CN113905177A - 视频生成方法、装置、设备及存储介质 - Google Patents

视频生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113905177A
CN113905177A CN202111154001.8A CN202111154001A CN113905177A CN 113905177 A CN113905177 A CN 113905177A CN 202111154001 A CN202111154001 A CN 202111154001A CN 113905177 A CN113905177 A CN 113905177A
Authority
CN
China
Prior art keywords
image
audio
target object
target
original
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
CN202111154001.8A
Other languages
English (en)
Other versions
CN113905177B (zh
Inventor
黄佳斌
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 Zitiao Network Technology Co Ltd
Original Assignee
Beijing Zitiao Network 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 Zitiao Network Technology Co Ltd filed Critical Beijing Zitiao Network Technology Co Ltd
Priority to CN202111154001.8A priority Critical patent/CN113905177B/zh
Publication of CN113905177A publication Critical patent/CN113905177A/zh
Priority to PCT/CN2022/118679 priority patent/WO2023051245A1/zh
Application granted granted Critical
Publication of CN113905177B publication Critical patent/CN113905177B/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
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • 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 or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream 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 or rendering scenes according to encoded video stream scene graphs
    • H04N21/44016—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream 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
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H04N5/265—Mixing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H04N5/272—Means for inserting a foreground image in a background image, i.e. inlay, outlay

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Processing Or Creating Images (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本公开实施例公开了一种视频生成方法、装置、设备及存储介质。获取原始图像及与原始图像相匹配的原始音频；对原始图像进行目标对象的分割，获得目标对象图像和背景图像；对原始音频进行重音识别，获得重音音频；对目标对象图像的尺寸按照不同的调整比例进行调整，获得多个调整后的目标对象图像；将多个调整后的目标对象图像分别与背景图像进行融合，获得多个目标图像；将多个目标图像与重音音频进行音视频编码，获得目标视频。本公开实施例提供的视频生成方法，将调整尺寸后的目标对象图像与重音音频进行音视频编码，获得目标视频，不仅可以提高视频生成的效率，且可以丰富生成视频的呈现效果。

Description

视频生成方法、装置、设备及存储介质
技术领域
本公开实施例涉及图像处理技术领域，尤其涉及一种视频生成方法、装置、设备及存储介质。
