CN109089133B - 视频处理方法及装置、电子设备和存储介质 - Google Patents

视频处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN109089133B
CN109089133B CN201810892997.4A CN201810892997A CN109089133B CN 109089133 B CN109089133 B CN 109089133B CN 201810892997 A CN201810892997 A CN 201810892997A CN 109089133 B CN109089133 B CN 109089133B
Authority
CN
China
Prior art keywords
video
information
feature
target
determining
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.)
Active
Application number
CN201810892997.4A
Other languages
English (en)
Other versions
CN109089133A (zh
Inventor
汤晓鸥
邵典
熊宇
赵岳
黄青虬
乔宇
林达华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN201810892997.4A priority Critical patent/CN109089133B/zh
Publication of CN109089133A publication Critical patent/CN109089133A/zh
Priority to US16/975,347 priority patent/US11120078B2/en
Priority to MYPI2020004347A priority patent/MY187857A/en
Priority to KR1020207030575A priority patent/KR102222300B1/ko
Priority to JP2020573569A priority patent/JP6916970B2/ja
Priority to SG11202008134YA priority patent/SG11202008134YA/en
Priority to PCT/CN2019/099486 priority patent/WO2020029966A1/zh
Application granted granted Critical
Publication of CN109089133B publication Critical patent/CN109089133B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7844—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using original textual content or text extracted from visual content or transcript of audio data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/74—Browsing; Visualisation therefor
    • G06F16/743—Browsing; Visualisation therefor a collection of video files or sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/232—Content retrieval operation locally within server, e.g. reading video streams from disk arrays
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/432—Content retrieval operation from a local storage medium, e.g. hard-disk
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/482—End-user interface for program selection
    • H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/482—End-user interface for program selection
    • H04N21/4828—End-user interface for program selection for searching program descriptors

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Library & Information Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本公开涉及一种视频处理方法及装置、电子设备和存储介质，所述方法包括：根据查询文本段落的段落信息和视频库中多个视频的视频信息，确定多个视频中与查询文本段落相关联的预选视频；根据预选视频的视频帧信息和查询文本段落的语句信息，确定预选视频中的目标视频。根据本公开的实施例的视频处理方法，可通过视频与查询文本段落的相关性来检索视频，可精确查找目标视频，避免查询结果冗余，并可处理自然语言形式的查询文本段落，不会受到内容标签的固有内容的限制。

