用于标记视频片段的方法及装置与流程

本申请实施例涉及计算机技术领域，具体涉及用于标记视频片段的方法及装置。

背景技术：

视频通常可以综合了图像信息和音频信息等信息，成为用户获取信息的重要信息载体。视频网站可以向用户提供海量的多种类型或内容的视频，使得用户通过视频同时获取到多种图像和音频等信息，提高了用户获取信息的有效性，有利于视频的传播。

技术实现要素：

本申请实施例提出了用于标记视频片段的方法及装置。

第一方面，本申请实施例提供了一种用于标记视频片段的方法，该方法包括：从待标记视频中获取视频特征信息序列，其中，上述视频特征信息用于表征上述待标记视频的图像特征和音频特征；将上述视频特征信息序列内相邻的设定数量的视频特征信息分组，得到视频特征片段序列；对于上述视频特征片段序列中的视频特征片段，将该视频特征片段导入预先训练的视频标记模型，得到对应该视频特征片段的标识信息，上述视频标记模型用于匹配与视频特征片段对应的标识信息，标识信息用于表征视频特征片段处于事件的开始状态、中间状态或终止状态；响应于得到对应上述视频特征片段序列的标识信息序列，通过上述标识信息序列中的标识信息对上述待标记视频的视频片段进行标记。

在一些实施例中，上述从待标记视频中获取视频特征信息序列，包括：间隔设定图像帧，分别从上述待标记视频中提取图像序列和对应图像序列的音频信息序列；建立图像信息序列中的图像和音频信息序列中对应图像的音频信息之间的对应关系，得到视频特征信息序列。

在一些实施例中，上述视频标记模型通过以下步骤训练得到：获取多个样本视频特征片段和对应上述多个样本视频特征片段中每个样本视频特征片段的样本标识信息；将上述多个样本视频特征片段中每个样本视频特征片段作为输入，将上述多个样本视频特征片段中每个样本视频特征片段所对应的样本标识信息作为输出，训练得到视频标记模型。

在一些实施例中，上述将上述多个样本视频特征片段中每个样本视频特征片段作为输入，将上述多个样本视频特征片段中每个样本视频特征片段所对应的样本标识信息作为输出，训练得到视频标记模型，包括：执行以下训练步骤：将上述多个样本视频特征片段中每个样本视频特征片段依次输入至初始化视频标记模型，得到上述多个样本视频特征片段中每个样本视频特征片段所对应的预测标识信息，将上述多个样本视频特征片段中每个样本视频特征片段所对应的预测标识信息与该样本视频特征片段所对应的样本标识信息进行比较，得到上述初始化视频标记模型的预测准确率，确定上述预测准确率是否大于预设准确率阈值，若大于上述预设准确率阈值，则将上述初始化视频标记模型作为训练完成的视频标记模型。

在一些实施例中，上述将上述多个样本视频特征片段中每个样本视频特征片段作为输入，将上述多个样本视频特征片段中每个样本视频特征片段所对应的样本标识信息作为输出，训练得到视频标记模型，还包括：响应于不大于上述预设准确率阈值，调整上述初始化视频标记模型的参数，并继续执行上述训练步骤。

在一些实施例中，上述将上述多个样本视频特征片段中每个样本视频特征片段依次输入至初始化视频标记模型，得到上述多个样本视频特征片段中每个样本视频特征片段所对应的预测标识信息，包括：对于上述样本视频特征片段包含的图像和对应该图像的音频信息，对该图像的图像进行图像识别，得到对应该图像的图像内容信息，对该音频信息进行音频识别，得到对应该音频信息的音频内容信息；响应于图像内容信息序列中存在相邻两帧图像的图像内容信息不同，且音频内容信息序列中存在对应该相邻两帧图像的音频内容信息不同，确定样本视频特征片段的预测标识信息为事件的开始状态或终止状态。

