分类模型的训练方法、视频分类方法及相关设备技术

本发明专利技术提供了一种分类模型的训练方法、视频分类方法及相关设备，所述视频分类方法包括以下步骤：获取待分类视频；提取第三视频帧中的第二特征信息，并根据第二特征信息确定第三视频帧对应的权重值；对多个第三视频帧进行筛选，得到第二目标视频帧；将第二目标视频帧输入至目标分类模型中进行分类，得到分类结果。本发明专利技术实施例预先对待分类视频中的视频帧进行了筛选，输入至分类模型中的目标视频帧均为权重值大于等于第一预设阈值的视频帧，这样，剔除了待分类视频中的空白视频帧，确保上述目标视频帧不包括空白视频帧。分类模型无需对待分类视频中的空白视频帧进行相关计算，以此减少了分类模型的计算量，进而提高了视频分类的效率。

【技术实现步骤摘要】
分类模型的训练方法、视频分类方法及相关设备
本专利技术实施例涉及视频处理
，尤其涉及一种分类模型的训练方法、视频分类方法及相关设备。
技术介绍
在大数据的环境下，视频的分类存储对于实现视频的管理以及兴趣推荐具有十分重要的作用。目前，主要使用分类模型实现视频的分类，例如上述分类模型可以是支持向量机(supportvectormachine，SVM)。将训练集和待分类视频输入至分类模型中，分类模型依据训练集对待分类视频进行分类，输出分类结果，其中，上述训练集由携带有类别标签的多个已分类视频组成。然而，待分类视频中可能包括空白视频帧，将包含有空白视频帧的待分类视频输入至分类模型中会导致分类模型进行无效计算，加大分类模型的计算量，进而导致视频分类效率较低。
技术实现思路
本专利技术实施例提供一种分类模型的训练方法、视频分类方法及相关设备，以解决因分类模型存在大量的无效计算，导致视频分类效率较低的技术问题。为解决上述问题，本专利技术是这样实现的：第一方面，本专利技术实施例提供了一种分类模型的训练方法，由终端执行，所述方法包括：获取训练集，其中，所述训练集包括多个第一目标视频帧和所述第一目标视频帧的标识信息；所述标识信息用于标识所述第一目标视频帧中所包括的图像特征，所述第一目标视频帧的权重值大于或等于第一预设阈值，且所述权重值与所述标识信息的数量相关；通过所述训练集对初始分类模型进行训练，得到目标分类模型。第二方面，本专利技术实施例还提供一种视频分类方法，由终端执行，所述方法包括：获取待分类视频，所述待分类视频包括多个第三视频帧；提取所述第三视频帧中的第二特征信息，并根据所述第二特征信息确定所述第三视频帧对应的权重值，所述第二特征信息用于表征所述第三视频帧中所包括的图像特征的数量；对所述多个第三视频帧进行筛选，得到第二目标视频帧，所述第二目标视频帧的权重值大于或等于第一预设阈值；将所述第二目标视频帧输入至目标分类模型中进行分类，得到分类结果，其中，所述分类结果包括用于识别所述第二目标视频帧所对应的图像特征的标识信息。第三方面，本专利技术实施例还提供一种终端，包括：第一收发器，用于获取训练集，其中，所述训练集包括多个第一目标视频帧和所述第一目标视频帧的标识信息；所述标识信息用于标识所述第一目标视频帧中所包括的图像特征，所述第一目标视频帧的权重值大于或等于第一预设阈值，且所述权重值与所述标识信息的数量相关；训练模块，用于通过所述训练集对初始分类模型进行训练，得到目标分类模型。第四方面，本专利技术实施例还提供一种终端，包括：第二收发器，用于获取待分类视频，所述待分类视频包括多个第三视频帧；提取模块，用于提取所述第三视频帧中的第二特征信息，并根据所述第二特征信息确定所述第三视频帧对应的权重值，所述第二特征信息用于表征所述第三视频帧中所包括的图像特征的数量；筛选模块，用于对所述多个第三视频帧进行筛选，得到第二目标视频帧，所述第二目标视频帧的权重值大于或等于第一预设阈值；分类模块，用于将所述第二目标视频帧输入至目标分类模型中进行分类，得到分类结果，其中，所述分类结果包括用于识别所述第二目标视频帧所对应的图像特征的标识信息。第五方面，本专利技术实施例还提供一种设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如前述第一方面所述方法中的步骤；或者，所述处理器，用于读取存储器中的程序实现如前述第二方面所述方法中的步骤。第六方面，本专利技术实施例还提供一种可读存储介质，用于存储程序，所述程序被处理器执行时实现如前述第一方面所述方法中的步骤；或者，所述程序被处理器执行时实现如前述第二方面所述方法中的步骤。本专利技术实施例中，提取待分类视频中所有视频帧的特征信息，并根据该特征信息确定每个视频帧对应的权重值；依据每个视频帧对应的权重值对待分类视频中的所有视频帧进行筛选，得到目标视频帧，将目标视频帧输入至训练完成的目标分类模型中进行分类，得到分类结果。本专利技术实施例预先对待分类视频中的所有视频帧进行了筛选，输入至分类模型中的目标视频帧均为权重值大于或等于第一预设阈值的视频帧，这样，剔除了待分类视频中的空白视频帧，确保上述目标视频帧不包括空白视频帧。也就是说，分类模型无需对待分类视频中的空白视频帧进行相关计算，以此减少了分类模型的计算量，进而提高了视频分类的效率。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例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他的附图。图1是本专利技术实施例提供的分类模型的训练方法的流程示意图；图2是本专利技术实施例提供的使用神经网络模型进行分析的应用场景示意图；图3是本专利技术实施例提供的视频分类方法的流程示意图；图4是本专利技术实施例提供的视频分类方法的应用场景示意图；图5是本专利技术实施提供的终端的结构示意图；图6是本专利技术实施提供的另一终端的结构示意图；图7是本专利技术实施提供的设备的结构示意图。具体实施方式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，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例中的术语“第一”、“第二”等是用于区别类似的图像特征，而不必用于描述特定的顺序或先后次序。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，本申请中使用“和/或”表示所连接图像特征的至少其中之一，例如A和/或B和/或C，表示包含单独A，单独B，单独C，以及A和B都存在，B和C都存在，A和C都存在，以及A、B和C都存在的7种情况。为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。参见图1，图1是本专利技术实施例提供的分类模型的训练方法的流程示意图。图1所示的分类模型的训练方法可以由终端执行。如图1所示，分类模型的训练方法可以包括以下步骤：步骤101，获取训练集。应理解，上述分类模型可以是SVM，或者其他分类模型。上述训练集包括多个第一目标视频帧和第一目标视频帧的标识信息。其中，可以将训练集中的视频帧称为第一目标视频帧，标识信息用于标识第一目标视频帧中所包括的图像特征，一帧第一目标视频帧对应的标识信息的数量可以是一个或多个。图像特征包本文档来自技高网...

