CN114374885A - 视频关键片段确定方法、装置、电子设备及可读存储介质 - Google Patents

视频关键片段确定方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN114374885A
CN114374885A CN202111674712.8A CN202111674712A CN114374885A CN 114374885 A CN114374885 A CN 114374885A CN 202111674712 A CN202111674712 A CN 202111674712A CN 114374885 A CN114374885 A CN 114374885A
Authority
CN
China
Prior art keywords
video
key
audio
clip
clips
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
CN202111674712.8A
Other languages
English (en)
Other versions
CN114374885B (zh
Inventor
张继丰
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111674712.8A priority Critical patent/CN114374885B/zh
Publication of CN114374885A publication Critical patent/CN114374885A/zh
Application granted granted Critical
Publication of CN114374885B publication Critical patent/CN114374885B/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]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/85—Assembly of content; Generation of multimedia applications
    • H04N21/854—Content authoring
    • H04N21/8549—Creating video summaries, e.g. movie trailer
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/233—Processing of audio elementary 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
    • 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
    • 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)
  • Databases & Information Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Television Signal Processing For Recording (AREA)

Abstract

本公开提供了一种视频关键片段确定方法、装置、电子设备及可读存储介质，涉及数据领域，尤其涉及视频处理领域。具体实现方案为：基于目标视频的音频数据的音乐特征从音频数据中提取关键音频片段；基于关键音频片段确定目标视频中的关键视频片段。基于本方案，实现了对关键视频片段的自动提取，能够避免通过人工提取关键视频片段所耗费的大量人力成本，并且能够提升处理效率。

Description

视频关键片段确定方法、装置、电子设备及可读存储介质
技术领域
本公开涉及数据处理技术领域，尤其涉及视频处理技术领域，具体而言，本公开涉及一种视频关键片段确定方法、装置、电子设备及可读存储介质。
背景技术
随着互联网技术的不断发展，涌现出越来越多的视频播放平台。目前，视频播放平台中多会提供视频看点功能，视频看点一般为视频中的关键视频片段，通过提供视频看点能够让用户优先观看到视频的关键视频片段，从而可以让用户更加直观地对视频内容进行判断。
在生成视频看点时，需要获取到视频中的关键视频片段，现有方案中一般是通过人工方式定位视频中的关键视频片段，耗费大量人力成本，并且处理效率低。
发明内容
本公开为了解决上述缺陷中的至少一项，提供了一种视频关键片段确定方法、装置、电子设备及可读存储介质。
根据本公开的第一方面，提供了一种视频关键片段确定方法，该方法包括：
基于目标视频的音频数据的音乐特征从音频数据中提取关键音频片段；
基于关键音频片段确定目标视频中的关键视频片段。
根据本公开的第二方面，提供了一种视频关键片段确定装置，该装置包括：
关键音频片段提取模块，用于基于目标视频的音频数据的音乐特征从音频数据中提取关键音频片段；