在一些实施例中，上述确定样本视频特征片段的预测标识信息为事件的开始状态或终止状态，包括：响应于上述相邻两帧图像中前一帧图像的图像内容信息包括指定图像内容，与该前一帧图像对应的音频内容信息包括指定音频内容，且后一帧图像不包括上述指定图像内容，与该后一帧图像对应的音频内容信息不包括指定音频内容，则设置样本视频特征片段的预测标识信息为事件的终止状态。

在一些实施例中，上述确定样本视频特征片段的预测标识信息为事件的开始状态或终止状态，包括：响应于上述相邻两帧图像中后一帧图像的图像内容信息包括指定图像内容，与该后一帧图像对应的音频内容信息包括指定音频内容，且前一帧图像不包括上述指定图像内容，与该前一帧图像对应的音频内容信息不包括指定音频内容，则设置样本视频特征片段的预测标识信息为事件的开始状态。

在一些实施例中，上述通过上述标识信息序列中的标识信息对上述待标记视频的视频片段进行标记，包括：对于上述标识信息序列中的标识信息，当该标识信息为开始状态时，将该标识信息与该标识信息后的下一个为终止状态的标识信息之间的标识信息所对应的视频特征片段标记为目标视频片段。

第二方面，本申请实施例提供了一种用于标记视频片段的装置，该装置包括：视频特征信息序列获取单元，被配置成从待标记视频中获取视频特征信息序列，其中，上述视频特征信息用于表征上述待标记视频的图像特征和音频特征；视频特征片段序列获取单元，被配置成将上述视频特征信息序列内相邻的设定数量的视频特征信息分组，得到视频特征片段序列；标识信息获取单元，对于上述视频特征片段序列中的视频特征片段，被配置成将该视频特征片段导入预先训练的视频标记模型，得到对应该视频特征片段的标识信息，上述视频标记模型用于匹配与视频特征片段对应的标识信息，标识信息用于表征视频特征片段处于事件的开始状态、中间状态或终止状态；标记单元，响应于得到对应上述视频特征片段序列的标识信息序列，被配置成通过上述标识信息序列中的标识信息对上述待标记视频的视频片段进行标记。

在一些实施例中，上述视频特征信息序列获取单元包括：信息提取子单元，被配置成间隔设定图像帧，分别从上述待标记视频中提取图像序列和对应图像序列的音频信息序列；视频特征信息序列获取子单元，被配置成建立图像信息序列中的图像和音频信息序列中对应图像的音频信息之间的对应关系，得到视频特征信息序列。

在一些实施例中，上述装置还包括视频标记模型训练单元，被配置成训练视频标记模型，上述视频标记模型训练单元包括：样本获取子单元，被配置成获取多个样本视频特征片段和对应上述多个样本视频特征片段中每个样本视频特征片段的样本标识信息；视频标记模型训练子单元，被配置成将上述多个样本视频特征片段中每个样本视频特征片段作为输入，将上述多个样本视频特征片段中每个样本视频特征片段所对应的样本标识信息作为输出，训练得到视频标记模型。

在一些实施例中，上述视频标记模型训练子单元包括：视频标记模型训练模块，被配置成将上述多个样本视频特征片段中每个样本视频特征片段依次输入至初始化视频标记模型，得到上述多个样本视频特征片段中每个样本视频特征片段所对应的预测标识信息，将上述多个样本视频特征片段中每个样本视频特征片段所对应的预测标识信息与该样本视频特征片段所对应的样本标识信息进行比较，得到上述初始化视频标记模型的预测准确率，确定上述预测准确率是否大于预设准确率阈值，若大于上述预设准确率阈值，则将上述初始化视频标记模型作为训练完成的视频标记模型。

在一些实施例中，上述视频标记模型训练子单元还包括：参数调整模块，响应于不大于上述预设准确率阈值，被配置成调整上述初始化视频标记模型的参数，并继续执行上述训练步骤。

在一些实施例中，上述视频标记模型训练模块包括：内容信息获取子模块，对于上述样本视频特征片段包含的图像和对应该图像的音频信息，被配置成对该图像的图像进行图像识别，得到对应该图像的图像内容信息，对该音频信息进行音频识别，得到对应该音频信息的音频内容信息；预测标识信息设置子模块，响应于图像内容信息序列中存在相邻两帧图像的图像内容信息不同，且音频内容信息序列中存在对应该相邻两帧图像的音频内容信息不同，被配置成确定样本视频特征片段的预测标识信息为事件的开始状态或终止状态。

