视频处理方法、计算机设备和计算机存储介质技术

一种视频处理方法、计算机设备和计算机存储介质，一个实施例的方法包括：从待处理视频中获取一段视频内容作为当前视频内容段；分析所述当前视频内容段是否有分割点；若有分割点，确定各分割点在所述当前视频内容段中的第一位置，根据所述第一位置和所述待处理视频的视频总长度，确定各分割点在所述待处理视频中的第二位置；若无分割点，或者确定各分割点在所述待处理视频中的第二位置之后，从所述待处理视频中获取下一段视频内容作为当前视频内容段，返回分析所述当前视频内容段是否有分割点，直至所述待处理视频的各段视频内容均分析完毕。本申请实施例提高了视频拆条的效率。

【技术实现步骤摘要】
视频处理方法、计算机设备和计算机存储介质
本申请涉及计算机
，特别是涉及一种视频处理方法、计算机设备和计算机存储介质。
技术介绍
随着计算机等各种技术的发展，出现了对视频进行智能拆条的技术需求，如新媒体节目等。新媒体节目的生成实际上是对传统媒体节目的二次加工过程，其以有传统电视媒体的节目、各类机构视频成品、影视公司影视作品等为主要内容来源，在对其拆条和编目后用于IPTV(交互式网络电视)、OTT(采用IP流等技术形成的一种新的电视形态)、手机电视、新闻APP(Application，计算机应用程序)等全媒体应用。其中，拆条是指将一个长视频中的视频条目在原视频中标记出来，便于对视频条目的定位，这里的视频条目可能是一个完整节目，也可能是节目中的短节目或者广告。其中，视频条目与视频条目的之间的临界帧被称为分割点，在视频拆条时，可以有不同的粒度，如若将一个长视频拆条成一个个完整的节目，则称为大粒度拆条，若是将大粒度拆条后的视频条目进一步拆分成更小的视频条目，则称为小粒度拆条。在目前进行视频拆条时，通常是由人工逐帧预览手动拆条，或者根据节目的时长大致地进行拆条，然而这些方式均耗时费力，且需要人工干预才能达到预期的拆条标准，效率低。
技术实现思路
基于此，有必要提供一种视频处理方法、计算机设备和计算机存储介质。一种视频处理方法，所述方法包括：从待处理视频中获取一段视频内容作为当前视频内容段；分析所述当前视频内容段是否有分割点；若有分割点，确定各分割点在所述当前视频内容段中的第一位置，根据所述第一位置和所述待处理视频的视频总长度，确定各分割点在所述待处理视频中的第二位置；若无分割点，或者确定各分割点在所述待处理视频中的第二位置之后，从所述待处理视频中获取下一段视频内容作为当前视频内容段，返回分析所述当前视频内容段是否有分割点，直至所述待处理视频的各段视频内容均分析完毕。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现如上所述的方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的方法的步骤。如上所述的实施例中的视频处理方法、计算机设备和计算机存储介质，每次从待处理视频中获取一视频内容段，分析其是否包含有分割点，若有分割点，再确定出分割点在该视频内容段中的位置，据此确定分割点在整个待处理视频中的视频总长度，从而通过对各视频内容段逐段进行分析，可以较为准确地进行视频拆条，提高了视频拆条的效率。附图说明图1为一个实施例中的视频处理方法的流程示意图；图2为一个实施例中的获取视频内容段的示意图；图3为一个实施例中的分割点分析模型在前的部分网络结构示意图；图4为一个实施例中的分割点网络模型在后的部分网络结构示意图；图5为一个实施例中的分割点回归定位模型在前的部分网络结构示意图；图6为一个实施例中的分割点回归定位模型在后的部分网络结构示意图；图7为一个实施例中计算机设备的内部结构图；图8为另一个实施例中计算机设备的内部结构图。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，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。本申请实施例提供的视频处理方法，可以由任何需要或者可以要对视频进行拆条的设备执行，这样的设备可以是用户终端、服务器等，用户终端可以是指移动终端、智能终端、智能穿戴式设备等等，服务器可以是一个单独的服务器，也可以是由多个服务器组成的服务器集群。其中，在下述本申请各实施例的说明中，涉及训练模型的过程，可以有执行该视频处理方法的设备进行，也可以是由第三方设备进行，执行该视频处理方法的设备从第三方设备获得第三方设备训练获得的模型进行使用。为了便于说明，在下述各实施例中，未对此进行明确区分。参考图1所示，一个实施例中的视频处理方法，包括下述步骤S101至步骤S104。步骤S101：从待处理视频中获取一段视频内容作为当前视频内容段。待处理视频是指本申请的视频处理方法所需要对其进行处理的视频对象，可以通过任何可能的方式获得该待处理视频。在从待处理视频中获取的一段视频内容的长度，可以结合实际需要进行设定，如300帧或者其他长度。其中，在每一次循环过程中获取一段视频内容时，可以每次获取的视频内容段的相同可以均相同。一个实施例中，若最后一次获取的视频内容段的长度不够该长度，则可以通过对其补齐来得到当前视频内容段。参考图2所示，一个实施例中在获取一段视频内容时，可以在对整个的待处理视频的其中一段视频内容(如图2的t1-t2之间的视频内容段)处理完毕后，将该段视频内容之后的一端视频内容(如图2的t2-t3之间的视频内容段)作为当前视频内容段。步骤S102：分析所述当前视频内容段是否有分割点。在一个实施例中，可以基于预先训练获得的模型(本申请实施例中称为分割点分类模型)，来分析当前视频内容段是否有分割点。分析时，将当前视频内容段或者提取该当前视频内容段的特征输入该分割点分类模型，从而得到该当前视频内容段是否有分割点的分析结果。一个实施例中的该分割点分类模型包括：依次连接的输入层、卷积层、预定数目的卷积块、池化层、flatten层和全连接层。其中，任意一个卷积块可以包括两个正则化层(如batch_normalization层)、两个激活层(activation层)和一个卷积层。可以理解，在其他实施例中，该分割点分类模型可以具有其他的神经网络结构。一个实施例中，在训练获得分割点分析模型时，可以基于视频数据集，确定各训练样本，然后基于确定各训练样本进行训练获得分割点分析模型。这里的视频内容集中的视频可以为用任何可能的方式获得的视频，一个实施例中可以采用Youtube8M数据集作为该视频内容集。Youtube8M数据集包含800亿的视频，每个视频至少有1000帧，长度在120秒到150秒之间，都与一个知识图谱实体相关联，从而可以丰富训练样本。一个实施例中，在基于视频数据集，确定各训练样本时，可以包括下述步骤S1021至步骤S1025。步骤S1021：采用图像表征模型，提取视频数据集中的各视频的视频特征。上述图像分类模型，可以是采用已有的各种图像表征模型，一个实施例中可以是Inception-v3模型(Inception-V3imageannotationmodel，深度神经网络Inception-v3模型)，可以理解，在其他实施例中，也可以采用其他的图像表征模型。在提取视频数据集中各视频的视频特征时，所采用的时间分辨率可以基于实际技术需要进行设定，一个实施例中，可以以每秒1帧的时间分辨率进行提取。一个实施例中，提取的视频数据集中各视频的视频特征时，可以提取该视频的视频级特征(video-level)和帧级特征特征(frame-level)这两种类型的特征，提取的这些特征通常已经包含了众多的特征类型，一个实施例中提取的视频特征可以包含视频类别，如体育、广告、学习、新闻、音乐、游戏、食品、动物等。步骤S1022：基于各视频的视频特征确定模型训练所需的各初始样本文件。一个实施例中，基于各视频的视频特征确定模型训练所需各初始样本文件，可以包括步骤S10221本文档来自技高网...

