CN116662645A - 视频事件溯源分析方法和系统、存储介质及电子设备 - Google Patents

视频事件溯源分析方法和系统、存储介质及电子设备 Download PDF

Info

Publication number
CN116662645A
CN116662645A CN202310488481.4A CN202310488481A CN116662645A CN 116662645 A CN116662645 A CN 116662645A CN 202310488481 A CN202310488481 A CN 202310488481A CN 116662645 A CN116662645 A CN 116662645A
Authority
CN
China
Prior art keywords
video event
video
event
target
similar
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
CN202310488481.4A
Other languages
English (en)
Other versions
CN116662645B (zh
Inventor
刘世章
陈楚怡
汪昭辰
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.)
Qingdao Chenyuan Technology Information Co ltd
Original Assignee
Qingdao Chenyuan Technology Information 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 Qingdao Chenyuan Technology Information Co ltd filed Critical Qingdao Chenyuan Technology Information Co ltd
Priority to CN202310488481.4A priority Critical patent/CN116662645B/zh
Publication of CN116662645A publication Critical patent/CN116662645A/zh
Application granted granted Critical
Publication of CN116662645B publication Critical patent/CN116662645B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/738—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种视频事件溯源分析方法和系统、存储介质及电子设备。方法包括：根据展示的视频文件集合，确定指定视频事件；在视频事件信息网络中检索与指定视频事件相似的根节点；获取每个相似根节点下的子节点集合，返回由每个根节点及其子节点集合共同组成的相似视频事件集合；通过相似视频事件集合对指定视频事件进行溯源分析，得到溯源结果。由于本申请通过在视频事件信息网络中遍历与指定视频事件相似的根节点，通过对根节点及其子节点所组成的相似视频事件集合进行自动溯源分析，能找到舆情相关的视频事件的始发点及其传播路径，从而帮助监管者判断视频的真伪并监控其传播状况，可及时对舆情视频进行管理，从而提高了舆情处理效率。

Description

视频事件溯源分析方法和系统、存储介质及电子设备
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种视频事件溯源分析方法和系统、存储介质及电子设备。
背景技术
随着信息技术和互联网的飞速发展，网络上的视频以惊人的速度产生和传播，有些新发布的视频可能存在不符合有关规定的情况，在这样的背景下，如何从海量的视频中找到舆情相关的视频事件的始发点及其传播路径，分析视频事件的真伪，对把握事态的发展和舆情监管提供了重要手段。
在现有技术中，通常采用遍历一段时间内存在的视频进行分析，该段时间内存在大量内容相同的视频，使得遍历的视频数量庞大，同时监管人员主动遍历视频的方式费时费力，使得监管部门无法准确的从海量视频中找到舆情相关的视频事件的始发点及其传播路径，无法分析视频事件的真伪，同时也无法及时对需要处理的舆情相关视频进行管理，从而降低了视频舆情的处理效率。
发明内容
本申请实施例提供了一种视频事件溯源分析方法和系统、存储介质及电子设备，以至少解决无法及时对需要处理的舆情热点视频进行管理的技术问题。
根据本申请实施例的一个方面，提供了一种视频事件溯源分析方法，应用于视频事件信息网络，方法包括：根据展示的视频文件集合，确定指定视频事件；在视频事件信息网络中检索与指定视频事件相似的根节点；其中，视频事件信息网络是基于视频事件信息空间以多级树集合为基础构造的森林结构，视频事件信息空间是指视频事件特征向量所在的多维向量空间，多级树包括根节点和子节点，任意两个根节点对应的视频事件之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的视频事件之间的差异率小于等于预设阈值；获取每个相似根节点下的子节点集合，并返回由每个根节点及其子节点集合共同组成的相似视频事件集合；通过相似视频事件集合对指定视频事件进行溯源分析，得到指定视频事件的溯源结果。
可选的，视频事件是指一个镜头内所有内容帧的集合，视频事件特征向量为在相同坐标系下对内容帧的集合提取特征矩阵后计算得到，内容帧是指表示镜头内容的帧，包括首帧、尾帧、和N个中间帧，N为自然数，中间帧通过对一个镜头的除首尾两帧之外的所有子帧顺序与其前一个内容帧进行差异率计算，当差异率大于预设阈值时得到。
可选的，根据展示的视频文件集合，确定指定视频事件，包括：展示视频文件集合；当接收选择目标视频的指令时，确定要选择的目标视频；获取并展示目标视频对应的镜头；当接收到选择目标镜头的指令时，确定要选择的目标镜头；在接收到目标镜头的溯源指令时，确定目标镜头对应的视频事件，得到指定视频事件。
