CN113139094B - 视频搜索方法及装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种视频搜索方法及装置、电子设备和介质，涉及图像及视频处理技术领域，具体涉及人工智能和计算机视觉技术，可应用于视频理解场景下。实现方案为：根据待搜索视频的图像帧对应的对象，确定待搜索视频包括的至少一个对象片段，每个对象片段中的各图像帧对应于相同的对象；将上述至少一个对象片段中的一个或多个连续的对象片段的对象在场数据对进行拼接，得到待搜索视频的第一对象在场特征，其中，对象在场数据对包括相应对象片段对应的对象和时长；以及根据第一对象在场特征，从多个候选视频中确定与待搜索视频相匹配的至少一个目标视频。

Description

视频搜索方法及装置、电子设备和介质

技术领域

本公开涉及图像及视频处理技术领域，尤其涉及人工智能和计算机视觉技术，可应用于视频理解场景下。具体涉及一种视频搜索的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术：人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

视频相较于文本、图像等信息传播媒介可以提供更丰富的信息内容。在一些场景中，用户希望通过搜索来获取其需要的视频。现有的视频搜索方法通常是基于文本的搜索，即，通过匹配用户输入的搜索词与视频库中的各个视频的文本标签来得到搜索结果。这种搜索方式与视频本身的内容无关，仅依赖于用户输入的搜索词和视频文本标签标注的准确性，搜索结果通常难以令用户满意。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种视频搜索的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种视频搜索方法，该方法包括：根据待搜索视频的图像帧对应的对象，确定待搜索视频包括的至少一个对象片段，每个对象片段中的各图像帧对应于相同的对象；将上述至少一个对象片段中的一个或多个连续的对象片段的对象在场数据对进行拼接，得到待搜索视频的第一对象在场特征，其中，对象在场数据对包括相应对象片段对应的对象和时长；以及根据第一对象在场特征，从多个候选视频中确定与待搜索视频相匹配的至少一个目标视频。

根据本公开的另一方面，提供了一种视频搜索装置，该装置包括：对象片段划分模块，被配置为根据待搜索视频的图像帧对应的对象，确定待搜索视频包括的至少一个对象片段，每个对象片段中的各图像帧对应于相同的对象；特征提取模块，被配置为将上述至少一个对象片段中的一个或多个连续的对象片段的对象在场数据对进行拼接，得到待搜索视频的第一对象在场特征，其中，对象在场数据对包括相应对象片段对应的对象和时长；以及特征匹配模块，被配置为根据第一对象在场特征，从多个候选视频中确定与待搜索视频相匹配的至少一个目标视频。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器。该存储器存储有可被上述至少一个处理器执行的指令，该指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述任一方面的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质。该计算机指令用于使计算机执行上述任一方面的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序。该计算机程序在被处理器执行时实现上述任一方面的方法。

根据本公开的一个或多个实施例，提供了一种基于对象在场特征的“以视频搜视频”的视频搜索方案。根据待搜索视频的图像帧对应的对象，确定待搜索视频中的至少一个对象片段；根据一个或多个连续的对象片段对应的对象和时长，生成待搜索视频的第一对象在场特征。第一对象在场特征能够表达待搜索视频的对象在场情况，是对待搜索视频内容的精炼且精确的概括。根据第一对象在场特征来从多个候选视频中确定目标视频，能够实现快速、精确的视频搜索。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的视频搜索方法的流程图；

图3示出了根据本公开的实施例的与待搜索视频相匹配的两个示例性目标视频的示意图；

图4示出了根据本公开的实施例的视频搜索装置的结构框图；以及

图5示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行视频搜索的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来进行视频搜索。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量、任何类型的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS)；或包括各种移动操作系统，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

为了本公开实施例的目的，在图1的示例中，客户端设备101、102、103、104、105和106中可以包括用于进行视频搜索的客户端应用。客户端应用例如可以是运行前需要下载和安装的应用程序，也可以是可通过浏览器访问的视频网站，还可以是运行于宿主应用中的轻量化的小程序，等等。该客户端应用可以提供基于视频的各种功能，例如视频的搜索、观看、上传、下载、剪辑等。与此相应，服务器120可以是与该客户端应用一起使用的服务器。服务器120可以基于已存储的视频资源、视频剪辑工具等来向客户端设备101、102、103、104、105和106中运行的客户端应用提供视频服务。具体地，服务器120可以基于已存储的视频资源，执行本公开实施例的视频搜索方法200，向用户提供视频搜索服务，实现快速、准确的视频搜索。

