CN114595357A - 视频搜索方法和装置、电子设备、存储介质 - Google Patents

Abstract

本申请实施例提供了一种视频搜索方法和装置、电子设备、存储介质，属于人工智能技术领域。该方法包括：获取原始搜索数据，其中，原始搜索数据包括文本数据和原始视频数据；对原始视频数据进行抽帧处理，得到候选关键帧数据；通过预先训练的数据处理模型对候选关键帧数据进行标准化处理，得到标准关键帧数据；通过数据处理模型的编码层对文本数据进行编码处理，得到文本向量，并通过编码层对所述标准关键帧数据进行编码处理，得到多个关键帧图像向量；计算文本向量与每一关键帧图像向量的第一相似度值；根据第一相似度值对标准关键帧数据进行筛选处理，得到目标视频片段。本申请实施例能够提高视频搜索的准确性。

Description

视频搜索方法和装置、电子设备、存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种视频搜索方法和装置、电子设备、存储介质。

背景技术

由于视频数据量庞大，为快速定位视频，需要进行视频搜索。目前，在进行视频搜索时，大多以关键信息进行匹配搜索，例如，基于语音识别的文本去做搜索等等，这一方式往往存在着视频搜索的准确性不高的问题，因此，如何提高视频搜索的准确性，成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种视频搜索方法和装置、电子设备、存储介质，旨在提高视频搜索的准确性。

为实现上述目的，本申请实施例的第一方面提出了一种视频搜索方法，所述方法包括：

获取原始搜索数据，其中，所述原始搜索数据包括文本数据和原始视频数据；

对所述原始视频数据进行抽帧处理，得到候选关键帧数据；

通过预先训练的数据处理模型对所述候选关键帧数据进行标准化处理，得到标准关键帧数据；

通过所述数据处理模型的编码层对所述文本数据进行编码处理，得到文本向量，并通过所述编码层对所述标准关键帧数据进行编码处理，得到多个关键帧图像向量；

计算所述文本向量与每一所述关键帧图像向量的第一相似度值；

根据所述第一相似度值对所述标准关键帧数据进行筛选处理，得到目标视频片段。

在一些实施例，所述对所述原始视频数据进行抽帧处理，得到候选关键帧数据，包括：

对所述原始视频数据进行解析处理，得到原始视频图像；

通过预先训练的关键帧提取模型的在线网络对所述原始视频图像进行向量化处理，得到第一图像特征向量；

通过预先训练的关键帧提取模型的目标网络对所述原始视频图像进行图像增强处理，得到第二图像特征向量；

计算所述第一图像特征向量与所述第二图像特征向量的第二相似度值，并根据所述第二相似度值得到所述候选关键帧数据。

在一些实施例，所述通过预先训练的关键帧提取模型的在线网络对所述原始视频图像进行向量化处理，得到第一图像特征向量，包括：

通过所述在线网络对所述原始视频图像进行特征提取，得到第一视频特征图；

通过所述在线网络将所述第一视频特征图映射到预设的第一高维向量空间，得到所述第一图像特征向量。

在一些实施例，所述通过预先训练的关键帧提取模型的目标网络对所述原始视频图像进行图像增强处理，得到第二图像特征向量，包括：

通过所述目标网络对所述原始视频图像进行图像增强处理，并对经过图像增强处理之后的原始视频图像进行特征提取，得到第二视频特征图；

通过所述目标网络将所述第二视频特征图映射到预设的第二高维向量空间，得到所述第二图像特征向量。

在一些实施例，所述通过预先训练的数据处理模型对所述候选关键帧数据进行标准化处理，得到标准关键帧数据，包括：

对所述候选关键帧数据进行特征提取，得到候选文本特征、候选音频特征以及候选关键帧图像；

对所述候选音频特征进行语义分析，得到标准音频数据；

对所述候选文本特征进行文本识别处理，得到字符文本数据；

对所述标准音频数据、所述字符文本数据以及所述候选关键帧图像进行融合处理，得到标准关键帧数据。

在一些实施例，所述编码层包括文本编码器和图像编码器，所述通过所述数据处理模型的编码层对所述文本数据进行编码处理，得到文本向量，并通过所述编码层对所述标准关键帧数据中的多个标准关键帧图像进行编码处理，得到多个关键帧图像向量，包括：

