CN113569096A - 结构化信息抽取方法、装置、设备以及存储介质 - Google Patents
结构化信息抽取方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113569096A CN113569096A CN202110838172.6A CN202110838172A CN113569096A CN 113569096 A CN113569096 A CN 113569096A CN 202110838172 A CN202110838172 A CN 202110838172A CN 113569096 A CN113569096 A CN 113569096A
- Authority
- CN
- China
- Prior art keywords
- video
- sports event
- information
- segment
- highlight
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 239000000463 material Substances 0.000 claims abstract description 14
- 238000012916 structural analysis Methods 0.000 claims abstract description 14
- 238000012015 optical character recognition Methods 0.000 claims abstract description 7
- 230000009471 action Effects 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 24
- 238000003058 natural language processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000000386 athletic effect Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 239000012634 fragment Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了结构化信息抽取方法、装置、设备、存储介质以及程序产品，涉及人工智能领域，尤其涉及计算机视觉和深度学习领域。具体实现方案为：对体育赛事视频进行光学字符识别，得到体育赛事信息；基于体育赛事信息，对体育赛事视频中的运动目标进行跟踪，得到运动目标的位置信息；从体育赛事视频中提取精彩动作片段；基于运动目标的位置信息，对精彩动作片段进行结构化分析，得到精彩动作片段的结构化信息。本公开可以智能分析体育赛事视频，形成结构化数据，为体育赛事锦集提供高质量的素材，有助于完成体育赛事的快速内容创作。
Description
技术领域
本公开涉及人工智能领域，尤其涉及计算机视觉和深度学习领域，具体涉及一种结构化信息抽取方法、装置、设备以及存储介质。
背景技术
随着短视频热潮的兴起，激发了人们对于短而精的视频内容的强烈需求。对于体育比赛视频，相对于完整而冗长的原始体育比赛视频内容，更多人选择通过观看视频集锦完成对比赛内容的信息接收。以足球比赛为例，作为全球第一大体育运动之一的足球赛事越来越正规，这其中，足球赛事视频的精彩剪辑和分发也越来越常见。
目前，足球精彩集锦主要是人工编辑制作，足球赛事的编辑们根据个人经验，挖掘用户兴趣点，找到相关视频，使用剪辑软件进行精彩片段的剪辑。
发明内容
本公开提供了一种结构化信息抽取方法、装置、设备、存储介质以及程序产品。
根据本公开的第一方面，提供了一种结构化信息抽取方法，包括：对体育赛事视频进行光学字符识别，得到体育赛事信息；基于体育赛事信息，对体育赛事视频中的运动目标进行跟踪，得到运动目标的位置信息；从体育赛事视频中提取精彩动作片段；基于运动目标的位置信息，对精彩动作片段进行结构化分析，得到精彩动作片段的结构化信息。
根据本公开的第二方面，提供了一种结构化信息抽取装置，包括：信息识别模块，被配置成对体育赛事视频进行光学字符识别，得到体育赛事信息；位置跟踪模块，被配置成基于体育赛事信息，对体育赛事视频中的运动目标进行跟踪，得到运动目标的位置信息；片段提取模块，被配置成从体育赛事视频中提取精彩动作片段；结构化分析模块，被配置成基于运动目标的位置信息，对精彩动作片段进行结构化分析，得到精彩动作片段的结构化信息。
