CN116866638A - 一种基于影像的智能视频处理方法和系统 - Google Patents
一种基于影像的智能视频处理方法和系统 Download PDFInfo
- Publication number
- CN116866638A CN116866638A CN202310949789.4A CN202310949789A CN116866638A CN 116866638 A CN116866638 A CN 116866638A CN 202310949789 A CN202310949789 A CN 202310949789A CN 116866638 A CN116866638 A CN 116866638A
- Authority
- CN
- China
- Prior art keywords
- attribute
- deviation
- video
- value
- image
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 82
- 238000012163 sequencing technique Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
- H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/231—Content storage operation, e.g. caching movies for short term storage, replicating data over plural servers, prioritizing data for deletion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于影像的智能视频处理方法和系统,涉及视频影像处理技术领域,该系统公开了视频采集模块、属性处理模块、视频排序模块,通过设置属性处理模块,可以判断出视频影像中需要处理的基本属性,并根据视频的类型确定视频影像的基础属性处理顺序,在保证视频影像处理效率的基础上,优先处理每类视频影像中差异大的基础属性,设置视频排序模块,当用户同时上传不同类型的视频时,可以优先处理视频影像中差异大的视频类型,保证处理资源可以优先处理差异大的视频类型。
Description
技术领域
本发明涉及视频影像处理技术领域,更具体地说,它涉及一种基于影像的智能视频处理方法和系统。
背景技术
视频在拍摄结束后,因为各种因素容易导致拍摄得到的视频影像中色调、饱和度、亮度不统一,所以需要人工通过视频处理系统对视频中的色调、饱和度、亮度等这些基础属性进行调整。在视频处理前,人工需要对视频中的所有影像进行比对以及参考,判断哪些基础属性需要调整,再判断结束后通过视频处理系统的处理资源对视频的基础属性进行调整。这样导致视频处理前需要判断的时间过长,进而导致视频处理的整体效率偏低。并且视频处理系统在处理视频时,对各类型视频都是按同一种基础属性的处理顺序进行处理,这样会导致处理资源并没有优先处理差异大的基础属性,导致处理资源的浪费。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种基于影像的智能视频处理方法和系统。
为实现上述目的,本发明提供了如下技术方案:
一种基于影像的智能视频处理方法,包括如下步骤:
步骤一:采集用户上传的视频,并将视频发送至服务器中存储;
步骤二:当用户同时上传多个不同类型的视频时,按照偏差帧均占比的排序顺序依次对用户上传的视频进行处理;
步骤三:根据视频的类型确定视频的基础属性处理顺序。
进一步的,一种基于影像的智能视频处理系统,包括视频采集模块、属性处理模块、视频排序模块;
所述视频采集模块用于采集用户上传的视频,并将视频发送至服务器中存储;
所述属性处理模块用于根据视频的类型确定视频的基础属性处理顺序,具体为:
将视频转换成影像帧,将影像帧按照时间先后顺序排序,将排序后相邻的两个影像帧标记为邻比影像帧组,获取得到不同基本属性的属性偏差模型,将邻比影像帧组作为属性偏差模型的输入数据,获取得到属性偏差模型输出数据的图像标签,将输出数据的图像标签标记为属性偏差标签,设置每个属性偏差标签均对应一个偏差标签阈值,当属性偏差标签≥偏差标签阈值时,将该邻比影像帧组的该基本属性标记为偏差属性,当属性偏差标签<偏差标签阈值时,不作处理;
将具有相同偏差属性的邻比影像帧组中的前一个影像帧标记为同偏影像帧,将同偏影像帧按照时间先后顺序进行排序,获取得到该视频的同偏影像均隔Jt,将该视频中所有邻比影像帧组中的相同偏差属性进行求和处理并取均值,获取得到同属偏差均值Dz,获取得到该视频中该基本属性的属性处理值Kn,设置属性处理阈值为Yq,当属性处理值Kn≥属性处理阈值Yq时,将该视频的该基本属性标记为待处理属性,当属性处理值Kn<属性处理阈值Yq时,取消对该视频中该基本属性的处理;
