CN114302231A - 视频处理方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种视频处理方法及装置、电子设备和存储介质，所述方法包括：确定待处理视频中的多个切换帧；根据与各切换帧相邻的视频帧，以及切换帧之间的音频信息，获得多个视频片段；获得视频片段的多模态信息；获得所述视频片段的标签信息。根据本公开的实施例的视频处理方法，可基于切换帧来分割待处理视频，视频的分割和剪辑的依据为视频帧本身的内容，从而可减少视频剪辑的主观性，且可减少人工处理，通过自动分割待处理视频，提升视频处理的效率，提高视频的实时性。进一步地，可基于视频片段的多模态信息的内容来获取视频片段的标签信息，可减少视频标签的主观性，提升标签的准确性。

Description

视频处理方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种视频处理方法及装置、电子设备和存储介质。

背景技术

随着自媒体、融媒体等广泛进入人们的生活，且移动互联网不断提速，短视频的时代已经到来，短视频凭借着其短、平、快的特点，大流量地传播内容，获得众多人的青睐。并且，随着移动拍摄器材的普及及其便携性，每时每刻都会产生大量的视频数据在网络上与他人共享。那么如何有效且个性化地提取并识别出用户感兴趣的视频片段成为了近些年的函待解决的研究热点问题。

传统的视频片段大多是基于底层特征提取的，但这种方法却忽略了针对用户兴趣主观因素的考虑，很难满足用户的实际需求和兴趣。然而视频片段提取剪辑是一个相对主观的工作，当视频内容较多时间较长时，不同的用户对其感兴趣的内容的区别也较大。现今的信息经过加工之后被大众获取，大众则处于被动的状态，一方面我们只能看到经过别人的观点整合之后的视频，这导致了视频更多的表达发布者的主观思想，观看者只能被动的接受别人的思想；另一方面经过二次加工再发布出来具有一定的信息延迟，特别是新闻媒体方面，过长的新闻发布会人们不愿意也没有时间去从头看到尾，然而经过截取分类的新闻片段进入大众的视野其实已经不完全满足新闻的实时性了。

除了上述视频片段或短视频的提取方面的问题，在短视频的传播过程中，对短视频的推荐也存在类似问题，在短视频推荐过程中，通常需为短视频添加标签，并根据视频观看者喜好的视频类型，推荐具有该类型的标签的短视频。然而，很多短视频标签都是视频发布者在发布时自己添加标签，以及观看视频的用户手动添加的标签，也就是说，现阶段的大多数标签源于手工添加，仍然存在主观性较强的问题。

相关技术中，还存在一些智能方法，现有的短视频分类或者打标签技术主要是直接通过基于卷积神经网络模型(CNN)或递归神经网络模型(RNN)的算法对视频进行学习训练，以确定视频的类型，并基于此获得视频的标签。也有一些针对视频语义信息进行特征提取的方法，对于文本的频率量化来达到打标签的效果。然而，这些智能方法引入了神经网络模型，不同平台使用的神经网络模型的参数不通用，导致该方法难以推广。并且，在视频内容风格上存在差异的视频的聚类效应不明显，导致同类视频自动生成的标签也存在差异，因此，自动生成的标签的准确性有待提升。

发明内容

本公开提出了一种视频处理方法及装置、电子设备和存储介质。

根据本公开的一方面，提供了一种视频处理方法，包括：确定待处理视频中的多个切换帧，其中，所述切换帧为待处理视频中场景发生变化的临界视频帧；根据与各切换帧相邻的第一预设数量的视频帧，以及各切换帧对应的时刻之间的音频信息，获得所述待处理视频的多个视频片段；获得各视频片段的多模态信息，所述多模态信息包括多个维度的信息；根据各维度的信息的内容，获得所述视频片段的标签信息。

在一种可能的实现方式中，确定与所述切换帧相邻的第一预设数量的视频帧之间的第一特征相似度；确定与所述切换帧相邻的第二预设数量的切换帧对应的时刻之间的音频信息的第二特征相似度；在所述第一特征相似度小于第一相似度阈值，或所述第二特征相似度小于第二相似度阈值的情况下，将所述切换帧确定为分割帧；根据所述分割帧对所述待处理视频进行分割，获得所述多个视频片段。

在一种可能的实现方式中，获得各视频片段的多模态信息，包括：分离出各视频片段的视频信息、背景音信息和文字信息。

在一种可能的实现方式中，根据各维度的信息的内容，获得所述视频片段的标签信息，包括：根据各维度的信息的内容，确定所述各维度的信息的信息量；根据所述信息量，对各维度的信息进行排序；根据首个序列的信息的内容，获得首个序列的信息的标签信息；根据当前序列的信息的内容以及前一序列的信息的标签信息，获得当前序列的信息的标签信息；根据多个序列的信息的标签信息，获得所述视频片段的标签信息。

