CN107578011A - 视频关键帧的判定方法及装置 - Google Patents
视频关键帧的判定方法及装置 Download PDFInfo
- Publication number
- CN107578011A CN107578011A CN201710788529.8A CN201710788529A CN107578011A CN 107578011 A CN107578011 A CN 107578011A CN 201710788529 A CN201710788529 A CN 201710788529A CN 107578011 A CN107578011 A CN 107578011A
- Authority
- CN
- China
- Prior art keywords
- frame
- video
- local feature
- feature region
- key
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种视频关键帧的判定方法及装置,涉及视频数据处理的技术领域,该方法包括:逐帧读取目标视频的视频帧,将目标视频的首个视频帧,标记为参考帧;提取参考帧的局部特征点,并将局部特征点标记为第一局部特征点;依次获取参考帧的每个后续帧,提取每个后续帧的局部特征点;判断每个后续帧的局部特征点与第一局部特征点是否匹配;如果否,将后续帧判定为目标视频的关键帧。本发明所述的视频关键帧的判定方法及装置,通过选取首个视频帧为参考帧,并提取参考帧的局部特征点,并将后续帧的局部特征点与参考帧的局部特征点进行匹配的方式,能够大幅度地消除冗余关键帧,同时,也简化了计算过程,提高了视频分析的效率。
Description
技术领域
本发明涉及视频数据处理的技术领域,尤其是涉及一种视频关键帧的判定方法及装置。
背景技术
随着网络基础设施的不断完善,新的网络技术的应用及视频拍摄设备的普及,视频资源总量及人们对视频资源的需求量都急剧增加。对视频信息进行智能标注、自动分类,实现视频内容自动检测、过滤机视频内容检索等需求不断增加。视频关键帧提取作为视频信息处理的基础技术,其性能直接影响高级视频处理的结果。
现有的关键帧判定技术在工业与生活中已经有较为广泛的应用,而且不同的生活场景可以选择不同的关键帧判定方法进行判定,如在视频背景简单的情况下可选用基于抽样的关键帧判定技术与基于镜头边界的关键帧判定技术,在背景复杂的视频中可采用基于运动分析与聚类的关键帧判定技术。
但由于关键帧的确定要依靠视频帧内容的特征(如颜色、纹理、形状、光流等)的改变来确定,所以有可能存在以下情况:同一个物体(如一辆车)出现在一个场景中,但由于光照、角度与尺度的不同,在视频帧特征内容上会反映出具大的差异(即相近或相似的对象在机器中存储的数值会发生很大的差异),但他们是同一个物体,因此我们应判定为冗余关键帧,但传统方法一般不具有冗余关键帧的判断功能,因此会将冗余关键帧划分为关键帧,导致关键帧提取量大,不仅计算过程复杂,也降低了视频分析的效率。
发明内容
有鉴于此,本发明的目的在于提供一种视频关键帧的判定方法及装置,以有效提取视频的关键帧。
第一方面,本发明实施例提供了一种视频关键帧的判定方法,包括:逐帧读取目标视频的视频帧,将目标视频的首个视频帧,标记为参考帧;提取参考帧的局部特征点,并将局部特征点标记为第一局部特征点;依次获取参考帧的每个后续帧,提取每个后续帧的局部特征点;判断每个后续帧的局部特征点与第一局部特征点是否匹配;如果否,将后续帧判定为目标视频的关键帧。
在本发明较佳的实施例中,上述方法还包括:当判定出目标视频的首个关键帧后,以关键帧为参考帧,继续判定目标视频的关键帧,直至参考帧无后续帧时结束。
在本发明较佳的实施例中,上述方法包括:采用SURF算法提取局部特征点,以及判断每个后续帧的局部特征点与上述第一局部特征点是否匹配。
在本发明较佳的实施例中,上述判断每个后续帧的局部特征点与第一局部特征点是否匹配包括:判断每个后续帧的局部特征点与第一局部特征点的相似度是否大于预先设定的阈值;如果是,确定后续帧与参考帧匹配,并将后续帧标记为冗余关键帧;如果否,确定后续帧与参考帧不匹配。
在本发明较佳的实施例中,上述方法还包括:将目标视频划分成多个子目标视频;逐帧读取每个子目标视频的视频帧,以对每个子目标视频的关键帧进行判定。
在本发明较佳的实施例中,上述方法还包括:获取目标视频的所述关键帧;对包含有关键帧的目标视频进行检索,以检索与目标视频相似的视频图像。
