CN113038142A - 视频数据的筛选方法、装置及电子设备 - Google Patents

视频数据的筛选方法、装置及电子设备 Download PDF

Info

Publication number
CN113038142A
CN113038142A CN202110320996.4A CN202110320996A CN113038142A CN 113038142 A CN113038142 A CN 113038142A CN 202110320996 A CN202110320996 A CN 202110320996A CN 113038142 A CN113038142 A CN 113038142A
Authority
CN
China
Prior art keywords
video
frame
complexity
respectively corresponding
sample data
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
Application number
CN202110320996.4A
Other languages
English (en)
Other versions
CN113038142B (zh
Inventor
豆修鑫
樊鸿飞
许道远
徐琴琴
宋嘉文
贺沁雯
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.)
Beijing Kingsoft Cloud Network Technology Co Ltd
Original Assignee
Beijing Kingsoft Cloud Network Technology 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 Beijing Kingsoft Cloud Network Technology Co Ltd filed Critical Beijing Kingsoft Cloud Network Technology Co Ltd
Priority to CN202110320996.4A priority Critical patent/CN113038142B/zh
Publication of CN113038142A publication Critical patent/CN113038142A/zh
Application granted granted Critical
Publication of CN113038142B publication Critical patent/CN113038142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
    • H04N19/51—Motion estimation or motion compensation
    • H04N19/577—Motion compensation with bidirectional frame interpolation, i.e. using B-pictures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
    • H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
    • H04N19/51—Motion estimation or motion compensation
    • H04N19/573—Motion compensation with multiple frame prediction using two or more reference frames in a given prediction direction

Abstract

本申请提供了一种视频数据的筛选方法、装置及电子设备，其中，视频数据的筛选方法包括：将视频数据集中的每个视频作为当前视频，均执行以下操作：获取当前视频中，各个视频帧分别对应的帧类型和码率；根据各个视频帧分别对应的帧类型和码率，计算当前视频的空间复杂度和时间复杂度；以视频数据集中每个视频分别对应的空间复杂度和时间复杂度作为一个样本数据，利用预设聚类算法对各个视频分别对应的样本数据进行聚类计算，确定指定个数的目标视频。本申请能够较客观准确地筛选出最具代表性的视频数据，以便进行编码器测试。

