CN117097955A - 视频处理方法、装置、设备和存储介质 - Google Patents
视频处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117097955A CN117097955A CN202310906634.2A CN202310906634A CN117097955A CN 117097955 A CN117097955 A CN 117097955A CN 202310906634 A CN202310906634 A CN 202310906634A CN 117097955 A CN117097955 A CN 117097955A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- original
- target image
- definition
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000002844 continuous effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/472—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content
- H04N21/4728—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content for selecting a Region Of Interest [ROI], e.g. for requesting a higher resolution version of a selected region
-
- 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
- H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
- H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
-
- 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
- H04N21/47—End-user applications
- H04N21/472—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content
- H04N21/47205—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content for manipulating displayed content, e.g. interacting with MPEG-4 objects, editing locally
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Television Signal Processing For Recording (AREA)
Abstract
本公开提供了一种视频处理方法、装置、设备和存储介质,涉及人工智能技术领域,具体涉及视频处理、深度学习等技术领域。视频处理方法包括:针对原始视频中的原始图像,在所述原始图像中确定目标图像;对所述目标图像进行高清化处理,以获得所述目标图像对应的高清图像;确定所述高清图像的目标停留时长;其中,所述目标停留时长大于所述高清图像对应的目标图像在所述原始视频中的原始停留时长;基于所述目标停留时长播放所述高清图像,以生成目标对象。本公开可以提高视频处理效果。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及视频处理、深度学习等技术领域,尤其涉及一种视频处理方法、装置、设备和存储介质。
背景技术
多媒体技术发展迅速,目前有较多的电视时代的视频内容迁移至短视频平台。很多观众非常喜欢的经典影视制作于十数年甚至数十年前,受制于当时的设备和技术限制,其清晰度较差。
相关技术中,通常是致力于提升视频内容的清晰度。
发明内容
本公开提供了一种视频处理方法、装置、设备和存储介质。
根据本公开的一方面,提供了一种视频处理方法,包括:针对原始视频中的原始图像,在所述原始图像中确定目标图像;对所述目标图像进行高清化处理,以获得所述目标图像对应的高清图像;确定所述高清图像的目标停留时长;其中,所述目标停留时长大于所述高清图像对应的目标图像在所述原始视频中的原始停留时长;基于所述目标停留时长播放所述高清图像,以生成目标对象。
根据本公开的另一方面,提供了一种视频处理装置,包括:第一确定模块,用于针对原始视频中的原始图像,在所述原始图像中确定目标图像;处理模块,用于对所述目标图像进行高清化处理,以获得所述目标图像对应的高清图像;第二确定模块,用于确定所述高清图像的目标停留时长;其中,所述目标停留时长大于所述高清图像对应的目标图像在所述原始视频中的原始停留时长;生成模块,用于基于所述目标停留时长播放所述高清图像,以生成目标对象。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述任一方面的任一项所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
