一种视频晃动的检测方法、装置、设备和程序产品

技术领域

本申请涉及视频处理技术领域，具体而言，涉及一种视频晃动的检测方法、装置、设备和程序产品。

背景技术

随着互联网内容生态的发展，人们对高质量视频的需求日益增加。但是，大量低质量视频仍充斥网络，其中，镜头剧烈晃动的视频在播放时容易使观看者产生强烈的眩晕感，甚至造成生理不适。

目前常用的检测视频中晃动片段的方法主要为光流法、块匹配法、特征点匹配法以及灰度投影法等传统方法，通过设定阈值来对视频的晃动状态进行判断，存在泛化性不高、阈值不好设定、在一些特殊场景(特效、场景转换)容易产生误判等问题。

发明内容

根据本申请的一方面，提供一种视频晃动的检测方法，包括：提取输入视频对应的至少一个视频片段中的按时序排列的多个视频帧；根据所述多个视频帧，获得所述至少一个视频片段的光流特征向量；根据所述光流特征向量确定所述至少一个视频片段的播放状态；基于所述至少一个视频片段的播放状态，获取所述输入视频中存在晃动的视频片段。

根据一些实施例，提取输入视频对应的至少一个视频片段中的按时序排列的多个视频帧，包括：将所述输入视频以预设的连续视频帧数按时序划分为至少一个视频片段；按预设图像尺寸缩放所述至少一个视频片段中的所述多个视频帧。

根据一些实施例，根据所述多个视频帧，获得所述至少一个视频片段的光流特征向量，包括：选取所述多个视频帧中任意的连续的两个视频帧之间相对应的像素点；通过第一模型计算所述相对应的像素点分别在水平方向和垂直方向上的位移信息，以作为所述连续的两个视频帧之间的光流特征信息；根据所述连续的两个视频帧之间的光流特征信息获得所述至少一个视频片段中的多组光流特征矩阵；将所述多组光流特征矩阵转化为所述至少一个视频片段的光流特征向量。

根据一些实施例，所述播放状态包括不晃动、轻微晃动和严重晃动；根据所述光流特征向量确定所述至少一个视频片段的播放状态，包括：通过第二模型对所述卷号：230016CI

至少一个视频片段的光流特征向量进行分析，以获取所述至少一个视频片段的多维度特征；根据所述多维度特征，获取所述至少一个视频片段分别处于不同播放状态的概率；确定所述不同播放状态的概率对应的所述播放状态为所述至少一个视频片段的播放状态。

根据一些实施例，通过第二模型对所述至少一个视频片段的光流特征向量进行分析，以获取所述至少一个视频片段的多维度特征，包括：获取所述光流特征向量中多个连续的两个视频帧之间的光流特征信息；通过所述第二模型分析所述多个连续的两个视频帧之间的光流特征信息中任一光流特征信息与除所述任一光流特征信息以外的多个光流特征信息之间的关系；根据分析的结果获得所述多维度特征。

根据一些实施例，在根据所述光流特征向量确定所述至少一个视频片段的播放状态之前，对所述第二模型进行训练，包括：获取训练视频片段的光流特征向量；对所述训练视频片段的播放状态进行标注；以所述训练视频片段的光流特征向量为输入数据，以经过标注的所述播放状态为标签，训练所述第二模型至所述第二模型最终收敛。

根据一些实施例，基于所述至少一个视频片段的播放状态，获取所述输入视频中存在晃动的视频片段，包括：获取所述至少一个视频片段的播放状态；比对所述输入视频中相邻的两个视频片段的播放状态；将所述播放状态相同的所述相邻的两个视频片段进行时间点位融合；获取经过时间点位融合的所述输入视频中存在晃动的视频片段，所述存在晃动的视频片段为处于轻微晃动的播放状态或处于严重晃动的播放状态的视频片段。

