CN113301382B - 视频处理方法、设备、介质及程序产品 - Google Patents

Abstract

本公开提及了一种视频处理方法、设备、介质及程序产品，涉及知识图谱、深度学习、计算机视觉、自然语言处理和语音识别等人工智能领域。该方法的一具体实施方式包括：获取目标视频；对目标视频进行识别，得到识别结果；根据识别结果，确定目标视频的拆分维度；根据拆分维度，对目标视频进行拆分，得到拆分结果。本公开的实施例能够实现对目标视频的准确、快速地拆分。

Description

视频处理方法、设备、介质及程序产品

技术领域

本公开实施例涉及计算机领域，具体涉及知识图谱、深度学习、计算机视觉、自然语言处理和语音识别等人工智能领域，尤其涉及一种视频处理方法、设备、介质及程序产品。

背景技术

随着信息传播技术的发展，视频成为承载信息传递的主要方式之一，应用到人际交流、工业生产、社会生活的各个方面。例如，新闻类视频，而该新闻类视频往往长度过长，涉及到多个事件或者整个事件不同方面的概括。整段视频分发不利于用户在零散的时间内最大化接收自己关心问题的有效信息。

目前，通过以下方法实现对新闻类视频进行拆条：人工；利用视频中相关特征变化对视频进行划分，如声音停顿、主持人出现或消失(如通过人像骨架分析)；利用图神经网络提取关键帧，利用帧之间欧式距离建立相似度矩阵，对关键帧进行聚类后实现对视频的拆分。

发明内容

本公开实施例提出了一种视频处理方法、设备、介质及程序产品。

第一方面，本公开实施例提出了一种视频处理方法，包括：获取目标视频；对目标视频进行识别，得到识别结果；根据识别结果，确定目标视频的拆分维度；根据拆分维度，对目标视频进行拆分，得到拆分结果。

第二方面，本公开实施例提出了一种视频处理装置，包括：视频获取模块，被配置成获取目标视频；视频识别模块，被配置成对目标视频进行识别，得到识别结果；维度确定模块，被配置成根据识别结果，确定目标视频的拆分维度；结果得到模块，被配置成根据拆分维度，对目标视频进行拆分，得到拆分结果。

第三方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面描述的方法。

第四方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面描述的方法。

第五方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面描述的方法。

本公开实施例提供的视频处理方法、设备、介质及程序产品，首先获取目标视频；然后对目标视频进行识别，得到识别结果；然后根据识别结果，确定目标视频的拆分维度；最后根据拆分维度，对目标视频进行拆分，得到拆分结果。可以基于目标视频的识别结果所确定的拆分维度对目标视频进行拆分，实现对目标视频的准确、快速地拆分。

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

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。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是本公开可以应用于其中的示例性系统架构图；

图2是根据本公开的视频处理方法的一个实施例的流程图；

图3是根据本公开的视频处理方法的一个实施例的流程图；

图4是根据本公开的视频处理方法的一个应用场景图；

图5是根据本公开的视频处理装置的一个实施例的结构示意图；

图6是根据本公开的视频处理装置的一个实施例的结构示意图；

图7是用来实现本公开实施例的电子设备的框图。

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。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的视频处理方法或视频处理装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送视频帧等。终端设备101、102、103上可以安装有各种客户端应用、智能交互应用，例如视频图像处理应用等等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，终端设备可以为与用户通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互的电子产品，例如PC(Personal Computer，个人计算机)、手机、智能手机、PDA(Personal Digital Assistant，个人数字助手)、可穿戴设备、PPC(PocketPC，掌上电脑)、平板电脑、智能车机、智能电视、智能音箱、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开实施例所提供的视频处理方法一般由服务器105执行，相应地，视频处理装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的视频处理方法的一个实施例的流程200。该视频处理方法可以包括以下步骤：

步骤201，获取目标视频。

在本实施例中，视频处理方法的执行主体(例如图1所示的终端设备101、102、103)可以通过拍摄装置录制目标视频，拍摄装置可以为终端设备的摄像头或其外部的摄像头；或，视频处理方法的执行主体(例如图1所示的服务器105)从终端设备(例如图1所示的终端设备101、102、103)中获取目标视频。上述目标视频可以为待拆分的视频；该目标视频可以按照视频从细到粗划分成不同的维度；例如，帧画面、镜头、视频场景、片段。其中，帧画面表示目标视频中某一时刻的图像画面，所能表示的信息量最小；镜头表示目标视频银幕上一段连续的图像画面，包括长镜头、短镜头等，所能表示的信息量多于帧画面；视频场景由多个镜头组成，描述短暂发生的一系列动作等，是目标视频中具有语义信息的最小粒度单元；片段则是按照目标视频发生逻辑描述一个事件或者对事件的报道。

上述目标视频可以按照其内容、其被播放的平台等进行分类；例如，新闻类、电影类、电视剧类、宣传片类等。

其中，新闻类视频中，帧画面、镜头、视频场景和片段在理解视频内容上均有各自的作用。如关键的帧画面可以在目标视频分发过程中用作目标视频的表示，用户在选择自己感兴趣的目标视频时，往往会以关键的帧画面作为对视频内容的第一印象进行参考。镜头作为视频素材的基本元素在新闻报道中可多次重复利用。

步骤202，对目标视频进行识别，得到识别结果。

在本实施例中，上述执行主体可以采用视频识别模型对目标视频进行识别，以得到识别结果。或，对目标视频进行音视频分离，得到目标视频的音频信息和图像帧；之后，对图像帧和音频信息分别进行识别，得到图像帧对应的识别结果和音频信息对应的识别结果。或，对目标视频中的图片、语音、字幕等分别进行识别，得到多维的识别结果，即图片识别结果、语音识别结果和文本识别结果。或，可以先对目标视频进行切帧，得到多帧图像，然后对多帧图像中的每帧图像进行识别，以得到每帧图像对应的识别结果；以及，对目标视频的音频进行识别，得到对应的识别结果(例如，文本内容)。

其中，视频识别模型可以通过将目标视频作为初始模型的输入，以及将所输入对应的识别结果，作为初始模型的期望输出，得到视频识别模型，上述初始模型可以为现有技术或未来发展技术中的概率模型、分类模型或者其他分类器等，例如，初始模型可以包括以下任意一项：极端梯度提升树模型(XGBoost)、逻辑斯蒂回归模型(LR)、深度神经网络模型(DNN)、梯度提升决策树模型(Gradient Boosting Decision Tree，GBDT)。