获取得到视频的所属类型,获取得到当前时间之前n个上传的同类型视频,将n个同类型视频的该基本属性的属性处优值Kn进行求和处理并取均值,获取得到该基本属性的属性处优均值,将待处理属性按照属性处优均值数值由大至小依次进行排序,按照排序后的顺序依次对该视频中的待处理属性进行处理;
所述视频排序模块用于对用户同时上传的不同类型视频进行排序处理,具体为:
获取得到视频中邻比影像帧组的影像偏差值Rw,设置影像偏差值阈值为Fb,当影像偏差值Rw≥影像偏差值阈值时,将该邻比影像帧组标记为偏差影像帧组,当影像偏差值Rw<影像偏差值阈值时,不作处理,获取得到该视频的偏差影像帧组的总数量,获取得到该视频的邻比影像帧组的总数量,将该视频的偏差影像帧组的总数量与邻比影像帧组的总数量进行比值处理,获取得到偏差帧占比,获取得到当前时间之前m个上传的同类型视频,将m个同类型视频的偏差帧占比进行求和处理并取均值,获取得到偏差帧均占比;
将视频类型按照偏差帧均占比的数值由大至小依次进行排序,当用户同时上传多个不同类型视频时,按照排序顺序依次对用户上传的视频进行处理。
进一步的,属性偏差模型通过下述步骤获取得到:获取得到多个邻比影像帧组,将邻比影像帧组标记为训练图像组,对训练图像组赋予图像标签,将训练图像组按照设定比例划分成训练集和验证集,构建神经网络模型,通过训练集和验证集对神经网络模型进行迭代训练,当迭代训练次数大于迭代次数阈值时,则判定神经网络模型完成训练,将训练完成的神经网络模型标记为属性偏差模型。
进一步的,图像标签的取值范围为[0-20],图像标签的取值越大,表示邻比影像帧组中的两个影像帧在该类基础属性上差别越大。
进一步的,邻比影像帧组的影像偏差值Rw通过下述步骤获取得到:将偏差属性的属性偏差标签与偏差标签阈值进行差值计算,获取得到属性偏差值Ei;设置属性偏差值系数为Pg,g=1,2,3,…,g;P1<P2<P3<…<Pg,设定每个属性偏差值系数对应一个属性偏差值的范围,包括(0,E1],(E1,E2],…,(Ei-1,Ei],当Ei∈(0,E1],则对应的属性偏差值系数取值为P1;利用公式获取得到该邻比影像帧组的属性偏差总值Sk,i为标记为偏差属性的属性,获取得到该邻比影像帧组的偏差属性总数量,并标记为Cs,利用公式Rw=Sk×a1+Cs×a2获取得到该邻比影像帧组的影像偏差值,其中,a1为属性偏差总值系数,a2为偏差属性总数量系数。
进一步的,同偏影像均隔Jt通过下述步骤获取得到:将排序后相邻两个同偏影像帧所对应的时间进行差值计算,获取得到同偏影像间隔,将所有同偏影像间隔进行求和处理并取均值,获取得到同偏影像均隔Jt。
进一步的,该视频中该基本属性的属性处理值Kn通过下述步骤获取得到:利用公式获取得到该视频中该基本属性的属性处理值Kn,其中,b1为同偏影像均隔系数,b2为同属偏差均值系数。
与现有技术相比,本发明具备以下有益效果:
1、设置属性处理模块,可以判断出视频影像中需要处理的基本属性,并根据视频的类型确定视频影像的基础属性处理顺序,在保证视频影像处理效率的基础上,优先处理每类视频影像中差异大的基础属性;
2、设置视频排序模块,当用户同时上传不同类型的视频时,可以优先处理视频影像中差异大的视频类型,保证处理资源可以优先处理差异大的视频类型。
附图说明
图1为本发明属性处理模块的原理框图;
图2为本发明视频排序模块的原理框图;
图3为本发明的流程框图。
具体实施方式
实施例1
参照图1,一种基于影像的智能视频处理系统,包括视频采集模块、属性处理模块;
视频采集模块用于采集用户上传的视频,并将视频发送至服务器中存储;
属性处理模块用于根据视频的类型确定视频的基础属性处理顺序,具体为:
将视频转换成影像帧(按帧数对视频进行分割,将视频分割为多个影像),将影像帧按照时间先后顺序排序,将排序后相邻的两个影像帧标记为邻比影像帧组(只包含相邻的两个影像帧),获取得到不同基本属性(基础属性包括但不限于像素、色调、饱和度、亮度)的属性偏差模型,属性偏差模型通过下述步骤获取得到:获取得到多个邻比影像帧组,将邻比影像帧组标记为训练图像组,对训练图像组赋予图像标签,将训练图像组按照设定比例划分成训练集和验证集,构建神经网络模型,通过训练集和验证集对神经网络模型进行迭代训练,当迭代训练次数大于迭代次数阈值时,则判定神经网络模型完成训练,将训练完成的神经网络模型标记为属性偏差模型。图像标签的取值范围为[0-20],图像标签的取值越大,表示邻比影像帧组中的两个影像帧在该类基础属性上差别越大。将邻比影像帧组作为属性偏差模型的输入数据,获取得到属性偏差模型输出数据的图像标签,将输出数据的图像标签标记为属性偏差标签。如亮度属性的基础偏差模型中,如邻比影像帧组a的取值为18,邻比影像帧组b的取值为10,表示邻比影像帧组a内的两个影像帧亮度差大于邻比影像帧组b内的两个影像帧亮度差。