视频关键片段确定模块，用于基于关键音频片段确定目标视频中的关键视频片段。
根据本公开的第三方面，提供了一种电子设备，该电子设备包括：
至少一个处理器；以及
与上述至少一个处理器通信连接的存储器；其中，
存储器存储有可被上述至少一个处理器执行的指令，指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述视频关键片段确定方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使计算机执行上述视频关键片段确定方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述视频关键片段确定方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例提供的一种视频关键片段确定方法的流程示意图；
图2是本公开实施例提供的另一种视频关键片段确定方法的流程示意图；
图3是本公开实施例提供的一种视频关键片段确定装置的结构示意图；
图4是本公开实施例提供的另一种视频关键片段确定装置的结构示意图；
图5是用来实现本公开实施例的视频关键片段确定方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1示出了本公开实施例提供的一种视频关键片段确定方法的流程示意图，如图1中所示，该方法主要可以包括：
步骤S110：基于目标视频的音频数据的音乐特征从音频数据中提取关键音频片段；
步骤S120：基于关键音频片段确定目标视频中的关键视频片段。
其中，关键视频片段为目标视频中具有代表性或者较为精彩的视频片段，可以将关键视频片段进行剪辑从而生成视频看点。
音乐特征可以包括音色特征或者节奏特征等。关键音频片段可以为目标视频的音频数据中具有明显音色变化或者节奏变化的音频片段。可以基于音乐特征从目标视频的音频数据中提取出关键音频片段。
视频内容与音频的音色或者节奏往往是相匹配的，在视频的关键内容处，视频的配乐等会发生一些明显的音色变化或者节奏变化，因此可以基于关键音频片段确定目标视频中的关键视频片段。
作为一个示例，目标视频中第15秒至第20秒之间的视频片段具有代表性，为目标视频的关键片段。相应地，目标视频的音频在15秒至第20秒之间的音频片段发生了明显的节奏变化，为关键音频片段。
本公开实施例提供的方法，基于目标视频的音频数据的音乐特征从音频数据中提取关键音频片段，从而基于关键音频片段确定目标视频中的关键视频片段。基于本方案，实现了对关键视频片段的自动提取，能够避免通过人工提取关键视频片段所耗费的大量人力成本，并且能够提升处理效率。
本公开的一种可选方式中，基于目标视频的音频数据的音乐特征从音频数据中提取关键音频片段，包括：
将目标视频的音频数据分割为至少一个初始音频片段；
基于预配置的关键音频识别模型对初始音频片段的音乐特征进行识别，确定出初始音频片段中的关键音频片段。
本公开实施例中，可以对目标视频的音频数据进行切分，得到至少一个初始音频片段。
作为一个示例，可以预配置初始音频片段对应的音频时长，如可以为5秒，而后依照该音频时长对目标视频的音频数据进行切分得到初始音频片段，得到的各初始音频片段对应的音频时长均为5秒。
本公开实施例中，可以基于预训练的关键音频识别模型识别初始音频片段是否为关键音频片段。
具体而言，可以提取各初始音频片段的音乐特征，而后将各初始音频片段的音乐特征输入关键音频识别模型，得到初始音频片段是否为关键音频的识别结果，从而确定出初始音频片段中的关键音频片段。
作为一个示例，可以通过预置的音乐特征提取模型来提取音乐特征。
作为一个示例，在训练关键音频识别模型时，可以由人工对初始音频片段中标注出关键音频片段，而后将被标注出的关键音频片段的音乐特征作为正样本，将初始音频片段中除关键音频片段以外的音频片段的音乐特征作为负样本，构建训练集。基于训练集进行关键音频识别模型的训练。
本公开的一种可选方式中，基于关键音频片段确定目标视频中的关键视频片段，包括：
基于关键音频片段对应的目标视频中的视频片段确定候选视频片段；
基于候选视频片段中帧图像的图像特征，确定候选视频片段中是否包含关键帧图像；
将包含关键帧图像的候选视频片段确定为目标视频中的关键视频片段。
本公开实施例中，关键音频片段对应的目标视频中的视频片段，即在播放目标视频的过程中，与关键音频片段同步播放的视频片段。可以基于关键音频片段对应的目标视频中的视频片段确定候选视频片段。
本公开实施例中，关键帧图像为关键视频片段中具有代表性的帧图像，可以基于是否包含关键帧图像来判断候选视频片段是否为关键视频片段。
作为一个示例，目标视频为卡点视频，在卡点视频的关键视频片段中，关键帧图像会被添加特效，如缩放、旋转等。可以基于帧图像的图像特征识别帧图像是否被添加了特效，从而判断帧图像是否为关键帧图像。
本公开的一种可选方式中，基于候选视频片段中帧图像的图像特征，确定候选视频片段中是否包含关键帧图像，包括：
基于预训练的关键帧图像识别模型对候选视频片段中帧图像的图像特征进行识别，确定候选视频片段中是否包含关键帧图像。
