视频处理方法及设备与流程

1.本公开实施例涉及计算机
技术领域：
：，尤其涉及一种视频处理方法及设备。
背景技术：
：：2.随着科技的发展，涌现越来越多的视频应用软件，比如短视频软件、直播软件等。这些软件的出现丰富了人们的业余生活，例如，人们可以采用录制视频、拍摄照片等方式记录生活，并上传短视频软件上进行分享。3.在视频制作中，人作为最受关注的主体元素之一，与人有关的各种人工智能(artificialintelligence，ai)能力(例如物体的智能检测)受到广泛的关注。其中，在诸多的应用场景中(例如直播带货、在线教学)，观看者对视频中人物手持的物体特别的关注，因此，可以开发出对视频中人物手持物体的智能检测，来设计一系列有趣的特效，丰富玩法，提高用户体验。4.然而，目前主要关注手本身的建模，而未关注手中物体，而且物体检测器通常检测特定类型的物体，不具备通用性，而视频中人物手持物体的类型千差万别。因此，需要设计一种确定人物手持任意物品所在图像区域的方法。技术实现要素：5.本公开实施例提供一种视频处理方法及设备，以解决如何确定人物手持任意物品所在的图像区域的问题。6.第一方面，本公开实施例提供一种视频处理方法，包括：7.在视频中确定待处理的目标图像；8.通过卷积神经网络对所述目标图像进行语义分割，得到第一特征图，所述第一特征图包括至少一个语义类对应的特征图；9.根据所述第一特征图，确定所述目标图像中所述语义类对应的目标图像区域；10.其中，所述语义类包括手中物体，所述卷积神经网络在训练过程中所采用的训练图像上标注有与所述语义类对应的图像区域。11.第二方面，本公开实施例提供一种视频处理设备，包括：12.第一确定单元，用于在视频中确定待处理的目标图像；13.分割单元，用于通过卷积神经网络对所述目标图像进行语义分割，得到第一特征图，所述第一特征图包括至少一个语义类对应的特征图；14.第二确定单元，用于根据所述第一特征图，确定所述目标图像中所述语义类对应的目标图像区域；15.其中，所述语义类包括手中物体，所述卷积神经网络在训练过程中所采用的训练图像上标注有与所述语义类对应的图像区域。16.第三方面，本公开实施例提供一种电子设备，包括：至少一个处理器和存储器。其中，所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面或第一方面各种可能的设计所述的视频处理方法。17.第四方面，本公开实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面或第一方面各种可能的设计所述的视频处理方法。18.第五方面，根据本公开的一个或多个实施例，提供了一种计算机程序产品，所述计算机程序产品包含计算机执行指令，处理器执行所述计算机执行指令时，实现如上第一方面或第一方面各种可能的设计所述的视频处理方法。19.本公开实施例提供的视频处理方法及设备，通过将人物手持的物体不限类别地标注为一个语义类，即“手中物体”。在训练过程中，利用标注有语义类对应的图像区域的训练图像，训练卷积神经网络。在应用过程中，通过卷积神经网络对视频中待处理的图像进行语义分割，得到特征图，根据特征图，确定该待处理的图像中语义类对应的目标图像区域。从而，实现对视频中人物手持任意物体所在图像区域的确定，提高了手中物体检测与跟踪的准确性。附图说明20.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。21.图1为本公开实施例提供的一种应用场景的示例图；22.图2为本公开实施例提供的视频处理方法的流程示意图一；23.图3为本公开实施例提供的视频处理方法的流程示意图二；24.图4为本公开实施例提供的对视频中图像进行物体检测的示例图；25.图5为本公开实施例提供的视频处理方法的流程示意图三；26.图6为本公开实施例提供的卷积神经网络的结构示例图；27.图7为本公开实施例提供的视频处理设备的结构框图；28.图8为本公开实施例提供的电子设备的硬件结构示意图。具体实施方式29.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。30.首先，对本公开实施例涉及的部分词语进行解释：31.语义分割(semanticsegmentation)：根据图像的语义分割出图像中的对象。其中，图像的语义是指图像内容，或者说对图像内容的理解。在语义分割任务中，训练图像上标注图像中对象所在的图像区域，基于训练图像，训练语义分割模型。语义分割模型通过对图像中的每个像素点进行分类，实现对图像中对象所在的图像区域的确定。32.光流：空间运动物体在成像平面上的像素运动的大小和方向。33.接着，对本公开实施例的应用场景进行描述：34.本公开实施例可适用于视频实时处理场景或者视频离线处理场景。其中，视频实时处理场景，例如视频直播场景、短视频播放场景等。比如，在视频直播场景中，对直播中主播手中的物体进行检测。35.参考图1，图1为本公开实施例提供的一种应用场景的示例图。36.如图1所示，以视频实时处理场景为例，涉及设备包括终端101。在一种实时处理场景中，终端101可以在拍摄视频的同时，对所拍摄的视频中人物手持的物体进行检测和/或跟踪；在另一种实时处理场景中，终端101可以在播放视频的同时，对所播放的视频中人物手持的物体进行检测和/或跟踪。37.可选的，应用场景还涉及服务器102。由服务器102上对终端所拍摄或所播放的视频中人物手持的物体进行检测和/或跟踪。其中，服务器102与终端101例如通过网络进行通信，以传输视频数据、物体检测结果等。38.本公开实施例所要解决的技术问题的发现过程以及发明构思如下：39.发明人发现，在目标检测的相关技术中，更多的是考虑手本身的建模，即考虑对手部的检测，而未考虑手中所拿物体的情况。如果要检测手中物体，需要重选训练一个检测器。然而，训练检测器用于检测人物手持物体的方法，通常仅处理特定类型的物体，并没有通用性。例如，通过大量标注有人物手持杯子的图像，训练得到对人物手持的杯子进行检测的检测器。鉴于人物手持物体的多样性和随机性，亟需一种能够检测手中任意物体的方法。40.发明人发现，人物手持物体在图像上存在很强的上下文信息，即与手接触的物体。因此，可以将人物手持物体不限定类别地标注为同一个语义类。再利用图像的语义分割方式，实现对人物手中任意物体所在图像区域的检测。41.基于此，本公开实施例提供了一种能够检测手中任意物体的视频处理方法及设备。在本公开实施例中，在训练图像上标注至少一个语义类对应的图像区域，其中，至少一个语义类包括手中物体。利用训练图像训练用于图像语义分割的卷积神经网络。因此，在对视频进行处理时，可使用该卷积神经网络对视频中的图像进行语义分割，在视频中的图像上确定语义类对应的图像区域，实现对手中物体所在图像区域的检测。42.可见，在本公开实施例中，基于将手中任意物体都统一标注为一个语义类“手中物体”的思想，利用图像的语义分割方式，实现对手中任意物体的检测，解决手中物体的类别对手中物体检测的限制。