本申请涉及计算机技术领域，具体涉及计算机网络技术领域，尤其涉及用于确定重复视频的方法和装置。
背景技术：
在目前的互联网视频业务中，为了节省硬件资源、提高用户体验，在储存视频时需要识别出高相似度视频，并对高相似度视频去重。
目前的视频去重处理方法主要包括以下几种：第一种方法中根据视频文件md5值去重。第二种方法中根据视频文本元数据信息去重，例如基于向量空间模型(vsm)在为每个视频建立文本向量空间模型后，计算两个向量的距离就得到了对于视频相似度。第三种方法中根据视频内容去重，可以通过关键帧的图像匹配来计算视频的相似度。
然而，上述的第一种方法中，视频经过转码后md5值就会变化，而且无法识别出内容高度相似的视频。第二种方法中度量计算时间复杂度高，面对大量的互联网视频，计算代价太大。第三种方法中计算时间复杂度较高，而且单个相似度的计算量过于复杂，不具有实际工程应用性；并且有些视频内容具有很高的相似性，但是由于拍摄期间或者后期处理等的差异性，使得关键帧不相同造成漏识别。
技术实现要素：
本申请实施例提供了用于确定重复视频的方法和装置。
第一方面，本申请实施例提供了一种用于确定重复视频的方法，包括：获取当前视频；对比当前视频中包括人脸的时间段与已有视频库中的各个已有视频中包括人脸的时间段，得到各个已有视频与当前视频的相似度；响应于对比的结果指示已有视频库中存在与当前视频的相似度大于预设阈值的已有视频，确定当前视频与该已有视频重复。
在一些实施例中，对比当前视频中包括人脸的时间段与已有视频库中的各个已有视频中包括人脸的时间段，得到各个已有视频与当前视频的相似度包括：对当前视频中的人脸进行人脸跟踪，确定当前视频中的人脸出现的第一时间段集合；对各个已有视频中的人脸进行人脸跟踪，确定各个已有视频中的人脸出现的第二时间段集合；对比当前视频的第一时间段集合与已有视频库中的各个已有视频的第二时间段集合，得到各个已有视频与当前视频的相似度。
在一些实施例中，对比当前视频中包括人脸的时间段与已有视频库中的各个已有视频中包括人脸的时间段，得到各个已有视频与当前视频的相似度包括：对当前视频中的人脸进行人脸跟踪，确定当前视频中的人脸出现的第一时间段集合；对已有视频库中各个已有视频中的人脸进行人脸跟踪，确定各个已有视频中的人脸出现的第二时间段集合；对比当前视频的第一时间段集合与已有视频库中的各个已有视频的第二时间段集合，得到预判相似值集合；响应于预判相似值集合中存在大于预定阈值的预判相似值，基于大于预定阈值的预判相似值对应的已有视频，确定对应该已有视频的各个第二时间段的第二人脸标签集合；基于当前视频，确定对应各个第一时间段的第一人脸标签集合；对比当前视频的第一人脸标签集合中的第一人脸标签与该已有视频的第二人脸标签集合中的第二人脸标签，得到各个已有视频与当前视频的相似度。
在一些实施例中，基于当前视频，确定对应各个第一时间段的第一人脸标签集合包括：对于当前视频的各个第一时间段中的各个视频帧，提取每个人脸的特征形成多维向量，基于各个人脸的多维向量形成第一人脸向量矩阵；基于大于预定阈值的预判相似值对应的已有视频，确定对应该已有视频的各个第二时间段的第二人脸标签集合包括：对于大于预定阈值的预判相似值对应的已有视频的各个第二时间段中的各个视频帧，提取每个人脸的特征形成多维向量，基于各个人脸的多维向量形成第二人脸向量矩阵。
在一些实施例中，第一人脸标签集合中包括第一人脸标签子集序列，第一人脸标签子集序列中的每一个第一人脸标签子集对应当前视频中的一个视频帧且包括多个人脸标签；第二人脸标签集合中包括第二人脸标签子集序列，第二人脸标签子集序列中的每一个第二人脸标签子集对应大于预定阈值的预判相似值对应的已有视频中的一个视频帧且包括多个人脸标签；对比当前视频的第一人脸标签集合中的第一人脸标签与该已有视频的第二人脸标签集合中的第二人脸标签包括：对比第一时间段集合中出现的人脸标签子集序列与第二时间段集合中出现的人脸标签子集序列。
第二方面，本申请实施例提供了一种用于确定重复视频的装置，包括：视频获取单元，被配置成获取当前视频；视频对比单元，被配置成对比当前视频中包括人脸的时间段与已有视频库中的各个已有视频中包括人脸的时间段，得到各个已有视频与当前视频的相似度；重复确定单元，被配置成响应于对比的结果指示已有视频库中存在与当前视频的相似度大于预设阈值的已有视频，确定当前视频与该已有视频重复。
