]本实施例中，首先对用户需要搜索的视频源文件进行分解转化，将整个视频源文件分解为每一视频帧，这样，由于每一视频帧均为图片格式的数据，更加方便后续进行比对。同时，每一视频帧均对应有一时间刻度即时间点，将每一视频帧对应的时间点进行记录，并将每一视频帧及其对应的时间点进行缓存。
[0051]步骤S20，根据预设的搜索特征对每一视频帧进行比对，获取包含所述搜索特征的所有视频帧对应的时间点集合；
[0052]将缓存中的每一视频帧与预设的搜索特征进行比对，其中，预设的搜索特征可以是接收的用户输入的搜索特征，也可以是用户预先设定的搜索特征，而搜索特征是用户需要截取的视频片段中必须包含的特征，该搜索特征可以是用户需要搜索的文字信息、声音信息或图片信息，也可以为其他特征信息。根据比对结果将包含所述搜索特征的视频帧作为符合用户搜索要求的视频帧，并获取由每一包含所述搜索特征的视频帧对应的时间点组成的时间点集合。
[0053]需要说明的是，本实施例中用于比对的搜索特征既可以是文字信息、声音信息、图片信息中的一种信息，也可以是文字信息、声音信息、图片信息中的多种信息。当用户输入文字信息、声音信息、图片信息中的一种信息作为搜索特征时，只要视频帧中包含了用户输入的一种信息，则将该视频帧作为符合用户搜索要求的视频帧；而当用户同时输入多种搜索特征如同时输入了文字信息、声音信息和图片信息时，只有当视频帧包含用户输入的所有搜索特征如同时包含有用户输入的文字信息、声音信息和图片信息时，才将该视频帧作为符合用户搜索要求的视频帧，否则，将该视频帧作为不符合用户搜索要求的视频帧，过滤丢弃。其中，用户输入的声音信息可以是声音片段、录音文件等，图片信息可以是人脸截图、地点或场景截图等。
[0054]步骤S30，基于预设条件将所述时间点集合划分为若干时间段，根据划分的若干时间段在所述视频源文件中截取对应的视频片段。
[0055]按照预设条件对所述时间点集合进行分析筛选，如通过设置所述时间点集合中相邻时间点之差、相邻时间点的数量等参数阈值的方式来划分若干具有开始、结束区间的时间段，然后，根据划分的若干时间段在所述视频源文件中截取对应的视频片段。由于划分的每一时间段中均包含有与符合所述搜索特征的视频帧对应的时间点，因此，根据划分的若干时间段在所述视频源文件中截取的视频片段中均包含有符合所述搜索特征的视频帧，BP在所述视频源文件中截取的视频片段均包含所述搜索特征，符合用户的搜索要求。
[0056]本实施例通过将视频源文件中每一帧视频的时间点进行记录，并将每一帧视频与预设的搜索特征进行比对，获取包含所述搜索特征的所有帧视频对应的时间点集合，再按照预设条件将所述时间点集合划分为若干时间段，即可在所述视频源文件中搜索截取所有包含所述搜索特征的视频片段，由于无需用户手动进行截取操作，且对视频源文件中每一帧视频均进行了比对操作，能简单快速且准确的搜索截取包含用户设定的搜索特征的视频片段。
[0057]进一步地，如图3所示，上述步骤S30可以包括:
[0058]步骤S301，将所述时间点集合中相邻时间点之差小于第一预设值的时间点划分至同一时间段，将所述时间点集合中相邻时间点之差大于第一预设值的时间点划分至不同的时间段；
[0059]步骤S302，将每一时间段中的最小时间点作为起始点，每一时间段中的最大时间点作为结束点在所述视频源文件中截取所述起始点与结束点之间对应的视频片段。
[0060]在对所述时间点集合进行分析筛选时，可将所述时间点集合中的所有时间点按先后顺序进行排序，通过将所述时间点集合中相邻时间点之差小于第一预设值的时间点划分至同一时间段，将所述时间点集合中相邻时间点之差大于第一预设值的时间点划分至不同的时间段来将所述时间点集合划分为若干时间段。
[0061]如从所述时间点集合中首个时间点也即最小时间点开始，选定首个时间点为开始点，依次用后面一个时间点减去前面的时间点，若前后相邻时间点之间的时间差值小于第一预设值nl，则继续用后一时间点进行时间差值的比较，若前后相邻时间点之间的时间差值大于第一预设值nl，则将当前时间点标记为结束点，将首个时间点、当前时间点及两者中间的时间点均划分至同一时间段。然后将当前时间点的后面一个时间点标记为另一时间段的开始点，再用另一时间段开始点的后一时间点进行时间差值比较，依次类推比较，可将所述时间点集合划分为若干不同的时间段。
[0062]将每一时间段中的最小时间点作为起始点，每一时间段中的最大时间点作为结束点即可在所述视频源文件中截取所述起始点与结束点之间对应的视频片段。本实施例中，通过将所述时间点集合中相邻时间点之差与第一预设值进行比较的方式来划分若干具有开始、结束区间的时间段，使得最终根据不同时间段对应截取的视频片段中将相邻的符合用户搜索要求的视频帧包含在同一视频片段中，将时间间隔过大的符合用户搜索要求的视频帧划入不同的视频片段，更加有效地对视频源文件进行搜索截取，提升了截取的视频片段的可观看性。
[0063]进一步地，在其他实施例中，在上述步骤S30中，还可将若干时间段中最大时间点与最小时间点之间的差值小于第二预设值的时间段删除。
[0064]将所述时间点集合划分为若干时间段之后，进一步地，还可对划分的时间段进行筛选，将若干时间段中最大时间点与最小时间点之间的差值小于第二预设值n2的时间段删除，这样，能将只包含少量视频帧的时间段过滤掉，避免最终截取的视频片段时长过短，产生无意义的视频片段，提高了视频截取的效率。
[0065]进一步地，在其他实施例中，上述步骤S20可以包括:
[0066]基于尺度不变特征转换算法，并根据预设的搜索特征对每一视频帧进行比对，获取由每一包含所述搜索特征的视频帧对应的时间点组成的时间点集合。
[0067]本实施例中，在接收到预设的搜索特征如文字信息、声音信息或图片信息后，利用尺度不变特征转换(Scale-1nvariant feature transform，简称SIFT)算法来对分解的每一视频帧进行比对，获取由每一包含所述搜索特征的视频帧对应的时间点组成的时间点集合。其中，当用户同时输入多种搜索特征如同时输入了文字信息、声音信息和图片信息时，只有当视频帧包含用户输入的所有搜索特征如同时包含有用户输入的文字信息、声音信息和图片信息时，才将该视频帧作为符合用户搜索要求的视频帧，否则，将该视频帧作为不符合用户搜索要求的视频帧，过滤丢弃。
[0068]本实施例中对分解的每一视频帧进行比对所用的SIFT算法是一种电脑视觉的算法，用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。局部影像特征的描述与侦测可以帮助辨识物体，SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易擷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。
[0069]SIFT算法的实质是在不同的尺度空间上查找关键点，并计算出关键点的方向。SIFT所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。
[0070]SIFT算法具体可分解为如下四步:
[0071]1、尺度空间极值检测:搜索所有尺度上的图像位置。通