在一种可能的实现方式中，根据当前序列的信息的内容以及前一序列的信息的标签信息，获得当前序列的信息的标签信息，包括：根据当前序列的信息的内容，获得当前序列的信息的新增标签信息；将所述新增标签信息和所述前一序列的信息的标签信息进行去重，获得所述当前序列的信息的标签信息。

在一种可能的实现方式中，所述方法还包括：根据所述各维度的信息的信息量，获得所述视频片段的各标签信息的权重。

在一种可能的实现方式中，所述方法还包括：根据所述各标签信息的权重，对所述视频片段进行视频推荐处理。

根据本公开的一方面，提供了一种视频处理装置，包括：切换帧确定模块，用于确定待处理视频中的多个切换帧，其中，所述切换帧为待处理视频中场景发生变化的临界视频帧；分割模块，用于根据与各切换帧相邻的第一预设数量的视频帧，以及各切换帧对应的时刻之间的音频信息，获得所述待处理视频的多个视频片段；多模态信息获取模块，用于获得各视频片段的多模态信息，所述多模态信息包括多个维度的信息；标签信息获取模块，用于根据各维度的信息的内容，获得所述视频片段的标签信息。

在一种可能的实现方式中，所述分割模块进一步用于：确定与所述切换帧相邻的第一预设数量的视频帧之间的第一特征相似度；确定与所述切换帧相邻的第二预设数量的切换帧对应的时刻之间的音频信息的第二特征相似度；在所述第一特征相似度小于第一相似度阈值，或所述第二特征相似度小于第二相似度阈值的情况下，将所述切换帧确定为分割帧；根据所述分割帧对所述待处理视频进行分割，获得所述多个视频片段。

在一种可能的实现方式中，所述多模态信息获取模块进一步用于：分离出各视频片段的视频信息、背景音信息和文字信息。

在一种可能的实现方式中，所述标签信息获取模块进一步用于：根据各维度的信息的内容，确定所述各维度的信息的信息量；根据所述信息量，对各维度的信息进行排序；根据首个序列的信息的内容，获得首个序列的信息的标签信息；根据当前序列的信息的内容以及前一序列的信息的标签信息，获得当前序列的信息的标签信息；根据多个序列的信息的标签信息，获得所述视频片段的标签信息。

在一种可能的实现方式中，所述标签信息获取模块进一步用于：根据当前序列的信息的内容，获得当前序列的信息的新增标签信息；将所述新增标签信息和所述前一序列的信息的标签信息进行去重，获得所述当前序列的信息的标签信息。

在一种可能的实现方式中，所述装置还包括：权重获取模块，用于根据所述各维度的信息的信息量，获得所述视频片段的各标签信息的权重。

在一种可能的实现方式中，所述装置还包括：推荐模块，用于根据所述各标签信息的权重，对所述视频片段进行视频推荐处理。

根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。

根据本公开的实施例的视频处理方法，可确定切换帧，并利用视频帧和音频信息来综合判断切换帧前后的视频是否存在关联，进而确定切换帧是否可作为分割视频的分割帧。视频的分割和剪辑的依据为视频帧本身的内容，从而可减少视频剪辑的主观性，且可减少人工处理，通过自动分割待处理视频，提升视频处理的效率，提高视频的实时性。进一步地，可基于视频片段的多模态信息的内容来获取视频片段的标签信息，可减少视频标签的主观性，且通过多模态信息可从多个维度来确定视频的内容，提升标签的准确性和无偏性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的视频处理方法的流程图；

图2示出根据本公开实施例的视频分割的流程图；

图3示出根据本公开实施例的获取标签信息的流程图；

图4示出根据本公开实施例的视频处理装置的框图；

图5示出根据本公开实施例的一种电子设备的框图；

图6示出根据本公开实施例的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开实施例的视频处理方法的流程图，如图1所示，所述方法包括：

在步骤S11中，确定待处理视频中的多个切换帧，其中，所述切换帧为待处理视频中场景发生变化的临界视频帧；

在步骤S12中，根据与各切换帧相邻的第一预设数量的视频帧，以及各切换帧对应的时刻之间的音频信息，获得所述待处理视频的多个视频片段；

在步骤S13中，获得各视频片段的多模态信息，所述多模态信息包括多个维度的信息；

在步骤S14中，根据各维度的信息的内容，获得所述视频片段的标签信息。

根据本公开的实施例的视频处理方法，可基于切换帧来分割待处理视频，视频的分割和剪辑的依据为视频帧本身的内容，从而可减少视频剪辑的主观性，且可减少人工处理，通过自动分割待处理视频，提升视频处理的效率，提高视频的实时性。进一步地，可基于视频片段的多模态信息的内容来获取视频片段的标签信息，可减少视频标签的主观性，且通过多模态信息可从多个维度来确定视频的内容，提升标签的准确性。

