CN109165574A - 视频检测方法和装置 - Google Patents
视频检测方法和装置 Download PDFInfo
- Publication number
- CN109165574A CN109165574A CN201810879285.9A CN201810879285A CN109165574A CN 109165574 A CN109165574 A CN 109165574A CN 201810879285 A CN201810879285 A CN 201810879285A CN 109165574 A CN109165574 A CN 109165574A
- Authority
- CN
- China
- Prior art keywords
- sequence
- detected
- key frame
- video
- keyframe
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Television Signal Processing For Recording (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了视频检测方法和装置。所述的视频检测方法的一实施例包括:获取待检测关键帧序列,其中,待检测关键帧序列中的各关键帧与预先获取的参考视频中,其中一个关键帧相匹配;生成待检测关键帧序列的待检测时间戳序列,待检测时间戳序列中的各时间戳为待检测关键帧序列中,其中一个待检测关键帧的时间戳;获取参考时间戳序列,其中,参考时间戳序列为参考视频的关键帧中,与待检测关键帧序列的其中一个待检测关键帧序列相匹配的关键帧的时间戳;基于待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,确定待检测视频和参考视频的关联度。该实现方式实现了自动视频关联检测,避免了人工的方式效率低、自定义规则复杂等问题。
Description
技术领域
本申请实施例涉及图像处理领域,具体涉及计算机视觉领域,尤其涉及视频检测方法和装置。
背景技术
视频比对技术,即通过分析、理解视频的图像,语音等信息,对两个视频进行相似度比对,从而判断两两视频之间是否包含相同的片段。若包含,还可以进一步给出相同片段的起始时间和结束时间。通过该技术,可以解决视频去重的问题,既能提高人工审核的效率,禁止重复视频入库,节省资源;又能有效防止视频个性化推荐时给出重复的视频,提高用户体验。
该问题之前的主要解决方案是人工定义规则,通过规则判断两个视频是否重复。人工查看badcase之后定义出来的一些策略规则,并且这些规则能覆盖大多数的情形。众所周知,定义规则是一件非常复杂且毫无技术含量的工作,需要人为查看大量匹配结果后,总结规律,然后制定一系列的“如果……就……”。当重新出现新的案例的时候,又需要重新加规则。
发明内容
本申请实施例提出了视频检测方法和装置。
第一方面,本申请实施例提供了一种视频检测方法,包括:获取待检测关键帧序列,其中,待检测关键帧序列中的各关键帧与预先获取的参考视频中,其中一个关键帧相匹配;生成待检测关键帧序列的待检测时间戳序列,待检测时间戳序列中的各时间戳为待检测关键帧序列中,其中一个待检测关键帧的时间戳;获取参考时间戳序列,其中,参考时间戳序列为参考视频的关键帧中,与待检测关键帧序列的其中一个待检测关键帧序列相匹配的关键帧的时间戳;基于待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,确定待检测视频和参考视频的关联度。
在一些实施例中,在获取待检测关键帧序列之前,方法还包括:提取待检测视频的关键帧,生成关键帧序列;将关键帧序列与预先获取的参考关键帧序列进行匹配度检测,得到待检测关键帧序列和匹配参考关键帧序列;其中:待检测关键帧序列中的待检测关键帧为关键帧序列中,与参考关键帧序列的其中一个关键帧相匹配的帧;匹配参考关键帧序列中的匹配参考关键帧为参考关键帧序列中,与其中一个待检测关键帧相匹配的帧作为匹配参考关键帧。
在一些实施例中,将关键帧序列与预先获取的参考关键帧序列进行匹配度检测,包括:对于关键帧序列中的关键帧,将该关键帧与参考关键帧序列中的参考关键帧输入预先训练的匹配度检测模型,以确定该关键帧与参考关键帧的匹配度。
在一些实施例中,基于待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,确定待检测视频和参考视频的关联度,包括:生成待检测时间戳序列与参考时间戳序列的对应关系;将所生成的对应关系输入预先训练的关联度模型中,确定待检测视频和参考视频的关联度。
在一些实施例中,关联度模型通过以下方式训练得到:建立初始关联度模型;获取训练样本集,训练样本集中的训练样本包括预先生成的两个视频的对应关系,以及用于标注该两个视频的关联度的关联度标注;将训练样本集输入初始关联度模型中,基于预先设置的损失函数训练初始关联度模型,得到训练后的关联度模型。
第二方面,本申请实施例提供了一种视频检测装置,包括:关键帧序列获取单元,被配置成获取待检测关键帧序列,其中,待检测关键帧序列中的各关键帧与预先获取的参考视频中,其中一个关键帧相匹配;时间戳生成单元,被配置成生成待检测关键帧序列的待检测时间戳序列,待检测时间戳序列中的各时间戳为待检测关键帧序列中,其中一个待检测关键帧的时间戳;参考时间戳获取单元,被配置成获取参考时间戳序列,其中,参考时间戳序列为参考视频的关键帧中,与待检测关键帧序列的其中一个待检测关键帧序列相匹配的关键帧的时间戳;确定单元,被配置成基于待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,确定待检测视频和参考视频的关联度。
