JP2018169697A - Video data processing apparatus, video data processing method, and computer program - Google Patents

Video data processing apparatus, video data processing method, and computer program Download PDF

Info

Publication number
JP2018169697A
JP2018169697A JP2017065066A JP2017065066A JP2018169697A JP 2018169697 A JP2018169697 A JP 2018169697A JP 2017065066 A JP2017065066 A JP 2017065066A JP 2017065066 A JP2017065066 A JP 2017065066A JP 2018169697 A JP2018169697 A JP 2018169697A
Authority
JP
Japan
Prior art keywords
tag
video data
importance
dictionary
text
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
JP2017065066A
Other languages
Japanese (ja)
Other versions
JP6389296B1 (en
Inventor
勇一朗 浦田
Yuichiro Urata
勇一朗 浦田
佳宏 西川
Yoshihiro Nishikawa
佳宏 西川
大介 堀部
Daisuke Horibe
大介 堀部
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.)
Nippon Telegraph and Telephone West Corp
Original Assignee
Nippon Telegraph and Telephone West Corp
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 Nippon Telegraph and Telephone West Corp filed Critical Nippon Telegraph and Telephone West Corp
Priority to JP2017065066A priority Critical patent/JP6389296B1/en
Application granted granted Critical
Publication of JP6389296B1 publication Critical patent/JP6389296B1/en
Publication of JP2018169697A publication Critical patent/JP2018169697A/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Television Signal Processing For Recording (AREA)

Abstract

PROBLEM TO BE SOLVED: To provide a video data processing apparatus which adds appropriate meta data to video data.SOLUTION: A video data processing apparatus includes: a dictionary storage unit 50 comprising one or both of character recognition dictionaries and voice recognition dictionaries, for each of categories set in advance on the content of video data; an internal text detection unit 30 which detects an internal text included in the video data, by use of a character recognition dictionary selected in advance in the dictionary storage unit 50; a voice recognition unit 40 which recognizes voice added to the video data to generate a voice recognition text; a natural language processing unit 70 which extracts a tag representing an important word from the internal text to generate the tag and importance of the tag, and extracts a tag representing an important word from the voice recognition text to generate the tag and importance of the tag; and a dictionary selection unit 60 which selects a voice recognition dictionary of a category corresponding to the tag of the internal text, and selects a character recognition dictionary of a category corresponding to the tag of the voice recognition text.SELECTED DRAWING: Figure 1

Description

本発明は、複数の映像データから、目的の映像データを検索する映像データ処理装置、映像データ処理方法、及びコンピュータプログラムに関する。   The present invention relates to a video data processing apparatus, a video data processing method, and a computer program for searching for target video data from a plurality of video data.

映像配信サービスの多様化により、視聴できる映像データの数は増加している。また、ディジタルカメラ、携帯端末等による動画撮影が容易になったことから、映像配信サービス以外で得られる映像データの数も急増している。その結果、映像データが氾濫する環境になって来ている。   With the diversification of video distribution services, the number of video data that can be viewed is increasing. In addition, since it has become easier to shoot moving images using a digital camera, a portable terminal, etc., the number of video data that can be obtained by other than video distribution services has increased rapidly. As a result, the environment is flooded with video data.

そのような環境において、目的の映像データを利用者が視聴する為には、映像データに適切なメタデータを付与しておく必要がある。映像データの従来のメタデータの付与方法は、例えば特許文献1に開示されている。   In such an environment, in order for the user to view the target video data, it is necessary to add appropriate metadata to the video data. A conventional method for assigning metadata of video data is disclosed in, for example, Patent Document 1.

特開2010−68434号公報JP 2010-68434 A

しかしながら、従来のメタデータの付与方法は、予め登録したキーワードの中から選択したキーワードをメタデータとする方法であり、映像データに適切なメタデータを付与できない。つまり、登録したキーワードに対応しない映像データには、適切なメタデータを付与することが出来ないという課題がある。   However, the conventional method of assigning metadata is a method in which a keyword selected from keywords registered in advance is used as metadata, and appropriate metadata cannot be assigned to video data. That is, there is a problem that video data that does not correspond to the registered keyword cannot be given appropriate metadata.

本発明は、この課題に鑑みてなされたものであり、映像データに適切なメタデータを付与できる映像データ処理装置、映像データ処理方法、及びプログラムを提供することを目的とする。   The present invention has been made in view of this problem, and an object of the present invention is to provide a video data processing device, a video data processing method, and a program that can give appropriate metadata to video data.

本実施形態の一態様に係る映像データ処理装置は、映像データごとに、該映像データを示す映像データ識別子と、映像データの内容を表す映像データタグと、該映像データタグの重要度を表すタグ重要度とを対応付けて記憶するタグデータベースと、映像データの内容について予め設定された複数のカテゴリごとの文字認識用辞書と音声認識用辞書のどちらか一方又は両方を備える辞書記憶部と、映像データに含まれる物体を認識し、該物体を表すタグと該タグの尤度を生成する物体認識部と、該物体の重要度を示すデータを生成する重要度生成部と、映像データに含まれる映像内テキストを、前記辞書記憶部に前記文字認識用辞書が記憶されていれば当該文字認識用辞書を用いて検出する映像データ内テキスト検出部と、映像データに付与された音声を認識した音声認識テキストを、前記辞書記憶部に前記音声認識用辞書が記憶されていれば当該音声認識用辞書を用いて生成する音声認識部と、映像内テキストから重要語を表すタグを抽出し、該タグと該タグの重要度を生成し、前記音声認識テキストから重要語を表すタグを抽出し、該タグと該タグの重要度を生成する自然言語処理部と、前記映像データ内テキスト検出部で用いた前記文字認識用辞書、及び前記音声認識部で用いた前記音声認識用辞書を、前記映像データ内テキスト検出部で検出した映像内テキストのタグに応じたカテゴリが変化した場合に変化したカテゴリの前記音声認識用辞書に切り替えて選択し、前記音声認識部で検出した音声認識テキストのタグに応じたカテゴリが変化した場合に変化したカテゴリの前記文字認識用辞書に切り替えて選択する辞書選択部と、生成された3種の前記タグの内の2つ又は3つが一致する場合、又は3種の前記タグの内の2つ又は3つが類似する場合、当該タグに対応する重要度に基づいてタグ重要度を求め、当該タグを映像データタグとして、当該タグ重要度に対応する映像データ識別子と、当該映像データタグと、当該タグ重要度を対応付けて前記タグデータベースに記憶する重要度統合部とを備えることを要旨とする。   The video data processing apparatus according to an aspect of the present embodiment includes, for each video data, a video data identifier indicating the video data, a video data tag indicating the content of the video data, and a tag indicating the importance of the video data tag. A tag database that stores the degree of importance in association with each other; a dictionary storage unit that includes one or both of a character recognition dictionary and a voice recognition dictionary for each of a plurality of categories set in advance for the content of the video data; Included in the video data is an object recognition unit that recognizes an object included in the data and generates a tag representing the object and a likelihood of the tag, an importance generation unit that generates data indicating the importance of the object, and If the character recognition dictionary is stored in the dictionary storage unit, the in-video text is detected using the character recognition dictionary, and the text data is added to the video data. A speech recognition unit that recognizes the recognized speech and generates a speech recognition unit using the speech recognition dictionary if the speech recognition dictionary is stored in the dictionary storage unit; A natural language processing unit for extracting a tag, generating a tag and an importance of the tag, extracting a tag representing an important word from the speech recognition text, and generating the tag and the importance of the tag; and the video The category according to the tag of the text in the video detected by the text detection unit in the video data of the dictionary for character recognition used in the text detection unit in the data and the dictionary for voice recognition used in the speech recognition unit is changed. If the category corresponding to the tag of the speech recognition text detected by the speech recognition unit is changed, the category is changed. The dictionary selection unit that switches to the dictionary for character recognition and selects two or three of the generated three types of tags, or two or three of the three types of tags are similar If the tag importance is calculated based on the importance corresponding to the tag, the video data identifier corresponding to the tag importance, the video data tag, and the tag importance are calculated using the tag as a video data tag. The gist of the present invention is to include an importance level integration unit that associates and stores in the tag database.

また、本実施形態の一態様に係る映像データ処理方法は、上記の映像データ処理装置が行う映像データ処理方法であって、前記映像データ処理装置は、映像データごとに、該映像データを示す映像データ識別子と、映像データの内容を表す映像データタグと、該映像データタグの重要度を表すタグ重要度とを対応付けて記憶するタグデータベースと、映像データの内容について予め設定された複数のカテゴリごとの文字認識用辞書と音声認識用辞書のどちらか一方又は両方を備える辞書記憶部とを備え、前記映像データ処理方法においては、映像データに含まれる物体を認識し、該物体を表すタグと該タグの尤度を生成し、該物体の重要度を示すデータを生成し、映像データに含まれる映像内テキストを、前記辞書記憶部に前記文字認識用辞書が記憶されていれば当該文字認識用辞書を用いて映像データからテキストを検出し、映像データに付与された音声を認識した音声認識テキストを、前記辞書記憶部に前記音声認識用辞書が記憶されていれば当該音声認識用辞書を用いて生成し、映像内テキストから重要語を表すタグを抽出し、該タグと該タグの重要度を生成し、前記音声認識テキストから重要語を表すタグを抽出し、該タグと該タグの重要度を生成し、一度選択した前記文字認識用辞書及び音声認識用辞書を、検出した映像内テキストのタグに応じたカテゴリが変化した場合に変化したカテゴリの前記音声認識用辞書に切り替えて選択し、検出した音声認識テキストのタグに応じたカテゴリが変化した場合に変化したカテゴリの前記文字認識用辞書に切り替えて選択し、生成された3種の前記タグの内の2つ又は3つが一致する場合、又は3種の前記タグの内の2つ又は3つが類似する場合、当該タグに対応する重要度に基づいてタグ重要度を求め、当該タグを映像データタグとして、当該タグ重要度に対応する映像データの識別子と、当該映像データタグと、当該タグ重要度を対応付けて前記タグデータベースに記憶することを要旨とする。   A video data processing method according to an aspect of the present embodiment is a video data processing method performed by the video data processing device, and the video data processing device is configured to display a video indicating the video data for each video data. A tag database that stores a data identifier, a video data tag that represents the content of the video data, and a tag importance that represents the importance of the video data tag, and a plurality of categories that are set in advance for the content of the video data A dictionary storage unit that includes one or both of a character recognition dictionary and a voice recognition dictionary for each of the above, and in the video data processing method, a tag that recognizes an object included in the video data and represents the object; The likelihood of the tag is generated, data indicating the importance of the object is generated, and the text in the video included in the video data is stored in the dictionary storage unit in the character recognition dictionary. Is stored in the dictionary storage unit, the voice recognition text is detected from the video data using the character recognition dictionary, and the voice recognition text recognized from the voice attached to the video data is stored in the dictionary storage unit. If it is generated using the speech recognition dictionary, a tag representing an important word is extracted from the text in the video, the tag and the importance of the tag are generated, and a tag representing the important word is generated from the speech recognition text. Extract the tag and the importance of the tag, and once select the character recognition dictionary and the speech recognition dictionary, the category of the category changed when the category according to the tag of the detected text in the video changes When the category corresponding to the tag of the detected voice recognition text is changed and switched to the dictionary for speech recognition, the category is changed to the dictionary for character recognition when the category is changed. If two or three of the three types of tags matched, or if two or three of the three types of tags are similar, tag importance based on the importance corresponding to the tag The tag is a video data tag, the video data identifier corresponding to the tag importance, the video data tag, and the tag importance are associated with each other and stored in the tag database.

