视频处理方法、装置及终端设备

技术领域

本申请属于视频处理技术领域，尤其涉及视频处理方法、装置及终端设备。

背景技术

近年来，随着科学技术的不断发展，各种技术如雨后春笋般出现在人们的生活中，比如视频处理技术。然而，目前的视频处理技术仍存在一些缺点亟待解决。

例如，目前的视频剪辑一般是人工剪辑，即人工预览每一个待剪辑视频，用户自行判断视频中需要保留的部分，并进行剪辑，即需要用户繁琐的操作才能实现视频的剪辑，如此，会降低视频处理(视频剪辑)的效率。

发明内容

本申请实施例提供了一种视频处理方法、装置、终端设备及计算机可读存储介质，可以解决目前视频处理效率较为低下的问题。

第一方面，本申请实施例提供了一种视频处理方法，所述视频处理方法应用于终端设备，所述视频处理方法包括：获取用户提示信息，所述用户提示信息用于表示用户对指定视频素材的处理要求；基于所述指定视频素材进行视频理解，以获取所述指定视频素材对应的文字描述信息；根据所述用户提示信息和所述文字描述信息生成视频剧本；基于指定视频素材和所述视频剧本筛选出候选视频帧；基于所述候选视频帧生成目标平面视频。

在第一方面的一种可能的实现方式中，所述基于所述指定视频素材进行视频理解，包括：按照指定采样时间间隔对所述指定视频素材进行采样，以获取已采样图像帧序列；对所述已采样图像帧序列进行视频理解。

在第一方面的一种可能的实现方式中，所述基于指定视频素材和所述视频剧本筛选出候选视频帧包括：将所述视频剧本分出多个文字段；计算所述文字段与所述已采样图像帧序列中的图像对应的文字描述信息之间的相似程度；根据所述相似程度确定所述文字段对应的图像帧。

在第一方面的一种可能的实现方式中，在所述计算所述文字段与所述已采样图像帧序列中的图像对应的文字描述信息之间的相似程度之前，包括：将每个所述文字段转换成词向量的形式，将所述已采样图像帧序列中的图像对应的文字描述信息转换成词向量的形式；对应地，所述计算所述文字段与已采样图像帧序列中的各帧视频帧对应的文字描述信息之间的相似程度包括：对每个第一词向量执行步骤b，所述步骤b为计算所述第一词向量与各个第二词向量之间的词向量欧式距离，其中，所述第一词向量为所述文字段对应的词向量，所述第二词向量为所述已采样图像帧序列中的图像对应的文字描述信息对应的词向量。

在第一方面的一种可能的实现方式中，所述根据所述用户提示信息和所述文字描述信息生成视频剧本，包括：基于所述用户提示信息、所述文字描述信息以及指定元素编写视频剧本。

在第一方面的一种可能的实现方式中，所述基于所述候选视频帧生成目标平面视频，包括：基于所述视频剧本确定所述候选视频帧中的目标区域；基于所述目标区域生成目标平面视频。

在第一方面的一种可能的实现方式中，所述基于所述目标区域生成目标平面视频，包括：若所述目标区域的长宽比不等于指定比例，则将所述目标区域的长宽比调整为指定比例；基于调整后的目标区域生成目标平面视频。

第二方面，本申请实施例提供了一种视频处理装置，所述视频处理装置应用于终端设备，所述视频处理装置包括：获取单元，用于获取用户提示信息，所述用户提示信息用于表示用户对指定视频素材的处理要求；视频理解单元，用于基于所述指定视频素材进行视频理解，以获取所述指定视频素材对应的文字描述信息；第一生成单元，用于根据所述用户提示信息和所述文字描述信息生成视频剧本；筛选单元，用于基于指定视频素材和所述视频剧本筛选出候选视频帧；第二生成单元，用于基于所述候选视频帧生成目标平面视频。