根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开可以智能分析体育赛事视频，形成结构化数据，为体育赛事锦集提供高质量的素材，有助于完成体育赛事的快速内容创作。且无需人工参与，节省人力成本和时间成本。本公开提供的结构化信息抽取方法高效，并且扩展性和复制性高。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开的结构化信息抽取方法的一个实施例的流程图；
图2是根据本公开的结构化信息抽取方法的又一个实施例的流程图；
图3是时序动作检测模型的结构示意图；
图4是时序动作检测模型提取精彩动作片段的流程图；
图5是精彩视频片段检索与合成的流程图；
图6是根据本公开的结构化信息抽取装置的一个实施例的结构示意图；
图7是用来实现本公开实施例的结构化信息抽取方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本公开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公开。
图1示出了根据本公开的结构化信息抽取方法的一个实施例的流程100。该结构化信息抽取方法包括以下步骤：
步骤101，对体育赛事视频进行光学字符识别，得到体育赛事信息。
在本实施例中，结构化信息抽取方法的执行主体可以对体育赛事视频进行OCR(Optical Character Recognition，光学字符识别)分析，得到体育赛事信息。
其中，体育赛事一般指比较有规模有级别的正规比赛，因此，体育赛事视频一般比较规范且具有明显规律。例如球类比赛视频，包括但不限于足球比赛视频、篮球比赛视频、排球比赛视频等等。通常，使用字符识别模型，可以识别出体育赛事视频中的体育赛事信息。其中，体育赛事信息可以包括但不限于体育赛事名、比赛时间、比赛地点、比赛球队和运动员号码等等任意中的一个或多个。
步骤102，基于体育赛事信息，对体育赛事视频中的运动目标进行跟踪，得到运动目标的位置信息。
在本实施例中，上述执行主体可以基于体育赛事信息，对体育赛事视频中的运动目标进行跟踪，得到运动目标的位置信息。
其中，运动目标可以是体育赛事视频中的指定目标。以球类比赛视频为例，运动目标可以包括运动员和/或球。根据体育赛事信息，可以定位到具体的运动目标。然后对体育赛事视频中的运动目标进行跟踪，即可得到运动目标的位置信息。运动目标的位置信息可以是运动目标的轨迹。以球类比赛视频为例，对球类比赛视频中的运动员和球分别进行跟踪，能够得到运动员轨迹和球轨迹。
步骤103，从体育赛事视频中提取精彩动作片段。
在本实施例中，上述执行主体可以从体育赛事视频中提取精彩动作片段。
其中，精彩动作片段可以通过以下方式至少之一确定：检测是否体育赛事视频中出现特定类型动作，将其所在的视频片段作为精彩动作片段。例如，对体育赛事视频进行动作识别，存在特定类型动作的视频片段即可作为精彩动作片段。以足球比赛视频为例，特定类型动作可以包括但不限于射门、进球、角球、任意球、点球、黄牌、红牌、换人、球外界、球门球、越位、铲球、精彩过人和回放等等。或者，可以是对体育赛事视频中的音频信息进行识别，检测是否出现符合预设特征的音频信息，将符合预设特征的音频信息所对应的视频片段作为精彩动作片段。例如，符合预设特征的音频信息用于表征欢呼声、呐喊声、乐器(如喇叭)声等。
步骤104，基于运动目标的位置信息，对精彩动作片段进行结构化分析，得到精彩动作片段的结构化信息。
在本实施例中，上述执行主体可以基于运动目标的位置信息，对精彩动作片段进行结构化分析，得到精彩动作片段的结构化信息。
其中，精彩动作片段的结构化信息是指精彩动作人物的信息经过分析后可分解成多个互相关联的组成部分，各组成部分间有明确的层次结构。通常，对于精彩动作片段，结合运动目标的位置信息，可以判断出这个精彩动作的核心人物，从而实现精彩片段的结构化分析。
本公开可以智能分析体育赛事视频，形成结构化数据，为体育赛事锦集提供高质量的素材，有助于完成体育赛事的快速内容创作。且无需人工参与，节省人力成本和时间成本。本公开提供的结构化信息抽取方法高效，并且扩展性和复制性高。
继续参考图2，其示出了根据本公开的结构化信息抽取方法的又一个实施例的流程200。该结构化信息抽取方法包括以下步骤：
步骤201，对体育赛事视频进行光学字符识别，得到体育赛事信息。
在本实施例中，步骤201具体操作已在图1所示的实施例中步骤101进行了详细的介绍，在此不再赘述。
步骤202，将体育赛事信息和体育赛事视频输入至预先训练的实时目标检测模型，得到运动目标的位置信息。
在本实施例中，结构化信息抽取方法的执行主体可以将体育赛事信息和体育赛事视频输入至预先训练的实时目标检测模型，得到运动目标的位置信息。
其中，实时目标检测模型可以用于检测体育赛事视频中的运动目标的位置。实时目标检测模型可以是深度学习模型(如yolo-v3)，对体育赛事视频中的运动目标进行有效检测。
