CN116567350B - 全景视频数据处理方法及系统 - Google Patents

全景视频数据处理方法及系统 Download PDF

Info

Publication number
CN116567350B
CN116567350B CN202310569975.5A CN202310569975A CN116567350B CN 116567350 B CN116567350 B CN 116567350B CN 202310569975 A CN202310569975 A CN 202310569975A CN 116567350 B CN116567350 B CN 116567350B
Authority
CN
China
Prior art keywords
frame segment
behavior feature
target
behavior
feature
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.)
Active
Application number
CN202310569975.5A
Other languages
English (en)
Other versions
CN116567350A (zh
Inventor
宛汝国
秦华军
邓湛波
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.)
Guangzhou Guowei Digital Culture Technology Co ltd
Suzhou Guozhiwei Culture Technology Co ltd
Shanghai Guowei Mutual Entertainment Culture Technology Co ltd
Original Assignee
Guangzhou Guowei Digital Culture Technology Co ltd
Suzhou Guozhiwei Culture Technology Co ltd
Shanghai Guowei Mutual Entertainment Culture 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 Guangzhou Guowei Digital Culture Technology Co ltd, Suzhou Guozhiwei Culture Technology Co ltd, Shanghai Guowei Mutual Entertainment Culture Technology Co ltd filed Critical Guangzhou Guowei Digital Culture Technology Co ltd
Priority to CN202310569975.5A priority Critical patent/CN116567350B/zh
Publication of CN116567350A publication Critical patent/CN116567350A/zh
Application granted granted Critical
Publication of CN116567350B publication Critical patent/CN116567350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本申请实施例提供一种全景视频数据处理方法及系统，通过确定全景视频交互平台所映射的目标视频交互意图，基于目标视频交互意图从目标全景视频交互数据中提取候选视频帧片段行为特征，获取目标视频交互意图对应的第一目标帧片段行为特征序列，在第一目标帧片段行为特征序列中存在与候选视频帧片段行为特征匹配的目标帧片段行为特征时，基于目标帧片段行为特征确定视频交互推送元素，否则判定候选视频帧片段行为特征在第二目标帧片段行为特征序列中所对应的行为特征层级为候选行为特征层级，通过逐层级的进行帧片段行为特征匹配，可以扩展视频交互推送元素的范围，提高后续视频交互推送的内容丰富度。

Description

全景视频数据处理方法及系统
技术领域
本申请涉及视频交互技术领域，具体而言，涉及一种全景视频数据处理方法及系统。
背景技术
全景视频是一种用3D摄像机进行全方位360度进行拍摄的视频，用户在观看视频的时候，可以随意调节视频上下左右进行观看。在相关技术中，也衍生出了用户与全景视频进行虚拟交互的场景，从而可以实现用户在接近于体验真实场景下的视频交互意图。在交互过程中，需要结合用户交互的具体行为特征向用户提供相关的视频交互推送元素以便于提高全局视频交互场景的内容特征量。然而，相关技术中在挖掘视频交互推送元素时其最终确定的范围较小，无法较好地保证后续视频交互推送的内容丰富度。
发明内容
有鉴于此，本申请的目的在于提供一种全景视频数据处理方法及系统。
依据本申请的第一方面，提供一种全景视频数据处理方法，应用于云服务器，所述方法包括：
获取采集于全景视频交互平台的目标全景视频交互数据，并确定所述全景视频交互平台所映射的目标视频交互意图；
基于所述目标视频交互意图从所述目标全景视频交互数据中提取候选视频帧片段行为特征；
获取所述目标视频交互意图对应的第一目标帧片段行为特征序列；
判断所述第一目标帧片段行为特征序列中是否存在与所述候选视频帧片段行为特征匹配的目标帧片段行为特征；
如果所述第一目标帧片段行为特征序列中存在与所述候选视频帧片段行为特征匹配的目标帧片段行为特征，则基于所述目标帧片段行为特征确定视频交互推送元素；
所述第一目标帧片段行为特征序列中不存在与所述候选视频帧片段行为特征匹配的目标帧片段行为特征，则判定所述候选视频帧片段行为特征在第二目标帧片段行为特征序列中所对应的行为特征层级为候选行为特征层级，基于所述候选行为特征层级逐层进行帧片段行为特征匹配，直至确定目标帧片段行为特征，并基于所述目标帧片段行为特征确定所述视频交互推送元素，所述目标帧片段行为特征为所述第二目标帧片段行为特征序列中与所述第一目标帧片段行为特征序列中的帧片段行为特征匹配的帧片段行为特征，所述第二目标帧片段行为特征序列对应所有视频交互意图，且包括多个行为特征层级，每个行为特征层级中包括一个或多个帧片段行为特征，相邻行为特征层级之间的关系为非线性递归关系图中的前向递归成员与后向递归成员之间的关系；
