CN113190695B - 多媒体数据搜索方法及装置、计算机设备和介质 - Google Patents

Abstract

本公开提供了一种多媒体数据搜索方法及装置、计算设备和介质，涉及人工智能技术领域，具体涉及智能搜索领域。实现方案为：获取待搜索多媒体数据，待搜索多媒体数据包括在时间上同步的待搜索视频和待搜索音频；基于待搜索音频的声音特征在时域的变化，根据预设规则，从待搜索多媒体数据的待搜索视频中提取第一关键帧序列；获取多个候选多媒体数据中每一个候选多媒体数据所对应的第二关键帧序列，每一个候选多媒体数据的第二关键帧序列根据该预设规则提取得到；以及基于第一关键帧序列，以及多个候选多媒体数据中每一个候选多媒体数据所对应的第二关键帧序列，确定多个候选多媒体数据中与待搜索多媒体数据相匹配的多媒体数据。

Description

多媒体数据搜索方法及装置、计算机设备和介质

技术领域

本公开涉及人工智能技术领域，尤其涉及智能搜索领域。具体涉及一种多媒体数据搜索的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术：人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

多媒体相较于文本、图像等信息传播媒介可以提供更丰富的信息内容。在一些场景中，用户希望通过搜索来获取其需要的多媒体数据。现有的多媒体数据搜索方法通常是基于文本的搜索，即，通过匹配用户输入的搜索词与多媒体数据库中的各个多媒体数据的文本标签来得到搜索结果。这种搜索方式与多媒体数据本身的内容无关，仅依赖于用户输入的搜索词和多媒体数据标签标注的准确性，搜索结果通常难以令用户满意。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种多媒体数据搜索的方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种多媒体数据搜索方法，包括：获取待搜索多媒体数据，其中，待搜索多媒体数据包括在时间上同步的待搜索视频和待搜索音频；基于待搜索音频的声音特征在时域的变化，根据预设规则，从待搜索多媒体数据的待搜索视频中提取第一关键帧序列；获取多个候选多媒体数据中每一个候选多媒体数据所对应的第二关键帧序列，其中，每一个候选多媒体数据的第二关键帧序列根据该预设规则提取得到；以及基于第一关键帧序列，以及多个候选多媒体数据中每一个候选多媒体数据所对应的第二关键帧序列，确定多个候选多媒体数据中与待搜索多媒体数据相匹配的多媒体数据。

根据本公开的另一方法，提供了一种多媒体数据搜索装置，包括：第一获取单元，被配置用于获取待搜索多媒体数据，其中，待搜索多媒体数据包括在时间上同步的待搜索视频和待搜索音频；第一提取单元，被配置用于基于待搜索音频的声音特征在时域的变化，根据预设规则，从待搜索多媒体数据的待搜索视频中提取第一关键帧序列；第二获取单元，被配置用于获取多个候选多媒体数据中每一个候选多媒体数据所对应的第二关键帧序列，其中，每一个候选多媒体数据的第二关键帧序列根据预设规则提取得到；以及确定单元，被配置用于基于第一关键帧序列，以及多个候选多媒体数据中每一个候选多媒体数据所对应的第二关键帧序列，确定多个候选多媒体数据中与待搜索多媒体数据相匹配的多媒体数据。

根据本公开的另一方面，提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上的计算机程序，其中，处理器被配置为执行计算机程序以实现上述方法的步骤。

根据本公开的另一方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述的方法的步骤。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序被处理器执行时实现上述的方法的步骤。

根据本公开的一个或多个实施例，提供了一种基于声音特征的“以多媒体搜多媒体”的多媒体数据搜索方案。基于从待搜索多媒体数据和每个候选多媒体数据中分别提取的关键帧序列执行多媒体数据之间的匹配，由此有效地减少了在多媒体数据搜索的过程中所需处理的数据量，节省计算资源，提升了多媒体数据搜索效率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的多媒体数据搜索方法的流程图；

图3示出了根据本公开的实施例的待搜索多媒体数据与候选多媒体数据的匹配类型示意图；

图4示出了根据本公开的实施例的多媒体数据搜索装置的结构框图；

图5示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行多媒体数据搜索方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来获取待搜索多媒体数据或者展示关于搜索结果的页面信息。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS)；或包括各种移动操作系统，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和搜索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