第二方面,本发明实施例提供了一种视频关键帧的判定装置,包括:参考帧标记模块,用于逐帧读取目标视频的视频帧,将目标视频的首个视频帧标记为参考帧;第一局部特征点提取模块,用于提取参考帧的局部特征点,并将局部特征点标记为第一局部特征点;第二局部特征点提取模块,用于依次获取参考帧的每个后续帧,提取每个后续帧的局部特征点;匹配判断模块,用于判断每个后续帧的局部特征点与第一局部特征点是否匹配;判定模块,用于当匹配判断模块的判断结果为否时,将后续帧判定为目标视频的关键帧。
在本发明较佳的实施例中,上述装置还包括:参考帧选取模块,用于当判定出目标视频的首个关键帧后,以关键帧为参考帧,继续判定目标视频的关键帧,直至参考帧无后续帧时结束。
在本发明较佳的实施例中,上述装置还包括:检索模块,用于获取目标视频的关键帧;对包含有关键帧的目标视频进行检索,以检索与目标视频相似的视频图像。
第三方面,本发明实施例提供了一种服务器,该服务器包括处理器,存储器,总线和通信接口,处理器、通信接口和存储器通过总线连接;存储器用于存储程序;处理器,用于通过总线调用存储在存储器中的程序,执行上述第一方面所述方法。
第四方面,本发明实施例提供了一种计算机存储介质,用于储存为上述视频关键帧的判定装置所用的计算机软件指令,其包含用于执行上述方面为视频关键帧的判定装置所设计的程序。
本发明实施例带来了以下有益效果:
本发明实施例所述的一种视频关键帧的判定方法及装置,通过逐帧读取目标视频的视频帧,选取首个视频帧为参考帧,能够提取参考帧的局部特征点,并依次获取参考帧的每个后续帧,将后续帧的局部特征点与参考帧的局部特征点进行匹配的方式,能够大幅度地消除冗余关键帧,同时,也简化了计算过程,提高了视频分析的效率。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种视频关键帧的判定方法的流程图;
图2为本发明实施例提供的另一种视频关键帧的判定方法的流程图;
图3为本发明实施例提供的一种视频关键帧的判定装置的结构示意图;
图4为本发明实施例提供的另一种视频关键帧的判定装置的结构示意图;
图5为本发明实施例提供的一种服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域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,都属于本发明保护的范围。
关键帧是视频镜头的代表帧,是指在意义相对独立的镜头中选择一帧或若干代表性的视频帧来表示镜头的整体内容。由于视频由成千上万的帧组成,视频数据流中t时刻的图像帧和t+1甚至t+2时刻的图像帧在视觉特征与内容上如果差别不大(我们称作冗余关键帧)时,我们在浏览视频时没有必要去关注冗余关键帧,这样可大大节约用户的时间,有效提高视频分析的效率,在安防、公安、数字图书馆等领域有广泛的应用,基于此,本发明实施例提供了一种视频关键帧的判定方法及装置,以减少冗余关键帧在视频分析中的影响。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种视频关键帧的判定方法进行详细介绍。
实施例一:
本发明实施例提供了一种视频关键帧的判定方法,如图1所示的一种视频关键帧的判定方法的流程图,包括以下步骤:
步骤S102,逐帧读取目标视频的视频帧,将目标视频的首个视频帧标记为参考帧;
步骤S104,提取参考帧的局部特征点,并将局部特征点标记为第一局部特征点;
步骤S106,依次获取参考帧的每个后续帧,提取每个后续帧的局部特征点;
步骤S108,判断每个后续帧的局部特征点与第一局部特征点是否匹配;
步骤S110,如果否,将后续帧判定为目标视频的关键帧。
本发明实施例所述的一种视频关键帧的判定方法,通过逐帧读取目标视频的视频帧,选取首个视频帧为参考帧,能够提取参考帧的局部特征点,并依次获取参考帧的每个后续帧,将后续帧的局部特征点与参考帧的局部特征点进行匹配的方式,能够大幅度地消除冗余关键帧,同时,也简化了计算过程,提高了视频分析的效率。
实施例二:
考虑到通常目标视频中会包含大量的视频帧,因此,上述方法还包括当通过上述实施例所述的方法判定出首个关键帧后,以该首个关键帧为参考帧,继续判定目标视频的关键帧,直至参考帧无后续帧时结束。
基于此,在上述实施例的基础上,本发明实施例还提供了另一种视频关键帧的判定方法,如图2所示的另一种视频关键帧的判定方法的流程图,包括以下步骤:
步骤S202,逐帧读取目标视频的视频帧,将目标视频的首个视频帧标记为参考帧;
步骤S204,提取参考帧的局部特征点,并将局部特征点标记为第一局部特征点;
步骤S206,获取该参考帧的后续帧,提取该后续帧的局部特征点;
步骤S208,判断该后续帧的局部特征点与第一局部特征点是否匹配;如果是,执行步骤S210;如果否,执行步骤S216;