43.后续，提供本公开的多个实施例。44.需要说明的是，本公开实施例提供的手中物体的检测方式，还可以为各种基于手中物体的特效设计、视频编辑等提供底层算法支持。45.需要说明的是，本公开实施例可以应用于电子设备，例如终端或服务器。46.参考图2，图2为本公开实施例提供的视频处理方法的流程示意图一。47.如图2所示，该视频处理方法包括：48.s201、在视频中确定待处理的目标图像。49.其中，视频可以为终端上正在播放的视频，或者为摄像设备实时拍摄的视频，或者为数据库中存储的视频。目标图像为视频中待进行手中物体检测的视频帧，目标图像的数量可为一个或多个。50.本实施例中，可按照视频中视频帧的顺序，从视频中获取目标图像。例如，获取视频中未进行手中物体检测的第一帧视频帧作为目标图像。51.s202、通过卷积神经网络对目标图像进行语义分割，得到第一特征图，第一特征图包括至少一个语义类对应的特征图。52.其中，卷积神经网络为预先基于训练图像训练过的网络模型，训练图像上标注有与至少一个语义类对应的图像区域。53.其中，至少一个语义类包括手中物体。卷积神经网络用于通过对图像进行语义分割检测图像上该至少一个语义类对应的图像区域。54.本实施例中，将目标图像输入卷积神经网络中，通过卷积神经网络对目标图像进行下采样操作、上采样操作，得到卷积神经网络输出的第一特征图。55.其中，第一特征图的尺寸与目标图像的尺寸相同，第一特征图上的像素值用于表示目标图像上相应位置处的像素点属于与第一特征图对应的类别的权重。由于第一特征图中包括至少一个语义类对应的特征图，至少一个语义类包括手中物体，因此，与手中物体这一语义类对应的特征图上的像素值用于表示目标图像上相应位置处的像素点属于手中物体的权重，即属于手中物体这一语义类所在图像区域的权重。56.s203、根据第一特征图，确定目标图像中语义类对应的目标图像区域。57.本实施例中，根据第一特征图上的像素值，确定目标图像上各个像素点所属的类别。其中，确定目标图像上各个像素点所属的类别，包括确定各个像素点所属的语义类，尤其是确定各个像素点是否属于手中物体这一语义类。如此，得到对目标图像上各个像素点的分类结果，根据分类结果，确定目标图像上语义类对应的图像区域，为便于区分，在此将语义类对应的图像区域称为目标图像区域。由于语义类包括手中物体，所以实现对目标图像上手中物体对应的图像区域的确定。58.在一种可能的实现方式中，可将手中物体对应的特征图上的像素值与预设阈值进行比较，如果手中物体对应的特征图上的像素值大于预设阈值，则确定该像素值在目标图像上所对应的像素点属于手中物体这一语义类。59.在又一种可能的实现方式中，可将手中物体对应的特征图上的像素值与第一特征图中其他特征图上对应位置处的像素值进行比较，如果手中物体对应的特征图上的像素值大于第一特征图上所有其他特征图上对应位置处的像素值，则确定该像素值在目标图像上对应的像素点属于手中物体这一语义类。60.本公开实施例中，基于卷积神经网络，对视频中的目标图像进行语义分割，得到包含语义类对应的特征图的第一特征图，基于第一特征图，确定目标图像中语义类对应的目标图像区域。其中，语义类包括手中物体。因此，通过将图像中人物手持任意种类的物体标注为一致的语义类“手中物体”，实现对图像中任意手中物体所在图像区域的检测。61.在一些实施例中，第一特征图中包括第一子特征图和第二子特征图，其中，第一子特征图为第一特征图中与图像背景对应的特征图，第二子特征图为第一特征图中与语义类对应的特征图。第一子特征图上的像素值表示目标图像上相应位置处的像素点属于图像背景的权重，第二子特征图上的像素值表示目标图像上相应位置处的像素点属于第二子特征图对应的语义类的权重。其中，在语义类的数量为多个的情况下，第二子特征图的数量也为多个，不同的第二子特征图对应不同的语义类。62.基于第一特征图包括第一子特征图和第二子特征图，在一种可能的实现方式中，可根据第一子特征图和第二子特征图，确定目标图像中语义类对应的目标图像区域，以提高目标图像区域的准确性，即提高检测图像中任意手中物体所在图像区域的准确性。63.本实现方式中，在第一特征图包括图像背景对应的第一子特征图和至少一个语义类对应的第二子特征图的情况下，可基于第一子特征图和第二子特征图，对目标图像上的各个像素点进行分类，即确定目标图像上的各个像素点是属于图像背景还是属于某个语义类。根据目标图像上各个像素点的分类结果，确定目标图像上的图像背景和语义类对应的目标图像区域。64.可选的，在基于第一子特征图和第二子特征图，对目标图像上的各个像素点进行分类的过程中，将像素点在第一子特征图上对应的像素值与像素点在第二子特征图上对应的像素值进行比较，确定像素点在第一子特征图和第二子特征图中对应的像素值中的最大值。如果最大值所在的特征图为第一子特征图，则确定像素点属于图像背景，否则，确定像素值属于最大值所在的特征图对应的语义类。根据目标图像上多个像素点所属的语义类，确定目标图像区域。65.例如，在对目标图像上图像位置位于(0,0)处的像素点进行分类时，如果第一子特征图上(0,0)处的像素值大于所有第二子特征图上(0,0)处的像素值，则确定该像素点属于图像背景，即该像素点位于目标图像的图像背景区域。如果手中物体对应的第二子特征图上(0,0)处的像素值大于第一子特征图上(0,0)处的像素值以及大于所有其他第二子特征图上(0,0)处的像素值，则确定该像素点属于手中物体，即该像素点位于目标图像上手中物体这一语义对应的目标图像区域。66.在一些实施例中，考虑到手中物体的面积较小，在图像上所占比例较小，为进一步增强上下文信息，可设置多个语义类，不同的语义类之间存在上下文联系，以提高对手中物体所在图像区域进行检测的准确性。67.可选的，除手中物体之外，语义类还包括如下至少一种：手、手臂。68.进一步的，手臂这一语义类包括如下至少一种：大臂、小臂。69.以语义类包括手中物体、手、大臂以及小臂作为示例，在第一特征图中，第一子特征图为与图像背景对应的特征图，第二子特征图包括手中物体对应的特征图、手对应的特征图、大臂对应的特征图以及小臂对应的特征图。根据第一子特征图和多个第二子特征图，确定目标图像上的各个像素点是属于图像背景还是属于哪个语义类，具体确定过程参照前述实施例。如此，实现对目标图像上图像背景区域、手中物体对应的目标图像区域、手对应的目标图像区域、大臂对应的目标图像区域以及小臂对应的目标图像区域的检查。70.视频包含多帧图像，不同帧的图像的图像内容存在相似的地方，尤其是相邻帧的图像之间的图像内容更为相似。因此，可基于利用视频中其他图像的图像分割结果来辅助当前的目标图像的语义分割的思想，提供视频处理方法的另一实施例。参考图3，图3为本公开实施例提供的视频处理方法的流程示意图二。如图3所示，视频处理方法包括：71.s301、在视频中确定待处理的目标图像。