【技术保护点】
1.一种分类模型的训练方法，其特征在于，由终端执行，所述方法包括：/n获取训练集，其中，所述训练集包括多个第一目标视频帧和所述第一目标视频帧的标识信息；所述标识信息用于标识所述第一目标视频帧中所包括的图像特征，所述第一目标视频帧的权重值大于或等于第一预设阈值，且所述权重值与所述标识信息的数量相关；/n通过所述训练集对初始分类模型进行训练，得到目标分类模型。/n

【技术特征摘要】
1.一种分类模型的训练方法，其特征在于，由终端执行，所述方法包括：
获取训练集，其中，所述训练集包括多个第一目标视频帧和所述第一目标视频帧的标识信息；所述标识信息用于标识所述第一目标视频帧中所包括的图像特征，所述第一目标视频帧的权重值大于或等于第一预设阈值，且所述权重值与所述标识信息的数量相关；
通过所述训练集对初始分类模型进行训练，得到目标分类模型。


2.根据权利要求1所述的方法，其特征在于，所述获取训练集，包括：
提取第一视频中的多个第一视频帧；
确定所述第一视频帧对应的第一特征信息，其中，所述第一特征信息用于表征所述第一视频帧中所包括的图像特征的数量；
确定与所述第一特征信息对应的权重值，并根据所述权重值对所述多个第一视频帧进行筛选，得到第二视频帧，所述第二视频帧的权重值大于或等于所述第一预设阈值；
将所述第二视频帧输入预设的神经网络模型进行分析，得到所述第一目标视频帧。


3.根据权利要求2所述的方法，其特征在于，所述将所述第二视频帧输入预设的神经网络模型进行分析，得到所述第一目标视频帧包括：
将所述第二视频帧输入预设的神经网络模型中，确定所述第二视频帧中每个图像特征对应的标识信息；
获取对所述标识信息进行校验的校验结果；
在所述校验结果指示所述标识信息与所标识的图像特征匹配的情况下，确定所述第二视频帧为所述第一目标视频帧。


4.根据权利要求2所述的方法，其特征在于，所述确定与所述第一特征信息对应的权重值包括：
将所述第一特征信息与预设系数的乘积结果，确定为所述权重值。


5.根据权利要求4所述的方法，其特征在于，所述图像特征包括以下至少一项：实体特征、行为特征、场景特征。


6.一种视频分类方法，其特征在于，由终端执行，所述方法包括：
获取待分类视频，所述待分类视频包括多个第三视频帧；
提取所述第三视频帧中的第二特征信息，并根据所述第二特征信息确定所述第三视频帧对应的权重值，所述第二特征信息用于表征所述第三视频帧中所包括的图像特征的数量；
对所述多个第三视频帧进行筛选，得到第二目标视频帧，所述第二目标视频帧的权重值大于或等于第一预设阈值；
将所述第二目标视频帧输入至权利要求1至5中任一项所述的目标分类模型中进行分类，得到分类结果，其中，所述分类结果包括用于识别所述第二目标视频帧所对应的图像特征的标识信息。


7.根据权利要求6所述的方法，其特征在于，所述获取待分类视频，包括：
基于目标视频中第四视频帧中每个像素点对应的像素值，生成所述第四视频帧对应的高斯分布曲线，所述第四视频帧为所述目标视频的视频帧中除终止视频帧之外的任一视频帧；
基于所述高斯分布曲线的标准差和平均值，计算所述第四视频帧对应的相对熵；
删除所述目标视频中的第五视频帧，得到所述待分类视频，所述第五视频帧为相对熵大于第二预设阈值的视频帧。


8.根据权利要求6所述的方法，其特征在于，所述第二目标视频帧包括多个标签，所述标签用于表征所述第二目标视频帧中图像特征的类别；
在得到分类结果之后，所述方法包括：
基于所述标签和每个图像特征对应的分类结果，确定所述第二目标视频帧对应的指标值；
在所述指标值大于第三预设阈值的情况下，将所述第二目标视频帧存储至训练集，其中，所述训练集用于对初始分类模型进行训练。


9.一种终端，其特征在于，包括：
第一收发器，用于获取训练集，其中，所述训练集包括多个第一目标视频帧和所述第一目标视频帧的标识信息；所述标识信息用于标识所述第一目标视频...

【专利技术属性】
技术研发人员：张宁，刘林，
申请(专利权)人：中移智行网络科技有限公司，中移上海信息通信科技有限公司，中国移动通信集团有限公司，
类型：发明
国别省市：上海;31