Description

视频处理方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种视频处理方法及装置、电子设备和存储介质。
背景技术
在相关技术中，通过语句来查询或检索视频库中的视频，通常需要为视频库中的视频提前定义好内容标签，再通过标签来检索视频。在一些视频中，难以定义内容标签，并且内容标签不具有扩展性，难以检索到标签不具备的视频内容，此外，不同视频的内容标签可能重复，因此可能造成检索结果的冗余，因此，内容标签难以处理以自然语言形式的检索内容。
发明内容
本公开提出了一种视频处理方法及装置、电子设备和存储介质。
根据本公开的一方面，提供了一种视频处理方法，包括：
根据查询文本段落的段落信息和视频库中多个视频的视频信息，确定所述多个视频中与所述查询文本段落相关联的预选视频；
根据所述预选视频的视频帧信息和所述查询文本段落的语句信息，确定所述预选视频中的目标视频。
根据本公开的实施例的视频处理方法，通过查询文本段落的段落信息与视频的视频信息来确定预选视频，并根据查询文本段落的语句信息和预选视频的视频帧信息确定目标视频，可通过视频与查询文本段落的相关性来检索视频，可精确查找目标视频，避免查询结果冗余，并且，可处理自然语言形式的查询文本段落，不会受到内容标签的固有内容的限制。
在一种可能的实现方式中，所述语句信息包括查询文本段落的一个或多个语句的第一特征信息，所述段落信息包括查询文本段落的第二特征信息，所述视频帧信息包括所述视频的多个视频帧的第四特征信息，所述视频信息包括视频的第三特征信息。
在一种可能的实现方式中，根据查询文本段落的段落信息和视频库中多个视频的视频信息，确定所述多个视频中与所述查询文本段落相关联的预选视频，包括：
根据所述第二特征信息以及视频库中的多个视频的第三特征信息，确定所述多个视频中与所述查询文本段落相关联的预选视频。
通过这种方式，可通过第二特征信息和第三特征信息来确定查询文本段落与视频之间的第一相关性分数，并根据第一相关性分数来选择预选视频，提高预选视频选择的准确度，并且，在选择出预选视频后，可针对预选视频进行处理，而不必针对视频库中的所有视频进行处理，节省了运算开销，提高了处理效率。
在一种可能的实现方式中，根据所述预选视频的视频帧信息和所述查询文本段落的语句信息，确定所述预选视频中的目标视频，包括：
根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述预选视频中的目标视频。
在一种可能的实现方式中，根据所述第二特征信息以及视频库中的多个视频的第三特征信息，确定所述多个视频中与所述查询文本段落相关联的预选视频，包括：
根据所述第二特征信息以及视频库中的多个视频的第三特征信息，分别确定所述查询文本段落与所述多个视频之间的第一相关性分数；
根据所述第一相关性分数，确定所述多个视频中的预选视频。
在一种可能的实现方式中，根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述预选视频中的目标视频，包括：
根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述查询文本段落与所述预选视频的第二相关性分数；
根据所述第一相关性分数和所述第二相关性分数，确定所述预选视频中的目标视频。
在一种可能的实现方式中，根据所述第二特征信息以及视频库中的多个视频的第三特征信息，分别确定所述查询文本段落与所述多个视频之间的第一相关性分数，包括：
将第一视频的第三特征信息和所述第二特征信息映射到相同维度的向量空间，获得第一视频的第三特征向量和查询文本段落的第二特征向量，其中，所述第一视频为所述多个视频中的任意一个；
将所述第二特征向量和第三特征向量的余弦相似度确定为所述查询文本段落与所述第一视频之间的第一相关性分数。
通过这种方式，可通过第二特征向量和第三特征向量的余弦相似度确定为查询文本段落与第一视频之间的第一相关性分数，可准确地确定查询文本段落的语义内容和第一视频的特征信息之间的相关性。
在一种可能的实现方式中，根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述查询文本段落与所述预选视频的第二相关性分数，包括：
将目标预选视频的多个视频帧的第四特征信息以及所述一个或多个语句的第一特征信息映射到相同维度的向量空间，分别获得目标预选视频的多个视频帧的第四特征向量以及一个或多个语句的第一特征向量，其中，所述目标预选视频为所述预选视频中的任意一个；
确定第四特征向量中与目标语句的第一特征向量的余弦相似度大于或等于相似度阈值的目标特征向量，其中，目标语句为所述一个或多个语句中的任意一个；
将所述目标特征向量对应的视频帧聚合成与目标语句对应的视频片段；
根据所述目标特征向量，确定所述与目标语句对应的视频片段的第五特征向量；
根据分别与一个或多个语句对应的视频片段的第五特征向量以及一个或多个语句的第一特征向量，确定所述查询文本段落与所述目标预选视频的第二相关性分数。
通过这种方式，可根据目标预选视频的多个视频帧的第四特征向量以及一个或多个语句第一特征向量确定查询文本段落与目标预选视频的第二相关性分数，可准确地确定查询文本段落的语义内容和目标预选视频之间的相关性。
在一种可能的实现方式中，将第一视频的第三特征信息和所述第二特征信息映射到相同维度的向量空间，获得第一视频的第三特征向量和查询文本段落的第二特征向量，包括：
使用第一神经网络将所述第三特征信息映射为所述第三特征向量，并使用第二神经网络将所述第二特征信息映射为所述第二特征向量。
在一种可能的实现方式中，将目标预选视频的多个视频帧的第四特征信息以及所述一个或多个语句的第一特征信息映射到相同维度的向量空间，分别获得目标预选视频的多个视频帧的第四特征向量以及一个或多个语句的第一特征向量，包括：
使用第三神经网络将所述第四特征信息映射为所述第四特征向量，并使用第四神经网络将所述第一特征信息映射为所述第一特征向量。
在一种可能的实现方式中，根据所述第一相关性分数和所述第二相关性分数，确定所述预选视频中的目标视频，包括：
将所述第一相关性分数和所述第二相关性分数的乘积确定为第三相关性分数；
根据所述第三相关性分数，在所述预选视频中确定目标视频。
在一种可能的实现方式中，所述方法还包括：
对第二视频的多个视频帧分别进行特征提取处理，获得所述第二视频的多个视频帧的第四特征信息，所述第二视频为所述多个视频中的任意一个；
根据所述第二视频的多个视频帧的第四特征信息，确定所述第二视频的第三特征信息。
通过这种方式，可通过提取第二视频中的视频帧的第四特征信息，来获得第二视频的第三特征信息，可通过第三特征信息准确地表征第二视频的特征信息。
在一种可能的实现方式中，所述方法还包括：
对查询文本段落的一个或多个语句分别进行特征提取处理，获得所述一个或多个语句的第一特征信息；
根据查询文本段落中的一个或多个语句的第一特征信息，确定所述查询文本段落的第二特征信息。
通过这种方式，可通过提取查询文本段落中每个语句的第一特征信息，来获得查询文本段落的第二特征信息，可通过第二特征信息准确地表征查询文本段落的语义。
在一种可能的实现方式中，所述方法还包括：
根据样本视频的第三样本特征信息以及样本文本段落的第二样本特征信息，训练所述第一神经网络以及所述第二神经网络。
在一种可能的实现方式中，所述方法还包括：
根据样本视频中多个视频帧的第四样本特征信息以及样本文本段落的一个或多个语句的第一样本特征信息，训练所述第三神经网络以及所述第四神经网络。
根据本公开的一方面，提供了一种视频处理装置，包括：
预选视频确定模块，用于根据查询文本段落的段落信息和视频库中多个视频的视频信息，确定所述多个视频中与所述查询文本段落相关联的预选视频；
目标视频确定模块，用于根据所述预选视频的视频帧信息和所述查询文本段落的语句信息，确定所述预选视频中的目标视频。
在一种可能的实现方式中，所述语句信息包括查询文本段落的一个或多个语句的第一特征信息，所述段落信息包括查询文本段落的第二特征信息，所述视频帧信息包括所述视频的多个视频帧的第四特征信息，所述视频信息包括视频的第三特征信息。
在一种可能的实现方式中，所述预选视频确定模块进一步用于：
根据所述第二特征信息以及视频库中的多个视频的第三特征信息，确定所述多个视频中与所述查询文本段落相关联的预选视频。
在一种可能的实现方式中，所述目标视频确定模块进一步用于：
根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述预选视频中的目标视频。
在一种可能的实现方式中，所述预选视频确定模块进一步用于：
根据所述第二特征信息以及视频库中的多个视频的第三特征信息，分别确定所述查询文本段落与所述多个视频之间的第一相关性分数；
根据所述第一相关性分数，确定所述多个视频中的预选视频。
在一种可能的实现方式中，所述目标视频确定模块进一步用于：
根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述查询文本段落与所述预选视频的第二相关性分数；
根据所述第一相关性分数和所述第二相关性分数，确定所述预选视频中的目标视频。
在一种可能的实现方式中，所述预选视频确定模块进一步用于：
将第一视频的第三特征信息和所述第二特征信息映射到相同维度的向量空间，获得第一视频的第三特征向量和查询文本段落的第二特征向量，其中，所述第一视频为所述多个视频中的任意一个；
将所述第二特征向量和第三特征向量的余弦相似度确定为所述查询文本段落与所述第一视频之间的第一相关性分数。
在一种可能的实现方式中，所述目标视频确定模块进一步用于：
将目标预选视频的多个视频帧的第四特征信息以及所述一个或多个语句的第一特征信息映射到相同维度的向量空间，分别获得目标预选视频的多个视频帧的第四特征向量以及一个或多个语句的第一特征向量，其中，所述目标预选视频为所述预选视频中的任意一个；
确定第四特征向量中与目标语句的第一特征向量的余弦相似度大于或等于相似度阈值的目标特征向量，其中，目标语句为所述一个或多个语句中的任意一个；
将所述目标特征向量对应的视频帧聚合成与目标语句对应的视频片段；
根据所述目标特征向量，确定所述与目标语句对应的视频片段的第五特征向量；
根据分别与一个或多个语句对应的视频片段的第五特征向量以及一个或多个语句的第一特征向量，确定所述查询文本段落与所述目标预选视频的第二相关性分数。
在一种可能的实现方式中，所述预选视频确定模块进一步用于：
使用第一神经网络将所述第三特征信息映射为所述第三特征向量，并使用第二神经网络将所述第二特征信息映射为所述第二特征向量。
在一种可能的实现方式中，所述目标视频确定模块进一步用于：
使用第三神经网络将所述第四特征信息映射为所述第四特征向量，并使用第四神经网络将所述第一特征信息映射为所述第一特征向量。
在一种可能的实现方式中，所述目标视频确定模块进一步用于：
将所述第一相关性分数和所述第二相关性分数的乘积确定为第三相关性分数；
根据所述第三相关性分数，在所述预选视频中确定目标视频。
在一种可能的实现方式中，所述装置还包括：
视频特征提取模块，用于对第二视频的多个视频帧分别进行特征提取处理，获得所述第二视频的多个视频帧的第四特征信息，所述第二视频为所述多个视频中的任意一个；
第一确定模块，用于根据所述第二视频的多个视频帧的第四特征信息，确定所述第二视频的第三特征信息。
在一种可能的实现方式中，所述装置还包括：
语句特征提取模块，用于对查询文本段落的一个或多个语句分别进行特征提取处理，获得所述一个或多个语句的第一特征信息；
第二确定模块，用于根据查询文本段落中的一个或多个语句的第一特征信息，确定所述查询文本段落的第二特征信息。
在一种可能的实现方式中，所述装置还包括：
第一训练模块，用于根据样本视频的第三样本特征信息以及样本文本段落的第二样本特征信息，训练所述第一神经网络以及所述第二神经网络。
在一种可能的实现方式中，所述装置还包括：