可选的，通过相似视频事件集合对指定视频事件进行溯源分析，得到指定视频事件的溯源结果，包括：通过相似视频事件集合对指定视频事件进行事件时序分析，得到时间溯源结果；或者，通过相似视频事件集合对指定视频事件进行空间分布分析，得到事件态势分析结果；或者，通过相似视频事件集合对指定视频事件进行事件势能分析，得到势能分析结果；或者，将时间溯源结果、态势分析结果和/或势能分析结果作为指定视频事件的溯源结果。
可选的，在视频事件信息网络中检索与指定视频事件相似的根节点，包括：遍历视频事件信息网络中存在的目标根节点，并确定每个目标根节点的目标视频事件；计算指定视频事件的内容帧数量与该目标视频事件的内容帧数量差值的绝对值；当内容帧数量差值的绝对值小于等于预设数量阈值时，根据指定视频事件的内容帧的特征向量得到指定视频事件的特征向量以及特征向量的模，根据目标视频事件的内容帧的特征向量得到目标视频事件的特征向量以及目标视频事件的特征向量的模，根据指定视频事件的特征向量以及目标视频事件的特征向量，得到指定视频事件与目标视频事件的特征向量差异值，根据指定视频事件与目标视频事件的特征向量差异值、指定视频事件的特征向量的模、目标视频事件的特征向量的模，得到指定视频事件和目标视频事件之间的特征向量差异率；当特征向量差异率小于等于预设差异率阈值时，判断指定视频事件的任一内容帧是否在目标视频事件中均存在目标内容帧，计算指定视频事件的每一内容帧与其对应的目标内容帧的内容帧差异率；当指定视频事件的每一内容帧与其对应的目标内容帧的内容帧差异率小于等于预设差异率阈值时，计算指定视频事件与该目标视频事件的相似率；当相似率大于等于预设相似率阈值时，确定指定视频事件与该目标视频事件相似，并将相似的目标视频事件对应的根节点确定为与指定视频事件相似的根节点。
可选的，方法还包括：当内容帧数量差值的绝对值大于预设数量阈值时，确定指定视频事件与目标视频事件不相似；或者，当特征向量差异率大于预设差异率阈值时，确定指定视频事件与目标视频事件不相似；或者，当指定视频事件的至少一个内容帧与目标视频事件的全部内容帧特征矩阵之间的差异率均大于预设差异率阈值时，确定指定视频事件与目标视频事件不相似；或者，当相似率小于预设相似率阈值时，确定指定视频事件与目标视频事件不相似。
可选的，根据展示的视频文件集合，确定指定视频事件之前，还包括：获取并预处理原始视频文件，得到目标视频；对目标视频进行镜头分割，得到至少一个镜头；根据至少一个镜头，生成镜头数据；提取每个镜头的内容帧；根据每个镜头的内容帧，生成内容帧数据；将每个镜头的镜头数据和内容帧数据进行组合，得到每个视频事件；将每个视频事件作为根节点或子节点，构成视频事件信息网络。
根据本申请实施例的另一方面，还提供了一种视频事件溯源分析系统，应用于视频事件信息网络，系统包括：确定模块，用于根据展示的视频文件集合，确定指定视频事件；检索模块，用于在视频事件信息网络中检索与指定视频事件相似的根节点；其中，视频事件信息网络是基于视频事件信息空间以多级树集合为基础构造的森林结构，视频事件信息空间是指视频事件特征向量所在的多维向量空间，多级树包括根节点和子节点，任意两个根节点对应的视频事件之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的视频事件之间的差异率小于等于预设阈值；获取模块，用于获取每个相似根节点下的子节点集合，并返回由每个根节点及其子节点集合共同组成的相似视频事件集合；溯源分析模块，用于通过相似视频事件集合对指定视频事件进行溯源分析，得到指定视频事件的溯源结果。
根据本申请实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过上述计算机程序执行上述的视频事件溯源分析方法。
根据本申请实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述视频事件溯源分析方法。
在本申请实施例中，视频事件溯源分析系统首先根据展示的视频文件集合，确定指定视频事件，然后在视频事件信息网络中检索与指定视频事件相似的根节点；视频事件信息网络是基于视频事件信息空间以多级树集合为基础构造的森林结构，视频事件信息空间是指视频事件特征向量所在的多维向量空间，多级树包括根节点和子节点，任意两个根节点对应的视频事件之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的视频事件之间的差异率小于等于预设阈值，其次获取每个相似根节点下的子节点集合，并返回由每个根节点及其子节点集合共同组成的相似视频事件集合，最后通过相似视频事件集合对指定视频事件进行溯源分析，得到指定视频事件的溯源结果。由于本申请通过在视频事件信息网络中遍历与指定视频事件相似的根节点，通过对根节点及其子节点所组成的相似视频事件集合进行自动溯源分析，能找到舆情相关的视频事件的始发点及其传播路径，从而帮助监管者判断视频的真伪并监控其传播状况，可及时对舆情视频进行管理，从而提高了舆情处理效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种可选的视频事件溯源分析方法的应用环境的示意图；
图2是根据本申请实施例的另一种可选的视频事件溯源分析方法的应用环境的示意图；
图3是根据本申请实施例的一种可选的视频事件溯源分析方的流程示意图；
图4是根据本申请实施例的一种内容帧选取的示意图；
图5是根据本申请实施例的一种视频到内容帧的分层次提取过程示意图；
图6是根据本申请实施例的一种视频资源数据处理的整体流程示意图；
图7是根据本申请实施例的一种溯源分析结果推送显示的示意图；
图8是根据本申请实施例的另一种溯源分析结果推送显示的示意图；
图9是根据本申请实施例的另一种溯源分析结果推送显示的示意图；
图10是根据本申请实施例的另一种溯源分析结果推送显示的示意图；
图11是根据本申请实施例的一种视频事件溯源分析过程的过程示意框图；
图12是根据本申请实施例的一种视频事件溯源分析系统的结构示意图；
