基于人工智能影像学习平台的视频点播服务系统专利检索-视频点播互动电视数字电视广播专利检索查询-专利查询网

基于人工智能影像学习平台的视频点播服务系统

阅读：114发布：2020-05-11

专利汇可以提供基于人工智能影像学习平台的视频点播服务系统专利检索，专利查询，专利分析的服务。并且本发明涉及基于人工智能影像学习平台的视频点播服务系统。更具体地，本发明涉及视频点播服务系统，根据基于人工智能的超分辨率卷积神经网络执行影像学习，来从高画质的视频点播文件计算对高画质的恢复所需要的权值，随后能够利用与相应视频点播文件相对应的权值将低画质视频点播文件恢复为高画质视频点播文件。，下面是基于人工智能影像学习平台的视频点播服务系统专利的具体信息内容。

权利要求

1.一种基于人工智能影像学习平台的视频点播服务系统，用于提供视频点播服务，其特征在于，
第一服务器，用于存储视频点播文件，并根据来自用户设备的请求提供上述视频点播文件的传送服务；
第二服务器，从上述第一服务器接收视频点播文件，来执行与个别视频点播文件相关的人工智能影像学习，利用上述人工智能影像学习的结果来计算与个别视频点播文件相对应的权值，与用户设备中发生的视频点播传送请求对应地向用户设备传送与所请求的视频点播文件相对应的权值；
数据库，用于存储通过上述第二服务器学习的视频点播文件的标示符及利用上述视频点播文件的人工智能影像学习的结果计算出的权值；以及
用户设备，向上述第一服务器请求影像文件传送，并从上述第一服务器接收影像文件，从第二服务器接收与请求传送的影像文件相对应的权值，来运行适用上述权值的影像文件。
2.根据权利要求1所述的基于人工智能影像学习平台的视频点播服务系统，其特征在于，上述人工智能影像学习为基于超分辨率卷积神经网络技术的学习动作。
3.根据权利要求1所述的基于人工智能影像学习平台的视频点播服务系统，其特征在于，上述第二服务器以所计算的上述权值的容量为10MB以下的方式设定。
4.根据权利要求1所述的基于人工智能影像学习平台的视频点播服务系统，其特征在于，
上述第二服务器从上述第一服务器获得任意影像文件，并对包括特定对象的图像区域进行采样，来执行人工智能影像学习，将从包括上述特定对象的图像区域计算出的权值单独指定为对象图像用权值来存储，
在用户选择对象中心分辨率恢复的情况下，向用户设备提供上述对象图像用权值。
5.根据权利要求1所述的基于人工智能影像学习平台的视频点播服务系统，其特征在于，
上述第二服务器对包含视频点播文件的内容的种类、名称、情节、剧中人物中的至少一种的内容信息进行收集，
收集用户收视信息，若相应用户的收视比率为预先设定的基准值以上，则基于用户的收视信息及上述内容信息来计算上述用户的收视趣向信息，当与所计算的上述收视趣向信息相对应的视频点播内容更新时，向相应用户推荐相应视频点播。
6.根据权利要求5所述的基于人工智能影像学习平台的视频点播服务系统，其特征在于，上述第二服务器优先选定与多个用户的收视趣向信息相对应的新视频点播文件，来执行人工智能影像学习。
7.一种基于人工智能影像学习平台的视频点播服务装置，其特征在于，通过从拥有视频点播文件的第一服务器接收视频点播文件，来执行与视频点播文件相关的人工智能影像学习，利用上述人工智能影像学习的结果生成与上述视频点播文件相对应的权值，若接收用户设备中发生的视频点播文件传送请求，则抽取与所请求的视频点播相对应的权值并向上述用户设备提供。
8.一种基于人工智能影像学习平台的视频点播服务方法，其特征在于，包括：
第二服务器从第一服务器接收视频点播文件，来执行与个别视频点播文件相关的人工智能影像学习，并利用上述人工智能影像学习的结果生成及存储与个别视频点播文件相对应的权值；
第一服务器从用户设备接收与任意视频点播文件相关的传送请求，并向用户设备传送相应视频点播文件；
第二服务器从第一服务器接收与上述视频点播文件相关的视频点播文件；
由第二服务器对与上述视频点播文件相对应的已存储的权值进行搜索，来向上述用户设备传送；以及
用户设备接收从上述第一服务器传送的视频点播文件和从第二服务器传送的权值，通过在用户设备内人工智能高分辨率视频点播播放程序驱动上述视频点播文件和上述权值，来提高上述视频点播文件的分辨率。

