本申请涉及视频处理技术领域，尤其涉及一种视频数据的插帧方法及装置，其中，该方法包括：获取待处理视频中每个视频帧对应的真实运动矢量矩阵，真实运动矢量矩阵用于表示该视频帧与相邻视频帧的运动矢量；将该视频帧对应的真实运动矢量矩阵输入到训练好的神经网络模型中，得到预测运动矢量矩阵；将预测运动矢量矩阵与该视频帧进行视频对象平面VOP重建，得到重建视频数据；对重建视频数据进行处理，将处理的结果确定为该视频帧对应的待插入视频帧；将待插入视频帧插入到该视频帧的后一个帧位。本申请解决了现有技术中如果提高视频数据的帧率，则会导致视频出现卡顿的技术问题。则会导致视频出现卡顿的技术问题。则会导致视频出现卡顿的技术问题。
【技术实现步骤摘要】
一种视频数据的插帧方法及装置
[0001]本申请涉及视频处理
，尤其涉及一种视频数据的插帧方法及装置。
技术介绍
[0002]目前对视频数据进行编码或解码得到的帧率是以输入的编码器或解码器的帧率为实际帧率，编码或解码后的视频数据的帧率不高于实际帧率。如果想要增加帧率，则是对编码或解码后的视频数据中的任一视频帧进行复制，将复制得到的视频帧插入到视频数据后。因为插入的视频帧是从前一个视频帧复制得来的，因此，对于观众来说增加帧率后的视频数据是卡顿的。
技术实现思路
[0003]有鉴于此，本申请的目的在于至少提供一种视频数据的插帧方法及装置，本申请通过对神经网络模型预测出每个视频帧对应的预测运动矢量矩阵，进而可以确定每个视频帧对应的待插入视频帧，解决了现有技术中若提高视频帧率则会导致卡顿的技术问题，达到了提高用户的观看体验的有益效果。
[0004]本申请主要包括以下几个方面：
[0005]第一方面，本申请实施例提供一种视频数据的插帧方法，该视频数据的插帧方法包括：获取待处理视频中每个视频帧对应的真实运动矢量矩阵，真实运动矢量矩阵用于表示该视频帧与相邻视频帧的运动矢量；将该视频帧对应的真实运动矢量矩阵输入到训练好的神经网络模型中，得到预测运动矢量矩阵；将预测运动矢量矩阵与该视频帧进行视频对象平面VOP重建，得到重建视频数据；对重建视频数据进行处理，将处理的结果确定为该视频帧对应的待插入视频帧；将待插入视频帧插入到该视频帧的后一个帧位。
[0006]可选地，获取待处理视频中每个视频帧对应的真实运动矢量矩阵，包括：获取每个视频帧对应的前一个视频帧；确定该视频帧与前一个视频帧中对应像素点的运动矢量得到真实运动矢量矩阵。
[0007]可选地，神经网络模型的训练方法为：针对样本视频中的每个视频帧，确定该视频帧与该视频帧的前一个视频帧的第一运动矢量矩阵，确定该视频帧的后一个视频帧与该视频帧的第二运动矢量矩阵；将每个视频帧对应的第一运动矢量矩阵作为样本数据，将每个视频帧对应的第二运动矢量矩阵作为标签，训练神经网络模型。
[0008]可选地，获取待处理视频中每个视频帧对应的真实运动矢量矩阵，包括：获取每个视频帧对应的前一个视频帧和后一个视频帧；确定后一个视频帧与该视频帧中对应像素点的运动矢量得到真实运动矢量矩阵；确定该视频帧与前一个视频帧中对应像素点的运动矢量得到真实运动矢量矩阵。
[0009]可选地，神经网络模型的训练方法为：针对每个视频帧，确定该视频帧与该视频帧的前一个视频帧的第一运动矢量矩阵，确定该视频帧的后一个视频帧与该视频帧的第二运动矢量矩阵，确定该视频帧后的第两个视频帧与该视频帧的第三运动矢量矩阵；将每个视
频帧对应的第一运动矢量矩阵、第三运动矢量矩阵作为样本数据，将每个视频帧对应的第二运动矢量矩阵作为标签，训练神经网络模型。
[0010]可选地，将该视频帧对应的真实运动矢量矩阵输入到训练好的神经网络模型中，得到预测运动矢量矩阵包括：将后一个视频帧与该视频帧中对应像素点的运动矢量得到真实运动矢量矩阵、将该视频帧与前一个视频帧中对应像素点的运动矢量得到真实运动矢量矩阵输入到训练好的神经网络模型中，得到预测运动矢量矩阵。
[0011]可选地，待处理视频包括：已解码视频或已编码视频；对重建视频数据进行处理，将处理结果确定为该视频帧对应的待插入视频帧包括：若待处理视频为已编码视频，则对重建视频数据进行编码处理，将编码处理的结果确定为该视频帧对应的待插入视频帧；若待处理视频为已解码视频，则对重建视频数据进行解码处理，将解码处理的结果确定为该视频帧对应的待插入视频帧。
[0012]第二方面，本申请实施例还提供一种视频数据的插帧装置，视频数据的插帧装置包括：获取模块，用于获取待处理视频中每个视频帧对应的真实运动矢量矩阵，真实运动矢量矩阵用于表示该视频帧与相邻视频帧的运动矢量；神经网络模块，用于将该视频帧对应的真实运动矢量矩阵输入到训练好的神经网络模型中，得到预测运动矢量矩阵；重建模块，用于将预测运动矢量矩阵与该视频帧进行视频对象平面VOP重建，得到重建视频数据；确定模块，用于对重建视频数据进行处理，将处理结果确定为该视频帧对应的待插入视频帧；插入模块，用于将待插入视频帧插入到该视频帧的后一个帧位。
