CN114302224A - 一种视频智能剪辑方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种视频智能剪辑方法、装置、设备及存储介质，涉及视频处理技术领域，包括以下步骤：获取待剪辑对象；确定所述待剪辑对象中用于视频剪辑的多个数据特征，其中，每个数据特征具有相应的第一特征值；基于所述多个数据特征和所述第一特征值，根据决策树分析法确定视频剪辑素材集合；根据所述第一特征值和所述视频剪辑素材集合生成剪辑视频。本方案通过动态脚本语言特性，实现决策树逻辑，并提供了灵活的扩展能力和高复用性，来实现不同的输入条件执行不同的功能效果，使得在固有模版的剪辑过程中能够设定多种多样的效果，提高视频质量。

Description

一种视频智能剪辑方法、装置、设备及存储介质

技术领域

本发明涉及视频处理技术领域，尤其涉及一种视频智能剪辑方法、装置、设备及存储介质。

背景技术

近年来，用短视频记录生活并在抖音、小红书等各大网红平台播出已经成为一种趋势，随着这种趋势的发展，观众对视频质量的要求也越来越高，但在视频创作中，剪辑素材的过程确实是一件比较困难的事情，为了减少普通用户的创作成本，现在的很多视频创作软件都选择使用故事模板来提供一个仅需填充视频素材的视频创作模板，但使用模板就没有办法按照不同用户的不同素材生成不同风格的视频，会带来套路化、重复化的问题，同时在结合已有算法能力方面也存在不足，没有办法根据算法给出的信息做出灵活多样的处理。

发明内容

本发明提供的一种视频智能剪辑方法，旨在解决现有技术中固有模板带来的套路化、重复化问题，并提高结合算法的处理能力。

为实现上述目的，本发明采用以下技术方案：

本发明的一种视频智能剪辑方法，包括以下步骤：

获取待剪辑对象；

确定所述待剪辑对象中用于视频剪辑的多个数据特征，其中，每个数据特征具有相应的第一特征值；

基于所述多个数据特征和所述第一特征值，根据决策树分析法确定视频剪辑素材集合；

根据所述第一特征值和所述视频剪辑素材集合生成剪辑视频。

获取用户录制好的视频，对视频内容进行解析，得到视频的人物年龄、天气、拍摄背景等数据特征，对这些数据特征进行信息增益计算，找到其中最“纯”的数据特征，根据最“纯”的数据特征从预先训练好的多个决策树中选择合适的决策树作为目标决策树，再获取视频中各个数据特征对应的第一特征值，即人物年龄小于30岁、天气为晴天等具体信息，在目标决策树中根据数据特征及具体的特征值实现进路决策，其中，目标决策树具有变量节点、条件节点以及动作节点，一个变量节点对应一个数据特征，条件节点对应第二特征值，每个变量节点对应多个第二特征值，动作节点对应最终的执行操作，即条件节点由变量节点决定，且第二特征值中包含第一特征值，在决策树执行过程中会利用动态脚本将变量节点的属性即对应的数据特征存储在动态脚本的上下文对象中，并将第二特征值作为上下文对象的值，当决策树执行到某一变量节点时，会先解析其对应的条件节点的动态脚本，再将该变量节点对应的第一特征值与解析脚本中的上下文对象值进行比较，选择上下文对象中与第一特征值相同的第二特征值作为决策树下一执行目标，继续递归直至找到最终的动作节点，即确定决策树的决策路径，并由决策路径确定视频剪辑素材集合，最后根据第一特征值与视频剪辑素材集合生成最终的剪辑视频。利用决策树逻辑实现实现同一剪辑模板不同呈