背景技术
随着智能终端中拍照技术的不断成熟，用户越来越喜欢利用智能终端进行拍照以记录生活，这样就获得的大量的照片。对于终端存储的照片，用户喜欢进行二次加工，例如：对照片进行精修，或者将照片制作成视频，以增加趣味性。现有的技术，通常需要用户手工对图片进行处理以生成视频，不仅效率低下，且效果差。
发明内容
本公开实施例提供一种视频生成方法、装置、设备及存储介质，不仅可以提高视频生成的效率，且可以提高视频的播放效果。
第一方面，本公开实施例提供了一种视频生成方法，包括：
获取原始图像及与所述原始图像相匹配的原始音频；
对所述原始图像进行目标对象的分割，获得目标对象图像和背景图像；
对所述原始音频进行重音识别，获得重音音频；
对所述目标对象图像的尺寸按照不同的调整比例进行调整，获得多个调整后的目标对象图像；
将所述多个调整后的目标对象图像分别与所述背景图像进行融合，获得多个目标图像；
将所述多个目标图像与所述重音音频进行音视频编码，获得目标视频。
第二方面，本公开实施例还提供了一种视频生成装置，包括：
原始音频获取模块，用于获取原始图像及与所述原始图像相匹配的原始音频；
图像分割模块，用于对所述原始图像进行目标对象的分割，获得目标对象图像和背景图像；
重音识别模块，用于对所述原始音频进行重音识别，获得重音音频；
目标对象图像尺寸调整模块，用于对所述目标对象图像的尺寸按照不同的调整比例进行调整，获得多个调整后的目标对象图像；
目标图像获取模块，用于将所述多个调整后的目标对象图像分别与所述背景图像进行融合，获得多个目标图像；
目标视频获取模块，用于将所述多个目标图像与所述重音音频进行音视频编码，获得目标视频。
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理装置；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现如本公开实施例所述的视频生成方法。
第四方面，本公开实施例还提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现如本公开实施例所述的视频生成方法。
本公开实施例公开了一种视频生成方法、装置、设备及存储介质。获取原始图像及与原始图像相匹配的原始音频；对原始图像进行目标对象的分割，获得目标对象图像和背景图像；对原始音频进行重音识别，获得重音音频；对目标对象图像的尺寸按照不同的调整比例进行调整，获得多个调整后的目标对象图像；将多个调整后的目标对象图像分别与背景图像进行融合，获得多个目标图像；将多个目标图像与重音音频进行音视频编码，获得目标视频。本公开实施例提供的视频生成方法，将调整尺寸后的目标对象图像与重音音频进行音视频编码，获得目标视频，不仅可以提高视频生成的效率，且可以丰富生成视频的呈现效果。
附图说明
图1是本公开实施例中的一种视频生成方法的流程图；
图2是本公开实施例中的对原始图像进行目标对象分割的示例图；
图3是本公开实施例中的一种图像分割模型的是示意图；
图4是本公开实施例中的一种视频生成装置的结构示意图；
图5是本公开实施例中的一种电子设备的结构示意图。
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。
本实施例中，要使得生成的视频具有“鬼畜”效果，“鬼畜”一般具有如下特点：相同片段重复播放、片段播放需要结合重音、会进行镜像翻转以及放大/缩小特效等。为了实现上述效果，需要对图片执行本实施公开的技术方案的处理。
图1为本公开实施例一提供的一种视频生成方法的流程图，本实施例可适用于基于图片生成视频的情况，该方法可以由视频生成装置来执行，该装置可由硬件和/或软件组成，并一般可集成在具有视频生成功能的设备中，该设备可以是服务器、移动终端或服务器集群等电子设备。如图1所示，该方法具体包括如下步骤：
步骤110，获取原始图像及与原始图像相匹配的原始音频。
其中，原始图像可以是用户通过智能终端的摄像头拍摄的、本地存储的、从网络中图片库中下载获得的或者是其他用户发送过来的。此处对原始图像的来源不做限定。原始音频可以是节奏感较强的音频。
本实施例中，获取与原始图像相匹配的原始音频的方式可以是：根据用户的选择操作获取与原始图像相匹配的原始音频；或者，识别原始图像的类型信息；基于类型信息获取与原始图像相匹配的原始音频。
其中，用户选择的方式可以是用户指定的音频，获得APP提供音频模板后用户选择的。
其中，识别原始图像的类型信息的方式可以是：将原始图像输入至类型识别模型中，获得原始图像所属的类型。类型识别模型可以是由设定神经网络训练获得的。具体的，在确定了原始图像的类型信息后，从该类型信息对应的音频库中随机选择一段音频作为原始音频。类型可以包括：自然风景类型、人物类型、建筑物类型等。
步骤120，对原始图像进行目标对象的分割，获得目标对象图像和背景图像。
其中，目标对象可以是原始图像中包含的人体或者主体物体。本实施例中，需要首先对原始图像中的目标对象进行识别，然后将识别到的目标对象与背景进行分割，获得目标对象图像和背景图像。示例性的，图2是本实施例中一组对原始图像进行目标对象分割的示例图，如图2所示，目标对象可以是水果、动物、人体或者车辆等。
可选的，对原始图像进行目标对象的分割，获得目标对象图像和背景图像的过程可以是：对原始图像进行人像识别；若识别到人像，则将识别到的人像确定为目标对象；若未识别到人像，则对原始图像进行主体物体的识别，将识别到的主体物体确定为目标对象；将目标对象与背景进行分割，获得目标对象图像和背景图像。
