CN113497970A - 视频处理方法、装置、电子设备及存储介质 - Google Patents

视频处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113497970A
CN113497970A CN202010198349.6A CN202010198349A CN113497970A CN 113497970 A CN113497970 A CN 113497970A CN 202010198349 A CN202010198349 A CN 202010198349A CN 113497970 A CN113497970 A CN 113497970A
Authority
CN
China
Prior art keywords
audio
point
division
cost
determining
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.)
Granted
Application number
CN202010198349.6A
Other languages
English (en)
Other versions
CN113497970B (zh
Inventor
靳潇杰
沈晓辉
罗昱
王妍
杨林杰
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.)
ByteDance Inc
Original Assignee
ByteDance Inc
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 ByteDance Inc filed Critical ByteDance Inc
Priority to CN202010198349.6A priority Critical patent/CN113497970B/zh
Publication of CN113497970A publication Critical patent/CN113497970A/zh
Application granted granted Critical
Publication of CN113497970B publication Critical patent/CN113497970B/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
    • H04N21/439—Processing of audio elementary streams
    • H04N21/4394—Processing of audio elementary streams involving operations for analysing the audio stream, e.g. detecting features or characteristics in audio streams
    • 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
    • H04N21/44016—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 splicing one content stream with another content stream, e.g. for substituting a video clip
    • 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
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • 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]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
    • H04N21/845—Structuring of content, e.g. decomposing content into time segments
    • H04N21/8456—Structuring of content, e.g. decomposing content into time segments by decomposing the content in the time domain, e.g. in time segments

Abstract

本公开实施例提供一种视频处理方法、装置、电子设备及存储介质；方法包括：确定音频中的划分点，所述划分点包括音频起始点和节拍点；当所述划分点的数量大于N‑1时，确定删除各所述划分点的间隔代价、音强代价及位置代价，其中N为大于1的整数，表示待拼接的视频片段的数量；根据所述间隔代价、所述音强代价及所述位置代价，确定对应的划分点的总代价；删除总代价最低的划分点，直到所述音频中的划分点的数量等于N‑1；根据所述音频中的N‑1个划分点，从视频中提取N个视频片段并进行拼接得到拼接视频，并将所述音频添加至所述拼接视频的音轨中，得到目标视频。本公开实施例提升了生成的目标视频的效果，加强了用户体验。

Description

视频处理方法、装置、电子设备及存储介质
技术领域
本公开实施例涉及视频及音频技术，尤其涉及一种视频处理方法、装置、电子设备及存储介质。
背景技术
卡点视频是当今较为热门的一种视频形式，具体指由至少两个视频片段组成，且每个视频片段的转换点与音频中较为强烈的点相符合的视频，具有较强的节奏感。
在制作卡点视频时，需要将音频划分为多个片段，以适配不同的视频片段。在现有技术提供的方案中，通常是以音强作为衡量标准，将音频中音强较大的点作为划分点。但是，由于音频通常复杂多变，导致根据音强进行音频划分得到的结果不合理，制作出的视频的效果差。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开实施例提供了一种视频处理方法，包括：
确定音频中的划分点，所述划分点包括音频起始点和节拍点；
当所述划分点的数量大于N-1时，确定删除各所述划分点的间隔代价、音强代价及位置代价，其中N为大于1的整数，表示待拼接的视频片段的数量；
根据所述间隔代价、所述音强代价及所述位置代价，确定对应的划分点的总代价；
删除总代价最低的划分点，直到所述音频中的划分点的数量等于N-1；
根据所述音频中的N-1个划分点，从视频中提取N个视频片段并进行拼接得到拼接视频，并
将所述音频添加至所述拼接视频的音轨中，得到目标视频。
上述方案中，所述确定删除各所述划分点的间隔代价、音强代价及位置代价，包括：
根据所述音频的总时长和所述N确定平均间隔时长，确定所述划分点的前一个划分点和后一个划分点之间的第一间隔时长；
根据所述平均间隔时长和所述第一间隔时长，确定所述划分点的间隔代价；