为了本公开实施例的目的，在图1的示例中，客户端设备101、102、103、104、105和106中可以包括用于进行多媒体数据搜索的客户端应用。客户端应用例如可以是运行前需要下载和安装的应用程序，也可以是可通过浏览器访问的视频网站，还可以是运行于宿主应用中的轻量化的小程序，等等。该客户端应用可以提供基于多媒体数据的各种功能，例如多媒体数据的搜索、观看、上传、下载、剪辑等。与此相应，服务器120可以是与该客户端应用一起使用的服务器。服务器120可以基于已存储的多媒体数据资源、多媒体剪辑工具等来向客户端设备101、102、103、104、105和106中运行的客户端应用提供多媒体服务。具体地，服务器120可以基于已存储的多媒体资源，执行本公开实施例的多媒体数据搜索方法200，向用户提供多媒体数据搜索服务，实现快速、准确的多媒体数据搜索。

图2是图示出根据示例性实施例的多媒体数据搜索方法200的流程图。方法200可以在服务器(例如，图1中所示的服务器120)处执行，也即，方法200的各个步骤的执行主体可以是图1中所示的服务器120。

如图2所示，方法200包括：

步骤201、获取待搜索多媒体数据，其中，待搜索多媒体数据包括在时间上同步的待搜索视频和待搜索音频；

步骤202、基于待搜索音频的声音特征在时域的变化，根据预设规则，从待搜索多媒体数据的待搜索视频中提取第一关键帧序列；

步骤203、获取多个候选多媒体数据中每一个候选多媒体数据所对应的第二关键帧序列，其中，每一个候选多媒体数据的第二关键帧序列根据预设规则提取得到；以及

步骤204、基于第一关键帧序列，以及多个候选多媒体数据中每一个候选多媒体数据所对应的第二关键帧序列，确定多个候选多媒体数据中与待搜索多媒体数据相匹配的多媒体数据。

根据本公开的实施例，提供了一种基于多媒体数据中的声音特征的“以多媒体搜多媒体”的多媒体数据搜索方案。可以基于从待搜索多媒体数据和每个候选多媒体数据中分别提取的关键帧序列执行匹配，有效地减少了在多媒体数据搜索的过程中所需处理的数据量，节省计算资源，提升了多媒体数据搜索效率。

本公开实施例的多媒体数据搜索方法200涉及多媒体数据处理技术领域，具体涉及人工智能和计算机视觉技术。方法200可应用于多媒体数据理解场景下，例如用于搜索与用户指定的待搜索多媒体数据相匹配的多媒体数据，或者基于多媒体数据内容向用户进行多媒体数据推荐等。

例如，在一些场景中，用户可能通过某种渠道观看到某个精彩的影视片段，希望搜索包含该影视片段的电影或电视剧剧集。在这种情况下，待搜索多媒体数据即为该影视片段；候选多媒体数据可以是服务器或相关联的数据库中存储的所有多媒体数据，或者是所有电影/电视剧视频、某种类型(例如喜剧片、悬疑片等)或某些演员主演的电影/电视剧视频，等等；与待搜索多媒体数据相匹配的多媒体数据则为从候选多媒体数据中搜索得出的与上述精彩影视片段相匹配的多媒体数据。

又例如，在另一些场景中，用户可能通过某种渠道观看到体育赛事中的精彩片段，例如足球赛事中的射门片段、篮球赛事中的扣篮片段等，进而希望搜索包含该精彩片段的更完整的赛事视频，例如包含该精彩片段的整场赛事多媒体数据、半场赛事多媒体数据等。在这种情况下，待搜索多媒体数据即为体育赛事的精彩片段；候选多媒体数据可以是服务器或相关联的数据库中存储的所有多媒体数据，或者是所有体育赛事多媒体数据、某一类型的体育赛事多媒体数据，等等；与待搜索多媒体数据相匹配的多媒体数据则为从候选多媒体数据中搜索得出的与上述精彩片段相匹配的赛事多媒体数据。

以下详细描述方法200的各个步骤。

参考图2，步骤210中的待搜索多媒体数据可以通过多种方式获取。

根据一些实施例，用户可以通过客户端设备上传待搜索多媒体数据，并发起多媒体数据搜索请求，请求搜索与该待搜索多媒体数据相匹配的多媒体数据。相应地，在步骤210中，服务器可以直接获取用户上传的该待搜索多媒体数据。