在一些实施例中,装置还包括:提取单元,被配置成提取待检测视频的关键帧,生成关键帧序列;匹配度检测单元,被配置成将关键帧序列与预先获取的参考关键帧序列进行匹配度检测,得到待检测关键帧序列和匹配参考关键帧序列;其中:待检测关键帧序列中的待检测关键帧为关键帧序列中,与参考关键帧序列的其中一个关键帧相匹配的帧;匹配参考关键帧序列中的匹配参考关键帧为参考关键帧序列中,与其中一个待检测关键帧相匹配的帧作为匹配参考关键帧。
在一些实施例中,匹配度检测单元进一步被配置成:对于关键帧序列中的关键帧,将该关键帧与参考关键帧序列中的参考关键帧输入预先训练的匹配度检测模型,以确定该关键帧与参考关键帧的匹配度。
在一些实施例中,确定单元进一步被配置成:生成待检测时间戳序列与参考时间戳序列的对应关系;将所生成的对应关系输入预先训练的关联度模型中,确定待检测视频和参考视频的关联度。
在一些实施例中,关联度模型通过以下方式训练得到:建立初始关联度模型;获取训练样本集,训练样本集中的训练样本包括预先生成的两个视频的对应关系,以及用于标注该两个视频的关联度的关联度标注;将训练样本集输入初始关联度模型中,基于预先设置的损失函数训练初始关联度模型,得到训练后的关联度模型。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面描述的方法。
本申请实施例提供的视频检测方法和装置,首先,获取待检测关键帧序列;接着,生成待检测关键帧序列的待检测时间戳序列;接着,获取参考时间戳序列;最后,基于待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,确定待检测视频和参考视频的关联度,实现了自动的视频关联检测,避免了采用人工的方式效率低、自定义规则复杂等问题。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请一个实施例的视频检测方法可以应用于其中的示例性***架构图;
图2是根据本申请的视频检测方法的一个实施例的流程图;
图3是根据本申请的视频检测方法的一个应用场景的示意图;
图4是根据本申请的视频检测方法的又一个实施例的流程图;
图5是根据本申请的视频检测方法的一个实施例中,训练关联度模型的示意性流程图;
图6A~图6C是训练关联度模型的样本的示意图;
图7是根据本申请的视频检测装置的一个实施例的结构图;
图8是适于用来实现本申请实施例的视频检测换方法的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的视频检测方法或视频检测装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持视频播放的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上传的视频提供支持的后台处理服务器。后台处理服务器可以对接收到的视频等数据进行分析等处理,并将处理结果(例如,用于指示终端设备所上传的视频是否与预设数据库中的参考视频重复的信息)反馈给终端设备。
需要说明的是,本申请实施例所提供的视频检测方法可以由服务器104执行,相应地,视频检测装置可以设置于服务器104中。
应该理解,图1中的终端设备101、102、103,网络104和服务器105的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的视频检测方法的一个实施例的流程200。该视频检测方法,包括以下步骤:
步骤201,获取待检测关键帧序列,其中,待检测关键帧序列中的各关键帧与预先获取的参考视频中,其中一个关键帧相匹配。
在本实施例中,本实施例的视频检测方法的执行主体(例如,图1所示的服务器105)可以通过各种可行的方式来获取待检测关键帧序列。
例如,可以通过有线或无线连接的方式从与执行主体通信连接的电子设备获取预先生成的待检测关键帧序列。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在这里,待检测关键帧序列可以是由一个或一个以上的待检测关键帧按照时间先后顺序排列形成的序列。
此外,本步骤中的参考视频可以理解为,能够作为与待检测关键帧序列进行比较的比较基准的参考视频。在一些应用场景中,参考视频可以是从用于存储视频的数据库中直接获取得到的。或者,在另一些应用场景中,参考视频也可以是对数据库中所存储的视频以某种方式进行筛选之后得到的。在这些应用场景中,例如,可以预先为数据库中存储的视频进行分类(例如,为视频添加标签),再基于视频的类别来从中筛选出参考视频。
本步骤中,“相匹配”的含义可以理解为,待检测关键帧序列中的各待检测关键帧与参考视频中的某帧具有某种或者某些共性。例如,在一些应用场景中,若一个视频帧A与参考视频中的某一帧中出现了相同的对象(包括但不限于同一个人、同一种动物、同一处风景等等),便可以将该视频帧A作为待检测关键帧序列中的一个待检测关键帧。
可以理解的是,在一些可选的实现方式中,待检测关键帧序列中的各待检测关键帧可以取自同一个视频片段中。在这些可选的实现方式中,可以通过待检测关键帧序列中所包含的待检测关键帧的数量,来初步地衡量这些待检测关键帧所取自的视频与参考视频之间的匹配程度。
步骤202,生成待检测关键帧序列的待检测时间戳序列,待检测时间戳序列中的各时间戳为待检测关键帧序列中,其中一个待检测关键帧的时间戳。
时间戳(timestamp),是能够表示一份数据在某个特定时间之前已经存在的、完整的、可验证的数据。时间戳通常可以是一个字符序列,用于唯一地标识某一刻的时间。
相应地,待检测关键帧的时间戳可以是用于标识该待检测关键帧的拍摄时刻的数据。
在待检测关键帧序列中的各待检测关键帧取自同一个视频片段的情况下,待检测关键帧序列中的各待检测关键帧可以以拍摄时刻先后顺序排列,相应地,生成的待检测时间戳序列中,各时间戳数据也可以按照相同的顺序排列。具体地,若待检测关键帧序列为{A,B,C},并且视频帧A的时间戳数据为a,视频帧B的时间戳数据为b,视频帧C的时间戳数据为c,那么与{A,B,C}这一待检测关键帧序列相应的待检测时间戳序列为{a,b,c}。