根据所述划分点的音强信息，确定所述划分点的音强代价；
确定所述划分点与所述音频中的第一个划分点之间的第二间隔时长，并根据所述音频的总时长和所述第二间隔时长，确定所述划分点的位置代价。
上述方案中，所述根据所述划分点的音强信息，确定所述划分点的音强代价，包括：
将所述划分点的音强，确定为所述划分点的音强代价；或者，
将所述划分点的设定音强，确定为所述划分点的音强代价；
其中，所述节拍点包括第一节拍点至第四节拍点，所述第一节拍点的设定音强大于第三节拍点的设定音强，第三节拍点的设定音强大于第二节拍点和所述第四节拍点的设定音强，并且，所述第三节拍点的设定音强大于所述音频起始点的设定音强。
上述方案中，所述当所述划分点的数量大于N-1时，确定删除各所述划分点的间隔代价、音强代价及位置代价之前，还包括：
删除音强低于音强阈值的所述节拍点；
当所述音频起始点和所述节拍点之间的间隔时长小于第一时长阈值时，将所述音频起始点和所述节拍点合并为一个划分点；其中，合并得到的划分点的时间戳与所述节拍点相同；
当所述划分点的开始间隔时长或结束间隔时长小于第二时长阈值时，删除所述划分点；
其中，所述开始间隔时长是所述划分点与所述音频的开始位置之间的间隔时长，所述结束间隔时长是所述划分点与所述音频的结束位置之间的间隔时长。
上述方案中，所述视频处理方法，还包括：
当所述划分点的数量小于N-1时，确定所述音频中相邻的两个划分点之间的间隔时长；
确定最大的间隔时长，并确定所述间隔时长对应的第一划分点和第二划分点；
根据所述第一划分点的时间戳和所述第二划分点的时间戳，确定第三划分点的插入位置，并在所述插入位置插入所述第三划分点，直到所述音频中的划分点的数量达到N-1。
上述方案中，所述确定音频中的划分点，包括：
将音频进行频域变换得到频域信号，并将所述频域信号拆分为多个频段；
确定所述频段的第一频谱参数，并根据所述频段的第一频谱参数以及所述频段前的多个频段的第一频谱参数，确定所述频段的第二频谱参数；
根据各所述频段的第二频谱参数，确定所述音频的音频起始点；
从所述音频中提取音频特征，通过机器学习模型对所述音频特征进行预测处理，得到所述音频中的节拍点；
将所述音频起始点和所述节拍点，确定为划分点。
上述方案中，所述根据所述音频中的N-1个划分点，从视频中提取N个视频片段并进行拼接得到拼接视频，包括：
根据所述音频中的N-1个划分点，将所述音频划分为N个音频片段，并确定各所述音频片段的片段时长；
获取N个视频，根据所述片段时长从对应的视频中提取视频片段，直到提取完成N个视频；
将提取的N个所述视频片段进行拼接得到拼接视频。
第二方面，本公开实施例提供了一种视频处理装置，包括：
确定单元，用于确定音频中的划分点，所述划分点包括音频起始点和节拍点；
第一代价确定单元，用于当所述划分点的数量大于N-1时，确定删除各所述划分点的间隔代价、音强代价及位置代价，其中N为大于1的整数，表示待拼接的视频片段的数量；
第二代价确定单元，用于根据所述间隔代价、所述音强代价及所述位置代价，确定对应的划分点的总代价；
删除单元，用于删除总代价最低的划分点，直到所述音频中的划分点的数量等于N-1；
添加单元，用于根据所述音频中的N-1个划分点，从视频中提取N个视频片段并进行拼接得到拼接视频，并
将所述音频添加至所述拼接视频的音轨中，得到目标视频。
上述方案中，所述第一代价确定单元，还用于：
根据所述音频的总时长和所述N确定平均间隔时长，确定所述划分点的前一个划分点和后一个划分点之间的第一间隔时长；
根据所述平均间隔时长和所述第一间隔时长，确定所述划分点的间隔代价；
根据所述划分点的音强信息，确定所述划分点的音强代价；
确定所述划分点与所述音频中的第一个划分点之间的第二间隔时长，并根据所述音频的总时长和所述第二间隔时长，确定所述划分点的位置代价。
上述方案中，所述第一代价确定单元，还用于：
将所述划分点的音强，确定为所述划分点的音强代价；或者，
将所述划分点的设定音强，确定为所述划分点的音强代价；
其中，所述节拍点包括第一节拍点至第四节拍点，所述第一节拍点的设定音强大于第三节拍点的设定音强，第三节拍点的设定音强大于第二节拍点和所述第四节拍点的设定音强，并且，所述第三节拍点的设定音强大于所述音频起始点的设定音强。
上述方案中，所述视频处理装置，还包括：
节拍点删除单元，用于删除音强低于音强阈值的所述节拍点；
合并单元，用于当所述音频起始点和所述节拍点之间的间隔时长小于第一时长阈值时，将所述音频起始点和所述节拍点合并为一个划分点；其中，合并得到的划分点的时间戳与所述节拍点相同；
划分点删除单元，用于当所述划分点的开始间隔时长或结束间隔时长小于第二时长阈值时，删除所述划分点；
其中，所述开始间隔时长是所述划分点与所述音频的开始位置之间的间隔时长，所述结束间隔时长是所述划分点与所述音频的结束位置之间的间隔时长。
上述方案中，所述视频处理装置，还包括：
间隔确定单元，用于当所述划分点的数量小于N-1时，确定所述音频中相邻的两个划分点之间的间隔时长；
确定最大的间隔时长，并确定所述间隔时长对应的第一划分点和第二划分点；
根据所述第一划分点的时间戳和所述第二划分点的时间戳，确定第三划分点的插入位置，并在所述插入位置插入所述第三划分点，直到所述音频中的划分点的数量达到N-1。
上述方案中，所述确定单元，还用于：
将音频进行频域变换得到频域信号，并将所述频域信号拆分为多个频段；
确定所述频段的第一频谱参数，并根据所述频段的第一频谱参数以及所述频段前的多个频段的第一频谱参数，确定所述频段的第二频谱参数；
根据各所述频段的第二频谱参数，确定所述音频的音频起始点；
从所述音频中提取音频特征，通过机器学习模型对所述音频特征进行预测处理，得到所述音频中的节拍点；
将所述音频起始点和所述节拍点，确定为划分点。
上述方案中，所述添加单元，还用于：
根据所述音频中的N-1个划分点，将所述音频划分为N个音频片段，并确定各所述音频片段的片段时长；
获取N个视频，根据所述片段时长从对应的视频中提取视频片段，直到提取完成N个视频；
将提取的N个所述视频片段进行拼接得到拼接视频。
第三方面，本公开实施例提供了一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述可执行指令时，实现本公开实施例提供的视频处理方法。
第四方面，本公开实施例提供了一种存储介质，存储有可执行指令，所述可执行指令被执行时，用于实现本公开实施例提供的视频处理方法。
本公开实施例具有如下有益效果：
本公开实施例通过确定音频中的划分点，在划分点的数量较多时，确定划分点的间隔代价、音强代价和位置代价，从而确定划分点的总代价，并删除总代价最低的划分点，然后，根据保留的划分点提取视频片段进行拼接，并将音频插入拼接视频的音轨，本公开实施例在多个维度确定删除划分点的代价，从而提升了音频划分的准确性，同时提升了生成的目标视频的效果。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是实现本公开实施例的电子设备的一个可选的结构示意图；
图2是实现本公开实施例的视频处理装置的一个可选的结构示意图；
