CN113139095A - 视频检索方法及装置、计算机设备和介质 - Google Patents

Abstract

本公开提供了一种视频检索方法及装置、计算设备和介质，涉及人工智能领域，尤其涉及智能搜索领域。实现方案为：基于预设规则，从待检索视频中提取第一转场帧序列；获取多个候选视频中每一个候选视频所对应的第二转场帧序列，其中，每一个候选视频的第二转场帧序列基于该预设规则从该候选视频中提取得到；以及基于第一转场帧序列，以及多个候选视频中每一个候选视频所对应的第二转场帧序列，确定多个候选视频中与待检索视频相匹配的视频。

Description

视频检索方法及装置、计算机设备和介质

技术领域

本公开涉及人工智能技术领域，尤其涉及智能检索，具体涉及一种视频检索的方法、装置、计算机设备、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。如今，人工智能已经被越来越广泛地应用于各个领域之中，例如，智能检索领域。

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检索的方法、装置、计算机设备、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，提供了一种视频检索方法，包括：基于预设规则，从待检索视频中提取第一转场帧序列；获取多个候选视频中每一个候选视频所对应的第二转场帧序列，其中，每一个候选视频的第二转场帧序列基于预设规则从该候选视频中提取得到；以及基于第一转场帧序列，以及多个候选视频中每一个候选视频所对应的第二转场帧序列，确定多个候选视频中与待检索视频相匹配的视频。

根据本公开的一方面，提供了一种视频检索装置，包括：提取单元，被配置用于基于预设规则，从待检索视频中提取第一转场帧序列；获取单元，被配置用于获取多个候选视频中每一个候选视频所对应的第二转场帧序列，其中，每一个候选视频的第二转场帧序列基于预设规则从该候选视频中提取得到；以及确定单元，被配置用于基于第一转场帧序列，以及多个候选视频中每一个候选视频所对应的第二转场帧序列，确定多个候选视频中与待检索视频相匹配的视频。

根据本公开的另一方面，提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上的计算机程序，其中，处理器被配置为执行计算机程序以实现上述方法的步骤。

根据本公开的另一方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述的方法的步骤。

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，其中，计算机程序被处理器执行时实现上述的方法的步骤。

根据本公开的一个或多个实施例，可以基于从待检索视频和每个候选视频中分别提取的转场帧序列执行视频之间的匹配，由此有效地减少了在视频检索的过程中所需处理的数据量，节省计算资源，提升了视频检索效率。

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检索方法的流程图；

图3示出了根据本公开的实施例的待检索视频与候选视频的匹配类型示意图；

图4示出了根据本公开的实施例的视频检索装置的结构框图；

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。

随着高速、稳定的数据网络的建立，用户已经可以随时随地查看高质量的视频。然而，当前的视频检索的技术尚不完善。在相关技术中，对视频的检索一般采用“文字搜视频”的方式，即用户输入检索词后，在数据库中查找与该检索词相匹配的相应标签，并进而将具有相应标签的视频作为检索结果推送给用户。而对于“视频搜视频”的视频检索方式还缺乏有效的解决方案。究其原因是由于视频中所包含的数据量巨大，视频与视频之间的比对需要耗费大量计算资源，难以实现。

基于此，本公开提出一种能够实现“视频搜视频”的视频检索方法，以使用户能够根据所输入的待检索视频，从海量的候选视频中检索出与待检索视频相匹配的视频，具体地，通过采用统一的预设规则，从待检索视频和多个候选视频中每一个候选视频中分别提取转场帧序列，并基于待检索视频的转场帧序列，以及多个候选视频中每一个候选视频的转场帧序列，确定多个候选视频中与待检索视频相匹配的视频。由此，能够基于所提取的转场帧序列，有效地减少视频检索的过程中所需处理的数据量，节省计算资源，提升检索效率，使“视频搜视频”的视频检索方式得以实现。

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检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来获取待检索视频或者展示关于检索结果的页面信息。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。

