视频封面选择方法、装置、计算机设备和存储介质与流程

本申请涉及计算机技术领域，特别是涉及一种视频封面选择方法、装置、计算机设备和存储介质。

背景技术：

随着信息技术的飞速发展以及智能终端的普及，出现了越来越多的视频应用程序，用户可以通过终端安装的视频应用程序观看视频。

目前，视频应用程序中的每个视频都会有其对应的封面，精彩的封面往往能吸引用户的注意力，博得用户的喜爱，从而为视频赢得更多的关注。相关技术中，通常是直接将视频中的第一帧视频帧作为视频数据的封面。

然而，上述封面选择的方式比较单一，封面选择的灵活性差。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够封面选择灵活性的方法、装置、计算机设备和存储介质。

第一方面，提供了一种视频封面选择方法，该方法包括：获取待选择封面的视频数据，视频数据包括多个视频帧；对各视频帧进行质量量化处理，得到各视频帧对应的质量量化数据，质量量化数据包括成像质量量化值和构图质量量化值中的至少一个；根据各视频帧的质量量化数据，从视频数据中确定目标视频帧，并基于目标视频帧获取视频数据的封面。

在其中一个实施例中，对各视频帧进行质量量化处理，得到各视频帧对应的质量量化数据，包括：针对每个视频帧，将视频帧输入至预先训练的成像质量预测模型中，得到视频帧的成像质量量化值，成像质量量化值包括亮度质量量化值、清晰度质量量化值、对比度质量量化值、色彩艳丽量化值以及美学指标量化值中的至少一个。

在其中一个实施例中，对各视频帧进行质量量化处理，得到各视频帧对应的质量量化数据，包括：针对每个视频帧，将视频帧输入至预先训练的目标检测模型中，得到输出结果；若输出结果包括视频帧中至少一个目标物体在视频帧中的位置信息，则根据位置信息确定视频帧的构图质量量化值。

在其中一个实施例中，根据位置信息确定视频帧的构图质量量化值，包括：确定视频帧的图像中心点的位置坐标；根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的目标距离，根据目标距离确定构图质量量化值。

在其中一个实施例中，根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的目标距离，包括：根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的初始距离；若初始距离大于预设距离阈值，则将初始距离乘以第一权重，得到第一距离，并将第一距离作为目标距离；若初始距离小于或等于预设距离阈值，则将初始距离乘以第二权重，得到第二距离，并将第二距离作为目标距离，第一权重大于第二权重。

在其中一个实施例中，上述方法还包括：若输出结果不包括目标物体的位置信息，则确定视频帧的构图质量量化值为预设构图质量量化值，预设构图质量量化值与视频数据中包括目标物体的至少一个视频帧的构图质量量化值相关。

在其中一个实施例中，基于目标视频帧获取视频数据的封面，包括：若目标视频帧为二维图像，则根据目标视频帧中的目标物体在目标视频帧中的位置，裁剪目标视频帧；将裁剪后的目标视频帧作为视频数据的封面。

在其中一个实施例中，基于目标视频帧获取视频数据的封面，包括：若目标视频帧为全景图像，则根据预设渲染方式渲染目标视频帧，将渲染后的目标视频帧作为视频数据的封面。

在其中一个实施例中，质量量化数据包括成像质量量化值和构图质量量化值，根据各视频帧的质量量化数据，从视频数据中确定目标视频帧，包括：对于每个视频帧，计算视频帧对应的成像质量量化值与构图质量量化值之间的差值，并将差值作为视频帧的综合质量量化值；将各视频帧中综合质量量化值最大的视频帧作为目标视频帧。

第二方面，提供了一种视频封面选择装置，该装置包括：

获取模块，用于获取待选择封面的视频数据，视频数据包括多个视频帧；

质量量化处理模块，用于对各视频帧进行质量量化处理，得到各视频帧对应的质量量化数据，质量量化数据包括成像质量量化值和构图质量量化值中的至少一个；

确定模块，用于根据各视频帧的质量量化数据，从视频数据中确定目标视频帧，并基于目标视频帧获取视频数据的封面。

在其中一个实施例中，上述质量量化处理模块，具体用于针对每个视频帧，将视频帧输入至预先训练的成像质量预测模型中，得到视频帧的成像质量量化值，成像质量量化值包括亮度质量量化值、清晰度质量量化值、对比度质量量化值、色彩艳丽量化值以及美学指标量化值中的至少一个。

在其中一个实施例中，上述质量量化处理模块，具体用于针对每个视频帧，将视频帧输入至预先训练的目标检测模型中，得到输出结果；若输出结果包括视频帧中至少一个目标物体在视频帧中的位置信息，则根据位置信息确定视频帧的构图质量量化值。

在其中一个实施例中，上述质量量化处理模块，具体用于确定视频帧的图像中心点的位置坐标；根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的目标距离，根据目标距离确定构图质量量化值。

在其中一个实施例中，上述质量量化处理模块，具体用于根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的初始距离；在初始距离大于预设距离阈值的情况下，将初始距离乘以第一权重，得到第一距离，并将第一距离作为目标距离；在初始距离小于或等于预设距离阈值的情况下，将初始距离乘以第二权重，得到第二距离，并将第二距离作为目标距离，第一权重大于第二权重。

在其中一个实施例中，上述质量量化处理模块，具体用于在输出结果不包括目标物体的位置信息的情况下，确定视频帧的构图质量量化值为预设构图质量量化值，预设构图质量量化值与视频数据中包括目标物体的至少一个视频帧的构图质量量化值相关。