说明书全文

基于人工智能影像学习平台的视频点播服务系统

技术领域

[0001] 本发明涉及基于人工智能(AI)影像学习平台的视频点播(VOD)服务系统。更具体地，本发明涉及根据基于人工智能的超分辨率卷积神经网络(SRCNN)执行影像学习，来从高画质的视频点播文件计算对高画质恢复需要的权值(Weight)，随后可利用与相应视频点播文件相对应的权值将低画质视频点播文件恢复为高画质视频点播文件的视频点播服务系统。

背景技术

[0002] 在全世界上智能设备的普及率越来越增加。尤其，韩国国内的智能手机普及率为91％，为全球56个国家中的第一，通过移动设备的视频收视人口也持续增加，在韩国内的情况下，与2016年的58％相比，2017年移动影像的流量增加了74％以上。

[0003] 最近几年，就人工智能技术而言，活跃地开发、研究在移动设备中的利用方法。尤其，以2015年为基点，具有可利用人工智能技术的飞跃的移动设备性能发展。在谷歌(Google)、脸书(Facebook)、苹果(Apple)、微软(MS)等全球性大企业公开的人工智能开放源码(AI Open Source)中，还开始支援移动设备，并可实现在移动设备中利用人工智能。

[0004] 另一方面，现有视频点播服务为了根据用户环境提供适应型(Adaptive)成流，需要准备多个按比特率(Bitrate)的影像(270p、360p、480p、720p、1080p等)和按浏览器的图像格式。由此，在提供视频点播服务的内容运营方立场上发生编码成本和流量成本，这还导致用户的费用支付。

[0005] 当前，从移动视频点播视视者的角度来看，越来越变大的视频大小作为通信费用的负担起到作用，来使收视者感到负担，从而不能产生提供高画质视频点播服务的运营方的收益。由此，需要用于减少用户体感到的通信容量的负担且利用高画质视频点播文件提供影像的方案。

[0006] 另一方面，作为与视频的分辨率提高相关的现有技术有韩国公开专利公报10-2014-0081481(利用块单位的影像匹配的超分辨率影像恢复方法及装置)号。

发明内容

[0007] 技术问题

[0008] 本发明的目的在于，开发利用将低分辨率影像恢复为高分辨率的人工智能学习算法，低分辨率影像文件可实现多平台、在多浏览器中高分辨率影像的播放的人工智能视频点播播放器，且开发用于支援其的移动视频点播文件人工智能(AI)学习平台。

[0009] 解决问题的方案

[0010] 本发明实施例的基于人工智能影像学习平台的视频点播服务系统可包括：第一服务器，用于存储视频点播文件，并根据来自用户设备的请求提供上述视频点播文件的传送服务；第二服务器，从上述第一服务器接收视频点播文件，来执行与个别视频点播文件相关的人工智能影像学习，利用上述人工智能影像学习的结果来计算与个别视频点播文件相对应的权值，与用户设备中发生的视频点播传送请求对应地向用户设备传送与所请求的视频点播文件相对应的权值；数据库，用于存储通过上述第二服务器学习的视频点播文件的标示符及利用上述视频点播文件的人工智能影像学习的结果计算出的权值；以及用户设备，向上述第一服务器请求影像文件传送，并从上述第一服务器接收影像文件，从第二服务器接收与请求传送的影像文件相对应的权值，来运行适用上述权值的影像文件。

[0011] 发明的效果

[0012] 本发明具有移动视频点播收视者能够以比现有少的通信费用享受影像的效果。

[0013] 利用较短的时间的通信可播放高分辨率的影像，因而在网络基础设施恶劣的海外，也可播放高画质影像。

[0014] 本发明实施例的人工智能学习平台和高分辨率影像播放技术可适用于多种商务模型，由此，在交互式网络电视(IPTV)、视频点播、闭路电视(CCTV)等影像相关的多种产业领域中可接收高分辨率的影像。

[0015] 本发明通过对影像播放技术进行高度化，来从对预先学习的特定领域进行特化的人工智能影像处理服务可使用于全部产业领域的人工智能学习平台。附图说明

[0016] 图1及图2为示出本发明实施例的视频点播服务系统的结构的图。

[0017] 图3为示出本发明实施例的第二服务器的结构的框图。

[0018] 图4为示出本发明实施例的人工智能影像学习动作的顺序的流程图。

[0019] 图5为示出根据本发明的实施例由第二服务器用于执行分辨率恢复的动作的顺序的流程图。

具体实施方式

[0020] 本发明可实施多种变更，并可具有多种实施例，在附图中例示特定实施例并进行详细说明。

[0021] 但是，这并不意味着本发明限定于特定实施例，应理解为包含于本发明的思想及技术范围内的所有变更、等同技术方案及代替技术方案。在说明附图中，对类似的附图标记使用类似的结构要素。

