CN116580337A - 视频类型检测方法、装置、设备及可读存储介质 - Google Patents

视频类型检测方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN116580337A
CN116580337A CN202310535191.0A CN202310535191A CN116580337A CN 116580337 A CN116580337 A CN 116580337A CN 202310535191 A CN202310535191 A CN 202310535191A CN 116580337 A CN116580337 A CN 116580337A
Authority
CN
China
Prior art keywords
video
analysis image
image
type
determining
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
CN202310535191.0A
Other languages
English (en)
Inventor
赵頔
杜正豪
刘强
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.)
Fiberhome Telecommunication Technologies Co Ltd
Wuhan Fiberhome Technical Services Co Ltd
Original Assignee
Fiberhome Telecommunication Technologies Co Ltd
Wuhan Fiberhome Technical Services 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 Fiberhome Telecommunication Technologies Co Ltd, Wuhan Fiberhome Technical Services Co Ltd filed Critical Fiberhome Telecommunication Technologies Co Ltd
Priority to CN202310535191.0A priority Critical patent/CN116580337A/zh
Publication of CN116580337A publication Critical patent/CN116580337A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/68—Analysis of geometric attributes of symmetry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V20/48—Matching video sequences
    • 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, rendering scenes according to MPEG-4 scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • 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, rendering scenes according to MPEG-4 scene graphs
    • H04N21/44016—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving splicing one content stream with another content stream, e.g. for substituting a video clip
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction

Abstract

本发明提供一种视频类型检测方法、装置、设备及可读存储介质，视频类型检测方法包括：从待检测视频中，提取分析图像；若分析图像满足三分线分割，则根据分析图像的区域拼接特征确定待检测视频的视频类型；若分析图像不满足三分线分割，则根据分析图像的对称特征、分割线特征和视觉区域特征，检测是否为双鱼眼类型；若不为双鱼眼类型，则根据分析图像的像素投影特征确定待检测视频的视频类型；或，若不为双鱼眼类型，则根据分析图像的像素投影特征以及对称特征确定待检测视频的视频类型。通过本发明，能够快速高效的根据待检测视频中分析图像的对称特征、分割线特征、区域拼接特征、视觉区域特征及像素投影特征，确定待检测视频的视频类型。

Description

视频类型检测方法、装置、设备及可读存储介质
技术领域
本发明涉及视频技术领域，尤其涉及一种视频类型检测方法、装置、设备及可读存储介质。
背景技术
虚拟现实技术(VR，Virtual Reality)，又称虚拟实境或灵境技术，最早由美国的乔·拉尼尔在20世纪80年代初提出，虚拟现实技术是集计算机技术、传感器技术、人类心理学及生理学于一体的综合技术，其通过计算机仿真系统模拟外界环境，主要模拟的对象有环境、技能、传感设备和感知等，为用户提供多信息、三维动态及交互式的仿真体验，从而使处于虚拟世界中的人产生一种身临其境的感觉。