第二训练模块，用于根据样本视频中多个视频帧的第四样本特征信息以及样本文本段落的一个或多个语句的第一样本特征信息，训练所述第三神经网络以及所述第四神经网络。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述视频处理方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述视频处理方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的视频处理方法的流程图；
图2示出根据本公开实施例的视频处理方法的流程图；
图3示出根据本公开实施例的视频处理方法的流程图；
图4示出根据本公开实施例的视频处理方法的流程图；
图5示出根据本公开实施例的视频处理方法的流程图；
图6示出根据本公开实施例的视频处理方法的应用示意图；
图7示出根据本公开实施例的视频处理装置的框图；
图8示出根据本公开实施例的视频处理装置的框图；
图9示出根据本公开实施例的电子装置的框图；
图10示出根据本公开实施例的电子装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的视频处理方法的流程图。如图1所示，所述视频处理方法包括：
在步骤S11中，根据查询文本段落的段落信息和视频库中多个视频的视频信息，确定所述多个视频中与所述查询文本段落相关联的预选视频；
在步骤S12中，根据所述预选视频的视频帧信息和所述查询文本段落的语句信息，确定所述预选视频中的目标视频。
根据本公开的实施例的视频处理方法，通过查询文本段落的段落信息与视频的视频信息来确定预选视频，并根据查询文本段落的语句信息和预选视频的视频帧信息确定目标视频，可通过视频与查询文本段落的相关性来检索视频，可精确查找目标视频，避免查询结果冗余，并且，可处理自然语言形式的查询文本段落，不会受到内容标签的固有内容的限制。
在一种可能的实现方式中，所述视频处理方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。在检索或查询数据库中的视频时，可输入查询文本段落，所述查询文本段落包括一个或多个语句，可在数据库中，查询到与所述查询文本段落描述的内容最接近的视频。
在一种可能的实现方式中，所述语句信息包括查询文本段落的一个或多个语句的第一特征信息，所述段落信息包括查询文本段落的第二特征信息，所述视频帧信息包括所述视频的多个视频帧的第四特征信息，所述视频信息包括视频的第三特征信息。
在一种可能的实现方式中，在步骤S11中，根据查询文本段落的段落信息和视频库中多个视频的视频信息，确定所述多个视频中与所述查询文本段落相关联的预选视频，包括：根据所述第二特征信息以及视频库中的多个视频的第三特征信息，确定所述多个视频中与所述查询文本段落相关联的预选视频。
在一种可能的实现方式中，可根据查询文本段落中的一个或多个语句的第一特征信息，确定所述查询文本段落的第二特征信息。其中，语句的第一特征信息可以是表征语句的语义的特征向量。
图2示出根据本公开实施例的视频处理方法的流程图。如图2所示，所述方法还包括：
在步骤S13中，对查询文本段落的一个或多个语句分别进行特征提取处理，获得所述一个或多个语句的第一特征信息。
在步骤S14中，根据查询文本段落中的一个或多个语句的第一特征信息，确定所述查询文本段落的第二特征信息。
在一种可能的实现方式中，在步骤S13中，可通过语义识别等方法对所述一个或多个语句的内容进行特征提取，获得一个或多个语句的第一特征信息。例如，可通过神经网络模型对一个或多个语句的内容进行语义识别，以对一个或多个语句的内容进行特征提取，从而获得一个或多个语句的第一特征信息。本公开对提取一个或多个语句的特征的方法不做限制。
在一种可能的实现方式中，在步骤S14中，第一特征信息可以是表征语句的语义的特征向量，可对查询文本段落中的一个或多个语句的第一特征信息进行融合，可获得查询文本段落的第二特征信息，所述第二特征信息可以是表征查询文本段落的语义的特征向量。在示例中，第一特征信息是表征语句的语义的特征向量，可对所述一个或多个语句的第一特征信息进行求和、求平均或其他处理，获得查询文本段落的第二特征信息，例如，查询文本段落包括M个语句，所述M个语句的第一特征信息分别为s1,s2,…,sM，可对s1,s2,…,sM进行求和、求平均或其他处理，以融合成查询文本段落的第二特征信息P，所述第二特征信息P为与s1,s2,…,sM维度相同的特征向量。本公开对获得查询文本段落的第二特征信息的方法不做限制。
通过这种方式，可通过提取查询文本段落中每个语句的第一特征信息，来获得查询文本段落的第二特征信息，可通过第二特征信息准确地表征查询文本段落的语义。
在一种可能的实现方式中，可根据第二特征信息以及视频库中的多个视频的第三特征信息，确定所述多个视频中与所述查询文本段落相关联的预选视频。
图3示出根据本公开实施例的视频处理方法的流程图。如图3所示，所述方法还包括：
在步骤S15中，对第二视频的多个视频帧分别进行特征提取处理，获得所述第二视频的多个视频帧的第四特征信息，所述第二视频为所述多个视频中的任意一个；
在步骤S16中，根据所述第二视频的多个视频帧的第四特征信息，确定所述第二视频的第三特征信息。
在一种可能的实现方式中，在步骤S15中，可对第二视频的多个视频帧分别进行特征提取处理，获得所述第二视频的多个视频帧的第四特征信息，在示例中，可对第二视频中的每个视频帧进行特征提取处理，也可每隔一定的帧数选取一个视频帧进行特征提取处理，在示例中，可每隔5个视频帧(即，每6个视频帧)选取一个视频帧进行特征提取处理，可对所述6个视频帧的特征信息进行融合处理(例如，进行求和、求平均或其他处理)，也可分别提取第二视频的每个视频帧的特征信息。在示例中，所述第四特征信息可以是表征视频帧中的特征信息的特征向量，例如，第四特征信息可表征视频帧中的人物、衣着颜色、动作和场景等特征信息，可通过卷积神经网络对视频帧进行特征提取处理，本公开对提取视频帧中的特征信息的方法不做限制。
在一种可能的实现方式中，在步骤S16中，可对第二视频的多个视频帧的第四特征信息进行融合，可获得第二视频的第三特征信息。在示例中，第四特征信息是表征视频帧中的特征信息的特征向量，可对多个第四特征信息进行求和、求平均或其他处理，获得第二视频的第三特征信息，第三特征信息可以是表征第二视频的特征信息的特征向量。例如，在第二视频中提取了T个视频帧的第四特征信息f1,f2,…,fT，可对f1,f2,…,fT进行求和、求平均或其他处理，以融合成第二视频的第三特征信息Vi，1≤i≤N，N为视频库中的视频数量。本公开对获得第三特征信息的方法不做限制。
在一种可能的实现方式中，可在步骤S11开始执行之前，预先对视频库中的所有视频执行步骤S15-步骤S16的操作，获得视频库中所有视频的第三特征信息和第四特征信息。在视频库中添加了新的视频时，可对所述新的视频执行步骤S15-步骤S16的操作，以获取新的视频的第三特征信息和第四特征信息。
通过这种方式，可通过提取第二视频中的视频帧的第四特征信息，来获得第二视频的第三特征信息，可通过第三特征信息准确地表征第二视频的特征信息。
在一种可能的实现方式中，根据所述第二特征信息以及视频库中的多个视频的第三特征信息，确定所述多个视频中与所述查询文本段落相关联的预选视频，可包括：根据所述第二特征信息以及视频库中的多个视频的第三特征信息，分别确定所述查询文本段落与所述多个视频之间的第一相关性分数；根据所述第一相关性分数，确定所述多个视频中的预选视频。
在一种可能的实现方式中，第二特征信息可以是表征查询文本段落的语义的特征向量，第三特征信息可以是表征第二视频的特征信息的特征向量，第二特征信息和第三特征信息的维度可不相同，即，第二特征信息和第三特征信息可不处于相同维度的向量空间，因此，可将第二特征信息和第三特征信息进行处理，以使处理后的第二特征信息和第三特征信息处于相同维度的向量空间。
在一种可能的实现方式中，根据所述第二特征信息以及视频库中的多个视频的第三特征信息，分别确定所述查询文本段落与所述多个视频之间的第一相关性分数，可包括：将第一视频的第三特征信息和所述第二特征信息映射到相同维度的向量空间，获得第一视频的第三特征向量和查询文本段落的第二特征向量，其中，所述第一视频为所述多个视频中的任意一个；将所述第二特征向量和第三特征向量的余弦相似度确定为所述查询文本段落与所述第一视频之间的第一相关性分数。
通过这种方式，可通过第二特征向量和第三特征向量的余弦相似度确定为查询文本段落与第一视频之间的第一相关性分数，可准确地确定查询文本段落的语义内容和第一视频的特征信息之间的相关性。
在一种可能的实现方式中，可使用映射的方式将第一视频的第三特征信息和所述第二特征信息映射到相同维度的向量空间。在示例中，第一视频的第三特征信息为特征向量Vj，1≤j≤N，查询文本段落的第二特征信息为特征向量P，P和Vj的维度不同，可通过映射的方式，将P和Vi映射到相同维度的向量空间，获得第一视频的第三特征向量
Figure BDA0001757432750000151
和查询文本段落的第二特征向量
Figure BDA0001757432750000152
在一种可能的实现方式中，可使用神经网络将第三特征信息和第二特征信息映射到相同维度的向量空间。在示例中，将第一视频的第三特征信息和所述第二特征信息映射到相同维度的向量空间，获得第一视频的第三特征向量和查询文本段落的第二特征向量，可包括：使用第一神经网络将所述第三特征信息映射为所述第三特征向量，并使用第二神经网络将所述第二特征信息映射为所述第二特征向量。
在示例中，第一神经网络和第二神经网络可以是BP神经网络、卷积神经网络或循环神经网络等，本公开对第一神经网络和第二神经网络的类型不做限制。例如，第三特征信息Vj的维度为10，第二特征信息Pj的维度为6，可确定一个相同维度的向量空间，例如，向量空间的维度为8，可使用第一神经网络
Figure BDA0001757432750000153
将10维的第三特征信息Vj映射至8维的向量空间，获得8维的第三特征向量
Figure BDA0001757432750000154
可使用第二神经网络
Figure BDA0001757432750000155
将6维的第二特征信息P映射至8维的向量空间，获得8维的第二特征向量
Figure BDA0001757432750000156
本公开对维数不做限制。
在一种可能的实现方式中，可确定第二特征向量
Figure BDA0001757432750000157
和第三特征向量
Figure BDA0001757432750000158
的余弦相似度，并将
Figure BDA0001757432750000159
和
Figure BDA00017574327500001510
的余弦相似度确定为查询文本段落与第一视频之间的第一相关性分数St(V；P)。
在一种可能的实现方式中，可使用第一神经网络
Figure BDA0001757432750000161
将视频库中的每个视频的第三特征信息V1,V2,…,VN进行映射，获得视频库中所有视频的第三特征向量
Figure BDA0001757432750000162
并分别确定第二特征向量
Figure BDA0001757432750000163
与所有视频的第三特征向量
Figure BDA0001757432750000164
的余弦相似度，分别作为查询文本段落与每个视频的第一相关性分数。可根据所述第一相关性分数，确定所述多个视频中的预选视频。例如，可选出第一相关性分数高于某个分数阈值的视频作为预选视频，或将多个视频按照第一相关性分数进行排序，选择序列中预定数量的视频作为预选视频。本公开对预选视频的选择方式和选择数量不做限制。
通过这种方式，可通过第二特征信息和第三特征信息来确定查询文本段落与视频之间的第一相关性分数，并根据第一相关性分数来选择预选视频，提高预选视频选择的准确度，并且，在选择出预选视频后，可针对预选视频进行处理，而不必针对视频库中的所有视频进行处理，节省了运算开销，提高了处理效率。
在一种可能的实现方式中，可在使用第一神经网络和第二神经网络进行映射处理之前，对第一神经网络及第二神经网络进行训练。