通过文本编码器对所述文本数据进行文本编码，得到所述文本向量；

通过图像编码器对多个所述标准关键帧图像进行图像编码，得到多个所述关键帧图像向量。

在一些实施例，所述根据所述第一相似度值对所述标准关键帧数据进行筛选处理，得到目标视频片段，包括：

根据所述第一相似度值，对所述标准关键帧数据中的标准关键帧图像进行筛选，得到目标关键帧图像；

对多个所述目标关键帧图像进行拼接处理，得到所述目标视频片段。

为实现上述目的，本申请实施例的第二方面提出了一种视频搜索装置，所述装置包括：

数据获取模块，用于获取原始搜索数据，其中，所述原始搜索数据包括文本数据和原始视频数据；

抽帧处理模块，用于对所述原始视频数据进行抽帧处理，得到候选关键帧数据；

标准化处理模块，用于通过预先训练的数据处理模型对所述候选关键帧数据进行标准化处理，得到标准关键帧数据；

编码模块，用于通过所述数据处理模型的编码层对所述文本数据进行编码处理，得到文本向量，并通过所述编码层对所述标准关键帧数据进行编码处理，得到多个关键帧图像向量；

计算模块，用于计算所述文本向量与每一所述关键帧图像向量的第一相似度值；

筛选模块，用于根据所述第一相似度值对所述标准关键帧数据进行筛选处理，得到目标视频片段。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。

本申请提出的视频搜索方法和装置、电子设备、存储介质，其通过获取原始搜索数据，其中，原始搜索数据包括文本数据和原始视频数据。进而，对原始视频数据进行抽帧处理，得到候选关键帧数据，并通过预先训练的数据处理模型对候选关键帧数据进行标准化处理，得到标准关键帧数据，能够使得得到的标准关键帧数据更加符合视频搜索的需求，降低视频搜索的计算量。进而，通过数据处理模型的编码层分别对文本数据和标准关键帧数据进行编码处理，得到文本向量和多个关键帧图像向量。同时，计算文本向量与每一关键帧图像向量的第一相似度值，这样一来，能够较为准确地确定出文本向量与每一关键帧图像向量的相关性。最后，根据第一相似度值对标准关键帧数据进行筛选处理，得到目标视频片段，能够提高视频搜索的准确性。

附图说明

图1是本申请实施例提供的视频搜索方法的流程图；

图2是图1中的步骤S102的流程图；

图3是图2中的步骤S202的流程图；

图4是图2中的步骤S203的流程图；

图5是图1中的步骤S103的流程图；

图6是图1中的步骤S104的流程图；

图7是图1中的步骤S106的流程图；

图8是本申请实施例提供的视频搜索装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家***等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。

自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

信息抽取(Information Extraction，NER)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。

自监督学习(self-supervised learning)：自监督学习可以被看作是机器学习的一种“理想状态”，模型直接从无标签数据中自行学习，无需标注数据。自监督学习的核心，在于如何自动为数据产生标签。例如输入一张图片，把图片随机旋转一个角度，然后把旋转后的图片作为输入，随机旋转的角度作为标签。再例如，把输入的图片均匀分割成3*3的格子，每个格子里面的内容作为一个小块(patch)，随机打乱patch的排列顺序，然后用打乱顺序的patch作为输入，正确的排列顺序作为标签(label)。类似这种自动产生的标注，完全无需人工参与。自监督学习性能的高低，主要通过模型学出来的特征图(feature)的质量来评价。feature质量的高低，主要是通过迁移学习的方式，把feature用到其它视觉任务中(例如，分类、分割、物体检测等等)，然后通过视觉任务的结果的好坏来评价。

网络爬虫(又称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者)：网络爬虫是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。