根据本公开的技术方案,可以提高视频处理效果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开实施例提供的应用场景的示意图;
图3是根据本公开第二实施例的示意图;
图4是根据本公开第三实施例的示意图;
图5是用来实现本公开实施例的视频处理方法的电子设备的示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
相关技术中,通常是致力于提升视频内容的清晰度。
原始视频的播放帧率通常较高,即原始视频中每个原始图像的原始停留时长较短,比如,帧率是60帧/秒,则每秒会播放60个原始图像,相应的原始停留时长为1/60秒。
在致力于提升视频内容的清晰度场景下,比如,对每个原始图像进行高清化处理得到高清图像后,由于每个高清图像处理的内容可能不同,例如进行了不同区域的去噪,进行了不同的细节增强,如果依然以原始视频的播放帧率进行播放,就会在连续播放高清图像过程中出现不连贯、不流畅的问题,视觉效果不好,影响用户体验。
为了提升视频处理效果,本公开提供如下实施例。
图1是根据本公开第一实施例的示意图,本实施例提供一种视频处理方法,该方法包括:
101、针对原始视频中的原始图像,在所述原始图像中确定目标图像。
102、对所述目标图像进行高清化处理,以获得所述目标图像对应的高清图像。
103、确定所述高清图像的目标停留时长;其中,所述目标停留时长大于所述高清图像对应的目标图像在所述原始视频中的原始停留时长。
104、基于所述目标停留时长播放所述高清图像,以生成目标对象。
其中,原始视频,是指待处理视频,通常是清晰度较差的视频,例如,电视时代的影视剧视频。
另外,由于影视剧视频通常是长视频,在短视频时代,上述的原始视频可以是指视频片段,即,原始视频可以是整个影视剧视频,或者,可以是影视剧视频的视频片段。
原始图像,是指原始视频中包括的图像。
目标图像,是指在原始图像中进行选择后得到的图像。通常来讲,目标图像的数量小于原始图像的数量。
高清图像,是指高清化处理后的图像。
针对每个目标图像,可以对该目标图像进行高清化处理,得到该目标图像对应的高清图像。高清图像的清晰度高于对应的目标图像的清晰度。
目标停留时长,是指高清图像在待生成的目标对象中的停留时长。
原始停留时长,是指高清图像对应的目标图像在原始视频中的停留时长。
以原始视频的播放帧率是60帧/秒为例,则每个目标图像的原始停留时长是1/60秒。
目标停留时长大于原始停留时长,例如,目标停留时长是3秒,即每个高清图像可以保持3秒处于不变的状态。
以目标停留时长为3秒为例,可以在第一个3秒播放第一张高清图像,在第二个3秒播放第二张高清图像。依次类推,实现不同高清图像的播放,不同高清图像对应的动态播放画面组成目标对象。
本实施例中,高清图像的目标停留时长较长,即目标对象中时间相邻的两张高清图像本身就具有一定的卡顿效果,并不是视频中的连续效果,因此,即使上述两张高清图像在高清化处理时存在处理内容不一致的问题,但是,由于这两张高清图像本身就是不连续的,处理内容不一致并不会影响整体展示效果,因此可以提高视频处理效果。
为了更好地理解本公开,对本公开实施例的应用场景进行说明。
图2是本公开实施例对应的应用场景的示意图。如图2所示,该场景下可以包括用户终端201和服务器202,用户终端201例如包括:个人电脑(PersonalComputer)、笔记本电脑、移动设备(如手机)等。服务器202可以是云端服务器或本地服务器。
用户可以通过用户终端201将原始视频发送至服务器202,服务器202对原始视频进行处理后,得到目标对象。由于目标对象中时间相邻图像的间隔时长较长,可以认为目标对象具有动漫化效果,即实现了视频的动漫化处理。
本实施例中以服务器进行视频处理为例,可以理解的是,如果用户终端具有相应能力,也可以在用户终端本地进行视频处理以获得目标对象。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
结合上述的应用场景,本公开还提供一种视频处理方法。
图3是根据本公开第二实施例的示意图,本实施例提供一种视频处理方法。该方法包括:
301、针对原始视频中的原始图像,在所述原始图像中确定目标图像。
其中,目标图像可以基于场景确定,或者,基于关键帧确定。
基于场景确定可以包括:
对所述原始视频进行场景划分,以获得至少一个场景的原始图像,每个场景包括多个原始图像;以及,针对每个场景,在所述每个场景包括的多个原始图像中选择预设数量的原始图像作为所述目标图像。
其中,可以采用相关技术中的场景划分算法,对原始视频进行场景划分。不同场景可以包括相同或不同数量的原始图像。
假设将原始视频划分为了三个场景,预设数量为一个,则在每个场景中选择一个目标图像,从而获得三个目标图像。
在每个场景包括的多个原始图像中选择预设数量的目标图像时,可以是随机选择目标图像;或者,可以选择指定的原始图像,如每个场景的第一张原始图像和/或最后一张原始图像作为目标图像。
本实施例中,基于场景选择目标图像,可以选择具有场景代表性的目标图像,提高目标图像的精准度。
基于关键帧确定可以包括:
在所述原始视频包括的原始图像中选择关键帧,将所述关键帧作为所述目标图像。
其中,关键帧也叫I帧,关键帧是帧间压缩编码里的重要帧,解码时仅用I帧的数据就可重构完整图像,I帧不需要参考其他画面而生成。
具体可以采用各种相关的关键帧提取算法,获得原始视频中的关键帧,之后将关键帧作为目标图像。
本实施例中,基于关键帧确定目标图像,可以获得性能更好的目标图像,提高目标图像的精准度。
