影片資料的推薦方法和裝置
本發明係有關一種資料處理技術,尤其是一種影片資料的推薦方法、一種影片資料的推薦裝置、一種影片資料檢測模型的產生方法、一種影片資料檢測模型的產生裝置、一種影片資料的識別方法和一種影片資料的識別裝置。
電子商務的發展顯著地提升了人們日常生活的便捷性,通過電子商務網站,人們可以輕鬆地選購商品、完成支付,節省了購物的時間。 為了更好地幫助使用者瞭解目標商品的特性,電子商務網站開始使用影片內容進行導購及營銷,即根據運營需要輸入相應的文本資訊,然後從影片庫中選擇合適的影片幀,進而根據文本語義採用影片幀構建合適場景的影片,並推薦給目標使用者。 但是,在實際應用中,海量的影片內容被提取併合成為影片之後,還需要對合成的影片的品質進行檢測和評估,以篩選出最優的影片才能投放給目標使用者。現有技術中對影片的品質進行檢測和評估主要依賴於運營人員的人工審核,該種方法不僅耗費了大量的運營資源,而且在大多數情況下,人工審核也無法對合成的影片進行實時的處理。
鑒於上述問題,提出了本發明實施例以便提供一種克服上述問題或者至少部分地解決上述問題的一種影片資料的推薦方法、一種影片資料的推薦裝置、一種影片資料檢測模型的產生方法、一種影片資料檢測模型的產生裝置、一種影片資料的識別方法和相應的一種影片資料的識別裝置。 為了解決上述問題,本發明揭露了一種影片資料的推薦方法,包括: 獲取一個或多個待檢測的影片資料; 分別提取每個待檢測的影片資料的品質特徵資訊; 採用預設的影片資料檢測模型對所述品質特徵資訊進行識別,以獲得目標影片資料; 向使用者推薦所述目標影片資料。 可選地,所述預設的影片資料檢測模型通過如下方式產生: 分別提取多個樣本影片資料的品質特徵資訊,所述多個樣本影片資料包括多個正向樣本影片資料和負向樣本影片資料; 採用所述多個正向樣本影片資料和負向樣本影片資料的品質特徵資訊進行訓練,產生影片資料檢測模型。 可選地,所述品質特徵資訊包括圖像像素特徵資訊,連續幀圖像物體遷移特徵資訊,連續幀圖像動作特徵資訊,圖像幀不同的頻域特徵資訊,圖像幀小波變換特徵資訊,及/或,圖像旋轉算子特徵資訊。 可選地,所述分別提取多個樣本影片資料的品質特徵資訊的步驟包括: 提取每個樣本影片資料的每一幀圖像的像素資訊; 分別對所述像素資訊進行卷積運算和池化處理,以獲得圖像像素特徵資訊。 可選地,所述分別提取多個樣本影片資料的品質特徵資訊的步驟包括: 識別每個樣本影片資料的每一幀圖像中的物體對象; 分別確定相鄰兩幀圖像中的物體對象出現的次數和頻率,以獲得連續幀圖像物體遷移特徵資訊。 可選地,所述分別提取多個樣本影片資料的品質特徵資訊的步驟包括: 識別每個樣本影片資料的每一幀圖像中的動作對象的形狀特徵; 分別確定相鄰兩幀圖像中的動作對象的形狀特徵的幾何參數,以獲得連續幀圖像動作特徵資訊。 可選地,所述分別提取多個樣本影片資料的品質特徵資訊的步驟包括: 確定每個樣本影片資料的每一幀圖像的幅值和相位; 分別確定相鄰兩幀圖像的幅值差和相位差,以獲得圖像幀不同的頻域特徵資訊。 可選地,所述分別提取多個樣本影片資料的品質特徵資訊的步驟包括: 確定每個樣本影片資料的每一幀圖像的小波係數; 分別確定相鄰兩幀圖像的小波係數的變化值,以獲得圖像幀小波變換特徵資訊。 可選地,所述分別提取多個樣本影片資料的品質特徵資訊的步驟包括: 確定每個樣本影片資料的每一幀圖像的旋轉算子; 分別確定相鄰兩幀圖像的旋轉算子的變化值,以獲得圖像旋轉算子特徵資訊。 可選地,所述採用所述多個正向樣本影片資料和負向樣本影片資料的品質特徵資訊進行訓練,產生影片資料檢測模型的步驟包括: 對所述多個正向樣本影片資料和負向樣本影片資料的品質特徵資訊進行歸一化處理,以獲得歸一化的品質特徵資訊; 補全所述歸一化的品質特徵資訊的缺失值; 從所述歸一化的品質特徵資訊中識別出目標品質特徵資訊; 採用所述目標品質特徵資訊進行神經網路模型訓練,產生影片資料檢測模型。 可選地,所述從所述歸一化的品質特徵資訊中識別出目標品質特徵資訊的步驟包括: 確定所述歸一化的品質特徵資訊的資訊熵; 識別所述資訊熵超過第一預設閾值的品質特徵資訊為目標品質特徵資訊。 可選地,還包括: 獲取多個使用者的屬性資訊; 根據所述屬性資訊,將所述多個使用者聚類為多個使用者群體,所述使用者群體具有相應的使用者標籤。 可選地,所述採用預設的影片資料檢測模型對所述品質特徵資訊進行識別,以獲得目標影片資料的步驟包括: 採用預設的影片資料檢測模型分別對所述一個或多個待檢測的影片資料的品質特徵資訊進行識別,以獲得所述一個或多個待檢測的影片資料的品質分值; 提取所述品質分值超過第二預設閾值的影片資料為目標影片資料。 可選地,所述向使用者推薦所述目標影片資料的步驟包括: 在所述多個使用者群體中確定目標使用者群體; 向所述目標使用者群體推薦所述目標影片資料。 可選地,所述目標影片資料具有相應的影片標籤,所述在所述多個使用者群體中確定目標使用者群體的步驟包括: 確定與所述目標影片資料的影片標籤相同的使用者標籤所對應的使用者群體為目標使用者群體。 