本發(fā)明涉及視頻處理技術領域，特別是涉及鏡頭的檢測方法及裝置和廣告數(shù)據(jù)庫的更新方法及裝置。

背景技術：

在現(xiàn)代社會中網絡越來越普及，越來越多的人們通過網絡點播觀看電視直播節(jié)目，由于電視直播節(jié)目中會插播大量的廣告，若將帶有廣告的電視直播節(jié)目放在網絡上供用戶觀看，影響用戶體驗，因此需要將電視直播節(jié)目中插播的廣告篩選出來。

現(xiàn)有技術采用主動檢測方法，主動檢測方法的原理是提取出節(jié)目直播視頻每一鏡頭的視覺特征，利用分類器，根據(jù)廣告鏡頭區(qū)別于普通節(jié)目鏡頭的一些特點如，預設周期內鏡頭切換率或者視頻幀顏色變化率，識別出廣告鏡頭。

應用現(xiàn)有技術，若廣告鏡頭在預設周期內鏡頭的切換率接近普通節(jié)目的鏡頭切換率，或者廣告鏡頭在預設周期內視頻幀顏色變化率接近普通節(jié)目的視頻幀顏色變化率，會導致誤檢的發(fā)生，進而導致針對電視直播節(jié)目中廣告鏡頭檢測的準確率較低。

技術實現(xiàn)要素：

本發(fā)明實施例的一個目的在于提供一種鏡頭的檢測方法及裝置，以提高針對電視直播節(jié)目中廣告鏡頭檢測的準確率；另一個目的在于提供一種廣告數(shù)據(jù)庫的更新方法及裝置，以使廣告數(shù)據(jù)庫更新更全面。具體技術方案如下：

為達到上述目的，本發(fā)明實施例提供了一種鏡頭的檢測方法，所述方法包括：

持續(xù)獲取節(jié)目直播視頻在預設周期內的多個目標鏡頭；

確定每一目標鏡頭中所包含關鍵幀的視覺特征；

根據(jù)每一目標鏡頭中所包含關鍵幀的視覺特征，更新預設數(shù)據(jù)庫中存儲的每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值；

根據(jù)每一目標鏡頭所屬的各個頻道針對該每一目標鏡頭的分數(shù)值，計算每一目標鏡頭的重復分數(shù)值；

將所述多個目標鏡頭中，重復分數(shù)值大于預設閾值的目標鏡頭確定為廣告鏡頭。

可選的，在持續(xù)獲取節(jié)目直播視頻在預設周期內的多個目標鏡頭之前，所述方法還包括：

確定所述節(jié)目直播視頻的縱橫比；

所述更新預設數(shù)據(jù)庫中存儲的每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值，包括：

更新與所述節(jié)目直播視頻的縱橫比對應的預設數(shù)據(jù)庫中存儲的，每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值。

可選的，所述確定每一目標鏡頭中所包含關鍵幀的視覺特征的步驟，包括：

針對每一目標鏡頭，獲得該目標鏡頭的至少一個關鍵幀；

根據(jù)預設坐標確定出所述至少一個關鍵幀的有效區(qū)域；

對所述至少一個關鍵幀的有效區(qū)域進行高斯濾波；

針對高斯濾波后的每一關鍵幀，將該關鍵幀均分為第一預設數(shù)量個子圖像，并針對所有子圖像進行離散余弦變換；利用哈希算法，確定出離散余弦變換后的所有子圖像的哈希值；將所述所有子圖像的哈希值拼接成的序列確定為該關鍵幀的視覺特征。

可選的，所述根據(jù)每一目標鏡頭中所包含關鍵幀的視覺特征，更新預設數(shù)據(jù)庫中存儲的每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值的步驟，包括：

針對每一目標鏡頭，在預設數(shù)據(jù)庫中查找與該目標鏡頭所包含關鍵幀的視覺特征相同的視覺特征，在該目標鏡頭所包含關鍵幀的視覺特征中超過第二預設數(shù)量個視覺特征命中所述預設數(shù)據(jù)庫的情況下，將該目標鏡頭所屬頻道針對該目標鏡頭的分數(shù)值，更新為所述分數(shù)值的當前值與預設數(shù)值之和；在該目標鏡頭的所有視覺特征均沒有命中所述預設數(shù)據(jù)庫的情況下，將該目標鏡頭的所有視覺特征加入到所述預設數(shù)據(jù)庫中。

可選的，所述根據(jù)每一目標鏡頭所屬的各個頻道針對該每一目標鏡頭的分數(shù)值，確定每一目標鏡頭的重復分數(shù)值，包括：

利用公式確定出每一目標鏡頭的重復分數(shù)值，其中，

s為目標鏡頭的重復分數(shù)值；k為頻道的數(shù)量；為求和函數(shù)；ωi為該目標鏡頭所屬的第i個頻道的權重；p[i]為該目標鏡頭所屬的第i個頻道針對該目標鏡頭的分數(shù)值。

為達到上述目的，本發(fā)明實施例還提供了一種廣告數(shù)據(jù)庫的更新方法，所述方法包括：

持續(xù)獲取節(jié)目直播視頻在預設周期內的多個目標鏡頭；

確定每一目標鏡頭中所包含關鍵幀的視覺特征；

根據(jù)每一目標鏡頭中所包含關鍵幀的視覺特征，更新預設數(shù)據(jù)庫中存儲的每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值；

根據(jù)每一目標鏡頭所屬的各個頻道針對該每一目標鏡頭的分數(shù)值，計算每一目標鏡頭的重復分數(shù)值；

將所述多個目標鏡頭中，重復分數(shù)值大于預設閾值的目標鏡頭確定為廣告鏡頭；

將被確定為廣告鏡頭的鏡頭的每一關鍵幀的視覺特征加入到廣告數(shù)據(jù)庫中。

可選的，在持續(xù)獲取節(jié)目直播視頻在預設周期內的多個目標鏡頭之前，所述方法還包括：

確定所述節(jié)目直播視頻的縱橫比；

所述更新預設數(shù)據(jù)庫中存儲的每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值，包括：

更新與所述節(jié)目直播視頻的縱橫比對應的預設數(shù)據(jù)庫中存儲的，每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值。

可選的，所述確定每一目標鏡頭中所包含關鍵幀的視覺特征的步驟，包括：

針對每一目標鏡頭，獲得該目標鏡頭的至少一個關鍵幀；

根據(jù)預設坐標確定出所述至少一個關鍵幀的有效區(qū)域；

對所述至少一個關鍵幀的有效區(qū)域進行高斯濾波；

針對高斯濾波后的每一關鍵幀，將該關鍵幀均分為第一預設數(shù)量個子圖像，并針對所有子圖像進行離散余弦變換；利用哈希算法，確定出離散余弦變換后的所有子圖像的哈希值；將所述所有子圖像的哈希值拼接成的序列確定為該關鍵幀的視覺特征。