在一些实施例中，视频对比单元包括：第一跟踪子单元，被配置成对当前视频中的人脸进行人脸跟踪，确定当前视频中的人脸出现的第一时间段集合；第二跟踪子单元，被配置成对各个已有视频中的人脸进行人脸跟踪，确定各个已有视频中的人脸出现的第二时间段集合；相似度确定子单元，被配置成对比当前视频的第一时间段集合与已有视频库中的各个已有视频的第二时间段集合，得到各个已有视频与当前视频的相似度。
在一些实施例中，视频对比单元包括：第一跟踪子单元，被配置成对当前视频中的人脸进行人脸跟踪，确定当前视频中的人脸出现的第一时间段集合；第二跟踪子单元，被配置成对已有视频库中各个已有视频中的人脸进行人脸跟踪，确定各个已有视频中的人脸出现的第二时间段集合；预先对比子单元，被配置成对比当前视频的第一时间段集合与已有视频库中的各个已有视频的第二时间段集合，得到预判相似值集合；第二确定子单元，被配置成响应于预判相似值集合中存在大于预定阈值的预判相似值，基于大于预定阈值的预判相似值对应的已有视频，确定对应该已有视频的各个第二时间段的第二人脸标签集合；第一确定子单元，被配置成基于当前视频，确定对应各个第一时间段的第一人脸标签集合；相似度对比子单元，被配置成对比当前视频的第一人脸标签集合中的第一人脸标签与该已有视频的第二人脸标签集合中的第二人脸标签，得到各个已有视频与当前视频的相似度。
在一些实施例中，第一确定子单元进一步被配置成：对于当前视频的各个第一时间段中的各个视频帧，提取每个人脸的特征形成多维向量，基于各个人脸的多维向量形成第一人脸向量矩阵；第二确定子单元进一步被配置成：对于大于预定阈值的预判相似值对应的已有视频的各个第二时间段中的各个视频帧，提取每个人脸的特征形成多维向量，基于各个人脸的多维向量形成第二人脸向量矩阵。
在一些实施例中，第一确定子单元中的第一人脸标签集合中包括第一人脸标签子集序列，第一人脸标签子集序列中的每一个第一人脸标签子集对应当前视频中的一个视频帧且包括多个人脸标签；第二确定子单元中的第二人脸标签集合中包括第二人脸标签子集序列，第二人脸标签子集序列中的每一个第二人脸标签子集对应大于预定阈值的预判相似值对应的已有视频中的一个视频帧且包括多个人脸标签；相似度对比子单元进一步被配置成：对比第一时间段集合中出现的人脸标签子集序列与第二时间段集合中出现的人脸标签子集序列。
第三方面，本申请实施例提供了一种设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上任一所述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一所述的方法。
本申请实施例提供的用于确定重复视频的方法和装置，首先，获取当前视频；之后，对比当前视频中包括人脸的时间段与已有视频库中的各个已有视频中包括人脸的时间段，得到各个已有视频与当前视频的相似度；最后，响应于对比的结果指示已有视频库中存在与当前视频的相似度大于预设阈值的已有视频，确定当前视频与该已有视频重复。在这一过程中，通过对比当前视频中包括人脸的时间段与已有视频库中的各个已有视频中包括人脸的时间段来确定与当前视频重复的视频，提高了确定视频重复性的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的用于确定重复视频的方法的一个实施例的流程示意图；
图3是根据本申请实施例的用于确定重复视频的方法的一个应用场景示意图；
图4是根据本申请的用于确定重复视频的方法的又一个实施例的流程示意图；
图5是本申请的用于确定重复视频的装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。本领域技术人员还将理解的是，虽然本文中可使用用语“第一”、“第二”等来描述各种时间段集合、人脸标签集合、人脸标签子集序列、人脸标签子集、跟踪子单元、确定子单元等，但是这些时间段集合、人脸标签集合、人脸标签子集序列、人脸标签子集、跟踪子单元、确定子单元不应被这些用语限制。这些用语仅用于将一个时间段集合、人脸标签集合、人脸标签子集序列、人脸标签子集、跟踪子单元、确定子单元与其它时间段集合、人脸标签集合、人脸标签子集序列、人脸标签子集、跟踪子单元、确定子单元区分开。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105、106。网络104用以在终端设备101、102、103和服务器105、106之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端设备101、102、103通过网络104与服务器105、106交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如视频采集类应用、视频播放类应用、即时通信工具、邮箱客户端、社交平台软件、搜索引擎类应用、购物类应用等。
