[發(fā)明專利]視頻標(biāo)簽獲取方法、裝置、電子設(shè)備和存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202210291768.3
• 申請日: 2022-03-22
• 公開（公告）號: CN114756710A
• 公開（公告）日: 2022-07-15
• 發(fā)明（設(shè)計）人: 翟步中;唐大閏
• 申請（專利權(quán)）人: 北京明略昭輝科技有限公司
• 主分類號: G06F16/78
• 分類號: G06F16/78;G06N3/04;G06F16/75;G06N3/08;G06F16/783
• 代理公司: 北京華夏泰和知識產(chǎn)權(quán)代理有限公司 11662
• 代理人: 蔡良偉

本發(fā)明公開了一種視頻標(biāo)簽獲取方法、裝置、電子設(shè)備和存儲介質(zhì)。其中，方法包括獲取目標(biāo)視頻的多幀圖片；將所述多幀圖片輸入至訓(xùn)練好的網(wǎng)絡(luò)模型中，獲取所述目標(biāo)視頻的標(biāo)簽；其中，所述網(wǎng)絡(luò)模型根據(jù)所述目標(biāo)視頻多幀圖片中物體圖結(jié)構(gòu)的變換獲得所述目標(biāo)視頻的標(biāo)簽。采用本發(fā)明提供的方案能基于視頻中物體的變化獲取視頻的標(biāo)簽，實用性強，準(zhǔn)確率高。

技術(shù)領(lǐng)域

本發(fā)明涉及視頻標(biāo)簽技術(shù)領(lǐng)域，尤其涉及一種視頻標(biāo)簽獲取方法、裝置、電子設(shè)備和存儲介質(zhì)。

背景技術(shù)

隨著互聯(lián)網(wǎng)的飛速發(fā)展，使得用戶可以通過各種終端的視頻類應(yīng)用程序或網(wǎng)站獲取各種類型的視頻，例如電影、電視劇等。對于視頻來說，視頻標(biāo)簽?zāi)軌蚝芎玫恼故疽曨l的類型、特色等，從而用戶可以根據(jù)視頻標(biāo)簽選擇自己喜愛的視頻類型，大大提升了用戶的使用體驗。

但目前，視頻標(biāo)簽一般操作人員通過觀看視頻內(nèi)容，基于經(jīng)驗獲取視頻的標(biāo)簽，從而進(jìn)行打標(biāo)簽操作。但上述方式需要大量的人工成本，且由于操作人員的標(biāo)準(zhǔn)不一致，準(zhǔn)確率不高。

發(fā)明內(nèi)容

為解決現(xiàn)有的視頻標(biāo)簽獲取過程難，準(zhǔn)確率低的相關(guān)技術(shù)問題，本發(fā)明實施例提供一種視頻標(biāo)簽獲取方法、裝置、電子設(shè)備和存儲介質(zhì)。

本發(fā)明實施例的技術(shù)方案是這樣實現(xiàn)的：

本發(fā)明實施例提供了一種視頻標(biāo)簽獲取方法，方法包括：

獲取目標(biāo)視頻的多幀圖片；

將所述多幀圖片輸入至訓(xùn)練好的網(wǎng)絡(luò)模型中，獲取所述目標(biāo)視頻的標(biāo)簽；其中，所述網(wǎng)絡(luò)模型根據(jù)所述目標(biāo)視頻多幀圖片中物體圖結(jié)構(gòu)的變換獲得所述目標(biāo)視頻的標(biāo)簽。

上述方案中，所述網(wǎng)絡(luò)模型為多個，所述將所述多幀圖片輸入至訓(xùn)練好的網(wǎng)絡(luò)模型中，獲取所述目標(biāo)視頻的標(biāo)簽包括：

將所述多幀圖片輸入到多個網(wǎng)絡(luò)模型中的每個網(wǎng)絡(luò)模型中，獲取每個網(wǎng)絡(luò)模型針對所述多幀圖片所輸出的標(biāo)簽結(jié)果；

將多個標(biāo)簽結(jié)果作為所述目標(biāo)視頻的標(biāo)簽。

上述方案中，所述將所述多幀圖片輸入到多個網(wǎng)絡(luò)模型中的每個網(wǎng)絡(luò)模型中，獲取每個網(wǎng)絡(luò)模型針對所述多幀圖片所輸出的標(biāo)簽結(jié)果包括：

對所述多幀圖片中的每幀圖片進(jìn)行物體檢測識別，構(gòu)建每幀圖片的物體圖結(jié)構(gòu)；

將所述多幀圖片中每幀圖片對應(yīng)的物體圖結(jié)構(gòu)輸入至多個網(wǎng)絡(luò)模型中的每個網(wǎng)絡(luò)模型中，獲取每個網(wǎng)絡(luò)模型針對所述多幀圖片所輸出的標(biāo)簽結(jié)果。

上述方案中，所述對所述多幀圖片中的每幀圖片進(jìn)行物體檢測識別，構(gòu)建每幀圖片的物體圖結(jié)構(gòu)包括：

對所述多幀圖片中的每幀圖片進(jìn)行物體檢測識別，確定每幀圖片中每一物體的物體位置和物體類型；

基于所述每幀圖片中每一物體的物體位置和物體類型，構(gòu)建每幀圖片內(nèi)物體間的關(guān)系圖；

將構(gòu)建后的每幀圖片的物體間的關(guān)系圖確定為每幀圖片的物體圖結(jié)構(gòu)。

上述方案中，所述網(wǎng)絡(luò)模型的訓(xùn)練過程包括：

獲取訓(xùn)練圖片集；

對所述訓(xùn)練圖片集中的每幀圖片進(jìn)行物體檢測識別，確定所述訓(xùn)練圖片集中的每幀圖片的物體圖結(jié)構(gòu)；

以所述訓(xùn)練圖片集中的出現(xiàn)次數(shù)最多的物體為中心節(jié)點；將所述訓(xùn)練圖片集中的每幀圖片的物體圖結(jié)構(gòu)輸入至預(yù)設(shè)的網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，獲得訓(xùn)練好的網(wǎng)絡(luò)模型；其中，中心節(jié)點不同，基于不同的中心節(jié)點根據(jù)物體圖結(jié)構(gòu)的變換訓(xùn)練獲得的網(wǎng)絡(luò)模型輸出的標(biāo)簽結(jié)果不同。

上述方案中，所述獲取目標(biāo)視頻的多幀圖片包括：

獲取目標(biāo)視頻；