一种视频事件识别方法、系统、电子设备及介质

摘要

本发明实施例公开了一种视频事件识别方法、系统、电子设备及介质。该方法包括：获取待识别事件的目标视频片段，并根据所述目标视频片段确定与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息；基于与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息确定所述目标视频片段的视频事件特征；根据所述目标视频片段的视频事件特征确定与所述目标视频片段对应的视频事件信息。本发明实施例的技术方案，以实现对视频中事件的准确识别。

权利要求

1.一种视频事件识别方法，其特征在于，包括：

获取待识别事件的目标视频片段，并根据所述目标视频片段确定与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息；所述目标视频片段是从完整视频内容的中间时间段进行截取；

基于与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息确定所述目标视频片段的视频事件特征；

根据所述目标视频片段的视频事件特征确定与所述目标视频片段对应的视频事件信息；

基于与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息确定所述目标视频片段的视频事件特征，包括：将与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息输入到预设特征提取模型，输出与所述视频帧信息对应的视频帧特征、与所述光流图片信息对应的光流图片特征以及与所述音频信息对应的音频特征；

根据所述视频帧特征、所述光流图片特征和所述音频特征生成所述目标视频片段的视频事件特征；

其中，所述视频帧特征包括物体特征、运动特征和场景特征，所述光流图片特征包括运动特征，所述音频特征包括声音特征；

其中，根据所述视频帧特征、所述光流图片特征和所述音频特征生成所述目标视频片段的视频事件特征，包括：获取所述视频帧特征的概念特征和内容特征、所述光流图片特征的概念特征和内容特征以及所述音频特征的概念特征和内容特征；其中，所述概念特征是指各个预设特征提取模型输出的事件分类概率，所述内容特征是指在预设特征提取模型输出层之前的特征；

分别对所述视频帧特征的概念特征、所述光流图片特征的概念特征和所述音频特征的概念特征进行概念选择，将选择后的所述视频帧特征的概念特征、所述光流图片特征的概念特征和所述音频特征的概念特征分别与所述视频帧特征的内容特征、所述光流图片特征的内容特征以及所述音频特征的内容特征进行融合生成所述目标视频片段的视频事件特征。

2.根据权利要求1所述的方法，其特征在于，根据所述目标视频片段的视频事件特征确定与所述目标视频片段对应的视频事件信息，包括：将所述目标视频片段的视频事件特征输入到预先训练好的分类器中，输出与所述目标视频片段对应的视频事件信息。

3.根据权利要求2所述的方法，其特征在于，还包括：

基于至少一个历史视频片段生成训练样本集；

将所述训练样本集输入到预先建立好的分类器中，得到所述历史视频片段的视频事件信息；

根据所述视频事件信息与期望视频事件信息对所述分类器的参数进行调整。

4.根据权利要求3所述的方法，其特征在于，所述预先建立好的分类器包括深度学习网络；

其中，将所述训练样本集输入到预先建立好的分类器中，得到所述历史视频片段的视频事件信息，包括：将所述训练样本集输入到所述深度学习网络中，直接经过事件分类排序得到所述历史视频片段的视频事件信息；或者，将所述训练样本集输入到所述深度学习网络中，确定大于预设概率阈值的视频事件信息后经过所述事件分类排序得到所述历史视频片段的视频事件信息。

5.根据权利要求1所述的方法，其特征在于，所述视频事件信息是所述待识别事件的目标视频片段所属事件的概率；或是，所述视频事件信息是所述待识别事件的目标视频片段中识别出的事件，并将所述识别出的事件显示在终端上。

6.一种视频事件识别系统，其特征在于，包括：

信息获取模块，用于获取待识别事件的目标视频片段，并根据所述目标视频片段确定与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息；所述目标视频片段是从完整视频内容的中间时间段进行截取；

特征确定模块，用于基于与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息确定所述目标视频片段的视频事件特征；

事件信息确定模块，用于根据所述目标视频片段的视频事件特征确定与所述目标视频片段对应的视频事件信息；

所述特征确定模块，包括：

将与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息输入到预设特征提取模型，输出与所述视频帧信息对应的视频帧特征、与所述光流图片信息对应的光流图片特征以及与所述音频信息对应的音频特征；

