[发明专利]视频处理方法、装置、电子设备及存储介质

说明书

本公开关于一种视频处理方法、装置、电子设备及存储介质，所述视频处理方法包括：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。

技术领域

本公开涉及信号处理领域，尤其涉及一种视频处理方法、装置、电子设备及存储介质。

背景技术

视频超分辨技术在视频处理领域有着重要的应用价值，可以将低分辨率、低质量的视频进行处理，得到高质量、高分辨率的视频，从而提升视频主观和客观质量。

目前不论是基于深度学习的视频超分辨技术还是传统的超分辨技术，往往是将视频先解码成视频帧，然后对于视频帧进行逐帧处理，最后将处理好的视频帧编码成视频作为最后的输出结果。

由于连续的视频帧之间内容差异较小，逐帧处理的方法会重复计算大量的重复内容，造成计算量的浪费，从而导致视频处理速度慢。

发明内容

本公开提供一种视频处理方法、装置电子设备及存储介质，以至少解决相关技术中的在提高视频分辨率的过程中计算量大、视频处理速度慢的问题。

根据本公开实施例的第一方面，提供了一种视频处理方法，所述视频处理方法包括：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。

可选地，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。

可选地，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。

可选地，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。

可选地，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。