图2是示出根据本公开示例性实施例的视频检索方法，如图2所示，该方法可以包括：步骤S201、基于预设规则，从待检索视频中提取第一转场帧序列；步骤S202、获取多个候选视频中每一个候选视频所对应的第二转场帧序列，其中，每一个候选视频的第二转场帧序列基于该预设规则从该候选视频中提取得到；以及步骤S203、基于第一转场帧序列，以及多个候选视频中每一个候选视频所对应的第二转场帧序列，确定多个候选视频中与待检索视频相匹配的视频。由此，可以基于从待检索视频和每个候选视频中分别提取的转场帧序列执行视频之间的匹配，有效地减少了在视频检索的过程中所需处理的数据量，节省计算资源，提升了视频检索效率。

其中，视频可以认为是由一系列不同的场景连接构成的，在视频中任意两个相邻的场景切换处的视频帧为转场帧，即转场帧可以为相邻的两个场景中，其中前一个场景中的最后一帧，或者是其中后一个场景的第一帧，也可以同时包括前一个场景中的最后一帧和后一个场景的第一帧。由多个不同的转场帧所构成的帧序列为转场帧序列。

转场帧序列中的多个视频帧能够分别保留视频中的多个不同场景中的相关信息。由于同一场景中的视频帧往往相似性较高，不同场景中的视频帧往往相似性较低，因此，以视频中的“转场帧”为依据，能够提取出视频中一系列相似度较低的视频帧，有效地避免了在同一场景中多次提取相似的视频帧而造成的信息冗余。在从视频中所提取的视频帧的数量一定的情况下，提取转场帧能够最大程度地保留视频的特征信息，以保证后续基于转场帧序列的视频检索的有效性。

针对步骤S201，根据一些实施例，待检索视频可以是由用户输入的视频数据。

根据一些实施例，待检索视频还可以是基于用户上传的视频地址或者标识所确定的。具体地，服务器中存储有视频地址或者标识与视频的匹配关系，基于所获取的用户所上传的视频地址或者标识，服务器可以根据所述匹配关系，确定相应的视频作为待检索视频。

根据一些实施例，基于预设规则，从待检索视频中提取第一转场帧序列可以包括：针对待检索视频中任意两个相邻帧，确定以该两个相邻帧中前一帧结束的在先帧序列，以及以该两个相邻帧中后一帧开始的在后帧序列；以及响应于在先帧序列与在后帧序列满足预设条件，确定该两个相邻帧中至少一个为第一转场帧；以及基于所确定的每一个第一转场帧，确定待检索视频中的第一转场帧序列。

同一场景中有时会包括多次镜头切换，位于镜头切换处的两个相邻帧往往也会存在较大的差异。因此，如果仅基于待检索视频中的两个相邻帧本身来判断该两个相邻帧是否属于转场帧，将会很容易将同一场景中镜头的切换误识别为场景的切换。而基于“在先帧序列”与“在后帧序列”来识别视频中的“转场”，并进而确定视频中的转场帧，能够在进行判断时同时考虑靠近该两个相邻帧的其它帧中的相关信息，如此能够提升对转场帧判别的准确性，避免仅对比相邻的两帧可能造成的误判。

根据一些实施例，第一转场帧序列中还可以包括所确定的每一个第一转场帧所对应的时间戳。

根据一些实施例，响应于在先帧序列与在后帧序列满足预设条件，确定该两个相邻帧中至少一个为第一转场帧可以包括：识别在先帧序列所对应的第一场景信息，以及在后帧序列所对应的第二场景信息；以及响应于第一场景信息与第二场景信息之间的差异超出预设范围，确定该两个相邻帧中至少一个为第一转场帧。由此可以基于所识别出的场景信息的差异，判断在先帧序列和在后帧序列是否分属于两个不同的场景之中，进而准确地判别第一转场帧。

其中，第一场景信息可以包括基于在先帧序列中的任一帧或多个连续帧所识别的场景信息，同样地，第二场景信息可以包括基于在后帧序列中的任一帧或多个连续帧所识别的场景信息。

