動畫視頻識別與編碼方法及裝置的制造方法
【專利摘要】本發(fā)明實施例提供一種動畫視頻識別與編碼方法及裝置。將待識別視頻進行降維處理，獲取所述待識別視頻的輸入特征參數(shù)；根據(jù)所述輸入特征參數(shù)調用預先訓練的特征模型，判斷所述待識別視頻是否為動畫視頻；當判定所述待識別視頻為動畫視頻，則調整所述待識別視頻的編碼參數(shù)以及碼率。在獲得清晰視頻的前提下，節(jié)省帶寬、提高編碼效率。
【專利說明】
動畫視頻識別與編碼方法及裝置
技術領域
[0001] 本發(fā)明實施例涉及視頻技術領域，尤其涉及一種動畫視頻識別與編碼方法及裝 置。
【背景技術】
[0002] 隨著多媒體技術的快速發(fā)展，大量的動畫類視頻被制作并在互聯(lián)網上傳播。
[0003] 對于視頻網站而言，需要將視頻進行重新編碼以便用戶能夠流暢、清晰地觀看。相 對于傳統(tǒng)視頻內容而言（電視劇、電影等），動畫類視頻內容簡單，表現(xiàn)為顏色分布集中，線 條輪廓稀疏等特點?；谏鲜鎏攸c，在獲得相同清晰度的情況下，動畫類視頻需要的編碼參 數(shù)與傳統(tǒng)內容的視頻需要的編碼參數(shù)可以不同。例如對于動畫類視頻，可以降低編碼的碼 率，但卻可以獲得與傳統(tǒng)內容的視頻在高碼率情況下一致的清晰度。
[0004] 因此，一種動畫視頻識別與編碼方法及裝置亟待提出。

【發(fā)明內容】

[0005] 本發(fā)明實施例提供一種動畫視頻識別與編碼方法及裝置，用以解決現(xiàn)有技術中用 戶需要手動按鍵切換視頻輸出模式的缺陷，實現(xiàn)視頻輸出模式的自動切換。
[0006] 本發(fā)明實施例提供一種動畫視頻識別與編碼方法，包括：
[0007] 將待識別視頻進行降維處理，獲取所述待識別視頻的輸入特征參數(shù)；
[0008] 根據(jù)所述輸入特征參數(shù)調用預先訓練的特征模型，判斷所述待識別視頻是否為動 畫視頻；
[0009] 當判定所述待識別視頻為動畫視頻，則調整所述待識別視頻的編碼參數(shù)以及碼 率。
[0010] 本發(fā)明實施例提供一種動畫視頻識別與編碼裝置，包括：
[0011] 參數(shù)獲取模塊，用于將待識別視頻進行降維處理，獲取所述待識別視頻的輸入特 征參數(shù)；
[0012] 判斷模塊，用于根據(jù)所述輸入特征參數(shù)調用預先訓練的特征模型，判斷所述待識 別視頻是否為動畫視頻；
[0013] 編碼模塊，當判定所述待識別視頻為動畫視頻，用于調整所述待識別視頻的編碼 參數(shù)以及碼率。
[0014] 本發(fā)明實施例提供的動畫視頻識別與編碼方法及裝置，通過預先訓練的特征模型 自動識別出視頻庫內的動畫類視頻，并在保證和其他內容視頻一致的清晰度的情況下，調 整編碼參數(shù)，從而在獲得清晰視頻的前提下，節(jié)省帶寬、提尚編碼效率。
【附圖說明】
[0015] 為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn) 有技術描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā) 明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根 據(jù)這些附圖獲得其他的附圖。
[0016]圖1為本發(fā)明實施例一的技術流程圖；
[0017]圖2為本發(fā)明實施例二的技術流程圖；
[0018] 圖3為本發(fā)明實施例三的裝置結構示意圖。
【具體實施方式】