可選的，所述根據(jù)每一目標鏡頭中所包含關鍵幀的視覺特征，更新預設數(shù)據(jù)庫中存儲的每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值的步驟，包括：

針對每一目標鏡頭，在預設數(shù)據(jù)庫中查找與該目標鏡頭所包含關鍵幀的視覺特征相同的視覺特征，在該目標鏡頭所包含關鍵幀的視覺特征中超過第二預設數(shù)量個視覺特征命中所述預設數(shù)據(jù)庫的情況下，將該目標鏡頭所屬頻道針對該目標鏡頭的分數(shù)值，更新為所述分數(shù)值的當前值與預設數(shù)值之和；在該目標鏡頭的所有視覺特征均沒有命中所述預設數(shù)據(jù)庫的情況下，將該目標鏡頭的所有視覺特征加入到所述預設數(shù)據(jù)庫中。

可選的，所述根據(jù)每一目標鏡頭所屬的各個頻道針對該每一目標鏡頭的分數(shù)值，確定每一目標鏡頭的重復分數(shù)值，包括：

利用公式確定出每一目標鏡頭的重復分數(shù)值，其中，

s為目標鏡頭的重復分數(shù)值；k為頻道的數(shù)量；為求和函數(shù)；ωi為該目標鏡頭所屬的第i個頻道的權重；p[i]為該目標鏡頭所屬的第i個頻道針對該目標鏡頭的分數(shù)值。

為達到上述目的，本發(fā)明實施例提供了一種鏡頭的裝置，所述裝置包括：獲取模塊、第一確定模塊、更新模塊、計算模塊和第二確定模塊，其中，

所述獲取模塊，用于持續(xù)獲取節(jié)目直播視頻在預設周期內的多個目標鏡頭；

所述第一確定模塊，用于確定每一目標鏡頭中所包含關鍵幀的視覺特征；

所述更新模塊，用于根據(jù)每一目標鏡頭中所包含關鍵幀的視覺特征，更新預設數(shù)據(jù)庫中存儲的每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值；

所述計算模塊，用于根據(jù)每一目標鏡頭所屬的各個頻道針對該每一目標鏡頭的分數(shù)值，計算每一目標鏡頭的重復分數(shù)值；

所述第二確定模塊，用于將所述多個目標鏡頭中，重復分數(shù)值大于預設閾值的目標鏡頭確定為廣告鏡頭。

可選的，所述裝置還包括第三確定模塊，用于確定所述節(jié)目直播視頻的縱橫比；

所述更新模塊，具體用于：

更新與所述節(jié)目直播視頻的縱橫比對應的預設數(shù)據(jù)庫中存儲的，每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值。

可選的，所述第一確定模塊，具體用于：

針對每一目標鏡頭，獲得該目標鏡頭的至少一個關鍵幀；

根據(jù)預設坐標確定出所述至少一個關鍵幀的有效區(qū)域；

對所述至少一個關鍵幀的有效區(qū)域進行高斯濾波；

針對高斯濾波后的每一關鍵幀，將該關鍵幀均分為第一預設數(shù)量個子圖像，并針對所有子圖像進行離散余弦變換；利用哈希算法，確定出離散余弦變換后的所有子圖像的哈希值；將所述所有子圖像的哈希值拼接成的序列確定為該關鍵幀的視覺特征。

可選的，所述更新模塊，具體用于：

針對每一目標鏡頭，在預設數(shù)據(jù)庫中查找與該目標鏡頭所包含關鍵幀的視覺特征相同的視覺特征，在該目標鏡頭所包含關鍵幀的視覺特征中超過第二預設數(shù)量個視覺特征命中所述預設數(shù)據(jù)庫的情況下，將該目標鏡頭所屬頻道針對該目標鏡頭的分數(shù)值，更新為所述分數(shù)值的當前值與預設數(shù)值之和；在該目標鏡頭的所有視覺特征均沒有命中所述預設數(shù)據(jù)庫的情況下，將該目標鏡頭的所有視覺特征加入到所述預設數(shù)據(jù)庫中。

可選的，所述計算模塊，具體用于：

利用公式確定出每一目標鏡頭的重復分數(shù)值，其中，

s為目標鏡頭的重復分數(shù)值；k為頻道的數(shù)量；為求和函數(shù)；ωi為該目標鏡頭所屬的第i個頻道的權重；p[i]為該目標鏡頭所屬的第i個頻道針對該目標鏡頭的分數(shù)值。

為達到上述目的，本發(fā)明實施例提供了一種廣告數(shù)據(jù)庫的更新裝置，所述裝置包括：獲取模塊、第一確定模塊、更新模塊、計算模塊、第二確定模塊和添加模塊，其中，

所述獲取模塊，用于持續(xù)獲取節(jié)目直播視頻在預設周期內的多個目標鏡頭；

所述第一確定模塊，用于確定每一目標鏡頭中所包含關鍵幀的視覺特征；

所述更新模塊，用于根據(jù)每一目標鏡頭中所包含關鍵幀的視覺特征，更新預設數(shù)據(jù)庫中存儲的每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值；

所述計算模塊，用于根據(jù)每一目標鏡頭所屬的各個頻道針對該每一目標鏡頭的分數(shù)值，計算每一目標鏡頭的重復分數(shù)值；

所述第二確定模塊，用于將所述多個目標鏡頭中，重復分數(shù)值大于預設閾值的目標鏡頭確定為廣告鏡頭；

所述添加模塊，用于將被確定為廣告鏡頭的鏡頭的每一關鍵幀的視覺特征加入到廣告數(shù)據(jù)庫中。

可選的，所述裝置還包括第三確定模塊，用于確定所述節(jié)目直播視頻的縱橫比；

所述更新模塊，具體用于：

更新與所述節(jié)目直播視頻的縱橫比對應的預設數(shù)據(jù)庫中存儲的，每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值。

可選的，所述第一確定模塊，具體用于：

針對每一目標鏡頭，獲得該目標鏡頭的至少一個關鍵幀；

根據(jù)預設坐標確定出所述至少一個關鍵幀的有效區(qū)域；

對所述至少一個關鍵幀的有效區(qū)域進行高斯濾波；

針對高斯濾波后的每一關鍵幀，將該關鍵幀均分為第一預設數(shù)量個子圖像，并針對所有子圖像進行離散余弦變換；利用哈希算法，確定出離散余弦變換后的所有子圖像的哈希值；將所述所有子圖像的哈希值拼接成的序列確定為該關鍵幀的視覺特征。