根据所述视频帧特征、所述光流图片特征和所述音频特征生成所述目标视频片段的视频事件特征；

其中，所述视频帧特征包括物体特征、运动特征和场景特征，所述光流图片特征包括运动特征，所述音频特征包括声音特征；

其中，根据所述视频帧特征、所述光流图片特征和所述音频特征生成所述目标视频片段的视频事件特征，包括：获取所述视频帧特征的概念特征和内容特征、所述光流图片特征的概念特征和内容特征以及所述音频特征的概念特征和内容特征；其中，所述概念特征是指各个预设特征提取模型输出的事件分类概率，所述内容特征是指在预设特征提取模型输出层之前的特征；

分别对所述视频帧特征的概念特征、所述光流图片特征的概念特征和所述音频特征的概念特征进行概念选择，将选择后的所述视频帧特征的概念特征、所述光流图片特征的概念特征和所述音频特征的概念特征分别与所述视频帧特征的内容特征、所述光流图片特征的内容特征以及所述音频特征的内容特征进行融合生成所述目标视频片段的视频事件特征。

7.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的视频事件识别方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的视频事件识别方法。

说明书

一种视频事件识别方法、系统、电子设备及介质

技术领域

[0001] 本发明实施例涉及计算机处理技术领域，尤其涉及一种视频事件识别方法、系统、电子设备及介质。

背景技术

[0002] 随着互联网的发展和移动设备的普及，近年来，针对视频内容理解的需求日益增加，而视频中的事件识别是视频理解的重要任务之一。相比针对场景或是物体等静态内容的识别，视频事件识别包含了更高维度的语义概念和更丰富的特征。事件识别是高层次的语义概念，更加多样而复杂，不同的概念与不同事件的相关性也存在差异。此外，事件常常由多模态的特征所构成，包含了人在特定场景与物体进行交互，场景、物体、动作以及声音等特征都会对事件造成影响。

[0003] 然而，早期针对视频事件识别的研究主要集中在运用传统人工特征，主要包括运用视觉特征如SIFT、梯度直方图、空间兴趣点或光流直方图等。人工设计的特征表征能力较为有限，因此，限制了这些方法对于复杂的、大规模的视频的识别能力。

[0004] 近年来，许多研究者针对视频事件识别采用神经网络进行了很多优化工作，但大多集中在场景或物体等单一模态任务的识别，单一的模型往往会忽略事件的多模态属性。

发明内容

[0005] 本发明实施例提供一种视频事件识别方法、系统、电子设备及介质，以实现对视频中事件的准确识别。

[0006] 第一方面，本发明实施例提供了视频事件识别方法，该视频事件识别方法包括：

[0007] 获取待识别事件的目标视频片段，并根据所述目标视频片段确定与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息；

[0008] 基于与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息确定所述目标视频片段的视频事件特征；

[0009] 根据所述目标视频片段的视频事件特征确定与所述目标视频片段对应的视频事件信息。

[0010] 进一步地，基于与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息确定所述目标视频片段的视频事件特征，包括：

[0011] 将与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息输入到预设特征提取模型，输出与所述视频帧信息对应的视频帧特征、与所述光流图片信息对应的光流图片特征以及与所述音频信息对应的音频特征；

[0012] 根据所述视频帧特征、所述光流图片特征和所述音频特征生成所述目标视频片段的视频事件特征；

[0013] 其中，所述视频帧特征包括物体特征、运动特征和场景特征，所述光流图片特征包括运动特征，所述音频特征包括声音特征。

[0014] 进一步地，根据所述视频帧特征、所述光流图片特征和所述音频特征生成所述目标视频片段的视频事件特征，包括：

[0015] 获取所述视频帧特征的概念特征和内容特征、所述光流图片特征的概念特征和内容特征以及所述音频特征的概念特征和内容特征；

[0016] 分别对所述视频帧特征的概念特征、所述光流图片特征的概念特征和所述音频特征的概念特征进行概念选择，将选择后的所述视频帧特征的概念特征、所述光流图片特征的概念特征和所述音频特征的概念特征分别与所述视频帧特征的内容特征、所述光流图片特征的内容特征以及所述音频特征的内容特征进行融合生成所述目标视频片段的视频事件特征。