在一种可能的实现方式中，为减少人工处理，减少视频剪辑的主观性，可基于待处理视频的视频帧本身进行剪辑，将待处理视频分割成多个视频片段。在步骤S11中，可在待处理视频的多个视频帧中，确定出其中的切换帧，所述切换帧为待处理视频中场景发生变化的临界视频帧。

在一种可能的实现方式中，可通过相关技术中的视频镜头突变检测算法来确定待处理视频中的切换帧。该算法可对各视频帧中的场景进行检测，以确定待处理视频中场景发生变化的临界帧，例如，第n(n为正整数)帧中的画面为某一场景，第n+1帧中的画面切换至另一场景，则可将第n帧作为切换帧。也可通过其他方式获得切换帧，例如，还可对视频中人物语言的内容，确定出内容主题发生变化的时刻，并将该时刻对应的视频帧作为切换帧。本公开对确定切换帧的方式不做限制。

在一种可能的实现方式中，以上切换帧为场景发生变化的临界帧，但切换帧前后的视频也许并非没有关联。在示例中，可能出现虽然场景变化，但视频所表达的事件的情节未发生变化的情况，例如，记者会的问答环节中，记者提问时镜头会对准记者拍摄，发言人回答时，镜头会对准发言人拍摄，在这种情况下，提问和回答时，拍摄到的画面不同，场景不同，而对于一个问题的问答，通常可看做同一事件，因此，如果提问和回答两段视频之间存在切换帧，则切换帧前后的视频是有关联的。在另一示例中，可能由于拍摄人员抖动、晃动等情况(例如，隐秘拍摄的场景中，无法使摄像机保持稳定)，则可能出现视频的场景突然发生变化，但变化前后的视频所表达的仍为同一事件的情况。

在一种可能的实现方式中，基于以上情况，不能直接将切换帧作为分割和剪辑待处理视频的依据。可对切换帧进行筛选，选择出切换帧前后的视频不存在关联的切换帧，并将这些切换帧作为分割帧，即，作为分割和剪辑待处理视频的依据。

在一种可能的实现方式中，在步骤S12中，可判断切换帧前后的视频是否存在关联。例如，可对切换帧前后的视频帧进行检测，例如，进行场景检测、事件检测、人物检测、语义检测(例如，检测人物所说的语言的语义)，并基于检测结果，确定切换帧前后的视频是否存在关联。例如，可基于切换帧前后的视频是否为同一场景或相似场景，来确定切换帧前后的视频是否存在关联。例如，可基于切换帧前后的视频所表达的是否为同一事件，来确定切换帧前后的视频是否存在关联。例如，可基于切换帧前后的视频所包含的人物是否为同一人物，来确定切换帧前后的视频是否存在关联。又例如，可基于切换帧前后的视频所说的语言的语义是否处在关联，来确定切换帧前后的视频是否存在关联。本公开对确定切换帧前后的视频是否存在关联的具体方式不做限制。

在一种可能的实现方式中，为提升上述判断的准确性，可根据与切换帧相邻的第一预设数量的视频帧，以及各切换帧对应的时刻之间的音频信息，来判断切换帧前后的视频是否存在关联。步骤S12可包括：确定与所述切换帧相邻的第一预设数量的视频帧之间的第一特征相似度；确定与所述切换帧相邻的第二预设数量的切换帧对应的时刻之间的音频信息的第二特征相似度；在所述第一特征相似度小于第一相似度阈值，或所述第二特征相似度小于第二相似度阈值的情况下，将所述切换帧确定为分割帧；根据所述分割帧对所述待处理视频进行分割，获得所述多个视频片段。

在一种可能的实现方式中，与切换帧相邻的第一预设数量的视频帧包括切换帧前后的多个连续视频帧以及切换帧本身。例如，第一预设数量为k+1(k为正整数)，则第一预设数量的视频帧包括切换帧前后的连续的k个视频帧，以及切换帧本身。可分别在切换帧前后各选择k/2个视频帧，或者，切换帧前后的视频帧数量可不相等，本公开对第一预设数量的视频帧的分布不做限制。

在示例中，针对切换帧frame_switch_a，所述第一预设数量的视频帧可包括：frame_switch₁，frame_switch₂，frame_switch₃…frame_switch_a，frame_switch_a+1…frame_switch_k+1。这些视频帧为连续视频帧。

在一种可能的实现方式中，可确定上述第一预设数量的视频帧之间的第一特征相似度，例如，可分别对上述视频帧进行特征提取，获得各视频帧的特征信息。并确定特征信息之间的相似度，作为所述第一特征相似度。在示例中，可每两个相邻视频帧之间，确定一次特征相似度(例如，确定两个相邻视频帧的特征信息之间的余弦相似度)，共确定k次特征相似度，可将k个特征相似度进行相乘、取最大值、取最小值、取平均值、取中位数、取方差等处理中的任意一种，获得所述第一特征相似度，本公开对第一特征相似度的获得方式不做限制。

