一种互联网视频广告关键帧提取方法与流程

1.本发明涉及广告技术领域，具体是一种互联网视频广告关键帧提取方法。


背景技术：

2.互联网视频广告在预先加载时会提供视频的一帧图像作为广告封面，封面选取图像的质量好坏影响着用户对视频的感兴趣程度。
3.现有技术通常基于图像聚类方法(如k
‑
means)将视频图像帧进行聚类得到代表视频的关键帧。


技术实现要素：

4.本发明的目的在于提供一种互联网视频广告关键帧提取方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：
6.一种互联网视频广告关键帧提取方法，包含以下步骤：
7.步骤1、实现对视频帧的解析提取，具体实现为根据视频压缩格式进行i
‑
frame抽取；对于没有i
‑
frame帧的视频格式，遍历所有视频帧,获得帧与帧之间的差值,将差值小于一定值的帧放在一个组中,最后从每个组中选择一个帧；
8.步骤2、实现基于图像质量的过滤；
9.步骤3、实现图像质量brsique
‑
svm模型打分，brsique
‑
svm模型为定义一系列的图像特征,并根据已有的打好分数的图像进行模型训练得到的能够根据图像预测分数的二分类模型；
10.步骤4、实现图像相似度打分模块；图像相似度为根据图像哈希值计算的哈希值之间的汉明距离；如果距离小于阈值t,则认为他们是相似的；挑选最好的k张图的步骤为:在剩下的图像集合中选出分数最高的图像。
11.作为本发明的进一步技术方案，所述包含以下两步：步骤2a、实现图像亮度分数计算过滤，图像亮度分数为图像平均亮度分数值的归一化分数；设定最小值min_brightness和最大值max_brightness,过滤掉分数不在两者之间的图像；步骤2b、实现图像熵计算过滤，图像的熵值分数为图像逐像素计算的局部熵值的平均值；设定最小值min_entropy和最大值max_entropy,过滤掉分数不在两者之间的图像；步骤2c、实现图像拉普拉斯分数值计算过滤模块；图像的拉普拉斯分数为整体图像的拉普拉斯算子的方差值；设定最小值min_laplacian(根据经验,设置为50),过滤掉分数低于最小值的图像。
12.作为本发明的进一步技术方案，最小值min_brightness设置为10，最大值max_brightness设置为90。
13.作为本发明的进一步技术方案，最小值min_entropy和最大值max_entropy分别设置为1和10。
14.作为本发明的进一步技术方案，最小值min_laplacian设置为50。
15.作为本发明的进一步技术方案，所述步骤4中,如果已经选择的图像集合中没有和它相似的,则选择成功并加入到选择的图像集合中,一直到选择的图像集合数目满足条件。
16.本发明的技术有益效果包括：
17.本发明针对视频内容进行分析以及排序得到最清晰且最能代表该视频的图像。
附图说明
18.图1为本发明的原理图。
具体实施方式
19.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.请参阅图1，实施例1：一种互联网视频广告关键帧提取方法，包含以下步骤：
21.步骤1、实现对视频帧的解析提取模块；
22.具体实现为根据视频压缩格式进行i
‑
frame抽取；对于没有i
‑
frame帧的视频格式,执行步骤1a；
23.步骤1a、遍历所有视频帧,获得帧与帧之间的差值,将差值小于一定值的帧放在一个组中,最后从每个组中选择一个帧；
24.步骤2、实现基于图像质量的过滤模块；
25.步骤2a、实现图像亮度分数计算过滤模块，图像亮度分数为图像平均亮度分数值的归一化分数、设定最小值min_brightness和最大值max_brightness,过滤掉分数不在两者之间的图像；
26.步骤2b、实现图像熵计算过滤模块；图像的熵值分数为图像逐像素计算的局部熵值的平均值；设定最小值min_entropy和最大值max_entropy,过滤掉分数不在两者之间的图像
27.步骤2c、实现图像拉普拉斯分数值计算过滤模块；图像的拉普拉斯分数为整体图像的拉普拉斯算子的方差值；设定最小值min_laplacian,过滤掉分数低于最小值的图像；
28.步骤3、实现图像质量brsique
‑
svm模型打分模块；brsique
‑
svm模型为定义一系列的图像特征,并根据已有的打好分数的图像进行模型训练得到的能够根据图像预测分数的二分类模型；
29.步骤4、实现图像相似度打分模块；图像相似度为根据图像哈希值计算的哈希值之间的汉明距离；如果距离小于阈值t,则认为他们是相似的；挑选最好的k张图的步骤为:在剩下的图像集合中选出分数最高的图像,如果已经选择的图像集合中没有和它相似的,则选择成功并加入到选择的图像集合中,一直到选择的图像集合数目满足条件。
30.实施例2，在实施例1的基础上，根据经验，可以将最小值min_brightness设置为10，最大值max_brightness设置为90。最小值min_entropy和最大值max_entropy分别设置为1和10。最小值min_laplacian设置为50。
31.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在
不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
32.此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。


技术特征：
1.一种互联网视频广告关键帧提取方法，其特征在于，包含以下步骤：步骤1、实现对视频帧的解析提取，具体实现为根据视频压缩格式进行i
‑
frame抽取；对于没有i
‑
frame帧的视频格式，遍历所有视频帧,获得帧与帧之间的差值,将差值小于一定值的帧放在一个组中,最后从每个组中选择一个帧；步骤2、实现基于图像质量的过滤；步骤3、实现图像质量brsique
‑
svm模型打分，brsique
‑
svm模型为定义一系列的图像特征,并根据已有的打好分数的图像进行模型训练得到的能够根据图像预测分数的二分类模型；步骤4、实现图像相似度打分模块；图像相似度为根据图像哈希值计算的哈希值之间的汉明距离；如果距离小于阈值t,则认为他们是相似的；挑选最好的k张图的步骤为:在剩下的图像集合中选出分数最高的图像。2.根据权利要求1所述的互联网视频广告关键帧提取方法，其特征在于，所述包含以下步骤：步骤2a、实现图像亮度分数计算过滤，图像亮度分数为图像平均亮度分数值的归一化分数；设定最小值min_brightness和最大值max_brightness,过滤掉分数不在两者之间的图像；步骤2b、实现图像熵计算过滤，图像的熵值分数为图像逐像素计算的局部熵值的平均值；设定最小值min_entropy和最大值max_entropy,过滤掉分数不在两者之间的图像；步骤2c、实现图像拉普拉斯分数值计算过滤模块，图像的拉普拉斯分数为整体图像的拉普拉斯算子的方差值；设定最小值min_laplacian(根据经验,设置为50),过滤掉分数低于最小值的图像。3.根据权利要求2所述的互联网视频广告关键帧提取方法，其特征在于，最小值min_brightness设置为10，最大值max_brightness设置为90。4.根据权利要求2所述的互联网视频广告关键帧提取方法，其特征在于，最小值min_entropy和最大值max_entropy分别设置为1和10。5.根据权利要求2所述的互联网视频广告关键帧提取方法，其特征在于，最小值min_laplacian设置为50。6.根据权利要求1所述的互联网视频广告关键帧提取方法，其特征在于，所述步骤4中,如果已经选择的图像集合中没有和它相似的,则选择成功并加入到选择的图像集合中,一直到选择的图像集合数目满足条件。

技术总结
本发明公开了一种互联网视频广告关键帧提取方法，包含以下步骤：步骤1、实现对视频帧的解析提取，具体实现为根据视频压缩格式进行I


技术研发人员：向河林
受保护的技术使用者：上海漫酷网络技术有限公司
技术研发日：2021.09.01
技术公布日：2021/11/21