根据本申请的一方面，提供一种视频晃动的检测装置，包括：预处理模块，用于将输入视频以预设的连续视频帧数按时序划分为至少一个视频片段；对所述至少一个视频片段中的多个视频帧进行图像尺寸缩放；运算模块，用于通过第一模型计算连续的两个视频帧之间的光流特征信息，以获得所述至少一个视频片段中的多组光流特征矩阵；将所述多组光流特征矩阵转化为所述至少一个视频片段的光流特征向量；分析模块，用于通过第二模型根据所述光流特征向量确定所述至少一个视频片段的播放状态；输出模块，用于获取所述至少一个视频片段的播放状态；获取所述输入视频中存在晃动的视频片段。

根据本申请的一方面，提供一种电子设备，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；当所述一个或多个程序被所述一个或多个处理器执行，使得一个或多个处理器实现如前述的方法。

根据本申请的一方面，提供一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时实现如前述的方法。

根据本申请的实施例，可实现视频片段的连续视频帧之间的光流特征信息的快速提取，并通过模型分析由不同的连续视频帧之间的光流特征信息生成的光流特征卷号：230016CI

向量，提取相同时间范围内的视频片段的整体时序信息，从而达到更准确的视频晃动检测效果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例。

图1示出根据本申请示例实施例的一种视频晃动的检测方法的流程图。

图2示出根据本申请示例实施例的获取光流特征向量的流程图。

图3示出根据本申请示例实施例的确定视频片段的播放状态的流程图。

图4示出根据本申请示例实施例的检测装置的工作流程示意图。

图5示出根据本申请示例实施例的电子设备的框图。

具体实施方式

本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本申请将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有这些特定细节中的一个或更多，或者可以采用其它的方式、组元、材料、装置或操作等。在这些情况下，将不详细示出或描述公知结构、方法、装置、实现、材料或者操作。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用卷号：230016CI

于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

本申请提供一种视频晃动的检测方法、装置、设备和程序产品，可结合光流特征和视频时序信息实现对视频中处于晃动状态的时间点位的自动检测，并保证视频晃动检测的准确性。

下面将参照附图，对根据本申请实施例的一种视频晃动的检测方法、装置、设备和程序产品进行详细说明。

图1示出根据本申请示例实施例的一种视频晃动的检测方法的流程图。

如图1所示，在步骤S110中，检测装置提取输入视频对应的至少一个视频片段中的按时序排列的多个视频帧。

例如，在步骤S110中，检测装置从视频平台获得需要检测是否存在晃动的输入视频，而后将输入视频划分为至少一个视频片段，以用于检测输入视频的在不同时间段的播放状态。

检测装置根据视频帧的时间戳从视频片段中获取对应的按时序排列的多个视频帧。

进一步地，检测装置以预设的连续视频帧数按时序将输入视频划分为至少一个视频片段。至少一个视频片段中的各视频片段均包括按时序依次排列的以预设的连续视频帧数为数量的多个视频帧，并且，检测装置可根据按时序排列的多个视频帧获得各视频片段的时间点位。

根据一些实施例，检测装置可根据输入视频包含的视频帧数量、预设的连续视频帧数以及视频分辨率对输入视频进行划分并记录数据。假设输入视频的视频帧数共有N帧，预设的连续视频帧数为64，且输入视频的分辨率为h*w。检测装置以按时序的连续64帧为一组将输入视频划分为N/64个视频片段，其中任意一个视频片段包含64个按时序连续的视频帧。检测装置将当前视频片段的相关数据以数组[64,3，h，w]进行记录，其中，数字64表示预设的连续视频帧数(即当前视频片段的视频帧数量)，且连续视频帧数可根据实际需求调整，数字3表示数据帧的图像颜色通道(即RGB三通道)，h、w表示当前视频片段的分辨率。

根据一些实施例，检测装置可按预设图像尺寸对输入视频的多个视频帧进行缩小或放大。检测装置可根据实际需求调整预设图像尺寸。若需要减少计算过程的数据量，检测装置可按预设图像尺寸缩小视频帧；若需要获得较准确的检测结果，检卷号：230016CI