需要说明的是，视频识别模型可以包括以下至少一项：名人识别模型、人脸识别模型、光学字符识别(Optical Character Recognition，OCR)识别模型、图像识别模型、场景识别模块、地标识别模型、音频识别模型等。其中，名人识别模型和人脸识别模型可以用于识别目标视频中的人脸，OCR识别模型可以用于识别目标视频中的文本(例如，字幕)；图像识别模型可以用于识别目标视频中的图像(例如，图像场景)；地标识别模型可以用于识别目标视频中的地标；音频识别模型可以用于识别目标音频中的音频对应的文本内容。

在本实施例中，所涉及的人脸相关信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

步骤203，根据识别结果，确定目标视频的拆分维度。

在本实施例中，上述执行主体可以根据步骤203得到的识别结果，确定目标视频的拆分维度。上述拆分维度可以用于对目标视频进行多维度拆分。上述识别结果可以为对目标视频进行识别所得到的结果，例如，目标视频中目标对象的类别信息、目标对象的内容信息、目标视频的视频属性信息等。

在本实施例中，拆分维度可以包括以下至少一项：帧画面、镜头、视频场景、片段。

在一个示例中，若识别结果包括目标对象，且目标对象为著名人物，则可以将目标视频中包括著名人物的图像确定为帧画面。

需要说明的是，步骤203中不同的识别结果可以对应不同的拆分维度；其中，该拆分维度可以包括多个拆分要素，每个拆分要素可以与不同识别结果对应，从而可以根据不同的识别结果，确定目标视频的拆分维度。其中，拆分要素可以包括目标对象、音频等等；例如，识别结果包括目标对象和音频对应的文本信息时，则可以将该识别结果确定为一个拆分维度。

在本实施例中，可以预先建立每个拆分维度包括的拆分要素与识别结果之间的对应关系。

另外，每个拆分维度可以包括多个拆分要素，每个拆分要素可以对应一个或多个识别结果。

在对目标视频进行识别之前，该视频处理方法还可以包括：对目标视频进行拆分，以得到多帧图像。

在一个具体的示例中，针对目标视频根据预先配置时间间隔进行切帧，保留当前画面，并按照顺序进行命名。如，配置时间间隔为1秒，则每张图像被保存为00001.jpg(Joint Photo graphic Experts Group)、00002.jpg、00003.jpg…。

步骤204，根据拆分维度，对目标视频进行拆分，得到拆分结果。

在本实施例中，上述执行主体可以根据拆分维度，将目标视频拆分成与拆分维度对应的拆分结果。

在一个示例中，若识别后的目标视频的拆分维度包括：帧画面、镜头、视频场景、片段，则将目标视频拆分成帧画面、镜头、视频场景、片段。

本公开实施例提供的视频处理方法，首先获取目标视频；然后对目标视频进行识别，得到识别结果；然后根据识别结果，确定目标视频的拆分维度；最后根据拆分维度，对目标视频进行拆分，得到拆分结果可以基于目标视频的识别结果所确定的拆分维度对目标视频进行拆分，实现对目标视频的准确、快速地拆分。

在本实施例的一些可选的实现方式中，在根据拆分维度，对目标视频进行拆分，得到拆分结果之前，该视频处理方法还包括：获取针对目标视频的拆分配置信息。

在本实现方式中，拆分配置信息可以为相关人员根据需求方的拆分需求所生成的信息，该拆分配置信息可以用于表征需求方对目标视频的拆分需求信息，例如，其他播放平台的播放需求、帧画面的数量、帧画面所涉及的内容(涉及那个对象)、镜头的数量、镜头所涉及的内容、视频场景的数量、视频场景所涉及的内容、片段的数量、片段所涉及的内容。其中，其他播放平台的播放需求可以为清晰度、视频文件格式、横屏、竖屏播放等。针对其他平台的播放需求，可以预先将目标视频进行预处理，以得到与其他播放平台相匹配的视频；然后再对该相匹配的视频进一步识别，以得到对应的识别结果；最后，基于由识别结果所确定的拆分维度该相匹配的视频进行拆分，以得到与其他播放平台能播放的拆分结果。

在一个示例中，拆分配置信息可以包括目标视频的部分或全部的拆分维度。

对应地，在该示例中，根据拆分维度，对目标视频进行拆分，得到拆分结果，可以包括：根据拆分维度和拆分配置信息，对目标视频进行拆分，可以得到拆分结果。

具体地，上述执行主体可以先根据拆分维度，对目标视频进行拆分，得到初始拆分结果；之后，根据拆分配置信息，从初始拆分结果中确定与拆分配置信息对应的目标拆分结果，并将目标拆分结果作为最终拆分结果。或，上述执行主体先根据拆分维度和拆分配置信息，先确定一个最终拆分维度；之后，根据最终拆分维度，对目标视频进行拆分，得到最终的拆分结果。或，上述执行主体可以先根据拆分维度，对目标视频进行拆分，以得到初始拆分结果；之后，将拆分结果发送至需求方，由需求方根据拆分配置信息，从拆分配置信息中初始拆分结果中确定对应的目标拆分结果，并将目标拆分结果确定为最终拆分结果。其中，初始拆分结果可以为与最终拆分结果不同的拆分结果，初始拆分结果可以为对目标视频拆分过程中产生的阶段性的拆分结果。

需要说明的是，获取拆分配置信息的步骤可以在步骤204之前执行，或在步骤203之前，或在步骤202之前，或在步骤201之前，或与步骤201同时执行，或与步骤202同时执行。

需要说明的是，如果用户未预先设置拆分维度，则可以按照目标视频的识别结果所确定的拆分维度对目标视频进行拆分。

在本实现方式中，可以根据拆分配置信息实现对目标视频的按需拆分，从而实现在低成本的情况下应用到不同需求的视频的拆分。

在本实施例的一些可选的实现方式中，上述识别结果可以包括以下至少一项：目标视频中目标对象的类别信息、目标对象的内容信息、目标视频的视频属性信息。

在本实现方式中，目标视频中目标对象的类别信息可以为目标对象所属类别，例如，人物、本文(例如字幕)、音频、地标、图像场景等。

目标对象的内容信息可以为目标对象在目标视频中呈现的文本内容，例如，文本(例如字幕)的文本内容、目标人物的身份信息、目标视频的音频对应的文本信息等。

在本实现方式中，所涉及的身份信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

目标视频的视频属性信息可以为目标视频本身所具有的某些特征，例如，亮度、颜色、HSV(Hue，Saturation，Value)颜色空间、形状等特性作为视频属性信息。

