积。
进一步地,步骤S9中各相同特征元素对应的综合分类影响系数计算公式为为式中σk表示为第k个相同特征元素的综合分类影响系数,qwsk表示为第k个相同特征元素对应的特征区域总面积,qwdk表示为第k个相同特征元素对应的图片总面积,qwvk表示为第k个相同特征元素对应的图片个数,n表示为该待分类视频分解的图片总个数,α、β分别表示为预设的相同特征元素对应的特征区域总面积、图片个数对视频分类的影响权重。
本发明的有益效果如下:
1.本发明通过将通过将待分类的视频分解为若干图片,并提取各图片的特征元素及获取特征元素所在特征区域的面积,同时将提取的各图片的特征元素进行相互对比,筛选出相同特征元素,进而对各相同特征元素对应的相关参数进行统计,将各相同特征元素按照其统计的相关参数进行排序,结合排序结果挑选出待分类视频的最优分类特征,实现了视频的精准分类,提高了视频分类的准确度,缩短了用户筛选自己喜好视频分类的时间,增强了用户的观看体验感,进而增加了该视频网站的受众人群。
2.本发明在挑选待分类视频的最优分类特征时,采用分层次的挑选方式,当待分类视频对应的各相同特征元素以特征区域总面积和图片个数进行排序,其排序结果没有挑选出最优分类特征时,通过统计各相同分类特征对应的综合分类影响系数,并以综合分类影响系数为排序依据进行各相同特征元素排序,以挑选出最优分类特征,这样的挑选方式,实现了视频分类特征的智能综合择优选取,使得挑选的最优分类特征能够对待分类的视频进行精准分类,满足视频网站平台对视频分类的需求。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于大数据的视频内容信息智能分析处理方法,包括以下步骤;
S1.视频分解:将待分类的视频获取其视频时长,并按照视频时长具有的视频帧数将待分类的视频分解为若干图片,其中每张图片对应一个视频帧,由于视频时由若干图片组成的,将待分类的视频分解为各图片,降低了直接对视频进行分类分析的难度,并为后面对分解的图片进行处理和特征元素提取提供依据;
S2.分解图片排序:对分解的若干图片按照分解的各图片对应视频帧的视频时间点先后顺序进行编号,依次标记为1,2...i....n,并对编号后的各图片构成分解图片集合;
S3.分解图片预处理:对分解图片集合中的各图片进行图片初步处理,得到处理后的各图片,其中图片初步处理过程包括以下两个步骤:
W1:对各图片进行滤除噪声、提高清晰度和高清滤波处理,得到高清图片;
W2:对得到的高清图片进行灰度二值化处理,凸显图片的边界轮廓,得到各图片对应的灰度图片;
本实施例通过对分解的图片进行图片预处理,方便后面对图片进行特征元素提取。
S4.图片面积获取及特征元素提取:从分解图片集合中按照图片的编号顺序依次筛选出处理后的各图片,并对筛选出的各图片获取其图片面积,同时从各图片上提取特征元素,其获取图片面积及提取图片特征元素的过程执行以下步骤:
H1.对筛选的各图片采用边缘检测技术提取各图片的边界轮廓线;
H2.对各图片边界轮廓线以内的区域面积进行统计,即为各图片的面积;
H3.从各图片边界轮廓线以内的区域提取区域内包含的特征元素;
H4.对提取的区域内包含的特征元素个数进行统计,若区域内包含的特征元素只有一个,则只统计该特征元素,若区域内包含的特征元素有不止一个,则统计区域内包含的多个特征元素,进而对提取的各图片对应的各特征元素进行编号,分别标记为1,2...j....m;
S5.特征元素所在特征区域面积获取:对提取的各图片对应的各特征元素获取各特征元素所在特征区域,其特征区域为特征元素所在区域,进而获取各特征元素所在特征区域的面积,其获取各特征元素所在特征区域面积的具体步骤如下:
T1.对提取的各图片对应的各特征元素,获取各特征元素在对应图片上所处位置;
T2.根据各特征元素在对应图片上所处位置,获取各特征元素在对应图片上的形状,进而根据各特征元素在对应图片上的形状勾勒出形状轮廓,其形状轮廓内区域即为各特征元素所在的特征区域;
T3.获取各特征元素所在特征区域的面积,并将获取的各图片对应各特征元素所在特征区域面积构成各图片特征元素特征区域面积集合Si(si1,si2,...,sij,...,sim),sij表示为第i张图片对应的第j个特征元素所在特征区域的面积;
本实施例通过对分解的图片进行特征元素提取及特征元素所在特征区域面积获取,其得到的各图片各特征元素所在特征区域面积为后期进行相同特征元素排序或统计相同特征元素的综合分类影响系数提供参考依据。
S6.相同特征元素统计:将各图片特征元素特征区域面积集合中各图片对应的各特征元素进行相互对比,判断是否存在相同的特征元素,若存在相同的特征元素,则统计相同特征元素的个数,并将统计的各相同特征元素进行编号,依次标记为1,2...k....l,同时统计各相同特征元素对应的图片个数和图片编号,根据各相同特征元素对应的图片编号1,2...f....g,获取各相同特征元素对应各图片的面积,构成相同特征元素图片面积集合Pks(pks1,pks2,...,pksf,...,pksg),pksf表示为第k个相同特征元素对应第f个图片编号的图片面积,根据各相同特征元素对应的图片编号,获取各相同特征元素在对应图片编号内所在特征区域的面积,将得到的各相同特征元素在对应图片编号内所在特征区域的面积构成相同特征元素特征区域面积集合Pks′(pks′1,pks′2,...,pks′f,...,pks′g),pks′f表示为第k个相同特征元素在对应第f个图片编号内所在特征区域的面积;
