一种基于卷积神经网络的IPTV和OTT视频特征提取方法技术

本发明专利技术属于电子信息技术领域，涉及了一种基于卷积神经网络的IPTV和OTT视频特征提取方法。本发明专利技术公开了一种基于卷积神经网络的IPTV和OTT视频特征提取方法，卷积神经网络是一种图像识别的重要技术，卷积神经网络顾名思义就是指在至少某一层中运用卷积运算来替代矩阵乘法的神经网络。卷积运算的特性决定了神经网络适用于处理具有网络状结构的数据。卷积函数可以逐层提取输入对象的特征。本发明专利技术利用卷积神经网络在图像识别重要应用，结合IPTV和OTT业务的视频关键帧画面特性，提出了一种基于卷积神经网络的IPTV和OTT视频特征提取方法，可以有效提升IPTV和OTT视频特征提取的效率和有效性，为IPTV和OTT视频内容监督工作打下坚实的基础。本发明专利技术包括了S1视频关键帧的提取、S2帧画面卷积处理、S3帧画面特征值提取、S4帧画面特征值对比。面特征值对比。面特征值对比。

【技术实现步骤摘要】
一种基于卷积神经网络的IPTV和OTT视频特征提取方法


[0001]本专利技术属于电子信息
，涉及了一种基于卷积神经网络的IPTV和OTT视频特征提取方法。

技术介绍

[0002]近年来，各运营商大力发展IPTV和OTT电视业务，IPTV和OTT业务已有赶超传统有线电视、数字电视的劲头，用户量逐步扩大。由于IPTV和OTT业务网络传输渠道的特性，和广播电视安全播出管理规定的相关要求，IPTV和OTT视频内容的监管工作是每个月运营商势在必行的。目前IPTV和OTT视频内容的监管工作中，第一个也是最重要的一个环节就是如何获取视频内容。
[0003]单以IPTV和OTT业务视频内容量的庞大和视频画面图像识别的处理工作量，视频内容的监管工作困难重重。用什么样的方法可以简化视频内容的信息提取，把视频信息多维空间内容降维获取视频画面本质结构特征，是视频监管工作中首要解决的问题。
[0004]本专利技术提出的一种基于卷积神经网络的IPTV和OTT视频特征提取方法，通过反复的实验室测试和大量的研究工作表明，其可以高效、准确的提取出IPTV和OTT业务视频特征，可以被视频内容监管工作有效利用。

