【技术实现步骤摘要】
本专利技术属于视频压缩领域，具体涉及一种基于无限脉冲响应的压缩视频质量增强方法。
技术介绍
1、网络带宽正随着无线接入技术和有线传输技术的发展不断提升，但如果不对视频信号进行必要的压缩，目前用户的接入带宽也是远远无法满足视频通信的要求。为了在有限的带宽下传输视频，视频压缩对于显著降低比特率至关重要；然而传统的视频压缩方法，如h.264/avc和h.265/hevc，通常会在压缩视频中引入各种伪影，尤其是在低比特率下；此类伪影可能会显著降低视频质量，导致体验质量下降；因此，对压缩视频质量增强的研究至关重要。
2、压缩视频质量增强(cvqe)的任务是基于被压缩伪影扭曲的输入的压缩视频，通过去除这些伪影并恢复视频丢失的细节，从而提高压缩视频的质量。近年来，许多基于深度神经网络的技术在减少视频压缩伪影方面取得了显着的成功，从而提高了视频质量。例如电子科技大学其申请的专利文献“一种运动自适应和关注细节的压缩视频质量增强方法”(专利申请号：202210154662.9，授权公告后为cn 114554213 b)中提出了一种运动自适应和关注细节的压缩视频质量增强方法，该方法使用一种无需光流估计进行对齐的多帧质量增强网络，通过所提出的运动自适应对齐模块，来使网络自适应地处理不同运动尺度的视频，从而充分利用相邻帧间的时间信息；并设计了一个新的互补损失函数和质量增强模块，来使网络关注高频信息的恢复。最终实现了压缩视频质量的提高。但这种自适应会导致视频中大运动漂移现象更严重，进而影响特征之间相关性，且对高频细节的关注度不够充分，最终导致质
技术实现思路
1、本专利技术的目的在于克服上述现有技术存在的缺陷，提出了一种基于无限脉冲响应的压缩视频质量增强方法，用于解决现有技术中存在的因大运动漂移现象导致的压缩视频质量较低的技术问题。
2、为实现上述目的，本专利技术采取的技术方案包括以下步骤：
3、(1)获取训练样本集和测试样本集：
4、获取包括k种不同且每种原始视频包括m帧图像的原始视频序列，并对每种原始视频进行压缩后对原始视频及其压缩视频进行预处理，然后将l种预处理后的原始视频中的每个原始视频组及其对应的压缩视频中的每个压缩视频组作为训练样本，组成包括l×q个训练样本的训练样本集r1；将剩余k-l种预处理后的原始视频中的每个原始视频组及其对应的压缩视频中的每个压缩视频组作为测试样本，组成包括(k-l)×q个测试样本的测试样本集e1；其中，k≥126，l≥108，m≥450；q表示每种视频的组数，r表示时域半径，即用于限定当前帧前或后的帧数量且r为正整数，通常设置为3；
5、(2)构建基于无限脉冲响应和注意力网络的增强网络模型o：
6、构建包括顺次连接的特征提取网络、基于无限脉冲响应启发的特征矫正网络、特征对齐网络、注意力网络、特征重建网络的增强网络模型o；其中，基于无限脉冲响应启发的特征矫正网络包括并行排布的受无限脉冲响应启发的三个矫正模块及与其输出端连接的矫正融合模块；注意力网络包括并行排布的时域一阶度量模块和频域二阶度量模块，以及与该两个度量模块的输出端连接的融合模块；特征提取网络用于对每个训练样本进行特征提取、特征对齐网络用于对特征矫正网络的输出进行特征对齐；特征重建网络用于对注意力网络的输出进行特征重建；
7、(3)初始化参数：
8、初始化迭代次数为s，最大迭代次数为s，s≥10000，第s次迭代的基于无限脉冲响应的增强网络模型os中可学习的权值参数、偏置参数分别为ws、bs，并令s＝1；
9、(4)对增强网络模型进行训练：
10、将训练样本集r1作为增强网络模型o的输入进行前向传播，得到l种压缩视频的n个增强视频帧；其中，n＝l×(2r+1)×q；
11、(5)获取训练好的增强网络模型：
12、通过步骤(4)的结果对可学习权值参数ws和偏置参数bs进行更新，得到本次迭代的增强网络模型os，并判断s≥s是否成立，若是，得到训练好的增强网络模型o*，否则，令s＝s+1，os＝o，并执行步骤(4)；
13、(6)获取增强视频：
14、将测试样本集e1作为训练好的增强网络模型o*的输入进行前向传播，得到所有测试样本对应的增强视频。
15、本专利技术与现有技术相比，具有以下优点：
16、本专利技术所构建的增强网络模型中的基于无限脉冲响应启发的特征矫正网络从全局和局部出发,有效矫正了由于像素漂移现象引起的特征相关性差的问题，注意力网络利用频域学习的二阶度量信息监督网络学习到更多丢失的信息；实验结果表明，本专利技术很好的去除压缩视频的压缩伪影，进而有效增强压缩视频的质量。
本文档来自技高网...【技术保护点】
1.一种基于无限脉冲响应的压缩视频质量增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤(1)中所述的对每种原始视频进行压缩后对原始视频及其压缩视频进行预处理，实现步骤为：
3.根据权利要求1所述的方法，其特征在于，步骤(2)中所述的增强网络模型O，其中：
4.根据权利要求3所述的方法，其特征在于，步骤(4)中所述的对增强网络模型进行训练，实现步骤为：
5.根据权利要求4所述的方法，其特征在于，步骤(4d)中所述的一阶度量卷积层输出的时域注意力分数，是通过每组中每个对齐的特征图与特征提取网络提取的每组中间的特征图计算得到的；所述的二阶度量卷积层的输出的频域注意力分数，是通过每组中每个对齐的特征图与特征提取网络提取的每组中间的特征图计算得到的。
6.根据权利要求1所述的基于无限脉冲响应的压缩视频增强模型，其特征在于，步骤(5)中所述的对可学习权值参数ws和偏置参数bs进行更新，更新的公式分别为：
【技术特征摘要】
1.一种基于无限脉冲响应的压缩视频质量增强方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤(1)中所述的对每种原始视频进行压缩后对原始视频及其压缩视频进行预处理，实现步骤为：
3.根据权利要求1所述的方法，其特征在于，步骤(2)中所述的增强网络模型o，其中：
4.根据权利要求3所述的方法，其特征在于，步骤(4)中所述的对增强网络模型进行训练，实现步骤为：
5.根据权利...
【专利技术属性】
技术研发人员：张铭津，郑玲萍，郭杰，李云松，高新波，
申请(专利权)人：西安电子科技大学，
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。