CN113949928A - 一种基于opencv的视频类型自动识别方法、装置、介质及设备 - Google Patents

一种基于opencv的视频类型自动识别方法、装置、介质及设备 Download PDF

Info

Publication number
CN113949928A
CN113949928A CN202111202455.8A CN202111202455A CN113949928A CN 113949928 A CN113949928 A CN 113949928A CN 202111202455 A CN202111202455 A CN 202111202455A CN 113949928 A CN113949928 A CN 113949928A
Authority
CN
China
Prior art keywords
video
type
image
detected
opencv
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.)
Pending
Application number
CN202111202455.8A
Other languages
English (en)
Inventor
李双卫
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.)
Shanghai Search Information Technology Co ltd
Original Assignee
Shanghai Search Information 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 Shanghai Search Information Technology Co ltd filed Critical Shanghai Search Information Technology Co ltd
Priority to CN202111202455.8A priority Critical patent/CN113949928A/zh
Publication of CN113949928A publication Critical patent/CN113949928A/zh
Pending legal-status Critical Current

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
    • H04N21/44—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于opencv的视频类型自动识别方法、装置、介质及设备，获取待测视频中至少一帧视频图像；根据所获取的视频图像的边缘像素相似度，判断是否为待测视频的第一视频类型，所述第一视频类型为全景内容视频及2D视频；根据所获取的视频图像分割为上下部分和\或左右特征信息，判断待测视频为上下类型，左右类型还是普通视频；根据第一视频类型及第二视频类型，判断待测视频格式。该基于opencv的视频类型自动识别方法，提高视频类型识别准确率，整个识别过程友好透明，解决当前在安卓系统中播放VR视频类型自动识别效率低的问题。