图3A是实现本公开实施例的视频处理方法的一个可选的流程示意图；
图3B是实现本公开实施例的视频处理方法的另一个可选的流程示意图；
图3C是实现本公开实施例的视频处理方法的另一个可选的流程示意图；
图3D是实现本公开实施例的视频处理方法的另一个可选的流程示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面参见图1，图1是实现本公开实施例的电子设备100的结构示意图。电子设备可以是各种终端，包括移动电话、笔记本电脑、数字广播接收器、个人数字助理(PDA，PersonalDigital Assistant)、平板电脑(PAD)、便携式多媒体播放器(PMP，Portable MediaPlayer)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字电视(TV)、台式计算机等等的固定终端。图1示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图1所示，电子设备100可以包括处理装置(例如中央处理器、图形处理器等)110，其可以根据存储在只读存储器(ROM，Read-Only Memory)120中的程序或者从存储装置180加载到随机访问存储器(RAM，Random Access Memory)130中的程序而执行各种适当的动作和处理。在RAM 130中，还存储有电子设备100操作所需的各种程序和数据。处理装置110、ROM 120以及RAM 130通过总线140彼此相连。输入/输出(I/O，Input/Output)接口150也连接至总线140。
通常，以下装置可以连接至I/O接口150：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置160；包括例如液晶显示器(LCD，LiquidCrystal Display)、扬声器、振动器等的输出装置170；包括例如磁带、硬盘等的存储装置180；以及通信装置190。通信装置190可以允许电子设备100与其他设备进行无线或有线通信以交换数据。虽然图1示出了具有各种装置的电子设备100，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开实施例，所提供的流程图描述的过程可以被实现为计算机软件程序。例如，本公开实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，计算机程序可以通过通信装置190从网络上被下载和安装，或者从存储装置180被安装，或者从ROM 120被安装。在计算机程序被处理装置110执行时，执行本公开实施例的方法中的功能。
需要说明的是，本公开实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、RAM、ROM、可擦式可编程只读存储器(EPROM，ErasableProgrammable Read Only Memory)、闪存、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括电线、光缆、射频(RF，Radio Frequency)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备100中所包含的；也可以是单独存在，而未装配入电子设备100中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备100执行时，使得电子设备执行本公开实施例提供的视频处理方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开实施例中操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN，Local Area Network))和广域网(WAN，Wide Area Network)，以连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本公开实施例提供的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，确定单元还可以被描述为“确定音频中的划分点的单元”。
本公开实施例中描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA，Field-Programmable Gate Array)、专用集成电路(ASIC，Application SpecificIntegrated Circuit)、专用标准产品(ASSP，Application Specific Standard Parts))、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开实施例的上下文中，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。
下面结合本公开实施例提供的视频处理装置中的单元进行说明。可以理解地，装置中的单元可以采用软件(例如上述的计算机软件程序中存储的计算机程序)的方式在如图1所示的电子设备中实现，也可以采用上述的硬件逻辑部件(例如FPGA、ASIC、ASSP、SOC和CPLD)的方式在如图1所示的电子设备中实现。
参见图2，图2是实现本公开实施例的视频处理装置200的一个可选的结构示意图，示出了以下单元：确定单元210，用于确定音频中的划分点，所述划分点包括音频起始点和节拍点；第一代价确定单元220，用于当所述划分点的数量大于N-1时，确定删除各所述划分点的间隔代价、音强代价及位置代价，其中N为大于1的整数，表示待拼接的视频片段的数量；第二代价确定单元230，用于根据所述间隔代价、所述音强代价及所述位置代价，确定对应的划分点的总代价；删除单元240，用于删除总代价最低的划分点，直到所述音频中的划分点的数量等于N-1；添加单元250，用于根据所述音频中的N-1个划分点，从视频中提取N个视频片段并进行拼接得到拼接视频，并将所述音频添加至所述拼接视频的音轨中，得到目标视频。
需要指出，上述单元的分类并不构成对电子设备本身的限定，例如一些单元可以拆分为两个或以上的子单元，或者，一些单元可以合并为一个新的单元。
还需要指出，上述单元的名称在某种情况下并不构成对单元本身的限定，例如，上述确定单元210也可以被描述为“确定音频中的划分点，所述划分点包括音频起始点和节拍点”的单元。
基于同样的理由，电子设备中未详尽描述的单元和不代表相应的单元的缺省，凡是电子设备所执行的操作都可以通过电子设备中的相应的单元实现。
继续参见图3A，图3A是实现本公开实施例的视频处理方法的一个可选的流程示意图，例如，处理装置110将只读存储器(ROM)102中的程序或者将存储装置180中的程序加载到随机访问存储器(RAM)时，执行程序时可以实现图3A示出的视频处理方法，下面说明图3A示出的步骤。