[0017] 进一步地，根据所述目标视频片段的视频事件特征确定与所述目标视频片段对应的视频事件信息，包括：

[0018] 将所述目标视频片段的视频事件特征输入到预先训练好的分类器中，输出与所述目标视频片段对应的视频事件信息。

[0019] 进一步地，还包括：

[0020] 基于至少一个历史视频片段生成训练样本集；

[0021] 将所述训练样本集输入到预先建立好的分类器中，得到所述历史视频片段的视频事件信息；

[0022] 根据所述视频事件信息与期望视频事件信息对所述分类器的参数进行调整。

[0023] 进一步地，所述预先建立好的分类器包括深度学习网络；

[0024] 其中，将所述训练样本集输入到预先建立好的分类器中，得到所述历史视频片段的视频事件信息，包括：

[0025] 将所述训练样本集输入到所述深度学习网络中，直接经过事件分类排序得到所述历史视频片段的视频事件信息；或者，

[0026] 将所述训练样本集输入到所述深度学习网络中，确定大于预设概率阈值的视频事件信息后经过所述事件分类排序得到所述历史视频片段的视频事件信息。

[0027] 进一步地，所述视频事件信息是所述待识别事件的目标视频片段所属事件的概率；或是，

[0028] 所述视频事件信息是所述待识别事件的目标视频片段中识别出的事件，并将所述识别出的事件显示在终端上。

[0029] 第二方面，本发明实施例还提供了一种视频事件识别系统，该视频事件识别系统包括：

[0030] 信息获取模块，用于获取待识别事件的目标视频片段，并根据所述目标视频片段确定与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息；

[0031] 特征确定模块，用于基于与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息确定所述目标视频片段的视频事件特征；

[0032] 事件信息确定模块，用于根据所述目标视频片段的视频事件特征确定与所述目标视频片段对应的视频事件信息。

[0033] 第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：

[0034] 一个或多个处理器；

[0035] 存储装置，用于存储多个程序，

[0036] 当所述多个程序中的至少一个被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明第一方面实施例所提供的一种视频事件识别方法。

[0037] 第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面实施例所提供的一种视频事件识别方法。

[0038] 本发明实施例的技术方案，通过获取待识别事件的目标视频片段，并根据所述目标视频片段确定与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息；基于与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息确定所述目标视频片段的视频事件特征；根据所述目标视频片段的视频事件特征确定与所述目标视频片段对应的视频事件信息。解决了现有技术中人工设计的特征表征能力有限且不适用于复杂的、大规模的视频识别，以及忽略事件的多模态属性的问题，以实现对视频中事件的准确识别。

附图说明

[0039] 图1是本发明实施例一提供的一种视频事件识别方法的流程图；

[0040] 图2是本发明实施例二提供的一种视频事件识别方法的流程图；

[0041] 图3是本发明实施例提供的示例性的视频事件识别方法的流程框架图；

[0042] 图4是本发明实施例三提供的一种视频事件识别系统的结构图；

[0043] 图5是本发明实施例四提供的一种电子设备的硬件结构示意图。

具体实施方式

[0044] 为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。

[0045] 另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

[0046] 实施例一

[0047] 图1为本发明实施例一提供的一种视频事件识别方法的流程图，本实施例可适用于视频检索、监控分析或是广告投放等方面的事件识别任务的情况，该方法可以由视频事件识别系统来执行，该装置可以通过软件和/或硬件的形式实现。具体包括如下步骤：

[0048] S110、获取待识别事件的目标视频片段，并根据所述目标视频片段确定与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息。

[0049] 其中，待识别事件的目标视频片段是指针对视频内容进行理解的目标视频片段，目标视频片段可以为截取的一段完整视频内容中的视频片段，也可以为截取的两段或是多段的完整视频内容中的视频片段。目标视频片段以包含待识别事件为最佳，为保证可以准确确定待识别事件，目标视频片段可以从完整视频内容的中间时间段进行截取，或是预先设置标志位，在预设时间内截取一段视频作为目标视频片段。