為了解決上述問題,本發明揭露了一種影片資料檢測模型的產生方法,包括: 分別提取多個樣本影片資料的品質特徵資訊,所述多個樣本影片資料包括多個正向樣本影片資料和負向樣本影片資料; 採用所述多個正向樣本影片資料和負向樣本影片資料的品質特徵資訊進行訓練,產生影片資料檢測模型。 可選地,所述品質特徵資訊包括圖像像素特徵資訊,連續幀圖像物體遷移特徵資訊,連續幀圖像動作特徵資訊,圖像幀不同的頻域特徵資訊,圖像幀小波變換特徵資訊,及/或,圖像旋轉算子特徵資訊。 為了解決上述問題,本發明揭露了一種影片資料的識別方法,包括: 獲取一個或多個待檢測的影片資料; 將所述一個或多個待檢測的影片資料發送至伺服器,所述伺服器用於分別對所述一個或多個待檢測的影片資料進行識別,以獲得識別結果,所述識別結果包括一個或多個候選影片資料; 接收所述伺服器返回的所述一個或多個候選影片資料; 在所述一個或多個候選影片資料中確定目標影片資料; 展現所述目標影片資料。 為了解決上述問題,本發明揭露了一種影片資料的推薦裝置,包括: 獲取模組,用於獲取一個或多個待檢測的影片資料; 提取模組,用於分別提取每個待檢測的影片資料的品質特徵資訊; 識別模組,用於採用預設的影片資料檢測模型對所述品質特徵資訊進行識別,以獲得目標影片資料; 推薦模組,用於向使用者推薦所述目標影片資料。 可選地,所述預設的影片資料檢測模型通過調用如下模組產生: 品質特徵資訊提取模組,用於分別提取多個樣本影片資料的品質特徵資訊,所述多個樣本影片資料包括多個正向樣本影片資料和負向樣本影片資料; 影片資料檢測模型產生模組,用於採用所述多個正向樣本影片資料和負向樣本影片資料的品質特徵資訊進行訓練,產生影片資料檢測模型。 可選地,所述品質特徵資訊包括圖像像素特徵資訊,連續幀圖像物體遷移特徵資訊,連續幀圖像動作特徵資訊,圖像幀不同的頻域特徵資訊,圖像幀小波變換特徵資訊,及/或,圖像旋轉算子特徵資訊。 可選地,所述品質特徵資訊提取模組包括: 像素資訊提取子模組,用於提取每個樣本影片資料的每一幀圖像的像素資訊; 像素資訊處理子模組,用於分別對所述像素資訊進行卷積運算和池化處理,以獲得圖像像素特徵資訊。 可選地,所述品質特徵資訊提取模組還包括: 物體對象識別子模組,用於識別每個樣本影片資料的每一幀圖像中的物體對象; 物體對象處理子模組,用於分別確定相鄰兩幀圖像中的物體對象出現的次數和頻率,以獲得連續幀圖像物體遷移特徵資訊。 可選地,所述品質特徵資訊提取模組還包括: 動作對象識別子模組,用於識別每個樣本影片資料的每一幀圖像中的動作對象的形狀特徵; 動作對象處理子模組,用於分別確定相鄰兩幀圖像中的動作對象的形狀特徵的幾何參數,以獲得連續幀圖像動作特徵資訊。 可選地,所述品質特徵資訊提取模組還包括: 幅值和相位確定子模組,用於確定每個樣本影片資料的每一幀圖像的幅值和相位; 幅值和相位處理子模組,用於分別確定相鄰兩幀圖像的幅值差和相位差,以獲得圖像幀不同的頻域特徵資訊。 可選地,所述品質特徵資訊提取模組還包括: 小波係數確定子模組,用於確定每個樣本影片資料的每一幀圖像的小波係數; 小波係數處理子模組,用於分別確定相鄰兩幀圖像的小波係數的變化值,以獲得圖像幀小波變換特徵資訊。 可選地,所述品質特徵資訊提取模組還包括: 旋轉算子確定子模組,用於確定每個樣本影片資料的每一幀圖像的旋轉算子; 旋轉算子處理子模組,用於分別確定相鄰兩幀圖像的旋轉算子的變化值,以獲得圖像旋轉算子特徵資訊。 可選地,所述影片資料檢測模型產生模組包括: 歸一化處理子模組,用於對所述多個正向樣本影片資料和負向樣本影片資料的品質特徵資訊進行歸一化處理,以獲得歸一化的品質特徵資訊; 缺失值補全子模組,用於補全所述歸一化的品質特徵資訊的缺失值; 目標品質特徵資訊識別子模組,用於從所述歸一化的品質特徵資訊中識別出目標品質特徵資訊; 影片資料檢測模型產生子模組,用於採用所述目標品質特徵資訊進行神經網路模型訓練,產生影片資料檢測模型。 可選地,所述目標品質特徵資訊識別子模組包括: 資訊熵確定單元,用於確定所述歸一化的品質特徵資訊的資訊熵; 目標品質特徵資訊識別單元,用於識別所述資訊熵超過第一預設閾值的品質特徵資訊為目標品質特徵資訊。 可選地,產生所述預設的影片資料檢測模型還調用如下模組: 屬性資訊獲取模組,用於獲取多個使用者的屬性資訊; 使用者群體聚類模組,用於根據所述屬性資訊,將所述多個使用者聚類為多個使用者群體,所述使用者群體具有相應的使用者標籤。 可選地,所述識別模組包括: 品質特徵資訊識別子模組,用於採用預設的影片資料檢測模型分別對所述一個或多個待檢測的影片資料的品質特徵資訊進行識別,以獲得所述一個或多個待檢測的影片資料的品質分值; 目標影片資料提取子模組,用於提取所述品質分值超過第二預設閾值的影片資料為目標影片資料。 可選地,所述推薦模組包括: 目標使用者群體確定子模組,用於在所述多個使用者群體中確定目標使用者群體; 目標影片資料推薦子模組,用於向所述目標使用者群體推薦所述目標影片資料。 可選地,所述目標影片資料具有相應的影片標籤,所述目標使用者群體確定子模組包括: 目標使用者群體確定單元,用於確定與所述目標影片資料的影片標籤相同的使用者標籤所對應的使用者群體為目標使用者群體。 