终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105、106可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对终端提交的数据进行分析、存储或计算等处理，并将分析、存储或计算结果推送给终端设备。
需要说明的是，在实践中，本申请实施例所提供的用于确定重复视频的方法一般由服务器105、106执行，相应地，用于确定重复视频的装置一般设置于服务器105、106中。然而，当终端设备的性能可以满足该方法的执行条件或该设备的设置条件时，本申请实施例所提供的用于确定重复视频的方法也可以由终端设备101、102、103执行，用于确定重复视频的装置也可以设置于终端设备101、102、103中。
应该理解，图1中的终端、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络和服务器。
继续参考图2，示出了根据本申请的用于确定重复视频的方法的一个实施例的流程200。该用于确定重复视频的方法，包括以下步骤：
步骤201，获取当前视频。
在本实施例中，上述用于确定重复视频的方法运行于其上的电子设备(例如图1所示的服务器或终端)可以从本地或其它终端、服务器获取当前视频。这里的当前视频为需要确定是否与已有视频重复的视频。
步骤202，对比当前视频中包括人脸的时间段与已有视频库中的各个已有视频中包括人脸的时间段，得到各个已有视频与当前视频的相似度。
在本实施例中，可以从当前视频中识别出包括人脸的时间段集合，并从各个已有视频中分别识别出包括人脸的时间段集合，并对比从当前视频中识别出的时间段集合与从各个已有视频中分别识别出的时间段集合，得到各个已有视频与当前视频的相似度。
这里得到的相似度，可以直接根据预设的相似度规则得到，也可以进一步处理当前视频中的数据和已有视频中的数据之后再对比处理后的数据得到。这里的相似度规则，可以由人工根据经验设定或基于历史的重复视频样本确定。
例如，在一个预设的相似度规则中，若设定两个视频中的时间段集合完全重合，则判定相似度为100％；若设定两个视频中的时间段集合的长度完全相等，但两个视频的起始时间不同，则判定相似度为96％。那么，若从当前视频中识别出的包括人脸的时间段集合为：15秒至24秒，27秒至34秒，38秒至41秒以及43秒至54秒；而从已有视频a中识别出的包括人脸的时间段集合为：15秒至24秒，27秒至34秒，38秒至41秒以及43秒至54秒；从已有视频b中识别出的包括人脸的时间段集合为：12秒至21秒，24秒至31秒，35秒至38秒以及40秒至51秒。那么已有视频a与当前视频的时间段集合完全重合，相似度为100％；已有视频b中的时间段分别比当前视频的时间段提前3秒，相似度为96％。
在本实施例的一些可选实现方式中，对比当前视频中包括人脸的时间段与已有视频库中的各个已有视频中包括人脸的时间段，得到各个已有视频与当前视频的相似度包括：对当前视频中的人脸进行人脸跟踪，确定当前视频中的人脸出现的第一时间段集合；对各个已有视频中的人脸进行人脸跟踪，确定各个已有视频中的人脸出现的第二时间段集合；对比当前视频的第一时间段集合与已有视频库中的各个已有视频的第二时间段集合，得到各个已有视频与当前视频的相似度。
在本实现方式中，采用人脸跟踪技术可以确定人脸出现的视频帧，并确定对应这些出现人脸的视频帧的时间段集合。之后对比当前视频的第一时间段集合与已有视频库中的各个已有视频的第二时间段集合，可以快速确定两个视频中的时间段集合的相似度。
步骤203，响应于对比的结果指示已有视频库中存在与当前视频的相似度大于预设阈值的已有视频，确定当前视频与该已有视频重复。
在本实施例中，响应于步骤202得到的相似度中存在大于阈值的相似度，表明当前视频与相似度大于预设阈值的已有视频高度相似，那么该大于阈值的相似度对应的已有视频与当前视频重复。
以下结合图3，描述本申请的用于确定重复视频的方法的示例性应用场景。
如图3所示，图3示出了根据本申请的用于确定重复视频的方法的一个应用场景的示意性流程图。
如图3所示，用于确定重复视频的方法300运行于电子设备310中，可以包括：
首先，获取当前视频301；