在步骤101中，确定音频中的划分点，所述划分点包括音频起始点和节拍点。
这里，音频指的是一段音频。首先，确定音频中的音频起始点和节拍点，将两者统称为划分点，其中，每个划分点对应一个时间戳及音强。除此之外，节拍点还对应所在的拍数，为了便于理解，后文以四四拍进行说明，即每个节拍点对应{1，2，3，4}中的一个拍，其中1为重拍。
在步骤102中，当所述划分点的数量大于N-1时，确定删除各所述划分点的间隔代价、音强代价及位置代价，其中N为大于1的整数，表示待拼接的视频片段的数量。
获取待拼接的视频片段数量N，N为大于1的整数，由于每个视频片段都需要对应一个音频片段，则确定出需保留的划分点的数量为N-1。当音频中的划分点的数量大于N-1时，确定删除各划分点的间隔代价、音强代价及位置代价，其中，间隔代价根据划分点与其他划分点的间隔确定，音强代价根据划分点的音强信息确定，位置代价根据划分点在音频中的位置确定，具体确定方式在后文进行阐述。
在一些实施例中，在步骤102之前，还包括：删除音强低于音强阈值的所述节拍点；当所述音频起始点和所述节拍点之间的间隔时长小于第一时长阈值时，将所述音频起始点和所述节拍点合并为一个划分点；其中，合并得到的划分点的时间戳与所述节拍点相同；当所述划分点的开始间隔时长或结束间隔时长小于第二时长阈值时，删除所述划分点；其中，所述开始间隔时长是所述划分点与所述音频的开始位置之间的间隔时长，所述结束间隔时长是所述划分点与所述音频的结束位置之间的间隔时长。
在判断是否需要删除划分点之前，可对划分点进行预处理。具体地，删除音强低于音强阈值的节拍点，避免视频切换发生在音乐停止或没有明显节奏的地方，使用户产生没有卡上点的感觉，音强阈值可预先设定，或根据节拍点的情况确定，例如，将节拍点的音强从大到小进行排序，将排在最后10％位置的音强确定为音强阈值。
然后，计算每个音频起始点与每个节拍点之间的间隔时长，即两个点对应时间戳之间的差值的绝对值。当该间隔时长小于第一时长阈值时，将对应的音频起始点和节拍点合并为一个划分点，合并的划分点采用合并前的节拍点的时间戳，第一时长阈值如0.1秒。值得说明的是，在合并时，可将音频起始点和节拍点的音强进行平均处理，得到合并的划分点的音强，也可以直接将节拍点的音强作为合并的划分点的音强，本公开实施例对此不做限定。
另外，对于每个划分点，计算其与音频开始位置之间的开始间隔时长，以及与音频结束位置之间的结束间隔时长，当开始间隔时长或结束间隔时长小于第二时长阈值时，删除该划分点，防止片段切换位置离音频开始或结束过近，其中，第二时长阈值如0.1秒。通过上述的预处理方式，对划分点进行了预先筛选，提升了划分点的质量。
在步骤103中，根据所述间隔代价、所述音强代价及所述位置代价，确定对应的划分点的总代价。
这里，可为间隔代价、音强代价及位置代价分别设置权重，并将加权求和的结果确定为总代价，权重可预先设定，或根据多次测试确定。例如，间隔代价以Cost_d表示，音强代价以Cost_s表示，位置代价以Cost_p表示，则总代价可为Cost_d+w_s*Cost_s+w_p*Cost_p，即为Cost_d设置的权重为1，为Cost_s设置的权重为w_s，为Cost_p设置的权重为w_p。
在步骤104中，删除总代价最低的划分点，直到所述音频中的划分点的数量等于N-1。
这里，总代价越低，即代表对应的划分点对音频的影响程度越小，故删除音频中总代价最低的划分点，直到音频中的划分点的数量等于N-1为止。
在步骤105中，根据所述音频中的N-1个划分点，从视频中提取N个视频片段并进行拼接得到拼接视频，并将所述音频添加至所述拼接视频的音轨中，得到目标视频。
这里，待提取片段的视频可为仅为一个，也可为多个。在提取N个视频片段并进行拼接得到拼接视频后，将音频添加至拼接视频的音轨中，得到目标视频，如此，目标视频中一个视频片段转换至另一个视频片段的时刻，与音频中的划分点对应，提升了用户体验。
在一些实施例中，可以通过这样的方式实现上述的根据所述音频中的N-1个划分点，从视频中提取N个视频片段并进行拼接得到拼接视频：根据所述音频中的N-1个划分点，将所述音频划分为N个音频片段，并确定各所述音频片段的片段时长；获取N个视频，根据所述片段时长从对应的视频中提取视频片段，直到提取完成N个视频；将提取的N个所述视频片段进行拼接得到拼接视频。
这里，根据音频中的N-1个划分点，将音频划分为N个音频片段，并确定各音频片段的片段时长，当然，也可以不划分音频，直接确定片段时长。获取N个待提取视频片段的视频，根据片段时长从对应的视频中提取视频片段，直到提取完成N个视频，其中，不同片段时长对应的视频不同。例如，片段时长依次为片段时长1和片段时长2，视频依次为视频1和视频2，则根据片段时长1从视频1中提取视频片段，根据片段时长2从视频2中提取视频片段。
在从视频中提取视频片段时，可根据片段时长提取多个候选视频片段，并对各候选视频片段进行质量评分，将分数最高的候选视频片段，确定为最终提取出的视频片段。然后，按照N个视频本身的顺序，将N个视频片段进行拼接得到拼接视频。上述方式提升了对存在N个视频的场景的适用性。
通过公开实施例对于图3A的上述示例性实施可知，本公开实施例通过确定划分点的总代价，从而对总代价最低的划分点进行剪枝，提升了音频划分的准确性，也提升了最终得到的目标视频的卡点效果。
继续参见图3B，图3B是实现本公开实施例的视频处理方法的另一个可选的流程示意图，图3A所示出的步骤102可通过步骤201至步骤204实现，将结合各步骤进行说明。
在步骤201中，当所述划分点的数量大于N-1时，根据所述音频的总时长和所述N确定平均间隔时长，确定所述划分点的前一个划分点和后一个划分点之间的第一间隔时长。
这里，将音频的总时长除以N，得到平均间隔时长，同时，对于一个划分点来说，确定该划分点的前一个划分点和后一个划分点之间的间隔时长，即前一个划分点和后一个划分点的时间戳之间的差值的绝对值，为了便于区分，将此处得到的间隔时长命名为第一间隔时长。值得说明的是，当待确定间隔代价的划分点是音频中的第一个划分点时，其前一个划分点可为音频的开始位置；当待确定间隔代价的划分点是音频中的最后一个划分点时，其后一个划分点可为音频的结束位置。
在步骤202中，根据所述平均间隔时长和所述第一间隔时长，确定所述划分点的间隔代价。
例如，平均间隔时长为Davg，则间隔代价Cost_d的确定公式可为：
Cost_d＝abs(bi-1-bi+1-Davg)+(bi-1-bi+1)
其中，abs()为绝对值函数，bi-1-bi+1表示第一间隔时长，此处i为大于1的整数。通过上述公式，鼓励第一间隔时长和Davg尽量接近，避免出现间隔过短或过长的情况。
在步骤203中，根据所述划分点的音强信息，确定所述划分点的音强代价。
对于音强代价，则获取划分点的音强信息，根据该音强信息确定音强代价。
在一些实施例中，可以通过这样的方式实现上述的根据所述划分点的音强信息，确定所述划分点的音强代价：将所述划分点的音强，确定为所述划分点的音强代价；或者，将所述划分点的设定音强，确定为所述划分点的音强代价；其中，所述节拍点包括第一节拍点至第四节拍点，所述第一节拍点的设定音强大于第三节拍点的设定音强，第三节拍点的设定音强大于第二节拍点和所述第四节拍点的设定音强，并且，所述第三节拍点的设定音强大于所述音频起始点的设定音强。