72.s302、通过卷积神经网络对目标图像进行语义分割，得到第一特征图，第一特征图包括至少一个语义类对应的特征图。73.其中，s301～s302的实现原理和技术效果可参照前述实施例，不再赘述。74.s303、获取第二特征图，第二特征图为参考图像经过语义分割后得到的特征图，参考图像为视频中位于目标图像之前的至少一帧图像。75.本实施例中，在通过卷积神经网络对视频中多帧图像依次进行语义分割时，可保存一个或多个图像在语义分割后最终得到的特征图，从保存的特征图中，获取第二特征图。以参考图像为视频中目标图像的上一帧图像为例，在通过卷积神经网络对上一帧图像进行语义分割后，得到上一帧图像的特征图(相当于目标图像的第一特征图)并保存，在对目标图像进行手中物体的检测的过程中，可获取该上一帧图像的特征图，即第二特征图。76.s304、对第一特征图和第二特征图进行融合，得到融合特征图。77.本实施例中，第一特征图中包含至少一个语义类对应的特征图，第二特征图中也包含至少一个语义类对应的特征图，因此，可将第一特征图中语义类对应的特征图和第二特征图中该语义类对应的特征图进行融合，得到该语义类对应的融合特征图。如此，得到至少一个语义类对应的融合特征图。尤其地，将第一特征图中手中物体对应的特征图与第二特征图中手中物体对应的特征图进行融合，得到手中物体对应的融合特征图。78.一示例中，在将第一特征图中语义类对应的特征图和第二特征图中该语义类对应的特征图进行融合的过程中，可将第一特征图中该语义类对应的特征图上的像素值与第二特征图中该语义类对应的特征图上相应位置处的像素值进行求和或者求平均，得到融合特征图上该相应位置处的像素值。79.s305、根据融合特征图，确定目标图像中语义类对应的目标图像区域。80.本实施例中，在得到融合特征图后，与某一语义类对应的融合特征图上的像素值反映目标图像上相应位置处的像素点属于该语义类的权重。因此，可根据融合特征图上的多个像素值，确定目标图像上多个像素点所属的语义类，得到目标图像上语义类对应的目标图像区域。尤其地，确定目标图像上属于手中物体的多个像素点，根据该多个像素点在目标图像上的位置分布，得到目标图像上手中物体对应的目标图像区域。81.本公开实施例中，在利用图像的语义分割实现图像上手中任意物体检测的基础上，使用视频中位于目标图像之前的参考图像的特征图，辅助目标图像上手中物体的检测，相较于单单基于目标图像自身包含的图像特征来检测目标图像上的手中物体，有效地提高了目标图像上手中物体检测的准确性。82.在一些实施例中，在第一特征图和第二特征图中均包含图像背景对应的特征图的情况下，可将第一特征图中与图像背景对应的特征图与第二特征图中与图像背景对应的特征图进行融合，得到第一融合子特征图；将同一语义类在第一特征图中对应的特征图与在第二特征图中对应的特征图进行融合，得到第二融合子特征图。根据第一融合子特征图和第二融合子特征图，确定目标图像中语义类对应的目标图像区域。83.本实施例中，第一融合子特征图对应图像背景，第二子融合特征图对应语义类，语义类为多个时，不同的第二子融合特征图对应不同的语义类。在得到第一融合子特征图和第二融合子特征图后，针对目标图像上的各像素点，确定像素点在第一融合子特征图和第二融合子特征图上对应的像素值的最大值，如果该最大值为第一融合子特征图上的像素值，则确定像素点属于图像背景，否则，确定该最大值所在特征图的语义类，确定像素点属于该语义类。如此，得到目标图像上各个像素点的类别，尤其得到目标图像上属于手中物体的像素点，得到目标图像上手中物体对应的目标图像区域。84.在一些实施例中，在对第一特征图和第二特征图进行融合，得到融合特征图之前，可确定目标图像与参考图像之间的光流，根据光流对第二特征图进行调整。之后，再对第一特征图和调整后的第二特征图进行融合。85.本实施例中，在实际情况中，受物体(例如摄像头、视频中人物)移动影响，视频中不同帧的图像之间存在细微的像素位移，导致图像分割结果出现抖动。为降低图像之间的像素移动对目标图像上手中物体检测准确性的影响，提高图像语义分割的稳定性，提高不同帧图像的图像分割结果的连续性，通过目标图像与参考图像之间的光流，调整第二特征图。86.其中，可以随机确定目标图像与参考图像之间的光流，也可以通过确定在目标图像与参考图像上像素点的变化，来提取目标图像与参考图像之间的光流，在此，对光流的提取过程不做限定。87.其中，基于光流调整第二特征图，是指基于光流调整第二特征图上的像素值，即基于光流对第二特征图上的像素值进行调大或调小。88.在一些实施例中，按照预设的间隔帧数，在视频中确定目标图像。换句话说，每间隔一定帧数对视频中的图像进行语义分割，而不是对视频中的每帧图像都进行语义分割，提高对视频进行手中物体检测的效率。89.可选的，在视频中，针对不采用卷积神经网络进行语义分割的待处理图像，可获取视频中待处理图像的上一帧图像的图像分割结果，基于该上一帧图像的图像分割结果，确定待处理图像上语义类对应的图像区域。90.进一步的，可基于上一帧图像与待处理图像之间的光流，对上一帧图像的图像分割结果进行调整，根据调整后的图像分割结果，确定待处理图像上语义类对应的图像区域。其中，上一帧图像的图像分割结果可以包括上一帧图像的特征图，该特征图可以通过卷积神经网络对该上一帧图像进行语义分割得到的，也可以是对该上一帧图像进行手中物体检测时基于视频中位于该上一帧图像之前的图像的图像分割结果得到的。91.本可选方式中，可基于上一帧图像与待处理图像之间的光流，调整上一帧图像的特征图，确定待处理图像的特征图为上一帧图像的调整后的特征图。之后，基于待处理图像的特征图，确定待处理图像上语义类对应的图像区域。其中，本可选方式中的特征图可参照前述实施例中的第一特征图。92.以间隔帧数为1为例，参考图4，图4为本公开实施例提供的对视频中图像进行物体检测的示例图。如图4所示，每隔一帧采用卷积神经网络：第t帧图像采用卷积神经网络进行语义分割、第t+1帧图像不采用卷积神经网络进行语义分割、第t+2帧图像采用卷积神经网络进行语义分割。93.在图4中，在对第t帧图像进行处理时，基于卷积神经网络对第t帧图像进行语义分割得到的图像分割结果，获取通过光流传播过来的第t-1帧图像的图像分割结果(基于第t-1帧图像与第t帧图像之间的光流，对t-1帧图像的图像处理结果进行调整)，结合第t帧图像经卷积神经网络得到的图像分割结果和传播过来的第t-1帧图像的图像分割结果，得到第t帧图像最终的图像分割结果。第t+1帧图像的图像分割结果可直接采用通过光流传播过来的第t帧图像的图像分割结果。其中，通过光流传播即基于光流进行调整。94.在一些实施例中，通过卷积神经网络对目标图像进行语义分割，得到第一特征图，包括：通过卷积神经网络对目标图像和视频中位于目标图像之前的预设数量个图像进行语义分割，得到第一特征图，其中，目标图像之前的预设数量个图像用于辅助目标图像的语义分割。