视频文字位置定位方法、系统、介质及装置

本申请提供一种视频文字位置定位方法、系统、介质及装置，包括：获取包含文字的参考帧和待定位视频帧；提取参考帧的跨模态特征；提取待定位视频帧的帧特征矩阵；基于跨模态特征和帧特征矩阵构建输入特征矩阵，输入特征矩阵包括跨模态特征和帧特征矩阵和位置向量；将输入特征矩阵输入大语言模型，获取输出特征矩阵；获取输出特征矩阵中位置向量对应的输出向量的均值和方差；基于均值和方差获取一个高斯分布样本；获取高斯分布样本的掩码，以根据掩码确定待定位视频帧的文字位置。本申请能够通过对视频文字所有的帧进行特征提取、融合以及掩码的获取等技术，实现了视频中文字定位的准确性。