第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法。

可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

本申请实施例与现有技术相比存在的有益效果是：本申请实施例中的视频处理方法中，终端设备能够获取用户提示信息，所述用户提示信息用于表示用户对指定视频素材的处理要求；基于所述指定视频素材进行视频理解，以获取所述指定视频素材对应的文字描述信息；根据所述用户提示信息和所述文字描述信息生成视频剧本；基于指定视频素材和所述视频剧本筛选出候选视频帧；基于所述候选视频帧生成目标平面视频。即终端设备能够融合用户提示信息以及指定视频素材的内容以生成视频剧本，再基于指定视频素材和所述视频剧本生成目标平面视频，生成的平面视频既有指定视频素材中的至少部分元素，又具有一定的创作性，而且，该视频处理方法不需要用户进行繁琐的操作便能获取到目标平面视频，即能够更加高效地得到目标平面视频，大大地方便了用户的操作，能够极大地提高视频剪辑的效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提供的视频处理方法的流程示意图；

图2是本申请一实施例提供的视频处理装置的示意图；

图3是本申请一实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

实施例一

图1示出了本申请实施例提供的一种视频处理方法的流程示意图，该视频处理方法包括：步骤S101、步骤S102、步骤S103、步骤S104以及步骤S105。所述视频处理方法应用于终端设备，详述如下：

步骤S101、获取用户提示信息，所述用户提示信息用于表示用户对指定视频素材的处理要求。

作为示例而非限定的是，所述指定视频素材可为全景视频。所述用户提示信息为文字形式，所述用户提示信息可为剪辑命令，例如，该剪辑命令为“创建滑雪时的正脸视频”。

在一些实施例中，所述剪辑指令可为能够启发所述终端设备基于所述指定视频素材进行创作的指令，即所述剪辑指令可为具有启发性的指令，从而使得后续生成的目标平面视频更有创造性。

例如，所述剪辑指令为“创建能体现滑雪技术进步的视频”。

步骤S102、基于所述指定视频素材进行视频理解，以获取所述指定视频素材对应的文字描述信息。

例如，将所述指定视频素材中的视频帧输入指定图像理解模型中，以获取输出结果，该输出结果为输入的视频帧对应的文字描述信息。其中，所述文字描述信息为能够表示视频帧的内容的文字。

可选地，所述步骤S102包括：按照指定采样时间间隔对所述指定视频素材进行采样，以获取已采样图像帧序列；对所述已采样图像帧序列进行视频理解。由于能够获取已采样图像帧序列，以及对所述已采样图像帧序列进行视频理解，因此，能够提高终端设备的数据处理效率。

例如，该指定采样时间间隔为1秒，按照指定采样时间间隔对所述指定视频素材进行采样，以获取已采样图像帧序列，即选出需要进行视频理解的图像帧。

步骤S103、根据所述用户提示信息和所述文字描述信息生成视频剧本。

作为示例而非限定的是，所述视频剧本为分场景的剧本，即所述视频剧本中包括多个场景。

可选地，所述步骤S103包括：基于所述用户提示信息、所述文字描述信息以及指定元素编写视频剧本。由于能够基于所述用户提示信息、所述文字描述信息以及指定元素编写视频剧本，因此，能够使得编写出的视频剧本更具有创造性。

作为示例而非限定的是，所述指定元素包括以下至少一种元素：指定角色、指定时间、指定地点、指定人物、指定物品、情节。

步骤S104、基于指定视频素材和所述视频剧本筛选出候选视频帧。

作为示例而非限定的是，将已采样图像帧序列和所述视频剧本进行匹配，以筛选出候选视频帧，所述候选视频帧为与所述视频剧本中的文字相似程度大于或者等于指定相似程度的视频帧。

