[发明专利]视频索引数据的生成方法和系统

说明书

【技术领域】

本发明涉及搜索技术领域，特别是涉及一种视频索引数据的生成方法和系统。

【背景技术】

随着网络技术的发展，搜索功能成了用户必不可少的工具。基于文本的搜索引擎已经非常普遍。在搜索之前，都要对搜索目标内容建立索引数据，用于和用户输入的文字匹配，实现搜索功能。

视频检索技术也已经在很多搜索引擎上得到了应用。百度、谷歌的搜索引擎基本上按照视频文件的名字、标签进行搜索，以及每个音频文件所在的网页对应的文字内容进行检索。而没有对视频以及视频中的音频内容(Content)进行正式的处理，并利用这些内容进行有效检索。

而实际上对于很多的视频，我们感兴趣的是其中某些具体的内容，例如某新闻视频(30分钟的新闻联播)，其对应的文件名和网页的内容(例如新闻标题，以及重要新闻内容)仅仅是新闻视频的很小一部分内容，而如果需要查找的内容(例如“招商银行”，是某财经新闻中提到的具体名字)没有出现在网页的内容，而是在视频或者音频中出现，那么就会出现查找不到的情况。

【发明内容】

基于此，有必要提供一种视频索引数据的生成方法和系统。

一种视频索引数据生成方法，包括如下步骤：

步骤S101，获取视频内容和与视频内容相关的文本内容；

步骤S102，通过预设的关键词，提取所述文本的特征参数，并对所述文本内容进行文本分类，得到所述文本内的分类信息；

步骤S103，根据所述文本内的分类信息，从预设的语言模型库中选择对应的拼音语言模型和词语言模型；

步骤S104，从所述视频内容中提取音频数据，并将所述音频数据分割为多个音频片段；

步骤S105，提取得到每个所述音频片段的特征矢量；

步骤S106，根据所述音频片段的特征矢量，以及预设的说话人模型库中的说话人模型，得到每个所述音频片段的说话人分类结果；

步骤S107，根据所述音频片段对应的说话人分类结果从声学模型库中选择对应的声学模型；

步骤S108，利用拼音识别器，根据每个所述音频片段的特征矢量和其对应的所述声学模型以及所述拼音语言模型和第一发音字典，生成拼音网格；

步骤S109，通过词解码器，根据所述拼音网格以及所述词语言模型和第二发音字典，生成词网格；

步骤S110，根据所述拼音网格以及所述词网格计算所述词网格中各个词的置信度，得到一个新的词网格；

步骤S111，根据所述新的词网格，并结合所述视频内容，生成视频索引数据。

其中所述步骤S101具体包括：

本发明一较佳实施例中，所述步骤S101是利用网络爬虫抓取带所述视频内容的网页信息，并将所述网页中的所述视频内容和与所述视频内容相关的文本内容分别提取出来；

本发明一较佳实施例中，所述步骤S101中获取文本内容是先获取所述网页的HTML文档，并把所述HTML文档转换为树形结构；再把所述树形结构的HTML文档中正文和预设模板中正文对应部分提取出来，作为所述文本内容；或者以所述HTML文档中段落为单位考查HTML页面内容，找到段落标记，将目标语言字符串最长的一段作为正文首选段落；再然后往上下文查找，直到字符串长度小于首选段落长度预设倍数时，停止搜索；将满足要求的段落汇总为所述文本内容。

所述步骤S102具体包括：

将所述文本内容进行分词，产生用一系列词语表示的词语序列；这里所述分词使用一个分词字典以及现有算法实现，例如向最大匹配、逆向最大匹配、双向最大匹配、最佳匹配法、最少分词法、词网格算法等；

根据预设关键词表(也就是对文本分类起关键作用的词)将所述词语序列转换为用关键词的一种参数(数值形式)表示的特征矢量；

通过预设的多个文档分类模型计算特征矢量属于各个文档类别概率，并选择特征矢量对应概率最大的文档类别作为所述文本内容的类别。所述预设的文档分类模型就是每一类文档对应一个特征矢量的分布(例如GMM模型)，这个分布使用多维高斯混合分布来描述每个文档类型。

所述步骤S103中的所述语言模型库中包含着和文档分类模型数量一致的语言模型。也就是说，每一类文档分类对应一组语言模型(这组语言模型模型包含一个基于拼音的语言模型和一个基于词语的语言模型)。这里的拼音语言模型和词语的语言模型都是统计语言模型(Statistical Language Model)，就是描述在一个符号(拼音或者词语)序列中当中，某个符号(音节或者词语)出现的概率分布的模型。

步骤S104具体包括：