web-dev-qa-db-ja.com

重複するビデオ（.mp4）ファイルを見つけて削除する方法は？

私は16,000以上の短いビデオクリップを持っていますが、人間の目にはまったく同じものがたくさんありますが、非常によく見ると、どちらか一方の時間が1秒（またははるかに短い）余分にある可能性があります。始まりか終わりか。

私はすでにいくつかの方法を試しましたが、重複を見つけることに成功しませんでした。バイトは非常に小さいので、正確なバイトサイズを比較するだけで十分だと思います。しかし、違います！そうではない理由は、ビデオクリップの最初または最後にわずかに余分な（または余分ではない）数ミリ秒がある可能性があるためです。これにより、それらは異なり、同一ではなくなります。その結果、「バイト比較のためのバイト」を使用したファインダーの重複は、重複した結果にはなりません。

そして、ビデオクリップの大部分は他のいくつかとまったく同じですが、比較する.mp4ファイルの最初または最後で数ミリ秒の違いがあるため、重複を見つけるのに何も使用していません。

これらの短いビデオクリップの.mp4ファイルの複製を見つけることに成功する方法を誰かが知っていますか？平均でそれぞれ約30秒ですが、他と比較すると数ミリ秒しか違いません。人間の目にはこれはまったく同じであるため、重複が表示されていますが、16,000以上のビデオクリップをすべて自分で見て比較する必要はありません。

助言がありますか？

私は私の質問に素晴らしい実用的な答えを見つけました、私がそれに答えることを許可できますか？

...それが保留になっているとき、私はできないようです...

linuxfilesfindvideofile-comparison
3
Anonymous

私も同じ問題を抱えていました。自分でプログラムを書きました。

問題は、さまざまなフォーマットと解像度のビデオがあったことです。そのため、各ビデオフレームのハッシュを取得して比較する必要がありました。

https://github.com/gklc811/duplicate_video_Finder

一番上にあるディレクトリを変更するだけで、問題ありません。

from os import path, walk, makedirs, rename
from time import clock
from imagehash import average_hash
from PIL import Image
from cv2 import VideoCapture, CAP_PROP_FRAME_COUNT, CAP_PROP_FRAME_WIDTH, CAP_PROP_FRAME_HEIGHT, CAP_PROP_FPS
from json import dump, load
from multiprocessing import Pool, cpu_count

input_vid_dir = r'C:\Users\gokul\Documents\data\\'
json_dir = r'C:\Users\gokul\Documents\db\\'
analyzed_dir = r'C:\Users\gokul\Documents\analyzed\\'
duplicate_dir = r'C:\Users\gokul\Documents\duplicate\\'

if not path.exists(json_dir):
    makedirs(json_dir)

if not path.exists(analyzed_dir):
    makedirs(analyzed_dir)

if not path.exists(duplicate_dir):
    makedirs(duplicate_dir)


def write_to_json(filename, data):
    file_full_path = json_dir + filename + ".json"
    with open(file_full_path, 'w') as file_pointer:
        dump(data, file_pointer)
    return


def video_to_json(filename):
    file_full_path = input_vid_dir + filename
    start = clock()
    size = round(path.getsize(file_full_path) / 1024 / 1024, 2)
    video_pointer = VideoCapture(file_full_path)
    frame_count = int(VideoCapture.get(video_pointer, int(CAP_PROP_FRAME_COUNT)))
    width = int(VideoCapture.get(video_pointer, int(CAP_PROP_FRAME_WIDTH)))
    height = int(VideoCapture.get(video_pointer, int(CAP_PROP_FRAME_HEIGHT)))
    fps = int(VideoCapture.get(video_pointer, int(CAP_PROP_FPS)))
    success, image = video_pointer.read()
    video_hash = {}
    while success:
        frame_hash = average_hash(Image.fromarray(image))
        video_hash[str(frame_hash)] = filename
        success, image = video_pointer.read()
    stop = clock()
    time_taken = stop - start
    print("Time taken for ", file_full_path, " is : ", time_taken)
    data_dict = dict()
    data_dict['size'] = size
    data_dict['time_taken'] = time_taken
    data_dict['fps'] = fps
    data_dict['height'] = height
    data_dict['width'] = width
    data_dict['frame_count'] = frame_count
    data_dict['filename'] = filename
    data_dict['video_hash'] = video_hash
    write_to_json(filename, data_dict)
    return


def multiprocess_video_to_json():
    files = next(walk(input_vid_dir))[2]
    processes = cpu_count()
    print(processes)
    pool = Pool(processes)
    start = clock()
    pool.starmap_async(video_to_json, Zip(files))
    pool.close()
    pool.join()
    stop = clock()
    print("Time Taken : ", stop - start)


def key_with_max_val(d):
    max_value = 0
    required_key = ""
    for k in d:
        if d[k] > max_value:
            max_value = d[k]
            required_key = k
    return required_key


def duplicate_analyzer():
    files = next(walk(json_dir))[2]
    data_dict = {}
    for file in files:
        filename = json_dir + file
        with open(filename) as f:
            data = load(f)
        video_hash = data['video_hash']
        count = 0
        duplicate_file_dict = dict()
        for key in video_hash:
            count += 1
            if key in data_dict:
                if data_dict[key] in duplicate_file_dict:
                    duplicate_file_dict[data_dict[key]] = duplicate_file_dict[data_dict[key]] + 1
                else:
                    duplicate_file_dict[data_dict[key]] = 1
            else:
                data_dict[key] = video_hash[key]
        if duplicate_file_dict:
            duplicate_file = key_with_max_val(duplicate_file_dict)
            duplicate_percentage = ((duplicate_file_dict[duplicate_file] / count) * 100)
            if duplicate_percentage > 50:
                file = file[:-5]
                print(file, " is dup of ", duplicate_file)
                src = analyzed_dir + file
                tgt = duplicate_dir + file
                if path.exists(src):
                    rename(src, tgt)
                # else:
                #     print("File already moved")


def mv_analyzed_file():
    files = next(walk(json_dir))[2]
    for filename in files:
        filename = filename[:-5]
        src = input_vid_dir + filename
        tgt = analyzed_dir + filename
        if path.exists(src):
            rename(src, tgt)
        # else:
        #     print("File already moved")


if __name__ == '__main__':
    mv_analyzed_file()
    multiprocess_video_to_json()
    mv_analyzed_file()
    duplicate_analyzer()
3
Gokul C