步骤203,获取参考时间戳序列,其中,参考时间戳序列为参考视频的关键帧中,与待检测关键帧序列的其中一个待检测关键帧序列相匹配的关键帧的时间戳。
例如,在一些应用场景中,可以预先获取与待检测关键帧序列的其中一个待检测关键帧序列相匹配的关键帧所构成的序列,并由该序列中,各视频帧的时间戳数据构成参考时间戳序列。
步骤204,基于待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,确定待检测视频和参考视频的关联度。
本步骤中,待检测时间戳序列和所获取的参考时间戳序列之间的对应关系例如可以通过如下的方式呈现:
将待检测时间戳序列中,各待检测时间戳的数值作为笛卡尔坐标系下的横坐标(或纵坐标),将参考时间戳序列中,各参考时间戳的数值作为该笛卡尔坐标系下的纵坐标(或横坐标),以此在笛卡尔坐标系下确定出多个坐标点。这些坐标点的位置和分布,便可认为能够表征待检测时间戳序列与所获取的参考时间戳序列之间的对应关系。
具体而言,假设待检测关键帧序列为{A1,B1,C1},待检测时间戳序列为{a1,b1,c1}。此外,视频帧A2、B2、C2为参考视频中,分别与A1、B1和C1相匹配的关键帧,而a2、b2、c2分别为视频帧A2、B2、C2的时间戳数据。因此,参考时间戳序列为{a2,b2,c2}。利用以上描述的方式,将a1、b1、c1分别作为横坐标,而将a2、b2、c2分别作为纵坐标,可以得到坐标为[a1,a2]、[b1,b2]以及[c1,c2]的三个点。这三个点的位置和分布便可以用于表征待检测时间戳序列与所获取的参考时间戳序列之间的对应关系。
可以理解,若待检测时间戳序列所对应的待检测视频和参考视频具有较高的关联度,那么,二者中,相匹配的关键帧所出现的时刻很可能是相近甚至是相同的。因此,通过检测待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,可以确定出待检测视频和参考视频是否关联,以及关联程度如何。
在一些可选的实现方式中,可以对通过以上的方式生成的各个坐标点进行拟合,并判断拟合得到的多项式中,各项系数是否满足预先设置的条件,若满足,则可确定待检测视频和所述参考视频的关联度较高。
例如,在一些应用场景中,本实施例的视频检测方法用于检测出与某个参考视频相同的视频片段。那么,通过步骤204,可以对待检测时间戳序列与所获取的参考时间戳序列之间的对应关系进行拟合,并得到一次多项式。在这些应用场景中,若待检测时间戳序列与所获取的参考时间戳序列之间的对应关系的拟合结果为一次多项式(也即,二次及以上的多项式系数为0),则可以判断待检测视频和参考视频相关联(即,完全相同)。
本实施例提供的视频检测方法,首先,获取待检测关键帧序列;接着,生成待检测关键帧序列的待检测时间戳序列;接着,获取参考时间戳序列;最后,基于待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,确定待检测视频和参考视频的关联度,实现了自动的视频关联检测,避免了采用人工的方式效率低、自定义规则复杂等问题。
继续参见图3,图3是根据本实施例的视频检测方法的应用场景的一个示意图300。
在图3所示的应用场景中,用户期望将其终端设备上的视频上传至服务器进行发布。在发布之前,服务器需对用户期望发布的视频进行查重,也即,判断用户期望发布的视频在数据库是否已经存在。
在这一应用场景中,首先,用户310向服务器上传待检测视频。服务器在接收到用户310上传的待检测视频之后,可以对待检测视频进行提取、与数据库内已存储的视频进行匹配等操作,从而得到待检测关键帧序列,如附图标记321所示。可以理解的是,通过将待检测视频的关键帧与数据库中的视频进行匹配从而得到待检测关键帧序列的过程中,也可以相应地从数据库中筛选出与该待检测关键帧序列相匹配的参考视频帧序列。
接着,如附图标记322所示,在获取到待检测关键帧序列之后,可以生成该待检测关键帧序列的待检测时间戳序列,并相应地获取参考时间戳序列,如附图标记323所示。最后,基于待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,确定待检测视频和参考视频的关联度,如附图标记324所示。这样一来,通过这一流程,根据待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,可以判断用户期望发布的视频在数据库是否已经存在,从而避免视频的重复上传。
进一步参考图4,其示出了视频检测方法的又一个实施例的流程400。该视频检测方法的流程400,包括以下步骤:
步骤401,提取待检测视频的关键帧,生成关键帧序列。
关键帧,是指能够描述镜头主要内容的帧。根据镜头内容的复杂程度,可以从一个镜头中提取一个或多个关键帧或者构造一个关键帧。从关键帧的以上定义可以看出,关键帧可以是存在于待检测视频中的帧,也可以是基于待检测视频中的帧生成的帧。
本实施例中,可以采用任何可行的方式来得到待检测视频的关键帧序列,包括但不限于基于镜头的关键帧提取方法、基于内容的关键帧提取方法、基于运动的关键帧提取方法、基于欧氏距离的关键帧提取方法等。以上描述的关键帧提取方法均可以通过现有技术获知,在此不再赘述。
步骤402,将关键帧序列与预先获取的参考关键帧序列进行匹配度检测,得到待检测关键帧序列和匹配参考关键帧序列。其中,待检测关键帧序列中的待检测关键帧为关键帧序列中,与参考关键帧序列的其中一个关键帧相匹配的帧;匹配参考关键帧序列中的匹配参考关键帧为参考关键帧序列中,与其中一个待检测关键帧相匹配的帧作为匹配参考关键帧。
例如,生成的关键帧序列为{A1,A2,…,An}。预先获取的参考关键帧序列为{B1,B2,…,Bm}。分别将A1与参考关键帧序列中的各参考帧进行匹配度检测。若A1与B2相匹配,A4与B7相匹配,A9与B3相匹配,那么,所生成的待检测关键帧序列例如可以为{A1,A4,A9},而匹配参考关键帧序列则为{B2,B7,B3}。
