CN113361462B - 视频处理和字幕检测模型的方法及装置 - Google Patents

Abstract

本公开提供了视频处理方法和训练字幕检测模型的方法及装置，涉及人工智能领域，具体涉及计算机视觉和深度学习技术，具体可用于智感超清场景下。具体实现方案为：获取待处理的视频文件；从视频文件提取出视频帧集合和音频片段集合，其中，每个音频片段对应一个视频帧；将视频帧集合和音频片段集合输入预先训练的字幕检测模型，输出仅保留字幕区域的图像集合；基于图像集合确定出视频帧集合中每个视频帧的字幕区域。提高字幕检测的准确率，防止将非字幕的文字误检为字幕。

Description

视频处理和字幕检测模型的方法及装置

技术领域

本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术，具体可用于智感超清场景下。

背景技术

随着科技的进步，社会的快速发展，身处信息时代的人们，每天都会接收到大量的信息。视频是信息传递的主要方式之一。来自不同国家、不同地区、不同语种的视频信息，可能会因为文化差异、语种不同等因素，造成信息传递有误。于是，字幕的辅助作用就很有意义了。各类视频可以通过字幕翻译或者字幕再编辑，转换为居民能够理解的视频信息。如果能将字幕从视频流中较为方便的提取出来，转化为能够编辑的文本文件，将为字幕翻译和字幕处理工作减轻很大的负担。

现有的技术方案主要依赖图像文字识别和语音转文字技术得到字幕区域，但是视频中的文字并不都是字幕，仅依靠文字识别和语音转文字技术容易将非字幕的文字误检测为字幕。

发明内容

本公开提供了一种视频处理和训练字幕检测模型的方法、装置、设备、存储介质以及计算机程序产品。

根据本公开的第一方面，提供了一种视频处理方法，包括：获取待处理的视频文件。从视频文件提取出视频帧集合和音频片段集合，其中，每个音频片段对应一个视频帧。将视频帧集合和音频片段集合输入预先训练的字幕检测模型，输出仅保留字幕区域的图像集合。基于图像集合确定出视频帧集合中每个视频帧的字幕区域。

根据本公开的第二方面，提供了一种训练字幕检测模型的方法，包括：获取样本集，其中，样本集中的样本包括样本图像、样本音频以及样本图像上字幕区域的标注信息。执行以下训练步骤：从样本集中选取样本。将选取的样本中的样本图像和样本音频输入字幕检测模型，得到预测的字幕区域。基于预测的字幕区域与选取的样本的标注信息计算损失值。若损失值小于目标值，则确定出字幕检测模型训练完成。

根据本公开的第三方面，提供了一种视频处理装置，包括：获取单元，被配置成获取待处理的视频文件。提取单元，被配置成从视频文件提取出视频帧集合和音频片段集合，其中，每个音频片段对应一个视频帧。检测单元，被配置成将视频帧集合和音频片段集合输入预先训练的字幕检测模型，输出仅保留字幕区域的图像集合。确定单元，被配置成基于图像集合确定出视频帧集合中每个视频帧的字幕区域。

根据本公开的第四方面，提供了一种训练字幕检测模型的装置，包括：获取单元，被配置成获取样本集，其中，样本集中的样本包括样本图像、样本音频以及样本图像上字幕区域的标注信息。训练单元，被配置成执行以下训练步骤：从样本集中选取样本。将选取的样本中的样本图像和样本音频输入字幕检测模型，得到预测的字幕区域。基于预测的字幕区域与选取的样本的标注信息计算损失值。若损失值小于目标值，则确定出字幕检测模型训练完成。

根据本公开的第五方面，提供了一种电子设备，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第一方面和第二方面中任一项的方法。

根据本公开的第六方面，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，其中，计算机指令用于使计算机执行第一方面和第二方面中任一项的方法。

根据本公开的第七方面，提供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第一方面和第二方面中任一项的方法。

