CN112861609A - 一种多线程的内容关键帧识别效率提高方法 - Google Patents
一种多线程的内容关键帧识别效率提高方法 Download PDFInfo
- Publication number
- CN112861609A CN112861609A CN202011606167.4A CN202011606167A CN112861609A CN 112861609 A CN112861609 A CN 112861609A CN 202011606167 A CN202011606167 A CN 202011606167A CN 112861609 A CN112861609 A CN 112861609A
- Authority
- CN
- China
- Prior art keywords
- frame
- content
- key frame
- real
- content key
- 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 32
- 239000013598 vector Substances 0.000 claims abstract description 40
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 230000001133 acceleration Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 5
- 238000012552 review Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种多线程的内容关键帧识别效率提高方法，包括：获取非实时视频流，并分成多段非实时视频；分别计算每段非实时视频中各帧的第一内容哈希向量，以及相邻两帧的第一哈希向量间的第一马氏距离，根据第一马氏距离和预设阈值，从相邻两帧中选出第一内容关键帧；分别计算每段非实时视频的各边界关键帧的第二内容哈希向量，以及分别计算相邻两个边界关键帧的第二内容哈希向量间的第二马氏距离，根据第二马氏距离和阈值，从相邻两个边界关键帧中选出第二内容关键帧；将各第一内容关键帧和各第二内容关键帧输出。本公开利用内容关键帧的生成算法的时间局部性特点，采用多线程的方式分段加速，有效提升非实时视频流中内容关键帧的识别效率。
Description
技术领域
本公开属于图像处理技术领域，具体涉及一种多线程的内容关键帧识别效率提高方法。
背景技术
内容关键帧是视频流中一个镜头的代表帧，被用于视频内容理解与分析领域，广泛应用在室内监控、直播审核等场景应用中。
在视频内容理解与分析领域，内容关键帧识别算法经常作为前置处理模块，为各类目标检测、场景检测等分析模块提供基础。这种设计相较于逐帧计算，可以1)大幅缩减分析模块的计算量，缩短视频内容理解与分析的时间；2)保持较高的目标、场景召回率，防止遗漏分析。
内容关键帧计算算法具有很强的时序局部性特点，对于非实时视频流，利用这个特点可以进行多线程加速。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一，提供一种多线程的内容关键帧识别效率提高方法。
本公开的一个方面，提供一种多线程的内容关键帧识别效率提高方法，所述方法包括：
获取非实时视频流，并将所述非实时视频流拆分成多段非实时视频；
分别计算每段所述非实时视频中各帧的第一内容哈希向量，以及分别计算每段所述非实时视频中相邻两帧的第一哈希向量间的第一马氏距离，根据所述第一马氏距离和预设阈值，从所述相邻两帧中选出第一内容关键帧；
分别计算每段所述非实时视频的各边界关键帧的第二内容哈希向量，以及分别计算相邻两个边界关键帧的第二内容哈希向量间的第二马氏距离，根据所述第二马氏距离和所述阈值，从所述相邻两个边界关键帧中选出第二内容关键帧；
将各所述第一内容关键帧和各所述第二内容关键帧输出。
在一些可选地实施方式中，所述分别计算每段所述非实时视频中各帧的第一内容哈希向量，包括：
将非实时视频帧转换成第一单通道灰度帧，并计算该帧像素点灰度值的第一均值；
将各所述第一单通道灰度帧按照行、列等间隔划分为多个第一宏块；
分别计算每个所述第一宏块的宏块像素点灰度值的第二均值；
根据所述第一均值和所述第二均值的大小，得到所述第一内容哈希向量。
在一些可选地实施方式中，所述根据所述第一均值和所述第二均值的大小，得到所述第一内容哈希向量，包括：
若所述第二均值大于所述第一均值，则记为1，否则记为0，得到所述第一内容哈希向量。
在一些可选地实施方式中，所述根据所述第一马氏距离和预设阈值，从所述相邻两帧中选出第一内容关键帧，包括：
判断所述第一马氏距离是否超过所述阈值，若是，则将所述相邻两帧中的后一帧作为所述第一内容关键帧。
在一些可选地实施方式中，所述分别计算每段所述非实时视频的各边界关键帧的第二内容哈希向量，包括：
将每段非实时视频帧转换成第二单通道灰度帧，并计算该帧像素点灰度值的第三均值；
将各所述第二单通道灰度帧按照行、列等间隔划分为多个第二宏块；
分别计算每个所述第二宏块的宏块像素点灰度值的第四均值；
根据所述第三均值和所述第四均值的大小，得到所述第二内容哈希向量。