[0022] 若表示一结构要素与其他结构要素“相连接”、“相接触”，则可直接与其他结构要素相连接、相接触，但应理解为还可在中间包括其他结构要素。另一方面，若一结构要素与其他结构要素“直接连接”或“直接相接触”，则应理解为中间不存在其他结构要素。

[0023] 在本申请中使用的术语只是为了说明特定的实施例而使用，并不是限定本发明。只要未在文脉上明确表示其他含义，单数的表达就可包括复数的表达。在本申请中，“包括”、“具有”等的术语应理解为用于指定说明书中所记载的特征、数字、步骤、动作、结构要素、部件或它们的组合的存在，而并不预先排除1个或1个以上的其他特征或数字、步骤、动作、结构要素、部件或它们的组合的存在或附加可能性。

[0024] 图1及图2为示出本发明实施例的视频点播服务系统的结构的图。

[0025] 参照图1进行说明，本发明实施例的视频点播服务系统可包括第一服务器100、第二服务器200与第二服务器联动的数据库220，基于上述结构要素可执行人工智能影像学习。此时，上述人工智能影像学习可意味着基于作为深度学习学习算法的超分辨率卷积神经网络的高分辨率图像恢复技术，对从低分辨率影像恢复为高分辨率影像所需要的权值(加权值参数)的动作。

[0026] 首先，第一服务器100可意味着提供视频点播的服务器。在上述附图中未示出第一服务器100，但是可包括用于存储视频点播文件的额外的数据库，第一服务器100可向用户设备侧传送存储于相应数据库的视频点播文件。

[0027] 上述第二服务器200可意味着根据本发明的实施例执行人工智能影像学习的服务器。此时，上述第二服务器200对于已上载于第一服务器100的视频点播文件执行人工智能影像学习。并且，上述第二服务器200将利用执行人工智能影像学习的结果生成的权值可单独存储与与第二服务器联动的数据库220，此时所生成的权值可与对相应视频点播文件的标示符一同存储。由此，若随后第一服务器100接收特定视频点播文件的传送(例，成流)请求，则向第二服务器200传递相应视频点播的标示符信息，第二服务器200可通过检测与相应标示符相对应的权值并向用户设备侧提供。

[0028] 此时，第二服务器200可设定为当执行人工智能影像学习时，计算出的权值的容量为预先设定的大小以下(例，10Mb以下)。

[0029] 参照图1的第二服务器200的右侧，简要示出在第二服务器200中执行的人工智能影像学习的动作的例示。对第二服务器200执行的人工智能影像学习进行简单说明如下。

[0030] 本发明实施例的第二服务器200执行的人工智能影像学习为可利用深度学习算法(例，利用超分辨率卷积神经网络(Super Resolution Convolution Neural Networks))，对将低分辨率的影像恢复为高分辨率影像的权值进行计算的动作。像这样抽取的上述权值可以为在随后用户设备300中经过人工智能测试过程(在第二服务器中执行学习过程，在用户设备中可执行测试过程)转换为高分辨率视频点播文件时使用的加权值参数。

[0031] 就基本的卷积神经网络(CNN)的动作方式而言，使用通过滤波器对一个图像的一部分的区域一个个进行扫描来查找对此的值，并进行学习的方法。此时，查找具有适当的权值的滤波器(Filter)为卷积神经网络的目标。

[0032] 上述数据库220可按与相应视频点播相关的标示符存储作为个别视频点播文件的学习结果的权值。

[0033] 如表1所示，存储于上述数据库220的权值，可按视频点播标示符(ID)指定，在权值段与对图像分辨率的恢复所需要的权值(加权值参数)一同，可包含与影像的分辨率提高程度(例，从480p提高到720p)相关的信息。

[0034] 表1

[0035]视频点播标示符学习(Learning)权值
A000001 480p→720p
A000002 720p→1080p
A000003 1080p→超高清晰度(UHD)
.... .......
Z025432 1080p→超高清晰度

[0036] 根据多种实施例，存储于上述数据库220的视频点播标示符可基于内容项目(例，电影、音乐视频、电视剧等)、播放时间、情节、剧中人物、已播放次数等的内容相关信息赋予。例如，能够以电影相关视频点播利用A开始标示符、电视剧相关视频点播利用B开始标示符的方式规定标示符赋予方式。

[0037] 之前，参照图1，对在第二服务器200中执行的人工智能影像学习动作进行了说明。以下，参照图2，对通过用户设备执行的提供高画质视频点播的动作进行说明。

[0038] 参照图2，示出作为本发明实施例的基本结构的第一服务器100、第二服务器200、及数据库220，与此一同示出用户设备300。如在图1中进行说明，第一服务器100可意味着利用现有的普通方式进行视频点播传送(包括成流)的服务器，若从用户设备300接收任意视频点播传送，则可通过无线通信向用户设备300侧传送相应视频点播文件。此时，从上述第一服务器100向用户设备300侧传送的视频点播文件可以为具有基准值以下的分辨率的视频点播文件。

