CN117676278A - 视频的封面选取方法和装置 - Google Patents
视频的封面选取方法和装置 Download PDFInfo
- Publication number
- CN117676278A CN117676278A CN202311779885.5A CN202311779885A CN117676278A CN 117676278 A CN117676278 A CN 117676278A CN 202311779885 A CN202311779885 A CN 202311779885A CN 117676278 A CN117676278 A CN 117676278A
- Authority
- CN
- China
- Prior art keywords
- frame
- candidate images
- cover
- image
- video
- 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
- 238000010187 selection method Methods 0.000 title claims description 15
- 239000000203 mixture Substances 0.000 claims abstract description 137
- 238000013441 quality evaluation Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 22
- 238000012163 sequencing technique Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001303 quality assessment method Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000000059 patterning Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000003796 beauty Effects 0.000 description 4
- 230000008451 emotion Effects 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 210000005252 bulbus oculi Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000003643 water by type Substances 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]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/85—Assembly of content; Generation of multimedia applications
- H04N21/854—Content authoring
- H04N21/8549—Creating video summaries, e.g. movie trailer
-
- 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
- H04N21/23412—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs for generating or manipulating the scene composition of objects, e.g. MPEG-4 objects
-
- 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]
- H04N21/40—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 or rendering scenes according to encoded video stream scene graphs
- H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream 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 or rendering scenes according to encoded video stream scene graphs
- H04N21/44012—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving rendering scenes according to scene graphs, e.g. MPEG-4 scene graphs
-
- 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]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/81—Monomedia components thereof
- H04N21/8146—Monomedia components thereof involving graphical data, e.g. 3D object, 2D graphics
- H04N21/8153—Monomedia components thereof involving graphical data, e.g. 3D object, 2D graphics comprising still images, e.g. texture, background image