根据另一些实施例，用户可以通过客户端设备指定待搜索多媒体数据的地址，并发起多媒体数据搜索请求。相应地，在步骤210中，服务器可以从相应的地址获取待搜索多媒体数据。

根据又一些实施例，服务器可以将用户观看过的任意多媒体数据作为待搜索多媒体数据，而无需用户进行指定。在这种情况下，服务器可以通过方法200来确定出与待搜索多媒体数据相匹配的多媒体数据，并将多媒体数据推送至客户端设备，以向用户提供多媒体智能推荐服务。

根据一些实施例，待搜索多媒体数据中所包括的待搜索视频和待搜索音频通过相应的时间戳保持同步。

在步骤202中，根据一些实施例，基于待搜索音频的声音特征在时域的变化，根据预设规则，从待搜索多媒体数据的待搜索视频中提取第一关键帧序列可以包括：基于待搜索音频的声音特征在时域的变化，确定待搜索多媒体数据中的至少一个静音时段；以及针对至少一个静音时段中每一个静音时段，将待搜索视频中靠近该静音时段的至少一个视频帧确定为第一关键帧，以构成第一关键帧序列。由此，可以以多媒体数据中的“静音时段”为依据提取关键帧，降低后续多媒体数据之间匹配所需处理的数据量。

由于多媒体数据中的“非静音时段”往往具有更丰富的信息量，因此，以“静音时段”为依据进行视频帧的提取，能够有针对性地在提取视频帧的过程中，避免提取到“静音时段”内的视频帧，以提取出多媒体数据中更多的信息。

根据一些实施例，可以将待搜索视频中与该静音时段的两端中的其中一端相邻的视频帧确定为第一关键帧。

根据一些实施例，可以将待搜索视频中与该静音时段的两端中的其中一段具有预定距离的视频帧确定为第一关键帧。

根据一些实施例，基于待搜索音频的声音特征在时域的变化，确定待搜索多媒体数据中的至少一个静音时段可以包括：基于待搜索音频的声音特征在时域的变化，利用语音边界检测(VAD)识别待搜索多媒体数据中的至少一个静音时段。由此可以方便地识别出待搜索多媒体数据中的静音时段。

根据一些实施例，声音特征包括能量值，基于待搜索音频的能量值在时域的变化，确定待搜索多媒体数据中的至少一个静音时段可以包括：针对待搜索多媒体数据的时长范围内的任一时间段，响应于在该时间段内该待搜索音频的能量值不大于第一预设能量阈值，并且在靠近该时间段的时间点上该待搜索音频的能量值大于第二预设能量阈值，将该时间段确定为待搜索多媒体数据中的静音时段，其中，所述第一预设能量阈值不大于所述第二预设能量阈值。由此可以基于待搜索音频的实时能量值的变化，有效地识别出多媒体数据中的静音时段。

根据一些实施例，声音特征还可以包括响度，基于待搜索音频的响度在时域的变化，确定待搜索多媒体数据中的至少一个静音时段可以包括：针对待搜索多媒体数据的时长范围内的任一时间段，响应于在该时间段内该待搜索音频的响度不大于第三预设能量阈值，并且在靠近该时间段的时间点上该待搜索音频的响度大于第四预设能量阈值，将该时间段确定为待搜索多媒体数据中的静音时段，其中，所述第三预设能量阈值不大于所述第四预设能量阈值。

根据一些实施例，基于待搜索音频的声音特征在时域的变化，根据预设规则，从待搜索多媒体数据的待搜索视频中提取第一关键帧序列可以包括：基于待搜索音频的声音特征在时域的变化，对待搜索音频进行语音识别；响应于对待搜索音频的语音识别结果中包括预设字符，将所识别出的预设字符在待搜索音频中所对应的时间点确定为关键时间点；以及基于所确定的关键时间点，从所述待搜索视频中提取第一关键帧序列。由此，可以以语音识别技术所识别出的字符为依据提取关键帧，降低后续多媒体数据之间匹配所需处理的数据量。

根据一些实施例，预设字符可以为预先指定的特定字符，例如，“你”，“我”，“家”等在日常生活中经常使用的字符。

根据一些实施例，预设字符也可以为该待搜索音频中的高频字符。具体地，根据对待搜索音频的语音识别结果，将该识别结果中出现频次较高的至少一个字符确定为预设字符。

在步骤203中，可以基于同样的预设规则，从多个候选多媒体数据中的每一个候选多媒体数据中提取相应的第二关键帧序列。其中，提取第二关键帧序列的具体方式与上述提取第一关键帧序列的方式相同，在此不再赘述。