在一种可能的实现方式中，可确定与切换帧相邻的第二预设数量的切换帧对应的时刻之间的音频信息的第二特征相似度。在示例中，待处理视频为多媒体信息，不仅包括视频帧的画面，还可包括对应的音频信息。

在示例中，切换帧frame_switch_a对应的时刻t_switch_a，与该切换帧相邻的第二预设数量(例如，i+1个，i为正整数)的切换帧包括切换帧frame_switch_a前后的i个切换帧，以及切换帧frame_switch_a自身。例如，…frame_switch_a-2，frame_switch_a-1，frame_switch_a，frame_switch_a+1，frame_switch_a-2…(共i+1个)，对应的时刻分别为…t_switch_a-2，t_switch_a-1，t_switch_a，t_switch_a+1，t_switch_a-2…这些时刻之间的音频信息为…t_switch_a-2与t_switch_a-1之间的音频信息clip_a-2～a-1，t_switch_a-1与t_switch_a之间的音频信息clip_a-1～a，t_switch_a与t_switch_a+1之间的音频信息clip_a～a+1，t_switch_a+1与t_switch_a+2之间的音频信息clip_a+1～a+2…(共i个)。在示例中，i＝4，即，可确定clip_a-2～a-1，clip_a-1～a，clip_a～a+1，clip_a+1～a+2四段音频信息之间的第二特征相似度。

在一种可能的实现方式中，可确定各段音频信息的声波波形的特征信息，并确定各特征信息之间的特征相似度。或者，可对各段音频信息进行语义识别，并确定各段音频信息的语义特征，作为各段音频信息的特征信息，进而确定各特征信息之间的特征相似度。确定第二特征相似度的方式与以上第一特征相似度可以是类似的，即，可在每两段相邻的音频信息之间确定一次特征相似度(例如，确定两两段相邻的音频信息的特征信息之间的余弦相似度)，共确定i次特征相似度，可将i个特征相似度进行相乘、取最大值、取最小值、取平均值、取中位数、取方差等处理中的任意一种，获得所述第二特征相似度，本公开对第二特征相似度的获得方式不做限制。

在一种可能的实现方式中，可基于上述第一特征相似度和所述第二特征相似度来判断所述切换帧是否可作为分割帧。在示例中，第一特征相似度和第二特征相似度均为表示切换帧前后的视频之间是否存在关联的参数，可认为第一特征相似度和第二特征相似度均大于或等于各自的阈值时，切换帧前后的视频之间存在关联。则该切换帧不应作为分割帧，将待处理视频从该切换帧处进行分割。换言之，如果第一特征相似度小于第一相似度阈值，或者第二特征相似度小于第二相似度阈值(即，二者之一，或二者全部小于对应的阈值)，则可认为切换帧前后的视频之间不存在关联，切换帧前后的视频表达的是两个不同的事件或场景，可将该切换帧确定为分割帧，即，可以将该分割帧作为分割视频的依据，对待处理视频进行分割，获得两个视频片段。

在一种可能的实现方式中，可对各切换帧均进行上述判断，如果切换帧可作为分割帧，则可在该分割帧处进行分割，反之，则可不进行分割。在对各切换帧均完成上述判断后，可获得多个视频片段。在分割时，可在确定所有分割帧后再进行分割，也可每确定出一个分割帧，即进行一次分割，本公开对视频分割的时间不做限制。在示例中，可在多个切换帧中，确定出m(m为正整数，且m小于或等于切换帧的数量)个分割帧，则可分割出m+1个视频片段，V₁，V₂…V_m。

在一种可能的实现方式中，如果分割获得的视频片段数量过少，或者每个视频片段的时长过长，则可降低上述判断标准，增加分割帧的数量，以提升视频片段的数量，减少每个视频片段的时长。例如，可将第一预设数量k+1的数值调减，或将第二预设数量i+1的值调减。本公开对判断标准不做限制。

图2示出根据本公开实施例的视频分割的流程图。如图2所示，可基于视频镜头突变检测算法来确定待处理视频中的切换帧，针对其中某一切换帧，可确定该切换帧前后的相邻的k个视频帧。并将k个视频帧与切换帧自身进行内容识别，以确定k个视频帧之间是否相关。另一方面，可将该切换帧前后相邻的多个切换帧之间的音频进行声波提取，获得各段音频的波形，并对该波形进行数字信号处理，例如，提取波形的时序特征或频域特征，进而对这些特征进行内容识别，以确定各段音频之间是否相关。

在一种可能的实现方式中，如果k个视频帧之间互相相关，且各段音频之间互相相关，则可删除该切换帧，即，确定该切换帧前后的内容相关，不能将该切换帧确定为分割帧。反之，该切换帧则可作为分割帧。可在对所有切换帧进行上述判断，并确定出所有分割帧后，基于各分割帧对待处理视频进行分割，获得多个视频片段。