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Graphics (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Television Signal Processing For Recording (AREA)
Abstract
本申请实施例提供了一种视频的封面选取方法和装置,包括:获取待处理的视频片段和需要选取的目标封面对应的构图风格特征;从所述待处理的视频片段中确定符合所述目标封面对应的构图风格特征的多帧候选图像;对所述多帧候选图像中的每一帧候选图像进行美学质量评估处理,以确定每一帧候选图像对应的美学质量评估值;根据所述每一帧候选图像对应的美学质量评估值从多帧候选图像中确定目标封面。通过在按照用户所需要的目标封面的构图风格特征进行初步筛选之后,进一步对筛选得到的候选图像进行基于美学的质量评估,从而可以选取出更具美学价值的图像作为视频的封面,提高视频封面整体的美学质量,增强视频的吸引力。
Description
技术领域
本申请实施例涉及互联网技术领域,尤其涉及一种视频的封面选取方法、装置、计算机设备及计算机可读存储介质。
背景技术
目前,从人工选取和自动选取两个方面来看,风景纪录片的封面选取技术已经取得了很大的进展。其中,人工选取方面,制作人员可以利用一些图像处理软件来快速准确地选取封面。自动选取方面,基于机器学习和深度学习的技术已经被广泛应用于风景纪录片的封面选取中,这些技术可以根据视频的内容和结构信息来自动学习和选取封面,从而选取出的封面能够更好地代表视频的主题和内容。
美学对风景纪录片的创作有着深远的影响。在纪录片的拍摄过程中,摄影师需要运用美学的原则和规律,将自然景色最美的一面展现出来。这包括对景色的构图、色彩、光影等方面的把握,以及对自然景观的意境和氛围的渲染。同时,纪录片也需要通过一定的叙事手法和剪辑技巧,将自然景色与人文元素有机地结合在一起,使观众能够更好地理解和欣赏自然之美。
然而,以往针对风景纪录片的封面选取方案并没有考虑美学,导致封面选取可能会选取到视觉效果不佳、美学质量低的图片,这样的图片可能无法吸引观众的眼球,也无法准确地传达纪录片的内容和主题。
发明内容
本申请实施例的目的是提供一种视频的封面选取方法、装置、计算机设备及计算机可读存储介质,用于解决以下问题:以往针对风景纪录片的封面选取方案没有考虑美学,导致选取到视觉效果不佳、美学质量低的图片,无法吸引观众的眼球,也无法准确地传达纪录片的内容和主题。
本申请实施例的一个方面提供了一种视频的封面选取方法,包括:
获取待处理的视频片段和需要选取的目标封面对应的构图风格特征;
从所述待处理的视频片段中确定符合所述目标封面对应的构图风格特征的多帧候选图像;
对所述多帧候选图像中的每一帧候选图像进行美学质量评估处理,以确定每一帧候选图像对应的美学质量评估值;
根据所述每一帧候选图像对应的美学质量评估值从多帧候选图像中确定目标封面。
可选地,所述需要选取的目标封面对应的构图风格特征包括目标场景类型;
所述从所述待处理的视频片段中确定符合所述目标封面对应的构图风格特征的多帧候选图像,包括:
对所述待处理的视频片段中的每一帧图像进行场景分析,以确定每一帧图像对应的场景类型;
根据所述每一帧图像对应的场景类型,从所述待处理的视频片段中确定符合所述目标场景类型的多帧候选图像。
可选地,所述需要选取的目标封面对应的构图风格特征还包括目标构图形式;
所述从所述待处理的视频片段中确定符合所述目标封面对应的构图风格特征的多帧候选图像,还包括:
对符合所述目标场景类型的多帧候选图像中的每一帧图像进行构图分析,以确定每一帧候选图像对应的构图形式;
根据所述每一帧候选图像对应的构图形式,从符合所述目标场景类型的多帧候选图像中确定符合所述目标构图形式的多帧候选图像。
可选地,所述对符合所述目标场景类型的多帧候选图像中的每一帧图像进行构图分析,以确定每一帧候选图像对应的构图形式,包括:
依次从符合所述目标场景类型的多帧候选图像中确定当前处理的图像;
从所述当前处理的图像中提取得到图像特征向量;
将所述图像特征向量输入至预置的构图分类器中进行分类,以得到每一种构图形式对应的预测概率,并根据所述预测概率确定所述当前处理的图像对应的构图形式;
返回执行所述依次从符合所述目标场景类型的多帧候选图像中确定当前处理的图像的步骤,直到遍历完成所有的候选图像。
可选地,获取待处理的视频片段和需要选取的目标封面对应的构图风格特征,包括:
接收用户输入的封面设置操作;
根据所述封面设置操作,确定待处理的视频片段和需要选取的目标封面对应的构图风格特征。
可选地,所述对所述多帧候选图像中的每一帧候选图像进行美学质量评估,以确定每一帧候选图像对应的美学质量评估值,包括:
对所述多帧候选图像中的每一帧候选图像进行色彩分析,以得到每一帧候选图像对应的第一评估值;
对所述多帧候选图像中的每一帧候选图像进行纹理分析,以得到每一帧候选图像对应的第二评估值;
根据所述每一帧候选图像对应的第一评估值和第二评估值,确定所述每一帧候选图像对应的美学质量评估值。
可选地,所述根据所述每一帧候选图像对应的美学质量评估值从多帧候选图像中确定目标封面,包括:
根据所述每一帧候选图像对应的美学质量评估值对所述多帧候选图像进行排序,得到所述多帧候选图像的排序结果;
根据所述多帧候选图像的排序结果从多帧候选图像中确定目标封面。
本申请实施例的一个方面又提供了一种视频的封面选取装置,包括:
构图风格特征获取模块,用于获取待处理的视频片段和需要选取的目标封面对应的构图风格特征;
候选图像确定模块,用于从所述待处理的视频片段中确定符合所述目标封面对应的构图风格特征的多帧候选图像;
美学质量评估模块,用于对所述多帧候选图像中的每一帧候选图像进行美学质量评估处理,以确定每一帧候选图像对应的美学质量评估值;
封面确定模块,用于根据所述每一帧候选图像对应的美学质量评估值从多帧候选图像中确定目标封面。
本申请实施例的一个方面又提供了一种计算机设备,所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述的视频的封面选取方法的步骤。
本申请实施例的一个方面又提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行所述计算机程序时实现如上述的视频的封面选取方法的步骤。
