System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本公开实施例涉及视频处理,尤其涉及一种基于视频特征的手工艺教学评价方法及其应用系统。
技术介绍
1、随着视频直播、短视频和在线教育的发展,手工艺的教学逐渐从传统的面对面教学向网络直播、长视频和短视频等新型平台转变。而为了提高这类手工艺教学视频的教学效果和质量,对其进行客观和准确的评价变得至关重要。
2、相关技术中,常用的评价方法主要采用问卷调查、观察记录等;其容易受人的主观意愿和能力影响,准确性和客观性有限,不能利用计算机技术对视频特征进行量化分析,以实现客观、准确和一致的评价结果。
技术实现思路
1、为了避免现有技术的不足之处,本申请提供一种基于视频特征的手工艺教学评价方法及其应用系统,用以解决现有技术中存在常用的评价方法主要采用问卷调查、观察记录等,容易受人的主观意愿和能力影响,准确性和客观性有限的问题。
2、根据本公开实施例的第一方面,提供一种基于视频特征的手工艺教学评价方法,该方法包括:
3、提取手工艺教学视频数据中的视频特征;
4、将所述视频特征与对应的标签组合成训练样本,并将所述训练样本按照预设的比例划分为训练集和测试集;
5、对所述视频特征进行转换,以得到视频特征变量;
6、根据所述视频特征,构建随机森林模型;
7、利用所述随机森林模型计算每个视频特征变量的重要性得分,并根据所述重要性得分判断所述手工艺教学视频的评价得分;
8、根据所述评价得分得到所述手工艺教学视频数据的评
9、在所述转化过程中,不同的所述视频特征变量的取值范围不同,需要进行归一化处理。
10、所述视频特征包括:
11、视频质量特征、视频声音特征和视频内容特征。
12、所述视频质量特征至少包括:
13、视频清晰度、相机平稳度和视频美学;其中,
14、计算所述视频清晰度使用指标psnr,其公式为:
15、psnr=10*log10((max2)/mse)
16、式中,max是像素值的最大值,mse是均方误差;
17、通过计算视频帧之间的运动矢量计算所述相机平稳度,所述运动矢量通过lucas-kanade算法来计算,过程为:
18、将相邻两帧之间的像素点作为一个局部区域,通过最小化残差平方和来估计像素点的运动,对于两个相邻的图像i(x,y,t)和i(x+dx,y+dy,t+dt),所述lucas-kanade算法的残差平方和为:
19、e=∑[i(x+dx,y+dy,t+dt)-i(x,y,t)-[ix(x,y)+iy(x,y)]*[dx,dy]]2
20、式中,ix和iy分别是图像在x和y方向上的梯度,[dx,dy]是像素点的运动矢量;
21、通过对所述残差平方和进行最小化,可以得到所述像素点的所述运动矢量[dx,dy]的估计值:
22、[dx,dy]=-inv(h)*∑[i(x+dx,y+dy,t+dt)-i(x,y,t)]*[ix(x,y),iy(x,y)]t
23、式中,inv(h)为逆矩阵,h是一个2x2的矩阵,表示局部区域内像素点的梯度对运动矢量的影响;h通过对ix和iy进行加权平均得到。
24、所述视频美学中颜色分布使用hsv颜色空间或rgb颜色空间来计算,图像构图使用边缘检测算法来计算。
25、所述视频声音特征包括:
26、韵律学特征、声学质量特征和主播情感特征;
27、其中,所述韵律学特征至少包括提取频率微扰和振幅微扰,所述声学质量特征至少包括提取语速快慢、有效语音持续时间、短时能量和过零率,所述主播情感特征包括主播语音的情感特征。
28、所述随机森林模型由多个决策树组成,每个所述决策树的构建都要先随机选择k个所述视频特征,即从总特征集中,随机选择k个所述视频特征,k为特征总数的平方根,再进行决策树建立,利用选择的k个所述视频特征,建立所述决策树模型;其中,在每个节点上,选择最优的特征进行分裂,使得分裂后的分类效果最好;重复执行上述步骤,生成t棵所述决策树,使得每棵树的构建相互独立。
29、所述利用所述随机森林模型计算每个视频特征变量的重要性得分的步骤中,包括:
30、利用gini importance score反映所述重要性得分,其公式为:
31、gini importance score=∑(每个节点分裂前的gini指数-每个节点分裂后的加权平均gini指数)*(该特征在该节点上的样本数/总样本数);
32、其中,gini指数度量了随机选取两个样本,标签不一致的概率,其计算公式如下:
33、gini index=1-∑(每个分类标签数量/总样本数)^2
34、所述视频特征变量在每个所述决策树中的所述重要性得分通过加权平均计算。
35、所述根据所述重要性得分判断所述手工艺教学视频的评价得分的步骤中,包括:
36、采用权重系数对每个所述重要性得分进行加权,将加权得分求和,以得到最终的评价得分;其中,
37、评价得分=∑(变量重要性得分×得分权重)
38、式中,得分权重是各个所述视频特征变量的权重系数。
39、根据本公开实施例的第二方面,提供一种基于视频特征的手工艺教学评价方法的应用系统,该系统包括:
40、特征提取模块,用于通过对手工艺教学视频进行分析和处理,提取所述手工艺教学视频的视频特征;
41、后续处理模块,用于对提取的所述视频特征进行随机森林建模、计算重要性得分和计算评价得分,以输出所述手工艺教学视频的评价结果;
42、用户界面模块,用于用户上传所述手工艺教学视频,并展示所述评价结果,以便所述用户了解视频质量和优化建议;
43、数据库模块,用于存储已评价的所述手工艺教学视频及其所述评价结果,便于后续的数据分析和优化;
44、推荐模块,用于根据评价结果为所述用户推荐优质所述手工艺教学视频,以提高所述用户的学习效果和体验。
45、本公开的实施例提供的技术方案可以包括以下有益效果:
46、本公开的实施例中,通过上述基于视频特征的手工艺教学评价方法及其应用系统,一方面,提取视频特征后,将视频特征进行转化,以便于输入到随机森林模型中进行训练和分析;根据视频特征构建随机森林模型,并训练随机森林模型,根据随机森林模型计算视频特征变量的重要性得分;再将重要性得分映射得到评价得分,并根据评价得分得到评价结果。另一方面,将得出的评价结果展示在用户界面模块,用户可以了解视频质量,评价结果和视频数据存储在数据库模块中,可以进行后续的数据分析和优化。在推荐领域,推荐可使用已评价的视频数据进行分析,为用户推荐优质手工艺教学视频,用户选择推荐视频进行学习,进入循环。同时,可以通过迭代优本文档来自技高网...
【技术保护点】
1.一种基于视频特征的手工艺教学评价方法,其特征在于,该方法包括:
2.根据权利要求1所述基于视频特征的手工艺教学评价方法,其特征在于,在所述转化过程中,不同的所述视频特征变量的取值范围不同,需要进行归一化处理。
3.根据权利要求1所述基于视频特征的手工艺教学评价方法,其特征在于,所述视频特征包括:
4.根据权利要求3所述基于视频特征的手工艺教学评价方法,其特征在于,所述视频质量特征至少包括:
5.根据权利要求3所述基于视频特征的手工艺教学评价方法,其特征在于,所述视频声音特征包括:
6.根据权利要求1所述基于视频特征的手工艺教学评价方法,其特征在于,所述随机森林模型由多个决策树组成,每个所述决策树的构建都要先随机选择K个所述视频特征,即从总特征集中,随机选择K个所述视频特征,K为特征总数的平方根,再进行决策树建立,利用选择的K个所述视频特征,建立所述决策树模型;其中,在每个节点上,选择最优的特征进行分裂,使得分裂后的分类效果最好;重复执行上述步骤,生成T棵所述决策树,使得每棵树的构建相互独立。
7.根据权利
8.根据权利要求7所述基于视频特征的手工艺教学评价方法,其特征在于,所述根据所述重要性得分判断所述手工艺教学视频的评价得分的步骤中,包括:
9.一种基于视频特征的手工艺教学评价方法的应用系统,其特征在于,应用于权利要求1~8任一所述基于视频特征的手工艺教学评价方法,该系统包括:
...【技术特征摘要】
1.一种基于视频特征的手工艺教学评价方法,其特征在于,该方法包括:
2.根据权利要求1所述基于视频特征的手工艺教学评价方法,其特征在于,在所述转化过程中,不同的所述视频特征变量的取值范围不同,需要进行归一化处理。
3.根据权利要求1所述基于视频特征的手工艺教学评价方法,其特征在于,所述视频特征包括:
4.根据权利要求3所述基于视频特征的手工艺教学评价方法,其特征在于,所述视频质量特征至少包括:
5.根据权利要求3所述基于视频特征的手工艺教学评价方法,其特征在于,所述视频声音特征包括:
6.根据权利要求1所述基于视频特征的手工艺教学评价方法,其特征在于,所述随机森林模型由多个决策树组成,每个所述决策树的构建都要先随机选择k个所述视频特征,即从总特征...
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。