一种视频识别方法、装置、电子设备和存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及计算机视觉和深度学习技术，具体涉及一种视频识别方法、装置、电子设备、存储介质和计算机程序产品。

背景技术

视频识别，即输入一段视频根据视频内容对其进行分类。视频识别是计算机视觉社区中最活跃的研究主题之一，这归因于其在视频监视、视频推荐、检索等方面的巨大应用潜力。

发明内容

本申请提供了一种视频识别方法、装置、电子设备、存储介质和计算机程序产品。

根据本申请的一方面，提供了一种视频识别方法，包括：

将待识别视频分成至少两个视频片段；

从视频片段中抽取视频帧并进行特征识别，得到视频片段的初始语意特征块；

对各初始语意特征块进行融合，得到融合后的目标语意特征块；

基于融合后的目标语意特征块，确定待识别视频的类别。

根据本申请的另一方面，提供了一种视频识别装置，包括：

分段模块，用于将待识别视频分成至少两个视频片段；

特征识别模块，用于从视频片段中抽取视频帧并进行特征识别，得到视频片段的初始语意特征块；

融合模块，用于对各初始语意特征块进行融合，得到融合后的目标语意特征块；

识别模块，用于基于融合后的目标语意特征块，确定待识别视频的类别。

根据本申请的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请任意实施例的视频识别方法。

根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本申请任意实施例的视频识别方法。

根据本申请的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本申请任意实施例的视频识别方法根据本申请的技术，提升了视频识别的精度。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请实施例的一种视频识别方法的示意图；

图2是根据本申请实施例的一种视频识别方法的示意图；

图3a是根据本申请实施例的一种视频识别方法的示意图；

图3b是根据本申请实施例初始语意特征块的融合过程的效果图；

图4是根据本申请实施例的一种视频识别装置的示意图；

图5是用来实现本申请实施例的视频识别的方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

目前常用的视频识别方法是从待识别的视频中均匀或随机间隔抽取固定数量的视频帧(例如抽取10帧)，并将其输入到网络中进行识别。而为了提升视频识别的精度，常用的方法都是单纯从特征提取网络的设计考虑，通过手工设计一定结构的识别网络，以使得网络获得更高的精度。然而，由于中长视频(例如时长超过1分钟的视频)中主要包含多个语意的视频块，如果依旧采用抽取固定数量视频帧进行识别，会忽略不同视频片段的语意的关联和差异，且存在用于表达某一语意的视频帧未被抽取到的情况，导致提取到的特征不充足，进而影响视频识别的精度，而且这种损失的精度是无法通过设计特征提取网络的结构进行弥补的。基于此，发明人创造性的提出一种针对中长视频的视频识别方法。

图1为本申请实施例的视频识别方法的流程示意图，本实施例可适用于服务器等设备通过对提取到的各视频片段的特征进行融合，进而根据融合后的特征进行视频识别的情况。该方法可由一种视频识别制装置来执行，该装置采用软件和/或硬件的方式实现，并集成在电子设备上，例如集成在服务器上。

具体的，参见图1，视频识别方法如下：

S101、将待识别视频分成至少两个视频片段。

其中，待识别视频是为中长视频，例如为时长超过一分钟的视频。在一种可选的实施方式中，将待识别视频分成至少两个视频片段，包括：对待识别视频进行平均分段，得到长度相同的至少两个视频片段。示例性的，待识别视频的时长为10分钟，预设的每个视频片段时长为20秒，则将待识别视频切分成30个时长为20秒的视频片段。在此需要说明的是，也可以通过其他方式对待识别视频进行分段，在此不做具体限定。而之所以选择平均分段，是因为平均分段可保证视频分段的效率。

S102、从视频片段中抽取视频帧并进行特征识别，得到视频片段的初始语意特征块。

本申请实施例中，针对任一视频片段，从该视频片段中抽取视频帧进行特征识别，得到该视频片段的初始语意特征块。在此需要说明的是，通过S102得到的初始语意特征块的数量与通过S101得到的视频片段的数量相同，而且由于在每个视频片段中都抽取视频帧进行特征识别，因此可避免出现表达某一语意的视频帧未被抽取的情况。