Description

视频数据的筛选方法、装置及电子设备
技术领域
本申请涉及软件测试技术领域，尤其是涉及一种视频数据的筛选方法、装置及电子设备。
背景技术
每一代编码标准都有自己标准推荐测试数据集，但是目前UGC(User GeneratedContent，也就是用户生成内容，即用户原创内容)视频的大量普及、新的视频的不断迭代更新、编码器对特定场合的定制化优化等现状，往往需要重新筛选测试数据，在一堆海量视频数据中挑选出具有代表性的测试数据。现有视频筛选方式是采用人工投票方式人为地选择一些具有代表性的视频，这种方式主观性强，而且筛选范围受限，工作量大。
发明内容
本申请的目的在于提供一种视频数据的筛选方法、装置及电子设备，能够较客观准确地筛选出最具代表性的视频数据，以便进行编码器测试。
第一方面，本申请实施例提供一种视频数据的筛选方法，方法包括：将视频数据集中的每个视频作为当前视频，均执行以下操作：获取当前视频中，各个视频帧分别对应的帧类型和码率；根据各个视频帧分别对应的帧类型和码率，计算当前视频的空间复杂度和时间复杂度；以视频数据集中每个视频分别对应的空间复杂度和时间复杂度作为一个样本数据，利用预设聚类算法对各个视频分别对应的样本数据进行聚类计算，确定指定个数的目标视频。
进一步的，上述获取当前视频中，各个视频帧分别对应的帧类型和码率的步骤，包括：通过预设视频编码器对当前视频进行编码，得到当前视频中各个视频帧分别对应的帧类型和码率。
进一步的，上述根据各个视频帧分别对应的帧类型和码率，计算当前视频的空间复杂度的步骤，包括：根据各个视频帧分别对应的帧类型和码率，计算I帧的码率总和，并统计I帧的数量；利用I帧的码率总和除以I帧的数量，得到当前视频的空间复杂度。
进一步的，上述根据各个视频帧分别对应的帧类型和码率，计算当前视频的时间复杂度的步骤，包括：根据各个视频帧对应的帧类型和码率，计算B帧和P帧的码率总和，并统计B帧和P帧的总数量；利用B帧和P帧的码率总和除以B帧和P帧的总数量，再除以当前视频的空间复杂度，得到当前视频对应的时间复杂度。
进一步的，上述利用预设聚类算法对各个视频分别对应的样本数据进行聚类计算的步骤之前，还包括：通过预设归一化公式，对视频数据集中每个视频的空间复杂度和时间复杂度分别进行归一化处理。
进一步的，上述预设归一化公式如下：
Figure BDA0002992836830000021
其中，SC'i表示第i个视频的空间复杂度归一化处理后的值，SCi表示第i个视频的空间复杂度，SCmin表示所有视频中空间复杂度的最小值，σSC为SC的标准差，SCaverage为SC的平均值；TC'i表示第i个视频的空间复杂度归一化处理后的值，TCi表示第i个视频的空间复杂度，TCmin表示所有视频中空间复杂度的最小值，σTC为TC的标准差，TCaverage为TC的平均值。
进一步的，上述预设聚类算法包括：Kmeans聚类算法；利用预设聚类算法对各个视频分别对应的样本数据进行聚类计算，确定指定个数的目标视频的步骤，包括：利用Kmeans聚类算法对各个视频分别对应的样本数据进行聚类计算，得到指定个数的聚类中心坐标值；基于样本数据与聚类中心坐标值的距离，确定指定个数的目标视频。
进一步的，上述基于样本数据与聚类中心坐标值的距离，确定指定个数的目标视频的步骤，包括：将每个聚类中心坐标值作为当前坐标值，均执行以下步骤：计算每个视频对应的样本数据与当前坐标值的距离；将距离按照从小到大排序；从最小距离开始，选择指定个数的距离对应的视频作为目标视频。
进一步的，上述预设视频编码器包括以下之一：AV1编码器、X264编码器和X265编码器。
第二方面，本申请实施例还提供一种视频数据的筛选装置，装置包括：视频数据处理模块，用于将视频数据集中的每个视频作为当前视频，均执行以下操作：获取当前视频中，各个视频帧分别对应的帧类型和码率；根据各个视频帧分别对应的帧类型和码率，计算当前视频的空间复杂度和时间复杂度；聚类计算模块，用于以视频数据集中每个视频分别对应的空间复杂度和时间复杂度作为一个样本数据，利用预设聚类算法对各个视频分别对应的样本数据进行聚类计算，确定指定个数的目标视频。
第三方面，本申请实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述第一方面所述的方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述第一方面所述的方法。