根据一些实施例，可以针对多个候选多媒体数据中每一个候选多媒体数据，基于预设规则，预先从该候选多媒体数据中提取该候选多媒体数据所对应的第二关键帧序列。由此，通过预先提取每个候选多媒体数据所对应的第二关键帧序列，可以避免在每一次搜索时都对候选多媒体数据执行关键帧的提取，提高了搜索的效率。

根据一些实施例，每个候选多媒体数据所对应的第二关键帧序列预先被存储在指定数据库中，并将所存储的第二关键帧序列与其所对应的候选多媒体数据相关联。

在步骤204中，根据一些实施例，基于第一关键帧序列，以及多个候选多媒体数据中每一个候选多媒体数据所对应的第二关键帧序列，确定多个候选多媒体数据中与待搜索多媒体数据相匹配的多媒体数据可以包括：针对多个候选多媒体数据中每一个候选多媒体数据，响应于该候选多媒体数据所对应的第二关键帧序列与第一关键帧序列满足预设匹配条件，确定该候选多媒体数据为与待搜索多媒体数据相匹配的多媒体数据。由此可以基于第一关键帧序列和第二关键帧序列之间的匹配结果，判断待搜索多媒体数据与候选多媒体数据之间的匹配关系，有效地降低了多媒体数据搜索的计算量。

其中，候选多媒体数据与待搜索多媒体数据相匹配可以包括候选多媒体数据与待搜索多媒体数据之间具有彼此重叠的部分。具体地，候选多媒体数据与待搜索多媒体数据之间的匹配可以包括多种类型，例如，如图3所示，候选多媒体数据A包含于待搜索多媒体数据之中，候选多媒体数据B包含整个待搜索多媒体数据，候选多媒体数据C与待搜索多媒体数据之间部分重叠。以上的候选多媒体数据A、候选多媒体数据B和候选多媒体数据C均与待搜索多媒体数据相匹配。

根据一些实施例，该候选多媒体数据所对应的第二关键帧序列与第一关键帧序列满足预设匹配条件可以包括：针对第二关键帧序列中第一预设长度的第二子序列，第一关键帧序列中存在与第二子序列相应的该第一预设长度的第一子序列，其中，第二子序列与第一子序列之间依次对应的每两帧之间的相似度大于预设阈值。

可以理解，第一关键帧序列中的第一子序列和第二关键帧序列中的第二子序列可以分别位于第一关键帧序列和第二关键帧序列中不同的相对位置处。通过比对第二子序列与第一子序列之间依次对应的每两帧之间的相似度，可以判断候选多媒体数据与待搜索多媒体数据之间是否具有第一预设长度的重叠部分，并进而确定该候选多媒体数据是否与待搜索多媒体数据相匹配。

可以理解，候选多媒体数据与待搜索多媒体数据之间的实际重叠部分可能大于第一预设长度。在本公开的示例性实施例中，基于第一预设长度内第一子序列和第二子序列中依次对应的每两帧之间的相似度大于预设阈值，即可判定候选多媒体数据与待搜索多媒体数据之间存在“重叠”部分，而无需执行额外的视频帧的比对，由此可以有效提升多媒体数据搜索效率。

根据一些实施例，针对位于第二关键帧序列的一端的第二预设长度的第二子序列，第一关键帧序列的另一端存在与该第二子序列相应的该第二预设长度的第一子序列，其中，第二子序列与第一子序列之间依次对应的每两帧之间的相似度大于预设阈值，第二预设长度小于第一预设长度。

当候选多媒体数据与待搜索多媒体数据之间的匹配关系为部分重叠时，例如，如图3中候选多媒体数据C与待搜索多媒体数据之间的关系，候选多媒体数据与待搜索多媒体数据之间的重叠部分有限，可能无法达到第一预设长度。因此，在这种情况下，可以通过降低对重叠部分的长度的要求，即令第二预设长度小于第一预设长度，避免在多媒体数据搜索的过程中，遗漏与待搜索多媒体数据部分重叠的候选多媒体数据。