在一些实施例中，为了能够更加准确、高效地筛选出候选视频帧，所述基于指定视频素材和所述视频剧本筛选出候选视频帧包括：步骤a1和步骤a2。

其中，

步骤a1、将所述视频剧本分出多个文字段；

步骤a2、计算所述文字段与所述已采样图像帧序列中的图像对应的文字描述信息之间的相似程度；根据所述相似程度确定所述文字段对应的图像帧。

作为示例而非限定的是，步骤a1包括：对所述视频剧本进行分段，各个文字段之间用逗号或句号等分隔符分开。步骤a2包括：将各个文字段逐一与已采样图像帧序列中的各帧视频帧(图像)对应的文字描述信息进行匹配，即对每个文字段执行以下操作：计算所述文字段与已采样图像帧序列中的各帧视频帧对应的文字描述信息之间的相似程度，将相似程度大于或者等于指定相似程度的视频帧确定为所述文字段对应的图像帧，即候选视频帧。

可选地，在所述计算所述文字段与已采样图像帧序列中的各帧视频帧对应的文字描述信息之间的相似程度之前，包括：将每个所述文字段转换成词向量的形式，将所述已采样图像帧序列中的图像对应的文字描述信息转换成词向量的形式；对应地，所述计算所述文字段与已采样图像帧序列中的各帧视频帧对应的文字描述信息之间的相似程度包括：对每个第一词向量执行步骤b，所述步骤b为计算所述第一词向量与各个第二词向量之间的词向量欧式距离。其中，所述第一词向量为所述文字段对应的词向量，所述第二词向量为所述已采样图像帧序列中的图像对应的文字描述信息对应的词向量，词向量欧式距离能够体现所述第一词向量和所述第二词向量之间的相似程度，即能够体现所述文字段与所述已采样图像帧序列中的图像对应的文字描述信息之间的相似程度。如此，能够更加准确地计算出所述文字段与所述已采样图像帧序列中的图像对应的文字描述信息之间的相似程度。

其中，所述词嵌入算法是一种能够将文字(词或短语)映射为固定长度向量的技术。

步骤S105、基于所述候选视频帧生成目标平面视频。

其中，所述目标平面视频包括多帧平面视频帧。

作为示例而非限定的是，步骤S105包括：从所述指定视频素材中挑选间隔视频帧，所述间隔视频帧为所述指定视频素材中每两帧候选视频帧之间的视频帧，基于所述候选视频帧和所述间隔视频帧生成目标平面视频。另，若所述指定视频素材为全景视频，则基于所述候选视频帧和所述间隔视频帧投影以获取到平面视频帧，多帧平面视频帧构成目标平面视频。

可选地，所述基于所述候选视频帧生成目标平面视频，包括：基于所述视频剧本确定所述候选视频帧中的目标区域；基于所述目标区域生成目标平面视频。即所生成的目标平面视频中包括目标区域中的内容。

作为示例而非限定的是，所述基于所述视频剧本确定所述候选视频帧中的目标区域可包括：在所述候选视频帧中确定所述视频剧本中的文字对应的图像元素，基于所述图像元素所在的区域确定出目标区域，所述目标区域包括所述图像元素所在的区域。

在一些实施例中，所述基于所述目标区域生成目标平面视频，包括：若所述目标区域的长宽比不等于指定比例，则将所述目标区域的长宽比调整为指定比例；基于调整后的目标区域生成目标平面视频。

若所述目标区域的长宽比等于指定比例，则不需要调整所述目标区域的长宽比。

如此，即能够统一目标区域的长宽比。

本申请实施例中的视频处理方法中，终端设备能够获取用户提示信息，所述用户提示信息用于表示用户对指定视频素材的处理要求；基于所述指定视频素材进行视频理解，以获取所述指定视频素材对应的文字描述信息；根据所述用户提示信息和所述文字描述信息生成视频剧本；基于指定视频素材和所述视频剧本筛选出候选视频帧；基于所述候选视频帧生成目标平面视频。即终端设备能够融合用户提示信息以及指定视频素材的内容以生成视频剧本，再基于指定视频素材和所述视频剧本生成目标平面视频，生成的平面视频既有指定视频素材中的至少部分元素，又具有一定的创作性，而且，该视频处理方法不需要用户进行繁琐的操作便能获取到目标平面视频，即能够更加高效地得到目标平面视频，大大地方便了用户的操作，能够极大地提高视频剪辑的效率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