现效果的目的，解决了模板套路化、重复化的问题。

作为优选，所述基于所述多个数据特征和所述第一特征值，根据决策树分析法确定视频剪辑素材集合，包括：

将所述待剪辑对象输入预先训练好的目标决策树中；

根据所述多个数据特征和所述第一特征值确定所述目标决策树的决策路径；

根据所述决策路径确定与所述第一特征值匹配的视频剪辑素材集合。

作为优选，所述根据所述多个数据特征和所述第一特征值确定所述目标决策树的决策路径，包括：

利用动态脚本技术将所述多个数据特征存储在动态脚本的上下文对象中；

将所述决策树中每个数据特征对应的多个第二特征值作为所述上下文对象的值；

执行所述目标决策树，将所述第一特征值与相应的所述上下文对象的值进行比较，确定所述上下文对象的值中与所述第一特征值相同的作为决策树下一执行目标，以此确定决策路径。

作为优选，确定所述待剪辑对象中用于视频剪辑的多个数据特征，其中，每个数据特征具有相应的第一特征值之后还包括：

根据特征选择算法确定所述多个数据特征中的最优特征；

根据所述最优特征从预先训练好的多个决策树中确定目标决策树。

一种视频智能剪辑装置，包括：

获取模块，用于获取待剪辑对象；

确定模块，用于确定所述待剪辑对象中用于视频剪辑的多个数据特征，其中，每个数据特征具有相应的第一特征值；

筛选模块，用于基于所述多个数据特征和所述第一特征值，根据决策树分析法确定视频剪辑素材集合；

合成模块，用于根据所述第一特征值和所述视频剪辑素材集合生成剪辑视频。

作为优选，所述一种视频剪辑装置还包括选择模块，所述选择模块包括：

择优单元，用于根据特征选择算法确定所述多个数据特征中的最优特征；

挑选单元，用于根据所述最优特征从预先训练好的多个决策树中确定目标决策树。

作为优选，所述筛选模块包括：

输入单元，用于将所述待剪辑对象输入预先训练好的目标决策树中；

取舍单元，用于根据所述多个数据特征和所述第一特征值确定所述目标决策树的决策路径；

集成单元，用于根据所述决策路径确定与所述第一特征值匹配的视频剪辑素材集合。

作为优选，所述取舍单元还包括：

存储子单元，用于利用动态脚本技术将所述多个数据特征存储在动态脚本的上下文对象中；

设置子单元，用于将所述决策树中每个数据特征对应的多个第二特征值作为所述上下文对象的值；

执行子单元，用于执行所述目标决策树，将所述第一特征值与相应的所述上下文对象的值进行比较，确定所述上下文对象的值中与所述第一特征值相同的作为决策树下一执行目标。

一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如上述中任一项所述的一种视频智能剪辑方法。

一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述中任一项所述的一种视频智能剪辑方法。

本发明具有如下有益效果：

本方案通过动态脚本语言特性，实现决策树逻辑，并提供了灵活的扩展能力和高复用性，来实现不同的输入条件执行不同的功能效果，使得在固有模版的剪辑过程中能够设定多种多样的效果，提高视频质量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例1实现一种视频智能剪辑方法第一流程图；

图2是本发明实施例2实现一种视频智能剪辑方法的结构图；

图3是本发明实施例3实现一种视频智能剪辑方法的具体实施流程图；

图4是本发明实施例4实现一种视频智能剪辑装置示意图；

图5是本发明实施例5实现一种视频智能剪辑装置的具体实施模块图；

图6是本发明实施例6实现一种视频智能剪辑方法的一种电子设备示意图。

具体实施方式

下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的权利要求书和说明书的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式，此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。