[0050] 具体的，通过对待识别事件的目标视频片段进行预处理，输出与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息。

[0051] 视频帧信息是指该段目标视频片段的静态的视频帧，静态的视频帧用于对视频发生的场景、视频中出现的物体或是人物以及视频中出现的物体或是人物发生的动作进行分析。

[0052] 光流图片信息仅用作于该段目标视频片段中出现的物体或是人物发生的动作进行分析。

[0053] 音频信息是指该段目标视频片段的音频，用于对视频中出现的声音进行分析。

[0054] 可以理解的是待识别事件的目标视频片段不只限于对与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息进行提取，还可以包括其他目标视频片段中出现的与视频事件识别相关的内容，例如字幕信息，字幕信息用于对视频中出现的字幕进行分析。

[0055] S120、基于与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息确定所述目标视频片段的视频事件特征。

[0056] 其中，视频事件特征包括两部分，分别为概念特征和内容特征。概念特征是指视频帧通过不同的模型进行计算之后，得到的事件分类分数，即各个模型输出的事件分类概率。内容特征一般是指在模型softmax层之前的特征。内容特征相比概念特征更为概括，而不是针对某个特别的任务或类别。

[0057] 具体的，针对视频帧信息、光流图片信息和音频信息分别进行特征提取。示例性的，视频帧信息对应提取的视频事件特征包括物体特征、场景特征和运动特征，光流图片信息对应提取的视频事件特征包括运动特征，音频信息对应提取的视频事件特征包括声音特征。

[0058] 由于事件常常由多模态的特征所决定，因此，本发明实施例的技术方案采用了多模态融合的方式进行事件分类识别。其中，多模态融合可以通过直接连接不同模态的特征、手工分配不同权重或搭建神经网络实现特征融合。

[0059] 具体的，视频事件特征由多模态的内容特征以及经过概念选择后的概念特征共同组成，而整个视频的视频事件特征则由所有帧和音频平均来表示。

[0060] 进一步地，在提取每个信息的特征后，进行特征选择与融合，得到目标视频片段的视频事件特征。

[0061] 可以理解的是本发明实施例的技术方案，视频帧信息、光流图片信息和音频信息分别对应提取的视频事件特征，仅以示例性的考虑了上述四种模态特征，而实际对视频事件的分析中，依据实际情况对视频片段的预处理得到的不同的信息，以对应提取不同的事件特征信息，进一步完成视频片段的视频事件特征的确定。

[0062] S130、根据所述目标视频片段的视频事件特征确定与所述目标视频片段对应的视频事件信息。

[0063] 其中，所述视频事件信息是所述待识别事件的目标视频片段所属事件的概率；或是，所述视频事件信息是所述待识别事件的目标视频片段中识别出的事件，并将所述识别出的事件显示在终端上。

[0064] 具体的，将目标视频片段的视频事件特征通过预设神经网络或者其他分类器，例如，SVM(支持向量机，Support Vector Machine)，对目标视频片段进行分类，得到目标视频片段属于每类事件的概率，并将概率最高的类别作为该段目标视频片段的最终分类结果，即目标视频片段对应的视频事件信息。

[0065] 需要说明的是本发明实施例的技术方案，可以通过个人电脑、服务器或者云端服务器上CPU或是GPU处理器进行实现。

[0066] 识别出的事件显示在的终端可以为个人电脑、服务器或者云端服务器。

[0067] 本发明实施例的技术方案，通过获取待识别事件的目标视频片段，并根据所述目标视频片段确定与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息；基于与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息确定所述目标视频片段的视频事件特征；根据所述目标视频片段的视频事件特征确定与所述目标视频片段对应的视频事件信息。解决了现有技术中人工设计的特征表征能力有限且不适用于复杂的、大规模的视频识别，以及忽略事件的多模态属性的问题，以实现对视频中事件的准确识别。

[0068] 实施例二

[0069] 图2为本发明实施例二提供的一种视频事件识别方法的流程图。本实施例以上述实施例为基础进行优化。

[0070] 相应的，本实施例的方法具体包括：

[0071] S210、获取待识别事件的目标视频片段，并根据所述目标视频片段确定与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息。