向所述全景视频交互平台推送所述视频交互推送元素所对应的交互渲染流。
在第一方面的一种可能的实施方式中，所述目标视频交互意图为目标电商下单交互意图，所述基于所述候选行为特征层级逐层进行帧片段行为特征匹配，直至确定目标帧片段行为特征，包括：
确定所述候选视频帧片段行为特征对应的目标电商商品属性；
确定所述候选行为特征层级为当前行为特征层级；
基于所述目标电商商品属性从所述当前行为特征层级包括的所有帧片段行为特征中获取候选视频帧片段行为特征子集，所述候选视频帧片段行为特征子集中包括的帧片段行为特征对应的电商商品属性均为所述目标电商商品属性；
判断所述第一目标帧片段行为特征序列中是否存在与所述候选视频帧片段行为特征子集中的帧片段行为特征匹配的目标帧片段行为特征；
如果所述第一目标帧片段行为特征序列中不存在与所述候选视频帧片段行为特征子集中的帧片段行为特征匹配的目标帧片段行为特征，则判定所述当前行为特征层级的后向行为特征层级为所述当前行为特征层级，直至确定目标帧片段行为特征。
在第一方面的一种可能的实施方式中，所述方法还包括：
确定所述当前行为特征层级是否包括后向行为特征层级；
如果所述当前行为特征层级包括后向行为特征层级，则判定所述当前行为特征层级的后向行为特征层级为所述当前行为特征层级；
如果所述当前行为特征层级不包括后向行为特征层级，则判定所述候选行为特征层级的前向行为特征层级为所述当前行为特征层级，并在未在所述当前行为特征层级中确定所述目标帧片段行为特征时，判定在所述目标电商下单交互意图下不存在所述候选视频帧片段行为特征对应的电商商品。
在第一方面的一种可能的实施方式中，所述方法还包括：
在所述第一目标帧片段行为特征序列中存在多个与所述候选视频帧片段行为特征子集中的帧片段行为特征匹配的目标帧片段行为特征时，判断是否包括用户在所述目标电商下单交互意图下的过往下单操作特征；
如果包括用户在所述目标电商下单交互意图下的过往下单操作特征，则基于所述过往下单操作特征分别对多个目标帧片段行为特征进行置信度评估，确定所述置信度评估最大的目标帧片段行为特征为用于确定所述目标全景视频交互数据对应的代表性交互行为的帧片段行为特征；
如果不包括用户在所述目标电商下单交互意图下的过往下单操作特征，则分别确定多个目标帧片段行为特征对应的视频交互元素的交互参与度，确定所述交互参与度最大的视频交互元素为所述视频交互推送元素。
在第一方面的一种可能的实施方式中，所述方法还包括：
在所述候选视频帧片段行为特征包括多个时，所述确定目标帧片段行为特征，包括：
分别确定每个候选视频帧片段行为特征在所述第二目标帧片段行为特征序列中所对应的行为特征层级为所述候选行为特征层级；
基于每个候选视频帧片段行为特征对应的候选行为特征层级逐层进行帧片段行为特征匹配，获得每个候选视频帧片段行为特征对应的一个或多个拟定候选视频帧片段行为特征；
从每个候选视频帧片段行为特征对应的一个或多个拟定候选视频帧片段行为特征中选择一个拟定候选视频帧片段行为特征进行组合，获得多个帧片段行为特征簇；
获取所述目标电商下单交互意图下的下单行为关注特征；
基于所述下单行为关注特征确定所述多个帧片段行为特征簇中每个帧片段行为特征簇的簇置信度；
确定所述簇置信度最大的帧片段行为特征簇中包括的拟定候选视频帧片段行为特征为所述目标帧片段行为特征。
在第一方面的一种可能的实施方式中，所述基于所述下单行为关注特征确定所述多个帧片段行为特征簇中每个帧片段行为特征簇的簇置信度，包括：
判断是否存在目标帧片段行为特征簇，所述目标帧片段行为特征簇为所述多个帧片段行为特征簇中与所述下单行为关注特征中的视频交互元素元素内容特征匹配的帧片段行为特征簇；
如果存在目标帧片段行为特征簇，则判定所述目标帧片段行为特征簇对应的簇置信度为最大置信度；
如果存在目标帧片段行为特征簇，则基于所述每个帧片段行为特征簇中包括的多个拟定候选视频帧片段行为特征确定所述每个帧片段行为特征簇的可关联度，基于所述可关联度确定所述每个帧片段行为特征簇的簇置信度。
在第一方面的一种可能的实施方式中，所述基于所述每个帧片段行为特征簇中包括的多个拟定候选视频帧片段行为特征确定所述每个帧片段行为特征簇的可关联度，包括：
确定帧片段行为特征簇中包括的多个拟定候选视频帧片段行为特征对应的电商商品之间存在电商商品相偏离的帧片段行为特征簇为不可关联簇，不存在电商商品相偏离的帧片段行为特征簇为可关联簇；
所述基于所述可关联度确定所述每个帧片段行为特征簇的簇置信度，包括：
确定所述不可关联簇的簇置信度为最低置信度；
确定每个可关联簇中包括的多个拟定候选视频帧片段行为特征的相关性参数值，所述相关性参数值表征所述多个拟定候选视频帧片段行为特征出现在同一个候选视频帧片段行为特征组合中的概率；
基于所述相关性参数值确定所述每个帧片段行为特征簇的簇置信度。
依据本申请的第二方面，提供一种云服务器，所述全景视频交互平台包括包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该云服务器实现前述的全景视频数据处理方法。
依据本申请的第三方面，提供提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，当所述计算机可执行指令被执行时，实现前述的全景视频数据处理方法。