在一些实施例中，上述预测标识信息设置子模块包括：第一预测标识信息设置模组，响应于上述相邻两帧图像中前一帧图像的图像内容信息包括指定图像内容，与该前一帧图像对应的音频内容信息包括指定音频内容，且后一帧图像不包括上述指定图像内容，与该后一帧图像对应的音频内容信息不包括指定音频内容，被配置成设置样本视频特征片段的预测标识信息为事件的终止状态。

在一些实施例中，上述预测标识信息设置子模块包括：第二预测标识信息设置模组，响应于上述相邻两帧图像中后一帧图像的图像内容信息包括指定图像内容，与该后一帧图像对应的音频内容信息包括指定音频内容，且前一帧图像不包括上述指定图像内容，与该前一帧图像对应的音频内容信息不包括指定音频内容，被配置成设置样本视频特征片段的预测标识信息为事件的开始状态。

在一些实施例中，上述标记单元包括：标记子单元，对于上述标识信息序列中的标识信息，被配置成在该标识信息为开始状态时，将该标识信息与该标识信息后的下一个为终止状态的标识信息之间的标识信息所对应的视频特征片段标记为目标视频片段。

第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储器，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器执行上述第一方面的用于标记视频片段的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述第一方面的用于标记视频片段的方法。

本申请实施例提供的用于标记视频片段的方法及装置，首先从待标记视频中获取视频特征信息序列；然后将上述视频特征信息序列内相邻的设定数量的视频特征分组，得到视频特征片段序列；之后，将该视频特征片段导入预先训练的视频标记模型，得到对应该视频特征片段的标识信息；最后，通过上述标识信息序列中相邻的标识信息对上述待标记视频的视频片段进行标记。如此，提高了对视频片段标记的效率和准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于标记视频片段的方法的一个实施例的流程图；

图3是根据本申请的用于标记视频片段的方法的一个应用场景的示意图；

图4是根据本申请的视频标记模型训练方法的一个实施例的流程图；

图5是根据本申请的用于标记视频片段的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的用于标记视频片段的方法或用于标记视频片段的装置的示例性系统架构100。

如图1所示，系统架构100可以包括视频服务器101、102、103，网络104和视频标记服务器105。网络104用以在视频服务器101、102、103和视频标记服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

视频服务器101、102、103通过网络104与视频标记服务器105交互，以接收或发送消息等。视频服务器101、102、103上可以安装有各种视频应用，例如视频分类应用、视频播放应用、视频搜索应用、视频筛选应用、视频推荐应用等。

视频服务器101、102、103可以是硬件，也可以是软件。当视频服务器101、102、103为硬件时，可以是具有显示屏并且支持视频播放的各种电子设备，包括但不限于平板电脑、膝上型便携计算机和台式计算机等等。当视频服务器101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。

视频标记服务器105可以是提供各种服务的服务器，例如对视频服务器101、102、103上的视频进行标记的服务器。视频标记服务器105可以对接收到的待标记视频等数据进行分析等处理，以对待标记视频中的视频片段进行标记。

需要说明的是，本申请实施例所提供的用于标记视频片段的方法一般由视频标记服务器105执行，相应地，用于标记视频片段的装置一般设置于视频标记服务器105中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。

应该理解，图1中的视频服务器、网络和视频标记服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的视频服务器、网络和视频标记服务器。

继续参考图2，示出了根据本申请的用于标记视频片段的方法的一个实施例的流程200。该用于标记视频片段的方法包括以下步骤：

步骤201，从待标记视频中获取视频特征信息序列。

在本实施例中，用于标记视频片段的方法的执行主体(例如图1所示的视频标记服务器105)可以通过有线连接方式或者无线连接方式从视频服务器获取待标记视频。其中，待标记视频可以与体育、演唱会、跳舞、篮球、足球等相关的视频，还可以是其他类型的视频，此处不再一一赘述。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。

