一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于CNN算法的短视频智能制作方法


[0001]本专利技术属于短视频智能制作方法领域，尤其涉及一种基于
CNN
算法的短视频智能制作方法
。

技术介绍

[0002]随着社交媒体和在线视频平台的快速发展，短视频在互联网和移动设备上的流行程度不断增加
。
越来越多的用户喜欢制作和分享自己的短视频作品，以展示生活
、
记录趣事或传达信息
。
然而，对于大多数用户来说，制作高质量
、
具有专业效果的短视频仍然具有挑战性
。
目前，市场上存在许多短视频制作工具和应用程序，但大多数依赖于用户的手动操作和编辑技能，对用户要求较高，并且缺乏智能化的制作功能
。
传统的短视频制作方法通常需要用户具备一定的摄影
、
剪辑和特效处理等技能，并且耗费大量的时间和精力
。
此外，这些方法往往只注重短视频的内容或风格的处理，难以实现综合性的智能制作
。
对于非专业用户来说，制作出具有专业质量和令人满意的短视频仍然具有一定的难度
。

技术实现思路

[0003]有鉴于此，本专利技术提供一种基于
CNN
算法的短视频智能制作方法，目的在于提高短视频制作效率，同时更好地满足个性化和智能化的短视频需求，为用户提供全新化的视频体验
。
[0004]实现上述目的，本专利技术提供的一种基于
CNN
算法的短视频智能制作方法，包括以下步骤：
[0005]S1
：收集不同类别的短视频作为训练数据，并对收集到的数据进行去噪；
[0006]S2
：基于多维
CNN
构建关键帧识别网络，对去噪后的训练数据进行关键帧识别；
[0007]S3
：基于
CNN
构建内容和风格分类网络，对关键帧进行内容和风格的分类；
[0008]S4
：根据短视频设定的内容和风格，对识别出符合要求的关键帧进行排序；
[0009]S5
：依据关键帧的排序进行帧间衔接完成短视频制作
。
[0010]作为本专利技术的进一步改进方法：
[0011]可选的，所述
S1
步骤中收集不同类别的短视频作为训练数据，并对收集到的数据进行去噪，包括：
[0012]收集不同类别的短视频作为训练数据，并对收集到的数据进行去噪，所述去噪流程为：
[0013]S11
：构建噪声模型：
[0014]将短视频中的每一帧分为图像块
W
，尺寸为
window
×
window
，则图像的噪声模型可表述为：
[0015][0016]其中，为图像块
W
不包含噪声的情况；
noise
为图像块
W
中的包含的随机噪声；
[0017]S12
：相似图像块时空匹配：
[0018]基于匹配算法在图像块
W
所在的帧及其相邻帧寻找相似的图像块，构建时空匹配样本集，所述匹配算法的计算方法为：
[0019][0020]其中，
Dist(s
，
t)
表示在空间搜索范围
s
和时间搜索范围
t
的约束内，待匹配的图像块
W
s
，
t
与图像块
W
的相似度；
(i
，
j)
表示图像块像素坐标；
[0021]S13
：基于主成分分析降噪：
[0022]将图像块
W
与匹配到的前
num
个图像构成新图像块矩阵
W
′
：
[0023][0024]其中，为
S12
中获得的相似度最高的前
num
个图像块；
[0025]计算
W
′
的协方差矩阵：
[0026][0027]其中，
Ω
为需要计算的协方差矩阵；表示矩阵的转置；
num+1
表示
W
′
中包含图像块的数目；
[0028]求解协方差矩阵的特征值和特征向量：
[0029]ΩΓ
＝
λΓ
[0030]其中，
Γ
为特征向量；
λ
为特征值；
[0031]使用最大的特征值所对应的特征向量对
W
′
进行降维：
[0032][0033]其中，为最大的特征值所对应的特征向量；为去噪后的结果；
[0034]可选的，所述
S2
步骤中基于多维
CNN
构建关键帧识别网络，对去噪后的训练数据进行关键帧识别，包括：
[0035]S21
：构建关键帧识别网络的输入数据：
[0036]I
＝
[I
k
‑
c
，
...
，
I
k
‑1，
I
k
，
I
k+1
，
...
，
I
k+c
][0037]其中，
I
k
为去噪后的训练数据
I
的第
k
帧；
c
为邻域帧覆盖范围；
[0038]S22
：构建关键帧识别网络中的多维卷积层计算方式：