实施例1

如图1所示，一种视频智能剪辑方法，包括以下步骤：

S100、获取待剪辑对象；

S110、确定所述待剪辑对象中用于视频剪辑的多个数据特征，其中，每个数据特征具有相应的第一特征值；

S120、基于所述多个数据特征和所述第一特征值，根据决策树分析法确定视频剪辑素材集合；

S130、根据所述第一特征值和所述视频剪辑素材集合生成剪辑视频。

在实施例1中，首先需要获取用户录制好的视频，视频可以来源于电脑的图库，也可以是线下即时上传到电脑的，即用来剪辑的视频来源是多种多样的，对此不作限定，对视频内容进行解析，初步获取视频的数据特征，如人物年龄、天气、拍摄背景等信息，利用特征选择算法对这些数据特征进行计算，特征选择算法包括信息增益、信息增益率和基尼指数，确定其中最“纯”的数据特征，最“纯”的数据特征是指该数据特征能尽量使划分的样本属于同一数据特征，假设本申请的最“纯”数据特征为拍摄背景，那么在其之下可以对人物年龄、天气等进行再分类，从预先训练好的多棵决策树中选择一棵与该数据特征分类最符合的作为目标决策树，其中，目标决策树具有变量节点、条件节点以及动作节点，一个变量节点对应一个数据特征，条件节点对应第二特征值，每个变量节点对应多个第二特征值，动作节点对应最终的执行操作，且条件节点是变量节点的子节点，依赖于变量节点，再获取这些数据特征对应的第一特征值，每个数据特征只有一个第一特征值，如人物拍摄背景为西湖、天气为晴天，将这些数据特征输入到目标决策树中，执行目标决策树，同时利用动态脚本将变量节点的属性即对应的数据特征存储在动态脚本的上下文对象中，其中，动态脚本是指在页面加载时不存在，但将来的某一时刻通过修改DOM动态添加的脚本，并将该数据特征对应的多个第二特征值作为上下文对象的值，当决策树执行到某一变量节点时，会先解析其对应的条件节点的动态脚本，再将该变量节点对应的第一特征值与解析脚本中的上下文对象值进行比较，找到其中与第一特征值相同的值作为目标决策树的下一执行目标，不断递归直至确定最终的动作节点，即确定了决策树的决策路径，由决策路径确定视频剪辑素材集合，最终根据第一特征值和视频剪辑素材集合生成剪辑视频。决策树结构使得其数据结构可以动态灵活扩展以及将各种预定义的函数加载到脚本引擎中，实现各种功能的扩展，并且还支持决策树动作节点中对脚本方法的灵活编写运用，增加模板效果的多样性。

实施例2

如图2所示，一种视频智能剪辑方法，包括：

S200、获取待剪辑对象；

S210、确定所述待剪辑对象中用于视频剪辑的多个数据特征，其中，每个数据特征具有相应的第一特征值；

S220、根据特征选择算法确定所述多个数据特征中的最优特征；

S230、根据所述最优特征从预先训练好的多个决策树中确定目标决策树；

S240、将所述待剪辑对象输入预先训练好的目标决策树中；

S250、根据所述多个数据特征和所述第一特征值确定所述目标决策树的决策路径；

S260、根据所述决策路径确定与所述第一特征值匹配的视频剪辑素材集合；

S270、根据所述第一特征值和所述视频剪辑素材集合生成剪辑视频。

根据实施例2可知，决策树是通过一系列规则对数据进行分类的过程,它提供一种在什么条件下会得到什么值的类似规则的方法,决策树建立的本质是贪心算法，是一种自上而下、分而治之的归纳过程，由根节点开始，对于非叶子节点，寻找其对应样本集中的一个属性，对样本集进行测试，然后根据不同的测试结果将训练样本集重新划分成若干个子样本集，每一个子样本集构成一个新叶节点，对新叶节点再重复上述划分过程，不断循环，直至达到设置的特定终止条件，当将新的数据输入决策树中时，它会从根节点开始一次测试新数据的数据特征，一直到达叶子结点，从而找到该新数据所在的分类。

在本实施例中，预先训练好的多个决策树是指根据训练样本训练得到的决策树，训练样本的数据来源也是不做限定的，数据特征的特征值则可以是运用机器学习算法得到的，也可以是人为配置的，根据信息增益、信息增益率或基尼指数中的任意一种方法计算数据特征中的最优特征，根据最优特征划分数据集，再到划分好的数据集中去寻找这个子数据集中最好的特征，就是重复前面的步骤，直至检测到数据集中每个子项属于同一分类，或遍历完所有的特征，一棵决策树就构造完成，并且在视频剪辑过程中，会使用到许多不同的素材，因此，就根据不同的训练样本构建了多棵决策树，此时，就需要对这些决策树进行编排，在本方案中编排方式选取了类似于数据结构中的树和链表，树结构表示决策树之间是可选关系，即根据需要只执行其中某一棵决策树，链式结构串联表示的是决策树之间相关联的关系，即一棵决策树执行完就执行下一棵决策树，在整个编排中，节点分为三类：开始节点,标识运作开始，内容节点:分为脚本节点和决策树节点，脚本节点可理解为对决策树动作节点的另一方式,抽象理解为一个是可视化的界面，一个是内部程序运转。