从以上示例可以看出,匹配参考关键帧序列中,各帧的排列顺序是根据与各匹配参考关键帧相应的待检测关键帧在待检测关键帧序列中的排序相对应的。在某些应用场景中,根据与各匹配参考关键帧相应的待检测关键帧在待检测关键帧序列中的排序确定出的匹配参考关键帧在匹配参考关键帧序列中的排序,并不一定与这些匹配参考关键帧在参考视频中的出现顺序或者参考关键帧序列中的排序相同。
在一些可选的实现方式中,将关键帧序列与预先获取的参考关键帧序列进行匹配度检测,可以进一步包括:对于关键帧序列中的关键帧,将该关键帧与参考关键帧序列中的参考关键帧输入预先训练的匹配度检测模型,以确定该关键帧与参考关键帧的匹配度。
仍以生成的关键帧序列为{A1,A2,…,An},且预先获取的参考关键帧序列为{B1,B2,…,Bm}为例。首先,可以将A1与B1、A1与B2、…、A1与Bm分别输入预先训练的匹配度检测模型,从而判断参考关键帧序列中,是否存在与关键帧A1相匹配的帧。类似地,可以检测参考关键帧序列中,是否存在与关键帧序列中其它关键帧A2、…、An相匹配的参考关键帧。
此外,在这里,匹配度检测模型可以是卷积神经网络模型。利用训练样本对初始卷积神经网络进行训练,并基于预先设置的损失函数调整该初始卷积神经网络中的参数,最终可训练得到匹配度检测模型。
步骤403,获取待检测关键帧序列,其中,待检测关键帧序列中的各关键帧与预先获取的参考视频中,其中一个关键帧相匹配。
步骤404,生成待检测关键帧序列的待检测时间戳序列,待检测时间戳序列中的各时间戳为待检测关键帧序列中,其中一个待检测关键帧的时间戳。
步骤405,获取参考时间戳序列,其中,参考时间戳序列为参考视频的关键帧中,与待检测关键帧序列的其中一个待检测关键帧序列相匹配的关键帧的时间戳。在这里,与待检测关键帧序列的其中一个待检测关键帧序列相匹配的关键帧也即是通过步骤402生成的匹配参考关键帧。
步骤406,基于待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,确定待检测视频和参考视频的关联度。
上述步骤403~步骤406可以采用与图2所示的实施例中,步骤201~步骤204类似的方式执行,在此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例的视频检测方法的流程400,进一步突出了执行主体对待检测视频进行关键帧提取以及将提取得到的关键帧序列与参考关键帧序列进行匹配度检测,从而得到待检测关键帧系列和匹配参考关键帧序列的过程。
在本申请各实施例的一些可选的实现方式中,在基于待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,确定待检测视频和参考视频的关联度时,可以首先生成待检测时间戳序列与参考时间戳序列的对应关系;并将所生成的对应关系输入预先训练的关联度模型中,确定待检测视频和参考视频的关联度。
在一些应用场景中,参见图5所示,关联度模型例如可以通过如下的方式训练得到:
步骤501,建立初始关联度模型。若关联度模型为卷积神经网络模型,在这里,可以首先建立一包括多个卷积层的初始关联度模型,并且为初始关联度模型中的各参数赋初值。
步骤502,获取训练样本集,训练样本集中的训练样本包括预先生成的两个视频的对应关系,以及用于标注该两个视频的关联度的关联度标注。
可选地,训练样本集中可以包括正样本和负样本。在这里,若最终目的是判断两个视频是否包含相同的视频片段,那么,训练样本集中的正样本例如可以是包含了相同的视频片段的两个视频之间的对应关系,而训练样本集中的负样本例如可以是未包含相同的视频片段的两个视频之间的对应关系。相应地,正样本的标注数据可以是能够用于指示该正样本中的两个视频包含相同视频片段的标识(例如,可以用数字“1”来表示),而负样本的标注数据可以是能够用于指示该正样本中的两个视频未包含相同视频片段的标识(例如,可以用数字“0”来表示)。
需要说明的是,在这里,两个视频(例如,视频A和视频B)的对应关系可以采用以上描述的方式来表示。也即:将视频A中,与视频B的其中一关键帧(例如,B1)相匹配的关键帧的时间戳作为横坐标,将视频B中,与视频A相匹配的关键帧的时间戳作为纵坐标,所得到的坐标点的位置和分布。
参见图6A-图6C所示,分别为训练样本中,两个视频的对应关系的示意图。
从图6A和图6B中不难看出,相匹配的帧在两个视频中出现的先后顺序非常接近。因而,在判断两个视频是否包含相同的视频片段这一应用场景中,可以将图6A和图6B示出的对应关系标注为正样本。
而从6C中可以看出,相匹配的帧在两个视频中出现的先后顺序不相同。因而,在判断两个视频是否包含相同的视频片段这一应用场景中,可以将图C示出的对应关系标注为负样本。
步骤503,将训练样本集输入初始关联度模型中,基于预先设置的损失函数训练初始关联度模型,得到训练后的关联度模型。
将训练样本集输入初始关联度模型之后,可以输出训练样本中,两个视频包含相同的视频片段的概率(也即,分类信息)。
通过将分类信息与标注信息输入预先设置的损失函数,可以得出一损失值。将该损失值在卷积神经网络中反向传播,可以对卷积神经网络中的各参数进行调整。
这样一来,通过循环往复地将训练样本集输入卷积神经网络、确定损失值以及损失值的反向传播,可以不断地调整卷积神经网络中的参数,直至达到训练完成条件(例如,损失值小于某一预设的损失值阈值)。
进一步参考图7,作为对上述各图所示方法的实现,本申请提供了一种视频检测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的视频检测装置,包括关键帧序列获取单元701、时间戳生成单元702、参考时间戳获取单元703、确定单元704。
其中,关键帧序列获取单元701可被配置成获取待检测关键帧序列,其中,待检测关键帧序列中的各关键帧与预先获取的参考视频中,其中一个关键帧相匹配。