从而，在对视频中的图像进行语义分割时，不仅利用图像内容所反映出的图像特征，还利用视频中多个图像反映出的时空特征，有效地提高了对图像进行语义分割的准确性。95.本实施例中，在对目标图像进行语义分割之前，从视频中获取位于目标图像之前的预设数量个图像，将目标图像与该预设数量个图像输入至卷积神经网络中，利用卷积神经网络对目标图像与该预设数量个图像进行语义分割，得到卷积神经网络输出的第一特征图。此时，卷积神经网络为视频语义分割网络，能够充分利用视频信息，能够通过挖掘视频中的时序一致性信息来提取时空特征，以结合时空特征和图像特征实现目标图像的语义分割。与前述实施例中引入光流来提高语义分割的稳定性的效果相似，本实施例通过引入目标图像前面的多个图像，来提高语义分割的稳定性，进而提高准确性。96.视频包含多帧图像，基于图像上语义类对应的图像区域，可实现对语义类所对应物体的跟踪。因此，基于对语义类所对应物体进行跟踪，提供视频处理方法的另一实施例。参考图5，图5为本公开实施例提供的视频处理方法的流程示意图三。如图5所示，视频处理方法包括：97.s501、在视频中确定待处理的目标图像。98.s502、通过卷积神经网络对目标图像进行语义分割，得到第一特征图，第一特征图包括至少一个语义类对应的特征图。99.s503、根据第一特征图，确定目标图像中语义类对应的目标图像区域。100.其中，s501～s503的实现原理和技术效果可参照前述实施例，不再赘述。101.s504、根据目标图像区域，生成目标图像中手中物体对应的目标框。102.其中，一个目标图像区域可对应一个目标框，不同的目标图像区域对应的目标框不同，不同手中物体对应的目标框不同。例如，在语义类包括手、手中物体、大臂、小臂的情况下，若在目标图像中检测出手、手中物体、大臂、小臂分别对应的目标图像区域，则对手、手中物体、大臂、小臂分别对应的每个目标图像区域采用不同的目标框进行标注。103.本实施例中，在目标图像上，基于手中物体对应的目标图像区域，生成包含该目标图像区域的目标框。若手中物体对应的目标图像区域有多个，则针对每个目标图像区域，生成包含目标图像区域的目标框。104.可选的，手中物体对应的目标框为手中物体所对应目标图像区域的外接矩阵(boundingrectangle)或者最小外接矩阵(minimumboundingrectangle,mbr)，从而，通过外接矩阵或者最小外接矩阵，使得目标框能够准确地包含(或者涵盖)手中物体对应的目标图像区域。105.s505、根据目标框，对目标图像中出现的手中物体进行跟踪。106.本实施例中，在得到目标图像上手中物体对应的目标框后，可基于手中物体对应的目标框，确定手中物体对应的跟踪框，根据手中物体对应的跟踪框，对目标图像出现的手中物体进行跟踪。107.一示例中，如果视频中出现的手中物体的数量小于或等于1，则可以直接确定目标图像上手中物体对应的目标框为跟踪框。108.又一示例中，视频中出现的手中物体为多个时，可为视频中出现的每个手中物体分配一个物体标识，为保证视频中同一物体的物体标识一致，可采用多目标跟踪方式，在视频的图像上确定跟踪框。109.在多目标跟踪方式中，s505的一种可能的实现方式包括：获取跟踪框，跟踪框来自目标图像的上一帧图像，不同的跟踪框对应不同的物体id，物体id用于唯一标识手中物体；将跟踪框与目标框进行匹配，得到匹配结果；根据匹配结果，在目标图像更新跟踪框。从而，通过跟踪框更新以及跟踪框对应的物体id，实现对视频中多目标(即多个手中物体)的跟踪。110.本实现方式中，获取目标图像的上一帧图像上的跟踪框(又可称为历史跟踪框)以及跟踪框对应的物体id。由于视频中手中物体为多个，跟踪框的数量也可能为多个，目标框的数量也可能为多个，可将多个跟踪框和多个目标框进行两两匹配，得到匹配结果。111.可选的，在目标图像上可根据匹配结果进行如下操作：如果存在与目标框匹配的跟踪框，则将与目标框匹配的跟踪框更新为目标框；如果不存在与目标框匹配的跟踪框，则确定目标框为新建跟踪框，并为新建跟踪框分配物体id；如果不存在与跟踪框匹配的目标框，则删除跟踪框。112.本可选方式中，如果在多个跟踪框中存在与目标框匹配的跟踪框，则确定与目标框匹配的跟踪框为目标框对应的手中物体的跟踪框，可在目标图像上，将目标框对应的手中物体的跟踪框更新为目标框。其中，该更新操作包括将目标框确定为目标图像上的跟踪框，并确定该跟踪框对应的物体id为与目标框匹配的跟踪框所对应的物体id。如果在多个跟踪框中不存在与目标框匹配的跟踪框，则说明该目标框所对应的手中物体可能为新出现的手中物体，所以可在目标图像上确定目标框为新建跟踪框，并避开其他跟踪框对应的物体id，为新建跟踪框分配唯一的物体id，该物体id用于唯一标识新建跟踪框中的手中物体。如果在多个目标框中不存在与跟踪框匹配的目标框，则说明该跟踪框所对应的手中物体可能在目标图像上未出现，所以，可删除为能够在多个目标框中找到匹配的目标框的跟踪框。113.可选的，将跟踪框与目标框进行匹配，得到匹配结果，包括：确定跟踪框与目标框的重叠度；根据重叠度，确定与目标框匹配的跟踪框。114.本可选方式中，可基于跟踪框与目标框的重叠度，采用贪心算法确定与目标框匹配的跟踪框：针对各目标框，确定与目标框的重叠度最大的跟踪框为与目标框匹配的跟踪框；或者，针对各目标框，确定与目标框的重叠度最大且重叠度大于预设阈值的跟踪框为与目标框匹配的跟踪框。115.本可选方式中，可通过确定跟踪框的中心点与目标框的中心点之间的欧式距离，来确定跟踪框与目标框的重叠度，其中，欧式距离越小，则说明跟踪框与目标框的重叠度越大。因此，针对各目标框，确定中心点与目标框的中心点之间的欧式距离最小的跟踪框为与目标框匹配的跟踪框；或者，针对各目标框，确定中心点与目标框的中心点的欧式距离最大且欧式距离大于预设阈值的跟踪框为与目标框匹配的跟踪框。116.本公开实施例中，利用图像的语义分割，对视频中的图像进行手中任意物体的检测，得到图像上手中物体对应的图像区域，基于图像上手中物体对应的图像区域，生成图像上手中物体对应的目标框，进而基于手中物体对应的目标框，对手中物体进行跟踪。从而，不仅实现了对视频的图像上手中任意物体的检测，还实现了对视频中手中任意物体的跟踪。117.除了在视频中对手中物体进行跟踪外，还可以基于视频的图像上手中物体对应的图像区域，对视频中人物从手中扔出去的物体进行跟踪。118.在一些实施例中，如果视频中出现从手中离开的目标物体，则基于目标图像区域中目标物体所在的图像区域，对目标物体进行跟踪。119.本实施例中，考虑到目标物体被扔出去之后物体离开了手，失去了手中物体的语义信息，无法在使用前述实施例提供的语义分割方法分割物体，可基于目标物体离开手之前所在的图像区域，或者基于目标物体离开手之前对应的目标框或跟踪框，对离开手的目标物体进行跟踪和分割。120.可选的，采用在线表象学习方式，对视频中离开手的目标物体进行跟踪和分割。即，利用视频目标跟踪或者分割方法，对视频中离开手的目标物体进行跟踪和分割。