また、本発明のコンピュータプログラムは、上記の映像データ処理装置としてコンピュータを機能させるようにしたものである。   A computer program according to the present invention causes a computer to function as the video data processing apparatus.

本発明によれば、映像データを適切に分類したデータベースが生成できる。   According to the present invention, a database in which video data is appropriately classified can be generated.

本発明の第1実施形態に係る映像データ処理装置の機能構成例を示す図である。It is a figure which shows the function structural example of the video data processing apparatus which concerns on 1st Embodiment of this invention. 図1に示す映像データ処理装置が行うタグデータベース生成の動作フローを示す図である。It is a figure which shows the operation | movement flow of the tag database production | generation which the video data processing apparatus shown in FIG. 1 performs. 図1に示すシーン分割部で映像データをシーンに分割した例を示す図である。It is a figure which shows the example which divided | segmented video data into the scene by the scene division part shown in FIG. 図1に示す物体認識部で認識した物体の例を示す図である。It is a figure which shows the example of the object recognized by the object recognition part shown in FIG. 図1に示す映像データ内テキスト検出部で検出した映像データ内テキストの例を示す図である。It is a figure which shows the example of the text in video data detected by the text detection part in video data shown in FIG. 図1に示す自然言語処理部が生成する文字認識タグの例を示す図である。It is a figure which shows the example of the character recognition tag which the natural language process part shown in FIG. 1 produces | generates. 図1に示す自然言語処理部が生成する音声認識タグの例を示す図である。It is a figure which shows the example of the speech recognition tag which the natural language process part shown in FIG. 1 produces | generates. 図1に示す重要度生成部が生成する重要度の例を示す図である。It is a figure which shows the example of the importance which the importance generation part shown in FIG. 1 produces | generates. 図1に示す重要度統合部の動作フローの例を示す図である。It is a figure which shows the example of the operation | movement flow of the importance integration part shown in FIG. 映像データタグとタグ重要度の例を示す図である。It is a figure which shows the example of a video data tag and tag importance. 本発明の第2実施形態に係る映像データ処理装置の機能構成例を示す図である。It is a figure which shows the function structural example of the video data processing apparatus which concerns on 2nd Embodiment of this invention. 本発明の第3実施形態に係る映像データ処理装置の機能構成例を示す図である。It is a figure which shows the function structural example of the video data processing apparatus which concerns on 3rd Embodiment of this invention.

以下、本発明の実施の形態について図面を用いて説明する。複数の図面中同一のものには同じ参照符号を付し、説明は繰り返さない。   Hereinafter, embodiments of the present invention will be described with reference to the drawings. The same reference numerals are given to the same components in a plurality of drawings, and the description will not be repeated.

〔第1実施形態〕
図1に、第1実施形態に係る映像データ処理装置1の機能構成例を示す。映像データ処理装置1は、シーン分割部10、物体認識部20、映像データ内テキスト検出部30、音声認識部40、辞書記憶部50、辞書選択部60、自然言語処理部70、重要度生成部80、重要度統合部90、タグデータベース100、映像管理部110、及び映像データベース120を備える。映像データ処理装置1は、映像データに含まれる情報に基づいて、映像データに適切なメタデータを付与したデータベースを生成する。以降において、データベースはDBと表記する。
[First Embodiment]
FIG. 1 shows a functional configuration example of a video data processing apparatus 1 according to the first embodiment. The video data processing apparatus 1 includes a scene dividing unit 10, an object recognizing unit 20, an in-video data text detecting unit 30, a voice recognizing unit 40, a dictionary storing unit 50, a dictionary selecting unit 60, a natural language processing unit 70, and an importance generation unit. 80, an importance integration unit 90, a tag database 100, a video management unit 110, and a video database 120. The video data processing device 1 generates a database in which appropriate metadata is added to video data based on information included in the video data. Hereinafter, the database is referred to as DB.

タグDB100は、映像データごとに、該映像データを示す映像データ識別子と、映像データの内容を表す映像データタグと、該映像データタグの重要度を表すタグ重要度とを対応付けて記憶する。映像データタグは、映像データから抽出したキーワードやキーフレーズを表すテキストデータである。   The tag DB 100 stores, for each video data, a video data identifier indicating the video data, a video data tag indicating the content of the video data, and a tag importance level indicating the importance level of the video data tag in association with each other. The video data tag is text data representing a keyword or key phrase extracted from the video data.

辞書記憶部50は、映像データの内容について予め設定された複数のカテゴリごとの文字認識用辞書と音声認識用辞書を備える。なお、文字認識用辞書と音声認識用辞書は両方で複数のカテゴリごとに備える必要はない。どちらか一方の辞書を備える様にしても良い。   The dictionary storage unit 50 includes a character recognition dictionary and a speech recognition dictionary for each of a plurality of categories set in advance for the contents of the video data. Note that both the character recognition dictionary and the speech recognition dictionary need not be provided for each of a plurality of categories. One of the dictionaries may be provided.

図2に示す映像データ処理装置1の動作フローを参照してその動作を説明する。なお、図2では、物体認識、映像データ内テキスト検出、及び音声認識を時系列に処理するフローを示すが、各処理は同時(並列)に処理しても良い。   The operation will be described with reference to the operation flow of the video data processing apparatus 1 shown in FIG. Note that FIG. 2 shows a flow of processing object recognition, text detection in video data, and speech recognition in time series, but each processing may be performed simultaneously (in parallel).

シーン分割部10は、映像データを複数のシーンに分割する(ステップS1)。シーンは、例えば映像データに付与された音声を音声区間ごとに分割した映像の範囲である。又は、映像の区間ごとに分割しても良い。映像の区間ごととは、例えば、映像データを構成する画素の明度の変化が一定の範囲の単位、又は画素の色調の変化が一定の範囲の単位である。なお、分割は一定時間の単位で区切っても良い。   The scene dividing unit 10 divides the video data into a plurality of scenes (step S1). A scene is, for example, a video range obtained by dividing audio added to video data for each audio section. Or you may divide | segment for every area | region of an image | video. Each video section is, for example, a unit in a range where the brightness of pixels constituting video data is in a certain range or a unit in which a change in color tone of a pixel is in a certain range. The division may be divided in units of a certain time.

また、シーン分割部10は、一般的な動画配信システムAPI(Application Programming Interface)を用いて実現しても良い。動画配信システムAPIとしては、例えばエヌ・ティ・ティ アイティ製のviaPlatz(商標登録)を用いることができる。なお、シーン分割部10の機能は、後述する物体認識部20、映像データ内テキスト検出部30、及び音声認識部40の各機能構成部に含めても良い。   The scene dividing unit 10 may be realized by using a general video distribution system API (Application Programming Interface). As the moving image distribution system API, for example, viaPlatz (registered trademark) manufactured by NTTI can be used. The function of the scene dividing unit 10 may be included in each functional component of the object recognizing unit 20, the in-video data text detecting unit 30, and the voice recognizing unit 40 described later.

図3に、映像データを、シーン分割部10で分割した例を示す。図3の1列目は、映像データを識別する映像データ識別子である。2列目は分割したシーンの番号であり、3列目はシーンの時間を示す。映像データ識別子A001の映像のシーン1は、映像の開始から10秒間、シーン2はシーン1の後の5秒間であることが分かる。なお、時間の分解能は、1秒以下の例えばmsで有っても良い。また、分解能はフレーム単位で有っても良い。   FIG. 3 shows an example in which video data is divided by the scene dividing unit 10. The first column in FIG. 3 is a video data identifier for identifying video data. The second column shows the number of the divided scene, and the third column shows the scene time. It can be seen that the scene 1 of the video having the video data identifier A001 is 10 seconds from the start of the video, and the scene 2 is 5 seconds after the scene 1. The time resolution may be, for example, ms of 1 second or less. The resolution may be in units of frames.

物体認識部20は、映像データに含まれる物体を認識し、該物体を表すタグと該タグの尤度を生成する(ステップS2)。物体認識部20は、映像データを分割したシーンごとの画像から、例えばBoF(Bag of Features)法の特徴量を抽出し、予め物体と関連付けられた特徴量と比較することで、画像に映った物体を認識する。   The object recognition unit 20 recognizes an object included in the video data, and generates a tag representing the object and the likelihood of the tag (step S2). The object recognizing unit 20 extracts, for example, a feature amount of a BoF (Bag of Features) method from an image for each scene obtained by dividing video data, and compares the feature amount with a feature amount associated with an object in advance. Recognize objects.

なお、物体認識部20は、シーンに対応させて物体を認識する必要はない。複数のシーンから物体を認識しても良い。また、画像から抽出する特徴量は、何でも構わない。特徴量は、例えば色ヒストグラム等で有っても良い。又、一般的な画像認識APIを用いて物体認識部20を構成しても良い。   The object recognizing unit 20 does not need to recognize an object corresponding to a scene. An object may be recognized from a plurality of scenes. The feature amount extracted from the image may be anything. The feature amount may be, for example, a color histogram. Further, the object recognition unit 20 may be configured using a general image recognition API.