抽帧：视频抽帧就是在一段视频中，通过间隔一定帧抽取若干帧的方式，模拟每隔一段时间拍摄一张照片并接合起来形成视频的过程(即低速摄像)。

关键帧：计算机动画术语，指角色或者物体运动变化中关键动作所处的那一帧，相当于二维动画中的原画。关键帧与关键帧之间的动画可以由软件创建添加，叫做过渡帧或者中间帧。“帧”即动画中最小单位的单幅影像画面，相当于电影胶片上的每一格镜头，在动画软件的时间轴上，帧表现为一格或者一个标记。

卷积神经网络：卷积神经网络是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理，卷积神经网络可以包括卷积层、池化层和全连接层。卷积层用于对图像进行特征提取，具体是利用卷积核对图像进行卷积操作，得到初步的图像特征，经过池化层进行池化，在经过全连接层进行处理，最终得到上述图像卷积特征。其中，池化可以理解为压缩，是对不同位置的特征进行聚合统计，例如，计算图像一个区域上的某个特定特征的平均值作为该区域的一个值，如此，可降低维度，同时改善结果，不容易过拟合，这种聚合的操作称为池化。池化包括平均池化和做大池化，上述将区域上的某个特定特征的平均值，作为该区域的一个值，称为平均池化，将区域上的某个特定特征的最大值作为该区域的一个值，称为最大池化。

图像增强：增强图像中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合。有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。

图像增强可分成两大类：频率域法和空间域法。前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。采用低通滤波(即只让低频信号通过)法，可去掉图中的噪声；采用高通滤波(即只让高频信号通过)法，则可增强边缘等高频信号，使模糊的图片变得清晰。后者空间域法中具有代表性的算法有局部求平均值法和中值滤波(取局部邻域中的中间像素值)法等，它们可用于去除或减弱噪声。

编码(encoder)：编码用于将输入序列转化成一个固定长度的向量。

自动语音识别技术(Automatic Speech Recognition，ASR)：自动语音识别技术是一种将人的语音转换为文本的技术。语音识别的输入一般是时域的语音信号，数学上用一系列向量表示信号长度(length T)和维度(dimensiond)，该自动语义识别技术的输出是文本，用一系列令牌token表示字段长度(length N)和不同令牌(different tokens)。

随着互联网技术的发展，人们所面对的数据在迅速增长，其中，视频数据是其中之一，视频对人们生活带来很多乐趣，丰富了人们生活，同样，通过观看不同的视频，可扩展人们的视野以及知识。

通常，相比于图文，人们更倾向于观看视频。在一些场景下，对于已经观看的视频，若无历史记录，则仅仅通过文本很难搜索。并且由于视频数据量庞大，为快速定位视频，需要进行视频搜索。目前，在进行视频搜索时，大多以关键信息进行匹配搜索，例如，基于语音识别的文本去做搜索等等，这一方式往往存在着视频搜索的准确性不高的问题，因此，如何提高视频搜索的准确性，成为了亟待解决的技术问题。

基于此，本申请实施例提供了一种视频搜索方法和装置、电子设备、存储介质，旨在提高视频搜索的准确性。

本申请实施例提供的视频搜索方法和装置、电子设备、存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的视频搜索方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的视频搜索方法，涉及人工智能技术领域。本申请实施例提供的视频搜索方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式***，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现视频搜索方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机***环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

