一种基于深度学习的视频剪辑方法和装置制造方法及图纸

本发明专利技术实施例公开了一种基于深度学习的视频剪辑方法和装置，将人工智能方法引入视频剪辑领域，通过深度学习算法对视频进行语音和图像识别监视，然后通过特征训练建立视频剪辑模型，实现视频的自动化批量剪辑，解决了目前使用AE脚本进行视频自动剪辑需要人为手工的设置剪辑规则、核心判断视频剪辑方案是通过背景音乐实现的从而造成的局限性很大、无法自动化和批量化的视频剪辑、不适用于实际生产环境的技术问题。

【技术实现步骤摘要】
一种基于深度学习的视频剪辑方法和装置
本专利技术涉及视频剪辑领域，尤其涉及一种基于深度学习的视频剪辑方法和装置。
技术介绍
视频剪辑是对视频源进行非线性编辑的软件，属多媒体制作软件范畴。软件通过对加入的图片、背景音乐、特效、场景等素材与视频进行重混合，对视频源进行切割、合并，通过二次编码，生成具有不同表现力的新视频。目前视频剪辑的方法是使用AE脚本进行视频的自动剪辑。然而，该视频剪辑方法需要人为手工的设置剪辑规则，核心判断视频剪辑方案是通过背景音乐实现的，局限性很大，无法自动化和批量化的视频剪辑，不适用于实际生产环境。
技术实现思路
本专利技术实施例提供了一种基于深度学习的视频剪辑方法和装置，将人工智能方法引入视频剪辑领域，通过深度学习算法对视频进行语音和图像识别监视，然后通过特征训练建立视频剪辑模型，实现视频的自动化批量剪辑，解决了目前使用AE脚本进行视频自动剪辑需要人为手工的设置剪辑规则、核心判断视频剪辑方案是通过背景音乐实现的从而造成的局限性很大、无法自动化和批量化的视频剪辑、不适用于实际生产环境的技术问题。本专利技术实施例提供了一种基于深度学习的视频剪辑方法，包括：通过深度学习算法将预置第一视频中的语音转化成文本数据；通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练；根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型，并通过所述视频剪辑模型对批量采集到的第二视频进行剪辑。优选地，在根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型，并通过所述视频剪辑模型对批量采集到的第二视频进行剪辑之后还包括：将所述第二视频的剪辑视频的观看热度和评价作为深度学习算法的优化输入因子对所述视频剪辑模型进行优化。优选地，在将所述第二视频的剪辑视频的观看热度和评价作为深度学习算法的优化输入因子对所述视频剪辑模型进行优化之后，还包括：通过优化后的视频剪辑模型对对批量采集到的第三视频进行剪辑。优选地，通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练具体包括：将第一因子作为深度学习算法的输入因子，通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练，所述第一因子包括视频的音量、慢动作回放、视频回放。优选地，在根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型，并根据所述视频剪辑模型对批量采集到的第二视频进行剪辑之前还包括：批量采集第二视频。本专利技术实施例提供了一种基于深度学习的视频剪辑装置，包括：语音转化单元，用于通过深度学习算法将预置第一视频中的语音转化成文本数据；特征训练单元，用于通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练；初级剪辑单元，用于根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型，并通过所述视频剪辑模型对批量采集到的第二视频进行剪辑。优选地，所述基于深度学习的视频剪辑装置还包括：优化单元，用于将所述第二视频的剪辑视频的观看热度和评价作为深度学习算法的优化输入因子对所述视频剪辑模型进行优化。优选地，所述基于深度学习的视频剪辑装置还包括：优化剪辑单元，用于通过优化后的视频剪辑模型对对批量采集到的第三视频进行剪辑。优选地，所述特征训练单元，具体用于将第一因子作为深度学习算法的输入因子，通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练，所述第一因子包括视频的音量、慢动作回放、视频回放。优选地，所述基于深度学习的视频剪辑装置还包括：采集单元，用于批量采集第二视频。从以上技术方案可以看出，本专利技术实施例具有以下优点：1、本专利技术实施例提供了一种基于深度学习的视频剪辑方法和装置，将人工智能方法引入视频剪辑领域，通过深度学习算法对视频进行语音和图像识别监视，然后通过特征训练建立视频剪辑模型，实现视频的自动化批量剪辑，解决了目前使用AE脚本进行视频自动剪辑需要人为手工的设置剪辑规则、核心判断视频剪辑方案是通过背景音乐实现的从而造成的局限性很大、无法自动化和批量化的视频剪辑、不适用于实际生产环境的技术问题，有效减少人力投入，适用于实际生产环境。2、本专利技术实施例将观看热度和评价作为深度学习算法的优化输入因子对视频剪辑模型进行优化，从而打通打通视频剪辑评估与视频剪辑策略的闭环，优化了视频剪辑效果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。图1为本专利技术实施例提供的一种基于深度学习的视频剪辑方法的第一实施例的结构示意图；图2为本专利技术实施例提供的一种基于深度学习的视频剪辑方法的第二实施例的结构示意图；图3为本专利技术实施例提供的一种基于深度学习的视频剪辑装置的第一实施例的结构示意图；图4为本专利技术实施例提供的一种基于深度学习的视频剪辑装置的第二实施例的结构示意图。具体实施方式本专利技术实施例提供了一种基于深度学习的视频剪辑方法和装置，将人工智能方法引入视频剪辑领域，通过深度学习算法对视频进行语音和图像识别监视，然后通过特征训练建立视频剪辑模型，实现视频的自动化批量剪辑，解决了目前使用AE脚本进行视频自动剪辑需要人为手工的设置剪辑规则、核心判断视频剪辑方案是通过背景音乐实现的从而造成的局限性很大、无法自动化和批量化的视频剪辑、不适用于实际生产环境的技术问题。为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本专利技术一部分实施例，而非全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。请参阅图1，本专利技术实施例提供了一种基于深度学习的视频剪辑方法的第一实施例，包括：101，通过深度学习算法将预置第一视频中的语音转化成文本数据；在本专利技术实施例中，首先需要通过深度学习算法将预置第一视频中的语音转化成文本数据。102，通过深度学习算法对文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练；在本专利技术实施例中，在通过深度学习算法将预置第一视频中的语音转化成文本数据之后，还需要通过深度学习算法对文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练，用于识别和预测视频剪辑起止时间。103，根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型，并通过视频剪辑模型对批量采集到的第二视频进行剪辑；在本专利技术实施例中，在通过深度学习算法对文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练之后，还需要根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型，并通过视频剪辑模型对批量采集到的第二视频进行剪辑。请参阅图2，本专利技术实施例提供了一种基于深度学习的视频剪辑方法的第二实施例，包括：201，通过深度学习算法将预置第一视频中的语音转化成文本数据；在本专利技术实施例中，首先需要通过深度学习算法本文档来自技高网...

【技术保护点】
一种基于深度学习的视频剪辑方法，其特征在于，包括：通过深度学习算法将预置第一视频中的语音转化成文本数据；通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练；根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型，并通过所述视频剪辑模型对批量采集到的第二视频进行剪辑。

【技术特征摘要】
1.一种基于深度学习的视频剪辑方法，其特征在于，包括：通过深度学习算法将预置第一视频中的语音转化成文本数据；通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练；根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型，并通过所述视频剪辑模型对批量采集到的第二视频进行剪辑。2.根据权利要求1所述的基于深度学习的视频剪辑方法，其特征在于，在根据文字特征训练结果和视频图像特征训练的结果建立视频剪辑模型，并通过所述视频剪辑模型对批量采集到的第二视频进行剪辑之后还包括：将所述第二视频的剪辑视频的观看热度和评价作为深度学习算法的优化输入因子对所述视频剪辑模型进行优化。3.根据权利要求2所述的基于深度学习的视频剪辑方法，其特征在于，在将所述第二视频的剪辑视频的观看热度和评价作为深度学习算法的优化输入因子对所述视频剪辑模型进行优化之后，还包括：通过优化后的视频剪辑模型对对批量采集到的第三视频进行剪辑。4.根据权利要求1所述的基于深度学习的视频剪辑方法，其特征在于，通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练具体包括：将第一因子作为深度学习算法的输入因子，通过深度学习算法对所述文本数据进行文字特征训练并对将批量采集到的视频进行视频图像特征训练，所述第一因子包括视频的音量、慢动作回放、视频回放。5.根据权利要求1所述的基于深度学习的视频剪辑方法，...

【专利技术属性】
技术研发人员：邵山，唐云峰，白云龙，唐昊，
申请(专利权)人：广州市诚毅科技软件开发有限公司，
类型：发明
国别省市：广东,44