另外，整个决策树的数据结构是树状结构,具体表现为多叉树，在这个多叉树当中具体分为三类节点:变量节点,条件节点,动作节点,这些节点之间相互联系。

变量节点可理解为数据特征,内容中具体化的东西都是具备数据特征的,可以多种多样.作为条件节点的父节点,条件节点是依赖于变量节点的，是需要使用到变量即数据特征进行条件判断，主要存储数据特征变量。

条件节点可以理解为数据特征的值,这个值根据实际内容的不同而不同,作为变量节点的子节点,依赖于变量节点，条件节点主要存储的是特征值,其实际上需要对视频内容的理解,产生各种各样的特征值。

动作节点可以理解为实际需要执行的操作,也就是进行决策，作为条件节点的子节点,依赖于条件节点,根据不同的内容属性值作出不同的决策，动作节点实际上决定了视频输出的质量以及效果，也能够在智能剪辑的过程中清晰的预见其最终呈现效果。

各个节点之间相互关联、作用，在变量节点后面一定是条件节点,条件节点是依赖于变量的,也就是内容的特征值需要有数据特征存在,但是条件节点下还是可以继续为变量节点的，在整个剪辑内容过程中，可能不仅仅是一个数据特征存在，而是存在多个数据特征的，动作节点一定是在条件节点后的，决策时需要根据不同的内容理解进行分析。

实施例3

如图3所示，一种具体的实施方式可为：

S300、获取待剪辑对象；

在本实施例中，待剪辑对象的获取方式包括多种：可以是终端设备在自己的图库中提取的，也可以是从网上爬取的，同时，待剪辑对象既可以是静态图像也可以是动态视频，并不拘泥于一种格式。

S310、确定所述待剪辑对象中用于视频剪辑的多个数据特征，其中，每个数据特征具有相应的第一特征值；

对待剪辑对象的内容进行解析，其实，无论是静态图像还是动态视频，其中都包含了大量信息，通过机器学习算法或人为进行特征识别，可以获取其中包含的如天气、背景等信息，将这些信息分别归结为某一数据特征，这些数据特征都对应有唯一的具体值即第一特征值，如天气对应晴天，背景对应西湖。

S320、根据特征选择算法确定所述多个数据特征中的最优特征；

特征选择算法包括了信息增益法、信息增益率法及基尼指数法，此处需要构建的决策树为多棵，因此根据信息内容进行特征选择的方法也不同，其中，信息增益是指以某特征划分数据集前后的熵的差值，熵是用来度量随机变量的不确定性，信息增益法是选择使信息增益最大的特征作为最优特征；信息增益率是在信息增益的基础之上乘上一个惩罚参数，特征个数较多时，惩罚参数较小，特征个数较少时，惩罚参数较大，信息增益率法是先在候选特征中找出信息增益高于平均水平的特征，然后在这些特征中再选择信息增益率最高的特征作为最优特征；基尼指数表示在样本集合中一个随机选中的样本被分错的概率，基尼指数越小表示集合中被选中的样本被分错的概率越小，基尼指数法就是将使基尼指数最小的划分点最为最优特征。

S330、根据所述最优特征从预先训练好的多个决策树中确定目标决策树；

在剪辑过程中,其实是针对于某个片段而言的，这个片段是由各种各样的素材组合而成,诸如空镜、转场、特效、贴图等，那在同一个片段当中，如何动态的去识别内容信息以产生不同效果的素材片段呢，决策树在此发挥巨大作用，首先对片段内容进行深度理解，解析数据特征以及特征值，对具体要执行的分支进行决策，最终产生不同的效果，因此，就需要从预先训练的多个决策树中选择一个合适的决策树来作为执行树，比如该片段的目的是背景替换，数据特征为季节、天气等，就要选择一个有这些变量节点的决策树作为执行树。

S340、将所述待剪辑对象输入预先训练好的目标决策树中；

S350、利用动态脚本技术将所述多个数据特征存储在动态脚本的上下文对象中，并将所述决策树中每个数据特征对应的多个第二特征值作为所述上下文对象的值；

整个决策树的执行流程分为两部分,一部分是变量节点和条件节点的解析，另外一部分就是对动作节点的解析，具体某棵决策树是如何执行决策内容的,其实是将动态脚本特性灵活的运用在各个节点上,其中变量节点的属性即数据特征存储在动态脚本的上下文对象当中，因其条件节点的值需要依赖于变量节点，因此我们将在执行中所需的比较值即第二特征值作为上下文该属性对象的值。