本公开实施例提供的视频处理和训练字幕检测模型的方法和装置，通过同时将图像和音频信息作为字幕检测模型的输入，融合图像和音频信息得到更加准确的字幕区域。字幕检测模型直接提取图像特征和音频特征，进行分类识别，不需要识别出图像中的文字，也不需要将音频转换成文字。简化了字幕识别过程并提高了字幕识别的准确率。

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是根据本公开图像处理的方法的一个实施例的流程图；

图3是根据本公开图像处理的方法的一个应用场景的示意图；

图4是根据本公开训练字幕检测模型的方法的一个实施例的流程图；

图5是根据本公开图像处理的装置的一个实施例的结构示意图；

图6是根据本公开训练字幕检测模型的装置的一个实施例的结构示意图；

图7是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

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示出了可以应用本公开实施例的图像处理的方法、图像处理的装置、训练字幕检测模型的方法或训练字幕检测模型的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端101、102，网络103、数据库服务器104和服务器105。网络103用以在终端101、102，数据库服务器104与服务器105之间提供通信链路的介质。网络103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110可以使用终端101、102通过网络103与服务器105进行交互，以接收或发送消息等。终端101、102上可以安装有各种客户端应用，例如模型训练类应用、字幕检测识别类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。

这里的终端101、102可以是硬件，也可以是软件。当终端101、102为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时，可以安装在上述所列举的电子设备中。其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。

数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中，样本可以包括样本图像、样本音频以及样本图像上字幕区域的标注信息。这样，用户110也可以通过终端101、102，从数据库服务器104所存储的样本集中选取样本。

服务器105也可以是提供各种服务的服务器，例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本，对初始模型进行训练，并可以将训练结果(如生成的字幕检测模型)发送给终端101、102。这样，用户可以应用生成的字幕检测模型进行字幕检测。将检测到的字幕进行编辑，例如，擦除字幕、修改字幕。还可从字幕区域提取出字幕内容，存储字幕内容和视频帧在视频文件的位置的对应关系。以方便后续搜索视频情节时，通过输入关键字查找到匹配的字幕内容，从而跳转到相应情节的位置进行播放。

这里的数据库服务器104和服务器105同样可以是硬件，也可以是软件。当它们为硬件时，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。当它们为软件时，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。数据库服务器104和服务器105也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。数据库服务器104和服务器105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。

需要说明的是，本公开实施例所提供的图像处理的方法或训练字幕检测模型的方法一般由服务器105执行。相应地，图像处理的装置或训练字幕检测模型的装置一般也设置于服务器105中。

需要指出的是，在服务器105可以实现数据库服务器104的相关功能的情况下，系统架构100中可以不设置数据库服务器104。

应该理解，图1中的终端、网络、数据库服务器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、网络、数据库服务器和服务器。

继续参见图2，其示出了根据本公开的图像处理的方法的一个实施例的流程200。该图像处理的方法可以包括以下步骤：

步骤201，获取待处理的视频文件。

在本实施例中，视频处理方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取待处理的视频文件。可直接接收终端设备上传的视频文件，也可根据用户指定的视频文件目录下载视频文件。视频文件中既有图像信息又有语音信息。

步骤202，从视频文件提取出视频帧集合和音频片段集合。

在本实施例中，将视频文件分解成两部分，一部分是视频帧集合，另一部分是音频片段集合，其中，每个音频片段对应一个视频帧。视频帧上显示了字幕内容，音频片段对应于该字幕内容的语音。

步骤203，将视频帧集合和音频片段集合输入预先训练的字幕检测模型，输出仅保留字幕区域的图像集合。

在本实施例中，可将整个视频的视频帧集合和音频片段集合输入预先训练的字幕检测模型，得到每张视频帧对应的仅保留字幕区域的图像。也可只将单独的一张视频帧和与之对应的音频片段输入预先训练的字幕检测模型，得到一张仅保留字幕区域的图像。

字幕检测模型是一种神经网络，字幕检测模型可以提取出各像素点的图像特征和语音特征，然后再将各像素点的图像特征和语音特征进行融合，得到融合特征，再根据像素点的融合特征判断该像素点是否属于字幕区域。字幕区域可以是一个矩形框。可将视频帧中非字幕区域的像素值都设置为0，得到了仅保留字幕区域的图像。即字幕区域的像素点保留原有的像素值。视频文件中的某些视频帧中可能没有字幕，则输出的图像的像素值全部为0。