VR模型是为了呈现虚拟世界中的各种物体，通过三维建模在虚拟现实中构建的物体时使用的模型，需要使用与模型匹配的图像渲染方式才能正常呈现，常见的VR视频类型分类很多，按内容视频通路分，包括2D视频和3D视频，2D视频类似于普通视频呈现投影后的平面图像，3D视频对应一帧图像中按左右或上下分割为双路由人眼的视差效应识别为3D立体效果，按投影方式分又分为立方体投影、180度球体投影、360度球体投影等。
VR球体模型(ERP,Equi-Rectangular Projection)，通常是指采用等距柱状投影(又称经纬度映射)的模型，也就是最常见的世界地图的投影方式，采用的是墨卡托投影规则，做法是将经线和纬线等距地(或有疏密地)投影到一个矩形平面上，VR立方体模型(CMP，CubeMap Projection)，是另一种全景画面的储存格式，做法是将球体上的内容向外投影到一个立方体上，然后展开，对比等距柱状投影的优势是，在相同分辨率下，它的图片体积更小，约为等距柱状投影的1/3，等角立方体(EAC，Equi-Angular Cubemap)，是谷歌基于CMP提出的进一步优化的格式，方法是更改优化投影时的采样点位置，不再是纯粹按投影角度分布像素，而是使得边角与中心的像素密度相等。
通常VR视频服务器会通过元数据，通知播放端具体的视频类型，但由于某些原因，例如个人视频分享通常不会携带元数据信息以及拍摄设备的兼容性不足等，会出现VR视频的类型信息缺失的情况，导致VR播放端无法正常显示VR视频，用户只能按普通视频先将VR视频播放出来，然后根据个人经验，手动选择VR播放端预置的VR模型去进行播放尝试，这一过程专业性要求较高，体验不佳。
发明内容
本发明的主要目的在于提供一种视频类型检测方法、装置、设备及可读存储介质，旨在解决由于某些原因，例如个人视频分享通常不会携带元数据信息以及拍摄设备的兼容性不足等，会出现VR视频的类型信息缺失的情况，导致VR播放端无法正常显示VR视频，用户只能按普通视频先将VR视频播放出来，然后根据个人经验，手动选择VR播放端预置的VR模型去进行播放尝试，这一过程专业性要求较高，体验不佳的技术问题。
第一方面，本发明提供一种视频类型检测方法，所述视频类型检测方法包括：
从待检测视频中，提取分析图像；
若分析图像满足三分线分割，则根据分析图像的区域拼接特征确定待检测视频的视频类型；
若分析图像不满足三分线分割，则根据分析图像的对称特征、分割线特征和视觉区域特征，检测是否为双鱼眼类型；
若不为双鱼眼类型，则根据分析图像的像素投影特征确定待检测视频的视频类型；
或，若不为双鱼眼类型，则根据分析图像的像素投影特征以及对称特征确定待检测视频的视频类型。
可选的，所述从待检测视频中，提取分析图像包括：
对待检测视频进行解码，得到解码后的图像序列；
从图像序列中，依次选取2个I帧，将前一个I帧作为原始图像，后一个I帧作为参照图像；
采用帧差法，计算原始图像的灰度压缩矩阵和参照图像的灰度压缩矩阵的变化幅度；
若变化幅度不大于预设变化幅度，则保持原始图像不变，从图像序列中，选取下一个I帧作为参照图像，并返回执行所述采用帧差法，计算原始图像的灰度压缩矩阵和参照图像的灰度压缩矩阵的变化幅度的步骤；
若变化幅度大于预设变化幅度，则将参照图像作为分析图像；
若分析图像的数量小于预设数量，则将参照图像作为原始图像，选取下一个I帧作为参照图像，并返回执行所述采用帧差法，计算原始图像的灰度压缩矩阵和参照图像的灰度压缩矩阵的变化幅度的步骤。
可选的，在所述若分析图像满足三分线分割之前，包括：
根据分析图像的分辨率，确定长宽比；
若长宽比不满足预设长宽比，则确定为分析图像不满足三分线分割；
若长宽比满足预设长宽比，则计算分析图像沿三分线每个位置的两侧邻近像素的灰度梯度方差；
统计所有位置的灰度梯度方差大于预设方差的比例，得到统计比例；
若统计比例大于预设比例，则确定为分析图像满足三分线分割，否则，确定为分析图像不满足三分线分割。
可选的，所述根据分析图像的区域拼接特征确定待检测视频的视频类型包括：
分别基于立方体模型和等角立方体模型的旋转拼接特征，对三分线所分割的分析图像的多个图像区域进行拼接，得到立方体模型和等角立方体模型的各条拼接边；
计算立方体模型和等角立方体模型的每条拼接边的马氏梯度相似度，并对立方体模型各条拼接边的马氏梯度相似度和等角立方体模型各条拼接边的马氏梯度相似度分别进行求和，得到立方体模型的马氏梯度相似度总和与等角立方体模型的马氏梯度相似度总和；
若立方体模型的马氏梯度相似度总和小于或等于等角立方体模型的马氏梯度相似度总和，则确定待检测视频的视频类型为立方体类型；
若等角立方体模型的马氏梯度相似度总和小于立方体模型的马氏梯度相似度总和，则确定待检测视频的视频类型为等角立方体类型。
可选的，所述根据分析图像的对称特征、分割线特征和视觉区域特征，检测是否为双鱼眼类型包括：
当分析图像对称但对称线不为分割线时，从分析图像的图像中心点出发，沿横轴中线，向左或向右确定首个灰度值为0的像素点，确定首个灰度值为0的像素点至图像中心点的距离；
根据首个灰度值为0的像素点至图像中心点的距离和分析图像的宽度，计算得到圆形视觉区域的直径；
分别以分析图像的左半边和右半边的横轴中心点为圆心，根据圆形视觉区域的直径，确定圆形视觉区域，将其他区域作为非圆形视觉区域；
将圆形视觉区域内的像素值作为1，非圆形视觉区域内的像素值作为0，构造掩码矩阵，将掩码矩阵与分析图像的像素矩阵进行灰度叠加，得到叠加矩阵；
若叠加矩阵和分析图像的像素矩阵一致，则确定检测结果为双鱼眼类型，否则确定检测结果不为双鱼眼类型。
可选的，所述根据分析图像的像素投影特征确定待检测视频的视频类型包括：
若分析图像的首列和尾列不存在分割线，且分析图像的首行和尾行仅有唯一的像素值，且分析图像满足经纬度像素投影特征，则确定待检测视频的视频类型为360度球体模型；
若分析图像的首列和尾列存在分割线，且分析图像的首行和尾行仅有唯一的像素值，且分析图像满足经纬度像素投影特征，则确定待检测视频的视频类型为180度球体模型；