根据一些实施例，第一场景信息和第二场景信息分别可以包括以下至少一种：背景信息，预设目标物信息或运动物体信息。

其中，背景信息可以包括在多个连续帧中处于相对静止状态的物体的相关信息，运动物体信息可以包括在多个连续帧中处于相对运动状态的物体的相关信息。

预设目标物信息可以包括预先指定的一个或多个目标物的相关信息，预先指定的一个或多个目标物可以包括人、动物、卡通等特定的物体类别，也可以包括处于视频帧中预先指定的目标区域的物体，例如，处于视频帧中心处的物体。

根据一些实施例，响应于在先帧序列与在后帧序列满足预设条件，确定该两个相邻帧中至少一个为第一转场帧可以包括：确定在先帧序列与在后帧序列之间的相似度值；以及响应于在先帧序列与在后帧序列之间的相似度值小于预设相似度阈值，确定该两个相邻帧中至少一个为第一转场帧。通过计算在先帧序列与在后帧序列的相似度值，能够量化在先帧序列与在后帧序列之间的相似程度，进而判断在先帧序列和在后帧序列是否分属于两个不同的场景之中，并准确地判别第一转场帧。

根据一些实施例，确定在先帧序列与在后帧序列之间的相似度值可以包括：确定在先帧序列所对应的第一特征向量，以及在后帧序列所对应的第二特征向量；将第一特征向量和第二特征向量分别输入训练完成的匹配模型；以及获取匹配模型所输出的针对在先帧序列与在后帧序列的相似度值。由此可以通过训练完成的匹配模型，方便地计算出在先帧序列与在后帧序列之间的相似度值。

其中，匹配模型可以为包括神经网络在内的各种机器学习模型，在此不作限定。

针对步骤S202，可以基于同样的预设规则，从多个候选视频中的每一个候选视频中提取相应的第二转场帧序列。其中，提取第二转场帧序列的具体方式与上述提取第一转场帧序列的方式相同，在此不再赘述。

根据一些实施例，针对多个候选视频中每一个候选视频，可以基于预设规则，预先从该候选视频中提取该候选视频所对应的第二转场帧序列。由此，通过预先提取每个候选视频所对应的第二转场帧序列，可以避免在每一次检索时都对候选视频执行转场帧的提取，提高了检索的效率。

根据一些实施例，每个候选视频所对应的第二转场帧序列预先被存储在指定数据库中，并将所存储的第二转场帧序列与其所对应的候选视频相关联。

针对步骤S203，根据一些实施例，基于第一转场帧序列，以及多个候选视频中每一个候选视频所对应的第二转场帧序列，确定多个候选视频中与待检索视频相匹配的视频可以包括：针对多个候选视频中每一个候选视频，响应于该候选视频所对应的第二转场帧序列与第一转场帧序列满足预设匹配条件，确定该候选视频为与待检索视频相匹配的视频。由此可以基于第一转场帧序列和第二转场帧序列之间的匹配结果，判断待检索视频与候选视频之间的匹配关系，有效地降低了视频检索的计算量。

根据一些实施例，候选视频与待检索视频相匹配可以包括候选视频与待检索视频之间具有彼此重叠的部分。具体地，候选视频与待检索视频之间的匹配可以包括多种类型，例如，如图3所示，候选视频A包含于待检索视频之中，候选视频B包含整个待检索视频，候选视频C与待检索视频之间部分重叠。以上的候选视频A、候选视频B和候选视频C均与待检索视频相匹配。

根据一些实施例，该候选视频所对应的第二转场帧序列与第一转场帧序列满足预设匹配条件可以包括：针对第二转场帧序列中第一预设长度的第二子序列，第一转场帧序列中存在与第二子序列相应的该第一预设长度的第一子序列，其中，第二子序列与第一子序列之间依次对应的每两帧之间的相似度大于预设阈值。

可以理解，第一转场帧序列中的第一子序列和第二转场帧序列中的第二子序列可以分别位于第一转场帧序列和第二转场帧序列中不同的相对位置处。通过比对第二子序列与第一子序列之间依次对应的每两帧之间的相似度，可以判断候选视频与待检索视频之间是否具有第一预设长度的重叠部分，并进而确定该候选视频是否与待检索视频相匹配。