图1是本申请实施例提供的视频搜索方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S106。

步骤S101，获取原始搜索数据，其中，原始搜索数据包括文本数据和原始视频数据；

步骤S102，对原始视频数据进行抽帧处理，得到候选关键帧数据；

步骤S103，通过预先训练的数据处理模型对候选关键帧数据进行标准化处理，得到标准关键帧数据；

步骤S104，通过数据处理模型的编码层对文本数据进行编码处理，得到文本向量，并通过编码层对标准关键帧数据进行编码处理，得到多个关键帧图像向量；

步骤S105，计算文本向量与每一关键帧图像向量的第一相似度值；

步骤S106，根据第一相似度值对标准关键帧数据进行筛选处理，得到目标视频片段。

本申请实施例的步骤S101至步骤S106，通过对原始视频数据进行抽帧处理，得到候选关键帧数据，并通过预先训练的数据处理模型对候选关键帧数据进行标准化处理，得到标准关键帧数据，能够使得得到的标准关键帧数据更加符合视频搜索的需求，降低视频搜索的计算量。通过数据处理模型的编码层分别对文本数据和标准关键帧数据进行编码处理，得到文本向量和多个关键帧图像向量。同时，计算文本向量与每一关键帧图像向量的第一相似度值，这样一来，能够较为准确地确定出文本向量与每一关键帧图像向量的相关性。最后，根据第一相似度值对标准关键帧数据进行筛选处理，得到目标视频片段，能够提高视频搜索的准确性。

在一些实施例的步骤S101中，可以通过编写网络爬虫,设置好数据源之后进行有目标性的爬取数据，得到原始搜索数据。需要说明的是，原始搜索数据包括文本数据和原始视频数据；其中，文本数据指用户输入的搜索词段、查询语句、搜索字符等搜索文本；原始视频数据可以是存储在原始视频库内的视频数据，例如可以是在线的短视频数据、影视剧数据数据、学习视频数据等。

在一些实施例的步骤S102之前，该视频搜索方法还包括预训练关键帧提取模型，具体包括：

步骤a、获取样本视频图像；

步骤b、将样本视频图像对输入至初始模型中；

步骤c、通过初始模型对样本视频图像进行图像处理，得到第一样本特征图像向量以及第二样本特征图像向量；

步骤d、通过初始模型的损失函数计算第一样本特征图像向量以及第二样本特征图像向量的相似度；

步骤e、根据相似度对初始模型的损失函数进行优化，以更新初始模型，得到关键帧提取模型。

在一些实施例的步骤a中，可以通过编写网络爬虫,设置好数据源之后进行有目标性地爬取数据，得到样本视频数据。也可以通过其他方式获取样本视频数据，不限于此。进而，对获取到的样本视频数据进行视频解析，得到样本视频图像。

在一些实施例的步骤b中，将样本视频图像对输入至初始模型中，该初始模型为BYOL模型，其中，初始模型包括在线网络和目标网络。

在一些实施例的步骤c中，通过初始模型对样本视频图像对进行图像增强、特征提取以及映射处理，得到第一样本特征图像向量以及第二样本特征图像向量。具体地，通过在线网络对样本视频图像进行图像增强、特征提取以及映射处理，得到第一样本特征图像，通过目标网络对对样本视频图像进行图像增强、特征提取以及映射处理，得到第二样本特征图像，其中，在线网络与目标网络中的图像增强过程采取不同的图像增强策略。

在一些实施例的步骤d中，通过初始模型的损失函数计算第一样本特征图像向量以及第二样本特征图像向量的相似度时，可以采用余弦相似度算法来计算第一样本特征图像向量以及第二样本特征图像向量的相似度。

在一些实施例的步骤e中，根据相似度对初始模型的损失函数进行优化，比对相似度与预设的相似度阈值，不断地调整模型参数，使得损失函数的损失值满足预设的更新条件，从而停止更新初始模型，得到关键帧提取模型，该更新条件可以是损失值小于预示的损失阈值，或者是迭代次数达到预设次数阈值等等，不限于此。

请参阅图2，在一些实施例中，步骤S102可以包括但不限于包括步骤S201至步骤S204：

步骤S201，对原始视频数据进行解析处理，得到原始视频图像；

步骤S202，通过预先训练的关键帧提取模型的在线网络对原始视频图像进行向量化处理，得到第一图像特征向量；

步骤S203，通过预先训练的关键帧提取模型的目标网络对原始视频图像进行图像增强处理，得到第二图像特征向量；

步骤S204，计算第一图像特征向量与第二图像特征向量的第二相似度值，并根据第二相似度值得到候选关键帧数据。

在一些实施例的步骤S201中，根据预设的视频类别标签对原始视频数据进行标签分类，得到多个不同类别的标签视频数据，通过对标签视频数据中的视频码流进行解析处理，过滤每一标签视频数据中的背景图像，得到原始视频图像。