依据上述任一方面，本申请中，首先获取采集于全景视频交互平台的目标全景视频交互数据，然后确定所述全景视频交互平台所映射的目标视频交互意图，然后基于所述目标视频交互意图从所述目标全景视频交互数据中提取候选视频帧片段行为特征，然后获取所述目标视频交互意图对应的第一目标帧片段行为特征序列，再然后判断所述第一目标帧片段行为特征序列中是否存在与所述候选视频帧片段行为特征匹配的目标帧片段行为特征，若是，则基于所述目标帧片段行为特征确定视频交互推送元素，若否，则判定所述候选视频帧片段行为特征在第二目标帧片段行为特征序列中所对应的行为特征层级为候选行为特征层级，基于所述候选行为特征层级逐层进行帧片段行为特征匹配，直至确定目标帧片段行为特征，并基于所述目标帧片段行为特征确定所述视频交互推送元素，所述目标帧片段行为特征为所述第二目标帧片段行为特征序列中与所述第一目标帧片段行为特征序列中的帧片段行为特征匹配的帧片段行为特征，所述第二目标帧片段行为特征序列对应所有视频交互意图，且包括多个行为特征层级，每个行为特征层级中包括一个或多个帧片段行为特征，相邻行为特征层级之间的关系为非线性递归关系图中的前向递归成员与后向递归成员之间的关系，最后向所述全景视频交互平台推送所述视频交互推送元素所对应的交互渲染流。由此通过逐层级的进行帧片段行为特征匹配，可以扩展视频交互推送元素的范围，提高后续视频交互推送的内容丰富度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的全景视频数据处理方法的流程示意图；
图2示出了本申请实施例所提供的用于实现上述的全景视频数据处理方法的云服务器的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将依据本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请VR跑步行为的指引下，可以向流程图添加一个或多个其它操作，也可以从流程图中销毁一个或多个操作。
图1示出了本申请实施例提供的全景视频数据处理方法的流程示意图，应当理解，在其它实施例中，本实施例的全景视频数据处理方法其中部分步骤的顺序可以依据实际需要相互共享，或者其中的部分步骤也可以省略或维持。该全景视频数据处理方法的详细包括：
步骤S101，获取采集于全景视频交互平台的目标全景视频交互数据。
其中，所述目标全景视频交互数据中包括用户在视频交互过程中的行为视频流数据，可以基于该行为视频流数据确定相关用户所重点关注的视频交互元素。例如，用户可以通过用户终端与全景视频交互平台实现视频交互。
步骤S102，确定所述全景视频交互平台所映射的目标视频交互意图。
视频交互意图可以是指相关用户与全景视频交互平台进行交互过程中所指定的交互场景，如在电商交互场景中，可以包括电商下单交互意图。
步骤S103，基于所述目标视频交互意图从所述目标全景视频交互数据中提取候选视频帧片段行为特征。
其中，所述候选视频帧片段行为特征表征用户在所述目标视频交互意图中所表现出的行为特征向量，可以以向量化编码的形式进行表示。该候选视频帧片段行为特征可以包括一个或多个。
步骤S104，获取所述目标视频交互意图对应的第一目标帧片段行为特征序列。
其中该候选视频帧片段行为特征是与该视频交互意图强相关的片段行为特征，即同一个片段行为特征在不同的视频交互意图中可能会成为候选视频帧片段行为特征也可能不同。所述第一目标帧片段行为特征序列为所述目标视频交互意图关联的所有帧片段行为特征的序列。
步骤S105，判断所述第一目标帧片段行为特征序列中是否存在与所述候选视频帧片段行为特征匹配的目标帧片段行为特征。
步骤S106，若是，则基于所述目标帧片段行为特征确定视频交互推送元素。
其中，先将目标全景视频交互数据与候选视频帧片段行为特征进行匹配，若匹配成功，则可以直接推送视频交互推送元素所对应的交互渲染流。
步骤S107，若否，则判定所述候选视频帧片段行为特征在第二目标帧片段行为特征序列中所对应的行为特征层级为候选行为特征层级，基于所述候选行为特征层级逐层进行帧片段行为特征匹配，直至确定目标帧片段行为特征，并基于所述目标帧片段行为特征确定所述视频交互推送元素。
其中，所述目标帧片段行为特征为所述第二目标帧片段行为特征序列中与所述第一目标帧片段行为特征序列中的帧片段行为特征匹配的帧片段行为特征，所述第二目标帧片段行为特征序列对应所有视频交互意图，且包括多个行为特征层级，每个行为特征层级中包括一个或多个帧片段行为特征，相邻行为特征层级之间的关系为非线性递归关系图中的前向递归成员与后向递归成员之间的关系。相邻行为特征层级之间的关系为非线性递归关系图中的前向递归成员与后向递归成员之间的关系是指：相邻行为特征层级所述中包括的帧片段行为特征在行为表达逻辑上具有递进关系。所述第二目标帧片段行为特征序列中包括所有视频交互意图关联的所有帧片段行为特征，所述第二目标帧片段行为特征序列中包括所述第一目标帧片段行为特征序列中的所有帧片段行为特征。第二目标帧片段行为特征序列中包括的帧片段行为特征不会随着第一目标帧片段行为特征序列中的帧片段行为特征删除而被删除，相反，若第一目标帧片段行为特征序列中增加了新的帧片段行为特征，且该新增加的帧片段行为特征不存在于第二目标帧片段行为特征序列中，则第二目标帧片段行为特征序列会相应的更新该新增加的帧片段行为特征。
步骤S108，向所述全景视频交互平台推送所述视频交互推送元素所对应的交互渲染流。
基于以上步骤，首先获取采集于全景视频交互平台的目标全景视频交互数据，然后确定所述全景视频交互平台所映射的目标视频交互意图，然后基于所述目标视频交互意图从所述目标全景视频交互数据中提取候选视频帧片段行为特征，然后获取所述目标视频交互意图对应的第一目标帧片段行为特征序列，再然后判断所述第一目标帧片段行为特征序列中是否存在与所述候选视频帧片段行为特征匹配的目标帧片段行为特征，若是，则基于所述目标帧片段行为特征确定视频交互推送元素，若否，则判定所述候选视频帧片段行为特征在第二目标帧片段行为特征序列中所对应的行为特征层级为候选行为特征层级，基于所述候选行为特征层级逐层进行帧片段行为特征匹配，直至确定目标帧片段行为特征，并基于所述目标帧片段行为特征确定所述视频交互推送元素，所述目标帧片段行为特征为所述第二目标帧片段行为特征序列中与所述第一目标帧片段行为特征序列中的帧片段行为特征匹配的帧片段行为特征，所述第二目标帧片段行为特征序列对应所有视频交互意图，且包括多个行为特征层级，每个行为特征层级中包括一个或多个帧片段行为特征，相邻行为特征层级之间的关系为非线性递归关系图中的前向递归成员与后向递归成员之间的关系，最后向所述全景视频交互平台推送所述视频交互推送元素所对应的交互渲染流。这样可以通过逐层级的进行帧片段行为特征匹配，扩大视频交互推送元素的推送区间，提高后续视频交互推送的可靠性。
