CN109635747A - 视频封面自动抽取方法及装置 - Google Patents
视频封面自动抽取方法及装置 Download PDFInfo
- Publication number
- CN109635747A CN109635747A CN201811532062.1A CN201811532062A CN109635747A CN 109635747 A CN109635747 A CN 109635747A CN 201811532062 A CN201811532062 A CN 201811532062A CN 109635747 A CN109635747 A CN 109635747A
- Authority
- CN
- China
- Prior art keywords
- frame
- characteristic point
- video
- rank
- module
- 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
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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
- G06V20/47—Detecting features for summarising video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种视频封面自动抽取方法及装置,其中,视频封面自动抽取方法中包括:S10将视频进行解压缩得到序列帧;S20依次提取各帧的局部特征点,并计算每个特征点的强度;S30针对每帧,保留预设数量强度较强的特征点;S40对保留的特征点进行K阶量化;S50针对每帧,统计K阶特征点中每阶特征点的数量,得到各帧的特征向量;S60对所有帧的特征向量进行Kmeans聚类,并将聚集数量最多的一类作为视频的主场景;S70提取距离主场景对应类别中心点最小的一帧,并将其作为视频的封面图,实现视频封面图的自动、精确的提取,且提取的封面图能够最大程度的体现视频的内容、区别于同类型的其它视频。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种视频封面自动抽取方法及装置。
背景技术
当将视频放在网页上或手机APP(应用)上进行展示时,通常需要为视频提供一个封面图。为了尽可能的给用户提供更多的信息,封面图的选择一般需要满足两个要求:尽量能够体现视频的内容及尽量区别于同类型的其它视频的封面图。
当艺术水平要求较高时,如电影海报等,封面图通常由人工进行艺术制作,得到较为精美的海报;当艺术水平要求较低时,如网络视频,封面图通常由人工从视频中直接抽取一帧图像得到,这种方法人工成本高、速度慢且无法进行大规模自动化处理。
发明内容
针对上述现有技术的不足,本发明提供了一种视频封面自动抽取方法及装置,有效解决了现有技术中不能自动抽取最能体现视频内容的封面图的技术问题。
为了实现上述目的,本发明通过以下技术方案实现:
一种视频封面自动抽取方法,包括:
S10将视频进行解压缩得到序列帧;
S20依次提取各帧的局部特征点,并计算每个特征点的强度;
S30针对每帧,保留预设数量强度较强的特征点;
S40对保留的特征点进行K阶量化;
S50针对每帧,统计K阶特征点中每阶特征点的数量,得到各帧的特征向量;
S60对所有帧的特征向量进行Kmeans聚类,并将聚集数量最多的一类作为视频的主场景;
S70提取距离主场景对应类别中心点最小的一帧,并将其作为视频的封面图。
进一步优选的,在步骤S10之后还包括:
S11根据预设规则对解压得到的序列帧进行抽取,得到帧的集合;
在步骤S20中,依次提取集合中各帧的局部特征点。
进一步优选的,在步骤S20中,具体为:依次提取各帧的SIFT特征点或SURF特征点,并计算每个特征点的强度。
进一步优选的,在步骤S40中,进一步包括:
S41对保留的特征点进行Kmeans聚类;
S42根据聚类得到的各类别的中心点对特征点进行量化。
进一步优选的,在步骤S40中,具体为:根据预设的K阶特征点对保留的特征点进行K阶量化。
