[发明专利]视频特征学习方法、装置、电子设备及可读存储介质

权利要求书

1.一种视频特征学习方法，其特征在于，应用于电子设备，所述方法包括：

获得待训练的视频样本，所述视频样本包括有多帧图像；

对所述视频样本进行分段，得到多个连续的视频分段，其中，每个所述视频分段对应至少一个运动基元，所述运动基元为针对所述视频样本，基于动作分解得到的视觉基础单元；

针对各视频分段，提取各视频分段的视觉特征，并计算各视频分段的运动基元数量；

针对所述视频样本，提取所述视频样本的视觉特征，并计算所述视频样本的运动基元数量；

基于各视频分段的运动基元数量、所述视频样本的运动基元数量和预设约束条件对目标分类模型进行训练，得到训练后的目标分类模型，以实现对视频特征的学习。

2.根据权利要求1所述的视频特征学习方法，其特征在于，所述提取各视频分段的视觉特征的方式，包括：

通过预先配置的特征提取模型或者深度学习模型将各视频分段中的各帧图像信息进行融合后提取各视频分段的视觉特征。

3.根据权利要求1所述的视频特征学习方法，其特征在于，所述计算各视频分段的运动基元数量的方式，包括：

将所述各视频分段的视觉特征输入到预先配置的运动基元计算模型，得到各视频分段的运动基元数量。

4.根据权利要求1所述的视频特征学习方法，其特征在于，所述基于各视频分段的运动基元数量、所述视频样本的运动基元数量和预设约束条件对目标分类模型进行训练，得到训练后的目标分类模型，包括：

基于各视频分段的运动基元数量和所述视频样本的运动基元数量对目标分类模型进行训练；

在训练过程中根据预设损失函数计算该目标分类模型的Loss值，直到所述Loss值小于预设值时结束训练，得到训练后的目标分类模型，其中，当所述Loss值小于预设值时，所述训练后的目标分类模型满足所述预设约束条件。

5.根据权利要求4所述的视频特征学习方法，其特征在于，所述预设损失函数为：

其中，X_total为视频样本X，X_m为视频样本X中的第m个视频分段，Y为不同于视频样本X的另一个视频样本，函数F为对视频片段的特征表示方法，函数N为根据视频特征提取运动基元数量的方法，为将视频样本X中所有视频分段取样的运动基元数量相加的方法，C为用于保证最优解非零的一个常数。

6.根据权利要求1-5中任意一项所述的视频特征学习方法，其特征在于，所述预设约束条件包括：

视频样本的运动基元数量等于该视频样本中的各个视频分段对应的运动基元数量之和。

7.根据权利要求6所述的视频特征学习方法，其特征在于，所述视频样本的运动基元数量等于该视频样本中的各个视频分段对应的运动基元数量之和的表达式为：

Num_total＝Num_group1+Num_group2+…+Num_groupm

其中，Num_total为视频样本X的视觉特征的运动基元数量，Num_groupm为视频样本X的第m个视频分段的视觉特征的运动基元数量。

8.一种视频特征学习装置，其特征在于，应用于电子设备，所述装置包括：

获得模块，用于获得待训练的视频样本，所述视频样本包括有多帧图像；

分段模块，用于对所述视频样本进行分段，得到多个连续的视频分段，其中，每个所述视频分段对应至少一个运动基元，所述运动基元为针对所述视频样本，基于动作分解得到的视觉基础单元；

第一提取模块，用于针对各视频分段，提取各视频分段的视觉特征，并计算各视频分段的运动基元数量；

第二提取模块，用于针对所述视频样本，提取所述视频样本的视觉特征，并计算所述视频样本的运动基元数量；

训练模块，用于基于各视频分段的运动基元数量、所述视频样本的运动基元数量和预设约束条件对目标分类模型进行训练，得到训练后的目标分类模型。