S7.相同特征元素参数集合构建:将相同特征元素图片面积集合中各相同特征元素对应各图片的面积进行叠加,得到各相同特征元素对应图片的总面积,其图片的总面积计算公式为并对相同特征元素特征区域面积集合中每个相同特征元素在对应各图片编号内所在特征区域的面积进行求和,得到各相同特征元素对应的特征区域总面积,其相同特征元素对应的特征区域总面积计算公式为进而将各相同特征元素对应的图片总面积、特征区域总面积和图片个数构成相同特征元素参数集合Qw(qw1,qw2,...,qwk,...,qwl),qwk表示为第k个相同特征元素的第w个参数对应的数值,w表示为参数,w=wd,ws,wv,wd,ws,wv分别表示为图片总面积、特征区域总面积、图片个数;
S8.相同特征元素排序:从相同特征元素参数集合中分别提取各相同特征元素对应的特征区域总面积,并对提取的各相同特征元素按照其对应的特征区域总面积由大到小进行排序,得到各相同特征元素以对应的特征区域总面积为排序依据的排序结果,此时再从相同特征元素参数集合中分别提取各相同特征元素对应的图片个数,并对提取的各相同特征元素按照其对应的图片个数由大到小进行排序,得到各相同特征元素以对应的图片个数为排序依据的排序结果;
S9.视频最优分类特征挑选:分别从各相同特征元素以对应的特征区域总面积以排序依据的排序结果中和以对应的图片个数为排序依据的排序结果中提取排在第一位的相同特征元素,并将提取出的各排在第一位的相同特征元素进行相互对比,判断是否为同一个相同特征元素,若是同一个相同特征元素,则表明该相同特征元素是各相同特征元素中能够综合最优反映待分类视频分类特性的特征元素,该相同特征元素即为该待分类视频的最优分类特征,若不是同一个相同特征元素,则根据预设的相同特征元素的综合分类影响系数计算公式,统计各相同特征元素对应的综合分类影响系数式中σk表示为第k个相同特征元素的综合分类影响系数,qwsk表示为第k个相同特征元素对应的特征区域总面积,qwdk表示为第k个相同特征元素对应的图片总面积,qwvk表示为第k个相同特征元素对应的图片个数,n表示为该待分类视频分解的图片总个数,α、β分别表示为预设的相同特征元素对应的特征区域总面积、图片个数对视频分类的影响权重,并将各相同特征元素按照统计的各自对应的综合分类影响系数由大到小进行排序,得到各相同特征元素以综合分类影响系数为排序依据的排序结果,其中排在第一位的相同特征元素,其综合分类影响系数最大,最能综合最优反映待分类视频分类特性,即为该待分类视频的最优分类特征,根据获得的最优分类特征将该待分类的视频进行分类。
本实施例在挑选待分类视频的最优分类特征时,采用分层次的挑选方式,当待分类视频对应的各相同特征元素以特征区域总面积和图片个数进行排序,其排序结果没有挑选出最优分类特征时,通过统计各相同分类特征对应的综合分类影响系数,并以综合分类影响系数为排序依据进行各相同特征元素排序,以挑选出最优分类特征,这样的挑选方式,实现了视频分类特征的智能综合择优选取,使得挑选的最优分类特征能够对待分类的视频进行精准分类,提高了视频分类的准确度,缩短了用户筛选自己喜好视频分类的时间,增强了用户的观看体验感,满足视频网站平台对视频分类的需求。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (7)
1.一种基于大数据的视频内容信息智能分析处理方法,其特征在于:包括以下步骤;
S1.视频分解:将待分类的视频获取其视频时长,并按照视频时长具有的视频帧数将待分类的视频分解为若干图片,其中每张图片对应一个视频帧;
S2.分解图片排序:对分解的若干图片按照预设的顺序进行编号,依次标记为1,2...i....n,并对编号后的各图片构成分解图片集合;
S3.分解图片预处理:对分解图片集合中的各图片进行图片初步处理,得到处理后的各图片;
S4.图片面积获取及特征元素提取:从分解图片集合中按照图片的编号顺序依次筛选出处理后的各图片,并对筛选出的各图片获取其图片面积,同时从各图片上提取特征元素,进而对提取的各图片对应的各特征元素进行编号,分别标记为1,2...j....m;
S5.特征元素所在特征区域面积获取:对提取的各图片对应的各特征元素获取各特征元素所在特征区域,进而获取各特征元素所在特征区域的面积,并将获取的各图片对应各特征元素所在特征区域面积构成各图片特征元素特征区域面积集合Si(si1,si2,...,sij,...,sim),sij表示为第i张图片对应的第j个特征元素所在特征区域的面积;
S6.相同特征元素统计:将各图片特征元素特征区域面积集合中各图片对应的各特征元素进行相互对比,判断是否存在相同的特征元素,若存在相同的特征元素,则统计相同特征元素的个数,并将统计的各相同特征元素进行编号,依次标记为1,2...k....l,同时统计各相同特征元素对应的图片个数和图片编号,根据各相同特征元素对应的图片编号1,2...f....g,获取各相同特征元素对应各图片的面积,构成相同特征元素图片面积集合Pks(pks1,pks2,...,pksf,...,pksg),pksf表示为第k个相同特征元素对应第f个图片编号的图片面积,根据各相同特征元素对应的图片编号,获取各相同特征元素在对应图片编号内所在特征区域的面积,将得到的各相同特征元素在对应图片编号内所在特征区域的面积构成相同特征元素特征区域面积集合Pks′(pks′1,pks′2,...,pks′f,...,pks′g),pks′f表示为第k个相同特征元素在对应第f个图片编号内所在特征区域的面积;