例如，视频目标跟踪或者分割方法为siamesemask方法。121.可选的，在得到目标图像中手中物体对应的目标图像区域之后，可确定根据目标图像中手中物体对应的目标图像区域和视频中目标图像的下一帧图像上手中物体对应的目标图像区域，确定是否存在从手中离开的目标物体。122.例如，当下一帧图像上未出现手中物体对应的目标图像区域，或者，当下一帧图像上手中物体对应的目标图像区域的数量少于目标图像上手中物体对应的目标图像区域，则确定存在从手中离开的目标物体。123.下面，对本公开实施例涉及的卷积神经网络的结构进行描述。124.在一些实施例中，卷积神经网络包括特征提取网络和解码网络。其中，特征提取网络中包括多个卷积层，在该多个卷积层中，通过对输入卷积神经网络中的目标图像进行下采样操作，实现对目标图像的特征提取；解码网络包括多个卷积层，在该多个卷积层中，对来自特征提取网络中的特征图进行卷积和上采样操作，最终得到目标图像的第一特征图。125.可选的，卷积神经网络采用u-net结构。在u-net网络结构中，将特征提取网络中卷积层输出的特征图和解码网络中同一特征尺度的卷积层输出的特征图输入解码网络中的下一个卷积层，换句话说，在解码网络中，卷积层的输入数据包括上一卷积层输出的特征图和特征提取网络中与该上一卷积层的特征尺度相同的卷积层所输出的特征图。126.作为示例的，参考图6，图6为本公开实施例提供的卷积神经网络的结构示例图。如图6所示，卷积神经网络的前半部分为特征提取网络，后半部分为解码网络。在特征提取网络中，共4个卷积模块，每个卷积模块可包括一个或多个卷积层，随着网络深度增加，卷积模块的特征尺度(即卷积模块输出的特征图的尺寸)依次下降1/2(如图6中，依次为1/2、1/4、1/8、1/16)。在解码网络中，共4个解码模块，每个解码模块包括卷积网络和上采样，除第一个解码模块之外，解码模块的输入数据包括上一解码模块输出的特征图和特征提取网络中与该上一解码模块的特征尺寸相同的卷积模块输出的特征图。其中，随着网络深度增加，解码模块的特征尺度(即卷积模块输出的特征图的尺寸)依次上升1/2(如图6所示，依次为1/8、1/4、1/2、1)。127.可选的，特征提取网络可采用轻量级网络，以提高特征提取效率，进而提高视频中手中物体的检测效率，满足在轻量级设备上对拍摄视频或者播放视频进行实时检测的需求。其中，特征提取网络可以采用残差神经网络(residualneuralnetwork，resnet)或者ghostnet。128.可选的，可利用网络结构搜索、网络剪枝、网络量化等技术，减小卷积神经网络的模型规模，使得卷积神经网络更加轻量化。129.本可选方式中，可在训练卷积神经网络之前，通过网络结构搜索技术，对卷积神经网络中的特征提取网络进行网络结构搜索，得到更轻量的特征提取网络。在训练过程中，采用网络剪枝进行来裁剪卷积神经网络的网络通道数目。在训练完成后，对卷积神经网络的网络参数进行量化。130.可选的，在训练卷积神经网络的过程中，对训练图像进行数据增广，以增加训练图像的数量、丰富性，进而提高卷积神经网络的模型效果。131.其中，数据增广的处理操作包括如下至少一种：图像缩放、图像旋转、图像亮度变换、图像对比度变换、图像裁剪。132.可选的，在训练过程中，采用交叉熵(crossentropy)损失函数，确定卷积神经网络的损失值，基于损失值、优化算法和预设的学习率，对卷积神经网络的参数进行优化，以提高卷积神经网络的模型效果。133.可选的，在训练过程中，采用随机梯度下降(stochasticgradientdescent，sgd)优化器，对卷积神经网络进行网络参数的优化。134.需要说明：卷积神经网络应用于视频处理的过程与卷积神经网络的训练过程可以在相同设备上进行，也可以在不同设备进行。135.对应于上文实施例的视频处理方法，图7为本公开实施例提供的视频处理设备的结构框图。为了便于说明，仅示出了与本公开实施例相关的部分。参照图7，视频处理设备包括：第一确定单元701、分割单元702和第二确定单元703。136.第一确定单元701，用于在视频中确定待处理的目标图像。137.分割单元702，用于通过卷积神经网络对目标图像进行语义分割，得到第一特征图，第一特征图包括至少一个语义类对应的特征图。138.第二确定单元703，用于根据第一特征图，确定目标图像中至少一个语义类对应的目标图像区域。139.其中，语义类包括手中物体，卷积神经网络在训练过程中所采用的训练图像上标注有与语义类对应的图像区域。140.在一些实施例中，语义类为多个，不同语义类之间存在上下文联系。141.此时，第二确定单元703还用于：根据第一子特征图和多个第二子特征图，确定目标图像区域；其中，第一子特征图为第一特征图中与图像背景对应的特征图，第二子特征图为第一特征图中与语义类对应的特征图，不同第二子特征图对应不同语义类。142.在一些实施例中，第二子特征图上的像素值为目标图像上相应像素点属于第二子特征图对应的语义类的权重。143.此时，第二确定单元703还用于：针对目标图像上的多个像素点，确定像素点在第一子特征图和第二子特征图中对应的像素值中的最大值，如果最大值所在的特征图为第一子特征图，则确定像素点属于图像背景，否则，确定像素点属于最大值所在的特征图对应的语义类；根据多个像素点所属的语义类，确定目标图像区域。144.在一些实施例中，第二确定单元703还用于：获取第二特征图，第二特征图为参考图像经过语义分割后得到的特征图，参考图像为视频中位于目标图像之前的至少一帧图像；对第一特征图和第二特征图进行融合，得到融合特征图；根据融合特征图，确定目标图像区域。145.在一些实施例中，第二确定单元703还用于：将第一特征图中与图像背景对应的特征图与第二特征图中与图像背景对应的特征图进行融合，得到第一融合子特征图；将同一语义类在第一特征图中对应的特征图与在第二特征图中对应的特征图进行融合，得到第二融合子特征图。146.在一些实施例中，第二确定单元703还用于：确定目标图像与参考图像之间的光流；根据光流对第二特征图进行调整。147.在一些实施例中，第一确定单元701还用于：按照预设的间隔帧数，在视频中确定目标图像。148.在一些实施例中，视频处理装置还包括第一跟踪单元704，用于：根据目标图像区域，生成目标图像中手中物体对应的目标框；根据目标框，对目标图像中出现的手中物体进行跟踪。149.在一些实施例中，第一跟踪单元704还用于：获取跟踪框，跟踪框来自目标图像的上一帧图像，不同的跟踪框对应不同的物体id，物体id用于唯一标识手中物体；将跟踪框与目标框进行匹配，得到匹配结果；根据匹配结果，在目标图像更新跟踪框。150.在一些实施例中，第一跟踪单元704还用于：如果存在与目标框匹配的跟踪框，则将与目标框匹配的跟踪框更新为目标框；如果不存在与目标框匹配的跟踪框，则确定目标框为新建跟踪框，并为新建跟踪框分配物体id；如果不存在与跟踪框匹配的目标框，则删除跟踪框。151.