[0039] 第二服务器200能够以从第一服务器100接收与特定视频点播文件相关的信息，并且与此相对应在数据库220中搜索与上述特定视频点播文件相对应的权值信息后，向用户设备300侧传递的方式进行控制。或者，上述第二服务器200可与第一服务器100一同从用户设备300直接接收相应视频点播文件的请求信号，并且对与所请求的视频点播文件相对的权值信息进行搜索，来向用户设备300侧提供。

[0040] 即，在第一服务器100中，可通过因特网向用户设备300侧传送从第一服务器接收的视频点播命名为第一视频点播文件)，第二服务器200可通过因特网向用户设备300侧传送从联动的数据库220中搜索的权值信息。

[0041] 由此，用户设备300均可接收低分辨率视频点播文件和权值，可通过存储于用户设备300内的人工智能高分辨率视频点播播放程序301播放高分辨率视频点播文件(以下，将从用户设备300上得到恢复的高分辨率视频点播文件命名为第二视频点播文件)。

[0042] 用户设备300通过人工智能高分辨率视频点播播放程序301播放从第一服务器接收的第一视频点播文件，此时，上述人工智能高分辨率视频点播播放程序301对与相应程序相对应的权值信息是否存在用户设备300内(或是否从第二服务器200成流)进行判断，若存在对应权值，则具有上述原始视频点播文件及上述权值，并经过恢复过程可生成二视频点播文件(高分辨率视频点播)。例如，作为在人工智能高分辨率视频点播播放程序301，在原始视频点播文件为SD影像的情况下可转换为高清晰度影像来显示，在高清晰度(HD)影像的情况下，可转换为全高清(FHD)影像来显示。进而，上述人工智能高分辨率视频点播播放程序301还可根据权值信息种类将SD影像恢复为全高清影像。此时，可基于包含于权值信息的大小信息(例，记载于表1的“学习权值段”的事项)进行确定。

[0043] 图3为示出本发明实施例的第二服务器的结构的框图。

[0044] 图3可包括通信部210、数据库220及控制部230，上述控制部230可包括分辨率判断部231、人工智能影像学习部232、对象图像抽取部233、内容信息收集部234、用户收视信息收集部235及用户收视趣向信息计算部236。

[0045] 上述通信部210为了用户装置与服务器之间的数据发送或接收可利用网络，并不特别限定上述网络的种类。例如，上述网络可意味通过互联网协议(IP)提供大容量数据的发送或接收服务的互联网协议(IP：Internet Protocol)网或对互不相同的互联网协议网进行合并的全互联网协议(All IP)网。并且，上述网络可以为包括无线宽带(Wibro，Wireless Broadband)网、宽带码分多址(WCDMA)的移动通信网、包括高速下行分组接入(HSDPA，High Speed Downlink Packet Access)网及长期演进技术(LTE，Long Term Evolution)网的移动通信网、包括长期演进技术升级版(LTE advanced，LTE-A)、5G(五代(Five Generation))的移动通信网、卫星通信网及无线保真技术(Wi-Fi)网中的一种或可对它们中的至少一种进行结合形成。

[0046] 本发明实施例的上述通信部210可从用户设备300或第一服务器100接收请求信号，从而搜索与特定视频点播文件相对应的权值及向用户设备300侧传送。并且，上述通信部210可向用户设备300侧传送与所请求的视频点播相对应的权值。除此之外，上述通信部210可从第一服务器、用户设备及其它网络服务器收集用户隔热信息及与视频点播相关的内容信息等。

[0047] 上述数据库220为与上述第二服务器200联动，来存储由第二服务器200计算出的权值信息的装置。根据多种实施例，上述数据库220可以与第二服务单元200独立地设置，并且可通过有线/无线通信接收从第二服务器200传送的权值信息来存储。

[0048] 上述数据库220可存储按视频点播文件的权值信息，在上述权值信息中，与作为基于人工智能的影像处理动作将低画质影像转换为高画质影像的所需要的加权值参数的权值一同包括适用相应权值的情况下计算的最终分辨率信息(例，高清晰度-超高清晰度；意味着分辨率从高清晰度校正为超高清晰度的信息)来存储。

[0049] 上述控制部230可包括分辨率判断部231、人工智能影像学习部232、对象图像抽取部233、内容信息收集部234、用户收视信息收集部235及用户收视趣向信息计算部236。