可選的，所述更新模塊，具體用于：

針對每一目標鏡頭，在預設數(shù)據(jù)庫中查找與該目標鏡頭所包含關鍵幀的視覺特征相同的視覺特征，在該目標鏡頭所包含關鍵幀的視覺特征中超過第二預設數(shù)量個視覺特征命中所述預設數(shù)據(jù)庫的情況下，將該目標鏡頭所屬頻道針對該目標鏡頭的分數(shù)值，更新為所述分數(shù)值的當前值與預設數(shù)值之和；在該目標鏡頭的所有視覺特征均沒有命中所述預設數(shù)據(jù)庫的情況下，將該目標鏡頭的所有視覺特征加入到所述預設數(shù)據(jù)庫中。

可選的，所述計算模塊，具體用于：

利用公式確定出每一目標鏡頭的重復分數(shù)值，其中，

s為目標鏡頭的重復分數(shù)值；k為頻道的數(shù)量；為求和函數(shù)；ωi為該目標鏡頭所屬的第i個頻道的權重；p[i]為該目標鏡頭所屬的第i個頻道針對該目標鏡頭的分數(shù)值。

本發(fā)明實施例提供的一種鏡頭的檢測方法及裝置，所述方法包括：持續(xù)獲取節(jié)目直播視頻在預設周期內的多個目標鏡頭；確定每一目標鏡頭中所包含關鍵幀的視覺特征；根據(jù)每一目標鏡頭中所包含關鍵幀的視覺特征，更新預設數(shù)據(jù)庫中存儲的每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值；根據(jù)每一目標鏡頭所屬的各個頻道針對該每一目標鏡頭的分數(shù)值，確定出每一目標鏡頭的重復分數(shù)值；將所述多個目標鏡頭中，重復分數(shù)值大于預設閾值的目標鏡頭確定為廣告鏡頭。

應用本發(fā)明實施例，根據(jù)廣告的重復特征檢測出廣告鏡頭，相對于現(xiàn)有技術利用鏡頭切換率或者視頻幀的顏色變化率來檢測廣告鏡頭，能夠極大降低對鏡頭切換率接近普通節(jié)目的廣告鏡頭，和視頻幀的顏色變化率接近普通節(jié)目的廣告鏡頭的誤檢率，可以使廣告鏡頭的檢測更加準確，進而提高了廣告鏡頭檢測的準確率。

本發(fā)明實施例還提供了一種廣告數(shù)據(jù)庫的更新方法及裝置，所述方法包括：持續(xù)獲取節(jié)目直播視頻在預設周期內的多個目標鏡頭；確定每一目標鏡頭中所包含關鍵幀的視覺特征；根據(jù)每一目標鏡頭中所包含關鍵幀的視覺特征，更新預設數(shù)據(jù)庫中存儲的每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值；根據(jù)每一目標鏡頭所屬的各個頻道針對該每一目標鏡頭的分數(shù)值，確定出每一目標鏡頭的重復分數(shù)值；將所述多個目標鏡頭中，重復分數(shù)值大于預設閾值的目標鏡頭確定為廣告鏡頭；將被確定為廣告鏡頭的鏡頭的每一關鍵幀的視覺特征加入到廣告數(shù)據(jù)庫中。

應用本發(fā)明實施例，根據(jù)廣告的重復特征檢測出廣告鏡頭，相對于現(xiàn)有技術利用鏡頭切換率或者視頻幀的顏色變化率來檢測廣告鏡頭，能夠極大降低對鏡頭切換率接近普通節(jié)目的廣告鏡頭，和視頻幀的顏色變化率接近普通節(jié)目的廣告鏡頭的誤檢率，可以使廣告鏡頭的檢測更加準確，進而使廣告數(shù)據(jù)庫更加準確。當然，實施本發(fā)明的任一產品或方法必不一定需要同時達到以上所述的所有優(yōu)點。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的鏡頭的檢測方法的一種流程示意圖；

圖2為本發(fā)明實施例提供的鏡頭的檢測方法的另一種流程示意圖；

圖3為本發(fā)明實施例提供的廣告數(shù)據(jù)庫的更新方法的一種流程示意圖；

圖4為本發(fā)明實施例提供的廣告數(shù)據(jù)庫的更新方法的另一種流程示意圖；

圖5為本發(fā)明實施例提供的鏡頭的檢測裝置的一種結構示意圖；

圖6為本發(fā)明實施例提供的鏡頭的檢測裝置的另一種結構示意圖；

圖7為本發(fā)明實施例提供的廣告數(shù)據(jù)的更新裝置的一種結構示意圖；

圖8為本發(fā)明實施例提供的廣告數(shù)據(jù)的更新裝置的另一種結構示意圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

為解決現(xiàn)有技術問題，本發(fā)明實施例提供了鏡頭的檢測方法及裝置和廣告數(shù)據(jù)庫的更新方法及裝置，下面首先就一種鏡頭的檢測方法進行說明。

圖1為本發(fā)明實施例提供的鏡頭的檢測方法的一種流程示意圖，如圖1所示，該鏡頭的檢測方法可以包括：

s101：持續(xù)獲取節(jié)目直播視頻在預設周期內的多個目標鏡頭。

其中，預設周期可以根據(jù)實際情況設定，例如：預設周期可為24小時、36小時、48小時，等等；類似的，所獲取的節(jié)目直播視頻為至少兩個頻道的節(jié)目直播視頻，頻道的具體數(shù)量可以根據(jù)實際情況設定，例如：5個頻道，10個頻道。示例性的，假設需要檢測10個頻道自00:00:00時刻到24:00:00時刻之間的24小時內的含有的廣告鏡頭，在本步驟中以頻道1為例進行詳細說明。

持續(xù)獲取頻道1自00:00:00時刻到24:00:00時刻之間的24小時內的所有鏡頭，獲取的所有鏡頭即為目標鏡頭。假設獲取的目標鏡頭a、b、c和d。

可以理解的是，視頻中所謂的鏡頭為視頻流中相似的視頻幀的聚類。需要說明的是，獲取節(jié)目直播視頻中包含的鏡頭為現(xiàn)有技術，常用的有兩種，一種是比較復雜的基于小波變換的算法，另一種是較為簡單的基于顏色直方圖的算法，這里不再贅述。

