CN113052033A - 视频精彩度测量方法、装置、设备及存储介质 - Google Patents
视频精彩度测量方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113052033A CN113052033A CN202110277969.3A CN202110277969A CN113052033A CN 113052033 A CN113052033 A CN 113052033A CN 202110277969 A CN202110277969 A CN 202110277969A CN 113052033 A CN113052033 A CN 113052033A
- Authority
- CN
- China
- Prior art keywords
- value
- network
- grid
- divided
- video
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 10
- 238000000691 measurement method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 2
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- 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
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像分析领域，公开了一种视频精彩度测量方法、装置、设备及存储介质。该方法包括：获取待分析的视频数据；解析视频数据的视频帧，得到视频数据对应的视频帧集合，以及基于预置划分框架，对视频帧集合中每个视频帧进行划分处理，得到每个视频帧对应的划分网格网络；根据预置视频色彩算法，计算划分网格网络中每个网格对应的HSV值，得到划分网格网络对应的HSV值集；根据预置运动参数算法，对HSV值集进行差值分析处理，得到划分网格网络对应的运动参数值，并根据预置色彩参数算法，对HSV值集进行颜色分析处理，得到划分网格网络对应的色彩值强度值；计算色彩值强度值和运动参数值的平均值，得到划分网格网络对应的视频帧精彩值。
Description
技术领域
本发明涉及图像分析领域，尤其涉及一种视频精彩度测量方法、装置、设备及存储介质。
背景技术
现今，网络上涌现了大量视频数据，其中有平淡无奇的，也有精彩纷呈的，而不论是对于用户还是提供视频内容的平台来说，都希望获取更精彩的视频，那么提供一种视频精彩度的测度方法，自然十分重要。目前的方法主要是通过对特定类型的视频制定有针对性的规则来分析视频是否精彩，比如对于篮球比赛类型的视频，如果有投篮的镜头，则认为该视频精彩。只能定性分析视频是否精彩，无法定量测度视频的精彩程度，也不能根据精彩程度给一系列视频排序。不同类型的视频指定不同的规则，局限性较大，适用性较窄，无法进行统一的比较，因此需要一种统一且能广泛定量测量视频精彩度的技术方案。
发明内容
本发明的主要目的在于解决视频无法统一定量的分析的技术问题。
本发明第一方面提供了一种视频精彩度测量方法，所述视频精彩度测量方法包括：
获取待分析的视频数据；
解析所述视频数据的视频帧，得到所述视频数据对应的视频帧集合，以及基于预置划分框架，对所述视频帧集合中每个视频帧进行划分处理，得到每个视频帧对应的划分网格网络；
根据预置视频色彩算法，计算所述划分网格网络中每个网格对应的HSV值，得到所述划分网格网络对应的HSV值集；
根据预置运动参数算法，对所述HSV值集进行差值分析处理，得到所述划分网格网络对应的运动参数值，并根据预置色彩参数算法，对所述HSV值集进行颜色分析处理，得到所述划分网格网络对应的色彩值强度值；
计算所述色彩值强度值和所述运动参数值的平均值，得到所述划分网格网络对应的视频帧精彩值。
可选的，在本发明第一方面的第一种实现方式中，所述根据预置视频色彩算法，计算所述划分网格网络中每个网格对应的HSV值，得到所述划分网格网络对应的HSV值集包括：
读取所述划分网格网络中每个网格对应的所有像素RGB值，以及基于预置转换算法，将所有的所述像素RGB值转换为像素HSV值；
计算所有所述像素HSV值对应的HSV平均值，并将所述HSV平均值确定为网格对应的HSV值；
将所述划分网格网络中每个网格对应的HSV值组合，生成所述划分网格网络对应的HSV值集。
可选的，在本发明第一方面的第二种实现方式中，所述根据预置运动参数算法，对所述HSV值集进行差值分析处理，得到所述划分网格网络对应的运动参数值包括：
读取所述划分网格网络相差预置间隔帧数的对比划分网格网络；
根据预置区域检测算法和所述HSV值集，对所述划分网格网络和所述比划分网格网络进行区域比对处理，得到所述划分网格网络对应的运动围度值；
根据预置向量检测算法，对所述划分网格网络和所述比划分网格网络进行向量分析处理，得到所述划分网格网络对应的运动幅度值；
对所述运动围度值和所述运动幅度值计算平均值，得到所述划分网格网络对应的运动参数值。