本申请实施例提供的视频的封面选取方法、装置、设备及计算机可读存储介质,通过首先对视频片段中所有的图像按照用户所需要的目标封面的构图风格特征进行初步筛选,然后,对筛选得到的候选图像进行基于美学的质量评估,从而可以选取出更具美学价值的图像作为视频的封面,提高视频封面整体的美学质量,尤其是对于风景记录类的视频,这样的封面更能吸引观众的眼球,增强风景纪录片的吸引力。
附图说明
图1示意性示出了根据本申请实施例的视频的封面选取方法的应用环境图;
图2示意性示出了根据本申请实施例一的视频的封面选取方法的流程图;
图3示意性示出了根据本申请实施例一的一种构图分析的模块框图;
图4示意性示出了根据本申请实施例一的视频的封面选取方法的模块框图;
图5示意性示出了根据本申请实施例二的视频的封面选取装置的框图;及
图6示意性示出了根据本申请实施例三的适于实现视频的封面选取方法的计算机设备的硬件架构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。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,都属于本申请保护的范围。
需要说明的是,在本申请实施例中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
早期风景纪录片的封面选取主要是通过人工选取的方式进行的。在人工选取封面时,制作人员通常会考虑一些因素,如画面的美感、主题的突出、视觉的冲击力等。在这个过程中,制作人员需要对视频内容进行全面的了解和分析,找到最能代表视频主题和内容的帧,并将其作为封面,这需要大量的时间和精力,同时,由于不同制作人员的经验和审美观念的不同,选取的封面也会有所不同,这也会影响到观众对纪录片的整体印象。因此,通过人工选取封面的方式的缺点是费时费力,而且容易受到个人主观因素的影响。
而利用自动选取技术选取封面的方式则可以克服这些缺点,它可以通过利用计算机视觉和图像处理技术对视频内容的分析和学习,自动从视频中选取出最具代表性的帧作为封面,从而更好地代表视频的主题和内容。随着计算机技术的发展,自动选取技术逐渐被应用到风景纪录片的封面选取中。这种自动选取封面的方式的优点是可以大大减少人工选取的时间和成本,而且可以避免个人主观因素的影响。同时,自动选取技术还可以根据视频的内容和结构信息来选取封面,从而更好地代表视频的主题和内容。
目前,从人工选取和自动选取两个方面来看,风景纪录片的封面选取技术已经取得了很大的进展。其中,人工选取方面,制作人员可以利用一些图像处理软件来快速准确地选取封面,而自动选取方面,基于机器学习和深度学习的技术已经被广泛应用于风景纪录片的封面选取中,比如卷积神经网络(CNN)和循环神经网络(RNN)等。这些技术可以根据视频的内容和结构信息来自动学习和选取封面,从而选取出的封面能够更好地代表视频的主题和内容。
美学对风景纪录片的创作有着深远的影响。在纪录片的拍摄过程中,摄影师需要运用美学的原则和规律,将自然景色最美的一面展现出来。这包括对景色的构图、色彩、光影等方面的把握,以及对自然景观的意境和氛围的渲染。同时,纪录片也需要通过一定的叙事手法和剪辑技巧,将自然景色与人文元素有机地结合在一起,使观众能够更好地理解和欣赏自然之美。
然而,以往针对风景纪录片的封面选取方案并没有考虑美学,导致封面选取可能会选取到视觉效果不佳、美学质量低的图片,这样的图片可能无法吸引观众的眼球,也无法准确地传达纪录片的内容和主题。
有鉴于此,本申请旨在提出一种视频的封面选取方法和装置,通过获取待处理的视频片段和需要选取的目标封面对应的构图风格特征;从所述待处理的视频片段中确定符合所述目标封面对应的构图风格特征的多帧候选图像;对所述多帧候选图像中的每一帧候选图像进行美学质量评估处理,以确定每一帧候选图像对应的美学质量评估值;根据所述每一帧候选图像对应的美学质量评估值从多帧候选图像中确定目标封面。从而通过首先对视频片段中所有的图像按照用户所需要的目标封面的构图风格特征进行初步筛选,然后,对筛选得到的候选图像进行基于美学的质量评估,从而可以选取出更具美学价值的图像作为视频的封面,提高视频封面整体的美学质量,尤其是对于风景记录类的视频,这样的封面更能吸引观众的眼球,增加风景纪录片的吸引力。
本申请提供了多个实施例进一步介绍视频的封面选取方案,具体参照下文。
在本申请的描述中,需要理解的是,步骤前的数字标号并不标识执行步骤的前后顺序,仅用于方便描述本申请及区别每一步骤,因此不能理解为对本申请的限制。
以下为本申请的术语解释:
美学评估:美学评估是指利用计算机技术对数字图像进行美学质量评估。这包括对图像的色彩、纹理、构图等方面的评估,以及从美学角度对图像的整体质量进行评估。在美学评估中,通常会采用一些算法和模型,比如卷积神经网络对图像进行特征提取和分类。这些算法和模型可以自动地计算出图像的美学描述,比如色彩的鲜艳程度、纹理的复杂度等。
视频封面选取:计算机里的视频封面选取是指从视频中提取出具有代表性的帧作为封面。这个过程通常通过人工选取出比较优质的画面。在视频封面选取中,常用的方法包括基于帧的选取和基于场景的选取。基于帧的选取是指直接从视频中提取出特定的帧作为封面。
CNN:Convolutional Neural Networks,卷积神经网络。神经认知机可以看作是巻积神经网络的第一个实现网络,神经认知机通过将一个视觉模式分解成许多子模式(特征),然后进入分层递阶式相连的特征平面进行处理,它试图将视觉系统模型化,使其能够在即使物体有位移或轻微变形的时候,也能完成识别。
RNN:Recurrent Netural Network,循环神经网络,是一类具有短期记忆能力的神经网络。在RNN中,神经元不但可以接受其他神经元的信息,也可以接受自身的信息,形成具有环路的网络结构,RNN由此得名。
图1示意性示出了根据本申请实施例的环境应用示意图。如图1所示:
计算机设备10000可以通过网络20000连接客户端30000。
计算机设备10000可以提供服务,如进行网络调试,或返回视频的封面选取结果数据给客户端30000等。