另外，目标视频的视频属性信息可以具有很多特性，例如感知性、唯一性、鲁棒性和高效性等。人眼视觉系统对于内容相同的视频帧，即使视频帧的分辨率不同、视频亮度不同，色彩不同，旋转角度不同，但只要视频帧所表达的内容是相同的，则人眼视觉系统感知到的信息就是相同的。目标视频的视频属性信息能够唯一标识视频内容，相同的视频其对应的视频属性信息相同。并且视频属性信息可以抵抗噪声、剪切、缩放、帧率变化、转码等操作，因为只要目标视频携带的内容是不变的，则其视频属性信息就可以抵抗保留内容不变的攻击操作。

在本实现方式中，可以基于识别结果包括的目标视频中目标对象的类别信息、目标对象的内容信息、目标视频的视频属性信息中的至少一项，以确定与每种识别结果对应的拆分维度，进一步可以根据多种识别结果确定目标视频的拆分维度。

在本实施例的一些可选的实现方式中，在识别结果包括目标视频中目标对象的类别信息时，上述根据识别结果，确定目标视频的拆分维度，可以包括：响应于确定目标对象为目标视频的图像中符合预设条件的对象，将目标视频中的、符合预设条件的对象所在的图像确定为帧画面。

在本实现方式中，上述执行主体在确定识别结果包括目标视频中目标对象的类别信息，且确定目标对象为目标视频的图像中符合预设条件的对象时，将目标视频中的、符合预设条件的对象所在的图像确定为帧画面。上述预设条件可以包括以下至少一项：在目标对象为目标人物时，目标人物在目标视频中出现的时长符合预设的出现时长阈值；在目标对象为目标字幕时，目标字幕在目标视频的图像中的位置和大小与预设的字幕的位置和大小匹配；在目标对象为目标图像场景时，目标图像场景为预设的图像场景。上述目标对象可以为对目标视频进行识别，得到的对象。

在本实现方式中，可以将目标视频的图像中符合预设条件的目标对象所在的图像作为帧画面，以得到目标视频的拆分维度。

在本实施例的一些可选的实现方式中，若目标对象的类别信息为目标人物，该预设条件可以包括：目标人物在目标视频中出现的时长符合预设的出现时长阈值。

在本实现方式中，上述目标人物可以为具有一定知名度的人物。上述目标人物可以根据拆分配置信息进行设定或根据当前热度较高的人物进行设定。

上述出现的时长可以为目标对象在目标视频中出现的持续时长。上述预设的出现时长可以根据拆分结果的精度，或由人工根据经验进行设定。该目标人物还可以为目标视频中的任意一个人物。

在本实现方式中，可以根据目标对象在目标视频中出现的时长来确定该目标视频中目标对象所在的图像是否为帧画面，在目标对象在目标视频中出现的时长符合预设的时长阈值时，确定该目标视频中目标对象所在的图像为帧画面。

在本实施例的一些可选的实现方式中，若目标人物为名人，该预设条件可以包括：名人在目标视频中出现的时长符合预设的出现时长阈值。上述符合可以为大于或等于。

在一个示例中，可以通过人脸识别模型和名人识别模型的识别结果进行双重校验，判断当前帧画面是否包括名人，以及该名人在整个目标视频中出现的时长。根据预先设定的出现时长阈值、以及名人的置信度判定目标视频的当前帧是否包括名人及名人的身份信息。

在本实现方式中，上述执行主体可以在名人在目标视频中出现的时长符合预设的出现时长阈值时，将包括该名人的图像确定为帧画面。

在本实施例的一些可选的实现方式中，在目标对象为目标字幕时，预设条件可以包括：目标字幕在目标视频的图像中的位置和大小与预设的字幕的位置和大小匹配。

在本实现方式中，目标字幕在目标视频的图像中的位置和大小可以与字幕模板中预设的字幕的位置和大小匹配，可以包括：目标字幕在目标视频的图像中的位置和大小与预设的字幕的位置和大小相同；或，目标字幕在目标视频的图像中的位置和大小可以与字幕模板中预设的字幕的位置和大小符合一定的相似度，例如，相似度为85％。

在本实现方式中，可以预先建立该目标视频中的字幕模板，对于某类型的视频，且字幕模板设置的位置、大小、内容一般不会经常变化，例如新闻类视频，字幕模板可以为“主持人：A”、“主持人：B”，“主持人：A”位置可以位于“A”图像的下方，“主持人：B”的位置可以位于“B”图像的下方，“主持人：A”、“主持人：B”的大小可以按照当前图像的尺寸的一定比例设置。

在本实现方式中，可以根据目标字幕在目标视频的图像中的位置和大小与预设的字幕的位置和大小进行匹配来确定，目标字幕所在的图像是否为帧画面，进而可以实现对帧画面的确定。

在本实施例的一些可选的实现方式中，若目标对象为目标图像场景，该预设条件可以包括：目标图像场景为预设的图像场景。

在本实现方式中，上述执行主体可以基于目标图像场景和预设的图像场景进行比较来确定，目标图像场景所在的图像是否为帧画面。上述目标图像场景可以为图像中的场景，例如，聚会场景、风景场景、沙滩场景等。上述预设的图像场景可以为根据拆分配置信息进行设定，或人工设定。

在一个示例中，预设的图像场景为“B”纪念馆，如果目标图像场景也包括“B”纪念馆，那么可以将包括“B”纪念馆的图像，确定为帧画面。

在本实现方式中，可以根据目标图像场景是否为预设的图像场景来确定包括该目标图像场景的图像是否为帧画面；在确定目标图像场景为预设的图像场景时，确定该目标视频中目标图像场景所在的图像为帧画面。

在本实施例的一些可选的实现方式中，该视频处理方法还包括：利用预先训练的图像场景识别模型，对目标图像场景进行识别，得到目标图像场景的类型。

在本实现方式中，在得到目标视频场景之后，该视频处理方法还可以通过预先训练的图像场景识别模型进一步对目标图像场景进行识别，以得到目标图像场景的类型。

在这里，图像场景识别模型可以用于确定目标图像场景的类型。该目标图像场景的类型可以用于区分不同的目标图像场景，例如室内场景、室外场景等。

在本实现方式中，在得到目标图像场景之后，还可以基于预先训练的图像场景识别模型对目标图像场景进一步识别，以实现对目标图像场景的类型的精准确定。

在本实施例的一些可选的实现方式中，图像场景识别模型基于以下步骤确定：对地点数据集中的图像场景按照标签类别进行聚类，其中，标签类别为室内标签和室外标签；利用地点数据集对卷积神经网络进行训练，得到初始的场景识别模型；利用预设的室内场景图像和室外场景图像，对初始的场景识别模型进行调整，以获得图像场景识别模型。

