[发明专利]基于自然交互输入的视频搜索系统及方法和视频搜索服务器

说明书

技术领域

本发明涉及视频搜索技术领域，特别是关于基于自然交互输入(例如语音输入)的视频搜索系统及方法、以及视频搜索服务器。

背景技术         

随着电子信息和网络技术的发展，具有网络接入功能的智能电视逐渐成为电视市场的主流。其中，视频则是智能电视用户最主要的需求。不用于个人计算机外围设备的鼠标和键盘，目前智能电视的人机交互仍然以传统的遥控器方式为主；然而，大量的按钮、复杂的使用模式和菜单、繁琐且令人困惑的界面元素，随着电视的复杂化和功能的不断增强，传统的人机交互方式也因此变得越来越不能满足用户的需求。

近期以来，随着语音识别技术的发展，出现了以美国苹果(APPLE)公司推出的个人语音助理(Personalized Intelligent Assistant, SIRI)为代表的产品，其能够让用户通过自然语言与设备终端进行交互，并能够提供例如发短信、查天气等多项功能。目前，SIRI尚不能支持中文语音输入。近年来，国内相关行业也开始进行基于语音等自然交互方式的研究与应用并取得了一定的成果，但总得来看，基于语音等自然交互方式的产品应用仍难以满足用户的体验要求。

发明内容

本发明的发明目的之一在于提供一种基于自然交互输入的视频搜索系统，能实现对用户的视频目标任务的智能感知，提供更佳的用户体验。

本发明的另一发明目的在于提供一种基于自然交互输入的视频搜索方法，能实现对用户的视频目标任务的智能感知，提供更佳的用户体验。

本发明的再一发明目的在于提供一种视频搜索服务器，具有自然语言语义分析能力及智能的视频搜索能力。

具体地，本发明实施例提供的一种基于自然交互输入的视频搜索系统，包括用户端和视频搜索服务器。其中，用户端包括语音采集模块和人机界面，语音采集模块采集用户的语音输入以生成用户语音数据并提供至人机界面。视频搜索服务器包括控制模块、语音识别模块、自然语言处理模块、视频关系数据库以及视频搜索模块；视频关系数据库储存视频语义空间以及视频文本数据在该视频语义空间的语义描述子集合。控制模块接收用户端的人机界面提供的用户语音数据并提供至语音识别模块以获取用户文本数据，将用户文本数据提供至自然语言处理模块以获取用户文本语义分析结果数据，并利用用户语义分析结果数据在该视频关系数据库中进行预搜索以获取视频预搜索结果。该视频预搜索结果包含与该用户文本语义分析结果数据匹配的相关视频文本数据于该视频语义空间的语义描述子集合。视频搜索模块接收控制模块提供的用户文本语义分析结果数据和视频预搜索结果、利用用户文本语义分析结果数据于视频语义空间的语义描述子与视频预搜索结果所包含的语义描述子集合分别进行相似度比较、并根据比较结果输出视频最终搜索结果至控制模块，再由控制模块提供至人机界面以呈现给用户。

此外，本发明实施例提供的一种基于自然交互输入的视频搜索方法，其包括步骤：(a)采集用户的自然交互输入以得到用户文本数据；(b)对用户文本数据进行自然语言语义分析得到用户文本语义分析结果数据；(c)利用用户文本语义分析结果数据进行预搜索得到视频预搜索结果，该视频预搜索结果包含与用户文本语义分析结果数据匹配的相关视频文本数据在一视频语义空间的语义描述子集合；(d)将用户文本语义分析结果数据投影到该视频语义空间后与视频预搜索结果所包含的语义描述子集合分别进行相似度比较并输出视频最终搜索结果；以及(e)将视频最终搜索结果呈现给用户。

本发明另一实施例提供的一种基于语音输入的视频搜索方法，其包括步骤：(1)利用对收集到的视频文本数据进行自然语言语义分析后而得到的视频文本语义分析结果数据进行量化并基于潜在语义索引进行训练学习得到视频语义空间、并取得收集到的视频文本数据在该视频语义空间的语义描述子集合；(2)采集用户的自然交互输入以得到用户文本数据；(3)对用户文本数据进行自然语言语义分析得到用户文本语义分析结果数据；(4)利用用户文本语义分析结果数据于该视频语义空间的语义描述子在至少部分收集到的视频文本数据于该视频语义空间的语义描述子集合中进行相似度比较以输出视频最终搜索结果；以及(5)将视频最终搜索结果呈现给用户。