[0050] 上述控制部230针对于从第一服务器100获得的视频文件可利用被称为超分辨率卷积神经网络(Super Resolution Convolution Neural Networks，以下为超分辨率卷积神经网络)的深度学习算法计算作为将低分辨率的影像可恢复为高分辨率影像的信息的权值。并且，上述控制部230对从用户的收视信息及第一服务器100获得的视频点播视频信息相关的信息进行收集，并且，根据规定的基准对所收集的信息进行分类，并且，通过上述可执行根据用户特性的视频点播提供(例，推荐按用户关注事情的视频点播)功能。

[0051] 更详细地，上述控制部230可通过上述分辨率判断部231、人工智能影像学习部232及对象图像抽取部233计算出将低画质文件恢复为高画质文件需要的权值信息，且可通过内容信息收集部234、用户收视信息收集部235及用户收视趣向信息计算部236提供根据用户特性的视频点播服务。

[0052] 首先，上述分辨率判断部231可判断从第一服务器100获得的视频点播文件的分辨率是否为预先设定的水平以上的分辨率。上述人工智能影像学习部232可根据分辨率判断结果确定与已获得的影像相关的影像学习方式。首先，上述分辨率判断部231对第一视频点播文件的分辨率进行判断，结果判断为分辨率为预先设定的水平以上的高分辨率的情况下，上述人工智能影像学习部232可基于第一视频点播文件抽取低分辨率影像，并利用所抽取的低分辨率影像和高分辨率影像的补丁(Patch)可执行人工智能影像学习(例，超分辨率卷积神经网络)。此时，上述人工智能影像学习部232利用影像学习的结果计算作为从低分辨率影像实现为高分辨率影像所需的权值信息。并且上述人工智能影像学习部232能够以与相应视频点播文件的标示符信息一同将计算出的权值信息单独存储于数据库220的方式进行控制。

[0053] 另一方面，在从第一服务器100获得的第一视频点播文件的分辨率为小于预先设定的分辨率的低画质影像的情况下，可基于从相应视频点播文件抽取的多个图像进行学习来计算权值。此时，从第一视频点播文件抽取的多个图像均为小于预先设定的分辨率的低画质图像，可利用已抽取的多个低画质图像的自相似性计算提高分辨率的权值。在上述情况下，上述人工智能影像学习部232根据本发明的多种实施例，以超分辨率卷积神经网络之外的方式执行人工智能影像学习，并可基于上述计算权值。

[0054] 省略上述分辨率判断部231的分辨率判断动作，针对于全部视频点播文件统一地还可执行相同方式的影像学习方式。

[0055] 上述人工智能影像学习部232的特征在于根据超分辨率卷积神经网络方式执行人工智能影像学习，但并不局限于此，可根据多种实施例执行基于其它方式的(例，VDSR、DRCN)的人工智能影像学习，并可计算按视频点播文件的权值信息。

[0056] 从第一视频点播文件抽取权值时，在上述对象图像抽取部233的总图像的大小为预先设定的水平以上或权值的容量为预先设定的容量水平以上的情况下，选择性地，可对第一视频点播文件的图像中的一部分图像进行采样。例如，去除边角部分的中心区域的图像可相当于在上述对象图像抽取部233中采样的一部分图像。并且，可对包含第一视频点播文件的图像中检测到预先设定的对象(例，人物的脸部)的区域单独进行采样(例，对象图像的采样)。从上述对象图像抽取部233抽取的采样图像经过以后由上述人工智能影像学习部232执行的人工智能影像学习计算对象图像用权值。在由用户设备300请求对象中心的分辨率校正的情况下可提供上述对象图像用权值，上述对象图像用权值可仅使用于恢复整个视频点播文件的图像区域中的预先设定的区域(采样为对象图像的区域)的分辨率。上述对象图像用权值为仅适用于一部分图像的值，而不是适用于整个图像，因而具有减少权值容量的大小，并且可节约对影像的分辨率恢复需要的资源和时间的效果。

[0057] 在一实施例中，提供根据上述的实施例利用对象中心的权值的分辨率校正的情况下，用户设备300可请求及执行基于对象的权值检索及分辨率校正。

[0058] 例如，在没有与用户设备300所要播放的影像文件相关的信息的情况下，用户设备300无法获得相应影像文件相关的权值，因此有可能难以执行分辨率校正。例如，影像文件可以为无题目(或标示符)的视频程序或对电影的一部分场面进行编辑的裁剪影像。

[0059] 在上述情况下，用户设备300从影像文件抽取一个以上的对象，且可对已抽取的对象进行识别。对对象的识别可利用现有经学习的模型。可在用户设备300或至少一个服务器中预先执行模型的学习。例如，用户设备300可对登场于影像文件的卡通形象、演员、建筑物及小品等特定对象进行识别及识辨，并可检索或获得与此相对应的影像的种类及相应影像的场面。