本实施例中，首先将人体作为目标对象，当原始图像中不存在人像时，可以采用显著性分割算法识别原始图像中的主体物体。具体的，首先对原始图像中进行人像识别，若识别到人像，则将人像与背景进行分割，获得人体图像和背景图像；若未识别到人像，则采用显著性分割算法对原始图像进行主体物体的识别，并将主体物体和背景进行分割，获得主体物体图像和背景图像。
可选的，若在原始图像中识别到多个人像，则可以将占原始图像的尺寸比例最大的人像作为目标对象。
可选的，对原始图像进行目标对象的分割，获得目标对象图像和背景图像的方式还可以是：将原始图像输入图像分割模型中，获得目标对象图像和背景图像。
本实例中，为了模型能够部署于移动终端上，需要模型计算量小、计算高效且简单，本公开实施例中，卷积网络为深度可分卷积网络。
图3是本实施例中一种图像分割模型的是示意图。如图3所示，图像分割模型包括：通道交换网络、通道切分网络及深度可分卷积网络。深度可分卷积网络包括第一通道卷积子网络、深度卷积子网络、第二通道卷积子网络和通道合并层。通道交换网络、通道切分网络、第一通道卷积子网络、深度卷积子网络、第二通道卷积子网络和通道合并层依次连接；且通道切分网络输出与通道合并层的输入跳跃连接。第一通道卷积子网络包括第一通道卷积层、非线性激活层和线性变换层；深度卷积子网络包括深度卷积层(DepthwiseConvolution)、非线性激活层和线性变换层；第二通道卷积子网络包括第二通道卷积层(Pointwise Convolution)、非线性激活层和线性变换层；深度卷积层有多个并行的卷积核组成。
其中，第一通道卷积层和第二通道卷积层均可以由1×1的卷积核构成。深度卷积层可以由3×3的卷积核构成，且3×3的卷积核是由三个并行的卷积核构成，三个并行的卷积核的尺寸分为3×3、3×1和1×3。通道交换网络可以通过channel shuffle方式实现，非线性激活层可以由线性整流函数(Rectified Linear Unit，ReLU)实现，线性变换层可以由批量标准化(Batch Normalization，BN)算法实现。本实施例提供的向量场预测模型工作耗时低，可以应用于对耗时要求高的移动终端上。
步骤130，对原始音频进行重音识别，获得重音音频。
其中，重音可以理解为节奏感较强的音符。
本实施例中，对原始音频进行重音识别，获得重音音频的方式可以是：对原始音频进行去噪处理；对去噪后的原始音频进行音符起始点检测，获得音符起始点；采用峰值检测算法对去噪后的原始音频的峰值进行检测，获得满足设定条件的峰值点；根据峰值点和音符起始点确定重音音频。
其中，可以采用onset函数对音频进行音符起始点的检测。峰值检测算法(peak-picking)的原理可以是：获取重音音频对应的波形，计算该波形每个点的一阶差分值，若某个点满足：该点之前的差分值大于0，该点之后的差分值小于0，则该点可以认为是峰值点。本实施例中，对于提取出的峰值点，还需要判断其幅值是否大于设定阈值，若大于，则该峰值点为满足设定条件的峰值点，否则，该峰值点不满足设定条件。
其中，根据峰值点和音符起始点确定重音音频的过程可以是：获取与该峰值点前后相邻的两个音符起始点，前相邻音符起始点和后相邻音符起始点之间的音频为重音音频。
步骤140，对目标对象图像的尺寸按照不同的调整比例进行调整，获得多个调整后的目标对象图像。
其中，调整比例可以是大于1的任意值。由于调整比例大于1，则调整后的目标对象图像大于原目标对象图像。本实施例中，在对目标对象图像的尺寸进行调整时，调整比例可以按照一定的步长先增大后减小，这样在视频中的效果为目标对象先逐渐增大再逐渐减小到原图。示例性的，假设共有20帧图像，则设置前15张图像按照第一变化步长使得调整比例从1变到2，后5张图像按照第二变化步长使得调整比例从2变到1。
可选的，对目标对象图像的尺寸按照不同的调整比例进行调整，获得多个调整后的目标对象图像的过程可以是：根据重音音频的时长确定所需的图像数量；根据图像数量确定调整比例的变化方式，获得多个不同的调整比例；根据多个不同的调整比例分别对目标对象图像的尺寸进行调整，获得图像数量的调整后的目标对象图像。
其中，变化方式包括变化趋势以及变化步长。变化趋势可以是先增大后减小，变化步长由图像数量及最大调整比例来确定。调整比例的数量与图像的数量相同。本实施例中，可以将重音音频的时长与视频的帧率相乘，以获得所需的图像数量。示例性的，假设重音音频的时长为2s，视频的帧率为15，则所需的图像数量为30。
具体的，根据图像数量确定调整比例的变化方式，获得多个不同的调整比例的过程可以是：假设最大调整比例为M，图像数量为N，设置前a％的图像数量的调整比例按照从小到大变化，即从1变化到M，则第一变化步长为(M-1)/(a％*N-1)；设置后1-a％的图像数量的调整比例按照从大到小变化，即从M变化到1，则第二变化步长为(M-1)/((1-a％)*N-1)。在获得多个不同的调整比例后，对目标对象图像依次按照不同的调整比例进行调整，从而获得多个调整后的目标对象图像。
步骤150，将多个调整后的目标对象图像分别与背景图像进行融合，获得多个目标图像。
具体的，将多个调整后的目标对象图像分别与背景图像进行融合的过程可以是：首先确定目标对象图像在原始图像的位置信息，然后按照该位置将目标对象图像直接贴回原始图像中，从而获得目标图像。
