一种多任务数字视网膜特征流的编码方法及解码方法技术

本发明专利技术公开了一种多任务数字视网膜特征流的编码方法及解码方法，经过差分编码后带来的额外存储比特需求非常小，未来新增的其他机器分析任务也可以在变换深度特征的基础之上继续使用差分编码的方式，这就使得每次新增机器分析任务都只需要带来额外少量的存储比特需求，实现了低成本升级的能力。无论数字视网膜系统需要新增多少机器分析任务，只需要从特征流数据中分离出对应的变换深度特征，即可在云端动态的实现新增的机器分析任务。云端动态的实现新增的机器分析任务。云端动态的实现新增的机器分析任务。

【技术实现步骤摘要】
一种多任务数字视网膜特征流的编码方法及解码方法


[0001]本专利技术涉及到视频编码的
，尤其涉及到一种多任务数字视网膜特征流的编码方法及解码方法。

技术介绍

[0002]自从数字视网膜概念提出以来，在视频编解码、视频监控等领域引起了较大的关注。在传统的图像处理领域，视频压缩和视频分析分属不同的两个领域，数字视网膜技术受人类视网膜的生物学功能启发，率先提出了视频压缩、视频分析一体化的智能图像传感器。具体而言，数字视网膜的特点在于能够同时获得视频压缩数据和视频特征数据，并通过数据流传送至云端，便于后期的回放和各种机器分析任务。为了获取图像的特征流，数字视网膜技术引入了模型流的概念，也就是说图像采集前端可以根据需求应用不同的特征提取模型，这些模型可以通过云端存储和反向传输的方式发送到图像采集前端，其中一个模型可以被认为是一个任务。在国际标准方面，新型面向机器的视频编码项目也正在国际标准化组织中被提出， 该项目旨在弥合上述视频编码和视频分析，尤其是用于机器自动分析的深度特征压缩。
[0003]在视频编码方面，基本的理念是通过计算压缩视频本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多任务数字视网膜特征流的编码方法，其特征在于，包括以下步骤：步骤A，构建一个用于多任务的BP神经网络；步骤B，在所述BP神经网络前端部署所述BP神经网络的低层网络作为特征提取网络；步骤C，基于所述特征提取网络提取的特征，训练一个变换网络；步骤D，在前端部署所述变换网络的低层网络，作为新增任务的特征提取网络；步骤E，获得特征数据，并将所述特征数据输入至所述新增任务特征提取网络，获得新增任务特征数据；步骤F，将所述特征数据和新增任务特征数据联合进行编码和/或传输。2.如权利要求1所述的一种多任务数字视网膜特征流的编码方法，其特征在于，所述BP神经网络至少包含一个用于视频重建的任务以及至少一个用于机器分析的任务。3.如权利要求1所述的一种多任务数字视网膜特征流的编码方法，其特征在于，所述步骤C包括：步骤C1，视频重建网络，完成对视频的重建，用于所述变换网络中某一层输出的深度特征；步骤C2，将输出新增机器的任务所需的输出。4.如权利要求3所述的一种多任务数字视网膜特征流的编码方法，其特征在于，所述新增任务包括获得所述网络的低层网络，并在所述视频前端部署所述低层网络。5.如权利要求1所述的一种多任务数字视网膜特征流的编码方法，其特征在于，所述步骤F包括：步骤F1，所述变换低层网络输出变换深度特征，所述特征与深度特征一起进行联合编码，并输出或存储在云端。6.如权利要求1所述的一种多任务数字视网膜特征流的编码方法，其特征在于，所述步骤F还包括：步骤F2，将深度特征独立编码，并对所述深度特征和变换深度特征的差值进行编码。7.如权利要求6所述的一种多任务数字视...

【专利技术属性】
技术研发人员：滕波，向国庆，牛梅梅，洪一帆，陆嘉瑶，焦立欣，张羿，
申请(专利权)人：浙江智慧视频安防创新中心有限公司，
类型：发明
国别省市：