图4示出根据本公开实施例的视频处理方法的流程图。如图4所示，所述方法还包括：
在步骤S17中，根据样本视频的第三样本特征信息以及样本文本段落的第二样本特征信息，训练所述第一神经网络以及所述第二神经网络。
在一种可能的实现方式中，可采用所述视频库中的视频作为样本视频，也可使用其他视频库中的视频作为样本视频，本公开对样本视频不做限制。可提取样本视频的视频帧的第四样本特征信息，并根据第四样本特征信息确定样本视频的第三样本特征信息。
在一种可能的实现方式中，可输入任意查询文本段落，作为样本文本段落。样本文本段落可包括一个或多个语句，可提取训练语句的第一样本特征信息，并根据第一样本特征信息确定样本文本段落的第二样本特征信息。在样本视频中，存在与样本文本段落对应的视频，即，存在某个样本视频的内容与样本文本段落的内容吻合。
在一种可能的实现方式中，可将多个样本视频的第三样本特征信息输入第一神经网络进行映射，获得第三样本特征向量。可将样本文本段落的第二样本特征信息输入第二神经网络，获得第二样本特征向量。
在一种可能的实现方式中，可分别确定第二样本特征向量与每个第三样本特征向量的余弦相似度，并根据所述余弦相似度确定第一综合网络损失，在示例中，可根据以下公式(1)确定所述第一综合网络损失：
Lfind＝∑a∑b≠amax(0，St(Vb，Pa)-St(Va，Pa)+α) (1)
其中，Lfind为第一综合网络损失，St(Vb，Pa)为第a个样本文本段落的第二样本特征向量与第b个样本视频的第三样本特征向量的余弦相似度。其中，Va为与第a个样本文本段落对应的样本视频的第三样本特征信息，St(Va，Pa)为第a个样本文本段落的第二样本特征向量与对应的样本视频的第三样本特征向量的余弦相似度。a和b均为正整数。α为设定的常数，在示例中，α可设为0.2。
在一种可能的实现方式中，可使用第一综合网络损失来调整第一神经网络和第二神经网络的网络参数值。在示例中，按照使第一综合网络损最小化的方向来调整第一神经网络和第二神经网络的网络参数值，使调整后的第一神经网络和第二神经网络具有较高的拟合优度，同时避免过拟合。本公开对调整第一神经网络和第二神经网络的网络参数值的方法不做限制。
在一种可能的实现方式中，调整第一神经网络和第二神经网络的网络参数值的步骤可循环执行，并按照使第一综合网络损失降低或收敛的方式来逐次调整第一神经网络和第二神经网络的网络参数值。在示例中，可输入预定次数的样本文本段落，即，循环执行预定次数。在示例中，也可不限定循环执行的次数，在第一综合网络损失降低到一定程度或收敛于一定阈值内时，停止循环，并获得循环调整后的第一神经网络及第二神经网络。可将循环调整后的第一神经网络及第二神经网络用于映射第一视频的第三特征信息和查询文本段落的第二特征信息的过程中。
在一种可能的实现方式中，在步骤S12中，根据所述预选视频的视频帧信息和所述查询文本段落的语句信息，确定所述预选视频中的目标视频，包括：根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述预选视频中的目标视频。可根据一个或多个语句的第一特征信息以及预选视频中的多个视频帧的第四特征信息，进一步确定查询文本段落和预选视频中的视频的相关性。
在一种可能的实现方式中，根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述预选视频中的目标视频，包括：根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述查询文本段落与所述预选视频的第二相关性分数；根据所述第一相关性分数和所述第二相关性分数，确定所述预选视频中的目标视频。
在一种可能的实现方式中，根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述查询文本段落与所述预选视频的第二相关性分数，可包括：将目标预选视频的多个视频帧的第四特征信息以及所述一个或多个语句的第一特征信息映射到相同维度的向量空间，分别获得目标预选视频的多个视频帧的第四特征向量以及一个或多个语句的第一特征向量，其中，所述目标预选视频为所述预选视频中的任意一个；确定第四特征向量中与目标语句的第一特征向量的余弦相似度大于或等于相似度阈值的目标特征向量，其中，目标语句为所述一个或多个语句中的任意一个；将所述目标特征向量对应的视频帧聚合成与目标语句对应的视频片段；根据所述目标特征向量，确定所述与目标语句对应的视频片段的第五特征向量；根据分别与一个或多个语句对应的视频片段的第五特征向量以及一个或多个语句的第一特征向量，确定所述查询文本段落与所述目标预选视频的第二相关性分数。
通过这种方式，可根据目标预选视频的多个视频帧的第四特征向量以及一个或多个语句第一特征向量确定查询文本段落与目标预选视频的第二相关性分数，可准确地确定查询文本段落的语义内容和目标预选视频之间的相关性。
在一种可能的实现方式中，目标预选视频的多个视频帧的第四特征信息与一个或多个语句的第一特征信息的维度不同，可使用映射的方式将第四特征信息和第一特征信息映射到相同维度的向量空间。在示例中，目标预选视频的多个视频帧的第四特征信息可以是特征向量f1,f2,…,fK，一个或多个语句的第一特征信息可以是特征向量s1,s2,…,sM，可通过映射的方式，将f1,f2,…,fK与s1,s2,…,sM映射到相同维度的向量空间，获得第四特征向量
Figure BDA0001757432750000191
和第一特征向量
Figure BDA0001757432750000192
在一种可能的实现方式中，可使用神经网络将第四特征信息和第一特征信息映射到相同维度的向量空间，在示例中，将目标预选视频的多个视频帧的第四特征信息以及所述一个或多个语句的第一特征信息映射到相同维度的向量空间，分别获得目标预选视频的多个视频帧的第四特征向量以及一个或多个语句的第一特征向量，包括：使用第三神经网络将所述第四特征信息映射为所述第四特征向量，并使用第四神经网络将所述第一特征信息映射为所述第一特征向量。
在示例中，第三神经网络和第四神经网络可以是BP神经网络、卷积神经网络或循环神经网络等，本公开对第三神经网络和第四神经网络的类型不做限制。例如，第四特征信息f1,f2,…,fK的维度为10，第一特征信息s1,s2,…,sM的维度为6，可确定一个相同维度的向量空间，例如，向量空间的维度为8，可使用第三神经网络
Figure BDA0001757432750000201
将10维的第四特征信息f1,f2,…,fK映射至8维的向量空间，获得8维的第四特征向量
Figure BDA0001757432750000202
可使用第四神经网络
Figure BDA0001757432750000203
将6维的第一特征信息s1,s2,…,sM映射至8维的向量空间，获得8维的第一特征向量
Figure BDA0001757432750000204
本公开对维数不做限制。
在一种可能的实现方式中，可确定第四特征向量中与目标语句的第一特征向量的余弦相似度大于或等于相似度阈值的目标特征向量。在示例中，可在一个或多个语句中任意选取一个语句作为目标语句(例如，选取第y个语句作为目标语句，1≤y≤K)，并分别计算在目标预选视频的多个第四特征向量
Figure BDA0001757432750000205
与目标语句的第一特征向量sy的余弦相似度，并在多个第四特征向量
Figure BDA0001757432750000206
中确定与第一特征向量sy的余弦相似度大于或等于相似度阈值的目标特征向量，例如，
Figure BDA0001757432750000207
其中，1≤h≤K，1≤u≤K，1≤q≤K，相似度阈值可以是预先设定的阈值，例如0.5等，本公开对相似度阈值不做限制。
在一种可能的实现方式中，可将目标特征向量对应的视频帧聚合成与目标语句对应的视频片段。在示例中，第四特征信息可以是在目标预选视频中每隔5个视频帧(即，每6个视频帧)选取一个视频帧进行特征提取处理获得的特征向量，第四特征向量是将第四特征信息进行映射获得的特征向量，每个第四特征向量对应的视频帧可以是提取第四特征信息使用的视频帧以及该视频帧之前或之后的5个视频帧。可将所有目标特征向量对应的视频帧聚合在一起，获得视频片段，该视频片段即为所述与目标语句对应的视频片段，例如，将
Figure BDA0001757432750000208
对应的视频帧进行聚合，获得所述与目标语句对应的视频片段。本公开对目标特征向量对应的视频帧不做限制。
在一种可能的实现方式中，可在目标预选视频中，确定每个语句的特征向量对应的视频片段，根据分别与每个语句的特征向量对应的视频片段所包括的视频帧的时间戳或帧号等信息，确定每个语句的语义内容在目标预选视频中对应的位置。
在一种可能的实现方式中，根据所述目标特征向量，确定所述与目标语句对应的视频片段的第五特征向量。在示例中，可对目标特征向量
Figure BDA0001757432750000211
进行求和、求平均或其他处理，以融合成所述第五特征向量gy。在示例中，目标语句可具有多个对应的视频片段，例如，目标特征向量可以是
Figure BDA0001757432750000212
其中，
Figure BDA0001757432750000213
为相邻的目标特征向量，
Figure BDA0001757432750000214
为相邻的目标特征向量，
Figure BDA0001757432750000215
为相邻的目标特征向量，可将
Figure BDA0001757432750000216
融合为第五特征向量gy1，将
Figure BDA0001757432750000217
融合为第五特征向量gy2，将
Figure BDA0001757432750000218
融合为第五特征向量gy3。即，每个语句可对应一个或多个第五特征向量。在示例中，每个第五特征向量可对应一个语句。
在一种可能的实现方式中，可根据分别与一个或多个语句对应的视频片段的第五特征向量以及一个或多个语句的第一特征向量，确定所述查询文本段落与所述目标预选视频的第二相关性分数。在示例中，一个或多个语句的第一特征向量每个视频片段的第五特征向量为g1,g2,…,gW，其中，与第一特征向量
Figure BDA00017574327500002110
对应的第五特征向量为g1,g2,…,gW1，与
Figure BDA00017574327500002111
对应的第五特征向量为gW1,gW1+1,…,gW2，与
Figure BDA00017574327500002112
对应的第五特征向量为gWM,gWM+1,…,gW。
在一种可能的实现方式中，可根据以下公式(2)来确定查询文本段落与目标预选视频的第二相关性分数：
Figure BDA00017574327500002113
其中，xij表征第i个语句和第j视频片段是否对应，当第j视频片段的第五特征向量为第i个语句的第一特征向量所对应的第五特征向量时，xij＝1，否则，xij＝0。在示例中，可确定第i个语句和第j视频在二部图中是否匹配，如果第i个语句和第j视频在二部图中匹配，则xij＝1，否则，xij＝0。在示例中，对于第i个语句，
Figure BDA0001757432750000221
即，在目标预选视频中，语句最多具有umax个对应的视频片段。在示例中，对于第j个视频片段，
Figure BDA0001757432750000222
即，在目标预选视频中，每个视频片段仅具有一个对应的语句。rij为第i个语句的第一特征向量与第j视频片段的第五特征向量的余弦相似度。Sp(V，P)为查询文本段落与目标预选视频的第二相关性分数。
在一种可能的实现方式中，可根据查询文本段落与目标预选视频的第一相关性分数St(V，P)，以及查询文本段落与目标预选视频的第二相关性分数Sp(V，P)，确定查询文本段落与目标预选视频的第三相关性分数Sr(V，P)，可确定查询文本段落与每个预选视频的第三相关性分数。在示例中，将所述第一相关性分数和所述第二相关性分数的乘积确定为第三相关性分数；并根据所述第三相关性分数，在所述预选视频中确定目标视频。可根据查询文本段落与每个预选视频的第三相关性分数将预选视频进行排序，选取排序的序列中的预定数量的视频，也可选取第三相关性分数大于或等于某个分数阈值的视频，本公开对选取目标视频的方法不做限制。
