CN113225596B - 视频处理方法、装置、电子设备和存储介质 - Google Patents

视频处理方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113225596B
CN113225596B CN202110467168.3A CN202110467168A CN113225596B CN 113225596 B CN113225596 B CN 113225596B CN 202110467168 A CN202110467168 A CN 202110467168A CN 113225596 B CN113225596 B CN 113225596B
Authority
CN
China
Prior art keywords
image
feature map
data
key
preset model
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.)
Active
Application number
CN202110467168.3A
Other languages
English (en)
Other versions
CN113225596A (zh
Inventor
陆永帅
罗荣刚
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110467168.3A priority Critical patent/CN113225596B/zh
Publication of CN113225596A publication Critical patent/CN113225596A/zh
Application granted granted Critical
Publication of CN113225596B publication Critical patent/CN113225596B/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
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/4302—Content synchronisation processes, e.g. decoder synchronisation
    • H04N21/4307—Synchronising the rendering of multiple content streams or additional data on devices, e.g. synchronisation of audio on a mobile phone with the video output on the TV screen
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/439—Processing of audio elementary streams
    • H04N21/4398—Processing of audio elementary streams involving reformatting operations of audio signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs
    • H04N21/4402—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display
    • H04N21/440218—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display by transcoding between formats or standards, e.g. from MPEG-2 to MPEG-4

Abstract

本公开提供了视频处理方法、装置、电子设备和存储介质，涉及人工智能领域，具体为深度学习和计算机视觉等技术。具体实现方案为：在第一视频数据中提取音频数据和第一图像数据；利用预设模型和第一图像数据，确定第一关键图像序列；在播放音频数据的过程中，根据第一关键图像序列中的至少一个图像的时间戳，显示至少一个图像。利用本公开实施例，可以降低视频播放配置需求。

Description

视频处理方法、装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及人工智能领域，具体为深度学习和计算机视觉等技术。
背景技术
