CN113762036B 视频处理方法、装置、电子设备和计算机可读存储介质 （腾讯科技（深圳）有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN113762036B(45)授权公告日2025.07.08

(21)申请号202110438512.6

(22)申请日2021.04.22

(65)同一申请的已公布的文献号申请公布号CN113762036A

(43)申请公布日2021.12.07

(73)专利权人腾讯科技(深圳)有限公司

地址518057广东省深圳市南山区高新区

科技中一路腾讯大厦35层

(72)发明人张韵璇

(74)专利代理机构深圳市联鼎知识产权代理有限公司44232

专利代理师叶虹

(51)Int.CI.

GO6V40/16(2022.01)

GO6V20/40(2022.01)

GO6VGO6V

GO6VGO6V

GO6VGO6N

GO6NGO6N

(56)对比文件

10/74(2022.01)

10/762(2022.01)

10/764(2022.01)

10/774(2022.01)

10/82(2022.01)

3/044(2023.01)

3/0464(2023.01)

3/08(2023.01)

CN111241922A,2020.06.05

CN109410954A,2019.03.01

陈敏.人工智能通信理论与方法.华中科技大学出版社，2020,第122-125页.

审查员尚晓娟

权利要求书4页说明书22页附图12页

(54)发明名称

视频处理方法、装置、电子设备和计算机可读存储介质

(57)摘要

CN113762036B本公开提供一种视频处理方法、装置、电子设备和计算机可读存储介质，该方法包括：利用待识别视频的音频信息对待识别视频进行切分，获得待识别视频的至少一个视频片段；抽取每个视频片段中的至少两帧图像；对每个视频片段中的每帧图像进行面部识别处理，以从每个视频片段中的每帧图像中获取至少一个待识别面部图像；对每个视频片段中的每帧图像中的每个待识别面部图像分别进行说话状态识别，以确定每个待识别面部图像的说话状态识别结果；根据每个视频片段中的至少两帧图像的至少一个待识别面部图像的说话状态识别结果，确定每个视频片段中的说话对象。本公开提供的技术方案，可以在待识别视频中准确地确定说话对

CN113762036B

S51

S51

通过说话对象识别模型对目标待识别面部图像进

行特征提取，以获取目标待识别面部图像的目标

待识别面部特征向量，说话对象识别模型是利用

面部图像样本及面部图像样本的说话状态标签训

练获得的

S52

将目标待识别面部特征向量与面部图像样本的已识别面部特征向量进行特征比对，确定目标待识

别面部特征向量与各个已识别面部特征向量的相

似度

S53

根据目标待识别面部特征向量与各个已识别面部

特征向量的相似度，确定目标待识别面部图像的

说话状态标签

CN113762036B权利要求书1/4页

2

1.一种视频处理方法，其特征在于，包括：

利用待识别视频的音频信息对所述待识别视频进行切分，获得所述待识别视频的至少一个视频片段，其包括：利用所述音频信息的音色将所述待识别视频切分为多个视频片段，每个视频片段包括同一说话音色的说话对象；或者利用所述音频信息中的语音内容将所述待识别视频切分为多个视频片段，每个视频片段的说话对象均围绕同一主题进行发言；或者利用语音识别技术对所述音频信息进行分类，以确定不同说话对象对应的不同音频片段，利用不同的音频片段对所述待识别视频进行切分处理，以使得每个视频片段中均包括一个说话对象；

抽取每个视频片段中的至少两帧图像；

对每个视频片段中的每帧图像进行面部识别处理，以从每个视频片段中的每帧图像中获取至少一个待识别面部图像；

对每个视频片段中的每帧图像中的每个待识别面部图像分别进行说话状态识别，以确定每个待识别面部图像的说话状态识别结果；

根据每个视频片段中的所述至少两帧图像的所述至少一个待识别面部图像的说话状态识别结果，确定每个视频片段中的说话对象。

2.根据权利要求1所述方法，其特征在于，所述待识别视频的至少一个视频片段包括目标视频片段；其中，根据每个视频片段中的所述至少两帧图像的所述至少一个待识别面部图像的说话状态识别结果，确定每个视频片段中的说话对象，包括