利用s101步驟中的方法對其他9個頻道進行處理，獲取其他頻道自00:00:00時刻到24:00:00時刻之間的24小時內的所有鏡頭。

s102：確定每一目標鏡頭中所包含關鍵幀的視覺特征。

由于廣告的重復特征較多，因此，在確定出至少一個目標鏡頭后，可以確定每一目標鏡頭中所包含關鍵幀的視覺特征?？蛇x地，在一種實現(xiàn)方式中，確定每一目標鏡頭中所包含關鍵幀的視覺特征的步驟，可以包括：

針對每一目標鏡頭，獲得該目標鏡頭的至少一個關鍵幀；根據(jù)預設坐標確定出所述至少一個關鍵幀的有效區(qū)域；對所述至少一個關鍵幀的有效區(qū)域進行高斯濾波；針對高斯濾波后的每一關鍵幀，將該關鍵幀均分為第一預設數(shù)量個子圖像，并針對所有子圖像進行離散余弦變換；利用哈希算法，確定出離散余弦變換后的所有子圖像的哈希值；將所述所有子圖像的哈希值拼接成的序列確定為該關鍵幀的視覺特征。其中，預設坐標可以根據(jù)經驗值設定，所述的有效區(qū)域為存在實質圖像內容的區(qū)域，例如：臺標和/或字幕以外的區(qū)域。

本步驟中以目標鏡頭a為例進行說明，提取關鍵幀的方法有多種，通常情況下，可以(e-s)/(n+1)為間隔抽取n幀作為目標鏡頭的代表幀，其中，e為該鏡頭的結束幀對應的時刻，s為該鏡頭的開始幀對應的時刻，n為抽取的代表幀的數(shù)量。假設獲得了目標鏡頭a的5個關鍵幀a1、a2、a3、a4和a5：

為了清楚說明對目標鏡頭a包含的關鍵幀的處理方法，本步驟中以關鍵幀a2為例進行說明，為了避免不同頻道的臺標或者字幕的干擾，針對關鍵幀a2，確定關鍵幀a2的有效區(qū)域。其中，確定有效區(qū)域的方法為，根據(jù)預設坐標(x,y,roi_width,roi_height)，將預設坐標中包含的像素參加視覺特征的計算，其中(x,y)代表這個區(qū)域的起始點，roi_width代表有效區(qū)域的長，roi_height代表這個有效區(qū)域的寬，得到的有效區(qū)域為圖像a2-1；

將關鍵幀的有效區(qū)域圖像a2-1由rgb空間轉化為灰度空間，得到灰度圖像a2-2.再將得到的灰度圖像a2-2進行高斯濾波，以去除灰度圖像中的噪聲干擾，得到高斯濾波后的圖像a2-3，再將圖像a2-3切分為第一預設數(shù)量4塊，得到圖像a2-3-1、a2-3-2、a2-3-3和a2-3-4。再將分別對圖像a2-3-1、a2-3-2、a2-3-3和a2-3-4進行離散余弦變換，得到圖像a2-3-1、a2-3-2、a2-3-3和a2-3-4對應的哈希值，將上述四個哈希值拼接起來，得到的結果即為目標鏡頭a包含的關鍵幀a2的視覺特征a2-視。

對于目標鏡頭a包含的其他關鍵幀a1、a3、a4和a5，也按照處理s102步驟進行處理，得到各個關鍵幀視覺特征a1-視、a3-視、a4-視和a5-視。

仍以提取到目標鏡頭a、b、c和d為例，對于s101步驟中獲取的目標鏡頭b、c和d，假設目標鏡頭b、c和d中均包含五個關鍵幀，也按照s102步驟進行處理得到各個鏡頭對應的視覺特征b1-視、b2-視、b3-視、b4-視和b5-視；c1-視、c2-視、c3-視、c4-視和c5-視；d1-視、d2-視、d3-視、d4-視和d5-視。

需要說明的是，不同目標鏡頭包含的關鍵幀的數(shù)量可以不同，而且目標鏡頭包含的關鍵幀的數(shù)量包括但不僅限于5個。另外，獲得目標鏡頭的關鍵幀為現(xiàn)有技術，這里不再贅述；類似的，獲取關鍵幀的視覺特征為現(xiàn)有技術，這里不再贅述。并且，上述的確定每一目標鏡頭中所包含關鍵幀的視覺特征的具體實現(xiàn)方式僅僅作為示例，并不應該構成對本發(fā)明實施例的限定。

s103：根據(jù)每一目標鏡頭中所包含關鍵幀的視覺特征，更新預設數(shù)據(jù)庫中存儲的每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值。

可選地，在一種具體實現(xiàn)方式中，可以針對每一目標鏡頭，在預設數(shù)據(jù)庫中查找與該目標鏡頭所包含關鍵幀的視覺特征相同的視覺特征，在該目標鏡頭所包含關鍵幀的視覺特征中超過第二預設數(shù)量個視覺特征命中所述預設數(shù)據(jù)庫的情況下，將該目標鏡頭所屬頻道針對該目標鏡頭的分數(shù)值，更新為所述分數(shù)值的當前值與預設數(shù)值之和；在該目標鏡頭的所有視覺特征均沒有命中所述預設數(shù)據(jù)庫的情況下，將該目標鏡頭的所有視覺特征加入到所述預設數(shù)據(jù)庫中。

在實際應用中，將鏡頭a對應的視覺特征a1-視、a2-視、a3-視、a4-視和a5-視在預設數(shù)據(jù)庫中查找與鏡頭a對應的所有視覺特征相同的視覺特征，假設有3個視覺特征命中預設數(shù)據(jù)庫，如果預設數(shù)量為2個，命中預設數(shù)據(jù)庫的數(shù)量3大于第二預設數(shù)量2，則將頻道1針對鏡頭a的分數(shù)值p(1a)更新為p(1a)的當前值與預設數(shù)值之和。假設p(1a)的當前值為15，預設數(shù)值為1，將頻道1針對鏡頭a的分數(shù)值p(1a)更新為15+1＝16。

在實際應用中，假設鏡頭b包含的視覺特征b1-視、b2-視、b3-視、b4-視和b5-視，只有一個視覺特征命中預設數(shù)據(jù)庫，命中預設數(shù)據(jù)庫的數(shù)量1小于第二預設數(shù)量2將鏡頭b包含的視覺特征b1-視、b2-視、b3-視、b4-視和b5-視加入到預設數(shù)據(jù)庫中，并將頻道1針對鏡頭b的分數(shù)值p(1b)設定為零。

