Как реализовать скрейпинг не со страницы, а с видео?

Всем доброго времени суток! Суть вопроса - есть видео, в котором содержится полезная информация (либо появляются слова в заранее заданной части экрана, либо объекты из заранее определенного набора объектов). Моя цель - написать приложение, которое "увидит", распознает эту информацию (текст с видео передаст в простой текст под обработку, объекты - распознает и передаст опять же как текст (наименование объекта) под обработку). Прошу помощи в направлении для решения такой вот задачи, хотя бы литературой (крайне желательно, на русском), особенно, интересна литература о нейросетях. Может кто-то сталкивался с чем-то подобным и есть идеи реализации - тоже интересно послушать, потому что моя идея решения пока грубая и не оптимальная (и, возможно, нереализуемая). Спасибо за любую помощь!