CN117668294A - 人脸库创建、视频识别方法、装置及电子设备 - Google Patents

人脸库创建、视频识别方法、装置及电子设备 Download PDF

Info

Publication number
CN117668294A
CN117668294A CN202311609368.3A CN202311609368A CN117668294A CN 117668294 A CN117668294 A CN 117668294A CN 202311609368 A CN202311609368 A CN 202311609368A CN 117668294 A CN117668294 A CN 117668294A
Authority
CN
China
Prior art keywords
face
video
target
identified
features
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
CN202311609368.3A
Other languages
English (en)
Inventor
张聪
高明
张玉东
姜宁
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202311609368.3A priority Critical patent/CN117668294A/zh
Publication of CN117668294A publication Critical patent/CN117668294A/zh
Pending legal-status Critical Current

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
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/211—Schema design and management
    • G06F16/212—Schema design and management with details for data modelling support
    • 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
    • G06F16/75—Clustering; Classification
    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Library & Information Science (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了人脸库创建、视频识别方法、装置及电子设备，涉及数据处理领域，尤其涉及图像处理、人脸识别及人工智能技术领域。人脸库创建方法的具体实现方案为：获取至少一个视频发布用户发布的历史视频；从历史视频中提取人脸特征；从人脸特征中确定对应于同一人脸的目标人脸特征；基于由各视频发布用户发布的历史视频中提取的目标人脸特征的数量情况，建立人脸库。基于本方案，能够有效建立人脸库，有助于基于人脸库有效识别视频的原创性。

Description

人脸库创建、视频识别方法、装置及电子设备
技术领域
本公开涉及数据处理技术领域，尤其涉及图像处理、人脸识别及人工智能技术领域，具体而言，本公开涉及一种人脸库创建、视频识别方法、装置及电子设备。
背景技术
随着互联网技术的快速发展，互联网上的视频数量也大大增加。互联网中视频的原创性也越来受到人们的关注。
因此，如何有效识别视频的原创性，成为了一个重要的技术问题。
发明内容
本公开为了解决上述缺陷中的至少一项，提供了一种人脸库创建、视频识别方法、装置及电子设备。
根据本公开的第一方面，提供了一种人脸库创建方法，该方法包括：
获取至少一个视频发布用户发布的历史视频；
从历史视频中提取人脸特征；
从人脸特征中确定对应于同一人脸的目标人脸特征；
基于由各视频发布用户发布的历史视频中提取的目标人脸特征的数量情况，建立人脸库。
根据本公开的第二方面，提供了一种视频识别方法，该方法包括：
获取待识别视频与预创建的人脸库，人脸库是采用上述的人脸库创建方法得到，待识别视频是由人脸库中的目标视频发布用户以外的视频发布用户发布的；
从待识别视频中提取当前人脸特征；
基于当前人脸特征与人脸库中目标人脸特征的相似情况，确定待识别视频的原创性。
根据本公开的第三方面，提供了一种人脸库创建装置，该装置包括：
历史视频获取模块，用于获取至少一个视频发布用户发布的历史视频；
人脸特征提取模块，用于从历史视频中提取人脸特征；
目标人脸特征确定模块，用于从人脸特征中确定对应于同一人脸的目标人脸特征；
人脸库创建模块，用于基于由各视频发布用户发布的历史视频中提取的目标人脸特征的数量情况，建立人脸库。
根据本公开的第四方面，提供了一种视频识别装置，该装置包括：
数据获取模块，用于获取待识别视频与预创建的人脸库，人脸库是采用上述的人脸库创建装置得到，待识别视频是由人脸库中的目标视频发布用户以外的视频发布用户发布的；
当前人脸特征提取模块，用于从待识别视频中提取当前人脸特征；
原创性确定模块，用于基于当前人脸特征与人脸库中目标人脸特征的相似情况，确定待识别视频的原创性。
根据本公开的第五方面，提供了一种电子设备，该电子设备包括：
至少一个处理器；以及
与上述至少一个处理器通信连接的存储器；其中，