步骤S210,将该后续帧判定为目标视频的关键帧;
步骤S212,判断该关键帧是否有后续帧;如果是,执行步骤S214;如果否,结束;
步骤S214,将该关键帧标记为参考帧;返回步骤S204;
步骤S216,将该后续帧判定为目标视频的冗余关键帧;
步骤S218,判断该冗余关键帧是否有后续帧;如果是,返回步骤S206;如果否,结束。
优选地,局部特征点是视频帧特征的局部表达,体现帧图像上具有的局部特征性,非常适合进行图像匹配等操作,而且对环境的干扰影响很小,比如光照的变化、旋转变化、角度变化、噪声影响等。因此,本发明实施例中采取匹配局部特征点的方式来判定视频帧是否为关键帧。
通常,常用的局部特征点检测算法有SIFT算法(Scale-invariant featuretransform,SIFT,尺度不变特征变换)、SURF算法(Speeded Up Robust Features,SURF,加速稳健特征)、FAST特征点检测算法等。由于SIFT和FAST算法计算量较大,在实际工程中实时性受到限制,因此,本发明实施例优选为采用SURF算法提取局部特征点,以及判断每个后续帧的局部特征点与第一局部特征点是否匹配。
具体实现时,上述判断每个后续帧的局部特征点与第一局部特征点是否匹配的步骤可以包括如下过程:(1)判断每个后续帧的局部特征点与第一局部特征点的相似度是否大于预先设定的阈值;(2)如果是,确定后续帧与参考帧匹配,并将后续帧标记为冗余关键帧;(3)如果否,确定后续帧与参考帧不匹配,此时该后续帧为关键帧。
为了便于对本发明实施例进行理解,本发明实施例还对采用SURF算法进行局部特征点提取和匹配进行了说明。
SURF算法是一种稳健的局部特征点检测和描述算法,该算法改进了特征的提取和描述方式,用一种更为高效的方式完成特征的提取和描述,具体实现流程如下:
(1)构建Hessian(黑塞矩阵),生成所有的兴趣点,用于特征的提取:
构建Hessian矩阵的目的是为了生成图像稳定的边缘点(突变点),与Canny、拉普拉斯边缘检测的作用类似,为下文的特征提取做好基础。黑塞矩阵(Hessian Matrix)是一个多元函数的二阶偏导数构成的方阵,描述了函数的局部曲率。对于一个图像f(x,y),其Hessian矩阵如下:
当Hessian矩阵的判别式取得局部极大值时,判定当前点是比周围邻域内其他点更亮或更暗的点,由此来定位关键点的位置。具体实现时,上述在构造Hessian矩阵前通常需要对图像进行滤波,滤波的方式可以根据实际计算情况进行选择,如高斯滤波,或者盒式滤波,构建相应的滤波算子进行计算,具体可以参考现有技术中的相关资料,本发明实施例对此不进行限制。
(2)构建尺度空间:
SURF算法的尺度空间由O(Octaves,组)和L(Layer,层)组成,不同组间图像的尺寸都是一致的,不同的是,当使用盒式滤波时,不同组间使用的盒式滤波器的模板尺寸逐渐增大,同一组间不同层间使用相同尺寸的滤波器,但是滤波器的模糊系数逐渐增大。
(3)特征点定位:
将经过Hessian矩阵处理的每个像素点与二维图像空间和尺度空间邻域内的26个点进行比较,初步定位出关键点,再经过滤除能量比较弱的关键点以及错误定位的关键点,筛选出最终的稳定的特征点。
(4)特征点主方向分配:
采用统计特征点圆形邻域内的haar小波特征,即在特征点的圆形邻域内,统计60度扇形内所有点的水平、垂直haar小波特征总和,然后扇形以0.2弧度大小的间隔进行旋转并再次统计该区域内haar小波特征值之后,最后将值最大的那个扇形的方向作为该特征点的主方向。
(5)生成特征点描述子:
SURF算法中,在特征点周围取一个4*4的矩形区域块,但是所取得矩形区域方向是沿着特征点的主方向。每个子区域统计25个像素的水平方向和垂直方向的haar小波特征,这里的水平和垂直方向都是相对主方向而言的。该haar小波特征为水平方向值之后、垂直方向值之后、水平方向绝对值之后以及垂直方向绝对值之和4个方向,把这4个值作为每个子块区域的特征向量,所以一共有4*4*4=64维向量作为SURF算法特征点的描述子。
(6)特征点匹配:
SURF算法是通过计算两个特征点间的欧式距离来确定匹配度,欧氏距离越短,代表两个特征点的匹配度越好。进一步,SURF算法还加入了Hessian矩阵迹的判断,如果两个特征点的矩阵迹正负号相同,代表这两个特征具有相同方向上的对比度变化,如果不同,说明这两个特征点的对比度变化方向是相反的,即使欧氏距离为0,也直接予以排除。
应当理解,上述对SURF算法的描述仅仅为本发明实施例进行的一种优选形式,具体实现时,还可以参考现有技术中的相关材料,以实现通过SURF算法进行局部特征点的提取和匹配,本发明实施例对此不进行限制。