计算机设备10000可以位于诸如单个场所之类的数据中心,或者分布在不同的地理位置(例如,在多个场所)中。计算机设备10000可以经由一个或多个网络20000提供服务。网络20000包括各种网络设备,例如路由器,交换机,多路复用器,集线器,调制解调器,网桥,中继器,防火墙,代理设备和/或类似。网络20000可以包括物理链路,例如同轴电缆链路,双绞线电缆链路,光纤链路,其组合等。网络20000可以包括无线链路,诸如蜂窝链路,卫星链路,Wi-Fi链路等。
计算机设备10000可以由一个或多个计算节点实现。一个或多个计算节点可以包括虚拟化的计算实例。虚拟化的计算实例可以包括虚拟机,例如计算机系统,操作系统,服务器等的仿真。计算节点可以基于虚拟映像和/或定义用于仿真的特定软件(例如,操作系统,专用应用程序,服务器)的其他数据,由计算节点加载虚拟机。随着对不同类型的处理服务的需求改变,可以在一个或多个计算节点上加载和/或终止不同的虚拟机。可以实现管理程序来管理同一计算节点上不同虚拟机的使用。
客户端30000可以被配置为访问计算机设备10000的内容和服务。客户端30000可以包括任何类型的电子设备,诸如移动设备、平板设备、膝上型计算机、工作站、虚拟现实设备,游戏设备、机顶盒、数字流媒体设备、车辆终端、智能电视、机顶盒等。
客户端30000可以将视频的封面选取结果数据等输出(例如,显示、渲染、呈现)给用户。
以下将通过多个实施例介绍网络调试方案。该方案可以通过计算机设备10000实施。
实施例一
图2示意性示出了根据本申请实施例一的视频的封面选取方法的流程图。包括步骤S202-S208,其中,
步骤S202,获取待处理的视频片段和需要选取的目标封面对应的构图风格特征;
其中,待处理的视频片段可以为风景记录视频片段,或旅游记录记录视频片段等,本申请实施例对此不作具体限制。需要选取的目标封面对应的构图风格特征用于指定用户所需要的封面的场景或构图等方面的特征,该构图风格特征可以包括目标场景类型和目标构图形式等。
在本申请的一种优选实施例中,获取待处理的视频片段和需要选取的目标封面对应的构图风格特征,包括:
接收用户输入的封面设置操作;根据所述封面设置操作,确定待处理的视频片段和需要选取的目标封面对应的构图风格特征。
具体的,视频播放平台可以提供一客户端,通过该客户端展示一个图形用户界面,该图形用户界面所显示的内容可以包含用于设置视频封面的页面,用户可以在用于设置视频封面的页面上进行封面设置操作,以选取需要设置封面的待处理的视频片段,并设置需要选取的目标封面对应的构图风格特征。客户端在接收到终端的用户数据采集模块采集得到的封面设置操作之后,可以将该封面设置操作上传至服务器,由服务器对该封面设置操作进行响应,以确定待处理的视频片段和需要选取的目标封面对应的构图风格特征。
步骤S204,从所述待处理的视频片段中确定符合所述目标封面对应的构图风格特征的多帧候选图像;
具体的,可以通过预先训练好的图像分析模型对待处理的视频片段中的每一帧图像进行分析,该图像分析模型用于分析图像的场景或构图特征等,从而确定待处理的视频片段中的每一帧图像对应的场景类型和/或构图形式,并按照每一帧图像对应的场景类型和/或构图形式进行初步筛选,以从待处理的视频片段中确定符合目标封面对应的构图风格特征的多帧候选图像。
步骤S206,对所述多帧候选图像中的每一帧候选图像进行美学质量评估处理,以确定每一帧候选图像对应的美学质量评估值;
在本实施例中,在从待处理的视频片段中筛选得到符合目标封面对应的构图风格特征的多帧候选图像之后,通过进一步对初步筛选得到的多帧候选图像中的每一帧候选图像进行美学质量评估处理,以确定每一帧候选图像对应的美学质量评估值。具体的,可以从图像的色彩和纹理等角度对图像进行美学质量评估处理,以确定每一帧候选图像对应的美学质量评估值。
步骤S208,根据所述每一帧候选图像对应的美学质量评估值从多帧候选图像中确定目标封面。
具体的,可以根据每一帧候选图像对应的美学质量评估值,对这些候选图像进行排序,然后根据排序结果,从中选择出美学质量较好的候选图像作为目标封面。
在具体实现中,服务器输出的目标封面的数量可以支持个性化设置,作为一种示例,假设用户仅需要输出一张封面图像,则服务器可以选择美学质量评估值最高的候选封面作为目标封面并输出。作为另一种示例,假设用户需要输出五张封面图像,以便于进一步按照个人的喜好进行封面选择,则服务器可以从按照美学质量评估值排序得到排序结果中,选择美学质量评估值最高的五张候选封面作为目标封面并输出。
以下提供几个可选地实施例,以进行优化所述视频的封面选取方法,具体如下:
在本申请的一种优选实施例中,所述需要选取的目标封面对应的构图风格特征包括目标场景类型;所述步骤S204可以包括如下步骤:
对所述待处理的视频片段中的每一帧图像进行场景分析,以确定每一帧图像对应的场景类型;根据所述每一帧图像对应的场景类型,从所述待处理的视频片段中确定符合所述目标场景类型的多帧候选图像。
具体的,可以通过预先的训练好的图像分析模型,对待处理的视频片段中的每一帧图像进行场景分析,以确定每一帧图像对应的场景类型,然后根据每一帧图像对应的场景类型从待处理的视频片段中确定符合目标场景类型的多帧候选图像。
本实施例中,把场景类型分为地文景观类型、水域风光类型、生物景观类型和气候天象类型。其中,地文景观类型指由地形变化所构成的景观,包括峡谷、峰林、山地、丘陵、平原、盆地等。水域风光类型是指以水体为中心的风景,包括河流、湖泊、海洋、瀑布等。生物景观类型是指由生物群落及其生存环境所构成的景观,包括森林、草原、湿地、野生动物栖息地等。气候天象景观类型是指由气候和天象变化所形成的景观,包括日出日落、云海、雾凇等。
通过场景分类技术不仅可以帮助用户快速、准确地找到自己喜欢的图像类型,还可以通过对大量的风景图片进行自动识别和分类,便于后续对不同类别的风景图片进行美学评价,可以挖掘和提炼这些美学特征,并为后续构图与色彩纹理的分析提供有价值的参考意见。
在本申请的一种优选实施例中,所述需要选取的目标封面对应的构图风格特征还包括目标构图形式;所述步骤S204还可以包括如下步骤:
对符合所述目标场景类型的多帧候选图像中的每一帧图像进行构图分析,以确定每一帧候选图像对应的构图形式;根据所述每一帧候选图像对应的构图形式,从符合所述目标场景类型的多帧候选图像中确定符合所述目标场景类型和目标构图形式的多帧候选图像。