在一些可选地实施方式中，所述根据所述第三均值和所述第四均值的大小，得到所述第二内容哈希向量，包括：
若所述第四均值大于所述第三均值，则记为1，否则记为0，得到所述第二内容哈希向量。
在一些可选地实施方式中，所述根据所述第二马氏距离和所述阈值，从所述相邻两个边界关键帧中选出第二内容关键帧，包括：
判断所述第二马氏距离是否超过所述阈值，若是，则将所述相邻两个边界关键帧的后一帧作为所述第二内容关键帧。
在一些可选地实施方式中，所述将各所述第一内容关键帧和各所述第二内容关键帧输出，包括：
将各所述第一内容关键帧和各所述第二内容关键帧排序后输出。
本公开的另一个方面，提供一种电子设备，包括：
一个或多个处理器；
一个存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的所述的方法。
本公开的另一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
本公开的多线程的内容关键帧识别效率提高方法，对于每段非实时视频中的第一内容关键帧的识别，可以采取若干子线程的方式进行识别。而对于每段非实时视频边界帧的第二内容关键帧的识别，可以采用主线程识别的方式。因此，本公开的多线程的内容关键帧识别效率提高方法，利用内容关键帧的生成算法的时间局部性特点，采用多线程的方式分段加速，可以有效提升非实时视频流中内容关键帧的识别效率。
附图说明
图1为本公开一实施例中电子设备的组成示意框图；
图2为本公开另一实施例的一种多线程的内容关键帧识别效率提高方法的流程图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和具体实施方式对本公开作进一步详细描述。
首先，参照图1来描述用于实现本公开实施例的一种多线程的内容关键帧识别效率提高方法的示例电子设备。
如图1所示，电子设备100包括一个或多个处理器110、一个或多个存储装置120、一个或多个输入装置130、一个或多个输出装置140等，这些组件通过总线系统150和/或其他形式的连接机构互连。应当注意，图1所示的电子设备的组件和结构只是示例性的，而非限制性的，根据需要，电子设备也可以具有其他组件和结构。
处理器110可以是中央处理单元(CPU)、或者可以是由多个处理核构成、或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备100中的其他组件以执行期望的功能。
存储装置120可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现下文所述的本公开实施例中(由处理器实现)的客户端功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如，所述应用程序使用和/或产生的各种数据等。
输入装置130可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
输出装置140可以向外部(例如用户)输出各种信息(例如图像或声音)，并且可以包括显示器、扬声器等中的一个或多个。
下面，将参考图2描述根据本公开另一实施例的一种多线程的内容关键帧识别效率提高方法。
如图2所示，一种多线程的内容关键帧识别效率提高方法S100，所述方法包括以下步骤：
S110、获取非实时视频流，并将所述非实时视频流拆分成多段非实时视频。
S120、分别计算每段所述非实时视频中各帧的第一内容哈希向量，以及分别计算每段所述非实时视频中相邻两帧的第一哈希向量间的第一马氏距离，根据所述第一马氏距离和预设阈值，从所述相邻两帧中选出第一内容关键帧。
S130、分别计算每段所述非实时视频的各边界关键帧的第二内容哈希向量，以及分别计算相邻两个边界关键帧的第二内容哈希向量间的第二马氏距离，根据所述第二马氏距离和所述阈值，从所述相邻两个边界关键帧中选出第二内容关键帧。
S140、将各所述第一内容关键帧和各所述第二内容关键帧输出。
本实施例的多线程的内容关键帧识别效率提高方法，对于每段非实时视频中的第一内容关键帧的识别，可以采取若干子线程的方式进行识别。而对于每段非实时视频边界帧的第二内容关键帧的识别，可以采用主线程识别的方式。因此，本公开实施例的多线程的内容关键帧识别效率提高方法，利用内容关键帧的生成算法的时间局部性特点，采用多线程的方式分段加速，可以有效提升非实时视频流中内容关键帧的识别效率。
需要说明的是，对于上述预设阈值的具体取值并没有作出限定，该预设阈值可以根据本领域技术人员经验值确定，例如，该阈值可以取3等，本实施例对此并不限制。
进一步需要说明的是，对于多段非实时视频具体地段数并没有作出限定，例如，可以根据运行该方法的处理器核心数目确定，在该处理器核心数目为5时，可以将非实时视频流分为5段，本公开并不以此为限。
在一些可选地实施方式中，所述分别计算每段所述非实时视频中各帧的第一内容哈希向量，包括：
将非实时视频帧转换成第一单通道灰度帧，并计算该帧像素点灰度值的第一均值；
将各所述第一单通道灰度帧按照行、列等间隔划分为多个第一宏块，该第一宏块的数量可以为8*8，当然本公开并不以此为限；
分别计算每个所述第一宏块的宏块像素点灰度值的第二均值；
根据所述第一均值和所述第二均值的大小，得到所述第一内容哈希向量。