一些示例性的设计思路中，所述目标视频交互意图为目标电商下单交互意图，所述基于所述候选行为特征层级逐层进行帧片段行为特征匹配，直至确定目标帧片段行为特征，包括：确定所述候选视频帧片段行为特征对应的目标电商商品属性；确定所述候选行为特征层级为当前行为特征层级；基于所述目标电商商品属性从所述当前行为特征层级包括的所有帧片段行为特征中获取候选视频帧片段行为特征子集，所述候选视频帧片段行为特征子集中包括的帧片段行为特征对应的电商商品属性均为所述目标电商商品属性；判断所述第一目标帧片段行为特征序列中是否存在与所述候选视频帧片段行为特征子集中的帧片段行为特征匹配的目标帧片段行为特征；若否，则判定所述当前行为特征层级的后向行为特征层级为所述当前行为特征层级，直至确定目标帧片段行为特征。
其中，在同一个行为特征层级中，也包括有多个帧片段行为特征模块，每个帧片段行为特征模块中包括一个或多个帧片段行为特征，每个帧片段行为特征模块中的帧片段行为特征均对应相同的电商商品属性。即可以将第二目标帧片段行为特征序列看作是一个特征关系图，该特征关系图包括多个特征关系子图，每个特征关系子图对应一个电商商品属性，位于相同节点上的特征关系子图为同一个行为特征层级，同一个特征关系子图上的图成员则为该层级的帧片段行为特征，即每个节点上的特征关系子图中的帧片段行为特征为该节点对应的行为特征层级的一个帧片段行为特征子集。
可见，本实例中，由于在目标电商下单交互意图中，第一目标帧片段行为特征序列中的目标帧片段行为特征序列为基于下单行为关注特征中的视频交互元素名称确定的，因此目标全景视频交互数据中的帧片段行为特征可能不能准确地和第一目标帧片段行为特征序列中的帧片段行为特征对应上，则需要逐层级的对帧片段行为特征范围进行扩展匹配，使得用户的需求与第一目标帧片段行为特征序列中的帧片段行为特征对应上，这样可以避免因为帧片段行为特征不同而无法准确向用户推送视频交互元素，而且可以向用户推送与其关注节点相对应的视频交互元素。
一些示例性的设计思路中，所述方法还包括：确定所述当前行为特征层级是否包括后向行为特征层级；若是，则判定所述当前行为特征层级的后向行为特征层级为所述当前行为特征层级；若否，则判定所述候选行为特征层级的前向行为特征层级为所述当前行为特征层级，并在未在所述当前行为特征层级中确定所述目标帧片段行为特征时，判定在所述目标电商下单交互意图下不存在所述候选视频帧片段行为特征对应的电商商品。
其中，在最后一个行为特征层级中均未找到与第一目标帧片段行为特征序列中的帧片段行为特征匹配的帧片段行为特征时，则可以去候选视频帧片段行为特征对应的行为特征层级的前向行为特征层级进行帧片段行为特征匹配，若前向行为特征层级中也没有找到匹配的目标帧片段行为特征，则可以确定不存在对应电商商品。例如在行为特征层级B以下的所有行为特征层级中都没有找到与第一目标帧片段行为特征序列匹配的帧片段行为特征，则需要去行为特征层级B的前向行为特征层级，行为特征层级C中进行帧片段行为特征匹配。
一些示例性的设计思路中，所述方法还包括：在所述第一目标帧片段行为特征序列中存在多个与所述候选视频帧片段行为特征子集中的帧片段行为特征匹配的目标帧片段行为特征时，判断是否包括所述用户在所述目标电商下单交互意图下的过往下单操作特征；若是，则基于所述过往下单操作特征分别对多个目标帧片段行为特征进行置信度评估，确定所述置信度评估最大的目标帧片段行为特征为用于确定所述目标全景视频交互数据对应的代表性交互行为的帧片段行为特征；若否，则分别确定所述多个目标帧片段行为特征对应的视频交互元素的交互参与度，确定所述交互参与度最大的视频交互元素为所述视频交互推送元素。
一些示例性的设计思路中，所述方法还包括：在所述候选视频帧片段行为特征包括多个时，所述确定目标帧片段行为特征，包括：分别确定每个候选视频帧片段行为特征在所述第二目标帧片段行为特征序列中所对应的行为特征层级为所述候选行为特征层级；基于每个候选视频帧片段行为特征对应的候选行为特征层级逐层进行帧片段行为特征匹配，获得每个候选视频帧片段行为特征对应的一个或多个拟定候选视频帧片段行为特征；从每个候选视频帧片段行为特征对应的一个或多个拟定候选视频帧片段行为特征中选择一个拟定候选视频帧片段行为特征进行组合，获得多个帧片段行为特征簇；获取所述电商下单交互意图下的下单行为关注特征；基于所述下单行为关注特征确定所述多个帧片段行为特征簇中每个帧片段行为特征簇的簇置信度；确定所述簇置信度最大的帧片段行为特征簇中包括的拟定候选视频帧片段行为特征为所述目标帧片段行为特征。
其中，当候选视频帧片段行为特征有多个时，只要这多个候选视频帧片段行为特征中有任意一个候选视频帧片段行为特征无法在第一目标帧片段行为特征序列中匹配到，则可以先确定其他在第一候选视频帧片段行为特征序列中已匹配到的候选视频帧片段行为特征为目标帧片段行为特征。而对于未在第一候选视频帧片段行为特征序列中匹配到的候选视频帧片段行为特征，则需要依次进行逐层级的帧片段行为特征匹配，然后确定出每个未匹配到的候选视频帧片段行为特征的目标帧片段行为特征，则一个候选视频帧片段行为特征对应一个或多个目标帧片段行为特征。
一些示例性的设计思路中，所述基于所述下单行为关注特征确定所述多个帧片段行为特征簇中每个帧片段行为特征簇的簇置信度，包括：判断是否存在目标帧片段行为特征簇，所述目标帧片段行为特征簇为所述多个帧片段行为特征簇中与所述下单行为关注特征中的视频交互元素元素内容特征匹配的帧片段行为特征簇；若是，则判定所述目标帧片段行为特征簇对应的簇置信度为最大置信度；若否，则基于所述每个帧片段行为特征簇中包括的多个拟定候选视频帧片段行为特征确定所述每个帧片段行为特征簇的可关联度，基于所述可关联度确定所述每个帧片段行为特征簇的簇置信度。
一些示例性的设计思路中，所述基于所述每个帧片段行为特征簇中包括的多个拟定候选视频帧片段行为特征确定所述每个帧片段行为特征簇的可关联度，包括：确定所述帧片段行为特征簇中包括的多个拟定候选视频帧片段行为特征对应的电商商品之间存在电商商品相偏离的帧片段行为特征簇为不可关联簇，不存在电商商品相偏离的帧片段行为特征簇为可关联簇；所述基于所述可关联度确定所述每个帧片段行为特征簇的簇置信度，包括：确定所述不可关联簇的簇置信度为最低置信度；每个可关联簇中包括的多个拟定候选视频帧片段行为特征的相关性参数值，所述相关性参数值表征所述多个拟定候选视频帧片段行为特征出现在同一个候选视频帧片段行为特征组合中的概率；基于所述相关性参数值确定所述每个帧片段行为特征簇的簇置信度。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的云服务器100。