可选的，在本发明第一方面的第三种实现方式中，所述根据预置区域检测算法和所述HSV值集，对所述划分网格网络和所述比划分网格网络进行区域比对处理，得到所述划分网格网络对应的运动围度值包括：
计算所述划分网格网络和所述对比划分网格网络的HSV值分量差平均值，得到所述划分网格网络的帧数HSV差值；
判断所述帧数HSV差值是否超过预置强度阈值；
若超过所述强度阈值，则根据预置运动分析算法，对所述帧数HSV差值和所述强度阈值进行差值分析处理，得到所述划分网格网络对应的运动围度值。
可选的，在本发明第一方面的第四种实现方式中，所述根据预置向量检测算法，对所述划分网格网络和所述比划分网格网络进行向量分析处理，得到所述划分网格网络对应的运动幅度值包括：
分析所述对比划分网格网络与所述划分网格网络对应的网格运动矢量，得到网格运动矢量集；
将所述网格运动矢量中的数据集代入预置运动幅度计算公式，计算得出所述划分网格网络对应的运动幅度值。
可选的，在本发明第一方面的第五种实现方式中，所述根据预置色彩参数算法，对所述HSV值集进行颜色分析处理，得到所述划分网格网络对应的色彩值强度值包括：
计算所述划分网格网络中每个网格对应HSV值的H分量占比值、S分量占比值、V分量占比值，并计算所述划分网格网络中的所有H分量、S分量、V分量之间的欧式距离，得到分量欧式距离集；
读取所述划分网格网络中每个网格对应的所有像素的S分量和V分量；
将所述H分量占比值、所述S分量占比值、所述V分量占比值、所述分量欧式距离集、每个像素的S分量和V分量代入预置色彩强度公式，计算得到所述划分网格网络对应的色彩值强度值。
可选的，在本发明第一方面的第六种实现方式中，所述基于预置划分框架，对所述视频帧集合中每个视频帧进行划分处理，得到每个视频帧对应的划分网格网络包括：
根据所述视频帧集合中的排序，依次从所述视频帧集合中提取出视频帧；
根据预置划分框架，对所述视频帧进行划分处理，生成所述视频帧对应的划分网格网络。
本发明第二方面提供了一种视频精彩度测量装置，所述视频精彩度测量装置包括：
获取模块，用于获取待分析的视频数据；
划分模块，用于解析所述视频数据的视频帧，得到所述视频数据对应的视频帧集合，以及基于预置划分框架，对所述视频帧集合中每个视频帧进行划分处理，得到每个视频帧对应的划分网格网络；
计算模块，用于根据预置视频色彩算法，计算所述划分网格网络中每个网格对应的HSV值，得到所述划分网格网络对应的HSV值集；
分析模块，用于根据预置运动参数算法，对所述HSV值集进行差值分析处理，得到所述划分网格网络对应的运动参数值，并根据预置色彩参数算法，对所述HSV值集进行颜色分析处理，得到所述划分网格网络对应的色彩值强度值；
计算模块，用于计算所述色彩值强度值和所述运动参数值的平均值，得到所述划分网格网络对应的视频帧精彩值。
本发明第三方面提供了一种视频精彩度测量设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述视频精彩度测量设备执行上述的视频精彩度测量方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的视频精彩度测量方法。
本发明实施例中，通过对图像进行运动分析与色彩分析，并通过帧数有序比对查询，对视频进行逐帧的评价。基于HSV值的分析计算，实现对视频数据的能通用分析，并且可以对视频精彩度进行定量分析。
附图说明
图1为本发明实施例中视频精彩度测量方法的第一个实施例示意图；
图2为本发明实施例中视频精彩度测量方法的第二个实施例示意图；
图3为本发明实施例中视频精彩度测量装置的一个实施例示意图；
图4为本发明实施例中视频精彩度测量装置的另一个实施例示意图；
图5为本发明实施例中视频精彩度测量设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种视频精彩度测量方法、装置、设备及存储介质。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中视频精彩度测量方法的一个实施例包括：
101、获取待分析的视频数据；
在本实施例中，待分析的视频数据的数据格式可以为MPEG/MPG/DAT/MP4等一系列，获取方式可以是无线网络获取也可以是移动硬盘输入还可以是有线的USB传输等方式。
102、解析所述视频数据的视频帧，得到所述视频数据对应的视频帧集合，以及基于预置划分框架，对所述视频帧集合中每个视频帧进行划分处理，得到每个视频帧对应的划分网格网络；
在本实施例中，按照视频数据的格式进行解码得到视频帧，获取视频帧方法为现有技术在此不做赘述。通过解码获得视频数据的视频帧集合，视频帧集合按照视频播放顺序进行排列。根据划分框架，将视频帧划分为20*20，即400个网格。在视频帧集合中的每个视频帧进行划分，得到每个视频帧对应的400个网格的划分网格网络。
103、根据预置视频色彩算法，计算所述划分网格网络中每个网格对应的HSV值，得到所述划分网格网络对应的HSV值集；