Description

一种基于opencv的视频类型自动识别方法、装置、介质及设备
技术领域
本发明涉及视频识别技术领域，具体为一种基于opencv的视频类型自动识别方法、装置、介质及设备。
背景技术
随着虚拟现实技术的发展，VR视频在生活中越来越普及，对于某些VR视频，应用程序可以根据服务器接口获取VR视频格式，但是在安卓操作系统提交的个人视频却无法确定格式，用户只能先将VR视频播放出来，然后根据个人经验选取一种播放方式进行播放，操作复杂，而且现阶段安卓系统种VR视频识别速度及准确率较低，大大降低了用户的体验感。
发明内容
针对现有技术的不足，本发明提供了一种基于opencv的视频类型自动识别方法、装置、介质及设备，可以提高在安卓系统中VR视频类型识别速度及准确率。
为实现以上目的，本发明通过以下技术方案予以实现：
第一方面，一种基于opencv的视频类型自动识别方法，其特征在于，具体包括，
获取待测视频中至少一帧视频图像；
根据所获取的视频图像的边缘像素相似度，判断是否为待测视频的第一视频类型，所述第一视频类型为全景内容视频或2D视频；
根据所获取的视频图像分割为上下部分和\或左右特征信息，判断待测视频为上下类型，左右类型还是普通视频；
根据第一视频类型及第二视频类型，判断待测视频格式。
较佳地，获取待测视频中至少一帧视频图像，具体包括，
于去除开始和结束的状态下获取待测视频的视频图像；
计算获取视频图像的纯色占比，大于预定阈值则舍弃；
满足预定阈值的情况下保留直至获取三帧视频图像。
较佳地，根据所获取的视频图像的边缘像素相似度，判断是否为待测视频的第一视频类型，所述第一视频类型为全景内容视频或2D视频，具体包括，
计算获取的视频图像的上下边缘的第一平均相似度；
计算获取的视频图像的左右边缘的第二平均相似度；
根据第一平均相似度及第二平均相似度判断像素点离散度；
判断第一视频类型是否是全景内容视频或2D视频。
较佳地，根据所获取的视频图像分割为上下部分和\或左右特征信息，判断待测视频为上下类型，左右类型还是普通视频，具体包括，
采用opencv直方图的方法分别计算横向和竖向分割图的相似度；
若视频图像的上下部分特征点匹配的特征相似度大于加权阀值则判断第二视频类型为上下类型；和\或
若视频图像的左右部分特征点匹配的特征相似度大于加权阀值则判断第二视频类型为左右类型；
若视频图像的上下部分特征点匹配的特征相似度并未大于加权阀值，且若视频图像的左右部分特征点匹配的特征相似度并未大于加权阀值，则判断第二视频类型为普通类型。
第二方面，一种基于opencv的视频类型自动识别装置，包括：
获取单元，用于获取待测视频中至少一帧视频图像；
第一判断单元，根据所获取的视频图像的边缘像素相似度，判断是否为待测视频的第一视频类型，所述第一视频类型为全景内容视频或2D视频；
第二判断单元，根据所获取的视频图像分割为上下部分和\或左右特征信息，判断待测视频为上下类型，左右类型还是普通视频；
第三判断单元，用于根据第一视频类型及第二视频类型，判断待测视频格式。
第三方面，一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任意所述基于opencv的视频类型自动识别方法。
第四方面，一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现电子设备中的基于opencv的视频类型自动识别方法。
本发明具备以下有益效果：
与现有技术相比，本发明通过所获取的视频图像计算边缘像素相似度，判断是否为待测视频的第一视频类型，此步骤提高视频类型识别速度，根据所获取的视频图像分割为上下部分和\或左右特征信息，采用opencv直方图的方法分别计算横向和竖向分割图的相似度，判断待测视频为上下类型，左右类型还是普通视频，提高视频类型识别准确率，整个识别过程友好透明，解决当前在安卓系统中播放VR视频类型自动识别率低、且操作不便的问题。
附图说明
图1为本发明实施例一提供的一种基于opencv的视频类型自动识别方法流程图；
图2为本发明实施例一提供的一种基于opencv的视频类型自动识别方法像素点计算流程图；
图3为本发明实施例二提供的一种基于opencv的视频类型自动识别装置的结构示意图；
图4为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
请参阅图1，本发明提供一种技术方案：
一种基于opencv的视频类型自动识别方法，包括：
S010、获取待测视频中至少一帧视频图像；
本实施例中，跳过开始与结束视频状态下获取待测视频的视频图像，计算获取视频图像的纯色占比，大于预定阈值则舍弃；满足预定阈值的情况下保留直至获取三帧视频图像。
在获取视频图像时直接跳过开始与结束的视频状态，确保获取的视频图像符合检测条件，可提高视频类型自动识别的准确性，防止出现无效识别及错误识别。
S020、根据所获取的视频图像的边缘像素相似度，判断是否为待测视频的第一视频类型，所述第一视频类型为全景内容视频或2D视频；
本实施例中，基于opencv边缘检测计算获取的视频图像的上下边缘的第一平均相似度；基于opencv边缘检测计算获取的视频图像的左右边缘的第二平均相似度；根据第一平均相似度及第二平均相似度判断像素点是否太暗或太亮；判断第一视频类型是否是全景内容视频及2D视频。