在一种可能的实现方式中，可在使用第三神经网络和第四神经网络进行映射处理之前，对第三神经网络和第四神经网络进行训练。
图5示出根据本公开实施例的视频处理方法的流程图。如图5所示，所述方法还包括：
在步骤S18中，根据样本视频中多个视频帧的第四样本特征信息以及样本文本段落的一个或多个语句的第一样本特征信息，训练所述第三神经网络以及所述第四神经网络。
在一种可能的实现方式中，可采用所述视频库中的视频作为样本视频，也可使用其他视频库中的视频作为样本视频，本公开对样本视频不做限制。可提取样本视频的视频帧的第四样本特征信息。可输入任意查询文本段落，作为样本文本段落。样本文本段落可包括一个或多个语句，可提取训练语句的第一样本特征信息。
在一种可能的实现方式中，可将样本视频的多个视频帧的第四样本特征信息输入第三神经网络，获得第四样本特征向量。可将样本文本段落的一个或多个语句的第一样本特征信息输入第四神经网络，获得第一样本特征向量。
在一种可能的实现方式中，可在第四样本特征向量中，确定与第一目标样本特征向量的余弦相似度大于或等于相似度阈值的目标样本特征向量，其中，第一目标样本特征向量为第一样本特征向量中的任意一个。进一步地，可将目标样本特征向量融合成与第一目标样本特征向量对应的第五样本特征向量。在示例中，可分别确定与每个第一样本特征向量对应的第五样本特征向量。
在一种可能的实现方式中，可分别确定每个第五样本特征向量与第一样本特征向量的余弦相似度，并根据所述余弦相似度确定第二综合网络损失，在示例中，可根据以下公式(3)确定所述第二综合网络损失：
Figure BDA0001757432750000231
其中，Lref为第二综合网络损失，
Figure BDA0001757432750000236
为第一目标样本特征向量，gd为第d个第五样本特征向量，g+为与与第一目标样本特征向量对应的第五样本特征向量，
Figure BDA0001757432750000232
为gd与
Figure BDA0001757432750000233
的余弦相似度，
Figure BDA0001757432750000234
为g+与
Figure BDA0001757432750000235
的余弦相似度。β为设定的常数，在示例中，β可设为0.1。
在一种可能的实现方式中，可使用第二综合网络损失来调整第三神经网络和第四神经网络的网络参数值。在示例中，按照使第二综合网络损最小化的方向来调整第三神经网络和第四神经网络的网络参数值，使调整后的第三神经网络和第四神经网络具有较高的拟合优度，同时避免过拟合。本公开对调整第三神经网络和第四神经网络的网络参数值的方法不做限制。
在一种可能的实现方式中，调整第三神经网络和第四神经网络的网络参数值的步骤可循环执行，并按照使第二综合网络损失降低或收敛的方式来逐次调整第三神经网络和第四神经网络的网络参数值。在示例中，可输入预定次数的样本文本段落或样本视频，即，循环执行预定次数。在示例中，也可不限定循环执行的次数，在第二综合网络损失降低到一定程度或收敛于一定阈值内时，停止循环，并获得循环调整后的第三神经网络及第四神经网络。可将循环调整后的第三神经网络及第四神经网络用于映射目标预选视频的多个视频帧的第四特征信息以及一个或多个语句的第一特征信息的过程中。
根据本公开的实施例的视频处理方法，通过查询文本段落的第二特征向量与视频的第三特征向量的余弦相似度确定为查询文本段落与视频之间的第一相关性分数，可准确地确定查询文本段落的语义内容和视频的特征信息之间的相关性，从而准确地选取预选视频，在选择出预选视频后，可针对预选视频进行处理，而不必针对视频库中的所有视频进行处理，节省了运算开销，提高处理效率。进一步地，可根据目标预选视频的多个视频帧的第四特征向量以及一个或多个语句第一特征向量确定查询文本段落与目标预选视频的第二相关性分数，并根据第二相关性分数和第一相关性分数确定目标视频，可通过视频与查询文本段落的相关性来检索视频，可精确查找目标视频，避免查询结果冗余，并且，可处理自然语言形式的查询文本段落，不会受到内容标签的固有内容的限制。
图6示出根据本公开实施例的视频处理方法的应用示意图。如图6所示，视频库中可包括N个视频，可分别获得每个视频的多个视频帧的第四特征信息，并根据第四特征信息获得每个视频的第三特征信息。
在一种可能的实现方式中，可输入查询文本段落，所述查询文本段落可包括一个或多个语句，可提取每个语句的第一特征信息，并根据第一特征信息确定查询文本段落的第二特征信息。
在一种可能的实现方式中，第三特征信息和第二特征信息的维度可不同，可通过第一神经网络将第三特征信息映射为第三特征向量，并可通过第二神经网络将第二特征信息映射为第二特征向量。第三特征向量与第二特征向量处于相同维度的向量空间。可确定查询文本段落的第二特征向量分别与每个视频的第三特征向量的余弦相似度，并将所述余弦相似度确定为查询文本段落分别与每个视频的第一相关性分数。可根据第一相关性分数对视频库中的视频进行排序，如图6中的左侧的视频库，根据第一相关性分数对视频库中的视频进行排序获得的视频序列为视频1、视频2、视频3…视频N。从该视频序列中选择前E(1≤E≤N)个视频，作为预选视频。
在一种可能的实现方式中，可使用第三神经网络将预选视频的第四特征信息映射为第四特征向量，并可使用第四神经网络将查询文本段落的一个或多个语句的第一特征信息映射为第一特征向量。第四特征向量与第一特征向量处于相同维度的向量空间。在目标预选视频中，可确定与目标语句的第一特征向量的余弦相似度大于或等于相似度阈值的第四特征向量作为目标特征向量，并可将目标特征向量对应的目标预选视频的视频帧聚合成视频片段，还可将目标特征向量融合成第五特征向量，可通过公式(2)确定查询文本段落与目标预选视频的第二相关性分数。进一步地，可确定查询文本段落与每个预选视频的第二相关性分数。
在一种可能的实现方式中，可将查询文本段落与预选视频的第一相关性分数以及查询文本段落与预选视频的第二相关性分数相乘，获得查询文本段落与预选视频第三相关性分数，并根据第三相关性分数对所述E个预选视频进行排序，如图6中右侧的视频库，根据第三相关性分数对E个预选视频进行排序获得的视频序列为视频3、视频5、视频8…在经过此次排序后，视频3为第三相关性分数最高的视频，即，与查询文本段落的语义内容相关性最高的视频，随后为视频5、视频8…，可选择视频3作为目标视频，也可选择前X(X≤E)个视频作为目标视频。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图7示出根据本公开实施例的视频处理装置的框图。如图7所示，所述装置包括：
预选视频确定模块11，用于根据查询文本段落的段落信息和视频库中多个视频的视频信息，确定所述多个视频中与所述查询文本段落相关联的预选视频；
目标视频确定模块12，用于根据所述预选视频的视频帧信息和所述查询文本段落的语句信息，确定所述预选视频中的目标视频。
所述语句信息包括查询文本段落的一个或多个语句的第一特征信息，所述段落信息包括查询文本段落的第二特征信息，所述视频帧信息包括所述视频的多个视频帧的第四特征信息，所述视频信息包括视频的第三特征信息。
所述预选视频确定模块进一步用于：
根据所述第二特征信息以及视频库中的多个视频的第三特征信息，确定所述多个视频中与所述查询文本段落相关联的预选视频。
图8示出根据本公开实施例的视频处理装置的框图。如图8所示，所述装置还包括：
语句特征提取模块13，用于对查询文本段落的一个或多个语句分别进行特征提取处理，获得所述一个或多个语句的第一特征信息；
第二确定模块14，用于根据查询文本段落中的一个或多个语句的第一特征信息，确定所述查询文本段落的第二特征信息。
在一种可能的实现方式中，所述装置还包括：
视频特征提取模块15，用于对第二视频的多个视频帧分别进行特征提取处理，获得所述第二视频的多个视频帧的第四特征信息，所述第二视频为所述多个视频中的任意一个；
第一确定模块16，用于根据所述第二视频的多个视频帧的第四特征信息，确定所述第二视频的第三特征信息。
在一种可能的实现方式中，所述预选视频确定模块进一步用于：
根据所述第二特征信息以及视频库中的多个视频的第三特征信息，分别确定所述查询文本段落与所述多个视频之间的第一相关性分数；
根据所述第一相关性分数，确定所述多个视频中的预选视频。
在一种可能的实现方式中，所述预选视频确定模块进一步用于：
将第一视频的第三特征信息和所述第二特征信息映射到相同维度的向量空间，获得第一视频的第三特征向量和查询文本段落的第二特征向量，其中，所述第一视频为所述多个视频中的任意一个；
将所述第二特征向量和第三特征向量的余弦相似度确定为所述查询文本段落与所述第一视频之间的第一相关性分数。
在一种可能的实现方式中，所述预选视频确定模块进一步用于：
使用第一神经网络将所述第三特征信息映射为所述第三特征向量，并使用第二神经网络将所述第二特征信息映射为所述第二特征向量。
在一种可能的实现方式中，所述装置还包括：
第一训练模块17，用于根据样本视频的第三样本特征信息以及样本文本段落的第二样本特征信息，训练所述第一神经网络以及所述第二神经网络。
在一种可能的实现方式中，所述目标视频确定模块进一步用于：
根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述预选视频中的目标视频。
在一种可能的实现方式中，所述目标视频确定模块进一步用于：
根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述查询文本段落与所述预选视频的第二相关性分数；
根据所述第一相关性分数和所述第二相关性分数，确定所述预选视频中的目标视频。
在一种可能的实现方式中，所述目标视频确定模块进一步用于：
将目标预选视频的多个视频帧的第四特征信息以及所述一个或多个语句的第一特征信息映射到相同维度的向量空间，分别获得目标预选视频的多个视频帧的第四特征向量以及一个或多个语句的第一特征向量，其中，所述目标预选视频为所述预选视频中的任意一个；
确定第四特征向量中与目标语句的第一特征向量的余弦相似度大于或等于相似度阈值的目标特征向量，其中，目标语句为所述一个或多个语句中的任意一个；
将所述目标特征向量对应的视频帧聚合成与目标语句对应的视频片段；
根据所述目标特征向量，确定所述与目标语句对应的视频片段的第五特征向量；
根据分别与一个或多个语句对应的视频片段的第五特征向量以及一个或多个语句的第一特征向量，确定所述查询文本段落与所述目标预选视频的第二相关性分数。
在一种可能的实现方式中，所述目标视频确定模块进一步用于：
使用第三神经网络将所述第四特征信息映射为所述第四特征向量，并使用第四神经网络将所述第一特征信息映射为所述第一特征向量。
在一种可能的实现方式中，所述目标视频确定模块进一步用于：
将所述第一相关性分数和所述第二相关性分数的乘积确定为第三相关性分数；
根据所述第三相关性分数，在所述预选视频中确定目标视频。
在一种可能的实现方式中，所述装置还包括：
第二训练模块18，用于根据样本视频中多个视频帧的第四样本特征信息以及样本文本段落的一个或多个语句的第一样本特征信息，训练所述第三神经网络以及所述第四神经网络。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图9是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图9，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图10是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图10，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (30)