存储器存储有可被上述至少一个处理器执行的指令，指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述人脸库创建或视频识别方法。
根据本公开的第六方面，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，该计算机指令用于使计算机执行上述人脸库创建或视频识别方法。
根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述人脸库创建或视频识别方法。
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是本公开实施例提供的一种人脸库创建方法的流程示意图；
图2是本公开实施例提供的一种视频识别方法的流程示意图；
图3是本公开实施例提供的视频识别方法的一种具体实施方式的流程示意图；
图4是本公开实施例提供的一种人脸库创建装置的结构示意图；
图5是本公开实施例提供的一种视频识别装置的结构示意图；
图6是用来实现本公开实施例的人脸库创建或视频识别的方法的电子设备的框图。
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。
视频搬运，是指将他人原创的视频内容搬运至自己账号内发布。视频搬运行为会严重影响视频平台的生态健康，因此，需要对视频的原创性进行有效识别，从而发现视频搬运行为，并采取相应措施。
相关技术中，在识别视频的原创性时可能会使用到人脸库，人脸库内存储视频作者与人脸特征的对应关系。通过将待识别视频中检测到的人脸与人脸库匹配，根据匹配结果判断待识别视频的原创性。
相关技术中，人脸库通常采用人工标注方式构建，这种方式标注效率低，耗费大量人力，并且所构建的人脸库难以涵盖人脸的多种状态变化，导致人脸库覆盖范围小。
本公开实施例提供的人脸库创建、视频识别方法、装置及电子设备，旨在解决现有技术的如上技术问题中的至少一个。
图1示出了本公开实施例提供的一种人脸库创建方法的流程示意图，如图1中所示，该方法主要可以包括：
步骤S110：获取至少一个视频发布用户发布的历史视频；
步骤S120：从历史视频中提取人脸特征；
步骤S130：从人脸特征中确定对应于同一人脸的目标人脸特征；
步骤S140：基于由各视频发布用户发布的历史视频中提取的目标人脸特征的数量情况，建立人脸库。
其中，历史视频可以为一段历史周期内由视频发布用户所发布的全部视频。历史周期的时长可以根据实际需要进行配置。
从历史视频中提取人脸特征，即从历史视频的视频内容中提取所包含的人脸特征，从而得到了视频发布用户对应的全部人脸特征。
本公开实施例中，在确定出全部人脸特征后，可以确定对应于同一人脸的不同人脸特征。对应与同一人脸的人脸特征不同人脸特征，可以被记做目标人脸特征。
本公开实施例中，对应于同一人脸的目标人脸特征，其可能来自于不同的视频发布用户，而当对应于同一人脸的目标人脸特征大量来源于同一个视频发布用户时，可以推断该人脸为视频发布用户相关的人脸，从而可以针对该视频发布用户与该人脸的目标人脸特征，构建人脸库。
具体而言，可以针对各不同人脸，确定由各视频发布用户发布的历史视频中所提取的该人脸的目标人脸特征的数量情况，基于统计得到的数量情况构建人脸库。
本公开实施例提供的方法，通过获取至少一个视频发布用户发布的历史视频；从历史视频中提取人脸特征；从人脸特征中确定对应于同一人脸的目标人脸特征；基于由各视频发布用户发布的历史视频中提取的目标人脸特征的数量情况，建立人脸库。基于本方案，能够有效建立人脸库，提升人脸库的准确性，有助于基于人脸库有效识别视频的原创性。
相关技术中，在进行人脸库创建时，标注人员需要预先了解视频发布用户以及其对应的人脸，而后进行人脸标注，从而将标注出的人脸与视频发布用户创建人脸库。本公开实施例中所采用的人脸库的创建方式无需依赖于人工标注，而是能够基于视频发布用户的历史视频自动挖掘视频发布用户与人脸的对应关系，实现自动创建人脸库，能够克服相关技术中因采用人工标注的方式构建人脸库所导致的效率低、耗费人力大以及人脸库覆盖范围小等缺陷。
本公开实施例中，可以每隔一个历史周期，提取该历史周期内的视频发布用户发布的历史视频，用于建立人脸库。可以维护一个基础的人脸库，将每个历史周期内建立的人脸库作为增量人脸库，将增量人脸库持续合并至基础的人脸库，实现对人脸库的定期更新。
本公开的一种可选方式中，基于由各视频发布用户发布的历史视频中提取的目标人脸特征的数量情况，建立人脸库，包括：
响应于视频发布用户中存在目标视频用户，将目标视频用户与由目标视频发布用户的历史视频中提取的目标人脸特征建立对应关系，从目标视频用户发布的历史视频中所提取的目标人脸特征的数量在目标人脸特征的总数量中的占比不小于第一预设占比；
基于对应关系建立人脸库。
本公开实施例中，当对应于同一人脸的目标人脸特征大量来源于同一个视频发布用户时，可以推断该人脸为视频发布用户相关的人脸，可以将这些视频发布用户记做目标视频发布用户。
具体而言，可以分别统计从各视频发布用户发布的历史视频中所提取的、且对应于同一人脸的目标人脸特征的数量。若由某一视频发布用户发布的对应于同一人脸的目标人脸特征的数量，在该人脸对应的目标人脸特征的总数量中占比不小于第一预设占比，表示对应于该人脸的目标人脸特征大量来源于同该视频发布用户，该视频发布用户与该人脸相关，该视频发布用户即为目标视频发布用户，可以建立目标视频发布用户与由目标视频发布用户的历史视频中提取的目标人脸特征的对应关系，并根据该对应关系构建人脸库。