请参阅图3，在一些实施例中，步骤S202可以包括但不限于包括步骤S301至步骤S302：

步骤S301，通过在线网络对原始视频图像进行特征提取，得到第一视频特征图；

步骤S302，通过在线网络将第一视频特征图映射到预设的第一高维向量空间，得到第一图像特征向量。

在一些实施例的步骤S301中，通过在线网络的卷积层对原始视频图像进行特征提取，捕捉原始视频图像的表示特征，生成第一视频特征图。

在一些实施例的步骤S302中，通过在线网络将第一视频特征图映射至更高维度的潜在向量空间，即第一高维向量空间，得到第一图像特征向量。

请参阅图4，在一些实施例中，步骤S203可以包括但不限于包括步骤S401至步骤S402：

步骤S401，通过目标网络对原始视频图像进行图像增强处理，并对经过图像增强处理之后的原始视频图像进行特征提取，得到第二视频特征图；

步骤S402，通过目标网络将第二视频特征图映射到预设的第二高维向量空间，得到第二图像特征向量。

在一些实施例的步骤S401中，首先通过目标网络中预设的图像增强策略对原始视频图像进行图像增强处理。例如，将原始视频图像看成一种二维信号，对原始视频图像进行基于二维傅里叶变换的信号增强，采用低通滤波法，只让低频信号通过，从而去掉原始视频图像中的噪声，提高原始视频图像的图像质量，进而，对经过图像增强处理之后的原始视频图像进行特征提取，捕捉经过图像增强处理之后的原始视频图像的表示特征，生成第二视频特征图。

在一些实施例的步骤S402中，通过目标网络将第二视频特征图映射至更高维度的潜在向量空间，即第二高维向量空间，得到第二图像特征向量。

需要说明的是，在线网络与目标网络的网络结构基本相同，但在线网络与目标网络的的参数并不相同。

在一些实施例的步骤S204中，可以通过预设的相似度算法计算第一图像特征向量与第二图像特征向量的第二相似度值，并根据第二相似度值得到候选关键帧数据。该相似度算法可以是余弦相似度算法。例如，将第一图像特征向量记为BYOL(img1)，第二图像特征向量记为BYOL(img2)，通过计算第二相似度值cos(BYOL(img1),BYOL(img2))；将第二相似度值小于或者等于相似度阈值的候选关键帧图像提取出来，作为一个集合，该集合内的所有候选关键帧图像即为候选关键帧数据。

在一些具体实施例中，相似度阈值可以是0.9，若第一图像特征向量与第二图像特征向量的第二相似度值小于0.9，则表示原始视频图像与经过图像增强处理之后的原始视频图像差异较大，该原始视频图像对应的当前帧即为视频关键帧。

在一些实施例的步骤S103之前，该视频搜索方法还包括预训练数据处理模型，该数据处理模型可以根据卷积神经网络和CLIP模型构建而成，该数据处理模型包括卷积层、池化层、编码层以及全连接层，通过数据处理模型的卷积层和池化层进行特征提取时得到的特征结果为多维度的特征，可以理解为得到多个特征图，比如，通过数据处理模型的卷积层和池化层对图像A进行处理，得到的特征为512×28×28形式的特征，可以理解为是512张大小为28×28的特征图，也可以理解为28×28个512维的单个向量，即单个向量中有512个元素。然后将卷积层和池化层进行特征提取得到的多维度特征通过全连接层，得到图像卷积特征，即可以理解为基于多维度特征得到一维的一个特征向量，图像卷积特征为一维的一个特征向量。

