CN112765399A - 一种视频数据处理方法及电子设备 - Google Patents

一种视频数据处理方法及电子设备 Download PDF

Info

Publication number
CN112765399A
CN112765399A CN202011563793.XA CN202011563793A CN112765399A CN 112765399 A CN112765399 A CN 112765399A CN 202011563793 A CN202011563793 A CN 202011563793A CN 112765399 A CN112765399 A CN 112765399A
Authority
CN
China
Prior art keywords
target object
video
determining
motion
video segment
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
CN202011563793.XA
Other languages
English (en)
Inventor
康伟
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.)
Lenovo Beijing Ltd
Original Assignee
Lenovo Beijing 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 Lenovo Beijing Ltd filed Critical Lenovo Beijing Ltd
Priority to CN202011563793.XA priority Critical patent/CN112765399A/zh
Publication of CN112765399A publication Critical patent/CN112765399A/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
    • G06F16/73—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
    • G06F16/75—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
    • G06F16/78—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
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content

Abstract

本申请实施例提供了一种视频数据处理方法及电子设备，所述视频数据处理方法包括：获得多个视频片段，多个所述视频片段均包括目标物体和第一目标对象；分别确定每个所述视频片段中所述目标物体和第一目标对象的运动轨迹；基于每个所述视频片段中所述目标物体的所述运动轨迹，以及所述第一目标对象的所述运动轨迹间的关系对多个所述视频片段进行筛选，以得到有效视频片段。本申请的视频数据处理方法能够根据视频中不同目标对象和目标物体的运动轨迹而对视频进行剪辑、筛选，以得到有效视频片段。

