[发明专利]视频处理方法、装置、电子设备及存储介质

权利要求书

1.一种视频处理方法，包括：

获取第一视频的视频帧组，其中，所述视频帧组被分为参考帧和非参考帧；

获取所述深度神经网络模型针对参考帧的特征输出结果；

基于所述深度神经网络模型针对参考帧的特征输出结果，获取所述深度神经网络模型针对非参考帧的特征输出结果；

基于所述深度神经网络模型针对参考帧和非参考帧的特征输出结果获得第二视频，其中，第二视频的分辨率大于第一视频的分辨率。

2.如权利要求1所述的视频处理方法，其中，所述基于所述深度神经网络模型针对参考帧的特征输出结果，获取所述深度神经网络模型针对非参考帧的特征输出结果，包括：

通过以下方式来获取所述深度神经网络模型针对非参考帧的特征输出结果：确定非参考帧与参考帧相比的特征变化区域和非特征变化区域，获取深度神经网络模型针对所述特征变化区域的第一特征输出结果，基于针对参考帧的特征输出结果获得所述深度网络模型针对所述非特征变化区域的第二特征输出结果，并基于第一特征输出结果和第二特征输出结果获得所述深度神经网络模型针对非参考帧的特征输出结果。

3.如权利要求2所述的视频处理方法，其中，

所述获取所述深度神经网络模型针对参考帧的特征输出结果，包括：获取参考帧在所述深度神经网络模型中的每一层网络的特征输出结果，其中，所述深度神经网络模型包括n层网络，其中，n是大于1的正整数；

所述通过以下方式来获取所述深度神经网络模型针对非参考帧的特征输出结果，包括：确定非参考帧与参考帧相比在所述深度神经网络模型的第i-1层网络的特征变化区域和非特征变化区域，在第i层网络中仅对特征变化区域执行卷积操作来获得第i层网络针对特征变化区域的第一特征输出结果，基于参考帧在第i层网络的特征输出结果来获得第i层网络针对非特征变化区域的第二特征输出结果，并且基于第一特征输出结果和第二特征输出结果获取非参考帧在第i层网络的特征输出结果，其中，2≤i≤n；

所述基于所述深度神经网络模型针对参考帧和非参考帧的特征输出结果获得第二视频，包括：基于参考帧和非参考帧在所述深度神经网络模型的第n层网络的特征输出结果获得第二视频。

4.如权利要求1所述的视频处理方法，其中，所述获取视频帧组，包括：

获取第一视频，对第一视频进行解码得到至少一个视频帧组，并将每个视频帧组中的视频帧划分为参考帧和非参考帧。

5.如权利要求3所述的视频处理方法，其中，所述确定非参考帧与参考帧相比在所述深度神经网络模型的第i-1层网络的特征变化区域和非特征变化区域，包括：

根据非参考帧在第i-1层网络的特征输出结果与参考帧在第i-1层网络的特征输出结果，确定所述特征变化区域和所述非特征变化区域。

6.如权利要求5所述的视频处理方法，其中，所述根据非参考帧在第i-1层网络的特征输出结果与参考帧在第i-1层网络的特征输出结果，确定所述特征变化区域和所述非特征变化区域，包括：

计算非参考帧在第i-1层网络的特征输出结果与参考帧在第i-1层网络的特征输出结果之间的特征差；

基于所述特征差获得单通道的二进制特征；

根据获得的二进制特征确定特征变化区域和非特征变化区域。

7.如权利要求6所述的视频处理方法，

其中，所述在第i层网络中仅对特征变化区域执行卷积操作来获得第i层网络针对特征变化区域的第一特征输出结果，包括：在第i层网络中利用所述二进制特征对所述特征差执行稀疏卷积来获得第i层网络针对所述特征差的特征输出结果，并且基于所述二进制特征和针对所述特征差的特征输出结果获得第一特征输出结果；

其中，所述基于参考帧在第i层网络的特征输出结果来获得第i层网络针对非特征变化区域的第二特征输出结果，包括：基于所述二进制特征和参考帧在第i层网络的特征输出结果来获得第二特征输出结果；

其中，所述基于第一特征输出结果和第二特征输出结果获取非参考帧在第i层网络的特征输出结果，包括：通过将第一特征输出结果和第二特征输出结果相加来获得非参考帧在第i层网络的特征输出结果。