[0060] 用户设备300基于已获得的信息从用户设备300或第二服务器200获得权值。根据实施例，在无对应的权值的情况下，用户设备300在服务器中检索与影像文件相对应的高画质的影像，并可利用已检索的高画质影像执行用于获得权值的人工智能影像学习。用于获得权值的学习需要时间，因而用户设备300存储于播放列表或针对于存储在用户设备300的一个以上的影像文件在后台中执行上述动作，在用户收视之前预先通过服务器进行学习，若学习结束，则可获得权值进行存储。

[0061] 作为另一例，在用户设备300或第二服务器200未存储有与用户设备300所要播放的影像文件相对应的权值的情况下，用户设备300无需单独学习步骤可执行基于对象的分辨率恢复。

[0062] 例如，用户设备300跟上述方法从影像文件抽取一个以上的对象，且可对已抽取的对象进行识别。例如，用户设备300可对登场于影像文件的卡通形象、演员、建筑物及小品等特定对象进行识别及识辨，并可从用户设备300或第二服务器获得与此对应的对象图像用权值。例如，即使未存储有与特定电影相关的权值，也可已存储有与在相应电影中演出的演员相关的权值。在上述情况下，用户设备300获得与相应演员相关的权值，并基于已获得的权值可执行与相应演员的图像相关的分辨率恢复。

[0063] 并且，对象可包括未特定的普通对象。例如，未特定步道块或电线杆、建筑物、汽车等的对象，可预先存储根据规定的基准分类的权值。因此，在用户设备300识别为在影像中存在车道、建筑物、汽车等普通对象的情况下，获得与此相对应的权值后，执行与各个普通对象相关的分辨率恢复，从而可提高影像的总体品质。

[0064] 上述内容信息收集部234从第一服务器100接收提供，并可收集以具有执行人工智能影像学习的履历的视频点播文件为为主的内容信息。上述内容信息是为了按项目分类视频点播文件而需要的信息，例如，内容种类(例，电影、电视剧、M/V、娱乐、动画等)、名称(例，金科长(电视剧名称)、死池(电影名称))、流行期及回次、情节、剧中人物等的信息可相当于此。

[0065] 根据多种实施例，为了可判断随后用户主要请求的内容的属性，上述内容信息收集部234能够以收集与从用户频繁地请求权值的内容(与点击数多的视频点播相关的内容信息)相关的内容信息的方式控制。上述内容信息收集部234可收集包含于第一视频点播文件的名称、回次等的内部内容信息。并且，上述内容信息收集部234可基于包含于上述第一视频点播文件的内部内容信息追加收集相应内容的情节、剧中人物等的外部内容信息。

[0066] 并且，上述内容信息收集部234根据多种实施例，可基于所收集的内容信息控制人工智能影像学习部232的动作。例如，分类为“电视剧/金科长/1集”的视频点播共存在20个(例，在1小时的内容的情况下，可存在多个5分钟的分割的影像裁剪)时，20个视频点播可分类为一个束。并且，上述人工智能影像学习部232针对于上述20个内容中的任意内容，基于用于计算权值的人工智能影像学习动作中的上述内容信息，在相同分类的内容中，可追加参照拥有类似的缩略图图像的视频点播，来执行影像学习。

[0067] 上述用户收视信息收集部235可基于从用户设备300接收的视频点播请求信号收集信息。并且，上述用户收视信息收集部235还可从第一服务器100收集用户的收视信息(例，点击数信息)。上述用户收视信息收集部235可从用户帐户收集用户信息(性别、年龄段、国家等)。并且，上述用户收视信息收集部235可收集按用户帐户的连接次数相关信息(例，一个月平均连接次数)、收视视频点播的标示符或分裂项目信息(例，能够以按用户的收视视频点播列表形态进行记录)等的收视信息。根据多种实施例，上述用户收视信息收集部235可追加收集相同视频点播内容的平均反复播放次数、主分辨率选择信息等。

[0068] 上述用户收视趣向信息计算部236可基于由上述内容信息收集部234及用户收视信息收集部235收集的信息，计算与用户的视频点播趣向相关的信息。例如，上述用户收视趣向信息计算部236可对任意视频点播收视次数或向第一服务器100(视频点播服务网页或应用程序)的连接次数为预先设定的基准值(例，3次/1周)以上的用户计算收视趣向信息。或者，上述用户收视趣向信息计算部236针对于全部用户可基于有收视履历的视频点播文件及与相应视频点播文件相关的内容信息计算收视趣向信息。或者，上述用户收视趣向信息计算部236可基于用户信息计算按特定年龄段或性别收视趣向信息。