若分析图像不满足首行和尾行仅有唯一的像素值，或不满足经纬度像素投影特征，则确定待检测视频的视频类型为普通类型。
可选的，所述视频类型检测方法，还包括：
当分析图像的数量为多张时，根据每张分析图像，确定待检测视频的视频类型，将检测结果中占多数的视频类型作为最终的待检测视频的视频类型。
第二方面，本发明还提供一种视频类型检测装置，所述视频类型检测装置包括：
提取模块，用于从待检测视频中，提取分析图像；
第一确定模块，用于若分析图像满足三分线分割，则根据分析图像的区域拼接特征确定待检测视频的视频类型；
检测模块，用于若分析图像不满足三分线分割，则根据分析图像的对称特征、分割线特征和视觉区域特征，检测是否为双鱼眼类型；
第二确定模块，用于若不为双鱼眼类型，则根据分析图像的像素投影特征确定待检测视频的视频类型；
第三确定模块，用于或，若不为双鱼眼类型，则根据分析图像的像素投影特征以及对称特征确定待检测视频的视频类型。
第三方面，本发明还提供一种视频类型检测设备，所述视频类型检测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的视频类型检测程序，其中所述视频类型检测程序被所述处理器执行时，实现如上述所述的视频类型检测方法的步骤。
第四方面，本发明还提供一种可读存储介质，所述可读存储介质上存储有视频类型检测程序，其中所述视频类型检测程序被处理器执行时，实现如上述所述的视频类型检测方法的步骤。
本发明中，从待检测视频中，提取分析图像；若分析图像满足三分线分割，则根据分析图像的区域拼接特征确定待检测视频的视频类型；若分析图像不满足三分线分割，则根据分析图像的对称特征、分割线特征和视觉区域特征，检测是否为双鱼眼类型；若不为双鱼眼类型，则根据分析图像的像素投影特征确定待检测视频的视频类型；或，若不为双鱼眼类型，则根据分析图像的像素投影特征以及对称特征确定待检测视频的视频类型。通过本发明，能够快速高效的根据待检测视频中分析图像的对称特征、分割线特征、区域拼接特征、视觉区域特征及像素投影特征，确定待检测视频的视频类型，在VR视频类型缺失的情况下，匹配最合适的VR类型，从而实现VR视频的正常播放。
附图说明
图1为本发明视频类型检测方法一实施例的流程示意图；
图2为本发明视频类型检测方法一实施例的三分线分割示意图；
图3为本发明视频类型检测方法一实施例的对称特征示意图；
图4为图1中步骤S10的细化流程示意图；
图5为本发明视频类型检测方法一实施例的双鱼眼类型示意图；
图6为本发明视频类型检测装置一实施例的功能模块示意图；
图7为本发明视频类型检测设备一实施例的硬件结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
第一方面，本发明实施例提供了一种视频类型检测方法。
为了更清楚地展示本申请实施例提供的视频类型检测方法，首先介绍一下本申请实施例提供的视频类型检测方法的应用场景。
本申请实施例提供的视频类型检测方法应用在通常VR视频服务器会通过元数据，通知播放端具体的视频类型，但由于某些原因，例如个人视频分享通常不会携带元数据信息以及拍摄设备的兼容性不足等，会出现VR视频的类型信息缺失的情况，导致VR播放端无法正常显示VR视频，因此，需要检测出VR视频的视频类型，以使VR播放端能够正常的播放VR视频。
一实施例中，参照图1，图1为本发明视频类型检测方法一实施例的流程示意图，如图1所示，所述视频类型检测方法包括：
步骤S10，从待检测视频中，提取分析图像。
本实施例中，待检测视频是指视频类型缺失的待播放视频，需要检测出待检测视频的视频类型，以使播放器能够正常的播放该视频，从待检测视频中，提取出分析图像，以用于视频类型的检测。
步骤S20，若分析图像满足三分线分割，则根据分析图像的区域拼接特征确定待检测视频的视频类型。
本实施例中，通常采用九宫格形式的分割线将图像分割成3等份，一般把主体放在分割线的交接处，这样的构图比较平衡，能突出重点。参照图2，图2为本发明视频类型检测方法一实施例的三分线分割示意图，如图2所示，在VR视频类型中，若分析图像满足三分线分割，说明各个区域的图像内容不相同或不近似，进一步的可对各个区域的图像进行拼接，然后根据分析图像的区域拼接特征确定待检测视频的视频类型，主要用于待检测视频立方体类型和等角立方体类型的检测。
步骤S30，若分析图像不满足三分线分割，则根据分析图像的对称特征、分割线特征和视觉区域特征，检测是否为双鱼眼类型。
本实施例中，若分析图像不满足三分线分割，则进一步的检测分析图像的对称特征、分割线特征和视觉区域特征，对称特征主要是指分析图像是否左右或上下对称，分割线特征主要是指对称线是否为分割线，即通过对称线所划分的分析图像的左右或上下的两部分的图像内容，是否明显的不相同或不近似，视觉区域特征主要是基于分析图像的圆形视觉区域，构造掩码矩阵并进行像素灰度叠加，以检测待检测视频的视频类型是否为双鱼眼类型，若确定待检测视频的视频类型为双鱼眼类型，则结束检测，若不为双鱼眼类型，则继续进行后续的视频类型检测，需要说明的是，为提升检测的效率，若检测出分析图像为对称，则可选取分析图像所对称的一半内容作为后续视频类型检测的依据。其中，关于分析图像的对称特征判断，可优先进行是否上下对称的判断，若不满足上下对称，则再进行是否左右对称的判断，以分辨率3840*3840为例，在进行上下对称判断时，沿像素的第1920行和第1921行，将分析图像分割为上下两部分，然后计算上下两部分的SSIM(StructuralSimilarity，结构相似性)值，若大于设定值，设定值比如为0.7，则判断为上下对称，否则判断为不满足上下对称，同理，在判断左右对称时，沿像素的第1920列和第1921列，将分析图像分割为左右两部分，然后计算左右两部分的SSIM值，参照图3，图3为本发明视频类型检测方法一实施例的对称特征示意图，如图3所示，先对图3中的上图进行上下对称判断，计算得到上下SSIM＝0.937，大于设定值0.7，因此，可判断上图为上下对称，同样先对图3中的下图进行上下对称判断，计算得到上下SSIM＝0.150，小于设定值0.7，因此可判断下图不满足上下对称，再对下图进行左右对称判断，计算得到左右SSIM＝0.237，也小于设定值0.7，因此，可判断下图既不上下对称也不左右对称。