[0019] 為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明實施例 中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是 本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員 在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
[0020] 實施例一
[0021]圖1是本發(fā)明實施例一的技術流程圖，參考圖1，本發(fā)明實施例一種動畫視頻識別 與編碼方法，主要包括如下的三個步驟：
[0022] 步驟110:將待識別視頻進行降維處理，獲取所述待識別視頻的輸入特征參數(shù)；
[0023] 本發(fā)明實施例中，對所述待識別視頻進行降維處理，其目的在于，提取視頻幀的所 述輸入特征參數(shù)，將視頻幀較大的維數(shù)轉化為用所述特征參數(shù)表示的較小的維度，從而與 預先訓練的特征模型進行匹配，從而對所述待識別視頻進行分類。具體降維的過程具體由 以下步驟111~步驟113實現(xiàn)：
[0024]步驟111:獲取所述待處理視頻的每一視頻幀，并將非RGB顏色空間的視頻幀轉化 至RGB顏色空間。
[0025] 大量待處理視頻的格式不同，其對應的色彩空間也可能是多樣的，需要將其轉化 為同一色彩空間，按照同樣的標準和參數(shù)對所述待處理視頻進行分類，簡化了分類計算的 復雜度，同時提升了分類的準確性。以下部分將例舉非RGB顏色空間轉換至RGB顏色空間的 轉換公式，當然，應當理解，以下部分僅供舉例從而對本發(fā)明實施例做進一步闡述，但對本 發(fā)明實施例并不構成限制。任何能實現(xiàn)本發(fā)明實施例非RGB顏色空間轉換至RGB顏色空間的 算法均在本發(fā)明實施例的保護范圍之內。
[0026] 如下公式所示，自然界中任何一種色光都可由R、G、B三基色按不同的比例相加混 合而成：
[0027] p = r*R+g*G+b*B
[0028]調整三色系數(shù)r、g、b中的任一系數(shù)都會改變F的坐標值，也即改變了F的色值。當三 基色分量都為〇(最弱）時混合為黑色光；當三基色分量都為k(最強)時混合為白色光。
[0029] RGB顏色空間采用物理三基色表示，因而物理意義很清楚。然而這一體制并不適應 人的視覺特點。因而，產生了其他不同的顏色空間表示法，例如CMY顏色空間、CMYK顏色空 間、HSI顏色空間、HSV顏色空間等。
[0030]彩色印刷或彩色打印的紙張是不能發(fā)射光線的，因而印刷機或彩色打印機就只能 使用一些能夠吸收特定的光波而反射其他光波的油墨或顏料。油墨或顏料的3基色是青 (Cyan)、品紅(Magenta)和黃(Yellow)，簡稱為CMYXMY空間正好與RGB空間互補，也即用白 色減去RGB空間中的某一顏色值就等于同樣顏色在CMY空間中的值，即當CMY顏色空間轉化 至RGB顏色空間時，可采取如下的轉換公式： .R 二 1 - C
[0031] C;二 1 - M .丑二 1 - r
[0032]其中，C、M、Y的取值范圍是[0，1]。
[0033]當CMYK(青C、品紅M、黃Y及黑K)顏色空間轉化至RGB顏色空間時，可采取如下的轉 換公式：
[0034] R=l-min{l，CX(l-B)+B}
[0035] G = l-min{l，MX(l-B)+B}
[0036] B = l-min{l，YX(l-B)+B}
[0037] HSI(Hue，Saturation and Intensity)顏色空間是從人的視覺系統(tǒng)出發(fā)，用色調 (Hue)、色飽和度（Saturation或Chroma)和亮度（Intensity 或Brightness)來描述顏色。 HSI顏色空間可以用一個圓錐空間模型來描述。當HSI顏色空間轉化至RGB顏色空間時，可采 取如下的轉換公式：