对于一个实施例，图2示出了云服务器100，该云服务器100具有一个或多个处理器102、被耦合到(一个或多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的一个或多个输入/输出设备110，和被耦合到控制模块106的网络接口112。
处理器102可包括一个或多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些可替代的实施方式中，云服务器100能够作为本申请实施例中所述网关等云服务器设备。
在一些可替代的实施方式中，云服务器100可包括具有指令114的一个或多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该一个或多个计算机可读介质相融合被配置为执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(一个或多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为云服务器100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。在一些可替代的实施方式中，存储器106可包括双倍数据速率分团标签四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例，控制模块104可包括一个或多个输入/输出控制器，以向NVM/存储设备108及(一个或多个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为云服务器100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可依据网络经由(一个或多个)输入/输出设备110进行访问。
(一个或多个)输入/输出设备110可为云服务器100提供接口以与任意其它适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为云服务器100提供接口以依据一个或多个网络通信，云服务器100可依据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入依据通信标准的无线网络。
对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器(例如，存储器控制器模块)的逻辑加载在一起。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑加载在一起以形成系统级加载。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (9)

1.一种全景视频数据处理方法，其特征在于，应用于云服务器，所述方法包括：
获取采集于全景视频交互平台的目标全景视频交互数据，并确定所述全景视频交互平台所映射的目标视频交互意图，其中，所述目标视频交互意图是指相关用户与所述全景视频交互平台进行交互过程中所指定的交互场景，在电商交互场景中，所述目标视频交互意图为目标电商下单交互意图；
基于所述目标视频交互意图从所述目标全景视频交互数据中提取候选视频帧片段行为特征，所述候选视频帧片段行为特征表征用户在所述目标视频交互意图中所表现出的行为特征向量，以向量化编码的形式进行表示；
获取所述目标视频交互意图对应的第一目标帧片段行为特征序列，所述第一目标帧片段行为特征序列为所述目标视频交互意图关联的所有帧片段行为特征的序列；
判断所述第一目标帧片段行为特征序列中是否存在与所述候选视频帧片段行为特征匹配的目标帧片段行为特征；
如果所述第一目标帧片段行为特征序列中存在与所述候选视频帧片段行为特征匹配的目标帧片段行为特征，则基于所述目标帧片段行为特征确定视频交互推送元素；
所述第一目标帧片段行为特征序列中不存在与所述候选视频帧片段行为特征匹配的目标帧片段行为特征，则判定所述候选视频帧片段行为特征在第二目标帧片段行为特征序列中所对应的行为特征层级为候选行为特征层级，基于所述候选行为特征层级逐层进行帧片段行为特征匹配，直至确定目标帧片段行为特征，并基于所述目标帧片段行为特征确定所述视频交互推送元素，所述目标帧片段行为特征为所述第二目标帧片段行为特征序列中与所述第一目标帧片段行为特征序列中的帧片段行为特征匹配的帧片段行为特征，所述第二目标帧片段行为特征序列对应所有视频交互意图，且包括多个行为特征层级，每个行为特征层级中包括一个或多个帧片段行为特征，相邻行为特征层级之间的关系为非线性递归关系图中的前向递归成员与后向递归成员之间的关系；
向所述全景视频交互平台推送所述视频交互推送元素所对应的交互渲染流；
所述基于所述候选行为特征层级逐层进行帧片段行为特征匹配，直至确定目标帧片段行为特征，包括：
确定所述候选视频帧片段行为特征对应的目标电商商品属性；
确定所述候选行为特征层级为当前行为特征层级；
基于所述目标电商商品属性从所述当前行为特征层级包括的所有帧片段行为特征中获取候选视频帧片段行为特征子集，所述候选视频帧片段行为特征子集中包括的帧片段行为特征对应的电商商品属性均为所述目标电商商品属性；
判断所述第一目标帧片段行为特征序列中是否存在与所述候选视频帧片段行为特征子集中的帧片段行为特征匹配的目标帧片段行为特征；
如果所述第一目标帧片段行为特征序列中不存在与所述候选视频帧片段行为特征子集中的帧片段行为特征匹配的目标帧片段行为特征，则判定所述当前行为特征层级的后向行为特征层级为所述当前行为特征层级，直至确定目标帧片段行为特征；