在一些可选地实施方式中，所述根据所述第一均值和所述第二均值的大小，得到所述第一内容哈希向量，包括：
若所述第二均值大于所述第一均值，则记为1，否则记为0，得到所述第一内容哈希向量。
在一些可选地实施方式中，所述根据所述第一马氏距离和预设阈值，从所述相邻两帧中选出第一内容关键帧，包括：
判断所述第一马氏距离是否超过所述阈值，若是，则将所述相邻两帧中的后一帧作为所述第一内容关键帧。
在一些可选地实施方式中，所述分别计算每段所述非实时视频的各边界关键帧的第二内容哈希向量，包括：
将每段非实时视频帧转换成第二单通道灰度帧，并计算该帧像素点灰度值的第三均值；
将各所述第二单通道灰度帧按照行、列等间隔划分为多个第二宏块，该第二宏块的数量可以为8*8，当然本公开并不以此为限；
分别计算每个所述第二宏块的宏块像素点灰度值的第四均值；
根据所述第三均值和所述第四均值的大小，得到所述第二内容哈希向量。
在一些可选地实施方式中，所述根据所述第三均值和所述第四均值的大小，得到所述第二内容哈希向量，包括：
若所述第四均值大于所述第三均值，则记为1，否则记为0，得到所述第二内容哈希向量。
在一些可选地实施方式中，所述根据所述第二马氏距离和所述阈值，从所述相邻两个边界关键帧中选出第二内容关键帧，包括：
判断所述第二马氏距离是否超过所述阈值，若是，则将所述相邻两个边界关键帧的后一帧作为所述第二内容关键帧。
在一些可选地实施方式中，所述将各所述第一内容关键帧和各所述第二内容关键帧输出，包括：
将各所述第一内容关键帧和各所述第二内容关键帧排序后输出。
在互联网视频内容审查场景中，对用户上传的视频进行审核，可先采用本公开提出的内容关键帧加速算法抽取关键帧，再送入审核算法分析，从而可以降低视频审核复杂度，提高审核效率。
本公开的另一个方面，提供一种电子设备，包括：
一个或多个处理器；
一个存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的方法。
本公开的另一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
其中，计算机可读介质可以是本公开的装置、设备、系统中所包含的，也可以是单独存在。
其中，计算机可读存储介质可是任何包含或存储程序的有形介质，其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备，更具体的例子包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、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)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件，或它们任意合适的组合。
其中，计算机可读存储介质也可包括在基带中或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，其具体的例子包括但不限于电磁信号、光信号，或它们任意合适的组合。
可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。
Claims (10)
1.一种多线程的内容关键帧识别效率提高方法，其特征在于，所述方法包括：
获取非实时视频流，并将所述非实时视频流拆分成多段非实时视频；
分别计算每段所述非实时视频中各帧的第一内容哈希向量，以及分别计算每段所述非实时视频中相邻两帧的第一哈希向量间的第一马氏距离，根据所述第一马氏距离和预设阈值，从所述相邻两帧中选出第一内容关键帧；
分别计算每段所述非实时视频的各边界关键帧的第二内容哈希向量，以及分别计算相邻两个边界关键帧的第二内容哈希向量间的第二马氏距离，根据所述第二马氏距离和所述阈值，从所述相邻两个边界关键帧中选出第二内容关键帧；
将各所述第一内容关键帧和各所述第二内容关键帧输出。
2.根据权利要求1所述的方法，其特征在于，所述分别计算每段所述非实时视频中各帧的第一内容哈希向量，包括：
将非实时视频帧转换成第一单通道灰度帧，并计算该帧像素点灰度值的第一均值；
将各所述第一单通道灰度帧按照行、列等间隔划分为多个第一宏块；
分别计算每个所述第一宏块的宏块像素点灰度值的第二均值；
根据所述第一均值和所述第二均值的大小，得到所述第一内容哈希向量。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一均值和所述第二均值的大小，得到所述第一内容哈希向量，包括：
若所述第二均值大于所述第一均值，则记为1，否则记为0，得到所述第一内容哈希向量。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一马氏距离和预设阈值，从所述相邻两帧中选出第一内容关键帧，包括：
判断所述第一马氏距离是否超过所述阈值，若是，则将所述相邻两帧中的后一帧作为所述第一内容关键帧。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述分别计算每段所述非实时视频的各边界关键帧的第二内容哈希向量，包括：
将每段非实时视频帧转换成第二单通道灰度帧，并计算该帧像素点灰度值的第三均值；
将各所述第二单通道灰度帧按照行、列等间隔划分为多个第二宏块；