302、采用预训练语言模型,对所述目标图像进行高清化处理,以获得所述目标图像对应的高清图像。
其中,预训练语言模型,是指用于高清化处理的模型。该模型是一种深度学习模型,其输入是清晰度较低的目标图像,输出是清晰度较高的高清图像。该预训练语言模型可以是视频处理方预先训练的。
深度学习模型可以是卷积神经网络或者生成对抗网络,可以采用类似于图像超分辨率重建的方法。
为了提高效率和准确度,预训练语言模型还可以是大模型(LargeLanguageModel,LLM)。
LLM是近年来人工智能领域的热点问题,LLM是一种预训练语言模型,通过在海量文本数据上进行预训练,学习到了丰富的语言知识和世界知识,从而能够在各种自然语言处理(NaturalLanguageProcessing,NLP)任务上取得惊人的效果。具体地,大模型可以是基于Transformer的通用预训练(GenerativePre-trainedTransformer,GPT)模型,基于知识集成实现增强型表示(EnhancedRepresentationthroughKnowledgeIntegration,ERNIE)模型等。
本实施例中,可以将LLM作为基础,对其进行微调,从而获得能够进行高清化处理的模型。
不论是自身训练或者以LLM为基础进行训练,都可以通过模糊的视频帧和对应的高清图像进行训练,学习如何将模糊图像转换为高清图像。另外,可以使用像素级别的损失函数来指导训练过程。
可以理解的是,对目标图像进行高清化处理之前,还可以进行数据预处理,例如去噪、降低压缩损失等,以提高后续处理的准确性和质量。
获得高清图像之后,还可以进行数据后处理,例如去噪、增强细节等,以进一步提升图像质量和清晰度。
对目标图像进行高清化处理时,可以是逐帧进行的,即将每个目标图像输入到模型中,输出是该目标图像对应的一个高清处理。通过对各个目标图像进行高清化处理,得到各个目标图像对应的各个高清图像。
本实施例中,通过预训练语言模型进行高清化处理,可以利用预训练语言模型的优良性能,提升高清图像的清晰度。
303、确定所述高清图像的目标停留时长;其中,所述目标停留时长大于所述高清图像对应的目标图像在所述原始视频中的原始停留时长。
其中,可以基于设定的静态信息确定目标停留时长,或者,也可以基于目标图像对应的原始图像的动态时长确定目标停留时长。
具体地,可以将预设时长作为高清图像的目标停留时长。
例如,可以预先配置目标停留时长,如3秒,则将该静态配置的时长作为目标停留时长。
本实施例中,将预设时长作为目标停留时长,可以简单高效地确定目标停留时长,提高处理效率。
基于动态时长确定目标停留时长可以包括:
若所述目标图像是基于每个场景获得的,将所述目标图像对应场景的所有原始图像的原始停留时长的总和,作为所述目标停留时长;或者,
若所述目标图像是关键帧,将所述目标图像与下一个关键帧之间的间隔时长,作为所述目标停留时长。
例如,以第一场景为例,假设第一场景包括5张原始图像,在这5张原始图像中选择一张作为第一场景的目标图像,则该第一场景的目标图像的目标停留时长,是第一场景包括的5张原始图像的原始停留时长的总和,例如,每张原始图像的原始停留时长是1/60秒,则该目标图像的目标停留时长是5*1/60秒。
又例如,假设在原始视频中提取出的关键帧按时序排序包括:第一关键帧、第二关键帧、第三关键帧等。假设目标图像是第一关键帧,则该目标图像的目标停留时长是第一关键帧与第二关键帧之间的间隔时长。
本实施例中,基于原始停留时长的总和或者关键帧之间的间隔时长,确定高清图像的目标停留时长,可以获得更为匹配的目标停留时长,特别是在后续伴随播放原始音频时,提高处理准确度。
304、基于所述目标停留时长播放所述高清图像,以生成目标对象。
确定目标停留时长后,可以基于该目标停留时长顺序播放高清图像,得到目标对象。
例如,每个高清图像的目标停留时长是3秒,则第一个3秒播放第一高清图像,第二个3秒播放第二高清图像,依此类推。
另外,不同的高清图像是按时序顺序播放的,例如,上述的第一高清图像的播放时间早于第二高清图像,假设第一高清图像对应第一目标图像,第二高清图像对应第二目标图像,则在原始视频中,第一目标图像播放时间早于第二目标图像。
305、获取所述目标图像对应的原始音频,并在播放所述高清图像时,伴随播放所述原始音频。
例如,以上述的第一场景为例,原始音频是第一场景对应的原始音频,即第一场景包括的5张原始图像对应的音频,则在播放第一场景对应的高清图像时,伴随播放该第一场景对应的原始音频。
本实施例中,通过在播放高清图像时伴随播放原始音频,可以提高语音和画面的同步性,提高处理性能。
图4是根据本公开第三实施例的示意图,本实施例提供一种视频处理装置。该装置400包括:第一确定模块401、处理模块402、第二确定模块403和生成模块404。
第一确定模块401用于针对原始视频中的原始图像,在所述原始图像中确定目标图像;处理模块402用于对所述目标图像进行高清化处理,以获得所述目标图像对应的高清图像;第二确定模块403用于确定所述高清图像的目标停留时长;其中,所述目标停留时长大于所述高清图像对应的目标图像在所述原始视频中的原始停留时长;生成模块404用于基于所述目标停留时长播放所述高清图像,以生成目标对象。
本实施例中,高清图像的目标停留时长较长,即目标对象中时间相邻的两张高清图像本身就具有一定的卡顿效果,并不是视频中的连续效果,因此,即使上述两张高清图像在高清化处理时存在处理内容不一致的问题,但是,由于这两张高清图像本身就是不连续的,处理内容不一致并不会影响整体展示效果,因此可以提高视频处理效果。