按照s103步驟，對鏡頭c和d進行處理。

需要說明的是，上述的根據(jù)每一目標鏡頭中所包含關鍵幀的視覺特征，更新預設數(shù)據(jù)庫中存儲的每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值的具體實現(xiàn)方式，僅僅作為示例性說明，并不應該構成對本發(fā)明的限定。

s104：根據(jù)每一目標鏡頭所屬的各個頻道針對該每一目標鏡頭的分數(shù)值，計算每一目標鏡頭的重復分數(shù)值。

可選地，在一種具體實現(xiàn)方式中，可以利用公式確定出每一目標鏡頭的重復分數(shù)值，其中，s為目標鏡頭的重復分數(shù)值；k為頻道的數(shù)量；為求和函數(shù)；ωi為該目標鏡頭所屬的第i個頻道的權重；p[i]為該目標鏡頭所屬的第i個頻道針對該目標鏡頭的分數(shù)值。

在實際應用中，按照s101至s103步驟對頻道1至頻道10包含的所有鏡頭進行處理后，計算目標鏡頭a、b、c和d的重復分數(shù)值。

下面以目標鏡頭a為例進行說明，如果頻道1的權重為0.1，頻道1針對鏡頭a的分數(shù)值為8；頻道2的權重為0.1，頻道1針對鏡頭a的分數(shù)值為7；頻道3的權重為0.1，頻道3針對鏡頭a的分數(shù)值為6；頻道4的權重為0.1，頻道4針對鏡頭a的分數(shù)值為9；頻道5的權重為0.1，頻道5針對鏡頭a的分數(shù)值為15；頻道6的權重為0.1，頻道6針對鏡頭a的分數(shù)值為18；頻道7的權重為0.1，頻道7針對鏡頭a的分數(shù)值為35；頻道8的權重為0.1，頻道8針對鏡頭a的分數(shù)值為4；頻道9的權重為0.05，頻道9針對鏡頭a的分數(shù)值為10；頻道10的權重為0.15，頻道10針對鏡頭a的分數(shù)值為8，按照如下公式計算10個頻道針對目標鏡頭a的重復分數(shù)值，其中i為10。

假設10個頻道針對目標鏡頭b的重復分數(shù)值為30.5、針對目標鏡頭c的重復分數(shù)值為12.7、針對目標鏡頭d的重復分數(shù)值為37.8。

s105：將所述多個目標鏡頭中，重復分數(shù)值大于預設閾值的目標鏡頭確定為廣告鏡頭。

具體的，如果預設閾值為30，目標鏡頭a和目標鏡頭c的重復分數(shù)值小于30，則將目標鏡頭a和目標鏡頭c確定為廣告鏡頭。

應用本發(fā)明圖1所示實施例，根據(jù)廣告的重復特征檢測出廣告鏡頭，相對于現(xiàn)有技術利用鏡頭切換率或者視頻幀的顏色變化率來檢測廣告鏡頭，能夠極大降低對鏡頭切換率接近普通節(jié)目的廣告鏡頭，和視頻幀的顏色變化率接近普通節(jié)目的廣告鏡頭的誤檢率，可以使廣告鏡頭的檢測更加準確，進而提高了廣告鏡頭檢測的準確率。

圖2為本發(fā)明實施例提供的鏡頭的檢測方法的另一種流程示意圖；如圖2所示，該鏡頭的檢測方法在圖1所示實施例的基礎上，在s101之前增加了s100：確定所述節(jié)目直播視頻的縱橫比；相應的，本發(fā)明實施例的s103可以為s103a：更新與所述節(jié)目直播視頻的縱橫比對應的預設數(shù)據(jù)庫中存儲的，每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值。

具體的，假設在s100步驟中獲得的頻道4的節(jié)目直播視頻的縱橫比為16:9，則在s103a步驟中，更新16:9對應的預設數(shù)據(jù)庫中存儲的，頻道4針對目標鏡頭的分數(shù)值。

若假設在s100步驟中獲得的頻道5的節(jié)目直播視頻的縱橫比為4:3，則在s103a步驟中，更新4:3對應的預設數(shù)據(jù)庫中存儲的，頻道5針對目標鏡頭的分數(shù)值。

需要強調的是，盡管圖2給出的實施例中確定所述節(jié)目直播視頻的縱橫比的步驟的實施在s101之前，但由于s103中利用縱橫比，因此，只要保證在s103之前實施確定所述節(jié)目直播視頻的縱橫比的步驟即可。

應用本發(fā)明圖2所示實施例，將不同縱橫比的頻道分開處理，避免了不同縱橫比的鏡頭對確定視覺特征過程的干擾，使廣告鏡頭的檢測更加準確。

圖3為本發(fā)明實施例提供的廣告數(shù)據(jù)庫的更新方法的一種流程示意圖，如圖3所示，該廣告數(shù)據(jù)庫的更新方法可以包括：

s301：持續(xù)獲取節(jié)目直播視頻在預設周期內的多個目標鏡頭。

其中，預設周期可以根據(jù)實際情況設定，例如：預設周期可為24小時、36小時、48小時，等等；類似的，所獲取的節(jié)目直播視頻為至少兩個頻道的節(jié)目直播視頻，頻道的具體數(shù)量可以根據(jù)實際情況設定，例如：5個頻道，10個頻道。示例性的，假設需要檢測10個頻道自00:00:00時刻到24:00:00時刻之間的24小時內的含有的廣告鏡頭，在本步驟中以頻道1為例進行詳細說明。

持續(xù)獲取頻道1自00:00:00時刻到24:00:00時刻之間的24小時內的所有鏡頭，獲取的所有鏡頭即為目標鏡頭。假設獲取的目標鏡頭a、b、c和d。

可以理解的是，視頻中所謂的鏡頭為視頻中相似視頻幀的聚類。需要說明的是，獲取節(jié)目直播視頻中包含的鏡頭為現(xiàn)有技術，常用的有兩種，一種是比較復雜的基于小波變換的算法，另一種是較為簡單的基于顏色直方圖的算法，這里不再贅述。

利用s101步驟中的方法對其他9個頻道進行處理，獲取其他頻道自00:00:00時刻到24:00:00時刻之間的24小時內的所有鏡頭。

s302：確定每一目標鏡頭中所包含關鍵幀的視覺特征。

由于廣告的重復特征較多，因此，在確定出至少一個目標鏡頭后，可以確定每一目標鏡頭中所包含關鍵幀的視覺特征。可選地，在一種實現(xiàn)方式中，確定每一目標鏡頭中所包含關鍵幀的視覺特征的步驟，可以包括：

