一种视频压缩方法、装置、设备及介质制造方法及图纸

本申请公开了一种视频压缩方法、装置、设备及介质，包括：提取待压缩视频的关键帧图像与非关键帧图像；将所述关键帧图像与所述非关键帧图像分别输入至预先建立的第一编码器，输出所述关键帧图像对应的第一编码结果与所述非关键帧图像对应的第二编码结果；将所述第一编码结果与所述第二编码结果分别输入至预先建立的第一解码器，输出所述第一编码结果对应的第一解码结果与所述第二编码结果对应的第二解码结果，其中，所述第一解码器包括基于深度学习模型训练的解码单元与辨别单元；根据所述待压缩视频中所述关键帧图像与所述非关键帧图像的排列顺序，将所述第一解码结果与所述第二解码结果组合成压缩视频。

【技术实现步骤摘要】
一种视频压缩方法、装置、设备及介质
本申请涉及计算机
，尤其涉及一种视频压缩方法、装置、设备及介质。
技术介绍
视频编码方式就是指通过压缩技术，将原始视频格式的文件转换成另一种视频格式文件的方式。视频是连续的图像序列，由连续的帧构成，一帧即为一幅图像。由于人眼的视觉暂留效应，当帧序列以一定的速率播放时，我们看到的就是动作连续的视频。由于连续的帧之间相似性极高，为便于储存传输，需要对原始的视频进行编码压缩，以去除空间、时间维度的冗余。在现有技术中，视频压缩时效果不好，使得用户的体验不佳。
技术实现思路
有鉴于此，本申请实施例提供了一种视频压缩方法、装置、设备及介质，用于解决现有技术中视频压缩时效果不好，使得用户的体验不佳的问题。本申请实施例采用下述技术方案：本申请实施例提供一种视频压缩方法，所述方法包括：提取待压缩视频的关键帧图像与非关键帧图像；将所述关键帧图像与所述非关键帧图像分别输入至预先建立的第一编码器，输出所述关键帧图像对应的第一编码结果与所述非关键帧图像对应的第二编码结果；将所述第一编码结果与所述第二编码结果分别输入至预先建立的第一解码器，输出所述第一编码结果对应的第一解码结果与所述第二编码结果对应的第二解码结果，其中，所述第一解码器包括基于深度学习模型训练的解码单元与辨别单元；根据所述待压缩视频中所述关键帧图像与所述非关键帧图像的排列顺序，将所述第一解码结果与所述第二解码结果组合成压缩视频。进一步的，所述第一编码器包括子采样管、边缘检测单元以及编码单元。进一步的，所述将所述关键帧图像与所述非关键帧图像分别输入至预先建立的第一编码器，输出第一编码结果与第二编码结果，具体包括：将所述关键帧图像与所述非关键帧图像分别输入至预先建立的第一编码器；所述第一编码器的子采样管分别对所述关键帧图像与所述非关键帧图像进行子采样，得到所述关键帧图像对应的第一采样结果与所述非关键帧图像对应的第二采样结果；将所述第一采样结果与所述第二采样结果分别输入至所述第一编码器的边缘检测单元，得到所述第一采样结果对应的第一检测结果与所述第二采样结果对应的第二检测结果；将所述第一检测结果与所述第二检测结果分别输入至所述第一编码器的编码单元，得到所述第一检测结果对应的第一编码结果与所述第二检测结果对应的第二编码结果。进一步的，所述将所述第一采样结果与所述第二采样结果分别输入至所述第一编码器的边缘检测单元，得到所述第一采样结果对应的第一检测结果与所述第二采样结果对应的第二检测结果，具体包括：将所述第一采样结果与所述第二采样结果输入至所述第一编码器的边缘检测单元；根据所述边缘检测单元内置的边缘检测算法，确定出所述第一采样结果对应的第一像素边缘映射与所述第二采样结果对应的第二像素边缘映射；采用矢量量化对所述第一像素边缘映射与所述第二像素边缘映射进行边缘映射，得到所述第一采样结果对应的第一检测结果与所述第二采样结果对应的第二检测结果。进一步的，所述将所述第一检测结果与所述第二检测结果分别输入至所述第一编码器的编码单元，得到所述第一检测结果对应的第一编码结果与所述第二检测结果对应的第二编码结果，具体包括：将所述第一检测结果与所述第二检测结果分别输入至所述第一编码器的编码单元，根据行程长度压缩算法将所述第一检测结果与所述第二检测结果从时间和空间两个维度进行压缩，得到所述第一检测结果对应的第一压缩结果与所述第二检测结果对应的第二压缩结果；根据霍夫曼编码将所述第一压缩结果与所述第二压缩结果进行编码，得出所述第一编码结果与所述第二编码结果。进一步的，所述深度学习模型为GAN深度网络学习模型。进一步的，所述提取待压缩视频的关键帧图像与非关键帧图像之后，所述方法还包括：将所述关键帧图像与所述非关键帧图像分别输入预先建立的第二编码器，输出所述关键帧图像对应的第三编码结果与所述非关键帧图像对应的第四编码结果；将所述第三编码结果与所述第四编码结果分别输入至预先建立的第二解码器，输出所述第三编码结果对应的第三解码结果与所述第四编码结果对应的第四解码结果；将所述第三解码结果与所述第四解码结果分别输入至所述第一编码器，输出所述第三解码结果对应的第五编码结果与所述第四解码结果对应的第六编码结果；将所述第五编码结果与所述第六编码结果分别输入至所述第一解码器，输出所述第五编码结果对应的第五解码结果与所述第六编码结果对应的第六解码结果；根据所述待压缩视频中所述关键帧图像与所述非关键帧图像的排列顺序，将所述第五解码结果与所述第六解码结果组合成压缩视频。本申请实施例还提供一种视频压缩装置，所述装置包括：提取单元，用于提取待压缩视频的关键帧图像与非关键帧图像；编码单元，用于将所述关键帧图像与所述非关键帧图像分别输入至预先建立的第一编码器，输出所述关键帧图像对应的第一编码结果与所述非关键帧图像对应的第二编码结果；解码单元，用于将所述第一编码结果与所述第二编码结果分别输入至预先建立的第一解码器，输出所述第一编码结果对应的第一解码结果与所述第二编码结果对应的第二解码结果，其中，所述第一解码器包括基于深度学习模型训练的解码单元与辨别单元；压缩单元，用于根据所述待压缩视频中所述关键帧图像与所述非关键帧图像的排列顺序，将所述第一解码结果与所述第二解码结果组合成压缩视频。本申请实施例提供一种视频压缩设备，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：提取待压缩视频的关键帧图像与非关键帧图像；将所述关键帧图像与所述非关键帧图像分别输入至预先建立的第一编码器，输出所述关键帧图像对应的第一编码结果与所述非关键帧图像对应的第二编码结果；将所述第一编码结果与所述第二编码结果分别输入至预先建立的第一解码器，输出所述第一编码结果对应的第一解码结果与所述第二编码结果对应的第二解码结果，其中，所述第一解码器包括基于深度学习模型训练的解码单元与辨别单元；根据所述待压缩视频中所述关键帧图像与所述非关键帧图像的排列顺序，将所述第一解码结果与所述第二解码结果组合成压缩视频。本申请实施例提供一种视频压缩介质，存储有计算机可执行指令，所述计算机可执行指令设置为：提取待压缩视频的关键帧图像与非关键帧图像；将所述关键帧图像与所述非关键帧图像分别输入至预先建立的第一编码器，输出所述关键帧图像对应的第一编码结果与所述非关键帧图像对应的第二编码结果；将所述第一编码结果与所述第二编码结果分别输入至预先建立的第一解码器，输出所述第一编码结果对应的第一解码结果与所述第二编码结果对应的第二解码结果，其中，所述第一解码器包括基于深度学习模型训练的解码单元与辨别单元；本文档来自技高网...