作为一个示例，与目标发布视频用户相关的人脸，可以理解为在目标视频发布用户所发布的视频中频繁出镜的人脸，包括但是不限于目标视频发布用户本人的人脸，以及目标视频发布用户的视频合作者的人脸。
在相关技术中，采用人工标注的方式创建人脸库的方式中，需要标注人员预先了解视频发布用户本人的人脸，同时需要预先了解除视频发布用户以外的视频出镜者的人脸，才能够进行准确标注。但是标注人员往往无法及时了解到这些视频出镜者，这会极大的影响所创建人脸库的准确性。而本公开实施例中，通过对视频发布用户所发布历史视频的定期分析，能够将这些视频合作者在内的相关人脸有效分析出，从而保证所创建的人脸库具有较高的准确性。
本公开的一种可选方式中，从人脸特征中确定对应于同一人脸的目标人脸特征，包括：
响应于人脸特征中存在候选人脸特征，且候选人脸特征的数量不小于预设数量，将各候选人脸特征确定为对应于同一人脸的目标人脸特征，各候选人脸之间的相似度满足预设相似条件。
本公开实施例中，可以基于人脸特征之间的相似性，从人脸特征中确定对应于同一人脸的目标人脸特征。
具体而言，可以确定人脸特征之间的相似度，将相似度满足预设相似条件的人脸特征确定为候选人脸特征。而后可以确定候选人脸特征的数量是否不小于预设数量，当候选人脸特征的数量不小于预设数量时，表示该候选人脸特征对应人脸的出镜频率较高，可以针对该人脸进行创建人脸库的后续操作。而当候选人脸特征的数量小于预设数量时，表示该候选人脸特征对应人脸的出镜频率较低，该人脸的视频被搬运的可能性也较低，因此无需针对该人脸进行创建人脸库的后续操作。
本公开的一种可选方式中，上述方法还包括：
对人脸特征进行聚类处理；
基于聚类处理结果，确定候选人脸特征。
本公开实施例中，可以对人脸特征进行聚类处理，从而基于聚类处理结果判断人脸特征之间的相似度。
本公开的一种可选方式中，聚类处理基于近似最近邻(Approximate NearestNeighbor，ANN)检索实现。
本公开的一种可选方式中，从历史视频中提取人脸特征，包括：
对历史视频进行切帧处理，得到历史视频的帧图像；
基于帧图像提取人脸特征。
本公开实施例中，可以对历史视频进行切帧处理，得到历史视频的帧图像，以便从帧图像提取人脸特征。在实际使用中，还可以使用视频封面等其他视频相关的图像提取人脸特征。
本公开的一种可选方式中，基于帧图像提取人脸特征，包括：
对帧图像进行人脸切割，得到帧图像中的人脸区域图像；
对人脸区域图像进行特征提取，得到人脸特征。
本公开实施例中，可以对帧图像进行人脸切割，从帧图像中切割得到人脸区域图像，而后对人脸区域图像进行人脸特征提取。
本公开的一种可选方式中，对帧图像进行人脸切割，包括：
基于多任务卷积神经网络(Multi-task convolutional neural network，MTCNN)对帧图像进行人脸切割。
采用MTCNN对帧图像进行人脸切割，能够保证人脸切割的准确性，从而保证后续人脸特征提取的准确性。
本公开的一种可选方式中，对人脸区域图像进行特征提取，包括：
通过预设的人脸特征模型，对人脸区域图像进行特征提取，其中，人脸特征模型的损失函数为人脸余弦相似度(Cosine Face)损失函数。
本公开实施例中，可以基于人脸特征模型对人脸区域图像进行特征提取，该人脸特征模型的损失函数为Cosine Face损失函数。
作为一个示例，人脸特征可以为512维的人脸特征向量形式。前述的聚类处理可以基于人脸特征向量的余弦距离计算实现。
图2示出了本公开实施例提供的一种视频识别方法的流程示意图，如图2中所示，该方法主要可以包括：
步骤S210：获取待识别视频与预创建的人脸库，人脸库是采用上述的人脸库创建方法得到，待识别视频是由人脸库中的目标视频发布用户以外的视频发布用户发布的；
步骤S220：从待识别视频中提取当前人脸特征；
步骤S230：基于当前人脸特征与人脸库中目标人脸特征的相似情况，确定待识别视频的原创性。
本公开实施例中，待识别视频是由人脸库中的目标视频发布用户以外的视频发布用户发布的，即针对目标视频发布用户以外的视频发布用户发布的视频，根据人脸库对其进行原创性判断。
本公开实施例中，可以从待识别视频中提取当前人脸特征，将当前人脸特征与人脸库中目标人脸特征进行比对，基于当前人脸特征与目标人脸特征的相似情况，确定待识别视频的原创性。
作为一个示例，可以参照从历史视频中提取人脸特征的方式，从待识别视频中提取当前人脸特征。具体而言，可以对待识别视频进行切帧，得到帧图像。从待识别视频的帧图像提取当前人脸特征。
当前人脸特征与人脸库中目标人脸特征的相似性，可以通过将当前人脸特征与人脸库中目标人脸特征进行ANN检索的方式确定。
本公开实施例提供的方法，通过获取待识别视频与预创建的人脸库，人脸库是采用上述的人脸库创建方法得到，待识别视频是由人脸库中的目标视频发布用户以外的视频发布用户发布的；从待识别视频中提取当前人脸特征；基于当前人脸特征与人脸库中目标人脸特征的相似情况，确定待识别视频的原创性。本方案中所使用的人脸库准确性好，基于该人脸库能够有效识别视频的原创性。
本公开的一种可选方式中，当前人脸特征是基于待识别视频的帧图像提取的，基于当前人脸特征与人脸库中目标人脸特征的相似情况，确定待识别视频的原创性，包括：
确定当前人脸特征中的目标当前人脸特征，其中，目标当前人脸特征与人脸库中目标人脸特征的相度性满足预设的相似性条件；
基于待识别视频中目标帧图像与待识别视频中帧图像的数量关系，确定待识别视频的原创性，目标帧图像为待识别视频中提取出目标当前人脸特征的帧图像。
本公开实施例中，在当前人脸特征与人脸库中目标人脸特征的相度性满足预设的相似性条件时，可以认为当前人脸特征与目标人脸特征所表征的是同一人脸，相当于命中了人脸库中已有的人脸特征，此时可以将这些当前人脸特征记做目标当前人脸特征。