在本实现方式中，上述执行主体可以先对地点数据集中的图像场景按照标签类别进行聚类，其中，标签类别为室内标签和室外标签；之后，利用卷积神经网络在地点数据集上进行预训练，得到初始的场景识别模型；之后，利用已有新闻视频识别获取室内外场景图像，对初始的场景识别模型进行微调(例如，调整初始的场景识别模型的参数)，以获得图像场景识别模型。

在一个示例中，图像场景识别模型可以基于以下步骤确定：(1)对Places地点数据集按照室内/室外进行标签聚类。(2)利用卷积神经网络ResNet50在Places地点数据集上进行预训练，标签为由(1)得到的室内or室外。(3)利用预设的室内场景图像和室外场景图像，并在(2)基础上进行微调获得图像场景识别模型。其中，利用预设的室内场景图像和室外场景图像可以为需要被拆分的目标视频中的利用预设的室内场景图像和室外场景图像。

需要说明的是，图像场景识别模型，还可以基于以下步骤确定：可以通过将目标视频的目标图像场景作为初始模型的输入，以及将所输入对应的类别标签(例如，室外标签、室内标签)，作为初始模型的期望输出，得到图像场景识别模型，上述初始模型可以为现有技术或未来发展技术中的概率模型、分类模型或者其他分类器等，例如，初始模型可以包括以下任意一项：极端梯度提升树模型(XGBoost)、逻辑斯蒂回归模型(LR)、深度神经网络模型(DNN)、梯度提升决策树模型(Gradient Boosting Decision Tree，GBDT)。

在本实现方式中，可以基于涵盖内容多的Places地点数据集进行训练，之后再由室内、室外对应的标签进行调整，以得到高精度的图像场景识别模型，从而可以改善直接采用室外、室外场景进行训练带来的因为样本数量过少，导致训练后的模型精度较低的问题。

在本实施例的一些可选的实现方式中，若目标图像场景的类型为室外场景，该视频处理方法还可以包括：响应于确定目标图像场景为地标对应的图像场景，确定目标图像场景的类型为室外场景。

在本实现方式，上述执行主体可以在确定目标图像场景为地标对应的图像场景，可以进一步确定目标图像场景的类型为室外场景。上述地标对应的图像场景可以为地标性图像场景，即该目标图像场景可以为地标。其中，地标可以为户外信息推广的特殊名词，是指每个城市的标志性区域或地点，或者能够充分体现该城市(地区)风貌及发展建设的区域。

需要说明的是，如果通过图像场景识别模型确定目标图像场景的类型为室内场景，可以不需要通过识别结果中的地标进行二次判定。

在一个示例中，首先利用场景识别结果判定当前画面是室内或者室外场景。如在室外则结合地标识别结果对该画面进行二次判定。

在本实现方式中，在目标图像场景的类型为室外场景时，上述执行主体还可以基于识别结果中的地标对目标图像场景进行二次判定，以确定该目标图像场景确实为室外场景，从而增加了确定目标图像场景的精度。

在本实施例的一些可选的实现方式中，在响应于确定目标对象为目标视频的图像中符合预设条件的对象之后，若识别结果包括对象的内容信息，该视频处理方法还包括：获取目标对象在目标视频中的出现规律。

在本实现方式中，在确定目标视频中的目标对象为目标视频的图像中符合上述预设条件的对象之后，该视频处理方法还可以获取目标对象在目标视频中的出现规律。上述出现规律可以为目标对象在目标视频中出现的规律，例如出现的时间、频次等等。

对应地，在该示例中，上述根据识别结果，确定目标视频的拆分维度，可以包括：响应于确定目标对象的内容信息为预设的内容信息，且出现规律符合预设的出现规律，将目标视频中的、符合预设的出现规律的目标对象所在的所有图像确定为片段。

在本实现方式中，可以根据目标对象在目标视频中的出现规律来确定该目标视频中是否包括符合预设的出现规律的片段；在确定目标对象的内容信息为预设的内容信息，且目标对象在目标视频中的出现规律符合预设的出现规律时，确定目标视频中包括符合预设的出现规律的目标对象所在的所有图像为片段。

在本实施例的一些可选的实现方式中，出现规律可以包括：时间序列和/或频次。

在本实现方式中，时间序列可以指目标对象在目标视频的不同时间上出现，按时间先后顺序排列而形成的序列。上述频次可以为目标对象在目标视频中出现的频率和次数。

在本实现方式中，可以根据出现规律中的时间序列和/或频次，以确定出现在目标视频中的目标对象的出现规律。

在本实施例的一些可选的实现方式中，目标对象的内容信息包括以下至少一项：所述目标人物的身份信息、所述目标字幕的文本信息、所述目标视频的音频对应的文本信息。

在这里，目标人物的身份信息可以用于表征目标人物的身份。

在一个示例中，响应于确定目标对象的内容信息为预设的内容信息，且出现规律符合预设的出现规律，将目标视频中的、符合预设的出现规律的目标对象所在的所有图像确定为片段，可以包括：在确定目标人物的身份信息为预设的身份信息，且目标人物的出现规律符合预设的出现规律，将目标视频中的、符合预设的出现规律的目标人物所在的所有图像确定为片段。

在一个具体的示例中，利用名人识别模型的识别结果，以及名人对应的身份信息。

利用身份信息与预设的身份信息进行匹配，在身份信息与预设的身份信息匹配时，获取“名人对应的身份信息”出现在目标视频中的出现规律；最后，在“名人对应的身份信息”出现在目标视频中的出现规律符合预设的出现规律时，将目标视频中包括“名人对应的身份信息”的图像确定为片段。

另外，还可以基于人脸识别模型的识别结果来确定目标视频中的图像；例如，在识别结果为“名人对应的身份信息”为主持人时，可以利用主持人的特征(例如，在目标视频中间隔性出现的特征)，获取“名人对应的身份信息”支持人在目标视频中出现的时间序列；最后如果“名人对应的身份信息”支持人在目标视频中出现的时间序列符合预设的时间序列时，将目标视频中包含“名人对应的身份信息”的图像确定为片段。