请参阅图5，在一些实施例中，步骤S103还可以包括但不限于包括步骤S501至步骤S504：

步骤S501，对候选关键帧数据进行特征提取，得到候选文本特征、候选音频特征以及候选关键帧图像；

步骤S502，对候选音频特征进行语义分析，得到标准音频数据；

步骤S503，对候选文本特征进行文本识别处理，得到字符文本数据；

步骤S504，对标准音频数据、字符文本数据以及候选关键帧图像进行融合处理，得到标准关键帧数据。

在一些实施例的步骤S501中，根据数据处理模型的卷积层中预设的数据类别标签对候选关键帧数据进行标签分类，得到多个不同类别的标签关键帧数据，进而通过卷积层对标签关键帧数据进行卷积处理，以提取不同类别的标签关键帧数据，分别得到候选文本特征、候选音频特征以及候选关键帧图像。需要说明的是，数据类别标签包括文本标签、音频标签以及图像标签。

在一些实施例的步骤S502中，通过ASR语音识别器对候选音频特征进行语义纠错以及过滤处理，剔除表意不明、音频模糊的候选音频特征，得到候选音频文本。进而，对候选音频文本内残缺的音频数据进行补全处理，得到标准音频数据。

在一些实施例的步骤S503中，通过字符识别软件对候选文本特征进行文本清理，剔除候选文本中文字模糊的文本数据，并对候选文本中的残缺文本数据进行语句扩充，例如，同义词替换、词性修改等等操作进行语句扩充，最后得到字符文本数据。

在一些实施例的步骤S504中，首先，对标准音频数据、字符文本数据以及候选关键帧图像分别进行词向量化处理，得到标准音频向量、字符文本向量以及候选关键帧向量，进而，对标准音频向量、字符文本向量以及候选关键帧向量进行向量相加处理，得到标准视频关键帧向量，最后，对标准视频关键帧向量进行解码处理，得到标准关键帧数据。

请参阅图6，在一些实施例，数据处理模型的编码层包括文本编码器和图像编码器，步骤S104还可以包括但不限于包括步骤S601至步骤S602：

步骤S601，通过文本编码器对文本数据进行文本编码，得到文本向量；

步骤S602，通过图像编码器对多个标准关键帧图像进行图像编码，得到多个关键帧图像向量。

在一些实施例的步骤S601中，通过文本编辑器的transformer算法对文本数据进行文本编码。得到文本向量。

在一些实施例的步骤S602中，通过图像编码器的残差网络多个标准关键帧图像进行图像编码，其中，该残差网络由多个残差密集块组成，每一残差密集块之间可以跳跃连接，这能有效地减小梯度损失，提高得到的多个关键帧图像向量的质量。

在一些实施例的步骤S105中，利用余弦相似度算法计算文本向量与每一关键帧图像向量的第一相似度值。

具体地，在计算文本向量与每一关键帧图像向量的第一相似度值时，假设文本向量为u，其中一个关键帧图像向量为v，则根据余弦相似度算法的公式，计算文本向量与这一关键帧图像向量的第一相似度值，如公式1所示：

请参阅图7，在一些实施例中，步骤S106还可以包括但不限于包括步骤S701至步骤S702：

步骤S701，根据第一相似度值，对标准关键帧数据中的标准关键帧图像进行筛选，得到目标关键帧图像；

步骤S702，对多个目标关键帧图像进行拼接处理，得到目标视频片段。

在一些实施例的步骤S701中，比对第一相似度值与预设的相似度阈值的大小，根据第一相似度值与相似度阈值的大小对标准关键帧数据中的标准关键帧图像进行筛选，选取相似度值大于相似度阈值的标准关键帧图像作为目标关键帧图像。

在一些实施例的步骤S702中，根据标准关键帧图像上预先标注的序列号或者时间序列，对多个目标关键帧图像进行片段拼接，得到目标视频片段。例如，对标准关键帧图像以***数字进行序列号标注，经过筛选得到的目标关键帧图像为标准关键帧图像1、标准关键帧图像3、标准关键帧图像7、标准关键帧图像21、标准关键帧图像43，则根据序列号由小到大的顺序将标准关键帧图像进行片段拼接，得到目标视频片段。或者，由于每一标准关键帧图像取自于原始视频数据，因而，每一标准关键帧图像都会对应有一个播放时刻，例如，目标关键帧图像包括的标准关键帧图像A对应播放时刻为50秒，标准关键帧图像B对应播放时刻为74秒，标准关键帧图像C对应播放时刻为21秒，标准关键帧图像D对应播放时刻为123秒，则根据播放时刻由小到大的顺序，依次将标准关键帧图像C、标准关键帧图像A、标准关键帧图像B、标准关键帧图像D进行拼接处理，得到目标视频片段。