图2是图示出根据示例性实施例的视频搜索方法200的流程图。方法200可以在服务器(例如，图1中所示的服务器120)处执行，也即，方法200的各个步骤的执行主体可以是图1中所示的服务器120。

如图2所示，方法200包括：

步骤210、根据待搜索视频的图像帧对应的对象，确定待搜索视频包括的至少一个对象片段，每个对象片段中的各图像帧对应于相同的对象；

步骤220、将上述至少一个对象片段中的一个或多个连续的对象片段的对象在场数据对进行拼接，得到待搜索视频的第一对象在场特征，其中，对象在场数据对包括相应对象片段对应的对象和时长；以及

步骤230、根据第一对象在场特征，从多个候选视频中确定与待搜索视频相匹配的至少一个目标视频。

根据本公开的实施例，提供了一种基于对象在场特征的“以视频搜视频”的视频搜索方案。根据待搜索视频的图像帧对应的对象，确定待搜索视频中的至少一个对象片段；根据一个或多个连续的对象片段对应的对象和时长，生成待搜索视频的第一对象在场特征。第一对象在场特征能够表达待搜索视频的对象在场情况，是对待搜索视频内容的精炼且精确的概括。根据第一对象在场特征来从多个候选视频中确定目标视频，能够实现快速、精确的视频搜索。

本公开实施例的视频搜索方法200涉及视频处理技术领域，具体涉及人工智能和计算机视觉技术。方法200可应用于视频理解场景下，例如用于搜索与用户指定的待搜索视频相匹配的目标视频，或者基于视频内容向用户进行视频推荐等。

在本公开的实施例中，待搜索视频通常为时长较短的视频(例如几秒钟或几分钟)，即短视频。候选视频、目标视频通常为时长较长的视频(时长至少大于待搜索视频，例如几分钟或几十分钟)，即长视频。

例如，在一些场景中，用户可能通过某种渠道观看到某个精彩的影视片段，希望搜索包含该影视片段的电影或电视剧剧集。在这种情况下，待搜索视频即为该影视片段；候选视频可以是服务器或相关联的数据库中存储的所有视频，或者是所有电影/电视剧视频、某种类型(例如喜剧片、悬疑片等)或某些演员主演的电影/电视剧视频，等等；目标视频则为从候选视频中搜索得出的与上述精彩影视片段相匹配的视频。

又例如，在另一些场景中，用户可能通过某种渠道观看到体育赛事中的精彩片段，例如足球赛事中的射门片段、篮球赛事中的扣篮片段等，进而希望搜索包含该精彩片段的更完整的赛事视频，例如包含该精彩片段的整场赛事视频、半场赛事视频等。在这种情况下，待搜索视频即为体育赛事的精彩片段；候选视频可以是服务器或相关联的数据库中存储的所有视频，或者是所有体育赛事视频、某一类型的体育赛事视频，等等；目标视频则为从候选视频中搜索得出的与上述精彩片段相匹配的赛事视频。

以下详细描述方法200的各个步骤。

参考图2，在步骤210中，根据待搜索视频的图像帧对应的对象，确定待搜索视频包括的至少一个对象片段，每个对象片段中的各图像帧对应于相同的对象。

步骤210中的待搜索视频可以通过多种方式获取。

根据一些实施例，用户可以通过客户端设备上传待搜索视频，并发起视频搜索请求，请求搜索与该待搜索视频相匹配的视频。相应地，在步骤210中，服务器可以直接获取用户上传的该待搜索视频。

根据另一些实施例，用户可以通过客户端设备指定待搜索视频的地址，并发起视频搜索请求。相应地，在步骤210中，服务器可以从相应的地址获取待搜索视频。

根据又一些实施例，服务器可以将用户观看过的任意视频作为待搜索视频，而无需用户进行指定。在这种情况下，服务器可以通过方法200来确定出与待搜索视频相匹配的目标视频，将目标视频推送至客户端设备，以向用户提供视频智能推荐服务。