物体認識部20は、映像データのフレームレートが24f/秒〜60f/秒で有ったとすると、1秒(24〜60フレーム)から例えば1枚の画像を抽出し、該画像から物体を認識する。なお、画像の抽出間隔は、任意で良く、例えば2秒ごと抽出しても良いし、0.5秒ごとに抽出しても良い。   If the frame rate of the video data is 24 f / sec to 60 f / sec, the object recognition unit 20 extracts, for example, one image from 1 second (24 to 60 frames), and recognizes the object from the image. . Note that the image extraction interval may be arbitrary, for example, may be extracted every 2 seconds, or may be extracted every 0.5 seconds.

図4に、物体認識部20で認識した物体の例を示す。図4の1列目は、映像データを識別する映像データ識別子である。2列目は認識した物体を表す物体タグ、3列目は該タグの尤度、4列目は該タグを認識した映像データの開始からの時刻である。   FIG. 4 shows an example of an object recognized by the object recognition unit 20. The first column in FIG. 4 is a video data identifier for identifying video data. The second column is an object tag representing the recognized object, the third column is the likelihood of the tag, and the fourth column is the time from the start of the video data that recognized the tag.

図4の1行目は、映像データ識別子「A001」の映像データの開始から1秒後の画像から、「金閣寺」が認識され、その尤度は「0.7」で有ることを示している。尤度は、1.0に近い程、その物らしいことを表す。   The first line of FIG. 4 indicates that “Kinkakuji” is recognized from the image one second after the start of the video data with the video data identifier “A001”, and its likelihood is “0.7”. As the likelihood is closer to 1.0, it represents that thing.

この例では、映像データの開始から2秒後の画像から「木立」、3秒後の画像から「池」をそれぞれ認識する例を示しているが、1画像から複数のタグを抽出しても良い。又、物体タグは、分割したシーン番号と対応付けても良い。   In this example, “Kitsu” is recognized from the image 2 seconds after the start of the video data, and “Pond” is recognized from the image 3 seconds later, but multiple tags can be extracted from one image. good. The object tag may be associated with the divided scene number.

映像データ内テキスト検出部30は、映像データに含まれる映像内テキストを、辞書選択部60において予め選択された文字認識用辞書を使用して検出する(ステップS3)。
なお、辞書記憶部50に文字認識用辞書が記憶されていない場合、映像データ内テキスト検出部30は、映像データ内テキスト検出部が備える(共通的な)辞書を用いて映像データから映像内テキストを検出する。
The in-video data text detection unit 30 detects the in-video text included in the video data using the character recognition dictionary previously selected by the dictionary selection unit 60 (step S3).
When no dictionary for character recognition is stored in the dictionary storage unit 50, the text detection unit 30 in the video data uses the (common) dictionary provided in the text detection unit in the video data to convert the text in the video from the video data. Is detected.

映像データに含まれる映像内テキストとは、映像データを構成する画像に映った例えば看板等の文字のことである。又は、スーパーインポーズ(superimpose)で画像に付けられた字幕や、テロップ(telop)等で映される文字のことである。なお、辞書選択部60が、辞書記憶部50から最初に選択する文字認識用辞書は、予め設定されている。   The in-video text included in the video data is a character such as a signboard shown in an image constituting the video data. Alternatively, it is a subtitle attached to an image by superimpose or a character projected by telop or the like. The character recognition dictionary that the dictionary selection unit 60 first selects from the dictionary storage unit 50 is set in advance.

図5に、映像データ内テキスト検出部30で検出した映像内テキストの例を示す。図5の1列目は、映像データを識別する映像データ識別子である。2列目は検出した映像内テキスト、3列目は該映像内テキストを検出した映像データの開始からの時刻である。   FIG. 5 shows an example of the in-video text detected by the in-video data text detection unit 30. The first column in FIG. 5 is a video data identifier for identifying video data. The second column is the text in the detected video, and the third column is the time from the start of the video data in which the text in the video is detected.

図5は、映像データ識別子「A001」の映像データの開始から1秒後の画像から「秋の金閣寺」の映像内テキストが検出されたことを示している。この映像内テキストは、例えば画像に映された「秋の金閣寺」のテロップから検出される。   FIG. 5 shows that the in-video text of “Autumn Kinkakuji” is detected from the image one second after the start of the video data with the video data identifier “A001”. This in-video text is detected from, for example, the telop of “Autumn Kinkakuji” shown in the image.

自然言語処理部70は、映像データ内テキストから重要語を表す文字認識タグを抽出し、該タグと該タグの重要度を生成する(ステップS4)。自然言語処理部70は、映像データ内テキストの形態素解析、文脈解析、及び意味解析等を行い映像データ内テキストからキーワード(重要語)を抽出する。そして、例えばTF−IDF法を用いてキーワードの重要度を生成する。重要度は、例えば0〜100の範囲の数値情報である。   The natural language processing unit 70 extracts a character recognition tag representing an important word from the text in the video data, and generates the tag and the importance level of the tag (step S4). The natural language processing unit 70 performs morphological analysis, context analysis, semantic analysis, and the like of the text in the video data, and extracts keywords (important words) from the text in the video data. And the importance of a keyword is produced | generated using TF-IDF method, for example. The importance is, for example, numerical information in the range of 0-100.

辞書選択部60は、映像データ内テキスト検出部30で検出した映像内テキストから生成された文字認識タグに応じたカテゴリの音声認識用辞書を選択する(ステップS5)。例えば文字認識タグが「金閣寺」とした場合のカテゴリは「京都観光」である。   The dictionary selection unit 60 selects a speech recognition dictionary of a category corresponding to the character recognition tag generated from the in-video text detected by the in-video data text detection unit 30 (step S5). For example, the category when the character recognition tag is “Kinkakuji” is “Kyoto Tourism”.

音声認識部40は、映像データに付与された音声から、辞書選択部60において予め選択された音声認識用辞書を使用して音声認識テキストを認識する(ステップS6)。この例では、「京都観光」のカテゴリに対応する音声認識用辞書が選択される。なお、辞書記憶部50に音声認識用辞書が記憶されていない場合、音声認識部40は自らが備える標準(共通的な)辞書を用いて映像データに付与された音声から音声認識テキストを認識する。   The voice recognition unit 40 recognizes the voice recognition text from the voice given to the video data by using the voice recognition dictionary previously selected by the dictionary selection unit 60 (step S6). In this example, a speech recognition dictionary corresponding to the category “Kyoto tourism” is selected. In addition, when the dictionary for speech recognition is not stored in the dictionary storage unit 50, the speech recognition unit 40 recognizes the speech recognition text from the speech added to the video data using the standard (common) dictionary provided by itself. .

音声認識部40は、一般的な音声認識装置で実現できる。音声認識装置としては、例えばエヌ・ティ・ティ アイティ製のSpeech Rec(商標登録)を用いることができる。   The voice recognition unit 40 can be realized by a general voice recognition device. As a speech recognition device, for example, Speech Rec (trademark registration) manufactured by NTT IT can be used.

映像データに付与された音声を、例えば「秋の紅葉をバックにした金閣寺です。木立の紅葉を背景に、池の水面にその姿を映した見事な景色です。」とした場合、音声認識部40は、その音声を音声認識テキストに変換して出力する。   For example, if the voice given to the video data is “Kinkakuji Temple with autumn leaves in the background. 40 converts the speech into speech recognition text and outputs it.

自然言語処理部70は、音声認識テキストから重要語を表す音声認識タグを抽出し、該タグと該タグの重要度を生成する(ステップS7)。   The natural language processing unit 70 extracts a speech recognition tag representing an important word from the speech recognition text, and generates the tag and the importance of the tag (step S7).

辞書選択部60は、音声認識部40で認識した音声認識テキストから生成された音声認識タグに応じたカテゴリの文字認識用辞書を選択する(ステップS8)。このように辞書選択部60は、文字認識タグから音声認識用辞書を選択し、音声認識タグから文字認識用辞書を選択する。つまり、辞書選択部60は、映像データ内テキスト検出部30と音声認識部40で使用する辞書を、カテゴリに対応させて決め合う様に動作する。その結果、文字認識タグの検出精度と音声認識タグの認識精度を向上させることが出来る。   The dictionary selection unit 60 selects a character recognition dictionary of a category corresponding to the speech recognition tag generated from the speech recognition text recognized by the speech recognition unit 40 (step S8). As described above, the dictionary selection unit 60 selects the speech recognition dictionary from the character recognition tags, and selects the character recognition dictionary from the speech recognition tags. That is, the dictionary selection unit 60 operates so that the dictionaries used in the video data text detection unit 30 and the voice recognition unit 40 are determined in correspondence with the categories. As a result, the detection accuracy of the character recognition tag and the recognition accuracy of the voice recognition tag can be improved.

つまり、辞書選択部60は、映像データ内テキスト検出部30で選択した文字認識用辞書、及び音声認識部40で選択した音声認識用辞書を、映像データ内テキスト検出部30で検出した映像内テキストのタグに応じたカテゴリが変化した場合に変化したカテゴリの音声認識用辞書に切り替えて選択し、音声認識部40で検出した音声認識テキストのタグに応じたカテゴリが変化した場合に変化したカテゴリの文字認識用辞書に切り替えて選択する。   That is, the dictionary selection unit 60 uses the text recognition dictionary selected by the text data detection unit 30 and the text recognition dictionary selected by the speech recognition unit 40 to detect the text within the video. When the category corresponding to the tag changes, the voice recognition dictionary of the changed category is switched to and selected, and when the category corresponding to the tag of the voice recognition text detected by the voice recognition unit 40 changes, Switch to the dictionary for character recognition and select it.

図6に、自然言語処理部70が生成した文字認識タグと重要度の例を示す。図6の1列目は映像データ識別子、2列目は文字認識タグ、3列目は重要度、4列目は時刻である。   FIG. 6 shows an example of the character recognition tag and importance generated by the natural language processing unit 70. The first column in FIG. 6 is the video data identifier, the second column is the character recognition tag, the third column is the importance, and the fourth column is the time.

図6に、自然言語処理部70が生成した音声認識タグと重要度の例を示す。図6の1列目は映像データ識別子、2列目は音声認識タグ、3列目は重要度、4列目は時刻である。この例では、映像データ識別子A001で識別される映像データの開始から1秒に「秋」と「金閣寺」の映像テキストタグが生成されたことを示している。   FIG. 6 shows an example of the voice recognition tag and importance generated by the natural language processing unit 70. The first column in FIG. 6 is the video data identifier, the second column is the voice recognition tag, the third column is the importance, and the fourth column is the time. In this example, it is shown that video text tags of “autumn” and “Kinkakuji” are generated 1 second from the start of the video data identified by the video data identifier A001.