而后可以统计基于待识别视频中目标帧图像与待识别视频中帧图像的数量关系，基于数量关系确定待识别视频的原创性。
本公开的一种可选方式中，基于待识别视频中目标帧图像与待识别视频中帧图像的数量关系，确定待识别视频的原创性，包括：
响应于待识别视频中目标帧图像的数量在待识别视频中帧图像的总数量中占比不小于第二预设占比，将待识别视频确定为非原创视频。
本公开实施例中，待识别视频中目标帧图像的数量在待识别视频中帧图像的总数量中占比不小于第二预设占比，表示目标帧图像的数量在待识别视频中帧图像的总数量的占比较高，此时可以认为待识别视频中存在较多的视频内容包含了人脸库中的已有人脸，可以判断待识别视频确定为非原创视频。
本公开实施例中，还可以对基于上述视频识别方法得到的原创性识别结果进行人工审核，根据人工审核数据形成反馈数据流。反馈数据流可以用于更新人脸库，也可以用于修正在无监督情况下进行的聚类处理过程，提升聚类结果的准确性，还可以用于修正人脸特征提取过程，提升所提取人脸特征的准确性。
本公开的一种可选方式中，人脸库还包括目标人脸特征在历史视频中的历史出现时刻，基于待识别视频中目标帧图像与待识别视频中帧图像的数量关系，确定待识别视频的原创性，包括：
基于待识别视频中目标帧图像与待识别视频中帧图像的数量关系，并基于目标当前人脸特征在待识别视频中的当前出现时刻与历史出现时刻的匹配情况，确定待识别视频的原创性。
本公开实施例中，人脸库还可以包括目标人脸特征在历史视频中的历史出现时刻。历史出现时刻为目标人脸特征在某一历史视频中的出现时刻，历史出现时刻的序列能够表示目标人脸特征对应人脸在历史视频中出现分布情况。
作为一个示例，人脸库中包括目标视频发布用户a与目标人脸特征1、2、3的对应关系，还包括目标人脸特征1、2、3在某一历史视频中的历史出现时刻，例如为该历史视频的第5s，第10s，第15秒。
当前出现时刻为目标当前人脸特征在待识别视频中的出现时刻，当前出现时刻的序列能够表示目标当前人脸特征对应人脸在待识别视频中出现分布情况。当前出现时刻与历史出现时刻的匹配情况能够用于判断视频的原创性。
具体而言，可以在待识别视频中目标帧图像与待识别视频中帧图像的数量关系满足预设数量关系情况时(如目标帧图像的数量帧图像的总数量中占比不小于第二预设占比)，可以初步判断待识别视频可能存在非原创的风险。而后可以基于目标当前人脸特征在待识别视频中的当前出现时刻与历史出现时刻的匹配情况，确定待识别视频的原创性。若目标当前人脸特征在待识别视频中的当前出现时刻与历史出现时刻的相匹配，表示目标当前人脸特征所表示的人脸在待识别视频中出现分布情况，与目标人脸特征所表示的人脸在历史视频中出现分布情况一致，此时待识别视频为非原创视频。若目标当前人脸特征在待识别视频中的当前出现时刻与历史出现时刻的不匹配，表示目标当前人脸特征所表示的人脸在待识别视频中出现分布情况，与目标人脸特征所表示的人脸在历史视频中出现分布情况不一致，此时不会将待识别视频确定为非原创视频。
作为一示例，当前出现时刻与历史出现时刻的匹配情况，可以为待识别视频中与历史视频中同一人脸的出现时刻是否一一对应，具体而言，可以在各当前出现时刻构成的时刻序列中各当前出现时刻之间的时间间隔，与历史出现时刻构成的时刻序列中各历史出现时刻之间的时间间隔相一致，确定当前出现时刻与历史出现时刻的相匹配。例如，目标人脸特征1、2、3在某一历史视频中的第5s，第10s，第15秒。而目标当前人脸特征在待识别视频的第15s，第20s，第25秒出现，这种情况下当前出现时刻与历史出现时刻的相匹配。
作为一个示例，考虑视频可能存在快放或者慢放的情况，此时，可以在各当前出现时刻构成的时刻序列中各当前出现时刻之间的时间间隔，与历史出现时刻构成的时刻序列中各历史出现时刻之间的时间间隔成固定比例(如1.5倍)放大或缩小时，也可以判断当前出现时刻与历史出现时刻的相匹配。
作为一个示例，图3示出了本公开实施例提供的视频识别方法的一种具体实施方式的流程示意图。
如图3中所示，本公开实施例中所涉及的系统包括离线人脸挖掘模块，以及在线人脸识别模块。其中，离线人脸挖掘模块用于对视频发布用户发布的词历史视频进行分析构建人脸库。在线人脸识别模块用于离线人脸挖掘模块中构建的人脸库，识别视频的原创性。
离线人脸挖掘模块中的处理流程如下：
作者视频，即视频发布者发布的历史视频。
视频切帧，即在获取视频发布者发布的历史视频后，对历史视频进行切帧处理，得到帧图像。
MTCNN人脸检测，即基于MTCNN对帧图像进行人脸检测，提取人脸区域图像。
Cosine face人脸特征向量化，即通过基于Cosine face的人脸特征模型，对人脸区域图像提取人脸特征向量。
人脸聚类，即对人脸特征向量进行聚类处理。
作者人脸库，即基于聚类处理结果，构建人脸库。
在线人脸识别模块中的处理流程如下：
作者视频，即获取待识别的视频。
视频切帧，即在获取待识别的视频后，对待识别的视频进行切帧处理，得到帧图像。
MTCNN人脸检测，即基于MTCNN对帧图像进行人脸检测，提取人脸区域图像。
Cosine face人脸特征向量化，即通过基于Cosine face的人脸特征模型，对人脸区域图像提取人脸特征向量，即得到当前人脸特征。
Cosine距离相似计算、人脸比对，即基于Cosine距离计算当前人脸特征与人脸库中人脸特征的相似性。
搬运识别，即基于当前人脸特征与人脸库中人脸特征的相似性情况，确定待识别视频的原创性。
基于与图1中所示的方法相同的原理，图4示出了本公开实施例提供的一种人脸库创建装置的结构示意图，如图4所示，该人脸库创建装置40可以包括：
