[发明专利]一种视频镜头语言识别方法

说明书

本发明涉及一种视频镜头语言识别方法，涉及视频拍摄镜头识别技术领域，所述识别方法包括：S1、准备模型训练和测试数据：逐帧计算视频序列的光流场得到相邻两帧的光流场序列，对每一帧光流场数据进行设置得到模型训练和测试的输入图像，并对输入图像进行标签标记；S2、构建深度学习神经网络模型，并根据训练数据及其对应的标签训练该模型，通过训练好的模型预测输入的测试数据，得到输入的测试数据的拍摄动作类型。本发明的优点在于：使用了高效的光流算法和深度学习技术，使得视频镜头的实时分析，识别得到8种拍摄动作进而帮助影视相关从业人员和学生更好更快的理解和掌握视频创作技术，充分利用视频拍摄技巧来表达创作意图。

技术领域

本发明涉及视频拍摄识别技术领域，尤其涉及一种视频镜头语言识别方法。

背景技术

影视镜头语言是一种艺术语言，它直接诉诸观众的视听感官，并且以直观的、具体的和鲜明的形象传达含义，具有强烈的艺术感染力；由摄像机的运动和不同镜头的剪辑所产生的蒙太奇不仅形成了银幕形象的构成法则，并且给观众带来了不同的全新感受。

视频拍摄过程的拍摄动作主要包括推、拉、升、降、左右摇动、跟随和静止镜头等，对这些拍摄动作进行分析可以帮助影视相关从业人员和学生更好更快的理解和掌握视频创作技术，充分利用视频拍摄技巧来表达创作意图，但是，目前并没有关于对这些拍摄动作进行分析的技术方案。

发明内容

本发明的目的在于克服现有技术的缺点，提供了一种视频镜头语言识别方法，能够对拍摄过程中对拍摄动作进行分析识别，进而帮助影视相关从业人员和学生更好更快的理解和掌握视频创作技术，充分利用视频拍摄技巧来表达创作意图。

本发明的目的通过以下技术方案来实现：一种视频镜头语言识别方法，所述识别方法包括：

S1、准备模型训练和测试数据：逐帧计算视频序列的光流场得到相邻两帧的光流场序列，对每一帧光流场数据进行设置得到模型训练和测试的输入图像，并对输入图像进行标签标记；

S2、构建深度学习神经网络模型，并根据训练数据及其对应的标签训练该模型，通过训练好的模型预测输入的测试数据，得到输入的测试数据的拍摄动作类型。

所述对每一帧光流场数据进行设置包括：

A1、将每一帧光流场数据的幅值和角度数据都映射到0到255范围之间；

A2、与每一帧光流场数据对应，生成一帧高宽与输入视频高宽一样的RGB图像数据，并将A1中的光流场的幅值作为R分量的数据，将A1中的角度值作为G分量的数据，将B 分量数据全部设置为255；

A3、以上述图像的中心为圆心坐标，以高宽中较小的值的一半为半径画圆，将该图像圆内的像素的G分量全部设置为1；

A4、将上述图像缩小为阈值大小，作为模型训练和测试的输入图像。

所述对输入图像进行标签标记包括：

将拍摄动作类型为推镜头的图像标记为1、拉镜头的图像标记为2、升镜头的图像标记为 3、降镜头的图像标记为4、左摇镜头的图像标记为5、右摇镜头的图像标记为6、跟随镜头的图像标记为7、静止镜头的图像标记为8；

将标记结果写入文本文件，文件行数对于用于训练的图像个数，每一行记录本行对应的训练图像的路径以及该训练图像所属的镜头类型。

所述构建深度学习神经网络模型包括：

输入层为卷积层Conv2D，包含32个卷积核，卷积核大小为3*3*3，输入大小为64*64*3，输出大小为64*64*32；

在输入层后面跟一个激活层，激活函数为relu函数；