视频检测方法、装置、电子设备及计算机可读存储介质与流程

本申请涉及视频检测技术领域，具体而言，本申请涉及一种视频检测方法、装置、电子设备及计算机可读存储介质。

背景技术：

随着视频制作技术的发展，人人都可以制作并分享自己的视频，造成网络上视频数量的激增。在网络上的大量视频中，有一部分视频是“三俗”(即庸俗、低俗、媚俗)视频，其传播的信息内容非常低俗，相关低俗视频的传播将对社会产生不良影响，因此，实现视频的低俗检测具有重要意义。

目前，对视频的低俗检测是通过人工方式实现的，即相应视频平台的相关工作人员通过人工检测的方式，逐一对视频平台上的视频进行浏览、观看，然后确定相应的视频是否为低俗视频。然而，根据现有的人工方式进行视频的低俗检测，相关工作人员需要逐一检测相关视频，对于部分视频，甚至需要观看视频的完整内容之后才能确定相关视频是否为低俗视频，检测效率非常低，此外，随着视频平台视频数量的激增，需要大量的相关工作人员才能完成视频的低俗检测工作，人工成本非常高。因此，现有的人工进行视频的低俗检测方式存在效率低、成本高的问题。

技术实现要素：

本申请提供了一种视频检测方法、装置、电子设备及计算机可读存储介质，用于提升视频的低俗检测的效率，及降低视频的低俗检测的成本，本申请采用的技术方案如下：

第一方面，提供了一种视频检测方法，该方法包括，

通过特征提取网络提取待检测视频中的关键帧图像的图像特征；

通过池化网络对提取得到的图像特征进行处理得到关键帧图像的固定长度的图像特征向量；

将得到的固定长度的图像特征向量输入至分类网络得到关键帧图像的低俗检测结果；

基于关键帧图像的低俗检测结果确定待检测视频的低俗检测结果。

进一步地，通过池化网络对提取得到的图像特征进行处理得到关键帧图像的固定长度的图像特征向量，包括以下至少一项：

将提取得到的图像特征输入至全局平均池化网络得到关键帧图像的固定长度的图像特征向量；

将提取得到的图像特征输入至vlad池化网络得到关键帧图像的固定长度的图像特征向量。

进一步地，将提取得到的图像特征输入至vlad池化网络得到关键帧图像的图像特征向量，包括：

对多个图像特征进行聚类处理，得到多个聚类中心；

计算确定各个图像特征的特征值分别与其对应的聚类中心特征值的残差值，并针对任一聚类中心对该聚类中心与对应的各个图像特征之间的残差值进行求和得到残差值的和；

基于得到的各个聚类中心分别对应的残差值的和来确定关键帧图像的固定长度的图像特征向量。

进一步地，待检测视频的关键帧图像的确定方法，包括：

对待检测视频进行解码处理得到多个视频帧图像；

基于各个视频帧图像的图像特征对多个视频帧图像进行聚类处理，得到至少一个聚类分组；

从各个聚类分组中分别确定一个视频帧图像作为关键帧图像。

进一步地，基于关键帧图像的低俗检测结果确定待检测视频的低俗检测结果，包括：

分别确定多个关键帧图像的低俗检测结果；

对多个关键帧图像的低俗检测结果进行加权融合处理，基于加权融合处理的结果确定待检测视频的低俗检测结果。

第二方面，提供了一种视频检测装置，该装置包括，

提取模块，用于通过特征提取网络提取待检测视频中的关键帧图像的图像特征；

特征处理模块，用于通过池化网络对提取模块提取得到的图像特征进行处理得到关键帧图像的固定长度的图像特征向量；

检测模块，用于将特征处理模块处理得到的固定长度的图像特征向量输入至分类网络得到关键帧图像的低俗检测结果；

第一确定模块，用于基于检测模块检测得到的关键帧图像的低俗检测结果确定待检测视频的低俗检测结果。

进一步地，特征处理模块，用于将提取得到的图像特征输入至全局平均池化网络得到关键帧图像的固定长度的图像特征向量；和或，用于将提取得到的图像特征输入至vlad池化网络得到关键帧图像的固定长度的图像特征向量。

