[发明专利]视频处理方法、装置、设备及存储介质

说明书

本发明实施例公开了视频处理方法、装置、设备及存储介质。该方法包括根据所接收当前视频帧的当前帧序号及预先确定的当前帧号划分集合和下一帧号划分集合，确定当前视频帧归属的有限处理序列；在当前视频帧同时属于当前有限处理序列和下一有限处理序列时，基于当前视频帧的图像信息分别与第一前序信息及第二前序信息结合进行超分辨率处理；根据处理后的当前第一处理结果和当前第二处理结果，确定当前视频帧的目标输出信息，并按照目标输出信息进行当前视频帧的超分辨率显示。该方法以有限处理序列为周期来变更超分辨率处理所需的前序信息并引入存在于连续两个有限处理序列中的重叠视频帧，简单有效的实现了超分辨率处理后视频画面的高保真显示。

技术领域

本发明实施例涉及计算机视觉技术领域，尤其涉及视频处理方法、装置、设备及存储介质。

背景技术

在计算机视觉领域，可通过对视频的各帧进行超分辨率处理来放大分辨率以及在放大的同时填充更多细节，以增强所处理视频的整体观感。

现有对视频进行超分辨率处理的实现方案中，往往使用机器学习算法中的深度神经网络模型对视频帧进行处理，以此将低分辨率的视频帧恢复为高分辨率的图像帧。且研究发现相比如常规超分辨率处理的深度神经网络模型，采用循环神经网络模型能够更好的利用前一视频帧的超分结果来指导当前视频帧的超分过程，以此来保证所生成的高分辨率视频更为逼真。然而，采用现有循环神经网络模型对长视频(即所包含视频帧大于100帧)进行超分辨率处理时，使用循环网络结构往往会在对长视频内静止显示区域的处理中产生一些时序累计的误差，使得处理后所显示的视频帧表现出不自然的图形畸变。

现有为解决该问题所提出的改进方案需要在循环神经网络模型的训练过程中加入一种特殊的损失函数，该改进方案相当于需要修改模型的训练过程，涉及到训练数据排列方式的修改和超参数的选取，整个修改过程较为复杂，且该改进方案无法对已训练好的循环神经网络模型进行修复，此外，该改进方案也只能对长视频内处于静止显示区域的时序累积误差起到缓解作用，并无法彻底消除。

发明内容

有鉴于此，本发明实施例提供了视频处理方法、装置、设备及存储介质，以向视频的消费用户提供高质量视频。

第一方面，本发明实施例提供了一种视频处理方法，包括：

根据所接收当前视频帧的当前帧序号及预先确定的当前帧号划分集合和下一帧号划分集合，确定所述当前视频帧归属的有限处理序列；

当所述当前视频帧同时属于当前有限处理序列和下一有限处理序列时，基于所述当前视频帧的图像信息分别与第一前序信息及第二前序信息结合进行超分辨率处理；

根据处理后获得的当前第一处理结果和当前第二处理结果，确定所述当前视频帧的目标输出信息，并按照所述目标输出信息进行所述当前视频帧的超分辨率显示；

其中，所述第一前序信息和第二前序信息均基于所述当前视频帧的前一视频帧归属的有限处理序列确定。

第二方面，本发明实施例提供一种视频处理装置，包括：

处理序列确定模块，用于根据所接收当前视频帧的当前帧序号及预先确定的当前帧号划分集合和下一帧号划分集合，确定所述当前视频帧归属的有限处理序列；

信息处理模块，用于当所述当前视频帧同时属于当前有限处理序列和下一有限处理序列时，基于所述当前视频帧的图像信息分别与第一前序信息及第二前序信息结合进行超分辨率处理；

信息确定模块，用于根据处理后获得的当前第一处理结果和当前第二处理结果，确定所述当前视频帧的目标输出信息，并按照所述目标输出信息进行所述当前视频帧的超分辨率显示；

其中，所述第一前序信息和第二前序信息均基于所述当前视频帧的前一视频帧归属的有限处理序列确定。

第三方面，本发明实施例提供了一种计算机设备，包括：