这里，一种方式是，将划分点对应的实际音强，直接确定为划分点的音强代价；另一种方式是，确定划分点的设定音强，将设定音强确定为音强代价。对于后一种方式，按照四四拍将节拍点分为第一节拍点至第四节拍点，由于第一节拍点和第三节拍点的时间戳相对而言比较准确，并且第一节拍点和重拍的契合度较好，故设置第一节拍点的设定音强大于第三节拍点的设定音强，第三节拍点的设定音强大于第二节拍点和第四节拍点的设定音强，并且，第三节拍点的设定音强大于音频起始点的设定音强。通过上述方式，提升了确定音强代价的灵活性，同时，通过结合实际音频的四四拍特性，提升了确定音强代价的准确性，优先保留重音。
在步骤204中，确定所述划分点与所述音频中的第一个划分点之间的第二间隔时长，并根据所述音频的总时长和所述第二间隔时长，确定所述划分点的位置代价。
这里，确定划分点与音频中第一个划分点的时间戳之间的差值的绝对值，作为第二间隔时长，并根据音频的总时长和第二间隔时长，确定划分点的位置代价。
例如，音频的总时长为dur，则计算位置代价Cost_p的公式可为：
Figure BDA0002418433720000161
其中，abs()为绝对值函数，min()为最小值函数，bi-b1为第二间隔时长，此处i为大于0的整数。通过该公式，尽量避免在音频刚开始或者快要结束的时候频繁切换。
通过公开实施例对于图3B的上述示例性实施可知，本公开实施例通过通过平均间隔时长和第一间隔时长确定间隔代价，从而避免划分点之间的间隔过短或过长；通过音强信息确定音强代价，从而优先保留重音；通过确定位置代价，从而避免在开始位置和结束位置存在较多划分点，实现了多维度的代价评估。
继续参见图3C，图3C是实现本公开实施例的视频处理方法的另一个可选的流程示意图，在步骤101之后，还可以在步骤301中，当所述划分点的数量小于N-1时，确定所述音频中相邻的两个划分点之间的间隔时长。
当划分点的数量小于N-1时，则需要填充新的划分点，首先，确定音频中相邻的两个划分点之间的间隔时长，即相邻两个划分点的时间戳之间的差值的绝对值。另外，值得说明的是，当判断出音频中的划分点的数量等于N-1时，直接执行步骤105。
在步骤302中，确定最大的间隔时长，并确定所述间隔时长对应的第一划分点和第二划分点。
这里，将数值最大的间隔时长对应的两个划分点，分别命名为第一划分点和第二划分点。
在步骤303中，根据所述第一划分点的时间戳和所述第二划分点的时间戳，确定第三划分点的插入位置，并在所述插入位置插入所述第三划分点，直到所述音频中的划分点的数量达到N-1。
这里，第三划分点为新建的待填充的划分点，对第一划分点的时间戳和第二划分点的时间戳进行平均处理后，得到第三划分点的插入位置，并在该插入位置插入第三划分点，该插入位置即为第一划分点和第二划分点的中间位置。对于第三划分点的音强，可以统一设置为设定的音强，也可以设置为第一划分点的音强和第二划分点的音强的平均值。重复执行步骤301～步骤303，直到音频中的划分点的数量达到N-1为止。
为了便于理解，进行举例说明。假如音频中划分点的集合是B＝{b1,b2,...,bM}，共有M个划分点，同时待拼接的视频片段的数量为N个，则当M<N-1时，需要在音频中填充N-M-1个划分点，过程如下：
1)步骤2)～4)循环N-M-1次；
2)计算B中相邻两个划分点之间的间隔时长，得到集合G＝{g1,g2,...,gs-1}，s表示B中的划分点个数，在第一次循环中s＝M。间隔时长gi的计算方式为：
gi＝bi-bi+1,1≤i≤s-1
3)确定集合G中的最大数值的元素gp，p为该元素的标号；
4)在集合B中插入新的音频点：b＝(bp+bp+1)/2。
通过公开实施例对于图3C的上述示例性实施可知，本公开实施例在音频中的划分点较少时，将新建的划分点填充至较大间隔内的位置，提升了处理的灵活性。
继续参见图3D，图3D是实现本公开实施例的视频处理方法的另一个可选的流程示意图，图3A示出的步骤101可通过步骤401至步骤405实现，将结合各步骤进行说明。
在步骤401中，将音频进行频域变换得到频域信号，并将所述频域信号拆分为多个频段。
在确定音频起始点时，将音频进行短时傅里叶变换得到频域信号，并将频域信号拆分为多个频段。
在步骤402中，确定所述频段的第一频谱参数，并根据所述频段的第一频谱参数以及所述频段前的多个频段的第一频谱参数，确定所述频段的第二频谱参数。
对于每个频段，确定该频段的频谱参数，为了便于区分，将此处的频谱参数命名为第一频谱参数，第一频谱参数可通过对频段的幅度值及相位进行加权处理得到，本公开实施例对此不做限定。然后，根据该频段的第一频谱参数以及该频段前设定个数的频段的第一频谱参数，确定该频段的第二频谱参数，其中，设定个数可根据实际应用场景进行设置。例如，对频段A的第一频谱参数以及频段A前的3个频段的第一频谱参数进行均值处理，得到频段A的第二频谱参数。
在步骤403中，根据各所述频段的第二频谱参数，确定所述音频的音频起始点。
在得到各频段的第二频谱参数后，根据各频段的第二频谱参数确定频谱参数曲线，确定该频谱参数曲线中的局部最高点，并根据局部最高点确定音频的音频起始点，即，将频谱参数曲线中具有较为突出的阶跃变化的点确定为音频起始点。
在步骤404中，从所述音频中提取音频特征，通过机器学习模型对所述音频特征进行预测处理，得到所述音频中的节拍点。
通过标注音频特征和标注节拍点对机器学习模型进行训练，更新机器学习模型的权重参数，其中，机器学习模型可为长短期记忆网络(LSTM，Long Short-Term Memory)模型。在本步骤中，从音频中提取音频特征，通过训练好的机器学习模型对音频特征进行预测处理，得到音频中的节拍点，音频特征可包括色度特征。
在步骤405中，将所述音频起始点和所述节拍点，确定为划分点。
这里，将音频起始点和节拍点统称为划分点。
通过公开实施例对于图3D的上述示例性实施可知，本公开实施例通过更新频谱参数的方式得到音频起始点，通过机器学习模型预测处理的方式得到节拍点，提升了音频中确定出的划分点的准确性。
根据本公开的一个或多个实施例，提供了一种视频处理方法，包括：确定音频中的划分点，所述划分点包括音频起始点和节拍点；当所述划分点的数量大于N-1时，确定删除各所述划分点的间隔代价、音强代价及位置代价，其中N为大于1的整数，表示待拼接的视频片段的数量；根据所述间隔代价、所述音强代价及所述位置代价，确定对应的划分点的总代价；删除总代价最低的划分点，直到所述音频中的划分点的数量等于N-1；根据所述音频中的N-1个划分点，从视频中提取N个视频片段并进行拼接得到拼接视频，并将所述音频添加至所述拼接视频的音轨中，得到目标视频。