Description

一种视频数据处理方法及电子设备
技术领域
本申请实施例涉及计算机技术领域，特别涉及一种视频数据处理方法及电子设备。
背景技术
目前，基于视频数据进行处理以辅助实现事件分析的场景越来越多，例如在侦破犯罪案件，舞蹈训练等，以及在多人球类运动中都会经常使用该方法。以多人球类运动来说，其经常需要进行实战训练，在实战训练的过程中，助教需要进行现场视频录制，以便后续分析某位球员的动作，以及得分/失分原因，进行复盘指导使用。但是目前采用的方法大多是使用整场录制的视频进行复盘，不仅教练和球员的工作量会变大，而且由于看的是整场视频，缺乏对某个球员进有针对性指导，因此需要对视频针对所观察球员进行剪辑。
发明内容
本申请提供了一种能够根据视频中不同目标对象和目标物体的运动轨迹而对视频进行剪辑、筛选，以得到有效视频片段的视频数据处理方法及电子设备。
为了解决上述技术问题，本申请实施例提供了一种视频数据处理方法，包括：
获得多个视频片段，多个所述视频片段均包括目标物体和第一目标对象；
分别确定每个所述视频片段中所述目标物体和第一目标对象的运动轨迹；
基于每个所述视频片段中所述目标物体的所述运动轨迹，以及所述第一目标对象的所述运动轨迹间的关系对多个所述视频片段进行筛选，以得到有效视频片段。
作为优选，所述获得多个视频片段，包括：
获得原始视频；
分别获得用于跟踪识别所述原始数据中所述目标物体和第一目标对象的第一标识信息和第二标识信息；
基于所述第一标识信息以及预设剪辑时长对所述原始数据进行剪辑，以得到均包含所述目标物体的第一数量的所述视频片段；
基于所述第二标识信息对所述第一数量的视频片段进行筛选，得到同时具有所述目标物体和第一目标对象的第二数量的所述视频片段。
作为优选，所述分别确定每个所述视频片段中所述目标物体和第一目标对象的运动轨迹，包括：
分别确定每个所述视频片段中目标物体与第一目标对象的运动轨迹；
基于每个所述视频片段中所述目标物体的运动轨迹确定对应所述目标物体的第一位置坐标集；
基于每个所述视频片段中所述第一目标对象的运动轨迹确定对应所述第一目标对象的第二位置坐标集；
基于每个所述视频片段中的所述第一位置坐标集和第二位置坐标集分别确定所述目标物体和第一目标对象的运动轨迹的角度变化方向以及位置变化速率。
作为优选，所述基于每个所述视频片段中所述目标物体的所述运动轨迹，以及所述第一目标对象的所述运动轨迹间的关系对多个所述视频片段进行筛选，包括：
分别对每个所述视频片段中的所述目标物体和第一目标对象的运动轨迹的变化方向角度进行均值处理，得到多个第一处理结果；
基于多个所述第一处理结果以及第一预设阈值分别确定每个所述视频片段中的所述目标物体和第一目标对象的运动轨迹的变化方向角度的一致性，并相应生成多个第一筛选数据；
分别对每个所述视频片段中的所述目标物体和第一目标对象的位置变化速率进行均值处理，得到多个第二处理结果；
基于多个所述第二处理结果以及第二预设阈值，分别确定每个所述视频片段中的所述目标物体和第一目标对象的位置变化速率的一致性，并相应生成多个第二筛选数据；
基于多个所述第一筛选数据和第二筛选数据对多个所述视频片段进行筛选。
作为优选，所述基于多个所述第一筛选数据和第二筛选数据对多个所述视频片段进行筛选，包括：
基于对应同一所述视频片段的第一筛选数据和第二筛选数据确定该视频片段中的所述目标物体和第一目标对象间的相关度；
基于所述相关度确定该视频片段或删除，或保留。
作为优选，还包括：
获得筛选出的有效视频片段；
确定所述有效视频片段中的干扰对象；
消除所述有效视频片段中的干扰对象。
作为优选，所述确定所述候选视频片段中的干扰对象，包括：
确定所述有效视频片段中的第二目标对象；
至少确定所述第二目标对象的运动轨迹；
至少确定所述第二目标对象的所述运动轨迹，以及所述目标物体的所述运动轨迹间的关系；
基于所述关系确定所述第二目标对象是否为所述干扰对象。
作为优选，还包括：
获得用于对所述有效视频片段进行分类的标签；
基于所述标签对所述有效视频片段进行分析处理；
基于处理结果以及所述标签对所述有效视频片段进行分类。
作为优选，所述基于所述标签对所述有效视频片段进行分析处理，包括：
确定所述标签记载的表征类别特征的特征信息，所述特征信息与所述第一目标对象有关；
基于所述特征信息对所述有效视频片段中的所述第一目标对象进行特征分析，所述特征分析包括对所述第一目标对象的姿态进行的分析。
本发明另一实施例同时提供一种电子设备，包括：
处理器，其用于获得多个均包括目标物体和第一目标对象的视频片段，分别确定每个所述视频片段中所述目标物体和第一目标对象的运动轨迹；基于每个所述视频片段中所述目标物体的所述运动轨迹，以及所述第一目标对象的所述运动轨迹间的关系对多个所述视频片段进行筛选，以得到有效视频片段。