在其中一个实施例中，上述确定模块，包括：

裁剪单元，用于在目标视频帧为二维图像的情况下，根据目标视频帧中的目标物体在目标视频帧中的位置，裁剪目标视频帧；

第一确定单元，用于将裁剪后的目标视频帧作为视频数据的封面。

在其中一个实施例中，上述确定模块，还包括：

第二确定单元，用于在目标视频帧为全景图像的情况下，根据目标视频帧的广角类型，确定与广角类型对应的渲染策略；

渲染单元，用于基于渲染策略渲染目标视频帧，并将渲染后的目标视频帧作为视频数据的封面。

在其中一个实施例中，上述确定模块，还包括：

计算单元，用于对于每个视频帧，计算视频帧对应的成像质量量化值与构图质量量化值之间的差值，并将差值作为视频帧的综合质量量化值；

第三确定单元，将各视频帧中综合质量量化值最大的视频帧作为目标视频帧。

第三方面，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现如上述第一方面的任一所述的方法。

第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面的任一所述的方法。

上述视频封面选择方法、装置、计算机设备和存储介质，获取待选择封面的视频数据，并对各视频帧进行质量量化处理，得到各视频帧对应的质量量化数据。根据各视频帧的质量量化数据，从视频数据中确定目标视频帧，并基于目标视频帧获取视频数据的封面。上述方法中，通过对各视频帧进行质量量化处理，得到各视频帧对应的质量量化数据，可以确定各视频帧的质量。由于质量量化数据包括成像质量量化值和构图质量量化值中的至少一个，因此根据各视频帧的质量，确定目标视频帧，并基于目标视频帧获取视频数据的封面。可以保证目标视频帧的成像质量和构图中的至少一个，进一步使得封面选择的方式不再单一，且更加了封面选择的灵活性。

附图说明

图1为一个实施例中视频封面选择方法的流程示意图；

图2为一个实施例中视频封面选择步骤的流程示意图；

图3为另一个实施例视频封面选择方法的流程示意图；

图4为另一个实施例视频封面选择方法的流程示意图；

图5为另一个实施例视频封面选择方法的流程示意图；

图6为另一个实施例视频封面选择方法的流程示意图；

图7为一个实施例中视频封面选择装置的结构框图；

图8为一个实施例中视频封面选择装置的结构框图；

图9为一个实施例中视频封面选择装置的结构框图；

图10为一个实施例中视频封面选择装置的结构框图；

图11为一个实施例中计算机设备为服务器时的内部结构图；

图12为一个实施例中计算机设备为终端时的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

需要说明的是，本申请实施例提供的视频封面选择方法，其执行主体可以是视频封面选择的装置，该视频封面选择的装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部，其中，该计算机设备可以是服务器或者终端，其中，本申请实施例中的服务器可以为一台服务器，也可以为由多台服务器组成的服务器集群，本申请实施例中的终端可以是智能手机、个人电脑、平板电脑、可穿戴设备、儿童故事机以及智能机器人等其他智能硬件设备。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。

在本申请一个实施例中，如图1所示，提供了一种视频封面选择方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：

步骤101，计算机设备获取待选择封面的视频数据。

其中，视频数据包括多个视频帧。

具体地，计算机设备可以接收其他计算机设备发送的待选择封面的视频数据；也可以从计算机设备本身的数据库中提取待选择封面的视频数据；还可以接收用户输入的待选择封面的视频数据。本申请实施例对计算机设备获取待选择封面的视频数据的方式不做具体限定。

步骤102，计算机设备对各视频帧进行质量量化处理，得到各视频帧对应的质量量化数据。

其中，质量量化数据包括成像质量量化值和构图质量量化值中的至少一个。可选的，质量量化数据可以是一个表征各视频帧质量的数值，例如，一帧视频帧的质量量化数据为3.5分，其中，质量量化数据对应的总分为5分。可选的。质量量化数据也可以是一个表征各视频帧质量的等级，例如，一帧视频帧的质量等级为一级，总共可以分为一级、二级、三级以及四级4个等级，一级为最优级；质量量化数据还可以表征各视频帧的质量名次排列数值，代表每一帧视频帧在所有视频帧的中质量排名。本申请实施例对质量量化数据不做具体限定。

可选的，计算机设备可以将各视频帧输入至预设的神经网络模型中，神经网络模型对各视频帧的特征进行提取，从而输出各视频帧对应的质量量化数据。

步骤103，计算机设备根据各视频帧的质量量化数据，从视频数据中确定目标视频帧，并基于目标视频帧获取视频数据的封面。

可选的，当质量量化数据为表征各视频帧质量的数值时，计算机设备可以将各视频帧的质量量化数据进行对比，并从视频数据中选择质量量化数据最高的一帧视频帧作为目标视频帧，并且可以将目标视频帧作为视频数据的封面。

可选的，当质量量化数据为表征各视频帧的质量名次排列数值时，计算机设备可以从视频数据中选择质量名次排列第一的一帧视频帧作为目标视频帧，并且可以将目标视频帧作为视频数据的封面。

上述视频封面选择方法中，计算机设备获取待选择封面的视频数据，并对各视频帧进行质量量化处理，得到各视频帧对应的质量量化数据。计算机设备根据各视频帧的质量量化数据，从视频数据中确定目标视频帧，并基于目标视频帧获取视频数据的封面。上述方法中，通过对各视频帧进行质量量化处理，得到各视频帧对应的质量量化数据，可以确定各视频帧的质量。由于质量量化数据包括成像质量量化值和构图质量量化值中的至少一个，因此根据各视频帧的质量，确定目标视频帧，并基于目标视频帧获取视频数据的封面。可以保证目标视频帧的成像质量和构图质量中的至少一个，进一步使得封面选择的方式不再单一，且更加了封面选择的灵活性。