通过这种方式，可利用视频帧和音频信息来综合判断切换帧前后的视频是否存在关联，进而确定切换帧是否可作为分割视频的分割帧。提升视频分割的客观性和准确性。

在一种可能的实现方式中，在获得多个视频片段后，可确定每个视频片段的标签信息，以在视频推荐的处理中将标签信息作为依据。

在一种可能的实现方式中，在确定视频片段的标签信息时，可基于视频片段的内容，确定有代表性的词语或短语作为标签信息。在示例中，可通过深度学习神经网络获得视频片段的内容，进而获得标签信息，但生成的标签信息的聚类效应不明显，用于视频推荐时效果不佳。在另一示例中，还可基于注意力机制对视频内容进行加权，但该方式进将标签信息作为没有语义信息的符号，仅通过分类算法来确定具有各种内容的视频所对应的符号。因此，在忽略语义信息的情况下，该种方式确定的标签信息的准确性仍有待提高。

在一种可能的实现方式中，对于上述问题，可基于视频片段的多个维度的信息(即，多模态信息)，从多个维度进行综合运算，获得具有语义信息标签信息(且标签信息的语义信息与视频片段的内容的语义信息相符)，以提升标签信息的准确性，并提升视频推荐的效果。

在一种可能的实现方式中，步骤S13可包括：分离出各视频片段的视频信息、背景音信息和文字信息。在示例中，如上所述，待处理视频为多媒体信息，分割出的各视频片段也是多媒体信息，各视频片段均可包括多个维度的信息，例如，视频信息(不含声音)，背景音信息以及文字信息(例如，视频片段中的人物所说的语言，即，人声信息)。在示例中，可通过深度学习神经网络来分离背景音信息和人声信息，并将人声信息转化为文字信息。本公开对分离方法不做限制。

在一种可能的实现方式中，在步骤S14中，可基于以上获得的多模态信息，确定视频片段的标签信息。例如，可基于多模态信息，从多个维度分析视频片段所包含内容的语义信息，进而确定与其语义信息相符，且具有代表性的标签信息。

在一种可能的实现方式中，步骤S14可包括：根据各维度的信息的内容，确定所述各维度的信息的信息量；根据所述信息量，对各维度的信息进行排序；根据首个序列的信息的内容，获得首个序列的信息的标签信息；根据当前序列的信息的内容以及前一序列的信息的标签信息，获得当前序列的信息的标签信息；根据多个序列的信息的标签信息，获得所述视频片段的标签信息。

在一种可能的实现方式中，针对某一视频片段，可针对该视频片段的各维度的信息的内容，确定各维度的信息的信息量。其中，信息量是对信息的多少的一种量化度量，本公开对信息量的具体表现方式不做限制。

在一种可能的实现方式中，对于视频信息，可对其进行二维频域映射，获得视频频域及时域信号中的特征信息，还可通过深度学习神经网络获取特征域的特征信息。并且，可确定视频画面中的动态程度，即，确定相邻帧之间的差异。还可对视频画面进行物体识别与统计。可对于上述方面中的一种或多种，来评估视频信息的信息量。本公开对视频信息的信息量的获取方式不做限制。

在一种可能的实现方式中，对于背景音信息，可通过对音频的波形信号的周期性进行特征识别，还可获得波形信号的时域和/或频域特征信息，以及通过神经网络模型获得的特征信息，可基于以上方面中的一种方面中的一种或多种，来评估背景音信息的信息量。本公开对背景音信息的信息量的获取方式不做限制。

在示例中，足球比赛直播视频中，可能突然出现大量欢呼声，该背景音信息的波形会急剧变化，这种变化可导致波形信号的周期性受到影响，且时域和/或频域的特征信息也会受到影响，可其作为信息量增益点，即，该波形的急剧变化可提升背景音信息的信息量。

在一种可能的实现方式中，对于文字信息，可通过自然语言处理模型等深度学习神经网络模型确定文字的特征向量，以及各词语或短语之间的关系等，并基于这些信息来确定文字信息的信息量。本公开对文字信息的信息量的获取方式不做限制。

在一种可能的实现方式中，在获得各维度的信息的信息量后，可基于信息量的大小进行排序，例如，可将信息量最大的维度的信息作为第一序列的信息，第二序列的信息和第三序列的信息的信息量依次减小。

在示例中，对于画面变化较快，出场人物较多的视频片段，其视频信息的信息量可大于背景音信息的信息量，而对于采访、新闻等视频片段，画面变化较少，出场人物较少，但人物所表达的内容较多(例如，说话较多)，则文字信息的信息量可大于视频信息的信息量。本公开对各维度的信息量的具体排序不做限制。

在一种可能的实现方式中，可分别获得每个序列的信息的标签信息，并在进行去重等处理后，获得该视频片段的标签信息。在确定每个序列的信息的标签信息时，均可基于该信息的内容来确定标签信息，使得标签信息与所述内容相匹配，且能够代表所述内容。

