[发明专利]一种短视频可见水印去除的方法及计算机可读存储介质

说明书

本发明涉及一种短视频可见水印去除的方法及计算机可读存储介质，方法包括：步骤1、获取待去除水印的目标视频的若干视频帧；步骤2、利用训练好的YOLO网络结构得到所述视频帧水印区域的预测框；步骤3、利用阈值分割法对所述预测框中的水印区域进行分割，得到水印分割图像；步骤4、利用Criminisi算法去除所述水印分割图像中的水印，得到去除水印后的图像；步骤5、将所有去除水印后的图像视频帧转为视频，得到无水印的目标视频。该方法基于回归的卷积神经网络目标检测技术具有实时性，可识别动态水印，极大弥补了现有水印去除技术的不足；阈值分割法计算简单，不需人工干预；采用Criminisi算法对视频帧进行图像修复，去除水印的同时也保证了原视频质量。

技术领域

本发明属于视频处理技术领域，涉及一种短视频可见水印去除的方法及计算机可读存储介质。

背景技术

在短视频盛行的时代下，视频水印成为了保护知识产权的重要手段，但在实际生活中，视频水印的存在又带来了一些困扰。从用户角度而言，盖在视频画面一角的水印图案会影响视频播放画面感，大大降低用户观看体验感；从视频所属商而言，视频水印会存在水印版权过期的情况。因此，考虑在不影响视频质量的前提下，有效去除视频水印具有重要的现实意义。

目前，常用的视频去水印的方法主要有三种：1、遮盖法：用图片、文字、马赛克特效或其他水印直接在原视频水印区域进行遮盖。2、裁剪法：针对视频水印区域直接进行裁剪，仅保留干净的视频区域，该方法仅适用于有上下黑框的视频或水印图案位于视频边缘的视频。3、基于水印算法处理；基于算法构建模型，将视频转化为图片，将视频水印转化为图片水印，该方法在当水印在视频每一帧都完全一样时会比较有效。

上述方法存在下述问题：1、水印去除效率低，需要人工参与；遮盖法实质是在原有水印的基础进行二次水印法，并没有达到完全去除水印的目的，且需要大量的人工参与。2、水印去除效果不佳，会破坏原视频质量；比如裁剪法实质是通过损失带水印的视频画面区域保留视频画面主要部分来去除水印。3、缺少动态水印去除方法；基于水印算法构建模型可以直接识别水印位置和形状，但仅适用于大部分静态水印，即训练的模型只考虑了每一帧视频水印相同的情况，而没有考虑动态水印即水印变化时的情况。4、水印类别去除有限；现有的去水印机器学习技术往往只能去除数据库中已存在的水印，对于新出现的水印类别，则无法判断。

因此，提供一种不需人工干预、能够保证去除水印的同时也保证了原视频质量、且具有实时性、可识别动态水印的方法，成为了亟待解决的问题。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种短视频可见水印去除的方法及计算机可读存储介质。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种短视频可见水印去除的方法，所述短视频可见水印去除的方法包括：

步骤1、获取待去除水印的目标视频的若干视频帧；

步骤2、利用训练好的YOLO网络结构得到所述视频帧水印区域的预测框；

步骤3、利用阈值分割法对所述预测框中的水印区域进行分割，得到水印分割图像；

步骤4、利用Criminisi算法去除所述水印分割图像中的水印，得到去除水印后的图像；

步骤5、将所有去除水印后的图像视频帧转为视频，得到无水印的目标视频。

在本发明的一个实施例中，所述步骤2包括：

步骤2.1、将预设大小的每张所述视频帧切割为若干单元格，得到切割好的视频帧图像；

步骤2.2、将所述视频帧图像输入到训练好的YOLO网络结构中，输出预设数量的张量，所述张量的大小为S×S(B×5+C+E)，其中，S为行、列单元格数，B为每一所述单元格的预测框数量，5为五个特征参数，C为水印类别，E为类别存在判断；