在本申请一种可选的实现方式中，上述步骤102“计算机设备对各视频帧进行质量量化处理，得到各视频帧对应的质量量化数据”，可以包括以下内容：

针对每个视频帧，计算机设备将视频帧输入至预先训练的成像质量预测模型中，得到视频帧的成像质量量化值。

其中，成像质量量化值包括亮度质量量化值、清晰度质量量化值、对比度质量量化值、色彩艳丽量化值以及美学指标量化值中的至少一个。成像质量量化值越高，说明视频帧越趋近于人的美学感官指标。

具体地，针对每一帧视频帧，计算机设备可以将视频帧输入至预先训练的成像质量预测模型中，成像质量预测模型对视频帧进行特征提取，根据提取到的特征输出视频帧的成像质量量化值。其中，成像质量量化值可以是一个数据，也可以是一个质量等级，本申请实施例对成像质量量化值不做具体限定。

其中，成像质量预测模型的训练过程可以包括：计算机设备可以接收其他设备发送的包括多张图像，也可以在数据库中提取多张图像。针对同一张图像，利用多人进行人工的图像质量评价，得到多人针对同一张图像的多个成像质量量化值，对多个成像质量量化值进行求平均值，将求得的平均值作为该张图像对应的成像质量量化值。按照此方法，依次获取到多张图像对应的成像质量量化值。将包括成像质量量化值的多张图像作为训练样本图像集，训练成像质量预测模型。

上述成像质量预测模型在训练时，可以选择adam优化器或者sgd优化器对成像质量预测模型进行优化，从而可以使成像质量预测模型能够快速收敛，并具有很好的泛化能力。

示例性的，以使用adam优化器为例，进行说明。在上述利用adam优化器对成像质量预测模型进行优化时，也可以为优化器设置一个学习率，在这里可以采用学习率范围测试(lrrangetest)的技术选择最佳学习率，并设置给优化器。该测试技术的学习率选择过程为：首先将学习率设置为一个很小的值，接着将成像质量预测模型和训练样本图像集数据简单的迭代几次，每次迭代完成后增加学习率，并记录每次的训练损失(loss)，然后绘制lrrangetest图，一般理想的lrrangetest图包含三个区域：第一个区域学习率太小损失基本不变，第二个区域损失减小收敛很快，最后一个区域学习率太大以至于损失开始发散，那么可以将lrrangetest图中的最低点所对应的学习率作为最佳学习率，并将该最佳学习率作为adam优化器的初始学习率，设置给优化器。

在本申请实施例中，针对每一帧视频帧，计算机设备将视频帧输入至预先训练的成像质量预测模型中，得到视频帧的成像质量量化值。从而使得针对视频帧得到的成像质量量化值更加准确，从而保证视频数据的封面的质量更高。

在本申请一种可选的实现方式中，如图2所示，上述步骤102“计算机设备对各视频帧进行质量量化处理，得到各视频帧对应的质量量化数据”，还可以包括以下步骤：

步骤201，针对每个视频帧，计算机设备将视频帧输入至预先训练的目标检测模型中，得到输出结果。

具体地，计算机设备将视频帧输入至预先训练的目标检测模型中，目标检测模型对视频帧进行特征提取，根据提取的特征得到输出结果。其中，目标检测模型可以是基于手工特征的模型，例如dpm(deformablepartsmodel,可变形零件，目标检测模型也可以是基于卷积神经网络的模型，例如yolo(youonlylookonce，你只看一次)、r-cnn(region-basedconvolutionalneuralnetworks，基于区域的卷积神经网络)、ssd(singleshotmultibox，单发多框)以及maskr-cnn(maskregion-basedconvolutionalneuralnetworks，带掩码的基于区域的卷积神经网络)等。本申请实施例对于目标检测模型不做具体限定。

在其中一种情况下，若目标检测模型识别出视频帧中包括目标物体，则目标检测模型输出视频帧中目标物体的位置信息。目标物体的数量可以是一个或者两个，也可以是多个。本申请实施例，对目标检测模型识别出的目标物体的数量不做具体限定。

在其中另一种情况下，若目标检测模型在视频帧中没有识别出目标物体，说明视频帧中不包括目标物体，则计算机设备直接将视频帧输出，即输出结果不包括目标物体的位置信息。

步骤202，在输出结果包括视频帧中至少一个目标物体在视频帧中的位置信息的情况下，计算机设备根据位置信息确定视频帧的构图质量量化值。

具体地，在输出结果包括视频帧中至少一个目标物体在视频帧中的位置信息的情况下，说明视频帧中包括至少一个目标物体，计算机设备根据目标物体的位置信息，确定目标物体在视频帧中的位置，从而确定视频帧的构图质量量化值。

步骤203，在输出结果不包括目标物体的位置信息的情况下，计算机设备确定视频帧的构图质量量化值为预设构图质量量化值。

具体地，在输出结果不包括目标物体的位置信息的情况下，说明视频帧中不包括目标物体，计算机设备不用确定目标物体在视频帧中的位置。计算机设备将预设构图质量量化值确定为视频帧的构图质量量化值。

其中，预设构图质量量化值与视频数据中包括目标物体的至少一个视频帧的构图质量量化值相关。

可选的，预设构图质量量化值可以根据其他包括目标物体的视频帧的构图质量量化值的平均值确定，也可以根据他包括目标物体的视频帧的构图质量量化值的中值确定。

在本申请实施例中，针对每个视频帧，计算机设备将视频帧输入至预先训练的目标检测模型中，得到输出结果。从而保证了识别出视频帧中的目标物体的位置信息的准确性。在输出结果包括视频帧中至少一个目标物体在视频帧中的位置信息的情况下，计算机设备根据位置信息确定视频帧的构图质量量化值。在输出结果不包括目标物体的位置信息的情况下，计算机设备确定视频帧的构图质量量化值为预设构图质量量化值。从而使得不需要对不包括目标物体的视频帧进行构图质量量化值计算，节省了时间，提高了效率。