基于上述实施例的公开可以获知，本申请实施例具备的有益效果包括通过得到包含目标物体和第一目标对象的视频片段，接着确定每个视频片段中的目标物体和第一目标对象的运动轨迹，以基于二者的运动轨迹间的关系而对得到的视频片段进行筛选，最终删除无效片段，而得到有效视频片段，基于该有效视频片段，用户能够更有针对性的对第一目标对象的表现进行分析，提高分析效率，同时减少因无效视频所占用的存储空间。
附图说明
图1为本发明实施例中视频数据处理方法的流程图的方法流程图。
图2为本发明另一实施例中的视频数据处理方法的流程图。
图3为本发明实施例中的视频数据处理方法的实际应用流程图。
图4为本发明实施例中电子设备的结构框图。
具体实施方式
下面，结合附图对本申请的具体实施例进行详细的描述，但不作为本申请的限定。
应理解的是，可以对此处公开的实施例做出各种修改。因此，下述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时，鉴于以下详细说明，本公开的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本公开的具体实施例；然而，应当理解，所公开的实施例仅仅是本公开的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此，本文所公开的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。
下面，结合附图详细的说明本申请实施例。
如图1所示，本发明实施例提供一种视频数据处理方法，包括：
S100：获得多个视频片段，多个视频片段均包括目标物体和第一目标对象；
S200：分别确定每个视频片段中目标物体和第一目标对象的运动轨迹；
S300：基于每个视频片段中目标物体的运动轨迹，以及第一目标对象的运动轨迹间的关系对多个视频片段进行筛选，以得到有效视频片段。
例如，以一场足球实战训练的记录视频为例，设备获得的多个视频片段为该记录视频中的片段，且每个片段内均包括目标物体和第一目标对象，该目标物体在本实施例中可以为足球，第一目标对象可以为某个球员，即，目标球员。该多个视频片段可通过对记录视频进行剪辑而得到，具体方式不定。当得到了该多个视频片段后，设备会分别确定每个视频片段中，目标物体和第一目标对象的运动轨迹，即目标球员在球场上移动时的轨迹，以及足球在球场上移动的轨迹。之后，基于每个视频片段中确定出的足球及目标球员的移动轨迹进行分析，确定其关系，最终基于该关系而对获得的多个视频片段进行筛选，去除无效视频片段，而保留有效视频片段，供教练员或球员参考、分析。
由上述内容可知，本实施例具备的有益效果包括通过得到包含目标物体和第一目标对象的视频片段，接着确定每个视频片段中的目标物体和第一目标对象的运动轨迹，以基于二者的运动轨迹间的关系而对得到的视频片段进行筛选，最终删除无效片段，而得到有效视频片段，基于该有效视频片段，用户能够更有针对性的对第一目标对象的表现进行分析，提高分析效率，同时减少因无效视频所占用的存储空间。
进一步地，如图2所示，本实施例中在获得多个视频片段时，包括：
S101：获得原始视频；
S102：分别获得用于跟踪识别原始数据中目标物体和第一目标对象的第一标识信息和第二标识信息；
S103：基于第一标识信息以及预设剪辑时长对原始数据进行剪辑，以得到均包含目标物体的第一数量的视频片段；
S104：基于第二标识信息对第一数量的视频片段进行筛选，得到同时具有目标物体和第一目标对象的第二数量的视频片段。
例如，仍以上述足球实战训练的记录视频为例，获得该记录视频，确定要选定的第一目标对象和目标物体，即确定目标球员和足球，之后分别获得用于跟踪识别记录视频中目标球员和足球的第一标识信息和第二标识信息，例如球员衣服上标记的号码，或面部特征，体型特征等，而对于足球，可以为形状特征等，具体可采用CV计算，即，变异系数计算法来对记录视频中的各标识信息进行追踪识别。待确定了各个标识信息后，设备先基于目标球员的第一标识信息对记录视频进行剪辑，得到第一数量的视频片段，该第一数量中的每个视频片段以开始剪辑时刻的前后10s为长度，共计20s，实际应用时长度可按照实际需求调整。当剪辑得到了第一数量的视频片段后，再根据第二标识信息对第一数量的视频片段进行筛选，得到同时包含目标球员和足球的第二数量的视频片段。
进一步地，本实施例中在分别确定每个视频片段中目标物体和第一目标对象的运动轨迹时，包括：
S201：分别确定每个视频片段中目标物体与第一目标对象的运动轨迹；
S202：基于每个视频片段中目标物体的运动轨迹确定对应目标物体的第一位置坐标集；
S203：基于每个视频片段中第一目标对象的运动轨迹确定对应第一目标对象的第二位置坐标集；