本申请实施例提供的一种视频数据的筛选方法中，首先针对视频数据集中的每个视频，获取其各个视频帧分别对应的帧类型和码率；并根据各个视频帧分别对应的帧类型和码率，计算每个视频的空间复杂度和时间复杂度；然后以视频数据集中每个视频分别对应的空间复杂度和时间复杂度作为一个样本数据，利用预设聚类算法对各个视频分别对应的样本数据进行聚类计算，确定指定个数的目标视频。本申请实施例利用视频的时空复杂度作为样本数据，并通过聚类算法进行聚类计算，可以较客观准确地筛选出最具代表性的视频数据，以便进行编码器测试。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种视频数据的筛选方法的流程图；
图2为本申请实施例提供的一种聚类方法的流程图；
图3为本申请实施例提供的一种视频数据的筛选装置的结构框图；
图4为本申请实施例提供的另一种视频数据的筛选装置的结构框图；
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合实施例对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
为了评估不同视频编解码器的性能，需要选择不同视频进行测试并记录编码结果对比数据；然而视频编码本身是消耗机时的测试不可能将所有视频都测试一遍，但是目前互联网上每秒都生产海量视频数据，如何在海量视频数据中选取具有代表性的数据同时防止测试视频在局部过拟合是视频编解码器研发必须面对的问题。
每一代编码标准都有自己的标准推荐测试数据集，但是目前UGC(User GeneratedContent，用户原创内容)视频的大量普及以及新的视频的不断迭代更新、编码器对特定场合的定制化优化等现状，往往需要重新筛选测试数据，在一堆海量视频数据中挑选出具有代表性的测试数据。
现有视频筛选方式是采用人工投票方式人为地选择一些具有代表性的视频，这种方式主观性强，而且筛选范围受限，工作量大。基于此，本申请实施例提供一种视频数据的筛选方法、装置及电子设备，能够较客观准确地筛选出最具代表性的视频数据，以便进行编码器测试。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种视频数据的筛选方法进行详细介绍。
图1为本申请实施例提供的一种视频数据的筛选方法的流程图，该方法可以从海量的视频数据中筛选中最具代表性的视频数据，以便用于视频编码器的测试，上述视频数据的筛选方法具体包括以下步骤：
步骤S102，将视频数据集中的每个视频作为当前视频，均执行以下操作：获取当前视频中，各个视频帧分别对应的帧类型和码率；根据各个视频帧分别对应的帧类型和码率，计算当前视频的空间复杂度和时间复杂度。
具体实施中，可以先选定一个视频数据集，该视频数据集中的视频均为质量相对较好的视频，有利于后续筛选出质量更好的测试数据。针对视频数据集中的每个视频，均首先获取其各个视频帧分别对应的帧类型和码率，然后通过各个视频帧分别对应的帧类型和码率进一步计算该视频的空间复杂度和时间复杂度。其中，空间复杂度用于表征一帧图像的纹理色彩复杂度；时间复杂度用于表征视频序列的时间变化量。在本申请实施例中，空间复杂度可以基于I帧的码率来计算，相当于当前视频中I帧的平均码率；时间复杂度可以基于I帧和非I帧的码率来计算，时间复杂度相当于当前视频中非I帧与I帧的平均码率之比。
比如，视频A中，包括视频帧1，B帧，码率,241；视频帧2，P帧，码率,230，视频帧3，B帧，码率,234，视频帧4，I帧，码率,220……通过上述具体的帧类型和码率，就可以计算出该视频中，I帧的平均码率，非I帧与I帧的平均码率之比，也就得到了该视频的空间复杂度SC(Spatial Complexity)和时间复杂度TC(Temporal Complexity)。
步骤S104，以视频数据集中每个视频分别对应的空间复杂度和时间复杂度作为一个样本数据，利用预设聚类算法对各个视频分别对应的样本数据进行聚类计算，确定指定个数的目标视频。
在计算出上述视频数据集中每个视频的SC和TC后，将这两个维度的数据作为一个样本数据，比如，看作一个坐标(SC,TC)，就可以得到多个样本数据，如：(SC1,TC1)、(SC2,TC2)、(SC3,TC3)……，然后通过预设的聚类算法对上述样本数据进行聚类计算，确定出指定个数的目标视频。
