视频片段检测方法、装置、设备和存储介质与流程

本发明涉及视频检测技术，尤其涉及一种视频片段检测方法、装置、设备和存储介质。

背景技术

在监控视频领域，通常将视频实时录制并上传，而每个摄像头每天产生的视频数量巨大。

在实现本发明的过程中，发明人发现现有技术中至少存在如下问题。在很多场合，例如，车库、道路监控等监控场合大量时间段是无意义的现场，实时上传视频占用视频传输通道，造成资源浪费，还影响后续视频处理速度。

技术实现要素：

本发明实施例提供一种视频片段检测方法、装置、设备和存储介质，对有效视频片段的端点检测更准确，不额外增加计算量。

第一方面，本发明实施例提供了一种视频片段检测方法，该方法包括：

应用预先训练的卷积神经网络模型对目标视频片段中的各个目标图像进行处理，确定目标视频片段的目标起点和目标终点，所述目标图像根据当前图像和背景图像确定；

应用所述预先训练的卷积神经网络模型确定有效视频片段中的图像分类输出结果，其中，根据所述目标起点和所述目标终点确定所述有效视频片段。

第二方面，本发明实施例还提供了一种视频片段检测装置，该装置包括：

确定模块，用于应用预先训练的卷积神经网络模型对目标视频片段中的各个目标图像进行处理，确定目标视频片段的目标起点和目标终点，所述目标图像根据当前图像和背景图像确定；

输出模块，用于应用所述预先训练的卷积神经网络模型确定有效视频片段中的图像分类输出结果，其中，根据所述目标起点和所述目标终点确定所述有效视频片段。

第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的视频片段检测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的视频片段检测方法。

本发明实施例中，应用预先训练的卷积神经网络模型对目标视频片段中的各个目标图像进行处理，确定目标视频片段的目标起点和目标终点，所述目标图像根据当前图像和背景图像确定；应用所述预先训练的卷积神经网络模型确定有效视频片段中的图像分类输出结果，其中，根据所述目标起点和所述目标终点确定所述有效视频片段。对有效视频片段的端点检测更准确，不额外增加计算量；同时，过滤掉了大量非有效视频，计算量低，使后续的目标起点和目标终点的检测更准确；实现了对背景图像的更新，使得对有效视频对的检测更准确。

附图说明

图1a是本发明实施例一中的一种视频片段检测方法的流程图；

图1b是本发明实施例一种所适用的一种dnn结构示意图；

图2是本发明实施例二中的一种视频片段检测方法的流程图；

图3是本发明实施例三中的一种视频片段检测装置的结构示意图；

图4是本发明实施例四中的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在监控领域，很多监控场合的大量时间段的视频时无意义的，例如车库、道路等。对监控视频进行简单分类，以方便后续跟踪或查看。

实施例一

图1a为本发明实施例一提供的一种视频片段检测方法的流程图，本实施例可适用于监控场景中的视频片段检测的情况，该方法可以由本发明实施例提供的视频片段检测装置来执行，该装置可采用软件和/或硬件的方式实现。参考图1a，该方法具体可以包括如下步骤：

s110、应用预先训练的卷积神经网络模型对目标视频片段中的各个目标图像进行处理，确定目标视频片段的目标起点和目标终点，所述目标图像根据当前图像和背景图像确定。

具体的，卷积神经网络(convolutionalneuralnetwork，cnn)是一种深度前馈人工神经网络，已成功地应用于图像识别中，人工神经元可以响应周围单元，可以进行图像处理。根据当前图像和背景图像确定目标图像，当前图像是指，将视频片段处理成多个图像，将操作对象的图像称为当前图像；背景图像是指选取的可以做背景的图像，其中，背景图像的目的是配合检测目标视频片段中的目标起点和目标终点。在一个具体的例子中，可以将当前图像和背景图像拼接为一副图像作为目标图像。

应用预先训练的cnn对目标视频片段中的各个目标图像进行处理，确定目标视频片段的目标起点和目标终点。可选的，确定目标视频片段的目标起点和目标终点，可以通过如下方式实现：确定目标图像和背景图像的语义差别大于设定条件，则确定目标图像对应的时刻为目标起点；确定目标图像和背景图像的语义差别小于设定条件，则确定目标图像对应的时刻为目标终点。