S030、根据所获取的视频图像分割为上下部分和\或左右特征信息，判断待测视频为上下类型，左右类型还是普通视频；
本实施例中，采用opencv直方图的方法分别计算横向和竖向分割图的相似度；前提采用适用于安卓的Opencv的aar包，通过函数Utils.bitmapToMat(Bitmap bmp,Matmat)，将andoird中Bitmap转化成opencv中的Mat；采用函数Imgproc.cvtColor(Mat img,Mat img1,COLOR_BGR2HSV)将图像转换为HSV图；采用函数calcHist(listImage1,channels,new Mat(),hist_img1,histSize,ranges)获取图像的直方图信息；函数Core.normalize(hist_img1,hist_img1,0,1,Core.NORM_MINMAX,-1,new Mat())可对上一步的计算数据进行归一化处理。
其中，其中NORM_MINMAX内部采用公式：
Figure BDA0003305489720000051
A为矩阵，矩阵中的每一个元素减去最小的元素然后除以矩阵中最大的元素减去最小的元素。
采用函数double compareHist(InputArray H1,InputArray H2,int method)比较直方图，其中H1，H2为要进行比较的直方图，比较分割后的左右、上下图像，每帧比较4次，根据结果加权阀值来确定视频是上下类型，左右类型还是普通视频。
本实施例中采用相关性比较公式如下：
Figure BDA0003305489720000052
其中
Figure BDA0003305489720000053
如果H1＝H2，即两个图的直方图一样，分子等于分母，d(H1,H2)＝1，所以在不严格的情况下，当值为1时，可以认为两个图是一样的。
相关性比较公式来源于统计学中的相关系数，一般用字母r表示。
Figure BDA0003305489720000061
其中，
Cov(X,Y)为X与Y的协方差，
Var[X]为X的方差，
Var[Y]为Y的方差。
如果两个变量的相关性越强，相关系数就会越接近±1，相关性越弱，相关系数越接近0。
相关系数的值若为正值，称为正相关；相关系数的值若为负值，称为负相关；相关系数的值为0，称为不相关。
若视频图像的上下部分特征点匹配的特征相关系数大于加权阀值则判断第二视频类型为上下类型；和\或
若视频图像的左右部分特征点匹配的特征相关系数大于加权阀值则判断第二视频类型为左右类型；
若视频图像的上下部分特征点匹配的特征相关系数并未大于加权阀值，且若视频图像的左右部分特征点匹配的特征相关系数并未大于加权阀值，则判断第二视频类型为普通类型。
直方图是图像中像素强度分布的图形表达方式，统计了每一个强度值所具有的像素个数，采用Opencv直方图比较计算，提高安卓系统中播放VR视频类型自动识别率、且准确性高。
S040、根据第一视频类型及第二视频类型，判断待测视频格式。
根据第一视频类型，包括全景内容视频及2D视频，及第二视频类型包括的上下类型，左右类型还是普通视频，例如，在判断第一视频类型为全景内容视频的条件下，第二视频类型为上下类型，即上下类型全景内容视频。
本实施例中，通过比较2个像素点RGB色值的离散程度来确认相似程度。
设有两像素点，其色值分别为(r1,g1,b1)和(r2,g2,b2),则采用第一公式：
Figure BDA0003305489720000071
获得的结果为离散距离D，用来衡量相似度。
S110、计算图片上下边缘的平均相似度，并且判断上边缘是否是单一色值。
通过公式第一公式,循环遍历计算图像的第一行和最后一行的垂直对应的像素点的离散距离之和,最后根据图像宽度获得像素平均离散距离Davgtb；遍历过程计算像素点各像素的平均色值Cavg，用来判断是否有单一色边，如常见的黑色。
S120、计算图片左右边缘平均相似度；
通过第一公式,循环遍历计算图像的第一列和最后一列的垂直对应的像素点的离散距离之和,最后根据图像高度获得像素平均离散距离Davglr。
S130、根据上下边缘平均相似度及左右边缘的平均相似度结果判断是否是全景图片；
如果Davglr小于第一预定阈值，则是2D视频；
如果Davgtb大于第二预定阈值，Davglr小于第三预定阈值则是全景内容视频；
如果Davglr大于第四预定阈值，则是2D视频；
如果Davglr小于第五预定阈值，并且Cavg大于第六预定阈值则是2D视频；
以上条件逐个判断，满足即返回结果。
假设所截取图像的宽为w,高为h,则上边缘每个元素的RGB值分别为R(i,0),G(i,0)，B(i,0)，其中0≤i≤w-1。下边缘垂直对应的每个元素的RGB分别为R(i,h-1),G(i,h-1)，B(i,h-1)，其中0≤i≤w-1；
同理左边缘每个像素的RGB值分别为R(0,j),G(0,j)，B(0,j)，其中0≤i≤w-1,右边缘水平对应的每个像素的RGB值分别为R(w-1,j),G(w-1,j)，B(w-1,j)，其中0≤i≤w-1；则上下边缘平均离散距离为：