為了解決上述問題,本發明揭露了一種影片資料檢測模型的產生裝置,包括: 品質特徵資訊提取模組,用於分別提取多個樣本影片資料的品質特徵資訊,所述多個樣本影片資料包括多個正向樣本影片資料和負向樣本影片資料; 影片資料檢測模型產生模組,用於採用所述多個正向樣本影片資料和負向樣本影片資料的品質特徵資訊進行訓練,產生影片資料檢測模型。 可選地,所述品質特徵資訊包括圖像像素特徵資訊,連續幀圖像物體遷移特徵資訊,連續幀圖像動作特徵資訊,圖像幀不同的頻域特徵資訊,圖像幀小波變換特徵資訊,及/或,圖像旋轉算子特徵資訊。 為了解決上述問題,本發明揭露了一種影片資料的識別裝置,包括: 獲取模組,用於獲取一個或多個待檢測的影片資料; 發送模組,用於將所述一個或多個待檢測的影片資料發送至伺服器,所述伺服器用於分別對所述一個或多個待檢測的影片資料進行識別,以獲得識別結果,所述識別結果包括一個或多個候選影片資料; 接收模組,用於接收所述伺服器返回的所述一個或多個候選影片資料; 確定模組,用於在所述一個或多個候選影片資料中確定目標影片資料; 展現模組,用於展現所述目標影片資料。 與背景技術相比,本發明實施例包括以下優點: 本發明實施例,通過獲取一個或多個待檢測的影片資料,並分別提取每個待檢測的影片資料的品質特徵資訊,然後採用預設的影片資料檢測模型對所述品質特徵資訊進行識別,以獲得目標影片資料,進而向使用者推薦所述目標影片資料,通過採用深度學習模型能夠迅速篩選出優質的影片資料,本發明實施例解決了現有技術中只能依靠人工識別並向使用者推薦影片片段的問題,提高了對影片資料的識別效率以及推薦的準確率。
為使本發明的上述目的、特徵和優點能夠更加明顯易懂,下面結合圖式和具體實施方式對本發明作進一步詳細的說明。 參照圖1,示出了本發明的一種影片資料的推薦方法實施例一的步驟流程圖,具體可以包括如下步驟: 步驟101,獲取一個或多個待檢測的影片資料; 在本發明實施例中,所述待檢測的影片資料可以是從各種途徑獲取的現成的影片片段,也可以是在影片庫中根據某種規則提取多個影片幀實時合成的影片片段,本發明實施例對影片資料的具體來源和類型不作限定。 步驟102,分別提取每個待檢測的影片資料的品質特徵資訊; 在本發明實施例中,影片資料的品質特徵資訊可以是用於識別所述影片資料的品質的特徵資訊,例如,影片資料的圖像像素、圖像所展示的內容等特徵資訊。通過對影片資料的品質特徵資訊進行識別,能夠對影片片段的流暢度、連貫性等進行檢驗。 當然,所屬技術領域中具有通常知識者可以根據實際需要,具體確定所要提取的品質特徵資訊的類型及提取方式,本發明實施例對此不作限定。 步驟103,採用預設的影片資料檢測模型對所述品質特徵資訊進行識別,以獲得目標影片資料; 在本發明實施例中,預設的影片資料檢測模型可以通過對訓練樣本集中的多個樣本影片資料進行訓練產生,從而可以用於對待檢測的影片資料的各個品質特徵資訊進行識別。 在具體實現中,訓練樣本集中的多個樣本影片資料可以包括多個正向樣本影片資料和多個負向樣本影片資料,所述正向樣本影片資料可以是影片品質較好的影片片段,例如,流暢度和連貫性較好、各個影片幀之間的整體風格較一致的影片片段,通常此類正向樣本影片資料可以通過人工打標或者網路爬取獲得;與正向樣本影片資料相反,所述負向樣本影片資料則是流暢度、連貫性以及各個影片幀之間的整體風格一致性較差的影片片段,通常此類負向樣本影片資料可以通過對多個影片幀進行隨機合成獲得,本發明實施例對正向樣本影片資料和負向樣本影片資料的來源和識別方式不作限定。 在集合多個正向樣本影片資料和負向樣本影片資料形成訓練樣本集後,可以分別提取所述正向樣本影片資料和負向樣本影片資料的品質特徵資訊,並進行模型訓練,從而產生影片資料檢測模型;進而可以在提取待檢測的影片資料的品質特徵資訊後,採用所述影片資料檢測模型對所述品質特徵資訊進行識別,獲得目標影片資料。 在本發明實施例中,所述目標影片資料可以是經影片資料檢測模型識別後獲得的品質較好的影片片段。 步驟104,向使用者推薦所述目標影片資料。 在具體實現中,向使用者推薦目標影片資料可以是在使用者介面播放所述目標影片片段,也可以是將所述目標影片片段推送給使用者,本發明實施例對推薦目標影片資料的具體方式不作限定。 在本發明實施例中,通過獲取一個或多個待檢測的影片資料,並分別提取每個待檢測的影片資料的品質特徵資訊,然後採用預設的影片資料檢測模型對所述品質特徵資訊進行識別,以獲得目標影片資料,進而向使用者推薦所述目標影片資料,本發明實施例採用深度學習模型能夠迅速篩選出優質的影片資料,解決了現有技術中只能依靠人工識別並向使用者推薦影片片段的問題,提高了對影片資料的識別效率以及推薦的準確率。 參照圖2,示出了本發明的一種影片資料的推薦方法實施例二的步驟流程圖,具體可以包括如下步驟: 步驟201,分別提取多個樣本影片資料的品質特徵資訊,所述多個樣本影片資料包括多個正向樣本影片資料和負向樣本影片資料; 如圖3所示,是本發明的一種影片資料的推薦方法的原理方塊圖。本發明實施例通過對訓練樣本集進行特徵抽取,進而進行深度學習建模,然後採用訓練好的模型對待檢測影片資料進行評估,輸出相應的品質分值,同時,在建模過程中通過融合使用者屬性資訊對使用者群體進行聚類,從而實現向使用者群體的影片推薦。 