上述预设聚类算法可以包括多种不同的算法，比如，Kmeans聚类算法，DBscan密度聚类算法等，均可以对上述数据样本进行聚类计算，每种算法都对应有预设参数，该预设参数可决定最终确定的目标视频的个数。
本申请实施例提供的一种视频数据的筛选方法中，首先针对视频数据集中的每个视频，获取其各个视频帧分别对应的帧类型和码率；并根据各个视频帧分别对应的帧类型和码率，计算每个视频的空间复杂度和时间复杂度；然后以视频数据集中每个视频分别对应的空间复杂度和时间复杂度作为一个样本数据，利用预设聚类算法对各个视频分别对应的样本数据进行聚类计算，确定指定个数的目标视频。本申请实施例利用视频的时空复杂度作为样本数据，并通过聚类算法进行聚类计算，可以较客观准确地筛选出最具代表性的视频数据，以便进行编码器测试。
上述步骤S102中，获取当前视频中，各个视频帧分别对应的帧类型和码率的步骤，具体包括以下过程：通过预设视频编码器对当前视频进行编码，得到当前视频中各个视频帧分别对应的帧类型和码率。
如果当前视频为YUV格式，直接通过预设视频编码器对当前视频进行编码即可，预设视频编码器可以包括以下之一：AV1编码器、X264编码器和X265编码器。比如，使用AV1编码器快速档的CQP(固定QP)模式，对当前视频进行编码，即可得到当前视频中，各个视频帧分别对应的帧类型和码率。如果当前视频的格式并不是YUV格式，那么还可以通过解码器对当前视频进行解码，得到YUV格式的视频，然后再进行编码，得到当前视频中各个视频帧分别对应的帧类型和码率。
上述步骤S102中，根据各个视频帧分别对应的帧类型和码率，计算当前视频的空间复杂度的步骤，包括：根据各个视频帧分别对应的帧类型和码率，计算I帧的码率总和，并统计I帧的数量；利用I帧的码率总和除以I帧的数量，得到当前视频的空间复杂度。即，SC＝I帧的码率总和/I帧的数量。
上述步骤S102中，根据各个视频帧分别对应的帧类型和码率，计算当前视频的时间复杂度的步骤，包括：根据各个视频帧对应的帧类型和码率，计算B帧和P帧的码率总和，并统计B帧和P帧的总数量；利用B帧和P帧的码率总和除以B帧和P帧的总数量，再除以当前视频的空间复杂度，得到当前视频对应的时间复杂度。即，TC＝B帧和P帧的码率总和/B帧和P帧的总数量/SC。
由于通过上述计算公式，计算得到的SC和TC不在一个量级上，这样聚类后的结果会使目标视频的分布非常散，也就是说，SC的影响权重会比TC大很多，选出来的视频分布不均衡，为了保证最终的聚类效果，使视频数据分布均匀，本申请实施例还提供一种归一化处理方法，在上述利用预设聚类算法对各个视频分别对应的样本数据进行聚类计算的步骤之前，通过预设归一化公式，对视频数据集中每个视频的空间复杂度和时间复杂度分别进行归一化处理，然后利用归一化处理后的数据进行聚类过程，可以得到更好的数据分布效果。
本实施例中，上述预设归一化公式如下：
Figure BDA0002992836830000081
其中，SC'i表示第i个视频的空间复杂度归一化处理后的值，SCi表示第i个视频的空间复杂度，SCmin表示所有视频中空间复杂度的最小值，σSC为SC的标准差，SCaverage为SC的平均值；TC'i表示第i个视频的空间复杂度归一化处理后的值，TCi表示第i个视频的空间复杂度，TCmin表示所有视频中空间复杂度的最小值，σTC为TC的标准差，TCaverage为TC的平均值。
由于目前视频的分布都是集中在低时间复杂度、低空间复杂度区域的，因此，上述归一化公式中，与一般的归一化公式不同，分子中是减去最小值而不是平均值，这样可以在视频较集中的区域选择出更多的视频，使筛选出的视频具有更高的分布均匀性。本申请实施例中，预设聚类算法可以包括多种不同的算法，比如：凝聚层次聚类算法、基于密度的聚类方法(DBSCAN)、均值漂移聚类算法和Kmeans聚类算法等。
下面以Kmeans聚类算法为例对上述聚类过程进行详细说明：
上述利用预设聚类算法对各个视频分别对应的样本数据进行聚类计算，确定指定个数的目标视频的步骤，可参见图2所示的聚类方法的流程图实现：
步骤S202，利用Kmeans聚类算法对各个视频分别对应的样本数据进行聚类计算，得到指定个数的聚类中心坐标值。
实际应用中，需要设定一个聚类算法中的参数K，样本数据为：(SC1,TC1)、(SC2,TC2)、(SC3,TC3)……，从样本数据中随机选择K个数据为初始质心，然后执行以下步骤：
(1)计算距离并划分数据
通过计算所有样本数据与初始质心的距离对上述数据进行第一次分类。计算距离的方法是使用欧式距离。距离值越小表示两个样本数据的相似度越高。