图13是根据本申请实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合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，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一个方面，提供了一种视频事件溯源分析方法，作为一种可选地实施方式，上述视频事件溯源分析方法可以但不限于应用于如图1所示的应用环境中。该应用环境中包括：与用户进行人机交互的终端设备102、网络104、服务器106。用户108与终端设备102之间可以进行人机交互，终端设备102中运行有视频事件溯源分析应用程序。上述终端设备102中包括人机交互屏幕1022，处理器1024及存储器1026。人机交互屏幕1022用于显示原始视频集合；处理器1024用于视频事件溯源和分析。存储器1026用于存储上述视频文件集合和溯源结果。
此外，服务器106中包括数据库1062及处理引擎1064，数据库1062中用于存储视频文件集合和溯源结果。处理引擎1064用于：根据展示的视频文件集合，确定指定视频事件；在视频事件信息网络中检索与指定视频事件相似的根节点；其中，视频事件信息网络是基于视频事件信息空间以多级树集合为基础构造的森林结构，视频事件信息空间是指视频事件特征向量所在的多维向量空间，多级树包括根节点和子节点，任意两个根节点对应的视频事件之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的视频事件之间的差异率小于等于预设阈值；获取每个相似根节点下的子节点集合，并返回由每个根节点及其子节点集合共同组成的相似视频事件集合；通过相似视频事件集合对指定视频事件进行溯源分析，得到指定视频事件的溯源结果。
在一个或多个实施例中，本申请上述视频事件溯源分析方法可以应用于图2所示的应用环境中。如图2所示，用户202与用户设备204之间可以进行人机交互。用户设备204中包含有存储器206和处理器208。本实施例中用户设备204可以但不限于参考执行上述终端设备102所执行的操作，生成溯源结果。
可选地，上述终端设备102和用户设备204包括但不限于为手机、平板电脑、笔记本电脑、PC机，车载电子设备，可穿戴设备等终端，上述网络104可以包括但不限于无线网络或有线网络。其中，该无线网络包括：WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于：广域网、城域网、局域网。上述服务器106可以包括但不限于任何可以进行计算的硬件设备。上述服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器。上述仅是一种示例，本实施例中对此不作任何限定。
相关技术中通常采用遍历一段时间内存在的视频进行分析，该段时间内存在大量内容相同的视频，使得遍历的视频数量庞大，同时监管人员主动遍历视频的方式费时费力，使得监管部门无法准确的从海量视频中找到舆情相关的视频事件的始发点及其传播路径，无法分析视频事件的真伪，同时也无法及时对需要处理的舆情相关视频进行管理，从而降低了视频舆情的处理效率。
为了解决上述技术问题，作为一种可选地实施方式，如图3所示，本申请实施例提供了一种视频事件溯源分析方法，应用于视频事件信息网络，包括如下步骤：
S101，根据展示的视频文件集合，确定指定视频事件；
其中，视频文件集合是存在于系统平台的多个原始视频文件。视频事件是指一个镜头内所有内容帧的集合，视频事件特征向量为在相同坐标系下对内容帧的集合提取特征矩阵后计算得到，内容帧是指表示镜头内容的帧，包括首帧、尾帧、和N个中间帧，N为自然数，中间帧通过对一个镜头的除首尾两帧之外的所有子帧顺序与其前一个内容帧进行差异率计算，当差异率大于预设阈值时得到。
例如，通过分析镜头中内容的差异，可以从连续帧序列中选取少量的帧来表示镜头的内容，这些帧即为内容帧。内容帧至少包括镜头的首尾两帧(镜头帧)，所以一个镜头内容帧数量≥2。
例如图4所示，首帧是第一个内容帧，然后计算第2、第3帧.....与其差异率，直到大于预设阈值，假如第2、3与首帧的差异率小于预设阈值，而第4帧大于预设阈值，则第4帧就是第二个内容帧。然后计算第5、第6....与第4帧的差异率，直到大预设阈值，假如第5、6、7帧与首帧的差异率小于预设阈值，而第8帧大于预设阈值，则第8帧就是第三个内容帧。依次类推，计算出所有首帧和尾帧之间的所有子帧中的内容帧。尾帧直接选定为最后一个内容帧，而不必计算与其前一个内容帧之间的差异率。
例如一个监控视频，夜晚期间人少车少，视频画面变化很小，那内容帧会很少，例如在10个小时内仅提取个位数个内容帧。而白天人多车多，视频画面里面人和物的变化频繁，按照上面方法计算出来的内容帧会比晚上多很多。由此，内容帧相对于关键帧来说，保证了不丢失镜头视频的所有内容信息，因为关键帧有可能丢失部分镜头内容。而相对于视频每一帧都要计算和考虑的方案，内容帧的选取由于只选取了部分视频图像帧，在不丢失内容的前提下，极大了减少了图像计算量。
在本申请实施例中，在根据展示的视频文件集合，确定指定视频事件时，首先展示视频文件集合，再当接收选择目标视频的指令时，确定要选择的目标视频，然后获取并展示目标视频对应的镜头，再当接收到选择目标镜头的指令时，确定要选择的目标镜头，最后在接收到目标镜头的溯源指令时，确定目标镜头对应的视频事件，得到指定视频事件。
S102，在视频事件信息网络中检索与指定视频事件相似的根节点；其中，视频事件信息网络是基于视频事件信息空间以多级树集合为基础构造的森林结构，视频事件信息空间是指视频事件特征向量所在的多维向量空间，多级树包括根节点和子节点，任意两个根节点对应的视频事件之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的视频事件之间的差异率小于等于预设阈值；
需要说明的是，本申请中的多级树可为2级树结构，每个子节点至少属于1个根节点，根节点下可以没有子节点。