获取到待搜索视频后，可以先确定待搜索视频的图像帧对应的对象，然后根据图像帧对应的对象，确定待搜索视频包括的至少一个对象片段。

对象可以是任意实体，包括但不限于人物(演员)、物体、虚拟动漫角色等。

根据一些实施例，可以对待搜索视频的多个图像帧进行对象识别，以确定上述多个图像帧对应的对象。

具体地，该实施例中的“多个图像帧”可以是待搜索视频中的所有图像帧，也可以是待搜索视频中的部分图像帧(例如是通过对待搜索视频的图像帧进行采样而得到的多个图像帧，或者是通过截取待搜索视频中的某段时长的片段而得到的多个图像帧，等)。考虑到待搜索视频的时长通常比较短，并且为了提高视频搜索的精确性，优选地，可以对待搜索视频中的所有图像帧进行对象识别。

根据一些实施例，可以通过预设的对象识别模型来对图像帧进行对象识别。即，将图像帧输入预设的对象识别模型，对象识别模型输出该图像帧包括的对象的位置和类别。具体地，对象识别模型例如可以是Faster RCNN、YOLO、Cascade等神经网络模型。

根据一些实施例，可以直接将对图像帧进行对象识别所得出的对象作为该图像帧对应的对象。图像帧对应的对象可以是一个，也可以是多个。例如，通过对图像帧frame1进行对象识别，得到frame1中仅包括一个物体A，则frame1对应的对象即为物体A。例如，通过对图像帧frame2进行对象识别，得到frame2中包括三个演员，即演员B、演员C、演员D，则frame2对应的对象为演员B、演员C、演员D。

根据另一些实施例，可以对对图像帧进行对象识别所得出的对象进行进一步筛选，仅保留其中的一个对象。即，图像帧仅对应一个对象。具体地，在该实施例中，对于待搜索视频的多个图像帧中的每一个图像帧：对该图像帧进行对象识别，以确定该图像帧中包括的候选对象；以及将下列任一项作为该图像帧对应的对象：距离该图像帧的中心最近的候选对象、面积最大的候选对象、具有正视图的候选对象。

例如，通过对图像帧frame1进行对象识别，得到frame1中仅包括一个物体A(候选对象)，则frame1对应的对象即为物体A。又例如，通过对图像帧frame2进行对象识别，得到frame2中包括两个物体(候选对象)，即物体B、物体C，其中，物体B位于frame2的边缘处，物体C位于frame2的中心处，则将物体C作为frame2对应的对象。又例如，通过对图像帧frame3进行对象识别，得到frame3中包括三个演员(候选对象)，即演员D、演员E、演员F，其中演员E在frame3中具有正脸(正视图)，演员D、F均为侧脸，则将演员E作为frame3对应的对象。

在上述实施例中，通过对对象识别得出的候选对象进行进一步筛选，使图像帧仅对应于一个对象，可以减少存储各图像帧对应的对象信息所占用的存储空间，也有利于加快后续确定对象片段、提取第一对象在场特征以及确定目标视频的计算速度。

应当理解，也可能存在对图像帧进行对象识别但未识别出任何对象的情况。这种情况下，该图像帧对应的对象为空(null)，即不具有对应的对象。

在确定待搜索视频中的多个图像帧对应的对象后，可以根据各图像帧对应的对象，确定待搜索视频包括的至少一个对象片段，每个对象片段中的各图像帧对应于相同的对象。

根据一些实施例，可以将对应于相同的对象的一个或多个连续的图像帧作为一个对象片段。

例如，待搜索视频的10个图像帧frame1-frame10对应的对象分别为B，A，A，A，null，C，C，C，C，C。则frame1为一个对象片段，对应的对象为B；frame2-frame4为一个对象片段，对应的对象为A；frame6-frame10为一个对象片段，对应的对象为C。

在通过步骤210确定待搜索视频中的至少一个对象片段后，执行步骤220。

在步骤220中，将上述至少一个对象片段中的一个或多个连续的对象片段的对象在场数据对进行拼接，得到待搜索视频的第一对象在场特征。其中，对象在场数据对包括相应对象片段对应的对象和时长。

每一个对象片段对应于一个对象在场数据对，对象在场数据对包括该对象片段对应的对象和时长。即，每一个对象片段都对应于一个形如(obj：time)的数据对，其中，obj为该对象片段对应的对象，time为该对象片段的时长。