本公开实施例中，可以基于预训练的关键帧图像识别模型识别候选视频片段中帧图像是否为关键帧图像。
具体而言，可以提取候选视频片段中各帧图像的图像特征，而后将各帧图像的图像特征输入关键帧图像识别模型，得到帧图像是否为关键帧图像的识别结果，从而确定出候选视频片段中是否包含关键帧图像。
作为一个示例，可以通过预置的图像特征提取模型来提取图像特征。
作为一个示例，在训练关键帧图像识别模型时，可以由人工在候选视频片段的帧图像中标注出关键帧图像，而后将被标注出的关键帧图像的图像特征作为正样本，将除了关键帧图像以外的帧图像的图像特征作为负样本，构建训练集。基于训练集进行关键帧图像识别模型的训练。
本公开的一种可选方式中，基于关键音频片段对应的目标视频中的视频片段确定候选视频片段，包括以下任一项：
将关键音频片段对应的目标视频中的视频片段确定为候选视频片段；
将关键音频片段对应的目标视频中的视频片段确定为初始视频片段，将初始视频片段以及扩展视频片段共同构成的视频片段确定为候选视频片段，扩展视频片段包括目标视频中初始视频片段之前的第一预设时长的视频片段，和/或，目标视频中初始视频片段之后的第二预设时长的视频片段。
本公开实施例中，在基于关键音频片段对应的目标视频中的视频片段确定候选视频片段时，可以将关键音频片段对应的目标视频中的视频片段直接确定为候选视频片段。
在实际使用中，关键音频片段对应的时长可能较短，可能无法将关键视频片段完全覆盖，这时可以对关键音频片段对应的目标视频中的视频片段进行扩展，得到候选视频片段的视频长度被提升，从而能够更好的覆盖关键视频片段。
作为一个示例，对关键音频片段对应的目标视频中的视频片段进行扩展的具体方式可以为：将关键音频片段对应的目标视频中的视频片段确定为初始视频片段，而后针对初始视频片段进行扩展得到扩展视频片段，将初始视频片段以及扩展视频片段共同构成的视频片段确定为候选视频片段。对初始视频片段进行扩展得到扩展视频片段的具体方式可以为：将目标视频中初始视频片段之前的第一预设时长的视频片段，和/或，目标视频中初始视频片段之后的第二预设时长的视频片段确定为扩展视频片段。
本公开的一种可选方式中，上述方法还包括：
基于关键视频片段的帧图像生成关键视频片段的视频文案信息。
本公开实施例中，视频文案信息可以为关键视频片段的描述信息，用于简短的描述关键视频片段的内容，相当于视频看点的看点信息。可以在播放视频看点的同时展示视频文案信息，使得用户能够快速了解到视频看点的具体内容。
关键视频片段的帧图像中可能会反映出与关键视频片段的内容相关的一些信息，因此可以基于关键视频片段的帧图像来生成视频文案信息。
本公开的一种可选方式中，基于关键视频片段的帧图像生成关键视频片段的视频文案信息，包括：
对关键视频片段的帧图像中的字幕进行识别，得到字幕识别结果；
基于字幕识别结果生成视频文案信息。
本公开实施例中，可以基于关键视频片段的帧图像中的字幕生成视频文案信息。具体而言，可以基于光学字符识别(Optical Character Recognition，OCR)的方式识别关键视频片段的帧图像中的字幕，得到字幕识别结果，从而基于字幕识别结果生成视频文案信息。
在实际使用中，关键视频片段中可以包含多张具有字幕的帧图像，可以针对各帧图像分别生成视频文案信息，由用户在多个视频文案信息中进行选择。
本公开的一种可选方式中，基于字幕识别结果生成视频文案信息，包括：
提取帧图像中对象的行为特征；
基于预配置的匹配规则，确定字幕识别结果是否能与行为特征匹配；
若匹配，则将字幕识别结果确定为视频文案信息。
本公开实施例中，关键视频片段的帧图像中的对象可以包括但是不限于人物对象。行为特征可以反映帧图像中对象的动作等行为，例如，对象为人物对象，帧图像中人物对象的行为是正在奔跑，此时可以提取行为特征为奔跑。
在识别出用户的行为特征后，可以确定字幕结果是否与行为特征匹配，若匹配，则认为字幕识别结果能够反映关键视频片段的视频内容，可以将字幕识别结果确定为视频文案信息。
匹配规则可以根据实际需要进行设定。作为一个示例，匹配规则可以为字幕识别结果中包含行为特征对应的文本。如行为特征对应的文本为奔跑，字幕识别结果中包含奔跑，则可以认为将字幕识别结果确定为视频文案信息。
在实际使用中，在确定出视频文案信息之后，还可以由用户对视频文案信息进行编辑。
本公开的一种可选方式中，提取帧图像中对象的行为特征，包括：
将帧图像输入预训练的行为特征识别模型，输出帧图像中对象的行为特征。
本公开实施例中，可以基于预训练的行为特征识别模型识别帧图像中对象的行为特征。具体而言，可以将目标视频片段的帧图像输入行为特征识别模型，输出述帧图像中对象的行为特征。
作为一个示例，在训练行为特征识别模型时，可以由人工对视频帧图像标注行为特征，例如，帧图像中的人物对象在奔跑，标注人员可以将该帧图像的行为特征标注为奔跑。基于视频帧图像以及标注的行为特征构建训练集，基于训练集进行行为特征识别模型的训练。
图2示出了本公开实施例提供的另一种视频关键片段确定方法的流程示意图，如图2中所示，该方法主要可以包括：
步骤S210：基于目标视频的音频数据的音乐特征从音频数据中提取关键音频片段；