具体的,可以通过预先的训练好的图像分析模型,对符合目标场景类型的多帧候选图像中的每一帧图像进行构图分析,以确定每一帧图像对应的构图形式,然后根据所述每一帧候选图像对应的构图形式,从符合目标场景类型的多帧候选图像中进一步确定符合目标构图形式的多帧候选图像。
在风景纪录片的制作中,美学评估是一个非常重要的环节,而评估图像的构图是美学评估中的一个关键部分。在风景纪录片中,制作者通过展示自然景观或城市风光的美丽来传达情感和意图。评估图像的构图可以帮助制作者确定是否成功地突出了他们想要传达的情感和意图。例如,通过特定的镜头角度、焦点和视角等元素,可以更好地表达特定的情感或意图,不同的构图形式可以表现出不同的情感和氛围,如宽广的景观给人以宏伟和壮观的感觉,而近景特写则更能够突出细节和纹理。评估图像的构图可以挑选出使用者想要的构图模式的图片作为封面去展示。其中,构图形式可以包括:三分法构图形式、对称构图形式、黄金分割构图形式、水平对齐构图形式、竖直对齐构图形式和对角线对称构图形式等,本申请实施例对此不作具体限制。
在本申请的一种优选实施例中,所述对符合所述目标场景类型的多帧候选图像中的每一帧图像进行构图分析,以确定每一帧候选图像对应的构图形式,可以包括如下步骤:
依次从符合所述目标场景类型的多帧候选图像中确定当前处理的图像;
从所述当前处理的图像中提取得到图像特征向量;
将所述图像特征向量输入至预置的构图分类器中进行分类,以得到每一种构图形式对应的预测概率,并根据所述预测概率确定所述当前处理的图像对应的构图形式;
返回执行所述依次从符合所述目标场景类型的多帧候选图像中确定当前处理的图像的步骤,直到遍历完成所有的候选图像。
其中,预置的构图分类器可以为预先训练好的构图分析模型,该模型可以基于Softmax分类器构建得到。通过依次从符合目标场景类型的多帧候选图像中确定当前处理的图像,并对选取的当前处理的图像进行特征提取得到图像特征向量,例如,可以利用MobileNetV3网络进行特征提取。然后,将提取得到的图像特征向量输入至预置的构图分类器,利用该预置的构图分类器进行构图分析,并输出该当前处理的图像属于每一种构图形式对应的预测概率,例如,假设构图形式有12种,则输出这构图形式分别对应的预测概率。然后,根据每一种构图形式对应的预测概率,确定预测概率最高的每一种构图形式对应的预测概率为当前处理的图像对应的构图形式。
在确定当前处理的图像之后,返回执行所述依次从符合所述目标场景类型的多帧候选图像中确定当前处理的图像的步骤,以从符合目标场景类型的多帧候选图像中确定下一帧图像作为当前处理的图像,并执行后续的步骤以确定该图像对应的构图形式,直到遍历完成符合目标场景类型的多帧候选图像,则结束流程。
在具体实现中,分析候选图像的构图形式可以包括如下几个部分:
1、数据预处理:在开始之前,需要对候选图像进行一些预处理操作,比如裁剪、缩放和旋转等操作,以便这些图像能更好地适应MobileNetV3网络。
2、特征提取:使用MobileNetV3网络进行特征提取。MobileNetV3是一种轻量级的卷积神经网络,特别适合在资源受限的设备上运行,通过MobileNetV3,可以从自然风景画面帧中提取出有意义的特征。
3、预置的构图分类器:该预置的构图分类器可以基于Softmax分类器构建得到。在对图像特征提取之后,需要将这些特征传递给一个预置的构图分类器进行分类,该预置的构图分类器可以将神经网络的输出转换为概率分布,这样就可以根据这些预测概率来决定这张图像的构图形式属于哪一类。
如图3所示是一种分析图像的构图形式的模块化框图。通过将图像shape(b,1,c,w,h)输入到MobileNetV3网络中提取图像特征,然后根据这些图像特征分析得到图像的构图类别,其中,图3中包括8种构图类别。
在本申请的一种优选实施例中,所述步骤S206可以包括如下步骤:
对所述多帧候选图像中的每一帧候选图像进行色彩分析,以得到每一帧候选图像对应的第一评估值;对所述多帧候选图像中的每一帧候选图像进行纹理分析,以得到每一帧候选图像对应的第二评估值;根据所述每一帧候选图像对应的第一评估值和第二评估值,确定所述每一帧候选图像对应的美学质量评估值。
在本实施例中,对图像的美学质量评估包括两个角度的评估,一个是色彩角度,另一个是纹理角度。通过对筛选出的多帧候选图像中的每一帧候选图像进行色彩分析,以得到每一帧候选图像对应的第一评估值,以及对筛选出的多帧候选图像中的每一帧候选图像进行纹理分析,以得到每一帧候选图像对应的第二评估值,然后,根据每一帧候选图像对应的第一评估值和第二评估值,确定每一帧候选图像对应的美学质量评估值。具体的,可以设置分别设置色彩和纹理角度的评估值的权重,然后根据设置的权重对每一帧候选图像对应的第一评估值和第二评估值进行加权计算,以得到每一帧候选图像对应的美学质量评估值。
在具体实现中,自然风景图片的色彩和纹理评估主要是基于对图像视觉效果和自然逼真度的评估。作为示例,以下是两种具体的评估措施和指标:
1、色彩饱和度:色彩饱和度是影响风景图片视觉效果的重要因素之一。色彩饱和度决定了照片的鲜艳程度,饱和度越高,色彩越鲜艳,能够更好地展现出景物的美丽和特点。RGB颜色模型下的颜色饱和度计算公式:饱和度=(max(R,G,B)-min(R,G,B))/max(R,G,B)。其中,R、G、B分别表示红、绿、蓝三个颜色通道的值,max(R,G,B)表示三个通道中最大的值,min(R,G,B)表示三个通道中最小的值。
2、纹理清晰度与细腻程度:可以使用灰度级、对比度、亮度等指标来评估图像的清晰度和分辨率。其中,灰度级是指图像中颜色的不同级别,对比度是指图像中明暗区域的相对亮度,亮度则是指图像的整体亮度。灰度、对比度、亮度等都可以使用灰度直方图去计算相关指标。
在本申请的一种优选实施例中,所述步骤S208可以包括如下步骤:
根据所述每一帧候选图像对应的美学质量评估值对所述多帧候选图像进行排序,得到所述多帧候选图像的排序结果;根据所述多帧候选图像的排序结果从多帧候选图像中确定目标封面。
