[发明专利]一种视频场景划分方法、装置、设备及介质

说明书

本申请公开了一种视频场景划分方法、装置、设备及介质，应用于视频处理技术领域，用以提高视频场景划分的精确度和效率。具体为：对视频进行镜头切分，得到镜头集合；将镜头集合中每相邻的两个镜头划分为一个场景检测单位，得到各个场景检测单位；分别对各个场景检测单位中的两个镜头进行聚类，得到各个场景检测单位各自对应的聚类结果；根据各个场景检测单位各自对应的聚类结果，对镜头集合中属于同一个场景的各个镜头进行合并，得到各个合并镜头；根据各个合并镜头和镜头集合中的各个未合并镜头，得到各个视频场景。这样，通过镜头切分、聚类和合并即可实现对视频场景的划分，操作相对简单，场景划分的效率和准确度较高，而且，通用性较强。

技术领域

本申请涉及视频处理技术领域，尤其涉及一种视频场景划分方法、装置、 设备及介质。

背景技术

近年来，随着网络技术和多媒体技术的不断发展，视频网站已经快速融入 到人们的日常生活，随之而来的是大量视频在互联网中涌现，视频可以说是信 息量最为丰富的重要媒介。

一般而言，根据视频内容粒度由粗到细的顺序，视频可以划分为场景、镜 头和图像三个层次，其中，场景作为有相对完整的故事情节的视频片段，是分 析与理解视频的关键，进而视频场景的划分逐渐成为视频处理技术领域较为热 门的研究方向。

然而，由于视频内容的多样性和复杂性，目前还没有一种通用且有效的视 频场景划分方法，如何提高视频场景划分的精确度和效率是视频处理技术领域 需要解决的一个问题。

发明内容

本申请实施例提供了一种视频场景划分方法、装置、设备及介质，用以提 高视频场景划分的精确度和效率。

本申请实施例提供的技术方案如下：

一方面，本申请实施例提供了一种视频场景划分方法，包括：

对视频进行镜头切分，得到视频对应的镜头集合；

将镜头集合中每相邻的两个镜头划分为一个场景检测单位，得到镜头集合 对应的各个场景检测单位；

分别对各个场景检测单位中的两个镜头进行聚类，得到各个场景检测单位 各自对应的聚类结果，其中，场景检测单位对应的聚类结果表征场景检测单位 中的两个镜头是否属于同一个场景；

根据各个场景检测单位各自对应的聚类结果，对镜头集合中属于同一个场 景的各个镜头进行合并，得到各个合并镜头；

根据各个合并镜头和镜头集合中的各个未合并镜头，得到视频对应的各个 视频场景。

在一种可能的实施方式中，分别对各个场景检测单位中的两个镜头进行聚 类，得到各个场景检测单位各自对应的聚类结果，包括：

针对每一个场景检测单位，获取场景检测单位中的两个镜头各自对应的目 标图像序列，分别对两个镜头各自对应的目标图像序列进行图像特征提取，得 到两个镜头各自对应的图像特征数据，基于两个镜头各自对应的图像特征数据， 利用图像聚类模型，获得场景检测单位对应的图像聚类结果；

和/或；

针对每一个场景检测单位，获取场景检测单位中的两个镜头各自对应的目 标语音信号，分别将两个镜头各自对应的目标语音信号转化为文本向量，基于 两个镜头各自对应的文本向量，并利用文本聚类模型，获得场景检测单位对应 的文本聚类结果；

分别将各个场景检测单位各自对应的图像聚类结果和/或文本聚类结果，确 定为各个场景检测单位各自对应的聚类结果。

在一种可能的实施方式中，获取场景检测单位中的两个镜头各自对应的目 标图像序列，包括：