需要说明的是，预设的身份信息可以为预设设置的身份信息。

在本实现方式中，所涉及的身份信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

在一个示例中，响应于确定目标对象的内容信息为预设的内容信息，且出现规律符合预设的出现规律，将目标视频中的、符合预设的出现规律的目标对象所在的所有图像确定为片段，可以包括：在确定目标字幕的文本信息为预设的文本信息，且目标字幕的出现规律符合预设的出现规律，将目标视频中的、符合预设的出现规律的目标字幕所在的所有图像确定为片段。

在一个具体的示例中，利用OCR识别模型的识别结果，该识别结果可以为在目标视频中的目标字幕的文本信息，例如，“主持人A”；如果目标字幕的文本信息为预设的文本信息时，获取该目标字幕对应的目标人物出现在目标视频中的出现规律(例如，“主持人A”出现在目标视频中的出现规律)；然后在目标人物出现在目标视频中的出现规律符合预设的出现规律时，将包含目标字幕的图像，以及包含目标人物的图像确定为片段。

需要说明的是，预设的文本信息可以为预设设置的字幕信息。

在本实现方式中，如果图像中同时出现的主持人的数量为多个，且多个主持人中每个主持人在目标视频中出现的时间序列符合预设的时间序列，则将每个主持人对应的时间序列对应的图像进行合并显示。

在一个示例中，响应于确定目标对象的内容信息为预设的内容信息，且出现规律符合预设的出现规律，将目标视频中的、符合预设的出现规律的目标对象所在的所有图像确定为片段，可以包括：在确定目标视频的音频对应的文本信息为预设的文本信息，且目标音频的出现规律符合预设的出现规律，将目标视频中的、符合预设的出现规律的目标音频所在的所有图像确定为片段；和/或，在确定目标字幕的文本信息为预设的文本信息，且目标字幕的出现规律符合预设的出现规律，将目标视频中的、符合预设的出现规律的目标字幕所在的所有图像确定为片段。

在一个具体的示例中，利用预设的语音文字库中关键词句与音频的语音识别结果进行匹配，并根据匹配结果对目标视频进行拆分。

以新闻类视频为示例，在一条报道或回答记者提问后，具有习惯性结尾语句。如：【XX(台)记者XX报道】、【继续提问】、【继续来看新闻】等。利用音频的语音识别结果与预设的语音文字库中关键词句(模板)进行匹配；若匹配，则根据目标音频在目标视频中出现的预设时刻，对目标视频进行拆分。例如，时间序列可以包括预设时刻(例如，7：00)。

在本实现方式中，可以基于目标对象信息包括的目标人物的身份信息、目标字幕的文本信息、目标视频的音频对应的文本信息中的任意一项，以及在出现规律符合预设的出现规律，将目标视频中的、符合预设的出现规律的目标对象所在的所有图像确定为片段。

在本实施例的一些可选的实现方式中，若识别结果包括目标视频的视频属性信息；以及根据识别结果，确定目标视频的拆分维度，包括：响应于目标视频的视频属性信息符合预设的视频属性信息，将符合预设的视频属性信息的图像确定为镜头。

在本实现方式中，在识别结果包括目标视频的视频属性信息时，且目标视频的视频属性信息符合预设的视频属性信息时，将符合预设的视频属性信息的图像确定为镜头。

在一个示例中，预设的视频属性信息可以为视频属性信息对应的阈值。

在一个具体的示例中，镜头检测可以包括基于阈值检测和基于内容感知检测两种镜头识别策略。以视频切分利器(PySceneDetect)工具为基础，通过设置节目帧亮度的阈值或根据前后帧HSV颜色空间变化进行镜头识别。

需要说明的是，视频场景包括多个镜头，在得到镜头之后，还可以基于多个镜头之间的关联性(例如，时间连续性，内容相同或相近)，得到视频场景。

在本实现方式中，可以基于目标视频的视频属性信息符合预设的视频属性信息，实现对目标视频中镜头的确定。

在本实施例的一些可选的实现方式中，视频属性信息包括：帧亮度和/或相邻帧HSV颜色空间。

在本实现方式中，可以基于目标视频的视频属性信息包括的帧亮度和相邻帧HSV颜色空间中的任意一项，实现对目标视频中镜头的确定。

在本实施例的一些可选的实现方式中，拆分维度信息包括以下至少一项：帧画面、镜头、视频场景、片段。

在本实现方式中，可以将目标视频从细到粗可以划分成四个维度：帧画面、镜头、视频场景、片段，以实现对目标视频不同维度的拆分。

在本实施例的一些可选的实现方式中，若拆分维度包括帧画面、镜头、视频场景、片段，该视频处理方法还包括：利用帧画面、镜头、视频场景和片段作为实体，以及帧画面、镜头、视频场景和片段之间的关系，构建知识图谱。

在本实现方式中，上述执行主体可以以帧画面、镜头、视频场景和片段分别作为知识图谱的实体，以及将帧画面、镜头、视频场景和片段之间的关系作为知识图谱的实体的关系，构建知识图谱。

需要说明的是，本实现方式中的拆分维度包括但不限于帧画面、镜头、视频场景和片段；所以，知识图谱的实体包括但不限于帧画面实体、镜头实体、视频场景实体和片段实体。

在这里，知识图谱是一种揭示实体之间关系的网络，即可以包括多个实体以及实体之间的关系，例如，片段和帧画面可以包括目标对象。在本实现方式中，通过知识图谱，可以获取该实体所包含的具体知识。例如，对于帧画面实体，可以获取帧画面实体所包含的目标对象的内容，例如，目标人物的身份信息。

另外，本实现方式中的知识图谱还可以包括目标视频1实体和目标视频2实体；该目标视频1实体与拆分维度之间的关系为，目标视频1实体包括帧画面1实体、镜头1实体、视频场景1实体和片段1实体；该目标视频2实体包括帧画面2实体、镜头2实体、视频场景2实体和片段2实体。

本实现方式中，上述执行主体还可以在建立后的知识图谱中查找实体，同时，还可以进一步查找与查找到的实体关联的实体。可以理解的是，上述知识图谱是与目标视频的拆分维度相关的知识图谱。

在本实现方式中，可以基于拆分维度包括的帧画面、镜头、视频场景和片段作为知识图谱的实体，以及将帧画面、镜头、视频场景和片段之间的关系作为知识图谱的实体的关系，以实现知识图谱的构建，以备后续可以通过构建的知识图谱，查找实体所包含的具体知识。