根据一些实施例，可以通过结构相似性算法(SSIM)、峰值信噪比算法(PSNR)或各种机器学习的方式确定图像的相似度，在此不作限定。

根据一些实施例，在第一关键帧序列包括每个第一关键帧在待搜索多媒体数据中的时间戳，第二关键帧序列包括每个第二关键帧在相应的候选多媒体数据中所对应的时间戳的情况下，该候选多媒体数据所对应的第二关键帧序列与第一关键帧序列满足预设条件可以包括：针对第二关键帧序列中第三预设长度的第四子序列，第一关键帧序列中存在与该第四子序列相应的该第三预设长度的第三子序列，其中，针对第四子序列中任意两帧，第四子序列中该两帧之间的时间差与第三子序列中与该两帧依次对应的两帧之间的时间差相同。

根据一些实施例，在确定候选多媒体数据所对应的第二关键帧序列与第一关键帧序列是否满足预设条件时，可以同时基于上述实施例中所记载的多种方式方法进行判断。

根据一些实施例，在确定多个候选多媒体数据中与待搜索多媒体数据相匹配的多媒体数据之后，反馈基于所确定的与待搜索多媒体数据相匹配的多媒体数据的页面信息。由此可以使用户可以直观地获取搜索结果信息。

根据一些实施例，页面信息中可以包括候选多媒体数据与待搜索多媒体数据之间的匹配类型信息。例如，可以通过图示的方式(如图3所示)，向用户直观地展示待搜索多媒体数据与候选多媒体数据之间的重叠部分。

根据本公开的另一方面，还提供一种多媒体数据搜索装置400，如图4所示，该装置400包括：

第一获取单元401，被配置用于获取待搜索多媒体数据，其中，待搜索多媒体数据包括在时间上同步的待搜索视频和待搜索音频；

第一提取单元402，被配置用于基于待搜索音频的声音特征在时域的变化，根据预设规则，从待搜索多媒体数据的待搜索视频中提取第一关键帧序列；

第二获取单元403，被配置用于获取多个候选多媒体数据中每一个候选多媒体数据所对应的第二关键帧序列，其中，每一个候选多媒体数据的第二关键帧序列根据预设规则提取得到；以及

确定单元404，被配置用于基于第一关键帧序列，以及多个候选多媒体数据中每一个候选多媒体数据所对应的第二关键帧序列，确定多个候选多媒体数据中与待搜索多媒体数据相匹配的多媒体数据。

根据一些实施例，提取单元包括：第一确定子单元，被配置用于基于待搜索音频的声音特征在时域的变化，确定待搜索多媒体数据中的至少一个静音时段；以及第二确定子单元，被配置用于针对至少一个静音时段中每一个静音时段，将待搜索视频中靠近该静音时段的至少一个视频帧确定为第一关键帧，以构成第一关键帧序列。

根据一些实施例，第一确定子单元进一步被配置用于：基于待搜索音频的声音特征在时域的变化，利用语音边界检测(VAD)识别待搜索多媒体数据中的至少一个静音时段。

根据一些实施例，声音特征包括能量值，第一确定子单元进一步被配置用于：针对待搜索多媒体数据的时长范围内的任一时间段，响应于在该时间段内待搜索音频的能量值不大于第一预设能量阈值，并且在靠近该时间段的时间点待搜索音频的能量值大于第二预设能量阈值，将该时间段确定为待搜索多媒体数据中的静音时段，其中，所述第一预设能量阈值不大于所述第二预设能量阈值。

根据一些实施例，提取单元包括：识别子单元，被配置用于基于待搜索音频的声音特征在时域的变化，对待搜索音频进行语音识别；第三确定子单元，被配置用于响应于对待搜索音频的语音识别结果中包括预设字符，将所识别出的预设字符在待搜索音频中所对应的时间点确定为关键时间点；以及第四确定子单元，被配置用于基于所确定的关键时间点，从所述待搜索视频中提取第一关键帧序列。

根据一些实施例，确定单元进一步被配置用于：针对多个候选多媒体数据中每一个候选多媒体数据，响应于该候选多媒体数据所对应的第二关键帧序列与第一关键帧序列满足预设匹配条件，确定该候选多媒体数据为与待搜索多媒体数据相匹配的多媒体数据。

根据一些实施例，该候选多媒体数据所对应的第二关键帧序列与第一关键帧序列满足预设匹配条件包括：针对第二关键帧序列中预设长度的第二子序列，第一关键帧序列中存在与第二子序列相应的预设长度的第一子序列，其中，第二子序列与第一子序列之间依次对应的每两帧之间的相似度大于预设阈值。