在本申请实施例中，在视频事件信息网络中检索与指定视频事件相似的根节点时，先遍历视频事件信息网络中存在的目标根节点，并确定每个目标根节点的目标视频事件；计算指定视频事件的内容帧数量与该目标视频事件的内容帧数量差值的绝对值；当内容帧数量差值的绝对值小于等于预设数量阈值时，根据指定视频事件的内容帧的特征向量得到指定视频事件的特征向量以及特征向量的模，根据目标视频事件的内容帧的特征向量得到目标视频事件的特征向量以及目标视频事件的特征向量的模，根据指定视频事件的特征向量以及目标视频事件的特征向量，得到指定视频事件与目标视频事件的特征向量差异值，根据指定视频事件与目标视频事件的特征向量差异值、指定视频事件的特征向量的模、目标视频事件的特征向量的模，得到指定视频事件和目标视频事件之间的特征向量差异率；当特征向量差异率小于等于预设差异率阈值时，判断指定视频事件的任一内容帧是否在目标视频事件中均存在目标内容帧，计算指定视频事件的每一内容帧与其对应的目标内容帧的内容帧差异率；当指定视频事件的每一内容帧与其对应的目标内容帧的内容帧差异率小于等于预设差异率阈值时，计算指定视频事件与该目标视频事件的相似率；当相似率大于等于预设相似率阈值时，确定指定视频事件与该目标视频事件相似，并将相似的目标视频事件对应的根节点确定为与指定视频事件相似的根节点。
具体的，当内容帧数量差值的绝对值大于预设数量阈值时，确定指定视频事件与目标视频事件不相似；或者，当特征向量差异率大于预设差异率阈值时，确定指定视频事件与目标视频事件不相似；或者，当指定视频事件的至少一个内容帧与目标视频事件的全部内容帧特征矩阵之间的差异率均大于预设差异率阈值时，确定指定视频事件与目标视频事件不相似；或者，当相似率小于预设相似率阈值时，确定指定视频事件与目标视频事件不相似。
进一步地，如果遍历到根节点时，继续执行步骤S103；如果未遍历到根节点时，则生成未遍历到根节点的提示信息反馈给用户。
在本申请实施例中，在构建视频事件信息网络时，首先获取并预处理原始视频文件，得到目标视频，再对目标视频进行镜头分割，得到至少一个镜头，然后根据至少一个镜头，生成镜头数据，再提取每个镜头的内容帧，其次根据每个镜头的内容帧，生成内容帧数据，再将每个镜头的镜头数据和内容帧数据进行组合，得到每个视频事件，最后将每个视频事件作为根节点或子节点，构成视频事件信息网络。镜头分割可采用现有技术中的任意一种进行，此处不再赘述。
例如图5所示，目标视频的视频内容是由连续帧序列组成的，按照视频内容的连续性可将连续帧序列分为多组，每组连续帧序列即为一个镜头。通过分析视频镜头中内容的差异，从连续帧序列中选取少量的帧来表示镜头的内容，这些帧即为内容帧。内容帧至少包括镜头的首尾两帧(镜头帧)，所以一个镜头内容帧数量≥2。
具体的，在将每个视频事件作为根节点或子节点，构成视频事件信息网络时，首先计算第一视频事件的特征向量，第一视频事件为任意一个视频事件，然后遍历视频事件信息网络，查找内容帧数量大于等于第一视频事件的内容帧数量的目标根节点，若不存在目标根节点，则将第一视频事件作为新的根节点添加至视频事件信息网络中；若存在至少一个目标根节点，再根据第一视频事件的特征向量判断第一视频事件与至少一个目标根节点是否相似；若是，则将第一视频事件作为目标根节点的子节点添加至视频事件信息网络中；或者，若否，则将第一视频事件作为新的根节点添加至视频事件信息网络中。
具体的，在根据第一视频事件的特征向量判断第一视频事件是否存在相似目标根节点，可将第一视频事件可记为q，目标根节点的视频事件可记为p，已知事件p的内容帧数量fcntp和事件q的内容帧数量fcntq，如果事件q和p可能相似，必满足关系fcntp≥fcntq(若不满足则将p和q互换)，判断事件q是否与事件p相似的方法如下：
步骤1：判断事件p与q的内容帧数量fcntp与fcntq是否满足：
fcntp-fcntq≤diffmax；其中diffmax≥0为预设阈值，如果不满足则事件p与q不相似，判断结束；
步骤2：计算事件p的特征向量EV(p)与事件q的特征向量EV(q)的特征向量差异率DisEV(p,q)；视频事件特征向量为EV，EV的维度为3481；
步骤3：判断是否满足条件：
DisEV(p,q)≤DisEVmax；
其中DisEVmax为预设阈值，不满足则事件q与p不相似，判断结束；
步骤4：进行精确计算，通过公式计算内容帧特征矩阵的差异率是否满足条件：
满足：
如果不满足，则事件p与q不相似，判断结束；其中，Dis(i)为事件p的j内容帧和事件q的i内容帧之间的最终差异率，dis(fpj,fqi)为事件p的j内容帧和事件q的i内容帧之间的原始差异率，θ为固有误差，/>为计算误差的预设阈值，fpi和fqi分别为事件p的j内容帧和事件q的i内容帧；dismax为预设差异率阈值；
步骤5：计算p与q的相似率SimEV(p,q),公式如下：
Dis(i)为事件p与事件q的i内容帧相似的j内容帧之间的最终差异率；
步骤6：判断SimEV是否满足条件：
SimEV≥SimEVmin
其中SimEVmin为预设阈值，满足条件则事件p与q相似，否则不相似。
需要说明的是，上述事件p与q相似的判断过程涉及的公式同样适用于判断指定视频事件与视频事件信息网络中每个目标根节点的目标视频事件是否相似。
例如图6所示，图6是本申请提供的一种视频资源数据处理的整体流程，首先在得到待处理的视频文件后，对视频文件进行视频预处理，可得到视频属性信息，再对预处理后的视频进行镜头分割，得到镜头数据，然后在分割出的每个镜头中进行内容帧提取，得到内容帧数据，其次根据每个镜头的镜头数据和内容帧数据，得到每个视频事件，将每个视频事件和视频信息保存在视频资源库，最后将每个视频事件作为根节点或子节点，以构建网络，构成视频事件信息网络。其中，视频预处理包括解帧、归一化等操作，视频属性信息包括大小、时长、分辨率等。
进一步地，在视频事件信息网络中全部的根节点遍历结束后，得到相似根节点集合。
S103，获取每个相似根节点下的子节点集合，并返回由每个根节点及其子节点集合共同组成的相似视频事件集合；
在本申请实施例中，在得到相似根节点集合后，获取相似根节点集合中每个相似根节点下的子节点集合，然后确定由每个根节点及其子节点集合共同组成的相似视频事件集合，最后返回相似视频事件集合。