在本实施例中,可以根据每一帧候选图像对应的美学质量评估值对多帧候选图像进行排序,以得到这些候选图像的排序结果,然后,根据这些多帧候选图像的排序结果确定目标封面。例如,确定美学质量评估值最高的候选封面作为目标封面。
为了进一步描述本实施例的视频的封面选取方法,如图4示出了一种视频的封面选取方法的模块框图,包括:输入视频,然后进行场景分析,得到每一帧frame对应的场景类型;然后按照策略预筛选得到特定场景的图像;接着,对预筛选之后的图像frame进行二次筛选,从框图模式和色彩纹理等方面对这些图像进行基于美学的质量评估,最后,按照质量评估值输出得到最终候选封面。
在本实施例中,经过场景分类模块可以初步确定视频的每一帧画面中的主题、元素或场景将其归入一个特定的风景类别(例如,山景、海景、城市景观等)。一旦视频的帧图像被分类,可以使用构图模块来分析这些帧的构图,这可能涉及确定特定的构图元素,如前景、背景、比例、对称性、重复性等图像元素的分析,然后,可以将帧图像进一步分类到更具体的构图形形式(例如,三分法构图、对称构图、黄金分割构图等)。这样,本实施例的视频的封面选取方案可以选择出用户指定的场景类别和特定构图形式的帧图像作为封面,例如,如果用户请求“所有山景帧,其中采用三分法构图的画面”,则本实施例的视频的封面选取方案会首先使用场景分类模块找出所有山景的帧,然后使用构图模块分析这些帧,以确定哪些帧符合三分法构图的形式,最后,根据色彩纹理的指标进行美学质量评估,并按照美学质量评估值最终筛选出该视频的封面。
实施例二
图5示意性示出了根据本申请实施例二的视频的封面选取装置的框图,该视频的封面选取装置可以被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本申请实施例。本申请实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,以下描述将具体介绍本申请实施例中各程序模块的功能。
如图5所示,该视频的封面选取装置500可以包括如下模块:
构图风格特征获取模块510,用于获取待处理的视频片段和需要选取的目标封面对应的构图风格特征;
候选图像确定模块520,用于从所述待处理的视频片段中确定符合所述目标封面对应的构图风格特征的多帧候选图像;
美学质量评估模块530,用于对所述多帧候选图像中的每一帧候选图像进行美学质量评估处理,以确定每一帧候选图像对应的美学质量评估值;
封面确定模块540,用于根据所述每一帧候选图像对应的美学质量评估值从多帧候选图像中确定目标封面。
在本申请的一种优选实施例中,所述需要选取的目标封面对应的构图风格特征包括目标场景类型;
所述候选图像确定模块520,包括:
场景类型确定子模块,用于对所述待处理的视频片段中的每一帧图像进行场景分析,以确定每一帧图像对应的场景类型;
第一图像筛选子模块,用于根据所述每一帧图像对应的场景类型,从所述待处理的视频片段中确定符合所述目标场景类型的多帧候选图像。
在本申请的一种优选实施例中,所述需要选取的目标封面对应的构图风格特征还包括目标构图形式;
所述候选图像确定模块520,还包括:
构图形式确定子模块,用于对符合所述目标场景类型的多帧候选图像中的每一帧图像进行构图分析,以确定每一帧候选图像对应的构图形式;
第二图像筛选子模块,用于根据所述每一帧候选图像对应的构图形式,从符合所述目标场景类型的多帧候选图像中确定符合所述目标构图形式的多帧候选图像。
在本申请的一种优选实施例中,所述构图形式确定子模块,包括:
当前处理的图像确定单元,用于依次从符合所述目标场景类型的多帧候选图像中确定当前处理的图像;
特征提取模块,用于从所述当前处理的图像中提取得到图像特征向量;
构图形式确定单元,用于将所述图像特征向量输入至预置的构图分类器中进行分类,以得到每一种构图形式对应的预测概率,并根据所述预测概率确定所述当前处理的图像对应的构图形式;返回执行所述依次从符合所述目标场景类型的多帧候选图像中确定当前处理的图像的步骤,直到遍历完成所有的候选图像。
在本申请的一种优选实施例中,所述构图风格特征获取模块510,包括:
封面设置操作接收子模块,用于接收用户输入的封面设置操作;
构图风格特征确定子模块,用于根据所述封面设置操作,确定待处理的视频片段和需要选取的目标封面对应的构图风格特征。
在本申请的一种优选实施例中,所述美学质量评估模块530,包括:
色彩分析子模块,用于对所述多帧候选图像中的每一帧候选图像进行色彩分析,以得到每一帧候选图像对应的第一评估值;
纹理分析子模块,用于对所述多帧候选图像中的每一帧候选图像进行纹理分析,以得到每一帧候选图像对应的第二评估值;
质量评估值确定子模块,用于根据所述每一帧候选图像对应的第一评估值和第二评估值,确定所述每一帧候选图像对应的美学质量评估值。
在本申请的一种优选实施例中,所述封面确定模块540,包括:
排序子模块,用于根据所述每一帧候选图像对应的美学质量评估值对所述多帧候选图像进行排序,得到所述多帧候选图像的排序结果;
封面确定子模块,用于根据所述多帧候选图像的排序结果从多帧候选图像中确定目标封面。
实施例三
图6示意性示出了根据本申请实施例三的适于实现视频的封面选取方法的计算机设备10000的硬件架构示意图。本实施例中,计算机设备10000是一种能够按照事先设定或者存储的指令,自动进行数值计算和/或信息处理的设备。例如,可以是智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括FEN独立的服务器,或者多个服务器所组成的服务器集群)等。如图6所示,计算机设备10000至少包括但不限于:可通过系统总线相互通信链接存储器10010、处理器10020、网络接口10030。其中:
存储器10010至少包括一种类型的计算机可读存储介质,可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器10010可以是计算机设备10000的内部存储模块,例如该计算机设备10000的硬盘或内存。在另一些实施例中,存储器10010也可以是计算机设备10000的外部存储设备,例如该计算机设备10000上配备的插接式硬盘,智能存储卡(Smart Media Card,简称为SMC),安全数字(Secure Digital,简称为SD)卡,闪存卡(Flash Card)等。当然,存储器10010还可以既包括计算机设备10000的内部存储模块也包括其外部存储设备。本实施例中,存储器10010通常用于存储安装于计算机设备10000的操作系统和各类应用软件,例如视频的封面选取方法的程序代码等。此外,存储器10010还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器10020在一些实施例中可以是中央处理器(Central Processing Unit,简称为CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器10020通常用于控制计算机设备10000的总体操作,例如执行与计算机设备10000进行数据交互或者通信相关的控制和处理等。本实施例中,处理器10020用于运行存储器10010中存储的程序代码或者处理数据。
网络接口10030可包括无线网络接口或有线网络接口,该网络接口10030通常用于在计算机设备10000与其他计算机设备之间建立通信链接。例如,网络接口10030用于通过网络将计算机设备10000与外部终端相连,在计算机设备10000与外部终端之间的建立数据传输通道和通信链接等。网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication,简称为GSM)、宽带码分多址(Wideband Code Division Multiple Access,简称为WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是,图6仅示出了具有部件10010-10030的计算机设备,但是应理解的是,并不要求实施所有示出的部件,可以替代的实施更多或者更少的部件。
在本实施例中,存储于存储器10010中的视频的封面选取方法还可以被分割为一个或者多个程序模块,并由一个或多个处理器(本实施例为处理器10020)所执行,以完成本申请实施例。
实施例四
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质其上存储有计算机程序,计算机程序被处理器执行时实现实施例中的视频的封面选取方法的步骤。
本实施例中,计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,计算机可读存储介质可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,计算机可读存储介质也可以是计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,简称为SMC),安全数字(Secure Digital,简称为SD)卡,闪存卡(Flash Card)等。当然,计算机可读存储介质还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,计算机可读存储介质通常用于存储安装于计算机设备的操作系统和各类应用软件,例如实施例中视频的封面选取方法的程序代码等。此外,计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的各类数据。
显然,本领域的技术人员应该明白,上述的本申请实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请实施例不限制于任何特定的硬件和软件结合。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请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,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种视频的封面选取方法,其特征在于,包括:
获取待处理的视频片段和需要选取的目标封面对应的构图风格特征;
从所述待处理的视频片段中确定符合所述目标封面对应的构图风格特征的多帧候选图像;
对所述多帧候选图像中的每一帧候选图像进行美学质量评估处理,以确定每一帧候选图像对应的美学质量评估值;
根据所述每一帧候选图像对应的美学质量评估值从多帧候选图像中确定目标封面。
2.根据权利要求1所述的视频的封面选取方法,其特征在于,所述需要选取的目标封面对应的构图风格特征包括目标场景类型;
所述从所述待处理的视频片段中确定符合所述目标封面对应的构图风格特征的多帧候选图像,包括:
对所述待处理的视频片段中的每一帧图像进行场景分析,以确定每一帧图像对应的场景类型;
根据所述每一帧图像对应的场景类型,从所述待处理的视频片段中确定符合所述目标场景类型的多帧候选图像。
3.根据权利要求2所述的视频的封面选取方法,其特征在于,所述需要选取的目标封面对应的构图风格特征还包括目标构图形式;
所述从所述待处理的视频片段中确定符合所述目标封面对应的构图风格特征的多帧候选图像,还包括:
对符合所述目标场景类型的多帧候选图像中的每一帧图像进行构图分析,以确定每一帧候选图像对应的构图形式;
根据所述每一帧候选图像对应的构图形式,从符合所述目标场景类型的多帧候选图像中确定符合所述目标构图形式的多帧候选图像。
4.根据权利要求3所述的视频的封面选取方法,其特征在于,所述对符合所述目标场景类型的多帧候选图像中的每一帧图像进行构图分析,以确定每一帧候选图像对应的构图形式,包括:
依次从符合所述目标场景类型的多帧候选图像中确定当前处理的图像;
从所述当前处理的图像中提取得到图像特征向量;
将所述图像特征向量输入至预置的构图分类器中进行分类,以得到每一种构图形式对应的预测概率,并根据所述预测概率确定所述当前处理的图像对应的构图形式;
返回执行所述依次从符合所述目标场景类型的多帧候选图像中确定当前处理的图像的步骤,直到遍历完成所有的候选图像。
5.根据权利要求1所述的视频的封面选取方法,其特征在于,获取待处理的视频片段和需要选取的目标封面对应的构图风格特征,包括:
接收用户输入的封面设置操作;
根据所述封面设置操作,确定待处理的视频片段和需要选取的目标封面对应的构图风格特征。