根据一些实施例，多媒体数据搜索装置还包括：第二提取单元，被配置用于针对多个候选多媒体数据中每一个候选多媒体数据，基于预设规则，预先从该候选多媒体数据中提取该候选多媒体数据所对应的第二关键帧序列。

根据本公开的另一方面，还提供一种计算机设备，包括：存储器、处理器以及存储在存储器上的计算机程序，其中，处理器被配置为执行计算机程序以实现上述方法的步骤。

根据本公开的另一方面，还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述方法的步骤。

根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中，计算机程序被处理器执行时实现上述方法的步骤。

参考图5，现将描述可以作为本公开的服务器或客户端的计算机设备500的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向设备500输入信息的任何类型的设备，输入单元506可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元507可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如多媒体数据搜索。例如，在一些实施例中，多媒体数据搜索可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的多媒体数据搜索方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行多媒体数据搜索。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (18)

1.一种多媒体数据搜索方法，包括：

获取待搜索多媒体数据，其中，所述待搜索多媒体数据包括在时间上同步的待搜索视频和待搜索音频；

基于所述待搜索音频的声音特征在时域的变化，根据预设规则，从所述待搜索多媒体数据的待搜索视频中提取第一关键帧序列；

获取多个候选多媒体数据中每一个候选多媒体数据所对应的第二关键帧序列，其中，每一个候选多媒体数据的第二关键帧序列根据所述预设规则提取得到；以及

基于所述第一关键帧序列，以及所述多个候选多媒体数据中每一个候选多媒体数据所对应的第二关键帧序列，确定所述多个候选多媒体数据中与所述待搜索多媒体数据相匹配的多媒体数据，包括：

针对所述多个候选多媒体数据中每一个候选多媒体数据，响应于该候选多媒体数据所对应的第二关键帧序列与所述第一关键帧序列满足预设匹配条件，确定该候选多媒体数据为与所述待搜索多媒体数据相匹配的多媒体数据。

2.根据权利要求1所述的方法，其中，所述基于所述待搜索音频的声音特征在时域的变化，根据预设规则，从所述待搜索多媒体数据的待搜索视频中提取第一关键帧序列包括：

基于所述待搜索音频的声音特征在时域的变化，确定所述待搜索多媒体数据中的至少一个静音时段；以及

针对所述至少一个静音时段中每一个静音时段，将所述待搜索视频中靠近该静音时段的至少一个视频帧确定为第一关键帧，以构成所述第一关键帧序列。

3.根据权利要求2所述的方法，其中，所述基于所述待搜索音频的声音特征在时域的变化，确定所述待搜索多媒体数据中的至少一个静音时段包括：

基于所述待搜索音频的声音特征在时域的变化，利用语音边界检测(VAD)识别所述待搜索多媒体数据中的至少一个静音时段。

4.根据权利要求2所述的方法，其中，所述声音特征包括能量值，基于所述待搜索音频的能量值在时域的变化，确定所述待搜索多媒体数据中的至少一个静音时段包括：

针对所述待搜索多媒体数据的时长范围内的任一时间段，响应于在该时间段内所述待搜索音频的能量值不大于第一预设能量阈值，并且在靠近该时间段的时间点所述待搜索音频的能量值大于第二预设能量阈值，将该时间段确定为所述待搜索多媒体数据中的静音时段，其中，所述第一预设能量阈值不大于所述第二预设能量阈值。

5.根据权利要求1所述的方法，其中，所述基于所述待搜索音频的声音特征在时域的变化，根据预设规则，从所述待搜索多媒体数据的待搜索视频中提取第一关键帧序列包括：

基于所述待搜索音频的声音特征在时域的变化，对所述待搜索音频进行语音识别；

响应于对所述待搜索音频的语音识别结果中包括预设字符，将所识别出的预设字符在所述待搜索音频中所对应的时间点确定为关键时间点；以及

基于所确定的关键时间点，从所述待搜索视频中提取第一关键帧序列。

6.根据权利要求1所述的方法，其中，所述该候选多媒体数据所对应的第二关键帧序列与所述第一关键帧序列满足预设匹配条件包括：

针对所述第二关键帧序列中预设长度的第二子序列，所述第一关键帧序列中存在与所述第二子序列相应的所述预设长度的第一子序列，其中，所述第二子序列与所述第一子序列之间依次对应的每两帧之间的相似度大于预设阈值。