本发明还提供了一种视频封面自动抽取装置,包括:
视频解压模块,用于对视频进行解压缩得到序列帧;
特征提取模块,用于依次提取视频解压模块得到的各帧的局部特征点,并计算每个特征点的强度;
特征点保留模块,根据特征提取模块的计算结果,针对每帧,保留预设数量强度较强的特征点;
量化模块,用于对特征点保留模块保留的特征点进行K阶量化;
统计模块,用于根据量化模块的量化结果,针对每帧,统计K阶特征点中每阶特征点的数量,得到各帧的特征向量;
聚类模块,用于对统计模块统计得到的所有帧的特征向量进行Kmeans聚类,并将聚集数量最多的一类作为视频的主场景;
封面图提取模块,用于提取距离主场景对应类别中心点最小的一帧,并将其作为视频的封面图。
进一步优选的,在视频封面自动抽取装置中还包括:
帧抽取模块,用于根据预设规则对解压得到的序列帧进行抽取,得到帧的集合;
在特征提取模块中,依次提取帧抽取模块抽取的集合中各帧的局部特征点,并计算每个特征点的强度。
进一步优选的,在特征提取模块中,依次提取各帧的SIFT特征点或SURF特征点,并计算每个特征点的强度。
进一步优选的,在量化模块中,包括:
聚类单元,用于对对特征点保留模块保留的特征点进行Kmeans聚类;
量化单元,用于根据聚类单元聚类得到的各类别的中心点对特征点进行量化。
进一步优选的,在量化模块中,根据预设的K阶特征点对保留的特征点进行K阶量化。
在本发明提供的视频封面自动抽取方法及装置中,对视频解压、提取各帧的局部特征并保留了各帧中强度较强的预设数量的特征点之后,对其进行K阶量化,进而得到各帧量化的特征向量,对量化特征向量进行聚类并取聚集样本数最多的类别作为视频的主场景,提取距离主场景对应类别中心点最小的一帧作为视频的封面图,实现视频封面图的自动、精确的提取,且提取的封面图能够最大程度的体现视频的内容、区别于同类型的其它视频。
附图说明
结合附图,并通过参考下面的详细描述,将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征,其中:
图1为本发明中视频封面自动抽取方法流程示意图;
图2为本发明中SIFT特征提取过程示意图;
图3为本发明中视频封面自动抽取装置结构示意图。
100-视频封面自动抽取装置,110-视频解压模块,120-特征提取模块,130-特征点保留模块,140-量化模块,150-统计模块,160-聚类模块,170-封面图提取模块。
具体实施方式
为使本发明的内容更加清楚易懂,以下结合说明书附图,对本发明的内容作进一步说明。当然本发明并不局限于该具体实施例,本领域内的技术人员所熟知的一般替换也涵盖在本发明的保护范围内。
如图1所示为本发明提供的视频封面自动抽取方法流程示意图,从图中可以看出,在该视频封面自动抽取方法中包括:
S10将视频进行解压缩得到序列帧;
S20依次提取各帧的局部特征点,并计算每个特征点的强度;
S30针对每帧,保留预设数量强度较强的特征点;
S40对保留的特征点进行K阶量化;
S50针对每帧,统计K阶特征点中每阶特征点的数量,得到各帧的特征向量;
S60对所有帧的特征向量进行Kmeans聚类,并将聚集数量最多的一类作为视频的主场景;
S70提取距离主场景对应类别中心点最小的一帧,并将其作为视频的封面图。
在该方法中,得到需要抽取封面页的视频V之后,随即将其进行解压缩得到帧序列,V=(F1,F2,F3,...,Fn),其中,n表示视频中帧的数量,Fn表示视频中的第n帧。
得到帧序列之后,依次提取各帧的局部特征点,如提取SIFT特征点或SURF特征点等,并计算每个特征点的强度。对于局部特征点提取的算法这里不做具体限定,可以使用任意的算法进行提取,以提取SIFT特征为例,在一帧图像中通过SIFT算法计算得到多个SIFT特征点(每个特征点由一个128维的向量描述)根据该128维的向量就可以计算得到相应局部特征点的强度。如图2所示,其中,图2(a)为原始的一帧图像,使用SIFT算法提取该帧图像的SIFT特征点并计算每个SIFT特征点的强度,如图2(b)所示,具体,图中的大圈表示强度较强的SIFT特征点,小圈表示强度较弱的SIFT特征点。
计算得到每个特征点(提取的局部特征点)的强度之后,保留每帧图像中强度较强的特征点,即,针对每帧图像,将所有特征点的强度进行排序,根据预设数量的大小对局部特征点进行保留。如在一实例中,预设数量为100,则保留特征点强度排序中前100个特征点(排序由强到弱)。