进一步地，特征处理模块包括：聚类处理单元、计算单元及第一确定单元；

聚类处理单元，用于对多个图像特征进行聚类处理，得到多个聚类中心；

计算单元，用于计算确定各个图像特征的特征值分别与其对应的聚类处理单元确定的聚类中心特征值的残差值，并针对任一聚类中心对该聚类中心与对应的各个图像特征之间的残差值进行求和得到残差值的和；

第一确定单元，用于基于计算单元计算得到的各个聚类中心分别对应的残差值的和来确定关键帧图像的固定长度的图像特征向量。

进一步地，该装置还包括：解码模块、聚类模块、第二确定模块；

解码模块，用于对待检测视频进行解码处理得到多个视频帧图像；

聚类模块，用于基于解码模块解码得到的各个视频帧图像的图像特征对多个视频帧图像进行聚类处理，得到至少一个聚类分组；

第二确定模块，用于从聚类模块聚类处理得到的各个聚类分组中分别确定一个视频帧图像作为关键帧图像。

进一步地，第一确定模块包括：第二确定单元及第三确定单元；

第二确定单元，用于分别确定多个关键帧图像的低俗检测结果；

第三确定单元，用于对第二确定单元确定的多个关键帧图像的低俗检测结果进行加权融合处理，基于加权融合处理的结果确定待检测视频的低俗检测结果。

第三方面，提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行第一方面所示的视频检测方法。

第四方面，提供了一种计算机可读存储介质，计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行第一方面所示的视频检测方法。

本申请提供了一种视频检测方法、装置、电子设备及计算机可读存储介质，与现有技术通过人工方式进行视频的低俗检测相比，本申请通过特征提取网络提取待检测视频中的关键帧图像的图像特征，然后通过池化网络对提取得到的图像特征进行处理得到关键帧图像的固定长度的图像特征向量，并将得到的固定长度的图像特征向量输入至分类网络得到关键帧图像的低俗检测结果，继而基于关键帧图像的低俗检测结果确定待检测视频的低俗检测结果，即基于提取的待检测视频中的关键帧图像的图像特征，确定关键帧图像的低俗检测结果，继而根据关键帧图像的低俗检测结果确定待检测视频的低俗检测结果，从而实现了待检测视频是否为低俗视频的自动检测，与此同时，降低了待检测视频的检测成本。

本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例的一种视频检测方法的流程示意图；

图2为本申请实施例的一种视频检测装置的结构示意图；

图3为本申请实施例的另一种视频检测装置的结构示意图；

图4为本申请实施例的一种电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，各实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

本申请实施例提供了一种视频检测方法，如图1所示，该方法包括，

步骤s101，通过特征提取网络提取待检测视频中的关键帧图像的图像特征；

对于本实施例，视频是由多个图像帧构成的，通常情况下一秒视频对应有24帧图像，对待检测视频的是否为低俗检测可以转化为对图像帧的检测，由于待检测视频解码后对应有多个图像帧，可以从多个图像帧中确定出一定数量的关键帧，把对待检测视频的检测转化为对确定的关键帧的检测，以减少数据处理量。

具体地，可以通过卷积层对提取的待检测视频中的关键帧图像执行卷积操作，从而得到关键帧图像的图像特征。

步骤s102，通过池化网络对提取得到的图像特征进行处理得到关键帧图像的固定长度的图像特征向量；

对于本实施例，一般池化(generalpooling)主要包括平均池化(meanpooling)、最大池化(maxpooling)，一般池化的作用体现在降采样。不同于一般的池化操作，本实施例的池化网络用于对提取得到的图像特征进行相应处理，从而得到固定长度的图像特征向量用以表征相应的关键帧图像。