步骤160，将多个目标图像与重音音频进行音视频编码，获得目标视频。
本实施例中，需要将多个目标图像与重音音频对齐后再进行音视频编码。
其中，重音音频包括重音起始点和重音终止点，将多个目标图像与重音音频进行编码，获得目标视频的过程可以是：将多个目标图像中的首帧与重音起始点对齐，将多个目标图像中的尾帧与重音终止点对齐；基于对齐后的目标图像和重音音频进行音视频编码，获得目标视频。
其中，音视频编码的方式可以采用现有任意的方式实现，此处不做限定。
可选的，在将多个图像与重音音频进行音视频编码之前，还包括如下步骤：从多个目标图像中提取目标区域；对目标区域执行如下至少一项处理：随机放大目标区域、随机缩小目标区域或者对目标区域进行镜像旋转。
其中，目标区域包含目标对象的部分或者全部像素点，且目标区域的中心点为目标对象的像素点。随机放大目标区域可以理解为可以沿目标区域的任意一方向放大，而不是等比例放大，类似的，随机缩小目标区域可以理解为可以沿目标区域的任意一方向放大，而不是等比例缩小。本实施例中，多个目标区域执行的处理可以相同也可以不同。例如：第一帧中目标区域执行随机放大和镜像旋转处理，第2帧执行随机缩小的处理等。
本公开实施例的技术方案，获取原始图像及与原始图像相匹配的原始音频；对原始图像进行目标对象的分割，获得目标对象图像和背景图像；对原始音频进行重音识别，获得重音音频；对目标对象图像的尺寸按照不同的调整比例进行调整，获得多个调整后的目标对象图像；将多个调整后的目标对象图像分别与背景图像进行融合，获得多个目标图像；将多个目标图像与重音音频进行音视频编码，获得目标视频。本公开实施例提供的视频生成方法，将调整尺寸后的目标对象图像与重音音频进行音视频编码，获得目标视频，使得目标视频具有“鬼畜”的效果，不仅可以提高视频生成的效率，且可以丰富生成视频的呈现效果。
图4是本公开实施例提供的一种视频生成装置的结构示意图。如图4所示，该装置包括：
原始音频获取模块210，用于获取原始图像及与原始图像相匹配的原始音频；
图像分割模块220，用于对原始图像进行目标对象的分割，获得目标对象图像和背景图像；
重音识别模块230，用于对原始音频进行重音识别，获得重音音频；
目标对象图像尺寸调整模块240，用于对目标对象图像的尺寸按照不同的调整比例进行调整，获得多个调整后的目标对象图像；
目标图像获取模块250，用于将多个调整后的目标对象图像分别与背景图像进行融合，获得多个目标图像；
目标视频获取模块260，用于将多个目标图像与重音音频进行音视频编码，获得目标视频。
可选的，原始音频获取模块210，还用于：
根据用户的选择操作获取与原始图像相匹配的原始音频；或者，
识别原始图像的类型信息；
基于类型信息获取与原始图像相匹配的原始音频。
可选的，图像分割模块220，还用于：
对原始图像进行人像识别；
若识别到人像，则将识别到的人像确定为目标对象；
若未识别到人像，则对原始图像进行主体物体的识别，将识别到的主体物体确定为目标对象；
将目标对象与背景进行分割，获得目标对象图像和背景图像。
可选的，重音识别模块230，还用于：
对原始音频进行去噪处理；
对去噪后的原始音频进行音符起始点检测，获得音符起始点；
采用峰值检测算法对去噪后的原始音频的峰值进行检测，获得满足设定条件的峰值点；
根据峰值点和音符起始点确定重音音频。
可选的，目标对象图像尺寸调整模块240，还用于：
根据重音音频的时长确定所需的图像数量；
根据图像数量确定调整比例的变化方式，获得多个不同的调整比例；其中，变化方式包括变化趋势以及变化步长；
根据多个不同的调整比例分别对目标对象图像的尺寸进行调整，获得图像数量的调整后的目标对象图像。
可选的，目标视频获取模块260，还用于：
将多个目标图像中的首帧与重音起始点对齐，将多个目标图像中的尾帧与重音终止点对齐；
基于对齐后的目标图像和重音音频进行音视频编码，获得目标视频。
可选的，还包括：目标区域处理模块，用于：
从多个目标图像中提取目标区域；其中，目标区域包含目标对象的部分或者全部像素点，且目标区域的中心点为目标对象的像素点；
对目标区域执行如下至少一项处理：
随机放大目标区域、随机缩小目标区域或者对目标区域进行镜像旋转。
可选的，图像分割模块220，还用于：
将原始图像输入图像分割模型中，获得目标对象图像和背景图像；其中，图像分割模型包括：通道交换网络、通道切分网络及深度可分卷积网络；
其中，深度可分卷积网络包括第一通道卷积子网络、深度卷积子网络、第二通道卷积子网络和通道合并层；
通道交换网络、通道切分网络、第一通道卷积子网络、深度卷积子网络、第二通道卷积子网络和通道合并层依次连接；且通道切分网络输出与通道合并层的输入跳跃连接；
第一通道卷积子网络包括第一通道卷积层、非线性激活层和线性变换层；深度卷积子网络包括深度卷积层、非线性激活层和线性变换层；第二通道卷积子网络包括第二通道卷积层、非线性激活层和线性变换层；深度卷积层有多个并行的卷积核组成。
上述装置可执行本公开前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本公开前述所有实施例所提供的方法。
