基于卷积神经网络的视频编码后置滤波方法技术

基于卷积神经网络的视频编码后置滤波方法，包括卷积神经网络模型训练步骤和滤波步骤，训练步骤包括：设置视频压缩的量化参数为20至51对原始视频进行编码压缩，得到压缩视频；对所有视频进行帧提取得到多个压缩视频帧‑原始视频帧的帧对；将提取得到帧对按帧类型和量化参数的不同划分为多个组；搭建卷积神经网络框架并初始化网络参数，使用前述划分的组分别对神经网络进行训练，得到对应于不同量化参数和帧类型的多个神经网络模型。滤波步骤包括：将得到的多个神经网络模型嵌入至视频编码器的后置滤波环节；对待处理的原始视频执行前述的编码压缩和帧提取得到待处理帧对，并依据待处理帧对的量化参数和帧类型选择对应的神经网络模型进行滤波处理。

Video coding post filtering method based on convolutional neural network

Video encoding post filtering method based on convolutional neural network, including the convolution neural network model training step and the filtering step, the training steps include: setting the quantization parameters of video compression for 20 to 51 of the original video compression encoding, compressed video; for all video frames extracted from a plurality of compressed video frames original video frames the frame of the frame; extracted according to the classification of different frame types and quantitative parameters for multiple groups; build the framework of convolutional neural network and initialization of network parameters, using the division of the group for training of the neural network are obtained, corresponding to a plurality of neural network models with different quantization parameters and frame type. The filter comprises the following steps: post filtering links in the multiple neural network model is embedded into the original video video encoder; treat the execution of the aforesaid encoding compression and frame extraction are done according to the frame, the frame of the quantization parameter and frame type selection of the neural network model of filtering.

【技术实现步骤摘要】
基于卷积神经网络的视频编码后置滤波方法
本专利技术涉及计算机视觉和视频编码领域，具体涉及一种基于卷积神经网络的视频编码后置滤波方法。
技术介绍
随着科技的发展和各种视频显示设备的丰富，视频已经日益成为人们生活中不可缺少的部分，在各个领域发挥着十分重要的作用。过去的几十年来见证了视频分辨率与显示设备屏幕的巨大发展，而超高分辨率的视频会产生庞大的数据量，这会对网络带宽产生极大的负担。因此，需要高效的视频编码和传输技术来保证用户观看视频的体验，同时尽可能地降低视频的数据量，为网络带宽减负。鉴于此，研究人员在几十年来不断研究高效的视频编码方法。视频编码技术，主要是通过移除视频中的冗余信息来减少视频的数据量以达到有效地储存和传输大量视频数据，其旨在尽量保持原视频质量的前提下，以更低的码率压缩视频。然而，当前的视频编码标准主要都是基于块的混合视频编码技术，在这种编码框架下，基于块的帧内/帧间预测、转换以及粗量化都会导致视频质量的下降，尤其是在低码率的情况下。因此，减少视频编码中的失真成为当前视频编码领域的研究热点之一。虽然，在当前视频编码标准中也采取了一些算法来减少块效应和提高主观质量，但是其效本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的视频编码后置滤波方法，包括卷积神经网络模型的训练步骤以及后置滤波处理步骤，其中：所述训练步骤包括S1至S4：S1、设置视频压缩的量化参数为20至51，对原始视频进行编码压缩，得到压缩视频；S2、对所述压缩视频和所述原始视频进行帧的提取，得到多个帧对，每个所述帧对包含一压缩视频帧和一原始视频帧；S3、将步骤S2提取的帧对按照帧类型和量化参数的不同划分为多个组；S4、搭建卷积神经网络框架并初始化网络参数，使用步骤S3划分的组分别对神经网络进行训练，得到对应于不同量化参数和帧类型的多个神经网络模型；所述后置滤波处理步骤包括S5和S6：S5、将步骤S4得到的多个神经网络模型嵌入至...

【技术特征摘要】
1.一种基于卷积神经网络的视频编码后置滤波方法，包括卷积神经网络模型的训练步骤以及后置滤波处理步骤，其中：所述训练步骤包括S1至S4：S1、设置视频压缩的量化参数为20至51，对原始视频进行编码压缩，得到压缩视频；S2、对所述压缩视频和所述原始视频进行帧的提取，得到多个帧对，每个所述帧对包含一压缩视频帧和一原始视频帧；S3、将步骤S2提取的帧对按照帧类型和量化参数的不同划分为多个组；S4、搭建卷积神经网络框架并初始化网络参数，使用步骤S3划分的组分别对神经网络进行训练，得到对应于不同量化参数和帧类型的多个神经网络模型；所述后置滤波处理步骤包括S5和S6：S5、将步骤S4得到的多个神经网络模型嵌入至视频编码器的后置滤波环节；S6、对待处理的原始视频执行步骤S1和S2得到待处理帧对，并依据待处理帧对的量化参数和帧类型选择对应的神经网络模型进行滤波处理。2.如权利要求1所述的基于卷积神经网络的视频编码后置滤波方法，其特征在于：步骤S3中将帧对按照帧类型分为I帧、P帧和B帧。3.如权利要求1所述的基于卷积神经网络的视频编码后置滤波方法，其特征在于：步骤S3还包括将每个组内的帧对依据分辨率和场景来划分训练集、验证集和测试集；其中所述验证集用于在训练过程中每迭代...

【专利技术属性】
技术研发人员：张永兵，林荣群，王兴政，王好谦，戴琼海，
申请(专利权)人：清华大学深圳研究生院，深圳市未来媒体技术研究院，
类型：发明
国别省市：广东,44