6.根据权利要求1所述的视频的封面选取方法,其特征在于,所述对所述多帧候选图像中的每一帧候选图像进行美学质量评估,以确定每一帧候选图像对应的美学质量评估值,包括:
对所述多帧候选图像中的每一帧候选图像进行色彩分析,以得到每一帧候选图像对应的第一评估值;
对所述多帧候选图像中的每一帧候选图像进行纹理分析,以得到每一帧候选图像对应的第二评估值;
根据所述每一帧候选图像对应的第一评估值和第二评估值,确定所述每一帧候选图像对应的美学质量评估值。
7.根据权利要求1所述的视频的封面选取方法,其特征在于,所述根据所述每一帧候选图像对应的美学质量评估值从多帧候选图像中确定目标封面,包括:
根据所述每一帧候选图像对应的美学质量评估值对所述多帧候选图像进行排序,得到所述多帧候选图像的排序结果;
根据所述多帧候选图像的排序结果从多帧候选图像中确定目标封面。
8.一种视频的封面选取装置,其特征在于,包括:
构图风格特征获取模块,用于获取待处理的视频片段和需要选取的目标封面对应的构图风格特征;
候选图像确定模块,用于从所述待处理的视频片段中确定符合所述目标封面对应的构图风格特征的多帧候选图像;
美学质量评估模块,用于对所述多帧候选图像中的每一帧候选图像进行美学质量评估处理,以确定每一帧候选图像对应的美学质量评估值;
封面确定模块,用于根据所述每一帧候选图像对应的美学质量评估值从多帧候选图像中确定目标封面。
9.一种计算机设备,所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时用于实现权利要求1至7中任意一项所述的视频的封面选取方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行权利要求1至7中任意一项所述的视频的封面选取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311779885.5A CN117676278A (zh) | 2023-12-21 | 2023-12-21 | 视频的封面选取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311779885.5A CN117676278A (zh) | 2023-12-21 | 2023-12-21 | 视频的封面选取方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117676278A true CN117676278A (zh) | 2024-03-08 |
Family
ID=90066126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311779885.5A Pending CN117676278A (zh) | 2023-12-21 | 2023-12-21 | 视频的封面选取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117676278A (zh) |
-
2023
- 2023-12-21 CN CN202311779885.5A patent/CN117676278A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110663045B (zh) | 用于数字图像的自动曝光调整的方法、电子系统和介质 | |
Xu et al. | Deep image matting | |
Tang et al. | Content-based photo quality assessment | |
CN111738243B (zh) | 人脸图像的选择方法、装置、设备及存储介质 | |
CN111739027B (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
CN110807757A (zh) | 基于人工智能的图像质量评估方法、装置及计算机设备 | |
CN113518256A (zh) | 视频处理方法、装置、电子设备及计算机可读存储介质 | |
CN113222846B (zh) | 图像处理方法和图像处理装置 | |
CN111432206A (zh) | 基于人工智能的视频清晰度处理方法、装置及电子设备 | |
KR20210007276A (ko) | 영상 생성 장치 및 방법 | |
CN107424117A (zh) | 图像美颜方法、装置、计算机可读存储介质和计算机设备 | |
US11138693B2 (en) | Attention-driven image manipulation | |
CN112257729A (zh) | 图像识别方法、装置、设备及存储介质 | |
CN112200817A (zh) | 基于图像的天空区域分割和特效处理方法、装置及设备 | |
CN114820292A (zh) | 图像合成方法、装置、设备及存储介质 | |
CN115967823A (zh) | 视频封面生成方法、装置、电子设备及可读介质 | |
CN116701706B (zh) | 一种基于人工智能的数据处理方法、装置、设备及介质 | |
CN108665455B (zh) | 图像显著性预测结果的评价方法和装置 | |
CN116843561A (zh) | 一种图像增强方法及设备 | |
CN117676278A (zh) | 视频的封面选取方法和装置 | |
CN116778212A (zh) | 一种图像处理方法及装置 | |
CN116415019A (zh) | 虚拟现实vr图像识别方法及装置、电子设备、存储介质 | |
CN107945201B (zh) | 基于自适应阈值分割的视频风景处理方法及装置 | |
CN113592765A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN115100312B (zh) | 一种图像动漫化的方法和装置 |
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 |