S7.相同特征元素参数集合构建:将相同特征元素图片面积集合中各相同特征元素对应各图片的面积进行叠加,得到各相同特征元素对应图片的总面积,并对相同特征元素特征区域面积集合中每个相同特征元素在对应各图片编号内所在特征区域的面积进行求和,得到各相同特征元素对应的特征区域总面积,进而将各相同特征元素对应的图片总面积、特征区域总面积和图片个数构成相同特征元素参数集合Qw(qw1,qw2,...,qwk,...,qwl),qwk表示为第k个相同特征元素的第w个参数对应的数值,w表示为参数,w=wd,ws,wv,wd,ws,wv分别表示为图片总面积、特征区域总面积、图片个数;
S8.相同特征元素排序:从相同特征元素参数集合中分别提取各相同特征元素对应的特征区域总面积,并对提取的各相同特征元素按照其对应的特征区域总面积由大到小进行排序,得到各相同特征元素以对应的特征区域总面积为排序依据的排序结果,此时再从相同特征元素参数集合中分别提取各相同特征元素对应的图片个数,并对提取的各相同特征元素按照其对应的图片个数由大到小进行排序,得到各相同特征元素以对应的图片个数为排序依据的排序结果;
S9.视频最优分类特征挑选:分别从各相同特征元素以对应的特征区域总面积以排序依据的排序结果中和以对应的图片个数为排序依据的排序结果中提取排在第一位的相同特征元素,并将提取出的各排在第一位的相同特征元素进行相互对比,判断是否为同一个相同特征元素,若是同一个相同特征元素,则该相同特征元素即为该待分类视频的最优分类特征,若不是同一个相同特征元素,则根据预设的相同特征元素的综合分类影响系数计算公式,统计各相同特征元素对应的综合分类影响系数,并将各相同特征元素按照统计的各自对应的综合分类影响系数由大到小进行排序,得到各相同特征元素以综合分类影响系数为排序依据的排序结果,其中排在第一位的相同特征元素,即为该待分类视频的最优分类特征,根据获得的最优分类特征将该待分类的视频进行分类。
2.根据权利要求1所述的一种基于大数据的视频内容信息智能分析处理方法,其特征在于:步骤S2中对分解的若干图片按照预设的顺序进行编号,其预设的顺序为按照分解的各图片对应视频帧的视频时间点先后顺序。
3.根据权利要求1所述的一种基于大数据的视频内容信息智能分析处理方法,其特征在于:步骤S3中对分解图片集合中的各图片进行图片初步处理,其中图片初步处理过程包括以下两个步骤:
W1:对各图片进行滤除噪声、提高清晰度和高清滤波处理,得到高清图片;
W2:对得到的高清图片进行灰度二值化处理,凸显图片的边界轮廓,得到各图片对应的灰度图片。
4.根据权利要求1所述的一种基于大数据的视频内容信息智能分析处理方法,其特征在于:步骤S4中对筛选出的各图片获取其图片面积,同时从各图片上提取特征元素的过程执行以下步骤:
H1.对筛选的各图片采用边缘检测技术提取各图片的边界轮廓线;
H2.对各图片边界轮廓线以内的区域面积进行统计,即为各图片的面积;
H3.从各图片边界轮廓线以内的区域提取区域内包含的特征元素;
H3.对提取的区域内包含的特征元素个数进行统计,若区域内包含的特征元素只有一个,则只统计该特征元素,若区域内包含的特征元素有不止一个,则统计区域内包含的多个特征元素。
5.根据权利要求1所述的一种基于大数据的视频内容信息智能分析处理方法,其特征在于:步骤S5中对提取的各图片对应的各特征元素获取各特征元素所在特征区域的面积,其中特征区域为特征元素所在区域。
6.根据权利要求1所述的一种基于大数据的视频内容信息智能分析处理方法,其特征在于:步骤S5中对提取的各图片对应的各特征元素获取各特征元素所在特征区域,进而获取各特征元素所在特征区域面积的具体步骤如下:
T1.对提取的各图片对应的各特征元素,获取各特征元素在对应图片上所处位置;
T2.根据各特征元素在对应图片上所处位置,获取各特征元素在对应图片上的形状,进而根据各特征元素在对应图片上的形状勾勒出形状轮廓,其形状轮廓内区域即为各特征元素所在的特征区域;
T3.获取各特征元素所在特征区域的面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011208477.0A CN112163121B (zh) | 2020-11-03 | 2020-11-03 | 一种基于大数据的视频内容信息智能分析处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011208477.0A CN112163121B (zh) | 2020-11-03 | 2020-11-03 | 一种基于大数据的视频内容信息智能分析处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163121A true CN112163121A (zh) | 2021-01-01 |
CN112163121B CN112163121B (zh) | 2021-03-23 |
Family