为了推广视频，现有视频网站的技术人员可以提取视频的特定视频片段(例如可以是整个视频中的唱歌片段或跳舞片段等)，并将该视频片段作为该视频的精彩片段展示在视频浏览页面，以便用户根据精彩片段选择视频。如此，既可以展示视频的精彩内容，也有利于用户对视频的有效获取。现有方法通常需要技术人员手动标记这些视频片段，导致标记视频片段的效率不高，且容易出现标记不准确的情况。

为此，本申请的执行主体在从视频服务器101、102、103上获取到待标记视频后，可以从待标记视频中获取视频特征信息序列。其中，上述视频特征信息可以用于表征上述待标记视频的图像特征和音频特征。图像特征可以是图像包含的内容(例如可以是人物、跳舞等)；音频特征可以是音频中特定的音频信息(例如可以是歌声、鼓声等)。

在本实施例的一些可选的实现方式中，上述从待标记视频中获取视频特征信息序列，可以包括以下步骤：

第一步，间隔设定图像帧，分别从上述待标记视频中提取图像序列和对应图像序列的音频信息序列。

视频可以是由时间上先后关联图像及对应的音频信息组成。通常，视频包含的图像很多。为了快速对视频片段进行标记，本申请执行主体可以间隔设定图像帧，分别从待标记视频中提取图像序列。同理，执行主体还可以从待标记视频的音频信息中提取对应图像序列的音频信息序列。即图像序列和音频信息序列是按照相同的频率或同一时间得到的，图像序列内的图像和音频信息序列内的音频信息具有一一对应关系。

第二步，建立图像信息序列中的图像和音频信息序列中对应图像的音频信息之间的对应关系，得到视频特征信息序列。

由上述描述可知，图像序列内的图像和音频信息序列内的音频信息具有一一对应关系。执行主体可以建立图像信息序列中的图像和音频信息序列中对应图像的音频信息之间的对应关系。即图像信息序列中的每张图像都有在音频信息序列中的与该图像对应的音频信息。执行主体可以将建立了对应关系后的图像和音频信息组合成视频特征信息序列。即视频特征信息序列可以看作是间隔设定时间或频率提取到的视频信息。视频特征

步骤202，将上述视频特征信息序列内相邻的设定数量的视频特征信息分组，得到视频特征片段序列。

视频特征信息序列内的每条视频特征信息通常包含了很短时间内的视频信息。为了提高标记视频片段的准确率和效率，执行主体可以将视频特征信息序列内相邻的设定数量的视频特征信息分组，得到视频特征片段序列。例如，执行主体可以将视频特征信息序列内相邻的5条视频特征信息作为一个组，将视频特征信息序列划分得到视频特征片段序列。

步骤203，对于上述视频特征片段序列中的视频特征片段，将该视频特征片段导入预先训练的视频标记模型，得到对应该视频特征片段的标识信息。

得到视频特征片段序列后，执行主体可以将视频特征片段序列中的视频特征片段导入预先训练的视频标记模型，得到对应该视频特征片段的标识信息。其中，视频标记模型可以用于匹配与视频特征片段对应的标识信息。标识信息可以用于表征视频特征片段处于事件的开始状态、中间状态或终止状态。此处，事件可以认为是精彩视频或其他内容的视频。例如，待标记视频为一部电影，则事件可以是该待标记视频中的飙车视频、打斗视频等。对于不同的待标记视频，事件可以是不同内容的视频。

在本实施例的一些可选的实现方式中，上述视频标记模型通过以下步骤训练得到：

第一步，获取多个样本视频特征片段和对应上述多个样本视频特征片段中每个样本视频特征片段的样本标识信息。

为了通过视频标记模型快速获取视频特征片段的标识信息，执行主体可以首先获取多个样本视频特征片段和对应上述多个样本视频特征片段中每个样本视频特征片段的样本标识信息。其中，样本标识信息可以是技术人员根据经验对样本视频特征片段设置的。