在本实施例中，先读取20*20划分网格网络的每个网格中的每个像素的RGB值然后根据max＝max(R,G,B)；min＝min(R,G,B)；V＝max(R,G,B)；S＝(max-min)/max；f(R＝max)H＝(G-B)/(max-min)*60；if(G＝max)H＝120+(B-R)/(max-min)*60；if(B＝max)H＝240+(R-G)/(max-min)*60；if(H<0)H＝H+360的转换方法，对20*20划分网格网络中每个网格的HSV值，依据网格像素点的HSV值，进行加权平均
其中，hi、si、vi表示第i个网格的HSV值，hi k、si k、vi k表示第i个网格的第k个像素的HSV值。
104、根据预置运动参数算法，对所述HSV值集进行差值分析处理，得到所述划分网格网络对应的运动参数值，并根据预置色彩参数算法，对所述HSV值集进行颜色分析处理，得到所述划分网格网络对应的色彩值强度值；
在本实施例中，运动范围用于描述视频运动内容涉及的范围，如果人们能感知到的运动区域越广，面积越大，说明运动强度越大，因此可以对比两个视频帧，计算发生变化的区域数量，构建运动范围。计算两个视频帧对应网格区域的HSV值之差，由于相邻两帧的内容变化通常很小，冗余较大，因此每隔5帧取一帧，计算其与当前帧的HSV差值，根据计算公式：
其中，所述hi、si、vi表示第i个网格的HSV值，判断Di(k)与预置的阈值T进行数据比对，若Di(k)大于阈值T，则认为具有一定贡献。则第i帧的运动范围计算公式如下：
其中，H为Heaviside阶跃函数，如果i大于或等于0，那么H(i)为1，否则H(i)为0，n为网格数量。将所有帧的运动围度求加权平均则可得到视频的运动围度，计算公式如下：
其中MR为划分网格网络的运动围度值。
运动幅度用于描述视频运动内容的距离，如果某个物体覆盖的范围很小，但是运动的跨度很大，那么也认为其运动强度很大。因此可以计算两个视频帧发生变化的区域所运动的距离，构建运动幅度特征。
首先取每个网格的中心点代表该区域，然后用光流法跟踪每个网格在其后第5帧的位置，得到运动矢量，然后计算视频的运动幅度，公式如下：
其中，|MV(k)|表示第i帧第k个网格的运动矢量，w和h表示视频帧的宽和高。
视频的运动幅度计算如下：
将运动围度和运动幅度两个特征组合起来，求加权平均值，即可得到运动强度，计算公式如下：MI＝1/2(MA+MR)。
视频通常会用不同的颜色去激起人们不同的类型情感，比如蓝色代表缓和忧伤，红色代表紧张活跃，颜色越鲜艳，越能引发高强度的视觉冲击，因此可以用颜色强度来描述视频的精彩程度。
颜色强度主要是计算hsv空间各分量所占比例和对比度，以及色度h中红色和蓝色成分的差异程度来构建，第m帧的颜色强度计算公式如下：
其中，表示hsv颜色直方图第i个分量所占的比例，表示第i个分量和第j个分量的欧氏距离，和表示第k个像素在hsv空间的饱和度值和亮度值，表示范围在E(hk)[0.75-1.25]之间的色度能力，取决于红色和蓝色的角距离。
视频的色彩值强度值计算公式如下：
105、计算所述色彩值强度值和所述运动参数值的平均值，得到所述划分网格网络对应的视频帧精彩值。
在本实施例中，计算所述色彩值强度值和所述运动参数值的平均值，根据公式：S＝1/2(MI+CI)，其中，S为视频帧精彩值。在完成视频数据的所有视频帧精彩值，将所有的视频帧精彩值作为视频数据的标签。
本发明实施例中，通过对图像进行运动分析与色彩分析，并通过帧数有序比对查询，对视频进行逐帧的评价。基于HSV值的分析计算，实现对视频数据的能通用分析，并且可以对视频精彩度进行定量分析。
请参阅图2，本发明实施例中视频精彩度测量方法的另一个实施例包括：
201、获取待分析的视频数据；
202、解析所述视频数据的视频帧，得到所述视频数据对应的视频帧集合；
201-202实施例类似于第一个实施例，请参照第一个实施例，在此不做赘述。
203、根据所述视频帧集合中的排序，依次从所述视频帧集合中提取出视频帧；
204、根据预置划分框架，对所述视频帧进行划分处理，生成所述视频帧对应的划分网格网络；
在本实施例中，将视频帧按照固定的划分框架20*20的进行划分，将每个划分网格网络划分为400。
205、读取所述划分网格网络中每个网格对应的所有像素RGB值，以及基于预置转换算法，将所有的所述像素RGB值转换为像素HSV值；
206、计算所有所述像素HSV值对应的HSV平均值，并将所述HSV平均值确定为网格对应的HSV值；
207、将所述划分网格网络中每个网格对应的HSV值组合，生成所述划分网格网络对应的HSV值集；
在本实施例中，读取20*20划分网格网络的每个网格中的每个像素的RGB值然后根据max＝max(R,G,B)；min＝min(R,G,B)；V＝max(R,G,B)；S＝(max-min)/max；f(R＝max)H＝(G-B)/(max-min)*60；if(G＝max)H＝120+(B-R)/(max-min)*60；if(B＝max)H＝240+(R-G)/(max-min)*60；if(H<0)H＝H+360的转换方法，对20*20划分网格网络中每个网格的HSV值，依据网格像素点的HSV值，进行加权平均
其中，hi、si、vi表示第i个网格的HSV值，hi k、si k、vi k表示第i个网格的第k个像素的HSV值。
208、读取所述划分网格网络相差预置间隔帧数的对比划分网格网络；