S204：基于每个视频片段中的第一位置坐标集和第二位置坐标集分别确定目标物体和第一目标对象的运动轨迹的角度变化方向以及位置变化速率。
具体地，继续上述例子，对于教练员，其需要观察的是目标球员在场上对该场次训练的贡献度，即该球员与球的相关程度，这样便于教练员有针对性的指导目标球员得分，其他与球相关度不高的视频片段则可认为是无效视频片段，直接删除，不予参考，以减少教练员后期对有效视频片段进行更为细致的人工筛选时的成本，辅助教练员尽快完成对目标球员的技术分析。而对于目标球员与球的相关程度，本实施例中是分别用球和目标球员的运动轨迹的角度变化方向及位置变化速率来对应衡量。而为了得到球和目标球员的运动轨迹的角度变化方向及位置变化速率，本实施例中采用的方法是分别确定每个视频片段中球与目标球员的位置坐标，得到第一坐标集和第二坐标集，接着分别基于每个视频片段的第一位置坐标集和第二位置坐标集分别确定球和目标球员的角度变化方向以及位置变化速率。
进一步地，在基于每个视频片段中目标物体的运动轨迹，以及第一目标对象的运动轨迹间的关系对多个视频片段进行筛选，包括：
S301：分别对每个视频片段中的目标物体和第一目标对象的运动轨迹的角度变化方向进行均值处理，得到多个第一处理结果；
S302：基于多个第一处理结果以及第一预设阈值分别确定每个视频片段中的目标物体和第一目标对象的运动轨迹的变化方向角度的一致性，并相应生成多个第一筛选数据；
S303：分别对每个视频片段中的目标物体和第一目标对象的位置变化速率进行均值处理，得到多个第二处理结果；
S304：基于多个第二处理结果以及第二预设阈值，分别确定每个视频片段中的目标物体和第一目标对象的位置变化速率的一致性，并相应生成多个第二筛选数据；
S305：基于多个第一筛选数据和第二筛选数据对多个视频片段进行筛选。
例如，以一个视频片段为例，如图2所示，确定该视频片段中的球和目标球员的位置坐标集，如以球的位置坐标集为(X，Y)Ball，目标球员的位置坐标集为(X，Y)obj，通过球的位置坐标集及目标球员的位置坐标集而分别计算球和目标球员的角度变化方向
Figure BDA0002861365380000071
的平均值，即，均值处理，并分别得到第一处理结果。接着，对该两个第一处理结果与第一预设阈值进行比对，如果二者平均角度变化的差值绝对值小于第一预设阈值，即
Figure BDA0002861365380000081
(
Figure BDA0002861365380000082
值为第一预设阈值，可根据需求进行调整)，则认为二者变化方向保持一致，反之，则认为球和目标球员的运动轨迹的角度变化方向不一致。基于上述方法对每一个视频片段均进行上述处理，进而筛选出多个角度变化方向一致的第一筛选数据。进一步地，分别对每个视频片段中的目标物体和第一目标对象的位置变化速率进行均值处理，如分别计算球的位置变化速率及目标球员的位置变化速率
Figure BDA0002861365380000083
的平均值，得到多个第二处理结果，即多个平均变化速率，如果对应同一视频片段的中的球与目标球员的位置平均变化速率的差值绝对值小于第二预设阈值，即|kBall-kObj|＜τ(τ值为第二预设阈值，其可根据需求进行调整)，则认为该视频片段中球和目标球员的位置变化速率保持一致，反之，则认为不一致。基于该判断条件，对多个视频片段进行筛选，得到多个球和目标球员的位置变化速率保持一致的视频片段作为第二筛选数据。最后设备可以基于该第一筛选数据和第二筛选数据而进行综合筛选，最终确定出有效视频片段。
具体地，本实施例中在基于多个第一筛选数据和第二筛选数据对多个视频片段进行筛选时，包括：
S3051：基于对应同一视频片段的第一筛选数据和第二筛选数据确定该视频片段中的目标物体和第一目标对象间的相关度；
S3052：基于相关度确定该视频片段或删除，或保留。
例如，基于对应同一视频片段的第一筛选数据和第二筛选数据，当对应同一视频片段中球的运动轨迹与目标球员的运动轨迹的角度方向及运动变化速率均对应一致时，或者差距满足阈值范围，即波动幅度不大，则可以认为该视频片段中的目标球员与球的运动轨迹有相关性，也就是，在该视频片段中，目标球员是参与球的追逐或角逐过程的，对于指导目标球员技术可，研究目标球员得失分情况是有研究价值的，故此视频片段有效，可以保留，而反之则为无效视频片段，说明该视频片段对于研究目标球员而言无参考价值，需删除此视频，以减少视频存储量，同时方便教练员后续进行复盘时快速查询各视频片段(即，减少后续视频筛选成本，提高效率)。
进一步地，经过上述方式筛选得到的视频片段虽然对于教练员研究目标球员的球类角逐技术，得失分情况而言具有显著参考价值，但是筛选出来的视频片段中还是不免存在一些干扰，导致教练员等无法更直观地、更清楚地观看及分析视频内容，为解决该问题，本实施例中还包括：