在示例中，对于视频信息，可通过图像分割，目标识别，场景识别，视频颜色直方图的特征检测、视频情感检测等方式获得视频信息的语义信息，也可通过深度学习神经网络获得视频信息的语义信息，进而确定标签信息。例如，通过场景识别处理，可识别出该视频片段的场景为足球比赛，通过目标识别处理可识别出画面中的足球明星的身份标识，通过视频情感检测处理可确定视频中发生的事件是为进球欢呼，通过识别出的上述信息，可确定视频信息的语义信息，例如，某足球明星在某场足球比赛中进球，可确定“足球”，“YY球星”和“进球”等标签信息。本公开对视频信息的具体内容以及标签信息的确定方式不做限制。

在示例中，对于背景音信息，可通过对音频的波形分析，特征提取，特征匹配等处理，获得背景音信息的语义信息，进而获得标签信息。例如，根据音频的波形分析结果，该背景音信息的语义信息为进球的欢呼声，进而可确定“进球”等标签信息。本公开对背景音信息的具体内容以及标签信息的确定方式不做限制。

在示例中，对于文字信息，可通过语义识别，关系识别等自然语言处理方式获取其语义信息，进而获得标签信息。例如，根据对文字信息的语义识别处理，可确定该文字信息的语义信息为足球栏目主持人的解说，进而可确定“足球”，“解说”，“主持人”等标签信息。本公开对文字信息的具体内容以及标签信息的确定方式不做限制。

在一种可能的实现方式中，每个序列的信息均可按照上述方式获取该序列的信息的标签信息。例如，对于首个序列的信息(即，信息量最大的维度的信息)，可根据该信息的内容，确定标签信息。例如，可确定首个序列的信息的类型，例如，首个序列的信息为文字信息，则可通过上述针对文字信息的标签获取方式，基于文字信息的内容获得首个序列的信息的标签信息。本公开对首个序列的信息的具体类型不做限制。

在一种可能的实现方式中，对于其他序列的信息，每个序列的信息均可获得新的标签信息，即，新增标签信息，可确定新增标签信息和前一序列的标签信息之间的关系，进而确定当前序列的标签信息。根据当前序列的信息的内容以及前一序列的信息的标签信息，获得当前序列的信息的标签信息，包括：根据当前序列的信息的内容，获得当前序列的信息的新增标签信息；将所述新增标签信息和所述前一序列的信息的标签信息进行去重，获得所述当前序列的信息的标签信息。

在一种可能的实现方式中，第二个序列的信息可新增一个或多个标签信息，可确定新增标签信息与首个序列的信息的标签信息之间的关系，从而进行去重处理。例如，可将完全相同的标签信息删除其中一个，可将含义近似的标签信息进行融合和关联等，本公开对去重处理的具体方式不做限制。去重处理后的首个序列的信息的标签信息与第二个序列的信息的新增标签信息即为第二个序列的信息的标签信息。类似地，可对第三个序列的信息的新增标签信息与所述第二个序列的信息的标签信息进行去重处理，以获得第三个序列的信息的标签信息。

在一种可能的实现方式中，可将以上多个序列的去重后的标签信息进行汇总，即可获得视频片段的标签信息。在示例中，基于以上将第三个序列的信息的新增标签信息与第二个序列的信息的标签信息去重后，得到第三个序列的信息的标签信息的处理，可知，第三个序列的信息的标签信息即为去重且汇总后的标签信息，可作为所述视频片段的标签信息。

在一种可能的实现方式中，为了在推荐处理中基于标签信息准确地对视频片段进行推荐，还可确定各标签信息的权重。所述方法还包括：根据所述各维度的信息的信息量，获得所述视频片段的各标签信息的权重。

在示例中，每个序列的新增标签信息的权重可以是不同的，例如，上述文字信息的“足球”，“解说”，“主持人”等标签信息的权重可根据其在语义中的重要性有所不同，例如，“足球”的权重为0.4，“解说”和“主持人”的权重均为0.3。本公开对权重的具体取值不做限制。并且，由于每个序列的信息的信息量不同，对于每个序列的信息的权重也可不同，在示例中，可基于信息量确定各序列的信息的权重。综合上述两种权重，可获得视频片段的各标签信息。例如，“解说”为第一序列的信息的新增标签信息，可利用第一序列的信息的权重与“解说”标签信息自身的权重相乘，获得该标签信息最终的权重。又例如，“足球”为第一序列的信息的新增标签信息，也是第二序列的信息的新增标签信息，可对“足球”标签信息进行去重后，仅保留一个“足球”标签信息，但其最终的权重可以是第一序列的信息权重与第一序列的新增标签信息中“足球”标签信息的权重的乘积，与第二序列的信息权重与第二序列的新增标签信息中“足球”标签信息的权重的乘积进行求和。本公开对权重的具体计算方式不做限制。