1.一种视频处理方法，其特征在于，包括：
根据查询文本段落的段落信息和视频库中多个视频的视频信息，确定所述多个视频中与所述查询文本段落相关联的预选视频；
根据所述预选视频的视频帧信息和所述查询文本段落的语句信息，确定所述预选视频中的目标视频；
其中，所述语句信息包括查询文本段落的一个或多个语句的第一特征信息，所述段落信息包括查询文本段落的第二特征信息，所述视频帧信息包括所述视频的多个视频帧的第四特征信息，所述视频信息包括视频的第三特征信息。
2.根据权利要求1所述的方法，其特征在于，根据查询文本段落的段落信息和视频库中多个视频的视频信息，确定所述多个视频中与所述查询文本段落相关联的预选视频，包括：
根据所述第二特征信息以及视频库中的多个视频的第三特征信息，确定所述多个视频中与所述查询文本段落相关联的预选视频。
3.根据权利要求2所述的方法，其特征在于，根据所述预选视频的视频帧信息和所述查询文本段落的语句信息，确定所述预选视频中的目标视频，包括：
根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述预选视频中的目标视频。
4.根据权利要求3所述的方法，其特征在于，根据所述第二特征信息以及视频库中的多个视频的第三特征信息，确定所述多个视频中与所述查询文本段落相关联的预选视频，包括：
根据所述第二特征信息以及视频库中的多个视频的第三特征信息，分别确定所述查询文本段落与所述多个视频之间的第一相关性分数；
根据所述第一相关性分数，确定所述多个视频中的预选视频。
5.根据权利要求4所述的方法，其特征在于，根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述预选视频中的目标视频，包括：
根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述查询文本段落与所述预选视频的第二相关性分数；
根据所述第一相关性分数和所述第二相关性分数，确定所述预选视频中的目标视频。
6.根据权利要求4所述的方法，其特征在于，根据所述第二特征信息以及视频库中的多个视频的第三特征信息，分别确定所述查询文本段落与所述多个视频之间的第一相关性分数，包括：
将第一视频的第三特征信息和所述第二特征信息映射到相同维度的向量空间，获得第一视频的第三特征向量和查询文本段落的第二特征向量，其中，所述第一视频为所述多个视频中的任意一个；
将所述第二特征向量和第三特征向量的余弦相似度确定为所述查询文本段落与所述第一视频之间的第一相关性分数。
7.根据权利要求5所述的方法，其特征在于，根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述查询文本段落与所述预选视频的第二相关性分数，包括：
将目标预选视频的多个视频帧的第四特征信息以及所述一个或多个语句的第一特征信息映射到相同维度的向量空间，分别获得目标预选视频的多个视频帧的第四特征向量以及一个或多个语句的第一特征向量，其中，所述目标预选视频为所述预选视频中的任意一个；
确定第四特征向量中与目标语句的第一特征向量的余弦相似度大于或等于相似度阈值的目标特征向量，其中，目标语句为所述一个或多个语句中的任意一个；
将所述目标特征向量对应的视频帧聚合成与目标语句对应的视频片段；
根据所述目标特征向量，确定所述与目标语句对应的视频片段的第五特征向量；
根据分别与一个或多个语句对应的视频片段的第五特征向量以及一个或多个语句的第一特征向量，确定所述查询文本段落与所述目标预选视频的第二相关性分数。
8.根据权利要求6所述的方法，其特征在于，将第一视频的第三特征信息和所述第二特征信息映射到相同维度的向量空间，获得第一视频的第三特征向量和查询文本段落的第二特征向量，包括：
使用第一神经网络将所述第三特征信息映射为所述第三特征向量，并使用第二神经网络将所述第二特征信息映射为所述第二特征向量。
9.根据权利要求7所述的方法，其特征在于，将目标预选视频的多个视频帧的第四特征信息以及所述一个或多个语句的第一特征信息映射到相同维度的向量空间，分别获得目标预选视频的多个视频帧的第四特征向量以及一个或多个语句的第一特征向量，包括：
使用第三神经网络将所述第四特征信息映射为所述第四特征向量，并使用第四神经网络将所述第一特征信息映射为所述第一特征向量。
10.根据权利要求5所述的方法，其特征在于，根据所述第一相关性分数和所述第二相关性分数，确定所述预选视频中的目标视频，包括：
将所述第一相关性分数和所述第二相关性分数的乘积确定为第三相关性分数；
根据所述第三相关性分数，在所述预选视频中确定目标视频。
11.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对第二视频的多个视频帧分别进行特征提取处理，获得所述第二视频的多个视频帧的第四特征信息，所述第二视频为所述多个视频中的任意一个；
根据所述第二视频的多个视频帧的第四特征信息，确定所述第二视频的第三特征信息。
12.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对查询文本段落的一个或多个语句分别进行特征提取处理，获得所述一个或多个语句的第一特征信息；
根据查询文本段落中的一个或多个语句的第一特征信息，确定所述查询文本段落的第二特征信息。
13.根据权利要求8所述的方法，其特征在于，所述方法还包括：
根据样本视频的第三样本特征信息以及样本文本段落的第二样本特征信息，训练所述第一神经网络以及所述第二神经网络。
14.根据权利要求9所述的方法，其特征在于，所述方法还包括：
根据样本视频中多个视频帧的第四样本特征信息以及样本文本段落的一个或多个语句的第一样本特征信息，训练所述第三神经网络以及所述第四神经网络。
15.一种视频处理装置，其特征在于，包括：
预选视频确定模块，用于根据查询文本段落的段落信息和视频库中多个视频的视频信息，确定所述多个视频中与所述查询文本段落相关联的预选视频；
目标视频确定模块，用于根据所述预选视频的视频帧信息和所述查询文本段落的语句信息，确定所述预选视频中的目标视频；
其中，所述语句信息包括查询文本段落的一个或多个语句的第一特征信息，所述段落信息包括查询文本段落的第二特征信息，所述视频帧信息包括所述视频的多个视频帧的第四特征信息，所述视频信息包括视频的第三特征信息。
16.根据权利要求15所述的装置，其特征在于，所述预选视频确定模块进一步用于：
根据所述第二特征信息以及视频库中的多个视频的第三特征信息，确定所述多个视频中与所述查询文本段落相关联的预选视频。
17.根据权利要求16所述的装置，其特征在于，所述目标视频确定模块进一步用于：
根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述预选视频中的目标视频。
18.根据权利要求17所述的装置，其特征在于，所述预选视频确定模块进一步用于：
根据所述第二特征信息以及视频库中的多个视频的第三特征信息，分别确定所述查询文本段落与所述多个视频之间的第一相关性分数；
根据所述第一相关性分数，确定所述多个视频中的预选视频。
19.根据权利要求18所述的装置，其特征在于，所述目标视频确定模块进一步用于：
根据所述一个或多个语句的第一特征信息以及所述预选视频中的多个视频帧的第四特征信息，确定所述查询文本段落与所述预选视频的第二相关性分数；
根据所述第一相关性分数和所述第二相关性分数，确定所述预选视频中的目标视频。
20.根据权利要求18所述的装置，其特征在于，所述预选视频确定模块进一步用于：
将第一视频的第三特征信息和所述第二特征信息映射到相同维度的向量空间，获得第一视频的第三特征向量和查询文本段落的第二特征向量，其中，所述第一视频为所述多个视频中的任意一个；
将所述第二特征向量和第三特征向量的余弦相似度确定为所述查询文本段落与所述第一视频之间的第一相关性分数。
21.根据权利要求19所述的装置，其特征在于，所述目标视频确定模块进一步用于：
将目标预选视频的多个视频帧的第四特征信息以及所述一个或多个语句的第一特征信息映射到相同维度的向量空间，分别获得目标预选视频的多个视频帧的第四特征向量以及一个或多个语句的第一特征向量，其中，所述目标预选视频为所述预选视频中的任意一个；
确定第四特征向量中与目标语句的第一特征向量的余弦相似度大于或等于相似度阈值的目标特征向量，其中，目标语句为所述一个或多个语句中的任意一个；
将所述目标特征向量对应的视频帧聚合成与目标语句对应的视频片段；
根据所述目标特征向量，确定所述与目标语句对应的视频片段的第五特征向量；
根据分别与一个或多个语句对应的视频片段的第五特征向量以及一个或多个语句的第一特征向量，确定所述查询文本段落与所述目标预选视频的第二相关性分数。
22.根据权利要求20所述的装置，其特征在于，所述预选视频确定模块进一步用于：
使用第一神经网络将所述第三特征信息映射为所述第三特征向量，并使用第二神经网络将所述第二特征信息映射为所述第二特征向量。
23.根据权利要求21所述的装置，其特征在于，所述目标视频确定模块进一步用于：
使用第三神经网络将所述第四特征信息映射为所述第四特征向量，并使用第四神经网络将所述第一特征信息映射为所述第一特征向量。
24.根据权利要求19所述的装置，其特征在于，所述目标视频确定模块进一步用于：
将所述第一相关性分数和所述第二相关性分数的乘积确定为第三相关性分数；
根据所述第三相关性分数，在所述预选视频中确定目标视频。
25.根据权利要求15所述的装置，其特征在于，所述装置还包括：
视频特征提取模块，用于对第二视频的多个视频帧分别进行特征提取处理，获得所述第二视频的多个视频帧的第四特征信息，所述第二视频为所述多个视频中的任意一个；
第一确定模块，用于根据所述第二视频的多个视频帧的第四特征信息，确定所述第二视频的第三特征信息。
26.根据权利要求15所述的装置，其特征在于，所述装置还包括：
语句特征提取模块，用于对查询文本段落的一个或多个语句分别进行特征提取处理，获得所述一个或多个语句的第一特征信息；
第二确定模块，用于根据查询文本段落中的一个或多个语句的第一特征信息，确定所述查询文本段落的第二特征信息。
27.根据权利要求22所述的装置，其特征在于，所述装置还包括：
第一训练模块，用于根据样本视频的第三样本特征信息以及样本文本段落的第二样本特征信息，训练所述第一神经网络以及所述第二神经网络。
28.根据权利要求23所述的装置，其特征在于，所述装置还包括：
第二训练模块，用于根据样本视频中多个视频帧的第四样本特征信息以及样本文本段落的一个或多个语句的第一样本特征信息，训练所述第三神经网络以及所述第四神经网络。
29.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至14中任意一项所述的方法。
30.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至14中任意一项所述的方法。
CN201810892997.4A 2018-08-07 2018-08-07 视频处理方法及装置、电子设备和存储介质 Active CN109089133B (zh)