步骤204，基于图像集合确定出视频帧集合中每个视频帧的字幕区域。

在本实施例中，根据仅保留字幕区域的图像可在视频帧中相同的位置确定出对应的字幕区域。然后可根据检测出的字幕区域进行编辑操作，例如，擦除字幕、修改字幕等。不是所有的视频帧都有字幕，对于没有字幕的视频帧则不标记出字幕区域。

本公开提供的视频处理方法，不需要将语音转换成文字，也不需要进行图像文字识别即可进行字幕检测，从而防止将视频中非字幕的文字误判断为字幕。例如，不会将图像中的广告牌上的文字当作字幕。

在本实施例的一些可选地实现方式中，该方法还包括：基于检测出的视频帧的字幕区域，对字幕进行擦除。有两种方式进行字幕擦除，一种是整块区域的字幕擦除，另一种是仅擦除字幕内容。两种方式都需要在擦除字幕后再修复图像。

1、整块区域的字幕擦除的方法包括：将目标视频帧中的字幕区域进行擦除，得到残缺图像。将残缺图像输入图像修复模型，得到无字幕的目标视频帧。可以选择性地进行字幕擦除，而不是删除所有视频帧中的字幕。将待删除字幕的视频帧作为目标视频帧。可将目标视频帧中的字幕区域的像素点的像素值设置为0，从而得到残缺图像。再将残缺图像输入图像修复模型，得到无字幕的目标视频帧。图像修复模型是一种神经网络，可将被擦除的字幕区域作为修补的位置。可在原图上寻找相似图像块，将其填充到要修补的位置。还可将修补位置边缘的像素按照与正常图像区域的性质向内生长，扩散填充整个待修补区域。可采用现有技术常用的算法构造的图像修复模型，例如基于序列的方法、基于CNN(卷积神经网络)的方法、基于GAN(生成式对抗网络)的方法。

这种擦除字幕的方式非常的快速、高效。适合对时延要求较高的场景。

2、仅擦除字幕内容的方法包括：将目标视频帧对应的仅保留字幕区域的图像进行二值化处理，得到字幕内容的掩码图。基于掩码图将目标视频帧中的字幕内容进行擦除，得到残缺图像。将残缺图像输入图像修复模型，得到无字幕的目标视频帧。字幕区域为一个矩形区域，该区域中的像素点保留了原有的像素值。可通过二值化处理，将字幕内容作为前景分离出来，字幕内容的像素值设置为1，背景的像素值设置为0。得到了一个黑白的掩码图，图中显示的仅为字幕的内容，不再包括背景。找出掩码图中像素点为1的点在视频帧中的位置，将此位置上的像素值进行擦除，即，修改对应位置上的像素值为0。

这种擦除字幕的方式修复的面积较小，可以让修复后的视频帧更自然、平滑。

可选地，可根据字幕区域的面积选择擦除字幕的方式。为防止大面积擦除导致的不平滑，当字幕区域的面积大于预定值时，可采用仅擦除字幕内容的方法擦除。当字幕区域的面积不大于预定值时，可采用整块区域的字幕擦除的方法，可以提高字幕的擦除速度。在用户看视频的过程中进行擦除，而用户却感觉不出来视频卡顿。

在本实施例的一些可选地实现方式中，该方法还包括：在无字幕的目标视频帧中添加重新编辑后的字幕。可以擦除掉字幕的视频帧中重新添加字幕。例如，原来的是英文字幕，擦除掉后更换成中文字幕。还可以更换成中/英文双字幕。