在一些实施例中，所述确定删除各所述划分点的间隔代价、音强代价及位置代价，包括：根据所述音频的总时长和所述N确定平均间隔时长，确定所述划分点的前一个划分点和后一个划分点之间的第一间隔时长；根据所述平均间隔时长和所述第一间隔时长，确定所述划分点的间隔代价；根据所述划分点的音强信息，确定所述划分点的音强代价；确定所述划分点与所述音频中的第一个划分点之间的第二间隔时长，并根据所述音频的总时长和所述第二间隔时长，确定所述划分点的位置代价。
在一些实施例中，所述根据所述划分点的音强信息，确定所述划分点的音强代价，包括：将所述划分点的音强，确定为所述划分点的音强代价；或者，将所述划分点的设定音强，确定为所述划分点的音强代价；其中，所述节拍点包括第一节拍点至第四节拍点，所述第一节拍点的设定音强大于第三节拍点的设定音强，第三节拍点的设定音强大于第二节拍点和所述第四节拍点的设定音强，并且，所述第三节拍点的设定音强大于所述音频起始点的设定音强。
在一些实施例中，所述当所述划分点的数量大于N-1时，确定删除各所述划分点的间隔代价、音强代价及位置代价之前，还包括：删除音强低于音强阈值的所述节拍点；当所述音频起始点和所述节拍点之间的间隔时长小于第一时长阈值时，将所述音频起始点和所述节拍点合并为一个划分点；其中，合并得到的划分点的时间戳与所述节拍点相同；当所述划分点的开始间隔时长或结束间隔时长小于第二时长阈值时，删除所述划分点；其中，所述开始间隔时长是所述划分点与所述音频的开始位置之间的间隔时长，所述结束间隔时长是所述划分点与所述音频的结束位置之间的间隔时长。
在一些实施例中，所述视频处理方法，还包括：当所述划分点的数量小于N-1时，确定所述音频中相邻的两个划分点之间的间隔时长；确定最大的间隔时长，并确定所述间隔时长对应的第一划分点和第二划分点；根据所述第一划分点的时间戳和所述第二划分点的时间戳，确定第三划分点的插入位置，并在所述插入位置插入所述第三划分点，直到所述音频中的划分点的数量达到N-1。
在一些实施例中，所述确定音频中的划分点，包括：将音频进行频域变换得到频域信号，并将所述频域信号拆分为多个频段；确定所述频段的第一频谱参数，并根据所述频段的第一频谱参数以及所述频段前的多个频段的第一频谱参数，确定所述频段的第二频谱参数；根据各所述频段的第二频谱参数，确定所述音频的音频起始点；从所述音频中提取音频特征，通过机器学习模型对所述音频特征进行预测处理，得到所述音频中的节拍点；将所述音频起始点和所述节拍点，确定为划分点。
在一些实施例中，所述根据所述音频中的N-1个划分点，从视频中提取N个视频片段并进行拼接得到拼接视频，包括：根据所述音频中的N-1个划分点，将所述音频划分为N个音频片段，并确定各所述音频片段的片段时长；获取N个视频，根据所述片段时长从对应的视频中提取视频片段，直到提取完成N个视频；将提取的N个所述视频片段进行拼接得到拼接视频。
根据本公开的一个或多个实施例，提供了视频处理装置，包括：确定单元，用于确定音频中的划分点，所述划分点包括音频起始点和节拍点；第一代价确定单元，用于当所述划分点的数量大于N-1时，确定删除各所述划分点的间隔代价、音强代价及位置代价，其中N为大于1的整数，表示待拼接的视频片段的数量；第二代价确定单元，用于根据所述间隔代价、所述音强代价及所述位置代价，确定对应的划分点的总代价；删除单元，用于删除总代价最低的划分点，直到所述音频中的划分点的数量等于N-1；添加单元，用于根据所述音频中的N-1个划分点，从视频中提取N个视频片段并进行拼接得到拼接视频，并将所述音频添加至所述拼接视频的音轨中，得到目标视频。
在一些实施例中，所述第一代价确定单元，还用于：根据所述音频的总时长和所述N确定平均间隔时长，确定所述划分点的前一个划分点和后一个划分点之间的第一间隔时长；根据所述平均间隔时长和所述第一间隔时长，确定所述划分点的间隔代价；根据所述划分点的音强信息，确定所述划分点的音强代价；确定所述划分点与所述音频中的第一个划分点之间的第二间隔时长，并根据所述音频的总时长和所述第二间隔时长，确定所述划分点的位置代价。
在一些实施例中，所述第一代价确定单元，还用于：将所述划分点的音强，确定为所述划分点的音强代价；或者，将所述划分点的设定音强，确定为所述划分点的音强代价；其中，所述节拍点包括第一节拍点至第四节拍点，所述第一节拍点的设定音强大于第三节拍点的设定音强，第三节拍点的设定音强大于第二节拍点和所述第四节拍点的设定音强，并且，所述第三节拍点的设定音强大于所述音频起始点的设定音强。
在一些实施例中，所述视频处理装置，还包括：节拍点删除单元，用于删除音强低于音强阈值的所述节拍点；合并单元，用于当所述音频起始点和所述节拍点之间的间隔时长小于第一时长阈值时，将所述音频起始点和所述节拍点合并为一个划分点；其中，合并得到的划分点的时间戳与所述节拍点相同；划分点删除单元，用于当所述划分点的开始间隔时长或结束间隔时长小于第二时长阈值时，删除所述划分点；其中，所述开始间隔时长是所述划分点与所述音频的开始位置之间的间隔时长，所述结束间隔时长是所述划分点与所述音频的结束位置之间的间隔时长。
在一些实施例中，所述视频处理装置，还包括：间隔确定单元，用于当所述划分点的数量小于N-1时，确定所述音频中相邻的两个划分点之间的间隔时长；确定最大的间隔时长，并确定所述间隔时长对应的第一划分点和第二划分点；根据所述第一划分点的时间戳和所述第二划分点的时间戳，确定第三划分点的插入位置，并在所述插入位置插入所述第三划分点，直到所述音频中的划分点的数量达到N-1。
在一些实施例中，所述确定单元，还用于：将音频进行频域变换得到频域信号，并将所述频域信号拆分为多个频段；确定所述频段的第一频谱参数，并根据所述频段的第一频谱参数以及所述频段前的多个频段的第一频谱参数，确定所述频段的第二频谱参数；根据各所述频段的第二频谱参数，确定所述音频的音频起始点；从所述音频中提取音频特征，通过机器学习模型对所述音频特征进行预测处理，得到所述音频中的节拍点；将所述音频起始点和所述节拍点，确定为划分点。
在一些实施例中，所述添加单元，还用于：根据所述音频中的N-1个划分点，将所述音频划分为N个音频片段，并确定各所述音频片段的片段时长；获取N个视频，根据所述片段时长从对应的视频中提取视频片段，直到提取完成N个视频；将提取的N个所述视频片段进行拼接得到拼接视频。
根据本公开的一个或多个实施例，提供了一种电子设备，包括：存储器，用于存储可执行指令；处理器，用于执行所述可执行指令时，实现本公开实施例提供的视频处理方法。
根据本公开的一个或多个实施例，提供了一种存储介质，存储有可执行指令，所述可执行指令被执行时，用于实现本公开实施例提供的视频处理方法。
以上描述仅为本公开的实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种视频处理方法，其特征在于，包括：
确定音频中的划分点，所述划分点包括音频起始点和节拍点；
当所述划分点的数量大于N-1时，确定删除各所述划分点的间隔代价、音强代价及位置代价，其中N为大于1的整数，表示待拼接的视频片段的数量；
根据所述间隔代价、所述音强代价及所述位置代价，确定对应的划分点的总代价；
删除总代价最低的划分点，直到所述音频中的划分点的数量等于N-1；
根据所述音频中的N-1个划分点，从视频中提取N个视频片段并进行拼接得到拼接视频，并