[0069] 并且，上述用户收视趣向信息计算部236为了判断按用户的关注视频点播，可利用从用户收视信息收集部235收集的收视信息。上述用户收视趣向信息计算部236可基于按各个用户的收视视频点播文件列表等的收视信息来计算用户偏好的视频点播文件的特征。此时，上述用户收视趣向信息计算部236按内容信息对用户的收视视频点播文件的各个信进行分类后，将收视预先设定的次数(或比率)以上的项目的信息可判断为用户偏好的内容分类。例如，用户收视趣向信息计算部236可针对于各个用户的收视视频点播列表赋予与分类项目相关的识别值。

[0070] 之后，上述用户收视趣向信息计算部236可基于赋予在特定用户的收视视频点播列表的识别值信息，判断相应用户的偏好视频点播项目信息。例如，在判断为赋予在任意用户A的收视视频点播列表的识别值中预先设定的比率以上为相当于电视剧(种类)、推理物(类型)的情况下，上述用户收视趣向信息计算部236可将相应用户的趣向判断为(1)电视剧、(2)推理物。之后，用户收视趣向信息计算部236可向第一服务器侧提供推荐信息，从而向相应用户推荐分类为推理物及电视剧的视频点播。由此，上述第一服务器当相应用户连接时，在新更新的视频点播文件中作为推理物的电视剧的情况下，在上述相应用户的连接页面的画面显示推荐相应视频点播的画面或可利用推送通知向用户设备300侧传递更新信息。

[0071] 并且，在第一服务器100更新有判断为多个用户偏好的视频点播(例，系列物)的情况下，上述用户收视趣向信息计算部236能够用第二服务器优先选定相应视频点播后，执行人工智能影像学习的方式进行控制。即，当判断从第一服务器100获得的第一视频点播的人工智能影像学习的优先顺序时，上述控制部230可基于从上述用户收视趣向信息计算部236计算的用户收视趣向信息进行确定。

[0072] 根据多种实施例，当设定从第一服务器100获得的第一视频点播的人工智能影像学习的优先顺序时，上述控制部230可对忠诚度高的用户的偏好影像进一步赋予优先顺序。可基于与提供视频点播的服务器的连接此时及收视次数判断上述忠诚度。例如，在第一服务器100连接次数及通过第一服务器100的视频点播收视次数为预先设定的水平以上的用户偏好的A电视剧和连接次数及收视次数小于预先设定的水平的用户偏好的B电视剧中，上述控制部能够以A电视剧为优选执行人工智能影像学习的方式指定顺序。

[0073] 并且，根据本发明的多种实施例，上述控制部230还可包括基于关键词的视频点播推荐部(未图示)。上述基于关键词的视频点播推荐部以经学习的视频点播文件为对象利用人工智能使视频点播的情节和用户评论学习，并可执行推荐与网络服务器等中推荐的趋势关键词相关的视频点播文件的动作。例如，基于关键词的上述视频点播推荐部基于在网络中经常检索的电视剧名称、演员名称将相应名称的内容或相应演员演出的内容判断为在相应时间点上作为问题的内容，并可向用户推荐此内容。

[0074] 图4为示出本发明实施例的人工智能影像学习动作的顺序的流程图。

[0075] 本发明实施例的第二服务器200可执行从第一服务器获得视频点播文件的步骤405。之后，上述第二服务器200可执行与获得的视频点播文件相关的人工智能影像学习及计算对高画质恢复所需要的权值的步骤410。此时，上述第二服务器200对通过控制部230获得的视频点播文件的高画质恢复用权值进行计算。

[0076] 之后，上述第二服务器200的控制部230可执行按内容标示符对已计算的权值进行分类并存储于数据库220的步骤415。

[0077] 根据上述顺序，在第二服务器200中计算与从第一服务器100拥有的视频点播文件相对应的分辨率恢复用权值，并可在额外的数据库220中拥有。可预计上述权值的参数越大，高分辨率的恢复率越高，但是视频点播服务可用性降低。由此，能够以保持规定的容量(例，小于10MB)的方式指定要计算的权值的大小。

[0078] 图5为示出根据本发明的实施例由第二服务器用于执行分辨率恢复的动作的顺序的流程图。

[0079] 上述第二服务器200的控制部230可接收与特定视频点播文件相关的传送请求信号。此时，可从用户设备300直接接收在上述第二服务器200中与特定视频点播文件相关的传送请求信号。在上述情况下，可如下设定：用户设备300与提供视频点播服务的第一服务器100侧相连接时，可自动接收与第二服务器200的相关的信息，当相第一服务器100侧请求视频点播时，还可向第二服务器200侧请求相同信号。