在本申请一种可选的实现方式中，如图3所示，上述步骤202中的“计算机设备根据位置信息确定视频帧的构图质量量化值”，可以包括以下步骤：

步骤301，计算机设备确定视频帧的图像中心点的位置坐标。

具体地，计算机设备确定视频帧中横向方向的像素数量和纵向方向的像素数量，根据横向方向的像素数量和纵向方向的像素数量确定视频帧的图像中心点的位置坐标。

步骤302，计算机设备根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的目标距离。

在本申请实施例中，计算机设备可以根据目标物体的位置信息确定目标物体的位置坐标。可选的，计算机设备可以根据目标物体的位置信息确定目标物体的中心点的位置坐标，将目标物体的中心点的位置坐标作为目标物体的位置坐标。可选的，计算机设备也可以根据目标物体的位置信息确定目标物体的某个预设边缘点的位置坐标，将预设边缘点的位置坐标作为目标物体的位置坐标。例如目标物体是人，则预设边缘点可以是左眼、右眼以及嘴巴等。

计算机设备确定了目标物体的位置坐标之后，可以通过目标物体的位置坐标与图像中心点的位置坐标，计算目标物体与图像中心点之间的目标距离。

示例性的，计算机设备可以根据以下公式计算目标物体与图像中心点之间的目标距离:

d＝(x-xc)²+(y-yc)²；

其中，p(x,y)表示目标物体的位置坐标，o(xc,yc)表示图像中心点的位置坐标，d表示目标物体与图像中心点之间的目标距离。

可选的，为了避免靠近图像中心区域的目标物体产生的偏差过大，还可以通过指数函数进行重映射，具体可以通过以下公式计算目标物体与图像中心点之间的目标距离：

其中，p(x,y)表示目标物体的位置坐标，o(xc,yc)表示图像中心点的位置坐标，d表示目标物体与图像中心点之间的目标距离。

应当理解，通过目标物体的位置坐标与图像中心点的位置坐标，计算目标物体与图像中心点之间目标距离的方法还有很多，并不仅限于以上列举的方法，在此对具体的计算方法不作限定。

步骤303，计算机设备根据目标距离确定构图质量量化值。

具体地，目标距离越小，说明目标物体与图像中心点距离越近，视频帧的构图质量量化值越小，证明视频帧的构图质量越好。

在视频帧中只存在一个目标物体的情况下，可选的，计算机设备可以将该目标物体的位置坐标与图像中心点的位置坐标之间的目标距离确定为构图质量量化值；可选的，计算机设备还可以将该目标物体的位置坐标与图像中心点的位置坐标之间的目标距离乘以第一预设权重，并将乘以第一预设权重之后的目标距离确定为构图质量量化值。

需要说明的是，在视频帧中只存在一个目标物体的情况下，计算机设备根据一个目标物体的位置坐标与图像中心点的位置坐标之间的目标距离计算得到构图质量量化值的方法有很多，并不局限于上述列举的方法。

在视频帧中存在多个目标物体的情况下，可选的，计算机设备可以将多个目标物体位置坐标与图像中心点的位置坐标之间的目标距离进行求和，并将求和计算后得到的数值作为构图质量量化值。可选的，计算机设备还可以将多个目标物体位置坐标与图像中心点的位置坐标之间的目标距离进行求和计算，并将求和计算得到后的数值乘以第二预设权值，将乘以第二预设权重后得到的数值作为构图质量量化值。可选的，计算机设备还可以将多个目标物体位置坐标与图像中心点的位置坐标之间的目标距离进行求平均值计算，并将求平均值计算后得到的数值作为构图质量量化值。可选的，计算机设备还可以将多个目标物体位置坐标与图像中心点的位置坐标之间的目标距离进行求平均值计算，并将求平均值计算后得到的数值乘以第三预设权值，将乘以第三预设权重后得到的数值作为构图质量量化值。可选的，计算机设备还可以将多个目标物体位置坐标与图像中心点的位置坐标之间的目标距离分别乘以不同的预设权重后进行求和计算，并将计算后得到的数值作为构图质量量化值。

需要说明的是，在视频帧中存在多个目标物体的情况下，计算机设备根据多个目标物体的位置坐标与图像中心点的位置坐标之间的目标距离计算得到构图质量量化值的方法有很多，并不局限于上述列举的方法。

在本申请实施例中，计算机设备确定视频帧的图像中心点的位置坐标。根据目标物体的位置信息，计算机设备根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的目标距离，并根据各目标距离确定构图质量量化值。上述方法，使得计算机设备可以快速准确定视频帧中的各目标物体在视频帧中的位置，并根据各目标距离计算得到视频帧的构图质量量化值，保证了视频帧的构图质量量化值的准确性。

在本申请一个可选的实施例中，如图4所示，上述步骤302中的“计算机设备根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的目标距离”，可以包括以下步骤：

步骤401，计算机设备根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的初始距离。

具体地，计算机设备可以根据目标物体的位置信息确定目标物体的位置坐标。可选的，计算机设备可以根据目标物体的位置信息确定目标物体的中心点的位置坐标，将目标物体的中心点的位置坐标作为目标物体的位置坐标。可选的，计算机设备也可以根据目标物体的位置信息确定目标物体的某个预设边缘点的位置坐标，将预设边缘点的位置坐标作为目标物体的位置坐标。例如目标物体是人，则预设边缘点可以是左眼、或者右眼，或者嘴巴等。