209、计算所述划分网格网络和所述对比划分网格网络的HSV值分量差平均值，得到所述划分网格网络的帧数HSV差值；
210、判断所述帧数HSV差值是否超过预置强度阈值；
211、若超过所述强度阈值，则根据预置运动分析算法，对所述帧数HSV差值和所述强度阈值进行差值分析处理，得到所述划分网格网络对应的运动围度值；
208-2011实施例中，计算发生变化的区域数量，构建运动范围。计算两个视频帧对应网格区域的HSV值之差，由于相邻两帧的内容变化通常很小，冗余较大，因此每隔5帧取一帧，计算其与当前帧的HSV差值，根据计算公式：
其中，所述hi、si、vi表示第i个网格的HSV值，判断Di(k)与预置的阈值T进行数据比对，若Di(k)大于阈值T，则认为具有一定贡献。则第i帧的运动范围计算公式如下：
其中，H为Heaviside阶跃函数，如果i大于或等于0，那么H(i)为1，否则H(i)为0，n为网格数量。将所有帧的运动围度求加权平均则可得到视频的运动围度，计算公式如下：
其中MR为划分网格网络的运动围度值。
212、分析所述对比划分网格网络与所述划分网格网络对应的网格运动矢量，得到网格运动矢量集；
213、将所述网格运动矢量中的数据集代入预置运动幅度计算公式，计算得出所述划分网格网络对应的运动幅度值；
214、对所述运动围度值和所述运动幅度值计算平均值，得到所述划分网格网络对应的运动参数值；
212-214实施例中，首先取每个网格的中心点代表该区域，然后用光流法跟踪每个网格在其后第5帧的位置，得到运动矢量，然后计算视频的运动幅度，公式如下：
其中，|MV(k)|表示第i帧第k个网格的运动矢量，w和h表示视频帧的宽和高。
视频的运动幅度计算如下：
将运动围度和运动幅度两个特征组合起来，求加权平均值，即可得到运动强度，计算公式如下：MI＝1/2(MA+MR)。
215、计算所述划分网格网络中每个网格对应HSV值的H分量占比值、S分量占比值、V分量占比值，并计算所述划分网格网络中的所有H分量、S分量、V分量之间的欧式距离，得到分量欧式距离集；
216、读取所述划分网格网络中每个网格对应的所有像素的S分量和V分量；
217、将所述H分量占比值、所述S分量占比值、所述V分量占比值、所述分量欧式距离集、每个像素的S分量和V分量代入预置色彩强度公式，计算得到所述划分网格网络对应的色彩值强度值；
215-217实施例中，视频通常会用不同的颜色去激起人们不同的类型情感，比如蓝色代表缓和忧伤，红色代表紧张活跃，颜色越鲜艳，越能引发高强度的视觉冲击，因此可以用颜色强度来描述视频的精彩程度。
颜色强度主要是计算hsv空间各分量所占比例和对比度，以及色度h中红色和蓝色成分的差异程度来构建，第m帧的颜色强度计算公式如下：
其中，表示hsv颜色直方图第i个分量所占的比例，表示第i个分量和第j个分量的欧氏距离，和表示第k个像素在hsv空间的饱和度值和亮度值，表示范围在E(hk)[0.75-1.25]之间的色度能力，取决于红色和蓝色的角距离。
视频的色彩值强度值计算公式如下：
218、计算所述色彩值强度值和所述运动参数值的平均值，得到所述划分网格网络对应的视频帧精彩值。
本实施类似第一个实施例，请参照第一个实施例，在此不做赘述。
本发明实施例中，通过对图像进行运动分析与色彩分析，并通过帧数有序比对查询，对视频进行逐帧的评价。基于HSV值的分析计算，实现对视频数据的能通用分析，并且可以对视频精彩度进行定量分析。
上面对本发明实施例中视频精彩度测量方法进行了描述，下面对本发明实施例中视频精彩度测量装置进行描述，请参阅图3，本发明实施例中视频精彩度测量装置一个实施例包括：
获取模块301，用于获取待分析的视频数据；
划分模块302，用于解析所述视频数据的视频帧，得到所述视频数据对应的视频帧集合，以及基于预置划分框架，对所述视频帧集合中每个视频帧进行划分处理，得到每个视频帧对应的划分网格网络；
计算模块303，用于根据预置视频色彩算法，计算所述划分网格网络中每个网格对应的HSV值，得到所述划分网格网络对应的HSV值集；
分析模块304，用于根据预置运动参数算法，对所述HSV值集进行差值分析处理，得到所述划分网格网络对应的运动参数值，并根据预置色彩参数算法，对所述HSV值集进行颜色分析处理，得到所述划分网格网络对应的色彩值强度值；
计算模块305，用于计算所述色彩值强度值和所述运动参数值的平均值，得到所述划分网格网络对应的视频帧精彩值。
本发明实施例中，通过对图像进行运动分析与色彩分析，并通过帧数有序比对查询，对视频进行逐帧的评价。基于HSV值的分析计算，实现对视频数据的能通用分析，并且可以对视频精彩度进行定量分析。
请参阅图4，本发明实施例中视频精彩度测量装置的另一个实施例包括：
获取模块301，用于获取待分析的视频数据；
划分模块302，用于解析所述视频数据的视频帧，得到所述视频数据对应的视频帧集合，以及基于预置划分框架，对所述视频帧集合中每个视频帧进行划分处理，得到每个视频帧对应的划分网格网络；
计算模块303，用于根据预置视频色彩算法，计算所述划分网格网络中每个网格对应的HSV值，得到所述划分网格网络对应的HSV值集；
分析模块304，用于根据预置运动参数算法，对所述HSV值集进行差值分析处理，得到所述划分网格网络对应的运动参数值，并根据预置色彩参数算法，对所述HSV值集进行颜色分析处理，得到所述划分网格网络对应的色彩值强度值；