对象片段对应的对象即为该对象片段的各图像帧对应的对象。

对象片段的时长可以根据待搜索视频的帧率(即每秒的图像帧数量)和对象片段包括的图像帧的数量计算得出。例如，待搜索视频的帧率为25FPS(Frames Per Second)，则每一图像帧的时长为1s/25＝40ms。对象片段包括50个图像帧，则该对象片段的时长为40*50＝2000ms。上述对象片段的时长的计算方法可以用公式1000n/FR表示，其中，n为对象片段包括的图像帧的数量，FR为待搜索视频的帧率，计算出的时长的单位为ms。

根据一些实施例，在步骤220中，可以将步骤210中确定的所有对象片段中的一个或多个连续的对象片段的对象在场数据对进行拼接，得到待搜索视频的第一对象在场特征。

例如，通过步骤210确定了四个对象片段seg1、seg2、seg3、seg4，相应的对象在场数据对分别为(obj1：time1)、(obj2：time2)、(obj3：time3)、(obj4：time4)。可以将其中一个对象片段的对象在场数据对，例如(obj2：time2)，作为待搜索视频的第一对象在场特征。或者，也可以将多个连续的对象片段的对象在场数据对进行拼接，例如，将(obj1：time1)、(obj2：time2)、(obj3：time3)进行拼接，得到第一对象在场特征为obj1：time1；obj2：time2；obj3：time3。

根据一些实施例，考虑到待搜索视频的时长通常比较短，相应地包括的对象片段数量较少，并且为了提高视频搜索的精确性，优选地，可以将步骤210中确定的所有对象片段的对象在场数据对进行拼接，作为待搜索视频的第一对象在场特征。

第一对象在场特征能够表达待搜索视频的对象在场情况，是对待搜索视频内容的精炼且精确的概括。

在通过步骤220得到待搜索视频的第一对象在场特征后，执行步骤230。

在步骤230中，根据第一对象在场特征，从多个候选视频中确定与待搜索视频相匹配的至少一个目标视频。

由于第一对象在场特征能够表达待搜索视频的对象在场情况，是对待搜索视频内容的精炼且精确的概括，因此根据第一对象在场特征来从多个候选视频中确定目标视频，能够实现快速、精确的视频搜索。

在一些实施例中，步骤230中的多个候选视频可以是视频库中所有的视频。在另一些实施例中，步骤230中的多个候选视频也可以是视频库中的一部分视频，例如是与待搜索视频同类型的视频，或者是视频时长大于预设阈值(例如20分钟)的视频，等等。

具体地，在步骤230中，将待搜索视频的第一对象在场特征分别与各候选视频的第二对象在场特征进行比对，根据比对结果来确定至少一个目标视频。

可以理解，各候选视频的第二对象在场特征在执行方法200之前被预先提取并存储。并且，候选视频的第二对象在场特征的提取方式与前述待搜索视频的第一对象在场特征的提取方式相同。即，候选视频的第二对象在场特征可以按照以下步骤提取：根据候选视频的图像帧对应的对象，确定候选视频包括的至少一个对象片段，每个对象片段中的各图像帧对应于相同的对象；将上述至少一个对象片段中的一个或多个连续的对象片段的对象在场数据对进行拼接，得到候选视频的第二对象在场特征，对象在场数据对包括相应对象片段对应的对象和时长。

根据一些实施例，可以采用将第一对象在场特征与第二对象在场特征进行全量匹配的方式来确定至少一个目标视频，即：获取多个候选视频中的每一个候选视频的第二对象在场特征；将第二对象在场特征中包括第一对象在场特征的候选视频作为至少一个目标视频。

在该实施例中，目标视频的第二对象在场特征包括第一对象在场特征的全部。

例如，图3示出了按照上述全量匹配的方式所确定的目标视频的一个示例。如图3所示，待搜索视频310包括三个对象片段311、312、313，对应的对象在场数据对分别为(A:7500)、(B:13000)、(A:6000)，其中A、B为对象，时长的单位为ms。待搜索视频310的第一对象在场特征为对象片段311-313的对象在场数据对的拼接，即A:7500；B:13000；A:6000。