计算机设备确定了目标物体的位置坐标之后，可以通过目标物体的位置坐标与图像中心点的位置坐标，计算目标物体与图像中心点之间的初始距离。

示例性的，计算机设备可以根据以下公式计算目标物体与图像中心点之间的初始距离:

d＝(x-xc)²+(y-yc)²；

其中，p(x,y)表示目标物体的位置坐标，o(xc,yc)表示图像中心点的位置坐标，d表示目标物体与图像中心点之间的初始距离。

可选的，为了避免靠近图像中心区域的目标物体产生的偏差过大，还可以通过指数函数进行重映射，具体可以通过以下公式计算目标物体与图像中心点之间的初始距离：

其中，p(x,y)表示目标物体的位置坐标，o(xc,yc)表示图像中心点的位置坐标，d表示目标物体与图像中心点之间的初始距离。

应当理解，通过目标物体的位置坐标与图像中心点的位置坐标，计算目标物体与图像中心点之间初始距离的方法还有很多，并不仅限于以上列举的方法，在此对具体的计算方法不作限定。

步骤402，在初始距离大于预设距离阈值的情况下，计算机设备将初始距离乘以第一权重，得到第一距离，并将第一距离作为目标距离。

为了使得最终计算得到的目标距离更好的表征视频帧的构图质量量化值，计算机设备可以将计算得到的初始距离乘以相应的权重，然后将计算后得到的数值作为对应目标物体的目标距离。在初始距离大于预设距离阈值的情况下，说明对应的目标物体离图像中心较远，此时，第一权重可以设置为大于1的数值，从而使得初始距离大于预设阈值对应的目标物体的目标距离更大，此时对应的视频帧因为目标物体偏离图像中心，得到的构图质量量化值更大，说明对应视频帧的构图质量更差。

示例性的，在第一视频帧中，包括两个目标物体，其中一个目标物体的位置坐标与图像中心点的位置坐标的初始距离为60个像素距离，其中另一个目标物体的位置坐标与图像中心点的位置坐标的初始距离为50个像素距离，在不设置第一权重的情况下，此时目标物体的初始距离即为其对应的目标距离，假设计算机设备以各目标物体与图像中心点的目标距离之和确定为该视频帧的构图质量量化值，那么该视频帧对应的构图质量量化值为110。

在第二视频帧中，只包括一个目标物体，该目标物体与图像中心点的位置坐标的初始距离为110个像素距离，跟第一视频帧保持相同设定，在不设置第一权重的情况下，该视频帧对应的构图质量量化值为110。

由此可见，上述两帧图像对应的构图质量量化值均为110，但是第一视频帧由于两个目标物体均距离图像中心位置较近，因此，第一视频帧的构图质量明显优于第二视频帧，但根据上述算法，并不能准确得出第一视频帧的构图质量明显优于第二视频帧的结果。

因此，为了使得计算机设备可以更好地根据目标距离来确定各个视频帧对应的构图质量量化值，且得到的构图质量量化值更加准确，更好得表征视频帧的构图质量，在初始距离大于预设距离阈值的情况下，第一权重可以设置为大于1的数值。

示例性的，仍以上述第一视频帧和第二视频帧为例，假设预设距离阈值为100个像素距离，在初始距离大于100个像素距离的情况下，计算机设备将初始距离乘以第一权重，设置第一权重为2，假设计算机设备以各目标物体与图像中心点的距离之和确定为该视频帧的构图质量量化值，则根据目标距离得到第一视频帧的构图质量量化值为110，得到第二视频帧的构图质量量化值为220，此时再将第一视频帧与第二视频帧的构图质量量化值进行对比，就能准确得出第一视频帧的构图质量明显优于第二视频帧的结果。

步骤403，在初始距离小于或等于预设距离阈值的情况下，计算机设备将初始距离乘以第二权重，得到第二距离，并将第二距离作为目标距离。

其中，第一权重大于第二权重。

为了使得最终计算得到的目标距离更好的表征视频帧的构图质量量化值，计算机设备可以将计算得到的初始距离乘以相应的权重，然后将计算后得到的数值作为对应目标物体的目标距离。在初始距离小于或等于预设距离阈值的情况下，说明对应的目标物体离图像中心较近，此时，第二权重可以设置为小于1的数值，从而使得初始距离小于预设阈值对应的目标物体的目标距离更小，此时对应的视频帧因为目标物体靠近图像中心，得到的构图质量量化值更小，说明对应视频帧的构图质量更好。

具体地，计算机设备在计算得到初始距离之后，将初始距离与预设距离阈值进行对比，在初始距离小于或等于预设距离阈值的情况下，计算机设备将初始距离乘以第二权重，得到第二距离，并将第二距离作为目标距离。

示例性的，在第三视频帧中，包括两个目标物体，其中一个目标物体的位置坐标与图像中心点的位置坐标的初始距离为50个像素距离，其中另一个目标物体的位置坐标与图像中心点的位置坐标的初始距离为110个像素距离，在不设置第一权重和第二权重的情况下，此时目标物体的初始距离即为其对应的目标距离，假设计算机设备以各目标物体与图像中心点的目标距离的平均值确定为该视频帧的构图质量量化值，那么该视频帧对应的构图质量量化值为80。

在第四视频帧中，也包括两个目标物体，其中一个目标物体的位置坐标与图像中心点的位置坐标的初始距离为70个像素距离，其中另一个目标物体的位置坐标与图像中心点的位置坐标的初始距离为90个像素距离，跟第三视频帧保持相同设定，在不设置第一权重和第二权重的情况下，该视频帧对应的构图质量量化值为80。由此可见，上述两帧图像对应的构图质量量化值均为80，但是第三视频帧由于两个目标物体中的一个目标物体距离图像中心位置较近，另个目标物体距离图像中心位置较远，而第四帧视频帧中的两个目标物体均距离图像中心位置较近，因此，第四视频帧的构图质量明显比第四视频帧要优一点，但根据上述算法，并不能准确得出第四视频帧的构图质量明显优于第三视频帧的结果。