Figure BDA0003305489720000081
单个像素平均色值为：
Figure BDA0003305489720000082
左右边缘平均离散距离为：
Figure BDA0003305489720000083
同时，本实施例还可以采用如下图像检测的计算方法，其流程图请参阅图2：
S210、遍历图像首列像素点，计算符合全景内容视频特征的像素范围；
通过采集图像首列像素点，计算符合全景图片特征的相对像素点第一RGB色值范围。假设像素点(r,g,b),若符合全景内容视频特征，则每个颜色通道可离散范围[x,y],计算出对应的像素点(r1,g1,b1),其r1取值范围为r+x≤r1≤r+y或r-x≤r1≤r-y,g1取值范围g+x≤g1≤g+y或g-x≤g1≤g-y，b1取值范围b+x≤b1≤b+y或b-x≤b1≤b-y；
假设所截取图像的宽为w,高为h,则上边缘每个元素的RGB值分别为R(i,0),G(i,0)，B(i,0)，其中0≤i≤w-1，则：
单个像素平均色值为：
Figure BDA0003305489720000091
S220、将计算结果和尾列像素对比，若尾列像素不处于颜色通道可离散范围[x,y]，直接返回对比结果，若尾列像素结果处于颜色通道可离散范围[x,y]内，再进行下一次对比。
将第一RGB色值范围与图像尾列像素点进行对比，若尾列像素结果不满足颜色通道可离散范围[x,y]，则直接返回对比结果，判断图像为2D视频；
若尾列像素结果处于颜色通道可离散范围[x,y]内，再进行下一次对比，为进行全景图像判断做准备。
S230、判断全部首列像素点对比结束后仍颜色通道可离散范围[x,y]内；则再通过遍历首行各像素点，计算首行上各像素平均色值Cavg，Cavg用来判断是否有单一色边，如常见的黑色，若Cavg在设定的阈值范围则是2D视屏，反之则是全景内容视频。
其中，首行像素平均色值为：
Figure BDA0003305489720000092
此种方法根据全景边缘形成的原因，剔除与目标识别步骤不相干的信息，保留了图像重要的结构属性，像素点计算及判断时间缩短，提高视频类型识别的速度及准确率。
本实施例通过所获取的视频图像计算边缘像素相似度，判断是否为第一视频类型，通过Opencv边缘计算方法提高视频类型识别速度，根据所获取的视频图像分割为上下部分和\或左右特征信息，采用Opencv直方图比较计算，判断待测视频为上下类型，左右类型还是普通视频的第二视频类型，根据第一视频类型及第二视频类型判断整个VR视频类型，提高安卓系统中播放VR视频类型自动识别率，整个识别过程友好透明，识别准确度高。
实施例二
图3是本发明实施例提供的一种基于opencv的视频类型自动识别装置的结构示意图，该装置具体包括：
获取单元，用于获取待测视频中至少一帧视频图像；
第一判断单元，用于根据所获取的视频图像的边缘像素相似度，判断是否为待测视频的第一视频类型，所述第一视频类型为全景内容视频或2D视频；
第二判断单元，用于根据所获取的视频图像分割为上下部分和\或左右特征信息，判断待测视频为上下类型，左右类型还是普通视频；
第三判断单元，用于根据第一视频类型及第二视频类型，判断待测视频格式。
本发明实施例的工作原理，实施本发明的一种基于opencv的视频类型自动识别装置，本发明通过获取单元310先获取符合条件的视频图像，根据获取的视频图像计算边缘像素相似度，通过第一判断单元320判断是否为待测视频的第一视频类型，提高视频类型识别速度，根据所获取的视频图像分割为上下部分和\或左右特征信息，第二判断单元330判断待测视频为上下类型，左右类型还是普通视频，通过第一判断单元320以及第二判断单元330判断结果，最终通过第三判断单元340确定视频类型，此装置能够提高视频类型识别准确率，整个识别过程友好透明，解决当前在安卓系统中播放VR视频类型自动识别率低的问题。
实施例三
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行：
获取待测视频中至少一帧视频图像；
根据所获取的视频图像的边缘像素相似度，判断是否为待测视频的第一视频类型，所述第一视频类型为全景内容视频或2D视频；
根据所获取的视频图像分割为上下部分和\或左右特征信息，判断待测视频为上下类型，左右类型还是普通视频；
根据第一视频类型及第二视频类型，判断待测视频格式。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的基于opencv的视频类型自动识别方法，还可以执行本申请任意实施例所提供的基于opencv的视频类型自动识别方法中的相关操作。
实施例四
本申请实施例提供了一种电子设备，该电子设备中可集成本申请实施例提供的基于opencv的视频类型自动识别装置。图4是本申请实施例四提供的一种电子设备的结构示意图。如图4所示，本实施例提供了一种电子设备400，其包括：一个或多个处理器420；存储装置410，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器420运行，使得所述一个或多个处理器420实现：