[0013]第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，存储器存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储器之间通过总线进行通信，机器可读指令被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中的视频数据的插帧方法的步骤。
[0014]第四方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中的视频数据的插帧的步骤。
[0015]本申请实施例提供的一种视频数据的插帧方法及装置，该方法包括：获取待处理视频中每个视频帧对应的真实运动矢量矩阵，真实运动矢量矩阵用于表示该视频帧与相邻视频帧的运动矢量；将该视频帧对应的真实运动矢量矩阵输入到训练好的神经网络模型中，得到预测运动矢量矩阵；将预测运动矢量矩阵与该视频帧进行视频对象平面VOP重建，得到重建视频数据；对重建视频数据进行处理，将处理的结果确定为该视频帧对应的待插入视频帧；将待插入视频帧插入到该视频帧的后一个帧位。本申请通过对神经网络模型预测出每个视频帧对应的预测运动矢量矩阵，进而可以确定每个视频帧对应的待插入视频帧，解决了现有技术中若提高视频帧率则会导致卡顿的技术问题，达到了提高用户的观看体验的有益效果。
[0016]为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0017]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附
图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0018]图1示出了本申请实施例所提供的一种视频数据的插帧方法的流程图。
[0019]图2示出了本申请实施例所提供的获取待处理视频中每个视频帧对应的真实运动矢量矩阵的步骤的流程图。
[0020]图3示出了本申请实施例所提供的一种视频数据的插帧装置的功能模块图。
[0021]图4示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
[0022]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解，流程图的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种视频数据的插帧方法，其特征在于，所述视频数据的插帧方法包括：获取待处理视频中每个视频帧对应的真实运动矢量矩阵，所述真实运动矢量矩阵用于表示该视频帧与相邻视频帧的运动矢量；将该视频帧对应的所述真实运动矢量矩阵输入到训练好的神经网络模型中，得到预测运动矢量矩阵；将所述预测运动矢量矩阵与该视频帧进行视频对象平面VOP重建，得到重建视频数据；对所述重建视频数据进行处理，将处理的结果确定为该视频帧对应的待插入视频帧；将所述待插入视频帧插入到该视频帧的后一个帧位。2.根据权利要求1所述的视频数据的插帧方法，其特征在于，所述获取待处理视频中每个视频帧对应的真实运动矢量矩阵，包括：获取每个视频帧对应的前一个视频帧；确定该视频帧与所述前一个视频帧中对应像素点的运动矢量得到所述真实运动矢量矩阵。3.根据权利要求2所述的视频数据的插帧方法，其特征在于，所述神经网络模型的训练方法为：针对样本视频中的每个视频帧，确定该视频帧与该视频帧的前一个视频帧的第一运动矢量矩阵，确定该视频帧的后一个视频帧与该视频帧的第二运动矢量矩阵；将每个视频帧对应的所述第一运动矢量矩阵作为样本数据，将每个视频帧对应的所述第二运动矢量矩阵作为标签，训练所述神经网络模型。4.根据权利要求1所述的视频数据的插帧方法，其特征在于，所述获取待处理视频中每个视频帧对应的真实运动矢量矩阵，包括：获取每个视频帧对应的前一个视频帧和后一个视频帧；确定所述后一个视频帧与该视频帧中对应像素点的运动矢量得到所述真实运动矢量矩阵；确定该视频帧与所述前一个视频帧中对应像素点的运动矢量得到所述真实运动矢量矩阵。5.根据权利要求4所述的视频数据的插帧方法，其特征在于，所述神经网络模型的训练方法为：针对每个视频帧，确定该视频帧与该视频帧的前一个视频帧的第一运动矢量矩阵，确定该视频帧的后一个视频帧与该视频帧的第二运动矢量矩阵，确定该视频帧后的第两个视频帧与该视频帧的第三运动矢量矩阵；将每个视频帧对应的所述第一运动矢量矩阵、所述第三运动矢量矩阵作为样本数据，将每个视频帧对应的所述第二运动矢量矩阵作为标签，训练所述神经网络模型。6.根据权利要求4所...
【专利技术属性】
技术研发人员：马义，薛巍，朱家琦，
申请(专利权)人：北京国盛华兴科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。