[发明专利]一种视频检测方法、设备及存储介质

权利要求书

1.一种视频检测方法，其特征在于，包括：

获取待检测视频中的至少一帧图像；

提取所述至少一帧图像中的隐写特征以及与指定对象关联的视觉特征；

根据所述至少一帧图像中的隐写特征以及与指定对象关联的视觉特征，分析所述至少一帧图像在时序上的特征差异性；

根据所述至少一帧图像中的隐写特征以及与指定对象关联的视觉特征和所述至少一帧图像在时序上的特征差异性，检测所述待检测视频是否被改动。

2.根据权利要求1所述的方法，其特征在于，所述提取所述至少一帧图像中的隐写特征以及与指定对象关联的视觉特征，包括：

将所述至少一帧图像输入卷积神经网络，利用所述卷积神经网络提取所述至少一帧图像中的隐写特征以及与指定对象关联的视觉特征。

3.根据权利要求2所述的方法，其特征在于，将所述至少一帧图像输入卷积神经网络，利用所述卷积神经网络提取所述至少一帧图像中的隐写特征以及与指定对象关联的视觉特，包括：

将所述至少一帧图像输入第一卷积神经网络，利用所述第一卷积神经网络对所述至少一帧图像进行卷积处理，以从所述至少一帧图像中提取反映隐写特征的特征图；

将所述至少一帧图像输入第二卷积神经网络，利用所述第二卷积神经网络对所述至少一帧图像进行卷积处理，以从所述至少一帧图像中提取反映与指定对象关联的视觉特征的特征图。

4.根据权利要求3所述的方法，其特征在于，所述隐写特征为邻域相关性，所述利用所述第一卷积神经网络对所述至少一帧图像进行卷积处理，以从所述至少一帧图像中提取反映隐写特征的特征图，包括：

针对每一帧图像，利用所述第一卷积神经网络的多个卷积层依次对所述帧图像进行卷积处理，以从所述帧图像中提取反映邻域相关性的特征图；

其中，在所述第一卷积神经网络的首个卷积层中，利用均值为0的卷积核对所述帧图像进行卷积处理。

5.根据权利要求2所述的方法，其特征在于，所述将所述至少一帧图像输入卷积神经网络，包括：

检测所述至少一帧图像中的指定对象；

对所述至少一帧图像中的指定对象进行对齐处理；

将经过对齐处理的所述至少一帧图像输入所述卷积神经网络，以利用所述卷积神经网络提取所述至少一帧图像中的隐写特征以及与指定对象关联的视觉特征。

6.根据权利要求1所述的方法，其特征在于，所述根据所述至少一帧图像中的隐写特征以及与指定对象关联的视觉特征，分析所述至少一帧图像在时序上的特征差异性，包括：

根据所述至少一帧图像中的隐写特征以及与所述指定对象关联的视觉特征，分别生成所述至少一帧图像各自对应的空间特征向量；

按照所述至少一帧图像之间的时序关系，对所述至少一帧图像各自对应的空间特征向量进行排序，以形成空间特征序列；

根据所述空间特征序列，分析所述至少一帧图像在时序上的特征差异性。

7.根据权利要求6所述的方法，其特征在于，所述根据所述至少一帧图像中的隐写特征以及与指定对象关联的视觉特征，分别生成所述至少一帧图像各自对应的空间特征向量，包括：

针对每一帧图像，分别对所述帧图像中提取出的隐写特征和与指定对象关联的视觉特征进行全局池化处理，以获得所述帧图像对应的隐写特征向量和视觉特征向量；

将所述帧图像对应的隐写特征向量和视觉特征向量拼接，并将拼接结果输入第一全连接网络；

在所述第一全连接网络内，基于预置的权重参数对所述帧图像对应的隐写特征向量和视觉特征向量进行融合，以获得所述帧图像对应的空间特征向量。

8.根据权利要求6所述的方法，其特征在于，根据所述空间特征序列，分析所述至少一帧图像在时序上的特征差异性，包括：

将所述空间特征序列输入循环神经网络，利用所述循环神经网络，分析所述至少一帧图像在时序上的特征差异性。