步骤S220：基于关键音频片段确定目标视频中的关键视频片段；
步骤S230：基于关键视频片段的帧图像生成关键视频片段的视频文案信息。
其中，关键视频片段为目标视频中具有代表性或者较为精彩的视频片段，可以将关键视频片段进行剪辑从而生成视频看点。
音乐特征可以包括音色特征或者节奏特征等。关键音频片段可以为目标视频的音频数据中具有明显音色变化或者节奏变化的音频片段。可以基于音乐特征从目标视频的音频数据中提取出关键音频片段。
视频内容与音频的音色或者节奏往往是相匹配的，在视频的关键内容处，视频的配乐等会发生一些明显的音色变化或者节奏变化，因此可以基于关键音频片段确定目标视频中的关键视频片段。
作为一个示例，目标视频中第15秒至第20秒之间的视频片段具有代表性，为目标视频的关键片段。相应地，目标视频的音频在15秒至第20秒之间的音频片段发生了明显的节奏变化，为关键音频片段。
本公开实施例中，视频文案信息可以为关键视频片段的描述信息，用于简短的描述关键视频片段的内容，相当于视频看点的看点信息。可以在播放视频看点的同时展示视频文案信息，使得用户能够快速了解到视频看点的具体内容。
关键视频片段的帧图像中可能会反映出与关键视频片段的内容相关的一些信息，因此可以基于关键视频片段的帧图像来生成视频文案信息。
本公开实施例提供的方法，基于目标视频的音频数据的音乐特征从音频数据中提取关键音频片段，从而基于关键音频片段确定目标视频中的关键视频片段。基于本方案，实现了对关键视频片段的自动提取，能够避免通过人工提取关键视频片段所耗费的大量人力成本，并且能够提升处理效率。
基于与图1中所示的方法相同的原理，图3示出了本公开实施例提供的一种视频关键片段确定装置的结构示意图，如图3所示，该视频关键片段确定装置30可以包括：
关键音频片段提取模块310，用于基于目标视频的音频数据的音乐特征从音频数据中提取关键音频片段；
视频关键片段确定模块320，用于基于关键音频片段确定目标视频中的关键视频片段。
本公开实施例提供的装置，基于目标视频的音频数据的音乐特征从音频数据中提取关键音频片段，从而基于关键音频片段确定目标视频中的关键视频片段。基于本方案，实现了对关键视频片段的自动提取，能够避免通过人工提取关键视频片段所耗费的大量人力成本，并且能够提升处理效率。
可选地，关键音频片段提取模块具体用于：
将目标视频的音频数据切分为至少一个初始音频片段；
基于预配置的关键音频识别模型对初始音频片段的音乐特征进行识别，确定出初始音频片段中的关键音频片段。
可选地，视频关键片段确定模块具体用于：
基于关键音频片段对应的目标视频中的视频片段确定候选视频片段；
基于候选视频片段中帧图像的图像特征，确定候选视频片段中是否包含关键帧图像；
将包含关键帧图像的候选视频片段确定为目标视频中的关键视频片段。
可选地，视频关键片段确定模块在基于候选视频片段中帧图像的图像特征，确定候选视频片段中是否包含关键帧图像时，具体用于：
基于预训练的关键帧图像识别模型对候选视频片段中帧图像的图像特征进行识别，确定候选视频片段中是否包含关键帧图像。
可选地，视频关键片段确定模块在基于关键音频片段对应的目标视频中的视频片段确定候选视频片段时，具体用于以下任一项：
将关键音频片段对应的目标视频中的视频片段确定为候选视频片段；
将关键音频片段对应的目标视频中的视频片段确定为初始视频片段，将初始视频片段以及扩展视频片段共同构成的视频片段确定为候选视频片段，扩展视频片段包括目标视频中初始视频片段之前的第一预设时长的视频片段，和/或，目标视频中初始视频片段之后的第二预设时长的视频片段。
可选地，上述装置还包括：
视频文案信息生成模块，用于基于关键视频片段的帧图像生成关键视频片段的视频文案信息。
可选地，视频文案信息生成模块具体用于：
对关键视频片段的帧图像中的字幕进行识别，得到字幕识别结果；
基于字幕识别结果生成视频文案信息。
可选地，视频文案信息生成模块在基于字幕识别结果生成视频文案信息时，具体用于：
提取帧图像中对象的行为特征；
基于预配置的匹配规则，确定字幕识别结果是否能与行为特征匹配；
若匹配，则将字幕识别结果确定为视频文案信息。
可选地，视频文案信息生成模块在提取帧图像中对象的行为特征时，具体用于：
将帧图像输入预训练的行为特征识别模型，输出帧图像中对象的行为特征。
可以理解的是，本公开实施例中的视频关键片段确定装置的上述各模块具有实现图1中所示的实施例中的视频关键片段确定方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述视频关键片段确定装置的各模块的功能描述具体可以参见图1中所示实施例中的视频关键片段确定方法的对应描述，在此不再赘述。
基于与图2中所示的方法相同的原理，图4示出了本公开实施例提供的另一种视频关键片段确定装置的结构示意图，如图4所示，该视频关键片段确定装置40可以包括：
关键音频片段提取模块410，用于基于目标视频的音频数据的音乐特征从音频数据中提取关键音频片段；
视频关键片段确定模块420，用于基于关键音频片段确定目标视频中的关键视频片段；
视频文案信息生成模块430，用于基于关键视频片段的帧图像生成关键视频片段的视频文案信息。