S400：获得筛选出的有效视频片段；
S500：确定有效视频片段中的干扰对象；
S600：消除有效视频片段中的干扰对象。
也即，获得经由第一筛选数据和第二筛选数据筛选出的对于球和目标球员的运动轨迹具有相关性的视频片段，然后对该获得的视频片段进行识别、分析，以确定出该获得的视频片段中是否有干扰对象，若有干扰对象，则消除该干扰对象，得到“无干扰”的视频内容。
具体地，本实施例中在确定候选视频片段中的干扰对象时，包括：
S501：确定有效视频片段中的第二目标对象；
S502：至少确定第二目标对象的运动轨迹；
S503：至少确定第二目标对象的运动轨迹，以及目标物体的运动轨迹间的关系；
基于关系确定第二目标对象是否为干扰对象。
例如，目前保留的视频片段中会有很多其他球员，其中不免有很多球员与所要观察的目标球员的运动状态是无关的，因此，为了便于教练员更有针对性的对所观察的目标球员进行技术分析及指导，本实施例可以通过对无关球员进行识别确定，之后排除该无关球员，也即，将无关球员从视频片段中剔除(进行“去噪”)，进而得到“去干扰”的视频片段，使教练员在后续查看视频片段时，可以不被无关球员干扰。具体地，本实施例中采用的确定无关球员的方法与上述确定有效视频的方法相似，首先，在视频片段中确定出各个非目标球员，即，第二目标对象，例如确定其球服号码来在视频片段中进行追踪识别，确定出各个第二目标对象的位置坐标集(X，Y)Other，然后计算该第二目标对象的运动轨迹与该视频片段中球的运动轨迹的相关性，具体方法与上文所述的确定目标球员与球的运动轨迹的相关性的方法相同，倘若确定出不相关，则可直接确定该第二目标对象为干扰对象，可剔除，而倘若确定为相关，则可对其进行进一步分析处理。例如，基于第二目标对象与该视频片段中的目标球员的位置坐标集二计算第二目标对象与该视频片段中的目标球员的欧式距离
Figure BDA0002861365380000101
当d＜δ(δ值可以根据需要进行调整)时，则可认为该第二目标对象与目标球员具有紧密的动作联系，应予以保留，具有参考价值，反之则确定未干扰对象，并将其在视频片段中剔除。如球员A与目标球员一同出现在一视频片段中，且两个人在该视频片段中所做的动作为抢球，那么该球员A与球的轨迹具有相关性，且与目标球员的欧式距离满足要求，该球员A不属于干扰对象，须保留在视频片段中。反之，若该球员A始终与目标球员保持较大距离，如一直处于2-3米外，那么则可确定其属于干扰对象，需剔除。
经过上述筛选、剔除步骤之后，可得到目标球员与球的运动轨迹紧密相关，且剔除了干扰球员的视频片段集锦，精简了视频片段的数量，显著减少了存储空间，使在后期可辅助教练员快速查询定位到其所需的有效视频，使其能够更加有针对性的对目标球员进行指导。
而为了更进一步地辅助教练员快速查找到所需视频片段，如图3所示，本实施例中还包括：
S600：获得用于对有效视频片段进行分类的标签；
S700：基于标签对有效视频片段进行分析处理；
S800：基于处理结果以及标签对有效视频片段进行分类。
其中，基于标签对有效视频片段进行分析处理，包括：
S701：确定标签记载的表征类别特征的特征信息，特征信息与第一目标对象有关；
S702：基于特征信息对有效视频片段中的第一目标对象进行特征分析，特征分析包括对第一目标对象的姿态进行的分析。
具体地，为了让教练员后期更有针对性的对目标球员进行动作指导，同时方便教练员后期快速查询到所需的有效视频，可以人为地设置一些标签，该标签用于对有效视频片段进行分类，例如可按照指定动作进行分类，将标签设置为：接球、传球、扣球、拦网以及跑位等，通过进行动作分类，可以采用球员动作姿态识别的方式进行精准的归类标记，这样针对目标球员依据不同的动作类别标记可实现对有效且去噪后的视频集锦的归类，方便教练员后期进行动作指导时的快速检索。实际应用时，可将确定的标签输入至设备中，使设备获得该标签，并确定出该标签记录的姿态特征信息，然后设备采用姿态识别方法对有效视频片段中目标球员的姿态进行识别、分析，基于分析结果与标签上记录的特征信息进行匹配，并将分析结果与特征信息相匹配的视频片段归为一类，并设置对应该特征信息的标签，依此方法处理全部有效视频片段，最终完成归类。
如图4所示，本实施例还同时提供一种电子设备，包括：
处理器，其用于获得多个均包括目标物体和第一目标对象的视频片段，分别确定每个视频片段中目标物体和第一目标对象的运动轨迹；基于每个视频片段中目标物体的运动轨迹，以及第一目标对象的运动轨迹间的关系对多个视频片段进行筛选，以得到有效视频片段。
在本发明的另一实现方式中，处理器在获得多个视频片段时，包括：
获得原始视频；
分别获得用于跟踪识别原始数据中目标物体和第一目标对象的第一标识信息和第二标识信息；