进一步,考虑到一些目标视频的数量信息较多,视频较长,因此,上述方法还包括:将目标视频划分成多个子目标视频;逐帧读取每个子目标视频的视频帧,以对每个子目标视频的关键帧进行判定。
进一步,当判断出上述目标视频的关键帧后,上述方法还包括:获取目标视频的关键帧;对包含有关键帧的目标视频进行检索,以检索与目标视频相似的视频图像。
本发明实施例所述的一种视频关键帧的判定方法,通过逐帧读取目标视频的视频帧,选取首个视频帧为参考帧,能够提取参考帧的局部特征点,并依次获取参考帧的每个后续帧,将后续帧的局部特征点与参考帧的局部特征点进行匹配的方式,能够大幅度地消除冗余关键帧,同时,对于不同视频流中的局部特征点,通过变换也能有效进行匹配,进而判定出冗余关键帧,在大幅度消除冗余关键帧的同时,也简化了计算过程,提高了视频分析的效率。
实施例三:
在上述实施例的基础上,本发明实施例还提供了一种视频关键帧的判定装置,如图3所示的一种视频关键帧的判定装置的结构示意图,该视频关键帧的判定装置包括:参考帧标记模块31、第一局部特征点提取模块32、第二局部特征点提取模块33、匹配判断模块34和判定模块35,各个模块的功能如下:
参考帧标记模块31,用于逐帧读取目标视频的视频帧,将目标视频的首个视频帧标记为参考帧;
第一局部特征点提取模块32,用于提取参考帧的局部特征点,并将局部特征点标记为第一局部特征点;
第二局部特征点提取模块33,用于依次获取参考帧的每个后续帧,提取每个后续帧的局部特征点;
匹配判断模块34,用于判断每个后续帧的局部特征点与第一局部特征点是否匹配;
判定模块35,用于当匹配判断模块的判断结果为否时,将后续帧判定为目标视频的关键帧。
进一步,如图4所示的另一种视频关键帧的判定装置的结构示意图,上述装置还包括:
参考帧选取模块36,用于当判定出目标视频的首个关键帧后,以关键帧为参考帧,继续判定目标视频的关键帧,直至参考帧无后续帧时结束;
检索模块37,用于获取目标视频的关键帧;对包含有关键帧的目标视频进行检索,以检索与目标视频相似的视频图像。
本发明实施例提供的视频关键帧的判定装置,与上述实施例提供的视频关键帧的判定方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
实施例四:
本发明实施例还提供了一种服务器,该服务器包括处理器,存储器,总线和通信接口,处理器、通信接口和存储器通过总线连接;存储器用于存储程序;处理器,用于通过总线调用存储在存储器中的程序,执行上述实施例一或实施例二所述的方法。
进一步,本发明实施例还提供了一种计算机存储介质,用于储存为上述视频关键帧的判定装置所用的计算机软件指令,其包含用于执行上述方面为视频关键帧的判定装置所设计的程序。
参见图5,本发明实施例还提供一种服务器的结构示意图,包括:处理器500,存储器501,总线502和通信接口503,处理器500、通信接口503和存储器501通过总线502连接;处理器500用于执行存储器501中存储的可执行模块,例如计算机程序。
其中,存储器501可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口503(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线502可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器501用于存储程序,处理器500在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器500中,或者由处理器500实现。
处理器500可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器500中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器500可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器501,处理器500读取存储器501中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的视频关键帧的判定方法及装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种视频关键帧的判定方法,其特征在于,包括:
逐帧读取目标视频的视频帧,将所述目标视频的首个所述视频帧标记为参考帧;