針對每一目標鏡頭，獲得該目標鏡頭的至少一個關鍵幀；根據(jù)預設坐標確定出所述至少一個關鍵幀的有效區(qū)域；對所述至少一個關鍵幀的有效區(qū)域進行高斯濾波；針對高斯濾波后的每一關鍵幀，將該關鍵幀均分為第一預設數(shù)量個子圖像，并針對所有子圖像進行離散余弦變換；利用哈希算法，確定出離散余弦變換后的所有子圖像的哈希值；將所述所有子圖像的哈希值拼接成的序列確定為該關鍵幀的視覺特征。其中，預設坐標可以根據(jù)經驗值設定，所述的有效區(qū)域為存在實質圖像內容的區(qū)域，例如：臺標和/或字幕以外的區(qū)域。

本步驟中以目標鏡頭a為例進行說明，提取關鍵幀的方法有多種，通常情況下，可以(e-s)/(n+1)為間隔抽取n幀作為目標鏡頭的代表幀，其中，e為該鏡頭的結束幀對應的時刻，s為該鏡頭的開始幀對應的時刻，n為抽取的代表幀的數(shù)量。假設獲得了目標鏡頭a的5個關鍵幀a1、a2、a3、a4和a5。

為了清楚說明對目標鏡頭a包含的關鍵幀的處理方法，本步驟中以關鍵幀a2為例進行說明，為了避免不同頻道的臺標或者字幕的干擾，針對關鍵幀a2，確定關鍵幀a2的有效區(qū)域。其中，確定有效區(qū)域的方法為，根據(jù)預設坐標(x,y,roi_width,roi_height)，將預設坐標中包含的像素參加視覺特征的計算，其中(x,y)代表這個區(qū)域的起始點，roi_width代表有效區(qū)域的長，roi_height代表這個有效區(qū)域的寬，得到的有效區(qū)域為圖像a2-1；

將關鍵幀的有效區(qū)域圖像a2-1由rgb空間轉化為灰度空間，得到灰度圖像a2-2.再將得到的灰度圖像a2-2進行高斯濾波，以去除灰度圖像中的噪聲干擾，得到高斯濾波后的圖像a2-3，再將圖像a2-3切分為第一預設數(shù)量4塊，得到圖像a2-3-1、a2-3-2、a2-3-3和a2-3-4。再將分別對圖像a2-3-1、a2-3-2、a2-3-3和a2-3-4進行離散余弦變換，得到圖像a2-3-1、a2-3-2、a2-3-3和a2-3-4對應的哈希值，將上述四個哈希值拼接起來，得到的結果即為目標鏡頭a包含的關鍵幀a2的視覺特征a2-視。

對于目標鏡頭a包含的其他關鍵幀a1、a3、a4和a5，也按照處理s102步驟進行處理，得到各個關鍵幀視覺特征a1-視、a3-視、a4-視和a5-視。

仍以提取到目標鏡頭a、b、c和d為例，對于s101步驟中獲取的目標鏡頭b、c和d，假設目標鏡頭b、c和d中均包含五個關鍵幀，也按照s102步驟進行處理得到各個鏡頭對應的視覺特征b1-視、b2-視、b3-視、b4-視和b5-視；c1-視、c2-視、c3-視、c4-視和c5-視；d1-視、d2-視、d3-視、d4-視和d5-視。

需要說明的是，不同目標鏡頭包含的關鍵幀的數(shù)量可以不同，而且目標鏡頭包含的關鍵幀的數(shù)量包括但不僅限于5個。另外，獲得目標鏡頭的關鍵幀為現(xiàn)有技術，這里不再贅述；類似的，獲取關鍵幀的視覺特征為現(xiàn)有技術，這里不再贅述。并且，上述的確定每一目標鏡頭中所包含關鍵幀的視覺特征的具體實現(xiàn)方式僅僅作為示例，并不應該構成對本發(fā)明實施例的限定。

s303：根據(jù)每一目標鏡頭中所包含關鍵幀的視覺特征，更新預設數(shù)據(jù)庫中存儲的每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值。

可選的，在一種具體實施方式中，可以針對每一目標鏡頭，在預設數(shù)據(jù)庫中查找與該目標鏡頭所包含關鍵幀的視覺特征相同的視覺特征，在該目標鏡頭所包含關鍵幀的視覺特征中超過第二預設數(shù)量個視覺特征命中所述預設數(shù)據(jù)庫的情況下，將該目標鏡頭所屬頻道針對該目標鏡頭的分數(shù)值，更新為所述分數(shù)值的當前值與預設數(shù)值之和；在該目標鏡頭的所有視覺特征均沒有命中所述預設數(shù)據(jù)庫的情況下，將該目標鏡頭的所有視覺特征加入到所述預設數(shù)據(jù)庫中。

在實際應用中，將鏡頭a對應的視覺特征a1-視、a2-視、a3-視、a4-視和a5-視在預設數(shù)據(jù)庫中查找與鏡頭a對應的所有視覺特征相同的視覺特征，假設有3個視覺特征命中預設數(shù)據(jù)庫，如果預設數(shù)量為2個，命中預設數(shù)據(jù)庫的數(shù)量3大于第二預設數(shù)量2，則將頻道1針對鏡頭a的分數(shù)值p(1a)更新為p(1a)的當前值與預設數(shù)值之和。假設p(1a)的當前值為15，預設數(shù)值為1，將頻道1針對鏡頭a的分數(shù)值p(1a)更新為15+1＝16。

在實際應用中，假設鏡頭b包含的視覺特征b1-視、b2-視、b3-視、b4-視和b5-視，只有一個視覺特征命中預設數(shù)據(jù)庫，命中預設數(shù)據(jù)庫的數(shù)量1小于第二預設數(shù)量2將鏡頭b包含的視覺特征b1-視、b2-視、b3-視、b4-視和b5-視加入到預設數(shù)據(jù)庫中，并將頻道1針對鏡頭b的分數(shù)值p(1b)設定為零。

按照s303步驟，對鏡頭c和d進行處理。

需要說明的是，上述的根據(jù)每一目標鏡頭中所包含關鍵幀的視覺特征，更新預設數(shù)據(jù)庫中存儲的每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值的具體實現(xiàn)方式，僅僅作為示例性說明，并不應該構成對本發(fā)明的限定。

s304：根據(jù)每一目標鏡頭所屬的各個頻道針對該每一目標鏡頭的分數(shù)值，計算每一目標鏡頭的重復分數(shù)值。

可選地，在一種具體實現(xiàn)方式中，可以利用公式確定出每一目標鏡頭的重復分數(shù)值，其中，s為目標鏡頭的重復分數(shù)值；k為頻道的數(shù)量；為求和函數(shù)；ωi為該目標鏡頭所屬的第i個頻道的權重；p[i]為該目標鏡頭所屬的第i個頻道針對該目標鏡頭的分數(shù)值。