设置每个属性偏差标签均对应一个偏差标签阈值(偏差标签阈值是通过多次实验获取得到的数值,用以参考以及区分属性偏差标签),当属性偏差标签≥偏差标签阈值时,将该邻比影像帧组的该基本属性标记为偏差属性,当属性偏差标签<偏差标签阈值时,不作处理。如邻比影像帧组a中的四个属性像素、色调、饱和度、亮度中只有饱和度的属性偏差标签≥偏差标签阈值,则将邻比影像帧组a中的饱和度属性标记为偏差属性,邻比影像帧组a中的其余三个属性不做标记。
将具有相同偏差属性的邻比影像帧组中的前一个影像帧(相邻两个影像帧中的前一个)标记为同偏影像帧,如邻比影像帧组c与邻比影像帧组d都具有偏差属性“饱和度”时,将邻比影像帧组c中的前一个影像帧与邻比影像帧组d中的前一个影像帧标记为同偏影像帧。
将同偏影像帧按照时间先后顺序进行排序,获取得到该视频的同偏影像均隔Jt,同偏影像均隔Jt通过下述步骤获取得到:将排序后相邻两个同偏影像帧所对应的时间进行差值计算,获取得到同偏影像间隔,将所有同偏影像间隔进行求和处理并取均值,获取得到同偏影像均隔Jt。将该视频中所有邻比影像帧组中的相同偏差属性进行求和处理并取均值,获取得到同属偏差均值Dz,获取得到该视频中该基本属性的属性处理值Kn,该视频中该基本属性的属性处理值Kn通过下述步骤获取得到:利用公式获取得到该视频中该基本属性的属性处理值Kn,其中,b1为同偏影像均隔系数,b2为同属偏差均值系数,b1的取值为0.97,b2的取值为0.62。设置属性处理阈值为Yq,当属性处理值Kn≥属性处理阈值Yq时,将该视频的该基本属性标记为待处理属性,当属性处理值Kn<属性处理阈值Yq时,取消对该视频中该基本属性的处理。设置属性处理阈值为6,当视频中像素属性的属性处理值为6.1,色调属性的属性处理值为6.8,饱和度属性的属性处理值为4.2,亮度属性的属性处理值为2.9时,将像素属性与色调属性标记为待处理属性。
获取得到视频的所属类型(视频类型包括但不限于风景视频、人物视频、工业设备视频),获取得到当前时间之前n个上传的同类型视频,将n个同类型视频的该基本属性的属性处优值Kn进行求和处理并取均值,获取得到该基本属性的属性处优均值,将待处理属性按照属性处优均值数值由大至小依次进行排序,按照排序后的顺序依次对该视频中的待处理属性进行处理。如当前视频为风景视频,该风景视频中仅有像素属性与色调属性标记为待处理属性,且像素属性的属性处优均值>色调属性的属性处优均值,首先处理该风景视频的像素属性,再处理该风景视频的色调属性。设置属性处理模块,可以判断出视频影像中需要处理的基本属性,并根据视频的类型确定视频影像的基础属性处理顺序,在保证视频影像处理效率的基础上,优先处理每类视频影像中差异大的基础属性。
实施例2
参照图2-图3,在实施例1的基础上,还包括视频排序模块,视频排序模块用于对用户同时上传的不同类型视频进行排序处理,具体为:
获取得到视频中邻比影像帧组的影像偏差值Rw,邻比影像帧组的影像偏差值Rw通过下述步骤获取得到:将偏差属性的属性偏差标签与偏差标签阈值进行差值计算,获取得到属性偏差值Ei;设置属性偏差值系数为Pg,g=1,2,3,…,g;P1<P2<P3<…<Pg,设定每个属性偏差值系数对应一个属性偏差值的范围,包括(0,E1],(E1,E2],…,(Ei-1,Ei],当Ei∈(0,E1],则对应的属性偏差值系数取值为P1;利用公式获取得到该邻比影像帧组的属性偏差总值Sk,i为标记为偏差属性的属性,获取得到该邻比影像帧组的偏差属性总数量,并标记为Cs,利用公式Rw=Sk×a1+Cs×a2获取得到该邻比影像帧组的影像偏差值,其中,a1为属性偏差总值系数,a2为偏差属性总数量系数,a1的取值为0.87,a2的取值为0.69。设置影像偏差值阈值为Fb,当影像偏差值Rw≥影像偏差值阈值时,将该邻比影像帧组标记为偏差影像帧组,当影像偏差值Rw<影像偏差值阈值时,不作处理,获取得到该视频的偏差影像帧组的总数量,获取得到该视频的邻比影像帧组的总数量,将该视频的偏差影像帧组的总数量与邻比影像帧组的总数量进行比值处理,获取得到偏差帧占比,获取得到当前时间之前m个上传的同类型视频,将m个同类型视频的偏差帧占比进行求和处理并取均值,获取得到偏差帧均占比。将视频类型按照偏差帧均占比的数值由大至小依次进行排序,当用户同时上传多个不同类型视频时,按照排序顺序依次对用户上传的视频进行处理。当用户同时上传风景视频、人物视频、工业设备视频时,且人物视频的偏差帧均占比>风景视频的偏差帧均占比>工业设备视频的偏差帧均占比,优先对人物视频进行处理。设置视频排序模块,当用户同时上传不同类型的视频时,可以优先处理视频影像中差异大的视频类型,保证处理资源可以优先处理差异大的视频类型。
工作原理:
设置属性处理模块,可以判断出视频影像中需要处理的基本属性,并根据视频的类型确定视频影像的基础属性处理顺序,在保证视频影像处理效率的基础上,优先处理每类视频影像中差异大的基础属性。设置视频排序模块,当用户同时上传不同类型的视频时,可以优先处理视频影像中差异大的视频类型,保证处理资源可以优先处理差异大的视频类型。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本模板的保护范围。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (7)
1.一种基于影像的智能视频处理方法,其特征在于,包括如下步骤:
步骤一:采集用户上传的视频,并将视频发送至服务器中存储;
步骤二:当用户同时上传多个不同类型的视频时,按照偏差帧均占比的排序顺序依次对用户上传的视频进行处理;
步骤三:根据视频的类型确定视频的基础属性处理顺序。
2.一种基于影像的智能视频处理系统,应用于权利要求1所述的一种基于影像的智能视频处理方法,其特征在于,包括视频采集模块、属性处理模块、视频排序模块;
所述视频采集模块用于采集用户上传的视频,并将视频发送至服务器中存储;
所述属性处理模块用于根据视频的类型确定视频的基础属性处理顺序,具体为:
将视频转换成影像帧,将影像帧按照时间先后顺序排序,将排序后相邻的两个影像帧标记为邻比影像帧组,获取得到不同基本属性的属性偏差模型,将邻比影像帧组作为属性偏差模型的输入数据,获取得到属性偏差模型输出数据的图像标签,将输出数据的图像标签标记为属性偏差标签,设置每个属性偏差标签均对应一个偏差标签阈值,当属性偏差标签≥偏差标签阈值时,将该邻比影像帧组的该基本属性标记为偏差属性,当属性偏差标签<偏差标签阈值时,不作处理;
将具有相同偏差属性的邻比影像帧组中的前一个影像帧标记为同偏影像帧,将同偏影像帧按照时间先后顺序进行排序,获取得到该视频的同偏影像均隔Jt,将该视频中所有邻比影像帧组中的相同偏差属性进行求和处理并取均值,获取得到同属偏差均值Dz,获取得到该视频中该基本属性的属性处理值Kn,设置属性处理阈值为Yq,当属性处理值Kn≥属性处理阈值Yq时,将该视频的该基本属性标记为待处理属性,当属性处理值Kn<属性处理阈值Yq时,取消对该视频中该基本属性的处理;
获取得到视频的所属类型,获取得到当前时间之前n个上传的同类型视频,将n个同类型视频的该基本属性的属性处优值Kn进行求和处理并取均值,获取得到该基本属性的属性处优均值,将待处理属性按照属性处优均值数值由大至小依次进行排序,按照排序后的顺序依次对该视频中的待处理属性进行处理;
所述视频排序模块用于对用户同时上传的不同类型视频进行排序处理,具体为:
获取得到视频中邻比影像帧组的影像偏差值Rw,设置影像偏差值阈值为Fb,当影像偏差值Rw≥影像偏差值阈值时,将该邻比影像帧组标记为偏差影像帧组,当影像偏差值Rw<影像偏差值阈值时,不作处理,获取得到该视频的偏差影像帧组的总数量,获取得到该视频的邻比影像帧组的总数量,将该视频的偏差影像帧组的总数量与邻比影像帧组的总数量进行比值处理,获取得到偏差帧占比,获取得到当前时间之前m个上传的同类型视频,将m个同类型视频的偏差帧占比进行求和处理并取均值,获取得到偏差帧均占比;
将视频类型按照偏差帧均占比的数值由大至小依次进行排序,当用户同时上传多个不同类型视频时,按照排序顺序依次对用户上传的视频进行处理。
3.根据权利要求2所述的一种基于影像的智能视频处理系统,其特征在于,属性偏差模型通过下述步骤获取得到:获取得到多个邻比影像帧组,将邻比影像帧组标记为训练图像组,对训练图像组赋予图像标签,将训练图像组按照设定比例划分成训练集和验证集,构建神经网络模型,通过训练集和验证集对神经网络模型进行迭代训练,当迭代训练次数大于迭代次数阈值时,则判定神经网络模型完成训练,将训练完成的神经网络模型标记为属性偏差模型。
4.根据权利要求3所述的一种基于影像的智能视频处理系统,其特征在于,图像标签的取值范围为[0-20],图像标签的取值越大,表示邻比影像帧组中的两个影像帧在该类基础属性上差别越大。
5.根据权利要求4所述的一种基于影像的智能视频处理系统,其特征在于,邻比影像帧组的影像偏差值Rw通过下述步骤获取得到:将偏差属性的属性偏差标签与偏差标签阈值进行差值计算,获取得到属性偏差值Ei;设置属性偏差值系数为Pg,g=1,2,3,…,g;P1<P2<P3<…<Pg,设定每个属性偏差值系数对应一个属性偏差值的范围,包括(0,E1],(E1,E2],…,(Ei-1,Ei],当Ei∈(0,E1],则对应的属性偏差值系数取值为P1;利用公式获取得到该邻比影像帧组的属性偏差总值Sk,i为标记为偏差属性的属性,获取得到该邻比影像帧组的偏差属性总数量,并标记为Cs,利用公式Rw=Sk×a1+Cs×a2获取得到该邻比影像帧组的影像偏差值,其中,a1为属性偏差总值系数,a2为偏差属性总数量系数。
6.根据权利要求5所述的一种基于影像的智能视频处理系统,其特征在于,同偏影像均隔Jt通过下述步骤获取得到:将排序后相邻两个同偏影像帧所对应的时间进行差值计算,获取得到同偏影像间隔,将所有同偏影像间隔进行求和处理并取均值,获取得到同偏影像均隔Jt。