步骤203，将体育赛事视频输入至预先训练的时序动作检测模型，得到精彩动作片段。
在本实施例中，上述执行主体可以将体育赛事视频输入至预先训练的时序动作检测模型，得到精彩动作片段。
其中，时序动作检测模型可以是使用深度学习网络设计开发的模型，用对体育赛事视频中的精彩动作片段进行有效检测和识别。
步骤204，基于运动目标的位置信息，对精彩动作片段进行结构化分析，得到精彩动作片段的结构化信息。
在本实施例中，步骤204具体操作已在图1所示的实施例中步骤104进行了详细的介绍，在此不再赘述。
从图2中可以看出，与图1对应的实施例相比，本实施例中的结构化信息抽取方法突出了运动目标跟踪步骤和精彩动作片段检测步骤。由此，本实施例描述的方案采用人工智能方法全自动分析提取精彩动作片段，做到全自动、更全面的精彩锦集制作。
进一步参考图3，其示出了时序动作检测模型的结构示意图。如图3所示，时序动作检测模型可以包括时序偏移模块深度学习网络、音频提取网络、自然语言处理网络结构和图结构。其中，时序偏移模块深度学习网络可以例如是TSM(Temporal Shift Module，时序偏移模块)，用于提取视频的图像特征。音频提取网络可以例如是vggish，一种开源的音频提取网络，用于提取视频的音频特征。自然语言处理网络结构和图结构级联，可以例如是Transformer+graph，结合图像特征和音频特征，使用图结构和Transformer网络结构，深度剖析视频的时序特征。在时序特征提取后连接至少一个损失函数(loss)，例如分类损失函数(分类loss)、第一回归损失函数(回归loss1)和/或第二回归损害函数(回归loss2)。分类损失函数可以用于精彩动作片段的分类，区分进球、角球等。第一回归损失函数可以用于精彩动作片段的开始和结束时间判断，计算精彩动作片段的起止时间点。第二回归损失函数可以用于对精彩动作片段的精彩程度打分。
进一步参考图4，其示出了时序动作检测模型提取精彩动作片段的流程400，包括以下步骤：
步骤401，将体育赛事视频分别输入至时序偏移模块深度学习网络和音频提取网络，得到体育赛事视频的图像特征和音频特征。
在本实施例中，时序偏移模块深度学习网络和音频提取网络是时序动作检测模型的两个分支。将体育赛事视频分别输入至时序偏移模块深度学习网络和音频提取网络，时序偏移模块深度学习网络可以从体育赛事视频中提取图像特征，音频提取网络可以从体育赛事视频中提取音频特征。
步骤402，将图像特征和音频特征同时输入至级联的自然语言处理网络结构和图结构，得到体育赛事视频的时序特征。
在本实施例中，时序偏移模块深度学习网络提取的图像特征和音频提取网络提取的音频特征可以同时输入至级联的自然语言处理网络结构和图结构。自然语言处理网络结构和图结构可以结合图像特征和音频特征，使用图结构和自然语言处理网络结构，深度剖析视频的时序特征。
步骤403，将时序特征分别输入至分类损失函数、第一回归损失函数和/或第二回归损失函数，得到精彩动作片段的类别、起止时间点和/或精彩程度得分。
在本实施例中，在时序特征提取后连接至少一个个损失函数，例如分类损失函数、第一回归损失函数和/或第二回归损害函数。将时序特征分别输入至分类损失函数、第一回归损失函数和/或第二回归损失函数。分类损失函数可以分类出精彩动作片段的类别。第一回归损失函数可以计算出精彩动作片段的起止时间点。第二回归损失函数可以打分出精彩动作片段的精彩程度得分。
本公开采用人工智能方法全自动分析提取精彩动作片段，结合图像特征和音频特征，可以深度剖析视频的时序特征。并且基于至少一个损失函数确定的类别、起止时间点和/或精彩程度得分，提取精彩动作片段，准确度更高。
进一步参考图5，其示出了精彩视频片段检索与合成的流程500，包括如下步骤：
步骤501，接收用户输入的目标精彩视频片段搜索请求。
在本实施例中，用户可以根据自己的需求输入目标精彩视频片段搜搜请求。其中，目标精彩视频片段搜索请求通常是目标精彩视频片段的名称。
步骤502，从目标精彩视频片段搜索请求中提取关键词。
在本实施例中，从目标精彩视频片段请求中可以提取出关键词，例如比赛时间、体育赛事名、运动员名、精彩视频片段类型、核心人物等等。
步骤503，将关键词在结构化素材库中进行检索，得到至少一个目标精彩动作片段的结构化信息。
在本实施例中，将关键词在结构化素材库中进行检索，可以得到至少一个目标精彩动作片段的结构化信息。其中，结构化素材库可以用于存储精彩动作片段的结构化信息。检索得到的至少一个目标精彩动作片段的结构化信息可以按照精彩程度进行排序输出。
步骤504，基于至少一个目标精彩动作片段的结构化信息，合成并输出目标精彩视频片段。