図7に、自然言語処理部70で生成した音声認識テキストとその重要度を例示する。図7の列方向は、タグが音声認識タグである点が異なるだけで図6と同じである。   FIG. 7 illustrates the speech recognition text generated by the natural language processing unit 70 and its importance. The column direction in FIG. 7 is the same as FIG. 6 except that the tag is a voice recognition tag.

図7に示す例は、音声認識テキストを、「秋の紅葉をバックにした金閣寺です。木立の紅葉を背景に、池の水面にその姿を映した見事な景色です。」とした場合である。その音声認識テキストから、「秋」、「紅葉」、「金閣寺」、「木立」、「池」、及び「水面」の音声認識タグを生成する。   The example shown in FIG. 7 is a case where the speech recognition text is “Kinkakuji Temple with autumn leaves in the background. It is a stunning scenery reflecting its appearance on the surface of a pond against the background of autumn leaves of trees.” . From the speech recognition text, speech recognition tags of “Autumn”, “Autumn leaves”, “Kinkakuji”, “Kidachi”, “Pond”, and “Water surface” are generated.

各々の音声認識テキストの重要度は、「秋」が90、「紅葉」が80、「金閣寺」が90、「木立」が50、「水面」が60、である。各々の音声認識テキストが生成された時刻は、順に、「秋」が5秒、「紅葉」が6秒、「金閣寺」が8秒、「木立」が10秒、「水面」が11秒である。「水面」以降の音声認識テキストと重要度の表記は省略している。   The importance of each speech recognition text is 90 for “Autumn”, 80 for “Autumn leaves”, 90 for “Kinkakuji”, 50 for “Kidachi”, and 60 for “Water”. The time when each voice recognition text was generated is 5 seconds for “Autumn”, 6 seconds for “Autumn leaves”, 8 seconds for “Kinkakuji”, 10 seconds for “Kidachi”, and 11 seconds for “Water”. . The speech recognition text after “water surface” and the notation of importance are omitted.

重要度生成部80は、物体認識部20が認識した物体タグの重要度を示すデータを生成する(ステップS6)。重要度は、物体タグの物体が画像に占める割合で有っても良い。例えば、画像における「金閣寺」の像の割合が60%以上であれば重要度を例えば90、像の割合が50%以下であれば重要度を50といった様に、画像中に占める物体の面積の割合に対応させて重要度を生成する。又は、物体認識部20が出力する尤度を重要度に変換しても良い。例えば、尤度を100倍した値を重要度として用いても良い。   The importance generation unit 80 generates data indicating the importance of the object tag recognized by the object recognition unit 20 (step S6). The importance may be the ratio of the object of the object tag to the image. For example, if the ratio of the image of “Kinkakuji” in the image is 60% or more, the importance is 90, for example, if the ratio of the image is 50% or less, the importance is 50. Importance is generated according to the ratio. Alternatively, the likelihood output by the object recognition unit 20 may be converted into importance. For example, a value obtained by multiplying the likelihood by 100 may be used as the importance.

図8に、重要度生成部80が生成した重要度の例を示す。図8の列と行は、尤度が重要度に代わった点が異なるだけで図4と同じである。図8に示す重要度の例は、図4に示した尤度を100倍した値である。   FIG. 8 shows an example of the importance level generated by the importance level generation unit 80. The columns and rows in FIG. 8 are the same as those in FIG. 4 except that the likelihood is replaced with the importance. The example of importance shown in FIG. 8 is a value obtained by multiplying the likelihood shown in FIG. 4 by 100.

重要度統合部90は、生成された3種のタグの内の2つ又は3つが一致する場合、又は3種のタグの内の2つ又は3つが類似する場合、当該タグに対応する重要度に基づいてタグ重要度を求め、当該タグを映像データタグとして、当該タグ重要度に対応する映像データ識別子と、当該映像データタグと、当該タグ重要度を対応付けてタグDB100に記憶する(ステップS9)。生成された3種のタグとは、上記の「物体タグ」、「文字認識タグ」、「音声認識タグ」である。   The importance integration unit 90, when two or three of the generated three types of tags match, or when two or three of the three types of tags are similar, the importance corresponding to the tag The tag importance is obtained based on the tag, and the tag is used as a video data tag, and the video data identifier corresponding to the tag importance, the video data tag, and the tag importance are associated and stored in the tag DB 100 (step S9). The generated three types of tags are the above-mentioned “object tag”, “character recognition tag”, and “voice recognition tag”.

タグの類似の判定は、重要度統合部70が備える類似語辞書や表現ゆらぎ辞書を参照して行う。図1において、類似語辞書及び表現ゆらぎ辞書の表記は省略している。   The similarity of tags is determined with reference to a similar word dictionary and an expression fluctuation dictionary provided in the importance level integration unit 70. In FIG. 1, the similar word dictionary and the expression fluctuation dictionary are not shown.

重要度統合部90は、一致する又は類似するタグに対応する重要度に基づいてタグ重要度を求め、一致する又は類似するタグを映像データタグとする。一致するタグは、映像データの内容を、より良く表すタグであると考えられる。   The importance level integration unit 90 calculates the tag importance level based on the importance level corresponding to the matching or similar tag, and sets the matching or similar tag as the video data tag. The matching tag is considered to be a tag that better represents the content of the video data.

そこで、3種のタグ(「物体タグ」、「文字認識タグ」、「音声認識タグ」)が一致する例えば「金閣寺」を映像データタグとし、そのタグ重要度を各々の重要度の例えば合計(70+90+90=250)とする。そして、映像データを識別する映像データ識別子と映像データタグとタグ重要度を、対応付けてタグDB100に記憶する。   Therefore, for example, “Kinkakuji” in which the three types of tags (“object tag”, “character recognition tag”, “voice recognition tag”) coincide with each other is set as a video data tag, and the tag importance is, for example, the sum of each importance ( 70 + 90 + 90 = 250). Then, the video data identifier for identifying the video data, the video data tag, and the tag importance are stored in the tag DB 100 in association with each other.

一方、映像データは、映像管理部110によって、映像データを示す映像データ識別子と対応付けられて映像DB120に記憶されている。したがって、タグDB100を、タグ重要度の大きい順に検索することで、視聴したい映像データの映像データ識別子を的確に抽出することができる。   On the other hand, the video data is stored in the video DB 120 by the video management unit 110 in association with the video data identifier indicating the video data. Therefore, by searching the tag DB 100 in descending order of tag importance, it is possible to accurately extract the video data identifier of the video data desired to be viewed.

その後、抽出した映像データ識別子で、映像DB120を検索することで所望の映像データを取り出すことができる。なお、映像データは、シーン単位で検索することも可能である。   Thereafter, the desired video data can be retrieved by searching the video DB 120 using the extracted video data identifier. Note that the video data can also be searched in scene units.

タグDB100から目的の映像データの映像データ識別子を検索し、該映像データ識別子に対応する映像データを映像DB120から取り出す処理は、映像検索部が行う。なお、図1において映像検索部の表記は省略している。   The video search unit performs a process of searching for the video data identifier of the target video data from the tag DB 100 and retrieving the video data corresponding to the video data identifier from the video DB 120. In FIG. 1, the notation of the video search unit is omitted.

以上説明したように本実施形態の映像データ処理装置1が行う映像データ処理方法は、映像データに含まれる物体を認識し、該物体を表すタグと該タグの尤度を生成し、該物体の重要度を示すデータを生成し、映像データに含まれる映像内テキストを、辞書記憶部50に文字認識用辞書が記憶されていれば当該文字認識用辞書を用いて映像データからテキストを検出し、映像データに付与された音声を認識した音声認識テキストを、辞書記憶部50に音声認識用辞書が記憶されていれば当該音声認識用辞書を用いて生成し、映像内テキストから重要語を表すタグを抽出し、該タグと該タグの重要度を生成し、音声認識テキストから重要語を表すタグを抽出し、該タグと該タグの重要度を生成し、一度選択した前記文字認識用辞書及び音声認識用辞書を、検出した映像内テキストのタグに応じたカテゴリが変化した場合に変化したカテゴリの音声認識用辞書に切り替えて選択し、検出した音声認識テキストのタグに応じたカテゴリが変化した場合に変化したカテゴリの文字認識用辞書に切り替えて選択し、生成された3種の前記タグの内の2つ又は3つが一致する場合、又は3種のタグの内の2つ又は3つが類似する場合、当該タグに対応する重要度に基づいてタグ重要度を求め、当該タグを映像データタグとして、当該タグ重要度に対応する映像データの識別子と、当該映像データタグと、当該タグ重要度を対応付けてタグDB100に記憶する。   As described above, the video data processing method performed by the video data processing apparatus 1 according to the present embodiment recognizes an object included in the video data, generates a tag representing the object and the likelihood of the tag, Generating data indicating importance, detecting text in video data included in video data from video data using the character recognition dictionary if the dictionary storage unit 50 stores a character recognition dictionary; A tag that represents the speech recognition text that recognizes the speech given to the video data if the speech recognition dictionary is stored in the dictionary storage unit 50 using the speech recognition dictionary, and represents the important word from the text in the video The tag and the importance of the tag are generated, the tag representing the important word is extracted from the speech recognition text, the tag and the importance of the tag are generated, and the character recognition dictionary selected once and voice recognition When the category corresponding to the detected tag in the video text changes, the dictionary is switched to the voice recognition dictionary of the changed category, and when the category changes according to the detected voice recognition text tag. If the two or three of the generated three types of tags are matched or two or three of the three types of tags are similar, The tag importance is obtained based on the importance corresponding to the tag, the video data tag corresponding to the tag importance, the video data tag, and the tag importance are associated with the tag as the video data tag. And stored in the tag DB 100.

この本実施の形態の映像データ処理方法によれば、映像データを適切に分類したデータベース(タグDB100)を生成することができる。次に、重要度統合部70の動作を更に詳しく説明する。   According to the video data processing method of this embodiment, a database (tag DB 100) in which video data is appropriately classified can be generated. Next, the operation of the importance level integration unit 70 will be described in more detail.

〔重要度統合部〕
図9に示す重要度統合部90の動作フローを参照してその動作を説明する。
[Importance Integration Department]
The operation will be described with reference to the operation flow of the importance integration unit 90 shown in FIG.