本公开实施例提供的装置，基于目标视频的音频数据的音乐特征从音频数据中提取关键音频片段，从而基于关键音频片段确定目标视频中的关键视频片段。基于本方案，实现了对关键视频片段的自动提取，能够避免通过人工提取关键视频片段所耗费的大量人力成本，并且能够提升处理效率。
可以理解的是，本公开实施例中的视频关键片段确定装置的上述各模块具有实现图2中所示的实施例中的视频关键片段确定方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述视频关键片段确定装置的各模块的功能描述具体可以参见图2中所示实施例中的视频关键片段确定方法的对应描述，在此不再赘述。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如本公开实施例提供的视频关键片段确定方法。
该电子设备与现有技术相比，基于目标视频的音频数据的音乐特征从音频数据中提取关键音频片段，从而基于关键音频片段确定目标视频中的关键视频片段。基于本方案，实现了对关键视频片段的自动提取，能够避免通过人工提取关键视频片段所耗费的大量人力成本，并且能够提升处理效率。
该可读存储介质为存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如本公开实施例提供的视频关键片段确定方法。
该可读存储介质与现有技术相比，基于目标视频的音频数据的音乐特征从音频数据中提取关键音频片段，从而基于关键音频片段确定目标视频中的关键视频片段。基于本方案，实现了对关键视频片段的自动提取，能够避免通过人工提取关键视频片段所耗费的大量人力成本，并且能够提升处理效率。
该计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本公开实施例提供的视频关键片段确定方法。
该计算机程序产品与现有技术相比，基于目标视频的音频数据的音乐特征从音频数据中提取关键音频片段，从而基于关键音频片段确定目标视频中的关键视频片段。基于本方案，实现了对关键视频片段的自动提取，能够避免通过人工提取关键视频片段所耗费的大量人力成本，并且能够提升处理效率。
图5示出了可以用来实施本公开的实施例的示例电子设备2000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，电子设备2000包括计算单元2010，其可以根据存储在只读存储器(ROM)2020中的计算机程序或者从存储单元2080加载到随机访问存储器(RAM)2030中的计算机程序，来执行各种适当的动作和处理。在RAM 2030中，还可存储设备2000操作所需的各种程序和数据。计算单元2010、ROM 2020以及RAM 2030通过总线2040彼此相连。输入/输出(I/O)接口2050也连接至总线2040。
设备2000中的多个部件连接至I/O接口2050，包括：输入单元2060，例如键盘、鼠标等；输出单元2070，例如各种类型的显示器、扬声器等；存储单元2080，例如磁盘、光盘等；以及通信单元2090，例如网卡、调制解调器、无线通信收发机等。通信单元2090允许设备2000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元2010可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元2010的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元2010执行本公开实施例中所提供的视频关键片段确定方法。例如，在一些实施例中，执行本公开实施例中所提供的视频关键片段确定方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元2080。在一些实施例中，计算机程序的部分或者全部可以经由ROM 2020和/或通信单元2090而被载入和/或安装到设备2000上。当计算机程序加载到RAM 2030并由计算单元2010执行时，可以执行本公开实施例中所提供的视频关键片段确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元2010可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开实施例中所提供的视频关键片段确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (20)

1.一种视频关键片段确定方法，包括：
基于目标视频的音频数据的音乐特征从所述音频数据中提取关键音频片段；
基于所述关键音频片段确定所述目标视频中的关键视频片段。
2.根据权利要求1所述的方法，其中，所述基于目标视频的音频数据的音乐特征从所述音频数据中提取关键音频片段，包括：
将所述目标视频的音频数据切分为至少一个初始音频片段；
基于预配置的关键音频识别模型对所述初始音频片段的音乐特征进行识别，确定出所述初始音频片段中的关键音频片段。
3.根据权利要求1或2所述的方法，其中，所述基于所述关键音频片段确定所述目标视频中的关键视频片段，包括：