步骤S40，若不为双鱼眼类型，则根据分析图像的像素投影特征确定待检测视频的视频类型。
本实施例中，如果待检测视频的视频类型不为双鱼眼类型，则根据分析图像的像素投影特征确定待检测视频的视频类型，像素投影特征主要是指采用非正交投影的场景，通过经纬度投影的判断，可确定的待检测视频的类型包括180度球体类型和360度球体类型。
步骤S50，或，若不为双鱼眼类型，则根据分析图像的像素投影特征以及对称特征确定待检测视频的视频类型。
本实施例中，在待检测视频的视频类型不为双鱼眼类型的情况下，可进一步的结合分析图像的对称特征，若对称则确定待检测视频的视频类型为双路视频，不对称则确定待检测视频的视频类型为单路视频，根据分析图像的像素投影特征，所确定的180度球体类型和360度球体类型，将两者相结合确定待检测视频的视频类型，从而可确定的视频类型包括单路180度球体类型、双路180度球体类型、单路360度球体类型和双路360度球体类型。
本实施例中，从视频类型缺失的待播放视频提取出分析图像，以用于视频类型的检测，首先进行三分线分割是否满足的判断，然后根据分析图像的区域拼接特征检测立方体类型和等角立方体类型，或者根据分析图像的对称特征、分割线特征和视觉区域特征，检测是否为双鱼眼类型，进一步，若确定待检测视频的视频类型不为双鱼眼类型，则根据分析图像的像素投影特征，进行180度球体类型和360度球体类型的检测，或者进一步结合是否对称所确定的单路视频和双路视频，确定单路180度球体类型、双路180度球体类型、单路360度球体类型和双路360度球体类型中的具体类型，从而能够快速高效的根据待检测视频中分析图像的对称特征、分割线特征、区域拼接特征、视觉区域特征及像素投影特征，确定待检测视频的视频类型，在VR视频类型缺失的情况下，匹配最合适的VR类型，从而实现VR视频的正常播放。
进一步地，一实施例中，参照图4，图4为图1中步骤S10的细化流程示意图，如图4所示，步骤S10包括：
步骤S101，对待检测视频进行解码，得到解码后的图像序列；
步骤S102，从图像序列中，依次选取2个I帧，将前一个I帧作为原始图像，后一个I帧作为参照图像；
步骤S103，采用帧差法，计算原始图像的灰度压缩矩阵和参照图像的灰度压缩矩阵的变化幅度；
步骤S104，若变化幅度不大于预设变化幅度，则保持原始图像不变，从图像序列中，选取下一个I帧作为参照图像，并返回执行所述采用帧差法，计算原始图像的灰度压缩矩阵和参照图像的灰度压缩矩阵的变化幅度的步骤；
步骤S105，若变化幅度大于预设变化幅度，则将参照图像作为分析图像；
步骤S106，若分析图像的数量小于预设数量，则将参照图像作为原始图像，选取下一个I帧作为参照图像，并返回执行所述采用帧差法，计算原始图像的灰度压缩矩阵和参照图像的灰度压缩矩阵的变化幅度的步骤。
本实施例中，MPEG(Moving Picture Expert Group，即运动图像专家组格式)编码技术将画面(即帧)分为I帧、P帧、B帧三种，其中：I是内部编码帧，P是前向预测帧，B是双向内插帧，简单地讲，I帧是一个完整的画面，是每个GOP(Group of pictures，图像集合)的第一个帧，而P帧和B帧记录的是相对于I帧的变化，P帧由在它前面的P帧或I帧进行预测，因此，本发明从图像序列中选取关键的I帧，并采用帧差法(比如SAD或SATD算法)，对I帧进行两两对比，选取变化幅度大于预设变化幅度比如30％的I帧作为分析图像，这样可以避开片头的首帧，选取的分析图像的内容将更接近于真实播放的视频内容，并且通过对I帧进行算法压缩和灰度分量提取，对比原始图像的灰度压缩矩阵和参照图像的灰度压缩矩阵的变化幅度，可以大大提升算法的效率，根据检测效率和准确度的要求，可选取1张或2-5张或更多张的分析图像，进行视频类型的检测。
进一步地，一实施例中，在步骤S20之前，包括：
根据分析图像的分辨率，确定长宽比；
若长宽比不满足预设长宽比，则确定为分析图像不满足三分线分割；
若长宽比满足预设长宽比，则计算分析图像沿三分线每个位置的两侧邻近像素的灰度梯度方差；
统计所有位置的灰度梯度方差大于预设方差的比例，得到统计比例；
若统计比例大于预设比例，则确定为分析图像满足三分线分割，否则，确定为分析图像不满足三分线分割。
本实施例中，首先进行长宽比的判断，以提升检测的效率，若长宽比不满足预设长宽比3:2或2:3，则判定为分析图像不满足三分线分割，若长宽比满足预设长宽比3:2或2:3，则继续进行三分线分割的检测，以分析图像的分辨率为3240*2160为例(长宽比为3:2)，以立方体类型和等角立方体类型三分线的分割线为例，继续参照图2，选取图2中的AB、BC、CD、BE及CF线段作为三分线的分割线进行判断，进一步的以图2中的C点位置为例，选取C点位置两侧邻近的各2个像素点L1、L2、R1和R2，然后计算C点位置的灰度梯度方差fLR＝(GLR-GL)2+(GR-GLR)2＝(R1+L1-2L2)2+(L2+R2-2R2)2，进一步的根据上述的计算公式可计算得到C点位置的灰度梯度方差为(98+121-2*121)2+(121+98-2*98)2＝1058，1058大于预设方差8，因此可判定该C点位置为分割点，同理，进一步的计算分析图像沿三分线每个位置的两侧邻近像素的灰度梯度方差，统计三分线的所有位置的灰度梯度方差大于预设方差的比例，得到统计比例，若统计比例大于预设比例，预设比例比如为57％，则确定为分析图像满足三分线分割，否则，确定为分析图像不满足三分线分割。