[0050]步驟112:將一幀圖像轉化至RGB顏色空間后，統(tǒng)計RGB顏色空間對應的R、G、B灰度 直方圖，分別計算所述R、G、B灰度直方圖對應的標準偏差；
[0051 ]本步驟中，記所述R、G、B灰度直方圖為hist_R[256]、hist_G[256]及hist_B[256]。 計算 hist_R[256]、hist_G[256]及 hist_B[256]的標準偏差分別記為 sd_R、sd_G、sd_B。 [0052]步驟113:分別在R、G、B顏色通道對所述視頻幀進行邊緣檢測處理，得到所述視頻 幀內分別屬于R、G、B顏色通道的輪廓數(shù)量。
[0053]對R、G、B各通道圖像進行邊緣檢測處理，之后統(tǒng)計各圖像內的輪廓個數(shù)，分別記為 c-R、c-G、c-B〇
[0054]由此，便得到了所述待處理視頻的所述輸入特征參數(shù)，即R、G、B顏色通道分別對應 的標準偏差sd_R、sd_G、sd_B以及輪廓數(shù)量c_R、c_G、c_B。
[0055] 步驟120:根據(jù)所述輸入特征參數(shù)調用預先訓練的特征模型，判斷所述待識別視頻 是否為動畫視頻；
[0056] 本發(fā)明實施例中，預先訓練的特征模型如下所示：
[0058] 其中，其中，x為所述待識別視頻的輸入特征參數(shù)，Xl為所述視頻樣本的輸入特征 參數(shù)，f(x)為所述待識別視頻的分類，sgn〇為符號函數(shù)特性;K為核函數(shù)；aj和P為所述特 征模型的相關參數(shù)。
[0059] 符號函數(shù)的返回值只有兩個，1或-1，可以用階躍信號u(x)更加形象地表示符號函 數(shù)： 丨 1, x > 0
[0060] sgn(^) = 2u(x) - 1 = j 0, x = 0 (-1, x < 0
[0061] 因此，將步驟110中獲取的所述輸入特征參數(shù)輸入特征模型，便可通過計算得到1 或-1，即待處理視頻的兩種可能:動畫視頻和非動畫視頻。特征模型的訓練過程將在下述實 施例二中詳細闡述。
[0062] 步驟130:當判定所述待識別視頻為動畫視頻，則調整所述待識別視頻的編碼參數(shù) 以及碼率。
[0063] 由于動畫類視頻內容簡單，顏色分布集中，線條輪廓稀疏，因此編碼時，可以修改 相應的編碼參數(shù)，例如碼率、量化參數(shù)等，從而降低編碼的碼率，提高編碼速度。
[0064]本實施例通過將待處理的視頻進行降維處理，并調用預先訓練的特征模型識別待 處理的視頻是否為動畫視頻，從而根據(jù)識別結果調整編碼參數(shù)，實現(xiàn)了視頻清晰度不變的 情況下，具有較高的編碼效率，同時節(jié)省了編碼帶寬。
[0065] 實施例二
[0066] 圖2是本發(fā)明實施例二的技術流程圖，以下部分將結合圖2,具體闡述本發(fā)明實施 例一種動畫視頻識別與編碼方法中，特征模型的訓練過程。
[0067] 本發(fā)明實施例中，預先采用一定數(shù)量的動畫視頻樣本和非動畫視頻樣本進行特征 模型的訓練，數(shù)量越多，則訓練出的模型分類越準確。首先將視頻樣本進行分類，得到正樣 本(動畫視頻)和負樣本(非動畫視頻）。視頻樣本的時長隨機、內容隨機。
[0068]步驟210:獲取視頻樣本的每一視頻幀，并將非RGB顏色空間的視頻幀轉化至RGB顏 色空間；