分别计算每个所述第二宏块的宏块像素点灰度值的第四均值；
根据所述第三均值和所述第四均值的大小，得到所述第二内容哈希向量。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第三均值和所述第四均值的大小，得到所述第二内容哈希向量，包括：
若所述第四均值大于所述第三均值，则记为1，否则记为0，得到所述第二内容哈希向量。
7.根据权利要求5所述的方法，其特征在于，所述根据所述第二马氏距离和所述阈值，从所述相邻两个边界关键帧中选出第二内容关键帧，包括：
判断所述第二马氏距离是否超过所述阈值，若是，则将所述相邻两个边界关键帧的后一帧作为所述第二内容关键帧。
8.根据权利要求1至4任一项所述的方法，其特征在于，所述将各所述第一内容关键帧和各所述第二内容关键帧输出，包括：
将各所述第一内容关键帧和各所述第二内容关键帧排序后输出。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据权利要求1至8任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能实现根据权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011606167.4A CN112861609B (zh) | 2020-12-30 | 2020-12-30 | 一种多线程的内容关键帧识别效率提高方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011606167.4A CN112861609B (zh) | 2020-12-30 | 2020-12-30 | 一种多线程的内容关键帧识别效率提高方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112861609A true CN112861609A (zh) | 2021-05-28 |
| CN112861609B CN112861609B (zh) | 2024-04-09 |
Family
ID=75998437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011606167.4A Active CN112861609B (zh) | 2020-12-30 | 2020-12-30 | 一种多线程的内容关键帧识别效率提高方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112861609B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120087583A1 (en) * | 2010-10-06 | 2012-04-12 | Futurewei Technologies, Inc. | Video Signature Based on Image Hashing and Shot Detection |
| US20120114167A1 (en) * | 2005-11-07 | 2012-05-10 | Nanyang Technological University | Repeat clip identification in video data |
| CN104050247A (zh) * | 2014-06-04 | 2014-09-17 | 上海美琦浦悦通讯科技有限公司 | 实现海量视频快速检索的方法 |
| CN106844654A (zh) * | 2017-01-23 | 2017-06-13 | 公安部第三研究所 | 面向警务实战的海量视频分布式检索方法 |
| CN108615043A (zh) * | 2016-12-12 | 2018-10-02 | 中移（杭州）信息技术有限公司 | 一种视频分类方法及系统 |
| CN109151501A (zh) * | 2018-10-09 | 2019-01-04 | 北京周同科技有限公司 | 一种视频关键帧提取方法、装置、终端设备及存储介质 |
| CN109918987A (zh) * | 2018-12-29 | 2019-06-21 | 中国电子科技集团公司信息科学研究院 | 一种视频字幕关键词识别方法及装置 |
| CN110162665A (zh) * | 2018-12-28 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 视频搜索方法、计算机设备及存储介质 |
| CN110278398A (zh) * | 2018-03-16 | 2019-09-24 | 杭州海康威视数字技术股份有限公司 | 数据存储方法、视频片段搜索方法、装置及电子设备 |
| CN110472484A (zh) * | 2019-07-02 | 2019-11-19 | 山东师范大学 | 基于多视图特征的视频关键帧提取方法、系统及设备 |
| CN111127524A (zh) * | 2018-10-31 | 2020-05-08 | 华为技术有限公司 | 一种轨迹跟踪与三维重建方法、系统及装置 |