获取待测视频中至少一帧视频图像；
根据所获取的视频图像的边缘像素相似度，判断是否为待测视频的第一视频类型，所述第一视频类型为全景内容视频或2D视频；
根据所获取的视频图像分割为上下部分和\或左右特征信息，判断待测视频为上下类型，左右类型还是普通视频；
根据第一视频类型及第二视频类型，判断待测视频格式。
如图4所示，该电子设备400包括处理器420、存储装置410、输入装置430和输出装置440；电子设备中处理器420的数量可以是一个或多个，图4中以一个处理器420为例；电子设备中的处理器420、存储装置410、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线450连接为例。
存储装置410作为一种计算机可读存储介质，可用于存储软件程序、计算机可运行程序以及模块单元，如本申请实施例中的基于opencv的视频类型自动识别方法对应的程序指令。
存储装置410可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置410可进一步包括相对于处理器420远程设置的存储器，这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字、字符信息或语音信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏、扬声器等设备。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种基于opencv的视频类型自动识别方法，其特征在于，具体包括，
获取待测视频中至少一帧视频图像；
根据所获取的视频图像的边缘像素相似度，判断是否为待测视频的第一视频类型，所述第一视频类型为全景内容视频或2D视频；
根据所获取的视频图像分割为上下部分和\或左右特征信息，判断待测视频为上下类型，左右类型还是普通视频；
根据第一视频类型及第二视频类型，判断待测视频格式。
2.根据权利要求1所述的一种基于opencv的视频类型自动识别方法，其特征在于，获取待测视频中至少一帧视频图像，具体包括，
于去除开始和结束的状态下获取待测视频的视频图像；
计算获取视频图像的纯色占比，大于预定阈值则舍弃；
满足预定阈值的情况下保留直至获取三帧视频图像。
3.根据权利要求1所述的一种基于opencv的视频类型自动识别方法，其特征在于，根据所获取的视频图像的边缘像素相似度，判断是否为待测视频的第一视频类型，所述第一视频类型为全景内容视频或2D视频，具体包括，
计算获取的视频图像的上下边缘的第一平均相似度；
计算获取的视频图像的左右边缘的第二平均相似度；
根据第一平均相似度及第二平均相似度判断像素点离散度；
判断第一视频类型是否是全景内容视频或2D视频。
4.根据权利要求2所述的一种基于opencv的视频类型自动识别方法，其特征在于，根据所获取的视频图像分割为上下部分和\或左右特征信息，判断待测视频为上下类型，左右类型还是普通视频，具体包括，
采用opencv直方图的方法分别计算横向和竖向分割图的相似度；
若视频图像的上下部分特征点匹配的特征相似度大于加权阀值则判断第二视频类型为上下类型；和\或
若视频图像的左右部分特征点匹配的特征相似度大于加权阀值则判断第二视频类型为左右类型；
若视频图像的上下部分特征点匹配的特征相似度并未大于加权阀值，且若视频图像的左右部分特征点匹配的特征相似度并未大于加权阀值，则判断第二视频类型为普通类型。
5.一种基于opencv的视频类型自动识别装置，其特征在于，包括：
获取单元，用于获取待测视频中至少一帧视频图像；
第一判断单元，根据所获取的视频图像的边缘像素相似度，判断是否为待测视频的第一视频类型，所述第一视频类型为全景内容视频或2D视频；
第二判断单元，根据所获取的视频图像分割为上下部分和\或左右特征信息，判断待测视频为上下类型，左右类型还是普通视频；
第三判断单元，用于根据第一视频类型及第二视频类型，判断待测视频格式。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～4中任意所述基于opencv的视频类型自动识别方法。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～4中任一项所述基于opencv的视频类型自动识别方法。
CN202111202455.8A 2021-10-15 2021-10-15 一种基于opencv的视频类型自动识别方法、装置、介质及设备 Pending CN113949928A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111202455.8A CN113949928A (zh) 2021-10-15 2021-10-15 一种基于opencv的视频类型自动识别方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111202455.8A CN113949928A (zh) 2021-10-15 2021-10-15 一种基于opencv的视频类型自动识别方法、装置、介质及设备