Priority Applications (7)

Application Number Priority Date Filing Date Title
CN201810892997.4A CN109089133B (zh) 2018-08-07 2018-08-07 视频处理方法及装置、电子设备和存储介质
US16/975,347 US11120078B2 (en) 2018-08-07 2019-08-06 Method and device for video processing, electronic device, and storage medium
MYPI2020004347A MY187857A (en) 2018-08-07 2019-08-06 Method and device for video processing, electronic device, and storage medium
KR1020207030575A KR102222300B1 (ko) 2018-08-07 2019-08-06 비디오 처리 방법 및 장치, 전자 기기 및 저장 매체
JP2020573569A JP6916970B2 (ja) 2018-08-07 2019-08-06 ビデオ処理方法及び装置、電子機器並びに記憶媒体
SG11202008134YA SG11202008134YA (en) 2018-08-07 2019-08-06 Method and device for video processing, electronic device, and storage medium
PCT/CN2019/099486 WO2020029966A1 (zh) 2018-08-07 2019-08-06 视频处理方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810892997.4A CN109089133B (zh) 2018-08-07 2018-08-07 视频处理方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN109089133A CN109089133A (zh) 2018-12-25
CN109089133B true CN109089133B (zh) 2020-08-11

Family

ID=64834271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810892997.4A Active CN109089133B (zh) 2018-08-07 2018-08-07 视频处理方法及装置、电子设备和存储介质