历史视频获取模块410，用于获取至少一个视频发布用户发布的历史视频；
人脸特征提取模块420，用于从历史视频中提取人脸特征；
目标人脸特征确定模块430，用于从人脸特征中确定对应于同一人脸的目标人脸特征；
人脸库创建模块440，用于基于由各视频发布用户发布的历史视频中提取的目标人脸特征的数量情况，建立人脸库。
本公开实施例提供的装置，通过获取至少一个视频发布用户发布的历史视频；从历史视频中提取人脸特征；从人脸特征中确定对应于同一人脸的目标人脸特征；基于由各视频发布用户发布的历史视频中提取的目标人脸特征的数量情况，建立人脸库。基于本方案，能够有效建立人脸库，有助于基于人脸库有效识别视频的原创性。
可选地，人脸库创建模块具体用于：
响应于视频发布用户中存在目标视频用户，将目标视频用户与由目标视频发布用户的历史视频中提取的目标人脸特征建立对应关系，从目标视频用户发布的历史视频中所提取的目标人脸特征的数量在目标人脸特征的总数量中的占比不小于第一预设占比；
基于对应关系建立人脸库。
可选地，目标人脸特征确定模块具体用于：
响应于人脸特征中存在候选人脸特征，且候选人脸特征的数量不小于预设数量，将各候选人脸特征确定为对应于同一人脸的目标人脸特征，各候选人脸之间的相似度满足预设相似条件。
可选地，上述装置还包括候选人脸特征确定模块，候选人脸特征确定模块用于：
对人脸特征进行聚类处理；
基于聚类处理结果，确定候选人脸特征。
可选地，聚类处理基于ANN检索实现。
可选地，人脸特征提取模块具体用于：
对历史视频进行切帧处理，得到历史视频的帧图像；
基于帧图像提取人脸特征。
可选地，人脸特征提取模块在基于帧图像提取人脸特征时，具体用于：
对帧图像进行人脸切割，得到帧图像中的人脸区域图像；
对人脸区域图像进行特征提取，得到人脸特征。
可选地，人脸特征提取模块在对帧图像进行人脸切割时，具体用于：
基于MTCNN对帧图像进行人脸切割。
可选地，人脸特征提取模块在对人脸区域图像进行特征提取时，具体用于：
通过预设的人脸特征模型，对人脸区域图像进行特征提取，其中，人脸特征模型的损失函数为Cosine Face损失函数。
可以理解的是，本公开实施例中的人脸库创建装置的上述各模块具有实现图1中所示的实施例中的人脸库创建方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述人脸库创建装置的各模块的功能描述具体可以参见图1中所示实施例中的人脸库创建方法的对应描述，在此不再赘述。
基于与图2中所示的方法相同的原理，图5示出了本公开实施例提供的一种视频识别装置的结构示意图，如图5所示，该视频识别装置50可以包括：
数据获取模块510，用于获取待识别视频与预创建的人脸库，人脸库是采用上述的人脸库创建方法得到，待识别视频是由人脸库中的目标视频发布用户以外的视频发布用户发布的；
当前人脸特征提取模块520，用于从待识别视频中提取当前人脸特征；
原创性确定模块530，用于基于当前人脸特征与人脸库中目标人脸特征的相似情况，确定待识别视频的原创性。
本公开实施例提供的装置，通过获取待识别视频与预创建的人脸库，人脸库是采用上述的人脸库创建方法得到，待识别视频是由人脸库中的目标视频发布用户以外的视频发布用户发布的；从待识别视频中提取当前人脸特征；基于当前人脸特征与人脸库中目标人脸特征的相似情况，确定待识别视频的原创性。本方案中所使用的人脸库准确性好，基于该人脸库能够有效识别视频的原创性。
可选地，当前人脸特征是基于待识别视频的帧图像提取的，原创性确定模块具体用于：
确定当前人脸特征中的目标当前人脸特征，其中，目标当前人脸特征与人脸库中目标人脸特征的相度性满足预设的相似性条件；
基于待识别视频中目标帧图像与待识别视频中帧图像的数量关系，确定待识别视频的原创性，目标帧图像为待识别视频中提取出目标当前人脸特征的帧图像。
可选地，原创性确定模块在基于待识别视频中目标帧图像与待识别视频中帧图像的数量关系，确定待识别视频的原创性时，具体用于：
响应于待识别视频中目标帧图像的数量在待识别视频中帧图像的总数量中占比不小于第二预设占比，将待识别视频确定为非原创视频。
可选地，人脸库还包括目标人脸特征在历史视频中的历史出现时刻，原创性确定模块在基于待识别视频中目标帧图像与待识别视频中帧图像的数量关系，确定待识别视频的原创性时，具体用于：
基于待识别视频中目标帧图像与待识别视频中帧图像的数量关系，并基于目标当前人脸特征在待识别视频中的当前出现时刻与历史出现时刻的匹配情况，确定待识别视频的原创性。
可以理解的是，本公开实施例中的视频识别装置的上述各模块具有实现图2中所示的实施例中的视频识别方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述视频识别装置的各模块的功能描述具体可以参见图2中所示实施例中的视频识别方法的对应描述，在此不再赘述。
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。
该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如本公开实施例提供的人脸库创建或视频识别方法。
该电子设备与现有技术相比，通过获取待识别视频与预创建的人脸库，人脸库是采用上述的人脸库创建方法得到，待识别视频是由人脸库中的目标视频发布用户以外的视频发布用户发布的；从待识别视频中提取当前人脸特征；基于当前人脸特征与人脸库中目标人脸特征的相似情况，确定待识别视频的原创性。本方案中所使用的人脸库准确性好，基于该人脸库能够有效识别视频的原创性。