[0069]分析正負樣本特征發(fā)現(xiàn)，正樣本與負樣本的明顯區(qū)別是，正樣本幀內顏色分布集 中，線條輪廓稀疏。因此，本發(fā)明以上述特征作為訓練輸入特征。對于樣本的每一幀，當其采 用￥1^420格式時，輸入空間的維數(shù)為11 = '\￥1(11:11*11618111:*2，其中￥1(11:11和11618111:分別表示視 頻幀的寬度和高度，這樣的數(shù)據(jù)量處理起來比較困難，因此本發(fā)明實施例首先對于視頻樣 本進行降維處理。具體地，對維數(shù)為n的每一視頻幀，提取其一定數(shù)量的必要特征，并以所述 必要特征作為維度，以實現(xiàn)降維目的，從而簡化模型訓練的過程，減少計算量的同時進一步 優(yōu)化了特征模型。
[0070] 具體降維處理的執(zhí)行原理及技術效果同步驟110所述，不再贅述。
[0071] 步驟220:對視頻樣本進行所述降維處理從而獲取所述視頻樣本的輸入特征參數(shù)； [0072]同實施例一中所述，所述待處理視頻的所述輸入特征參數(shù)，即R、G、B顏色通道分別 對應的標準偏差sd_R、 Sd_G、Sd_B以及輪廓數(shù)量(：_1?、(3_6、(3_8。降維處理后的所述視頻幀將 由n個維度降至6個維度。
[0073]步驟230:根據(jù)所述視頻樣本的輸入特征參數(shù)，采用支持向量機模型（Support Vector Machine，SVM)訓練所述特征模型。
[0074]具體地，本發(fā)明實施例使用的SVM類型是非線性軟間隔分類機C-SVC，如公式1所 示：
公式1
[0076]公式1中，C表示懲罰參數(shù)，表示第i個樣本視頻對應的松弛變量，Xi表示第i個樣 本視頻對應的所述輸入特征參數(shù)，即R、G、B顏色通道分別對應的標準偏差sd_R、sd_G、sd_B 以及輪廓數(shù)量(^、(^、(^，71表示第1個樣本視頻的類型（即樣本視頻是動畫視頻還是非 動畫視頻，例如可以設置1表示動畫視頻，-1表示非動畫視頻等）；1表示樣本視頻的總個數(shù)， 符號"I I I I"表示范數(shù)，w和b是相關參數(shù)；"subject to"表示"約束于"的，其使用形式如公式 1，即目標函數(shù)subject to約束條件。
[0077]參數(shù)w的計算如公式2所示，
公式2
[0079] 公式2中，xi表示第i個樣本視頻對應的所述輸入特征參數(shù)，yi表示第i個樣本視頻 的類型。
[0080] 公式1的對偶問題如公式3所示，
[0082] 公式3中，s.t.=subjeCt to,表示位于s.t前的目標函數(shù)約束于位于s.t后的約束 條件;Xl表示第i個樣本視頻對應的所述輸入特征參數(shù)，表示第i個樣本視頻的類型;&表 示第j個樣本視頻對應的所述輸入特征參數(shù)，^表示第j個樣本視頻的類型;a是公式1和公 式2求得的最優(yōu)解;C表示懲罰參數(shù)，本實施例中，所述懲罰參數(shù)C的初始值設置為0.1 ;1表示 樣本視頻的總個數(shù);K (xi，x j)表示核函數(shù)，本發(fā)明實施例中的核函數(shù)選用RBF核函數(shù)(Rad ia 1 Basis Function，徑向基核函數(shù)），核函數(shù)如公式4所示：
[0084] 公式 4
[0085] 公式4中，Xi表示第i個樣本視頻對應的樣本特征參數(shù)，Xj表示第j個樣本視頻對應 的樣本特征參數(shù)，〇為核函數(shù)的可調參數(shù)。本實施例中，將RBF核函數(shù)的參數(shù)〇的初始值設置 為le_5〇
[0086] 根據(jù)上述公式1-公式4可以計算得出公式3的最優(yōu)解，如公式5所示：