Publications (1)

Publication Number Publication Date
CN113949928A true CN113949928A (zh) 2022-01-18

Family

ID=79330120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111202455.8A Pending CN113949928A (zh) 2021-10-15 2021-10-15 一种基于opencv的视频类型自动识别方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN113949928A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106101743A (zh) * 2016-08-23 2016-11-09 广东欧珀移动通信有限公司 全景视频识别方法及装置
CN106559680A (zh) * 2016-11-25 2017-04-05 北京小米移动软件有限公司 视频类型识别方法、装置及电子设备
CN107071386A (zh) * 2017-04-19 2017-08-18 宁波万维显示科技有限公司 识别3d格式视频的方法及装置
CN107197326A (zh) * 2017-06-21 2017-09-22 歌尔科技有限公司 视频识别方法及装置
CN107784269A (zh) * 2017-08-29 2018-03-09 深圳依偎控股有限公司 一种3d视频帧特征点提取的方法及系统
CN108305210A (zh) * 2017-07-28 2018-07-20 腾讯科技（深圳）有限公司 数据处理方法、装置及存储介质
CN109743566A (zh) * 2018-12-21 2019-05-10 重庆爱奇艺智能科技有限公司 一种用于识别vr视频格式的方法与设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106101743A (zh) * 2016-08-23 2016-11-09 广东欧珀移动通信有限公司 全景视频识别方法及装置
CN106559680A (zh) * 2016-11-25 2017-04-05 北京小米移动软件有限公司 视频类型识别方法、装置及电子设备
CN107071386A (zh) * 2017-04-19 2017-08-18 宁波万维显示科技有限公司 识别3d格式视频的方法及装置
CN107197326A (zh) * 2017-06-21 2017-09-22 歌尔科技有限公司 视频识别方法及装置
CN108305210A (zh) * 2017-07-28 2018-07-20 腾讯科技（深圳）有限公司 数据处理方法、装置及存储介质
CN107784269A (zh) * 2017-08-29 2018-03-09 深圳依偎控股有限公司 一种3d视频帧特征点提取的方法及系统
CN109743566A (zh) * 2018-12-21 2019-05-10 重庆爱奇艺智能科技有限公司 一种用于识别vr视频格式的方法与设备

Similar Documents

Publication Publication Date Title
US10963993B2 (en) Image noise intensity estimation method, image noise intensity estimation device, and image recognition device
US11830230B2 (en) Living body detection method based on facial recognition, and electronic device and storage medium
CN112308095A (zh) 图片预处理及模型训练方法、装置、服务器及存储介质
CN111539273A (zh) 一种交通视频背景建模方法及系统
CN101729911B (zh) 一种基于视觉感知的多视点图像颜色校正方法
CN110399842B (zh) 视频处理方法、装置、电子设备及计算机可读存储介质
CN104182721A (zh) 提升人脸识别率的图像处理系统及图像处理方法
CN111355977B (zh) 一种网络直播视频的优化保存方法及装置
US20220270266A1 (en) Foreground image acquisition method, foreground image acquisition apparatus, and electronic device
CN110807402B (zh) 一种基于肤色检测的五官定位方法、系统和终端设备
CN111523497B (zh) 一种人脸纠正方法、装置和电子设备
US20200380641A1 (en) Image processing apparatus, image processing method, and storage medium
US20240323548A1 (en) Blind image denoising method, electronic device, and storage medium
CN112861645A (zh) 红外摄像头弱光环境补偿方法、装置及电子设备
CN114298985B (zh) 缺陷检测方法、装置、设备及存储介质
CN115797440A (zh) 电芯定位方法、控制器和计算机可读存储介质
CN111932496A (zh) 车牌图像质量的确定方法、装置、存储介质及电子装置
WO2014205787A1 (zh) 一种基于混合图像模板的车辆检测方法
CN112449115B (zh) 拍摄方法、装置和电子设备
CN113949928A (zh) 一种基于opencv的视频类型自动识别方法、装置、介质及设备
CN112184580A (zh) 一种人脸图像增强方法、装置、设备及存储介质
CN114677711A (zh) 一种基于机器视觉注意力机制的静态手势识别方法
CN113486788A (zh) 视频相似度确定方法、装置、电子设备及存储介质
CN113674158A (zh) 图像处理方法、装置、设备及存储介质
JP2013156676A (ja) 画像処理装置、方法、及びプログラム

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