在本实施例中，检索得到的至少一个目标精彩动作片段的结构化信息可以作为素材，合成并输出目标精彩视频片段。
本公开采用人工智能方法全自动分析提取精彩动作片段，并进行结构化信息存储，生成素材库，将智能创作过程变为根据输入语句进行简单的检索与合成过程，做到全自动、更全面的足球精彩集锦制作。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种结构化信息抽取装置的一个实施例，该装置实施例与图1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6所示，本实施例的结构化信息抽取装置600可以包括：信息识别模块601、位置跟踪模块602、片段提取模块603和结构化分析模块604。其中，信息识别模块601，被配置成对体育赛事视频进行光学字符识别，得到体育赛事信息；位置跟踪模块602，被配置成基于体育赛事信息，对体育赛事视频中的运动目标进行跟踪，得到运动目标的位置信息；片段提取模块603，被配置成从体育赛事视频中提取精彩动作片段；结构化分析模块604，被配置成基于运动目标的位置信息，对精彩动作片段进行结构化分析，得到精彩动作片段的结构化信息。
在本实施例中，结构化信息抽取装置600中：信息识别模块601、位置跟踪模块602、片段提取模块603和结构化分析模块604的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-104的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，位置跟踪模块602进一步被配置成：将体育赛事信息和体育赛事视频输入至预先训练的实时目标检测模型，得到运动目标的位置信息。
在本实施例的一些可选的实现方式中，片段提取模块603包括：片段提取子模块，被配置成将体育赛事视频输入至预先训练的时序动作检测模型，得到精彩动作片段。
在本实施例的一些可选的实现方式中，时序动作检测模型包括时序偏移模块深度学习网络、音频提取网络、自然语言处理网络结构和图结构；以及片段提取子模块进一步被配置成：将体育赛事视频分别输入至时序偏移模块深度学习网络和音频提取网络，得到体育赛事视频的图像特征和音频特征；将图像特征和音频特征同时输入至级联的自然语言处理网络结构和图结构，得到体育赛事视频的时序特征；将时序特征分别输入至分类损失函数、第一回归损失函数和/或第二回归损失函数，得到精彩动作片段的类别、起止时间点和/或精彩程度得分。
在本实施例的一些可选的实现方式中，结构化信息抽取装置600还包括：请求接收模块，被配置成接收用户输入的目标精彩视频片段搜索请求；关键词提取模块，被配置成从目标精彩视频片段搜索请求中提取关键词；信息检索模块，被配置成基于关键词在结构化素材库中进行检索，得到至少一个目标精彩动作片段的结构化信息，其中，结构化素材库用于存储精彩动作片段的结构化信息；片段合成模块，被配置成基于至少一个目标精彩动作片段的结构化信息，合成并输出目标精彩视频片段。
在本实施例的一些可选的实现方式中，体育赛事视频是球类比赛视频，体育赛事信息包括以下至少一项：体育赛事名、比赛时间、比赛地点和比赛球队；和/或运动目标包括运动员和/或球。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如结构化信息抽取方法。例如，在一些实施例中，结构化信息抽取方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的结构化信息抽取方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行结构化信息抽取方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (15)
1.一种结构化信息抽取方法，包括：
对体育赛事视频进行光学字符识别，得到体育赛事信息；
基于所述体育赛事信息，对所述体育赛事视频中的运动目标进行跟踪，得到所述运动目标的位置信息；
从所述体育赛事视频中提取精彩动作片段；
基于所述运动目标的位置信息，对所述精彩动作片段进行结构化分析，得到所述精彩动作片段的结构化信息。
2.根据权利要求1所述的方法，其中，所述基于所述体育赛事信息，对所述体育赛事视频中的运动目标进行跟踪，得到所述运动目标的位置信息，包括：
将所述体育赛事信息和所述体育赛事视频输入至预先训练的实时目标检测模型，得到所述运动目标的位置信息。
3.根据权利要求1所述的方法，其中，所述从所述体育赛事视频中提取精彩动作片段，包括：
将所述体育赛事视频输入至预先训练的时序动作检测模型，得到所述精彩动作片段。
4.根据权利要求3所述的方法，其中，所述时序动作检测模型包括时序偏移模块深度学习网络、音频提取网络、自然语言处理网络结构和图结构；以及