[0072] S220、将与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息输入到预设特征提取模型，输出与所述视频帧信息对应的视频帧特征、与所述光流图片信息对应的光流图片特征以及与所述音频信息对应的音频特征。

[0073] 具体的，以运动特征、物体特征、场景特征和声音特征这四个模态的特征为例。

[0074] 运动特征可以通过Temporal Segment Network(TSN)模型提取运动特征并在Kinetics数据集上预训练的，其中可以包含400种运动类别。具体的，可以通过视频帧信息和光流图片信息分别输入模型并最后进行融合，其中，400维概念的预测概率作为概念特征，该模型的最后一层全局池化特征作为内容特征。

[0075] 场景特征可以通过基于ResNet的图片分类模型，在Place365数据集上进行预训练，该数据集包含了365种常见的场景类别。其中，365维场景的预测概率作为概念特征，该模型分类之前的平均池化层特征作为内容特征。

[0076] 物体也常常与事件密切相关，因此，物体特征可以物体模型提取特征。不同于以往大多数工作直接提取图片基于ImageNet的特征，在本发明实施例中，首先，利用物体检测算法将所有物体部分从视频帧中提取出来，之后再利用ImageNet对不同尺度的物体块进行分类并提取特征。

[0077] 视频与静态图像的另一个显著区别是视频常包含了音频的特征。因此，本发明实施例中也考虑了声音模型的特征。本发明实施例中声音特征可以采用了基于VGGish的声音事件分类模型，在AudioSet上进行预训练，包含485种声音类别，其预测概率作为概念特征，而经过降维后的声音特征作为内容特征。

[0078] S230、根据所述视频帧特征、所述光流图片特征和所述音频特征生成所述目标视频片段的视频事件特征；其中，所述视频帧特征包括物体特征、运动特征和场景特征，所述光流图片特征包括运动特征，所述音频特征包括声音特征。

[0079] 其中，根据所述视频帧特征、所述光流图片特征和所述音频特征生成所述目标视频片段的视频事件特征，包括：获取所述视频帧特征的概念特征和内容特征、所述光流图片特征的概念特征和内容特征以及所述音频特征的概念特征和内容特征；分别对所述视频帧特征的概念特征、所述光流图片特征的概念特征和所述音频特征的概念特征进行概念选择，将选择后的所述视频帧特征的概念特征、所述光流图片特征的概念特征和所述音频特征的概念特征分别与所述视频帧特征的内容特征、所述光流图片特征的内容特征以及所述音频特征的内容特征进行融合生成所述目标视频片段的视频事件特征。

[0080] 其中，对于获取的概念特征，可以通过两个概念选择的标准进行筛选、保留。

[0081] 由于不是所有高维概念特征都对事件的分类都有同等的贡献，因此本发明实施例针对高维的概念特征，提出了两个概念选择的标准，用来更好的区分不同的事件。

[0082] 首先，我们第一个标准便是选出最具有判别力的特征，即我们希望选择的概念是只出现在少量的事件类别中。此外，有些概念存在很强的相关性，这些相关的概念中，任一概念均可以表达特定的事件。因此，作为另外一个标准，我们希望选择的概念的子集具有多样性，这也就意味着我们在概念选择是会选择相关性较低的概念。

[0083] 具体来说，我们将训练数据集定义为：

[0084] Tr＝{(Vi，S(Vi)，zi)}i＝1，…，n

[0085] 其中，S(Vi)是视频Vi的概念分数，zi是事件的类别。

[0086] 我们将概念选择问题视为在一个全连接图上选择部分点，其中，每个点代表了一个概念，而连接点的边则代表了点之间的相关性。同时，每一个点也包含了一个隐变量hi∈{0，1}，该隐变量定义了这个概念最终是否被选择。因此，我们希望针对给定的概念，可以通过最小化能量函数表达，具体公式为：

[0087]

[0088] 其中，φ(hi)代表了选择第i类概念的代价，即表示了概念的判别力。

[0089] 而ψ(hi，hj)表示同时选择i，j两类概念的代价，也代表了概念的相关性与多样性。

[0090] 针对概念的判别力，我们定义条件熵来选择仅出现在少部分事件类别中的概念，具体公式为：

[0091]