在一些实施例中，第一跟踪单元704还用于：确定跟踪框与目标框的重叠度；根据重叠度，确定与目标框匹配的跟踪框。152.在一些实施例中，视频处理装置还包括第二跟踪单元705，用于：如果视频中出现从手中离开的目标物体，则基于目标图像区域中目标物体所在的图像区域，对目标物体进行跟踪。153.在一些实施例中，分割单元702还用于：通过卷积神经网络对目标图像和视频中位于目标图像之前的预设数量个图像进行语义分割，得到第一特征图，其中，目标图像之前的预设数量个图像用于辅助目标图像的语义分割。154.本实施例提供的视频处理设备，可用于执行上述视频处理方法的实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。155.参考图8，其示出了适于用来实现本公开实施例的电子设备800的结构示意图，该电子设备800可以为终端设备或服务器。其中，终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理(personaldigitalassistant，简称pda)、平板电脑(portableandroiddevice，简称pad)、便携式多媒体播放器(portablemediaplayer，简称pmp)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。156.如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(readonlymemory，简称rom)802中的程序或者从存储装置808加载到随机访问存储器(randomaccessmemory，简称ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。157.通常，以下装置可以连接至i/o接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(liquidcrystaldisplay，简称lcd)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。158.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装置809从网络上被下载和安装，或者从存储装置808被安装，或者从rom802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的方法中限定的上述功能。159.需要说明的是，本公开上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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。160.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。161.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电子设备执行时，使得该电子设备执行上述实施例所示的方法。162.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(localareanetwork，简称lan)或广域网(wideareanetwork，简称wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。163.附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。164.描述于本公开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。其中，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，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。165.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。166.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。167.第一方面，根据本公开的一个或多个实施例，提供了一种视频处理方法，包括：在视频中确定待处理的目标图像；通过卷积神经网络对所述目标图像进行语义分割，得到第一特征图，所述第一特征图包括至少一个语义类对应的特征图；根据所述第一特征图，确定所述目标图像中所述语义类对应的目标图像区域；其中，所述语义类包括手中物体，所述卷积神经网络在训练过程中所采用的训练图像上标注有与所述语义类对应的图像区域。168.根据本公开的一个或多个实施例，所述语义类为多个，不同语义类之间存在上下文联系，所述根据所述第一特征图，确定所述目标图像中所述语义类对应的目标图像区域，包括：根据第一子特征图和多个第二子特征图，确定所述目标图像区域；其中，所述第一子特征图为所述第一特征图中与图像背景对应的特征图，所述第二子特征图为所述第一特征图中与所述语义类对应的特征图，不同第二子特征图对应不同语义类。169.根据本公开的一个或多个实施例，所述第二子特征图上的像素值为所述目标图像上相应像素点属于所述第二子特征图对应的语义类的权重，所述根据第一子特征图和多个第二子特征图，确定所述目标图像区域，包括：针对所述目标图像上的多个像素点，确定所述像素点在所述第一子特征图和所述第二子特征图中对应的像素值中的最大值，如果所述最大值所在的特征图为所述第一子特征图，则确定所述像素点属于图像背景，否则，确定所述像素点属于所述最大值所在的特征图对应的语义类；根据所述多个像素点所属的语义类，确定所述目标图像区域。170.根据本公开的一个或多个实施例，所述根据所述第一特征图，确定所述目标图像中所述语义类对应的目标图像区域，包括：获取第二特征图，所述第二特征图为参考图像经过语义分割后得到的特征图，所述参考图像为所述视频中位于所述目标图像之前的至少一帧图像；对所述第一特征图和所述第二特征图进行融合，得到融合特征图；根据所述融合特征图，确定所述目标图像区域。171.根据本公开的一个或多个实施例，所述对所述第一特征图和所述第二特征图进行融合，得到融合特征图，包括：将所述第一特征图中与图像背景对应的特征图与所述第二特征图中与图像背景对应的特征图进行融合，得到第一融合子特征图；将同一所述语义类在所述第一特征图中对应的特征图与在所述第二特征图中对应的特征图进行融合，得到第二融合子特征图。172.根据本公开的一个或多个实施例，所述对所述第一特征图和所述第二特征图进行融合，得到融合特征图之前，还包括：确定所述目标图像与所述参考图像之间的光流；根据所述光流对所述第二特征图进行调整。