进一步参考图3，图3示出了根据本公开的视频处理方法的另一个实施例的流程300。该视频处理方法可以包括以下步骤：

步骤301，获取目标视频。

步骤302，对目标视频进行识别，得到识别结果。

步骤303，根据识别结果，确定目标视频的拆分维度；

步骤304，获取针对目标视频的拆分配置信息。

在本实施例中，视频处理方法的执行主体(例如图1所示的终端设备101、102、103)可以获取针对目标视频的拆分配置信息；或，视频处理方法的执行主体(例如图1所示的服务器105)从终端设备或本地获取针对目标视频的拆分配置信息。

步骤305，根据拆分配置信息和拆分维度，对目标视频进行拆分，得到拆分结果。

在本实施例中，步骤301-303的具体操作分别已在图2所示的实施例中步骤201-203进行了详细的介绍，在此不再赘述。

从图3中可以看出，与图2对应的实施例相比，本实施例中的视频处理方法突出了确定视频的拆分维度的步骤。由此，本实施例描述的方案根据拆分配置信息和识别结果，确定视频的拆分维度，以实现按照拆分配置信息的按需拆分，更能广泛应用于多种应用场景。

进一步参考图4，图4示出了根据本公开的视频处理方法的一个应用场景。在该应用场景中，以人脸图像为例，终端设备401(例如图1所示的终端设备101、102、103)将拆分配置信息发送至服务器402(例如图1所示的服务器105)；在服务器402接收到拆分配置信息之后，由服务器402获取目标视频；之后，服务器402对目标视频进行识别，得到识别结果；之后，服务器402根据识别结果，确定目标视频的拆分维度；然后，服务器402根据拆分维度，对目标视频进行拆分，得到拆分结果；最后，服务器402，将拆分结果发送至终端设备401。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种视频处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的视频处理装置500可以包括：视频获取模块501、视频识别模块502、维度确定模块503和结果得到模块504。其中，视频获取模块501，被配置成获取目标视频；视频识别模块502，被配置成对目标视频进行识别，得到识别结果；维度确定模块503，被配置成根据识别结果，确定目标视频的拆分维度；结果得到模块504，被配置成根据拆分维度，对目标视频进行拆分，得到拆分结果。

在本实施例中，视频处理装置500中：视频获取模块501、视频识别模块502、维度确定模块503和结果得到模块504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，该视频处理装置还包括：信息获取模块，被配置成获取针对目标视频的拆分配置信息；结果得到模块504，进一步被配置成：根据拆分配置信息和拆分维度，对目标视频进行拆分，得到拆分结果。

在本实施例的一些可选的实现方式中，识别结果包括以下至少一项：目标视频中目标对象的类别信息、目标对象的内容信息、目标视频的视频属性信息。

在本实施例的一些可选的实现方式中，若识别结果包括目标视频中目标对象的类别信息；以及维度确定模块503，进一步被配置成：响应于确定目标对象为目标视频的图像中符合预设条件的对象，将目标视频中的、符合预设条件的对象所在的图像确定为帧画面。

在本实施例的一些可选的实现方式中，若目标对象包括目标人物，预设条件包括：目标人物在目标视频中出现的时长符合预设的出现时长阈值。

在本实施例的一些可选的实现方式中，若目标对象包括目标字幕，预设条件包括：目标字幕在目标视频的图像中的位置和大小与预设的字幕的位置和大小匹配。

在本实施例的一些可选的实现方式中，若目标对象包括目标图像场景，预设条件包括：目标图像场景为预设的图像场景。

在本实施例的一些可选的实现方式中，该视频处理装置还包括：场景识别模块，被配置成利用预先训练的图像场景识别模型，对目标图像场景进行识别，得到目标图像场景的类型。

在本实施例的一些可选的实现方式中，该视频处理装置还包括：类别聚类模块，被配置成对地点数据集中的图像场景按照标签类别进行聚类，其中，标签类别为室内标签和室外标签；预训练模块，被配置成利用地点数据集对卷积神经网络进行训练，得到初始的场景识别模型；模型微调模块，被配置成利用预设的室内场景图像和室外场景图像，对初始的场景识别模型进行调整，以获得图像场景识别模型。

在本实施例的一些可选的实现方式中，若目标图像场景的类型为室外场景，该视频处理装置还包括：场景确定模块，被配置成响应于确定目标图像场景为地标对应的图像场景，确定目标图像场景的类型为室外场景。

在本实施例的一些可选的实现方式中，在响应于确定目标对象为目标视频的图像中符合预设条件的对象之后，若识别结果包括对象的内容信息，该视频处理装置还包括：规律获取模块，被配置成获取目标对象在目标视频中的出现规律；维度确定模块，被进一步配置成：响应于确定目标对象的内容信息为预设的内容信息，且出现规律符合预设的出现规律，将目标视频中的、符合预设的出现规律的目标对象所在的所有图像确定为片段。

在本实施例的一些可选的实现方式中，出现规律包括：时间序列和/或频次。

在本实施例的一些可选的实现方式中，目标对象的内容信息包括以下至少一项：目标人物的身份信息、目标字幕的文本信息、目标视频的音频对应的文本信息。

在本实施例的一些可选的实现方式中，若识别结果包括目标视频的视频属性信息；以及维度确定模块503，进一步被配置成：响应于目标视频的视频属性信息符合预设的视频属性信息，将符合预设的视频属性信息的图像确定为镜头。

在本实施例的一些可选的实现方式中，视频属性信息包括：帧亮度和/或相邻帧HSV颜色空间。

在本实施例的一些可选的实现方式中，拆分维度包括以下至少一项：帧画面、镜头、视频场景、片段。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种视频处理装置的一个实施例，该装置具体可以应用于各种电子设备中。如图6所示，本实施例的视频处理装置600可以包括：

切帧模块601，被配置成将目标视频根据预先配置时间间隔进行切帧，保留当前画面，并按照顺序进行命名。例如，配置时间间隔为1秒，则每张图像被保存为00001.jpg(Joint Photo graphic Experts Group)、00002.jpg、00003.jpg…。