7.根据权利要求6所述的一种基于影像的智能视频处理系统,其特征在于,该视频中该基本属性的属性处理值Kn通过下述步骤获取得到:利用公式获取得到该视频中该基本属性的属性处理值Kn,其中,b1为同偏影像均隔系数,b2为同属偏差均值系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310949789.4A CN116866638B (zh) | 2023-07-31 | 2023-07-31 | 一种基于影像的智能视频处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310949789.4A CN116866638B (zh) | 2023-07-31 | 2023-07-31 | 一种基于影像的智能视频处理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116866638A true CN116866638A (zh) | 2023-10-10 |
CN116866638B CN116866638B (zh) | 2023-12-15 |
Family
ID=88234116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310949789.4A Active CN116866638B (zh) | 2023-07-31 | 2023-07-31 | 一种基于影像的智能视频处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116866638B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150281595A1 (en) * | 2014-03-27 | 2015-10-01 | Sony Corporation | Apparatus and method for video generation |
US20170329769A1 (en) * | 2016-05-12 | 2017-11-16 | Pixel Forensics, Inc. | Automated video categorization, value determination and promotion/demotion via multi-attribute feature computation |
WO2020058888A1 (en) * | 2018-09-19 | 2020-03-26 | Beijing Bytedance Network Technology Co., Ltd. | Mode dependent adaptive motion vector resolution for affine mode coding |
US20210142111A1 (en) * | 2019-04-16 | 2021-05-13 | One Connect Smart Technology Co., Ltd. | Method and device of establishing person image attribute model, computer device and storage medium |
CN113034384A (zh) * | 2021-02-26 | 2021-06-25 | Oppo广东移动通信有限公司 | 视频处理方法、装置、电子设备以及存储介质 |
CN113301408A (zh) * | 2021-05-21 | 2021-08-24 | 北京大米科技有限公司 | 视频数据处理方法、装置、电子设备和可读存储介质 |
CN113706414A (zh) * | 2021-08-26 | 2021-11-26 | 荣耀终端有限公司 | 视频优化模型的训练方法和电子设备 |
CN116416436A (zh) * | 2023-03-09 | 2023-07-11 | 联通沃音乐文化有限公司 | 基于神经网络的影音视频特征提取方法及处理系统 |
-
2023
- 2023-07-31 CN CN202310949789.4A patent/CN116866638B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150281595A1 (en) * | 2014-03-27 | 2015-10-01 | Sony Corporation | Apparatus and method for video generation |