技术实现思路

[0005]本专利技术公开了一种基于卷积神经网络的IPTV和OTT视频特征提取方法，卷积神经网络是一种图像识别的重要技术，卷积神经网络顾名思义就是指在至少某一层中运用卷积运算来替代矩阵乘法的神经网络。卷积运算的特性决定了神经网络适用于处理具有网络状结构的数据。卷积函数可以逐层提取输入对象的特征。
[0006]基于卷积神经网络的IPTV和OTT视频特征提取方法和装置可以实现以下功能：
[0007]●
通过视频帧间差分强度，提取关键帧画面；
[0008]●
通过卷积运算同时训练多个核函数，可以提取同一帧画面的不同类型特征；
[0009]●
卷积层核函数大小远远小于帧画面大小，可以发现帧画面的细微局部特征，提升算法的存储效率和运行效率；
[0010]●
在每轮数据运算中用单个核函数和帧画面的所有分块做卷积，降低核函数参数；
[0011]●
最大池化特征数据，将特征映射划分为若干个矩形区域，挑选每个区域的最大值，将最明显的特征作为采样结果，降低数据量及减少过拟合风险；
[0012]●
按提取出来的视频帧画面特征加入视频帧画面特征库，为IPTV和OTT视频特征值比对分析提供参照物；
[0013]●
帧画面特征库结合视频特征对比工作中获取的比对数据，加入无监督学习模式，同步特征库数据更新。
[0014]本专利技术利用卷积神经网络在图像识别重要应用，结合IPTV和OTT业务的视频关键
帧画面特性，提出了一种基于卷积神经网络的IPTV和OTT视频特征提取方法，可以有效提升IPTV和OTT视频特征提取的效率和有效性，为IPTV和OTT视频内容监督工作打下坚实的基础。
附图说明
[0015]图1视频关键帧提取流程图；
[0016]图2视频帧画面卷积运算公式；
[0017]图3帧画面特征值提取流程图；
[0018]图4帧画面特征值对比示意图。
具体实施方式
[0019]下面结合附图对本专利技术作进一步说明。
[0020]本专利技术主要的步骤包括视频关键帧的提取、帧画面卷积处理、帧画面特征值提取、帧画面特征值对比。
[0021]视频关键帧的提取可以降低视频帧间存在的大量冗余信息内容，视频关键帧的提取流程见附图1视频关键帧提取流程图，流程说明如下：
[0022]1)假设视频一个视频Vi包含了n个帧画面，可以表示为Vi＝{F1，
……
，Fn}；
[0023]2)两个相邻帧之间的相似度以颜色直方图的相似度定义；
[0024]3)帧间相似度阈值定义，相似度低于阈值范围的帧画面可以认为是帧间差分强度较大的帧画面；
[0025]4)提取帧间相似度超过阈值的帧画面为关键帧。
[0026]帧画面卷积运算是以核函数作为权重系数，对输入进行加权求和的过程。其运算公式见附图2视频帧画面卷积运算公式。卷积运算具有包括稀疏感知性、参数共享性、平移不变性等优点：
[0027]1)稀疏感知性：指卷积层核函数大小通常远远小于图像的大小，较小的函数有助于发现帧画面中细微的局部特征，也可以提升存储效率和运行效率；
[0028]2)参数共享性：指一个模型中使用相同的参数，在每一轮训练中用单个核函数和图像的所有分块做卷积，显著降低核函数参数的数目。帧画面的统计特征不取决于空间位置，因而对于整个画像来说都是可以用同样的学习特征的；
[0029]3)平移不变性：指卷积的输入产生平移时，其输出等于原始输出做出相同数量的平移，说明平移操作和核函数的作用是可以交换的。
[0030]卷积神级网络包含了几个功能不同的层次，当帧画面被送入卷积神级网络后，先后循环通过卷积层、激活层、池化层，最后从全连接层输出结果。
[0031]1)卷积层：卷积神级网络的核心部分，其参数是一个或者多个随机初始化的核参数。核函数就像探照灯一样，逐行逐列地扫描输入图像，对像素矩阵进行从左到右，从上到下的滑动覆盖；
[0032]2)激活层：处理卷积层得到的特征映射，给系统添加非线性元素，激活特征映射中的负值；
[0033]3)池化层：下采样层，作用是对得到的特征映射矩阵进行筛选。做法是将特征映射
划分为若干个矩形区域，挑选区域中的最大值；
[0034]4)全连接层：卷积层和池化层的交替使用获取不同层次的帧画面特征，作为全连接层的输入，由全连接层的分类器输出结果。
[0035]帧画面特征值提取主要是将帧画面在卷积过程中获取到的帧画面特征信息，按关键帧归属的视频进行分类存储，行成单个视频的关键帧特征库，见附图3帧画面特征值流程图，帧画面特征值的提取流程主包括：
[0036]1)每个关键帧特征值的提取；
[0037]2)关键帧归属视频判断；
[0038]3)视频关键帧特征库保存。
[0039]视频关键帧特征值提取后，通过在频道信源和目标监测点各部署特征值提取设备，提取频道信源和目标监测点同一频道的关键帧特征值进行比对，完成特征值比对的过程，特征值比对流程见图4帧画面特征值对比，主要包括：
[0040]1)节目信号接入；
[0041]2)特征值提取设备接入；
[0042]3)帧画面特征值提取；
[0043]4)频道信源特征值入库到对比服务器；
[0044]5)目标监测点特征值入库到对比服务器；
[0045]6)频道信源特征值与目标监测点特征值对比。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.本发明利用卷积神经网络在图像识别重要应用，结合IPTV和OTT业务的视频关键帧画面特性，提出了一种基于卷积神经网络的IPTV和OTT视频特征提取方法，可以有效提升IPTV和OTT视频特征提取的效率和有效性，为IPTV和OTT...

【专利技术属性】
技术研发人员：林桂云，
申请(专利权)人：飞思达技术北京有限公司，
类型：发明
国别省市：