(2)使用均值作为新的质心
将K个分组中数据的均值作为新的质心，并重复之前的方法，迭代计算每个样本数据到新质心的距离，将上述数据划分到与之距离较小的类别中，不断地进行迭代计算。
(3)算法停止条件
迭代计算每个数据到新质心的距离，直到新的质心和原质心相等，或者新的质心和原质心的距离小于预设阈值，算法结束。
通过上述三个步骤，就可以得到K个聚类中心坐标值，(Xsc1，Ytc1)，(Xsc2，Ytc3)...(Xsck，Ytck)。
步骤S204，基于样本数据与聚类中心坐标值的距离，确定指定个数的目标视频。上述聚类中心坐标值一般不会正好和上述某个样本数据一样。因此，可以基于样本数据与聚类中心坐标值的距离，确定指定个数的目标视频，比如，选取距离聚类中心坐标值较近的样本数据对应的视频作为目标视频。
下面提供一种具体的筛选目标视频的方式，将每个聚类中心坐标值作为当前坐标值，均执行以下步骤：计算每个视频对应的样本数据与当前坐标值的距离；将距离按照从小到大排序；从最小距离开始，选择指定个数的距离对应的视频作为目标视频。上述指定个数可以是一个，也可以是多个。如果指定个数为1，则可以确定出K个目标视频，如果指定个数为2，可以确定出2K个目标视频，以此类推。
本申请实施例提供的视频数据的筛选方法，能够通过AV1编码器快速编码视频数据集中的所有视频，确定出每个视频中各个视频帧分别对应的帧类型和码率，进一步计算出每个视频对应的时空复杂度。进而通过归一化处理后的时空复杂度为样本数据，进行聚类计算过程，筛选出分布均匀，最具代表性的目标视频，以最具代表性的目标视频作为测试数据，有利于提高编码器的测试精确度。
基于上述方法实施例，本申请实施例还提供一种视频数据的筛选装置，参见图3所示，该装置包括：
视频数据处理模块32，用于将视频数据集中的每个视频作为当前视频，均执行以下操作：获取当前视频中，各个视频帧分别对应的帧类型和码率；根据各个视频帧分别对应的帧类型和码率，计算当前视频的空间复杂度和时间复杂度；聚类计算模块34，用于以视频数据集中每个视频分别对应的空间复杂度和时间复杂度作为一个样本数据，利用预设聚类算法对各个视频分别对应的样本数据进行聚类计算，确定指定个数的目标视频。
在另一种可能的实施方式中，参见图4所示，上述视频数据处理模块32包括：视频编码模块322，用于通过预设视频编码器对当前视频进行编码，得到当前视频中各个视频帧分别对应的帧类型和码率。
在另一种可能的实施方式中，上述视频数据处理模块32包括：复杂度计算模块324，用于：根据各个视频帧分别对应的帧类型和码率，计算I帧的码率总和，并统计I帧的数量；利用I帧的码率总和除以I帧的数量，得到当前视频的空间复杂度。
在另一种可能的实施方式中，上述复杂度计算模块324，还用于：根据各个视频帧对应的帧类型和码率，计算B帧和P帧的码率总和，并统计B帧和P帧的总数量；利用B帧和P帧的码率总和除以B帧和P帧的总数量，再除以当前视频的空间复杂度，得到当前视频对应的时间复杂度。
在另一种可能的实施方式中，上述装置还包括：归一化模块36，用于：通过预设归一化公式，对视频数据集中每个视频的空间复杂度和时间复杂度分别进行归一化处理。
进一步的，上述预设归一化公式如下：
Figure BDA0002992836830000111
其中，SC'i表示第i个视频的空间复杂度归一化处理后的值，SCi表示第i个视频的空间复杂度，SCmin表示所有视频中空间复杂度的最小值，σSC为SC的标准差，SCaverage为SC的平均值；TC'i表示第i个视频的空间复杂度归一化处理后的值，TCi表示第i个视频的空间复杂度，TCmin表示所有视频中空间复杂度的最小值，σTC为TC的标准差，TCaverage为TC的平均值。
在另一种可能的实施方式中，上述预设聚类算法包括：Kmeans聚类算法；上述聚类计算模块34还用于：利用Kmeans聚类算法对各个视频分别对应的样本数据进行聚类计算，得到指定个数的聚类中心坐标值；基于样本数据与聚类中心坐标值的距离，确定指定个数的目标视频。
在另一种可能的实施方式中，上述聚类计算模块34还用于：将每个聚类中心坐标值作为当前坐标值，均执行以下步骤：计算每个视频对应的样本数据与当前坐标值的距离；将距离按照从小到大排序；从最小距离开始，选择指定个数的距离对应的视频作为目标视频。
在另一种可能的实施方式中，上述预设视频编码器包括以下之一：AV1编码器、X264编码器和X265编码器。