候选视频320包括五个对象片段321、322、323、324、325，对应的对象在场数据对分别为(C:11000)、(A:7500)、(B:13000)、(A:6000)、(B:2700)，其中A、B、C为对象，时长的单位为ms。候选视频320的第二对象在场特征为对象片段321-325的对象在场数据对的拼接，即C:11000；A:7500；B:13000；A:6000；B:2700。由于候选视频320的第二对象在场特征C:11000；A:7500；B:13000；A:6000；B:2700中包括第一对象在场特征A:7500；B:13000；A:6000(如图3中虚线矩形框326所示)，因此将候选视频320作为与待搜索视频310相匹配的目标视频。

根据另一些实施例，也可以采用将第一对象在场特征与第二对象在场特征进行局部匹配的方式来确定至少一个目标视频，即：获取多个候选视频中的每一个候选视频的第二对象在场特征，第二对象在场特征包括至少一个对象在场数据对，每一个对象在场数据对包括对象和时长；以及响应于确定第二对象在场特征与第一对象在场特征存在连续相同的至少一个对象在场数据对，将相应的候选视频作为目标视频。

在该实施例中，目标视频的第二对象在场特征包括第一对象在场特征的局部。

例如，图3也示出了按照上述局部匹配的方式所确定的目标视频的一个示例。如图3所示，待搜索视频310包括三个对象片段311、312、313，对应的对象在场数据对分别为(A:7500)、(B:13000)、(A:6000)，其中A、B为对象，时长的单位为ms。待搜索视频310的第一对象在场特征为对象片段311-313的对象在场数据对的拼接，即A:7500；B:13000；A:6000。

候选视频330包括四个对象片段331、332、333、334，对应的对象在场数据对分别为(A:12300)、(C:17000)、(A:7500)、(B:13000)，其中A、B、C为对象，时长的单位为ms。候选视频330的第二对象在场特征为对象片段331-334的对象在场数据对的拼接，即A:12300；C:17000；A:7500；B:13000。由于候选视频330的第二对象在场特征A:12300；C:17000；A:7500；B:13000与第一对象在场特征A:7500；B:13000；A:6000存在连续相同的两个对象在场数据对，即A:7500；B:13000(如图3中的虚线矩形框335、314所示)，因此将候选视频330作为与待搜索视频310相匹配的目标视频。

根据一些实施例，在上述局部匹配的方式中，进一步地，根据相应的第二对象在场特征与第一对象在场特征的连续相同的对象在场数据对的数量，确定至少一个目标视频中的每一个目标视频与待搜索视频的匹配度；以及将至少一个目标视频按照匹配度由高到低的顺序排列。第二对象在场特征与第一对象在场特征的连续相同的对象在场数据对的数量越多，相应的目标视频与待搜索视频的匹配度越高。进一步地，可以将按照匹配度由高到低排序后的至少一个目标视频返回给客户端设备，以将视频搜索结果呈现给用户。

由于第一对象在场特征能够表达待搜索视频的对象在场情况，是对待搜索视频内容的精炼且精确的概括；第二对象在场特征能够表达候选视频的对象在场情况，是对候选视频内容的精炼且精确的概括，因此，通过将第一对象在场特征与第二对象在场特征进行比对来确定与待搜索视频相匹配的目标视频，能够实现快速、精确的视频搜索。

进一步地，在上述两种匹配方式中，全量匹配方式的搜索精确度更高，但可能因为待搜索视频的第一个或最后一个对象在场数据对匹配失败而造成漏检，因此搜索结果的覆盖率不及局部匹配方式；局部匹配方式的搜索精确率略逊于全量匹配方式，但搜索结果更加全面，覆盖率更高。

图4示出了根据本公开的实施例的视频搜索装置400的结构框图。如图4所示，装置400包括：

对象片段划分模块410，可以被配置为根据待搜索视频的图像帧对应的对象，确定待搜索视频包括的至少一个对象片段，每个对象片段中的各图像帧对应于相同的对象；

特征提取模块420，可以被配置为将上述至少一个对象片段中的一个或多个连续的对象片段的对象在场数据对进行拼接，得到待搜索视频的第一对象在场特征，其中，对象在场数据对包括相应对象片段对应的对象和时长；以及