时间戳生成单元702可被配置成生成待检测关键帧序列的待检测时间戳序列,待检测时间戳序列中的各时间戳为待检测关键帧序列中,其中一个待检测关键帧的时间戳。
参考时间戳获取单元703可被配置成获取参考时间戳序列,其中,参考时间戳序列为参考视频的关键帧中,与待检测关键帧序列的其中一个待检测关键帧序列相匹配的关键帧的时间戳。
确定单元704可被配置成基于待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,确定待检测视频和参考视频的关联度。
在一些可选的实现方式中,视频检测装置还可以包括提取单元(图中未示出)和匹配度检测单元(图中未示出)。
在这些可选的实现方式中,提取单元可被配置成提取待检测视频的关键帧,生成关键帧序列。
匹配度检测单元可被配置成将关键帧序列与预先获取的参考关键帧序列进行匹配度检测,得到待检测关键帧序列和匹配参考关键帧序列。
其中,待检测关键帧序列中的待检测关键帧为关键帧序列中,与参考关键帧序列的其中一个关键帧相匹配的帧;匹配参考关键帧序列中的匹配参考关键帧为参考关键帧序列中,与其中一个待检测关键帧相匹配的帧作为匹配参考关键帧。
在一些可选的实现方式中,匹配度检测单元还可以进一步被配置成:对于关键帧序列中的关键帧,将该关键帧与参考关键帧序列中的参考关键帧输入预先训练的匹配度检测模型,以确定该关键帧与参考关键帧的匹配度。
在一些可选的实现方式中,确定单元704还可以进一步被配置成:生成待检测时间戳序列与参考时间戳序列的对应关系;将所生成的对应关系输入预先训练的关联度模型中,确定待检测视频和参考视频的关联度。
在一些可选的实现方式中,关联度模型可以通过以下方式训练得到:建立初始关联度模型;获取训练样本集,训练样本集中的训练样本包括预先生成的两个视频的对应关系,以及用于标注该两个视频的关联度的关联度标注;将训练样本集输入初始关联度模型中,基于预先设置的损失函数训练初始关联度模型,得到训练后的关联度模型。
下面参考图8,其示出了适于用来实现本申请实施例的视频检测方法的电子设备的计算机***800的结构示意图。图8示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机***800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分806加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有***800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括硬盘等的存储部分806;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分807。通信部分807经由诸如因特网的网络执行通信处理。驱动器808也根据需要连接至I/O接口805。可拆卸介质809,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器808上,以便于从其上读出的计算机程序根据需要被安装入存储部分806。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分807从网络上被下载和安装,和/或从可拆卸介质809被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言-诸如”C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图,图示了按照本申请各种实施例的***、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、或代码的一部分,该模块、程序段、或代码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。也应当注意,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,两个接连地表示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操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括关键帧序列获取单元、时间戳生成单元、参考时间戳获取单元和确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,关键帧序列获取单元还可以被描述为“获取待检测关键帧序列的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取待检测关键帧序列,其中,待检测关键帧序列中的各关键帧与预先获取的参考视频中,其中一个关键帧相匹配;生成待检测关键帧序列的待检测时间戳序列,待检测时间戳序列中的各时间戳为待检测关键帧序列中,其中一个待检测关键帧的时间戳;获取参考时间戳序列,其中,参考时间戳序列为参考视频的关键帧中,与待检测关键帧序列的其中一个待检测关键帧序列相匹配的关键帧的时间戳;基于待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,确定待检测视频和参考视频的关联度。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种视频检测方法,包括:
获取待检测关键帧序列,其中,所述待检测关键帧序列中的各关键帧与预先获取的参考视频中,其中一个关键帧相匹配;
生成所述待检测关键帧序列的待检测时间戳序列,所述待检测时间戳序列中的各时间戳为所述待检测关键帧序列中,其中一个待检测关键帧的时间戳;
获取参考时间戳序列,其中,所述参考时间戳序列为所述参考视频的关键帧中,与所述待检测关键帧序列的其中一个待检测关键帧序列相匹配的关键帧的时间戳;