在本發明實施例中,所述正向樣本影片資料可以是影片品質較好的影片片段,例如,流暢度和連貫性較好、各個影片幀之間的整體風格較一致的影片片段,通常此類正向樣本影片資料可以通過人工打標獲得,由運營人員對影片片段的流暢度、連貫性以及各個影片幀之間的整體風格進行檢驗,從而將流暢度和連貫性較好、各個影片幀之間的整體風格較一致的影片片段標記為正向樣本影片資料,還可以通過網路爬取獲得,即通過從影片網站上截取一些點擊率高,點贊數多的優質影片,作為網路爬取的正向樣本影片資料。 與正向樣本影片資料相反,所述負向樣本影片資料則是流暢度、連貫性以及各個影片幀之間的整體風格一致性較差的影片片段,通常此類負向樣本影片資料可以通過對多個影片幀進行隨機合成獲得。例如,可以從多個類別中(比如旅遊、宗教、電子產品中)隨機分別抽取一些零散的影片幀片段,然後將抽取出的影片幀片段隨意組合拼接,這些隨意組合拼接而成的影片片段必然存在大量的不連貫和語義不一致,從而可以將此類拼接而成的影片片段作為負向樣本影片資料。 當然,所屬技術領域中具有通常知識者還可以按照其他方式獲取正向樣本影片資料和負向樣本影片資料,本發明實施例對此不作限定。 然後,可以將獲得的正向樣本影片資料和負向樣本影片資料作為訓練樣本集,供後續的模型訓練使用。 在具體實現中,可以首先分別提取訓練樣本集中的多個樣本影片資料的品質特徵資訊。 作為本發明實施例的一種示例,所述品質特徵資訊可以包括圖像像素特徵資訊,連續幀圖像物體遷移特徵資訊,連續幀圖像動作特徵資訊,圖像幀不同的頻域特徵資訊,圖像幀小波變換特徵資訊,及/或,圖像旋轉算子特徵資訊。 下面逐一對上述六種特徵資訊的提取方式作一說明。 在本發明實施例中,對於圖像像素特徵資訊,可以提取每個樣本影片資料的每一幀圖像的像素資訊,然後分別對所述像素資訊進行卷積運算和池化處理,以獲得圖像像素特徵資訊。 通常,圖像是通過截取影片片段的每一幀獲得的,因此,可以分別抽取每一幀圖像中的像素資訊,作為待處理的特徵集合,然後對所述特徵集合中的像素資訊進行卷積運算,並對卷積運算後獲得的特徵集合進一步進行池化處理(max-pooling),從而獲得圖像像素特徵資訊。 本發明實施例對圖像像素進行處理後,可以獲得像素資訊的最顯著描述,在處理之後,相應的特徵不僅維度降低了,而且更能表達圖像原有的語義含義。 在本發明實施例中,可以通過識別每個樣本影片資料的每一幀圖像中的物體對象,然後分別確定相鄰兩幀圖像中的物體對象出現的次數和頻率,以獲得連續幀圖像物體遷移特徵資訊。 在具體實現中,可以分別對每一幀圖像進行序列分析,對各幀圖像中的物體對象進行識別抽取,然後按照各幀的時間先後順序進行排序,進而確定出相鄰兩幀圖像中的物體對象出現的次數、頻率,以及物體對象之間關聯出現的次數、關聯出現的概率等資訊,作為連續幀圖像物體遷移特徵資訊。 需要說明的是,在確定相鄰兩幀圖像中的物體對象出現的次數、頻率等資訊時,可以根據實際需要選擇部分的相鄰圖像幀,本發明實施例對選擇的相鄰圖像幀的數量不作限定。 與連續幀圖像物體遷移特徵資訊的提取方式類似,本發明實施例在提取連續幀圖像動作特徵資訊時,可以通過識別每個樣本影片資料的每一幀圖像中的動作對象的形狀特徵,然後分別確定相鄰兩幀圖像中的動作對象的形狀特徵的幾何參數,以獲得連續幀圖像動作特徵資訊。 例如,可以分別對每一幀圖像中的動作對象進行識別,並確定出該動作對象的幾何形狀邊界,然後將每一幀圖像中的動作的幾何形狀邊界與前一幀圖像中的動作的幾何形狀邊界進行比較,按照幾何仿射變換計算動作對象的形狀特徵的幾何參數,並將該幾何參數作為連續幀圖像動作特徵資訊。 在本發明實施例中,對於圖像幀不同的頻域特徵資訊,可以通過確定每個樣本影片資料的每一幀圖像的幅值和相位,然後分別確定相鄰兩幀圖像的幅值差和相位差,以獲得圖像幀不同的頻域特徵資訊。 在具體實現中,可以首先對每一幀圖像做傅裡葉變換並抽取頻譜系特徵,然後抽取各個多個不同頻譜系的幅值,相位特徵,將這些特徵都作為每一幀圖像的特徵集合,然後對於相鄰兩幀的幅值差和相位差異性進行計算,得到相鄰兩幀圖像的幅值差和相位差。 對於小波變換特徵資訊,本發明實施例可以通過確定每個樣本影片資料的每一幀圖像的小波係數,然後分別確定相鄰兩幀圖像的小波係數的變化值,以獲得圖像幀小波變換特徵資訊。 具體地,可以對每一幀圖像做小波變換處理,獲得相應的小波係數,然後將各幀圖像按照時間先後進行排序,分別計算相鄰兩幀圖像之間的小波係數的變化情況,抽取小波係數變化的差值作為小波變換特徵資訊。 在本發明實施例中,對於圖像旋轉算子特徵資訊,可以首先確定每個樣本影片資料的每一幀圖像的旋轉算子,然後分別確定相鄰兩幀圖像的旋轉算子的變化值,獲得圖像旋轉算子特徵資訊。 具體地,可以首先計算每一幀圖像的旋轉算子,然後將各幀圖像按照時間先後進行排序,確定相鄰兩幀圖像之間的旋轉算子的變化值,得到圖像旋轉算子特徵資訊。 在具體實現中,計算每一幀圖像的旋轉算子可以採用SIFT((Scale-invariant feature transform,尺度不變特徵轉換)算法,該算法是一種檢測局部特徵的算法,通過求一幅圖中的特徵點及其尺度和方向描述子得到特徵並進行圖像特徵點匹配,其實質是在不同的尺度空間上查找關鍵點(特徵點),並計算出關鍵點的方向。 