将所述音频添加至所述拼接视频的音轨中，得到目标视频。
2.根据权利要求1所述的视频处理方法，其特征在于，所述确定删除各所述划分点的间隔代价、音强代价及位置代价，包括：
根据所述音频的总时长和所述N确定平均间隔时长，确定所述划分点的前一个划分点和后一个划分点之间的第一间隔时长；
根据所述平均间隔时长和所述第一间隔时长，确定所述划分点的间隔代价；
根据所述划分点的音强信息，确定所述划分点的音强代价；
确定所述划分点与所述音频中的第一个划分点之间的第二间隔时长，并根据所述音频的总时长和所述第二间隔时长，确定所述划分点的位置代价。
3.根据权利要求2所述的视频处理方法，其特征在于，所述根据所述划分点的音强信息，确定所述划分点的音强代价，包括：
将所述划分点的音强，确定为所述划分点的音强代价；或者，
将所述划分点的设定音强，确定为所述划分点的音强代价；
其中，所述节拍点包括第一节拍点至第四节拍点，所述第一节拍点的设定音强大于第三节拍点的设定音强，第三节拍点的设定音强大于第二节拍点和所述第四节拍点的设定音强，并且，所述第三节拍点的设定音强大于所述音频起始点的设定音强。
4.根据权利要求1所述的视频处理方法，其特征在于，所述当所述划分点的数量大于N-1时，确定删除各所述划分点的间隔代价、音强代价及位置代价之前，还包括：
删除音强低于音强阈值的所述节拍点；
当所述音频起始点和所述节拍点之间的间隔时长小于第一时长阈值时，将所述音频起始点和所述节拍点合并为一个划分点；其中，合并得到的划分点的时间戳与所述节拍点相同；
当所述划分点的开始间隔时长或结束间隔时长小于第二时长阈值时，删除所述划分点；
其中，所述开始间隔时长是所述划分点与所述音频的开始位置之间的间隔时长，所述结束间隔时长是所述划分点与所述音频的结束位置之间的间隔时长。
5.根据权利要求1所述的视频处理方法，其特征在于，还包括：
当所述划分点的数量小于N-1时，确定所述音频中相邻的两个划分点之间的间隔时长；
确定最大的间隔时长，并确定所述间隔时长对应的第一划分点和第二划分点；
根据所述第一划分点的时间戳和所述第二划分点的时间戳，确定第三划分点的插入位置，并在所述插入位置插入所述第三划分点，直到所述音频中的划分点的数量达到N-1。
6.根据权利要求1所述的视频处理方法，其特征在于，所述确定音频中的划分点，包括：
将音频进行频域变换得到频域信号，并将所述频域信号拆分为多个频段；
确定所述频段的第一频谱参数，并根据所述频段的第一频谱参数以及所述频段前的多个频段的第一频谱参数，确定所述频段的第二频谱参数；
根据各所述频段的第二频谱参数，确定所述音频的音频起始点；
从所述音频中提取音频特征，通过机器学习模型对所述音频特征进行预测处理，得到所述音频中的节拍点；
将所述音频起始点和所述节拍点，确定为划分点。
7.根据权利要求1所述的视频处理方法，其特征在于，所述根据所述音频中的N-1个划分点，从视频中提取N个视频片段并进行拼接得到拼接视频，包括：
根据所述音频中的N-1个划分点，将所述音频划分为N个音频片段，并确定各所述音频片段的片段时长；
获取N个视频，根据所述片段时长从对应的视频中提取视频片段，直到提取完成N个视频；
将提取的N个所述视频片段进行拼接得到拼接视频。
8.一种视频处理装置，其特征在于，包括：
确定单元，用于确定音频中的划分点，所述划分点包括音频起始点和节拍点；
第一代价确定单元，用于当所述划分点的数量大于N-1时，确定删除各所述划分点的间隔代价、音强代价及位置代价，其中N为大于1的整数，表示待拼接的视频片段的数量；
第二代价确定单元，用于根据所述间隔代价、所述音强代价及所述位置代价，确定对应的划分点的总代价；
删除单元，用于删除总代价最低的划分点，直到所述音频中的划分点的数量等于N-1；
添加单元，用于根据所述音频中的N-1个划分点，从视频中提取N个视频片段并进行拼接得到拼接视频，并
将所述音频添加至所述拼接视频的音轨中，得到目标视频。
9.一种电子设备，其特征在于，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述可执行指令时，实现如权利要求1至7任一项所述的视频处理方法。
10.一种存储介质，其特征在于，存储有可执行指令，所述可执行指令被执行时，用于实现如权利要求1至7任一项所述的视频处理方法。
CN202010198349.6A 2020-03-19 2020-03-19 视频处理方法、装置、电子设备及存储介质 Active CN113497970B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010198349.6A CN113497970B (zh) 2020-03-19 2020-03-19 视频处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010198349.6A CN113497970B (zh) 2020-03-19 2020-03-19 视频处理方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113497970A true CN113497970A (zh) 2021-10-12
CN113497970B CN113497970B (zh) 2023-04-11

Family

ID=77993595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010198349.6A Active CN113497970B (zh) 2020-03-19 2020-03-19 视频处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113497970B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023121562A3 (zh) * 2021-12-24 2023-10-05 脸萌有限公司 基于音乐点的视频生成方法、装置、设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020148347A1 (en) * 2001-04-13 2002-10-17 Magix Entertainment Products, Gmbh System and method of BPM determination
US20050211072A1 (en) * 2004-03-25 2005-09-29 Microsoft Corporation Beat analysis of musical signals
US20060185501A1 (en) * 2003-03-31 2006-08-24 Goro Shiraishi Tempo analysis device and tempo analysis method
