一种视频水印的识别方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种视频水印的识别方法、装置、设备及存储介质。该方法包括：将视频中的视频帧划分为两个或两个以上的图像块，得到各视频帧的图像序列；将各视频帧的图像序列输入至目标检测模型，得到各图像块的分类结果，并根据各图像块的分类结果得到视频特征向量；将视频特征向量输入至水印识别模型，得到的水印识别概率大于等于概率阈值，则确定所述视频包含水印。本发明专利技术实施例将各图像块输入至目标检测模型中，得到各视频帧的水印识别结果，将各视频帧的水印识别结果输入至水印识别模型中得到视频的水印识别结果，由于利用了各视频帧的水印识别结果，因此，当水印位置不固定时，仍可准确识别视频中是否包含水印，提高了视频水印的识别精度。

【技术实现步骤摘要】
一种视频水印的识别方法、装置、设备及存储介质
本专利技术实施例涉及识别技术，尤其涉及一种视频水印的识别方法、装置、设备及存储介质。
技术介绍
水印是保护版权的重要标志，随着用户版权意识的逐步提高，各种水印也得到了广泛应用。示例性的，如将水印嵌入视频中，由于视频可以理解为是由至少两帧视频帧组成的，每帧视频帧可看作一张图片，因此将水印嵌入视频中可以理解为将水印嵌入各图片中。由于水印的广泛使用，因此，水印的识别也成为了一个研究的方向。但由于通常水印占图片比例较小，而且经常出现在图片的非关键区域，如图片底部(如左下角或右下角)或者顶部(如左上角或右上角)等。上述对视频水印的识别带来了较大困难，使得视频水印的识别精度不高。
技术实现思路
本专利技术实施例提供一种视频水印的识别方法、装置、设备及存储介质，以提高视频水印的识别精度。第一方面，本专利技术实施例提供了一种视频水印的识别方法，该方法包括：将视频中的视频帧划分为两个或两个以上的图像块，得到各视频帧的图像序列；将各视频帧的图像序列输入至目标检测模型，得到各图像块的分类结果，并根据各图像块的分类结果得到视频特征向量；将所述视频特征向量输入至水印识别模型，得到水印识别概率大于等于概率阈值，则确定所述视频包含水印。进一步的，所述根据各图像块的分类结果得到视频特征向量，包括：根据各图像块的水印分类结果，得到各视频帧的特征向量；根据各视频帧的特征向量得到所述视频特征向量。进一步的，所述根据各图像块的水印分类结果，得打各视频帧的特征向量，包括：将各图像块根据包含水印的概率，对水印分类结果进行排序；从排序结果中确定各视频帧的特征向量。进一步的，所述根据各图像块的水印分类结果，得到各视频帧的特征向量，包括：将各图像块根据包含水印的概率，对水印分类结果进行排序；从排序结果中选取部分水印分类结果进行排序；从排序后的部分水印分类结果中确定各视频帧的特征向量。进一步的，通过如下方式训练所述目标检测模型：获取第一训练样本，所述第一训练样本包括训练图片、训练图片的分类类别和训练图片的位置信息；将各训练图片划分为两个或两个以上的第一训练图像块，并根据各训练图片的分类类别得到各第一训练图像块的分类类别以及根据各训练图片的位置信息得到各第一训练图像块的位置信息；将各第一训练图像块作为输入变量，各第一训练图像块的分类类别和位置信息作为输出变量，训练分类器模型，得到所述目标检测模型。进一步的，所述将各第一训练图像块作为输入变量，各第一训练图像块的分类类别和位置信息作为输出变量，训练分类器模型，得到所述目标检测模型，包括：获取各第一训练图像块的尺寸信息；对各第一训练图像块的尺寸信息进行聚类分析，确定各第一训练图像块的先验框；将各第一训练图像块和各第一训练图像块的先验框作为输入变量，各第一训练图像块的分类类别和位置信息作为输出变量，训练分类器模型，得到所述目标检测模型。进一步的，通过如下方式训练所述水印识别模型：获取第二训练样本，所述第二训练样本包括训练视频和训练视频的分类类别；将所述训练视频中的训练视频帧划分为两个或两个以上的第二训练图像块，得到各训练视频帧的图像序列；将各训练视频帧的图像序列输入至所述目标检测模型，得到各第二训练图像块的分类结果，并根据各第二训练图像块的分类结果得到训练视频特征向量；将所述训练视频特征向量作为输入变量，所述训练视频的分类类别作为输出变量，训练Xgboost模型，得到所述水印识别模型。进一步的，所述根据各第二训练图像块的分类结果得打训练视频特征向量，包括：根据各第二训练图像块的水印分类结果，得到各训练视频帧的特征向量；根据各训练视频帧的特征向量得到所述训练视频特征向量。进一步的，所述根据各第二训练图像块的水印分类结果，得到各训练视频帧的特征向量，包括：将各第二训练图像块根据包含水印的概率，对水印分类结果进行排序；从排序结果中确定各训练视频帧的特征向量。进一步的，所述根据各第二训练图像块的水印分类结果，得到各训练视频帧的特征向量，包括：将各第二训练图像块根据包含水印的概率，对水印分类结果进行排序；从排序结果中选取部分水印分类结果进行排序；从排序后的部分水印分类结果中确定各训练视频帧的特征向量。第二方面，本专利技术实施例还提供了一种视频水印的识别装置，该装置包括：图像序列获取模块，用于将视频中的视频帧划分为两个或两个以上的图像块，得到各视频帧的图像序列；视频特征向量获取模块，用于将各视频帧的图像序列输入至目标检测模型，得到各图像块的分类结果，并根据各图像块的分类结果得到视频特征向量；水印识别结果确定模块，用于将所述视频特征向量输入至水印识别模型，得到的水印识别概率大于等于概率阈值，则确定所述视频包含水印。第三方面，本专利技术实施例还提供了一种设备，该设备包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本专利技术实施例第一方面所述的方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术实施例第一方面所述的方法。本专利技术实施例通过将视频中的视频帧划分为两个或两个以上的图像块，得到各视频帧的图像序列，将各视频帧的图像序列输入至目标检测模型，得到各图像块的分类结果，并根据各图像块的分类结果得到视频特征向量，将视频特征向量输入至水印识别模型，得到的水印识别概率大于等于概率阈值，则确定视频包含水印，上述通过将视频帧分块处理得到图像块，增大了水印所占视频帧的比例，降低了视频水印的识别难度，并通过将各图像块输入至目标检测模型中，得到各视频帧的水印识别结果，再将各视频帧的水印识别结果输入至水印识别模型中得到视频的水印识别结果，由于利用了各视频帧的水印识别结果，因此，当水印位置不固定时，仍可准确识别视频中是否包含水印，从而提高了视频水印的识别精度。附图说明图1是本专利技术实施例中的一张包含水印的图片的示意图；图2是本专利技术实施例中的另一张包含水印的图片的示意图；图3是本专利技术实施例中的一种视频水印的识别方法的流程图；图4是本专利技术实施例中的另一种视频水印的识别方法的流程图；图5是本专利技术实施例中的一种视频水印的识别方法的应用示意图；图6是本专利技术实施例中的再一种视频水印的识别方法的流程图；图7是本专利技术实施例中的另一种视频水印的识别方法的应用示意图；图8是本专利技术实施例中的一种视频水印的识别装置的结构示意图；图9是本专利技术实施例中的一种设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例由于通常水印占图片比例较小，而且经常出现在图片的非关键区域，如图片底部(如左下角或右下角)或者顶部(如左上角或右上角)等。如图1所示，给出了一张包含水印的图片，其中，水印位于图片的右上角。上述对水印识别带来了较大困难，使得水印识别的精度不高。由于视频可以理解为是由至少两帧视频帧组成的，每帧视频帧可看作一张图片，因此，这里所述的图片可以为静态图片，也可以为动态图片，还可以为视频中的视频帧。针对视频水印的识别来说，所谓本文档来自技高网...