173.根据本公开的一个或多个实施例，所述在视频中确定待处理的目标图像，包括：按照预设的间隔帧数，在所述视频中确定所述目标图像。174.根据本公开的一个或多个实施例，所述根据所述第一特征图，确定所述目标图像中所述语义类对应的目标图像区域之后，还包括：根据所述目标图像区域，生成所述目标图像中手中物体对应的目标框；根据所述目标框，对所述目标图像中出现的手中物体进行跟踪。175.根据本公开的一个或多个实施例，所述根据所述目标框，对所述目标图像中出现的手中物体进行跟踪，包括：获取跟踪框，所述跟踪框来自所述目标图像的上一帧图像，不同的跟踪框对应不同的物体id，物体id用于唯一标识手中物体；将所述跟踪框与所述目标框进行匹配，得到匹配结果；根据所述匹配结果，在所述目标图像更新跟踪框。176.根据本公开的一个或多个实施例，所述根据所述匹配结果，在所述目标图像更新跟踪框，包括：如果存在与所述目标框匹配的跟踪框，则将与所述目标框匹配的跟踪框更新为所述目标框；如果不存在与所述目标框匹配的跟踪框，则确定所述目标框为新建跟踪框，并为所述新建跟踪框分配物体id；如果不存在与所述跟踪框匹配的目标框，则删除所述跟踪框。177.根据本公开的一个或多个实施例，所述将所述跟踪框与所述目标框进行匹配，得到匹配结果，包括：确定所述跟踪框与所述目标框的重叠度；根据所述重叠度，确定与所述目标框匹配的跟踪框。178.根据本公开的一个或多个实施例，所述根据所述第一特征图，确定所述目标图像中所述语义类对应的目标图像区域之后，还包括：如果所述视频中出现从手中离开的目标物体，则基于所述目标图像区域中所述目标物体所在的图像区域，对所述目标物体进行跟踪。179.根据本公开的一个或多个实施例，所述通过卷积神经网络对所述目标图像进行语义分割，得到第一特征图，包括：通过所述卷积神经网络对所述目标图像和所述视频中位于所述目标图像之前的预设数量个图像进行语义分割，得到所述第一特征图，其中，所述目标图像之前的预设数量个图像用于辅助所述目标图像的语义分割。180.第二方面，根据本公开的一个或多个实施例，提供了一种视频处理设备，包括：第一确定单元，用于在视频中确定待处理的目标图像；分割单元，用于通过卷积神经网络对所述目标图像进行语义分割，得到第一特征图，所述第一特征图包括至少一个语义类对应的特征图；第二确定单元，用于根据所述第一特征图，确定所述目标图像中所述语义类对应的目标图像区域；其中，所述语义类包括手中物体，所述卷积神经网络在训练过程中所采用的训练图像上标注有与所述语义类对应的图像区域。181.根据本公开的一个或多个实施例，所述语义类为多个，不同语义类之间存在上下文联系，所述第二确定单元还用于：根据第一子特征图和多个第二子特征图，确定所述目标图像区域；其中，所述第一子特征图为所述第一特征图中与图像背景对应的特征图，所述第二子特征图为所述第一特征图中与所述语义类对应的特征图，不同第二子特征图对应不同语义类。182.根据本公开的一个或多个实施例，所述第二子特征图上的像素值为所述目标图像上相应像素点属于所述第二子特征图对应的语义类的权重，所述第二确定单元还用于：针对所述目标图像上的多个像素点，确定所述像素点在所述第一子特征图和所述第二子特征图中对应的像素值中的最大值，如果所述最大值所在的特征图为所述第一子特征图，则确定所述像素点属于图像背景，否则，确定所述像素点属于所述最大值所在的特征图对应的语义类；根据所述多个像素点所属的语义类，确定所述目标图像区域。183.根据本公开的一个或多个实施例，所述第二确定单元还用于：获取第二特征图，所述第二特征图为参考图像经过语义分割后得到的特征图，所述参考图像为所述视频中位于所述目标图像之前的至少一帧图像；对所述第一特征图和所述第二特征图进行融合，得到融合特征图；根据所述融合特征图，确定所述目标图像区域。184.根据本公开的一个或多个实施例，所述第二确定单元还用于：将所述第一特征图中与图像背景对应的特征图与所述第二特征图中与图像背景对应的特征图进行融合，得到第一融合子特征图；将同一所述语义类在所述第一特征图中对应的特征图与在所述第二特征图中对应的特征图进行融合，得到第二融合子特征图。185.根据本公开的一个或多个实施例，所述第二确定单元还用于：确定所述目标图像与所述参考图像之间的光流；根据所述光流对所述第二特征图进行调整。186.根据本公开的一个或多个实施例，所述第一确定单元还用于：按照预设的间隔帧数，在所述视频中确定所述目标图像。187.根据本公开的一个或多个实施例，所述视频处理装置还包括第一跟踪单元，用于：根据所述目标图像区域，生成所述目标图像中手中物体对应的目标框；根据所述目标框，对所述目标图像中出现的手中物体进行跟踪。188.根据本公开的一个或多个实施例，所述第一跟踪单元还用于：获取跟踪框，所述跟踪框来自所述目标图像的上一帧图像，不同的跟踪框对应不同的物体id，物体id用于唯一标识手中物体；将所述跟踪框与所述目标框进行匹配，得到匹配结果；根据所述匹配结果，在所述目标图像更新跟踪框。189.根据本公开的一个或多个实施例，所述第一跟踪单元还用于：如果存在与所述目标框匹配的跟踪框，则将与所述目标框匹配的跟踪框更新为所述目标框；如果不存在与所述目标框匹配的跟踪框，则确定所述目标框为新建跟踪框，并为所述新建跟踪框分配物体id；如果不存在与所述跟踪框匹配的目标框，则删除所述跟踪框。190.根据本公开的一个或多个实施例，所述第一跟踪单元还用于：确定所述跟踪框与所述目标框的重叠度；根据所述重叠度，确定与所述目标框匹配的跟踪框。191.根据本公开的一个或多个实施例，所述视频处理装置还包括第二跟踪单元，用于：如果所述视频中出现从手中离开的目标物体，则基于所述目标图像区域中所述目标物体所在的图像区域，对所述目标物体进行跟踪。192.根据本公开的一个或多个实施例，所述分割单元还用于：通过所述卷积神经网络对所述目标图像和所述视频中位于所述目标图像之前的预设数量个图像进行语义分割，得到所述第一特征图，其中，所述目标图像之前的预设数量个图像用于辅助所述目标图像的语义分割。193.第三方面，根据本公开的一个或多个实施例，提供了一种电子设备，包括：至少一个处理器和存储器；194.所述存储器存储计算机执行指令；195.所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面或第一方面各种可能的设计所述的视频处理方法。196.第四方面，根据本公开的一个或多个实施例，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的视频处理方法。197.第五方面，根据本公开的一个或多个实施例，提供了一种计算机程序产品，所述计算机程序产品包含计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面以及第一方面各种可能的设计所述的视频处理方法。198.以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开中公开的(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。199.此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。200.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。当前第1页12当前第1页12