重要度統合部90は、ダグDB100に記憶された1つのタグが、3つのタグ種の間(物体タグ、文字認識タグ、音声認識タグ)で、一致する又は類似する物が有るか否かを判定する(ステップS90)。以降では、図6、図7、図8において同じ映像データ識別子に対応する同じタグの有無を判定する例で説明する。   The importance level integration unit 90 determines whether one tag stored in the Doug DB 100 is identical or similar between the three tag types (object tag, character recognition tag, voice recognition tag). Determination is made (step S90). Hereinafter, an example in which the presence / absence of the same tag corresponding to the same video data identifier in FIGS. 6, 7 and 8 is determined will be described.

一致するタグが無い場合、例えば音声認識タグしか存在しない「水面」については、音声認識タグをそのまま映像データタグとし(ステップS91)、音声認識タグの重要度をタグ重要度とし、映像データ識別子と対応付けてタグDB100に記憶する(ステップS92)。そして、他のタグ(物体タグ、文字認識タグ、音声認識タグ)について一致するものが有るか否かの判定に戻る(ステップS90のNO→ステップS93のNO)。この繰り返しは、全ての映像データについて終了(ステップS93のYES)するまで繰り返される。   When there is no matching tag, for example, for “water surface” where only the voice recognition tag exists, the voice recognition tag is used as the video data tag as it is (step S91), the importance of the voice recognition tag is set as the tag importance, and the video data identifier The data is stored in the tag DB 100 in association with each other (step S92). Then, the process returns to the determination of whether there is a match for other tags (object tag, character recognition tag, voice recognition tag) (NO in step S90 → NO in step S93). This repetition is repeated until all the video data is finished (YES in step S93).

一致するタグが有る場合は、全てのタグ種が一致するか否かを判定する(ステップS94)。全てのタグ種が一致する場合(ステップS94のYES)、重要度統合部90は、一致するタグに対応する重要度に基づいてタグ重要度を求める(ステップS95)。タグ重要度は、例えば一致するタグに対応する重要度の合計を2倍した値である。全てのタグが一致するタグは、上記の例では「金閣寺」である。なお、タグ重要度の値は、各重要度の平均値で有っても良い。   If there is a matching tag, it is determined whether or not all tag types match (step S94). When all the tag types match (YES in step S94), the importance level integration unit 90 calculates the tag importance level based on the importance level corresponding to the matching tag (step S95). The tag importance is, for example, a value obtained by doubling the total importance corresponding to matching tags. The tag that matches all the tags is “Kinkakuji” in the above example. The tag importance value may be an average value of each importance.

次に重要度統合部90は、当該一致するタグを映像データタグとして、当該タグ重要度に対応する映像データの識別子と、当該映像データタグと、当該タグ重要度を対応付けてタグDB100に記憶する(ステップS96)。   Next, the importance level integration unit 90 stores the matching tag as a video data tag in the tag DB 100 in association with the video data identifier corresponding to the tag importance level, the video data tag, and the tag importance level. (Step S96).

全てのタグが一致しない場合(ステップS94のNO)、重要度統合部90は、次に2つのタグ種が一致するか否かを判定する(ステップS97)。2つのタグ種が一致しない場合は、ステップS90に戻る。つまり、異なるタグ種間で一致するタグが無い場合、重要度の値は変化せずそのままタグ重要度としてタグDB100に記憶される。   If all the tags do not match (NO in step S94), the importance integration unit 90 next determines whether or not the two tag types match (step S97). If the two tag types do not match, the process returns to step S90. That is, when there is no matching tag between different tag types, the importance value is not changed and is stored in the tag DB 100 as the tag importance as it is.

2つのタグ種が一致する場合(ステップS97のYES)、重要度統合部90は、一致するタグに対応する重要度に基づいてタグ重要度を求める(ステップS98)。2つのタグ種間でタグが一致する場合のタグ重要度は、例えば一致するタグに対応する重要度の合計を1.5倍した値である。2つのタグ種で一致するタグは、上記の例では「秋」である。このように、タグ重要度は、各重要度の合計値又は平均値に、一致するタグの数が多いほど大きな重みが乗ぜられた値になる。   If the two tag types match (YES in step S97), the importance level integration unit 90 calculates the tag importance level based on the importance level corresponding to the matching tag (step S98). The tag importance when the tags match between the two tag types is, for example, a value obtained by multiplying the total importance corresponding to the matching tags by 1.5. The tag that matches the two tag types is “autumn” in the above example. Thus, the tag importance is a value obtained by multiplying the total value or average value of each importance by a greater weight as the number of matching tags increases.

なお、タグ重要度は、一致するタグを抽出する抽出精度を考慮した値にしても良い。つまり、タグ重要度は一致するタグを抽出する抽出精度を考慮した値であり、抽出精度の高いタグに対応する重要度に、大きな重みを乗じて求めても良い。抽出精度とは、画像認識、文字認識、及び音声認識のそれぞれの認識精度のことである。   Note that the tag importance may be a value that considers the extraction accuracy for extracting matching tags. That is, the tag importance is a value that considers the extraction accuracy for extracting matching tags, and may be obtained by multiplying the importance corresponding to a tag with high extraction accuracy by a large weight. The extraction accuracy is the recognition accuracy of each of image recognition, character recognition, and speech recognition.

具体的には、例えば音声認識テキストの認識精度が、物体認識の認識精度よりも高い場合、音声認識テキストから抽出した音声認識タグに対応する重要度に大きな重みを乗じる。また、物体認識の認識精度が、音声認識テキストの認識精度よりも高い場合、物体認識で認識した物体タグに大きな重みを乗じる。要するに、タグ重要度=物体タグの重要度×重みα+文字認識タグの重要度×重みβ+音声認識タグの重要度×重みγのそれぞれの重みα,β,γの値を認識精度に応じて変えても良い。   Specifically, for example, when the recognition accuracy of the speech recognition text is higher than the recognition accuracy of the object recognition, the importance corresponding to the speech recognition tag extracted from the speech recognition text is multiplied by a large weight. When the recognition accuracy of object recognition is higher than the recognition accuracy of speech recognition text, a large weight is applied to the object tag recognized by object recognition. In short, tag importance = importance of object tag × weight α + importance of character recognition tag × weight β + importance of voice recognition tag × weight γ, and change each weight α, β, γ according to recognition accuracy May be.

次に重要度統合部90は、2つのタグ種が一致するタグを映像データタグとして、当該タグ重要度に対応する映像データの識別子と、当該映像データタグと、当該タグ重要度を対応付けてタグDB100に記憶する(ステップS99)。   Next, the importance level integration unit 90 associates the tag having the same two tag types as a video data tag with the video data identifier corresponding to the tag importance level, the video data tag, and the tag importance level associated with each other. Store in the tag DB 100 (step S99).

図10に、タグDB100に記憶された映像データタグとタグ重要度の例を示す。図10の1列目は映像データ識別子、2列目は映像データタグ、3列目はタグ重要度である。全てのタグ種間で一致する映像データタグである「金閣寺」のタグ重要度は360で最も高い値である。文字認識タグと音声認識タグの2つが生成された映像データタグである「秋」のタグ重要度は270である。音声認識タグのみが生成された映像データタグである「水面」のタグ重要度は60である。   FIG. 10 shows an example of video data tags and tag importance levels stored in the tag DB 100. The first column in FIG. 10 is the video data identifier, the second column is the video data tag, and the third column is the tag importance. The tag importance of “Kinkakuji”, which is a video data tag that matches between all tag types, is the highest value at 360. The tag importance of “autumn”, which is a video data tag in which two character recognition tags and voice recognition tags are generated, is 270. The tag importance of “water surface”, which is a video data tag in which only a voice recognition tag is generated, is 60.

以上説明したステップS90〜99の処理によって、一致するタグ種の数が多い程、そのタグに対応するタグ重要度の値は大きくなる。タグ種間で一致しないタグの重要度は、重要度生成部80と自然言語処理部70が生成する重要度の値から変化しない。   As the number of matching tag types increases by the processing in steps S90 to S99 described above, the tag importance value corresponding to the tag increases. The importance of tags that do not match between tag types does not change from the importance values generated by the importance generation unit 80 and the natural language processing unit 70.

以上説明したステップS90〜99の処理によって、一致するタグ種の数が多い程、そのタグに対応するタグ重要度の値は大きくなる。タグ種間で一致しないタグのタグ重要度は、重要度生成部80と自然言語処理部70で生成する重要度の値から変化しない。   As the number of matching tag types increases by the processing in steps S90 to S99 described above, the tag importance value corresponding to the tag increases. The tag importance of tags that do not match between tag types does not change from the importance values generated by the importance generation unit 80 and the natural language processing unit 70.

このように映像データ処理装置1は、映像データの内容をより良く表す映像データタグのタグ重要度の値を、大きくしてタグDB100に記憶する。本実施形態の映像データ処理装置1によれば、映像データに適切なメタデータを付与したデータベースが生成できる。   As described above, the video data processing device 1 increases the tag importance value of the video data tag that better represents the content of the video data and stores the tag importance value in the tag DB 100. According to the video data processing apparatus 1 of the present embodiment, a database in which appropriate metadata is added to video data can be generated.

なお、図9に示す例では、タグの一致を判定したが、上記のようにタグの類似を判定しても良い。また、タグの一致と類似の両方を判定するようにしても良い。   In the example shown in FIG. 9, tag matching is determined, but tag similarity may be determined as described above. Also, both tag matching and similarity may be determined.

〔第2実施形態〕
図11に、第2実施形態に係る映像データ処理装置2の機能構成例を示す。映像データ処理装置2は、映像データ処理装置1の重要度統合部90に代えてタグ管理部130を備える点で異なる。映像データ処理装置2は、タグ種の間で一致するタグに対応する重要度の統合を行わない。
[Second Embodiment]
FIG. 11 shows a functional configuration example of the video data processing apparatus 2 according to the second embodiment. The video data processing device 2 is different in that a tag management unit 130 is provided instead of the importance level integration unit 90 of the video data processing device 1. The video data processing device 2 does not integrate the importance corresponding to the tag that matches between the tag types.