第二步，将上述多个样本视频特征片段中每个样本视频特征片段作为输入，将上述多个样本视频特征片段中每个样本视频特征片段所对应的样本标识信息作为输出，训练得到视频标记模型。

执行主体可以通过多种智能算法(例如可以是深度学习网络、神经网络等)，将上述多个样本视频特征片段中每个样本视频特征片段作为输入，将上述多个样本视频特征片段中每个样本视频特征片段所对应的样本标识信息作为输出，训练得到视频标记模型。

步骤204，响应于得到对应上述视频特征片段序列的标识信息序列，通过上述标识信息序列中的标识信息对上述待标记视频的视频片段进行标记。

视频特征片段序列中的视频特征片段都可以得到对应的标识信息。这些标识信息按照视频特征片段在视频特征片段序列中的顺序进行排列，可以得到标识信息序列。之后，执行主体可以通过标识信息对待标记视频的视频片段进行标记，进而得到对应事件的视频。

在本实施例的一些可选的实现方式中，上述通过上述标识信息序列中的标识信息对上述待标记视频的视频片段进行标记，可以包括：

对于上述标识信息序列中的标识信息，当该标识信息为开始状态时，将该标识信息与该标识信息后的下一个为终止状态的标识信息之间的标识信息所对应的视频特征片段标记为目标视频片段。

视频标记模型用于匹配与视频特征片段对应的标识信息，标识信息用于标识视频特征片段处于事件的开始状态、中间状态或终止状态。通常，待标记视频中的事件都是从开始状态、中间状态到最后的终止状态的一个完整的过程。即标识信息序列中的标识信息包含了至少一组开始状态的标识信息和终止状态的标识信息。事件的开始时间和终止时间通常很短，过程时间通常要比开始状态和终止状态的时间长。因此，一组开始状态的标识信息和终止状态的标识信息之间通常包含多个连续的中间状态的标识信息。执行主体该标识信息为开始状态时，且该标识信息与该标识信息后的下一个为终止状态的标识信息之间的标识信息所对应的视频特征片段标记为目标视频片段。标记视频片段后，执行主体可以将目标视频片段或目标视频片段的相关信息(例如可以是：目标视频片段在待标记视频中的时间信息)发送给对应的视频服务器。视频服务器可以根据目标视频片段或目标视频片段的相关信息为待标记视频设置展示信息，以通过展示信息向用户展示该待标记视频的精彩片段。其中，展示信息可以是目标视频片段，也可以是从目标视频片段中截取的部分视频，具体根据实际需要而定。

继续参见图3，图3是根据本实施例的用于标记视频片段的方法的应用场景的一个示意图。在图3的应用场景中，视频标记服务器105通过网络104从视频服务器103获取到待标记视频：a视频。之后，视频标记服务器105从a视频获取视频特征信息序列。并将视频特征信息序列内相邻的设定数量的视频特征信息分组，得到视频特征片段序列。对于上述视频特征片段序列中的视频特征片段，视频标记服务器105将该视频特征片段导入视频标记模型，得到对应该视频特征片段的标识信息。响应于得到对应视频特征片段序列的标识信息序列，视频标记服务器105通过标识信息序列中的标识信息对待标记视频的视频片段进行标记，得到a视频中与事件对应的视频片段。

本申请的上述实施例提供的方法首先从待标记视频中获取视频特征信息序列；然后将上述视频特征信息序列内相邻的设定数量的视频特征分组，得到视频特征片段序列；之后，将该视频特征片段导入预先训练的视频标记模型，得到对应该视频特征片段的标识信息；最后，通过上述标识信息序列中相邻的标识信息对上述待标记视频的视频片段进行标记。如此，提高了对视频片段标记的效率和准确性。