[0087] a*=(<，???，<，公式 5
[0088]根據(jù)a*可以計算得到b*，如公式6所示：
[0090] 公式6中，通過從a*中選取一個正分量0<a/<C得到j的數(shù)值。
[0091]其次，根據(jù)上述相關參數(shù)和bl卩可得到如公式7所示的用于視頻識別的特征模 型：
[0093]此外，需要說明的是，本發(fā)明實施例中，為了提高訓練模型的泛化能力，針對所述 特征模型，選用交叉驗證(Cross validation)算法尋找參數(shù)〇與(：的最優(yōu)值。具體地，采用K 折交叉驗證(k-folder cross-validation) 〇
[0094] K折交叉驗證，初始采樣分割成K個子樣本，一個單獨的子樣本被保留作為驗證模 型的數(shù)據(jù)，其他K-1個樣本用來訓練。交叉驗證重復K次，每個子樣本驗證一次，平均K次的結 果或者使用其它結合方式，最終得到一個單一估測。這個方法的優(yōu)勢在于，同時重復運用隨 機產生的子樣本進行訓練和驗證，每次的結果驗證一次。
[0095]本發(fā)明實施例中，可以選取折數(shù)k為5,懲罰參數(shù)C的范圍設置為[0.01，200]，核函 數(shù)的參數(shù)〇的范圍設置為[1 e-6，4]。驗證過程中〇與C的步長均選擇2。
[0096] 本實施例中，通過對動畫視頻樣本和非動畫視頻樣本進行分析，得到動畫視頻和 非動畫視頻的區(qū)別之處，與此同時，對視頻進行降維并通過對兩種類型的視頻樣本進行特 征參數(shù)的提取，并利用這些特征參數(shù)進行模型的訓練，得到了能夠識別待分類視頻的特征 模型，從而能夠根據(jù)視頻的類型進行編碼參數(shù)的調整，在獲得清晰的視頻前提下，帶來節(jié)省 帶寬、提高編碼速度等有益效果。
[0097] 實施例三
[0098] 圖3是本發(fā)明實施例三的裝置結構示意圖，結合圖3,本發(fā)明實施例一種動畫視頻 識別與編碼裝置，主要包括如下的模塊:參數(shù)獲取模塊310、判斷模塊320、編碼模塊330、模 型訓練模塊340。
[0099] 所述參數(shù)獲取模塊310,用于將待識別視頻進行降維處理，獲取所述待識別視頻的 輸入特征參數(shù)；
[0100] 所述判斷模塊320,用于根據(jù)所述輸入特征參數(shù)調用預先訓練的特征模型，判斷所 述待識別視頻是否為動畫視頻；
[0101]所述編碼模塊330,當判定所述待識別視頻為動畫視頻，用于調整所述待識別視頻 的編碼參數(shù)以及碼率。
[0102] 所述參數(shù)獲取模塊310進一步用于：獲取所述待處理視頻的每一視頻幀，并將非 RGB顏色空間的視頻幀轉化至RGB顏色空間；統(tǒng)計RGB顏色空間對應的R、G、B灰度直方圖，分 別計算所述R、G、B灰度直方圖對應的標準偏差;分別在R、G、B顏色通道對所述視頻幀進行邊 緣檢測處理，得到所述視頻幀內分別屬于R、G、B顏色通道的輪廓數(shù)量。
[0103] 所述模型訓練模塊340用于：調用所述參數(shù)獲取模塊對視頻樣本進行所述降維處 理從而獲取所述視頻樣本的輸入特征參數(shù);其中所述輸入特征參數(shù)包括所述R、G、B灰度直 方圖對應的標準偏差、所述分別屬于R、G、B顏色通道的輪廓數(shù)量;根據(jù)所述視頻樣本的輸入 特征參數(shù)，采用支持向量機模型訓練所述特征模型。
[0104] 具體地，所述模型訓練模塊340訓練如下所述特征模型：