タグ管理部130は、生成された3つのタグのそれぞれを映像データダグとし、且つそれぞれの重要度をタグ重要度とし、当該タグ重要度に対応する映像データの識別子と、当該映像データタグと、当該タグ重要度を対応付けてタグDB100に記憶する。   The tag management unit 130 sets each of the generated three tags as a video data tag and sets each importance level as a tag importance level. The video data identifier corresponding to the tag importance level, the video data tag, The tag importance is associated and stored in the tag DB 100.

タグ管理部130は、「物体タグ」とその重要度、「文字認識タグ」と重要度、及び「音声認識タグ」とその重要度を、それぞれのタグを抽出した映像データ識別子に対応させ、それぞれのタグを映像データタグとし、それぞれのタグに対応する重要度をタグ重要度としてタグDB100に記憶する。つまり、各タグと重要度は、そのまま映像データ識別子とタグ重要度としてタグDB100に記憶される。   The tag management unit 130 associates the “object tag” and its importance, the “character recognition tag” and the importance, and the “voice recognition tag” and the importance with the video data identifier from which each tag is extracted, The tag is a video data tag, and the importance corresponding to each tag is stored in the tag DB 100 as the tag importance. That is, each tag and importance are stored in the tag DB 100 as the video data identifier and tag importance as they are.

「文字認識タグ」と「音声認識タグ」は、辞書選択部60が、映像データ内テキスト検出部30と音声認識部40で使用する辞書を、タグのカテゴリに対応させて決め合う様に動作して生成されたものである。よって、「文字認識タグ」と「音声認識タグ」の検出精度と認識精度は、比較的に高い。つまり、映像データ処理装置2は、映像データを適切に分類したデータベース(タグDB100)を生成することができる。   The “character recognition tag” and the “speech recognition tag” operate so that the dictionary selection unit 60 determines the dictionary used by the text detection unit 30 and the speech recognition unit 40 in the video data in accordance with the tag category. Is generated. Therefore, the detection accuracy and recognition accuracy of the “character recognition tag” and the “voice recognition tag” are relatively high. That is, the video data processing device 2 can generate a database (tag DB 100) in which video data is appropriately classified.

〔第3実施形態〕
図12に、第3実施形態に係る映像データ処理装置3の機能構成例を示す。映像データ処理装置3は、物体認識部23を備える点で、映像データ処理装置2と異なる。
[Third Embodiment]
FIG. 12 shows a functional configuration example of the video data processing apparatus 3 according to the third embodiment. The video data processing device 3 is different from the video data processing device 2 in that an object recognition unit 23 is provided.

物体認識部23は、複数のカテゴリに対応する物体のそれぞれの特徴を表す特徴量を記憶し、辞書選択部60が選択した文字認識用辞書のカテゴリ又は音声認識用辞書のカテゴリに、それぞれ対応するカテゴリの特徴量を使用する。   The object recognizing unit 23 stores feature amounts representing the features of objects corresponding to a plurality of categories, and corresponds to the category of the character recognition dictionary or the category of the speech recognition dictionary selected by the dictionary selecting unit 60, respectively. Use category features.

例えば辞書選択部60が、「京都観光」のカテゴリを選択した場合、物体認識部20は、「京都観光」のカテゴリに対応する特徴量を用いて画像を認識する。「京都観光」のカテゴリに対応する特徴量とは、例えば京都に所在する神社仏閣に関する特徴量である。   For example, when the dictionary selection unit 60 selects the “Kyoto sightseeing” category, the object recognition unit 20 recognizes the image using the feature amount corresponding to the “Kyoto sightseeing” category. The feature amount corresponding to the category of “Kyoto tourism” is, for example, a feature amount related to a shrine and temple located in Kyoto.

このように物体認識部23の特徴量についてもカテゴリ対応させることで、物体認識の認識精度を向上させることができる。   As described above, by making the feature amount of the object recognition unit 23 correspond to the category, the recognition accuracy of the object recognition can be improved.

以上の実施形態では、映像データを示す映像データ識別子と各タグを対応付ける例で説明を行ったが、本実施形態はこの例に限られない。シーン分割部10で映像データを分割したシーンと各タグを対応付けるようにしても良い。この場合、映像のシーンの単位で目的の映像データを検索することが出来る。   In the above embodiment, the description has been given with the example in which the video data identifier indicating the video data is associated with each tag, but the present embodiment is not limited to this example. The scene divided by the scene dividing unit 10 may be associated with each tag. In this case, the target video data can be searched in units of video scenes.

また、物体タグ、文字認識タグ、及び音声認識タグの全てが一致するか否かの例で説明を行ったが、全てのタグ種間での一致の判定は不要である。例えば、文字認識タグと音声認識タグの間の一致を判定するだけでも良い。また、第3実施形態の映像データ処理装置3は、映像データ処理装置2の物体認識20を、物体認識部23に変更する例で説明を行ったが、映像データ装置の物体認識20を物体認識部23に変更しても良い。   Further, although an example of whether or not all of the object tag, the character recognition tag, and the voice recognition tag match has been described, it is not necessary to determine matching between all tag types. For example, it is only necessary to determine a match between a character recognition tag and a voice recognition tag. In the video data processing device 3 of the third embodiment, the object recognition 20 of the video data processing device 2 is changed to the object recognition unit 23. However, the object recognition 20 of the video data device is recognized as an object. You may change to the part 23.

このように本発明は、上記した実施形態に限定されるものではなく、その要旨の範囲内で数々の変形が可能である。   As described above, the present invention is not limited to the above-described embodiment, and various modifications can be made within the scope of the gist thereof.

上記装置における処理部をコンピュータによって実現する場合、各処理部が有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、上記装置における処理部がコンピュータ上で実現される。   When the processing unit in the above apparatus is realized by a computer, the processing content of the function that each processing unit should have is described by a program. Then, by executing this program on a computer, the processing unit in the above apparatus is realized on the computer.

また、このプログラムの流通は、例えば、そのプログラムを記録したDVD、CD−ROM等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記録装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としても良い。   The program is distributed by selling, transferring, or lending a portable recording medium such as a DVD or CD-ROM in which the program is recorded. Further, the program may be distributed by storing the program in a recording device of the server computer and transferring the program from the server computer to another computer via a network.

1:映像データ処理装置
10:シーン分割部
20、23:物体認識部
30:映像データ内テキスト検出部
40:音声認識部
50:辞書記憶部
60:辞書選択部
70:自然言語処理部
80:重要度生成部
90:重要度統合部
100:タグデータベース
110:映像管理部
120:映像データベース
1: Video data processing device 10: Scene division unit 20, 23: Object recognition unit 30: Text data in text detection unit 40: Voice recognition unit 50: Dictionary storage unit 60: Dictionary selection unit 70: Natural language processing unit 80: Important Degree generation unit 90: Importance integration unit 100: Tag database 110: Video management unit 120: Video database

本実施形態の一態様に係る映像データ処理装置は、映像データごとに、該映像データを示す映像データ識別子と、映像データの内容を表す映像データタグと、該映像データタグの重要度を表すタグ重要度とを対応付けて記憶するタグデータベースと、映像データの内容について予め設定された複数のカテゴリごとの文字認識用辞書と音声認識用辞書のどちらか一方又は両方を備える辞書記憶部と、映像データに含まれる物体を認識し、該物体を表すタグと該タグの尤度を生成する物体認識部と、該物体の重要度を示すデータを生成する重要度生成部と、映像データに含まれる映像内テキストを、前記辞書記憶部に前記文字認識用辞書が記憶されていれば当該文字認識用辞書を用いて検出する映像データ内テキスト検出部と、映像データに付与された音声を認識した音声認識テキストを、前記辞書記憶部に前記音声認識用辞書が記憶されていれば当該音声認識用辞書を用いて生成する音声認識部と、映像内テキストから重要語を表すタグを抽出し、該タグの前記映像内テキストにおける発生頻度と他のテキストにおける発生頻度とを考慮して該タグの重要度を生成し、前記音声認識テキストから重要語を表すタグを抽出し、該タグの前記音声認識テキストにおける発生頻度と他のテキストにおける発生頻度とを考慮して該タグの重要度を生成する自然言語処理部と、前記映像データ内テキスト検出部で用いた前記文字認識用辞書、及び前記音声認識部で用いた前記音声認識用辞書を、前記映像データ内テキスト検出部で検出した映像内テキストのタグに応じたカテゴリが変化した場合に変化したカテゴリの前記音声認識用辞書に切り替えて選択し、前記音声認識部で検出した音声認識テキストのタグに応じたカテゴリが変化した場合に変化したカテゴリの前記文字認識用辞書に切り替えて選択する辞書選択部と、生成された3種の前記タグの内の2つ又は3つが一致する場合、又は3種の前記タグの内の2つ又は3つが類似する場合、当該タグに対応する重要度に基づいてタグ重要度を求め、当該タグを映像データタグとして、当該タグ重要度に対応する映像データ識別子と、当該映像データタグと、当該タグ重要度を対応付けて前記タグデータベースに記憶する重要度統合部とを備え、前記タグ重要度は、前記一致する又は前記類似するタグを抽出する抽出精度を考慮した値であり、該抽出精度の高いタグに対応する重要度に大きな重みを乗じて求めることを要旨とする。 The video data processing apparatus according to an aspect of the present embodiment includes, for each video data, a video data identifier indicating the video data, a video data tag indicating the content of the video data, and a tag indicating the importance of the video data tag. A tag database that stores the degree of importance in association with each other; a dictionary storage unit that includes one or both of a character recognition dictionary and a voice recognition dictionary for each of a plurality of categories set in advance for the content of the video data; Included in the video data is an object recognition unit that recognizes an object included in the data and generates a tag representing the object and a likelihood of the tag, an importance generation unit that generates data indicating the importance of the object, and If the character recognition dictionary is stored in the dictionary storage unit, the in-video text is detected using the character recognition dictionary, and the text data is added to the video data. A speech recognition unit that recognizes the recognized speech and generates a speech recognition unit using the speech recognition dictionary if the speech recognition dictionary is stored in the dictionary storage unit; Extracting a tag , generating an importance level of the tag in consideration of an occurrence frequency of the tag in the text in the video and an occurrence frequency of other text , and extracting a tag representing an important word from the speech recognition text; The natural language processing unit that generates the importance of the tag in consideration of the frequency of occurrence of the tag in the speech recognition text and the frequency of occurrence in other text, and the character recognition used in the video data text detection unit When the category corresponding to the tag of the text in the video detected by the text detection unit in the video data of the dictionary and the voice recognition dictionary used in the voice recognition unit is changed When the category corresponding to the tag of the speech recognition text detected by the speech recognition unit is changed, it is switched to the character recognition dictionary of the changed category. When two or three of the generated three types of tags match the dictionary selection unit, or two or three of the three types of tags are similar, the importance corresponding to the tag The tag importance is obtained based on the video data tag, and the video data tag corresponding to the tag importance, the video data tag, and the tag importance are stored in the tag database in association with each other. The tag importance is a value considering the extraction accuracy for extracting the matching or similar tags, and the importance corresponding to the tag with high extraction accuracy And gist Rukoto calculated by multiplying the large weight on.