其中，在同一个行为特征层级中也包括有多个帧片段行为特征模块，每个帧片段行为特征模块中包括一个或多个帧片段行为特征，每个帧片段行为特征模块中的帧片段行为特征均对应相同的电商商品属性，所述第二目标帧片段行为特征序列是一个特征关系图，该特征关系图包括多个特征关系子图，每个特征关系子图对应一个电商商品属性，位于相同节点上的特征关系子图为同一个行为特征层级，同一个特征关系子图上的图成员则为该层级的帧片段行为特征，即每个节点上的特征关系子图中的帧片段行为特征为该节点对应的行为特征层级的一个帧片段行为特征子集，所述第一目标帧片段行为特征序列中的目标帧片段行为特征序列为基于下单行为关注特征中的视频交互元素名称确定的。
2.根据权利要求1所述的全景视频数据处理方法，其特征在于，所述方法还包括：
确定所述当前行为特征层级是否包括后向行为特征层级；
如果所述当前行为特征层级包括后向行为特征层级，则判定所述当前行为特征层级的后向行为特征层级为所述当前行为特征层级；
如果所述当前行为特征层级不包括后向行为特征层级，则判定所述候选行为特征层级的前向行为特征层级为所述当前行为特征层级，并在未在所述当前行为特征层级中确定所述目标帧片段行为特征时，判定在所述目标电商下单交互意图下不存在所述候选视频帧片段行为特征对应的电商商品。
3.根据权利要求1所述的全景视频数据处理方法，其特征在于，所述方法还包括：
在所述第一目标帧片段行为特征序列中存在多个与所述候选视频帧片段行为特征子集中的帧片段行为特征匹配的目标帧片段行为特征时，判断是否包括用户在所述目标电商下单交互意图下的过往下单操作特征；
如果包括用户在所述目标电商下单交互意图下的过往下单操作特征，则基于所述过往下单操作特征分别对多个目标帧片段行为特征进行置信度评估，确定所述置信度评估最大的目标帧片段行为特征为用于确定所述目标全景视频交互数据对应的代表性交互行为的帧片段行为特征；
如果不包括用户在所述目标电商下单交互意图下的过往下单操作特征，则分别确定多个目标帧片段行为特征对应的视频交互元素的交互参与度，确定所述交互参与度最大的视频交互元素为所述视频交互推送元素。
4.根据权利要求1-3中任意一项所述的全景视频数据处理方法，其特征在于，所述方法还包括：
在所述候选视频帧片段行为特征包括多个时，所述确定目标帧片段行为特征，包括：
分别确定每个候选视频帧片段行为特征在所述第二目标帧片段行为特征序列中所对应的行为特征层级为所述候选行为特征层级；
基于每个候选视频帧片段行为特征对应的候选行为特征层级逐层进行帧片段行为特征匹配，获得每个候选视频帧片段行为特征对应的一个或多个拟定候选视频帧片段行为特征；
从每个候选视频帧片段行为特征对应的一个或多个拟定候选视频帧片段行为特征中选择一个拟定候选视频帧片段行为特征进行组合，获得多个帧片段行为特征簇；
获取所述目标电商下单交互意图下的下单行为关注特征；
基于所述下单行为关注特征确定所述多个帧片段行为特征簇中每个帧片段行为特征簇的簇置信度；
确定所述簇置信度最大的帧片段行为特征簇中包括的拟定候选视频帧片段行为特征为所述目标帧片段行为特征。
5.根据权利要求4所述的全景视频数据处理方法，其特征在于，所述基于所述下单行为关注特征确定所述多个帧片段行为特征簇中每个帧片段行为特征簇的簇置信度，包括：
判断是否存在目标帧片段行为特征簇，所述目标帧片段行为特征簇为所述多个帧片段行为特征簇中与所述下单行为关注特征中的视频交互元素元素内容特征匹配的帧片段行为特征簇；
如果存在目标帧片段行为特征簇，则判定所述目标帧片段行为特征簇对应的簇置信度为最大置信度；
如果存在目标帧片段行为特征簇，则基于所述每个帧片段行为特征簇中包括的多个拟定候选视频帧片段行为特征确定所述每个帧片段行为特征簇的可关联度，基于所述可关联度确定所述每个帧片段行为特征簇的簇置信度。
6.根据权利要求5所述的全景视频数据处理方法，其特征在于，所述基于所述每个帧片段行为特征簇中包括的多个拟定候选视频帧片段行为特征确定所述每个帧片段行为特征簇的可关联度，包括：
确定帧片段行为特征簇中包括的多个拟定候选视频帧片段行为特征对应的电商商品之间存在电商商品相偏离的帧片段行为特征簇为不可关联簇，不存在电商商品相偏离的帧片段行为特征簇为可关联簇；
所述基于所述可关联度确定所述每个帧片段行为特征簇的簇置信度，包括：
确定所述不可关联簇的簇置信度为最低置信度；
确定每个可关联簇中包括的多个拟定候选视频帧片段行为特征的相关性参数值，所述相关性参数值表征所述多个拟定候选视频帧片段行为特征出现在同一个候选视频帧片段行为特征组合中的概率；
基于所述相关性参数值确定所述每个帧片段行为特征簇的簇置信度。
7.一种全景视频数据处理系统，其特征在于，所述全景视频数据处理系统包括云服务器以及与所述云服务器通信连接的全景视频交互平台，所述云服务器具体用于：
获取采集于全景视频交互平台的目标全景视频交互数据，并确定所述全景视频交互平台所映射的目标视频交互意图，其中，所述目标视频交互意图是指相关用户与所述全景视频交互平台进行交互过程中所指定的交互场景，在电商交互场景中，所述目标视频交互意图为目标电商下单交互意图；
基于所述目标视频交互意图从所述目标全景视频交互数据中提取候选视频帧片段行为特征，所述候选视频帧片段行为特征表征用户在所述目标视频交互意图中所表现出的行为特征向量，以向量化编码的形式进行表示；
获取所述目标视频交互意图对应的第一目标帧片段行为特征序列，所述第一目标帧片段行为特征序列为所述目标视频交互意图关联的所有帧片段行为特征的序列；
判断所述第一目标帧片段行为特征序列中是否存在与所述候选视频帧片段行为特征匹配的目标帧片段行为特征；
如果所述第一目标帧片段行为特征序列中存在与所述候选视频帧片段行为特征匹配的目标帧片段行为特征，则基于所述目标帧片段行为特征确定视频交互推送元素；
所述第一目标帧片段行为特征序列中不存在与所述候选视频帧片段行为特征匹配的目标帧片段行为特征，则判定所述候选视频帧片段行为特征在第二目标帧片段行为特征序列中所对应的行为特征层级为候选行为特征层级，基于所述候选行为特征层级逐层进行帧片段行为特征匹配，直至确定目标帧片段行为特征，并基于所述目标帧片段行为特征确定所述视频交互推送元素，所述目标帧片段行为特征为所述第二目标帧片段行为特征序列中与所述第一目标帧片段行为特征序列中的帧片段行为特征匹配的帧片段行为特征，所述第二目标帧片段行为特征序列对应所有视频交互意图，且包括多个行为特征层级，每个行为特征层级中包括一个或多个帧片段行为特征，相邻行为特征层级之间的关系为非线性递归关系图中的前向递归成员与后向递归成员之间的关系；