之后，对比当前视频301中包括人脸的时间段302与已有视频库303中的各个已有视频304中包括人脸的时间段305，得到各个已有视频与当前视频的相似度306；
最后，响应于对比的结果指示已有视频库303中存在与当前视频301的相似度306大于预设阈值307的已有视频308，确定当前视频301与该已有视频308重复。
应当理解，上述图3中所示出的用于确定重复视频的方法的应用场景，仅为对于用于确定重复视频的方法的示例性描述，并不代表对该方法的限定。例如，上述图3中示出的各个步骤，可以进一步采用更为细节的实现方法。
本申请上述实施例提供的用于确定重复视频的方法，首先获取当前视频；之后对比当前视频中包括人脸的时间段与已有视频库中的各个已有视频中包括人脸的时间段，得到各个已有视频与当前视频的相似度；最后响应于对比的结果指示已有视频库中存在与当前视频的相似度大于预设阈值的已有视频，确定当前视频与该已有视频重复。在这一过程中，通过各个已有视频中包括人脸的时间段与当前视频中包括人脸的时间段的相似度，确定重复视频，提高了确定重复视频的效率和准确度。
请参考图4，其示出了根据本申请的用于确定重复视频的方法的又一个实施例的流程图。
如图4所示，本实施例的用于确定重复视频的方法的流程400，可以包括以下步骤：
在步骤401中，获取当前视频。
在本实施例中，上述用于确定重复视频的方法运行于其上的电子设备(例如图1所示的服务器或终端)可以从本地或其它终端、服务器获取当前视频。这里的当前视频为需要确定是否与已有视频重复的视频。
在步骤402中，对当前视频中的人脸进行人脸跟踪，确定当前视频中的人脸出现的第一时间段集合。
在本实施例中，采用人脸跟踪技术跟踪当前视频中的人脸，可以得到当前视频中的人脸出现的图像帧以及这些图像帧对应的第一时间戳。之后，基于这些第一时间戳可以计算出当前视频中的人脸出现的各个时间段，也即得到第一时间段集合。
在步骤403中，对已有视频库中各个已有视频中的人脸进行人脸跟踪，确定各个已有视频中的人脸出现的第二时间段集合。
在本实施例中，采用人脸跟踪技术跟踪各个已有视频中的人脸，可以得到各个已有视频中的人脸出现的图像帧以及这些图像帧对应的第二时间戳。之后，基于这些第二时间戳可以计算出各个已有视频中的人脸出现的各个时间段，也即得到第二时间段集合。
在步骤404中，对比当前视频的第一时间段集合与已有视频库中的各个已有视频的第二时间段集合，得到预判相似值集合。
在本实施例中，通过首先对比当前视频的第一时间段集合与各个已有视频的第二时间段集合，可以得到两个视频的大致相似情况，以作为后续进一步精确判断的基础。
在步骤405中，响应于预判相似值集合中存在大于预定阈值的预判相似值，基于大于预定阈值的预判相似值对应的已有视频，确定对应该已有视频的各个第二时间段的第二人脸标签集合。
在本实施例中，上述电子设备响应于步骤405中判断的结果为存在大于预设的阈值的预判相似值，可以对该大于预定阈值的预判相似值对应的已有视频的内容与当前视频的内容进行进一步的对比。具体地，可以提取出对应该已有视频的各个第二时间段的第二人脸标签集合。
在一个具体的示例中，大于预定阈值的预判相似值对应的已有视频c中包括12个包括人脸的第二时间段，对应第一个第二时间段中的5张视频，可以得到这5张视频中包括的人脸标签集合c1：{“aaa”，“bbb”，“ccc”，“aaa”，“ddd”，“ccc”，“bbb”，“ddd”，“ccc”，“abc”，“ccc”，“abc”，“acd”，“ccc”，“abc”，“acd”，“ddd”}；以此类推，视频c中包括的人脸标签集合为{c1，c2，c3，c4，c5，c6，c7，c8，c9，c10，c11，c12}，其中，c1-c12代表视频c中对应第一个第二时间段中的视频的人脸标签集合至对应第十二个第二时间段中的视频的人脸标签集合，1-12分别代表12个时间段。
在另一个具体的示例中，大于预定阈值的预判相似值对应的已有视频d中包括12个包括人脸的第二时间段，对应第一个第二时间段中的5张视频，可以得到这5张视频中包括的人脸标签集合d1：{“aef”，“bcd”，“cmn”，“abf”，“def”，“cbd”，“bce”，“def”，“cbd”，“aef”，“cbd”，“aef”，“abf”，“cbd”，“aef”，“acd”，“def”}；以此类推，视频d中包括的人脸标签集合为{d1，d2，d3，d4，d5，d6，d7，d8，d9，d10，d11，d12}，其中，d1-d12代表视频d中对应第一个第二时间段中的视频的人脸标签集合至对应第十二个第二时间段中的视频的人脸标签集合，1-12分别代表12个时间段。