基于所述关键音频片段对应的所述目标视频中的视频片段确定候选视频片段；
基于所述候选视频片段中帧图像的图像特征，确定所述候选视频片段中是否包含关键帧图像；
将包含关键帧图像的所述候选视频片段确定为所述目标视频中的关键视频片段。
4.根据权利要求3所述的方法，其中，所述基于所述候选视频片段中帧图像的图像特征，确定所述候选视频片段中是否包含关键帧图像，包括：
基于预训练的关键帧图像识别模型对所述候选视频片段中帧图像的图像特征进行识别，确定所述候选视频片段中是否包含关键帧图像。
5.根据权利要求3或4所述的方法，其中，所述基于所述关键音频片段对应的所述目标视频中的视频片段确定候选视频片段，包括以下任一项：
将所述关键音频片段对应的所述目标视频中的视频片段确定为候选视频片段；
将所述关键音频片段对应的所述目标视频中的视频片段确定为初始视频片段，将所述初始视频片段以及扩展视频片段共同构成的视频片段确定为候选视频片段，所述扩展视频片段包括所述目标视频中所述初始视频片段之前的第一预设时长的视频片段，和/或，所述目标视频中所述初始视频片段之后的第二预设时长的视频片段。
6.根据权利要求1-5中任一项所述的方法，还包括：
基于所述关键视频片段的帧图像生成所述关键视频片段的视频文案信息。
7.根据权利要求6所述的方法，其中，所述基于所述关键视频片段的帧图像生成所述关键视频片段的视频文案信息，包括：
对所述关键视频片段的帧图像中的字幕进行识别，得到字幕识别结果；
基于所述字幕识别结果生成视频文案信息。
8.根据权利要求7所述的方法，其中，所述基于所述字幕识别结果生成视频文案信息，包括：
提取所述帧图像中对象的行为特征；
基于预配置的匹配规则，确定所述字幕识别结果是否能与所述行为特征匹配；
若匹配，则将所述字幕识别结果确定为视频文案信息。
9.根据权利要求8所述的方法，其中，所述提取所述帧图像中对象的行为特征，包括：
将所述帧图像输入预训练的行为特征识别模型，输出所述帧图像中对象的行为特征。
10.一种视频关键片段确定装置，包括：
关键音频片段提取模块，用于基于目标视频的音频数据的音乐特征从所述音频数据中提取关键音频片段；
视频关键片段确定模块，用于基于所述关键音频片段确定所述目标视频中的关键视频片段。
11.根据权利要求10所述的装置，其中，所述关键音频片段提取模块具体用于：
将所述目标视频的音频数据切分为至少一个初始音频片段；
基于预配置的关键音频识别模型对所述初始音频片段的音乐特征进行识别，确定出所述初始音频片段中的关键音频片段。
12.根据权利要求10或11所述的装置，其中，所述视频关键片段确定模块具体用于：
基于所述关键音频片段对应的所述目标视频中的视频片段确定候选视频片段；
基于所述候选视频片段中帧图像的图像特征，确定所述候选视频片段中是否包含关键帧图像；
将包含关键帧图像的所述候选视频片段确定为所述目标视频中的关键视频片段。
13.根据权利要求12所述的装置，其中，所述视频关键片段确定模块在基于所述候选视频片段中帧图像的图像特征，确定所述候选视频片段中是否包含关键帧图像时，具体用于：
基于预训练的关键帧图像识别模型对所述候选视频片段中帧图像的图像特征进行识别，确定所述候选视频片段中是否包含关键帧图像。
14.根据权利要求12或13所述的装置，其中，所述视频关键片段确定模块在基于所述关键音频片段对应的所述目标视频中的视频片段确定候选视频片段时，具体用于以下任一项：
将所述关键音频片段对应的所述目标视频中的视频片段确定为候选视频片段；
将所述关键音频片段对应的所述目标视频中的视频片段确定为初始视频片段，将所述初始视频片段以及扩展视频片段共同构成的视频片段确定为候选视频片段，所述扩展视频片段包括所述目标视频中所述初始视频片段之前的第一预设时长的视频片段，和/或，所述目标视频中所述初始视频片段之后的第二预设时长的视频片段。
15.根据权利要求9-14中任一项所述的装置，还包括：
视频文案信息生成模块，用于基于所述关键视频片段的帧图像生成所述关键视频片段的视频文案信息。
16.根据权利要求15所述的装置，其中，所述视频文案信息生成模块具体用于：
对所述关键视频片段的帧图像中的字幕进行识别，得到字幕识别结果；
基于所述字幕识别结果生成视频文案信息。
17.根据权利要求16所述的装置，其中，所述视频文案信息生成模块在基于所述字幕识别结果生成视频文案信息时，具体用于：
提取所述帧图像中对象的行为特征；
基于预配置的匹配规则，确定所述字幕识别结果是否能与所述行为特征匹配；
若匹配，则将所述字幕识别结果确定为视频文案信息。
18.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
20.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
CN202111674712.8A 2021-12-31 2021-12-31 视频关键片段确定方法、装置、电子设备及可读存储介质 Active CN114374885B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111674712.8A CN114374885B (zh) 2021-12-31 2021-12-31 视频关键片段确定方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111674712.8A CN114374885B (zh) 2021-12-31 2021-12-31 视频关键片段确定方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN114374885A true CN114374885A (zh) 2022-04-19
CN114374885B CN114374885B (zh) 2024-07-09

Family

ID=81142468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111674712.8A Active CN114374885B (zh) 2021-12-31 2021-12-31 视频关键片段确定方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114374885B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116647690A (zh) * 2023-05-30 2023-08-25 石家庄铁道大学 一种基于时空旋转的视频浓缩方法
CN117058596A (zh) * 2023-10-11 2023-11-14 上海凯翔信息科技有限公司 一种获取片名的视频处理系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160371545A1 (en) * 2015-06-16 2016-12-22 Telefonaktiebolaget Lm Ericsson (Publ) Automatic extraction of closed caption data from frames of an audio video (av) stream using image clipping
CN110263220A (zh) * 2019-06-28 2019-09-20 北京奇艺世纪科技有限公司 一种视频精彩片段识别方法及装置
CN110267119A (zh) * 2019-06-28 2019-09-20 北京奇艺世纪科技有限公司 视频精彩度的评价方法及相关设备
US20190392866A1 (en) * 2018-06-22 2019-12-26 Tildawatch, Inc. Video summarization and collaboration systems and methods
CN110856013A (zh) * 2019-11-19 2020-02-28 珠海格力电器股份有限公司 识别视频中关键片段的方法、系统和存储介质
CN111182347A (zh) * 2020-01-07 2020-05-19 腾讯科技（深圳）有限公司 视频片段剪切方法、装置、计算机设备和存储介质
WO2020119508A1 (zh) * 2018-12-14 2020-06-18 深圳壹账通智能科技有限公司 视频切割方法、装置、计算机设备和存储介质
US20210220735A1 (en) * 2020-01-22 2021-07-22 Gree, Inc. Video modification and transmission using tokens
CN113542910A (zh) * 2021-06-25 2021-10-22 北京百度网讯科技有限公司 生成视频摘要的方法、装置、设备、计算机可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160371545A1 (en) * 2015-06-16 2016-12-22 Telefonaktiebolaget Lm Ericsson (Publ) Automatic extraction of closed caption data from frames of an audio video (av) stream using image clipping
US20190392866A1 (en) * 2018-06-22 2019-12-26 Tildawatch, Inc. Video summarization and collaboration systems and methods
WO2020119508A1 (zh) * 2018-12-14 2020-06-18 深圳壹账通智能科技有限公司 视频切割方法、装置、计算机设备和存储介质
CN110263220A (zh) * 2019-06-28 2019-09-20 北京奇艺世纪科技有限公司 一种视频精彩片段识别方法及装置
CN110267119A (zh) * 2019-06-28 2019-09-20 北京奇艺世纪科技有限公司 视频精彩度的评价方法及相关设备
CN110856013A (zh) * 2019-11-19 2020-02-28 珠海格力电器股份有限公司 识别视频中关键片段的方法、系统和存储介质
CN111182347A (zh) * 2020-01-07 2020-05-19 腾讯科技（深圳）有限公司 视频片段剪切方法、装置、计算机设备和存储介质
US20210220735A1 (en) * 2020-01-22 2021-07-22 Gree, Inc. Video modification and transmission using tokens
CN113542910A (zh) * 2021-06-25 2021-10-22 北京百度网讯科技有限公司 生成视频摘要的方法、装置、设备、计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHIQI TANG; MIN ZHI: "Summary generation method based on audio feature", 2015 6TH IEEE INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING AND SERVICE SCIENCE (ICSESS), 25 September 2015 (2015-09-25) *
李松斌;王玲芳;王劲林;: "基于剧本及字幕信息的视频分割方法", 计算机工程, no. 15, 5 August 2010 (2010-08-05) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116647690A (zh) * 2023-05-30 2023-08-25 石家庄铁道大学 一种基于时空旋转的视频浓缩方法
CN116647690B (zh) * 2023-05-30 2024-03-01 石家庄铁道大学 一种基于时空旋转的视频浓缩方法
CN117058596A (zh) * 2023-10-11 2023-11-14 上海凯翔信息科技有限公司 一种获取片名的视频处理系统
CN117058596B (zh) * 2023-10-11 2023-12-29 上海凯翔信息科技有限公司 一种获取片名的视频处理系统

Also Published As

Publication number Publication date
CN114374885B (zh) 2024-07-09

Similar Documents

Publication Publication Date Title
JP7394809B2 (ja) ビデオを処理するための方法、装置、電子機器、媒体及びコンピュータプログラム
CN114374885B (zh) 视频关键片段确定方法、装置、电子设备及可读存储介质
CN104866275B (zh) 一种用于获取图像信息的方法和装置
CN114242070A (zh) 一种视频生成方法、装置、设备及存储介质
CN114449327B (zh) 视频片段的分享方法、装置、电子设备及可读存储介质
CN113658594A (zh) 歌词识别方法、装置、设备、存储介质及产品
CN113688887A (zh) 图像识别模型的训练与图像识别方法、装置
CN113691864A (zh) 视频剪辑方法、装置、电子设备和可读存储介质
CN113657395A (zh) 文本识别方法、视觉特征提取模型的训练方法及装置
CN114398952B (zh) 训练文本生成方法、装置、电子设备及存储介质
CN113923479A (zh) 音视频剪辑方法和装置
CN117971698A (zh) 测试用例生成方法、装置、电子设备和存储介质
CN113850291A (zh) 文本处理及模型训练方法、装置、设备和存储介质
CN116166125B (zh) 虚拟形象构建方法、装置、设备和存储介质
CN114880498B (zh) 事件信息展示方法及装置、设备和介质
CN106959945B (zh) 基于人工智能的为新闻生成短标题的方法和装置
CN113127058B (zh) 数据标注方法、相关装置及计算机程序产品
CN112714340B (zh) 视频处理方法、装置、设备、存储介质和计算机程序产品
CN113923477A (zh) 视频处理方法、装置、电子设备以及存储介质
CN113886637A (zh) 一种视频粗排序的方法、装置、电子设备及存储介质
CN115312032A (zh) 语音识别训练集的生成方法及装置
CN113965798A (zh) 一种视频信息生成、展示方法、装置、设备及存储介质
CN113778717A (zh) 内容分享方法、装置、设备以及存储介质
CN113656642B (zh) 封面图像生成方法、装置、设备、存储介质和程序产品
CN113360712B (zh) 视频表示的生成方法、装置和电子设备

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