| US20200184278A1 (en) * | 2014-03-18 | 2020-06-11 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
| CN111698475A (zh) * | 2020-06-16 | 2020-09-22 | 宁波愉阅网络科技有限公司 | 一种基于学生实验考试的管理系统及方法 |
| CN111832484A (zh) * | 2020-07-14 | 2020-10-27 | 星际（重庆）智能装备技术研究院有限公司 | 一种基于卷积感知哈希算法的回环检测方法 |
| CN112074817A (zh) * | 2018-05-02 | 2020-12-11 | 微软技术许可有限责任公司 | 具有跨级别跟踪映射的执行控制 |
-
2020
- 2020-12-30 CN CN202011606167.4A patent/CN112861609B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120114167A1 (en) * | 2005-11-07 | 2012-05-10 | Nanyang Technological University | Repeat clip identification in video data |
| US20120087583A1 (en) * | 2010-10-06 | 2012-04-12 | Futurewei Technologies, Inc. | Video Signature Based on Image Hashing and Shot Detection |
| US20200184278A1 (en) * | 2014-03-18 | 2020-06-11 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
| CN104050247A (zh) * | 2014-06-04 | 2014-09-17 | 上海美琦浦悦通讯科技有限公司 | 实现海量视频快速检索的方法 |
| CN108615043A (zh) * | 2016-12-12 | 2018-10-02 | 中移（杭州）信息技术有限公司 | 一种视频分类方法及系统 |
| CN106844654A (zh) * | 2017-01-23 | 2017-06-13 | 公安部第三研究所 | 面向警务实战的海量视频分布式检索方法 |
| CN110278398A (zh) * | 2018-03-16 | 2019-09-24 | 杭州海康威视数字技术股份有限公司 | 数据存储方法、视频片段搜索方法、装置及电子设备 |
| CN112074817A (zh) * | 2018-05-02 | 2020-12-11 | 微软技术许可有限责任公司 | 具有跨级别跟踪映射的执行控制 |
| CN109151501A (zh) * | 2018-10-09 | 2019-01-04 | 北京周同科技有限公司 | 一种视频关键帧提取方法、装置、终端设备及存储介质 |
| CN111127524A (zh) * | 2018-10-31 | 2020-05-08 | 华为技术有限公司 | 一种轨迹跟踪与三维重建方法、系统及装置 |
| CN110162665A (zh) * | 2018-12-28 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 视频搜索方法、计算机设备及存储介质 |
| CN109918987A (zh) * | 2018-12-29 | 2019-06-21 | 中国电子科技集团公司信息科学研究院 | 一种视频字幕关键词识别方法及装置 |
| CN110472484A (zh) * | 2019-07-02 | 2019-11-19 | 山东师范大学 | 基于多视图特征的视频关键帧提取方法、系统及设备 |
| CN111698475A (zh) * | 2020-06-16 | 2020-09-22 | 宁波愉阅网络科技有限公司 | 一种基于学生实验考试的管理系统及方法 |
| CN111832484A (zh) * | 2020-07-14 | 2020-10-27 | 星际（重庆）智能装备技术研究院有限公司 | 一种基于卷积感知哈希算法的回环检测方法 |
Non-Patent Citations (6)
| Title |
|---|
| SUNHAO: ""「VIDEO」 视频摘要概述"", pages 1 - 4, Retrieved from the Internet <URL:《https://smartadpole.github.io/ai/video/video_summary/survey/》> * |
| WARY, ALONGBAR: "\"Ring decomposition based video copy detection using global ordinal measure features and local features\"", 《MULTIMEDIA TOOLS AND APPLICATIONS》, vol. 79, no. 2020, pages 8287 - 8323, XP037082041, DOI: 10.1007/s11042-019-08412-4 * |