また、本実施形態の一態様に係る映像データ処理方法は、上記の映像データ処理装置が行う映像データ処理方法であって、前記映像データ処理装置は、映像データごとに、該映像データを示す映像データ識別子と、映像データの内容を表す映像データタグと、該映像データタグの重要度を表すタグ重要度とを対応付けて記憶するタグデータベースと、映像データの内容について予め設定された複数のカテゴリごとの文字認識用辞書と音声認識用辞書のどちらか一方又は両方を備える辞書記憶部とを備え、前記映像データ処理方法においては、映像データに含まれる物体を認識し、該物体を表すタグと該タグの尤度を生成し、該物体の重要度を示すデータを生成し、映像データに含まれる映像内テキストを、前記辞書記憶部に前記文字認識用辞書が記憶されていれば当該文字認識用辞書を用いて映像データからテキストを検出し、映像データに付与された音声を認識した音声認識テキストを、前記辞書記憶部に前記音声認識用辞書が記憶されていれば当該音声認識用辞書を用いて生成し、映像内テキストから重要語を表すタグを抽出し、該タグの前記映像内テキストにおける発生頻度と他のテキストにおける発生頻度とを考慮して該タグの重要度を生成し、前記音声認識テキストから重要語を表すタグを抽出し、該タグの前記音声認識テキストにおける発生頻度と他のテキストにおける発生頻度とを考慮して該タグの重要度を生成し、一度選択した前記文字認識用辞書及び音声認識用辞書を、検出した映像内テキストのタグに応じたカテゴリが変化した場合に変化したカテゴリの前記音声認識用辞書に切り替えて選択し、検出した音声認識テキストのタグに応じたカテゴリが変化した場合に変化したカテゴリの前記文字認識用辞書に切り替えて選択し、生成された3種の前記タグの内の2つ又は3つが一致する場合、又は3種の前記タグの内の2つ又は3つが類似する場合、当該タグに対応する重要度に基づいてタグ重要度を求め、当該タグを映像データタグとして、当該タグ重要度に対応する映像データの識別子と、当該映像データタグと、当該タグ重要度を対応付けて前記タグデータベースに記憶し、前記タグ重要度は、前記一致する又は前記類似するタグを抽出する抽出精度を考慮した値であり、該抽出精度の高いタグに対応する重要度に大きな重みを乗じて求めることを要旨とする。
A video data processing method according to an aspect of the present embodiment is a video data processing method performed by the video data processing device, and the video data processing device is configured to display a video indicating the video data for each video data. A tag database that stores a data identifier, a video data tag that represents the content of the video data, and a tag importance that represents the importance of the video data tag, and a plurality of categories that are set in advance for the content of the video data A dictionary storage unit that includes one or both of a character recognition dictionary and a voice recognition dictionary for each of the above, and in the video data processing method, a tag that recognizes an object included in the video data and represents the object; The likelihood of the tag is generated, data indicating the importance of the object is generated, and the text in the video included in the video data is stored in the dictionary storage unit in the character recognition dictionary. Is stored in the dictionary storage unit, the voice recognition text is detected from the video data using the character recognition dictionary, and the voice recognition text recognized from the voice attached to the video data is stored in the dictionary storage unit. If it is generated using the voice recognition dictionary, a tag representing an important word is extracted from the text in the video , and the frequency of occurrence of the tag in the text in the video and the frequency of occurrence in other text are taken into consideration. Tag importance is generated, a tag representing an important word is extracted from the speech recognition text, and the importance of the tag is determined in consideration of the frequency of occurrence of the tag in the speech recognition text and the frequency of occurrence in other text. When the category according to the tag of the detected text in the video is changed, the character recognition dictionary and the speech recognition dictionary selected once are generated. When the category corresponding to the tag of the detected voice recognition text is changed and switched to the dictionary for voice recognition, the category is changed to the dictionary for character recognition when the category is changed. If two or three of the tags match, or if two or three of the three types of tags are similar, the tag importance is calculated based on the importance corresponding to the tag, and the tag is converted into video data. As a tag, an identifier of video data corresponding to the tag importance, the video data tag, and the tag importance are associated and stored in the tag database, and the tag importance matches or is similar a value considering the extraction precision of extracting the tag, and gist Rukoto calculated by multiplying the greater weight to the importance corresponding to the extraction accurate tag.

Claims (5)

映像データごとに、該映像データを示す映像データ識別子と、映像データの内容を表す映像データタグと、該映像データタグの重要度を表すタグ重要度とを対応付けて記憶するタグデータベースと、
映像データの内容について予め設定された複数のカテゴリごとの文字認識用辞書と音声認識用辞書のどちらか一方又は両方を備える辞書記憶部と、
映像データに含まれる物体を認識し、該物体を表すタグと該タグの尤度を生成する物体認識部と、
該物体の重要度を示すデータを生成する重要度生成部と、
映像データに含まれる映像内テキストを、前記辞書記憶部に前記文字認識用辞書が記憶されていれば当該文字認識用辞書を用いて検出する映像データ内テキスト検出部と、
映像データに付与された音声を認識した音声認識テキストを、前記辞書記憶部に前記音声認識用辞書が記憶されていれば当該音声認識用辞書を用いて生成する音声認識部と、
映像内テキストから重要語を表すタグを抽出し、該タグと該タグの重要度を生成し、前記音声認識テキストから重要語を表すタグを抽出し、該タグと該タグの重要度を生成する自然言語処理部と、
前記映像データ内テキスト検出部で用いた前記文字認識用辞書、及び前記音声認識部で用いた前記音声認識用辞書を、前記映像データ内テキスト検出部で検出した映像内テキストのタグに応じたカテゴリが変化した場合に変化したカテゴリの前記音声認識用辞書に切り替えて選択し、前記音声認識部で検出した音声認識テキストのタグに応じたカテゴリが変化した場合に変化したカテゴリの前記文字認識用辞書に切り替えて選択する辞書選択部と、
生成された3種の前記タグの内の2つ又は3つが一致する場合、又は3種の前記タグの内の2つ又は3つが類似する場合、当該タグに対応する重要度に基づいてタグ重要度を求め、当該タグを映像データタグとして、当該タグ重要度に対応する映像データ識別子と、当該映像データタグと、当該タグ重要度を対応付けて前記タグデータベースに記憶する重要度統合部と
を備えることを特徴とする映像データ処理装置。
A tag database that stores a video data identifier indicating the video data, a video data tag indicating the content of the video data, and a tag importance level indicating the importance level of the video data tag in association with each other;
A dictionary storage unit including one or both of a dictionary for character recognition and a dictionary for speech recognition for each of a plurality of categories set in advance for the contents of video data;
An object recognition unit that recognizes an object included in the video data and generates a tag representing the object and a likelihood of the tag;
An importance generation unit for generating data indicating the importance of the object;
In-video text detection unit for detecting text in video data included in video data using the dictionary for character recognition if the dictionary for character recognition is stored in the dictionary storage unit;
A speech recognition unit that recognizes speech added to video data, and generates a speech recognition unit using the speech recognition dictionary if the dictionary for speech recognition is stored in the dictionary storage unit;
A tag representing an important word is extracted from the text in the video, the tag and the importance of the tag are generated, a tag representing the important word is extracted from the speech recognition text, and the tag and the importance of the tag are generated. A natural language processing unit;
The character recognition dictionary used in the video data text detection unit, and the voice recognition dictionary used in the voice recognition unit are categories corresponding to the text tag detected in the video data text detection unit. If the category is changed according to the tag of the voice recognition text detected by the voice recognition unit, the character recognition dictionary is changed. The dictionary selection part to switch to and select,
If two or three of the three generated tags match, or if two or three of the three types of tags are similar, tag importance based on the importance corresponding to the tag A video data identifier corresponding to the tag importance, the video data tag, and an importance level integration unit that stores the tag importance level in association with each other in the tag database. A video data processing apparatus comprising:
前記重要度統合部に代えてタグ管理部を備え、
前記タグ管理部は、生成された3種の前記タグのそれぞれを映像データダグとし、且つそれぞれの重要度をタグ重要度とし、当該タグ重要度に対応する映像データの識別子と、当該映像データタグと、当該タグ重要度を対応付けて前記タグデータベースに記憶する
ことを特徴とする請求項1に記載の映像データ処理装置。
A tag management unit is provided instead of the importance integration unit,
The tag management unit sets each of the generated three types of tags as a video data tag and sets each importance level as a tag importance level, an identifier of video data corresponding to the tag importance level, the video data tag, The video data processing apparatus according to claim 1, wherein the tag importance is associated and stored in the tag database.
前記物体認識部は、複数のカテゴリに対応する物体のそれぞれの特徴を表す特徴量を記憶し、前記辞書選択部が選択した文字認識用辞書のカテゴリ又は音声認識用辞書のカテゴリに、それぞれ対応するカテゴリの前記特徴量を使用して映像データに含まれる物体を認識することを特徴とする請求項1又は2に記載の映像データ処理装置。   The object recognition unit stores feature amounts representing features of objects corresponding to a plurality of categories, and corresponds to the character recognition dictionary category or the speech recognition dictionary category selected by the dictionary selection unit, respectively. The video data processing apparatus according to claim 1, wherein an object included in the video data is recognized using the feature amount of the category. 映像データ処理装置が行う映像データ処理方法であって、
前記映像データ処理装置は、
映像データごとに、該映像データを示す映像データ識別子と、映像データの内容を表す映像データタグと、該映像データタグの重要度を表すタグ重要度とを対応付けて記憶するタグデータベースと、
映像データの内容について予め設定された複数のカテゴリごとの文字認識用辞書と音声認識用辞書のどちらか一方又は両方を備える辞書記憶部とを備え、
前記映像データ処理方法においては、
映像データに含まれる物体を認識し、該物体を表すタグと該タグの尤度を生成し、
該物体の重要度を示すデータを生成し、
映像データに含まれる映像内テキストを、前記辞書記憶部に前記文字認識用辞書が記憶されていれば当該文字認識用辞書を用いて映像データからテキストを検出し、
映像データに付与された音声を認識した音声認識テキストを、前記辞書記憶部に前記音声認識用辞書が記憶されていれば当該音声認識用辞書を用いて生成し、
映像内テキストから重要語を表すタグを抽出し、該タグと該タグの重要度を生成し、前記音声認識テキストから重要語を表すタグを抽出し、該タグと該タグの重要度を生成し、
一度選択した前記文字認識用辞書及び音声認識用辞書を、検出した映像内テキストのタグに応じたカテゴリが変化した場合に変化したカテゴリの前記音声認識用辞書に切り替えて選択し、検出した音声認識テキストのタグに応じたカテゴリが変化した場合に変化したカテゴリの前記文字認識用辞書に切り替えて選択し、
生成された3種の前記タグの内の2つ又は3つが一致する場合、又は3種の前記タグの内の2つ又は3つが類似する場合、当該タグに対応する重要度に基づいてタグ重要度を求め、当該タグを映像データタグとして、当該タグ重要度に対応する映像データの識別子と、当該映像データタグと、当該タグ重要度を対応付けて前記タグデータベースに記憶する
ことを特徴とする映像データ処理方法。
A video data processing method performed by a video data processing apparatus,
The video data processing device comprises:
A tag database that stores a video data identifier indicating the video data, a video data tag indicating the content of the video data, and a tag importance level indicating the importance level of the video data tag in association with each other;
A dictionary storage unit including a dictionary for character recognition and a dictionary for speech recognition for each of a plurality of categories set in advance for the contents of video data;
In the video data processing method,
Recognizing an object included in video data, generating a tag representing the object and the likelihood of the tag,
Generating data indicating the importance of the object;
If the text recognition dictionary is stored in the dictionary storage unit, the text in the video included in the video data is detected from the video data using the character recognition dictionary,
Generating a voice recognition text that recognizes the voice given to the video data by using the voice recognition dictionary if the voice recognition dictionary is stored in the dictionary storage unit;
A tag representing an important word is extracted from the text in the video, the tag and the importance of the tag are generated, a tag representing the important word is extracted from the speech recognition text, and the tag and the importance of the tag are generated. ,
Once the selected character recognition dictionary and speech recognition dictionary are selected, the category is changed to the speech recognition dictionary of the category changed when the category corresponding to the detected tag in the video is changed, and the detected speech recognition is selected. When the category corresponding to the tag of the text changes, switch to the character recognition dictionary of the changed category and select,
If two or three of the three generated tags match, or if two or three of the three types of tags are similar, tag importance based on the importance corresponding to the tag The tag is used as a video data tag, the video data identifier corresponding to the tag importance, the video data tag, and the tag importance are associated and stored in the tag database. Video data processing method.
請求項1乃至3の何れかに記載した映像データ処理装置としてコンピュータを機能させるためのコンピュータプログラム。   A computer program for causing a computer to function as the video data processing apparatus according to claim 1.
JP2017065066A 2017-03-29 2017-03-29 VIDEO DATA PROCESSING DEVICE, VIDEO DATA PROCESSING METHOD, AND COMPUTER PROGRAM Active JP6389296B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017065066A JP6389296B1 (en) 2017-03-29 2017-03-29 VIDEO DATA PROCESSING DEVICE, VIDEO DATA PROCESSING METHOD, AND COMPUTER PROGRAM