便携式设备例如手表、手环等穿戴设备，电池容量较小。若在便携式设备上直接解码播放视频，会严重影响设备的使用时间。因此，便携式设备往往只播放视频中的音频，无法呈现视频中的视觉内容。
发明内容
本公开提供了一种视频处理方法、装置、电子设备和存储介质。
根据本公开的一方面，提供了一种视频处理方法，包括：
在第一视频数据中提取音频数据和第一图像数据；
利用预设模型和第一图像数据，确定第一关键图像序列；
在播放音频数据的过程中，根据第一关键图像序列中的至少一个图像的时间戳，显示至少一个图像。
根据本公开的另一方面，提供了一种视频处理方法，包括：
利用第二视频数据中的第二图像数据以及与第二图像数据对应的第二关键图像序列，训练得到预设模型；
其中，预设模型用于基于第一视频数据中的第一图像数据确定第一关键图像序列；第一关键图像序列中的至少一个图像用于在播放第一视频数据中的音频数据的过程中，根据至少一个图像的时间戳进行显示。
根据本公开的另一方面，提供了一种视频处理装置，包括：
提取模块，用于在第一视频数据中提取音频数据和第一图像数据；
序列模块，用于利用预设模型和第一图像数据，确定第一关键图像序列；
显示模块，用于在播放音频数据的过程中，根据第一关键图像序列中的至少一个图像的时间戳，显示至少一个图像。
根据本公开的另一方面，提供了一种视频处理装置，包括：
训练模块，用于利用第二视频数据中的第二图像数据以及与第二图像数据对应的第二关键图像序列，训练得到预设模型；
其中，预设模型用于基于第一视频数据中的第一图像数据确定第一关键图像序列；第一关键图像序列中的至少一个图像用于在播放第一视频数据中的音频数据的过程中，根据至少一个图像的时间戳进行显示。
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
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
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本公开任一实施例中的方法。
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，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术，利用预设模型和第一视频数据中的第一图像数据，确定第一关键图像序列，通过播放音频并在播放过程中根据第一关键图像序列中的图像的时间戳显示图像，实现了视频播放效果。由于以显示第一关键图像序列中的图像替代解码播放视频图像帧，所以降低了播放配置需求，可以在便携式设备上实现同时播放音频和视觉内容的视频播放效果。
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
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开一个实施例提供的视频处理方法的示意图；
图2是本公开实施例中利用预设模型处理第一图像数据的一个示意图；
图3是本公开实施例中预设模型的一个架构示意图；
图4是本公开实施例中预设模型的另一个架构示意图；
图5是本公开另一个实施例提供的视频处理方法的示意图；
图6是本公开实施例中确定第二关键图像序列的示意图；
图7是本公开一个实施例提供的视频处理装置的示意图；
图8是本公开另一个实施例提供的视频处理装置的示意图；
图9是本公开另一个实施例提供的视频处理装置的示意图；
图10是本公开另一个实施例提供的视频处理装置的示意图；
图11是用来实现本公开实施例的视频处理方法的电子设备的框图。
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和精神。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。
图1示出了本公开一个实施例提供的视频处理方法的示意图。如图1所示，该方法包括：
步骤S11，在第一视频数据中提取音频数据和第一图像数据；
步骤S12，利用预设模型和第一图像数据，确定第一关键图像序列；
步骤S13，在播放音频数据的过程中，根据第一关键图像序列中的至少一个图像的时间戳，显示至少一个图像。
本公开实施例可选地可以用于实现便携式设备上的视频播放效果。便携式设备例如是智能手表、手环等穿戴设备。其中，智能手表可以包括儿童智能手表、运动智能手表等。
示例性地，第一视频数据可以包括待播放的视频。例如，第一视频数据可以包括待在儿童智能手表上播放的教学类视频，如课程视频等。
从第一视频数据中可以提取音频数据和第一图像数据。其中，第一图像数据可以包括第一视频数据中的各图像帧，每个图像帧均有对应的时间戳。
对于音频数据，示例性地，可以在提取后将其转换为音频格式文件，例如MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)格式文件。