通过上述步骤S701至步骤S702能够较为方便地将多个符合需求的目标关键帧图像按照顺序进行拼接，得到相应的目标视频片段，也能够当用户再次输入同样的搜索词段时，迅速找到这一目标视频片段，提高视频搜索效率。

本申请实施例通过获取原始搜索数据，其中，原始搜索数据包括文本数据和原始视频数据。进而，对原始视频数据进行抽帧处理，得到候选关键帧数据，并通过预先训练的数据处理模型对候选关键帧数据进行标准化处理，得到标准关键帧数据，能够使得得到的标准关键帧数据更加符合视频搜索的需求，降低视频搜索的计算量。进而，通过数据处理模型的编码层分别对文本数据和标准关键帧数据进行编码处理，得到文本向量和多个关键帧图像向量。同时，计算文本向量与每一关键帧图像向量的第一相似度值，这样一来，能够较为准确地确定出文本向量与每一关键帧图像向量的相关性。最后，根据第一相似度值对标准关键帧数据进行筛选处理，得到目标视频片段，能够提高视频搜索的准确性。

请参阅图8，本申请实施例还提供一种视频搜索装置，可以实现上述视频搜索方法，该装置包括：

数据获取模块801，用于获取原始搜索数据，其中，原始搜索数据包括文本数据和原始视频数据；

抽帧处理模块802，用于对原始视频数据进行抽帧处理，得到候选关键帧数据；

标准化处理模块803，用于通过预先训练的数据处理模型对候选关键帧数据进行标准化处理，得到标准关键帧数据；

编码模块804，用于通过数据处理模型的编码层对文本数据进行编码处理，得到文本向量，并通过编码层对标准关键帧数据进行编码处理，得到多个关键帧图像向量；

计算模块805，用于计算文本向量与每一关键帧图像向量的第一相似度值；

筛选模块806，用于根据第一相似度值对标准关键帧数据进行筛选处理，得到目标视频片段。

该视频搜索装置的具体实施方式与上述视频搜索方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述视频搜索方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作***和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的视频搜索方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述视频搜索方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的视频搜索方法、视频搜索装置、电子设备及存储介质，其通过获取原始搜索数据，其中，原始搜索数据包括文本数据和原始视频数据。进而，对原始视频数据进行抽帧处理，得到候选关键帧数据，并通过预先训练的数据处理模型对候选关键帧数据进行标准化处理，得到标准关键帧数据，能够使得得到的标准关键帧数据更加符合视频搜索的需求，降低视频搜索的计算量。进而，通过数据处理模型的编码层分别对文本数据和标准关键帧数据进行编码处理，得到文本向量和多个关键帧图像向量。同时，计算文本向量与每一关键帧图像向量的第一相似度值，这样一来，能够较为准确地确定出文本向量与每一关键帧图像向量的相关性。最后，根据第一相似度值对标准关键帧数据进行筛选处理，得到目标视频片段，能够提高视频搜索的准确性。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于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：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种视频搜索方法，其特征在于，所述方法包括：