S360、执行所述目标决策树，将所述第一特征值与相应的所述上下文对象的值进行比较，确定所述上下文对象的值中与所述第一特征值相同的作为决策树下一执行目标，以此确定决策路径；

在决策树执行过程中，先会将第一特征值与条件节点解析的一段脚本进行比较，其中脚本的变量值取的就是上下文当中的值，当第一特征值与某个第二特征值相同时，该第二特征值所在的条件节点就为决策树下一执行目标；其中，决策树在执行到具体的动作节点时，可以是一段脚本,也可以是一个预先写好的函数方法，更可以是动态添加的方法，这依赖于动态脚本的灵活执行特性，能够将动作节点解析成一段脚本，动态的去执行对应的方法逻辑片段，方法的定义和参数都可以添加到动态脚本的执行引擎当中，以此来完成决策树功能的不断扩展，以及做到运用算法来实现脚本的生产，来提高视频显示效果。

S370、根据所述决策路径确定与所述第一特征值匹配的视频剪辑素材集合；

结合所有决策树的决策路径，可以确定每一片段所需要的素材，将所有素材整合既可得到视频剪辑素材集合。

S380、根据所述第一特征值和所述视频剪辑素材集合生成剪辑视频。

根据多棵决策树之间的执行顺序和每一特征值的先后顺序确定视频剪辑素材在时间轴上的排序规则，从而在时间轴上将视频素材集合合成剪辑视频。

实施例4

如图4所示，一种视频智能剪辑装置，包括：

获取模块10，用于获取待剪辑对象；

确定模块20，用于确定所述待剪辑对象中用于视频剪辑的多个数据特征，其中，每个数据特征具有相应的第一特征值；

选择模块30，用于根据特征选择算法确定所述多个数据特征中的最优特征，并根据所述最优特征从预先训练好的多个决策树中确定目标决策树。

筛选模块40，用于基于所述多个数据特征和所述第一特征值，根据决策树分析法确定视频剪辑素材集合；

合成模块50，用于根据所述第一特征值和所述视频剪辑素材集合生成剪辑视频。

上述装置的一种实施方式可为：获取模块10获取待剪辑对象；确定模块20确定所述待剪辑对象中用于视频剪辑的多个数据特征，其中，每个数据特征具有相应的第一特征值；筛选模块30基于所述多个数据特征和所述第一特征值，根据决策树分析法确定视频剪辑素材集合；合成单元40根据所述第一特征值和所述视频剪辑素材集合生成剪辑视频。

实施例5

如图5所示，一种具体的实施模块为：

采集模块1，用于获取待剪辑对象；

确定模块2，用于确定所述待剪辑对象中用于视频剪辑的多个数据特征，其中，每个数据特征具有相应的第一特征值；

择优模块3，用于根据特征选择算法确定所述多个数据特征中的最优特征；

选取模块4，用于根据所述最优特征从预先训练好的多个决策树中确定目标决策树；

输入模块5，用于将所述待剪辑对象输入预先训练好的目标决策树中；

存储模块6，用于利用动态脚本技术将所述多个数据特征存储在动态脚本的上下文对象中，并将所述决策树中每个数据特征对应的多个第二特征值作为所述上下文对象的值；

比较模块7，用于执行所述目标决策树，将所述第一特征值与相应的所述上下文对象的值进行比较，确定所述上下文对象的值中与所述第一特征值相同的作为决策树下一执行目标，以此确定决策路径；

匹配模块8，用于根据所述决策路径确定与所述第一特征值匹配的视频剪辑素材集合；

生成模块9，用于根据所述第一特征值和所述视频剪辑素材集合生成剪辑视频。

实施例6

如图6所示，一种电子设备，包括存储器601和处理器602，所述存储器601用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器602执行以实现上述的一种视频智能剪辑方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述的一种视频智能剪辑方法。

示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器601中，并由处理器602执行，并由输入接口605和输出接口606完成数据的I/O接口传输，以完成本发明,一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机设备中的执行过程。

计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括，但不仅限于，存储器601、处理器602,本领域技术人员可以理解，本实施例仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入器607、网络接入设备、总线等。