S104，通过相似视频事件集合对指定视频事件进行溯源分析，得到指定视频事件的溯源结果。
在本申请实施例中，在通过相似视频事件集合对指定视频事件进行溯源分析，得到指定视频事件的溯源结果时，首先通过相似视频事件集合对指定视频事件进行事件时序分析，得到时间溯源结果；或者，通过相似视频事件集合对指定视频事件进行事件分布分析，得到态势分析结果；或者，通过相似视频事件集合对指定视频事件进行事件势能分析，得到势能分析结果；或者，将时间溯源结果、态势分析结果和/或势能分析结果作为指定视频事件的溯源结果。
具体的，在通过相似视频事件集合对指定视频事件进行事件时序分析，得到时间溯源结果时，首先分析相似视频事件集合中每个视频事件的发布时间，然后根据每个视频事件的发布时间确定指定视频事件的最早发布时间和最晚发布时间，其次根据每个视频事件的发布时间构建指定视频事件随时间的变化趋势图，最后将指定视频事件的最早发布时间和最晚发布时间及其变化趋势图确定为时间溯源结果。
具体的，在通过相似视频事件集合对指定视频事件进行事件分布分析，得到事件态势分析结果时，首先分析相似视频事件集合中每个视频事件的发布位置；其中，发布位置至少包括发布网站，然后根据每个视频事件的发布位置构建指定视频事件的空间分布图，其次根据每个视频事件的发布位置构建指定视频事件的事件数量在不同空间位置的变化趋势图，最后将指定视频事件的空间分布图及其变化趋势图确定为态势分析结果。
具体的，在通过相似视频事件集合对指定视频事件进行事件势能分析，得到势能分析结果时，首先分析相似视频事件集合中每个视频事件的发布位置以及发布时间，然后根据每个视频事件的发布位置以及发布时间统计在不同时间和空间上同一个视频事件的数量，得到势能分析结果。
进一步地，在得到指定视频事件的溯源结果后，可将其推送至客户端进行显示，客户端显示的几种可能的分析结果例如图7-图10所示。例如用户可根据溯源分析结果确定出视频事件的始发点及其传播路径。
例如图11所示，图11是本申请提供的一种视频事件溯源分析过程的过程示意框图，可按照以下步骤实现：
步骤1：确定指定视频事件，在视频事件信息网络中查找所有与指定视频事件相似的根节点，得到相似根节点集合；
步骤2：获取所有相似根节点下的子节点集合(其中根节点与指定事件相似，子节点必与指定事件相似)；
步骤3：返回有根节点和子节点共同组成的相似视频事件集合；
步骤4：在视频事件集合中对指定视频事件进行溯源分析；
1)事件时序分析，得到时间溯源结果；
分析视频事件集合中指定事件的发生时间，找出指定事件出现的最早事件和最晚时间，并得到指定事件数量随时间的变化趋势。
2)事件分布分析，得到态势分析结果；
分析视频事件集合中指定事件的发布位置(发布网站等)，找到指定事件的空间分布，得到指定事件数量在不同空间位置的变化趋势。
3)事件势能分析，得到势能分析结果；
信息是具有能量的，同一信息数量的多少反映信息所具备势能的大小。信息在不同时间和空间所具备的势能也不同，因此在分析时往往是固定一个维度变化另一个维度的方式来分析势能的变化。
步骤5：返回分析结果，包括时间溯源结果、空间溯源结果、势能分析结果。
本申请实施例还具有以下有益效果：
在本申请实施例中，由于本申请通过在视频事件信息网络中遍历与指定视频事件相似的根节点，通过对根节点及其子节点所组成的相似视频事件集合进行自动溯源分析，能找到舆情相关的视频事件的始发点及其传播路径，从而帮助监管者判断视频的真伪并监控其传播状况，可及时对舆情视频进行管理，从而提高了舆情处理效率。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
下述为本申请系统实施例，可以用于执行本申请方法实施例。对于本申请系统实施例中未披露的细节，请参照本申请方法实施例。
请参见图12，其示出了本申请一个示例性实施例提供的视频事件溯源分析系统的结构示意图。该视频事件溯源分析系统可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该系统1包括确定模块10、检索模块20、获取模块30以及溯源分析模块40。
确定模块10，用于根据展示的视频文件集合，确定指定视频事件；
检索模块20，用于在视频事件信息网络中检索与指定视频事件相似的根节点；其中，视频事件信息网络是基于视频事件信息空间以多级树集合为基础构造的森林结构，视频事件信息空间是指视频事件特征向量所在的多维向量空间，多级树包括根节点和子节点，任意两个根节点对应的视频事件之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的视频事件之间的差异率小于等于预设阈值；
获取模块30，用于获取每个相似根节点下的子节点集合，并返回由每个根节点及其子节点集合共同组成的相似视频事件集合；
溯源分析模块40，用于通过相似视频事件集合对指定视频事件进行溯源分析，得到指定视频事件的溯源结果。
可选的，确定模块10包括以下单元：
视频文件集合展示单元101，用于展示视频文件集合；
目标视频确定单元102，用于当接收选择目标视频的指令时，确定要选择的目标视频；
镜头展示单元103，用于获取并展示目标视频对应的镜头；
目标镜头确定单元104，用于当接收到选择目标镜头的指令时，确定要选择的目标镜头；
指定视频事件确定单元105，用于在接收到目标镜头的溯源指令时，确定目标镜头对应的视频事件，得到指定视频事件。
可选的，系统1还包括以下模块：
原始视频文件预处理模块50，用于获取并预处理原始视频文件，得到目标视频；
镜头生成模块60，用于对目标视频进行镜头分割，得到至少一个镜头；
镜头数据生成模块70，用于根据至少一个镜头，生成镜头数据；
内容帧提取模块80，用于提取每个镜头的内容帧；
内容帧数据生成模块90，用于根据每个镜头的内容帧，生成内容帧数据；
数据组合模块100，用于将每个镜头的镜头数据和内容帧数据进行组合，得到每个视频事件；
视频事件信息网络构建模块110，用于将每个视频事件作为根节点或子节点，构成视频事件信息网络。