ID=73865539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011208477.0A Active CN112163121B (zh) | 2020-11-03 | 2020-11-03 | 一种基于大数据的视频内容信息智能分析处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163121B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113873180A (zh) * | 2021-08-25 | 2021-12-31 | 广东飞达交通工程有限公司 | 一种多视频检测器同一事件重复发现归并处理方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070230801A1 (en) * | 1999-11-16 | 2007-10-04 | At&T Laboratories-Cambridge Ltd. | Method of and apparatus for classifying an image |
CN101551852A (zh) * | 2008-04-01 | 2009-10-07 | 索尼(中国)有限公司 | 训练系统、训练方法和检测方法 |
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及系统 |
US20110299787A1 (en) * | 2007-12-24 | 2011-12-08 | Microsoft Corporation | Invariant visual scene and object recognition |
CN103473340A (zh) * | 2013-09-23 | 2013-12-25 | 江苏刻维科技信息有限公司 | 基于视频图像的互联网多媒体内容的分类方法 |
CN103679156A (zh) * | 2013-12-31 | 2014-03-26 | 武汉理工大学 | 一种多类运动目标自动识别与跟踪的方法 |
CN104346802A (zh) * | 2013-08-05 | 2015-02-11 | 浙江大华技术股份有限公司 | 一种人员离岗监控方法及设备 |
CN105844295A (zh) * | 2016-03-21 | 2016-08-10 | 北京航空航天大学 | 一种基于颜色模型与运动特征的视频烟雾精细分类方法 |
CN107169439A (zh) * | 2017-05-11 | 2017-09-15 | 南宁市正祥科技有限公司 | 一种行人车辆检测与分类方法 |
CN108052372A (zh) * | 2017-12-15 | 2018-05-18 | 佛山市极加互动科技有限公司 | 一种基于大数据的视频智能分析系统及方法 |
CN108108415A (zh) * | 2017-12-13 | 2018-06-01 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、存储介质和电子设备 |
CN110517246A (zh) * | 2019-08-23 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
-
2020
- 2020-11-03 CN CN202011208477.0A patent/CN112163121B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070230801A1 (en) * | 1999-11-16 | 2007-10-04 | At&T Laboratories-Cambridge Ltd. | Method of and apparatus for classifying an image |
US20110299787A1 (en) * | 2007-12-24 | 2011-12-08 | Microsoft Corporation | Invariant visual scene and object recognition |
CN101551852A (zh) * | 2008-04-01 | 2009-10-07 | 索尼(中国)有限公司 | 训练系统、训练方法和检测方法 |
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及系统 |
CN104346802A (zh) * | 2013-08-05 | 2015-02-11 | 浙江大华技术股份有限公司 | 一种人员离岗监控方法及设备 |
CN103473340A (zh) * | 2013-09-23 | 2013-12-25 | 江苏刻维科技信息有限公司 | 基于视频图像的互联网多媒体内容的分类方法 |
CN103679156A (zh) * | 2013-12-31 | 2014-03-26 | 武汉理工大学 | 一种多类运动目标自动识别与跟踪的方法 |
CN105844295A (zh) * | 2016-03-21 | 2016-08-10 | 北京航空航天大学 | 一种基于颜色模型与运动特征的视频烟雾精细分类方法 |