对于第一图像数据，示例性地，可以利用预设模型对第一图像数据进行处理，得到第一关键图像序列。第一关键图像序列可以包括至少一个图像，这些图像可记为关键图像。如图2所示，从第一视频数据21中提取出包括多个图像的第一图像数据22后，可以将其中的图像输入预设模型23，预设模型23可用于识别关键图像，得到第一关键图像序列24。
在获得音频格式文件和第一关键图像序列后，即可在便携式设备上播放上述音频格式文件并根据第一关键图像序列中图像的时间戳显示第一关键图像序列中的各图像。
根据上述方法，利用预设模型和第一视频数据中的第一图像数据，确定第一关键图像序列，通过播放音频并在播放过程中根据第一关键图像序列中的至少一个图像的时间戳显示图像，实现了视频播放效果。由于以显示第一关键图像序列中的图像替代解码播放视频图像帧，所以降低了播放配置需求，可以在便携式设备上实现同时播放音频和视觉内容的视频播放效果。
在一些示例中，可以将第一图像数据所包括的多个图像一并输入到预设模型中，得到预设模型输出的第一关键图像序列。在另一些示例中，也可以将第一图像数据所包括的多个图像分别输入预设模型；其中，预设模型用于针对各个图像分别输出关键性判别信息，关键性判别信息用于表征输入的图像是否为关键图像。再基于各关键图像得到第一关键图像序列。具体而言，对于第一图像数据中的某个图像，例如第i个图像，上述步骤S12，利用预设模型和第一图像数据，确定第一关键图像序列，可以包括：
利用预设模型对第一图像数据中的第i个图像进行处理，得到第i个图像的关键性判别信息；其中，i为正整数；
在第i个图像的关键性判别信息符合预设条件的情况下，将第i个图像添加到第一关键图像序列中。
示例性地，预设条件可以包括：关键性判别信息为预设值。例如，预设模型可以针对第i个图像输出取值为0或1的关键性判别信息，其中，1为预设值。若预设模型识别第i个图像为关键图像，则输出取值为1的关键性判别信息；若预设模型识别第i个图像不是关键图像，则输出取值为0的关键性判别信息。在关键性判别信息取值为1的情况下，可以将第i个图像添加到第一关键图像序列中。
示例性地，初始化的第一关键图像序列可以是空集，i的取值可以是从1开始的任意值，针对第一图像数据中的各个图像，均采用上述方式确定关键图像。
根据上述方式，可以对第一图像数据中的每个图像逐个进行关键性判别，从而提高第一关键图像序列的准确性，优化视频播放效果。
本公开实施例中，预设模型可以基于深度学习神经网络训练得到。深度学习神经网络例如是U-net(U型网络)、残差网络等。其中，残差网络通过捷径在不相邻的卷积层之间传递特征信息，可以提高图像处理效果。示例性地，利用预设模型对第一图像数据中的第i个图像进行处理，得到第i个图像的关键性判别信息，可以包括：
基于第i个图像，得到第一特征图；
基于第一特征图、预设模型中的第j个卷积层和第j+1个卷积层，得到第j+1个卷积层输出的第二特征图；
基于第一特征图和第二特征图，得到第三特征图；
基于第三特征图，得到第i个图像的关键性判别信息。
示例性地，预设模型中可包含多个卷积层以及池化层、全连接层等多个网络层。将第i个图像输入预设模型后，预设模型中的至少一个网络层将其处理为第一特征图。如图3所示，以j＝1为例，将第一特征图输入第1个卷积层31后，经第1个卷积层31和第2个卷积层32处理后，得到第2个卷积层输出的第二特征图。通过捷径1，可以将第一特征图传递到第2个卷积层之后，与第二特征图进行融合，得到第三特征图。然后，基于第三特征图，利用后续的网络层，例如图3所示的第3个卷积层33、第4个卷积层34，或者激活层、全连接层等网络层，处理得到第i个图像的关键性判别信息。
示例性地，在预设模型中，可以迭代执行与上述步骤类似的步骤，例如，如图3所示，在第3个卷积层33的输入和第4个卷积层34的输出之间，通过捷径2传递第三特征图，以与第4个卷积层34输出的特征图进行融合，提高模型效果。
示例性地，上述基于第一特征图和第二特征图，得到第三特征图，可以包括：将上述第一特征图与第二特征图相加，得到第三特征图。
根据上述实施方式，可以通过捷径传递特征信息，提高预设模型获取关键性判别信息的准确性，从而提高第一关键图像序列的准确性，优化视频播放效果。
在上述实施方式的基础上，进一步地，本公开实施例还提供一种改进的残差网络，基于改进的残差网络训练得到的预设模型，具备更优的识别效果。具体地，基于第三特征图，得到第i个图像的关键性判别信息，包括：
基于第三特征图和预设模型中的第j+2个卷积层和第j+3个卷积层，得到第j+3个卷积层输出的第四特征图；
基于第一特征图、第三特征图和第四特征图，得到第五特征图；
基于第五特征图，得到第i个图像的关键性判别信息。