该可读存储介质为存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如本公开实施例提供的人脸库创建或视频识别方法。
该可读存储介质与现有技术相比，通过获取待识别视频与预创建的人脸库，人脸库是采用上述的人脸库创建方法得到，待识别视频是由人脸库中的目标视频发布用户以外的视频发布用户发布的；从待识别视频中提取当前人脸特征；基于当前人脸特征与人脸库中目标人脸特征的相似情况，确定待识别视频的原创性。本方案中所使用的人脸库准确性好，基于该人脸库能够有效识别视频的原创性。
该计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本公开实施例提供的人脸库创建或视频识别方法。
该计算机程序产品与现有技术相比，通过获取待识别视频与预创建的人脸库，人脸库是采用上述的人脸库创建方法得到，待识别视频是由人脸库中的目标视频发布用户以外的视频发布用户发布的；从待识别视频中提取当前人脸特征；基于当前人脸特征与人脸库中目标人脸特征的相似情况，确定待识别视频的原创性。本方案中所使用的人脸库准确性好，基于该人脸库能够有效识别视频的原创性。
图6示出了可以用来实施本公开的实施例的示例电子设备60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、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、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6所示，电子设备60包括计算单元610，其可以根据存储在只读存储器(ROM)620中的计算机程序或者从存储单元680加载到随机访问存储器(RAM)630中的计算机程序，来执行各种适当的动作和处理。在RAM 630中，还可存储设备60操作所需的各种程序和数据。计算单元610、ROM620以及RAM 630通过总线640彼此相连。输入/输出(I/O)接口650也连接至总线640。
设备60中的多个部件连接至I/O接口650，包括：输入单元660，例如键盘、鼠标等；输出单元670，例如各种类型的显示器、扬声器等；存储单元680，例如磁盘、光盘等；以及通信单元690，例如网卡、调制解调器、无线通信收发机等。通信单元690允许设备60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610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610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610执行本公开实施例中所提供的人脸库创建或视频识别方法。例如，在一些实施例中，执行本公开实施例中所提供的人脸库创建或视频识别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680。在一些实施例中，计算机程序的部分或者全部可以经由ROM 620和/或通信单元690而被载入和/或安装到设备60上。当计算机程序加载到RAM 630并由计算单元610执行时，可以执行本公开实施例中所提供的人脸库创建或视频识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元610可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开实施例中所提供的人脸库创建或视频识别方法。
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)、芯片上系统的系统(SOC)、负载可编程逻辑设备(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数据处理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，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 (29)

1.一种人脸库创建方法，包括：
获取至少一个视频发布用户发布的历史视频；
从所述历史视频中提取人脸特征；
从所述人脸特征中确定对应于同一人脸的目标人脸特征；
基于由各所述视频发布用户发布的历史视频中提取的所述目标人脸特征的数量情况，建立人脸库。
2.根据权利要求1所述的方法，其中，所述基于由各所述视频发布用户发布的历史视频中提取的所述目标人脸特征的数量情况，建立人脸库，包括：
响应于所述视频发布用户中存在目标视频用户，将所述目标视频用户与由所述目标视频发布用户的历史视频中提取的所述目标人脸特征建立对应关系，从所述目标视频用户发布的历史视频中所提取的目标人脸特征的数量在所述目标人脸特征的总数量中的占比不小于第一预设占比；
基于所述对应关系建立人脸库。
3.根据权利要求1或2所述的方法，其中，所述从所述人脸特征中确定对应于同一人脸的目标人脸特征，包括：
响应于所述人脸特征中存在候选人脸特征，且所述候选人脸特征的数量不小于预设数量，将各所述候选人脸特征确定为对应于同一人脸的目标人脸特征，各所述候选人脸之间的相似度满足预设相似条件。
4.根据权利要求3所述的方法，其中，还包括：
对所述人脸特征进行聚类处理；
基于聚类处理结果，确定所述候选人脸特征。
5.根据权利要求4所述的方法，其中，所述聚类处理基于近似最近邻ANN检索实现。
6.根据权利要求1-5中任一项所述的方法，其中，所述从所述历史视频中提取人脸特征，包括：