因此，为了使得计算机设备可以更好地根据目标距离确定各个视频帧对应的构图质量量化值，且得到的构图质量量化值更加准确，更好得表征视频帧的构图质量，可以将第一权重设置为大于第二权重的数值。

示例性的，仍以上述第三视频帧和第四视频帧为例，假设预设距离阈值为100个像素距离，在初始距离大于100个像素距离的情况下，计算机设备将初始距离乘以第一权重，设置第一权重为2，初始距离小于等于100个像素距离的情况下，计算机设备将初始距离乘以第二权重，设置第二权重为0.5。在设置第一权重和第二权重的情况下，计算机设备将第三帧视频帧中的第一个目标物体对应的初始距离乘以0.5，得到对应的目标距离为25个像素距离，将另一个目标物体对应的初始距离乘以2，得到对应的目标距离为220个像素距离，假设计算机设备以各目标物体与图像中心点的目标距离的平均值确定为该视频帧的构图质量量化值，最终根据目标距离计算得到第三视频帧的构图质量量化值为122.5。根据与第三视频帧相同的设定，计算机设备将第四帧视频帧中的第一个目标物体对应的初始距离乘以0.5，将另一个目标物体对应的初始距离也乘以0.5，最终根据目标距离计算得到第四视频帧的构图质量量化值为40。此时再将第三视频帧与第四视频帧的构图质量量化值进行对比，就能准确得出第四视频帧的构图质量明显优于第三视频帧的结果。

在本申请实施中，计算机设备根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的初始距离。在初始距离大于预设距离阈值的情况下，计算机设备将初始距离乘以第一权重，得到第一距离，并将第一距离作为目标距离。在初始距离小于或等于预设距离阈值的情况下，则将初始距离乘以第二权重，得到第二距离，并将第二距离作为目标距离。从而使得在初始距离小于等于预设距离阈值的情况下，目标距离之间的差距减小；在初始距离大于预设距离阈值的情况下，目标距离之间的差距变大。从而使得得到的目标距离更加能够代表各目标物体在视频帧中的位置，从而根据各目标距离计算得到的各视频帧的构图质量量化值更加准确。

在本申请一个可选的实施例中，上述步骤103“基于目标视频帧获取视频数据的封面”，可以包括以下情况：

其中一种情况，若目标视频帧为二维图像，则计算机设备根据目标视频帧中的目标物体在目标视频帧中的位置，裁剪目标视频帧；将裁剪后的目标视频帧作为视频数据的封面。

具体地，在目标视频帧为二维图像的情况下，计算机设备根据目标视频帧中的目标物体在目标视频帧中的位置以及目标物体在目标视频帧中的占比，对目标视频帧进行裁剪。

示例性的，若目标物体在目标视频帧中的位置靠右，则计算机设备对目标视频帧的左边进行相应的裁剪；若目标物体在目标视频帧中的位置靠上，则计算机设备对目标视频帧的下边进行相应的裁剪。

若目标物体在目标视频帧中的占比较小，为了扩大目标物体在视频帧中的占比，则计算机设备可以对目标视频帧的四周均进行适应性裁剪。

可选的，若目标视频帧为二维图像，且目标视频帧中不包括目标物体，则计算机设备将目标视频帧作为视频数据的封面。

其中另一种情况，若目标视频帧为全景图像，则计算机设备根据预设渲染方式，将渲染后的目标视频帧作为视频数据的封面。

可选的，在目标视频帧为全景图像的情况下，计算机设备可以根据预设的显示模式确定目标视频帧的渲染方式。其中，渲染方式可以是广角渲染、超广角渲染等。可选的，如果目标视频帧对应的渲染方式为广角渲染，则计算机设备将目标视频帧渲染为以目标物体为中心的广角图像；如果目标视频帧对应的渲染方式为超广角渲染，则计算机设备将目标视频帧渲染为以目标物体为中心的超广角图像。

可选的，在目标视频帧为全景图像的情况下，计算机设备可以通过预设算法模型识别目标视频帧的渲染方式，其中，渲染方式可以是广角渲染、超广角渲染等。可选的，如果目标视频帧对应的渲染方式为广角渲染，则计算机设备将目标视频帧渲染为以目标物体为中心的广角图像；如果目标帧视频对应的渲染方式为超广角渲染，则计算机设备将目标视频帧渲染为以目标物体为中心的超广角图像。

其中，预设算法模型的训练过程为：获取多张适用于广角渲染以及超广角渲染的图像，并将这些图像分别标注为广角渲染或者超广角渲染，将这些标注后的图像输入至未经训练的预设算法模型，输出每张图像对应渲染方式。

可选的，若目标视频帧为全景图像，且目标视频帧中包括目标物体，则计算机设备根据预设渲染方式，对目标视频帧进行渲染，将渲染后的以目标物体为中心的图像作为视频数据的封面。

可选的，若目标视频帧为全景图像，且目标视频帧中不包括目标物体，则计算机设备可以直接根据预设渲染方式，对目标视频帧进行渲染，将渲染后的图像作为视频数据的封面。

在本申请实施例中，若目标视频帧为二维图像，则计算机设备根据目标视频帧中的目标物体在目标视频帧中的位置，裁剪目标视频帧；将裁剪后的目标视频帧作为视频数据的封面；若目标视频帧为全景图像，则计算机设备根据预设渲染方式，对目标视频帧进行渲染，并将渲染后的图像作为视频数据的封面。从而使得封面图像的质量更好，封面图像更加美观。

在本申请一个可选的实施例中，质量量化数据包括成像质量量化值和构图质量量化值，如图5所示，上述步骤103“计算机设备根据各视频帧的质量量化数据，从视频数据中确定目标视频帧”，可以包括以下步骤：