需要说明的是，上述实施例提供的视频事件溯源分析系统在新事件确定方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的视频事件溯源分析系统与视频事件溯源分析方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，视频事件溯源分析系统首先根据展示的视频文件集合，确定指定视频事件，然后在视频事件信息网络中检索与指定视频事件相似的根节点；视频事件信息网络是基于视频事件信息空间以多级树集合为基础构造的森林结构，视频事件信息空间是指视频事件特征向量所在的多维向量空间，多级树包括根节点和子节点，任意两个根节点对应的视频事件之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的视频事件之间的差异率小于等于预设阈值，其次获取每个相似根节点下的子节点集合，并返回由每个根节点及其子节点集合共同组成的相似视频事件集合，最后通过相似视频事件集合对指定视频事件进行溯源分析，得到指定视频事件的溯源结果。由于本申请通过在视频事件信息网络中遍历与指定视频事件相似的根节点，通过对根节点及其子节点所组成的相似视频事件集合进行自动溯源分析，能找到舆情相关的视频事件的始发点及其传播路径，从而帮助监管者判断视频的真伪并监控其传播状况，可及时对舆情视频进行管理，从而提高了舆情处理效率。
根据本申请实施例的又一个方面，还提供了一种用于实施上述视频事件溯源分析方法的电子设备，该电子设备可以是图13所示的终端设备或服务器。本实施例以该电子设备为终端为例来说明。如图13所示，该电子设备包括存储器1802和处理器1804，该存储器1802中存储有计算机程序，该处理器1804被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以上S101-S104步骤。
可选地，本领域普通技术人员可以理解，图13所示的结构仅为示意，电子系统电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图13其并不对上述电子系统电子设备的结构造成限定。例如，电子系统电子设备还可包括比图13中所示更多或者更少的组件(如网络接口等)，或者具有与图13所示不同的配置。
其中，存储器1802可用于存储软件程序以及模块，如本申请实施例中的视频事件溯源分析方法和系统对应的程序指令/模块，处理器1804通过运行存储在存储器1802内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的视频事件溯源分析方法。存储器1802可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储系统、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1802可进一步包括相对于处理器1804远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器1802具体可以但不限于用于存储镜头帧和内容帧等信息。作为一种示例，如图13所示，上述存储器1802中可以但不限于包括上述视频事件溯源分析系统中的分割单元1702、获取单元1704与第一确定单元1706。此外，还可以包括但不限于上述视频事件溯源分析系统中的其他模块单元，本示例中不再赘述。
可选地，上述的传输系统1806用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输系统1806包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输系统1806为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
此外，上述电子设备还包括：显示器1808，用于显示上述账单子任务的处理结果；和连接总线1810，用于连接上述电子设备中的各个模块部件。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述视频事件溯源分析方法，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以上步骤S101-S104的计算机程序。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种视频事件溯源分析方法，其特征在于，应用于视频事件信息网络，所述方法包括：
根据展示的视频文件集合，确定指定视频事件；
在视频事件信息网络中检索与所述指定视频事件相似的根节点；其中，所述视频事件信息网络是基于视频事件信息空间以多级树集合为基础构造的森林结构，所述视频事件信息空间是指视频事件特征向量所在的多维向量空间，所述多级树包括根节点和子节点，任意两个所述根节点对应的视频事件之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的视频事件之间的差异率小于等于所述预设阈值；
获取每个相似根节点下的子节点集合，并返回由每个根节点及其子节点集合共同组成的相似视频事件集合；
通过所述相似视频事件集合对所述指定视频事件进行溯源分析，得到指定视频事件的溯源结果。
2.根据权利要求1所述的方法，其特征在于，所述视频事件是指一个镜头内所有内容帧的集合，所述视频事件特征向量为在相同坐标系下对内容帧的集合提取特征矩阵后计算得到，所述内容帧是指表示镜头内容的帧，包括首帧、尾帧、和N个中间帧，N为自然数，所述中间帧通过对一个镜头的除首尾两帧之外的所有子帧顺序与其前一个内容帧进行差异率计算，当所述差异率大于预设阈值时得到。
3.根据权利要求1所述的方法，其特征在于，所述根据展示的视频文件集合，确定指定视频事件，包括：
展示视频文件集合；
当接收选择目标视频的指令时，确定要选择的目标视频；
获取并展示所述目标视频对应的镜头；
当接收到选择目标镜头的指令时，确定要选择的目标镜头；
在接收到所述目标镜头的溯源指令时，确定所述目标镜头对应的视频事件，得到指定视频事件。
4.根据权利要求1所述的方法，其特征在于，所述通过所述相似视频事件集合对所述指定视频事件进行溯源分析，得到指定视频事件的溯源结果，包括：
