一种视频处理方法及系统技术方案

本发明专利技术公开了一种视频处理方法及系统，方法包括：分别将第一帧图像及当前帧图像输入到卷积神经网络；分别获取第一特征向量、第二特征向量，并获取第一特征向量对第二特征向量的加权因子；利用加权因子对第二高维特征进行加权，获取第三高维特征，获取第一帧图像相对于当前帧图像的差分特征，并将差分特征与第二高维特征进行聚合，获取第四高维特征；将第三高维特征与第四高维特征按照通道进行拼接，将目标特征输入卷积神经网络的解码器进行解码，获取当前帧图像掩码。通过获取差分特征，增加了对前后帧图像共性信息的利用，提高了监督视频目标分割的性能，进一步提高了视频目标分割处理的性能，提高了对多目标的分离精度。

【技术实现步骤摘要】

本专利技术涉及视频处理领域，特别涉及一种视频处理方法及系统。

技术介绍

1、在视频特效处理过程中，有时候需要将视频序列中的背景和前景运动目标分割，由于视频场景往往存在动态背景、硬阴影、光照变化、摄像机抖动等诸多干扰。

2、深度卷积神经网络具有强大的特征提取能力，能够从数据中学习语义表示，特别是基于迁移学习的全卷积神经网络的性能在前景视频分离中超越了传统算法。

3、但是，现有监督视频目标分离模型中，缺少对动态场景中的共性信息利用，或者仅仅利用了部分共性信息，导致其性能甚至还不如无监督视频目标分离的性能，另外一方面，大多数模型内部将高维特征进行简单的特征拼接，难以有效提升模型对于不同目标的判别力，导致视频的多目标分离精度下降。

技术实现思路

1、现有的动态视频的目标分离模型，利用动态场景共性信息过少，导致其性能下降，并对多目标分离精度低。

2、针对上述问题，提出一种视频处理方法及系统进行解决。

3、第一方面，一种视频处理方法，包括：

4、步骤100、获取本文档来自技高网...

【技术保护点】

1.一种视频处理方法，其特征在于，包括：

2.根据权利要求1所述的视频处理方法，其特征在于，所述步骤200包括：

3.根据权利要求2所述的视频处理方法，其特征在于，所述步骤300包括：

4.根据权利要求1所述的视频处理方法，其特征在于，所述步骤300还包括：

5.一种视频处理系统，采用权利要求1-4任一项所述的处理方法，其特征在于，所述视频处理系统基于卷积神经网络构建，包括图像获取模块、第一计算模块、第二计算模块、特征提取模块及拼接模块；

6.根据权利要求5所述的视频处理系统，其特征在于，所述特征提取模块还用于：

7...

【技术特征摘要】

1.一种视频处理方法，其特征在于，包括：

2.根据权利要求1所述的视频处理方法，其特征在于，所述步骤200包括：

3.根据权利要求2所述的视频处理方法，其特征在于，所述步骤300包括：

4.根据权利要求1所述的视频处理方法，其特征在于，所述步骤300还包括：

5.一种视频处理系统，采用权利要求1-4任一项所述的处理方法，其特征在于，所述视频处理系统基于卷积神经网络构建，包括图像获取模块、第一计算模块、第二计算模块、...

【专利技术属性】
技术研发人员：张德祥，孟凡朋，姚宏锋，
申请(专利权)人：深圳市吉屋网络技术有限公司，
类型：发明
国别省市：