本申请实施例提供的视频数据的筛选装置，其实现原理及产生的技术效果和前述视频数据的筛选方法实施例相同，为简要描述，视频数据的筛选装置的实施例部分未提及之处，可参考前述视频数据的筛选方法实施例中相应内容。
本申请实施例还提供了一种电子设备，如图5所示，为该电子设备的结构示意图，其中，该电子设备包括处理器51和存储器50，该存储器50存储有能够被该处理器51执行的计算机可执行指令，该处理器51执行该计算机可执行指令以实现上述方法。
在图5示出的实施方式中，该电子设备还包括总线52和通信接口53，其中，处理器51、通信接口53和存储器50通过总线52连接。
其中，存储器50可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线52可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线52可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器51可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器51中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器51可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器51读取存储器中的信息，结合其硬件完成前述实施例的方法的步骤。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述方法，具体实现可参见前述方法实施例，在此不再赘述。
本申请实施例所提供的视频数据的筛选方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种视频数据的筛选方法，其特征在于，所述方法包括：
将视频数据集中的每个视频作为当前视频，均执行以下操作：获取当前视频中，各个视频帧分别对应的帧类型和码率；根据各个视频帧分别对应的帧类型和码率，计算所述当前视频的空间复杂度和时间复杂度；
以所述视频数据集中每个视频分别对应的空间复杂度和时间复杂度作为一个样本数据，利用预设聚类算法对各个所述视频分别对应的样本数据进行聚类计算，确定指定个数的目标视频。
2.根据权利要求1所述的方法，其特征在于，根据各个视频帧分别对应的帧类型和码率，计算所述当前视频的空间复杂度的步骤，包括：
根据各个视频帧分别对应的帧类型和码率，计算I帧的码率总和，并统计I帧的数量；
利用所述I帧的码率总和除以所述I帧的数量，得到所述当前视频的空间复杂度。
3.根据权利要求1所述的方法，其特征在于，根据各个视频帧分别对应的帧类型和码率，计算所述当前视频的时间复杂度的步骤，包括：
根据各个视频帧对应的帧类型和码率，计算B帧和P帧的码率总和，并统计B帧和P帧的总数量；
利用所述B帧和P帧的码率总和除以所述B帧和P帧的总数量，再除以所述当前视频的空间复杂度，得到所述当前视频对应的时间复杂度。
4.根据权利要求1所述的方法，其特征在于，利用预设聚类算法对各个所述视频分别对应的样本数据进行聚类计算的步骤之前，还包括：
通过预设归一化公式，对所述视频数据集中每个所述视频的空间复杂度和时间复杂度分别进行归一化处理。
5.根据权利要求4所述的方法，其特征在于，所述预设归一化公式如下：
SC'i＝(SCi-SCmin)/σSC
Figure FDA0002992836820000021
TC'i＝(TCi-TCmin)/σTC
Figure FDA0002992836820000022
其中，SC′i表示第i个视频的空间复杂度归一化处理后的值，SCi表示第i个视频的空间复杂度，SCmin表示所有视频中空间复杂度的最小值，σSC为SC的标准差，SCaverage为SC的平均值；TC'i表示第i个视频的空间复杂度归一化处理后的值，TCi表示第i个视频的空间复杂度，TCmin表示所有视频中空间复杂度的最小值，σTC为TC的标准差，TCaverage为TC的平均值。
6.根据权利要求1所述的方法，其特征在于，所述预设聚类算法包括：Kmeans聚类算法；
利用预设聚类算法对各个所述视频分别对应的样本数据进行聚类计算，确定指定个数的目标视频的步骤，包括：
利用所述Kmeans聚类算法对各个所述视频分别对应的样本数据进行聚类计算，得到指定个数的聚类中心坐标值；