提取所述参考帧的局部特征点,并将所述局部特征点标记为第一局部特征点;
依次获取所述参考帧的每个后续帧,提取每个所述后续帧的局部特征点;
判断每个所述后续帧的局部特征点与所述第一局部特征点是否匹配;
如果否,将所述后续帧判定为所述目标视频的关键帧。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当判定出所述目标视频的首个所述关键帧后,以所述关键帧为参考帧,继续判定所述目标视频的关键帧,直至所述参考帧无所述后续帧时结束。
3.根据权利要求1所述的方法,其特征在于,所述方法包括:
采用SURF算法提取所述局部特征点,以及判断每个所述后续帧的局部特征点与所述第一局部特征点是否匹配。
4.根据权利要求3所述的方法,其特征在于,所述判断每个所述后续帧的局部特征点与所述第一局部特征点是否匹配包括:
判断每个所述后续帧的局部特征点与所述第一局部特征点的相似度是否大于预先设定的阈值;
如果是,确定所述后续帧与所述参考帧匹配,并将所述后续帧标记为冗余关键帧;
如果否,确定所述后续帧与所述参考帧不匹配。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述目标视频划分成多个子目标视频;
逐帧读取每个所述子目标视频的所述视频帧,以对每个所述子目标视频的关键帧进行判定。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标视频的所述关键帧;
对包含有所述关键帧的所述目标视频进行检索,以检索与所述目标视频相似的视频图像。
7.一种视频关键帧的判定装置,其特征在于,包括:
参考帧标记模块,用于逐帧读取目标视频的视频帧,将所述目标视频的首个所述视频帧标记为参考帧;
第一局部特征点提取模块,用于提取所述参考帧的局部特征点,并将所述局部特征点标记为第一局部特征点;
第二局部特征点提取模块,用于依次获取所述参考帧的每个后续帧,提取每个所述后续帧的局部特征点;
匹配判断模块,用于判断每个所述后续帧的局部特征点与所述第一局部特征点是否匹配;
判定模块,用于当所述匹配判断模块的判断结果为否时,将所述后续帧判定为所述目标视频的关键帧。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
参考帧选取模块,用于当判定出所述目标视频的首个所述关键帧后,以所述关键帧为参考帧,继续判定所述目标视频的关键帧,直至所述参考帧无后续帧时结束。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括:
检索模块,用于获取所述目标视频的所述关键帧;对包含有所述关键帧的所述目标视频进行检索,以检索与所述目标视频相似的视频图像。
10.一种服务器,其特征在于,所述服务器包括处理器,存储器,总线和通信接口,所述处理器、所述通信接口和所述存储器通过所述总线连接;
所述存储器用于存储程序;
所述处理器,用于通过所述总线调用存储在所述存储器中的程序,执行所述权利要求1-6任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710788529.8A CN107578011A (zh) | 2017-09-05 | 2017-09-05 | 视频关键帧的判定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710788529.8A CN107578011A (zh) | 2017-09-05 | 2017-09-05 | 视频关键帧的判定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107578011A true CN107578011A (zh) | 2018-01-12 |
Family
ID=61029830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710788529.8A Pending CN107578011A (zh) | 2017-09-05 | 2017-09-05 | 视频关键帧的判定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107578011A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399842A (zh) * | 2019-07-26 | 2019-11-01 | 北京奇艺世纪科技有限公司 | 视频处理方法、装置、电子设备及计算机可读存储介质 |