特征匹配模块430，可以被配置为根据第一对象在场特征，从多个候选视频中确定与待搜索视频相匹配的至少一个目标视频。

根据本公开的实施例，提供了一种基于对象在场特征的“以视频搜视频”的视频搜索方案。根据待搜索视频的图像帧对应的对象，确定待搜索视频中的至少一个对象片段；根据一个或多个连续的对象片段对应的对象和时长，生成待搜索视频的第一对象在场特征。第一对象在场特征能够表达待搜索视频的对象在场情况，是对待搜索视频内容的精炼且精确的概括。根据第一对象在场特征来从多个候选视频中确定目标视频，能够实现快速、精确的视频搜索。

根据一些实施例，装置400还包括：对象识别模块，被配置为对待搜索视频的多个图像帧进行对象识别，以确定上述多个图像帧对应的对象。

根据一些实施例，对象识别模块进一步包括：

候选对象识别单元，被配置为对于上述多个图像帧中的每一个图像帧：对该图像帧进行对象识别，以确定该图像帧中包括的候选对象；以及

候选对象选择单元，被配置为将下列任一项作为该图像帧对应的对象：距离该图像帧的中心最近的候选对象、面积最大的候选对象、具有正视图的候选对象。

根据一些实施例，对象片段划分模块410进一步被配置为：将对应于相同的对象的一个或多个连续的图像帧作为一个对象片段。

根据一些实施例，特征匹配模块430进一步包括：

特征获取单元，被配置为获取多个候选视频中的每一个候选视频的第二对象在场特征，第二对象在场特征包括至少一个对象在场数据对，每一个对象在场数据对包括对象和时长；以及

局部特征匹配单元，被配置为响应于确定第二对象在场特征与所述第一对象在场特征存在连续相同的至少一个对象在场数据对，将相应的候选视频作为所述目标视频。

根据一些实施例，装置400还包括：

匹配度确定模块，被配置为根据相应的第二对象在场特征与第一对象在场特征的连续相同的对象在场数据对的数量，确定上述至少一个目标视频中的每一个目标视频与待搜索视频的匹配度；以及

排序模块，被配置为将上述至少一个目标视频按照匹配度由高到低的顺序排列。

根据一些实施例，特征匹配模块430进一步包括：

特征获取单元，被配置为获取多个候选视频中的每一个候选视频的第二对象在场特征；以及

全量特征匹配单元，被配置为将第二对象在场特征中包括第一对象在场特征的候选视频作为上述至少一个目标视频。

应当理解，图4中所示装置400的各个模块可以与参考图2描述的方法200中的各个步骤相对应。并且，装置400的各个模块所包括的单元可以与方法200中的各个步骤的具体实施方式相对应。由此，上面针对方法200描述的操作、特征和优点同样适用于装置400及其包括的模块以及单元。为了简洁起见，某些操作、特征和优点在此不再赘述。

虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。例如，上面描述的对象片段划分模块410和特征提取模块420在一些实施例中可以组合成单个模块。

还应当理解，本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图4描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些模块可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些模块可以被实现为硬件逻辑/电路。例如，在一些实施例中，对象片段划分模块410、特征提取模块420、特征匹配模块430中的一个或多个可以一起被实现在片上系统(System on Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如，中央处理单元(Central Processing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital Signal Processor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件)，并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。

根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图5，现将描述可以作为本公开的服务器或客户端的电子设备500的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向设备500输入信息的任何类型的设备，输入单元506可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元507可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙^TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (12)

1.一种视频搜索方法，包括：

根据待搜索视频的图像帧对应的对象，确定所述待搜索视频包括的至少一个对象片段，每个对象片段中的各图像帧对应于相同的对象；

将所述至少一个对象片段中的一个或多个连续的对象片段的对象在场数据对进行拼接，得到所述待搜索视频的第一对象在场特征，其中，所述对象在场数据对包括相应对象片段对应的对象和时长；

根据所述第一对象在场特征，从多个候选视频中确定与所述待搜索视频相匹配的至少一个目标视频，其中，所述根据所述第一对象在场特征，从多个候选视频中确定与所述待搜索视频相匹配的至少一个目标视频包括：