如图4所示，在得到第三特征图之后，不仅通过捷径2将第三特征图传递至第4个卷积层34的输出，还通过跨层捷径将第一特征图传递至第4个卷积层34的输出，以对第一特征图、第三特征图和第四特征图进行融合，得到第五特征图。
示例性地，上述基于第一特征图、第三特征图和第四特征图，得到第五特征图，可以包括：将第一特征图、第三特征图和第四特征图相加，得到第五特征图。
根据上述实施方式，可以实现残差网络中各卷积层的特征信息的深度融合，从而进一步提高预设模型获取关键性判别信息的准确性，提高第一关键图像序列的准确性，优化视频播放效果。
示例性地，上述步骤S13，在播放音频数据的过程中，根据第一关键图像序列中的至少一个图像的时间戳，显示至少一个图像，包括：
显示第一关键图像序列中的第一个图像，并开始播放音频数据；
在播放音频数据的过程中，根据第一关键图像序列中除第一个图像外的其他图像的时间戳，显示其他图像。
也就是说，先显示第一关键图像序列中的第一个图像，并开始播放音频，然后再按照图像的时间戳，显示图像。例如，第一关键图像序列中包括在视频中第2s(秒)、第4s和第8s的三个图像，则显示第一个图像并开始播放音频，并在音频播放至第4s和第8s时显示第二个图像和第三个图像。
根据上述实施方式，可以避免在开始播放音频数据时没有显示任何图像，以避免影响视频播放体验。
本公开实施例还提供一种视频处理方法，用于训练出上述预设模型。如图5所示，该方法可以包括：
步骤S51，利用第二视频数据中的第二图像数据以及与第二图像数据对应的第二关键图像序列，训练得到预设模型；
其中，预设模型用于基于第一视频数据中的第一图像数据确定第一关键图像序列；第一关键图像序列中的至少一个图像用于在播放第一视频数据中的音频数据的过程中，根据至少一个图像的时间戳进行显示。
本公开实施例中，第二视频数据可以包括用于训练得到预设模型的视频。示例性地，第二视频数据的数量可以是至少两个。第二视频数据可以包括音频数据以及第二图像数据。其中，第二图像数据包括第二视频数据中的各个图像帧。
示例性地，第二关键图像序列中可包括第二图像数据中的至少一个关键图像。在一些应用场景中，第二关键图像序列可以通过人工标注得到。例如，通过人工观看视频，大约每10秒左右，根据视频内容人工截取一张关键图像，得到第二关键图像序列。若第二视频数据为课程视频，则关键图像可以是课程视频中教师的完整板书图像。
示例性地，上述步骤S51，利用第二视频数据中的第二图像数据以及与第二图像数据对应的第二关键图像序列，训练得到预设模型，包括：
基于第二关键图像序列，为第二图像数据中的每个图像标注关键性判别信息；
基于第二图像数据中的每个图像以及每个图像的关键性判别信息，训练得到预设模型。
示例性地，对于第二图像数据中的任一个图像，例如第m个图像，若其存在于第二关键图像序列中，则可以标注第m个图像的关键性判别信息取值为1，以表征第m个图像为关键图像；若第m个图像不存在于第二关键图像序列中，则可以标注第m个图像的关键性判别信息取值为0，以表征第m个图像不是关键图像。
基于第二图像数据中多个图像及标注的信息训练深度学习神经网络，得到的预设模型可以基于输入的图像准确地识别出是否关键图像，得到准确的关键性判别信息。
实际应用中，为了提高效率，可以采用预定算法或规则确定第二关键图像序列。示例性地，上述方法还包括确定第二关键图像序列的方式。该方式包括：
确定第二图像数据中的第n个图像和第二图像数据中的第n+1个图像之间的差异度；其中，n为正整数；
在差异度大于预设阈值的情况下，将第n+1个图像添加到第二关键图像序列中。
示例性地，可以逐个读取第二图像数据中的图像，将当前读取的图像作为第n个图像，第二图像数据中的下一个图像作为第n+1个图像；或者将当前读取的图像作为第n+1个图像，上一次读取的图像作为第n个图像。
示例性地，也可以根据第二图像数据中各图像的时间戳，每隔一段时间提取相邻的两个图像作为第n个图像和第n+1个图像，计算两者之间的差异度。若差异度大于预设阈值，则确定第n+1个图像为关键图像，将其添加到第二关键图像序列中。
例如，如图6所示，首先读取第二视频数据中的第二图像数据。然后，每隔1s计算当前帧图像和上一帧图像之间的差异度。若差异度大于阈值，则将当前帧图像添加到第二关键图像序列中。若差异度小于阈值，则可以不做处理。
示例性地，确定差异度的方式可以有多种，例如峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)等。
示例性地，在基于差异度确定第二关键图像序列之后，还可以人工对其中的图像进行筛选。
根据上述方式，可以基于差异度自动确定关键图像，减少人工标注需要的人力成本，并提高标注效率。
根据上述方法，利用预设模型和第一视频数据中的第一图像数据，确定第一关键图像序列，通过播放音频并在播放过程中根据第一关键图像序列中的至少一个图像的时间戳显示图像，实现了视频播放效果。由于以显示第一关键图像序列中的图像替代解码播放视频图像帧，所以降低了播放配置需求，可以在便携式设备上实现视频播放效果。