基于第一标识信息以及预设剪辑时长对原始数据进行剪辑，以得到均包含目标物体的第一数量的视频片段；
基于第二标识信息对第一数量的视频片段进行筛选，得到同时具有目标物体和第一目标对象的第二数量的视频片段。
在本发明的另一实现方式中，处理器在分别确定每个视频片段中目标物体和第一目标对象的运动轨迹时，包括：
分别确定每个视频片段中目标物体与第一目标对象的运动轨迹；
基于每个视频片段中目标物体的运动轨迹确定对应目标物体的第一位置坐标集；
基于每个视频片段中第一目标对象的运动轨迹确定对应第一目标对象的第二位置坐标集；
基于每个视频片段中的第一位置坐标集和第二位置坐标集分别确定目标物体和第一目标对象的运动轨迹的角度变化方向以及位置变化速率。
在本发明的另一实现方式中，处理器在基于每个视频片段中目标物体的运动轨迹，以及第一目标对象的运动轨迹间的关系对多个视频片段进行筛选时，包括：
分别对每个视频片段中的目标物体和第一目标对象的运动轨迹的变化方向角度进行均值处理，得到多个第一处理结果；
基于多个第一处理结果以及第一预设阈值分别确定每个视频片段中的目标物体和第一目标对象的运动轨迹的变化方向角度的一致性，并相应生成多个第一筛选数据；
分别对每个视频片段中的目标物体和第一目标对象的位置变化速率进行均值处理，得到多个第二处理结果；
基于多个第二处理结果以及第二预设阈值，分别确定每个视频片段中的目标物体和第一目标对象的位置变化速率的一致性，并相应生成多个第二筛选数据；
基于多个第一筛选数据和第二筛选数据对多个视频片段进行筛选。
在本发明的另一实现方式中，处理器在基于多个第一筛选数据和第二筛选数据对多个视频片段进行筛选时，包括：
基于对应同一视频片段的第一筛选数据和第二筛选数据确定该视频片段中的目标物体和第一目标对象间的相关度；
基于相关度确定该视频片段或删除，或保留。
在本发明的另一实现方式中，还包括：
获得筛选出的有效视频片段；
确定有效视频片段中的干扰对象；
消除有效视频片段中的干扰对象。
在本发明的另一实现方式中，处理器在确定候选视频片段中的干扰对象时，包括：
确定有效视频片段中的第二目标对象；
至少确定第二目标对象的运动轨迹；
至少确定第二目标对象的运动轨迹，以及目标物体的运动轨迹间的关系；
基于关系确定第二目标对象是否为干扰对象。
在本发明的另一实现方式中，处理器还用于：
获得用于对有效视频片段进行分类的标签；
基于标签对有效视频片段进行分析处理；
基于处理结果以及标签对有效视频片段进行分类。
在本发明的另一实现方式中，处理器基于标签对有效视频片段进行分析处理时，包括：
确定标签记载的表征类别特征的特征信息，特征信息与第一目标对象有关；
基于特征信息对有效视频片段中的第一目标对象进行特征分析，特征分析包括对第一目标对象的姿态进行的分析。
作为另一方面，本发明还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上述实施例所描述的方法。
作为另一方面，本发明实施例还提供了一种计算机程序产品，所述计算机程序产品被有形地存储在计算机可读介质上并且包括计算机可读指令，所述计算机可执行指令在被执行时使至少一个处理器执行诸如图2的实施例所述的方法。应理解，本实施例中的各个方案具有上述方法实施例中对应的技术效果，此处不再赘述。
需要说明的是，本发明的计算机存储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。计算机可读介质例如可以但不限于是电、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、随机访问存储介质(RAM)、只读存储介质(ROM)、可擦式可编程只读存储介质(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储介质(CD-ROM)、光存储介质件、磁存储介质件、或者上述的任意合适的组合。在本发明中，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。而在本发明中，计算机可读的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。计算机可读的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，该计算机可读介质可以发送、传播或者传输配置为由指令执行系统、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：无线、天线、光缆、RF等等，或者上述的任意合适的组合。
应当理解，虽然本发明是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种视频数据处理方法，包括：