其中，在当前图像和目标图像中，语义差别是指，图像本身的内容差别，不包括光照变化等。语义差别可以量化为具体的数值概念，具体不做限定，设定的条件可以是一个设定的语义差别阈值a，确定目标图像和背景图像的语义差别大于a，则确定目标图像对应的时刻为目标起点；确定目标图像和背景图像的语义差别小于a，确定目标图像对应的时刻为目标终点。

s120、应用所述预先训练的卷积神经网络模型确定有效视频片段中的图像分类输出结果，其中，根据所述目标起点和所述目标终点确定所述有效视频片段。

具体的，在cnn的图像分类检测中，进行cnn前向计算，保留中间结果，cnn的训练是一个多任务的过程，图1b示出了一种dnn结构示意图，参考图1b，中间计算结果记为卷积模块后的全连接的输出，确定图像分类输出层的输出结果即可获取有效视频片段中的图像分类输出结果。可选的，背景/前景输出层用于输出背景图像等。

其中，根据目标起点和目标终点确定有效视频片段，在一个具体的例子中，可以用时间量表示目标起点和目标终点，则两个时间之差的时间段对应的视频片段记为有效视频片段。还可以用命令词语音内容表示目标起点和目标终点，则确定两个视频节点之间的视频片段为有效视频片段。

在目标起点和目标终点的确定、以及图像分类输出结果的确定过程中使用同一个预先训练的卷积神经网络模型，在增加确定图像分类输出结果功能的基础上，不增加计算复杂度。

本发明实施例中，应用预先训练的卷积神经网络模型对目标视频片段中的各个目标图像进行处理，确定目标视频片段的目标起点和目标终点，所述目标图像根据当前图像和背景图像确定；应用所述预先训练的卷积神经网络模型确定有效视频片段中的图像分类输出结果，其中，根据所述目标起点和所述目标终点确定所述有效视频片段。有效视频片段检测更准确，节约了视频数据传输带宽，提高了视频数据的传输速度，不额外增加计算量。

可选的，本发明提供的技术方案还包括：对所述有效视频片段中的每个图像进行分类，获取分类结果。有效视频片段中包括若干个图像，具体的图像数量依据图像帧的长度确定，对有效片段中的每个图像进行分类，类别可以是人、车或动物等。此外，还可以对有效视频片段进行常规的视频压缩，并上传至服务器；将分类结果采用特定的方式回传至服务器，例如，采用水印嵌入等方式，将每个图像的分类结果嵌入当前图像，再进行视频压缩即可，其中，采用的水印嵌入算法通常可以允许视频压缩操作。

示例性的，所述图像分类输出结果包括：每个图像对应占所述分类结果中每个分类结果的概率。在一个具体的例子中，输出结果可以是图像a为人的概率、图像b为车的概率或图像c为动物的概率等。若分类结果是预先设置好的设定数量的类别，则同一个图像占各个类别的概率之和为1。

在上述技术方案的基础上，在应用预先训练的卷积神经网络模型对当前视频片段中的各个目标图像进行处理之前，还包括：对设定时间段的获取到视频片段中的全部图像进行像素值平均处理；根据处理结果确定背景图像。

具体的，设定时间段用w表示，可以是1分钟，将1分钟内获取到的视频片段中的全部图像的像素值求平均值，根据处理结果确定背景图像。具体做法可以是，根据分辨率要求，将1分钟内获取到的视频片段中的全部图像中的每个图像划分为与分辨率对应数量的像素点，计算全部图像中各个像素点的像素值的平均值。满足一定条件的图像可以作为背景图像，该条件可以是平均像素值大于某个设定的像素值阈值b。还可以采用系统默认的前n帧图像做背景，其中，n为正整数，具体数值不做限定。

实施例二

图2为本发明实施例二提供的视频片段检测方法流程图，本实施例在上述实施例的基础上实现。参考图2，该方法具体可以包括如下步骤：

s210、叠加当前视频片段中每个当前图像与背景图像的像素值之差。

具体的，计算当前视频片段中每个当前图像与背景图像的像素点的像素值之差，将各个差值进行叠加。在一个具体的例子中，当前时刻为第1毫秒，记录第1毫秒的当前图像与背景图像的像素值之差为d1；当前是时刻为第2毫秒，记录第2毫秒的当前图像与背景图像的像素值之差为d2；依次类推，各个像素值之差用dn表示，n取1、2、3…等正整数。叠加d1+d2+d3+d4+…+dn，叠加结果记为d。

