视频相似度确定方法、装置、电子设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114241223A(43)申请公布日2022.03.25(21)申请号202111552585.4(22)申请日2021.12.17(71)申请人北京达佳互联信息技术有限公司地址100085北京市海淀区上地西路6号1幢1层101D1-7(72)发明人陈翼翼刘旭东李岩(74)专利代理机构华进联合专利商标代理有限公司44224代理人黄丽霞(51)Int.Cl.G06V10/74(2022.01)G06V10/82(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书13页附图5页(54)发明名称视频相似度确定方法、装置、电子设备及存储介质(57)摘要本公开关于一种视频相似度确定方法、装置、电子设备及存储介质，其中方法通过获取第一视频和第二视频中目标帧的特征数据，根据特征数据获取第一视频中的目标帧与第二视频中的目标帧之间的帧间相似度矩阵，并对帧间相似度矩阵进行非线性转换，得到第一视频与第二视频之间的相似度矩阵，进而通过对相似度矩阵进行对抗计算，得到第一视频与第二视频之间的相似度。由于本实施例在确定视频的相似度时，既考虑了视频的各帧间的相似度特征，也考虑了视频粒度的相似度特征，因此，计算的相似度更加准确。CN114241223ACN114241223A权利要求书1/2页1.一种视频相似度确定方法，其特征在于，所述方法包括：获取第一视频和第二视频中目标帧的特征数据；根据所述特征数据获取所述第一视频中的目标帧与所述第二视频中的目标帧之间的帧间相似度矩阵；对所述帧间相似度矩阵进行非线性转换，得到所述第一视频与所述第二视频之间的相似度矩阵；通过对所述相似度矩阵进行对抗计算，得到所述第一视频与所述第二视频之间的相似度。2.根据权利要求1所述的方法，其特征在于，所述对所述帧间相似度矩阵进行非线性转换，得到所述第一视频与所述第二视频之间的相似度矩阵，包括：通过卷积神经网络对所述帧间相似度矩阵进行非线性转换，得到所述第一视频与所述第二视频之间的相似度矩阵。3.根据权利要求2所述的方法，其特征在于，所述卷积神经网络的生成方式包括：获取训练数据集，所述训练数据集包括若干个三元组样本数据，所述三元组样本数据包括锚点样本视频、与所述锚点样本视频相似的第一样本视频以及与所述锚点样本视频不相似的第二样本视频；获取所述锚点样本视频与所述第一样本视频之间的第一样本帧间相似度矩阵，以及获取所述锚点样本视频与所述第二样本视频之间的第二样本帧间相似度矩阵；采用所述第一样本帧间相似度矩阵和所述第二样本帧间相似度矩阵训练基础卷积网络，得到训练后的卷积神经网络。4.根据权利要求3所述的方法，其特征在于，所述采用所述第一样本帧间相似度矩阵和所述第二样本帧间相似度矩阵训练基础卷积网络，得到训练后的卷积神经网络，包括：将所述第一样本帧间相似度矩阵和所述第二样本帧间相似度矩阵分别输入基础卷积网络进行卷积处理，得到与所述第一样本帧间相似度矩阵对应的第一样本视频相似度矩阵，以及得到与所述第二样本帧间相似度矩阵对应的第二样本视频相似度矩阵；通过对所述第一样本视频相似度矩阵进行对抗计算，得到所述锚点样本视频与所述第一样本视频之间的第一样本相似度，通过对所述第二样本视频相似度矩阵进行对抗计算，得到所述锚点样本视频与所述第二样本视频之间的第二样本相似度；根据所述第一样本相似度和所述第二样本相似度确定网络损失，根据所述网络损失对所述基础卷积网络进行参数调整，得到训练后的卷积神经网络。5.根据权利要求1所述的方法，其特征在于，所述通过对所述相似度矩阵进行对抗计算，得到所述第一视频与所述第二视频之间的相似度，包括：确定所述相似度矩阵中每列的最大值；获取各列中所述最大值之和与所述相似度矩阵的行数之间的比值，作为所述第一视频与所述第二视频之间的相似度。6.根据权利要求1至5任一项所述的方法，其特征在于，所述根据所述特征数据获取所述第一视频中的目标帧与所述第二视频中的目标帧之间的帧间相似度矩阵，包括：对于所述第一视频中的每一个目标帧，获取对应的特征数据分别与所述第二视频中每一个目标帧对应的特征数据之间的特征相似度，得到对应于所述目标帧的一行元素或一列2CN114241223A权利要求书2/2页元素；根据每一行元素或每一列元素生成对应的帧间相似度矩阵。7.一种视频相似度确定装置，其特征在于，包括：特征数据获取模块，被配置为执行获取第一视频和第二视频中目标帧的特征数据；帧间相似度矩阵获取模块，被配置为执行根据所述特征数据获取所述第一视频中的目标帧与所述第二视频中的目标帧之间的帧间相似度矩阵；视频相似度矩阵获取模块，被配置为执行对所述帧间相似度矩阵进行