实施例二

对应于上文实施例所述的视频处理方法，图2示出了本申请实施例提供的视频处理装置的示意图，为了便于说明，仅示出了与本申请实施例相关的部分。

所述视频处理装置应用于终端设备，所述视频处理装置包括：获取单元201、视频理解单元202、第一生成单元203、筛选单元204以及第二生成单元205。其中：

获取单元201，用于获取用户提示信息，所述用户提示信息用于表示用户对指定视频素材的处理要求。

视频理解单元202，用于基于所述指定视频素材进行视频理解，以获取所述指定视频素材对应的文字描述信息。

可选地，视频理解单元202在执行所述基于所述指定视频素材进行视频理解时，具体用于：按照指定采样时间间隔对所述指定视频素材进行采样，以获取已采样图像帧序列；对所述已采样图像帧序列进行视频理解。

第一生成单元203，用于根据所述用户提示信息和所述文字描述信息生成视频剧本。

筛选单元204，用于基于指定视频素材和所述视频剧本筛选出候选视频帧。

可选地，筛选单元204在执行所述基于指定视频素材和所述视频剧本筛选出候选视频帧时，具体用于：将所述视频剧本分出多个文字段；计算所述文字段与所述已采样图像帧序列中的图像对应的文字描述信息之间的相似程度；根据所述相似程度确定所述文字段对应的图像帧。

在一些实施例中，筛选单元204在所述计算所述文字段与所述已采样图像帧序列中的图像对应的文字描述信息之间的相似程度之前，还用于：将每个所述文字段转换成词向量的形式，将所述已采样图像帧序列中的图像对应的文字描述信息转换成词向量的形式；对应地，筛选单元204在执行所述计算所述文字段与已采样图像帧序列中的各帧视频帧对应的文字描述信息之间的相似程度时，用于：对每个第一词向量执行步骤b，所述步骤b为计算所述第一词向量与各个第二词向量之间的词向量欧式距离，其中，所述第一词向量为所述文字段对应的词向量，所述第二词向量为所述已采样图像帧序列中的图像对应的文字描述信息对应的词向量。

第二生成单元205，用于基于所述候选视频帧生成目标平面视频。

需要说明的是，未在本实施例中详尽描述的技术细节，可参见上述实施例一中的各个实施例所提供的视频处理方法。

实施例三

本实施例中的终端设备3包括：至少一个处理器31、存储器32以及存储在所述存储器32中并可在所述至少一个处理器31上运行的计算机程序33，所述处理器31执行所述计算机程序33时实现上述任意各个视频处理方法实施例中的步骤。

所述处理器31执行所述计算机程序33时实现上述各个视频处理方法实施例中的步骤，例如图1所示的步骤S101至步骤S105。或者，处理器31执行所述计算机程序33时实现上述各装置实施例中各单元的功能，例如，图2所示单元201至205的功能。

本领域技术人员可以理解，本实施例仅是终端设备3的举例，并不构成对终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器31可以是中央处理单元(Central Processing Unit，CPU)，该处理器31还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器32在一些实施例中可以是所述终端设备3的内部存储单元，例如终端设备3的硬盘或内存。所述存储器32在另一些实施例中也可以是所述终端设备3的外部存储设备，例如所述终端设备3上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器32还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器32用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序33的程序代码等。所述存储器32还可以用于暂时地存储已经输出或者将要输出的数据。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序33，所述计算机程序33被处理器31执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序33产品，当计算机程序33产品在终端设备3上运行时，使得终端设备3执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序33来指令相关的硬件来完成，所述的计算机程序33可存储于一计算机可读存储介质中，该计算机程序33在被处理器31执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序33包括计算机程序33代码，所述计算机程序33代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序33代码携带到终端设备3的任何实体或装置、记录介质、计算机存储器32、只读存储器32(ROM，Read-Only Memory)、随机存取存储器32(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。