CN107169439A (zh) * | 2017-05-11 | 2017-09-15 | 南宁市正祥科技有限公司 | 一种行人车辆检测与分类方法 |
CN108108415A (zh) * | 2017-12-13 | 2018-06-01 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、存储介质和电子设备 |
CN108052372A (zh) * | 2017-12-15 | 2018-05-18 | 佛山市极加互动科技有限公司 | 一种基于大数据的视频智能分析系统及方法 |
CN110517246A (zh) * | 2019-08-23 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
YE YUAN 等: "Automatic video classification using decision tree method", 《PROCEEDINGS. INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 * |
黄一: "基于内容的互联网视频分类", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113873180A (zh) * | 2021-08-25 | 2021-12-31 | 广东飞达交通工程有限公司 | 一种多视频检测器同一事件重复发现归并处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112163121B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106920229B (zh) | 图像模糊区域自动检测方法及系统 | |
CN109993040B (zh) | 文本识别方法及装置 | |
CN108874959B (zh) | 一种基于大数据技术的用户动态兴趣模型建立方法 | |
CN110909205B (zh) | 一种视频封面确定方法、装置、电子设备及可读存储介质 | |
CN107944427B (zh) | 动态人脸识别方法及计算机可读存储介质 | |
CN111027547A (zh) | 一种针对二维图像中的多尺度多形态目标的自动检测方法 | |
CN109671058B (zh) | 一种大分辨率图像的缺陷检测方法及系统 | |
CN108416314B (zh) | 图片重要人脸检测方法 | |
CN111401353A (zh) | 一种数学公式的识别方法、装置及设备 | |
CN112819762A (zh) | 一种基于伪孪生密集连接注意力机制的路面裂缝检测方法 | |
CN112163121B (zh) | 一种基于大数据的视频内容信息智能分析处理方法 | |
CN112465596B (zh) | 一种基于电子商务直播的图像信息处理云计算平台 | |
CN116703911A (zh) | 一种led灯生产质量检测系统 | |
CN112330585A (zh) | 图像质量的检测方法、装置及电子设备 | |
CN113297420A (zh) | 视频图像处理方法、装置、存储介质及电子设备 | |
CN115457249A (zh) | 红外图像与可见光图像融合匹配的方法及系统 | |
CN110097603B (zh) | 一种时尚图像主色调解析方法 | |
CN107194815B (zh) | 客户分类方法及系统 | |
CN110956157A (zh) | 基于候选框选择的深度学习遥感影像目标检测方法及装置 | |
CN111597937B (zh) | 鱼姿势识别方法、装置、设备及存储介质 | |
CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
CN115080865B (zh) | 基于多维数据分析的电商数据运营管理系统 | |
CN116050253A (zh) | 菜品风味智能识别方法、装置、设备及存储介质 | |
CN115578621A (zh) | 一种基于多源数据融合的图像识别方法 | |
CN114067169A (zh) | 一种基于卷积神经网络的拉曼光谱分析方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210309 Address after: Floor 3-7, no.1500, Puming Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai, 200120 Applicant after: WIND INFORMATION TECHNOLOGY Co.,Ltd. Address before: 210043 197 Heyue Road, Baguazhou street, Qixia District, Nanjing City, Jiangsu Province Applicant before: Nanjing Bangfeng Intelligent Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |