CN116188815A - 一种视频相似度检测方法、系统、存储介质和电子设备 - Google Patents

一种视频相似度检测方法、系统、存储介质和电子设备 Download PDF

Info

Publication number
CN116188815A
CN116188815A CN202211610375.0A CN202211610375A CN116188815A CN 116188815 A CN116188815 A CN 116188815A CN 202211610375 A CN202211610375 A CN 202211610375A CN 116188815 A CN116188815 A CN 116188815A
Authority
CN
China
Prior art keywords
target
similarity
feature vector
video
sequence
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
CN202211610375.0A
Other languages
English (en)
Inventor
李天培
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.)
Shumei Tianxia Beijing Technology Co ltd
Beijing Nextdata Times Technology Co ltd
Original Assignee
Shumei Tianxia Beijing Technology Co ltd
Beijing Nextdata Times 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 Shumei Tianxia Beijing Technology Co ltd, Beijing Nextdata Times Technology Co ltd filed Critical Shumei Tianxia Beijing Technology Co ltd
Priority to CN202211610375.0A priority Critical patent/CN116188815A/zh
Publication of CN116188815A publication Critical patent/CN116188815A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content

Abstract

本发明公开了一种视频相似度检测方法、系统、存储介质和电子设备，包括：对第一目标视频和第二目标视频进行截帧处理，得到多个第一目标图像和第二目标图像；获取第一目标图像对应的第一特征向量和第二目标图像对应的第二特征向量，并将任一第一特征向量和任一第二特征向量组成一个目标特征向量对，对每个目标特征向量对进行相似度计算，得到每个目标特征向量对的第一相似度值；从所有目标特征向量对的第一相似度值中，确定目标相似度值的数量，并基于目标相似度值的数量、第一目标图像的数量和第二目标图像的数量，得到第一目标视频和第二目标视频的相似度检测结果。本发明在保证相似度检测准确性的同时，提高了视频相似度检测的效率。

Description

一种视频相似度检测方法、系统、存储介质和电子设备
技术领域
本发明涉及视频检测技术领域，尤其涉及一种视频相似度检测方法、系统、存储介质和电子设备。
背景技术
当前移动互联网时代下，海量视频信息早已成为常态，对于用户而言，更多的感受可能是方便，信息量大，更多的是习惯了阅读视频内容而不必管其他的技术问题。但对于视频运营平台，则肩负着视频的审查审核、查重去重、违禁鉴黄等诸多重要的责任。同时大量视频内容高度重复，为提升视频内容推荐的体验，多媒体处理平台需要在视频审核时过滤内容过于相似的视频。然而，在目前的相似视频审核检测过程中，存在审核时间长、检测不准确以及误封、误删等现象的发生。
因此，亟需提供一种技术方案解决上述技术问题。
发明内容
为解决上述技术问题，本发明提供了一种视频相似度检测方法、系统、存储介质和电子设备。
本发明的一种视频相似度检测方法的技术方案如下：
获取待进行相似度检测的第一目标视频和第二目标视频，对所述第一目标视频进行截帧处理，得到多个第一目标图像，并对所述第二目标视频进行截帧处理，得到多个第二目标图像；
基于预设深度学习模型，获取每个第一目标图像对应的第一特征向量和每个第二目标图像对应的第二特征向量，并将任一第一特征向量和任一第二特征向量组成一个目标特征向量对，分别对每个目标特征向量对进行相似度计算，得到每个目标特征向量对的第一相似度值；
从所有的目标特征向量对的第一相似度值中，确定目标相似度值的数量，并基于所述目标相似度值的数量、第一目标图像的数量和第二目标图像的数量，得到所述第一目标视频和所述第二目标视频之间的相似度检测结果。
本发明的一种视频相似度检测方法的有益效果如下：
本发明的方法通过将视频中的每一帧图像转化为特征向量，通过特征向量之间的距离确定图像的相似度，进而在保证相似度检测准确性的同时，提高了视频相似度检测的效率。
在上述方案的基础上，本发明的一种视频相似度检测方法还可以做如下改进。
进一步，所述分别对每个目标特征向量对进行相似度计算，得到每个目标特征向量对的第一相似度值的步骤，包括：
基于faiss库和GPU，分别对每个目标特征向量对进行相似度计算，得到每个目标特征向量对的第一相似度值。
进一步，所述从所有的目标特征向量对的第一相似度值中，确定目标相似度值的数量的步骤，包括：
对每个目标特征向量对的第一相似度值进行降序排列，得到第一序列，并基于所述第一序列的降序顺序，将所述第一序列中非首次出现的每个第一特征向量所对应的每个第一相似度值和非首次出现的每个第二特征向量所对应的每个第一相似度值进行删除，得到第二序列；
分别判断所述第二序列中的每个目标特征向量对的第一相似度值是否大于预设相似度值，得到所述第二序列中的每个目标特征向量对的第一判断结果，将每个第一判断结果为是的目标特征向量对的第一相似度值确定为目标相似度值，得到所述目标相似度值的数量。
进一步，所述基于所述目标相似度值的数量、第一目标图像的数量和第二目标图像的数量，得到所述第一目标视频和所述第二目标视频之间的相似度检测结果的步骤，包括：
基于第一计算公式、所述目标相似度值的数量和所述第一目标图像的数量，计算得到第一占比值；其中，所述第一计算公式为：α1＝m/n1；α1为所述第一占比值，m为所述目标相似度值的数量，n1为所述第一目标图像的数量；
基于第二计算公式、所述目标相似度值的数量和所述第二目标图像的数量，计算得到第二占比值；其中，所述第一计算公式为：α2＝m/n2；α2为所述第二占比值，m为所述目标相似度值的数量，n2为所述第二目标图像的数量；
判断所述第一占比值和所述第二占比值均是否大于预设占比值，得到第二判断结果；
当所述第二判断结果为是时，确定所述相似度检测结果为视频相似；
当所述第二判断结果为否时，确定所述相似度检测结果为视频不相似。
进一步，所述预设深度学习模型为：mobilenet_v2模型。
本发明的一种视频相似度检测系统的技术方案如下：
处理模块、计算模块和检测模块；
所述处理模块用于：获取待进行相似度检测的第一目标视频和第二目标视频，对所述第一目标视频进行截帧处理，得到多个第一目标图像，并对所述第二目标视频进行截帧处理，得到多个第二目标图像；
所述计算模块用于：基于预设深度学习模型，获取每个第一目标图像对应的第一特征向量和每个第二目标图像对应的第二特征向量，并将任一第一特征向量和任一第二特征向量组成一个目标特征向量对，分别对每个目标特征向量对进行相似度计算，得到每个目标特征向量对的第一相似度值；
所述检测模块用于：从所有的目标特征向量对的第一相似度值中，确定目标相似度值的数量，并基于所述目标相似度值的数量、第一目标图像的数量和第二目标图像的数量，得到所述第一目标视频和所述第二目标视频之间的相似度检测结果。
本发明的一种视频相似度检测系统的有益效果如下：
本发明的系统通过将视频中的每一帧图像转化为特征向量，通过特征向量之间的距离确定图像的相似度，进而在保证相似度检测准确性的同时，提高了视频相似度检测的效率。
在上述方案的基础上，本发明的一种视频相似度检测系统还可以做如下改进。
进一步，所述计算模块具体用于：
基于faiss库和GPU，分别对每个目标特征向量对进行相似度计算，得到每个目标特征向量对的第一相似度值。
进一步，所述检测模块具体用于：
对每个目标特征向量对的第一相似度值进行降序排列，得到第一序列，并基于所述第一序列的降序顺序，将所述第一序列中非首次出现的每个第一特征向量所对应的每个第一相似度值和非首次出现的每个第二特征向量所对应的每个第一相似度值进行删除，得到第二序列；
分别判断所述第二序列中的每个目标特征向量对的第一相似度值是否大于预设相似度值，得到所述第二序列中的每个目标特征向量对的判断结果，将每个第一判断结果为是的目标特征向量对的第一相似度值确定为目标相似度值，得到所述目标相似度值的数量。
本发明的一种存储介质的技术方案如下：
存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如本发明的一种视频相似度检测方法的步骤。
本发明的一种电子设备的技术方案如下：
包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，使所述计算机执行如本发明的一种视频相似度检测方法的步骤。
附图说明
图1示出了本发明提供的一种视频相似度检测方法的实施例的流程示意图；
图2示出了本发明提供的一种视频相似度检测系统的实施例的结构示意图。
具体实施方式
图1示出了本发明提供的一种视频相似度检测方法的实施例的流程示意图。如图1所示，该方法包括如下步骤：
步骤110：获取待进行相似度检测的第一目标视频和第二目标视频，对所述第一目标视频进行截帧处理，得到多个第一目标图像，并对所述第二目标视频进行截帧处理，得到多个第二目标图像。
其中，①第一目标视频为：任意选取的待进行相似度检测的一个视频。②第二目标视频为：任意选取的待进行相似度检测的另一个视频。③第一目标图像为：第一目标视频的任一帧所对应的图像。④第二目标图像为：第二目标视频的任一帧所对应的图像。
需要说明的是，第一目标图像根据第一目标视频的视频时长确定，第二目标图像根据第二目标视频的视频时长确定。例如可每隔一秒截取一帧图像，也可根据需求进行设定每一帧间隔的时长，在此不设限制。
步骤120：基于预设深度学习模型，获取每个第一目标图像对应的第一特征向量和每个第二目标图像对应的第二特征向量，并将任一第一特征向量和任一第二特征向量组成一个目标特征向量对，分别对每个目标特征向量对进行相似度计算，得到每个目标特征向量对的第一相似度值。
其中，①预设深度学习模型为：mobilenet_v2模型。②第一特征向量为：将第一目标图像输入mobilenet_v2模型后，该模型所输出的特征向量。③第二特征向量为：将第二目标图像输入mobilenet_v2模型后，该模型所输出的特征向量。④一个目标特征向量对由任一第一特征向量和任一第二特征向量组成，目标特征向量对的数量由第一特征向量的数量和第二特征向量的数量之间的乘积决定。例如，当第一特征向量为10个，第二特征向量为15个，则目标特征向量对的数量为10×15＝150个，即第一特征向量与第二特征向量之间的每两个特征向量(一个第一特征向量和一个第二特征向量)组合得到一个目标特征向量对。⑤第一相似度值为：目标特征向量对所对应的两个图像的相似度值。
需要说明的是，①第一特征向量和第二特征向量均为：128维度的向量。②通过mobilenet_v2模型对图像进行卷积处理，得到特征向量的过程为现有技术，在此不过多赘述。
步骤130：从所有的目标特征向量对的第一相似度值中，确定目标相似度值的数量，并基于所述目标相似度值的数量、第一目标图像的数量和第二目标图像的数量，得到所述第一目标视频和所述第二目标视频之间的相似度检测结果。
其中，①目标相似度值为：从所有的第一相似度值中所选取出的相似度值。②目标相似度值的数量不限，可以是1个或多个，还可以是0个。②相似度检测结果包括：视频相似和视频不相似。
需要说明的是，当目标相似度值的数量为0个时，说明两个视频之间没有任何一对满足要求的目标特征向量对。
较优地，所述分别对每个目标特征向量对进行相似度计算，得到每个目标特征向量对的第一相似度值的步骤，包括：
基于faiss库和GPU，分别对每个目标特征向量对进行相似度计算，得到每个目标特征向量对的第一相似度值。
其中，①faiss库为：facebook开源的针对稠密向量进行相似性搜索和聚类的一个高效类库。②由于需要在海量视频中查找相似度最高的视频，得到的截帧图片会很多，需要进行的相似度计算也会多，如果不做任何优化去一个个进行计算，耗时特别多。借助faiss库，可以在短时间内，完成整个相似度计算，在GPU上进行计算时，速度会更快。
较优地，所述从所有的目标特征向量对的第一相似度值中，确定目标相似度值的数量的步骤，包括：
对每个目标特征向量对的第一相似度值进行降序排列，得到第一序列，并基于所述第一序列的降序顺序，将所述第一序列中非首次出现的每个第一特征向量所对应的每个第一相似度值和非首次出现的每个第二特征向量所对应的每个第一相似度值进行删除，得到第二序列。
其中，①第一序列为：将所有的目标特征向量对的第一相似度值按照降序进行排列所得到的序列。②第二序列为：将第一序列中非首次出现的每个第一特征向量所对应的每个第一相似度值和非首次出现的每个第二特征向量所对应的每个第一相似度值进行删除，所得到的序列。
分别判断所述第二序列中的每个目标特征向量对的第一相似度值是否大于预设相似度值，得到所述第二序列中的每个目标特征向量对的第一判断结果，将每个第一判断结果为是的目标特征向量对的第一相似度值确定为目标相似度值，得到所述目标相似度值的数量。
其中，①预设相似度值默认设置为40％，也可根据需求进行设定，在此不设限制。②第一判断结果为：目标特征向量对的第一相似度值是否大于预设相似度值的判断结果。
具体地，判断第二序列中的任一目标特征向量对的第一相似度值是否大于预设相似度值，得到第二序列中该目标特征向量对的第一判断结果，若该目标特征向量对的第一判断结果为是，则将该目标特征向量对的第一相似度值确定为目标相似度值，重复上述过程，分别对第二序列中的每个目标特征向量对的第一相似度值是否大于预设相似度值进行判断，并将每个第一判断结果为是的目标特征向量对的第一相似度值确定为目标相似度值，最终统计目标相似度值的数量。
需要说明的是，当第二序列中的任一目标特征向量对的第一判断结果为否，跳过该标特征向量对。
较优地，所述基于所述目标相似度值的数量、第一目标图像的数量和第二目标图像的数量，得到所述第一目标视频和所述第二目标视频之间的相似度检测结果的步骤，包括：
基于第一计算公式、所述目标相似度值的数量和所述第一目标图像的数量，计算得到第一占比值。
其中，所述第一计算公式为：α1＝m/n1；α1为所述第一占比值，m为所述目标相似度值的数量，n1为所述第一目标图像的数量。
基于第二计算公式、所述目标相似度值的数量和所述第二目标图像的数量，计算得到第二占比值。
其中，所述第一计算公式为：α2＝m/n2；α2为所述第二占比值，m为所述目标相似度值的数量，n2为所述第二目标图像的数量。
判断所述第一占比值和所述第二占比值均是否大于预设占比值，得到第二判断结果。
其中，预设占比值默认为80％，也可根据需求进行设定，在此不设限制。
当所述第二判断结果为是时，确定所述相似度检测结果为视频相似；
当所述第二判断结果为否时，确定所述相似度检测结果为视频不相似。
在本实施例中，①假设第一目标视频对应3个第一目标图像(A1，A2，A3)，第二目标视频对应2个第二目标图像(B1，B2)。②此时所有的目标特征向量对包括：(A1，B1)、(A1，B2)、(A2，B1)、(A2，B2)、(A3，B1)、(A3，B2)，共计6个目标特征向量对。③经过计算每个目标特征向量对的第一相似度值后，得到：(A1，B1，100％)、(A1，B2，B2，30％)。④第一序列为：(A1，B1，100％)、(A2，B2，90％)、(A1，B2，60％)、(A2，B1，55％)、(A3，B1，35％)、(A3，B2，30％)。⑤由于(A1，B2，60％)中的A1、B2并非首次出现在第一序列，(A2，B1，55％)中的A2、B1并非首次出现在第一序列，(A3，B1，35％)中的B1并非首次出现在第一序列，(A3，B2，30％)中的A3、B2并非首次出现在第一序列，所以将这些目标特征向量对删除，得到第二序列：(A1，B1，100％)、(A2，B2，90％)。⑥由于(A1，B1，100％)、(A2，B2，90％)中的第一相似度值(100％和90％)均大于预设相似度值(40％)，故将这两个第一相似度值确定为目标相似度值，得到目标相似度值的数量为2。⑥由于第一目标图像的数量为3，第二目标图像的数量为2，则第一占比值为66.7％，第二占比值为100％；由于第一占比值小于预设占比值80％，故第一目标视频与第二目标视频之间的相似度检测结果为视频不相似。
本实施例的技术方案通过将视频中的每一帧图像转化为特征向量，通过特征向量之间的距离确定图像的相似度，进而在保证相似度检测准确性的同时，提高了视频相似度检测的效率。
图2示出了本发明提供的一种视频相似度检测系统的实施例的结构示意图。如图2所示，该系统200包括：包括：处理模块210、计算模块220和检测模块230。
所述处理模块210用于：获取待进行相似度检测的第一目标视频和第二目标视频，对所述第一目标视频进行截帧处理，得到多个第一目标图像，并对所述第二目标视频进行截帧处理，得到多个第二目标图像；
所述计算模块220用于：基于预设深度学习模型，获取每个第一目标图像对应的第一特征向量和每个第二目标图像对应的第二特征向量，并将任一第一特征向量和任一第二特征向量组成一个目标特征向量对，分别对每个目标特征向量对进行相似度计算，得到每个目标特征向量对的第一相似度值；
所述检测模块230用于：从所有的目标特征向量对的第一相似度值中，确定目标相似度值的数量，并基于所述目标相似度值的数量、第一目标图像的数量和第二目标图像的数量，得到所述第一目标视频和所述第二目标视频之间的相似度检测结果。
较优地，所述计算模块220具体用于：
基于faiss库和GPU，分别对每个目标特征向量对进行相似度计算，得到每个目标特征向量对的第一相似度值。
较优地，所述检测模块230具体用于：
对每个目标特征向量对的第一相似度值进行降序排列，得到第一序列，并基于所述第一序列的降序顺序，将所述第一序列中非首次出现的每个第一特征向量所对应的每个第一相似度值和非首次出现的每个第二特征向量所对应的每个第一相似度值进行删除，得到第二序列；
分别判断所述第二序列中的每个目标特征向量对的第一相似度值是否大于预设相似度值，得到所述第二序列中的每个目标特征向量对的判断结果，将每个判断结果为是的目标特征向量对的第一相似度值确定为目标相似度值，得到所述目标相似度值的数量。
本实施例的技术方案通过将视频中的每一帧图像转化为特征向量，通过特征向量之间的距离确定图像的相似度，进而在保证相似度检测准确性的同时，提高了视频相似度检测的效率。
上述关于本实施例的一种视频相似度检测系统200中的各参数和各个模块实现相应功能的步骤，可参考上文中关于一种视频相似度检测方法的实施例中的各参数和步骤，在此不做赘述。
本发明实施例提供的一种存储介质，包括：存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如一种视频相似度检测方法的步骤，具体可参考上文中一种视频相似度检测方法的实施例中的各参数和步骤，在此不做赘述。
计算机存储介质例如：优盘、移动硬盘等。
本发明实施例提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，使所述计算机执行如一种视频相似度检测方法的步骤，具体可参考上文中的一种视频相似度检测方法的实施例中的各参数和步骤，在此不做赘述。
所属技术领域的技术人员知道，本发明可以实现为方法、系统、存储介质和电子设备。
因此，本发明可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：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)、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。在本文件中，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。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种视频相似度检测方法，其特征在于，包括：
获取待进行相似度检测的第一目标视频和第二目标视频，对所述第一目标视频进行截帧处理，得到多个第一目标图像，并对所述第二目标视频进行截帧处理，得到多个第二目标图像；
基于预设深度学习模型，获取每个第一目标图像对应的第一特征向量和每个第二目标图像对应的第二特征向量，并将任一第一特征向量和任一第二特征向量组成一个目标特征向量对，分别对每个目标特征向量对进行相似度计算，得到每个目标特征向量对的第一相似度值；
从所有的目标特征向量对的第一相似度值中，确定目标相似度值的数量，并基于所述目标相似度值的数量、第一目标图像的数量和第二目标图像的数量，得到所述第一目标视频和所述第二目标视频之间的相似度检测结果。
2.根据权利要求1所述的视频相似度检测方法，其特征在于，所述分别对每个目标特征向量对进行相似度计算，得到每个目标特征向量对的第一相似度值的步骤，包括：
基于faiss库和GPU，分别对每个目标特征向量对进行相似度计算，得到每个目标特征向量对的第一相似度值。
3.根据权利要求1所述的视频相似度检测方法，其特征在于，所述从所有的目标特征向量对的第一相似度值中，确定目标相似度值的数量的步骤，包括：
对每个目标特征向量对的第一相似度值进行降序排列，得到第一序列，并基于所述第一序列的降序顺序，将所述第一序列中非首次出现的每个第一特征向量所对应的每个第一相似度值和非首次出现的每个第二特征向量所对应的每个第一相似度值进行删除，得到第二序列；
分别判断所述第二序列中的每个目标特征向量对的第一相似度值是否大于预设相似度值，得到所述第二序列中的每个目标特征向量对的第一判断结果，将每个第一判断结果为是的目标特征向量对的第一相似度值确定为目标相似度值，得到所述目标相似度值的数量。
4.根据权利要求1所述的视频相似度检测方法，其特征在于，所述基于所述目标相似度值的数量、第一目标图像的数量和第二目标图像的数量，得到所述第一目标视频和所述第二目标视频之间的相似度检测结果的步骤，包括：
基于第一计算公式、所述目标相似度值的数量和所述第一目标图像的数量，计算得到第一占比值；其中，所述第一计算公式为：α1＝m/n1；α1为所述第一占比值，m为所述目标相似度值的数量，n1为所述第一目标图像的数量；
基于第二计算公式、所述目标相似度值的数量和所述第二目标图像的数量，计算得到第二占比值；其中，所述第一计算公式为：α2＝m/n2；α2为所述第二占比值，m为所述目标相似度值的数量，n2为所述第二目标图像的数量；
判断所述第一占比值和所述第二占比值均是否大于预设占比值，得到第二判断结果；
当所述第二判断结果为是时，确定所述相似度检测结果为视频相似；
当所述第二判断结果为否时，确定所述相似度检测结果为视频不相似。
5.根据权利要求1-4所述的视频相似度检测方法，其特征在于，所述预设深度学习模型为：mobilenet_v2模型。
6.一种视频相似度检测系统，其特征在于，包括：处理模块、计算模块和检测模块；
所述处理模块用于：获取待进行相似度检测的第一目标视频和第二目标视频，对所述第一目标视频进行截帧处理，得到多个第一目标图像，并对所述第二目标视频进行截帧处理，得到多个第二目标图像；
所述计算模块用于：基于预设深度学习模型，获取每个第一目标图像对应的第一特征向量和每个第二目标图像对应的第二特征向量，并将任一第一特征向量和任一第二特征向量组成一个目标特征向量对，分别对每个目标特征向量对进行相似度计算，得到每个目标特征向量对的第一相似度值；
所述检测模块用于：从所有的目标特征向量对的第一相似度值中，确定目标相似度值的数量，并基于所述目标相似度值的数量、第一目标图像的数量和第二目标图像的数量，得到所述第一目标视频和所述第二目标视频之间的相似度检测结果。
7.根据权利要求6所述的视频相似度检测系统，其特征在于，所述计算模块具体用于：
基于faiss库和GPU，分别对每个目标特征向量对进行相似度计算，得到每个目标特征向量对的第一相似度值。
8.根据权利要求6所述的视频相似度检测系统，其特征在于，所述检测模块具体用于：
对每个目标特征向量对的第一相似度值进行降序排列，得到第一序列，并基于所述第一序列的降序顺序，将所述第一序列中非首次出现的每个第一特征向量所对应的每个第一相似度值和非首次出现的每个第二特征向量所对应的每个第一相似度值进行删除，得到第二序列；
分别判断所述第二序列中的每个目标特征向量对的第一相似度值是否大于预设相似度值，得到所述第二序列中的每个目标特征向量对的第一判断结果，将每个第一判断结果为是的目标特征向量对的第一相似度值确定为目标相似度值，得到所述目标相似度值的数量。
9.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至5中任一项所述的视频相似度检测方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理
器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，
使所述计算机执行如权利要求1至5中任一项所述的视频相似度检测方法。
CN202211610375.0A 2022-12-12 2022-12-12 一种视频相似度检测方法、系统、存储介质和电子设备 Pending CN116188815A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211610375.0A CN116188815A (zh) 2022-12-12 2022-12-12 一种视频相似度检测方法、系统、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211610375.0A CN116188815A (zh) 2022-12-12 2022-12-12 一种视频相似度检测方法、系统、存储介质和电子设备

Publications (1)

Publication Number Publication Date
CN116188815A true CN116188815A (zh) 2023-05-30

Family

ID=86433444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211610375.0A Pending CN116188815A (zh) 2022-12-12 2022-12-12 一种视频相似度检测方法、系统、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN116188815A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116935272A (zh) * 2023-07-12 2023-10-24 天翼爱音乐文化科技有限公司 一种视频内容检测方法、装置、电子设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617233A (zh) * 2013-11-26 2014-03-05 烟台中科网络技术研究所 一种基于语义内容多层表示的重复视频检测方法与装置
CN106484837A (zh) * 2016-09-30 2017-03-08 腾讯科技（北京）有限公司 相似视频文件的检测方法和装置
CN110278449A (zh) * 2019-06-26 2019-09-24 腾讯科技（深圳）有限公司 一种视频检测方法、装置、设备及介质