基于所述待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,确定所述待检测视频和所述参考视频的关联度。
2.根据权利要求1所述的方法,其中,在所述获取待检测关键帧序列之前,所述方法还包括:
提取待检测视频的关键帧,生成关键帧序列;
将所述关键帧序列与预先获取的参考关键帧序列进行匹配度检测,得到待检测关键帧序列和匹配参考关键帧序列;
其中:
所述待检测关键帧序列中的待检测关键帧为所述关键帧序列中,与所述参考关键帧序列的其中一个关键帧相匹配的帧;
所述匹配参考关键帧序列中的匹配参考关键帧为所述参考关键帧序列中,与其中一个待检测关键帧相匹配的帧作为匹配参考关键帧。
3.根据权利要求2所述的方法,其中,所述将所述关键帧序列与预先获取的参考关键帧序列进行匹配度检测,包括:
对于关键帧序列中的关键帧,将该关键帧与所述参考关键帧序列中的参考关键帧输入预先训练的匹配度检测模型,以确定该关键帧与参考关键帧的匹配度。
4.根据权利要求1-3之一所述的方法,其中,所述基于所述待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,确定所述待检测视频和所述参考视频的关联度,包括:
生成所述待检测时间戳序列与所述参考时间戳序列的对应关系;
将所生成的对应关系输入预先训练的关联度模型中,确定所述待检测视频和所述参考视频的关联度。
5.根据权利要求4所述的方法,其中,所述关联度模型通过以下方式训练得到:
建立初始关联度模型;
获取训练样本集,所述训练样本集中的训练样本包括预先生成的两个视频的对应关系,以及用于标注该两个视频的关联度的关联度标注;
将所述训练样本集输入所述初始关联度模型中,基于预先设置的损失函数训练所述初始关联度模型,得到训练后的关联度模型。
6.一种视频检测装置,包括:
关键帧序列获取单元,被配置成获取待检测关键帧序列,其中,所述待检测关键帧序列中的各关键帧与预先获取的参考视频中,其中一个关键帧相匹配;
时间戳生成单元,被配置成生成所述待检测关键帧序列的待检测时间戳序列,所述待检测时间戳序列中的各时间戳为所述待检测关键帧序列中,其中一个待检测关键帧的时间戳;
参考时间戳获取单元,被配置成获取参考时间戳序列,其中,所述参考时间戳序列为所述参考视频的关键帧中,与所述待检测关键帧序列的其中一个待检测关键帧序列相匹配的关键帧的时间戳;
确定单元,被配置成基于所述待检测时间戳序列与所获取的参考时间戳序列之间的对应关系,确定所述待检测视频和所述参考视频的关联度。
7.根据权利要求6所述的装置,其中,所述装置还包括:
提取单元,被配置成提取待检测视频的关键帧,生成关键帧序列;
匹配度检测单元,被配置成将所述关键帧序列与预先获取的参考关键帧序列进行匹配度检测,得到待检测关键帧序列和匹配参考关键帧序列;
其中:
所述待检测关键帧序列中的待检测关键帧为所述关键帧序列中,与所述参考关键帧序列的其中一个关键帧相匹配的帧;
所述匹配参考关键帧序列中的匹配参考关键帧为所述参考关键帧序列中,与其中一个待检测关键帧相匹配的帧作为匹配参考关键帧。
8.根据权利要求7所述的装置,其中,所述匹配度检测单元进一步被配置成:
对于关键帧序列中的关键帧,将该关键帧与所述参考关键帧序列中的参考关键帧输入预先训练的匹配度检测模型,以确定该关键帧与参考关键帧的匹配度。
9.根据权利要求6-8之一所述的装置,其中,所述确定单元进一步被配置成:
生成所述待检测时间戳序列与所述参考时间戳序列的对应关系;
将所生成的对应关系输入预先训练的关联度模型中,确定所述待检测视频和所述参考视频的关联度。
10.根据权利要求9所述的装置,其中,所述关联度模型通过以下方式训练得到:
建立初始关联度模型;
获取训练样本集,所述训练样本集中的训练样本包括预先生成的两个视频的对应关系,以及用于标注该两个视频的关联度的关联度标注;
将所述训练样本集输入所述初始关联度模型中,基于预先设置的损失函数训练所述初始关联度模型,得到训练后的关联度模型。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810879285.9A CN109165574B (zh) | 2018-08-03 | 2018-08-03 | 视频检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810879285.9A CN109165574B (zh) | 2018-08-03 | 2018-08-03 | 视频检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109165574A true CN109165574A (zh) | 2019-01-08 |
CN109165574B CN109165574B (zh) | 2022-09-16 |
Family
ID=64898830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810879285.9A Active CN109165574B (zh) | 2018-08-03 | 2018-08-03 | 视频检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165574B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651636A (zh) * | 2020-03-31 | 2020-09-11 | 易视腾科技股份有限公司 | 视频相似片段搜索方法及装置 |
CN111935506A (zh) * | 2020-08-19 | 2020-11-13 | 百度时代网络技术(北京)有限公司 | 用于确定重复视频帧的方法和装置 |
CN112218146A (zh) * | 2020-10-10 | 2021-01-12 | 百度(中国)有限公司 | 视频内容发布方法及设备、服务器和介质 |