7.根据权利要求1所述的方法，还包括：

针对所述多个候选多媒体数据中每一个候选多媒体数据，基于所述预设规则，预先从该候选多媒体数据中提取该候选多媒体数据所对应的第二关键帧序列。

8.根据权利要求1所述的方法，还包括：

在确定所述多个候选多媒体数据中与所述待搜索多媒体数据相匹配的多媒体数据之后，反馈基于所确定的与所述待搜索多媒体数据相匹配的多媒体数据的页面信息。

9.一种多媒体数据搜索装置，包括：

第一获取单元，被配置用于获取待搜索多媒体数据，其中，所述待搜索多媒体数据包括在时间上同步的待搜索视频和待搜索音频；

第一提取单元，被配置用于基于所述待搜索音频的声音特征在时域的变化，根据预设规则，从所述待搜索多媒体数据的待搜索视频中提取第一关键帧序列；

第二获取单元，被配置用于获取多个候选多媒体数据中每一个候选多媒体数据所对应的第二关键帧序列，其中，每一个候选多媒体数据的第二关键帧序列根据所述预设规则提取得到；以及

确定单元，被配置用于基于所述第一关键帧序列，以及所述多个候选多媒体数据中每一个候选多媒体数据所对应的第二关键帧序列，确定所述多个候选多媒体数据中与所述待搜索多媒体数据相匹配的多媒体数据，其中，所述确定单元进一步被配置用于：

针对所述多个候选多媒体数据中每一个候选多媒体数据，响应于该候选多媒体数据所对应的第二关键帧序列与所述第一关键帧序列满足预设匹配条件，确定该候选多媒体数据为与所述待搜索多媒体数据相匹配的多媒体数据。

10.根据权利要求9所述的装置，其中，所述第一提取单元包括：

第一确定子单元，被配置用于基于所述待搜索音频的声音特征在时域的变化，确定所述待搜索多媒体数据中的至少一个静音时段；以及

第二确定子单元，被配置用于针对所述至少一个静音时段中每一个静音时段，将所述待搜索视频中靠近该静音时段的至少一个视频帧确定为第一关键帧，以构成所述第一关键帧序列。

11.根据权利要求10所述的装置，其中，所述第一确定子单元进一步被配置用于：

用于基于所述待搜索音频的声音特征在时域的变化，利用语音边界检测(VAD)识别所述待搜索多媒体数据中的至少一个静音时段的模块。

12.根据权利要求10所述的装置，其中，所述声音特征包括能量值，所述第一确定子单元进一步被配置用于：

用于针对所述待搜索多媒体数据的时长范围内的任一时间段，响应于在该时间段内所述待搜索音频的能量值不大于第一预设能量阈值，并且在靠近该时间段的时间点所述待搜索音频的能量值大于第二预设能量阈值，将该时间段确定为所述待搜索多媒体数据中的静音时段的模块，其中，所述第一预设能量阈值不大于所述第二预设能量阈值。

13.根据权利要求9所述的装置，其中，所述第一提取单元包括：

识别子单元，被配置用于基于所述待搜索音频的声音特征在时域的变化，对所述待搜索音频进行语音识别；

第三确定子单元，被配置用于响应于对所述待搜索音频的语音识别结果中包括预设字符，将所识别出的预设字符在所述待搜索音频中所对应的时间点确定为关键时间点；以及

第四确定子单元，被配置用于基于所确定的关键时间点，从所述待搜索视频中提取第一关键帧序列。

14.根据权利要求9所述的装置，其中，所述该候选多媒体数据所对应的第二关键帧序列与所述第一关键帧序列满足预设匹配条件包括：

针对所述第二关键帧序列中预设长度的第二子序列，所述第一关键帧序列中存在与所述第二子序列相应的所述预设长度的第一子序列，其中，所述第二子序列与所述第一子序列之间依次对应的每两帧之间的相似度大于预设阈值。

15.根据权利要求9所述的装置，还包括：

第二提取单元，被配置用于针对所述多个候选多媒体数据中每一个候选多媒体数据，基于所述预设规则，预先从该候选多媒体数据中提取该候选多媒体数据所对应的第二关键帧序列。

16.一种计算机设备，包括：

存储器、处理器以及存储在所述存储器上的计算机程序，

其中，所述处理器被配置为执行所述计算机程序以实现权利要求1-8中任一项所述的方法的步骤。

17.一种非暂态计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法的步骤。

18.一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法的步骤。