处理器602可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器602、数字信号处理器602(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgRAM503mableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器602可以是微处理器602或者该处理器602也可以是任何常规的处理器602等。

存储器601可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器601也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)等,进一步地，存储器601还可以既包括计算机设备的内部存储单元也包括外部存储设备,存储器601用于存储计算机程序以及计算机设备所需的其他程序和数据,存储器601还可以用于暂时地存储在输出器608，而前述的存储介质包括U盘、移动硬盘、只读存储器ROM603、随机存储器RAM604、碟盘或光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何在本发明揭露的技术范围内的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种视频智能剪辑方法，其特征在于，包括以下步骤：

获取待剪辑对象；

确定所述待剪辑对象中用于视频剪辑的多个数据特征，其中，每个数据特征具有相应的第一特征值；

基于所述多个数据特征和所述第一特征值，根据决策树分析法确定视频剪辑素材集合；

根据所述第一特征值和所述视频剪辑素材集合生成剪辑视频。

2.根据权利要求1所述的一种视频智能剪辑方法，其特征在于，所述基于所述多个数据特征和所述第一特征值，根据决策树分析法确定视频剪辑素材集合，包括：

将所述待剪辑对象输入预先训练好的目标决策树中；

根据所述多个数据特征和所述第一特征值确定所述目标决策树的决策路径；

根据所述决策路径确定与所述第一特征值匹配的视频剪辑素材集合。

3.根据权利要求2所述的一种视频智能剪辑方法，其特征在于，所述根据所述多个数据特征和所述第一特征值确定所述目标决策树的决策路径，包括：

利用动态脚本技术将所述多个数据特征存储在动态脚本的上下文对象中；

将所述决策树中每个数据特征对应的多个第二特征值作为所述上下文对象的值；

执行所述目标决策树，将所述第一特征值与相应的所述上下文对象的值进行比较，确定所述上下文对象的值中与所述第一特征值相同的作为决策树下一执行目标，以此确定决策路径。

4.根据权利要求1所述的一种视频智能剪辑方法，其特征在于，所述确定所述待剪辑对象中用于视频剪辑的多个数据特征，其中，每个数据特征具有相应的第一特征值之后还包括：

根据特征选择算法确定所述多个数据特征中的最优特征；

根据所述最优特征从预先训练好的多个决策树中确定目标决策树。

5.一种视频智能剪辑装置，其特征在于，包括：

获取模块，用于获取待剪辑对象；

确定模块，用于确定所述待剪辑对象中用于视频剪辑的多个数据特征，其中，每个数据特征具有相应的第一特征值；

筛选模块，用于基于所述多个数据特征和所述第一特征值，根据决策树分析法确定视频剪辑素材集合；

合成模块，用于根据所述第一特征值和所述视频剪辑素材集合生成剪辑视频。

6.根据权利要求5所述的一种视频智能剪辑装置，其特征在于，还包括选择模块，所述选择模块包括：

择优单元，用于根据特征选择算法确定所述多个数据特征中的最优特征；

挑选单元，用于根据所述最优特征从预先训练好的多个决策树中确定目标决策树。

7.根据权利要求5所述的一种视频智能剪辑装置，其特征在于，所述筛选模块包括：

输入单元，用于将所述待剪辑对象输入预先训练好的目标决策树中；

取舍单元，用于根据所述多个数据特征和所述第一特征值确定所述目标决策树的决策路径；

集成单元，用于根据所述决策路径确定与所述第一特征值匹配的视频剪辑素材集合。

8.根据权利要求7所述的一种视频智能剪辑装置，其特征在于，所述取舍单元还包括：

存储子单元，用于利用动态脚本技术将所述多个数据特征存储在动态脚本的上下文对象中；

设置子单元，用于将所述决策树中每个数据特征对应的多个第二特征值作为所述上下文对象的值；

执行子单元，用于执行所述目标决策树，将所述第一特征值与相应的所述上下文对象的值进行比较，确定所述上下文对象的值中与所述第一特征值相同的作为决策树下一执行目标。

9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1～4中任一项所述的一种视频智能剪辑方法。

10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序使计算机执行时实现如权利要求1～4中任一项所述的一种视频智能剪辑方法。

Images