下面参考图5，其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、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TV、台式计算机等等的固定终端，或者各种形式的服务器，如独立服务器或者服务器集群。图5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5所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储装置(ROM)302中的程序或者从存储装置305加载到随机访问存储装置(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：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306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备300，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，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的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，该计算机程序包含用于执行词语的推荐方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置305被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开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是——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、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、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，该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，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
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该电子设备执行时，使得该电子设备：获取原始图像及与所述原始图像相匹配的原始音频；对所述原始图像进行目标对象的分割，获得目标对象图像和背景图像；对所述原始音频进行重音识别，获得重音音频；对所述目标对象图像的尺寸按照不同的调整比例进行调整，获得多个调整后的目标对象图像；将所述多个调整后的目标对象图像分别与所述背景图像进行融合，获得多个目标图像；将所述多个目标图像与所述重音音频进行音视频编码，获得目标视频。
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的操作的计算机程序代码，上述程序设计语言包括但不限于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)或广域网(WAN)—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)。
附图中的流程图和框图，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。
本文中以上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)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开实施例的一个或多个实施例，本公开实施例公开了一种视频生成方法，包括：
获取原始图像及与所述原始图像相匹配的原始音频；
对所述原始图像进行目标对象的分割，获得目标对象图像和背景图像；
对所述原始音频进行重音识别，获得重音音频；
对所述目标对象图像的尺寸按照不同的调整比例进行调整，获得多个调整后的目标对象图像；
将所述多个调整后的目标对象图像分别与所述背景图像进行融合，获得多个目标图像；
将所述多个目标图像与所述重音音频进行音视频编码，获得目标视频。
进一步地，获取与所述原始图像相匹配的原始音频，包括：
根据用户的选择操作获取与所述原始图像相匹配的原始音频；或者，
识别所述原始图像的类型信息；
基于所述类型信息获取与所述原始图像相匹配的原始音频。
进一步地，对所述原始图像进行目标对象的分割，获得目标对象图像和背景图像，包括：
对所述原始图像进行人像识别；
若识别到人像，则将识别到的人像确定为目标对象；
若未识别到人像，则对所述原始图像进行主体物体的识别，将识别到的主体物体确定为目标对象；
将所述目标对象与背景进行分割，获得目标对象图像和背景图像。
进一步地，对所述原始音频进行重音识别，获得重音音频，包括：
对所述原始音频进行去噪处理；
对去噪后的原始音频进行音符起始点检测，获得音符起始点；
采用峰值检测算法对去噪后的原始音频的峰值进行检测，获得满足设定条件的峰值点；
根据所述峰值点和所述音符起始点确定重音音频。
进一步地，对所述目标对象图像的尺寸按照不同的调整比例进行调整，获得多个调整后的目标对象图像，包括：
