视频数据压缩处理方法、装置和设备制造方法及图纸

本公开是关于一种视频数据压缩处理方法、装置和设备，该方法包括：采用人物识别模型对视频数据中的每一帧图像进行人物识别，得到人物帧和非人物帧；对非人物帧进行第一压缩比压缩；对人物帧进行第二压缩比压缩，其中，第二压缩比小于第一压缩比。通过对视频数据中不同类别的图像帧进行不同的图像压缩处理，使得在减少其占用存储空间的同时，保证了视频数据的质量。

【技术实现步骤摘要】

本公开涉及数据处理
，尤其涉及一种视频数据压缩处理方法、装置和设备。
技术介绍
随着智能手机等智能终端的普及程度越来越高，用户可以随时随地的使用智能手机拍摄视频，记录生活中的点滴。为了降低对智能手机等终端设备的存储资源的占用，云端存储的技术被广泛采用。但是，随着用户拍摄的视频数量的不断增多，这些视频数据所占用的存储空间也越来越多，为此，服务器一会采用比如MPEG4等视频压缩技术对视频数据进行压缩处理，以降低所占用的存储空间。
技术实现思路
本公开提供一种视频数据压缩处理方法、装置和设备，通过对视频数据中不同类型的图像帧进行不同的压缩处理，使得在减少其占用存储空间的同时，保证了视频数据的质量。根据本公开实施例的第一方面，提供一种视频数据压缩处理方法，包括:采用人物识别模型对视频数据中的每一帧图像进行人物识别，得到人物帧和非人物帧；对所述非人物帧进行第一压缩比压缩；对所述人物帧进行第二压缩比压缩，其中，所述第二压缩比小于所述第一压缩比。进一步的，所述方法还包括:采用视频压缩技术，对经过所述压缩处理后的每一帧图像进行压缩处理。 进一步的，所述方法还包括:若所述人物帧的数量大于预设数量，则执行对所述非人物帧进行第一压缩比压缩的步骤；若所述人物帧的数量不大于所述预设数量，则采用视频压缩技术，对所述视频数据中的每一帧图像进行压缩处理。上述技术方案可以包括以下有益效果:通过人物识别模型对视频数据中包含的各图像帧进行所属不同类别的识别，将视频数据中包含的各图像帧划分为人物帧和非人物帧。进而，针对不同类别的图像帧进行不同的图像压缩处理，使得在更多地减少其占用存储空间的同时，保证了视频数据的质量。进一步的，所述方法还包括:对所述人物帧进行人脸识别处理，获得第一人物帧图像集合和第二人物帧图像集合，其中，第一人物帧图像集合中包含的各人物帧中具有人脸图像，第二人物帧图像集合中包含的各人物帧中不具有人脸图像。进一步的，所述方法还包括:对所述第一人物帧图像集合中的各人物帧进行第三压缩比压缩；对所述第二人物帧图像集合中的各人物帧进行第二压缩比压缩，其中，所述第三压缩比小于所述第二压缩比。上述技术方案可以包括以下有益效果:采用第二压缩比的图像压缩技术，对第二人物帧图像集合中的各人物帧进行图像压缩处理，采用小于第二压缩比的第三压缩比的图像压缩技术，对属于第一人物帧图像集合中的各人物帧进行图像压缩处理。从而在保证包含人脸图像的各图像帧的质量的同时，进一步地降低了视频数据对存储空间的占用。进一步的，所述方法还包括训练人物识别模型的步骤:获取训练样本集，所述训练样本集中包括多个人物训练样本图像和多个非人物训练样本图像；分别将所述多个人物训练样本图像和所述多个非人物训练样本图像输入到卷积神经网络中，对所述卷积神经网络中各层隐层节点之间的特征系数进行训练，得到所述人物识别模型。上述技术方案可以包括以下有益效果:通过对基于深度学习的卷积神经网络进行分类训练，得到上述人物识别模型，使得该人物识别模型具有更好的识别准确性，保证了后续视频数据图像帧识别结果的准确性。进一步的，所述方法还包括测试人物识别模型的步骤:获取测试样本集，所述测试样本集中包括多个人物测试样本图像和多个非人物测试样本图像；采用所述人物识别模型分别对所述测试样本集中的多个人物测试样本图像和多个非人物测试样本图像进行识别，得到各个测试样本图像对应的分类结果；根据所述各个测试样本图像对应的分类结果，确定所述人物识别模型的分类正确率。进一步的，所述方法还包括:若所述分类正确率小于预设阈值，则迭代执行如下处理，直到达到最大迭代次数或分类正确率大于预设阈值为止:更新所述训练样本集；根据更新后的训练样本集对前一次迭代对应的人物识别模型中各层隐层节点之间的特征系数进行训练，得到本次迭代对应的更新后人物识别模型；根据更新后的测试样本集对本次迭代对应的更新后人物识别模型进行分类正确率测试，确定对应的分类正确率。进一步的，所述方法还包括:确定各次迭代对应的分类正确率中的最大分类正确率；确定与所述最大分类正确率对应的更新后人物识别模型为目标人物识别模型。上述技术方案可以包括以下有益效果:通过对人物识别模型的分类正确率的确定，以及在人物识别模型分类正确率低于预设阈值时，迭代训练、测试的过程，有效保证了最终获得的人物识别模型的准确、可靠。根据本公开实施例的第二方面，提供一种视频数据压缩处理装置，包括:第一识别模块，被配置为采用人物识别模型对视频数据中的每一帧图像进行人物识别，得到人物帧和非人物帧；；第一处理模块，被配置为对所述非人物帧进行第一压缩比压缩；第二处理模块，被配置为对所述人物帧进行第二压缩比压缩，其中，所述第二压缩比小于所述第一压缩比。所述装置还包括：第三处理模块，被配置为采用视频压缩技术，对经过所述压缩处理后的每一帧图像进行压缩处理。具体地，所述第一处理模块，被配置为在所述人物帧的数量大于预设数量时，执行对所述非人物帧进行第一压缩比压缩的步骤；所述装置还包括：第四处理模块，被配置为在所述人物帧的数量不大于所述预设数量时，采用视频压缩技术，对所述视频数据中的每一帧图像进行压缩处理。上述技术方案可以包括以下有益效果：视频数据压缩处理装置通过采用人物识别模型对视频数据中包含的各图像帧进行所属不同类别的识别，将视频数据中包含的各图像帧划分为人物帧和非人物帧。进而，针对不同类别的图像帧进行不同的图像压缩处理，使得在更多地减少其占用存储空间的同时，保证了视频数据的质量。进一步的，所述装置还包括：第二识别模块，被配置为对所述人物帧进行人脸识别处理，获得第一人物帧图像集合和第二人物帧图像集合，其中，第一人物帧图像集合中包含的各人物帧中具有人脸图像，第二人物帧图像集合中包含的各人物帧中不具有人脸图像。所述装置还包括：第五处理模块，被配置为对所述第一人物帧图像集合中的各人物帧进行第三压缩比压缩；所述第二处理模块，被配置为对所述第二人物帧图像集合中的各人物帧进行第二压缩比压缩，其中，所述第三压缩比小于所述第二压缩比。上述技术方案可以包括以下有益效果：采用第二压缩比的图像压缩技术，对第二人物帧图像集合中的各图像帧进行图像压缩处理，采用小于第二压缩比的第三压缩比的图像压缩技术，对属于第一人物帧图像集合中的各图像帧进行图像压缩处理。从而在保证包含人脸图像的各图像帧的质量的同时，进一步地降低了视频数据对存储空间的占用。进一步的，所述装置还包括：第一获取模块，被配置为获取训练样本集，所述训练样本集中包括多个人物训练样本图像和多个非人物训练样本图像；训练模块，被配置为分别将所述多个人物训练样本图像和所述多个非人物训练样本图像输入到卷积神经网络中，对所述卷积神经网络中各层隐层节点之间的特征系数进行训练，得到所述人物识别模型。上述技术方案可以包括以下有益效果：通过对基于深度学习的卷积神经网络进行分类训练，得到上述人物识别模型，使得该人物识别模型具有更好的识别准确性，保证了后续视频数据图像帧识别结果的准确性。进一步的，所述装置还包括：第二获取模块，被配置为获取测试样本集，所述测试样本集中包括多个人物测试样本图像和多个非人物测试样本图像；第三识别模块，被配置为采用所述人物识别模型分别对所述测试样本集中的多个人物本文档来自技高网...

【技术保护点】
一种视频数据压缩处理方法，其特征在于，包括：采用人物识别模型对视频数据中的每一帧图像进行人物识别，得到人物帧和非人物帧；对所述非人物帧进行第一压缩比压缩；对所述人物帧进行第二压缩比压缩，其中，所述第二压缩比小于所述第一压缩比。

【技术特征摘要】

【专利技术属性】
技术研发人员：张涛，汪平仄，张胜凯，
申请(专利权)人：小米科技有限责任公司，
类型：发明
国别省市：北京;11