对所述历史视频进行切帧处理，得到所述历史视频的帧图像；
基于所述帧图像提取人脸特征。
7.根据权利要求6所述的方法，其中，所述基于所述帧图像提取人脸特征，包括：
对所述帧图像进行人脸切割，得到所述帧图像中的人脸区域图像；
对所述人脸区域图像进行特征提取，得到人脸特征。
8.根据权利要求7所述的方法，其中，所述对所述帧图像进行人脸切割，包括：
基于多任务卷积神经网络MTCNN对所述帧图像进行人脸切割。
9.根据权利要求7或8所述的方法，其中，所述对所述人脸区域图像进行特征提取，包括：
通过预设的人脸特征模型，对所述人脸区域图像进行特征提取，其中，所述人脸特征模型的损失函数为人脸余弦相似度Cosine Face损失函数。
10.一种视频识别方法，包括：
获取待识别视频与预创建的人脸库，所述人脸库是采用如权利要求1-9中任一项所述的人脸库创建方法得到，所述待识别视频是由所述人脸库中的目标视频发布用户以外的视频发布用户发布的；
从所述待识别视频中提取当前人脸特征；
基于所述当前人脸特征与所述人脸库中目标人脸特征的相似情况，确定所述待识别视频的原创性。
11.根据权利要求10所述的方法，其中，所述当前人脸特征是基于所述待识别视频的帧图像提取的，所述基于所述当前人脸特征与所述人脸库中目标人脸特征的相似情况，确定所述待识别视频的原创性，包括：
确定所述当前人脸特征中的目标当前人脸特征，其中，所述目标当前人脸特征与所述人脸库中目标人脸特征的相度性满足预设的相似性条件；
基于所述待识别视频中目标帧图像与所述待识别视频中帧图像的数量关系，确定所述待识别视频的原创性，所述目标帧图像为所述待识别视频中提取出所述目标当前人脸特征的帧图像。
12.根据权利要求11所述的方法，其中，所述基于所述待识别视频中目标帧图像与所述待识别视频中帧图像的数量关系，确定所述待识别视频的原创性，包括：
响应于所述待识别视频中目标帧图像的数量在所述待识别视频中帧图像的总数量中占比不小于第二预设占比，将所述待识别视频确定为非原创视频。
13.根据权利要求11或12所述的方法，其中，所述人脸库还包括所述目标人脸特征在历史视频中的历史出现时刻，所述基于待识别视频中目标帧图像与所述待识别视频中帧图像的数量关系，确定所述待识别视频的原创性，包括：
基于待识别视频中目标帧图像与所述待识别视频中帧图像的数量关系，并基于所述目标当前人脸特征在所述待识别视频中的当前出现时刻与所述历史出现时刻的匹配情况，确定所述待识别视频的原创性。
14.一种人脸库创建装置，包括：
历史视频获取模块，用于获取至少一个视频发布用户发布的历史视频；
人脸特征提取模块，用于从所述历史视频中提取人脸特征；
目标人脸特征确定模块，用于从所述人脸特征中确定对应于同一人脸的目标人脸特征；
人脸库创建模块，用于基于由各所述视频发布用户发布的历史视频中提取的所述目标人脸特征的数量情况，建立人脸库。
15.根据权利要求14所述的装置，其中，所述人脸库创建模块具体用于：
响应于所述视频发布用户中存在目标视频用户，将所述目标视频用户与由所述目标视频发布用户的历史视频中提取的所述目标人脸特征建立对应关系，从所述目标视频用户发布的历史视频中所提取的目标人脸特征的数量在所述目标人脸特征的总数量中的占比不小于第一预设占比；
基于所述对应关系建立人脸库。
16.根据权利要求14或15所述的装置，其中，所述目标人脸特征确定模块具体用于：
响应于所述人脸特征中存在候选人脸特征，且所述候选人脸特征的数量不小于预设数量，将各所述候选人脸特征确定为对应于同一人脸的目标人脸特征，各所述候选人脸之间的相似度满足预设相似条件。
17.根据权利要求16所述的装置，还包括候选人脸特征确定模块，所述候选人脸特征确定模块用于：
对所述人脸特征进行聚类处理；
基于聚类处理结果，确定所述候选人脸特征。
18.根据权利要求17所述的装置，其中，所述聚类处理基于ANN检索实现。
19.根据权利要求14-18中任一项所述的装置，其中，所述人脸特征提取模块具体用于：
对所述历史视频进行切帧处理，得到所述历史视频的帧图像；
基于所述帧图像提取人脸特征。
20.根据权利要求19所述的装置，其中，所述人脸特征提取模块在基于所述帧图像提取人脸特征时，具体用于：
对所述帧图像进行人脸切割，得到所述帧图像中的人脸区域图像；
对所述人脸区域图像进行特征提取，得到人脸特征。
21.根据权利要求20所述的装置，其中，所述人脸特征提取模块在对所述帧图像进行人脸切割时，具体用于：
基于MTCNN对所述帧图像进行人脸切割。
22.根据权利要求20或21所述的装置，其中，所述人脸特征提取模块在对所述人脸区域图像进行特征提取时，具体用于：
通过预设的人脸特征模型，对所述人脸区域图像进行特征提取，其中，所述人脸特征模型的损失函数为Cosine Face损失函数。
23.一种视频识别装置，包括：
数据获取模块，用于获取待识别视频与预创建的人脸库，所述人脸库是采用如权利要求1-9中任一项所述的人脸库创建方法得到，所述待识别视频是由所述人脸库中的目标视频发布用户以外的视频发布用户发布的；
当前人脸特征提取模块，用于从所述待识别视频中提取当前人脸特征；
原创性确定模块，用于基于所述当前人脸特征与所述人脸库中目标人脸特征的相似情况，确定所述待识别视频的原创性。
24.根据权利要求23所述的装置，其中，所述当前人脸特征是基于所述待识别视频的帧图像提取的，所述原创性确定模块具体用于：
确定所述当前人脸特征中的目标当前人脸特征，其中，所述目标当前人脸特征与所述人脸库中目标人脸特征的相度性满足预设的相似性条件；