在實際應用中，按照s301至s303步驟對頻道1至頻道10包含的所有鏡頭進行處理后，計算目標鏡頭a、b、c和d的重復分數(shù)值。

下面以目標鏡頭a為例進行說明，如果頻道1的權重為0.1，頻道1針對鏡頭a的分數(shù)值為8；頻道2的權重為0.1，頻道1針對鏡頭a的分數(shù)值為7；頻道3的權重為0.1，頻道3針對鏡頭a的分數(shù)值為6；頻道4的權重為0.1，頻道4針對鏡頭a的分數(shù)值為9；頻道5的權重為0.1，頻道5針對鏡頭a的分數(shù)值為15；頻道6的權重為0.1，頻道6針對鏡頭a的分數(shù)值為18；頻道7的權重為0.1，頻道7針對鏡頭a的分數(shù)值為35；頻道8的權重為0.1，頻道8針對鏡頭a的分數(shù)值為4；頻道9的權重為0.05，頻道9針對鏡頭a的分數(shù)值為10；頻道10的權重為0.15，頻道10針對鏡頭a的分數(shù)值為8，按照如下公式計算10個頻道針對目標鏡頭a的重復分數(shù)值，其中i為10。

假設10個頻道針對目標鏡頭b的重復分數(shù)值為30.5、針對目標鏡頭c的重復分數(shù)值為12.7、針對目標鏡頭d的重復分數(shù)值為37.8。

s305：將所述多個目標鏡頭中，重復分數(shù)值大于預設閾值的目標鏡頭確定為廣告鏡頭。

具體的，如果預設閾值為30，目標鏡頭a和目標鏡頭c的重復分數(shù)值小于30，則將目標鏡頭a和目標鏡頭c確定為廣告鏡頭。

s306：將被確定為廣告鏡頭的鏡頭的每一關鍵幀的視覺特征加入到廣告數(shù)據(jù)庫中。

示例性的，在目標鏡頭a和目標鏡頭c為廣告鏡頭后，可以將目標鏡頭a和目標鏡頭c對應的視覺特征加入到廣告數(shù)據(jù)庫中。

應用本發(fā)明圖3所示實施例，根據(jù)廣告的重復特征檢測出廣告鏡頭，相對于現(xiàn)有技術利用鏡頭切換率或者視頻幀的顏色變化率來檢測廣告鏡頭，能夠極大降低鏡頭切換率接近普通節(jié)目的廣告鏡頭，和視頻幀的顏色變化率接近普通節(jié)目的廣告鏡頭的誤檢率，可以使廣告鏡頭的檢測更加準確，進而使廣告數(shù)據(jù)庫更加準確。

圖4為本發(fā)明實施例提供的廣告數(shù)據(jù)庫的更新方法的另一種流程示意圖；如圖4所示，該廣告數(shù)據(jù)庫的更新方法在圖3所示實施例的基礎上，在s301之前增加了s300：確定所述節(jié)目直播視頻的縱橫比；本發(fā)明實施例的s303可以為s303a：更新與所述節(jié)目直播視頻的縱橫比對應的預設數(shù)據(jù)庫中存儲的，每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值。

具體的，假設在s300步驟中獲得的頻道4的節(jié)目直播視頻的縱橫比為16:9，則在s303a步驟中，更新16:9對應的預設數(shù)據(jù)庫中存儲的，各個縱橫比為16:9的頻道針對頻道4包含的目標鏡頭的分數(shù)值。

若假設在s300步驟中獲得的頻道5的節(jié)目直播視頻的縱橫比為4:3，則在s303a步驟中，更新4:3對應的預設數(shù)據(jù)庫中存儲的，各個縱橫比為4:3的頻道針對頻道5包含的目標鏡頭的分數(shù)值。

應用本發(fā)明圖4所示實施例，將不同縱橫比的頻道分開處理，避免了不同縱橫比的鏡頭對確定視覺特征過程的干擾，使廣告鏡頭的檢測更加準確。

相應于上述所提供的一種鏡頭的檢測方法，本發(fā)明實施例還提供了一種鏡頭的檢測裝置。圖5為本發(fā)明實施例提供的鏡頭的檢測裝置的一種結構示意圖，如圖5所示，所述裝置包括：獲取模塊501、第一確定模塊502、更新模塊503、計算模塊504和第二確定模塊505，其中，

獲取模塊501，用于持續(xù)獲取節(jié)目直播視頻在預設周期內的多個目標鏡頭。

第一確定模塊502，用于確定每一目標鏡頭中所包含關鍵幀的視覺特征。

更新模塊503，用于根據(jù)每一目標鏡頭中所包含關鍵幀的視覺特征，更新預設數(shù)據(jù)庫中存儲的每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值。

計算模塊504，用于根據(jù)每一目標鏡頭所屬的各個頻道針對該每一目標鏡頭的分數(shù)值，計算每一目標鏡頭的重復分數(shù)值。

第二確定模塊505，用于將所述多個目標鏡頭中，重復分數(shù)值大于預設閾值的目標鏡頭確定為廣告鏡頭。

應用本發(fā)明圖5所示實施例，根據(jù)廣告的重復特征檢測出廣告鏡頭，相對于現(xiàn)有技術利用鏡頭切換率或者視頻幀的顏色變化率來檢測廣告鏡頭，能夠極大降低對鏡頭切換率接近普通節(jié)目的廣告鏡頭，和視頻幀的顏色變化率接近普通節(jié)目的廣告鏡頭的誤檢率，可以使廣告鏡頭的檢測更加準確，進而提高了廣告鏡頭檢測的準確率。

可選地，在一種具體實現(xiàn)方式中，所述第一確定模塊502，具體用于：針對每一目標鏡頭，獲得該目標鏡頭的至少一個關鍵幀；根據(jù)預設坐標確定出所述至少一個關鍵幀的有效區(qū)域；對所述至少一個關鍵幀的有效區(qū)域進行高斯濾波；針對高斯濾波后的每一關鍵幀，將該關鍵幀均分為第一預設數(shù)量個子圖像，并針對所有子圖像進行離散余弦變換；利用哈希算法，確定出離散余弦變換后的所有子圖像的哈希值；將所述所有子圖像的哈希值拼接成的序列確定為該關鍵幀的視覺特征。