测装置可按预设图像尺寸放大视频帧。例如，预设图像尺寸为256*256，检测装置则按256*256的图像尺寸对输入视频的多个视频帧进行调整，进而，当前视频片段相关数据的数组变更为[64,3，256，256]。

在步骤S120中，检测装置根据多个视频帧，获得至少一个视频片段的光流特征向量。

例如，在步骤S120中，检测装置获得多个视频帧中任意的连续的两个视频帧之间的光流特征信息，并通过第一模型根据多个光流特征信息生成至少一个视频片段的多组光流特征矩阵。检测装置将多组光流特征矩阵转化为至少一个视频片段的光流特征向量。

检测装置获取到至少一个视频片段中的多个视频帧，进而选取任意的一个视频帧中的一个像素点，以及获得此视频帧相邻的一个视频帧中相同的像素点，并以此作为相对应的两个像素点计算当前两个视频帧之间的光流特征信息。检测装置通过任意的连续两个视频帧之间的光流特征信息得到当前视频片段的光流特征矩阵，并将光流特征矩阵转化为光流特征向量。

根据一些实施例，光流特征信息包括连续两个视频帧之间对应的像素点的变化信息，例如，当前视频帧中的一个像素点相对于相邻的前一视频帧中相同的像素点的分别沿水平和垂直方向的位移信息。

根据一些实施例，在获取任意的连续两个视频帧之间的光流特征信息之前，检测装置预先设置第一模型，用于获得视频片段的光流特征矩阵，其中第一模型可以采用RAFT(Recurrent All-Pairs Field Transforms for Optical Flow，光流估计模型)卷积神经网络模型。检测装置以至少一个视频片段中任意连续两个视频帧为一组作为第一模型的输入数据，通过第一模型获得至少一个视频片段的多组光流特征矩阵。

根据一些实施例，检测装置将一个视频片段中的任意连续两个视频帧作为一组数据输入已训练的第一模型，通过第一模型选取任意的连续两个视频帧之间相对应的两个像素点，并获取两个像素点在平面坐标系中的位置变化。例如，检测装置通过已训练的第一模型计算相对应像素点分别沿平面坐标系x轴和y轴(即水平方向和垂直方向)的位移信息，即当前两个视频帧之间的光流特征信息。

根据任意的连续两个视频帧之间的光流特征信息，检测装置通过第一模型获得当前视频片段的光流特征矩阵，并根据光流特征矩阵的数量、光流特征信息的分量以及光流特征矩阵的大小将光流特征矩阵转化为当前视频片段的光流特征向量。

在步骤S130中，检测装置根据光流特征向量确定至少一个视频片段的播放状态。

例如，在步骤S130中，检测装置通过第二模型对至少一个视频片段的光流特征向量中各光流特征信息之间的关系进行分析，以得到各视频片段的多维度特征。基卷号：230016CI

于各视频片段的多维度特征，检测装置计算各视频片段各自处于不同播放状态的概率，并以此确定各视频片段的播放状态。

检测装置首先设置第二模型，用于分析至少一个视频片段中的当前视频片段的光流特征向量中任意两个连续的视频帧之间的光流特征信息与当前视频片段的光流特征向量中其他光流特征信息之间的关系。

根据一些实施例，第二模型可采用ViT(Vision Transformer，用于计算机视觉领域的基于自注意力机制的深度学习模型)模型。

根据一些实施例，检测装置将至少一个视频片段的光流特征向量输入已经过训练的第二模型。检测装置通过第二模型对该光流特征向量中的任意两个连续的数据帧之间的光流特征信息与该光流特征向量中除此光流特征信息之外的其他光流特征信息之间的关系进行分析，以获得至少一个视频片段中各视频片段的多维度特征，用于表示各视频片段的整体特征。