s220、确定叠加结果大于设定阈值，则确定所述当前视频片段的第一起点。

其中，若d大于设定阈值，则确定当前视频片段的第一起点，具体的，可以根据dn确定选取的当前图像对应的时刻t1，将t1记为当前视频片段的第一起点。

s230、根据所述第一起点确定目标视频片段。

在一个具体的例子中，将第一起点对应的时刻t1之后的视频片段确定为目标视频片段。

s240、应用预先训练的卷积神经网络模型对目标视频片段中的各个目标图像进行处理，确定目标视频片段的目标起点和目标终点，所述目标图像根据当前图像和背景图像确定。

s250、应用所述预先训练的卷积神经网络模型确定有效视频片段中的图像分类输出结果，其中，根据所述目标起点和所述目标终点确定所述有效视频片段。

本发明实施例中，叠加当前视频片段中每个当前图像与背景图像的像素值之差，确定叠加结果大于设定阈值，则确定所述当前视频片段的第一起点；根据所述第一起点确定目标视频片段。过滤掉了大量非有效视频，计算量低，使后续的目标起点和目标终点的检测更准确。

在上述技术方案的基础上，确定叠加结果小于设定阈值，则根据当前对象对背景图像进行更新。具体的，在有效视频片段检测期间，不进行背景图像的更新，也即，在检测到目标起点后，只输出图像分类结果，停止更新背景图像，当有效视频片段结束后，需要继续更新背景图像，此时，前一个有效视频片段不参与背景图像的更新。

实施例三

图3是本发明实施例三提供的一种视频片段检测装置的结构示意图，该装置适用于执行本发明实施例提供给的一种视频片段检测方法。如图3所示，该装置具体可以包括：

确定模块310，用于应用预先训练的卷积神经网络模型对目标视频片段中的各个目标图像进行处理，确定目标视频片段的目标起点和目标终点，所述目标图像根据当前图像和背景图像确定；

输出模块320，用于应用所述预先训练的卷积神经网络模型确定有效视频片段中的图像分类输出结果，其中，根据所述目标起点和所述目标终点确定所述有效视频片段。

进一步的，还包括：

叠加模块，用于在应用预先训练的卷积神经网络模型对当前视频片段中的各个目标图像进行处理之前，叠加当前视频片段中每个当前图像与背景图像的像素值之差；

起点和终点确定模块，用于确定叠加结果大于设定阈值，则确定所述当前视频片段的第一起点；

目标视频片段确定模块，用于根据所述第一起点确定目标视频片段。

进一步的，还包括：

处理模块，用于在应用预先训练的卷积神经网络模型对当前视频片段中的各个目标图像进行处理之前，对设定时间段的获取到视频片段中的全部图像进行像素值平均处理；

背景图像确定模块，用于根据处理结果确定背景图像。

进一步的，确定模块310具体用于：

确定目标图像和背景图像的语义差别大于设定条件，则确定目标图像对应的时刻为目标起点；

确定目标图像和背景图像的语义差别小于设定条件，则确定目标图像对应的时刻为目标终点。

进一步的，还包括：

分类模块，用于对所述有效视频片段中的每个图像进行分类，获取分类结果。

进一步的，所述图像分类输出结果包括：

每个图像对应占所述分类结果中每个分类结果的概率。

进一步的，还包括：

更新模块，用于确定叠加结果小于设定阈值，则根据当前对象对背景图像进行更新。

本发明实施例提供的视频片段检测装置可执行本发明任意实施例提供的视频片段检测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4为本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图4中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的视频片段检测方法：

也即，所述处理单元执行所述程序时实现：应用预先训练的卷积神经网络模型对目标视频片段中的各个目标图像进行处理，确定目标视频片段的目标起点和目标终点，所述目标图像根据当前图像和背景图像确定；应用所述预先训练的卷积神经网络模型确定有效视频片段中的图像分类输出结果，其中，根据所述目标起点和所述目标终点确定所述有效视频片段。

实施例五

本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的视频片段检测方法：

也即，该程序被处理器执行时实现：应用预先训练的卷积神经网络模型对目标视频片段中的各个目标图像进行处理，确定目标视频片段的目标起点和目标终点，所述目标图像根据当前图像和背景图像确定；应用所述预先训练的卷积神经网络模型确定有效视频片段中的图像分类输出结果，其中，根据所述目标起点和所述目标终点确定所述有效视频片段。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。