问是否可以使用Google Cloud Vision或video intelligence API对视频执行OCR？

EN

下面是我所做的：

请访问此网站并下载此免费视频示例：https://www.videvo.net/video/people-walking-past-the-911-memorial-sign-in-new-york/5283/

• Download

1. install VLC video player
2. 按照本教程中的步骤从视频中提取图像：

a.转到tools -> preferences。在左下角，单击单选按钮“All”。

b.单击左侧的视频类别以将其展开。在“过滤器”中再次单击以将其展开。

c.选择“scene filter”并选择设置(见下图)。

d.点击滤镜类别并选中“场景视频滤镜”复选框(见下图)

e.点击右下角的‘保存’后，打开您下载的视频并播放。图像将自动保存。

更多细节here。

1. 转到此CLOUD VISION API页面，您可以拖放任何生成的图像来查看capabilities.

接口的示例

以下是使用Google Cloud Vision API制作视频的FFmpeg + Python方法：

1. 使用FFmpeg将视频中的帧提取到frames_path目录中：

导入os导入子流程def extract_frames_from_video(video_path，frames_path)：subprocess.call("ffmpeg -r 1 -i {video_path} -r 1 {out_path}".format( video_path=video_path，out_path=os.path.join(frames_path，"frame_%06d.png"))，导入提取帧的视觉接口。

如果您希望突出显示图像中的检测，然后根据处理后的帧重建视频，可以使用以下方法：

1. 从帧中创建无声视频：

def convert_frames_to_video(frames_path，output_video_path，fps)：subprocess.call( "ffmpeg -r {frame_rate} -f image2“"-i {frames_path} -vcodec libx264 -crf {quality} -pix_fmt yuv420p”"{out_path}".format( frame_rate=fps，frames_path=os.path.join(，“”))，shell=True)

• Add quality=15，# Lower is better out_path=output_video_path)，从输入视频到最终输出视频的声音：

def add_sound_from_video_to_video(sound_video_path，soundless_video_path，output_video_path)：subprocess.call(“video_path_without_audio=soundless_video_path，”"-i {video_path_without_audio}“"-i {video_path_with_audio}”"-c copy -map 0:0 -map 1:1 -shortest {output_video_path}“.formatvideo_path_with_audio=sound_video_path，output_video_path=output_video_path)，shell=True)

Here是我为人脸检测编程的整个管道。

目前，Google Cloud Video Intelligence API为视频提供了OCR。它聚合了来自多个帧的检测，与单帧OCR检测相比，提供了更一致的结果。您可以在https://cloud.google.com/video-intelligence/docs/text-detection中检查该功能。