获取原始搜索数据，其中，所述原始搜索数据包括文本数据和原始视频数据；

对所述原始视频数据进行抽帧处理，得到候选关键帧数据；

通过预先训练的数据处理模型对所述候选关键帧数据进行标准化处理，得到标准关键帧数据；

通过所述数据处理模型的编码层对所述文本数据进行编码处理，得到文本向量，并通过所述编码层对所述标准关键帧数据进行编码处理，得到多个关键帧图像向量；

计算所述文本向量与每一所述关键帧图像向量的第一相似度值；

根据所述第一相似度值对所述标准关键帧数据进行筛选处理，得到目标视频片段。

2.根据权利要求1所述的视频搜索方法，其特征在于，所述对所述原始视频数据进行抽帧处理，得到候选关键帧数据，包括：

对所述原始视频数据进行解析处理，得到原始视频图像；

通过预先训练的关键帧提取模型的在线网络对所述原始视频图像进行向量化处理，得到第一图像特征向量；

通过预先训练的关键帧提取模型的目标网络对所述原始视频图像进行图像增强处理，得到第二图像特征向量；

计算所述第一图像特征向量与所述第二图像特征向量的第二相似度值，并根据所述第二相似度值得到所述候选关键帧数据。

3.根据权利要求2所述的视频搜索方法，其特征在于，所述通过预先训练的关键帧提取模型的在线网络对所述原始视频图像进行向量化处理，得到第一图像特征向量，包括：

通过所述在线网络对所述原始视频图像进行特征提取，得到第一视频特征图；

通过所述在线网络将所述第一视频特征图映射到预设的第一高维向量空间，得到所述第一图像特征向量。

4.根据权利要求2所述的视频搜索方法，其特征在于，所述通过预先训练的关键帧提取模型的目标网络对所述原始视频图像进行图像增强处理，得到第二图像特征向量，包括：

通过所述目标网络对所述原始视频图像进行图像增强处理，并对经过图像增强处理之后的原始视频图像进行特征提取，得到第二视频特征图；

通过所述目标网络将所述第二视频特征图映射到预设的第二高维向量空间，得到所述第二图像特征向量。

5.根据权利要求1所述的视频搜索方法，其特征在于，所述通过预先训练的数据处理模型对所述候选关键帧数据进行标准化处理，得到标准关键帧数据，包括：

对所述候选关键帧数据进行特征提取，得到候选文本特征、候选音频特征以及候选关键帧图像；

对所述候选音频特征进行语义分析，得到标准音频数据；

对所述候选文本特征进行文本识别处理，得到字符文本数据；

对所述标准音频数据、所述字符文本数据以及所述候选关键帧图像进行融合处理，得到标准关键帧数据。

6.根据权利要求1所述的视频搜索方法，其特征在于，所述编码层包括文本编码器和图像编码器，所述通过所述数据处理模型的编码层对所述文本数据进行编码处理，得到文本向量，并通过所述编码层对所述标准关键帧数据中的多个标准关键帧图像进行编码处理，得到多个关键帧图像向量，包括：

通过文本编码器对所述文本数据进行文本编码，得到所述文本向量；

通过图像编码器对多个所述标准关键帧图像进行图像编码，得到多个所述关键帧图像向量。

7.根据权利要求1至6任一项所述的视频搜索方法，其特征在于，所述根据所述第一相似度值对所述标准关键帧数据进行筛选处理，得到目标视频片段，包括：

根据所述第一相似度值，对所述标准关键帧数据中的标准关键帧图像进行筛选，得到目标关键帧图像；

对多个所述目标关键帧图像进行拼接处理，得到所述目标视频片段。

8.一种视频搜索装置，其特征在于，所述装置包括：

数据获取模块，用于获取原始搜索数据，其中，所述原始搜索数据包括文本数据和原始视频数据；

抽帧处理模块，用于对所述原始视频数据进行抽帧处理，得到候选关键帧数据；

标准化处理模块，用于通过预先训练的数据处理模型对所述候选关键帧数据进行标准化处理，得到标准关键帧数据；

编码模块，用于通过所述数据处理模型的编码层对所述文本数据进行编码处理，得到文本向量，并通过所述编码层对所述标准关键帧数据进行编码处理，得到多个关键帧图像向量；

计算模块，用于计算所述文本向量与每一所述关键帧图像向量的第一相似度值；

筛选模块，用于根据所述第一相似度值对所述标准关键帧数据进行筛选处理，得到目标视频片段。

9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的视频搜索方法。

10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的视频搜索方法。

Images