以上對如何提取影片資料的圖像像素特徵資訊,連續幀圖像物體遷移特徵資訊,連續幀圖像動作特徵資訊,圖像幀不同的頻域特徵資訊,圖像幀小波變換特徵資訊和圖像旋轉算子特徵資訊進行了介紹,所屬技術領域中具有通常知識者還可以採用其他方式抽取上述特徵資訊,本發明實施例對比不作限定。 步驟202,採用所述多個正向樣本影片資料和負向樣本影片資料的品質特徵資訊進行訓練,產生影片資料檢測模型; 在分別獲得樣本影片資料的多種類型的品質特徵資訊後,可以採用所述品質特徵資訊進行模型訓練,從而產生影片資料檢測模型。 在具體實現中,可以首先對所述多個正向樣本影片資料和負向樣本影片資料的品質特徵資訊進行歸一化處理,獲得歸一化的品質特徵資訊,並補全所述歸一化的品質特徵資訊的缺失值,然後從所述歸一化的品質特徵資訊中識別出目標品質特徵資訊,進而採用所述目標品質特徵資訊進行神經網路模型訓練,產生影片資料檢測模型。 在本發明實施例中,識別目標品質特徵資訊可以是篩選出高判別性的特徵資訊,具體地,可以首先確定所述歸一化的品質特徵資訊的資訊熵。由於資訊熵越大的特徵,蘊含的資訊也越豐富,進而特徵的重要性也越大,越應該保留,因此,可以識別所述資訊熵超過第一預設閾值的品質特徵資訊為目標品質特徵資訊。 在本發明實施例中,在產生影片資料檢測模型時,還可以融合進使用者的個性化的特徵資訊,從而使對待檢測的影片資料進行識別時,能夠對影片資料的評價與使用者屬性相結合,提高推薦影片資料的針對性和有效性。 在具體實現中,可以獲取多個使用者的屬性資訊,然後根據所述屬性資訊,將所述多個使用者聚類為多個使用者群體,所述使用者群體具有相應的使用者標籤,從而在對訓練樣本集中的影片資料進行模型訓練時,可以有效融合使用者的屬性資訊。 步驟203,獲取一個或多個待檢測的影片資料; 在本發明實施例中,所述待檢測的影片資料可以是在影片庫中根據某種規則提取多個影片幀實時合成的影片片段。例如,在電子商務網站使用影片內容進行導購及營銷時,可以根據輸入的文本內容,從海量的影片庫中提取出與所述文本內容相匹配的多個影片幀,然後將所述多個影片幀按照一定規則組合成影片片段。當然,所屬技術領域中具有通常知識者還可以採用其他方式確定待檢測的影片資料,例如,所述待檢測的影片資料也可以是從各種途徑獲取的現成的影片片段,本發明實施例對此不作限定。 步驟204,分別提取每個待檢測的影片資料的品質特徵資訊; 與樣本影片資料類似,待檢測的影片資料的品質特徵資訊也可以包括圖像像素特徵資訊,連續幀圖像物體遷移特徵資訊,連續幀圖像動作特徵資訊,圖像幀不同的頻域特徵資訊,圖像幀小波變換特徵資訊,及/或,圖像旋轉算子特徵資訊。 對於上述品質特徵資訊的提取方法可以參見步驟201,本步驟對此不再贅述。 步驟205,採用預設的影片資料檢測模型分別對所述一個或多個待檢測的影片資料的品質特徵資訊進行識別,以獲得所述一個或多個待檢測的影片資料的品質分值; 在具體實現中,在完成影片檢測模型的構建,以及待檢測影片資料的品質特徵資訊的提取後,便可以採用已經訓練好的影片檢測模型對所述品質特徵資訊進行識別,並依據識別結果對每一個待檢測的影片資料進行評分,輸出相應的品質分值。 步驟206,提取所述品質分值超過第二預設閾值的影片資料為目標影片資料; 通常,品質分值越高,其對應的影片資料的品質越好,該影片資料的流暢度和連貫性也較好、各個影片幀之間的整體風格也會相對較一致。因此,可以將品質分值超過第二預設閾值的影片資料提取為目標影片資料。所屬技術領域中具有通常知識者可以根據實際需要確定第二預設閾值的大小,本發明實施例對此不作限定。當然,還可以直接選擇品質分值最高的影片資料作為目標影片資料,本發明實施例對此亦不作限定。 步驟207,在所述多個使用者群體中確定目標使用者群體; 在本發明實施例中,由於在構建影片資料檢測模型的過程中加入了使用者的屬性資訊,因此,識別出的目標影片資料可以包括有相應的影片標籤,以體現該影片資料的分類或其他資訊。 在具體實現中,可以根據影片標籤與使用者群體的使用者標籤的比對,識別出該目標影片資料所針對的目標使用者群體。例如,可以確定與所述目標影片資料的影片標籤相同的使用者標籤所對應的使用者群體為目標使用者群體。當然,所屬技術領域中具有通常知識者還可以採用其他方式確定目標使用者群體,本發明實施例對此不作限定。 步驟208,向所述目標使用者群體推薦所述目標影片資料。 在本發明實施例中,在分別確定目標影片資料和目標使用者群體後,便可以將所述目標影片資料推薦給目標使用者群體。 例如,對於電子商務網站的影片導購,可以在確定出優質的導購影片片段後,將該影片片段推薦給潛在的消費群體,提升使用者服務體驗,提高使用者轉化率。 參照圖4,示出了本發明的一種影片資料檢測模型的產生方法實施例的步驟流程圖,具體可以包括如下步驟: 步驟401,分別提取多個樣本影片資料的品質特徵資訊,所述多個樣本影片資料包括多個正向樣本影片資料和負向樣本影片資料; 步驟402,採用所述多個正向樣本影片資料和負向樣本影片資料的品質特徵資訊進行訓練,產生影片資料檢測模型。 