[發明專利]一種基于深度學習的視頻剪輯方法和裝置

在審

• 申請號: 201710112722.X
• 申請日: 2017-02-28
• 公開（公告）號: CN106899809A
• 公開（公告）日: 2017-06-27
• 發明（設計）人: 邵山;唐云峰;白云龍;唐昊
• 申請（專利權）人: 廣州市誠毅科技軟件開發有限公司
• 主分類號: H04N5/262
• 分類號: H04N5/262;G06K9/00;G06K9/62
• 代理公司: 北京集佳知識產權代理有限公司11227
• 代理人: 張春水,唐京橋

技術領域

本發明涉及視頻剪輯領域，尤其涉及一種基于深度學習的視頻剪輯方法和裝置。

背景技術

視頻剪輯是對視頻源進行非線性編輯的軟件，屬多媒體制作軟件范疇。軟件通過對加入的圖片、背景音樂、特效、場景等素材與視頻進行重混合，對視頻源進行切割、合并，通過二次編碼，生成具有不同表現力的新視頻。

目前視頻剪輯的方法是使用AE腳本進行視頻的自動剪輯。然而，該視頻剪輯方法需要人為手工的設置剪輯規則，核心判斷視頻剪輯方案是通過背景音樂實現的，局限性很大，無法自動化和批量化的視頻剪輯，不適用于實際生產環境。

發明內容

本發明實施例提供了一種基于深度學習的視頻剪輯方法和裝置，將人工智能方法引入視頻剪輯領域，通過深度學習算法對視頻進行語音和圖像識別監視，然后通過特征訓練建立視頻剪輯模型，實現視頻的自動化批量剪輯，解決了目前使用AE腳本進行視頻自動剪輯需要人為手工的設置剪輯規則、核心判斷視頻剪輯方案是通過背景音樂實現的從而造成的局限性很大、無法自動化和批量化的視頻剪輯、不適用于實際生產環境的技術問題。

本發明實施例提供了一種基于深度學習的視頻剪輯方法，包括：

通過深度學習算法將預置第一視頻中的語音轉化成文本數據；

通過深度學習算法對所述文本數據進行文字特征訓練并對將批量采集到的視頻進行視頻圖像特征訓練；

根據文字特征訓練結果和視頻圖像特征訓練的結果建立視頻剪輯模型，并通過所述視頻剪輯模型對批量采集到的第二視頻進行剪輯。

優選地，

在根據文字特征訓練結果和視頻圖像特征訓練的結果建立視頻剪輯模型，并通過所述視頻剪輯模型對批量采集到的第二視頻進行剪輯之后還包括：

將所述第二視頻的剪輯視頻的觀看熱度和評價作為深度學習算法的優化輸入因子對所述視頻剪輯模型進行優化。

優選地，

在將所述第二視頻的剪輯視頻的觀看熱度和評價作為深度學習算法的優化輸入因子對所述視頻剪輯模型進行優化之后，還包括：

通過優化后的視頻剪輯模型對對批量采集到的第三視頻進行剪輯。

優選地，

通過深度學習算法對所述文本數據進行文字特征訓練并對將批量采集到的視頻進行視頻圖像特征訓練具體包括：

將第一因子作為深度學習算法的輸入因子，通過深度學習算法對所述文本數據進行文字特征訓練并對將批量采集到的視頻進行視頻圖像特征訓練，所述第一因子包括視頻的音量、慢動作回放、視頻回放。

優選地，

在根據文字特征訓練結果和視頻圖像特征訓練的結果建立視頻剪輯模型，并根據所述視頻剪輯模型對批量采集到的第二視頻進行剪輯之前還包括：

批量采集第二視頻。

本發明實施例提供了一種基于深度學習的視頻剪輯裝置，包括：

語音轉化單元，用于通過深度學習算法將預置第一視頻中的語音轉化成文本數據；

特征訓練單元，用于通過深度學習算法對所述文本數據進行文字特征訓練并對將批量采集到的視頻進行視頻圖像特征訓練；

初級剪輯單元，用于根據文字特征訓練結果和視頻圖像特征訓練的結果建立視頻剪輯模型，并通過所述視頻剪輯模型對批量采集到的第二視頻進行剪輯。

優選地，

所述基于深度學習的視頻剪輯裝置還包括：

優化單元，用于將所述第二視頻的剪輯視頻的觀看熱度和評價作為深度學習算法的優化輸入因子對所述視頻剪輯模型進行優化。

優選地，

所述基于深度學習的視頻剪輯裝置還包括：

優化剪輯單元，用于通過優化后的視頻剪輯模型對對批量采集到的第三視頻進行剪輯。

優選地，

所述特征訓練單元，具體用于將第一因子作為深度學習算法的輸入因子，通過深度學習算法對所述文本數據進行文字特征訓練并對將批量采集到的視頻進行視頻圖像特征訓練，所述第一因子包括視頻的音量、慢動作回放、視頻回放。

優選地，

所述基于深度學習的視頻剪輯裝置還包括：

采集單元，用于批量采集第二視頻。

從以上技術方案可以看出，本發明實施例具有以下優點：