CN111368143A (zh) * 2020-03-13 2020-07-03 北京奇艺世纪科技有限公司 一种视频相似度检索方法、装置、电子设备及存储介质
WO2022033252A1 (zh) * 2020-08-14 2022-02-17 支付宝(杭州)信息技术有限公司 视频匹配方法、基于区块链的侵权存证方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617233A (zh) * 2013-11-26 2014-03-05 烟台中科网络技术研究所 一种基于语义内容多层表示的重复视频检测方法与装置
CN106484837A (zh) * 2016-09-30 2017-03-08 腾讯科技（北京）有限公司 相似视频文件的检测方法和装置
CN110278449A (zh) * 2019-06-26 2019-09-24 腾讯科技（深圳）有限公司 一种视频检测方法、装置、设备及介质
CN111368143A (zh) * 2020-03-13 2020-07-03 北京奇艺世纪科技有限公司 一种视频相似度检索方法、装置、电子设备及存储介质
WO2022033252A1 (zh) * 2020-08-14 2022-02-17 支付宝(杭州)信息技术有限公司 视频匹配方法、基于区块链的侵权存证方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
阿里集团 新零售技术事业群 CBU技术部: "《阿里巴巴B2B电商算法实战》", 机械工业出版社, pages: 168 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116935272A (zh) * 2023-07-12 2023-10-24 天翼爱音乐文化科技有限公司 一种视频内容检测方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN111327945B (zh) 用于分割视频的方法和装置
CN110321958B (zh) 神经网络模型的训练方法、视频相似度确定方法
US20190179850A1 (en) Generating congruous metadata for multimedia
CN112559800B (zh) 用于处理视频的方法、装置、电子设备、介质和产品
US11768597B2 (en) Method and system for editing video on basis of context obtained using artificial intelligence
US10394907B2 (en) Filtering data objects
CN111314732A (zh) 确定视频标签的方法、服务器及存储介质
CN116188815A (zh) 一种视频相似度检测方法、系统、存储介质和电子设备
CN111881764A (zh) 一种目标检测方法、装置、电子设备及存储介质
CN111753870B (zh) 目标检测模型的训练方法、装置和存储介质
CN114238692A (zh) 一种面向网络直播的视频大数据精准检索方法及系统
CN110826365B (zh) 一种视频指纹生成方法和装置
CN110019951B (zh) 一种生成视频缩略图的方法及设备
US20210073262A1 (en) Media retrieval method and apparatus
CN115004245A (zh) 目标检测方法、装置、电子设备和计算机存储介质
CN111666449B (zh) 视频检索方法、装置、电子设备和计算机可读介质
CN111752912B (zh) 数据处理方法及装置
CN111914920A (zh) 一种基于稀疏编码的相似性图像检索方法及系统
CN113742525A (zh) 自监督视频哈希学习方法、系统、电子设备及存储介质
CN102378005A (zh) 运动图像处理装置、运动图像处理方法和程序
CN107833259B (zh) 基于智能终端的动态漫画引擎处理方法及系统
CN110991296B (zh) 视频标注方法、装置、电子设备及计算机可读存储介质
CN113127636B (zh) 一种文本聚类类簇中心点选取方法及装置
CN112417184B (zh) 多场景特征信息存储结构及其比对方法、设备和存储介质
CN117993489A (zh) 数据集的生成方法、装置、电子设备和计算机可读介质

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