步骤s103，将得到的固定长度的图像特征向量输入至分类网络得到关键帧图像的低俗检测结果；

对于本实施例，将得到的固定长度的图像特征向量输入至分类网络，得到关键帧图像的低俗检测结果；具体地，关键帧图像是否低俗的检测是一个二分类的问题，可以将图像特征向量输入至sigmoid分类器，从而得到关键帧图像的低俗检测结果，其中，输出值分别对应的是相应关键帧图像低俗的概率与非低俗的概率；其中，也可以通过softmax分类器或其他方法，基于图像特征向量得到关键帧图像的低俗检测结果，此处不做限定。

步骤s104，基于关键帧图像的低俗检测结果确定待检测视频的低俗检测结果。

对于本实施例，根据关键帧图像的低俗检测结果确定待检测视频的低俗检测结果，具体地，关键帧图像的低俗检测结果的表示可以是两个概率值，分别对应该关键帧图像低俗的概率与非低俗的概率，可以设定一定的阈值，基于设定的阈值与关键帧图像低俗检测结果的两个概率值确定待检测视频的低俗检测结果。

对于本申请实施例，提供了一种视频检测方法，与现有技术通过人工方式进行视频的低俗检测相比，本申请实施例通过特征提取网络提取待检测视频中的关键帧图像的图像特征，然后通过池化网络对提取得到的图像特征进行处理得到关键帧图像的固定长度的图像特征向量，并将得到的固定长度的图像特征向量输入至分类网络得到关键帧图像的低俗检测结果，继而基于关键帧图像的低俗检测结果确定待检测视频的低俗检测结果，即基于提取的待检测视频中的关键帧图像的图像特征，确定关键帧图像的低俗检测结果，继而根据关键帧图像的低俗检测结果确定待检测视频的低俗检测结果，从而实现了待检测视频是否为低俗视频的自动检测，与此同时，降低了待检测视频的检测成本。

本申请实施例提供了一种可能的实现方式，具体地，步骤s102包括以下至少一项：

步骤s1021(图中未示出)，将提取得到的图像特征输入至全局平均池化网络得到关键帧图像的固定长度的图像特征向量；

对于本实施例，全连接网络一直是cnn(convolutionalneuralnetworks，卷积神经网络)分类网络的标配结构，一般在全连接网络层后会有激活函数来做分类，全连接网络将最后一层卷积得到的featuremapstretch成向量，然后可以通过softmax层中得到对应的每个类别的得分，全连接网络的缺陷在于：参数量太大，易造成过拟合。全连接层将卷积层展开成向量之后仍需针对每个featuremap进行分类，而全局平均池化(globalaveragepooling，gap)的思路就是将上述两个过程合二为一，从而能减少参数量，防止过拟合，此外，全局平均池化可以实现任意图像大小的输入。

示例性的，关键帧图像的图像特征为c个w*h的featuremap，全局平均池化pooling的滑窗size和整张featuremap的size一样大，从而可以在一个featuremap的维度上做均值，将w*h*c的featuremap输入转化为1*1*c输出，继而得到固定长度的特向向量。

步骤s1022(图中未示出)，将提取得到的图像特征输入至vlad池化网络得到关键帧图像的固定长度的图像特征向量。

对于本实施例，vlad(vectoroflocallyaggregateddescriptors，局部聚合向量)算法可以对图像特征进行集聚，vlad网络(如netvlad)是一种基于vlad的新的池化方法，通过vlad池化网络可以对输入的关键帧图像的图像特征进行处理从而得到固定长度的图像特征向量。

对于本实施例，通过全局平均池化网络和/或vlad池化网络，对输入的图像特征进行处理，从而得到固定长度的图像特征向量，为后续对关键图像的低俗检测的分类预测提供了基础。

本申请实施例提供了一种可能的实现方式，具体地，步骤s1022包括：

步骤s10221(图中未示出)，对多个图像特征进行聚类处理，得到多个聚类中心；

示例性的，假设有n个d维的图像特征，可以采用k-means聚类算法对n个d维的图像特征进行聚类处理，得到k个聚类中心。

步骤s10222(图中未示出)，计算确定各个图像特征的特征值分别与其对应的聚类中心特征值的残差值，并针对任一聚类中心对该聚类中心与对应的各个图像特征之间的残差值进行求和得到残差值的和；