通过所述相似视频事件集合对所述指定视频事件进行事件时序分析，得到时间溯源结果；或者，
通过所述相似视频事件集合对所述指定视频事件进行空间分布分析，得到事件态势分析结果；或者，
通过所述相似视频事件集合对所述指定视频事件进行事件势能分析，得到势能分析结果；或者，
将所述时间溯源结果、态势分析结果和/或势能分析结果作为所述指定视频事件的溯源结果。
5.根据权利要求1所述的方法，其特征在于，所述在视频事件信息网络中检索与所述指定视频事件相似的根节点，包括：
遍历视频事件信息网络中存在的目标根节点，并确定每个目标根节点的目标视频事件；
计算所述指定视频事件的内容帧数量与该目标视频事件的内容帧数量差值的绝对值；
当所述内容帧数量差值的绝对值小于等于预设数量阈值时，根据所述指定视频事件的内容帧的特征向量得到所述指定视频事件的特征向量以及特征向量的模，根据所述目标视频事件的内容帧的特征向量得到所述目标视频事件的特征向量以及目标视频事件的特征向量的模，根据所述指定视频事件的特征向量以及所述目标视频事件的特征向量，得到所述指定视频事件与所述目标视频事件的特征向量差异值，根据所述指定视频事件与所述目标视频事件的特征向量差异值、指定视频事件的特征向量的模、目标视频事件的特征向量的模，得到所述指定视频事件和所述目标视频事件之间的特征向量差异率；
当所述特征向量差异率小于等于预设差异率阈值时，判断所述指定视频事件的任一内容帧是否在所述目标视频事件中均存在目标内容帧，计算所述指定视频事件的每一内容帧与其对应的目标内容帧的内容帧差异率；
当所述指定视频事件的每一内容帧与其对应的目标内容帧的内容帧差异率小于等于预设差异率阈值时，计算所述指定视频事件与该目标视频事件的相似率；
当所述相似率大于等于预设相似率阈值时，确定所述指定视频事件与该目标视频事件相似，并将相似的目标视频事件对应的根节点确定为与所述指定视频事件相似的根节点。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
当所述内容帧数量差值的绝对值大于预设数量阈值时，确定所述指定视频事件与所述目标视频事件不相似；或者，
当所述特征向量差异率大于预设差异率阈值时，确定所述指定视频事件与所述目标视频事件不相似；或者，
当所述指定视频事件的至少一个内容帧与目标视频事件的全部内容帧特征矩阵之间的差异率均大于预设差异率阈值时，确定所述指定视频事件与所述目标视频事件不相似；或者，
当所述相似率小于预设相似率阈值时，确定所述指定视频事件与所述目标视频事件不相似。
7.根据权利要求1所述的方法，其特征在于，所述根据展示的视频文件集合，确定指定视频事件之前，还包括：
获取并预处理原始视频文件，得到目标视频；
对所述目标视频进行镜头分割，得到至少一个镜头；
根据所述至少一个镜头，生成镜头数据；
提取每个镜头的内容帧；
根据所述每个镜头的内容帧，生成内容帧数据；
将每个镜头的镜头数据和内容帧数据进行组合，得到每个视频事件；
将所述每个视频事件作为根节点或子节点，构成视频事件信息网络。
8.一种视频事件溯源分析系统，其特征在于，应用于视频事件信息网络，所述系统包括：
确定模块，用于根据展示的视频文件集合，确定指定视频事件；
检索模块，用于在视频事件信息网络中检索与所述指定视频事件相似的根节点；其中，所述视频事件信息网络是基于视频事件信息空间以多级树集合为基础构造的森林结构，所述视频事件信息空间是指视频事件特征向量所在的多维向量空间，所述多级树包括根节点和子节点，任意两个所述根节点对应的视频事件之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的视频事件之间的差异率小于等于所述预设阈值；
获取模块，用于获取每个相似根节点下的子节点集合，并返回由每个根节点及其子节点集合共同组成的相似视频事件集合；
溯源分析模块，用于通过所述相似视频事件集合对所述指定视频事件进行溯源分析，得到指定视频事件的溯源结果。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-7任意一项所述的方法。
10.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项所述的方法。
CN202310488481.4A 2023-04-28 2023-04-28 视频事件溯源分析方法和系统、存储介质及电子设备 Active CN116662645B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310488481.4A CN116662645B (zh) 2023-04-28 2023-04-28 视频事件溯源分析方法和系统、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310488481.4A CN116662645B (zh) 2023-04-28 2023-04-28 视频事件溯源分析方法和系统、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN116662645A true CN116662645A (zh) 2023-08-29
CN116662645B CN116662645B (zh) 2024-07-16

Family

ID=87718061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310488481.4A Active CN116662645B (zh) 2023-04-28 2023-04-28 视频事件溯源分析方法和系统、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN116662645B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080313140A1 (en) * 2007-06-18 2008-12-18 Zeitera, Llc Method and Apparatus for Multi-Dimensional Content Search and Video Identification