US20070163425A1 (en) * 2000-03-13 2007-07-19 Tsui Chi-Ying Melody retrieval system
US20090150164A1 (en) * 2007-12-06 2009-06-11 Hu Wei Tri-model audio segmentation
US20120046954A1 (en) * 2010-08-18 2012-02-23 Apple Inc. Efficient beat-matched crossfading
CN110070885A (zh) * 2019-02-28 2019-07-30 北京字节跳动网络技术有限公司 音频起始点检测方法和装置
CN110677711A (zh) * 2019-10-17 2020-01-10 北京字节跳动网络技术有限公司 视频配乐方法、装置、电子设备及计算机可读介质
CN110688518A (zh) * 2019-10-12 2020-01-14 广州酷狗计算机科技有限公司 节奏点的确定方法、装置、设备及存储介质
CN110688520A (zh) * 2019-09-20 2020-01-14 腾讯音乐娱乐科技（深圳）有限公司 音频特征提取方法、装置及介质
CN110769309A (zh) * 2019-11-04 2020-02-07 北京字节跳动网络技术有限公司 用于展示音乐点的方法、装置、电子设备和介质
CN110890083A (zh) * 2019-10-31 2020-03-17 北京达佳互联信息技术有限公司 音频数据的处理方法、装置、电子设备及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070163425A1 (en) * 2000-03-13 2007-07-19 Tsui Chi-Ying Melody retrieval system
US20020148347A1 (en) * 2001-04-13 2002-10-17 Magix Entertainment Products, Gmbh System and method of BPM determination
US20060185501A1 (en) * 2003-03-31 2006-08-24 Goro Shiraishi Tempo analysis device and tempo analysis method
US20050211072A1 (en) * 2004-03-25 2005-09-29 Microsoft Corporation Beat analysis of musical signals
US20090150164A1 (en) * 2007-12-06 2009-06-11 Hu Wei Tri-model audio segmentation
US20120046954A1 (en) * 2010-08-18 2012-02-23 Apple Inc. Efficient beat-matched crossfading
CN110070885A (zh) * 2019-02-28 2019-07-30 北京字节跳动网络技术有限公司 音频起始点检测方法和装置
CN110688520A (zh) * 2019-09-20 2020-01-14 腾讯音乐娱乐科技（深圳）有限公司 音频特征提取方法、装置及介质
CN110688518A (zh) * 2019-10-12 2020-01-14 广州酷狗计算机科技有限公司 节奏点的确定方法、装置、设备及存储介质
CN110677711A (zh) * 2019-10-17 2020-01-10 北京字节跳动网络技术有限公司 视频配乐方法、装置、电子设备及计算机可读介质
CN110890083A (zh) * 2019-10-31 2020-03-17 北京达佳互联信息技术有限公司 音频数据的处理方法、装置、电子设备及存储介质
CN110769309A (zh) * 2019-11-04 2020-02-07 北京字节跳动网络技术有限公司 用于展示音乐点的方法、装置、电子设备和介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023121562A3 (zh) * 2021-12-24 2023-10-05 脸萌有限公司 基于音乐点的视频生成方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113497970B (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
CN110677711B (zh) 视频配乐方法、装置、电子设备及计算机可读介质
CN109543064B (zh) 歌词显示处理方法、装置、电子设备及计算机存储介质
CN110278388B (zh) 展示视频的生成方法、装置、设备及存储介质
CN110704751B (zh) 数据处理方法、装置、电子设备及存储介质
CN111309962B (zh) 提取音频片段的方法、装置以及电子设备
CN112153460B (zh) 一种视频的配乐方法、装置、电子设备和存储介质
CN112822563A (zh) 生成视频的方法、装置、电子设备和计算机可读介质
US11490168B2 (en) Method and apparatus for selecting video clip, server and medium
CN110070884B (zh) 音频起始点检测方法和装置
CN109815448B (zh) 幻灯片生成方法及装置
CN110516159B (zh) 一种信息推荐方法、装置、电子设备及存储介质
CN111798821A (zh) 声音转换方法、装置、可读存储介质及电子设备
CN111667810B (zh) 多音字语料的获取方法、装置、可读介质和电子设备
CN112562633A (zh) 一种歌唱合成方法、装置、电子设备及存储介质
CN110070885B (zh) 音频起始点检测方法和装置
CN113497970B (zh) 视频处理方法、装置、电子设备及存储介质
CN113923390A (zh) 视频录制方法、装置、设备及存储介质
CN111462775B (zh) 音频相似度确定方法、装置、服务器及介质
CN110085214B (zh) 音频起始点检测方法和装置
CN113077815A (zh) 一种音频评估方法及组件
CN111916050A (zh) 语音合成方法、装置、存储介质和电子设备
CN109816670B (zh) 用于生成图像分割模型的方法和装置
CN114595361B (zh) 一种音乐热度的预测方法、装置、存储介质及电子设备
CN112669816B (zh) 模型的训练方法、语音识别方法、装置、介质及设备
CN113935418A (zh) 视频生成方法及设备

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