在本实施例的一些可选地实现方式中，该方法还包括：对于图像集合中的每张图像，从该图像的字幕区域识别出字幕内容。记录每条字幕内容对应的视频帧在视频文件中位置。可通过OCR(Optical Character Recognition,光学字符识别)技术从图像的字幕区域识别出字幕内容。每帧视频的字幕内容可按顺序记录。用户可通过搜索台词的关键词，跳转到相应的情节位置。例如，搜索关键词“You Jump,I Jump”则可跳转到跳海的情节。不需要用户手动拖动进度条，就可快速、准确地根据字幕定位用户想看的位置。此外，还可有针对性的替换字幕内容，例如，一些敏感词进行整体性替换，提高了字幕编辑的效率。

进一步参见图3，图3是根据本实施例的视频处理方法的一个应用场景的示意图。在图3的应用场景中，首先提取视频文件中的视频帧集合和音频片段集合，其中，视频帧中不仅包括字幕还包括其它文字。将视频帧集合和音频片段集合同时输入到字幕检测模型进行字幕区域检测，得到仅保留字幕区域(过滤掉了其它文字区域)的图像集合。将图像集合进行二值化处理后，得到字幕内容的二值化图集合。根据二值化图集合对视频帧集合中每个视频帧的字幕进行擦除后，得到残缺图像集合。再将残缺图像集合通过图像修复模型进行修复，依次修复残缺图像，得到去除字幕的视频。

继续参见图4，其示出了根据本公开的训练字幕检测模型的方法的一个实施例的流程400。该训练字幕检测模型的方法可以包括以下步骤：

步骤401，获取样本集。

在本实施例中，训练字幕检测模型的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取样本集。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的样本集。再例如，用户可以通过终端(例如图1所示的终端101、102)来收集样本。这样，执行主体可以接收终端所收集的样本，并将这些样本存储在本地，从而生成样本集。

在这里，样本集中可以包括至少一个样本。其中，样本可以包括样本图像、样本音频以及样本图像上字幕区域的标注信息。样本图像与样本音频相对应，音频的内容即为样本图像上字幕内容。可人工标注出字幕区域的像素点作为标注信息。

步骤402，从样本集中选取样本。

在本实施例中，执行主体可以从步骤401中获取的样本集中选取样本，以及执行步骤403至步骤406的训练步骤。其中，样本的选取方式和选取数量在本公开中并不限制。例如可以是随机选取至少一个样本，也可以是从中选取样本图像中字幕的清晰度较好(即像素较高)的样本。

步骤403，将选取的样本中的样本图像和样本音频输入字幕检测模型，得到预测的字幕区域。

在本实施例中，执行主体可以将步骤402中选取的样本的样本图像和样本音频同时输入初始的字幕检测模型。字幕检测模型是一种神经网络，例如时空卷积模型。字幕检测模型既可以从样本图像中提取图像特征，又可以从样本音频中提取音频特征。然后将图像特征和音频特征进行融合后，得到融合特征。再通过分类器根据融合特征判断每个像素点是否属于字幕区域，得到预测的字幕区域。

步骤404，基于预测的字幕区域与选取的样本的标注信息计算损失值。

在本实施例中，可根据标注信息中的字幕区域的像素点与预测的字幕区域的像素点的重合度计算损失值。例如，如果标注的像素点为字幕区域，则预测出的像素点不属于字幕区域，则损失值累加。

步骤405，若损失值小于目标值，则确定出字幕检测模型训练完成。

在本实施例中，目标值一般可以用于表示预测值(预测的字幕区域)与真值(标注的字幕区域)之间的不一致程度的理想情况。也就是说，当损失值达到目标值时，可以认为预测值接近或近似真值。目标值可以根据实际需求来设置。如果步骤402中选取有多个样本，那么在每个样本的损失值均达到目标值的情况下，执行主体可以确定字幕检测模型训练完成。再例如，执行主体可以统计损失值达到目标值的样本占选取的样本的比例。且在该比例达到预设样本比例(如95％)，可以确定字幕检测模型训练完成。

步骤406，若损失值不小于目标值，则调整字幕检测模型中的相关参数，继续执行上述训练步骤。

在本实施例中，若损失值不小于目标值，则确定出字幕检测模型未训练完成，则可以调整字幕检测模型中的相关参数。例如采用反向传播技术修改字幕检测模型中各卷积层中的权重。以及可以返回步骤402，从样本集中重新选取样本。从而可以继续执行训练步骤。

