本申请实施例提供了一种视频播放方法、装置、电子设备及存储介质，涉及计算机技术领域。该方法包括：每当接收到目标视频的第一视频流的任一编码数据时，将任一编码数据存储至预设队列的尾部，并对任一编码数据进行解码获取对应的图像，将图像输入到预设对象识别模型中获取对应的识别结果，并将识别结果存储至预设队列的尾部；当每一帧图像对应的编码数据对应的识别结果在预设队列中都有存储时，将预设队列作为第二视频流；将第二视频流发送至播放终端，通过播放终端根据第二视频流进行播放。在上述过程中，无需对图像本身进行处理，也无需对图像进行视频编码，节省了对图像本身进行处理以及对图像进行视频编码而消耗的算力，降低了成本。了成本。了成本。
【技术实现步骤摘要】
一种视频播放方法、装置、电子设备及存储介质
[0001]本申请涉及计算机
，具体而言，本申请涉及一种视频播放方法、装置、电子设备及存储介质。
技术介绍
[0002]观看视频是当今社会人们用于获取信息的方式之一，尤其在监控领域，监控人员需要通过查看监控视频以获取相关线索。但在监控视频中，由于视频画面有时不太清晰，监控人员无法较快地识别出监控视频中的目标对象(如人的长相、物品的形状等等)，在获取相关线索时效率较低，且由人对监控视频进行识别时，容易遗漏部分线索。因此，如何通过使用机器终端代替监控人员对监控视频中的对象进行识别是目前该行业讨论激烈的话题。
[0003]现有的方案中，主要方式是机器终端先对获取到的视频进行解码，得到视频的可视化图像，然后对可视化的图像进行处理(如在图像中添加文字等)得到已识别图像，再将已识别图像进行视频编码处理得到编码后的视频，最后将编码后视频发送至播放器使播放器播放带有识别结果的视频。
[0004]但是，在现有方案中，将待识别图像本身进行处理得到已识别图像的过程以及将已识别图像进行视频编码的过程需要消耗较多的算力，当需要被识别的视频的数量较多时，整个过程的算力消耗会很大，导致整个视频识别的成本会较高。
技术实现思路
[0005]本申请的目的旨在至少能解决上述的技术缺陷之一，本申请实施例所提供的技术方案如下：
[0006]第一方面，本申请实施例提供了一种视频播放方法，包括：
[0007]每当接收到目标视频的第一视频流的任一帧图像对应的编码数据时，将任一帧图像对应的编码数据存储至第一预设队列的尾部，并对任一帧图像对应的编码数据进行解码获取对应的第一图像，将第一图像输入到预设对象识别模型中获取第一图像对应的对象识别结果，并将对象识别结果存储至第一预设队列的尾部；
[0008]当第一视频流中的每一帧图像对应的编码数据对应的对象识别结果在第一预设队列中都有存储时，将第一预设队列作为第二视频流；
[0009]将第二视频流发送至播放终端，通过播放终端根据第二视频流进行播放。
[0010]在本申请的一种可选实施例中，将对象识别结果存储至第一预设队列的尾部，具体包括：
[0011]若对象识别结果指示对应的第一图像中包含有目标对象，则将识别结果所指示的目标对象识别信息转换为对应的结果数据，若对象识别结果指示对应的第一图像中不包含有目标对象，则将对象识别结果转换为无识别结果的结果数据；
[0012]将结果数据存储至第一预设队列的尾部。
[0013]在本申请的一种可选实施例中，预设对象识别模型通过以下方式获取，具体包括：
[0014]获取训练数据集，训练数据集包括训练数据，训练数据包括多个样本，每个样本包括样本输入以及标签，样本输入包括样本图片，标签表征对应样本图片的目标对象识别结果；
[0015]根据训练数据集对初始神经网络进行训练，得到预设对象识别模型。
[0016]在本申请的一种可选实施例中，根据训练数据集对初始神经网络进行训练，得到预设对象识别模型，具体包括：
[0017]基于训练数据集，对初始神经网络迭代执行以下训练操作，直至训练损失小于预设阈值，得到预设对象识别模型，包括：
[0018]基于各样本输入，通过初始神经网络，得到各样本图片的对象识别结果；
[0019]基于各样本图片的标签和对象识别结果，确定训练损失；
[0020]基于训练损失对初始神经网络的网络参数进行调整。
[0021]在本申请的一种可选实施例中，通过播放终端根据第二视频流进行播放，具体包括：
[0022]对第二视频流进行解析，获取存储编码数据的第二预设队列和存储结果数据的第三预设队列；其中，第三预设队列中任一结果数据在第二预设队列中的有编码数据存在对应关系；
[0023]通过播放终端显示第二预设队列中各编码数据对应的第二图像和第三预设队列中各结果数据对应的第三图像。
[0024]在本申请的一种可选实施例中，通过播放终端显示第二预设队列中编码数据对应的第二图像和第三预设队列中各结果数据对应的第三图像，具体包括：
[0025]对于第二预设队列中的每一帧图像对应的编码数据，通过播放终端显示编码数据对应的第二图像，若编码数据在第三预设队列中存在对应的结果数据，则在显示第二图像时，同时显示对应的结果数据对应的第三图像。