[0106] 其中，x為所述待識別視頻的輸入特征參數(shù)，Xl為所述視頻樣本的輸入特征參數(shù)，f (x)為所述待識別視頻的分類，根據(jù)符號函數(shù)sgn()特性，f(x)的輸出值為1或-1，分別表示 動畫視頻與非動畫視頻;K為核函數(shù)，根據(jù)預設的可調參數(shù)，結合所述視頻樣本的輸入特征 參數(shù)進行計算；4和P為所述特征模型的相關參數(shù)，和P根據(jù)預設的懲罰參數(shù)，結合所 述視頻樣本的輸入特征參數(shù)進行計算。
[0107] 所述模型訓練模塊340進一步還用于:采用支持向量機模型訓練所述特征模型時， 選用交叉驗證算法尋找所述可調參數(shù)以及所述懲罰參數(shù)，從而提高所述特征模型的泛化能 力。
[0108] 圖3對應裝置執(zhí)行圖1~圖2所示實施例，實現(xiàn)原理和技術效果參考圖1~圖3所示 實施例，不再贅述。
[0109] 以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的單元可 以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單 元，即可以位于一個地方，或者也可以分布到多個網絡單元上?？梢愿鶕?jù)實際的需要選擇其 中的部分或者全部模塊來實現(xiàn)本實施例方案的目的。本領域普通技術人員在不付出創(chuàng)造性 的勞動的情況下，即可以理解并實施。
[0110] 通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到各實施方式可 借助軟件加必需的通用硬件平臺的方式來實現(xiàn)，當然也可以通過硬件?；谶@樣的理解，上 述技術方案本質上或者說對現(xiàn)有技術做出貢獻的部分可以以軟件產品的形式體現(xiàn)出來，該 計算機軟件產品可以存儲在計算機可讀存儲介質中，如R0M/RAM、磁碟、光盤等，包括若干指 令用以使得一臺計算機裝置(可以是個人計算機，服務器，或者網絡裝置等)執(zhí)行各個實施 例或者實施例的某些部分所述的方法。
[0111] 最后應說明的是：以上實施例僅用以說明本發(fā)明的技術方案，而非對其限制;盡管 參照前述實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解:其依然可 以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換； 而這些修改或者替換，并不使相應技術方案的本質脫離本發(fā)明各實施例技術方案的精神和 范圍。
【主權項】
1. 一種動畫視頻識別與編碼方法，其特征在于，包括如下的步驟： 將待識別視頻進行降維處理，獲取所述待識別視頻的輸入特征參數(shù)； 根據(jù)所述輸入特征參數(shù)調用預先訓練的特征模型，判斷所述待識別視頻是否為動畫視 頻； 當判定所述待識別視頻為動畫視頻，則調整所述待識別視頻的編碼參數(shù)以及碼率。2. 根據(jù)權利要求1所述的方法，其特征在于，將待識別視頻進行降維處理，進一步包括： 獲取所述待處理視頻的每一視頻幀，并將非RGB顏色空間的視頻幀轉化至RGB顏色空 間； 統(tǒng)計RGB顏色空間對應的R、G、B灰度直方圖，分別計算所述R、G、B灰度直方圖對應的標 準偏差； 分別在R、G、B顏色通道對所述視頻幀進行邊緣檢測處理，得到所述視頻幀內分別屬于 R、G、B顏色通道的輪廓數(shù)量。3. 根據(jù)權利要求1或2所述的方法，其特征在于，所述方法進一步包括采用如下步驟預 先訓練所述特征模型： 對視頻樣本進行所述降維處理從而獲取所述視頻樣本的輸入特征參數(shù);其中所述輸入 特征參數(shù)包括所述R、G、B灰度直方圖對應的標準偏差、所述分別屬于R、G、B顏色通道的輪廓 數(shù)量； 根據(jù)所述視頻樣本的輸入特征參數(shù)，采用支持向量機模型訓練所述特征模型。