作为上述各方法的实现，本公开实施例还提供一种视频处理装置，如图7所示，该装置包括：
提取模块710，用于在第一视频数据中提取音频数据和第一图像数据；
序列模块720，用于利用预设模型和第一图像数据，确定第一关键图像序列；
显示模块730，用于在播放音频数据的过程中，根据第一关键图像序列中的至少一个图像的时间戳，显示至少一个图像。
示例性地，如图8所示，序列模块720包括：
图像处理单元721，用于利用预设模型对第一图像数据中的第i个图像进行处理，得到第i个图像的关键性判别信息；其中，i为正整数；
图像添加单元722，用于在第i个图像的关键性判别信息符合预设条件的情况下，将第i个图像添加到第一关键图像序列中。
示例性地，图像处理单元用于：
基于第i个图像以及预设模型中的第j个卷积层，得到第j个卷积层输出的第一特征图；其中，j为正整数；
基于第一特征图和预设模型中的第j+1个卷积层至第j+k个卷积层，得到第j+k个卷积层输出的第二特征图；其中，k为正整数；
基于第一特征图和第二特征图，得到第三特征图；
基于第三特征图，得到第i个图像的关键性判别信息。
示例性地，图像处理单元还用于：
基于第三特征图和预设模型中的第j+k+1个卷积层至第j+2k个卷积层，得到第j+2k个卷积层输出的第四特征图；
基于第一特征图、第三特征图和第四特征图，得到第五特征图；
基于第五特征图，得到第i个图像的关键性判别信息。
示例性地，如图8所示，显示模块730包括：
初始显示单元731，用于显示第一关键图像序列中的第一个图像，并开始播放音频数据；
过程显示单元732，用于在播放音频数据的过程中，根据第一关键图像序列中除第一个图像外的其他图像的时间戳，显示其他图像。
本公开实施例还提供一种视频处理装置，用于训练预设模型。如图9所示，视频处理装置包括：
训练模块910，用于利用第二视频数据中的第二图像数据以及与第二图像数据对应的第二关键图像序列，训练得到预设模型；
其中，预设模型用于基于第一视频数据中的第一图像数据确定第一关键图像序列；第一关键图像序列中的至少一个图像用于在播放第一视频数据中的音频数据的过程中，根据至少一个图像的时间戳进行显示。
示例性地，如图10所示，训练模块910包括：
标注单元911，用于基于第二关键图像序列，为第二图像数据中的每个图像标注关键性判别信息；
训练单元912，用于基于第二图像数据中的每个图像以及每个图像的关键性判别信息，训练得到预设模型。
示例性地，如图10所示，视频处理装置还包括：
差异度模块1010，用于确定第二图像数据中的第n个图像和第二图像数据中的第n+1个图像之间的差异度；其中，n为正整数；
添加模块1020，用于在差异度大于预设阈值的情况下，将第n+1个图像添加到第二关键图像序列中。
本公开实施例各装置中的各单元、模块或子模块的功能可以参见上述方法实施例中的对应描述，在此不再赘述。
根据本公开的实施例，本公开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。
图11示出了可以用来实施本公开的实施例的示例电子设备1100的示意性框图。电子设备旨在表示各种形式的数字计算机，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/或要求的本公开的实现。
如图11所示，电子设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序来执行各种适当的动作和处理。在RAM 1103中，还可存储电子设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入输出(I/O)接口1105也连接至总线1104。
电子设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许电子设备1100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。
计算单元1101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1101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1101执行上文所描述的各个方法和处理，例如视频处理方法。例如，在一些实施例中，视频处理方法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1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的视频处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101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处理方法。
