[發明專利]一種基于在線分辨率提升的降低網絡視頻帶寬占用方法

有效

• 申請號: 201610109908.5
• 申請日: 2016-02-29
• 公開（公告）號: CN105744357B
• 公開（公告）日: 2019-03-01
• 發明（設計）人: 張宏志;趙秋實;左旺孟;石堅;張壘磊
• 申請（專利權）人: 哈爾濱超凡視覺科技有限公司
• 主分類號: H04N21/4402
• 分類號: H04N21/4402;H04N21/61;H04L29/06;G06F16/70
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于在線分辨率提升的降低網絡視頻帶寬占用方法，包括服務器端和客戶端，其特征在于：包括以下步驟：

①用戶通過客戶端向服務器端請求一部影視作品；

②服務器端將該影視作品的低分辨率視頻數據和對應的映射關系模型數據發送至客戶端；所述映射關系模型的建立步驟為：

(1)選取任意一部高分辨率視頻作為訓練樣本，將其拆分為高分辨率視頻幀，并使用高斯核對視頻幀進行卷積；

(2)根據影視作品的低分辨率視頻和目標高分辨率視頻計算放大倍數，利用該倍數對卷積后的高分辨率視頻幀進行隔行采樣，得到對應的低分辨率視頻幀；

(3)將高分辨率視頻幀和采樣所得的低分辨率視頻幀分別分割成塊，作為訓練數據；

(4)初始化一個混合專家模型，使用步驟(3)得到的訓練數據，對混合專家模型進行迭代優化，直到迭代過程收斂，最終得到的模型參數即為映射關系模型，包括專家函數參數和門函數參數，具體表達式為：

專家函數為：

y＝Wx

其中W為專家參數，x和y分別表示低分辨率視頻幀塊和對應的高分辨率視頻幀塊；

第i個門函數表示為：

其中，x和y分別表示低分辨率視頻幀塊和對應的高分辨率視頻幀塊，v_i表示第i個門函數參數，v_j表示第j個門函數參數，K為混合專家模型中專家的個數；所述初始化混合專家模型的步驟為：

①指定專家的數量K；

②假定每個專家的概率分布服從高斯分布：p(y|x，W_i)＝N(y(x，W_i)，σ)，其中W_i表示第i個專家的參數，σ為高斯分布的標準差；假定參數W_i的分布也服從高斯分布：p(W_i)＝N(0，μ)，其中μ表示高斯分布的均值；

③采用k-均值算法將訓練數據按照專家的數量K聚類，每個專家的參數的初始值W_i⁽⁰⁾指定為類內斜率，每個門函數參數的初始值v_i⁽⁰⁾指定為聚類中心；

④計算每一個門函數的初始值：

其中x表示低分辨率視頻幀塊，v_i⁽⁰⁾表示第i個門函數參數的初始值，表示第j個門函數參數的初始值，K為混合專家模型中專家的個數。

③客戶端接收到低分辨率視頻數據和對應的映射關系模型數據后，利用映射關系模型將低分辨率視頻轉換為高分辨率視頻，利用視頻播放模塊播放高分辨率視頻，所述將低分辨率視頻轉換為高分辨率視頻的步驟為：

(1)將低分辨率視頻數據拆分為低分辨率視頻幀，并將低分辨率視頻幀分割成塊；

(2)將步驟(1)得到的低分辨率視頻幀塊作為混合專家模型門函數的輸入，并使用映射關系模型中的門函數參數計算每一個門函數的輸出；

(3)使用輸出值最大的門函數所對應的專家函數的參數計算對應的高分辨率視頻幀塊，其步驟為：

①計算取得最大輸出值門函數的序號：i＝argmaX(g_i)

其中，g_i為第i個門函數的輸出；

②使用第i個專家函數計算高分辨率視頻幀塊：y＝W_ix

其中，W_i為第i個專家函數的參數，y為輸入的低分辨率視頻幀塊x所對應的高分辨率視頻幀塊；

(4)將所有的高分辨率視頻幀塊按照其對應的低分辨率視頻幀塊在低分辨率視頻幀中的位置拼接為對應的高分辨率視頻幀，得到所有低分辨率視頻幀對應的高分辨率視頻幀后，將其組合為高分辨率視頻。

2.根據權利要求1所述的基于在線分辨率提升的降低網絡視頻帶寬占用方法，其特征在于：所述對混合專家模型進行迭代優化的步驟為：

①指定迭代終止時的允許誤差ε；

②計算本輪迭代中每個門函數的后驗概率：

其中k為迭代步數，p_i(y|x，W_i^(k))和p_j(y|x，W_j^(k))表示專家的概率分布，g_i^(k)(x，v_i^(k))表示第i個門函數的第k步迭代值；

③更新每個專家參數：

其中k為迭代步數，X為訓練數據中的所有低分辨率視頻幀塊x組成的向量，Y為訓練數據中所有高分辨率視頻幀塊y組成的向量，X^T表示X的轉置，I表示單位矩陣，H_i^(k+1)表示第k+1步中第i個專家所對應的所有低分辨率視頻幀塊x的后驗概率組成的向量；

④更新每一個門函數參數：

其中表示第k步迭代中第i個門函數參數，為第k步迭代中第i個門函數的后驗概率，x^(t)表示第t個低分辨率視頻幀塊；

⑤計算本輪迭代中每個門函數的輸出：

⑥計算本輪迭代中的似然概率：

其中，p_i(y|x，W_i^(k+1))表示專家的概率分布，p(W_i^(k+1))表示專家參數的概率分布；

⑦判斷迭代是否收斂；當本輪迭代的似然概率與上一輪迭代的似然概率之差的絕對值小于迭代終止時的允許誤差ε時，結束迭代；否則重復執行步驟②～⑦。