[发明专利]一种基于在线分辨率提升的降低网络视频带宽占用方法

权利要求书

1.一种基于在线分辨率提升的降低网络视频带宽占用方法，包括服务器端和客户端，其特征在于：包括以下步骤：

①用户通过客户端向服务器端请求一部影视作品；

②服务器端将该影视作品的低分辨率视频数据和对应的映射关系模型数据发送至客户端；所述映射关系模型的建立步骤为：

(1)选取任意一部高分辨率视频作为训练样本，将其拆分为高分辨率视频帧，并使用高斯核对视频帧进行卷积；

(2)根据影视作品的低分辨率视频和目标高分辨率视频计算放大倍数，利用该倍数对卷积后的高分辨率视频帧进行隔行采样，得到对应的低分辨率视频帧；

(3)将高分辨率视频帧和采样所得的低分辨率视频帧分别分割成块，作为训练数据；

(4)初始化一个混合专家模型，使用步骤(3)得到的训练数据，对混合专家模型进行迭代优化，直到迭代过程收敛，最终得到的模型参数即为映射关系模型，包括专家函数参数和门函数参数，具体表达式为：

专家函数为：

y＝Wx

其中W为专家参数，x和y分别表示低分辨率视频帧块和对应的高分辨率视频帧块；

第i个门函数表示为：

其中，x和y分别表示低分辨率视频帧块和对应的高分辨率视频帧块，v_i表示第i个门函数参数，v_j表示第j个门函数参数，K为混合专家模型中专家的个数；所述初始化混合专家模型的步骤为：

①指定专家的数量K；

②假定每个专家的概率分布服从高斯分布：p(y|x，W_i)＝N(y(x，W_i)，σ)，其中W_i表示第i个专家的参数，σ为高斯分布的标准差；假定参数W_i的分布也服从高斯分布：p(W_i)＝N(0，μ)，其中μ表示高斯分布的均值；

③采用k-均值算法将训练数据按照专家的数量K聚类，每个专家的参数的初始值W_i⁽⁰⁾指定为类内斜率，每个门函数参数的初始值v_i⁽⁰⁾指定为聚类中心；

④计算每一个门函数的初始值：

其中x表示低分辨率视频帧块，v_i⁽⁰⁾表示第i个门函数参数的初始值，表示第j个门函数参数的初始值，K为混合专家模型中专家的个数。

③客户端接收到低分辨率视频数据和对应的映射关系模型数据后，利用映射关系模型将低分辨率视频转换为高分辨率视频，利用视频播放模块播放高分辨率视频，所述将低分辨率视频转换为高分辨率视频的步骤为：

(1)将低分辨率视频数据拆分为低分辨率视频帧，并将低分辨率视频帧分割成块；

(2)将步骤(1)得到的低分辨率视频帧块作为混合专家模型门函数的输入，并使用映射关系模型中的门函数参数计算每一个门函数的输出；

(3)使用输出值最大的门函数所对应的专家函数的参数计算对应的高分辨率视频帧块，其步骤为：

①计算取得最大输出值门函数的序号：i＝argmaX(g_i)

其中，g_i为第i个门函数的输出；

②使用第i个专家函数计算高分辨率视频帧块：y＝W_ix

其中，W_i为第i个专家函数的参数，y为输入的低分辨率视频帧块x所对应的高分辨率视频帧块；

(4)将所有的高分辨率视频帧块按照其对应的低分辨率视频帧块在低分辨率视频帧中的位置拼接为对应的高分辨率视频帧，得到所有低分辨率视频帧对应的高分辨率视频帧后，将其组合为高分辨率视频。

2.根据权利要求1所述的基于在线分辨率提升的降低网络视频带宽占用方法，其特征在于：所述对混合专家模型进行迭代优化的步骤为：

①指定迭代终止时的允许误差ε；

②计算本轮迭代中每个门函数的后验概率：

其中k为迭代步数，p_i(y|x，W_i^(k))和p_j(y|x，W_j^(k))表示专家的概率分布，g_i^(k)(x，v_i^(k))表示第i个门函数的第k步迭代值；

③更新每个专家参数：

其中k为迭代步数，X为训练数据中的所有低分辨率视频帧块x组成的向量，Y为训练数据中所有高分辨率视频帧块y组成的向量，X^T表示X的转置，I表示单位矩阵，H_i^(k+1)表示第k+1步中第i个专家所对应的所有低分辨率视频帧块x的后验概率组成的向量；

④更新每一个门函数参数：

其中表示第k步迭代中第i个门函数参数，为第k步迭代中第i个门函数的后验概率，x^(t)表示第t个低分辨率视频帧块；

⑤计算本轮迭代中每个门函数的输出：

⑥计算本轮迭代中的似然概率：

其中，p_i(y|x，W_i^(k+1))表示专家的概率分布，p(W_i^(k+1))表示专家参数的概率分布；

⑦判断迭代是否收敛；当本轮迭代的似然概率与上一轮迭代的似然概率之差的绝对值小于迭代终止时的允许误差ε时，结束迭代；否则重复执行步骤②～⑦。