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执行也可以不同的次序执行，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。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (14)

1.一种视频处理方法，包括：
在第一视频数据中提取音频数据和第一图像数据；
利用预设模型和所述第一图像数据，确定第一关键图像序列；
在播放所述音频数据的过程中，根据所述第一关键图像序列中的至少一个图像的时间戳，显示所述至少一个图像；
其中，所述利用预设模型和所述第一图像数据，确定第一关键图像序列，包括：
利用所述预设模型对所述第一图像数据中的第i个图像进行处理，得到所述第i个图像的关键性判别信息；其中，i为正整数；
在所述第i个图像的关键性判别信息符合预设条件的情况下，将所述第i个图像添加到所述第一关键图像序列中；
其中，所述利用所述预设模型对所述第一图像数据中的第i个图像进行处理，得到所述第i个图像的关键性判别信息，包括：
基于所述第i个图像，得到第一特征图；
基于所述第一特征图、所述预设模型中的第j个卷积层和所述预设模型中的第j+1个卷积层，得到所述第j+1个卷积层输出的第二特征图；
基于所述第一特征图和所述第二特征图，得到第三特征图；
基于所述第三特征图，得到所述第i个图像的关键性判别信息。
2.根据权利要求1所述的方法，其中，所述基于所述第三特征图，得到所述第i个图像的关键性判别信息，包括：
基于所述第三特征图、所述预设模型中的第j+2个卷积层和所述预设模型中的第j+3个卷积层，得到所述第j+3个卷积层输出的第四特征图；
基于所述第一特征图、所述第三特征图和所述第四特征图，得到第五特征图；
基于所述第五特征图，得到所述第i个图像的关键性判别信息。
3.根据权利要求1-2中任一项所述的方法，其中，所述在播放所述音频数据的过程中，根据所述第一关键图像序列中的至少一个图像的时间戳，显示所述至少一个图像，包括：
显示所述第一关键图像序列中的第一个图像，并开始播放所述音频数据；
在播放所述音频数据的过程中，根据所述第一关键图像序列中除所述第一个图像外的其他图像的时间戳，显示所述其他图像。
4.一种视频处理方法，包括：
利用第二视频数据中的第二图像数据以及与所述第二图像数据对应的第二关键图像序列，训练得到预设模型；
其中，所述预设模型用于基于第一视频数据中的第一图像数据中的第i个图像，得到第一特征图；基于所述第一特征图、所述预设模型中的第j个卷积层和预设模型中的第j+1个卷积层，得到所述第j+1个卷积层输出的第二特征图；基于所述第一特征图和所述第二特征图，得到第三特征图；基于所述第三特征图，得到所述第i个图像的关键性判别信息；其中，i为正整数；在所述第i个图像的关键性判别信息符合预设条件的情况下，将所述第i个图像添加到所述第一关键图像序列中；所述第一关键图像序列中的至少一个图像用于在播放所述第一视频数据中的音频数据的过程中，根据所述至少一个图像的时间戳进行显示。
5.根据权利要求4所述的方法，其中，利用第二视频数据中的第二图像数据以及与所述第二图像数据对应的第二关键图像序列，训练得到预设模型，包括：
基于所述第二关键图像序列，为所述第二图像数据中的每个图像标注关键性判别信息；
基于所述第二图像数据中的每个图像以及所述每个图像的关键性判别信息，训练得到预设模型。
6.根据权利要求4或5所述的方法，还包括：
确定所述第二图像数据中的第n个图像和所述第二图像数据中的第n+1个图像之间的差异度；其中，n为正整数；
在所述差异度大于预设阈值的情况下，将所述第n+1个图像添加到所述第二关键图像序列中。
7.一种视频处理装置，包括：
提取模块，用于在第一视频数据中提取音频数据和第一图像数据；
序列模块，用于利用预设模型和所述第一图像数据，确定第一关键图像序列；
显示模块，用于在播放所述音频数据的过程中，根据所述第一关键图像序列中的至少一个图像的时间戳，显示所述至少一个图像；
其中，所述序列模块包括：
图像处理单元，用于利用所述预设模型对所述第一图像数据中的第i个图像进行处理，得到所述第i个图像的关键性判别信息；其中，i为正整数；
图像添加单元，用于在所述第i个图像的关键性判别信息符合预设条件的情况下，将所述第i个图像添加到所述第一关键图像序列中；
其中，所述图像处理单元用于：
基于所述第i个图像，得到第一特征图；