所述将所述体育赛事视频输入至预先训练的时序动作检测模型，得到所述精彩动作片段，包括：
将所述体育赛事视频分别输入至所述时序偏移模块深度学习网络和所述音频提取网络，得到所述体育赛事视频的图像特征和音频特征；
将所述图像特征和所述音频特征同时输入至级联的所述自然语言处理网络结构和图结构，得到所述体育赛事视频的时序特征；
将所述时序特征分别输入至分类损失函数、第一回归损失函数和/或第二回归损失函数，得到所述精彩动作片段的类别、起止时间点和/或精彩程度得分。
5.根据权利要求1-4中任一项所述的方法，其中，所述方法还包括：
接收用户输入的目标精彩视频片段搜索请求；
从所述目标精彩视频片段搜索请求中提取关键词；
基于所述关键词在结构化素材库中进行检索，得到至少一个目标精彩动作片段的结构化信息，其中，所述结构化素材库用于存储精彩动作片段的结构化信息；
基于所述至少一个目标精彩动作片段的结构化信息，合成并输出目标精彩视频片段。
6.根据权利要求1-5中任一项所述的方法，其中，所述体育赛事视频是球类比赛视频，
所述体育赛事信息包括以下至少一项：体育赛事名、比赛时间、比赛地点和比赛球队；和/或，
所述运动目标包括运动员和/或球。
7.一种结构化信息抽取装置，包括：
信息识别模块，被配置成对体育赛事视频进行光学字符识别，得到体育赛事信息；
位置跟踪模块，被配置成基于所述体育赛事信息，对所述体育赛事视频中的运动目标进行跟踪，得到所述运动目标的位置信息；
片段提取模块，被配置成从所述体育赛事视频中提取精彩动作片段；
结构化分析模块，被配置成基于所述运动目标的位置信息，对所述精彩动作片段进行结构化分析，得到所述精彩动作片段的结构化信息。
8.根据权利要求7所述的装置，其中，所述位置跟踪模块进一步被配置成：
将所述体育赛事信息和所述体育赛事视频输入至预先训练的实时目标检测模型，得到所述运动目标的位置信息。
9.根据权利要求8所述的装置，其中，所述片段提取模块包括：
片段提取子模块，被配置成将所述体育赛事视频输入至预先训练的时序动作检测模型，得到所述精彩动作片段。
10.根据权利要求9所述的装置，其中，所述时序动作检测模型包括时序偏移模块深度学习网络、音频提取网络、自然语言处理网络结构和图结构；以及
所述片段提取子模块进一步被配置成：
将所述体育赛事视频分别输入至所述时序偏移模块深度学习网络和所述音频提取网络，得到所述体育赛事视频的图像特征和音频特征；
将所述图像特征和所述音频特征同时输入至级联的所述自然语言处理网络结构和图结构，得到所述体育赛事视频的时序特征；
将所述时序特征分别输入至分类损失函数、第一回归损失函数和/或第二回归损失函数，得到所述精彩动作片段的类别、起止时间点和/或精彩程度得分。
11.根据权利要求7-10中任一项所述的装置，其中，所述装置还包括：
请求接收模块，被配置成接收用户输入的目标精彩视频片段搜索请求；
关键词提取模块，被配置成从所述目标精彩视频片段搜索请求中提取关键词；
信息检索模块，被配置成基于所述关键词在结构化素材库中进行检索，得到至少一个目标精彩动作片段的结构化信息，其中，所述结构化素材库用于存储精彩动作片段的结构化信息；
片段合成模块，被配置成基于所述至少一个目标精彩动作片段的结构化信息，合成并输出所述目标精彩视频片段。
12.根据权利要求7-11中任一项所述的装置，其中，所述体育赛事视频是球类比赛视频，所述体育赛事信息包括以下至少一项：体育赛事名、比赛时间、比赛地点和比赛球队；和/或
所述运动目标包括运动员和/或球。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110838172.6A CN113569096B (zh) | 2021-07-23 | 2021-07-23 | 结构化信息抽取方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110838172.6A CN113569096B (zh) | 2021-07-23 | 2021-07-23 | 结构化信息抽取方法、装置、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113569096A true CN113569096A (zh) | 2021-10-29 |
| CN113569096B CN113569096B (zh) | 2024-03-29 |
Family