Country Status (7)

Country Link
US (1) US11120078B2 (zh)
JP (1) JP6916970B2 (zh)
KR (1) KR102222300B1 (zh)
CN (1) CN109089133B (zh)
MY (1) MY187857A (zh)
SG (1) SG11202008134YA (zh)
WO (1) WO2020029966A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674331A (zh) * 2018-06-15 2020-01-10 华为技术有限公司 信息处理方法、相关设备及计算机存储介质
CN110163050B (zh) * 2018-07-23 2022-09-27 腾讯科技（深圳）有限公司 一种视频处理方法及装置、终端设备、服务器及存储介质
CN109089133B (zh) 2018-08-07 2020-08-11 北京市商汤科技开发有限公司 视频处理方法及装置、电子设备和存储介质
US11621081B1 (en) * 2018-11-13 2023-04-04 Iqvia Inc. System for predicting patient health conditions
CN111435432B (zh) * 2019-01-15 2023-05-26 北京市商汤科技开发有限公司 网络优化方法及装置、图像处理方法及装置、存储介质
CN110213668A (zh) * 2019-04-29 2019-09-06 北京三快在线科技有限公司 视频标题的生成方法、装置、电子设备和存储介质
CN110188829B (zh) * 2019-05-31 2022-01-28 北京市商汤科技开发有限公司 神经网络的训练方法、目标识别的方法及相关产品
CN113094550B (zh) * 2020-01-08 2023-10-24 百度在线网络技术（北京）有限公司 视频检索方法、装置、设备和介质
CN111209439B (zh) * 2020-01-10 2023-11-21 北京百度网讯科技有限公司 视频片段检索方法、装置、电子设备及存储介质
CN113641782A (zh) * 2020-04-27 2021-11-12 北京庖丁科技有限公司 基于检索语句的信息检索方法、装置、设备和介质
CN111918146B (zh) * 2020-07-28 2021-06-01 广州筷子信息科技有限公司 一种视频合成方法和***
CN112181982B (zh) * 2020-09-23 2021-10-12 况客科技（北京）有限公司 数据选取方法、电子设备和介质
CN112738557A (zh) * 2020-12-22 2021-04-30 上海哔哩哔哩科技有限公司 视频处理方法及装置
CN113032624B (zh) * 2021-04-21 2023-07-25 北京奇艺世纪科技有限公司 视频观影兴趣度确定方法、装置、电子设备及介质
CN113254714B (zh) * 2021-06-21 2021-11-05 平安科技（深圳）有限公司 基于query分析的视频反馈方法、装置、设备及介质
CN113590881B (zh) * 2021-08-09 2024-03-19 北京达佳互联信息技术有限公司 视频片段检索方法、视频片段检索模型的训练方法及装置
CN114329068B (zh) * 2021-08-11 2024-05-31 腾讯科技（深圳）有限公司 一种数据处理方法及装置、电子设备、存储介质
CN113792183B (zh) * 2021-09-17 2023-09-08 咪咕数字传媒有限公司 一种文本生成方法、装置及计算设备
WO2024015322A1 (en) * 2022-07-12 2024-01-18 Loop Now Technologies, Inc. Search using generative model synthesized images

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593363A (zh) * 2012-08-15 2014-02-19 中国科学院声学研究所 视频内容索引结构的建立方法、视频检索方法及装置
CN104798068A (zh) * 2012-11-30 2015-07-22 汤姆逊许可公司 视频检索方法和装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110047163A1 (en) * 2009-08-24 2011-02-24 Google Inc. Relevance-Based Image Selection
CN101894170B (zh) * 2010-08-13 2011-12-28 武汉大学 基于语义关联网络的跨模信息检索方法
US20120131060A1 (en) * 2010-11-24 2012-05-24 Robert Heidasch Systems and methods performing semantic analysis to facilitate audio information searches
CN102750366B (zh) * 2012-06-18 2015-05-27 海信集团有限公司 基于自然交互输入的视频搜索***及方法
CN104239501B (zh) * 2014-09-10 2017-04-12 中国电子科技集团公司第二十八研究所 一种基于Spark的海量视频语义标注方法
CN106156204B (zh) * 2015-04-23 2020-05-29 深圳市腾讯计算机***有限公司 文本标签的提取方法和装置
US9807473B2 (en) 2015-11-20 2017-10-31 Microsoft Technology Licensing, Llc Jointly modeling embedding and translation to bridge video and language
US11409791B2 (en) 2016-06-10 2022-08-09 Disney Enterprises, Inc. Joint heterogeneous language-vision embeddings for video tagging and search
US10346417B2 (en) * 2016-08-18 2019-07-09 Google Llc Optimizing digital video distribution
CN108304506B (zh) * 2018-01-18 2022-08-26 腾讯科技（深圳）有限公司 检索方法、装置及设备
US11295783B2 (en) * 2018-04-05 2022-04-05 Tvu Networks Corporation Methods, apparatus, and systems for AI-assisted or automatic video production
CN109089133B (zh) 2018-08-07 2020-08-11 北京市商汤科技开发有限公司 视频处理方法及装置、电子设备和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593363A (zh) * 2012-08-15 2014-02-19 中国科学院声学研究所 视频内容索引结构的建立方法、视频检索方法及装置
CN104798068A (zh) * 2012-11-30 2015-07-22 汤姆逊许可公司 视频检索方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
智能搜索引擎关键技术及应用研究;刘耀 等;《国书情报工作》;20150331;第59卷(第5期);全文 *

Also Published As

Publication number Publication date
US11120078B2 (en) 2021-09-14
JP6916970B2 (ja) 2021-08-11
CN109089133A (zh) 2018-12-25
JP2021519474A (ja) 2021-08-10
MY187857A (en) 2021-10-26
SG11202008134YA (en) 2020-09-29
KR20200128165A (ko) 2020-11-11
WO2020029966A1 (zh) 2020-02-13
US20200394216A1 (en) 2020-12-17
KR102222300B1 (ko) 2021-03-03

Similar Documents

Publication Publication Date Title
CN109089133B (zh) 视频处理方法及装置、电子设备和存储介质
CN107491541B (zh) 文本分类方法及装置
CN110781957B (zh) 图像处理方法及装置、电子设备和存储介质
CN110472091B (zh) 图像处理方法及装置、电子设备和存储介质
CN109615006B (zh) 文字识别方法及装置、电子设备和存储介质
CN109635920B (zh) 神经网络优化方法及装置、电子设备和存储介质
CN110858924B (zh) 视频背景音乐的生成方法、装置及存储介质
CN111242303B (zh) 网络训练方法及装置、图像处理方法及装置
CN111581488A (zh) 一种数据处理方法及装置、电子设备和存储介质
CN110659690B (zh) 神经网络的构建方法及装置、电子设备和存储介质
CN110867254A (zh) 预测方法及装置、电子设备和存储介质
CN110764627B (zh) 一种输入方法、装置和电子设备
CN110781323A (zh) 多媒体资源的标签确定方法、装置、电子设备及存储介质
CN111259967B (zh) 图像分类及神经网络训练方法、装置、设备及存储介质
CN110781813A (zh) 图像识别方法及装置、电子设备和存储介质
CN109101542B (zh) 图像识别结果输出方法及装置、电子设备和存储介质
CN110633715B (zh) 图像处理方法、网络训练方法及装置、和电子设备
CN110569329A (zh) 数据处理方法及装置、电子设备和存储介质
CN110781975B (zh) 图像处理方法及装置、电子设备和存储介质
CN110909562A (zh) 视频审核方法及装置
CN110955800A (zh) 视频检索方法及装置
CN110929545A (zh) 人脸图像的整理方法及装置
CN110070046B (zh) 人脸图像识别方法及装置、电子设备和存储介质
CN109460458B (zh) 查询改写意图的预测方法及装置
CN112131999B (zh) 身份确定方法及装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP02 Change in the address of a patent holder

Address after: Room 1101-1117, floor 11, No. 58, Beisihuan West Road, Haidian District, Beijing 100080

Patentee after: BEIJING SENSETIME TECHNOLOGY DEVELOPMENT Co.,Ltd.

Address before: 100084, room 7, floor 3, building 1, No. 710-712, Zhongguancun East Road, Beijing, Haidian District

Patentee before: BEIJING SENSETIME TECHNOLOGY DEVELOPMENT Co.,Ltd.

CP02 Change in the address of a patent holder