一种视频分类方法、装置及系统制造方法及图纸

本公开关于一种视频分类方法、装置、电子设备以及存储介质，用以至少解决相关技术中视频分类方法无法兼顾分类准确度以及分类速度的问题，方法包括：使用预先训练得到的基于卷积神经网络的特征提取模型对待分类视频数据进行多帧特征提取，以得到所述待分类视频数据的多帧视频特征集；根据所述多帧视频特征集，确定所述待分类视频数据的稳定性指标，其中，所述待分类视频数据的稳定性指标用于表征所述待分类视频数据中连续两帧视频帧所对应画面的变化程度；根据所述待分类视频的稳定性指标，确定与所述待分类视频数据对应的预先训练好的分类模型，并利用所述分类模型对所述待分类视频数据进行分类。

A video classification method, device and system

【技术实现步骤摘要】
一种视频分类方法、装置及系统
本公开涉及计算机
，尤其涉及一种视频分类方法、装置及系统。
技术介绍
随着移动社交媒体技术的快速发展，短视频作为一种具有娱乐性的内容展示形式，深受大众的喜爱。由于短视频制作门槛低，内容生产迅速，因此每天会产生大量的新内容。现有的短视频APP为了可以方便用户更快的找到自己所喜爱的短视频进行观看，往往需要对对新产生视频进行分类或者添加各类分类标签。由于短视频生产速度快且数据量极大，因而在现有技术中往往会利用深度学习算法来进行视频图像的识别与分类。而其中，卷积神经网络(ConvolutionalNeuralNetworks,CNN)作为深度学习的一个重要分支，凭借其超强的特征提取能力以及端到端的全局优化能力，在视觉目标检测、分类识别任务中有着广泛的应用。但是，通过深度学习模型实现视频分类存在的问题在于，由于深度学习模型属于计算密集型算法，在CPU上处理速度慢，造成其难以在实时性要求较高的任务中使用，即便采用专门的GPU平台处理，仍旧需要考虑相应的网络优化提速方法。尤其是针对短视频平台这种典型的用户内本文档来自技高网...

【技术保护点】
1.一种视频分类方法，其特征在于，包括：/n使用预先训练得到的基于卷积神经网络的特征提取模型对待分类视频数据进行多帧特征提取，以得到所述待分类视频数据的多帧视频特征集；/n根据所述多帧视频特征集，确定所述待分类视频数据的稳定性指标，其中，所述待分类视频数据的稳定性指标用于表征所述待分类视频数据中连续两帧视频帧所对应画面的变化程度；/n根据所述待分类视频的稳定性指标，确定与所述待分类视频数据对应的预先训练好的分类模型，并利用所述分类模型对所述待分类视频数据进行分类。/n

【技术特征摘要】
1.一种视频分类方法，其特征在于，包括：
使用预先训练得到的基于卷积神经网络的特征提取模型对待分类视频数据进行多帧特征提取，以得到所述待分类视频数据的多帧视频特征集；
根据所述多帧视频特征集，确定所述待分类视频数据的稳定性指标，其中，所述待分类视频数据的稳定性指标用于表征所述待分类视频数据中连续两帧视频帧所对应画面的变化程度；
根据所述待分类视频的稳定性指标，确定与所述待分类视频数据对应的预先训练好的分类模型，并利用所述分类模型对所述待分类视频数据进行分类。


2.根据权利要求1所述的视频分类方法，其特征在于，根据所述多帧视频特征集，确定所述待分类视频数据的稳定性指标，包括：
确定所述多帧视频特征集中任意两个特征之间的余弦距离，并确定所述多帧视频特征集中两个特征之间平均距离；
将所述平均距离确定为所述待分类视频数据的稳定性指标。


3.根据权利要求2所述的视频分类方法，其特征在于，根据以下公式确定所述多帧视频特征集中任意两个特征之间的余弦距离，并确定所述多帧视频特征集中两个特征之间平均距离：



其中，K表示所述多帧视频特征集中特征的个数，featurei表示所述多帧视频特征集中第i个特征，featurej表示所述多帧视频特征集中第j个特征。


4.根据权利要求2所述的视频分类方法，其特征在于，根据所述待分类视频的稳定性指标，确定与所述待分类视频数据对应的预先训练好的分类模型，包括：
根据所述待分类视频的稳定性指标，确定所述视频数据是否为稳定数据；
当确定所述视频数据为稳定数据时，则确定预先训练好的图像分类模型为与所述待分类视频数据对应的分类模型；
当确定所述视频数据为非稳定数据时，则确定预先训练好的视频分类模型为与所述待分类视频数据对应的分类模型。


5.根据权利要求4所述的视频分类方法，其特征在于，根据所述待分类视频的稳...

【专利技术属性】
技术研发人员：张志伟，吴丽军，李铅，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：北京;11