基于深度学习模型视频数据传输方法、系统、介质及设备技术方案

本发明专利技术涉及一种基于深度学习模型的视频数据传输方法、系统、介质及设备，包括：利用训练好的深度学习的网络模型对视频流的图像数据进行压缩；将压缩后的每一帧图像进行实时网络传输，发送至视频数据接收端；在接收端进行反向图像恢复还原，并将还原后的图像数据发送给接受者。本发明专利技术利用深度学习神经网络模型，对传输图像进行压缩和反向重构，保证视频传输速度的同时，更多的还原保留原图像的画质及信息。本发明专利技术可以广泛在通讯数据传输技术领域中应用。应用。应用。

【技术实现步骤摘要】
基于深度学习模型视频数据传输方法、系统、介质及设备


[0001]本专利技术涉及一种通讯数据传输
，特别是关于一种基于深度学习模型的视频数据传输方法、系统、介质及设备。

技术介绍

[0002]随着科技的发展，当今人们的通讯方式多采用基于因特网的在线传输方式，因其打破地域限制的优势，让其成为了通信领域研究的热点。目前的视频通信系统在传输高质量视频图像信息的同时，接受方会出现很大的延迟问题，大多数的视频在线传输都以牺牲图像质量换取更好的传输效率。
[0003]目前的网络视频数据传输的主流方式有以下三种：视频基带传输、光纤传输、基于互联网传输。视频基带传输，其优点是：短距离传输图像信号损失小，造价低廉，系统稳定，不足是传输距离较短，300米以上的高频分量衰减较大，无法保证传输图像的质量；布线量大、维护困难、可扩展性差，适合小系统。光纤传输，通过把视频及控制信号转换为激光信号在借助光纤媒介进行传输，优势为传输距离远、衰减小，抗干扰性能好，适合远距离传输，缺点是：对于几公里内监控信号传输不够经济，光熔接及维护需大量专业技术人员，及设备操作处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习模型的视频数据传输方法，其特征在于，包括以下步骤：利用训练好的深度学习的网络模型对视频流的图像数据进行压缩；将压缩后的每一帧图像进行实时网络传输，发送至视频数据接收端；在接收端进行反向图像恢复还原，并将还原后的图像数据发送给接受者。2.如权利要求1所述传输方法，其特征在于，所述深度学习的网络模型采用基于对抗生成网络的深度学习模型。3.如权利要求2所述传输方法，其特征在于，在对抗生成网络中，采用选择性生成压缩方法对视频数据进行压缩。4.如权利要求3所述传输方法，其特征在于，采用选择性生成压缩方法对对抗生成网络在视频压缩和复原包括以下步骤：将训练图片传输至图像编码器，经图像编码器进行压缩；将训练图片的不同区域用不同灰度值表示得到灰度图片，将灰度图片传输至图像编码器和判别器；将压缩后的图像ω经量化器q进行量化处理；将量化处理后的图像数据与从灰度图片中提取的下采样特征相结合，结合后传输至判别器；判别器根据接收到的数据进行逆序还原，生成解压缩重构图片。5.如权利要求4所述传输方法，其特征在于，以生成器、辨别器和编码器为一个整体，其目标函数为：式中，目标函数包含了三部分，前两个式子是对抗生成网络的目标函数第二个式子λE[d(x,G(z))]是控制生成图片相对于原始图片的失真程度，最后一个式子可以通过调整β的大小来调整压缩率。6.如权利要求2所述传输方法，其特征在于，所述对抗生成网络深度学习模型的训练包括以下步骤：S11、建立初始判别神经网络和初始生成神经网络，并将初始判别神经网络和初始生成的神经网络组成为初始的对抗生成神经网络；S12、初始化初始对抗生成神经网络的参数和初始判别神经网络的边界向量；S13、获取真实样本集合和随机变量集合，并将随机变量集合输入到初始生成神经网络中，依次生成需要的假样本集合...

【专利技术属性】
技术研发人员：罗静，张赛，张培，刘锋，
申请(专利权)人：通号智慧城市研究设计院有限公司，
类型：发明
国别省市：