获得多个视频片段，多个所述视频片段均包括目标物体和第一目标对象；
分别确定每个所述视频片段中所述目标物体和第一目标对象的运动轨迹；
基于每个所述视频片段中所述目标物体的所述运动轨迹，以及所述第一目标对象的所述运动轨迹间的关系对多个所述视频片段进行筛选，以得到有效视频片段。
2.根据权利要求1所述的方法，其中，所述获得多个视频片段，包括：
获得原始视频；
分别获得用于跟踪识别所述原始数据中所述目标物体和第一目标对象的第一标识信息和第二标识信息；
基于所述第一标识信息以及预设剪辑时长对所述原始数据进行剪辑，以得到均包含所述目标物体的第一数量的所述视频片段；
基于所述第二标识信息对所述第一数量的视频片段进行筛选，得到同时具有所述目标物体和第一目标对象的第二数量的所述视频片段。
3.根据权利要求1所述的方法，其中，所述分别确定每个所述视频片段中所述目标物体和第一目标对象的运动轨迹，包括：
分别确定每个所述视频片段中目标物体与第一目标对象的运动轨迹；
基于每个所述视频片段中所述目标物体的运动轨迹确定对应所述目标物体的第一位置坐标集；
基于每个所述视频片段中所述第一目标对象的运动轨迹确定对应所述第一目标对象的第二位置坐标集；
基于每个所述视频片段中的所述第一位置坐标集和第二位置坐标集分别确定所述目标物体和第一目标对象的运动轨迹的角度变化方向以及位置变化速率。
4.根据权利要求3所述的方法，其中，所述基于每个所述视频片段中所述目标物体的所述运动轨迹，以及所述第一目标对象的所述运动轨迹间的关系对多个所述视频片段进行筛选，包括：
分别对每个所述视频片段中的所述目标物体和第一目标对象的运动轨迹的变化方向角度进行均值处理，得到多个第一处理结果；
基于多个所述第一处理结果以及第一预设阈值分别确定每个所述视频片段中的所述目标物体和第一目标对象的运动轨迹的变化方向角度的一致性，并相应生成多个第一筛选数据；
分别对每个所述视频片段中的所述目标物体和第一目标对象的位置变化速率进行均值处理，得到多个第二处理结果；
基于多个所述第二处理结果以及第二预设阈值，分别确定每个所述视频片段中的所述目标物体和第一目标对象的位置变化速率的一致性，并相应生成多个第二筛选数据；
基于多个所述第一筛选数据和第二筛选数据对多个所述视频片段进行筛选。
5.根据权利要求4所述的方法，其中，所述基于多个所述第一筛选数据和第二筛选数据对多个所述视频片段进行筛选，包括：
基于对应同一所述视频片段的第一筛选数据和第二筛选数据确定该视频片段中的所述目标物体和第一目标对象间的相关度；
基于所述相关度确定该视频片段或删除，或保留。
6.根据权利要求1所述的方法，其中，还包括：
获得筛选出的有效视频片段；
确定所述有效视频片段中的干扰对象；
消除所述有效视频片段中的干扰对象。
7.根据权利要求6所述的方法，其中，所述确定所述候选视频片段中的干扰对象，包括：
确定所述有效视频片段中的第二目标对象；
至少确定所述第二目标对象的运动轨迹；
至少确定所述第二目标对象的所述运动轨迹，以及所述目标物体的所述运动轨迹间的关系；
基于所述关系确定所述第二目标对象是否为所述干扰对象。
8.根据权利要求1所述的方法，其中，还包括：
获得用于对所述有效视频片段进行分类的标签；
基于所述标签对所述有效视频片段进行分析处理；
基于处理结果以及所述标签对所述有效视频片段进行分类。
9.根据权利要求8所述的方法，其中，所述基于所述标签对所述有效视频片段进行分析处理，包括：
确定所述标签记载的表征类别特征的特征信息，所述特征信息与所述第一目标对象有关；
基于所述特征信息对所述有效视频片段中的所述第一目标对象进行特征分析，所述特征分析包括对所述第一目标对象的姿态进行的分析。
10.一种电子设备，包括：
处理器，其用于获得多个均包括目标物体和第一目标对象的视频片段，分别确定每个所述视频片段中所述目标物体和第一目标对象的运动轨迹；基于每个所述视频片段中所述目标物体的所述运动轨迹，以及所述第一目标对象的所述运动轨迹间的关系对多个所述视频片段进行筛选，以得到有效视频片段。
CN202011563793.XA 2020-12-25 2020-12-25 一种视频数据处理方法及电子设备 Pending CN112765399A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011563793.XA CN112765399A (zh) 2020-12-25 2020-12-25 一种视频数据处理方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011563793.XA CN112765399A (zh) 2020-12-25 2020-12-25 一种视频数据处理方法及电子设备