感知抽取模块602，被配置成：

a)对切帧模块601输出的每张图像进行名人识别、人脸识别、OCR识别、场景识别、地标识别等。并将识别结果按序列进行保存。

i.名人识别：识别出名人等。

ii.人脸识别：识别并给出当前人物编号。

iii.OCR识别：识别图像中不同字幕的文本及其位置、置信度。

iv.地标识别：识别图片中是否含有标志性建筑。

v.场景识别：识别图像是室内或室外场景。

其中，图像场景识别模型可以基于以下步骤确定：对Places地点数据集按照室内/室外标签进行标签聚类；之后，利用卷积神经网络ResNet50在Places上地点数据集进行预训练，标签为室内/室外标签；之后，利用预设的室内场景图像和室外场景图像(例如，新闻类视频中的室内场景图像和室外场景图像)，并在预训练的基础上进行微调获得图像场景识别模型。其中，预设的室内场景图像和室外场景图像可以为需要被拆分的目标视频中的室内场景图像和室外场景图像。

b)对输入视频直接进行语音识别。保存语音识别获得文本信息，及每个词的时间偏移量。

关键帧识别模603：包含三个子策略：重要人物判定策略、重要字幕判定策略、关键场景判定策略。

a)重要人物判定策略。在感知抽取模块602输出的基础上，通过人脸识别和名人识别结果进行双重校验，判断当前帧画面是否含有著名人物，以及该人物在整个视频中出现时长。根据设定出现时长阈值、以及人物置信度判定当前帧是否含有重要人物及重要人物信息。

b)重要字幕判定策略。在感知抽取模块602输出的基础上，根据预先设定OCR字幕关键位置、大小等模板对画面中每条OCR信息进行筛选，如检索得到符合模板的OCR信息，则该画面含有重要字幕及重要人物信息。

c)关键场景判定策略。首先利用场景识别结果判定当前画面是室内或者室外场景。如在室外则结合地标识别结果对该画面进行二次判定。

d)以上三个策略结果按照帧画面进行保存，结构如下：

{“00001.jpg”://图像1

{“key_person”:[],//名人

“key_ocr”:[],//字幕

“key_sence”:[]//场景

},

“00002.jpg”:{}//图像2

}

镜头层识别模块604包含基于阈值检测和基于内容感知检测两种镜头识别策略。以PySceneDetect工具为基础，通过设置节目帧亮度的阈值或根据前后帧HSV颜色空间变化进行镜头识别。综合两种策略进行镜头识别。

片段层识别模块605包含两个子策略：主持人识别策略及关键语音/OCR匹配策略。

a)主持人识别策略。感知抽取模块602和关键帧识别模603输出的基础上，主持人识别策略分为如下步骤：

i.利用著名人物识别召回。感知抽取模块602中名人识别对应的识别结果可以包括名人的身份信息。

预设的身份信息与名人的身份信息进行。若匹配，则返回该主持人及其出现在目标视频中的时间序列。

ii.利用OCR识别召回。感知抽取模块602中OCR识别结果可以包括出现在目标视频中的目标字幕。在目标字幕中通常会在主持人或主播首次出现时刻进行介绍，如【主播XXX】、【主持人XXX】等形式。之后，可针对主持人的身份信息，并将其与画面帧中OCR信息(即，目标字幕的文本信息)进行匹配；若匹配，则进一步利用感知抽取模块602中人物识别策略结果获取该主持人在整个目标视频中出现的时间序列。

另外，还可以通过对于手语主播的过滤，以减少手语主播对拆分结果的影响。

以上以新闻类视频为示例。

iii.利用人物识别召回。感知抽取模块602中人物识别结果得到同一人物出现在整个视频中的不同时间序列信息。利用主持人间隔性出现特征，对该类人物进行抽取，获得其出现的时间序列。

iv.序列合并。通过上述三步骤，获得主持人出现的时间序列。在目标视频中包括多个主持人同时出现的时间序列，对每个主持人出现的时间序列整合在一起显示，得到最终的时间序列。最后，根据最终的时间序列对目标视频进行拆分，以得到片段。

b)关键语音/OCR匹配策略。在主持人识别策略基础上，利用收录语音文字库中关键词句与语音识别结果进行匹配。根据新闻报道、新闻发布会直播类节目特点，在一条报道或回答记者提问后，具有习惯性结尾语句。如：【XX(台)记者XX报道】、【继续提问】、【继续来看新闻】等。利用语音识别结果与收录的关键语句模板进行匹配，若匹配，则根据当前语音识别文本出现时间偏移进行拆条。

另外，对于习惯在当条报道结束时刻提示该条报道的记者，还可以结合该时刻来进一步确定目标视频中的片段。

数据与配置模块，被配置成针对目标视频中的主持人的身份信息、语音/OCR匹配关键语句模板等内容。并不断通过反哺进行扩展。该反哺的方式可保证在较少人力投入的情况下，对需要拆分的目标视频能够快速地拆分。

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7示出了可以用来实施本公开的实施例的示例电子设备700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/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元707加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元707，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701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707。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701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701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。

人工智能是研究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、自然语音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。

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，本发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提及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 (26)

1.一种视频处理方法，包括：

获取目标视频；

对所述目标视频进行识别，得到识别结果，包括：对所述目标视频进行切帧，得到多帧图像；对所述多帧图像中的每帧图像进行识别，得到所述每帧图像对应的识别结果，以及对所述目标视频的音频进行识别，得到音频对应的识别结果，其中，对所述目标视频进行识别所得到的识别结果包括以下至少一项：所述目标视频中目标对象的类别信息、所述目标对象的内容信息、所述目标视频的视频属性信息；

根据识别结果，确定所述目标视频的拆分维度，其中，所述拆分维度包括以下至少一项：帧画面、镜头、视频场景以及片段；

根据所述拆分维度，对所述目标视频进行拆分，得到拆分结果；其中，

若所述识别结果包括所述目标视频的视频属性信息，所述根据识别结果，确定所述目标视频的拆分维度，包括：响应于所述目标视频的视频属性信息符合预设的视频属性信息，将符合预设的视频属性信息的图像确定为所述镜头；

若所述识别结果包括所述目标视频中目标对象的类别信息，所述根据识别结果，确定所述目标视频的拆分维度包括：

响应于确定所述目标对象为所述目标视频的图像中符合预设条件的对象，将所述目标视频中的、符合预设条件的对象所在的图像确定为所述帧画面；

若所述识别结果还包括目标对象的内容信息，获取所述目标对象在所述目标视频中的出现规律；响应于确定所述目标对象的内容信息为预设的内容信息，且所述出现规律符合预设的出现规律，将所述目标视频中的、符合预设的出现规律的目标对象所在的所有图像确定为所述片段。