接上例，任一图像特征对应有一个特征值，其中，该特征值可以是以向量进行表示的，如任一图像特征的特征值是一个d维的向量，计算各个图像特征的特征值与其对应的聚类中心的特征值的残差值，并针对任一聚类中心对应的各个残差值进行求和，得到任一聚类中心的残差值的和，从而得到k个残差和，也可以是k个d维的残差向量。

步骤s10223(图中未示出)，基于得到的各个聚类中心分别对应的残差值的和来确定关键帧图像的固定长度的图像特征向量。

接上例，基于得到的k个d维的残差向量合成一个k*d的一维向量，从而得到一个固定长度的图像特征向量。其中，还可以对得到的固定长度的图像特征向量进行归一化处理，如进行幂律归一化与l2范数归一化。

对于本实施例，通过对图像特征进行聚类处理得到多个聚类中心，并计算各个聚类中心的残差和，从而能够根据输入的图像特征得到固定长度的图像特征向量，为后续对关键帧图像的是否低俗的分类预测提供了基础。

本申请实施例提供了一种可能的实现方式，进一步地，该方法还包括：

步骤s105(图中未示出)，对待检测视频进行解码处理得到多个视频帧图像；

对于本实施例，通过相应的视频解码技术对待检测视频进行解码处理得到多个视频帧图像。

步骤s106(图中未示出)，基于各个视频帧图像的图像特征对多个视频帧图像进行聚类处理，得到至少一个聚类分组；

对于本实施例，基于各个视频帧图像的图像特征，可以通过层次聚类算法和/或k-means聚类方法对多个视频帧图像进行聚类处理，得到至少一个聚类分组。

步骤s107(图中未示出)，从各个聚类分组中分别确定一个视频帧图像作为关键帧图像。

具体地，针对其中一个聚类分组，可以确定与聚类中心距离最近的视频帧图像作为关键帧图像，也可以确定与聚类中心距离较近的多个视频帧图像作为关键帧图像，从而可以从各个聚类分组中确定出关键帧图像；其中，该距离可以是计算的欧式距离或通过其他方法得到的。

对于本申请实施例，对待检测视频的多个视频帧图像进行聚类处理，并从得到的聚类分组中确定出关键帧图像，从而解决了待检测视频的关键帧图像的确定问题。

本申请实施例提供了一种可能的实现方式，具体地，步骤s104包括：

步骤s1041(图中未示出)，分别确定多个关键帧图像的低俗检测结果；

步骤s1042(图中未示出)，对多个关键帧图像的低俗检测结果进行加权融合处理，基于加权融合处理的结果确定待检测视频的低俗检测结果。

具体地，可以对各个关键帧图像的低俗检测结果进行加权平均计算，然后根据加权平均计算后的结果确定待检测视频的低俗检测结果，如，可以预设定待检测视频是否低俗的判断阈值，当加权平均计算后的结果大于预设定的阈值时，确定待检测视频为低俗视频。

对于本申请实施例，根据多个关键帧图像的低俗检测结果确定待检测视频的低俗检测结果，与仅根据一个关键帧图像确定待检测视频的低俗检测结果相比，能够提高待检测视频的低俗检测的准确率。

图2为本申请实施例提供的一种视频检测装置，该装置20包括：提取模块201、特征处理模块202、检测模块203、第一确定模块204及识别结果获取模块205；

提取模块201，用于通过特征提取网络提取待检测视频中的关键帧图像的图像特征；

特征处理模块202，用于通过池化网络对提取模块201提取得到的图像特征进行处理得到关键帧图像的固定长度的图像特征向量；

检测模块203，用于将特征处理模块202处理得到的固定长度的图像特征向量输入至分类网络得到关键帧图像的低俗检测结果；

第一确定模块204，用于基于检测模块203检测得到的关键帧图像的低俗检测结果确定待检测视频的低俗检测结果。

本申请实施例提供了一种视频检测装置，与现有技术通过人工方式进行视频的低俗检测相比，本申请实施例通过特征提取网络提取待检测视频中的关键帧图像的图像特征，然后通过池化网络对提取得到的图像特征进行处理得到关键帧图像的固定长度的图像特征向量，并将得到的固定长度的图像特征向量输入至分类网络得到关键帧图像的低俗检测结果，继而基于关键帧图像的低俗检测结果确定待检测视频的低俗检测结果，即基于提取的待检测视频中的关键帧图像的图像特征，确定关键帧图像的低俗检测结果，继而根据关键帧图像的低俗检测结果确定待检测视频的低俗检测结果，从而实现了待检测视频是否为低俗视频的自动检测，与此同时，降低了待检测视频的检测成本。