CN111046887A (zh) * | 2018-10-15 | 2020-04-21 | 华北电力大学(保定) | 一种带噪图像特征提取的方法 |
CN111374607A (zh) * | 2018-12-29 | 2020-07-07 | 尚科宁家(中国)科技有限公司 | 一种基于扫地机器人的目标识别方法及装置、设备、介质 |
CN111491180A (zh) * | 2020-06-24 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 关键帧的确定方法和装置 |
WO2020258499A1 (zh) * | 2019-06-25 | 2020-12-30 | 平安科技(深圳)有限公司 | 物体检测方法、装置、计算机设备和存储介质 |
CN114863692A (zh) * | 2022-04-18 | 2022-08-05 | 广州天长信息技术有限公司 | 一种基于局部特征对齐的车纹识别逃费稽查方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070030396A1 (en) * | 2005-08-05 | 2007-02-08 | Hui Zhou | Method and apparatus for generating a panorama from a sequence of video frames |
CN103761252A (zh) * | 2013-12-25 | 2014-04-30 | 北京航天测控技术有限公司 | 一种视频检索方法 |
CN103810711A (zh) * | 2014-03-03 | 2014-05-21 | 郑州日兴电子科技有限公司 | 一种用于监控***视频的关键帧提取方法及其*** |
CN106203277A (zh) * | 2016-06-28 | 2016-12-07 | 华南理工大学 | 基于sift特征聚类的固定镜头实时监控视频特征提取方法 |
-
2017
- 2017-09-05 CN CN201710788529.8A patent/CN107578011A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070030396A1 (en) * | 2005-08-05 | 2007-02-08 | Hui Zhou | Method and apparatus for generating a panorama from a sequence of video frames |
CN103761252A (zh) * | 2013-12-25 | 2014-04-30 | 北京航天测控技术有限公司 | 一种视频检索方法 |
CN103810711A (zh) * | 2014-03-03 | 2014-05-21 | 郑州日兴电子科技有限公司 | 一种用于监控***视频的关键帧提取方法及其*** |
CN106203277A (zh) * | 2016-06-28 | 2016-12-07 | 华南理工大学 | 基于sift特征聚类的固定镜头实时监控视频特征提取方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046887A (zh) * | 2018-10-15 | 2020-04-21 | 华北电力大学(保定) | 一种带噪图像特征提取的方法 |
CN111374607A (zh) * | 2018-12-29 | 2020-07-07 | 尚科宁家(中国)科技有限公司 | 一种基于扫地机器人的目标识别方法及装置、设备、介质 |
WO2020258499A1 (zh) * | 2019-06-25 | 2020-12-30 | 平安科技(深圳)有限公司 | 物体检测方法、装置、计算机设备和存储介质 |
CN110399842A (zh) * | 2019-07-26 | 2019-11-01 | 北京奇艺世纪科技有限公司 | 视频处理方法、装置、电子设备及计算机可读存储介质 |
CN110399842B (zh) * | 2019-07-26 | 2021-09-28 | 北京奇艺世纪科技有限公司 | 视频处理方法、装置、电子设备及计算机可读存储介质 |
CN111491180A (zh) * | 2020-06-24 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 关键帧的确定方法和装置 |