进一步地，一实施例中，步骤S20包括：
分别基于立方体模型和等角立方体模型的旋转拼接特征，对三分线所分割的分析图像的多个图像区域进行拼接，得到立方体模型和等角立方体模型的各条拼接边；
计算立方体模型和等角立方体模型的每条拼接边的马氏梯度相似度，并对立方体模型各条拼接边的马氏梯度相似度和等角立方体模型各条拼接边的马氏梯度相似度分别进行求和，得到立方体模型的马氏梯度相似度总和与等角立方体模型的马氏梯度相似度总和；
若立方体模型的马氏梯度相似度总和小于或等于等角立方体模型的马氏梯度相似度总和，则确定待检测视频的视频类型为立方体类型；
若等角立方体模型的马氏梯度相似度总和小于立方体模型的马氏梯度相似度总和，则确定待检测视频的视频类型为等角立方体类型。
本实施例中，继续参照图2，按照立方体类型可得到的12条拼接边，分别为BC下-CD上、CF左-JB右、EF上-AB下、BE右-JB左、CD下-LK下、FH上-EG上、CF右-KC左、DH左-IA右、LD左-KJ下、KC右-IJ下、BE左-BC上及AG右-DC上，其中，BC下-CD上代表图2中线段BC以下的部分与线段CD以上的部分相拼接所组成的拼接边，按照等角立方体类型可得到的12条拼接边，分别为JK下-HD左、KC左-KC右、BC上-GA右、JB左-JB右、CF左-CF右、BE左-BE右、GE上-BA上、AB下-CD上、FH上-IJ下及CD下-LK下，进一步的分别计算每条拼接边的马氏梯度相似度，以3240*2160分辨率视频为例，某条拼接边单一方向的马氏梯度相似度计算公式为：其中，r为当前行或列，R为总行数或总列数，/>为协方差矩阵，T为转置矩阵，GijLR(r)是依据拼接方向计算的梯度矩阵，它是由2个2*1080的行或列的灰度分量，按照顶点对齐的方向拼接构建一个4*1080的灰度分量矩阵，然后计算宽度为4的方向上的梯度，共计1080个，最终构成1*1080的矩阵向量，μiL是边L侧2行或2列像素对应的灰度梯度平均值，计算出结果后，再计算反方向GRL，最终GLR+GRL是本条拼接边的最终马氏梯度相似度，计算完全部12条边的结果后求和，得到立方体模型的马氏梯度相似度总和与等角立方体模型的马氏梯度相似度总和，若立方体模型的马氏梯度相似度总和较小，或者两者相等，则确定待检测视频的视频类型为立方体类型，若等角立方体模型的马氏梯度相似度总和较小，则确定待检测视频的视频类型为等角立方体类型。
进一步地，一实施例中，步骤S30包括：
当分析图像对称但对称线不为分割线时，从分析图像的图像中心点出发，沿横轴中线，向左或向右确定首个灰度值为0的像素点，确定首个灰度值为0的像素点至图像中心点的距离；
根据首个灰度值为0的像素点至图像中心点的距离和分析图像的宽度，计算得到圆形视觉区域的直径；
分别以分析图像的左半边和右半边的横轴中心点为圆心，根据圆形视觉区域的直径，确定圆形视觉区域，将其他区域作为非圆形视觉区域；
将圆形视觉区域内的像素值作为1，非圆形视觉区域内的像素值作为0，构造掩码矩阵，将掩码矩阵与分析图像的像素矩阵进行灰度叠加，得到叠加矩阵；
若叠加矩阵和分析图像的像素矩阵一致，则确定检测结果为双鱼眼类型，否则确定检测结果不为双鱼眼类型。
本实施例中，当分析图像对称但对称线不为分割线的条件不满足时，即分析图像不对称或者分析图像对称且对称线为分割线，可确定检测结果不为双鱼眼类型，转入步骤S40或步骤S50继续进行视频类型的检测，当分析图像对称但对称线不为分割线时，进一步进行双鱼眼类型的检测，参照图5，图5为本发明视频类型检测方法一实施例的双鱼眼类型示意图，如图5所示，分析图像为左右对称，根据首个灰度值为0的像素点至图像中心点的距离和分析图像的宽度，计算得到圆形视觉区域的直径，计算公式为D＝W/2-2L，其中，D为圆形视觉区域的直径，W为分析图像的宽度，L为首个灰度值为0的像素点至图像中心点的距离，进一步的分别以分析图像的左半边和右半边的横轴中心点为圆心，即可确定整个分析图像的圆形视觉区域和非圆形视觉区域。其中，检测对称线是否为分割线和检测是否满足三分线分割的方法类似，区别在于可设置不同的预设方差和预设比例，例如检测三分线分割时，预设比例可设置为57％，检测对称线分割时，预设比例可设置为70％。
进一步地，一实施例中，步骤S40包括：
若分析图像的首列和尾列不存在分割线，且分析图像的首行和尾行仅有唯一的像素值，且分析图像满足经纬度像素投影特征，则确定待检测视频的视频类型为360度球体模型；
若分析图像的首列和尾列存在分割线，且分析图像的首行和尾行仅有唯一的像素值，且分析图像满足经纬度像素投影特征，则确定待检测视频的视频类型为180度球体模型；
若分析图像不满足首行和尾行仅有唯一的像素值，或不满足经纬度像素投影特征，则确定待检测视频的视频类型为普通类型。
本实施例中，根据经纬度投影的特点，极点处在球体仅有唯一点，因此检测分析图像是否首行和尾行仅有唯一的像素值，检测分析图像首列和尾列的图像相关性，即检测首列和尾列是否存在分割线，若不存在分割线则为360度类型，若存在分割线则为非360度类型，可推断为180度类型，为提高检测结果的准确度，进一步进行经纬度像素投影特征是否满足的判断，即依据正轴墨卡托变形规则，抽检验证球体上任意一点与赤道平面的夹角φ，所对应的原始图像高度y行上2πR个像素点中容纳不应不超过2πR*cos(φ)个不同像素，例如可取φ为正负45～85度，连续选择2～7组φ角，验证φ角投影取整后本行以及正负一行(共3行)，行间像素投影的数量分布规律需满足cos(φ)分布，选定的φ角越多准确度越高，经过试验一般2～7个可满足判断要求，若判断准确度不足可增加更多φ角。
进一步地，一实施例中，所述视频类型检测方法，还包括：