4. 根據(jù)權利要求3所述的方法，其特征在于，采用支持向量機模型訓練所述特征模型， 進一步包括： 所述特征模型以如下公式展示：其中，X為所述待識別視頻的輸入特征參數(shù)，Xl為所述視頻樣本的輸入特征參數(shù)，f(x)為 所述待識別視頻的分類，根據(jù)符號函數(shù)sgn()特性，f(x)的輸出值為1或-1，分別表示動畫 視頻與非動畫視頻;K為核函數(shù)，根據(jù)預設的可調參數(shù)，結合所述視頻樣本的輸入特征參數(shù) 進行計算；α〖和P為所述特征模型的相關參數(shù)，和P根據(jù)預設的懲罰參數(shù)，結合所述視 頻樣本的輸入特征參數(shù)進行計算。5. 根據(jù)要求4所述的方法，其特征在于，所述方法還包括： 采用支持向量機模型訓練所述特征模型時，選用交叉驗證算法尋找所述可調參數(shù)以及 所述懲罰參數(shù)，從而提高所述特征模型的泛化能力。6. -種動畫視頻識別與編碼裝置，其特征在于，包括如下的模塊： 參數(shù)獲取模塊，用于將待識別視頻進行降維處理，獲取所述待識別視頻的輸入特征參 數(shù)； 判斷模塊，用于根據(jù)所述輸入特征參數(shù)調用預先訓練的特征模型，判斷所述待識別視 頻是否為動畫視頻； 編碼模塊，當判定所述待識別視頻為動畫視頻，用于調整所述待識別視頻的編碼參數(shù) 以及碼率。7. 根據(jù)權利要求6所述的裝置，其特征在于，所述參數(shù)獲取模塊進一步用于： 獲取所述待處理視頻的每一視頻幀，并將非RGB顏色空間的視頻幀轉化至RGB顏色空 間； 統(tǒng)計RGB顏色空間對應的R、G、B灰度直方圖，分別計算所述R、G、B灰度直方圖對應的標 準偏差； 分別在R、G、B顏色通道對所述視頻幀進行邊緣檢測處理，得到所述視頻幀內分別屬于 R、G、B顏色通道的輪廓數(shù)量。8. 根據(jù)權利要求6或7所述的裝置，其特征在于，所述裝置進一步包括模型訓練模塊，所 述模型訓練模塊用于： 調用所述參數(shù)獲取模塊對視頻樣本進行所述降維處理從而獲取所述視頻樣本的輸入 特征參數(shù);其中所述輸入特征參數(shù)包括所述R、G、B灰度直方圖對應的標準偏差、所述分別屬 于R、G、B顏色通道的輪廓數(shù)量； 根據(jù)所述視頻樣本的輸入特征參數(shù)，采用支持向量機模型訓練所述特征模型。9. 根據(jù)權利要求8所述的裝置，其特征在于，所述模型訓練模塊進一步用于： 訓練如下所述特征模型：其中，X為所述待識別視頻的輸入特祉參數(shù)，Xi為所述視頻樣本的輸入特征參數(shù)，f (X )為 所述待識別視頻的分類，根據(jù)符號函數(shù)sgn()特性，f(x)的輸出值為1或-1，分別表示動畫 視頻與非動畫視頻;K為核函數(shù)，根據(jù)預設的可調參數(shù)，結合所述視頻樣本的輸入特征參數(shù) 進行計算；和P為所述特征模型的相關參數(shù)，α〖和P根據(jù)預設的懲罰參數(shù)，結合所述視 頻樣本的輸入特征參數(shù)進行計算。10. 根據(jù)要求9所述的裝置，其特征在于，所述模型訓練模塊進一步還用于： 采用支持向量機模型訓練所述特征模型時，選用交叉驗證算法尋找所述可調參數(shù)以及 所述懲罰參數(shù)，從而提高所述特征模型的泛化能力。
【文檔編號】G06K9/00GK105893927SQ201510958701
【公開日】2016年8月24日
【申請日】2015年12月18日
【發(fā)明人】劉陽, 蔡硯剛, 魏偉, 白茂生
【申請人】樂視云計算有限公司