CN112866800A (zh) * | 2020-12-31 | 2021-05-28 | 四川金熊猫新媒体有限公司 | 视频内容相似性检测方法、装置、设备及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101258753A (zh) * | 2005-09-09 | 2008-09-03 | 汤姆森许可贸易公司 | 视频水印检测 |
CN102737135A (zh) * | 2012-07-10 | 2012-10-17 | 北京大学 | 基于变形敏感的软级联模型的视频拷贝检测方法及*** |
CN103514293A (zh) * | 2013-10-09 | 2014-01-15 | 北京中科模识科技有限公司 | 在视频模板库中进行视频匹配的方法 |
CN105468755A (zh) * | 2015-11-27 | 2016-04-06 | 东方网力科技股份有限公司 | 一种视频筛选存储方法和装置 |
CN106162235A (zh) * | 2016-08-17 | 2016-11-23 | 北京百度网讯科技有限公司 | 用于切换视频流的方法和装置 |
CN106649663A (zh) * | 2016-12-14 | 2017-05-10 | 大连理工大学 | 一种基于紧凑视频表征的视频拷贝检测方法 |
CN106778686A (zh) * | 2017-01-12 | 2017-05-31 | 深圳职业技术学院 | 一种基于深度学习和图论的拷贝视频检测方法和*** |
CN107168619A (zh) * | 2017-03-29 | 2017-09-15 | 腾讯科技(深圳)有限公司 | 用户生成内容处理方法和装置 |
CN107180056A (zh) * | 2016-03-11 | 2017-09-19 | 阿里巴巴集团控股有限公司 | 视频中片段的匹配方法和装置 |
US20180084310A1 (en) * | 2016-09-21 | 2018-03-22 | GumGum, Inc. | Augmenting video data to present real-time metrics |
US20180089203A1 (en) * | 2016-09-23 | 2018-03-29 | Adobe Systems Incorporated | Providing relevant video scenes in response to a video search query |
CN108228835A (zh) * | 2018-01-04 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 用于处理视频的方法和装置 |
CN108289248A (zh) * | 2018-01-18 | 2018-07-17 | 福州瑞芯微电子股份有限公司 | 一种基于内容预测的深度学习视频解码方法和装置 |
CN108337532A (zh) * | 2018-02-13 | 2018-07-27 | 腾讯科技(深圳)有限公司 | 演出片段的标注方法、视频播放方法、装置及*** |
-
2018
- 2018-08-03 CN CN201810879285.9A patent/CN109165574B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101258753A (zh) * | 2005-09-09 | 2008-09-03 | 汤姆森许可贸易公司 | 视频水印检测 |
CN102737135A (zh) * | 2012-07-10 | 2012-10-17 | 北京大学 | 基于变形敏感的软级联模型的视频拷贝检测方法及*** |
CN103514293A (zh) * | 2013-10-09 | 2014-01-15 | 北京中科模识科技有限公司 | 在视频模板库中进行视频匹配的方法 |
CN105468755A (zh) * | 2015-11-27 | 2016-04-06 | 东方网力科技股份有限公司 | 一种视频筛选存储方法和装置 |
CN107180056A (zh) * | 2016-03-11 | 2017-09-19 | 阿里巴巴集团控股有限公司 | 视频中片段的匹配方法和装置 |
CN106162235A (zh) * | 2016-08-17 | 2016-11-23 | 北京百度网讯科技有限公司 | 用于切换视频流的方法和装置 |
US20180084310A1 (en) * | 2016-09-21 | 2018-03-22 | GumGum, Inc. | Augmenting video data to present real-time metrics |
US20180089203A1 (en) * | 2016-09-23 | 2018-03-29 | Adobe Systems Incorporated | Providing relevant video scenes in response to a video search query |
CN106649663A (zh) * | 2016-12-14 | 2017-05-10 | 大连理工大学 | 一种基于紧凑视频表征的视频拷贝检测方法 |
CN106778686A (zh) * | 2017-01-12 | 2017-05-31 | 深圳职业技术学院 | 一种基于深度学习和图论的拷贝视频检测方法和*** |
CN107168619A (zh) * | 2017-03-29 | 2017-09-15 | 腾讯科技(深圳)有限公司 | 用户生成内容处理方法和装置 |