针对每帧图像保留了相同数量的特征点之后,随即对各特征点进行K阶量化。
对于量化的方法,在一实施方式中,采用聚类的方法实现,具体:首先针对所有帧保留的特征点进行Kmeans聚类,得到K个聚类之后,计算得到各聚类的中心点,以此根据各聚类的中心点对所有帧保留的特征点进行K阶量化,将每个类别对应的特征点量化为该类别中心点的值。在一实例中,假定针对所有帧保留的特征点进行Kmeans聚类得到的K个聚类分别为p1,p2,...,pk(pk表示第k个类别),每个类别的中心点向量为z1,z2,...,zk(zk表示第k个类别pk的中心点向量,每个中心点向量对应一阶特征点,共k阶),在量化的过程中,将每个类别对应的特征点量化为该类别的中心点向量,如将聚类为类别pk的特征点量化为向量zk。
在另一实施方式中,根据预先预设的K阶特征点对保留的特征点进行K阶量化,如,预先将K阶特征点设定为q1,q2,...,qk,且设定规则,将某一特定区域的特征点量化某一个特征点,如将一区域的特站点量化为q1,将另一区域的特征点量化为q2等,实现所有特征点的K阶量化。要说明的是,这里我们对量化的方法不做具体限定,理论上来说,只要其能按照一定的规则将保留的特征点进行量化,即包括在本发明的内容中。
量化完成之后,针对每帧保留的特征点进行统计,得到K阶特征点中每阶特征点的数量,进而根据统计的数据得到各帧的特征向量。具体,若K阶特征点分别为q1,q2,...,qk,在一帧中,统计到量化为第一阶特征q1的特征点数量为N1,量化为第二阶特征q2的特征点数量为N2,…,量化为第k阶特征qk的特征点数量为Nk,则该帧的特征向量为(N1,N2,...,Nk),以此得到每帧的特征向量。
得到每帧的特征向量之后,对各帧的特征向量进行Kmeans聚类,得到C个类别,C=(A1,A2,...,Ac),其中,Ac表示第c个类别。对每个类别中的样本数量(各帧对应的特征向量)进行统计,将样本数量最多的一类作为视频V的主场景,并得到该类别中心点的特征向量(N1c,N2c,...,Nkc)。
最后,计算视频V中所有帧与特征向量(N1c,N2c,...,Nkc)的欧氏距离并进行比较,将距离最近的一帧作为视频的封面图,完成视频封面图的自动抽取。
在其他实施方式中,若视频的帧序列数量较为庞大,在解压缩得到视频的帧序列之后,根据预设规则对解压得到的序列帧进行抽取,得到帧的集合,之后根据该集合中包含的帧进行封面图的自动抽取,以减少计算量。对于预设规则,可以根据实际情况进行设定,如,每隔1s(秒)抽取一帧,抽取的范围可以为视频中的所有帧,也可以为视频中的部分帧(视频中具代表性的一段内容)。
本发明还提供了一种视频封面自动抽取装置,如图3所示,该视频封面自动抽取装置100中包括:
视频解压模块110,用于对视频进行解压缩得到序列帧;
特征提取模块120,用于依次提取视频解压模块110得到的各帧的局部特征点,并计算每个特征点的强度;
特征点保留模块130,根据特征提取模块120的计算结果,针对每帧,保留预设数量强度较强的特征点;
量化模块140,用于对特征点保留模块130保留的特征点进行K阶量化;
统计模块150,用于根据量化模块140的量化结果,针对每帧,统计K阶特征点中每阶特征点的数量,得到各帧的特征向量;
聚类模块160,用于对统计模块150统计得到的所有帧的特征向量进行Kmeans聚类,并将聚集数量最多的一类作为视频的主场景;
封面图提取模块170,用于提取距离主场景对应类别中心点最小的一帧,并将其作为视频的封面图。
在该装置100中,得到需要抽取封面页的视频V之后,视频解压模块110随即将其进行解压缩得到帧序列,V=(F1,F2,F3,...,Fn),其中,n表示视频中帧的数量,Fn表示视频中的第n帧。
得到帧序列之后,特征提取模块120依次提取各帧的局部特征点,如提取SIFT特征点或SURF特征点等,并计算每个特征点的强度。对于局部特征点提取的算法这里不做具体限定,可以使用任意的算法进行提取,以提取SIFT特征为例,在一帧图像中通过SIFT算法计算得到多个SIFT特征点(每个特征点由一个128维的向量描述)根据该128维的向量就可以计算得到相应局部特征点的强度。如图2所示,其中,图2(a)为原始的一帧图像,使用SIFT算法提取该帧图像的SIFT特征点并计算每个SIFT特征点的强度,如图2(b)所示,具体,图中的大圈表示强度较强的SIFT特征点,小圈表示强度较弱的SIFT特征点。