进一步参考图4，其示出了视频标记模型训练方法的一个实施例的流程400。该视频标记模型训练方法的流程400，包括以下步骤：

步骤401，获取多个样本视频特征片段和对应上述多个样本视频特征片段中每个样本视频特征片段的样本标识信息。

在本实施例中，视频标记模型训练方法运行于其上的执行主体(例如图1所示的视频标记服务器105)可以通过有线连接方式或者无线连接方式获取多个样本视频特征片段和对应上述多个样本视频特征片段中每个样本视频特征片段的样本标识信息。

为了通过视频标记模型快速获取视频特征片段的标识信息，执行主体可以首先获取多个样本视频特征片段和对应上述多个样本视频特征片段中每个样本视频特征片段的样本标识信息。其中，样本标识信息可以是技术人员根据经验对样本视频特征片段设置的。

步骤402，将上述多个样本视频特征片段中每个样本视频特征片段依次输入至初始化视频标记模型，得到上述多个样本视频特征片段中每个样本视频特征片段所对应的预测标识信息。

基于步骤401所获取的多个样本视频特征片段中每个样本视频特征片段，执行主体可以将多个样本视频特征片段中每个样本视频特征片段依次输入至初始化视频标记模型，从而得到多个样本视频特征片段中每个样本视频特征片段所对应的预测标识信息。这里，执行主体可以将每个样本视频特征片段从初始化视频标记模型的输入侧输入，依次经过初始化视频标记模型中的各层的参数的处理，并从初始化视频标记模型的输出侧输出，输出侧输出的信息即为该样本视频特征片段所对应的预测标识信息。其中，初始化视频标记模型可以是技术人员预先构建的。初始化视频标记模型可以是未经训练的视频标记模型或未训练完成的视频标记模型，其各层设置有初始化参数，初始化参数在视频标记模型的训练过程中可以被不断地调整。

在本实施例的一些可选的实现方式中，上述将上述多个样本视频特征片段中每个样本视频特征片段依次输入至初始化视频标记模型，得到上述多个样本视频特征片段中每个样本视频特征片段所对应的预测标识信息，可以包括以下步骤：

第一步，对于上述样本视频特征片段包含的图像和对应该图像的音频信息，对该图像的图像进行图像识别，得到对应该图像的图像内容信息，对该音频信息进行音频识别，得到对应该音频信息的音频内容信息。

执行主体可以对该图像的图像进行图像识别，得到对应该图像的图像内容信息(例如可以是车辆、跳舞等)；然后，执行主体再对该音频信息进行音频识别，得到对应该音频信息的音频内容信息(例如可以是歌声、发动机声音等)。

第二步，响应于图像内容信息序列中存在相邻两帧图像的图像内容信息不同，且音频内容信息序列中存在对应该相邻两帧图像的音频内容信息不同，确定样本视频特征片段的预测标识信息为事件的开始状态或终止状态。

在事件的开始时刻和终止时刻，通常伴随有图像和音频信息的转换。例如，待标记视频为某娱乐节目，相关人员开始在聊天，之后，某歌手开始唱歌。待标记视频可以将该歌手的图像设置在图像帧的中间位置，同时音乐响起。因此，执行主体可以对样本视频特征片段的图像内容信息序列中相邻两帧图像进行图像识别。当图像内容信息序列中存在相邻两帧图像的图像内容信息不同，且音频内容信息序列中存在对应该相邻两帧图像的音频内容信息不同，执行主体可以确定样本视频特征片段的预测标识信息为事件的开始状态或终止状态。

具体的，响应于上述相邻两帧图像中前一帧图像的图像内容信息包括指定图像内容，与该前一帧图像对应的音频内容信息包括指定音频内容，且后一帧图像不包括上述指定图像内容，与该后一帧图像对应的音频内容信息不包括指定音频内容，则设置样本视频特征片段的预测标识信息为事件的终止状态。响应于上述相邻两帧图像中后一帧图像的图像内容信息包括指定图像内容，与该后一帧图像对应的音频内容信息包括指定音频内容，且前一帧图像不包括上述指定图像内容，与该前一帧图像对应的音频内容信息不包括指定音频内容，则设置样本视频特征片段的预测标识信息为事件的开始状态。其中，上述指定图像内容可以包括以下至少一项：汽车图像、飞机图像。上述指定音频内容包括以下至少一项：音乐音频、碰撞音频。根据实际的待标记视频和事件，指定图像内容和指定音频内容还可以是其他内容，此处不再一一赘述。