[0092] 其中，c代表了特定的概念，p(e|c)则是针对特定概念c的事件条件分布，可以通过贝叶斯公式得到。当hi＝1时，φ(hi)＝H(E|i)。

[0093] 此外，针对概念之间的相关性，我们使用条件概率p(e|c)来表示，即如果两个概念预测相同的事件类别，他们应该具有相似的条件概率。因此，当hi＝1和hj＝1时，ψ(hi，hj)＝。

[0094] 最终，概念选择通过贪心算法实现。首先，选取条件熵最小的概念，即出现在最少事件类别中的概念。之后，我们根据已选择的概念更新所有概念的相关矩阵，继续选择使能量函数E(h)最小，即包含最小代价的概念。该过程在每个模态的模型上分别使用，一直循环直到已选概念数量达到所需的阈值。

[0095] S240、将所述目标视频片段的视频事件特征输入到预先训练好的分类器中，输出与所述目标视频片段对应的视频事件信息。

[0096] 可以理解的是，在将所述目标视频片段的视频事件特征输入到预先训练好的分类器中之前，还包括对分类器进行训练。具体可包括：基于至少一个历史视频片段生成训练样本集；将所述训练样本集输入到预先建立好的分类器中，得到所述历史视频片段的视频事件信息；根据所述视频事件信息与所述期望视频事件信息对所述分类器的参数进行调整。

[0097] 其中，所述预先建立好的分类器包括深度学习网络；可选的，将所述训练样本集输入到预先建立好的分类器中，得到所述历史视频片段的视频事件信息，包括：将所述训练样本集输入到所述深度学习网络中，直接经过事件分类排序得到所述历史视频片段的视频事件信息；或者，将所述训练样本集输入到所述深度学习网络中，确定大于预设概率阈值的视频事件信息后经过所述事件分类排序得到所述历史视频片段的视频事件信息。

[0098] 图3是本发明实施例提供的示例性的视频事件识别方法的流程框架图。参见图3，视频事件识别方法可以分为五个组成部分，分别为视频预处理、视频特征提取、概念选择、多模态特征融合与事件分类。视频预处理可以对目标视频片段提取帧和音频，如视频帧(RGB帧)、光流图片和音频。视频特征提取将视频帧输入多种模型中，分别提取多模态的内容特征与概念特征，如RGB帧输入到物体模型、场景模型和运动模型，分别输出与RGB帧对应的物体特征、场景特征以及运动特征，光流图片输入到运动模型，输出与光流图片对应的运动特征，音频输入到声音模型，输出与音频对应的声音特征。概念选择对于输入的概念特征，通过两个概念选择的标准进行筛选，保留。进一步的，多模态特征融合是对从提取模块得到的内容特征，则与概念特征进行多模态融合，形成整个视频的特征表示。在得到整个视频的特征表示后，对事件分类进行确定目标视频的分数及最可能的类别，并将生成的结果返回给用户。

[0099] 实施例三

[0100] 图4为本发明实施例三提供的一种视频事件识别系统的结构图，本实施例可适用于视频检索、监控分析或是广告投放等方面的事件识别任务的情况。

[0101] 如图4所示，所述视频事件识别系统包括：信息获取模块410、特征确定模块420和事件信息确定模块430，其中：

[0102] 信息获取模块410，用于获取待识别事件的目标视频片段，并根据所述目标视频片段确定与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息；

[0103] 特征确定模块420，用于基于与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息确定所述目标视频片段的视频事件特征；

[0104] 事件信息确定模块430，用于根据所述目标视频片段的视频事件特征确定与所述目标视频片段对应的视频事件信息。

[0105] 本实施例的视频事件识别系统，通过获取待识别事件的目标视频片段，并根据所述目标视频片段确定与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息；基于与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息确定所述目标视频片段的视频事件特征；根据所述目标视频片段的视频事件特征确定与所述目标视频片段对应的视频事件信息。解决了现有技术中人工设计的特征表征能力有限且不适用于复杂的、大规模的视频识别，以及忽略事件的多模态属性的问题，以实现对视频中事件的准确识别。

