[发明专利]基于文本分析的视频匹配系统

说明书

一种基于文本分析的视频匹配系统，包括：字幕分析模块、索引模块和搜索模块，其中：字幕分析模块提取字幕文件中的文字内容以及文字内容在视频中出现的时间，采用结巴分词对文字内容进行分词，并对分词后的文字内容采用TF‑IDF算法得到文字内容的字幕关键字以及字幕关键字在视频中出现的开始时间和结束时间，索引模块根据字幕关键字及其开始时间和结束时间后采用哈希索引方法建立或更新视频索引，搜索模块根据用户输入的搜索关键字与视频索引中的字幕关键字对比并返回相似性最大的视频列表，本发明实现了根据字幕提自动建立索引的过程，保证了搜索结果的准确性，帮助用户快速定位搜索关键字在视频中对应的时间区间。

技术领域

本发明涉及的是一种视频检索领域的技术，具体是一种基于文本分析的视频匹配系统。

背景技术

网络课程作为一种教育媒介已经被广泛应用于当前互联网环境下，越来越多的人通过在线教育来获取知识。现有的教学视频具有时间短但数量多的特点。现有的视频检索技术是基于课程描述或者视频标注，但是课程描述不能完全反映课程视频中出现的知识点，可能出现描述与内容不匹配的情况。自动化视频标注需要对视频进行关键帧提取并对关键帧中的内容进行识别，但是对于教学视频来说识别效果不好，而且准确率不高，而人工标注依赖于标注者对该视频对应课程的熟悉程度以及概括能力，同时标注结果一样不能涵盖课程视频中的所有知识内容。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于文本分析的视频匹配系统，能够有效保证搜索结果的准确性。

本发明是通过以下技术方案实现的：

本发明包括：字幕分析模块、索引模块和搜索模块，其中：字幕分析模块提取字幕文件中的文字内容以及文字内容在视频中出现的时间，采用结巴分词对文字内容进行分词，并对分词后的文字内容采用TF-IDF算法得到文字内容的字幕关键字以及字幕关键字在视频中出现的开始时间和结束时间，索引模块根据字幕关键字及其开始时间和结束时间后采用哈希索引方法建立或更新视频索引，搜索模块根据用户输入的搜索关键字与视频索引中的字幕关键字对比并返回相似性最大的视频列表。

所述的结巴分词是一种强大的中文分词组件，包括精确模式、全模式和搜索引擎模式三种分词模式，本发明采用精确模式进行文本分析。结巴分词基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图(DAG)，并采用动态规划查找最大概率路径，找出基于词频的最大切词组合，而对于未登录词，采用基于汉字成词能力的HMM模型，同时使用Viterbi算法。

所述的TF-IDF算法，即词频-逆文档频率算法，其通过一个关键词在文档中出现的次数以及逆文档频率，即关键词在文档中的权重，得到该关键词的TF-IDF值，某个关键词对文档的重要性越高，则它的TF-IDF值就越大。本发明采用TF-IDF算法获取字幕文件中的关键词及其关键词值，根据其高低顺序在对应视频中确定该关键词的开始时间和结束时间。

所述的哈希索引方法为将字幕关键字作为索引键进行哈希运算，将哈希运算结果和所对应的行指针信息存放于一个哈希表中。哈希索引的检索可以一次定位，避免多次的I/O访问，提高了查询效率。

本发明涉及一种根据上述系统的匹配方法，包括以下步骤：

步骤1)通过字幕分析模块读取视频中的字幕文件，对当前视频中的字幕的文字内容进行分析，提取字幕关键字；

步骤2)将获取的字幕关键字集合传送给索引模块，索引模块通过训练字幕关键字建立视频索引或更新现有的视频索引，并将新的索引存储到数据库中；

步骤3)当用户在系统中输入搜索关键字时，获取索引文件，并通过用户输入的搜索关键字来和视频索引中的字幕关键字进行相似性计算，得到相似性最高的关键字集合，返回给用户对应的视频列表以及搜索关键字在视频中出现的时间信息。

技术效果