US20170329769A1 (en) * | 2016-05-12 | 2017-11-16 | Pixel Forensics, Inc. | Automated video categorization, value determination and promotion/demotion via multi-attribute feature computation |
WO2020058888A1 (en) * | 2018-09-19 | 2020-03-26 | Beijing Bytedance Network Technology Co., Ltd. | Mode dependent adaptive motion vector resolution for affine mode coding |
US20210142111A1 (en) * | 2019-04-16 | 2021-05-13 | One Connect Smart Technology Co., Ltd. | Method and device of establishing person image attribute model, computer device and storage medium |
CN113034384A (zh) * | 2021-02-26 | 2021-06-25 | Oppo广东移动通信有限公司 | 视频处理方法、装置、电子设备以及存储介质 |
CN113301408A (zh) * | 2021-05-21 | 2021-08-24 | 北京大米科技有限公司 | 视频数据处理方法、装置、电子设备和可读存储介质 |
CN113706414A (zh) * | 2021-08-26 | 2021-11-26 | 荣耀终端有限公司 | 视频优化模型的训练方法和电子设备 |
CN116416436A (zh) * | 2023-03-09 | 2023-07-11 | 联通沃音乐文化有限公司 | 基于神经网络的影音视频特征提取方法及处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116866638B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341463B (zh) | 一种结合图像质量分析与度量学习的人脸特征识别方法 | |
CN106846336B (zh) | 提取前景图像、替换图像背景的方法及装置 | |
CN104636118B (zh) | 基于光平衡的qr二维码自适应二值化处理方法和装置 | |
CN109871845B (zh) | 证件图像提取方法及终端设备 | |
CN108805839A (zh) | 基于卷积神经网络的联合估计图像去雾方法 | |
CN110599387A (zh) | 一种自动去除图片水印的方法及装置 | |
CN109101913A (zh) | 行人重识别方法和装置 | |
CN104504722B (zh) | 一种利用灰色点校正图像颜色的方法 | |
CN105681775A (zh) | 一种白平衡方法和装置 | |
CN113297420A (zh) | 视频图像处理方法、装置、存储介质及电子设备 | |
CN110866453B (zh) | 基于卷积神经网络的实时人群稳定状态识别方法及装置 | |
CN111192213A (zh) | 图像去雾自适应参数的计算方法、图像去雾方法及系统 | |
CN116866638B (zh) | 一种基于影像的智能视频处理方法和系统 | |
CN116343100B (zh) | 一种基于自监督学习的目标识别方法及系统 | |
CN112348754B (zh) | 一种低照度彩色图像增强方法及装置 | |
CN107368847B (zh) | 一种作物叶部病害识别方法及系统 | |
CN107169930A (zh) | 图像处理方法和装置 | |
CN115830641A (zh) | 一种员工识别方法、装置、电子设备及存储介质 | |
CN110084746A (zh) | 一种马赛克拼图机器人的识图拼图方法 | |
CN106101489B (zh) | 基于云平台的模板匹配监控视频去雾系统及其去雾方法 | |
CN106251316B (zh) | 照片的修复方法和装置 | |
CN110807483B (zh) | 基于fpga的模板匹配实现装置及方法 | |
CN115146126A (zh) | 基于智能云平台的艺术品展示推荐系统 | |
CN115310505A (zh) | 一种用于互感器二次回路接线端子的自动识别方法及系统 | |
CN107194340A (zh) | 利用计算机视觉搜索登山遇险人员的方法及系统 |
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 |