步骤403，将上述多个样本视频特征片段中每个样本视频特征片段所对应的预测标识信息与该样本视频特征片段所对应的样本标识信息进行比较，得到上述初始化视频标记模型的预测准确率。

在本实施例中，基于步骤402所得到的多个样本视频特征片段中每个样本视频特征片段所对应的预测标识信息，执行主体可以将多个样本视频特征片段中每个样本视频特征片段所对应的预测标识信息与该样本视频特征片段所对应的样本标识信息进行比较，从而得到初始化视频标记模型的预测准确率。

步骤404，确定上述预测准确率是否大于预设准确率阈值。

在本实施例中，基于步骤403所得到的初始化视频标记模型的预测准确率，执行主体可以将初始化视频标记模型的预测准确率与预设准确率阈值进行比较。若大于预设准确率阈值，则执行步骤405；若不大于预设准确率阈值，则执行步骤406。

步骤405，将上述初始化视频标记模型作为训练完成的视频标记模型。

在本实施例中，在初始化视频标记模型的预测准确度大于预设准确率阈值的情况下，说明该视频标记模型训练完成，此时，执行主体可以将初始化视频标记模型作为训练完成的视频标记模型。

步骤406，调整上述初始化视频标记模型的参数。

在本实施例中，在初始化视频标记模型的预测准确度不大于预设准确率阈值的情况下，执行主体可以调整初始化视频标记模型的参数，并返回执行步骤402，直至训练出能够匹配与视频特征片段对应的标识信息的视频标记模型为止。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于标记视频片段的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于标记视频片段的装置500可以包括：视频特征信息序列获取单元501、视频特征片段序列获取单元502、标识信息获取单元503和标记单元504。其中，视频特征信息序列获取单元501被配置成从待标记视频中获取视频特征信息序列，其中，上述视频特征信息用于表征上述待标记视频的图像特征和音频特征；视频特征片段序列获取单元502被配置成将上述视频特征信息序列内相邻的设定数量的视频特征信息分组，得到视频特征片段序列；标识信息获取单元503，对于上述视频特征片段序列中的视频特征片段，被配置成将该视频特征片段导入预先训练的视频标记模型，得到对应该视频特征片段的标识信息，上述视频标记模型用于匹配与视频特征片段对应的标识信息，标识信息用于表征视频特征片段处于事件的开始状态、中间状态或终止状态；标记单元504，响应于得到对应上述视频特征片段序列的标识信息序列，被配置成通过上述标识信息序列中的标识信息对上述待标记视频的视频片段进行标记。

在本实施例的一些可选的实现方式中，上述视频特征信息序列获取单元501可以包括：信息提取子单元(图中未示出)和视频特征信息序列获取子单元(图中未示出)。其中，信息提取子单元被配置成间隔设定图像帧，分别从上述待标记视频中提取图像序列和对应图像序列的音频信息序列；视频特征信息序列获取子单元被配置成建立图像信息序列中的图像和音频信息序列中对应图像的音频信息之间的对应关系，得到视频特征信息序列。

在本实施例的一些可选的实现方式中，用于标记视频片段的装置500还可以包括视频标记模型训练单元(图中未示出)，被配置成训练视频标记模型。上述视频标记模型训练单元可以包括：样本获取子单元(图中未示出)和视频标记模型训练子单元(图中未示出)。其中，样本获取子单元被配置成获取多个样本视频特征片段和对应上述多个样本视频特征片段中每个样本视频特征片段的样本标识信息；视频标记模型训练子单元被配置成将上述多个样本视频特征片段中每个样本视频特征片段作为输入，将上述多个样本视频特征片段中每个样本视频特征片段所对应的样本标识信息作为输出，训练得到视频标记模型。