进一步的，由于不同视频片段包括的语意可能相同，因此如果两个或多个相邻的视频片段包括的语意相同，可从其中任意一个视频片段中抽取视频帧进行特征识别。

S103、对各初始语意特征块进行融合，得到融合后的目标语意特征块。

在一种可选的实施方式中，对各初始语意特征块进行融合，得到融合后的目标语意特征块，包括：基于动态移动策略，将各初始语意特征块的不同通道的特征信息进行融合，得到融合后的目标语意特征块，其中，通过特征融合得到的目标语意特征块的数量和通过S102得到的初始语意特征块的数量相同。在此需要说明的是，通过对各初始语意特征块的不同通道的特征信息进行融合，实现了不同的初始语意特征块中包含与其时序相邻的其它初始语意特征块的部分信息的目的，由此根据融合后的各目标语意特征块可以确定不同视频片段之间的语意关联和差异。

S104、基于融合后的目标语意特征块，确定待识别视频的类别。

本申请实施例中，根据融合后的目标语意特征块可确定待识别视频的长语意信息，进而根据长语意信息确定待识别视频的类别。

本申请实施例中，出于对视频中不同片段包含的语意差异性考虑，对提取到的各视频片段的特征进行融合，进而根据融合后的特征进行识别，可提升视频识别的精度。

图2是根据本申请实施例的视频识别方法的流程示意图，本实施例是在上述实施例的基础上进行优化，参见图2，视频识别方法具体如下：

S201、将待识别视频分成至少两个视频片段。

S202、从视频片段中抽取预设数量的视频帧。

本申请实施例中，从每个视频片段均抽取视频帧，例如按照预设时间间隔抽取，以便进行后续的特征识别和特征融合。在此需要说明的是，现有技术中，采用固定输入的方式进行视频识别，也即是识别视频时，从视频中抽取固定数量视频帧(例如抽取10帧)输入到视频识别网络。而本申请从每个视频片段都抽取预设数量(例如8帧)的视频帧，由此抽取的视频帧的数量较多，使得到的特征越多，进而保证后续识别的精度也就越高。

S203、利用预先训练的视频识别网络中的特征提取子网络，对抽取到的视频帧进行特征识别，得到视频片段的初始语意特征块。

S204、对各初始语意特征块进行融合，得到融合后的目标语意特征块。

S205、基于融合后的目标语意特征块，确定待识别视频的类别。

本申请实施例中，预先训练的视频识别网络相比于现有技术，还加入了融合模块，用于将特征提取子网络提取到的特征块进行融合。在此需要说明的是，若视频识别网络包括多层特征提取子网络，则为每层特征提取子网络添加一个动态融合模块，进而在提取特征时，按照特征提取的层级依次执行提取特征和融合特征的操作，进而根据最终提取的特征块输出视频识别结果。

本申请实施例中，训练视频识别网络的过程如下：输入一段视频图像序列和该视频对应的真实标签，对视频长度均匀分成若干视频片段，从每个视频片段中均匀间隔采集8帧图片。进而通过特征提取网络提取特征，经过融合模块进行信息融合。在经过网络多层信息提取后，利用全连接层预测该视频最有可能的类别，并将预测结果和真实标签进行交叉熵损失计算损失函数后，使用随机梯度下降方法对损失进行优化，不断更新网络权重层，直到损失函数收敛训练停止。

进一步的，在训练结束后，还需对训练的视频识别网络进行测试，例如输入一段视频，均匀分成若干片段(大于训练的视频片段)，每段中采集8帧。从中均匀采样部分帧输入整体网络并对预测结果进行聚合，可直接得到视频的预测结果。

本申请实施例中，从每个视频片段都抽取视频帧，由此可以保证得到足够的特征；而且在视频识别网络中加入了融合模块，使得可以对提取到的各视频片段的特征进行融合，进而根据融合后的特征进行视频识别，可提升视频识别的精度。

图3a是根据本申请实施例的视频识别方法的流程示意图，本实施例是在上述实施例的基础上特征融合的过程进行优化，参见图3a，视频识别方法具体如下：

S301、将待识别视频分成至少两个视频片段。

S302、从视频片段中抽取视频帧并进行特征识别，得到视频片段的初始语意特征块。

S303、将当前初始语意特征块的第一通道的特征信息，移动到时序排在当前初始语意特征块之前且与当前初始语意特征块相邻的初始语意特征块中。

S304、将当前初始语意特征块的第二通道的特征信息，移动到时序排在当前初始语意特征块之后且与当前初始语意特征块相邻的初始语意特征块中。

通过S303-S304的融合操作，即可得到融合后的目标语意特征块。

S305、基于融合后的目标语意特征块，确定待识别视频的类别。

示例性的，参见图3b，其示出了初始语意特征块的融合过程的效果图。将待识别视频分成四个视频片段，对四个视频片段抽帧并进行特征识别，得到按照时序排列的初始语意特征块A、B、C和D。其中，在初始语意特征块A中，A1所在的列为初始语意特征块A的第一通道，A2所在的列为初始语意特征块A的第二通道；同理，B1所在的列为初始语意特征块B的第一通道，B2所在的列为初始语意特征块B的第二通道；C1所在的列为初始语意特征块C的第一通道，C2所在的列为初始语意特征块C的第二通道；D1所在的列为初始语意特征块D的第一通道，D2所在的列为初始语意特征块D的第二通道。

若将当前初始语意特征块为初始语意特征块B，按照S303-S304的步骤进行特征融合时，将初始语意特征块B的第一通道(即B1所在的列)的特征信息向前移动到初始语意特征块A中；将初始语意特征块B的第二通道(即B2所在的列)的特征信息向后移动到初始语意特征块C中。同理其它特征块也是按照上述方式进行融合。

在此需要说明的是，若当前初始语意特征块为时序排在首位的初始语意特征块A，可直接将初始语意特征块A的第一通道(即A1所在的列)的特征信息删除，而且由于初始语意特征块A的第二通道(即A2所在的列)的特征信息被移动到初始语意特征块B中，因此需要对对当前初始语意特征块A的第二通道进行信息填充，例如补零，新填充的信息为E所在的列。

若当前初始语意特征块为时序排在末尾的初始语意特征块D，可直接将初始语意特征块D的第二通道(即D2所在的列)的特征信息删除，并对当前初始语意特征块D的第一通道进行信息填充，新填充的信息为E所在的列。本申请实施例中，通过对语意特征块进行填充，可以保证融合后的各语意特征块的结构相同，便于后面继续进行特征提取和融合。

通过上述过程即可得到融合后的目标语意特征块A’、B’、C’和D’，进而可根据目标语意特征块A’、B’、C’和D’确定视频的类别。

本申请实施例中，通过动态移动的方式实现了各特征块不同通道信息的融合，是个融合后的每个特征块包含与其相连的其它特征块的部分信息，实现了在各特征块中引入了时域信息，根据融合后的特征块可以准确的得到待识别视频的长时域语意信息，由此根据长时域语意信息对视频进行分类，可提升语意分类的精度。

图4是根据本申请实施例的视频识别装置的结构示意图，本实施例可适用于对提取到的视频分段的特征进行融合，进而根据融合后的特征进行视频识别的情况。如图4所示，该装置具体包括：

分段模块401，用于将待识别视频分成至少两个视频片段；

特征识别模块402，用于从视频片段中抽取视频帧并进行特征识别，得到视频片段的初始语意特征块；

融合模块403，用于对各初始语意特征块进行融合，得到融合后的目标语意特征块；

识别模块404，用于基于融合后的目标语意特征块，确定待识别视频的类别。

在上述实施例的基础上，可选的，融合模块包括：

动态融合单元，用于基于动态移动策略，将各初始语意特征块的不同通道的特征信息进行融合，得到融合后的目标语意特征块。

在上述实施例的基础上，可选的，动态融合单元包括：

前移子单元，用于将当前初始语意特征块的第一通道的特征信息，移动到时序排在当前初始语意特征块之前且与当前初始语意特征块相邻的初始语意特征块中；

后移子单元，用于将当前初始语意特征块的第二通道的特征信息，移动到时序排在当前初始语意特征块之后且与当前初始语意特征块相邻的初始语意特征块中。

在上述实施例的基础上，可选的，还包括：

第一填充模块，用于若当前初始语意特征块为时序排在首位的初始语意特征块，则对当前初始语意特征块的第二通道进行信息填充；或

第二填充模块，用于若当前初始语意特征块为时序排在末尾的初始语意特征块，则对当前初始语意特征块的第一通道进行信息填充。

在上述实施例的基础上，可选的，特征识别模块包括：

抽帧单元，用于从视频片段中抽取预设数量的视频帧；

特征识别单元，用于利用预先训练的视频识别网络中的特征提取子网络，对抽取到的视频帧进行特征识别，得到视频片段的初始语意特征块。

在上述实施例的基础上，可选的，分段模块具体用于：

对待识别视频进行平均分段，得到长度相同的至少两个视频片段。

本申请实施例提供的视频识别装置可执行本申请任意实施例提供的视频识别方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。

根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图5示出了可以用来实施本申请的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如视频识别方法。例如，在一些实施例中，视频识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的视频识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行视频识别方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。