当分析图像的数量为多张时，根据每张分析图像，确定待检测视频的视频类型，将检测结果中占多数的视频类型作为最终的待检测视频的视频类型。
本实施例中，为进一步提升检测的准确度，可选取多张分析图像分别进行视频类型的检测，将检测结果中占多数的视频类型作为最终的待检测视频的视频类型。
第二方面，本发明实施例还提供一种视频类型检测装置。
参照图6，图6为本发明视频类型检测装置一实施例的功能模块示意图。
本实施例中，所述视频类型检测装置包括：
提取模块10，用于从待检测视频中，提取分析图像；
第一确定模块20，用于若分析图像满足三分线分割，则根据分析图像的区域拼接特征确定待检测视频的视频类型；
检测模块30，用于若分析图像不满足三分线分割，则根据分析图像的对称特征、分割线特征和视觉区域特征，检测是否为双鱼眼类型；
第二确定模块40，用于若不为双鱼眼类型，则根据分析图像的像素投影特征确定待检测视频的视频类型；
第三确定模块50，用于或，若不为双鱼眼类型，则根据分析图像的像素投影特征以及对称特征确定待检测视频的视频类型。
进一步地，一实施例中，提取模块10，用于：
对待检测视频进行解码，得到解码后的图像序列；
从图像序列中，依次选取2个I帧，将前一个I帧作为原始图像，后一个I帧作为参照图像；
采用帧差法，计算原始图像的灰度压缩矩阵和参照图像的灰度压缩矩阵的变化幅度；
若变化幅度不大于预设变化幅度，则保持原始图像不变，从图像序列中，选取下一个I帧作为参照图像，并返回执行所述采用帧差法，计算原始图像的灰度压缩矩阵和参照图像的灰度压缩矩阵的变化幅度的步骤；
若变化幅度大于预设变化幅度，则将参照图像作为分析图像；
若分析图像的数量小于预设数量，则将参照图像作为原始图像，选取下一个I帧作为参照图像，并返回执行所述采用帧差法，计算原始图像的灰度压缩矩阵和参照图像的灰度压缩矩阵的变化幅度的步骤。
进一步地，一实施例中，所述视频类型检测装置，还包括三分线检测模块，用于：
根据分析图像的分辨率，确定长宽比；
若长宽比不满足预设长宽比，则确定为分析图像不满足三分线分割；
若长宽比满足预设长宽比，则计算分析图像沿三分线每个位置的两侧邻近像素的灰度梯度方差；
统计所有位置的灰度梯度方差大于预设方差的比例，得到统计比例；
若统计比例大于预设比例，则确定为分析图像满足三分线分割，否则，确定为分析图像不满足三分线分割。
进一步地，一实施例中，第一确定模块20，用于：
分别基于立方体模型和等角立方体模型的旋转拼接特征，对三分线所分割的分析图像的多个图像区域进行拼接，得到立方体模型和等角立方体模型的各条拼接边；
计算立方体模型和等角立方体模型的每条拼接边的马氏梯度相似度，并对立方体模型各条拼接边的马氏梯度相似度和等角立方体模型各条拼接边的马氏梯度相似度分别进行求和，得到立方体模型的马氏梯度相似度总和与等角立方体模型的马氏梯度相似度总和；
若立方体模型的马氏梯度相似度总和小于或等于等角立方体模型的马氏梯度相似度总和，则确定待检测视频的视频类型为立方体类型；
若等角立方体模型的马氏梯度相似度总和小于立方体模型的马氏梯度相似度总和，则确定待检测视频的视频类型为等角立方体类型。
进一步地，一实施例中，检测模块30，用于：
当分析图像对称但对称线不为分割线时，从分析图像的图像中心点出发，沿横轴中线，向左或向右确定首个灰度值为0的像素点，确定首个灰度值为0的像素点至图像中心点的距离；
根据首个灰度值为0的像素点至图像中心点的距离和分析图像的宽度，计算得到圆形视觉区域的直径；
分别以分析图像的左半边和右半边的横轴中心点为圆心，根据圆形视觉区域的直径，确定圆形视觉区域，将其他区域作为非圆形视觉区域；
将圆形视觉区域内的像素值作为1，非圆形视觉区域内的像素值作为0，构造掩码矩阵，将掩码矩阵与分析图像的像素矩阵进行灰度叠加，得到叠加矩阵；
若叠加矩阵和分析图像的像素矩阵一致，则确定检测结果为双鱼眼类型，否则确定检测结果不为双鱼眼类型。
进一步地，一实施例中，第二确定模块40，用于：
若分析图像的首列和尾列不存在分割线，且分析图像的首行和尾行仅有唯一的像素值，且分析图像满足经纬度像素投影特征，则确定待检测视频的视频类型为360度球体模型；
若分析图像的首列和尾列存在分割线，且分析图像的首行和尾行仅有唯一的像素值，且分析图像满足经纬度像素投影特征，则确定待检测视频的视频类型为180度球体模型；
若分析图像不满足首行和尾行仅有唯一的像素值，或不满足经纬度像素投影特征，则确定待检测视频的视频类型为普通类型。
进一步地，一实施例中，所述视频类型检测装置，还包括多张图像检测模块，用于：
当分析图像的数量为多张时，根据每张分析图像，确定待检测视频的视频类型，将检测结果中占多数的视频类型作为最终的待检测视频的视频类型。
其中，上述视频类型检测装置中各个模块的功能实现与上述视频类型检测方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
第三方面，本发明实施例提供一种视频类型检测设备，该视频类型检测设备可以是个人计算机(personal computer，PC)、笔记本电脑、服务器等具有数据处理功能的设备。
参照图7，图7为本发明视频类型检测设备一实施例的硬件结构示意图。本发明实施例中，视频类型检测设备可以包括处理器1001(例如中央处理器Central ProcessingUnit，CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity，WI-FI接口)；存储器1005可以是高速随机存取存储器(random accessmemory，RAM)，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图7中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