步骤501，对于每个视频帧，计算机设备计算视频帧对应的成像质量量化值与构图质量量化值之间的差值，并将差值作为视频帧的综合质量量化值。

可选的，其中，成像质量量化值代表了各视频帧的图像质量，图像质量量化值越高，说明各视频帧的图像质量越好。构图质量量化值根据各视频帧中各目标物体与图像中心点位置的目标距离计算得到，构图质量量化值越低，说明各目标物体距离图像中心点位置越近，说明图像构图质量越好。为了使得视频数据的封面的成像质量和构图质量都很好。对于每个视频帧，计算机设备可以利用视频帧对应的成像质量量化值减去构图质量量化值，得到成像质量量化值与构图质量量化值之间的差值，并将差值作为视频帧的综合质量量化值。

可选的，计算机设备还可以根据用户的需求对于成像质量量化值和构图质量量化值设定不同或者相同的权重参数，然后对加权后的成像质量量化值与构图质量量化值进行求差计算，并将差值作为视频帧的综合质量量化值。

步骤502，计算机设备将各视频帧中综合质量量化值最大的视频帧作为目标视频帧。

具体地，计算机设备可以将各视频帧的综合质量量化值进行排序，并根据排序结果，从视频数据中选择出综合质量量化值最大的视频帧作为目标视频帧。

本申请实施例中，对于每个视频帧，计算机设备计算视频帧对应的成像质量量化值与构图质量量化值之间的差值，并将差值作为视频帧的综合质量量化值。计算机设备将各视频帧中综合质量量化值最大的视频帧作为目标视频帧。从而既保证了目标视频帧的成像质量又保证了目标视频帧的构图质量，使得目标视频的更加美观。

为了更好的说明本申请的提供的视频封面选择方法，本申请提供一种视频封面选择方法的整体流程方面进行解释说明的实施例，如图6所示，该方法包括：

步骤601，计算机设备获取待选择封面的视频数据。

步骤602，针对每个视频帧，计算机设备将视频帧输入至预先训练的成像质量预测模型中，得到视频帧的成像质量量化值。

步骤603，针对每个视频帧，计算机设备将视频帧输入至预先训练的目标检测模型中，得到输出结果；若输出结果包括视频帧中至少一个目标物体在视频帧中的位置信息，则执行步骤604；若输出结果不包括目标物体的位置信息，则执行步骤608。

步骤604，计算机设备根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的初始距离。若初始距离大于预设距离阈值，执行步骤605；若初始距离小于或等于预设距离阈值，执行步骤606。

步骤605，计算机设备将初始距离乘以第一权重，得到第一距离，并将第一距离作为目标距离。

步骤606，计算机设备将初始距离乘以第二权重，得到第二距离，并将第二距离作为目标距离。

步骤607，计算机设备根据目标距离确定构图质量量化值。

步骤608，计算机设备确定视频帧的构图质量量化值为预设构图质量量化值。

步骤609，对于每个视频帧，计算机设备计算视频帧对应的成像质量量化值与构图质量量化值之间的差值，并将差值作为视频帧的综合质量量化值。

步骤610，计算机设备将各视频帧中综合质量量化值最大的视频帧作为目标视频帧。

步骤611，在目标视频帧为二维图像的情况下，计算机设备根据目标视频帧中的目标物体在目标视频帧中的位置，裁剪目标视频帧。

步骤612，计算机设备将裁剪后的目标视频帧作为视频数据的封面。

步骤613，在目标视频帧为全景图像的情况下，计算机设备根据预设渲染方式渲染目标视频帧，将渲染后的目标视频帧作为视频数据的封面。

应该理解的是，虽然图1-6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，这些步骤可以以其它的顺序执行。而且，图1-6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在本申请一个实施例中，如图7所示，提供了一种视频封面选择装置700，包括：获取模块701、质量量化处理模块702和确定模块703，其中：

获取模块701，用于获取待选择封面的视频数据，视频数据包括多个视频帧。

质量量化处理模块702，用于对各视频帧进行质量量化处理，得到各视频帧对应的质量量化数据，质量量化数据包括成像质量量化值和构图质量量化值中的至少一个。

确定模块703，用于根据各视频帧的质量量化数据，从视频数据中确定目标视频帧，并基于目标视频帧获取视频数据的封面。

在本申请一个实施例中，上述质量量化处理模块702，具体用于针对每个视频帧，将视频帧输入至预先训练的成像质量预测模型中，得到视频帧的成像质量量化值，成像质量量化值包括亮度质量量化值、清晰度质量量化值、对比度质量量化值、色彩艳丽量化值以及美学指标量化值中的至少一个。

在本申请一个实施例中，上述质量量化处理模块702，具体用于针对每个视频帧，将视频帧输入至预先训练的目标检测模型中，得到输出结果；若输出结果包括视频帧中至少一个目标物体在视频帧中的位置信息，则根据位置信息确定视频帧的构图质量量化值。

在本申请一个实施例中，上述质量量化处理模块702，具体用于确定视频帧的图像中心点的位置坐标；根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的目标距离，根据目标距离确定构图质量量化值。

在本申请一个实施例中，上述质量量化处理模块702，具体用于根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的初始距离；在初始距离大于预设距离阈值的情况下，将初始距离乘以第一权重，得到第一距离，并将第一距离作为目标距离；在初始距离小于或等于预设距离阈值的情况下，将初始距离乘以第二权重，得到第二距离，并将第二距离作为目标距离，第一权重大于第二权重。

在本申请一个实施例中，上述质量量化处理模块，具体用于在输出结果不包括目标物体的位置信息的情况下，确定视频帧的构图质量量化值为预设构图质量量化值，预设构图质量量化值与视频数据中包括目标物体的至少一个视频帧的构图质量量化值相关。