根据一些实施例，检测装置设置的第二模型中增加了一个卷积层，用于通过视频片段的多维度特征计算视频片段对应的播放状态。

在获取到至少一个视频片段中各视频片段的多维度特征后，检测装置继续通过第二模型对各视频片段的多维度特征进行运算，得到各视频片段处于不同播放状态(不晃动、轻微晃动或严重晃动)的概率。检测装置将各视频片段处于不同播放状态的概率中的最大值对应的播放状态确定为各视频片段的最终播放状态。

根据一些实施例，检测装置将各视频片段的多维度特征输入增加的卷积层，由增加的卷积层经过计算得到代表视频片段处于不晃动、轻微晃动或严重晃动的概率。

在步骤S140中，基于至少一个视频片段的播放状态，检测装置获取输入视频中存在晃动的视频片段。

例如，在步骤S140中，在确定至少一个视频片段的播放状态后，检测装置通过对至少一个视频片段中的相邻的两个视频片段的播放状态的对比，确定输入视频中存在晃动的视频片段。

检测装置收集输入视频的至少一个视频片段中各视频片段的播放状态，并对相邻的两个视频片段的播放状态进行比较。若相邻的两个视频片段的播放状态相同，检测装置将播放状态相同的两个视频片段进行时间点位的融合，以将两个视频片段通过时间信息进行合并，得到一个新的视频片段及其播放状态对应的时间点位。

例如，输入视频的视频帧数共有N帧，检测装置以按时序的连续64帧为一组将输入视频划分为N/64个视频片段，其中，各视频片段的时间点位与各视频片段中按时序排列的视频帧的时间信息对应。检测装置还获得N/64个视频片段各自的播放状态。

假设输入视频的帧率为25帧/秒，第一视频片段与相邻的第二视频片段的播放状态均为晃动。第一视频片段的起始时间点为00:00.00，结束时间点为00:02.56。

卷号：230016CI

第二视频片段的起始时间点为00:02.56，结束时间点为00:05.12。检测装置将第一视频片段与第二视频片段进行时间点位的融合，得到第三视频片段，其中第三视频片段的播放状态为晃动，第三视频片段的时间点位为00:00.00-00:05.12。

根据本申请的实施例，检测装置可自动检测出输入视频中存在晃动的视频片段，无需通过人工对输入视频进行整体检测，提升了视频质量评估的整体效率。

图2示出根据本申请示例实施例的获取光流特征向量的流程图。

如图2所示，在步骤S210中，检测装置通过已训练的第一模型获得连续的两个视频帧之间的光流特征矩阵。

例如，在步骤S210中，检测装置使用已按预设图像尺寸训练的第一模型作为特征提取器，计算连续的两个视频帧之间的光流特征信息。根据任意的连续的两个视频帧之间的光流特征信息，检测装置通第一模型生成任意的连续的两个视频帧之间的光流特征矩阵。

根据本申请的实施例，第一模型可以采用RAFT(Recurrent All-Pairs FieldTransforms for Optical Flow，光流估计模型)卷积神经网络。

检测装置将至少一个视频片段中各视频片段包含的视频帧按连续两个视频帧为一组输入第一模型。检测装置通过第一模型计算当前的两个视频帧之间相对应的像素点分别沿平面坐标系x轴和y轴(即水平方向和垂直方向)的光流特征信息，以此作为当前两个视频帧之间的光流特征信息。

检测模型通过第一模型根据当前两个视频帧之间的光流特征信息得到当前视频片段中任意的两个连续的视频帧之间多组沿水平方向和垂直方向的光流特征信息，进而，检测模型可由任意的两个连续的视频帧之间的光流特征信息得到当前视频片段的多组光流特征矩阵。