可以理解，候选视频与待检索视频之间的实际重叠部分可能大于第一预设长度。在本公开的示例性实施例中，通过计算第一预设长度内第一子序列和第二子序列中依次对应的每两帧之间的相似度大于预设阈值，即可判定候选视频与待检索视频之间存在“重叠”部分，而无需执行额外的视频帧的比对，由此可以有效提升视频检索效率。

根据一些实施例，针对位于第二转场帧序列的一端的第二预设长度的第二子序列，第一转场帧序列的另一端存在与该第二子序列相应的该第二预设长度的第一子序列，其中，第二子序列与第一子序列之间依次对应的每两帧之间的相似度大于预设阈值，第二预设长度小于第一预设长度。

当候选视频与待检索视频之间的匹配关系为部分重叠时，例如，如图3中候选视频C与待检索视频之间的关系，候选视频与待检索视频之间的重叠部分有限，可能无法达到第一预设长度。因此，在这种情况下，可以通过降低对重叠部分的长度的要求，即令第二预设长度小于第一预设长度，避免在视频检索的过程中，遗漏与待检索视频部分重叠的候选视频。

根据一些实施例，可以通过结构相似性算法(SSIM)、峰值信噪比算法(PSNR)或各种机器学习的方式确定第二子序列与第一子序列之间依次对应的每两帧之间的相似度，在此不作限定。

根据一些实施例，在第一转场帧序列包括每一个第一转场帧在待检索视频中的时间戳，第二转场帧序列包括每一个第二转场帧在相应的候选视频中所对应的时间戳的情况下，该候选视频所对应的第二转场帧序列与第一转场帧序列满足预设条件可以包括：针对第二转场帧序列中第三预设长度的第四子序列，第一转场帧序列中存在与该第四子序列相应的该第三预设长度的第三子序列，其中，针对第四子序列中任意两帧，第四子序列中该两帧之间的时间差与第三子序列中与该两帧依次对应的两帧之间的时间差相同。

根据一些实施例，在确定候选视频所对应的第二转场帧序列与第一转场帧序列是否满足预设条件时，可以同时基于上述实施例中所记载的多种方式方法进行判断。

根据一些实施例，在确定多个候选视频中与待检索视频相匹配的视频之后，反馈基于所确定的与待检索视频相匹配的视频的页面信息。以使用户可以直观地获取检索结果信息。

根据一些实施例，页面信息中可以包括候选视频与待检索视频之间的匹配类型信息。例如，可以通过图示的方式(如图3所示)，向用户直观地展示待检索视频与候选视频之间的重叠部分。

根据本公开的另一方面，还提供一种视频检索装置400，如图4所示，该装置400可以包括：提取单元401，被配置用于基于预设规则，从待检索视频中提取第一转场帧序列；获取单元402，被配置用于获取多个候选视频中每一个候选视频所对应的第二转场帧序列，其中，每一个候选视频的第二转场帧序列基于预设规则从该候选视频中提取得到；以及确定单元403，被配置用于基于第一转场帧序列，以及多个候选视频中每一个候选视频所对应的第二转场帧序列，确定多个候选视频中与待检索视频相匹配的视频。

根据一些实施例，提取单元包括：第一确定子单元，被配置用于针对待检索视频中任意两个相邻帧，确定以该两个相邻帧中前一帧结束的在先帧序列，以及以该两个相邻帧中后一帧开始的在后帧序列；以及响应于在先帧序列与在后帧序列满足预设条件，确定该两个相邻帧中至少一个为第一转场帧；以及第二确定子单元，被配置用于基于所确定的每一个第一转场帧，确定待检索视频中的第一转场帧序列。

根据一些实施例，第一确定子单元还包括：用于识别在先帧序列所对应的第一场景信息，以及在后帧序列所对应的第二场景信息的模块；以及用于响应于第一场景信息与第二场景信息之间的差异超出预设范围，确定该两个相邻帧中至少一个为第一转场帧的模块。