在本發明實施例中,所述品質特徵資訊可以包括圖像像素特徵資訊,連續幀圖像物體遷移特徵資訊,連續幀圖像動作特徵資訊,圖像幀不同的頻域特徵資訊,圖像幀小波變換特徵資訊,及/或,圖像旋轉算子特徵資訊。 由於本實施例步驟401-步驟402中所述的影片資料檢測模型產生方法與上述影片資料的推薦方法實施例二中步驟201-步驟202類似,可以相互參閱,本實施例對此不再贅述。 參照圖5,示出了本發明的一種影片資料的識別方法實施例的步驟流程圖,具體可以包括如下步驟: 步驟501,獲取一個或多個待檢測的影片資料; 在本發明實施例中,可以提供一使用者介面,例如,在終端的顯示屏上展現一交互介面,使用者可以通過該交互介面,提交針對一個或多個影片資料的檢測請求。所述影片資料可以是從各種途徑獲取的現成的影片片段,也可以是在影片庫中根據某種規則提取多個影片幀實時合成的影片片段,本發明實施例對影片資料的具體來源和類型不作限定。 步驟502,將所述一個或多個待檢測的影片資料發送至伺服器,所述伺服器用於分別對所述一個或多個待檢測的影片資料進行識別,以獲得識別結果,所述識別結果包括一個或多個候選影片資料; 當使用者在提交針對影片資料的檢測請求後,終端可以將一個或多個待檢測的影片資料發送至伺服器,由所述伺服器完成對上述影片資料的識別,以獲得相應的識別結果。 在本發明實施例中,所述識別結果可以包括一個或多個候選影片資料,每個候選影片資料均包括有相應的品質分值。 在具體實現中,伺服器對一個或多個待檢測的影片資料進行識別的過程,與前述實施例中步驟201-步驟205類似,可以相互參照,本實施例對此不再贅述。 步驟503,接收所述伺服器返回的所述一個或多個候選影片資料; 在本發明實施例中,伺服器在完成對待檢測影片資料的識別,獲得識別結果後,可以將所述識別結果中包括的一個或多個候選影片資料返回給終端。 步驟504,在所述一個或多個候選影片資料中確定目標影片資料; 在本發明實施例中,由於候選影片資料具有相應的品質分值,因此,可以根據品質分值的高低,確定出目標影片資料。 在一種示例中,品質分值越高,可以認為對應的影片資料的品質越好,因此,可以以品質分值最高的影片資料作為目標影片資料;或者,可以從品質分值超過某一閾值的多個候選影片資料中確定出一篩選範圍,然後進一步根據業務的實際需求,從該範圍內的多個候選影片資料中確定出目標影片資料,本發明實施例對確定目標影片資料的具體方式不作限定。當然,目標影片資料可以不止一個,也可以有多個,本發明對此亦不作限定。 需要說明的是,目標影片資料可以是由終端根據使用者輸入的資訊自行確定的,可以是使用者在多個候選影片資料中具體選定的,本發明實施例對此不作限定。 步驟505,展現所述目標影片資料。 當確定出目標影片資料後,終端可以在交互介面上展現所述目標影片資料,例如,可以展現目標影片資料的具體資訊,或者直接播放該目標影片資料,本發明實施例對此不作限定。 在本發明實施例中,通過在終端上提供一交互介面,從而使用者可以通過該交互介面直接提交對影片資料的識別請求,並由伺服器對該識別請求所針對的影片資料進行識別,使得使用者可以根據實際需要完成對影片資料的檢測,提高了使用者對影片資料的品質的判斷便捷性。 需要說明的是,對於方法實施例,為了簡單描述,故將其都表述為一系列的動作組合,但是所屬技術領域中具有通常知識者應該知悉,本發明實施例並不受所描述的動作順序的限制,因為依據本發明實施例,某些步驟可以採用其他順序或者同時進行。其次,所屬技術領域中具有通常知識者也應該知悉,說明書中所描述的實施例均屬於較佳實施例,所涉及的動作並不一定是本發明實施例所必須的。 參照圖6,示出了本發明的一種影片資料的推薦裝置實施例的結構方塊圖,具體可以包括如下模組: 獲取模組601,用於獲取一個或多個待檢測的影片資料; 提取模組602,用於分別提取每個待檢測的影片資料的品質特徵資訊; 識別模組603,用於採用預設的影片資料檢測模型對所述品質特徵資訊進行識別,以獲得目標影片資料; 推薦模組604,用於向使用者推薦所述目標影片資料。 在本發明實施例中,所述預設的影片資料檢測模型可以通過調用如下模組產生: 品質特徵資訊提取模組,用於分別提取多個樣本影片資料的品質特徵資訊,所述多個樣本影片資料可以包括多個正向樣本影片資料和負向樣本影片資料; 影片資料檢測模型產生模組,用於採用所述多個正向樣本影片資料和負向樣本影片資料的品質特徵資訊進行訓練,產生影片資料檢測模型。 在本發明實施例中,所述品質特徵資訊可以包括圖像像素特徵資訊,連續幀圖像物體遷移特徵資訊,連續幀圖像動作特徵資訊,圖像幀不同的頻域特徵資訊,圖像幀小波變換特徵資訊,及/或,圖像旋轉算子特徵資訊。 在本發明實施例中,所述品質特徵資訊提取模組具體可以包括如下子模組: 像素資訊提取子模組,用於提取每個樣本影片資料的每一幀圖像的像素資訊; 像素資訊處理子模組,用於分別對所述像素資訊進行卷積運算和池化處理,以獲得圖像像素特徵資訊。 在本發明實施例中,所述品質特徵資訊提取模組還可以包括如下子模組: 物體對象識別子模組,用於識別每個樣本影片資料的每一幀圖像中的物體對象; 物體對象處理子模組,用於分別確定相鄰兩幀圖像中的物體對象出現的次數和頻率,以獲得連續幀圖像物體遷移特徵資訊。 