计算得到每个特征点(提取的局部特征点)的强度之后,特征点保留模块130保留每帧图像中强度较强的特征点,即,针对每帧图像,将所有特征点的强度进行排序,根据预设数量的大小对局部特征点进行保留。如在一实例中,预设数量为100,则保留特征点强度排序中前100个特征点(排序由强到弱),这里对预设数量的具体值不做限定,可以根据实际情况设定,如设定为50、80、120、150、200甚至更大。
针对每帧图像保留了相同数量的特征点之后,量化模块140随即对各特征点进行K阶量化。
对于量化的方法,在一实施方式中,采用聚类的方法实现,具体:首先聚类单元针对所有帧保留的特征点进行Kmeans聚类,得到K个聚类之后,计算得到各聚类的中心点,以此量化单元根据各聚类的中心点对所有帧保留的特征点进行K阶量化,将每个类别对应的特征点量化为该类别中心点的值。在一实例中,假定针对所有帧保留的特征点进行Kmeans聚类得到的K个聚类分别为p1,p2,...,pk(pk表示第k个类别),每个类别的中心点向量为z1,z2,...,zk(zk表示第k个类别pk的中心点向量,每个中心点向量对应一阶特征点,共k阶),在量化的过程中,将每个类别对应的特征点量化为该类别的中心点向量,如将聚类为类别pk的特征点量化为向量zk。
在另一实施方式中,根据预先预设的K阶特征点对保留的特征点进行K阶量化,如,预先将K阶特征点设定为q1,q2,...,qk,且设定规则,将某一特定区域的特征点量化某一个特征点,如将一区域的特站点量化为q1,将另一区域的特征点量化为q2等,实现所有特征点的K阶量化。要说明的是,这里我们对量化的方法不做具体限定,理论上来说,只要其能按照一定的规则将保留的特征点进行量化,即包括在本发明的内容中。
量化完成之后,统计模块150针对每帧保留的特征点进行统计,得到K阶特征点中每阶特征点的数量,进而根据统计的数据得到各帧的特征向量。具体,若K阶特征点分别为q1,q2,...,qk,在一帧中,统计到量化为第一阶特征q1的特征点数量为N1,量化为第二阶特征q2的特征点数量为N2,…,量化为第k阶特征qk的特征点数量为Nk,则该帧的特征向量为(N1,N2,...,Nk),以此得到每帧的特征向量。
得到每帧的特征向量之后,聚类模块160对各帧的特征向量进行Kmeans聚类,得到C个类别,C=(A1,A2,...,Ac),其中,Ac表示第c个类别。对每个类别中的样本数量(各帧对应的特征向量)进行统计,将样本数量最多的一类作为视频V的主场景,并得到该类别中心点的特征向量(N1c,N2c,...,Nkc)。
最后,封面图提取模块170计算视频V中所有帧与特征向量(N1c,N2c,...,Nkc)的欧氏距离并进行比较,将距离最近的一帧作为视频的封面图,完成视频封面图的自动抽取。
在其他实施方式中,若视频的帧序列数量较为庞大,视频封面自动抽取装置100中还设定帧抽取模块,在解压缩得到视频的帧序列之后,帧抽取模块根据预设规则对解压得到的序列帧进行抽取,得到帧的集合,之后根据该集合中包含的帧进行封面图的自动抽取,以减少计算量。对于预设规则,可以根据实际情况进行设定,如,每隔1s(秒)抽取一帧,抽取的范围可以为视频中的所有帧,也可以为视频中的部分帧(视频中具代表性的一段内容)。
Claims (10)
1.一种视频封面自动抽取方法,其特征在于,包括:
S10将视频进行解压缩得到序列帧;
S20依次提取各帧的局部特征点,并计算每个特征点的强度;
S30针对每帧,保留预设数量强度较强的特征点;
S40对保留的特征点进行K阶量化;
S50针对每帧,统计K阶特征点中每阶特征点的数量,得到各帧的特征向量;
S60对所有帧的特征向量进行Kmeans聚类,并将聚集数量最多的一类作为视频的主场景;
S70提取距离主场景对应类别中心点最小的一帧,并将其作为视频的封面图。
2.如权利要求1所述的视频封面自动抽取方法,其特征在于,在步骤S10之后还包括:
S11根据预设规则对解压得到的序列帧进行抽取,得到帧的集合;
在步骤S20中,依次提取集合中各帧的局部特征点。