根据一些实施例，第一场景信息和第二场景信息分别包括以下至少一种：背景信息；预设目标物信息；或运动物体信息。

根据一些实施例，第一确定子单元还包括：用于确定在先帧序列与在后帧序列之间的相似度值的模块；以及用于响应于在先帧序列与在后帧序列之间的相似度值小于预设相似度阈值，确定该两个相邻帧中至少一个为第一转场帧的模块。

根据一些实施例，第一确定子单元还包括：用于确定在先帧序列所对应的第一特征向量，以及在后帧序列所对应的第二特征向量的模块；用于将第一特征向量和第二特征向量分别输入训练完成的匹配模型的模块；以及用于获取匹配模型所输出的针对在先帧序列与在后帧序列的相似度值的模块。

根据一些实施例，确定单元进一步被配置用于：针对多个候选视频中每一个候选视频，响应于该候选视频所对应的第二转场帧序列与第一转场帧序列满足预设匹配条件，确定该候选视频为与待检索视频相匹配的视频。

根据本公开的另一方面，还提供一种计算机设备，包括：存储器、处理器以及存储在存储器上的计算机程序，其中，处理器被配置为执行计算机程序以实现上述方法的步骤。

根据本公开的另一方面，还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述方法的步骤。

根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中，计算机程序被处理器执行时实现上述方法的步骤。

参考图5，现将描述可以作为本公开的服务器或客户端的计算机设备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，例如视频检索。例如，在一些实施例中，视频检索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RAM 503并由计算单元501执行时，可以执行上文描述的视频检索方法的一个或多个步骤。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)而被配置为执行视频检索。

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 (20)

1.一种视频检索方法，包括：

基于预设规则，从待检索视频中提取第一转场帧序列；

获取多个候选视频中每一个候选视频所对应的第二转场帧序列，其中，每一个候选视频的第二转场帧序列基于所述预设规则从该候选视频中提取得到；以及

基于所述第一转场帧序列，以及所述多个候选视频中每一个候选视频所对应的第二转场帧序列，确定所述多个候选视频中与所述待检索视频相匹配的视频。

2.根据权利要求1所述的方法，其中，所述基于预设规则，从待检索视频中提取第一转场帧序列包括：

针对所述待检索视频中任意两个相邻帧，

确定以该两个相邻帧中前一帧结束的在先帧序列，以及以该两个相邻帧中后一帧开始的在后帧序列；以及

响应于所述在先帧序列与所述在后帧序列满足预设条件，确定该两个相邻帧中至少一个为第一转场帧；以及

基于所确定的每一个第一转场帧，确定所述待检索视频中的第一转场帧序列。

3.根据权利要求2所述的方法，其中，所述响应于所述在先帧序列与所述在后帧序列满足预设条件，确定该两个相邻帧中至少一个为第一转场帧包括：

识别所述在先帧序列所对应的第一场景信息，以及所述在后帧序列所对应的第二场景信息；以及

响应于所述第一场景信息与所述第二场景信息之间的差异超出预设范围，确定该两个相邻帧中至少一个为第一转场帧。

4.根据权利要求3所述的方法，其中，所述第一场景信息和所述第二场景信息分别包括以下至少一种：

背景信息；

预设目标物信息；或

运动物体信息。

5.根据权利要求2所述的方法，其中，所述响应于所述在先帧序列与所述在后帧序列满足预设条件，确定该两个相邻帧中至少一个为第一转场帧包括：

确定所述在先帧序列与所述在后帧序列之间的相似度值；以及

响应于所述在先帧序列与所述在后帧序列之间的相似度值小于预设相似度阈值，确定该两个相邻帧中至少一个为第一转场帧。

6.根据权利要求5所述的方法，其中，所述确定所述在先帧序列与所述在后帧序列之间的相似度值包括：

确定所述在先帧序列所对应的第一特征向量，以及所述在后帧序列所对应的第二特征向量；

将所述第一特征向量和所述第二特征向量分别输入训练完成的匹配模型；以及

获取所述匹配模型所输出的针对所述在先帧序列与所述在后帧序列的相似度值。

7.根据权利要求1所述的方法，其中，所述基于所述第一转场帧序列，以及所述多个候选视频中每一个候选视频所对应的第二转场帧序列，确定所述多个候选视频中与所述待检索视频相匹配的视频包括：