本实施例的视频检测装置可执行本申请上述实施例中提供的一种视频检测方法，其实现原理相类似，此处不再赘述。

本申请实施例提供了另一种视频检测装置，如图3所示，本实施例的装置30包括：提取模块301、特征处理模块302、检测模块303及第一确定模块304；

提取模块301，用于通过特征提取网络提取待检测视频中的关键帧图像的图像特征；

其中，图3中的提取模块301与图2中的提取模块201的功能相同或者相似。

特征处理模块302，用于通过池化网络对提取模块301提取得到的图像特征进行处理得到关键帧图像的固定长度的图像特征向量；

其中，图3中的特征处理模块302与图2中的特征处理模块202的功能相同或者相似。

检测模块303，用于将特征处理模块302处理得到的固定长度的图像特征向量输入至分类网络得到关键帧图像的低俗检测结果；

其中，图3中的检测模块303与图2中的检测模块203的功能相同或者相似。

第一确定模块304，用于基于检测模块303检测得到的关键帧图像的低俗检测结果确定待检测视频的低俗检测结果。

其中，图3中的第一确定模块304与图2中的第一确定模块204的功能相同或者相似。

本申请实施例提供了一种可能的实现方式，具体地，特征处理模块302，用于将提取得到的图像特征输入至全局平均池化网络得到关键帧图像的固定长度的图像特征向量；和或，用于将提取得到的图像特征输入至vlad池化网络得到关键帧图像的固定长度的图像特征向量。

对于本实施例，通过全局平均池化网络和/或vlad池化网络，对输入的图像特征进行处理，从而得到固定长度的图像特征向量，为后续对关键图像的低俗检测的分类预测提供了基础。

本申请实施例提供了一种可能的实现方式，具体地，特征处理模块302包括：聚类处理单元3021、计算单元3022及第一确定单元3023；

聚类处理单元3021，用于对多个图像特征进行聚类处理，得到多个聚类中心；

计算单元3022，用于计算确定各个图像特征的特征值分别与其对应的聚类处理单元3021确定的聚类中心特征值的残差值，并针对任一聚类中心对该聚类中心与对应的各个图像特征之间的残差值进行求和得到残差值的和；

第一确定单元3023，用于基于计算单元3022计算得到的各个聚类中心分别对应的残差值的和来确定关键帧图像的图像特征向量。

对于本实施例，通过对图像特征进行聚类处理得到多个聚类中心，并计算各个聚类中心的残差和，从而能够根据输入的图像特征得到固定长度的图像特征向量，为后续对关键帧图像的是否低俗的分类预测提供了基础。

本申请实施例提供了一种可能的实现方式，进一步地，该装置还包括：解码模块305、聚类模块306、第二确定模块307；

解码模块305，用于对待检测视频进行解码处理得到多个视频帧图像；

聚类模块306，用于基于解码模块305解码得到的各个视频帧图像的图像特征对多个视频帧图像进行聚类处理，得到至少一个聚类分组；

第二确定模块307，用于从聚类模块306聚类处理得到的各个聚类分组中分别确定一个视频帧图像作为关键帧图像。

对于本申请实施例，对待检测视频的多个视频帧图像进行聚类处理，并从得到的聚类分组中确定出关键帧图像，从而解决了待检测视频的关键帧图像的确定问题。

本申请实施例提供了一种可能的实现方式，具体地，第一确定模块304包括：第二确定单元3041及第三确定单元3042；

第二确定单元3041，用于分别确定多个关键帧图像的低俗检测结果；

第三确定单元3042，用于对第二确定单元3041确定的多个关键帧图像的低俗检测结果进行加权融合处理，基于加权融合处理的结果确定待检测视频的低俗检测结果。

对于本申请实施例，根据多个关键帧图像的低俗检测结果确定待检测视频的低俗检测结果，与仅根据一个关键帧图像确定待检测视频的低俗检测结果相比，能够提高待检测视频的低俗检测的准确率。