2.根据权利要求1所述的方法，所述方法还包括：

获取针对所述目标视频的拆分配置信息；

所述根据所述拆分维度，对所述目标视频进行拆分，得到拆分结果，包括：

根据所述拆分配置信息和所述拆分维度，对所述目标视频进行拆分，得到拆分结果。

3.根据权利要求1所述的方法，其中，若所述目标对象包括目标人物，所述预设条件包括：所述目标人物在所述目标视频中出现的时长符合预设的出现时长阈值。

4.根据权利要求1所述的方法，其中，若所述目标对象包括目标字幕，所述预设条件包括：所述目标字幕在所述目标视频的图像中的位置和大小与预设的字幕的位置和大小匹配。

5.根据权利要求1所述的方法，其中，若所述目标对象包括目标图像场景，所述预设条件包括：所述目标图像场景为预设的图像场景。

6.根据权利要求5所述的方法，所述方法还包括：利用预先训练的图像场景识别模型，对所述目标图像场景进行识别，得到目标图像场景的类型。

7.根据权利要求6所述的方法，其中，所述图像场景识别模型基于以下步骤确定：

对地点数据集中的图像场景按照标签类别进行聚类，其中，所述标签类别为室内标签和室外标签；

利用所述地点数据集对卷积神经网络进行训练，得到初始的场景识别模型；

利用预设的室内场景图像和室外场景图像，对所述初始的场景识别模型进行调整，以获得所述图像场景识别模型。

8.根据权利要求6或7所述的方法，若所述目标图像场景的类型为室外场景，所述方法还包括：

响应于确定所述目标图像场景为地标对应的图像场景，确定所述目标图像场景的类型为室外场景。

9.根据权利要求1所述的方法，其中，所述出现规律包括：时间序列和/或频次。

10.根据权利要求1或9所述的方法，其中，所述目标对象的内容信息包括以下至少一项：目标人物的身份信息、目标字幕的文本信息、所述目标视频的音频对应的文本信息。

11.根据权利要求1所述的方法，其中，所述视频属性信息包括：帧亮度和/或相邻帧HSV颜色空间。

12.根据权利要求1所述方法，其中，若所述拆分维度包括帧画面、镜头、视频场景、片段，所述视频处理方法还包括：

利用所述帧画面、镜头、视频场景和片段作为实体，以及所述帧画面、镜头、视频场景和片段之间的关系，构建知识图谱。

13.一种视频处理装置，包括：

视频获取模块，被配置成获取目标视频；

视频识别模块，被配置成对所述目标视频进行识别，得到识别结果，进一步被配置成：对所述目标视频进行切帧，得到多帧图像；对所述多帧图像中的每帧图像进行识别，得到所述每帧图像对应的识别结果，以及对所述目标视频的音频进行识别，得到音频对应的识别结果，其中，对所述目标视频进行识别所得到的识别结果包括以下至少一项：所述目标视频中目标对象的类别信息、所述目标对象的内容信息、所述目标视频的视频属性信息；

维度确定模块，被配置成根据识别结果，确定所述目标视频的拆分维度，其中，所述拆分维度包括以下至少一项：帧画面、镜头、视频场景以及片段；

结果得到模块，被配置成根据所述拆分维度，对所述目标视频进行拆分，得到拆分结果；其中，

若所述识别结果包括所述目标视频的视频属性信息；以及所述维度确定模块，进一步被配置成：响应于所述目标视频的视频属性信息符合预设的视频属性信息，将符合预设的视频属性信息的图像确定为所述镜头；

若所述识别结果包括所述目标视频中目标对象的类别信息，所述维度确定模块，进一步被配置成：

响应于确定所述目标对象为所述目标视频的图像中符合预设条件的对象，将所述目标视频中的、符合预设条件的对象所在的图像确定为所述帧画面；

若所述识别结果还包括对象的内容信息，获取所述目标对象在 所述目标视频中的出现规律；响应于确定所述目标对象的内容信息为预设的内容信息，且所述出现规律符合预设的出现规律，将所述目标视频中的、符合预设的出现规律的目标对象所在的所有图像确定为所述片段。

14.根据权利要求13所述的装置，所述装置还包括：

信息获取模块，被配置成获取针对所述目标视频的拆分配置信息；

所述结果得到模块，进一步被配置成：根据所述拆分配置信息和所述拆分维度，对所述目标视频进行拆分，得到拆分结果。

15.根据权利要求13所述的装置，其中，若所述目标对象包括目标人物，所述预设条件包括：所述目标人物在所述目标视频中出现的时长符合预设的出现时长阈值。

16.根据权利要求13所述的装置，其中，若所述目标对象包括目标字幕，所述预设条件包括：所述目标字幕在所述目标视频的图像中的位置和大小与预设的字幕的位置和大小匹配。

17.根据权利要求13所述的装置，其中，若所述目标对象包括目标图像场景，所述预设条件包括：所述目标图像场景为预设的图像场景。

18.根据权利要求17所述的装置，所述装置还包括：

场景识别模块，被配置成利用预先训练的图像场景识别模型，对所述目标图像场景进行识别，得到目标图像场景的类型。

19.根据权利要求18所述的装置，所述装置还包括：

类别聚类模块，被配置成对地点数据集中的图像场景按照标签类别进行聚类，其中，所述标签类别为室内标签和室外标签；

预训练模块，被配置成利用所述地点数据集对卷积神经网络进行训练，得到初始的场景识别模型；

模型微调模块，被配置成利用预设的室内场景图像和室外场景图像，对所述初始的场景识别模型进行调整，以获得所述图像场景识别模型。

20.根据权利要求18或19所述的装置，若所述目标图像场景的类型为室外场景，所述装置还包括：

场景确定模块，被配置成响应于确定所述目标图像场景为地标对应的图像场景，确定所述目标图像场景的类型为室外场景。

21.根据权利要求13所述的装置，其中，所述出现规律包括：时间序列和/或频次。

22.根据权利要求13或21所述的装置，其中，所述目标对象的内容信息包括以下至少一项：目标人物的身份信息、目标字幕的文本信息、所述目标视频的音频对应的文本信息。

23.根据权利要求13所述的装置，其中，所述视频属性信息包括：帧亮度和/或相邻帧HSV颜色空间。

24.根据权利要求13所述装置，其中，若所述拆分维度包括帧画面、镜头、视频场景、片段，所述视频处理装置还包括：

图谱构建模块，被配置成利用所述帧画面、镜头、视频场景和片段作为实体，以及所述帧画面、镜头、视频场景和片段之间的关系，构建知识图谱。

25.一种电子设备，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1-12中任一项所述的方法。

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

Images