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017065066A JP6389296B1 (en) 2017-03-29 2017-03-29 VIDEO DATA PROCESSING DEVICE, VIDEO DATA PROCESSING METHOD, AND COMPUTER PROGRAM

Publications (2)

Publication Number Publication Date
JP6389296B1 JP6389296B1 (en) 2018-09-12
JP2018169697A true JP2018169697A (en) 2018-11-01

Family

ID=63518897

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017065066A Active JP6389296B1 (en) 2017-03-29 2017-03-29 VIDEO DATA PROCESSING DEVICE, VIDEO DATA PROCESSING METHOD, AND COMPUTER PROGRAM

Country Status (1)

Country Link
JP (1) JP6389296B1 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020079982A (en) * 2018-11-12 2020-05-28 株式会社日本経済新聞社 Tagging device for moving images, method, and program
JP2021135811A (en) * 2020-02-27 2021-09-13 東京瓦斯株式会社 Character input support control device, character input support system, and character input support program
JP2021190079A (en) * 2020-06-03 2021-12-13 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド Method for generating video tag, device, electronic apparatus, and storage medium
JP2023080708A (en) * 2021-11-30 2023-06-09 政志 松本 Data storage device, data storage method, and data storage program
WO2024172194A1 (en) * 2023-02-16 2024-08-22 쿠팡 주식회사 Method and electronic device for generating tag information corresponding to image content

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004333738A (en) * 2003-05-06 2004-11-25 Nec Corp Device and method for voice recognition using video information
JP2005258577A (en) * 2004-03-09 2005-09-22 Olympus Corp Character input device, character input method, character input program, and recording medium
JP2006157108A (en) * 2004-11-25 2006-06-15 Teac Corp Video image recording/reproducing apparatus
JP2007082088A (en) * 2005-09-16 2007-03-29 Matsushita Electric Ind Co Ltd Contents and meta data recording and reproducing device and contents processing device and program
JP2008227943A (en) * 2007-03-13 2008-09-25 Toshiba Corp Video processing system and video processing method
JP2009171480A (en) * 2008-01-21 2009-07-30 Hitachi Ltd Video recording and playback apparatus, and video playback apparatus
JP2011059810A (en) * 2009-09-07 2011-03-24 Nippon Soken Inc Image recognition system
JP2014142202A (en) * 2013-01-22 2014-08-07 Denso Corp Vehicle-mounted target detection device
JP2015049697A (en) * 2013-08-30 2015-03-16 株式会社東芝 Information processing apparatus, information processing method, and program
JP2016080832A (en) * 2014-10-16 2016-05-16 日本放送協会 Learning data generation device and program thereof

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004333738A (en) * 2003-05-06 2004-11-25 Nec Corp Device and method for voice recognition using video information
JP2005258577A (en) * 2004-03-09 2005-09-22 Olympus Corp Character input device, character input method, character input program, and recording medium
JP2006157108A (en) * 2004-11-25 2006-06-15 Teac Corp Video image recording/reproducing apparatus
JP2007082088A (en) * 2005-09-16 2007-03-29 Matsushita Electric Ind Co Ltd Contents and meta data recording and reproducing device and contents processing device and program
JP2008227943A (en) * 2007-03-13 2008-09-25 Toshiba Corp Video processing system and video processing method
JP2009171480A (en) * 2008-01-21 2009-07-30 Hitachi Ltd Video recording and playback apparatus, and video playback apparatus
JP2011059810A (en) * 2009-09-07 2011-03-24 Nippon Soken Inc Image recognition system
JP2014142202A (en) * 2013-01-22 2014-08-07 Denso Corp Vehicle-mounted target detection device
JP2015049697A (en) * 2013-08-30 2015-03-16 株式会社東芝 Information processing apparatus, information processing method, and program
JP2016080832A (en) * 2014-10-16 2016-05-16 日本放送協会 Learning data generation device and program thereof

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020079982A (en) * 2018-11-12 2020-05-28 株式会社日本経済新聞社 Tagging device for moving images, method, and program
JP2021135811A (en) * 2020-02-27 2021-09-13 東京瓦斯株式会社 Character input support control device, character input support system, and character input support program
JP2021190079A (en) * 2020-06-03 2021-12-13 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド Method for generating video tag, device, electronic apparatus, and storage medium
JP7080300B2 (en) 2020-06-03 2022-06-03 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド Video tag generation methods, devices, electronic devices and storage media
US11508153B2 (en) 2020-06-03 2022-11-22 Beijing Baidu Netcom Science And Technology Co., Ltd. Method for generating tag of video, electronic device, and storage medium
JP2023080708A (en) * 2021-11-30 2023-06-09 政志 松本 Data storage device, data storage method, and data storage program
JP7345897B2 (en) 2021-11-30 2023-09-19 政志 松本 Data storage device, data storage method, and data storage program
WO2024172194A1 (en) * 2023-02-16 2024-08-22 쿠팡 주식회사 Method and electronic device for generating tag information corresponding to image content

Also Published As

Publication number Publication date
JP6389296B1 (en) 2018-09-12

Similar Documents

Publication Publication Date Title
JP6389296B1 (en) VIDEO DATA PROCESSING DEVICE, VIDEO DATA PROCESSING METHOD, AND COMPUTER PROGRAM
CN109117777B (en) Method and device for generating information
US10621991B2 (en) Joint neural network for speaker recognition
JP6824332B2 (en) Video service provision method and service server using this
US8107689B2 (en) Apparatus, method and computer program for processing information
KR100828166B1 (en) Method of extracting metadata from result of speech recognition and character recognition in video, method of searching video using metadta and record medium thereof
CN112738556B (en) Video processing method and device
JP2008533580A (en) Summary of audio and / or visual data
CN114342353A (en) Method and system for video segmentation
CN104798068A (en) Method and apparatus for video retrieval
CN110781328A (en) Video generation method, system, device and storage medium based on voice recognition
CN111639228B (en) Video retrieval method, device, equipment and storage medium
CN112733654B (en) Method and device for splitting video
Hauptmann et al. Video retrieval using speech and image information
JP6917210B2 (en) Summary video generator and its program
CN112382295A (en) Voice recognition method, device, equipment and readable storage medium
CN114090766A (en) Video text screening method and device and electronic equipment
JP2018170001A (en) Video data processing apparatus, video data processing method, and computer program
KR20220055648A (en) Method and apparatus for generating video script
JP4270118B2 (en) Semantic label assigning method, apparatus and program for video scene
CN115438223A (en) Video processing method and device, electronic equipment and storage medium
CN115665508A (en) Video abstract generation method and device, electronic equipment and storage medium
US20140297678A1 (en) Method for searching and sorting digital data
Darji et al. A review of video classification techniques
KR102320851B1 (en) Information search method in incidental images incorporating deep learning scene text detection and recognition

Legal Events

Date Code Title Description
TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20180814

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180816

R150 Certificate of patent or registration of utility model

Ref document number: 6389296

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250