获取所述多个候选视频中的每一个候选视频的第二对象在场特征，所述第二对象在场特征包括至少一个对象在场数据对，每一个对象在场数据对包括对象和时长；以及

响应于确定第二对象在场特征与所述第一对象在场特征存在连续相同的至少一个对象在场数据对，将相应的候选视频作为所述目标视频；

根据相应的第二对象在场特征与所述第一对象在场特征的连续相同的对象在场数据对的数量，确定所述至少一个目标视频中的每一个目标视频与所述待搜索视频的匹配度；以及

将所述至少一个目标视频按照匹配度由高到低的顺序排列。

2.根据权利要求1所述的方法，还包括：

对待搜索视频的多个图像帧进行对象识别，以确定所述多个图像帧对应的对象。

3.根据权利要求2所述的方法，其中，所述对待搜索视频的多个图像帧进行对象识别，以确定所述多个图像帧对应的对象包括：

对于所述多个图像帧中的每一个图像帧：

对该图像帧进行对象识别，以确定该图像帧中包括的候选对象；以及

将下列任一项作为该图像帧对应的对象：距离该图像帧的中心最近的候选对象、面积最大的候选对象、具有正视图的候选对象。

4.根据权利要求1-3中任一项所述的方法，其中，所述根据待搜索视频的图像帧对应的对象，确定所述待搜索视频包括的至少一个对象片段包括：

将对应于相同的对象的一个或多个连续的图像帧作为一个对象片段。

5.根据权利要求1-3中任一项所述的方法，其中，所述根据所述第一对象在场特征，从多个候选视频中确定与所述待搜索视频相匹配的至少一个目标视频包括：

获取所述多个候选视频中的每一个候选视频的第二对象在场特征；以及

将第二对象在场特征中包括所述第一对象在场特征的候选视频作为所述至少一个目标视频。

6.一种视频搜索装置，包括：

对象片段划分模块，被配置为根据待搜索视频的图像帧对应的对象，确定所述待搜索视频包括的至少一个对象片段，每个对象片段中的各图像帧对应于相同的对象；

特征提取模块，被配置为将所述至少一个对象片段中的一个或多个连续的对象片段的对象在场数据对进行拼接，得到所述待搜索视频的第一对象在场特征，其中，所述对象在场数据对包括相应对象片段对应的对象和时长；

特征匹配模块，被配置为根据所述第一对象在场特征，从多个候选视频中确定与所述待搜索视频相匹配的至少一个目标视频，其中，所述特征匹配模块进一步包括：

特征获取单元，被配置为获取所述多个候选视频中的每一个候选视频的第二对象在场特征，所述第二对象在场特征包括至少一个对象在场数据对，每一个对象在场数据对包括对象和时长；以及

局部特征匹配单元，被配置为响应于确定第二对象在场特征与所述第一对象在场特征存在连续相同的至少一个对象在场数据对，将相应的候选视频作为所述目标视频；

匹配度确定模块，被配置为根据相应的第二对象在场特征与所述第一对象在场特征的连续相同的对象在场数据对的数量，确定所述至少一个目标视频中的每一个目标视频与所述待搜索视频的匹配度；以及

排序模块，被配置为将所述至少一个目标视频按照匹配度由高到低的顺序排列。

7.根据权利要求6所述的装置，还包括：

对象识别模块，被配置为对待搜索视频的多个图像帧进行对象识别，以确定所述多个图像帧对应的对象。

8.根据权利要求7所述的装置，其中，所述对象识别模块进一步包括：

候选对象识别单元，被配置为对于所述多个图像帧中的每一个图像帧：对该图像帧进行对象识别，以确定该图像帧中包括的候选对象；以及

候选对象选择单元，被配置为将下列任一项作为该图像帧对应的对象：距离该图像帧的中心最近的候选对象、面积最大的候选对象、具有正视图的候选对象。

9.根据权利要求6-8中任一项所述的装置，其中，所述对象片段划分模块进一步被配置为：

将对应于相同的对象的一个或多个连续的图像帧作为一个对象片段。

10.根据权利要求6-8中任一项所述的装置，其中，所述特征匹配模块进一步包括：

特征获取单元，被配置为获取所述多个候选视频中的每一个候选视频的第二对象在场特征；以及

全量特征匹配单元，被配置为将第二对象在场特征中包括所述第一对象在场特征的候选视频作为所述至少一个目标视频。

11.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。