在步骤406中，基于当前视频，确定对应各个第一时间段的第一人脸标签集合。
在本实施例中，上述电子设备可以提取当前视频中的内容，以便后续对当前视频中的内容和步骤405中的大于预定阈值的预判相似值对应的已有视频的内容进行进一步的对比。具体地，可以提取出对应当前视频的各个第一时间段的第一人脸标签集合。
在一个具体的示例中，当前视频e中包括12个包括人脸的第一时间段，对应第一个第一时间段中的5张视频，可以得到这5张视频中包括的人脸标签集合e1：{“aaa”，“bbb”，“ccc”，“aaa”，“ddd”，“ccc”，“bbb”，“ddd”，“ccc”，“abc”，“ccc”，“abc”，“acd”，“ccc”，“abc”，“acd”，“ddd”}；以此类推，视频e中包括的人脸标签集合为{e1，e2，e3，e4，e5，e6，e7，e8，e9，e10，e11，e12}，其中，e1-e12代表视频e中对应第一个第一时间段中的视频的人脸标签集合至对应第十二个第一时间段中的视频的人脸标签集合，1-12分别代表12个时间段。
在本实施例的一些可选实现方式中，第一人脸标签集合中包括第一人脸标签子集序列，第一人脸标签子集序列中的每一个第一人脸标签子集对应当前视频中的一个视频帧且包括多个人脸标签；第二人脸标签集合中包括第二人脸标签子集序列，第二人脸标签子集序列中的每一个第二人脸标签子集对应大于预定阈值的预判相似值对应的已有视频中的一个视频帧且包括多个人脸标签；对比当前视频的第一人脸标签集合中的第一人脸标签与该已有视频的第二人脸标签集合中的第二人脸标签包括：对比第一时间段集合中出现的人脸标签子集序列与第二时间段集合中出现的人脸标签子集序列。
在本实现方式中，上述电子设备在提取当前视频或大于预定阈值的预判相似值对应的已有视频中的人脸标签集合时，可以同时提取人脸标签集合的时序特征。之后，在对比两个视频的人脸标签集合时，可以对比两个视频的人脸标签子集序列。在该实现方式中，在对比时不但考虑了视频中的内容，还进一步考虑了视频中的时序特征，因此可以得到更为精确的对比结果。
在一个具体的示例中，上述已有视频c中包括12个包括人脸的第二时间段，对应第一个第二时间段中的5张视频，可以得到这5张视频中分别对应的人脸标签子集，从而得到人脸标签子集序列c1s：{[“aaa”，“bbb”，“ccc”]，[“aaa”，“ddd”，“ccc”，“bbb”]，[“ddd”，“ccc”，“abc”]，[“ccc”，“abc”，“acd”，“ccc”]，[“abc”，“acd”，“ddd”]}；以此类推，可以得到12个第二时间段的人脸标签子集序列{c1s，c2s，c3s，c4s，c5s，c6s，c7s，c8s，c9s，c10s，c11s，c12s}，其中，c1s-c12s代表视频c中对应第一个第二时间段中的视频的人脸标签子集序列至对应第十二个第二时间段中的视频的人脸标签子集序列。
在该示例中，上述当前视频e中包括12个包括人脸的第一时间段，对应第一个第一时间段中的5张视频，可以得到这5张视频中分别对应的人脸标签子集，从而得到人脸标签子集序列e1s：{[“aaa”，“bbb”，“eee”]，[“aaa”，“ddd”，“eee”，“bbb”]，[“ddd”，“eee”，“abe”]，[“eee”，“abe”，“aed”，“eee”]，[“abe”，“aed”，“ddd”]}；以此类推，可以得到12个第二时间段的人脸标签子集序列{e1s，e2s，e3s，e4s，e5s，e6s，e7s，e8s，e9s，e10s，e11s，e12s}，其中，e1s-e12s代表视频e中对应第一个第一时间段中的视频的人脸标签子集序列至对应第十二个第一时间段中的视频的人脸标签子集序列。
之后，在对比上述已有视频c和当前视频e时，可以对比两者的人脸标签子集序列。若对比结果完全相同，那么可以判定两个视频重复。
在本实现方式中，通过采用人脸标签子集序列对比重复视频，在对比的过程中同时考虑了视频的内容和时序特征，提高了判断重复视频的准确性。
在本实施例的一些可选实现方式中，基于当前视频，确定对应各个第一时间段的第一人脸标签集合包括：对于当前视频的各个第一时间段中的各个视频帧，提取每个人脸的特征形成多维向量，基于各个人脸的多维向量形成第一人脸向量矩阵；基于大于预定阈值的预判相似值对应的已有视频，确定对应该已有视频的各个第二时间段的第二人脸标签集合包括：对于大于预定阈值的预判相似值对应的已有视频的各个第二时间段中的各个视频帧，提取每个人脸的特征形成多维向量，基于各个人脸的多维向量形成第二人脸向量矩阵。