[0106] 在上述各实施例的基础上，基于与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息确定所述目标视频片段的视频事件特征，包括：

[0107] 将与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息输入到预设特征提取模型，输出与所述视频帧信息对应的视频帧特征、与所述光流图片信息对应的光流图片特征以及与所述音频信息对应的音频特征；

[0108] 根据所述视频帧特征、所述光流图片特征和所述音频特征生成所述目标视频片段的视频事件特征；

[0109] 其中，所述视频帧特征包括物体特征、运动特征和场景特征，所述光流图片特征包括运动特征，所述音频特征包括声音特征。

[0110] 在上述各实施例的基础上，根据所述视频帧特征、所述光流图片特征和所述音频特征生成所述目标视频片段的视频事件特征，包括：

[0111] 获取所述视频帧特征的概念特征和内容特征、所述光流图片特征的概念特征和内容特征以及所述音频特征的概念特征和内容特征；

[0112] 分别对所述视频帧特征的概念特征、所述光流图片特征的概念特征和所述音频特征的概念特征进行概念选择，将选择后的所述视频帧特征的概念特征、所述光流图片特征的概念特征和所述音频特征的概念特征分别与所述视频帧特征的内容特征、所述光流图片特征的内容特征以及所述音频特征的内容特征进行融合生成所述目标视频片段的视频事件特征。

[0113] 在上述各实施例的基础上，根据所述目标视频片段的视频事件特征确定与所述目标视频片段对应的视频事件信息，包括：

[0114] 将所述目标视频片段的视频事件特征输入到预先训练好的分类器中，输出与所述目标视频片段对应的视频事件信息。

[0115] 在上述各实施例的基础上，还包括：

[0116] 基于至少一个历史视频片段生成训练样本集；

[0117] 将所述训练样本集输入到预先建立好的分类器中，得到所述历史视频片段的视频事件信息；

[0118] 根据所述视频事件信息与所述期望视频事件信息对所述分类器的参数进行调整。

[0119] 在上述各实施例的基础上，所述预先建立好的分类器包括深度学习网络；

[0120] 其中，将所述训练样本集输入到预先建立好的分类器中，得到所述历史视频片段的视频事件信息，包括：

[0121] 将所述训练样本集输入到所述深度学习网络中，直接经过事件分类排序得到所述历史视频片段的视频事件信息；或者，

[0122] 将所述训练样本集输入到所述深度学习网络中，确定大于预设概率阈值的视频事件信息后经过所述事件分类排序得到所述历史视频片段的视频事件信息。

[0123] 在上述各实施例的基础上，所述视频事件信息是所述待识别事件的目标视频片段所属事件的概率；或是，

[0124] 所述视频事件信息是所述待识别事件的目标视频片段中识别出的事件，并将所述识别出的事件显示在终端上。

[0125] 上述各实施例所提供的视频事件识别系统可执行本发明任意实施例所提供的视频事件识别方法，具备执行视频事件识别方法相应的功能模块和有益效果。

[0126] 实施例四

[0127] 图5为本发明实施例四提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

[0128] 如图5所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

[0129] 总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

[0130] 电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

[0131] 系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

[0132] 具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

[0133] 电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

[0134] 处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的视频事件识别方法，该视频事件识别方法包括：

[0135] 获取待识别事件的目标视频片段，并根据所述目标视频片段确定与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息；

[0136] 基于与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息确定所述目标视频片段的视频事件特征；

[0137] 根据所述目标视频片段的视频事件特征确定与所述目标视频片段对应的视频事件信息。

[0138] 当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的视频事件识别方法的技术方案。

[0139] 实施例五

[0140] 本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的视频事件识别方法，该视频事件识别方法包括：

[0141] 获取待识别事件的目标视频片段，并根据所述目标视频片段确定与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息；

[0142] 基于与所述目标视频片段对应的视频帧信息、光流图片信息和音频信息确定所述目标视频片段的视频事件特征；

[0143] 根据所述目标视频片段的视频事件特征确定与所述目标视频片段对应的视频事件信息。

[0144] 当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的视频事件识别方法中的相关操作。

[0145] 本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

[0146] 计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

[0147] 计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

[0148] 可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

[0149] 注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。