[發明專利]視頻編碼方法、裝置、設備及存儲介質

有效

• 申請號: 202011531195.4
• 申請日: 2020-12-22
• 公開（公告）號: CN112672157B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 孫智;陳健生
• 申請（專利權）人: 廣州博冠信息科技有限公司
• 主分類號: H04N19/14
• 分類號: H04N19/14;H04N19/146;G06K9/62;G06N20/00
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 張娜;黃健

1.一種視頻編碼方法，其特征在于，包括：

獲取視頻數據，將所述視頻數據輸入至視頻復雜度分類模型，得到所述視頻數據的復雜度類別，其中，所述視頻復雜度分類模型是基于輕量級深度學習模型訓練得到的用于確定視頻復雜度類別的模型；

根據所述視頻數據的復雜度類別，確定與所述復雜度類別對應的視頻編碼參數集合，所述視頻編碼參數集合包括多種視頻編碼參數；

基于所述視頻編碼參數集合中各視頻編碼參數，對所述視頻數據進行視頻編碼；

第一復雜度類別為復雜度類別中的任意一個類別，確定所述第一復雜度類別對應的第一視頻編碼參數集合，包括：

獲取多個初始視頻編碼參數集合以及所述第一復雜度類別的第一視頻樣本；

對基于不同初始視頻編碼參數集合進行視頻編碼后的第一視頻樣本，進行參數分析，從所述多個初始視頻編碼參數集合中確定目標視頻編碼參數集合；

基于所述目標視頻編碼參數集合，采用遺傳算法生成多個子代視頻編碼參數集合；

對基于不同子代視頻編碼參數集合進行視頻編碼后的第一視頻樣本，進行參數分析，判斷是否滿足迭代終止條件，若滿足迭代終止條件，從所述多個子代視頻編碼參數集合中確定所述第一視頻編碼參數集合。

2.根據權利要求1所述的方法，其特征在于，所述視頻復雜度分類模型的訓練過程，包括：

獲取視頻樣本集合，所述視頻樣本集合包括多個視頻長度滿足預設長度的視頻樣本；

確定每個所述視頻樣本的復雜度標簽值，所述復雜度標簽值用于指示所述視頻樣本的復雜度類別；

建立初始視頻復雜度分類模型，將每個所述視頻樣本作為所述初始視頻復雜度分類模型的輸入，將每個所述視頻樣本的復雜度標簽值作為所述初始視頻復雜度分類模型的輸出，進行模型訓練，得到訓練好的視頻復雜度分類模型。

3.根據權利要求2所述的方法，其特征在于，所述確定每個所述視頻樣本的復雜度標簽值，包括：

若所述視頻樣本為非固定碼率系數CRF模式的視頻樣本，將所述視頻樣本轉碼為CRF模式的視頻樣本；

根據所述CRF模式的視頻樣本確定所述視頻樣本的復雜度標簽值。

4.根據權利要求1-3中任一項所述的方法，其特征在于，不同復雜度類別對應的視頻編碼參數集合是采用遺傳算法對初始視頻編碼參數集合中的各視頻編碼參數進行優化得到的。

5.根據權利要求1所述的方法，其特征在于，所述對基于不同初始視頻編碼參數集合進行視頻編碼后的第一視頻樣本，進行參數分析，從所述多個初始視頻編碼參數集合中確定目標視頻編碼參數集合，包括：

獲取基于不同初始視頻編碼參數集合進行視頻編碼后的第一視頻樣本的清晰度評分以及碼率；

根據所述清晰度評分以及所述碼率，從所述多個初始視頻編碼參數集合中確定目標視頻編碼參數集合。

6.根據權利要求5所述的方法，其特征在于，所述獲取基于不同初始視頻編碼參數集合進行視頻編碼后的第一視頻樣本的清晰度評分，包括：

將基于不同初始視頻編碼參數集合進行視頻編碼后的第一視頻樣本，依次輸入至預設的視頻清晰度評分模型中，得到基于每個初始視頻編碼參數集合進行視頻編碼后的第一視頻樣本的清晰度評分；

其中，所述視頻清晰度評分模型是采用機器學習模型訓練得到的用于評估視頻清晰度的模型。

7.根據權利要求5所述的方法，其特征在于，

所述根據所述清晰度評分以及所述碼率，從所述多個初始視頻編碼參數集合中確定目標視頻編碼參數集合，包括：

將視頻編碼后的第一視頻樣本的清晰度評分大于或等于預設清晰度閾值，且，視頻編碼后的第一視頻樣本的碼率小于目標碼率所對應的初始視頻編碼參數集合，作為所述目標視頻編碼參數集合。

8.根據權利要求1所述的方法，其特征在于，所述目標視頻編碼參數集合包括第一目標視頻編碼參數集合；所述基于所述目標視頻編碼參數集合，采用遺傳算法生成多個子代視頻編碼參數集合，包括：

將所述第一目標視頻編碼參數集合作為一個新的子代視頻編碼參數集合。