ID=78166855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110838172.6A Active CN113569096B (zh) | 2021-07-23 | 2021-07-23 | 结构化信息抽取方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113569096B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101778260A (zh) * | 2009-12-29 | 2010-07-14 | 公安部第三研究所 | 一种基于结构化描述的视频监控管理方法及*** |
| CN102929903A (zh) * | 2012-07-04 | 2013-02-13 | 北京中盾安全技术开发公司 | 一种基于视频信息分层结构化描述的快速视频检索方法 |
| US20140255003A1 (en) * | 2013-03-05 | 2014-09-11 | Google Inc. | Surfacing information about items mentioned or presented in a film in association with viewing the film |
| CN107291910A (zh) * | 2017-06-26 | 2017-10-24 | 图麟信息科技（深圳）有限公司 | 一种视频片段结构化查询方法、装置及电子设备 |
| CN109345568A (zh) * | 2018-09-19 | 2019-02-15 | 深圳市赢世体育科技有限公司 | 基于计算机视觉算法的运动场智能化实现方法及*** |
| CN109740123A (zh) * | 2018-12-21 | 2019-05-10 | 北京信息科技大学 | 使用实时数据生成体育赛事战报的方法 |
| CN110012348A (zh) * | 2019-06-04 | 2019-07-12 | 成都索贝数码科技股份有限公司 | 一种赛事节目自动集锦***及方法 |
| CN110008298A (zh) * | 2019-03-28 | 2019-07-12 | 武汉星视源科技有限公司 | 驻车多维信息感知应用***及方法 |
| WO2019183235A1 (en) * | 2018-03-21 | 2019-09-26 | Second Spectrum, Inc. | Methods and systems of spatiotemporal pattern recognition for video content development |
| CN110460869A (zh) * | 2019-08-14 | 2019-11-15 | 咪咕文化科技有限公司 | 一种确定视频剪辑片段的方法、电子设备及存储介质 |
| CN111291617A (zh) * | 2020-01-13 | 2020-06-16 | 西北农林科技大学 | 基于机器学习的羽毛球赛事视频精彩片段提取方法 |
-
2021
- 2021-07-23 CN CN202110838172.6A patent/CN113569096B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101778260A (zh) * | 2009-12-29 | 2010-07-14 | 公安部第三研究所 | 一种基于结构化描述的视频监控管理方法及*** |
| CN102929903A (zh) * | 2012-07-04 | 2013-02-13 | 北京中盾安全技术开发公司 | 一种基于视频信息分层结构化描述的快速视频检索方法 |
| US20140255003A1 (en) * | 2013-03-05 | 2014-09-11 | Google Inc. | Surfacing information about items mentioned or presented in a film in association with viewing the film |
| CN107291910A (zh) * | 2017-06-26 | 2017-10-24 | 图麟信息科技（深圳）有限公司 | 一种视频片段结构化查询方法、装置及电子设备 |
| WO2019183235A1 (en) * | 2018-03-21 | 2019-09-26 | Second Spectrum, Inc. | Methods and systems of spatiotemporal pattern recognition for video content development |
| CN109345568A (zh) * | 2018-09-19 | 2019-02-15 | 深圳市赢世体育科技有限公司 | 基于计算机视觉算法的运动场智能化实现方法及*** |
