[发明专利]视频字幕提取方法、设备以及计算机可读存储介质

权利要求书

1.一种视频字幕提取方法，其特征在于，所述方法包括：

获取目标视频，基于所述目标视频中的多个图像帧确定所述目标视频的目标字幕区域；

基于所述目标字幕区域确定所述目标视频中各个图像帧的字幕区域，并基于所述各个图像帧的字幕区域获得所述目标视频的初始字幕文本，其中所述初始字幕文本包含具有排列顺序的多个初始字幕子句；

基于各个相邻初始字幕子句之间的相似程度，从所述多个初始字幕子句中得到多个具有排列顺序的目标字幕子句，其中相邻目标字幕子句之间的字符互不相同；

基于所述多个具有排列顺序的目标字幕子句得到所述目标视频的目标字幕文本。

2.根据权利要求1所述的方法，其特征在于，所述基于所述目标视频中的多个图像帧确定所述目标视频的目标字幕区域，包括：

获取所述目标视频中的多个图像帧，并将所述多个图像帧输入像素点分类模型，以获得所述像素点分类模型输出的各个图像帧中的各个像素点属于字幕区域的概率；

基于所述各图像帧中各个像素点属于字幕区域的概率，获取所述目标视频的字幕定位信息；

基于所述字幕定位信息确定所述目标视频的目标字幕区域。

3.根据权利要求2所述的方法，其特征在于，所述基于所述各图像帧中各个像素点属于字幕区域的概率，获取所述目标视频的字幕定位信息，包括：

基于所述各图像帧中各个像素点属于字幕区域的概率，得到所述各像素点在所述各图像帧中被判定为字幕区域的次数；

基于所述各像素点在所述各图像帧中被判定为字幕区域的次数从所述各像素点中确定出目标像素点，并基于所述目标像素点获取所述目标视频的字幕定位信息。

4.根据权利要求3所述的方法，其特征在于，所述基于所述各像素点在所述各图像帧中被判定为字幕区域的次数从所述各像素点中确定出目标像素点，并基于所述目标像素点获取所述目标视频的字幕定位信息，包括：

从所述各像素点中确定出在所述各图像帧中被判定为字幕区域的次数大于或者等于次数阈值的像素点作为目标像素点以得到多个目标像素点，所述多个目标像素点构成一个或多个像素点集合；

从所述一个或多个像素点集合中，选取包含所述目标像素点的数量大于预设数量的一个或多个目标像素点集合；

从所述一个或多个目标像素点集合中选取处于指定显示区域的目标像素点集合，并基于选取的所述目标像素点集合获取所述目标视频的字幕定位信息。

5.根据权利要求4所述的方法，其特征在于，所述字幕定位信息包括区域起点坐标、区域长度以及区域宽度；所述基于所述字幕定位信息确定所述目标视频的目标字幕区域，包括：

基于所述字幕定位信息中包括的区域长度以及区域宽度确定预设区域扩展尺寸，并基于所述区域起点坐标、区域长度、区域宽度以及所述预设区域扩展尺寸确定所述目标区域起始坐标、目标区域长度和目标区域宽度；

将由所述目标区域起始坐标、目标区域长度和目标区域宽度组成的区域，确定为所述目标字幕区域。

6.根据权利要求1所述的方法，其特征在于，所述基于所述目标字幕区域确定所述目标视频中各个图像帧的字幕区域，并基于所述各个图像帧的字幕区域获得所述目标视频的初始字幕文本，包括：

基于预设抽帧频率获取所述目标视频的多个图像帧，并基于所述目标字幕区域从所述多个图像帧中确定出各个图像帧的字幕区域；

基于所述各个图像帧的字幕区域从所述各个图像帧中截取出各个图像帧的目标子图像以得到多个目标子图像，将所述多个目标子图像按照各个目标子图像所属的图像帧在所述目标视频中的出现顺序进行排序；

基于排序后的多个目标子图像生成待识别图像，并对所述待识别图像进行字符识别以得到所述目标视频的初始字幕文本。