计算模块305，用于计算所述色彩值强度值和所述运动参数值的平均值，得到所述划分网格网络对应的视频帧精彩值。
其中，所述划分模块302具体用于：
据所述视频帧集合中的排序，依次从所述视频帧集合中提取出视频帧；
根据预置划分框架，对所述视频帧进行划分处理，生成所述视频帧对应的划分网格网络。
其中，所述计算模块303具体用于：
读取所述划分网格网络中每个网格对应的所有像素RGB值，以及基于预置转换算法，将所有的所述像素RGB值转换为像素HSV值；
计算所有所述像素HSV值对应的HSV平均值，并将所述HSV平均值确定为网格对应的HSV值；
将所述划分网格网络中每个网格对应的HSV值组合，生成所述划分网格网络对应的HSV值集。
其中，所述分析模块304包括：
读取单元3041，用于读取所述划分网格网络相差预置间隔帧数的对比划分网格网络；
比对单元3042，用于根据预置区域检测算法和所述HSV值集，对所述划分网格网络和所述比划分网格网络进行区域比对处理，得到所述划分网格网络对应的运动围度值；
分析单元3043，用于根据预置向量检测算法，对所述划分网格网络和所述比划分网格网络进行向量分析处理，得到所述划分网格网络对应的运动幅度值；
平均单元3044，用于对所述运动围度值和所述运动幅度值计算平均值，得到所述划分网格网络对应的运动参数值。
其中，所述比对单元3042具体用于：
计算所述划分网格网络和所述对比划分网格网络的HSV值分量差平均值，得到所述划分网格网络的帧数HSV差值；
判断所述帧数HSV差值是否超过预置强度阈值；
若超过所述强度阈值，则根据预置运动分析算法，对所述帧数HSV差值和所述强度阈值进行差值分析处理，得到所述划分网格网络对应的运动围度值。
其中，所述分析单元3043具体用于：
分析所述对比划分网格网络与所述划分网格网络对应的网格运动矢量，得到网格运动矢量集；
将所述网格运动矢量中的数据集代入预置运动幅度计算公式，计算得出所述划分网格网络对应的运动幅度值。
其中，所述分析模块304还可以具体用于：
计算所述划分网格网络中每个网格对应HSV值的H分量占比值、S分量占比值、V分量占比值，并计算所述划分网格网络中的所有H分量、S分量、V分量之间的欧式距离，得到分量欧式距离集；
读取所述划分网格网络中每个网格对应的所有像素的S分量和V分量；
将所述H分量占比值、所述S分量占比值、所述V分量占比值、所述分量欧式距离集、每个像素的S分量和V分量代入预置色彩强度公式，计算得到所述划分网格网络对应的色彩值强度值。
本发明实施例中，通过对图像进行运动分析与色彩分析，并通过帧数有序比对查询，对视频进行逐帧的评价。基于HSV值的分析计算，实现对视频数据的能通用分析，并且可以对视频精彩度进行定量分析。
上面图3和图4从模块化功能实体的角度对本发明实施例中的视频精彩度测量装置进行详细描述，下面从硬件处理的角度对本发明实施例中视频精彩度测量设备进行详细描述。
图5是本发明实施例提供的一种视频精彩度测量设备的结构示意图，该视频精彩度测量设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对视频精彩度测量设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在视频精彩度测量设备500上执行存储介质530中的一系列指令操作。
基于视频精彩度测量设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的视频精彩度测量设备结构并不构成对基于视频精彩度测量设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述视频精彩度测量方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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全部或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)执行本发明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(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种视频精彩度测量方法，其特征在于，包括步骤：
获取待分析的视频数据；
解析所述视频数据的视频帧，得到所述视频数据对应的视频帧集合，以及基于预置划分框架，对所述视频帧集合中每个视频帧进行划分处理，得到每个视频帧对应的划分网格网络；
根据预置视频色彩算法，计算所述划分网格网络中每个网格对应的HSV值，得到所述划分网格网络对应的HSV值集；
根据预置运动参数算法，对所述HSV值集进行差值分析处理，得到所述划分网格网络对应的运动参数值，并根据预置色彩参数算法，对所述HSV值集进行颜色分析处理，得到所述划分网格网络对应的色彩值强度值；
计算所述色彩值强度值和所述运动参数值的平均值，得到所述划分网格网络对应的视频帧精彩值。