基于所述第一特征图、所述预设模型中的第j个卷积层和所述预设模型中的第j+1个卷积层，得到所述第j+1个卷积层输出的第二特征图；
基于所述第一特征图和所述第二特征图，得到第三特征图；
基于所述第三特征图，得到所述第i个图像的关键性判别信息。
8.根据权利要求7所述的装置，其中，所述图像处理单元还用于：
基于所述第三特征图、所述预设模型中的第j+2个卷积层和所述预设模型中的第j+3个卷积层，得到所述第j+3个卷积层输出的第四特征图；
基于所述第一特征图、所述第三特征图和所述第四特征图，得到第五特征图；
基于所述第五特征图，得到所述第i个图像的关键性判别信息。
9.根据权利要求7或8中任一项所述的装置，其中，所述显示模块包括：
初始显示单元，用于显示所述第一关键图像序列中的第一个图像，并开始播放所述音频数据；
过程显示单元，用于在播放所述音频数据的过程中，根据所述第一关键图像序列中除所述第一个图像外的其他图像的时间戳，显示所述其他图像。
10.一种视频处理装置，包括：
训练模块，用于利用第二视频数据中的第二图像数据以及与所述第二图像数据对应的第二关键图像序列，训练得到预设模型；
其中，所述预设模型用于基于第一视频数据中的第一图像数据中的第i个图像，得到第一特征图；基于所述第一特征图、所述预设模型中的第j个卷积层和预设模型中的第j+1个卷积层，得到所述第j+1个卷积层输出的第二特征图；基于所述第一特征图和所述第二特征图，得到第三特征图；基于所述第三特征图，得到所述第i个图像的关键性判别信息；其中，i为正整数；在所述第i个图像的关键性判别信息符合预设条件的情况下，将所述第i个图像添加到所述第一关键图像序列中；所述第一关键图像序列中的至少一个图像用于在播放所述第一视频数据中的音频数据的过程中，根据所述至少一个图像的时间戳进行显示。
11.根据权利要求10所述的装置，其中，训练模块包括：
标注单元，用于基于所述第二关键图像序列，为所述第二图像数据中的每个图像标注关键性判别信息；
训练单元，用于基于所述第二图像数据中的每个图像以及所述每个图像的关键性判别信息，训练得到预设模型。
12.根据权利要求10或11所述的装置，还包括：
差异度模块，用于确定所述第二图像数据中的第n个图像和所述第二图像数据中的第n+1个图像之间的差异度；其中，n为正整数；
添加模块，用于在所述差异度大于预设阈值的情况下，将所述第n+1个图像添加到所述第二关键图像序列中。
13.一种电子设备，其特征在于，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1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-6中任一项所述的方法。
CN202110467168.3A 2021-04-28 2021-04-28 视频处理方法、装置、电子设备和存储介质 Active CN113225596B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110467168.3A CN113225596B (zh) 2021-04-28 2021-04-28 视频处理方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110467168.3A CN113225596B (zh) 2021-04-28 2021-04-28 视频处理方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113225596A CN113225596A (zh) 2021-08-06
CN113225596B true CN113225596B (zh) 2022-11-01

Family

ID=77089641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110467168.3A Active CN113225596B (zh) 2021-04-28 2021-04-28 视频处理方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113225596B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105681894A (zh) * 2016-01-04 2016-06-15 努比亚技术有限公司 显示视频文件的装置及方法
CN106162293A (zh) * 2015-04-22 2016-11-23 无锡天脉聚源传媒科技有限公司 一种视频声音与图像同步的方法及装置
CN109949313A (zh) * 2019-05-17 2019-06-28 中科院—南京宽带无线移动通信研发中心 一种图像实时语义分割方法