CN101743512A (zh) * 2007-06-27 2010-06-16 杜比实验室特许公司 具有标识多媒体内容的签名指针的搜索树的渐进式构造
CN102033880A (zh) * 2009-09-29 2011-04-27 国际商业机器公司 基于结构化数据集合的标注方法和装置
CN103677950A (zh) * 2013-11-29 2014-03-26 北京航空航天大学 一种基于与或图的视频事件处理方法
CN103744987A (zh) * 2014-01-20 2014-04-23 深圳市佳创视讯技术股份有限公司 基于dom树匹配的视频网站媒资聚合方法和系统
CN113286163A (zh) * 2021-05-21 2021-08-20 成都威爱新经济技术研究院有限公司 一种用于虚拟拍摄直播的时间戳误差标定方法及系统
US20220121884A1 (en) * 2011-09-24 2022-04-21 Z Advanced Computing, Inc. System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080313140A1 (en) * 2007-06-18 2008-12-18 Zeitera, Llc Method and Apparatus for Multi-Dimensional Content Search and Video Identification
CN101743512A (zh) * 2007-06-27 2010-06-16 杜比实验室特许公司 具有标识多媒体内容的签名指针的搜索树的渐进式构造
CN102033880A (zh) * 2009-09-29 2011-04-27 国际商业机器公司 基于结构化数据集合的标注方法和装置
US20220121884A1 (en) * 2011-09-24 2022-04-21 Z Advanced Computing, Inc. System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform
CN103677950A (zh) * 2013-11-29 2014-03-26 北京航空航天大学 一种基于与或图的视频事件处理方法
CN103744987A (zh) * 2014-01-20 2014-04-23 深圳市佳创视讯技术股份有限公司 基于dom树匹配的视频网站媒资聚合方法和系统
CN113286163A (zh) * 2021-05-21 2021-08-20 成都威爱新经济技术研究院有限公司 一种用于虚拟拍摄直播的时间戳误差标定方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘海涛;老松杨;白亮;刘振亚;: "基于故事的新闻视频事件专题分析方法", 国防科技大学学报, no. 05, 28 October 2011 (2011-10-28) *

Also Published As

Publication number Publication date
CN116662645B (zh) 2024-07-16

Similar Documents

Publication Publication Date Title
CN116188821B (zh) 版权检测方法、系统、电子设备和存储介质
CN110210227B (zh) 风险检测方法、装置、设备和存储介质
CN109189991B (zh) 重复视频识别方法、装置、终端及计算机可读存储介质
CN105144141A (zh) 用于使用距离关联性散列法对媒体数据库定址的系统和方法
CN106815125A (zh) 一种日志审计方法及平台
WO2014206131A1 (en) Method and apparatus for report generation
CN111246287A (zh) 视频处理方法、发布方法、推送方法及其装置
CN110209714A (zh) 报表生成方法、装置、计算机设备及计算机可读存储介质
CN116469039B (zh) 热点视频事件确定方法和系统、存储介质及电子设备
CN114510708A (zh) 实时数据仓库构建、异常检测方法、装置、设备及产品
CN104503983A (zh) 为搜索引擎提供网站认证数据的方法及装置
KR101780534B1 (ko) 이미지 기반 검색을 위한 맵리듀스 기반의 이미지 특징 추출 방법 및 시스템
CN117177012B (zh) 视频播出监测方法、系统、设备及存储介质
CN117119255B (zh) 违规视频播放的监测方法、系统、设备及存储介质
CN116662645B (zh) 视频事件溯源分析方法和系统、存储介质及电子设备
CN116958267A (zh) 位姿处理方法、装置、电子设备及存储介质
CN116662606B (zh) 新视频事件的确定方法和系统、存储介质及电子设备
CN117112815B (zh) 个人关注视频事件检索方法和系统、存储介质及电子设备
CN117112837B (zh) 视频舆情监测系统和方法、存储介质及电子设备
CN115391596A (zh) 视频档案生成方法、装置及存储介质
CN105991400B (zh) 一种群组搜索方法及其设备
CN111666449B (zh) 视频检索方法、装置、电子设备和计算机可读介质
CN118035488A (zh) 个人关注视频事件筛选方法和系统、存储介质及电子设备
CN117112821A (zh) 图像检索系统和方法、存储介质及电子设备
CN117156200B (zh) 海量视频的去重方法、系统、电子设备和介质

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
GR01 Patent grant
GR01 Patent grant