在本实现方式中，在确定视频中包括人脸的时间段的人脸标签集合时，可以采用人脸向量矩阵来表示单张视频中的人脸标签集合。首先，可以采用一个多维向量来对应单张人脸的特征，那么在单张视频中出现了几张人脸，就可以得到行数为几行的多维向量矩阵。
在一个具体的示例中，可以提取单张视频中n张人脸的特征并生成128维的向量，得到128×n的向量矩阵。
在本实现方式中，通过采用多维人脸向量矩阵来量化重复视频的对比，可以提高对比重复视频的速度，并提高对比重复视频的准确性。
在步骤407中，对比当前视频的第一人脸标签集合中的第一人脸标签与该已有视频的第二人脸标签集合中的第二人脸标签，得到各个已有视频与当前视频的相似度。
在本实施例中，当对比当前视频的第一人脸标签集合中的第一人脸标签与该已有视频的第二人脸标签集合中的第二人脸标签时，相同的标签越多，那么已有视频与当前视频的相似度越高；相同的标签越少，那么已有视频与当前视频的相似度越低。这里的相似度的计算方法，可以根据预先设定的规则或算法得到。例如，可以设定相似度的值为相同的人脸标签的数量占人脸标签总数的比值。也可以将各个人脸标签集合中的人脸标签转化为空间向量，根据两个空间向量的距离来确定相似度。
在一个具体的示例中，如上述的已有视频c和当前视频e，两个视频的人脸标签完全相同，那么已有视频c和当前视频e的相似度为100％。
在另一个具体的示例中，如上述的已有视频d和当前视频e，两个视频的人脸标签差别很大，仅在17个人脸标签中存在一个相同的人脸标签，那么已有视频d与当前视频e的相似度很低，若预先设定的相似度的值为相同的人脸标签占人脸标签总数的比值，那么已有视频d与当前视频e的相似度为5.88％。
在步骤408中，响应于对比的结果指示已有视频库中存在与当前视频的相似度大于预设阈值的已有视频，确定当前视频与该已有视频重复。
在本实施例中，若步骤407中的对比的结果指示当前视频与该已有视频的相似度大于预设阈值，也即已有视频库中存在与当前视频高度相似的已有视频，那么可以确定当前视频与该已有视频重复。
本申请上述实施例的用于确定重复视频的方法，在图2中所示的实施例的基础上，通过进一步对视频内容进行对比，提高了判断重复视频的准确性。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于确定重复视频的装置的一个实施例，该装置实施例与图2-图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于确定重复视频的装置500可以包括：视频获取单元510，被配置成获取当前视频；视频对比单元520，被配置成对比当前视频中包括人脸的时间段与已有视频库中的各个已有视频中包括人脸的时间段，得到各个已有视频与当前视频的相似度；重复确定单元530，被配置成响应于对比的结果指示已有视频库中存在与当前视频的相似度大于预设阈值的已有视频，确定当前视频与该已有视频重复。
在本实施例的一些可选实现方式中，视频对比单元包括(图中未示出)：第一跟踪子单元，被配置成对当前视频中的人脸进行人脸跟踪，确定当前视频中的人脸出现的第一时间段集合；第二跟踪子单元，被配置成对各个已有视频中的人脸进行人脸跟踪，确定各个已有视频中的人脸出现的第二时间段集合；相似度确定子单元，被配置成对比当前视频的第一时间段集合与已有视频库中的各个已有视频的第二时间段集合，得到各个已有视频与当前视频的相似度。
在本实施例的一些可选实现方式中，视频对比单元包括(图中未示出)：第一跟踪子单元，被配置成对当前视频中的人脸进行人脸跟踪，确定当前视频中的人脸出现的第一时间段集合；第二跟踪子单元，被配置成对已有视频库中各个已有视频中的人脸进行人脸跟踪，确定各个已有视频中的人脸出现的第二时间段集合；预先对比子单元，被配置成对比当前视频的第一时间段集合与已有视频库中的各个已有视频的第二时间段集合，得到预判相似值集合；第二确定子单元，被配置成响应于预判相似值集合中存在大于预定阈值的预判相似值，基于大于预定阈值的预判相似值对应的已有视频，确定对应该已有视频的各个第二时间段的第二人脸标签集合；第一确定子单元，被配置成基于当前视频，确定对应各个第一时间段的第一人脸标签集合；相似度对比子单元，被配置成对比当前视频的第一人脸标签集合中的第一人脸标签与该已有视频的第二人脸标签集合中的第二人脸标签，得到各个已有视频与当前视频的相似度。
