基于文本和镜头相似的自动化视频剪辑方法、装置及终端

本发明公开了基于文本和镜头相似的自动化视频剪辑方法、装置及终端，属于人工智能技术领域。该方法包括：基于对指定音乐的音乐区间识别结果，确定混剪视频的结束时间；挑选主体标签为风景的镜头作为片头镜头；并基于主体识别结果、行为识别结果和运动计算结果，与其他镜头进行相似度分析，并基于深度学习模型计算镜头间的视觉相似度，识别重复或冗余画面，挑选高能镜头作为片中高燃镜头；并基于挑选的结束词的对应片段，检索并截取对应镜头作为片尾镜头；将所述指定音乐、及片头、片中高燃镜头和片尾镜头进行音视频混剪组装。本发明通过融合多模态特征分析与智能剪辑逻辑生成，实现高效、高质量的视频自动化生产。