Publications (1)

Publication Number Publication Date
CN112765399A true CN112765399A (zh) 2021-05-07

Family

ID=75695791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011563793.XA Pending CN112765399A (zh) 2020-12-25 2020-12-25 一种视频数据处理方法及电子设备

Country Status (1)

Country Link
CN (1) CN112765399A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140245367A1 (en) * 2012-08-10 2014-08-28 Panasonic Corporation Method for providing a video, transmitting device, and receiving device
CN104796781A (zh) * 2015-03-31 2015-07-22 小米科技有限责任公司 视频片段提取方法及装置
CN106658199A (zh) * 2016-12-28 2017-05-10 网易传媒科技（北京）有限公司 一种视频内容的展示方法及装置
CN109326310A (zh) * 2017-07-31 2019-02-12 西梅科技(北京)有限公司 一种自动剪辑的方法、装置及电子设备
US20190182436A1 (en) * 2017-12-08 2019-06-13 Canon Kabushiki Kaisha System and method of generating a composite frame
CN110347877A (zh) * 2019-06-27 2019-10-18 北京奇艺世纪科技有限公司 一种视频处理方法、装置、电子设备及存储介质
WO2020150896A1 (zh) * 2019-01-22 2020-07-30 深圳大学 视频目标的数据关联方法、装置及存储介质
CN111652043A (zh) * 2020-04-15 2020-09-11 北京三快在线科技有限公司 对象状态识别方法、装置、图像采集设备及存储介质
CN111699512A (zh) * 2018-04-13 2020-09-22 上海趋视信息科技有限公司 异常场景检测系统和方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140245367A1 (en) * 2012-08-10 2014-08-28 Panasonic Corporation Method for providing a video, transmitting device, and receiving device
CN104796781A (zh) * 2015-03-31 2015-07-22 小米科技有限责任公司 视频片段提取方法及装置
CN106658199A (zh) * 2016-12-28 2017-05-10 网易传媒科技（北京）有限公司 一种视频内容的展示方法及装置
CN109326310A (zh) * 2017-07-31 2019-02-12 西梅科技(北京)有限公司 一种自动剪辑的方法、装置及电子设备
US20190182436A1 (en) * 2017-12-08 2019-06-13 Canon Kabushiki Kaisha System and method of generating a composite frame
CN111699512A (zh) * 2018-04-13 2020-09-22 上海趋视信息科技有限公司 异常场景检测系统和方法
WO2020150896A1 (zh) * 2019-01-22 2020-07-30 深圳大学 视频目标的数据关联方法、装置及存储介质
CN110347877A (zh) * 2019-06-27 2019-10-18 北京奇艺世纪科技有限公司 一种视频处理方法、装置、电子设备及存储介质
CN111652043A (zh) * 2020-04-15 2020-09-11 北京三快在线科技有限公司 对象状态识别方法、装置、图像采集设备及存储介质

Similar Documents

Publication Publication Date Title
CN108810620B (zh) 识别视频中的关键时间点的方法、装置、设备及存储介质
CN110264493B (zh) 一种针对运动状态下的多目标对象追踪方法和装置
CN110276309B (zh) 视频处理方法、装置、计算机设备及存储介质
CN109191497A (zh) 一种基于多种信息融合的实时在线多目标跟踪方法
CN109145708B (zh) 一种基于rgb和d信息融合的人流量统计方法
CN110443210A (zh) 一种行人跟踪方法、装置以及终端
Xiong et al. Highlights extraction from sports video based on an audio-visual marker detection framework
Chen et al. Recognizing tactic patterns in broadcast basketball video using player trajectory
KR102132722B1 (ko) 영상 내 다중 객체 추적 방법 및 시스템
CN109847321B (zh) 一种运动员训练辅助方法、装置、服务器及存储介质
EP3324307A1 (en) Retrieval device, retrieval method, and computer-readable medium
CN113947108A (zh) 一种基于yolo v5的球员追踪检测方法
Okamoto et al. Summarization of egocentric moving videos for generating walking route guidance
JP4200219B2 (ja) 画像認識装置及び画像認識プログラム
Terroba et al. Finding optimal strategies in tennis from video sequences
Tien et al. Shot classification of basketball videos and its application in shooting position extraction
US20230377336A1 (en) Method of operating server providing sports video-based platform service
CN112765399A (zh) 一种视频数据处理方法及电子设备
Gade et al. Audio-visual classification of sports types
Lee et al. A study on sports player tracking based on video using deep learning
Karungaru et al. Soccer Players Real Location Determination using Perspective Transformation
CN113869127A (zh) 人体行为的检测方法、监控设备、电子设备以及介质
Rocha et al. Analysis of tennis games using TrackNet-based neural network and applying morphological operations to the match videos
Chang et al. Fencing tactics analysis in broadcast video: A point-by-point analytical system
Chen et al. Recognizing jump patterns with physics-based validation in human moving trajectory

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