在本实施例的一些可选实现方式中，第一确定子单元(图中未示出)进一步被配置成：对于当前视频的各个第一时间段中的各个视频帧，提取每个人脸的特征形成多维向量，基于各个人脸的多维向量形成第一人脸向量矩阵；第二确定子单元(图中未示出)进一步被配置成：对于大于预定阈值的预判相似值对应的已有视频的各个第二时间段中的各个视频帧，提取每个人脸的特征形成多维向量，基于各个人脸的多维向量形成第二人脸向量矩阵。
在本实施例的一些可选实现方式中，第一确定子单元(图中未示出)中的第一人脸标签集合中包括第一人脸标签子集序列，第一人脸标签子集序列中的每一个第一人脸标签子集对应当前视频中的一个视频帧且包括多个人脸标签；第二确定子单元(图中未示出)中的第二人脸标签集合中包括第二人脸标签子集序列，第二人脸标签子集序列中的每一个第二人脸标签子集对应大于预定阈值的预判相似值对应的已有视频中的一个视频帧且包括多个人脸标签；相似度对比子单元(图中未示出)进一步被配置成：对比第一时间段集合中出现的人脸标签子集序列与第二时间段集合中出现的人脸标签子集序列。
应当理解，装置500中记载的诸单元可以与参考图2-图4描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。上述几个可选实现方式中的第一跟踪子单元和第二跟踪子单元，虽然在不同的可选实现方式中分别出现，但第一跟踪子单元在不同的可选实现方式中实现的功能完全相同，第二跟踪子单元在不同的可选实现方式中实现的功能也完全相同，因此可以在不同的可选实现方式中采用同样的第一跟踪子单元和第二跟踪子单元来实现。
下面参考图6，其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的终端设备或服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括视频获取单元，视频对比单元和重复确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，视频获取单元还可以被描述为“获取当前视频的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取当前视频；对比当前视频中包括人脸的时间段与已有视频库中的各个已有视频中包括人脸的时间段，得到各个已有视频与当前视频的相似度；响应于对比的结果指示已有视频库中存在与当前视频的相似度大于预设阈值的已有视频，确定当前视频与该已有视频重复。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
1.一种用于确定重复视频的方法，包括：
获取当前视频；
对比所述当前视频中包括人脸的时间段与已有视频库中的各个已有视频中包括人脸的时间段，得到各个已有视频与所述当前视频的相似度；
响应于对比的结果指示所述已有视频库中存在与所述当前视频的相似度大于预设阈值的已有视频，确定所述当前视频与该已有视频重复。
2.根据权利要求1所述的方法，其中，所述对比所述当前视频中包括人脸的时间段与已有视频库中的各个已有视频中包括人脸的时间段，得到各个已有视频与所述当前视频的相似度包括：
对所述当前视频中的人脸进行人脸跟踪，确定所述当前视频中的人脸出现的第一时间段集合；
对各个已有视频中的人脸进行人脸跟踪，确定各个已有视频中的人脸出现的第二时间段集合；
对比所述当前视频的第一时间段集合与已有视频库中的各个已有视频的第二时间段集合，得到各个已有视频与所述当前视频的相似度。
3.根据权利要求1所述的方法，其中，所述对比所述当前视频中包括人脸的时间段与已有视频库中的各个已有视频中包括人脸的时间段，得到各个已有视频与所述当前视频的相似度包括：
对所述当前视频中的人脸进行人脸跟踪，确定所述当前视频中的人脸出现的第一时间段集合；
对所述已有视频库中各个已有视频中的人脸进行人脸跟踪，确定各个已有视频中的人脸出现的第二时间段集合；
对比所述当前视频的第一时间段集合与已有视频库中的各个已有视频的第二时间段集合，得到预判相似值集合；
响应于所述预判相似值集合中存在大于预定阈值的预判相似值，基于大于预定阈值的预判相似值对应的已有视频，确定对应该已有视频的各个第二时间段的第二人脸标签集合；
基于当前视频，确定对应各个第一时间段的第一人脸标签集合；
对比所述当前视频的所述第一人脸标签集合中的第一人脸标签与所述该已有视频的所述第二人脸标签集合中的第二人脸标签，得到各个已有视频与所述当前视频的相似度。