向所述全景视频交互平台推送所述视频交互推送元素所对应的交互渲染流；
所述基于所述候选行为特征层级逐层进行帧片段行为特征匹配，直至确定目标帧片段行为特征，包括：
确定所述候选视频帧片段行为特征对应的目标电商商品属性；
确定所述候选行为特征层级为当前行为特征层级；
基于所述目标电商商品属性从所述当前行为特征层级包括的所有帧片段行为特征中获取候选视频帧片段行为特征子集，所述候选视频帧片段行为特征子集中包括的帧片段行为特征对应的电商商品属性均为所述目标电商商品属性；
判断所述第一目标帧片段行为特征序列中是否存在与所述候选视频帧片段行为特征子集中的帧片段行为特征匹配的目标帧片段行为特征；
如果所述第一目标帧片段行为特征序列中不存在与所述候选视频帧片段行为特征子集中的帧片段行为特征匹配的目标帧片段行为特征，则判定所述当前行为特征层级的后向行为特征层级为所述当前行为特征层级，直至确定目标帧片段行为特征；
其中，在同一个行为特征层级中，也包括有多个帧片段行为特征模块，每个帧片段行为特征模块中包括一个或多个帧片段行为特征，每个帧片段行为特征模块中的帧片段行为特征均对应相同的电商商品属性，所述第二目标帧片段行为特征序列是一个特征关系图，该特征关系图包括多个特征关系子图，每个特征关系子图对应一个电商商品属性，位于相同节点上的特征关系子图为同一个行为特征层级，同一个特征关系子图上的图成员则为该层级的帧片段行为特征，即每个节点上的特征关系子图中的帧片段行为特征为该节点对应的行为特征层级的一个帧片段行为特征子集，所述第一目标帧片段行为特征序列中的目标帧片段行为特征序列为基于下单行为关注特征中的视频交互元素名称确定的。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有机器可执行指令，所述机器可执行指令被计算机执行时实现权利要求1-6中任意一项所述的全景视频数据处理方法。
9.一种云服务器，其特征在于，所述云服务器包括处理器及计算机可读存储介质，所述计算机可读存储介质中存储有机器可执行指令，所述机器可执行指令被计算机执行时实现权利要求1-6中任意一项所述的全景视频数据处理方法。
CN202310569975.5A 2023-05-19 2023-05-19 全景视频数据处理方法及系统 Active CN116567350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310569975.5A CN116567350B (zh) 2023-05-19 2023-05-19 全景视频数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310569975.5A CN116567350B (zh) 2023-05-19 2023-05-19 全景视频数据处理方法及系统

Publications (2)

Publication Number Publication Date
CN116567350A CN116567350A (zh) 2023-08-08
CN116567350B true CN116567350B (zh) 2024-04-19

Family

ID=87499812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310569975.5A Active CN116567350B (zh) 2023-05-19 2023-05-19 全景视频数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN116567350B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017092675A (ja) * 2015-11-09 2017-05-25 株式会社リコー 情報処理装置、会議システム、情報処理方法およびプログラム
WO2018016685A2 (ko) * 2016-07-18 2018-01-25 엘지전자 주식회사 이동 단말기 및 그의 동작 방법
CN111061915A (zh) * 2019-12-17 2020-04-24 中国科学技术大学 视频人物关系识别方法
WO2020135394A1 (zh) * 2018-12-28 2020-07-02 清华大学 视频拼接方法及装置
WO2020228418A1 (zh) * 2019-05-15 2020-11-19 上海商汤智能科技有限公司 视频处理方法及装置、电子设备和存储介质
CN112464875A (zh) * 2020-12-09 2021-03-09 南京大学 一种视频中的人-物交互关系检测方法及装置
CN112801762A (zh) * 2021-04-13 2021-05-14 浙江大学 基于商品感知的多模态视频高光检测方法及其系统
WO2021139583A1 (zh) * 2020-01-07 2021-07-15 影石创新科技股份有限公司 自动调整视角的全景视频渲染方法、存储介质及计算机设备
WO2021257120A1 (en) * 2020-06-17 2021-12-23 Intel Corporation Methods, apparatus, and articles of manufacture to generate packed video frames for a volumetric video bitstream and an immersive video bitstream
WO2021259322A1 (zh) * 2020-06-23 2021-12-30 广州筷子信息科技有限公司 一种生成视频的系统和方法
CN114095747A (zh) * 2021-11-29 2022-02-25 Oook(北京)教育科技有限责任公司 直播互动系统和方法
CN115065842A (zh) * 2022-08-03 2022-09-16 广州卓远虚拟现实科技有限公司 基于虚拟现实的全景视频串流交互方法及系统