针对所述多个候选视频中每一个候选视频，响应于该候选视频所对应的第二转场帧序列与所述第一转场帧序列满足预设匹配条件，确定该候选视频为与所述待检索视频相匹配的视频。

8.根据权利要求7所述的方法，其中，所述该候选视频所对应的第二转场帧序列与所述第一转场帧序列满足预设匹配条件包括：

针对所述第二转场帧序列中预设长度的第二子序列，所述第一转场帧序列中存在与所述第二子序列相应的所述预设长度的第一子序列，其中，所述第二子序列与所述第一子序列之间依次对应的每两帧之间的相似度大于预设阈值。

9.根据权利要求1所述的方法，还包括：

针对所述多个候选视频中每一个候选视频，基于所述预设规则，预先从该候选视频中提取该候选视频所对应的第二转场帧序列。

10.根据权利要求1所述的方法，还包括：

在确定所述多个候选视频中与所述待检索视频相匹配的视频之后，反馈基于所确定的与所述待检索视频相匹配的视频的页面信息。

11.一种视频检索装置，包括：

提取单元，被配置用于基于预设规则，从待检索视频中提取第一转场帧序列；

获取单元，被配置用于获取多个候选视频中每一个候选视频所对应的第二转场帧序列，其中，每一个候选视频的第二转场帧序列基于所述预设规则从该候选视频中提取得到；以及

确定单元，被配置用于基于所述第一转场帧序列，以及所述多个候选视频中每一个候选视频所对应的第二转场帧序列，确定所述多个候选视频中与所述待检索视频相匹配的视频。

12.根据权利要求11所述的装置，其中，所述提取单元包括：

第一确定子单元，被配置用于针对所述待检索视频中任意两个相邻帧，

确定以该两个相邻帧中前一帧结束的在先帧序列，以及以该两个相邻帧中后一帧开始的在后帧序列；以及

响应于所述在先帧序列与所述在后帧序列满足预设条件，确定该两个相邻帧中至少一个为第一转场帧；以及

第二确定子单元，被配置用于基于所确定的每一个第一转场帧，确定所述待检索视频中的第一转场帧序列。

13.根据权利要求12所述的装置，其中，所述第一确定子单元还包括：

用于识别所述在先帧序列所对应的第一场景信息，以及所述在后帧序列所对应的第二场景信息的模块；以及

用于响应于所述第一场景信息与所述第二场景信息之间的差异超出预设范围，确定该两个相邻帧中至少一个为第一转场帧的模块。

14.根据权利要求13所述的装置，其中，所述第一场景信息和所述第二场景信息分别包括以下至少一种：

背景信息；

预设目标物信息；或

运动物体信息。

15.根据权利要求12所述的装置，其中，所述第一确定子单元还包括：

用于确定所述在先帧序列与所述在后帧序列之间的相似度值的模块；以及

用于响应于所述在先帧序列与所述在后帧序列之间的相似度值小于预设相似度阈值，确定该两个相邻帧中至少一个为第一转场帧的模块。

16.根据权利要求15所述的装置，其中，所述第一确定子单元还包括：

用于确定所述在先帧序列所对应的第一特征向量，以及所述在后帧序列所对应的第二特征向量的模块；

用于将所述第一特征向量和所述第二特征向量分别输入训练完成的匹配模型的模块；以及

用于获取所述匹配模型所输出的针对所述在先帧序列与所述在后帧序列的相似度值的模块。

17.根据权利要求11所述的装置，其中，所述确定单元进一步被配置用于：

针对所述多个候选视频中每一个候选视频，响应于该候选视频所对应的第二转场帧序列与所述第一转场帧序列满足预设匹配条件，确定该候选视频为与所述待检索视频相匹配的视频。

18.一种计算机设备，包括：

存储器、处理器以及存储在所述存储器上的计算机程序，

其中，所述处理器被配置为执行所述计算机程序以实现权利要求1-10中任一项所述的方法的步骤。

19.一种非暂态计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1-10中任一项所述的方法的步骤。

20.一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1-10中任一项所述的方法的步骤。

Images