【技术保护点】
1.一种视频处理方法，所述方法包括：从待处理视频中获取一段视频内容作为当前视频内容段；分析所述当前视频内容段是否有分割点；若有分割点，确定各分割点在所述当前视频内容段中的第一位置，根据所述第一位置和所述待处理视频的视频总长度，确定各分割点在所述待处理视频中的第二位置；若无分割点，或者确定完各分割点在所述待处理视频中的第二位置之后，从所述待处理视频中获取下一段视频内容作为当前视频内容段，返回分析所述当前视频内容段是否有分割点，直至所述待处理视频的各段视频内容均分析完毕。

【技术特征摘要】
1.一种视频处理方法，所述方法包括：从待处理视频中获取一段视频内容作为当前视频内容段；分析所述当前视频内容段是否有分割点；若有分割点，确定各分割点在所述当前视频内容段中的第一位置，根据所述第一位置和所述待处理视频的视频总长度，确定各分割点在所述待处理视频中的第二位置；若无分割点，或者确定完各分割点在所述待处理视频中的第二位置之后，从所述待处理视频中获取下一段视频内容作为当前视频内容段，返回分析所述当前视频内容段是否有分割点，直至所述待处理视频的各段视频内容均分析完毕。2.根据权利要求1所述的方法，其特征在于，包括下述两项中的任意一项：第一项：基于预先训练获得的分割点分类模型，分析所述当前视频内容段是否有分割点；训练获得分割点分析模型时，基于视频数据集，产生训练样本；第二项：基于预先训练获得的分割点回归定位模型，确定各分割点在所述当前视频内容段中的第一位置；训练获得分割点回归定位模型时，基于视频数据集，产生训练样本。3.根据权利要求2所述的方法，其特征在于，基于视频数据集，产生训练样本，包括：采用图像表征模型，提取视频数据集中的各视频的视频特征；基于各视频的视频特征确定各初始样本文件；从各初始样本文件中随机选取两个初始样本文件；从两个所述初始样本文件中分别随机选取两个视频，基于随机选取的两个视频进行组合，获得组合后视频，基于组合后视频确定初始训练样本；返回从各初始样本文件中随机选取两个初始样本文件的过程，直至获得的初始训练样本的数目达到预定样本数目，并将获得的各初始训练样本作为各训练样本。4.根据权利要求3所述的方法，其特征在于，基于各视频的视频特征确定各初始样本文件，包括：对各视频的视频特征分别进行降维处理，获得降维处理后的视频特征，降维处理后的视频特征包括视...

【专利技术属性】
技术研发人员：周建国，徐理，李蕊，尚浩，
申请(专利权)人：湖南双菱电子科技有限公司，
类型：发明
国别省市：湖南,43