CN115657846A (zh) * 2022-10-20 2023-01-31 苏州数孪数字科技有限公司 一种基于vr数字内容的互动方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8411902B2 (en) * 2004-04-07 2013-04-02 Hewlett-Packard Development Company, L.P. Providing a visual indication of the content of a video by analyzing a likely user intent

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017092675A (ja) * 2015-11-09 2017-05-25 株式会社リコー 情報処理装置、会議システム、情報処理方法およびプログラム
WO2018016685A2 (ko) * 2016-07-18 2018-01-25 엘지전자 주식회사 이동 단말기 및 그의 동작 방법
WO2020135394A1 (zh) * 2018-12-28 2020-07-02 清华大学 视频拼接方法及装置
WO2020228418A1 (zh) * 2019-05-15 2020-11-19 上海商汤智能科技有限公司 视频处理方法及装置、电子设备和存储介质
CN111061915A (zh) * 2019-12-17 2020-04-24 中国科学技术大学 视频人物关系识别方法
WO2021139583A1 (zh) * 2020-01-07 2021-07-15 影石创新科技股份有限公司 自动调整视角的全景视频渲染方法、存储介质及计算机设备
WO2021257120A1 (en) * 2020-06-17 2021-12-23 Intel Corporation Methods, apparatus, and articles of manufacture to generate packed video frames for a volumetric video bitstream and an immersive video bitstream
WO2021259322A1 (zh) * 2020-06-23 2021-12-30 广州筷子信息科技有限公司 一种生成视频的系统和方法
CN112464875A (zh) * 2020-12-09 2021-03-09 南京大学 一种视频中的人-物交互关系检测方法及装置
CN112801762A (zh) * 2021-04-13 2021-05-14 浙江大学 基于商品感知的多模态视频高光检测方法及其系统
CN114095747A (zh) * 2021-11-29 2022-02-25 Oook(北京)教育科技有限责任公司 直播互动系统和方法
CN115065842A (zh) * 2022-08-03 2022-09-16 广州卓远虚拟现实科技有限公司 基于虚拟现实的全景视频串流交互方法及系统
CN115657846A (zh) * 2022-10-20 2023-01-31 苏州数孪数字科技有限公司 一种基于vr数字内容的互动方法和系统

Also Published As

Publication number Publication date
CN116567350A (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN107609198B (zh) 一种推荐方法、装置及计算机可读存储介质
CN110399104B (zh) 数据存储方法、数据存储装置、电子设备、存储介质
CN111931097B (zh) 信息展示方法、装置、电子设备以及存储介质
US11620537B2 (en) Optimizing gradient boosting feature selection
KR102061466B1 (ko) 메모리 관리를 위한 보존 가비지 콜렉팅 및 정수 태깅 기법
CN113064859B (zh) 一种元数据处理方法、装置及电子设备和存储介质
CN111246287A (zh) 视频处理方法、发布方法、推送方法及其装置
CN109460406B (zh) 一种数据处理方法及装置
CN113052375A (zh) 一种预测剧集播放量的方法和装置
JP2023536621A (ja) ３次元再構成における画像グループ化方法及びその装置、電子機器、並びにコンピュータ可読記憶媒体
CN112148942B (zh) 基于数据聚类的业务指标数据分类方法及装置
CN113901395B (zh) 数据处理方法、装置、计算机设备和存储介质
CN110222046B (zh) 列表数据的处理方法、装置、服务器和存储介质
CN116567350B (zh) 全景视频数据处理方法及系统
CN116433050B (zh) 应用于农业大数据管理系统的异常报警方法及系统
CN116932935A (zh) 地址匹配方法、装置、设备、介质和程序产品
CN114140488A (zh) 视频目标分割方法及装置、视频目标分割模型的训练方法
CN113255610A (zh) 特征底库构建、特征检索方法以及相关装置
CN111813988A (zh) 用于图像特征库的hnsw节点删除方法、系统、设备和介质
CN116567294A (zh) 全景视频分割处理方法及系统
CN114279456B (zh) 图片构建/车辆定位方法、系统、终端及计算机存储介质
CN110991543B (zh) 图像感兴趣区聚类方法和装置、计算设备、和存储介质
CN115759233B (zh) 模型的训练方法、图数据处理方法、装置及电子设备
CN112667402B (zh) 一种分布式计算SimRank单源节点相似度的方法和装置
KR20240000857A (ko) 증강 현실 콘텐츠를 제공하는 전자 장치 및 전자 장치의 동작 방법

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