根据所述重音音频的时长确定所需的图像数量；
根据所述图像数量确定调整比例的变化方式，获得多个不同的调整比例；其中，变化方式包括变化趋势以及变化步长；
根据所述多个不同的调整比例分别对所述目标对象图像的尺寸进行调整，获得所述图像数量的调整后的目标对象图像。
进一步地，所述重音音频包括重音起始点和重音终止点，将所述多个目标图像与所述重音音频进行编码，获得目标视频，包括：
将所述多个目标图像中的首帧与所述重音起始点对齐，将所述多个目标图像中的尾帧与所述重音终止点对齐；
基于对齐后的目标图像和重音音频进行音视频编码，获得目标视频。
进一步地，在将所述多个图像与所述重音音频进行音视频编码之前，还包括：
从所述多个目标图像中提取目标区域；其中，所述目标区域包含所述目标对象的部分或者全部像素点，且所述目标区域的中心点为所述目标对象的像素点；
对所述目标区域执行如下至少一项处理：
随机放大所述目标区域、随机缩小所述目标区域或者对所述目标区域进行镜像旋转。
进一步地，对所述原始图像进行目标对象的分割，获得目标对象图像和背景图像，包括：
将所述原始图像输入图像分割模型中，获得目标对象图像和背景图像；其中，所述图像分割模型包括：通道交换网络、通道切分网络及深度可分卷积网络；
其中，所述深度可分卷积网络包括第一通道卷积子网络、深度卷积子网络、第二通道卷积子网络和通道合并层；
所述通道交换网络、所述通道切分网络、所述第一通道卷积子网络、所述深度卷积子网络、所述第二通道卷积子网络和所述通道合并层依次连接；且所述通道切分网络输出与所述通道合并层的输入跳跃连接；
所述第一通道卷积子网络包括第一通道卷积层、非线性激活层和线性变换层；所述深度卷积子网络包括深度卷积层、非线性激活层和线性变换层；所述第二通道卷积子网络包括第二通道卷积层、非线性激活层和线性变换层；所述深度卷积层有多个并行的卷积核组成。
注意，上述仅为本公开的较佳实施例及所运用技术原理。本领域技术人员会理解，本公开不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本公开的保护范围。因此，虽然通过以上实施例对本公开进行了较为详细的说明，但是本公开不仅仅限于以上实施例，在不脱离本公开构思的情况下，还可以包括更多其他等效实施例，而本公开的范围由所附的权利要求范围决定。

Claims (11)

1.一种视频生成方法，其特征在于，包括：
获取原始图像及与所述原始图像相匹配的原始音频；
对所述原始图像进行目标对象的分割，获得目标对象图像和背景图像；
对所述原始音频进行重音识别，获得重音音频；
对所述目标对象图像的尺寸按照不同的调整比例进行调整，获得多个调整后的目标对象图像；
将所述多个调整后的目标对象图像分别与所述背景图像进行融合，获得多个目标图像；
将所述多个目标图像与所述重音音频进行音视频编码，获得目标视频。
2.根据权利要求1所述的方法，其特征在于，获取与所述原始图像相匹配的原始音频，包括：
根据用户的选择操作获取与所述原始图像相匹配的原始音频；或者，
识别所述原始图像的类型信息；
基于所述类型信息获取与所述原始图像相匹配的原始音频。
3.根据权利要求1所述的方法，其特征在于，对所述原始图像进行目标对象的分割，获得目标对象图像和背景图像，包括：
对所述原始图像进行人像识别；
若识别到人像，则将识别到的人像确定为目标对象；
若未识别到人像，则对所述原始图像进行主体物体的识别，将识别到的主体物体确定为目标对象；
将所述目标对象与背景进行分割，获得目标对象图像和背景图像。
4.根据权利要求1所述的方法，其特征在于，对所述原始音频进行重音识别，获得重音音频，包括：
对所述原始音频进行去噪处理；
对去噪后的原始音频进行音符起始点检测，获得音符起始点；
采用峰值检测算法对去噪后的原始音频的峰值进行检测，获得满足设定条件的峰值点；
根据所述峰值点和所述音符起始点确定重音音频。
5.根据权利要求1所述的方法，其特征在于，对所述目标对象图像的尺寸按照不同的调整比例进行调整，获得多个调整后的目标对象图像，包括：
根据所述重音音频的时长确定所需的图像数量；
根据所述图像数量确定调整比例的变化方式，获得多个不同的调整比例；其中，变化方式包括变化趋势以及变化步长；
根据所述多个不同的调整比例分别对所述目标对象图像的尺寸进行调整，获得所述图像数量的调整后的目标对象图像。
6.根据权利要求1所述的方法，其特征在于，所述重音音频包括重音起始点和重音终止点，将所述多个目标图像与所述重音音频进行编码，获得目标视频，包括：
将所述多个目标图像中的首帧与所述重音起始点对齐，将所述多个目标图像中的尾帧与所述重音终止点对齐；
基于对齐后的目标图像和重音音频进行音视频编码，获得目标视频。
7.根据权利要求1所述的方法，其特征在于，在将所述多个目标图像与所述重音音频进行音视频编码之前，还包括：
从所述多个目标图像中提取目标区域；其中，所述目标区域包含所述目标对象的部分或者全部像素点，且所述目标区域的中心点为所述目标对象的像素点；
对所述目标区域执行如下至少一项处理：
随机放大所述目标区域、随机缩小所述目标区域或者对所述目标区域进行镜像旋转。
8.根据权利要求1所述的方法，其特征在于，对所述原始图像进行目标对象的分割，获得目标对象图像和背景图像，包括：
将所述原始图像输入图像分割模型中，获得目标对象图像和背景图像；其中，所述图像分割模型包括：通道交换网络、通道切分网络及深度可分卷积网络；