3.如权利要求1所述的视频封面自动抽取方法,其特征在于,在步骤S20中,具体为:依次提取各帧的SIFT特征点或SURF特征点,并计算每个特征点的强度。
4.如权利要求1或2或4所述的视频封面自动抽取方法,其特征在于,在步骤S40中,进一步包括:
S41对保留的特征点进行Kmeans聚类;
S42根据聚类得到的各类别的中心点对特征点进行量化。
5.如权利要求1或2或3所述的视频封面自动抽取方法,其特征在于,在步骤S40中,具体为:根据预设的K阶特征点对保留的特征点进行K阶量化。
6.一种视频封面自动抽取装置,其特征在于,包括:
视频解压模块,用于对视频进行解压缩得到序列帧;
特征提取模块,用于依次提取视频解压模块得到的各帧的局部特征点,并计算每个特征点的强度;
特征点保留模块,根据特征提取模块的计算结果,针对每帧,保留预设数量强度较强的特征点;
量化模块,用于对特征点保留模块保留的特征点进行K阶量化;
统计模块,用于根据量化模块的量化结果,针对每帧,统计K阶特征点中每阶特征点的数量,得到各帧的特征向量;
聚类模块,用于对统计模块统计得到的所有帧的特征向量进行Kmeans聚类,并将聚集数量最多的一类作为视频的主场景;
封面图提取模块,用于提取距离主场景对应类别中心点最小的一帧,并将其作为视频的封面图。
7.如权利要求6所述的视频封面自动抽取装置,其特征在于,在视频封面自动抽取装置中还包括:
帧抽取模块,用于根据预设规则对解压得到的序列帧进行抽取,得到帧的集合;
在特征提取模块中,依次提取帧抽取模块抽取的集合中各帧的局部特征点,并计算每个特征点的强度。
8.如权利要求6所述的视频封面自动抽取装置,其特征在于,在特征提取模块中,依次提取各帧的SIFT特征点或SURF特征点,并计算每个特征点的强度。
9.如权利要求6或7或8所述的视频封面自动抽取装置,其特征在于,在量化模块中,包括:
聚类单元,用于对对特征点保留模块保留的特征点进行Kmeans聚类;
量化单元,用于根据聚类单元聚类得到的各类别的中心点对特征点进行量化。
10.如权利要求6或7或8所述的视频封面自动抽取装置,其特征在于,在量化模块中,根据预设的K阶特征点对保留的特征点进行K阶量化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811532062.1A CN109635747A (zh) | 2018-12-14 | 2018-12-14 | 视频封面自动抽取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811532062.1A CN109635747A (zh) | 2018-12-14 | 2018-12-14 | 视频封面自动抽取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109635747A true CN109635747A (zh) | 2019-04-16 |
Family
ID=66074026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811532062.1A Pending CN109635747A (zh) | 2018-12-14 | 2018-12-14 | 视频封面自动抽取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635747A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021004247A1 (zh) * | 2019-07-11 | 2021-01-14 | 北京字节跳动网络技术有限公司 | 视频封面生成方法、装置及电子设备 |
CN113301422A (zh) * | 2021-05-24 | 2021-08-24 | 腾讯音乐娱乐科技(深圳)有限公司 | 获取视频封面的方法、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063706A (zh) * | 2014-06-27 | 2014-09-24 | 电子科技大学 | 一种基于surf算法的视频指纹提取方法 |