| X. LI: "\"Key Frame Extraction in the Summary Space\"", 《IEEE TRANSACTIONS ON CYBERNETICS》, vol. 48, no. 6, pages 1923 - 1934 * |
| 张三义: ""基于ORB特征的视频拷贝检测研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 3, pages 138 - 120 * |
| 张昆: ""网络视频数据获取与后处理技术综述"", 《电视技术》, vol. 43, no. 6, pages 24 - 30 * |
| 李梁凯: ""结合Tsallis熵与Jensen距离的视频关键帧抽取方法"", 《计算机工程》, vol. 42, no. 2, pages 5 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112861609B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112990191B (zh) | 一种基于字幕视频的镜头边界检测与关键帧提取方法 | |
| US10979622B2 (en) | Method and system for performing object detection using a convolutional neural network | |
| US9600744B2 (en) | Adaptive interest rate control for visual search | |
| US20110311100A1 (en) | Method, Apparatus and Computer Program Product for Providing Object Tracking Using Template Switching and Feature Adaptation | |
| JP2006506726A (ja) | テンプレート予測を用いた画像のセグメント化 | |
| US20130034160A1 (en) | Apparatus and method for video processing | |
| JP2009147911A (ja) | 映像データ圧縮前処理方法およびこれを用いた映像データ圧縮方法と映像データ圧縮システム | |
| WO2021073066A1 (zh) | 图像处理方法及装置 | |
| JP2012239085A (ja) | 画像処理装置、画像処理方法 | |
| US20230095568A1 (en) | Object tracking device, object tracking method, and program | |
| CN107784281A (zh) | 人脸检测方法、装置、设备及计算机可读介质 | |
| US8509303B2 (en) | Video descriptor generation device | |
| TWI729587B (zh) | 物件定位系統及方法 | |
| CN108229281B (zh) | 神经网络的生成方法和人脸检测方法、装置及电子设备 | |
| US8165387B2 (en) | Information processing apparatus and method, program, and recording medium for selecting data for learning | |
| JP2009212605A (ja) | 情報処理方法、情報処理装置及びプログラム | |
| JP2014110020A (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
| TWI732374B (zh) | 物件辨識方法及裝置 | |
| CN112861609B (zh) | 一种多线程的内容关键帧识别效率提高方法 | |
| JP2007027980A (ja) | 復号装置および符号化装置 | |
| US20040141555A1 (en) | Method of motion vector prediction and system thereof | |
| KR101853211B1 (ko) | 모바일 gpu 환경에서 차영상 정보를 이용한 sift 알고리즘의 복잡도 감소 기법 | |
| CN113762027B (zh) | 一种异常行为的识别方法、装置、设备及存储介质 | |
| JPWO2019150649A1 (ja) | 画像処理装置および画像処理方法 | |
| Ranjan et al. | Parallelizing a face detection and tracking system for multi-core processors |
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 |