[0080] 或者，上述第二服务器200从第一服务器接收连接于视频点播服务器的用户设备300信息，且若第一服务器100从用户设备接收视频点播请求信号，则第一服务器100可向第二服务器200侧传递相应信号。由此，第二服务器200可接收与得到请求传送的视频点播文件相关的信息及用户设备300的信息。

[0081] 之后，上述第二服务器200的控制部230可执行对与所请求的视频点播文件相对应的权值进行搜索的步骤510。

[0082] 上述控制部230可执行在数据库内是否存在与相应视频点播文件相对应的权值权值进行判断的步骤515，在对应权值存在的情况下，上述控制部230可执行以向用户设备300侧传送相应权值的方式控制通信部的步骤520。相反地，若判断为不存在与已选择的视频点播相对应的权值的情况下，则上述控制部230执行对与视频点播文件相关的人工智能影像学习赋予重要度加权值的步骤525后，可结束本动作。

[0083] 本发明实施例的控制部230可确定与视频点播文件相关的人工智能影像学习的优先顺序，并可基于已设定的顺序信息执行视频点播文件的人工智能影像学习动作。可按照分数计算方式执行上述控制部230执行的人工智能影像学习的顺序的确定，针对于新更新的视频点播影像在现有点击数为作为预先设定的基准值以上的内容的后续作品(将作品名称相同且回次信息不同的视频点播文件可判断为相同内容的后续作品)的情况下，可基于以前视频点播内容的点击数信息赋予分数。并且，如在上述步骤525中进行说明，在存在用户的请求履历的情况下，当计算用于确定人工智能影像学习的顺序的分数时上述控制部230可赋予加权值。

[0084] 除此之外，上述控制部230可根据多种方式判断用户的关注度高的视频点播内容，据此，相对于用户关注度高的视频点播内容可优选执行人工智能影像学习。

[0085] 第二服务器200可根据本发明的多种实施例，再次利用一次性地学习的预训练(pretrained)模型执行追加学习(例如，与特定视频点播文件相关的传送请求信号接收相对应可执行追加学习)。由此，本发明实施例的人工智能影像学习动作可缩短学习时间。

[0086] 在附图中未示出，但是在第二服务器200中的上述动作之后，用户设备300侧通过在人工智能高分辨率视频播放程序301上驱动与第一视频点播文件(低分辨率影像)和相应视频点播相对应的权值，来生成已恢复的高分辨率的影像(第二视频点播文件)，并可对此进行播放。

[0087] 参照上述例详细说明了本发明，但是本发明所属技术领域的普通技术人员不脱离本发明的范围，还可施加与本例相关的改造、变更及变形。概言之，为了实现本发明意图的效果，并不是额外包含附图所示的全部功能块或针对于附图所示的全部顺序要按照原来的顺序进行，即使不是额外包含附图所示的全部功能块或按照示出的顺序进行全部顺序也，可属于记载于发明要求保护范围的本发明的技术范围。

[0088] 与本发明的实施例相关进行说明的方法或算法的步骤可利用硬件直接实现，或利用借助硬件运行的软件模块实现或可通过它们的结合实现。软件模块还可以常驻在随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM)、电可擦除只读存储器(EEPROM)、闪存(Flash Memory)、硬盘、装拆型磁盘或本发明所属领域中已知的任何形式的计算机可读记录介质中。

[0089] 本发明的结构要素可利用软件编程或软件要素运行，与此类似地，实施例包括利用数据结构、程序例程或以其他编程结构的组合实现的多种算法，可利用如C、C++、Java、汇编程序(assembler)等的编程程序或脚本语言来实现。功能性方面，可以利用在一个以上的处理器中运行的算法实现。

标题	发布/更新时间	阅读量
一种无需公网IP地址实现互联网场景下采集工作站分布式存储的方法	2020-05-08	442
数据通讯系统与方法	2020-05-11	831
一种公交传媒移动装置、公交移动传媒系统及方法	2020-05-11	266
基于视联网的视频点播方法、链路建立方法、装置及系统	2020-05-08	938
音视频播放方法、装置、电子设备及存储介质	2020-05-11	234
基于嵌入式监控设备点对点通信的录像回放方法	2020-05-11	141
一种支持云平台采用双缓冲的实时视频流存储方法	2020-05-12	980
一种国标PS流转RTMP直播流的实时转换方法	2020-05-11	732
一种视频点播的方法和装置	2020-05-11	306
视频大数据云平台级联服务方法	2020-05-12	145

基于人工智能影像学习平台的视频点播服务系统

基于人工智能影像学习平台的视频点播服务系统

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：