可选地，执行主体可以将生成的字幕检测模型存储在本地，也可以将其发送给终端或数据库服务器。生成的字幕检测模型供流程200使用。可以提高字幕检测的速度和准确率。通过字幕检测模型检测到的字幕区域还可作为样本继续优化字幕检测模型。

继续参见图5，作为对上述图2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：获取单元501、提取单元502、检测单元503和确定单元504。其中，获取单元501，被配置成获取待处理的视频文件。提取单元502，被配置成从视频文件提取出视频帧集合和音频片段集合，其中，每个音频片段对应一个视频帧。检测单元503，被配置成将视频帧集合和音频片段集合输入预先训练的字幕检测模型，输出仅保留字幕区域的图像集合。确定单元504，被配置成基于图像集合确定出视频帧集合中每个视频帧的字幕区域。

在本实施例中，视频处理装置500的获取单元501、提取单元502、检测单元503和确定单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。

在本实施例的一些可选的实现方式中，装置500还包括编辑单元(附图中未示出)，被配置成：将目标视频帧中的字幕区域进行擦除，得到残缺图像。将残缺图像输入图像修复模型，得到无字幕的目标视频帧。

在本实施例的一些可选的实现方式中，装置500还包括编辑单元，被配置成：将目标视频帧对应的仅保留字幕区域的图像进行二值化处理，得到字幕内容的掩码图。基于掩码图将目标视频帧中的字幕内容进行擦除，得到残缺图像。将残缺图像输入图像修复模型，得到无字幕的目标视频帧。

在本实施例的一些可选的实现方式中，编辑单元进一步被配置成：在无字幕的目标视频帧中添加重新编辑后的字幕。

在本实施例的一些可选的实现方式中，装置500还包括识别单元(附图中未示出)，被配置成：对于图像集合中的每张图像，从该图像的字幕区域识别出字幕内容。记录每条字幕内容对应的视频帧在视频文件中位置。

继续参见图6，作为对上述图4所示方法的实现，本公开提供了一种训练字幕检测模型的装置的一个实施例。该装置实施例与图4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6所示，本实施例的训练字幕检测模型的装置600可以包括：获取单元601、训练单元602和调整单元603。其中，获取单元601，被配置成获取样本集，其中，样本集中的样本包括样本图像、样本音频以及样本图像上字幕区域的标注信息。训练单元602，被配置成执行以下训练步骤：从样本集中选取样本。将选取的样本中的样本图像和样本音频输入字幕检测模型，得到预测的字幕区域。基于预测的字幕区域与选取的样本的标注信息计算损失值。若损失值小于目标值，则确定出字幕检测模型训练完成。调整单元603，被配置成若损失值不小于目标值，则调整字幕检测模型中的相关参数，继续执行上述训练步骤。

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。

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流程200或400所述的方法。

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流程200或400所述的方法。

一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现流程200或400任一项所述的方法。

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708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RAM703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708，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，例如视频处理的方法。例如，在一些实施例中，视频处理的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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM702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的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的方法。

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。服务器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。服务器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。

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 (17)

1.一种视频处理方法，包括：

获取待处理的视频文件；

从所述视频文件提取出视频帧集合和音频片段集合，其中，每个音频片段对应一个视频帧；

将所述视频帧集合和所述音频片段集合输入预先训练的字幕检测模型，输出仅保留字幕区域的图像集合，其中，字幕检测模型提取出各像素点的图像特征和语音特征，然后再将各像素点的图像特征和语音特征进行融合，得到融合特征，再根据像素点的融合特征判断该像素点是否属于字幕区域，将视频帧中非字幕区域的像素值都设置为0，得到了仅保留字幕区域的图像；