一些实施例中,所述第一确定模块401进一步用于:
对所述原始视频进行场景划分,以获得至少一个场景的原始图像,每个场景包括多个原始图像;以及,针对每个场景,在所述每个场景包括的多个原始图像中选择预设数量的原始图像作为所述目标图像;或者,
在所述原始视频包括的原始图像中选择关键帧,将所述关键帧作为所述目标图像。
本实施例中,基于场景选择目标图像,可以选择具有代表性的目标图像,提高目标图像的精准度。
本实施例中,基于关键帧确定目标图像,可以获得性能更好的目标图像,提高目标图像的精准度。
一些实施例中,所述第二确定模块403进一步用于:
将预设时长,作为所述高清图像的目标停留时长;或者,
若所述目标图像是基于每个场景获得的,将所述目标图像对应场景的所有原始图像的原始停留时长的总和,作为所述目标停留时长;或者,
若所述目标图像是关键帧,将所述目标图像与下一个关键帧之间的间隔时长,作为所述目标停留时长。
本实施例中,将预设时长作为目标停留时长,可以简单高效地确定目标停留时长,提高处理效率。
本实施例中,基于原始停留时长的总和或者关键帧之间的间隔时长,确定高清图像的目标停留时长,可以获得更为匹配的目标停留时长,特别是在后续伴随播放原始音频时,提高处理准确度。
一些实施例中,所述处理模块402进一步用于:采用预训练语言模型,对所述目标图像进行高清化处理,以获得所述高清图像。
本实施例中,通过预训练语言模型进行高清化处理,可以利用预训练语言模型的优良性能,提升高清图像的清晰度。
一些实施例中,该装置400还包括:播放模块,用于获取所述目标图像对应的原始音频;以及,在播放所述高清图像时,伴随播放所述原始音频。
本实施例中,通过在播放高清图像时伴随播放原始音频,可以提高语音和画面的同步性,提高处理性能。
可以理解的是,本公开实施例中,不同实施例中的相同或相似内容可以相互参考。
可以理解的是,本公开实施例中的“第一”、“第二”等只是用于区分,不表示重要程度高低、时序先后等。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备500还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,电子设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM503中,还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如视频处理方法。例如,在一些实施例中,视频处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM503并由计算单元501执行时,可以执行上文描述的视频处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行视频处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程负载均衡装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("VirtualPrivate Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (13)
1.一种视频处理方法,包括:
针对原始视频中的原始图像,在所述原始图像中确定目标图像;
对所述目标图像进行高清化处理,以获得所述目标图像对应的高清图像;
确定所述高清图像的目标停留时长;其中,所述目标停留时长大于所述高清图像对应的目标图像在所述原始视频中的原始停留时长;
基于所述目标停留时长播放所述高清图像,以生成目标对象。
2.根据权利要求1所述的方法,其中,所述针对原始视频中的原始图像,在所述原始图像中确定目标图像,包括:
对所述原始视频进行场景划分,以获得至少一个场景的原始图像,每个场景包括多个原始图像;以及,针对每个场景,在所述每个场景包括的多个原始图像中选择预设数量的原始图像作为所述目标图像;或者,
在所述原始视频包括的原始图像中选择关键帧,将所述关键帧作为所述目标图像。
3.根据权利要求2所述的方法,其中,所述确定所述高清图像的目标停留时长,包括:
将预设时长,作为所述高清图像的目标停留时长;或者,
若所述目标图像是基于每个场景获得的,将所述目标图像对应场景的所有原始图像的原始停留时长的总和,作为所述目标停留时长;或者,
若所述目标图像是关键帧,将所述目标图像与下一个关键帧之间的间隔时长,作为所述目标停留时长。
4.根据权利要求1所述的方法,其中,所述对所述目标图像进行高清化处理,以获得所述目标图像对应的高清图像,包括:
采用预训练语言模型,对所述目标图像进行高清化处理,以获得所述高清图像。
5.根据权利要求1-4任一项所述的方法,还包括:
获取所述目标图像对应的原始音频;
在播放所述高清图像时,伴随播放所述原始音频。
6.一种视频处理装置,包括:
第一确定模块,用于针对原始视频中的原始图像,在所述原始图像中确定目标图像;
处理模块,用于对所述目标图像进行高清化处理,以获得所述目标图像对应的高清图像;
第二确定模块,用于确定所述高清图像的目标停留时长;其中,所述目标停留时长大于所述高清图像对应的目标图像在所述原始视频中的原始停留时长;
生成模块,用于基于所述目标停留时长播放所述高清图像,以生成目标对象。
7.根据权利要求6所述的装置,其中,所述第一确定模块进一步用于:
对所述原始视频进行场景划分,以获得至少一个场景的原始图像,每个场景包括多个原始图像;以及,针对每个场景,在所述每个场景包括的多个原始图像中选择预设数量的原始图像作为所述目标图像;或者,
在所述原始视频包括的原始图像中选择关键帧,将所述关键帧作为所述目标图像。
8.根据权利要求7所述的装置,其中,所述第二确定模块进一步用于:
将预设时长,作为所述高清图像的目标停留时长;或者,
若所述目标图像是基于每个场景获得的,将所述目标图像对应场景的所有原始图像的原始停留时长的总和,作为所述目标停留时长;或者,
若所述目标图像是关键帧,将所述目标图像与下一个关键帧之间的间隔时长,作为所述目标停留时长。
9.根据权利要求6所述的装置,其中,所述处理模块进一步用于:
采用预训练语言模型,对所述目标图像进行高清化处理,以获得所述高清图像。
10.根据权利要求6-9任一项所述的装置,还包括:
播放模块,用于获取所述目标图像对应的原始音频;以及,在播放所述高清图像时,伴随播放所述原始音频。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906634.2A CN117097955A (zh) | 2023-07-21 | 2023-07-21 | 视频处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906634.2A CN117097955A (zh) | 2023-07-21 | 2023-07-21 | 视频处理方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117097955A true CN117097955A (zh) | 2023-11-21 |
Family
ID=88776098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310906634.2A Pending CN117097955A (zh) | 2023-07-21 | 2023-07-21 | 视频处理方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117097955A (zh) |
-
2023
- 2023-07-21 CN CN202310906634.2A patent/CN117097955A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113590858B (zh) | 目标对象的生成方法、装置、电子设备以及存储介质 | |
CN115861131B (zh) | 基于图像生成视频、模型的训练方法、装置及电子设备 | |
CN115345968B (zh) | 虚拟对象驱动方法、深度学习网络的训练方法及装置 | |
CN113627536B (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN113014937B (zh) | 视频插帧方法、装置、设备以及存储介质 | |
JP2023531350A (ja) | サンプル画像を増分する方法、画像検出モデルの訓練方法及び画像検出方法 | |
CN112527115A (zh) | 用户形象生成方法、相关装置及计算机程序产品 | |
CN113365146B (zh) | 用于处理视频的方法、装置、设备、介质和产品 | |
CN113453073B (zh) | 一种图像渲染方法、装置、电子设备及存储介质 | |
US20220076476A1 (en) | Method for generating user avatar, related apparatus and computer program product | |
CN115022679B (zh) | 视频处理方法、装置、电子设备和介质 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN113870399A (zh) | 表情驱动方法、装置、电子设备及存储介质 | |
CN113989174B (zh) | 图像融合方法和图像融合模型的训练方法、装置 | |
CN112529161A (zh) | 生成对抗网络训练方法、生成对抗网络、人脸图像翻译方法和装置 | |
CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN116320216A (zh) | 视频生成方法、模型的训练方法、装置、设备和介质 | |
CN113177483B (zh) | 视频目标分割方法、装置、设备以及存储介质 | |
CN112651449B (zh) | 确定视频的内容特征的方法、装置、电子设备及存储介质 | |
CN113240780B (zh) | 生成动画的方法和装置 | |
CN113873323B (zh) | 视频播放方法、装置、电子设备和介质 | |
CN117097955A (zh) | 视频处理方法、装置、设备和存储介质 | |
CN113988294A (zh) | 训练预测网络的方法、图像处理方法和装置 | |
CN116264606A (zh) | 用于处理视频的方法、设备和计算机程序产品 | |
CN113556575A (zh) | 用于压缩数据的方法、装置、设备、介质和产品 |
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 |