其中，所述深度可分卷积网络包括第一通道卷积子网络、深度卷积子网络、第二通道卷积子网络和通道合并层；
所述通道交换网络、所述通道切分网络、所述第一通道卷积子网络、所述深度卷积子网络、所述第二通道卷积子网络和所述通道合并层依次连接；且所述通道切分网络输出与所述通道合并层的输入跳跃连接；
所述第一通道卷积子网络包括第一通道卷积层、非线性激活层和线性变换层；所述深度卷积子网络包括深度卷积层、非线性激活层和线性变换层；所述第二通道卷积子网络包括第二通道卷积层、非线性激活层和线性变换层；所述深度卷积层有多个并行的卷积核组成。
9.一种视频生成装置，其特征在于，包括：
原始音频获取模块，用于获取原始图像及与所述原始图像相匹配的原始音频；
图像分割模块，用于对所述原始图像进行目标对象的分割，获得目标对象图像和背景图像；
重音识别模块，用于对所述原始音频进行重音识别，获得重音音频；
目标对象图像尺寸调整模块，用于对所述目标对象图像的尺寸按照不同的调整比例进行调整，获得多个调整后的目标对象图像；
目标图像获取模块，用于将所述多个调整后的目标对象图像分别与所述背景图像进行融合，获得多个目标图像；
目标视频获取模块，用于将所述多个目标图像与所述重音音频进行音视频编码，获得目标视频。
10.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理装置；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现如权利要求1-8中任一所述的视频生成方法。
11.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现如权利要求1-8中任一所述的视频生成方法。
CN202111154001.8A 2021-09-29 2021-09-29 视频生成方法、装置、设备及存储介质 Active CN113905177B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111154001.8A CN113905177B (zh) 2021-09-29 2021-09-29 视频生成方法、装置、设备及存储介质
PCT/CN2022/118679 WO2023051245A1 (zh) 2021-09-29 2022-09-14 视频处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111154001.8A CN113905177B (zh) 2021-09-29 2021-09-29 视频生成方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113905177A true CN113905177A (zh) 2022-01-07
CN113905177B CN113905177B (zh) 2024-02-02

Family

ID=79189354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111154001.8A Active CN113905177B (zh) 2021-09-29 2021-09-29 视频生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113905177B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023051245A1 (zh) * 2021-09-29 2023-04-06 北京字跳网络技术有限公司 视频处理方法、装置、设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007140896A (ja) * 2005-11-18 2007-06-07 Fujifilm Corp 画像合成装置および方法並びにプログラム
CN102158739A (zh) * 2011-04-19 2011-08-17 中兴通讯股份有限公司 交互式电视中的图像缩放方法、装置及机顶盒
US20170111582A1 (en) * 2014-06-30 2017-04-20 Huawei Technologies Co., Ltd. Wide-Area Image Acquiring Method and Apparatus
CN108259989A (zh) * 2018-01-19 2018-07-06 广州华多网络科技有限公司 视频直播的方法、计算机可读存储介质和终端设备
CN108335703A (zh) * 2018-03-28 2018-07-27 腾讯音乐娱乐科技（深圳）有限公司 确定音频数据的重音位置的方法和装置
CN108734754A (zh) * 2018-05-28 2018-11-02 北京小米移动软件有限公司 图像处理方法及装置
CN112001872A (zh) * 2020-08-26 2020-11-27 北京字节跳动网络技术有限公司 信息显示方法、设备及存储介质
CN112822542A (zh) * 2020-08-27 2021-05-18 腾讯科技（深圳）有限公司 视频合成方法、装置、计算机设备和存储介质