在一种可能的实现方式中，除了以上基于视频片段的多模态信息获取的标签信息外，还可为视频片段人工添加标签信息，并可自动或人工赋予其相应的权重。如果采用人工赋予权重的方式，可基于添加者的判断来自行确定权重，如采用自动赋予权重的方式，可基于标签的语义，在基于视频片段的多模态信息获取的标签信息中，确定与该人工添加的标签信息类别相同的标签信息，并参考该标签信息的权重赋予该人工添加的标签信息的权重。

在一种可能的实现方式中，可基于以上方式确定每个标签信息的权重，且在确定每个标签信息的权重后，可将其用于视频推荐处理。所述方法还包括：根据所述各标签信息的权重，对所述视频片段进行视频推荐处理。例如，可在用户打开视频网站或APP观看视频时，基于用户的类型或其喜好，为其推荐视频。

在示例中，可基于用户的性别、年龄、学历、爱好等信息，确定用户的类别和爱好，再基于视频片段的标签，确定视频片段的类别，并为其推荐类别或爱好相符的视频片段。举例来说，该用户为男性，20岁，大学生，爱好足球。可其类别为喜欢足球的男学生，可为其推荐足球相关的视频。可基于视频片段的标签信息，确定视频片段的类别，例如，可在视频库中确定具有“足球”，“篮球”，“进球集锦”，“乒乓球”等于体育相关的标签信息的视频片段，并按照与用户的类型的相关程度来排序，例如，按照用户的类型，对上述视频片段的排序为：具有“足球”标签信息的视频片段，具有“进球集锦”标签信息的视频片段，具有“篮球”标签信息的视频片段，以及具有“乒乓球”标签信息的视频片段。并优先推荐具有“足球”标签信息的视频片段。如果具有“足球”标签信息的视频片段有多个，则可按照“足球”标签信息在各视频片段中的权重来对各视频片段进行排序，该标签信息的权重越高，可表示该视频片段的内容信息与“足球”的语义信息的相关程度越高，因此，用户对该视频片段感兴趣的可能性越高，因此，可按照该标签信息的权重从高到低排序。进一步地，可按照以上方式对视频库中的各视频片段进行排序，并按顺序为用户推荐视频片段。本公开对具体的排序方式不做限制。

图3示出根据本公开实施例的获取标签信息的流程图。如图3所示，可分离出视频片段的多模态信息，即，视频信息和音频信息，音频信息可包括背景音信息以及人声信息，可将人声信息转化为文字信息。

在一种可能的实现方式中，可评估视频信息、背景音信息和文字信息的信息量，并按照信息量对三个维度的信息进行排序。进一步地，可首先获得首个序列的信息的标签信息，可对该序列的信息的内容进行识别，以获得该序列的信息的语义信息，并基于语义信息确定与该语义信息相符的标签信息，作为首个序列的信息的标签信息。

在一种可能的实现方式中，针对第二个序列的信息，可对该序列的信息的内容进行识别，以获得该序列的信息的语义信息，并基于语义信息确定与该语义信息相符的标签信息，作为第二个序列的信息的新增标签信息。该新增标签信息可与首个序列的信息的标签信息进行去重，例如，可将完全一致的标签信息仅保留一个，可将含义相近的标签信息进行融合等。去重后的所有标签信息即为第二个序列的信息的标签信息。类似地，还可获得第三个序列的信息的标签信息。

在一种可能的实现方式中，第三个序列的信息可作为该视频片段的标签信息。并可赋予标签信息的权重，还可基于标签信息对视频片段进行分类。进一步地，可在用户观看视频时，基于用户的类别为其推荐类别相符的视频片段，并基于标签信息的权重确定推荐顺序。

根据本公开的实施例的视频处理方法，可确定切换帧，并利用视频帧和音频信息来综合判断切换帧前后的视频是否存在关联，进而确定切换帧是否可作为分割视频的分割帧。视频的分割和剪辑的依据为视频帧本身的内容，从而可减少视频剪辑的主观性，且可减少人工处理，通过自动分割待处理视频，提升视频处理的效率，提高视频的实时性。进一步地，可基于视频片段的多模态信息的内容来获取视频片段的标签信息，可减少视频标签的主观性，且通过多模态信息可从多个维度来确定视频的内容，提升标签的准确性和无偏性。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

图4示出根据本公开实施例的视频处理装置的框图，如图4所示，所述装置包括：切换帧确定模块11，用于确定待处理视频中的多个切换帧，其中，所述切换帧为待处理视频中场景发生变化的临界视频帧；分割模块12，用于根据与各切换帧相邻的第一预设数量的视频帧，以及各切换帧对应的时刻之间的音频信息，获得所述待处理视频的多个视频片段；多模态信息获取模块13，用于获得各视频片段的多模态信息，所述多模态信息包括多个维度的信息；标签信息获取模块14，用于根据各维度的信息的内容，获得所述视频片段的标签信息。