2.根据权利要求1所述的视频精彩度测量方法，其特征在于，所述根据预置视频色彩算法，计算所述划分网格网络中每个网格对应的HSV值，得到所述划分网格网络对应的HSV值集包括：
读取所述划分网格网络中每个网格对应的所有像素RGB值，以及基于预置转换算法，将所有的所述像素RGB值转换为像素HSV值；
计算所有所述像素HSV值对应的HSV平均值，并将所述HSV平均值确定为网格对应的HSV值；
将所述划分网格网络中每个网格对应的HSV值组合，生成所述划分网格网络对应的HSV值集。
3.根据权利要求1所述的视频精彩度测量方法，其特征在于，所述根据预置运动参数算法，对所述HSV值集进行差值分析处理，得到所述划分网格网络对应的运动参数值包括：
读取所述划分网格网络相差预置间隔帧数的对比划分网格网络；
根据预置区域检测算法和所述HSV值集，对所述划分网格网络和所述比划分网格网络进行区域比对处理，得到所述划分网格网络对应的运动围度值；
根据预置向量检测算法，对所述划分网格网络和所述比划分网格网络进行向量分析处理，得到所述划分网格网络对应的运动幅度值；
对所述运动围度值和所述运动幅度值计算平均值，得到所述划分网格网络对应的运动参数值。
4.根据权利要求3所述的视频精彩度测量方法，其特征在于，所述根据预置区域检测算法和所述HSV值集，对所述划分网格网络和所述比划分网格网络进行区域比对处理，得到所述划分网格网络对应的运动围度值包括：
计算所述划分网格网络和所述对比划分网格网络的HSV值分量差平均值，得到所述划分网格网络的帧数HSV差值；
判断所述帧数HSV差值是否超过预置强度阈值；
若超过所述强度阈值，则根据预置运动分析算法，对所述帧数HSV差值和所述强度阈值进行差值分析处理，得到所述划分网格网络对应的运动围度值。
5.根据权利要求3或4任一项所述的视频精彩度测量方法，其特征在于，所述根据预置向量检测算法，对所述划分网格网络和所述比划分网格网络进行向量分析处理，得到所述划分网格网络对应的运动幅度值包括：
分析所述对比划分网格网络与所述划分网格网络对应的网格运动矢量，得到网格运动矢量集；
将所述网格运动矢量中的数据集代入预置运动幅度计算公式，计算得出所述划分网格网络对应的运动幅度值。
6.根据权利要求1所述的视频精彩度测量方法，其特征在于，所述根据预置色彩参数算法，对所述HSV值集进行颜色分析处理，得到所述划分网格网络对应的色彩值强度值包括：
计算所述划分网格网络中每个网格对应HSV值的H分量占比值、S分量占比值、V分量占比值，并计算所述划分网格网络中的所有H分量、S分量、V分量之间的欧式距离，得到分量欧式距离集；
读取所述划分网格网络中每个网格对应的所有像素的S分量和V分量；
将所述H分量占比值、所述S分量占比值、所述V分量占比值、所述分量欧式距离集、每个像素的S分量和V分量代入预置色彩强度公式，计算得到所述划分网格网络对应的色彩值强度值。
7.根据权利要求1所述的视频精彩度测量方法，其特征在于，所述基于预置划分框架，对所述视频帧集合中每个视频帧进行划分处理，得到每个视频帧对应的划分网格网络包括：
根据所述视频帧集合中的排序，依次从所述视频帧集合中提取出视频帧；
根据预置划分框架，对所述视频帧进行划分处理，生成所述视频帧对应的划分网格网络。
8.一种视频精彩度测量装置，其特征在于，所述视频精彩度测量装置包括：
获取模块，用于获取待分析的视频数据；
划分模块，用于解析所述视频数据的视频帧，得到所述视频数据对应的视频帧集合，以及基于预置划分框架，对所述视频帧集合中每个视频帧进行划分处理，得到每个视频帧对应的划分网格网络；
计算模块，用于根据预置视频色彩算法，计算所述划分网格网络中每个网格对应的HSV值，得到所述划分网格网络对应的HSV值集；
分析模块，用于根据预置运动参数算法，对所述HSV值集进行差值分析处理，得到所述划分网格网络对应的运动参数值，并根据预置色彩参数算法，对所述HSV值集进行颜色分析处理，得到所述划分网格网络对应的色彩值强度值；
计算模块，用于计算所述色彩值强度值和所述运动参数值的平均值，得到所述划分网格网络对应的视频帧精彩值。
9.一种视频精彩度测量设备，其特征在于，所述视频精彩度测量设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述视频精彩度测量设备执行如权利要求1-7中任一项所述的视频精彩度测量方法。
10.一种计算机可读存储介质，所述计算机可读存储介质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实现如权利要求1-7中任一项所述的视频精彩度测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110277969.3A CN113052033A (zh) | 2021-03-15 | 2021-03-15 | 视频精彩度测量方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110277969.3A CN113052033A (zh) | 2021-03-15 | 2021-03-15 | 视频精彩度测量方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113052033A true CN113052033A (zh) | 2021-06-29 |