在本申请一个实施例中，如图8所示，上述确定模块703，包括：

裁剪单元7031，用于在目标视频帧为二维图像的情况下，根据目标视频帧中的目标物体在目标视频帧中的位置，裁剪目标视频帧。

第一确定单元7032，用于将裁剪后的目标视频帧作为视频数据的封面。

在本申请一个实施例中，如图9所示，上述确定模块703，还包括：

渲染单元7033，用于在目标视频帧为全景图像的情况下，根据预设渲染方式渲染目标视频帧，将渲染后的目标视频帧作为所述视频数据的封面。

在本申请一个实施例中，如图10所示，上述确定模块703，还包括：

计算单元7034，用于对于每个视频帧，计算视频帧对应的成像质量量化值与构图质量量化值之间的差值，并将差值作为视频帧的综合质量量化值。

第二确定单元7035，将各视频帧中综合质量量化值最大的视频帧作为目标视频帧。

关于视频封面选择装置的具体限定可以参见上文中对于视频封面选择方法的限定，在此不再赘述。上述视频封面选择装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在本申请一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，当计算机设备为服务器时，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储视频封面选择数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种视频封面选择方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，当计算机设备为终端时，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种视频封面选择方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图11和图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在本申请一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待选择封面的视频数据，视频数据包括多个视频帧；对各视频帧进行质量量化处理，得到各视频帧对应的质量量化数据，质量量化数据包括成像质量量化值和构图质量量化值中的至少一个；根据各视频帧的质量量化数据，从视频数据中确定目标视频帧，并基于目标视频帧获取视频数据的封面。

在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：针对每个视频帧，将视频帧输入至预先训练的成像质量预测模型中，得到视频帧的成像质量量化值，成像质量量化值包括亮度质量量化值、清晰度质量量化值、对比度质量量化值、色彩艳丽量化值以及美学指标量化值中的至少一个。

在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：针对每个视频帧，将视频帧输入至预先训练的目标检测模型中，得到输出结果；若输出结果包括视频帧中至少一个目标物体在视频帧中的位置信息，则根据位置信息确定视频帧的构图质量量化值。

在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：确定视频帧的图像中心点的位置坐标；根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的目标距离，根据目标距离确定构图质量量化值。

在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的初始距离；若初始距离大于预设距离阈值，则将初始距离乘以第一权重，得到第一距离，并将第一距离作为目标距离；若初始距离小于或等于预设距离阈值，则将初始距离乘以第二权重，得到第二距离，并将第二距离作为目标距离，第一权重大于第二权重。

在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：若输出结果不包括目标物体的位置信息，则确定视频帧的构图质量量化值为预设构图质量量化值，预设构图质量量化值与视频数据中包括目标物体的至少一个视频帧的构图质量量化值相关。

在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：若目标视频帧为二维图像，则根据目标视频帧中的目标物体在目标视频帧中的位置，裁剪目标视频帧；将裁剪后的目标视频帧作为视频数据的封面。

在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：若目标视频帧为全景图像，则根据预设渲染方式渲染目标视频帧，将渲染后的目标视频帧作为视频数据的封面。

在本申请一个实施例中，质量量化数据包括成像质量量化值和构图质量量化值，处理器执行计算机程序时还实现以下步骤：对于每个视频帧，计算视频帧对应的成像质量量化值与构图质量量化值之间的差值，并将差值作为视频帧的综合质量量化值；将各视频帧中综合质量量化值最大的视频帧作为目标视频帧。

在本申请一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待选择封面的视频数据，视频数据包括多个视频帧；对各视频帧进行质量量化处理，得到各视频帧对应的质量量化数据，质量量化数据包括成像质量量化值和构图质量量化值中的至少一个；根据各视频帧的质量量化数据，从视频数据中确定目标视频帧，并基于目标视频帧获取视频数据的封面。

在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：针对每个视频帧，将视频帧输入至预先训练的成像质量预测模型中，得到视频帧的成像质量量化值，成像质量量化值包括亮度质量量化值、清晰度质量量化值、对比度质量量化值、色彩艳丽量化值以及美学指标量化值中的至少一个。

在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：针对每个视频帧，将视频帧输入至预先训练的目标检测模型中，得到输出结果；若输出结果包括视频帧中至少一个目标物体在视频帧中的位置信息，则根据位置信息确定视频帧的构图质量量化值。

在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定视频帧的图像中心点的位置坐标；根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的目标距离，根据目标距离确定构图质量量化值。

在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据位置信息和图像中心点的位置坐标，确定目标物体与图像中心点之间的初始距离；若初始距离大于预设距离阈值，则将初始距离乘以第一权重，得到第一距离，并将第一距离作为目标距离；若初始距离小于或等于预设距离阈值，则将初始距离乘以第二权重，得到第二距离，并将第二距离作为目标距离，第一权重大于第二权重。

在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：若输出结果不包括目标物体的位置信息，则确定视频帧的构图质量量化值为预设构图质量量化值，预设构图质量量化值与视频数据中包括目标物体的至少一个视频帧的构图质量量化值相关。

在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：若目标视频帧为二维图像，则根据目标视频帧中的目标物体在目标视频帧中的位置，裁剪目标视频帧；将裁剪后的目标视频帧作为视频数据的封面。

在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：若目标视频帧为全景图像，则根据预设渲染方式渲染目标视频帧，将渲染后的目标视频帧作为视频数据的封面。

在本申请一个实施例中，质量量化数据包括成像质量量化值和构图质量量化值，计算机程序被处理器执行时还实现以下步骤：对于每个视频帧，计算视频帧对应的成像质量量化值与构图质量量化值之间的差值，并将差值作为视频帧的综合质量量化值；将各视频帧中综合质量量化值最大的视频帧作为目标视频帧。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。