CN110856042A (zh) * 2019-11-18 2020-02-28 腾讯科技（深圳）有限公司 视频播放方法、装置、计算机可读存储介质和计算机设备
CN111741359A (zh) * 2020-05-28 2020-10-02 杨伟 一种视频转pptx的方法及系统
CN112446342A (zh) * 2020-12-07 2021-03-05 北京邮电大学 关键帧识别模型训练方法、识别方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10671918B2 (en) * 2017-10-24 2020-06-02 International Business Machines Corporation Attention based sequential image processing

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106162293A (zh) * 2015-04-22 2016-11-23 无锡天脉聚源传媒科技有限公司 一种视频声音与图像同步的方法及装置
CN105681894A (zh) * 2016-01-04 2016-06-15 努比亚技术有限公司 显示视频文件的装置及方法
CN109949313A (zh) * 2019-05-17 2019-06-28 中科院—南京宽带无线移动通信研发中心 一种图像实时语义分割方法
CN110856042A (zh) * 2019-11-18 2020-02-28 腾讯科技（深圳）有限公司 视频播放方法、装置、计算机可读存储介质和计算机设备
CN111741359A (zh) * 2020-05-28 2020-10-02 杨伟 一种视频转pptx的方法及系统
CN112446342A (zh) * 2020-12-07 2021-03-05 北京邮电大学 关键帧识别模型训练方法、识别方法及装置

Also Published As

Publication number Publication date
CN113225596A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN109522538B (zh) 表格内容的自动分列方法、装置、设备及存储介质
CN112633384B (zh) 基于图像识别模型的对象识别方法、装置和电子设备
US11436863B2 (en) Method and apparatus for outputting data
CN111445902B (zh) 数据收集方法、装置、存储介质及电子设备
JP7394809B2 (ja) ビデオを処理するための方法、装置、電子機器、媒体及びコンピュータプログラム
CN113159010B (zh) 视频分类方法、装置、设备和存储介质
KR102002024B1 (ko) 객체 라벨링 처리 방법 및 객체 관리 서버
CN113378784A (zh) 视频标签推荐模型的训练方法和确定视频标签的方法
CN115376211B (zh) 唇形驱动方法、唇形驱动模型的训练方法、装置及设备
CN113159091A (zh) 数据处理方法、装置、电子设备及存储介质
CN110008926B (zh) 用于识别年龄的方法和装置
CN113591864B (zh) 文本识别模型框架的训练方法、装置及系统
CN114120172A (zh) 基于视频的目标检测方法、装置、电子设备及存储介质
CN113254712A (zh) 视频匹配方法、视频处理方法、装置、电子设备及介质
CN113378855A (zh) 用于处理多任务的方法、相关装置及计算机程序产品
CN112994980A (zh) 时延测试方法、装置、电子设备和存储介质
CN113225596B (zh) 视频处理方法、装置、电子设备和存储介质
CN112651449B (zh) 确定视频的内容特征的方法、装置、电子设备及存储介质
CN115329132A (zh) 生成视频标签的方法、装置、设备以及存储介质
CN113705548B (zh) 题目类型识别方法和装置
CN115482809B (zh) 关键词检索方法、装置、电子设备以及存储介质
CN116778006B (zh) 图片编码器的建模方法、装置、电子设备及存储介质
CN113360712B (zh) 视频表示的生成方法、装置和电子设备
CN113408530B (zh) 一种图像识别方法、装置、设备以及存储介质
CN114299522B (zh) 图像识别方法装置、设备和存储介质

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