在一种可能的实现方式中，所述分割模块进一步用于：确定与所述切换帧相邻的第一预设数量的视频帧之间的第一特征相似度；确定与所述切换帧相邻的第二预设数量的切换帧对应的时刻之间的音频信息的第二特征相似度；在所述第一特征相似度小于第一相似度阈值，或所述第二特征相似度小于第二相似度阈值的情况下，将所述切换帧确定为分割帧；根据所述分割帧对所述待处理视频进行分割，获得所述多个视频片段。

在一种可能的实现方式中，所述多模态信息获取模块进一步用于：分离出各视频片段的视频信息、背景音信息和文字信息。

在一种可能的实现方式中，所述标签信息获取模块进一步用于：根据各维度的信息的内容，确定所述各维度的信息的信息量；根据所述信息量，对各维度的信息进行排序；根据首个序列的信息的内容，获得首个序列的信息的标签信息；根据当前序列的信息的内容以及前一序列的信息的标签信息，获得当前序列的信息的标签信息；根据多个序列的信息的标签信息，获得所述视频片段的标签信息。

在一种可能的实现方式中，所述标签信息获取模块进一步用于：根据当前序列的信息的内容，获得当前序列的信息的新增标签信息；将所述新增标签信息和所述前一序列的信息的标签信息进行去重，获得所述当前序列的信息的标签信息。

在一种可能的实现方式中，所述装置还包括：权重获取模块，用于根据所述各维度的信息的信息量，获得所述视频片段的各标签信息的权重。

在一种可能的实现方式中，所述装置还包括：推荐模块，用于根据所述各标签信息的权重，对所述视频片段进行视频推荐处理。

此外，本公开还提供了视频处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种视频处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的视频处理方法的指令。

本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的视频处理方法的操作。

电子设备可以被提供为终端、服务器或其它形态的设备。

图5示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边缘，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图6示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种视频处理方法，其特征在于，包括：

确定待处理视频中的多个切换帧，其中，所述切换帧为待处理视频中场景发生变化的临界视频帧；

根据与各切换帧相邻的第一预设数量的视频帧，以及各切换帧对应的时刻之间的音频信息，获得所述待处理视频的多个视频片段；

获得各视频片段的多模态信息，所述多模态信息包括多个维度的信息；

根据各维度的信息的内容，获得所述视频片段的标签信息。

2.根据权利要求1所述的方法，其特征在于，根据与各切换帧相邻的第一预设数量的视频帧，以及各切换帧对应的时刻之间的音频信息，获得所述待处理视频的多个视频片段，包括：

确定与所述切换帧相邻的第一预设数量的视频帧之间的第一特征相似度；

确定与所述切换帧相邻的第二预设数量的切换帧对应的时刻之间的音频信息的第二特征相似度；

在所述第一特征相似度小于第一相似度阈值，或所述第二特征相似度小于第二相似度阈值的情况下，将所述切换帧确定为分割帧；

根据所述分割帧对所述待处理视频进行分割，获得所述多个视频片段。

3.根据权利要求1所述的方法，其特征在于，获得各视频片段的多模态信息，包括：

分离出各视频片段的视频信息、背景音信息和文字信息。

4.根据权利要求1所述的方法，其特征在于，根据各维度的信息的内容，获得所述视频片段的标签信息，包括：

根据各维度的信息的内容，确定所述各维度的信息的信息量；

根据所述信息量，对各维度的信息进行排序；

根据首个序列的信息的内容，获得首个序列的信息的标签信息；

根据当前序列的信息的内容以及前一序列的信息的标签信息，获得当前序列的信息的标签信息；

根据多个序列的信息的标签信息，获得所述视频片段的标签信息。

5.根据权利要求4所述的方法，其特征在于，根据当前序列的信息的内容以及前一序列的信息的标签信息，获得当前序列的信息的标签信息，包括：

根据当前序列的信息的内容，获得当前序列的信息的新增标签信息；

将所述新增标签信息和所述前一序列的信息的标签信息进行去重，获得所述当前序列的信息的标签信息。

6.根据权利要求4所述的方法，其特征在于，所述方法还包括：

根据所述各维度的信息的信息量，获得所述视频片段的各标签信息的权重。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

根据所述各标签信息的权重，对所述视频片段进行视频推荐处理。

8.一种视频处理装置，其特征在于，包括：

切换帧确定模块，用于确定待处理视频中的多个切换帧，其中，所述切换帧为待处理视频中场景发生变化的临界视频帧；

分割模块，用于根据与各切换帧相邻的第一预设数量的视频帧，以及各切换帧对应的时刻之间的音频信息，获得所述待处理视频的多个视频片段；

多模态信息获取模块，用于获得各视频片段的多模态信息，所述多模态信息包括多个维度的信息；

标签信息获取模块，用于根据各维度的信息的内容，获得所述视频片段的标签信息。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。

Images