在本实施例的一些可选的实现方式中，上述视频标记模型训练子单元可以包括：视频标记模型训练模块(图中未示出)，被配置成将上述多个样本视频特征片段中每个样本视频特征片段依次输入至初始化视频标记模型，得到上述多个样本视频特征片段中每个样本视频特征片段所对应的预测标识信息，将上述多个样本视频特征片段中每个样本视频特征片段所对应的预测标识信息与该样本视频特征片段所对应的样本标识信息进行比较，得到上述初始化视频标记模型的预测准确率，确定上述预测准确率是否大于预设准确率阈值，若大于上述预设准确率阈值，则将上述初始化视频标记模型作为训练完成的视频标记模型。

在本实施例的一些可选的实现方式中，上述视频标记模型训练子单元还可以包括：参数调整模块(图中未示出)，响应于不大于上述预设准确率阈值，被配置成调整上述初始化视频标记模型的参数，并继续执行上述训练步骤。

在本实施例的一些可选的实现方式中，上述视频标记模型训练模块包括：内容信息获取子模块(图中未示出)和预测标识信息设置子模块(图中未示出)。其中，内容信息获取子模块，对于上述样本视频特征片段包含的图像和对应该图像的音频信息，被配置成对该图像的图像进行图像识别，得到对应该图像的图像内容信息，对该音频信息进行音频识别，得到对应该音频信息的音频内容信息；预测标识信息设置子模块，响应于图像内容信息序列中存在相邻两帧图像的图像内容信息不同，且音频内容信息序列中存在对应该相邻两帧图像的音频内容信息不同，被配置成确定样本视频特征片段的预测标识信息为事件的开始状态或终止状态。

在本实施例的一些可选的实现方式中，上述预测标识信息设置子模块可以包括：第一预测标识信息设置模组(图中未示出)，响应于上述相邻两帧图像中前一帧图像的图像内容信息包括指定图像内容，与该前一帧图像对应的音频内容信息包括指定音频内容，且后一帧图像不包括上述指定图像内容，与该后一帧图像对应的音频内容信息不包括指定音频内容，被配置成设置样本视频特征片段的预测标识信息为事件的终止状态。

在本实施例的一些可选的实现方式中，上述预测标识信息设置子模块可以包括：第二预测标识信息设置模组(图中未示出)，响应于上述相邻两帧图像中后一帧图像的图像内容信息包括指定图像内容，与该后一帧图像对应的音频内容信息包括指定音频内容，且前一帧图像不包括上述指定图像内容，与该前一帧图像对应的音频内容信息不包括指定音频内容，被配置成设置样本视频特征片段的预测标识信息为事件的开始状态。

在本实施例的一些可选的实现方式中，上述标记单元504可以包括：标记子单元(图中未示出)，对于上述标识信息序列中的标识信息，被配置成在该标识信息为开始状态时，将该标识信息与该标识信息后的下一个为终止状态的标识信息之间的标识信息所对应的视频特征片段标记为目标视频片段。

本实施例还提供了一种服务器，包括：一个或多个处理器；存储器，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器执行上述的用于标记视频片段的方法。

本实施例还提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现上述的用于标记视频片段的方法。

下面参考图6，其示出了适于用来实现本申请实施例的服务器(例如，图1中的视频标记服务器105)的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括视频特征信息序列获取单元、视频特征片段序列获取单元、标识信息获取单元和标记单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，标记单元还可以被描述为“用于标记目标视频片段的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：从待标记视频中获取视频特征信息序列，其中，上述视频特征信息用于表征上述待标记视频的图像特征和音频特征；将上述视频特征信息序列内相邻的设定数量的视频特征信息分组，得到视频特征片段序列；对于上述视频特征片段序列中的视频特征片段，将该视频特征片段导入预先训练的视频标记模型，得到对应该视频特征片段的标识信息，上述视频标记模型用于匹配与视频特征片段对应的标识信息，标识信息用于表征视频特征片段处于事件的开始状态、中间状态或终止状态；响应于得到对应上述视频特征片段序列的标识信息序列，通过上述标识信息序列中的标识信息对上述待标记视频的视频片段进行标记。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。