CN114863692A (zh) * | 2022-04-18 | 2022-08-05 | 广州天长信息技术有限公司 | 一种基于局部特征对齐的车纹识别逃费稽查方法 |
CN114863692B (zh) * | 2022-04-18 | 2023-10-27 | 广州天长信息技术有限公司 | 一种基于局部特征对齐的车纹识别逃费稽查方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | A robust and efficient approach to license plate detection | |
CN107578011A (zh) | 视频关键帧的判定方法及装置 | |
Raghunandan et al. | Riesz fractional based model for enhancing license plate detection and recognition | |
Gou et al. | Vehicle license plate recognition based on extremal regions and restricted Boltzmann machines | |
US9014432B2 (en) | License plate character segmentation using likelihood maximization | |
CN107665324B (zh) | 一种图像识别方法及终端 | |
WO2021051604A1 (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
Paunwala et al. | A novel multiple license plate extraction technique for complex background in Indian traffic conditions | |
CN104408429A (zh) | 一种视频代表帧提取方法及装置 | |
Bodnár et al. | Improving barcode detection with combination of simple detectors | |
Zhang et al. | License plate localization in unconstrained scenes using a two-stage CNN-RNN | |
CN111695373B (zh) | 斑马线的定位方法、***、介质及设备 | |
CN108205657A (zh) | 视频镜头分割的方法、存储介质和移动终端 | |
CN110969164A (zh) | 基于深度学习端对端的低照度成像车牌识别方法及装置 | |
CN111160107B (zh) | 一种基于特征匹配的动态区域检测方法 | |
CN113435452A (zh) | 一种基于改进ctpn算法的电气设备铭牌文本检测方法 | |
Pirgazi et al. | An End‐to‐End Deep Learning Approach for Plate Recognition in Intelligent Transportation Systems | |
Zhang et al. | Multi-scale segmentation strategies in PRNU-based image tampering localization | |
CN108960246B (zh) | 一种用于图像识别的二值化处理装置及方法 | |
CN117409083B (zh) | 一种基于红外图像和改进yolov5的电缆终端识别方法及装置 | |
CN114494990A (zh) | 一种目标检测方法、***、终端设备及存储介质 | |
CN109978903A (zh) | 一种标识点识别方法、装置、电子设备及存储介质 | |
Khalid et al. | Image de-fencing using histograms of oriented gradients | |
CN111695374A (zh) | 监控视角中斑马线区域的分割方法、***、介质及设备 | |
Chen et al. | Vehicle license plate recognition system based on deep learning in natural scene |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180112 |