继续参照图7，图7中作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及视频类型检测程序。其中，处理器1001可以调用存储器1005中存储的视频类型检测程序，并执行本发明实施例提供的视频类型检测方法。
第四方面，本发明实施例还提供一种可读存储介质。
本发明可读存储介质上存储有视频类型检测程序，其中所述视频类型检测程序被处理器执行时，实现如上述的视频类型检测方法的步骤。
其中，视频类型检测程序被执行时所实现的方法可参照本发明视频类型检测方法的各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种视频类型检测方法，其特征在于，所述视频类型检测方法包括：
从待检测视频中，提取分析图像；
若分析图像满足三分线分割，则根据分析图像的区域拼接特征确定待检测视频的视频类型；
若分析图像不满足三分线分割，则根据分析图像的对称特征、分割线特征和视觉区域特征，检测是否为双鱼眼类型；
若不为双鱼眼类型，则根据分析图像的像素投影特征确定待检测视频的视频类型；
或，若不为双鱼眼类型，则根据分析图像的像素投影特征以及对称特征确定待检测视频的视频类型。
2.如权利要求1所述的视频类型检测方法，其特征在于，所述从待检测视频中，提取分析图像包括：
对待检测视频进行解码，得到解码后的图像序列；
从图像序列中，依次选取2个I帧，将前一个I帧作为原始图像，后一个I帧作为参照图像；
采用帧差法，计算原始图像的灰度压缩矩阵和参照图像的灰度压缩矩阵的变化幅度；
若变化幅度不大于预设变化幅度，则保持原始图像不变，从图像序列中，选取下一个I帧作为参照图像，并返回执行所述采用帧差法，计算原始图像的灰度压缩矩阵和参照图像的灰度压缩矩阵的变化幅度的步骤；
若变化幅度大于预设变化幅度，则将参照图像作为分析图像；
若分析图像的数量小于预设数量，则将参照图像作为原始图像，选取下一个I帧作为参照图像，并返回执行所述采用帧差法，计算原始图像的灰度压缩矩阵和参照图像的灰度压缩矩阵的变化幅度的步骤。
3.如权利要求1所述的视频类型检测方法，其特征在于，在所述若分析图像满足三分线分割之前，包括：
根据分析图像的分辨率，确定长宽比；
若长宽比不满足预设长宽比，则确定为分析图像不满足三分线分割；
若长宽比满足预设长宽比，则计算分析图像沿三分线每个位置的两侧邻近像素的灰度梯度方差；
统计所有位置的灰度梯度方差大于预设方差的比例，得到统计比例；
若统计比例大于预设比例，则确定为分析图像满足三分线分割，否则，确定为分析图像不满足三分线分割。
4.如权利要求1所述的视频类型检测方法，其特征在于，所述根据分析图像的区域拼接特征确定待检测视频的视频类型包括：
分别基于立方体模型和等角立方体模型的旋转拼接特征，对三分线所分割的分析图像的多个图像区域进行拼接，得到立方体模型和等角立方体模型的各条拼接边；
计算立方体模型和等角立方体模型的每条拼接边的马氏梯度相似度，并对立方体模型各条拼接边的马氏梯度相似度和等角立方体模型各条拼接边的马氏梯度相似度分别进行求和，得到立方体模型的马氏梯度相似度总和与等角立方体模型的马氏梯度相似度总和；
若立方体模型的马氏梯度相似度总和小于或等于等角立方体模型的马氏梯度相似度总和，则确定待检测视频的视频类型为立方体类型；
若等角立方体模型的马氏梯度相似度总和小于立方体模型的马氏梯度相似度总和，则确定待检测视频的视频类型为等角立方体类型。
5.如权利要求1所述的视频类型检测方法，其特征在于，所述根据分析图像的对称特征、分割线特征和视觉区域特征，检测是否为双鱼眼类型包括：
当分析图像对称但对称线不为分割线时，从分析图像的图像中心点出发，沿横轴中线，向左或向右确定首个灰度值为0的像素点，确定首个灰度值为0的像素点至图像中心点的距离；
根据首个灰度值为0的像素点至图像中心点的距离和分析图像的宽度，计算得到圆形视觉区域的直径；
分别以分析图像的左半边和右半边的横轴中心点为圆心，根据圆形视觉区域的直径，确定圆形视觉区域，将其他区域作为非圆形视觉区域；
将圆形视觉区域内的像素值作为1，非圆形视觉区域内的像素值作为0，构造掩码矩阵，将掩码矩阵与分析图像的像素矩阵进行灰度叠加，得到叠加矩阵；
若叠加矩阵和分析图像的像素矩阵一致，则确定检测结果为双鱼眼类型，否则确定检测结果不为双鱼眼类型。
6.如权利要求1所述的视频类型检测方法，其特征在于，所述根据分析图像的像素投影特征确定待检测视频的视频类型包括：
若分析图像的首列和尾列不存在分割线，且分析图像的首行和尾行仅有唯一的像素值，且分析图像满足经纬度像素投影特征，则确定待检测视频的视频类型为360度球体模型；
若分析图像的首列和尾列存在分割线，且分析图像的首行和尾行仅有唯一的像素值，且分析图像满足经纬度像素投影特征，则确定待检测视频的视频类型为180度球体模型；
若分析图像不满足首行和尾行仅有唯一的像素值，或不满足经纬度像素投影特征，则确定待检测视频的视频类型为普通类型。
7.如权利要求2所述的视频类型检测方法，其特征在于，所述视频类型检测方法，还包括：
当分析图像的数量为多张时，根据每张分析图像，确定待检测视频的视频类型，将检测结果中占多数的视频类型作为最终的待检测视频的视频类型。
8.一种视频类型检测装置，其特征在于，所述视频类型检测装置包括：
提取模块，用于从待检测视频中，提取分析图像；
第一确定模块，用于若分析图像满足三分线分割，则根据分析图像的区域拼接特征确定待检测视频的视频类型；
检测模块，用于若分析图像不满足三分线分割，则根据分析图像的对称特征、分割线特征和视觉区域特征，检测是否为双鱼眼类型；
第二确定模块，用于若不为双鱼眼类型，则根据分析图像的像素投影特征确定待检测视频的视频类型；