对于本申请实施例，提供了一种视频检测装置，与现有技术通过人工方式进行视频的低俗检测相比，本申请实施例通过特征提取网络提取待检测视频中的关键帧图像的图像特征，然后通过池化网络对提取得到的图像特征进行处理得到关键帧图像的固定长度的图像特征向量，并将得到的固定长度的图像特征向量输入至分类网络得到关键帧图像的低俗检测结果，继而基于关键帧图像的低俗检测结果确定待检测视频的低俗检测结果，即基于提取的待检测视频中的关键帧图像的图像特征，确定关键帧图像的低俗检测结果，继而根据关键帧图像的低俗检测结果确定待检测视频的低俗检测结果，从而实现了待检测视频是否为低俗视频的自动检测，与此同时，降低了待检测视频的检测成本。

本申请实施例提供了一种视频检测装置适用于上述方法实施例。在此不再赘述。

本申请实施例提供了一种电子设备，如图4所示，图4所示的电子设备40包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。进一步地，电子设备40还可以包括收发器4004。需要说明的是，实际应用中收发器4004不限于一个，该电子设备400的结构并不构成对本申请实施例的限定。

其中，处理器4001应用于本申请实施例中，用于实现图2或图3所示的提取模块、特征处理模块、检测模块以及第一确定模块功能，以及图3所示的解码模块、聚类模块及第二确定模块的功能。收发器4004包括接收机和发射机。

处理器4001可以是cpu，通用处理器，dsp，asic，fpga或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。

总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是pci总线或eisa总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器4003可以是rom或可存储静态信息和指令的其他类型的静态存储设备，ram或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom、cd-rom或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器4003用于存储执行本申请方案的应用程序代码，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码，以实现图2或图3所示实施例提供的视频检测装置的功能。

本申请实施例提供了一种电子设备，与现有技术通过人工方式进行视频的低俗检测相比，本申请实施例通过特征提取网络提取待检测视频中的关键帧图像的图像特征，然后通过池化网络对提取得到的图像特征进行处理得到关键帧图像的固定长度的图像特征向量，并将得到的固定长度的图像特征向量输入至分类网络得到关键帧图像的低俗检测结果，继而基于关键帧图像的低俗检测结果确定待检测视频的低俗检测结果，即基于提取的待检测视频中的关键帧图像的图像特征，确定关键帧图像的低俗检测结果，继而根据关键帧图像的低俗检测结果确定待检测视频的低俗检测结果，从而实现了待检测视频是否为低俗视频的自动检测，与此同时，降低了待检测视频的检测成本。

本申请实施例提供了一种电子设备适用于上述方法实施例。在此不再赘述。

本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例中所示的视频检测方法。

本申请实施例提供了一种计算机可读存储介质，与现有技术通过人工方式进行视频的低俗检测相比，本申请实施例通过特征提取网络提取待检测视频中的关键帧图像的图像特征，然后通过池化网络对提取得到的图像特征进行处理得到关键帧图像的固定长度的图像特征向量，并将得到的固定长度的图像特征向量输入至分类网络得到关键帧图像的低俗检测结果，继而基于关键帧图像的低俗检测结果确定待检测视频的低俗检测结果，即基于提取的待检测视频中的关键帧图像的图像特征，确定关键帧图像的低俗检测结果，继而根据关键帧图像的低俗检测结果确定待检测视频的低俗检测结果，从而实现了待检测视频是否为低俗视频的自动检测，与此同时，降低了待检测视频的检测成本。

本申请实施例提供了一种计算机可读存储介质适用于上述方法实施例。在此不再赘述。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。