[0039][0040]其中，表示多维卷积层中第
u
层中像素位置为
(x
，
y
，
z)
处的计算结果；表示多维卷积层中第
u
层中卷积核在横坐标
、
纵坐标和通道维的序号为
(p
，
q
，
r)
处的权重；
P
u
，
Q
u
和
R
u
分别代表多维卷积层中第
u
层卷积核的长
、
宽以及通道总数目；
b
u
为中第
u
层中多维卷积核的偏置；
[0041]输入数据经过多维卷积层计算后输出
I
k
为关键帧的概率；
[0042]S23
：设定关键帧识别网络的损失函数：
[0043][0044]其中，为判断函数，当待识别的当前帧为关键帧时为1，否则为0；
o
为关键帧识别网络识别当前帧为关键帧的概率；
[0045]关键帧识别网络根据其设定的损失函数训练完成后，输出的结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
CNN
算法的短视频智能制作方法，其特征在于，包括以下步骤：
S1
：收集不同类别的短视频作为训练数据，并对收集到的数据进行去噪；
S2
：基于多维
CNN
构建关键帧识别网络，对去噪后的训练数据进行关键帧识别；
S3
：基于
CNN
构建内容和风格分类网络，对关键帧进行内容和风格的分类；
S4
：根据短视频设定的内容和风格，对识别出符合要求的关键帧进行排序；
S5
：依据关键帧的排序进行帧间衔接完成短视频制作
。2.
根据权利要求1所述的基于
CNN
算法的短视频智能制作方法，其特征在于，所述步骤
S1
中去噪流程为：
S11
：构建噪声模型：将短视频中的每一帧分为图像块
W
，尺寸为
window
×
window
，则图像的噪声模型可表述为：其中，为图像块
W
不包含噪声的情况；
noise
为图像块
W
中的包含的随机噪声；
S12
：相似图像块时空匹配：基于匹配算法在图像块
W
所在的帧及其相邻帧寻找相似的图像块，构建时空匹配样本集，所述匹配算法的计算方法为：其中，
Dist(s,t)
表示在空间搜索范围
s
和时间搜索范围
t
的约束内，待匹配的图像块
W
s,t
与图像块
W
的相似度；
(i,j)
表示图像块像素坐标；
S13
：基于主成分分析降噪：将图像块
W
与匹配到的前
num
个图像构成新图像块矩阵
W
′
：其中，为
S12
中获得的相似度最高的前
num
个图像块；计算
W
′
的协方差矩阵：其中，
Ω
为需要计算的协方差矩阵；表示矩阵的转置；
num+1
表示
W
′
中包含图像块的数目；求解协方差矩阵的特征值和特征向量：
Q
Γ
＝
λΓ
其中，
Γ
为特征向量；
λ
为特征值；使用最大的特征值所对应的特征向量对
W
′
进行降维：其中，为最大的特征值所对应的特征向量；
W
为去噪后的结果
。3.
根据权利要求1所述的基于
CNN
算法的短视频智能制作方法，其特征在于，所述步骤
S2
包括以下步骤：
S21
：构建关键帧识别网络的输入数据：
I
＝
[I
k
‑
c
,
…
,I
k
‑1,I
k
，
I
k+1
,
…
,I
k+c
]
其中，
I
k
为去噪后的训练数据
I
的第
k
帧；
c
为邻域帧覆盖范围；
S22
：构建关键帧识别网络中的多维卷积层计算方式：其中，表示多维卷积层中第
u
层中像素位置为
(x,y,z)
处的计算结果；表示多维卷积层中第
u
层中卷积核在横坐标
、
纵坐标和通道维的序号为
(p,q,r)
处的权重；
P
u
，
Q
u
和
R
u
分别代表多维卷积层中第
u
层卷积核的长
、
宽以及通道总数目；
b
u
为中第
u
层中多维卷积核的偏置；输入数据经过多维卷积层计算后输出
I
k
为关键帧的概率；
S23
：设定关键帧识别网络的损失函数：其中，为判断函数，当待识别的当前帧为关键帧时为1，否则为0；
o
为关键帧识别网络识别当前帧为关键帧的概率；关键帧识别网络根据其设定的损失函数训练完成后，输出的结果若大于
0.5
，则当前帧为关键帧
。4.
根据权利要求3所述的基于
CNN
算法的短视频智能制作方法，其特征在于，所述步骤
S3
中，包括：基于
S2
获得的关键帧，进一步将其送入基于
CNN
构建的内容和风格分...

【专利技术属性】
技术研发人员：杨剑，赵超，邹荣跃，李雅琳，黄艳妮，杨娟，鲁一丁，
申请(专利权)人：湖南广播影视集团有限公司，
类型：发明
国别省市：