例如，当前的视频片段包含连续的64个视频帧，检测模型将任意的两个连续的视频帧为一组输入第一模型，得到由任意的两个连续的视频帧之间的光流特征信息形成的63组光流特征信息，并以此生成当前视频片段的光流特征矩阵，记为[63,2，m，n]，其中，2代表光流特征在水平方向和垂直方向的两个分量，m*n代表第一模型输出的光流特征矩阵的大小，m、n的数值由第一模型的网络结构决定，也可根据实际需求设置。

根据一些实施例，当前视频片段的光流特征矩阵可记为[63,2，32，32]，光流特征矩阵的大小按经验值设置为32*32。

在步骤S220中，检测装置将光流特征矩阵转化为光流特征向量。

例如，在步骤S220中，检测装置通过运算将当前视频片段的光流特征矩阵转化为当前视频片段的光流特征向量。

例如，若当前视频片段的光流特征矩阵为[63,2，32，32]，则检测装置按[63，卷号：230016CI

2*32*32]进行计算得到当前视频片段的光流特征向量[63,2048]。

根据本申请的实施例，检测装置可通过第一模型准确且迅速地提取输入视频中各视频片段的光流特征，为保障视频晃动时间点位分析的准确性提供基础。

图3示出根据本申请示例实施例的确定视频片段的播放状态的流程图。

如图3所示，在步骤S310中，检测装置对第二模型进行训练。

例如，在步骤S310中，检测装置收集多个训练视频片段，并按上述步骤S210、S220的方法计算获得训练视频片段的光流特征向量。检测装置对训练视频片段的播放状态进行标注，其中，视频片段的播放状态由标注人员预先设定为不晃动、轻微晃动和严重晃动。

检测装置以训练视频片段的光流特征向量为第二模型的输入数据，以训练视频片段的播放状态为第二模型的标签，监督第二模型的训练与参数更新，直至第二模型最终收敛。

根据本申请的实施例，第二模型可以采用ViT(Vision Transformer，用于计算机视觉领域的基于自注意力机制的深度学习模型)模型，对输入的光流特征向量中的任意两个连续的数据帧之间的光流特征信息与当前光流特征向量中其他光流特征信息两两之间的关系进行比较分析，以提取当前光流特征向量对应的视频片段的多维度特征，其中，视频片段的多维度特征包括视频片段的播放状态及视频片段的时序信息。

在步骤S320中，检测装置通过第二模型对至少一个视频片段的光流特征向量进行分析，以获取各视频片段的多维度特征。

例如，在步骤S320中，检测装置将输入视频的至少一个视频片段的光流特征向量输入训练后的第二模型，以通过第二模型分析输入的光流特征向量中的多个光流特征彼此之间的关系。

检测装置通过第二模型对输入的光流特征向量中的任意两个连续的数据帧之间的光流特征信息与当前光流特征向量中除此光流特征信息之外的其他光流特征信息之间的关系进行分析，以获得当前光流特征向量对应的视频片段的多维度特征，以表示此视频片段的整体特征。

根据一些实施例，检测装置将一个视频片段的光流特征向量作为第二模型的输入，第二模型经过分析得到当前视频片段的1个P维度特征，其中数值P由第二模型的最后一个卷积层的结构决定，也可根据实际需求设置。

例如，检测装置将当前视频片段的光流特征向量[63,2048](即63个2048维度的光流特征向量)作为第二模型的输入，第二模型经过分析得到当前视频片段的1个768维度特征，其中768维度为根据经验值设定的维度数值。

在步骤S330中，根据多维度特征，检测装置获取各视频片段分别处于不同播放卷号：230016CI

状态的概率。

例如，在步骤S330中，以各视频片段的多维度特征为输入数据，检测装置通过第二模型计算各视频片段处于不同播放状态的概率。

根据一些实施例，检测装置在第二模型的基础上增加一个输出为3的卷积层。检测装置将由第二模型输出的多维度特征作为输入数据，通过该卷积层输出一个3维向量[p1,p2,p3],其中，p1、p2和p3分别代表当前视频片段处于不晃动、轻微晃动和严重晃动的播放状态的概率。