在本發明實施例中,所述品質特徵資訊提取模組還可以包括如下子模組: 動作對象識別子模組,用於識別每個樣本影片資料的每一幀圖像中的動作對象的形狀特徵; 動作對象處理子模組,用於分別確定相鄰兩幀圖像中的動作對象的形狀特徵的幾何參數,以獲得連續幀圖像動作特徵資訊。 在本發明實施例中,所述品質特徵資訊提取模組還可以包括如下子模組: 幅值和相位確定子模組,用於確定每個樣本影片資料的每一幀圖像的幅值和相位; 幅值和相位處理子模組,用於分別確定相鄰兩幀圖像的幅值差和相位差,以獲得圖像幀不同的頻域特徵資訊。 在本發明實施例中,所述品質特徵資訊提取模組還可以包括如下子模組: 小波係數確定子模組,用於確定每個樣本影片資料的每一幀圖像的小波係數; 小波係數處理子模組,用於分別確定相鄰兩幀圖像的小波係數的變化值,以獲得圖像幀小波變換特徵資訊。 在本發明實施例中,所述品質特徵資訊提取模組還可以包括如下子模組: 旋轉算子確定子模組,用於確定每個樣本影片資料的每一幀圖像的旋轉算子; 旋轉算子處理子模組,用於分別確定相鄰兩幀圖像的旋轉算子的變化值,以獲得圖像旋轉算子特徵資訊。 在本發明實施例中,所述影片資料檢測模型產生模組具體可以包括如下子模組: 歸一化處理子模組,用於對所述多個正向樣本影片資料和負向樣本影片資料的品質特徵資訊進行歸一化處理,以獲得歸一化的品質特徵資訊; 缺失值補全子模組,用於補全所述歸一化的品質特徵資訊的缺失值; 目標品質特徵資訊識別子模組,用於從所述歸一化的品質特徵資訊中識別出目標品質特徵資訊; 影片資料檢測模型產生子模組,用於採用所述目標品質特徵資訊進行神經網路模型訓練,產生影片資料檢測模型。 在本發明實施例中,所述目標品質特徵資訊識別子模組具體可以包括如下單元: 資訊熵確定單元,用於確定所述歸一化的品質特徵資訊的資訊熵; 目標品質特徵資訊識別單元,用於識別所述資訊熵超過第一預設閾值的品質特徵資訊為目標品質特徵資訊。 在本發明實施例中,產生所述預設的影片資料檢測模型還可以調用如下模組: 屬性資訊獲取模組,用於獲取多個使用者的屬性資訊; 使用者群體聚類模組,用於根據所述屬性資訊,將所述多個使用者聚類為多個使用者群體,所述使用者群體具有相應的使用者標籤。 在本發明實施例中,所述識別模組603具體可以包括如下子模組: 品質特徵資訊識別子模組,用於採用預設的影片資料檢測模型分別對所述一個或多個待檢測的影片資料的品質特徵資訊進行識別,以獲得所述一個或多個待檢測的影片資料的品質分值; 目標影片資料提取子模組,用於提取所述品質分值超過第二預設閾值的影片資料為目標影片資料。 在本發明實施例中,所述推薦模組604具體可以包括如下子模組: 目標使用者群體確定子模組,用於在所述多個使用者群體中確定目標使用者群體; 目標影片資料推薦子模組,用於向所述目標使用者群體推薦所述目標影片資料。 在本發明實施例中,所述目標影片資料可以具有相應的影片標籤,所述目標使用者群體確定子模組具體可以包括如下單元: 目標使用者群體確定單元,用於確定與所述目標影片資料的影片標籤相同的使用者標籤所對應的使用者群體為目標使用者群體。 參照圖7,示出了本發明的一種影片資料檢測模型的產生裝置實施例的結構方塊圖,具體可以包括如下模組: 品質特徵資訊提取模組701,用於分別提取多個樣本影片資料的品質特徵資訊,所述多個樣本影片資料可以包括多個正向樣本影片資料和負向樣本影片資料; 影片資料檢測模型產生模組702,用於採用所述多個正向樣本影片資料和負向樣本影片資料的品質特徵資訊進行訓練,產生影片資料檢測模型。 在本發明實施例中,所述品質特徵資訊可以包括圖像像素特徵資訊,連續幀圖像物體遷移特徵資訊,連續幀圖像動作特徵資訊,圖像幀不同的頻域特徵資訊,圖像幀小波變換特徵資訊,及/或,圖像旋轉算子特徵資訊。 參照圖8,示出了本發明的一種影片資料的識別裝置實施例的結構方塊圖,具體可以包括如下模組: 獲取模組801,用於獲取一個或多個待檢測的影片資料; 發送模組802,用於將所述一個或多個待檢測的影片資料發送至伺服器,所述伺服器用於分別對所述一個或多個待檢測的影片資料進行識別,以獲得識別結果,所述識別結果可以包括一個或多個候選影片資料; 接收模組803,用於接收所述伺服器返回的所述一個或多個候選影片資料; 確定模組804,用於在所述一個或多個候選影片資料中確定目標影片資料; 展現模組805,用於展現所述目標影片資料。 對於裝置實施例而言,由於其與方法實施例基本相似,所以描述的比較簡單,相關之處參見方法實施例的部分說明即可。 本說明書中的各個實施例均採用遞進的方式描述,每個實施例重點說明的都是與其他實施例的不同之處,各個實施例之間相同相似的部分互相參見即可。 所屬技術領域中具有通常知識者應明白,本發明實施例的實施例可提供為方法、裝置、或電腦程式產品。因此,本發明實施例可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且,本發明實施例可採用在一個或多個其中包含有電腦可用程式代碼的電腦可用儲存媒介(包括但不限於磁碟儲存器、CD-ROM、光學儲存器等)上實施的電腦程式產品的形式。 在一個典型的配置中,所述電腦設備包括一個或多個處理器 (CPU)、輸入/輸出介面、網路介面和內存。