第三确定模块，用于或，若不为双鱼眼类型，则根据分析图像的像素投影特征以及对称特征确定待检测视频的视频类型。
9.一种视频类型检测设备，其特征在于，所述视频类型检测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的视频类型检测程序，其中所述视频类型检测程序被所述处理器执行时，实现如权利要求1至7中任一项所述的视频类型检测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有视频类型检测程序，其中所述视频类型检测程序被处理器执行时，实现如权利要求1至7中任一项所述的视频类型检测方法的步骤。
CN202310535191.0A 2023-05-12 2023-05-12 视频类型检测方法、装置、设备及可读存储介质 Pending CN116580337A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310535191.0A CN116580337A (zh) 2023-05-12 2023-05-12 视频类型检测方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310535191.0A CN116580337A (zh) 2023-05-12 2023-05-12 视频类型检测方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN116580337A true CN116580337A (zh) 2023-08-11

Family

ID=87540712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310535191.0A Pending CN116580337A (zh) 2023-05-12 2023-05-12 视频类型检测方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN116580337A (zh)

Similar Documents

Publication Publication Date Title
Liu et al. Perceptual quality assessment of colored 3D point clouds
US20200288103A1 (en) Method, apparatus, medium, terminal, and device for processing multi-angle free-perspective data
US10339701B2 (en) Method, system and apparatus for generation and playback of virtual reality multimedia
US20190191170A1 (en) System and method for improving efficiency in encoding/decoding a curved view video
WO2018059034A1 (zh) 一种全景视频播放方法及装置
KR20170132669A (ko) 몰입형 비디오 포맷을 위한 방법, 장치 및 스트림
WO2018010653A1 (zh) 全景媒体文件推送方法及装置
CN106713964A (zh) 一种生成视频摘要视点图的方法及装置
US11006141B2 (en) Methods and systems for using atlas frames to process data representative of a scene
JP6126821B2 (ja) 画像生成方法、画像表示方法、画像生成プログラム、画像生成システム、および画像表示装置
KR20190046850A (ko) 몰입형 비디오 포맷을 위한 방법, 장치 및 스트림
WO2023071586A1 (zh) 画面生成方法、装置、设备及介质
Zhou et al. Projection invariant feature and visual saliency-based stereoscopic omnidirectional image quality assessment
WO2020184174A1 (ja) 画像処理装置および画像処理方法
Zhang et al. No-reference omnidirectional image quality assessment based on joint network
CN110267079B (zh) 待播放视频中人脸的替换方法和装置
CN116580337A (zh) 视频类型检测方法、装置、设备及可读存储介质
CN107155101A (zh) 一种3d播放器使用的3d视频的生成方法及装置
KR101883981B1 (ko) 가상 현실 동영상 제공 장치 및 제공 방법
CN113887354A (zh) 图像识别方法、装置、电子设备及存储介质
EP3716217A1 (en) Techniques for detection of real-time occlusion
CN111178163A (zh) 基于立方体投影格式的立体全景图像显著区域预测方法
TWI653882B (zh) 視訊裝置及其三維物件編解碼方法
WO2018000610A1 (zh) 一种基于图像类型判断的自动播放方法和电子设备
CN112004162B (zh) 一种在线3d内容播放系统及方法

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