在步骤S340中，检测装置确定最大概率对应的播放状态为各视频片段的播放状态。

例如，在步骤S340中，检测装置确定视频片段处于不晃动、轻微晃动和严重晃动的播放状态的概率中的最大值，并以此确定当前视频片段的播放状态。

根据一些实施例，检测装置确定上述步骤S330中p1、p2和p3的最大值。检测装置将p1、p2和p3中的最大值对应的播放状态确定为当前视频片段的播放状态。

根据本申请的实施例，通过分析相同时间范围内不同的相邻的两个数据帧之间的光流特征，检测装置可更好地获得当前视频片段完整的时序信息和播放状态。

图4示出根据本申请示例实施例的检测装置的工作流程示意图。

如图4所示，检测装置400包括预处理模块410、运算模块420、分析模块430和输出模块440。

预处理模块410从视频平台获得输入视频，并将输入视频按时序以预设的连续视频帧数划分为多个视频片段，即根据包含时间信息的多个视频帧将输入视频均匀地划分为多个相同时间范围的视频片段，其中各视频片段均包含以预设的连续视频帧数为数量的多个视频帧。

预处理模块410还将已划分的视频片段中的视频帧按预设图像尺寸进行缩小或放大，以将经过图像缩放处理的视频帧转换为运算模块420所需的数据格式。

运算模块420通过已训练的第一模型计算当前视频片段的相邻的连续两个视频帧之间的光流特征信息，并以此通过第一模型生成当前视频片段的多组光流特征矩阵，进而获得输入视频中各视频片段的多组光流特征矩阵。

运算模块420还将输入视频中各视频片段的多组光流特征矩阵转化为光流特征向量，以作为分析模块430的输入数据。

分析模块430先收集多个训练视频片段，并获取训练视频片段的光流特征向量。分析模块430还对训练视频片段的播放状态进行标注。进而，分析模块430以训练视频片段的光流特征向量为第二模型的输入数据，以训练视频片段的播放状态为第二模型的标签对第二模型进行训练，直至第二模型收敛。

分析模块430通过第二模型对输入视频中各视频片段的光流特征向量进行分析，卷号：230016CI

以获取各视频片段的多维度特征。

分析模块430根据各视频片段的多维度特征，通过第二模型中增加的卷积层获取各视频片段处于不同播放状态(不晃动、轻微晃动或严重晃动)的概率，并且，分析模块430将处于不同播放状态的概率中的最大值对应的播放状态确定为各视频片段的播放状态。

输出模块440获得输入视频各视频片段的播放状态检测结果，并将相邻的两个连续的视频片段的播放状态进行比对。

在确定相邻的两个连续的视频片段的播放状态相同后，输出模块440将播放状态相同的相邻的两个连续的视频片段进行时间点位的融合，以获得一个新的视频片段及其播放状态。

输出模块440将输入视频中处于轻微晃动或严重晃动的视频片段输出。

图5示出根据本申请示例实施例的电子设备的框图。

如图5所示，电子设备600仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书描述的根据本申请各种示例性实施方式的方法。例如，处理单元610可以执行如图1中所示的方法。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650卷号：230016CI

进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。根据本申请实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端或者网络设备等)执行根据本申请实施例的方法。

软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一卷号：230016CI

个该设备执行时，使得该计算机可读介质实现前述功能。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

根据本申请的一些实施例，本申请的技术方案可以更准确和迅速地计算视频的光流特征，并通过分析相同时间范围内不同的相邻的两个视频帧之间的光流特征变化，更好地提取视频的完整时序信息，达到更精确的视频晃动检测效果。

以上对本申请实施例进行了详细介绍，以上实施例的说明仅用于帮助理解本申请的方法及其核心思想。同时，本领域技术人员依据本申请的思想，基于本申请的具体实施方式及应用范围上做出的改变或变形之处，都属于本申请保护的范围。综上所述，本说明书内容不应理解为对本申请的限制。