| CN109740123A (zh) * | 2018-12-21 | 2019-05-10 | 北京信息科技大学 | 使用实时数据生成体育赛事战报的方法 |
| CN110008298A (zh) * | 2019-03-28 | 2019-07-12 | 武汉星视源科技有限公司 | 驻车多维信息感知应用***及方法 |
| CN110012348A (zh) * | 2019-06-04 | 2019-07-12 | 成都索贝数码科技股份有限公司 | 一种赛事节目自动集锦***及方法 |
| CN110460869A (zh) * | 2019-08-14 | 2019-11-15 | 咪咕文化科技有限公司 | 一种确定视频剪辑片段的方法、电子设备及存储介质 |
| CN111291617A (zh) * | 2020-01-13 | 2020-06-16 | 西北农林科技大学 | 基于机器学习的羽毛球赛事视频精彩片段提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 潘文宇;邢青;: "足球赛事实时智能分析***的研究", 科技风, no. 22 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113569096B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200204879A1 (en) | Systems and Methods for Multimodal Multilabel Tagging of Video | |
| CN102073635B (zh) | 节目端点时间检测装置和方法以及节目信息检索*** | |
| CN112559800B (zh) | 用于处理视频的方法、装置、电子设备、介质和产品 | |
| CN112395556B (zh) | 异常用户检测模型训练方法、异常用户审核方法及装置 | |
| CN111831854A (zh) | 视频标签的生成方法、装置、电子设备和存储介质 | |
| CN111046225B (zh) | 音频资源处理方法、装置、设备及存储介质 | |
| CN113032673B (zh) | 资源的获取方法、装置、计算机设备及存储介质 | |
| US8428360B2 (en) | System and method for real-time new event detection on video streams | |
| Le et al. | NII-HITACHI-UIT at TRECVID 2016. | |
| CN113779381B (zh) | 资源推荐方法、装置、电子设备和存储介质 | |
| CN107862058B (zh) | 用于生成信息的方法和装置 | |
| CN113658594A (zh) | 歌词识别方法、装置、设备、存储介质及产品 | |
| CN113850291B (zh) | 文本处理及模型训练方法、装置、设备和存储介质 | |
| CN111147940B (zh) | 视频播放方法、装置、计算机设备及介质 | |
| CN111949820A (zh) | 视频关联兴趣点的处理方法、装置及电子设备 | |
| CN113569096A (zh) | 结构化信息抽取方法、装置、设备以及存储介质 | |
| CN113569097B (zh) | 结构化信息抽取方法、装置、设备以及存储介质 | |
| CN113761269B (zh) | 音频识别方法、装置和计算机可读存储介质 | |
| CN112714340B (zh) | 视频处理方法、装置、设备、存储介质和计算机程序产品 | |
| CN113569095A (zh) | 结构化信息抽取方法、装置、设备以及存储介质 | |
| CN112989190A (zh) | 一种商品挂载方法、装置、电子设备和存储介质 | |
| Lu et al. | Towards optimal audio" keywords" detection for audio content analysis and discovery | |
| CN113537052B (zh) | 一种视频片段抽取方法、装置、设备及存储介质 | |
| CN115412764B (zh) | 一种视频剪辑方法、装置、设备及存储介质 | |
| JP5800974B1 (ja) | 同義語判定装置 |
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 |