CN107220585A (zh) * | 2017-03-31 | 2017-09-29 | 南京邮电大学 | 一种基于多特征融合镜头聚类的视频关键帧提取方法 |
CN107527010A (zh) * | 2017-07-13 | 2017-12-29 | 央视国际网络无锡有限公司 | 一种根据局部特征和运动矢量抽取视频基因的方法 |
-
2018
- 2018-12-14 CN CN201811532062.1A patent/CN109635747A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063706A (zh) * | 2014-06-27 | 2014-09-24 | 电子科技大学 | 一种基于surf算法的视频指纹提取方法 |
CN107220585A (zh) * | 2017-03-31 | 2017-09-29 | 南京邮电大学 | 一种基于多特征融合镜头聚类的视频关键帧提取方法 |
CN107527010A (zh) * | 2017-07-13 | 2017-12-29 | 央视国际网络无锡有限公司 | 一种根据局部特征和运动矢量抽取视频基因的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021004247A1 (zh) * | 2019-07-11 | 2021-01-14 | 北京字节跳动网络技术有限公司 | 视频封面生成方法、装置及电子设备 |
CN113301422A (zh) * | 2021-05-24 | 2021-08-24 | 腾讯音乐娱乐科技(深圳)有限公司 | 获取视频封面的方法、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160008B (zh) | 一种定位推荐用户的方法及装置 | |
CN110070101B (zh) | 植物种类的识别方法及装置、存储介质、计算机设备 | |
CN103984741B (zh) | 用户属性信息提取方法及其*** | |
CN110147483B (zh) | 一种标题重建方法及装置 | |
CN107180074A (zh) | 一种视频分类方法及装置 | |
CN107894998B (zh) | 视频推荐方法及装置 | |
CN105005593B (zh) | 多用户共用设备的场景识别方法和装置 | |
CN103577593B (zh) | 一种基于微博热门话题的视频聚合方法及*** | |
CN103763585B (zh) | 一种用户特征信息获取方法、装置和终端设备 | |
CN105893443A (zh) | 视频推荐方法、装置和服务器 | |
CN110399490A (zh) | 一种弹幕文本分类方法、装置、设备及存储介质 | |
CN107343220A (zh) | 数据处理方法、装置和终端设备 | |
CN108932451A (zh) | 音视频内容分析方法及装置 | |
CN103605714B (zh) | 网站异常数据的识别方法及装置 | |
CN104573304A (zh) | 一种基于信息熵和聚类分群的用户质态评估方法 | |
CN104484435B (zh) | 交叉分析用户行为的方法 | |
CN106357416A (zh) | 一种群信息推荐方法、装置及终端 | |
CN105447147A (zh) | 一种数据处理方法及装置 | |
CN111767430B (zh) | 视频资源推送方法、视频资源推送装置及存储介质 | |
CN109635747A (zh) | 视频封面自动抽取方法及装置 | |
CN110969170A (zh) | 一种图像主题色提取方法、装置及电子设备 | |
CN107577655A (zh) | 名称获取方法和装置 | |
CN105279206A (zh) | 一种智能推荐方法和*** | |
CN112101692A (zh) | 移动互联网质差用户的识别方法及装置 | |
CN103501460B (zh) | 一种节目的分类方法及装置 |
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 |