【技术保护点】
1.一种视频压缩方法，其特征在于，所述方法包括：/n提取待压缩视频的关键帧图像与非关键帧图像；/n将所述关键帧图像与所述非关键帧图像分别输入至预先建立的第一编码器，输出所述关键帧图像对应的第一编码结果与所述非关键帧图像对应的第二编码结果；/n将所述第一编码结果与所述第二编码结果分别输入至预先建立的第一解码器，输出所述第一编码结果对应的第一解码结果与所述第二编码结果对应的第二解码结果，其中，所述第一解码器包括基于深度学习模型训练的解码单元与辨别单元；/n根据所述待压缩视频中所述关键帧图像与所述非关键帧图像的排列顺序，将所述第一解码结果与所述第二解码结果组合成压缩视频。/n

【技术特征摘要】
1.一种视频压缩方法，其特征在于，所述方法包括：
提取待压缩视频的关键帧图像与非关键帧图像；
将所述关键帧图像与所述非关键帧图像分别输入至预先建立的第一编码器，输出所述关键帧图像对应的第一编码结果与所述非关键帧图像对应的第二编码结果；
将所述第一编码结果与所述第二编码结果分别输入至预先建立的第一解码器，输出所述第一编码结果对应的第一解码结果与所述第二编码结果对应的第二解码结果，其中，所述第一解码器包括基于深度学习模型训练的解码单元与辨别单元；
根据所述待压缩视频中所述关键帧图像与所述非关键帧图像的排列顺序，将所述第一解码结果与所述第二解码结果组合成压缩视频。


2.根据权利要求1所述的视频压缩方法，其特征在于，所述第一编码器包括子采样管、边缘检测单元以及编码单元。


3.根据权利要求2所述的视频压缩方法，其特征在于，所述将所述关键帧图像与所述非关键帧图像分别输入至预先建立的第一编码器，输出第一编码结果与第二编码结果，具体包括：
将所述关键帧图像与所述非关键帧图像分别输入至预先建立的第一编码器；
所述第一编码器的子采样管分别对所述关键帧图像与所述非关键帧图像进行子采样，得到所述关键帧图像对应的第一采样结果与所述非关键帧图像对应的第二采样结果；
将所述第一采样结果与所述第二采样结果分别输入至所述第一编码器的边缘检测单元，得到所述第一采样结果对应的第一检测结果与所述第二采样结果对应的第二检测结果；
将所述第一检测结果与所述第二检测结果分别输入至所述第一编码器的编码单元，得到所述第一检测结果对应的第一编码结果与所述第二检测结果对应的第二编码结果。


4.根据权利要求3所述的视频压缩方法，其特征在于，所述将所述第一采样结果与所述第二采样结果分别输入至所述第一编码器的边缘检测单元，得到所述第一采样结果对应的第一检测结果与所述第二采样结果对应的第二检测结果，具体包括：
将所述第一采样结果与所述第二采样结果输入至所述第一编码器的边缘检测单元；
根据所述边缘检测单元内置的边缘检测算法，确定出所述第一采样结果对应的第一像素边缘映射与所述第二采样结果对应的第二像素边缘映射；
采用矢量量化对所述第一像素边缘映射与所述第二像素边缘映射进行边缘映射，得到所述第一采样结果对应的第一检测结果与所述第二采样结果对应的第二检测结果。


5.根据权利要求3所述的视频压缩方法，其特征在于，所述将所述第一检测结果与所述第二检测结果分别输入至所述第一编码器的编码单元，得到所述第一检测结果对应的第一编码结果与所述第二检测结果对应的第二编码结果，具体包括：
将所述第一检测结果与所述第二检测结果分别输入至所述第一编码器的编码单元，
根据行程长度压缩算法将所述第一检测结果与所述第二检测结果从时间和空间两个维度进行压缩，得到所述第一检测结果对应的第一压缩结果与所述第二检测结果对应的第二压缩结果；
根据霍夫曼编码将所述第一压缩结果与所述第二压缩结果进行编码，得出所述第一编码结果与所述第二编码结果。


6.根据权利要求1所述的视频压缩方法，其特征在于，所述深度学习模型为GAN深度网络学习模型。


7.根据权利要求1所述的视频压缩方法，其特征在于，所述提取待压缩视频的关键帧图像与非关...

【专利技术属性】
技术研发人员：吴振东，李锐，金长新，
申请(专利权)人：济南浪潮高新科技投资发展有限公司，
类型：发明
国别省市：山东;37