[0026]在本申请的一种可选实施例中，同时显示对应的结果数据对应的第三图像，具体包括：
[0027]将第三图像叠加在第二图像上以同时显示结果数据对应的第三图像。
[0028]第二方面，本申请实施例提供了一种视频播放装置，包括：
[0029]图像识别模块，用于每当接收到目标视频的第一视频流的任一帧图像对应的编码数据时，将任一帧图像对应的编码数据存储至第一预设队列的尾部，并对任一帧图像对应的编码数据进行解码获取对应的第一图像，将第一图像输入到预设对象识别模型中获取第一图像对应的对象识别结果，并将对象识别结果存储至第一预设队列的尾部；
[0030]第二视频流获取模块，用于当第一视频流中的每一帧图像对应的编码数据对应的对象识别结果在第一预设队列中都有存储时，将第一预设队列作为第二视频流；
[0031]视频播放模块，用于将第二视频流发送至播放终端，通过播放终端根据第二视频流进行播放。
[0032]在本申请的一种可选实施例中，图像识别模块具体用于：
[0033]若对象识别结果指示对应的第一图像中包含有目标对象，则将识别结果所指示的目标对象识别信息转换为对应的结果数据，若对象识别结果指示对应的第一图像中不包含有目标对象，则将对象识别结果转换为无识别结果的结果数据；
[0034]将结果数据存储至第一预设队列的尾部。
[0035]在本申请的一种可选实施例中，图像识别模块进一步用于：
[0036]获取训练数据集，训练数据集包括训练数据，训练数据包括多个样本，每个样本包括样本输入以及标签，样本输入包括样本图片，标签表征对应样本图片的目标对象识别结果；
[0037]根据训练数据集对初始神经网络进行训练，得到预设对象识别模型。
[0038]在本申请的一种可选实施例中，图像识别模块还可以用于：
[0039]基于训练数据集，对初始神经网络迭代执行以下训练操作，直至训练损失小于预设阈值，得到预设对象识别模型，包括：
[0040]基于各样本输入，通过初始神经网络，得到各样本图片的对象识别结果；
[0041]基于各样本图片的标签和对象识别结果，确定训练损失；
[0042]基于训练损失对初始神经网络的网络参数进行调整。
[0043]在本申请的一种可选实施例中，视频播放模块具体用于：
[0044]对第二视频流进行解析，获取存储编码数据的第二预设队列和存储结果数据的第三预设队列；其中，第三预设队列中任一结果数据在第二预设队列中的有编码数据存在对应关系；
...
【技术保护点】
【技术特征摘要】
1.一种视频播放方法，其特征在于，包括：每当接收到目标视频的第一视频流的任一帧图像对应的编码数据时，将所述任一帧图像对应的编码数据存储至第一预设队列的尾部，并对所述任一帧图像对应的编码数据进行解码获取对应的第一图像，将所述第一图像输入到预设对象识别模型中获取所述第一图像对应的对象识别结果，并将所述对象识别结果存储至所述第一预设队列的尾部；当所述第一视频流中的每一帧图像对应的编码数据对应的对象识别结果在所述第一预设队列中都有存储时，将所述第一预设队列作为第二视频流；将所述第二视频流发送至播放终端，通过所述播放终端根据所述第二视频流进行播放。2.根据权利要求1中所述的方法，其特征在于，所述将所述对象识别结果存储至所述第一预设队列的尾部，包括：若所述对象识别结果指示对应的第一图像中包含有目标对象，则将所述识别结果所指示的目标对象识别信息转换为对应的结果数据，若所述对象识别结果指示对应的第一图像中不包含有目标对象，则将所述对象识别结果转换为无识别结果的结果数据；将所述结果数据存储至所述第一预设队列的尾部。3.根据权利要求1中所述的方法，其特征在于，所述预设对象识别模型通过以下方式获取，包括：获取训练数据集，所述训练数据集包括训练数据，所述训练数据包括多个样本，每个样本包括样本输入以及标签，所述样本输入包括样本图片，所述标签表征对应样本图片的目标对象识别结果；根据所述训练数据集对初始神经网络进行训练，得到所述预设对象识别模型。4.根据权利要求3中所述的方法，其特征在于，所述根据所述训练数据集对初始神经网络进行训练，得到所述预设对象识别模型，包括：基于所述训练数据集，对所述初始神经网络迭代执行以下训练操作，直至训练损失小于预设阈值，得到所述预设对象识别模型，包括：基于各样本输入，通过所述初始神经网络，得到各样本图片的对象识别结果；基于所述各样本图片的标签和对象识别结果，确定所述训练损失；基于所述训练损失对所述初始神经网络的网络参数进行调整。5.根据权利要求1中所述的方法，其特征在于，所述通过所述播放终端根据所述第二视频流进行播放，包括：对所述第二视...
【专利技术属性】
技术研发人员：胡景松，叶晓舟，王路彬，周旭阳，欧阳晔，
申请(专利权)人：广州亚信技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。