4.根据权利要求3所述的方法，其中，所述基于当前视频，确定对应各个第一时间段的第一人脸标签集合包括：对于所述当前视频的各个第一时间段中的各个视频帧，提取每个人脸的特征形成多维向量，基于各个人脸的多维向量形成第一人脸向量矩阵；
所述基于大于预定阈值的预判相似值对应的已有视频，确定对应该已有视频的各个第二时间段的第二人脸标签集合包括：对于大于预定阈值的预判相似值对应的已有视频的各个第二时间段中的各个视频帧，提取每个人脸的特征形成多维向量，基于各个人脸的多维向量形成第二人脸向量矩阵。
5.根据权利要求3或4任意一项所述的方法，其中，所述第一人脸标签集合中包括第一人脸标签子集序列，所述第一人脸标签子集序列中的每一个第一人脸标签子集对应所述当前视频中的一个视频帧且包括多个人脸标签；
所述第二人脸标签集合中包括第二人脸标签子集序列，所述第二人脸标签子集序列中的每一个第二人脸标签子集对应大于预定阈值的预判相似值对应的已有视频中的一个视频帧且包括多个人脸标签；
所述对比所述当前视频的所述第一人脸标签集合中的第一人脸标签与所述该已有视频的所述第二人脸标签集合中的第二人脸标签包括：对比所述第一时间段集合中出现的人脸标签子集序列与所述第二时间段集合中出现的人脸标签子集序列。
6.一种用于确定重复视频的装置，包括：
视频获取单元，被配置成获取当前视频；
视频对比单元，被配置成对比所述当前视频中包括人脸的时间段与已有视频库中的各个已有视频中包括人脸的时间段，得到各个已有视频与所述当前视频的相似度；
重复确定单元，被配置成响应于对比的结果指示所述已有视频库中存在与所述当前视频的相似度大于预设阈值的已有视频，确定所述当前视频与该已有视频重复。
7.根据权利要求6所述的装置，其中，所述视频对比单元包括：
第一跟踪子单元，被配置成对所述当前视频中的人脸进行人脸跟踪，确定所述当前视频中的人脸出现的第一时间段集合；
第二跟踪子单元，被配置成对各个已有视频中的人脸进行人脸跟踪，确定各个已有视频中的人脸出现的第二时间段集合；
相似度确定子单元，被配置成对比所述当前视频的第一时间段集合与已有视频库中的各个已有视频的第二时间段集合，得到各个已有视频与所述当前视频的相似度。
8.根据权利要求6所述的装置，其中，所述视频对比单元包括：
第一跟踪子单元，被配置成对所述当前视频中的人脸进行人脸跟踪，确定所述当前视频中的人脸出现的第一时间段集合；
第二跟踪子单元，被配置成对所述已有视频库中各个已有视频中的人脸进行人脸跟踪，确定各个已有视频中的人脸出现的第二时间段集合；
预先对比子单元，被配置成对比所述当前视频的第一时间段集合与已有视频库中的各个已有视频的第二时间段集合，得到预判相似值集合；
第二确定子单元，被配置成响应于所述预判相似值集合中存在大于预定阈值的预判相似值，基于大于预定阈值的预判相似值对应的已有视频，确定对应该已有视频的各个第二时间段的第二人脸标签集合；
第一确定子单元，被配置成基于当前视频，确定对应各个第一时间段的第一人脸标签集合；
相似度对比子单元，被配置成对比所述当前视频的所述第一人脸标签集合中的第一人脸标签与所述该已有视频的所述第二人脸标签集合中的第二人脸标签，得到各个已有视频与所述当前视频的相似度。
9.根据权利要求8所述的装置，其中，所述第一确定子单元进一步被配置成：对于所述当前视频的各个第一时间段中的各个视频帧，提取每个人脸的特征形成多维向量，基于各个人脸的多维向量形成第一人脸向量矩阵；
所述第二确定子单元进一步被配置成：对于大于预定阈值的预判相似值对应的已有视频的各个第二时间段中的各个视频帧，提取每个人脸的特征形成多维向量，基于各个人脸的多维向量形成第二人脸向量矩阵。
10.根据权利要求8或9任意一项所述的装置，其中，所述第一确定子单元中的所述第一人脸标签集合中包括第一人脸标签子集序列，所述第一人脸标签子集序列中的每一个第一人脸标签子集对应所述当前视频中的一个视频帧且包括多个人脸标签；
所述第二确定子单元中的所述第二人脸标签集合中包括第二人脸标签子集序列，所述第二人脸标签子集序列中的每一个第二人脸标签子集对应大于预定阈值的预判相似值对应的已有视频中的一个视频帧且包括多个人脸标签；
所述相似度对比子单元进一步被配置成：对比所述第一时间段集合中出现的人脸标签子集序列与所述第二时间段集合中出现的人脸标签子集序列。
11.一种服务器，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
技术总结