【技术保护点】
1.一种视频水印的识别方法，其特征在于，包括：将视频中的视频帧划分为两个或两个以上的图像块，得到各视频帧的图像序列；将各视频帧的图像序列输入至目标检测模型，得到各图像块的分类结果，并根据各图像块的分类结果得到视频特征向量；将所述视频特征向量输入至水印识别模型，得到的水印识别概率大于等于概率阈值，则确定所述视频包含水印。

【技术特征摘要】
1.一种视频水印的识别方法，其特征在于，包括：将视频中的视频帧划分为两个或两个以上的图像块，得到各视频帧的图像序列；将各视频帧的图像序列输入至目标检测模型，得到各图像块的分类结果，并根据各图像块的分类结果得到视频特征向量；将所述视频特征向量输入至水印识别模型，得到的水印识别概率大于等于概率阈值，则确定所述视频包含水印。2.根据权利要求1所述的方法，其特征在于，所述根据各图像块的分类结果得到视频特征向量，包括：根据各图像块的水印分类结果，得到各视频帧的特征向量；根据各视频帧的特征向量得到所述视频特征向量。3.根据权利要求2所述的方法，其特征在于，所述根据各图像块的水印分类结果，得到各视频帧的特征向量，包括：将各图像块根据包含水印的概率，对水印分类结果进行排序；从排序结果中确定各视频帧的特征向量。4.根据权利要求2所述的方法，其特征在于，所述根据各图像块的水印分类结果，得到各视频帧的特征向量，包括：将各图像块根据包含水印的概率，对水印分类结果进行排序；从排序结果中选取部分水印分类结果进行排序；从排序后的部分水印分类结果中确定各视频帧的特征向量。5.根据权利要求1-4任一所述的方法，其特征在于，通过如下方式训练所述目标检测模型：获取第一训练样本，所述第一训练样本包括训练图片、训练图片的分类类别和训练图片的位置信息；将各训练图片划分为两个或两个以上的第一训练图像块，并根据各训练图片的分类类别得到各第一训练图像块的分类类别以及根据各训练图片的位置信息得到各第一训练图像块的位置信息；将各第一训练图像块作为输入变量，各第一训图像块的分类类别和位置信息作为输出变量，训练分类器模型，得到所述目标检测模型。6.根据权利要求5所述的方法，其特征在于，所述将各第一训练图像块作为输入变量，各第一训练图像块的分类类别和位置信息作为输出变量，训练分类器模型，得到所述目标检测模型，包括：获取各第一训练图像块的尺寸信息；对各第一训练图像块的尺寸信息进行聚类分析，确定各第一训练图像块的先验框；将各第一训练图像块和各第一训练图像块的先验框作为输入变量，各第一训练图像块的分类类别和位置信息作为输出变量，训练分类器模型，得到所述目标检测模型。7.根据权利要求1-4任一所述的方法，其特征在...

【专利技术属性】
技术研发人员：邹昱，杨轩，刘振强，潘跃，李振，
申请(专利权)人：广州市百果园信息技术有限公司，
类型：发明
国别省市：广东,44