內存可能包括電腦可讀媒介中的非永久性儲存器,隨機存取儲存器(RAM) 及/或非易失性內存等形式,如唯讀儲存器(ROM)或快閃記憶體(flash RAM)。內存是電腦可讀媒介的示例。電腦可讀媒介包括永久性和非永久性、可行動和非可行動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存媒介的例子包括,但不限於相變內存 (PRAM)、靜態隨機存取儲存器 (SRAM)、動態隨機存取儲存器 (DRAM)、其他類型的隨機存取儲存器 (RAM)、唯讀儲存器 (ROM)、電可擦除可程式化唯讀儲存器 (EEPROM)、快閃記憶體或其他內存技術、唯讀光碟唯讀儲存器(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存、卡式磁帶,磁帶磁磁碟儲存或其他磁性儲存設備或任何其他非傳輸媒介,可用於儲存可以被計算設備訪問的資訊。按照本文中的界定,電腦可讀媒介不包括非持續性的電腦可讀媒體(transitory media),如調變的資料信號和載波。 本發明實施例是參照根據本發明實施例的方法、終端設備(系統)、和電腦程式產品的流程圖及/或方塊圖來描述的。應理解可由電腦程式指令實現流程圖及/或方塊圖中的每一流程及/或方塊、以及流程圖及/或方塊圖中的流程及/或方塊的結合。可提供這些電腦程式指令到通用電腦、專用電腦、嵌入式處理機或其他可程式化資料處理終端設備的處理器以產生一個機器,使得通過電腦或其他可程式化資料處理終端設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程及/或方塊圖一個方塊或多個方塊中指定的功能的裝置。 這些電腦程式指令也可儲存在能引導電腦或其他可程式化資料處理終端設備以特定方式工作的電腦可讀儲存器中,使得儲存在該電腦可讀儲存器中的指令產生包括指令裝置的製造品,該指令裝置實現在流程圖一個流程或多個流程及/或方塊圖一個方塊或多個方塊中指定的功能。 這些電腦程式指令也可裝載到電腦或其他可程式化資料處理終端設備上,使得在電腦或其他可程式化終端設備上執行一系列操作步驟以產生電腦實現的處理,從而在電腦或其他可程式化終端設備上執行的指令提供用於實現在流程圖一個流程或多個流程及/或方塊圖一個方塊或多個方塊中指定的功能的步驟。 儘管已描述了本發明實施例的較佳實施例,但所屬技術領域中具有通常知識者一旦得知了基本進步性概念,則可對這些實施例做出另外的變更和修改。所以,所附請求項意欲解釋為包括較佳實施例以及落入本發明實施例範圍的所有變更和修改。 最後,還需要說明的是,在本文中,諸如第一和第二等之類的關係術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來,而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關係或者順序。而且,術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含,從而使得包括一系列要素的過程、方法、物品或者終端設備不僅包括那些要素,而且還包括沒有明確列出的其他要素,或者是還包括為這種過程、方法、物品或者終端設備所固有的要素。在沒有更多限制的情況下,由語句“包括一個……”限定的要素,並不排除在包括所述要素的過程、方法、物品或者終端設備中還存在另外的相同要素。 以上對本發明所提供的一種影片資料的推薦方法、一種影片資料的推薦裝置、一種影片資料檢測模型的產生方法、一種影片資料檢測模型的產生裝置、一種影片資料的識別方法和一種影片資料的識別裝置,進行了詳細介紹,本文中應用了具體個例對本發明的原理及實施方式進行了闡述,以上實施例的說明只是用於幫助理解本發明的方法及其核心思想;同時,對於所屬技術領域中具有通常知識者,依據本發明的思想,在具體實施方式及應用範圍上均會有改變之處,綜上所述,本說明書內容不應理解為對本發明的限制。
101‧‧‧步驟102‧‧‧步驟103‧‧‧步驟104‧‧‧步驟201‧‧‧步驟202‧‧‧步驟203‧‧‧步驟204‧‧‧步驟205‧‧‧步驟206‧‧‧步驟207‧‧‧步驟208‧‧‧步驟401‧‧‧步驟402‧‧‧步驟501‧‧‧步驟502‧‧‧步驟503‧‧‧步驟504‧‧‧步驟505‧‧‧步驟601‧‧‧獲取模組602‧‧‧提取模組603‧‧‧識別模組604‧‧‧推薦模組701‧‧‧品質特徵資訊提取模組702‧‧‧影片資料檢測模型產生模組801‧‧‧獲取模組802‧‧‧發送模組803‧‧‧接收模組804‧‧‧確定模組
圖1是本發明的一種影片資料的推薦方法實施例一的步驟流程圖; 圖2是本發明的一種影片資料的推薦方法實施例二的步驟流程圖; 圖3是本發明的一種影片資料的推薦方法的原理方塊圖; 圖4是本發明的一種影片資料檢測模型的產生方法實施例的步驟流程圖; 圖5是本發明的一種影片資料的識別方法實施例的步驟流程圖; 圖6是本發明的一種影片資料的推薦裝置實施例的結構方塊圖; 圖7是本發明的一種影片資料檢測模型的產生裝置實施例的結構方塊圖; 圖8是本發明的一種影片資料的識別裝置實施例的結構方塊圖。