基于样本数据与所述聚类中心坐标值的距离，确定指定个数的目标视频。
7.根据权利要求6所述的方法，其特征在于，基于样本数据与所述聚类中心坐标值的距离，确定指定个数的目标视频的步骤，包括：
将每个聚类中心坐标值作为当前坐标值，均执行以下步骤：
计算每个视频对应的样本数据与所述当前坐标值的距离；
将所述距离按照从小到大排序；
从最小距离开始，选择指定个数的距离对应的视频作为目标视频。
8.一种视频数据的筛选装置，其特征在于，所述装置包括：
视频数据处理模块，用于将视频数据集中的每个视频作为当前视频，均执行以下操作：获取当前视频中，各个视频帧分别对应的帧类型和码率；根据各个视频帧分别对应的帧类型和码率，计算所述当前视频的空间复杂度和时间复杂度；
聚类计算模块，用于以所述视频数据集中每个视频分别对应的空间复杂度和时间复杂度作为一个样本数据，利用预设聚类算法对各个所述视频分别对应的样本数据进行聚类计算，确定指定个数的目标视频。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
CN202110320996.4A 2021-03-25 2021-03-25 视频数据的筛选方法、装置及电子设备 Active CN113038142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110320996.4A CN113038142B (zh) 2021-03-25 2021-03-25 视频数据的筛选方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110320996.4A CN113038142B (zh) 2021-03-25 2021-03-25 视频数据的筛选方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113038142A true CN113038142A (zh) 2021-06-25
CN113038142B CN113038142B (zh) 2022-11-01

Family

ID=76473799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110320996.4A Active CN113038142B (zh) 2021-03-25 2021-03-25 视频数据的筛选方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113038142B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101697591A (zh) * 2005-03-10 2010-04-21 高通股份有限公司 用于多媒体处理的内容分类
CN101835040A (zh) * 2010-03-17 2010-09-15 天津大学 数字视频来源取证方法
CN103634594A (zh) * 2012-08-21 2014-03-12 华为技术有限公司 一种获得视频编码压缩质量的方法及装置
CN105761263A (zh) * 2016-02-19 2016-07-13 浙江大学 一种基于镜头边界检测和聚类的视频关键帧提取方法
CN105959685A (zh) * 2016-05-31 2016-09-21 上海交通大学 一种基于视频内容及聚类分析的压缩码率预测方法
CN107223344A (zh) * 2017-01-24 2017-09-29 深圳大学 一种静态视频摘要的生成方法及装置
CN109635736A (zh) * 2018-12-12 2019-04-16 北京搜狐新媒体信息技术有限公司 一种视频头图选择方法及系统
WO2019148117A1 (en) * 2018-01-29 2019-08-01 Vid Scale, Inc. Frame-rate up conversion with low complexity
CN111242019A (zh) * 2020-01-10 2020-06-05 腾讯科技（深圳）有限公司 视频内容的检测方法、装置、电子设备以及存储介质
CN111414868A (zh) * 2020-03-24 2020-07-14 北京旷视科技有限公司 时序动作片段的确定方法、动作检测方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101697591A (zh) * 2005-03-10 2010-04-21 高通股份有限公司 用于多媒体处理的内容分类