CN108228835A (zh) * | 2018-01-04 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 用于处理视频的方法和装置 |
CN108289248A (zh) * | 2018-01-18 | 2018-07-17 | 福州瑞芯微电子股份有限公司 | 一种基于内容预测的深度学习视频解码方法和装置 |
CN108337532A (zh) * | 2018-02-13 | 2018-07-27 | 腾讯科技(深圳)有限公司 | 演出片段的标注方法、视频播放方法、装置及*** |
Non-Patent Citations (8)
Title |
---|
MENGLIN JIANG 等: "Video Copy Detection Using a Soft Cascade of Multimodal Features", 《2012 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO》 * |
ZHU LIU 等: "Effective and scalable video copy detection", 《MIR "10: PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON MULTIMEDIA INFORMATION RETRIEVAL》 * |
刘健: "基于深度学习的溯源视频目标检测与识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
林莹 等: "多特征综合的视频拷贝检测", 《中国图象图形学报》 * |
王乐滋: "基于内容相似性的海量音视频数据检索研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王晓林: "基于内容的视频信息检索技术研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王晶 等: "融合局部特征和全局特征的视频拷贝检测", 《清华大学学报(自然科学版)》 * |
顾佳伟 等: "视频拷贝检测方法综述", 《计算机研究与发展》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651636A (zh) * | 2020-03-31 | 2020-09-11 | 易视腾科技股份有限公司 | 视频相似片段搜索方法及装置 |
CN111651636B (zh) * | 2020-03-31 | 2023-11-24 | 易视腾科技股份有限公司 | 视频相似片段搜索方法及装置 |
CN111935506A (zh) * | 2020-08-19 | 2020-11-13 | 百度时代网络技术(北京)有限公司 | 用于确定重复视频帧的方法和装置 |
CN112218146A (zh) * | 2020-10-10 | 2021-01-12 | 百度(中国)有限公司 | 视频内容发布方法及设备、服务器和介质 |
CN112218146B (zh) * | 2020-10-10 | 2023-02-24 | 百度(中国)有限公司 | 视频内容发布方法及设备、服务器和介质 |
CN112866800A (zh) * | 2020-12-31 | 2021-05-28 | 四川金熊猫新媒体有限公司 | 视频内容相似性检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109165574B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427939B (zh) | 模型生成方法和装置 | |
CN109165574A (zh) | 视频检测方法和装置 | |
CN109344908A (zh) | 用于生成模型的方法和装置 | |
CN108154196A (zh) | 用于输出图像的方法和装置 | |
CN108830235A (zh) | 用于生成信息的方法和装置 | |
CN108446387A (zh) | 用于更新人脸注册库的方法和装置 | |
CN107644209A (zh) | 人脸检测方法和装置 | |
CN108038880A (zh) | 用于处理图像的方法和装置 | |
CN107919129A (zh) | 用于控制页面的方法和装置 | |
CN108446651A (zh) | 人脸识别方法和装置 | |
CN109492128A (zh) | 用于生成模型的方法和装置 | |
CN109376267A (zh) | 用于生成模型的方法和装置 | |
CN109359676A (zh) | 用于生成车辆损伤信息的方法和装置 | |
CN109446990A (zh) | 用于生成信息的方法和装置 | |
CN107393541A (zh) | 信息验证方法和装置 | |
CN109308490A (zh) | 用于生成信息的方法和装置 | |
CN109145828A (zh) | 用于生成视频类别检测模型的方法和装置 | |
CN108229485A (zh) | 用于测试用户界面的方法和装置 | |
CN109447246A (zh) | 用于生成模型的方法和装置 | |
CN109976997A (zh) | 测试方法和装置 | |
CN108197592A (zh) | 信息获取方法和装置 | |
CN107958247A (zh) | 用于人脸图像识别的方法和装置 | |
CN109086780A (zh) | 用于检测电极片毛刺的方法和装置 | |
CN107943877A (zh) | 待播放多媒体内容的生成方法和装置 | |
CN107729928A (zh) | 信息获取方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |