用于提取视频片段的方法和装置

技术领域

本公开涉及计算机技术领域，具体涉及视频处理、音频处理、云计算等人工智能技术领域，尤其涉及用于提取视频片段的方法和装置。

背景技术

随着网络技术的发展，网络中存储了越来越多的视频资源，提取视频中的特定视频片段可以帮助用户获取到特定信息。现有的提取视频中特定视频片段的方法包括：基于视频中音频流的音频特征提取视频中的特定视频片段。

然而，基于视频中音频流的音频特征提取视频中的特定视频片段的方法存在提取结果不准确的问题。

发明内容

提供了一种用于提取视频片段的方法、装置、电子设备以及计算机可读存储介质。

根据第一方面，提供了一种用于提取视频片段的方法，该方法包括：获取视频，并提取视频的音频流；确定音频流中各个预设时间段的音频数据中包含预设特征的置信度；在视频中，提取与目标音频片段的位置相对应的目标视频片段；其中，目标音频片段为音频数据中包含预设特征的置信度在预设置信度阈值以上的、连续的预设时间段内的音频片段。

根据第二方面，提供了一种用于提取视频片段的装置，该装置包括：获取单元，被配置为获取视频，并提取视频的音频流；确定单元，被配置为确定音频流中各个预设时间段的音频数据中包含预设特征的置信度；提取单元，被配置为在视频中，提取与目标音频片段的位置相对应的目标视频片段；其中，目标音频片段为音频数据中包含预设特征的置信度在预设置信度阈值以上的、连续的预设时间段内的音频片段。

根据第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器：存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面提供的用于提取视频片段的方法。

根据第四方面，本公开的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，程序被处理器执行时实现第一方面提供的用于提取视频片段的方法。

本公开提供的用于提取视频片段的方法、装置，获取视频，并提取视频的音频流；确定音频流中各个预设时间段的音频数据中包含预设特征的置信度；在视频中，提取与目标音频片段的位置相对应的目标视频片段。可以提高提取视频片段的准确性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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是本申请的实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于提取视频片段的方法的一个实施例的流程图；

图3是根据本申请的用于提取视频片段的方法的另一个实施例的流程图；

图4是根据本申请的用于提取视频片段的装置的一个实施例的结构示意图；

图5是用来实现本申请实施例的用于提取视频片段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。

图1示出了可以应用本申请的用于提取视频片段的方法或用于提取视频片段的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如视频类应用、播放类应用、音频类应用、搜索类应用、购物类应用、金融类应用等。

终端设备101、102、103可以是具有显示屏并且支持接收服务器消息的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExperts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPicture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以通过终端设备101、102、103获取视频，提取视频中的音频流，并确定该音频流中各个预设时间段的音频数据中包含预设特征的置信度，之后在视频中，提取音频数据中包含预设特征的置信度在预设置信度阈值以上的、连续的预设时间段的音频片段对应的连续的视频片段的视频片段。

需要说明的是，本公开的实施例所提供的用于提取视频片段的方法一般由服务器105执行，相应地，用于提取视频片段的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的用于提取视频片段的方法的一个实施例的流程200。用于提取视频片段的方法，包括以下步骤：

步骤201，获取视频，并提取视频的音频流。

在本实施例中，用于提取视频片段的方法的执行主体(例如图1所示的服务器)可以利用有线或者无线的方式通过互联网、本地存储以及其他可以获取视频的方式获取视频，并利用如音视频转换、音频分析等音频提取方法提取出该视频中的音频流。

步骤202，确定音频流中各个预设时间段的音频数据中包含预设特征的置信度。

在本实施例中，确定提取出的音频流中各个预设时间段的音频数据中包含预设特征的置信度的方法可以是：利用预先训练好的音频特征识别模型，对音频流中各个预设时间段的音频数据进行识别，并输出各个预设时间段的音频数据中包含预设特征的置信度。另外，还可以通过对音频流中各个时间段的音频数据的音频频谱进行特征遍历与对比等方法确定音频数据包含预设特征的置信度。

在本实施例中，各个预设时间段是用户预先设定的在音频流中采集预设特征的时间节点或者时间段，例如，可以对音频流中每秒的音频数据采集预设特征，可以根据音频流的播放时间、对音频流中的中间10分钟的音频数据采集预设特征，也可以将音频流预先分成多个音频流片段后、对各个音频流片段的音频数据采集预设特征。

在本实施例中，预设特征是基于提取视频片段的需求确定的，该预设特征与提取视频片段的需求以及视频涉及的内容相对应。例如，若视频涉及体育赛事内容、提取视频片段的需求是提取视频片段中的精彩进球瞬间、观众欢呼片段或者解说员激动解说等沸点片段，则预设特征可以是音频数据的音频频率发生瞬间变化的特征(某段音频数据中音频频率的最大值与最小值之差超过预设阈值)。又如，若视频涉及演唱会内容、提取视频片段的需求是提取视频片段中演唱会的高潮部分，则预设特征可以是音频数据的音频频率高于预设声音频率的特征。再如，若视频为新闻报道或者会议记录等事件记录视频、提取视频片段的需求是提取视频片段中指定人员的讲话片段，则预设特征可以是指定人员的发声频率特征。可以理解，预设特征是与视频片段涉及的内容以及提取视频片段的需求对应的音频特征。

步骤203，在视频中，提取与目标音频片段的位置相对应的目标视频片段；其中，目标音频片段为音频数据中包含预设特征的置信度在预设置信度阈值以上的、连续的预设时间段内的音频片段。

在本实施例中，将音频数据中包含预设特征的置信度在预设置信度阈值以上的、连续的预设时间段内的音频片段设定为目标视频片段，在视频中，提取出与目标视频片段在视频中的位置对应的视频片段。

具体地，当预设时间段的音频数据为将音频流依照一定的时间间隔划分的各个音频数据片段时，可以将音频数据中包含预设特征的置信度在预设置信度阈值以上的、连续的预设时间段的音频数据组成的音频片段设定为目标音频片段。

具体地，当预设时间段的音频数据为音频流中每秒钟(或者任意时间间隔点)的时间节点上的音频数据时，可以将音频数据中包含预设特征的置信度在预设置信度阈值以上的、连续的时间节点构成的时间范围内的音频片段设定为目标音频片段。

具体地，当预设时间段的音频数据为音频流中指定时间位置以及指定时间长度的音频数据时，若将该指定时间位置以及指定时间长度的音频数据中包含预设特征的置信度在预设置信度阈值以上，则将该指定时间位置以及指定时间长度的音频数据设定为目标音频片段。

本实施例提供的用于提取视频片段的方法，获取视频，并提取视频的音频流，确定音频流中各个预设时间段的音频数据中包含预设特征的置信度，并在视频中，提取与目标音频片段的位置相对应的目标视频片段。可以提高提取视频片段的准确性。

可选地，预设置信度阈值为多个预设置信度阈值，在视频中，提取与目标音频片段的位置相对应的目标视频片段，包括：针对多个预设置信度阈值中的每一个预设置信度阈值，确定音频数据中包含预设特征的置信度在该预设置信度阈值以上的、连续的预设时间段内的音频片段；在根据多个预设置信度阈值确定出的多个音频片段中，确定出目标音频片段；提取目标音频片段在视频中的位置对应的目标视频片段。

在本实施例中，可以首先预先设定多个不同的预设置信度阈值，针对多个预设置信度阈值中的每一个预设置信度阈值，进行初次筛选并确定音频数据中包含预设特征的置信度在该预设置信度阈值以上的、连续的预设时间段内的音频片段。

根据多个不同的预设置信度阈值可以确定出多个音频片段，可以进一步再预设一个优选置信度阈值，然后根据该优选置信度阈值对初次筛选阶段确定出的多个音频片段进一步进行筛选，筛选出目标音频片段，其中，优选置信度阈值可以高于多个不同的预设置信度阈值中的每一个预设置信度阈值；或者，根据多个不同的预设置信度阈值确定出多个音频片段后，根据多个音频片段的播放时间、音频片段对应的音频数据的频谱范围等音频片段的特征属性，确定出目标音频片段。

之后，提取目标音频片段在视频中的位置对应的目标视频片段。

本实施例中，利用多个预设置信度阈值筛选音频片段可以获得音频数据中包含预设特征的置信度高低不同的音频片段，有助于筛选出局部极大值，从而有助于筛选出多个符合筛选条件的音频片段，并在多个符合筛选条件的音频片段中进行二阶或者多阶筛选，另外，根据优选置信度阈值对根据多个预设置信度阈值确定出的多个音频片段进一步进行筛选，可以提高确定目标音频片段的准确性。

进一步参考图3，其示出了用于提取视频片段的方法的另一个实施例的流程300。该用于提取视频片段的方法的流程300，包括以下步骤：

步骤301，获取视频，并提取视频的音频流。

步骤302，利用预设时间长度的窗口以预设时间步长在音频流上滑动，提取出各个预设时间长度的音频流片段。

在本实施例中，可以利用预设时间长度的窗口以预设时间步长在音频流滑动，截取到各个预设时间长度的音频流片段。可以理解，当预设步长小于预设时间长度时，截取到的各个音频流片段之间存在重叠的音频数据。

步骤303，确定各个音频流片段中包含预设特征的置信度。

在本实施例中，可以利用预先训练好的音频特征识别模型，对截取到的各个音频流片段进行识别，并输出各个音频流片段中包含预设特征的置信度。

步骤304，针对每个预设时间段的音频数据，根据该预设时间段的音频数据所属的各个音频流片段中包含预设特征的置信度，确定该预设时间段的音频数据中包含预设特征的置信度。

在本实施例中，每个预设时间段的音频数据可以属于利用预设时间长度的窗口所截取到的一个或者多个音频流片段，该预设时间片段的音频数据中包含预设特征的置信度可以根据其所属于的各个音频流片段包含预设特征的置信度确定，例如，该预设时间段的音频数据包含预设特征的置信度可以是：其所属于的各个音频流片段的音频流片段包含预设特征的置信度的平均值、最大值、或者中值等等。需要说明的是，当预设时间段的全部音频数据不能同时被截取窗口所截取时，该预设时间段的音频数据可以归于任一截取到该预设时间段的部分音频数据对应的音频流片段中。可以理解，根据预设时间段的音频数据所属的各个音频流片段中包含预设特征的置信度，确定各个预设时间段的音频数据包含预设特征的置信度，可以使包含预设特征的音频数据的音频片段的起止点的分割更准确。

步骤305，在视频中，提取与目标音频片段的位置相对应的目标视频片段；其中，目标音频片段为音频数据中包含预设特征的置信度在预设置信度阈值以上的、连续的预设时间段内的音频片段。

本实施例中对步骤301、步骤305的描述与步骤201、步骤203、步骤203的描述一致，此处不再赘述。

本实施例提供的用于提取视频片段的方法，利用预设时间窗口将视频中的音频流划分成各个包含重叠音频数据的音频流片段，确定音频流片段包含预设特征的置信度，根据预设时间段的音频数据所属的各个音频流片段的音频流片段包含预设特征的置信度，确定该预设时间段的音频数据包含预设特征的置信度，并根据预设时间段的音频数据包含预设特征的置信度提取目标音频片段，以及根据目标音频片段提取目标视频片段，可以提高提取目标视频片段的准确性。

在上述结合图2和图3描述的实施例的一些可选的实现方式中，定音频流中各个预设时间段的音频数据中包含预设特征的置信度，包括：利用神经网络分类模型，确定音频流中各个预设时间段的音频数据中包含预设特征的置信度。

在本实施例中，可以利用预先训练好的、用于识别音频数据中包含预设特征的神经网络分类模型，确定音频流中各个预设时间段的音频数据中包含该预设特征的置信度。可以理解，该预先训练好的、用于识别音频数据中包含预设特征的神经网络分类模型的训练样本包括训练音频数据、以及训练音频数据包含预设特征的置信度/概率(或者训练音频数据的音频特征与预设特征的相似度等)。本实施例利用神经网络分类模型确定音频数据包含音频特征的置信度可以提高确定置信度的准确性。

在上述结合图2和图3描述的实施例的一些可选的实现方式中，预设特征包括表征音频流中的音频数据的频谱变化超过预设频谱变化阈值的特征。

在本实施例中，预设特征包括表征音频中的音频数据的频谱变化超过预设频谱变化阈值的特征，即，预设特征包括表征音频中的音频数据发生了瞬间变化(音频频率在一定的时间内由小变大、或者由大变小，并且变化超出了预设频谱变化阈值)的特征。其中，音频数据发生瞬间变化的特征提取可以基于语音特征梅尔频率倒谱系数(Mel FrequencyCepstrum Coefficient,MFCC)特征提取等方法。

进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种用于提取视频片段的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的用于提取视频片段的装置400包括：获取单元401、确定单元402、提取单元403。其中，获取单元401，被配置为获取视频，并提取视频的音频流；确定单元402，被配置为确定音频流中各个预设时间段的音频数据中包含预设特征的置信度；提取单元403，被配置为在视频中，提取与目标音频片段的位置相对应的目标视频片段；其中，目标音频片段为音频数据中包含预设特征的置信度在预设置信度阈值以上的、连续的预设时间段内的音频片段。

在一些实施例中，确定单元，包括：截取模块，被配置为利用预设时间长度的窗口以预设时间步长在音频流上滑动，提取出各个预设时间长度的音频流片段；第一确定模块，被配置为确定各个音频流片段中包含预设特征的置信度；第二确定模块，被配置为针对每个预设时间段的音频数据，根据该预设时间段的音频数据所属的各个音频流片段中包含预设特征的置信度，确定该预设时间段的音频数据中包含预设特征的置信度。

在一些实施例中，预设置信度阈值为多个预设置信度阈值，提取单元，包括：第三确定模块，被配置为针对多个预设置信度阈值中的每一个预设置信度阈值，确定音频数据中包含预设特征的置信度在该预设置信度阈值以上的、连续的预设时间段内的音频片段；第四确定模块，被配置为在根据多个预设置信度阈值确定出的多个音频片段中，确定出目标音频片段；提取模块，被配置为提取目标音频片段在视频中的位置对应的目标视频片段。

在一些实施例中，确定单元，包括：神经网络模块，被配置为利用神经网络分类模型，确定音频流中各个预设时间段的音频数据中包含预设特征的置信度。

在一些实施例中，预设特征包括表征音频流中的音频数据的频谱变化超过预设频谱变化阈值的特征。

上述装置400中的各单元与参考图2描述的方法中的步骤相对应。由此上文针对用于提取视频片段的方法描述的操作、特征及所能达到的技术效果同样适用于装置400及其中包含的单元，在此不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图5所示，是根据本申请实施例的用于提取视频片段的方法的电子设备500的框图。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，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。

存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，该存储器存储有可由至少一个处理器执行的指令，以使该至少一个处理器执行本申请所提供的用于提取视频片段的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的用于提取视频片段的方法。

存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的用于提取视频片段的方法对应的程序指令/模块(例如，附图4所示的获取单元401、确定单元402、提取单元403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的用于提取视频片段的方法。

存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于提取视频片段的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至用于提取视频片段的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

用于提取视频片段的方法的电子设备还可以包括：输入装置503、输出装置504以及总线505。处理器501、存储器502、输入装置503和输出装置504可以通过总线505或者其他方式连接，图5中以通过总线505连接为例。

输入装置503可接收输入的数字或字符信息，以及产生与用于提取视频片段的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处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、专用ASIC(专用集成电路)、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。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

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)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。

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。