技术特征：
1.一种视频处理方法，包括：在视频中确定待处理的目标图像；通过卷积神经网络对所述目标图像进行语义分割，得到第一特征图，所述第一特征图包括至少一个语义类对应的特征图；根据所述第一特征图，确定所述目标图像中所述语义类对应的目标图像区域；其中，所述语义类包括手中物体，所述卷积神经网络在训练过程中所采用的训练图像上标注有与所述语义类对应的图像区域。2.根据权利要求1所述的视频处理方法，所述语义类为多个，不同语义类之间存在上下文联系，所述根据所述第一特征图，确定所述目标图像中所述语义类对应的目标图像区域，包括：根据第一子特征图和多个第二子特征图，确定所述目标图像区域；其中，所述第一子特征图为所述第一特征图中与图像背景对应的特征图，所述第二子特征图为所述第一特征图中与所述语义类对应的特征图，不同第二子特征图对应不同语义类。3.根据权利要求2所述的视频处理方法，所述第二子特征图上的像素值为所述目标图像上相应像素点属于所述第二子特征图对应的语义类的权重，所述根据第一子特征图和多个第二子特征图，确定所述目标图像区域，包括：针对所述目标图像上的多个像素点，确定所述像素点在所述第一子特征图和所述第二子特征图中对应的像素值中的最大值，如果所述最大值所在的特征图为所述第一子特征图，则确定所述像素点属于图像背景，否则，确定所述像素点属于所述最大值所在的特征图对应的语义类；根据所述多个像素点所属的语义类，确定所述目标图像区域。4.根据权利要求1所述的视频处理方法，所述根据所述第一特征图，确定所述目标图像中所述语义类对应的目标图像区域，包括：获取第二特征图，所述第二特征图为参考图像经过语义分割后得到的特征图，所述参考图像为所述视频中位于所述目标图像之前的至少一帧图像；对所述第一特征图和所述第二特征图进行融合，得到融合特征图；根据所述融合特征图，确定所述目标图像区域。5.根据权利要求4所述的视频处理方法，所述对所述第一特征图和所述第二特征图进行融合，得到融合特征图，包括：将所述第一特征图中与图像背景对应的特征图与所述第二特征图中与图像背景对应的特征图进行融合，得到第一融合子特征图；将同一所述语义类在所述第一特征图中对应的特征图与在所述第二特征图中对应的特征图进行融合，得到第二融合子特征图。6.根据权利要求4所述的视频处理方法，所述对所述第一特征图和所述第二特征图进行融合，得到融合特征图之前，还包括：确定所述目标图像与所述参考图像之间的光流；根据所述光流对所述第二特征图进行调整。7.根据权利要求1至6任一项所述的视频处理方法，所述在视频中确定待处理的目标图
像，包括：按照预设的间隔帧数，在所述视频中确定所述目标图像。8.根据权利要求1至6任一项所述的视频处理方法，所述根据所述第一特征图，确定所述目标图像中所述语义类对应的目标图像区域之后，还包括：根据所述目标图像区域，生成所述目标图像中手中物体对应的目标框；根据所述目标框，对所述目标图像中出现的手中物体进行跟踪。9.根据权利要求8所述的视频处理方法，所述根据所述目标框，对所述目标图像中出现的手中物体进行跟踪，包括：获取跟踪框，所述跟踪框来自所述目标图像的上一帧图像，不同的跟踪框对应不同的物体id，物体id用于唯一标识手中物体；将所述跟踪框与所述目标框进行匹配，得到匹配结果；根据所述匹配结果，在所述目标图像更新跟踪框。10.根据权利要求9所述的视频处理方法，所述根据所述匹配结果，在所述目标图像更新跟踪框，包括：如果存在与所述目标框匹配的跟踪框，则将与所述目标框匹配的跟踪框更新为所述目标框；如果不存在与所述目标框匹配的跟踪框，则确定所述目标框为新建跟踪框，并为所述新建跟踪框分配物体id；如果不存在与所述跟踪框匹配的目标框，则删除所述跟踪框。11.根据权利要求9所述的视频处理方法，所述将所述跟踪框与所述目标框进行匹配，得到匹配结果，包括：确定所述跟踪框与所述目标框的重叠度；根据所述重叠度，确定与所述目标框匹配的跟踪框。12.根据权利要求1至6任一项所述的视频处理方法，所述根据所述第一特征图，确定所述目标图像中所述语义类对应的目标图像区域之后，还包括：如果所述视频中出现从手中离开的目标物体，则基于所述目标图像区域中所述目标物体所在的图像区域，对所述目标物体进行跟踪。13.根据权利要求1至6任一项所述的视频处理方法，所述通过卷积神经网络对所述目标图像进行语义分割，得到第一特征图，包括：通过所述卷积神经网络对所述目标图像和所述视频中位于所述目标图像之前的预设数量个图像进行语义分割，得到所述第一特征图，其中，所述目标图像之前的预设数量个图像用于辅助所述目标图像的语义分割。14.一种视频处理设备，包括：第一确定单元，用于在视频中确定待处理的目标图像；分割单元，用于通过卷积神经网络对所述目标图像进行语义分割，得到第一特征图，所述第一特征图包括至少一个语义类对应的特征图；第二确定单元，用于根据所述第一特征图，确定所述目标图像中所述语义类对应的目标图像区域；其中，所述语义类包括手中物体，所述卷积神经网络在训练过程中所采用的训练图像
上标注有与所述语义类对应的图像区域。15.一种电子设备，包括：至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至13任一项所述的视频处理方法。16.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至13任一项所述的视频处理方法。17.一种计算机程序产品，所述计算机程序产品包含计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至13任一项所述的视频处理方法。

技术总结
本公开实施例提供一种视频处理方法及设备，该方法包括：在视频中确定待处理的目标图像；通过卷积神经网络对目标图像进行语义分割，得到第一特征图，第一特征图包括至少一个语义类对应的特征图；根据第一特征图，确定目标图像中至少一个语义类对应的目标图像区域；其中，语义类包括手中物体，卷积神经网络在训练过程中所采用的训练图像上标注有与语义类对应的目标所在的图像区域。从而，通过将人物手持的物体定义为手中物体这一语义类，利用图像的语义分割，实现对视频中人物手持任意物体的检测与跟踪。的检测与跟踪。的检测与跟踪。


技术研发人员：文珑银 徐凯 沈晓辉
受保护的技术使用者：脸萌有限公司
技术研发日：2021.12.28
技术公布日：2023/7/13