可選地，在一種具體實現(xiàn)方式中，更新模塊503，具體用于：針對每一目標鏡頭，在預設數(shù)據(jù)庫中查找與該目標鏡頭所包含關鍵幀的視覺特征相同的視覺特征，在該目標鏡頭所包含關鍵幀的視覺特征中超過第二預設數(shù)量個視覺特征命中所述預設數(shù)據(jù)庫的情況下，將該目標鏡頭所屬頻道針對該目標鏡頭的分數(shù)值，更新為所述分數(shù)值的當前值與預設數(shù)值之和；在該目標鏡頭的所有視覺特征均沒有命中所述預設數(shù)據(jù)庫的情況下，將該目標鏡頭的所有視覺特征加入到所述預設數(shù)據(jù)庫中。

可選地，在一種具體實現(xiàn)方式中，計算模塊504，具體用于：利用公式確定出每一目標鏡頭的重復分數(shù)值，其中，s為目標鏡頭的重復分數(shù)值；k為頻道的數(shù)量；為求和函數(shù)；ωi為該目標鏡頭所屬的第i個頻道的權重；p[i]為該目標鏡頭所屬的第i個頻道針對該目標鏡頭的分數(shù)值。

圖6為本發(fā)明實施例提供的鏡頭的檢測裝置的另一種結構示意圖，圖6所示實施例在圖5所示實施例的基礎上增加了第三確定模塊500，用于確定所述節(jié)目直播視頻的縱橫比；

相應的，更新模塊503，具體用于：更新與所述節(jié)目直播視頻的縱橫比對應的預設數(shù)據(jù)庫中存儲的，每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值。

應用本發(fā)明圖6所示實施例，將不同縱橫比的頻道分開處理，避免了不同縱橫比的鏡頭對確定視覺特征過程的干擾，使廣告鏡頭的檢測更加準確。

相應于上述的廣告數(shù)據(jù)庫的更新方法，本發(fā)明實施例還提供了廣告數(shù)據(jù)庫的更新裝置。圖7為本發(fā)明實施例提供的廣告數(shù)據(jù)庫的更新裝置的一種結構示意圖，如圖7所示，所述裝置包括：獲取模塊701、第一確定模塊702、更新模塊703、計算模塊704、第二確定模塊705和添加模塊706，其中，

獲取模塊701，用于持續(xù)獲取節(jié)目直播視頻在預設周期內的多個目標鏡頭。

第一確定模塊702，用于確定每一目標鏡頭中所包含關鍵幀的視覺特征。

更新模塊703，用于根據(jù)每一目標鏡頭中所包含關鍵幀的視覺特征，更新預設數(shù)據(jù)庫中存儲的每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值。

計算模塊704，用于根據(jù)每一目標鏡頭所屬的各個頻道針對該每一目標鏡頭的分數(shù)值，計算每一目標鏡頭的重復分數(shù)值。

第二確定模塊705，用于將所述多個目標鏡頭中，重復分數(shù)值大于預設閾值的目標鏡頭確定為廣告鏡頭。

添加模塊706，用于將被確定為廣告鏡頭的鏡頭的每一關鍵幀的視覺特征加入到廣告數(shù)據(jù)庫中。

應用本發(fā)明圖7所示實施例，根據(jù)廣告的重復特征檢測出廣告鏡頭，相對于現(xiàn)有技術利用鏡頭切換率或者視頻幀的顏色變化率來檢測廣告鏡頭，能夠極大降低對鏡頭切換率接近普通節(jié)目的廣告鏡頭，和視頻幀的顏色變化率接近普通節(jié)目的廣告鏡頭的誤檢率，可以使廣告鏡頭的檢測更加準確，進而提高了廣告鏡頭檢測的準確率。

可選地，在一種具體實現(xiàn)方式中，所述第一確定模塊702，具體用于：針對每一目標鏡頭，獲得該目標鏡頭的至少一個關鍵幀；根據(jù)預設坐標確定出所述至少一個關鍵幀的有效區(qū)域；對所述至少一個關鍵幀的有效區(qū)域進行高斯濾波；針對高斯濾波后的每一關鍵幀，將該關鍵幀均分為第一預設數(shù)量個子圖像，并針對所有子圖像進行離散余弦變換；利用哈希算法，確定出離散余弦變換后的所有子圖像的哈希值；將所述所有子圖像的哈希值拼接成的序列確定為該關鍵幀的視覺特征。

可選地，在一種具體實現(xiàn)方式中，更新模塊703，具體用于：針對每一目標鏡頭，在預設數(shù)據(jù)庫中查找與該目標鏡頭所包含關鍵幀的視覺特征相同的視覺特征，在該目標鏡頭所包含關鍵幀的視覺特征中超過第二預設數(shù)量個視覺特征命中所述預設數(shù)據(jù)庫的情況下，將該目標鏡頭所屬頻道針對該目標鏡頭的分數(shù)值，更新為所述分數(shù)值的當前值與預設數(shù)值之和；在該目標鏡頭的所有視覺特征均沒有命中所述預設數(shù)據(jù)庫的情況下，將該目標鏡頭的所有視覺特征加入到所述預設數(shù)據(jù)庫中。

可選地，在一種具體實現(xiàn)方式中，計算模塊504，具體用于：利用公式確定出每一目標鏡頭的重復分數(shù)值，其中，s為目標鏡頭的重復分數(shù)值；k為頻道的數(shù)量；為求和函數(shù)；ωi為該目標鏡頭所屬的第i個頻道的權重；p[i]為該目標鏡頭所屬的第i個頻道針對該目標鏡頭的分數(shù)值。

圖8為本發(fā)明實施例提供的廣告數(shù)據(jù)的更新裝置的另一種結構示意圖，如圖8所示，圖8所示實施例在圖7所示實施例的基礎上增加了第三確定模塊700，用于確定所述節(jié)目直播視頻的縱橫比。

更新模塊703，具體用于：更新與所述節(jié)目直播視頻的縱橫比對應的預設數(shù)據(jù)庫中存儲的，每一目標鏡頭所屬頻道針對該每一目標鏡頭的分數(shù)值。

應用本發(fā)明圖8所示實施例，將不同縱橫比的頻道分開處理，避免了不同縱橫比的鏡頭對確定視覺特征過程的干擾，使廣告鏡頭的檢測更加準確。

需要說明的是，在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。

本說明書中的各個實施例均采用相關的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于系統(tǒng)實施例而言，由于其基本相似于方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。

以上所述僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內所作的任何修改、等同替換、改進等，均包含在本發(fā)明的保護范圍內。