CN113055738A (zh) * 2019-12-26 2021-06-29 北京字节跳动网络技术有限公司 视频特效处理方法及装置
CN113139923A (zh) * 2020-01-20 2021-07-20 北京达佳互联信息技术有限公司 图像融合方法、装置、电子设备和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007140896A (ja) * 2005-11-18 2007-06-07 Fujifilm Corp 画像合成装置および方法並びにプログラム
CN102158739A (zh) * 2011-04-19 2011-08-17 中兴通讯股份有限公司 交互式电视中的图像缩放方法、装置及机顶盒
US20170111582A1 (en) * 2014-06-30 2017-04-20 Huawei Technologies Co., Ltd. Wide-Area Image Acquiring Method and Apparatus
CN108259989A (zh) * 2018-01-19 2018-07-06 广州华多网络科技有限公司 视频直播的方法、计算机可读存储介质和终端设备
CN108335703A (zh) * 2018-03-28 2018-07-27 腾讯音乐娱乐科技（深圳）有限公司 确定音频数据的重音位置的方法和装置
CN108734754A (zh) * 2018-05-28 2018-11-02 北京小米移动软件有限公司 图像处理方法及装置
CN113055738A (zh) * 2019-12-26 2021-06-29 北京字节跳动网络技术有限公司 视频特效处理方法及装置
CN113139923A (zh) * 2020-01-20 2021-07-20 北京达佳互联信息技术有限公司 图像融合方法、装置、电子设备和存储介质
CN112001872A (zh) * 2020-08-26 2020-11-27 北京字节跳动网络技术有限公司 信息显示方法、设备及存储介质
CN112822542A (zh) * 2020-08-27 2021-05-18 腾讯科技（深圳）有限公司 视频合成方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵宇: ""基于深度学习的半监督视频目标分割技术研究"", 中国优秀硕士学位论文全文数据库 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023051245A1 (zh) * 2021-09-29 2023-04-06 北京字跳网络技术有限公司 视频处理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113905177B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN110162670B (zh) 用于生成表情包的方法和装置
JP2022523606A (ja) 動画解析のためのゲーティングモデル
US20230421716A1 (en) Video processing method and apparatus, electronic device and storage medium
CN111669502B (zh) 目标对象显示方法、装置及电子设备
CN112153460B (zh) 一种视频的配乐方法、装置、电子设备和存储介质
CN112256223B (zh) 显示流畅度的调节方法、装置和电子设备
CN111935442A (zh) 信息显示方法、装置和电子设备
WO2021190625A1 (zh) 拍摄方法和设备
CN113923378B (zh) 视频处理方法、装置、设备及存储介质
WO2021088790A1 (zh) 用于目标设备的显示样式调整方法和装置
CN114630057B (zh) 确定特效视频的方法、装置、电子设备及存储介质
CN112752118A (zh) 视频生成方法、装置、设备及存储介质
CN111967397A (zh) 人脸影像处理方法和装置、存储介质和电子设备
CN112785669B (zh) 一种虚拟形象合成方法、装置、设备及存储介质
CN114420135A (zh) 基于注意力机制的声纹识别方法及装置
CN113905177B (zh) 视频生成方法、装置、设备及存储介质
CN111626922B (zh) 图片生成方法、装置、电子设备及计算机可读存储介质
CN112990176A (zh) 书写质量评价方法、装置和电子设备
CN110069641B (zh) 图像处理方法、装置和电子设备
WO2023138441A1 (zh) 视频生成方法、装置、设备及存储介质
CN114584709B (zh) 变焦特效的生成方法、装置、设备及存储介质
WO2022262473A1 (zh) 图像处理方法、装置、设备及存储介质
CN113473236A (zh) 录屏视频的处理方法、装置、可读介质和电子设备
WO2023051245A1 (zh) 视频处理方法、装置、设备及存储介质
CN114187177B (zh) 特效视频的生成方法、装置、设备及存储介质

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