Family
ID=76512454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110277969.3A Pending CN113052033A (zh) | 2021-03-15 | 2021-03-15 | 视频精彩度测量方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052033A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110026825A1 (en) * | 2009-08-03 | 2011-02-03 | Indian Institute Of Technology Bombay | System for Creating a Capsule Representation of an Instructional Video |
| CN102890781A (zh) * | 2012-07-04 | 2013-01-23 | 北京航空航天大学 | 一种针对羽毛球比赛视频的精彩镜头识别方法 |
| CN103250184A (zh) * | 2010-11-23 | 2013-08-14 | 高通股份有限公司 | 基于全局运动的深度估计 |
| CN104123396A (zh) * | 2014-08-15 | 2014-10-29 | 三星电子（中国）研发中心 | 一种基于云电视的足球视频摘要生成方法及装置 |
| CN105306834A (zh) * | 2015-10-10 | 2016-02-03 | 上海慧体网络科技有限公司 | 一种采用运动视频分析技术判断比赛精彩程度的方法 |
| CN110191357A (zh) * | 2019-06-28 | 2019-08-30 | 北京奇艺世纪科技有限公司 | 视频片段精彩度评估、动态封面生成方法及装置 |
| US20200213686A1 (en) * | 2017-09-21 | 2020-07-02 | Tencent Technology (Shenzhen) Company Limited | Video highlight determination method and apparatus, storage medium, and electronic device |
| CN111583299A (zh) * | 2020-03-26 | 2020-08-25 | 普联技术有限公司 | 一种运动检测方法、装置、存储介质及终端设备 |
-
2021
- 2021-03-15 CN CN202110277969.3A patent/CN113052033A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110026825A1 (en) * | 2009-08-03 | 2011-02-03 | Indian Institute Of Technology Bombay | System for Creating a Capsule Representation of an Instructional Video |
| CN103250184A (zh) * | 2010-11-23 | 2013-08-14 | 高通股份有限公司 | 基于全局运动的深度估计 |
| CN102890781A (zh) * | 2012-07-04 | 2013-01-23 | 北京航空航天大学 | 一种针对羽毛球比赛视频的精彩镜头识别方法 |
| CN104123396A (zh) * | 2014-08-15 | 2014-10-29 | 三星电子（中国）研发中心 | 一种基于云电视的足球视频摘要生成方法及装置 |
| CN105306834A (zh) * | 2015-10-10 | 2016-02-03 | 上海慧体网络科技有限公司 | 一种采用运动视频分析技术判断比赛精彩程度的方法 |
| US20200213686A1 (en) * | 2017-09-21 | 2020-07-02 | Tencent Technology (Shenzhen) Company Limited | Video highlight determination method and apparatus, storage medium, and electronic device |
| CN110191357A (zh) * | 2019-06-28 | 2019-08-30 | 北京奇艺世纪科技有限公司 | 视频片段精彩度评估、动态封面生成方法及装置 |
| CN111583299A (zh) * | 2020-03-26 | 2020-08-25 | 普联技术有限公司 | 一种运动检测方法、装置、存储介质及终端设备 |
Non-Patent Citations (2)
| Title |
|---|
| 姚梦琳: "基于内容的视频场景分割", 《中国优秀硕士学位论文全文数据库_信息科技辑》 * |