基于所述图像集合确定出所述视频帧集合中每个视频帧的字幕区域。

2.根据权利要求1所述的方法，其中，所述方法还包括：

将目标视频帧中的字幕区域进行擦除，得到残缺图像；

将所述残缺图像输入图像修复模型，得到无字幕的目标视频帧。

3.根据权利要求1所述的方法，其中，所述方法还包括：

将目标视频帧对应的仅保留字幕区域的图像进行二值化处理，得到字幕内容的掩码图；

基于所述掩码图将目标视频帧中的字幕内容进行擦除，得到残缺图像；

将所述残缺图像输入图像修复模型，得到无字幕的目标视频帧。

4.根据权利要求2或3所述的方法，其中，所述方法还包括：

在所述无字幕的目标视频帧中添加重新编辑后的字幕。

5.根据权利要求1所述的方法，其中，所述方法还包括：

对于所述图像集合中的每张图像，从该图像的字幕区域识别出字幕内容；

记录每条字幕内容对应的视频帧在所述视频文件中位置。

6.一种训练字幕检测模型的方法，包括：

获取样本集，其中，所述样本集中的样本包括样本图像、样本音频以及样本图像上字幕区域的标注信息；

执行以下训练步骤：从所述样本集中选取样本；将选取的样本中的样本图像和样本音频输入字幕检测模型，得到预测的字幕区域；基于预测的字幕区域与选取的样本的标注信息计算损失值；若所述损失值小于目标值，则确定出所述字幕检测模型训练完成。

7.根据权利要求6所述的方法，其中，所述方法还包括：

若所述损失值不小于目标值，则调整所述字幕检测模型中的相关参数，继续执行上述训练步骤。

8.一种视频处理装置，包括：

获取单元，被配置成获取待处理的视频文件；

提取单元，被配置成从所述视频文件提取出视频帧集合和音频片段集合，其中，每个音频片段对应一个视频帧；

检测单元，被配置成将所述视频帧集合和所述音频片段集合输入预先训练的字幕检测模型，输出仅保留字幕区域的图像集合，其中，字幕检测模型提取出各像素点的图像特征和语音特征，然后再将各像素点的图像特征和语音特征进行融合，得到融合特征，再根据像素点的融合特征判断该像素点是否属于字幕区域，将视频帧中非字幕区域的像素值都设置为0，得到了仅保留字幕区域的图像；

确定单元，被配置成基于所述图像集合确定出所述视频帧集合中每个视频帧的字幕区域。

9.根据权利要求8所述的装置，其中，所述装置还包括编辑单元，被配置成：

将目标视频帧中的字幕区域进行擦除，得到残缺图像；

将所述残缺图像输入图像修复模型，得到无字幕的目标视频帧。

10.根据权利要求8所述的装置，其中，所述装置还包括编辑单元，被配置成：

将目标视频帧对应的仅保留字幕区域的图像进行二值化处理，得到字幕内容的掩码图；

基于所述掩码图将目标视频帧中的字幕内容进行擦除，得到残缺图像；

将所述残缺图像输入图像修复模型，得到无字幕的目标视频帧。

11.根据权利要求9或10所述的装置，其中，所述编辑单元进一步被配置成：

在所述无字幕的目标视频帧中添加重新编辑后的字幕。

12.根据权利要求8所述的装置，其中，所述装置还包括识别单元，被配置成：

对于所述图像集合中的每张图像，从该图像的字幕区域识别出字幕内容；

记录每条字幕内容对应的视频帧在所述视频文件中位置。

13.一种训练字幕检测模型的装置，包括：

获取单元，被配置成获取样本集，其中，所述样本集中的样本包括样本图像、样本音频以及样本图像上字幕区域的标注信息；

训练单元，被配置成执行以下训练步骤：从所述样本集中选取样本；将选取的样本中的样本图像和样本音频输入字幕检测模型，得到预测的字幕区域；基于预测的字幕区域与选取的样本的标注信息计算损失值；若所述损失值小于目标值，则确定出所述字幕检测模型训练完成。

14.根据权利要求13所述的装置，其中，所述装置还包括调整单元，被配置成：

若所述损失值不小于目标值，则调整所述字幕检测模型中的相关参数，继续执行上述训练步骤。

15.一种电子设备，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1-7中任一项所述的方法。

16.一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1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。

Images