CN101835040A (zh) * 2010-03-17 2010-09-15 天津大学 数字视频来源取证方法
CN103634594A (zh) * 2012-08-21 2014-03-12 华为技术有限公司 一种获得视频编码压缩质量的方法及装置
CN105761263A (zh) * 2016-02-19 2016-07-13 浙江大学 一种基于镜头边界检测和聚类的视频关键帧提取方法
CN105959685A (zh) * 2016-05-31 2016-09-21 上海交通大学 一种基于视频内容及聚类分析的压缩码率预测方法
CN107223344A (zh) * 2017-01-24 2017-09-29 深圳大学 一种静态视频摘要的生成方法及装置
WO2019148117A1 (en) * 2018-01-29 2019-08-01 Vid Scale, Inc. Frame-rate up conversion with low complexity
CN109635736A (zh) * 2018-12-12 2019-04-16 北京搜狐新媒体信息技术有限公司 一种视频头图选择方法及系统
CN111242019A (zh) * 2020-01-10 2020-06-05 腾讯科技（深圳）有限公司 视频内容的检测方法、装置、电子设备以及存储介质
CN111414868A (zh) * 2020-03-24 2020-07-14 北京旷视科技有限公司 时序动作片段的确定方法、动作检测方法及装置

Also Published As

Publication number Publication date
CN113038142B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN108182421A (zh) 视频分割方法和装置
CN111766253A (zh) 锡膏印刷品质检测方法、数据处理装置及计算机存储介质
CN111294819B (zh) 一种网络优化方法及装置
CN112950581A (zh) 质量评估方法、装置和电子设备
CN110941964A (zh) 双语语料筛选方法、装置及存储介质
CN110248189B (zh) 一种视频质量预测方法、装置、介质和电子设备
CN110351299B (zh) 一种网络连接检测方法和装置
CN112188310B (zh) 测试序列构建方法、装置、电子设备及存储介质
CN113938682A (zh) 视频编码方法、装置和电子设备
CN113421192A (zh) 对象统计模型的训练方法、目标对象的统计方法和装置
CN113038142B (zh) 视频数据的筛选方法、装置及电子设备
CN113011210B (zh) 视频处理方法和装置
CN109660806B (zh) 一种编码方法、装置和电子设备
CN112308345A (zh) 通信网络负荷预测方法、装置及服务器
CN111597383A (zh) 一种视频热度级别预测方法及装置
CN116977247A (zh) 图像处理方法、装置、电子设备及存储介质
CN112950580A (zh) 质量评价方法、质量评价模型的训练方法和装置
CN114334696A (zh) 质量检测方法及装置、电子设备和计算机可读存储介质
CN113420809A (zh) 视频质量评价方法、装置和电子设备
CN115796388B (zh) 针对施工安全的风险预测方法、装置、设备和介质
CN111582456A (zh) 用于生成网络模型信息的方法、装置、设备和介质
CN115550996B (zh) 基于指标数据的QoE预测方法及QoS参数更新方法
CN111510340B (zh) 访问请求检测方法、装置、电子设备及可读存储介质
Jamshidi Avanaki et al. Deep-BVQM: A Deep-learning Bitstream-based Video Quality Model
WO2023142663A1 (zh) 编码过程中的运动估计方法、装置、设备、存储介质及程序产品

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