基于所述待识别视频中目标帧图像与所述待识别视频中帧图像的数量关系，确定所述待识别视频的原创性，所述目标帧图像为所述待识别视频中提取出所述目标当前人脸特征的帧图像。
25.根据权利要求24所述的装置，其中，所述原创性确定模块在基于所述待识别视频中目标帧图像与所述待识别视频中帧图像的数量关系，确定所述待识别视频的原创性时，具体用于：
响应于所述待识别视频中目标帧图像的数量在所述待识别视频中帧图像的总数量中占比不小于第二预设占比，将所述待识别视频确定为非原创视频。
26.根据权利要求24或25所述的装置，其中，所述人脸库还包括所述目标人脸特征在历史视频中的历史出现时刻，所述原创性确定模块在基于待识别视频中目标帧图像与所述待识别视频中帧图像的数量关系，确定所述待识别视频的原创性时，具体用于：
基于待识别视频中目标帧图像与所述待识别视频中帧图像的数量关系，并基于所述目标当前人脸特征在所述待识别视频中的当前出现时刻与所述历史出现时刻的匹配情况，确定所述待识别视频的原创性。
27.一种电子设备，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1-13中任一项所述的方法。
28.一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1-13中任一项所述的方法。
29.一种计算机程序产品，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1-13中任一项所述的方法。
CN202311609368.3A 2023-11-29 2023-11-29 人脸库创建、视频识别方法、装置及电子设备 Pending CN117668294A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311609368.3A CN117668294A (zh) 2023-11-29 2023-11-29 人脸库创建、视频识别方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311609368.3A CN117668294A (zh) 2023-11-29 2023-11-29 人脸库创建、视频识别方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN117668294A true CN117668294A (zh) 2024-03-08

Family

ID=90080047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311609368.3A Pending CN117668294A (zh) 2023-11-29 2023-11-29 人脸库创建、视频识别方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN117668294A (zh)

Similar Documents

Publication Publication Date Title
CN112559800B (zh) 用于处理视频的方法、装置、电子设备、介质和产品
CN113360711B (zh) 视频理解任务的模型训练和执行方法、装置、设备及介质
CN112800919A (zh) 一种检测目标类型视频方法、装置、设备以及存储介质
CN112528641A (zh) 建立信息抽取模型的方法、装置、电子设备和可读存储介质
CN114037059A (zh) 预训练模型、模型的生成方法、数据处理方法及装置
CN113963197A (zh) 图像识别方法、装置、电子设备和可读存储介质
CN113657249B (zh) 训练方法、预测方法、装置、电子设备以及存储介质
CN116578925B (zh) 基于特征画像的行为预测方法、装置及存储介质
CN112528146B (zh) 内容资源推荐方法、装置、电子设备及存储介质
CN116340831B (zh) 一种信息分类方法、装置、电子设备及存储介质
CN113704256B (zh) 数据识别方法、装置、电子设备及存储介质
CN113554062B (zh) 多分类模型的训练方法、设备和存储介质
CN113360672B (zh) 用于生成知识图谱的方法、装置、设备、介质和产品
CN114912541A (zh) 分类方法、装置、电子设备和存储介质
CN114254650A (zh) 一种信息处理方法、装置、设备及介质
CN114048376A (zh) 广告的业务信息挖掘方法、装置、电子设备以及存储介质
CN117668294A (zh) 人脸库创建、视频识别方法、装置及电子设备
CN113642495B (zh) 用于评价时序提名的模型的训练方法、设备、程序产品
CN114428887B (zh) 点击数据去噪方法、装置、电子设备及存储介质
CN115131709B (zh) 视频类别预测方法、视频类别预测模型的训练方法及装置
CN117746069B (zh) 以图搜图的模型训练方法、和以图搜图方法
CN113051472B (zh) 点击通过率预估模型的建模方法、装置、设备以及存储介质
CN114299522B (zh) 图像识别方法装置、设备和存储介质
CN114492409B (zh) 文件内容的评价方法、装置、电子设备及程序产品
CN114065008A (zh) 基于搜索的对象识别的方法、装置、设备以及存储介质

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