| 胡胜红等: "面向足球视频摘要的叙事性拼图算法", 《信号处理》, vol. 35, no. 11, pages 1895 - 1903 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gu et al. | A fast reliable image quality predictor by fusing micro-and macro-structures | |
| Min et al. | Saliency-induced reduced-reference quality index for natural scene and screen content images | |
| US9836832B2 (en) | Method and device for evaluating quality of video in time domain on terminal side | |
| Tang et al. | Full-reference image quality assessment by combining features in spatial and frequency domains | |
| Lyu et al. | No-reference quality metric for contrast-distorted image based on gradient domain and HSV space | |
| CN110807110B (zh) | 结合局部和全局特征的图片搜索方法、装置及电子设备 | |
| Gu et al. | Structural similarity weighting for image quality assessment | |
| CN109903265B (zh) | 一种图像变化区域侦测阀值设定方法、系统及其电子装置 | |
| Freitas et al. | Image quality assessment using BSIF, CLBP, LCP, and LPQ operators | |
| CN115115968A (zh) | 视频质量评价方法、装置及计算机可读存储介质 | |
| CN114511696A (zh) | 控件定位方法、装置、电子设备及可读存储介质 | |
| CN112132774A (zh) | 一种色调映射图像的质量评价方法 | |
| CN113052033A (zh) | 视频精彩度测量方法、装置、设备及存储介质 | |
| Gelasca et al. | On evaluating video object segmentation quality: A perceptually driven objective metric | |
| Cheng et al. | A fast no-reference screen content image quality prediction using convolutional neural networks | |
| Zhou et al. | No-reference quality assessment for contrast-distorted images based on multifaceted statistical representation of structure | |
| CN114120197B (zh) | 2si模式传输的超高清视频异态信号检测方法 | |
| CN114449362A (zh) | 视频封面的选取方法、装置、设备及存储介质 | |
| Shao et al. | No-Reference image quality assessment based on edge pattern feature in the spatial domain | |
| Shi et al. | Pairwise learning to rank for image quality assessment | |
| US7181090B2 (en) | Image characterization | |
| Chen et al. | Hltd-csa: Cover selection algorithm based on hybrid local texture descriptor for color image steganography | |
| CN113038011A (zh) | 视频精彩度的分析方法、装置、设备及存储介质 | |
| Yang et al. | A local structural information representation method for image quality assessment | |
| Gibson et al. | A perceptual based contrast enhancement metric using AdaBoost |
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 |