CN106210727B - 基于神经网络处理器阵列的视频分级码流编码方法和系统 - Google Patents

基于神经网络处理器阵列的视频分级码流编码方法和系统 Download PDF

Info

Publication number
CN106210727B
CN106210727B CN201610674372.1A CN201610674372A CN106210727B CN 106210727 B CN106210727 B CN 106210727B CN 201610674372 A CN201610674372 A CN 201610674372A CN 106210727 B CN106210727 B CN 106210727B
Authority
CN
China
Prior art keywords
video
synchronous
task processing
code stream
optimization
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610674372.1A
Other languages
English (en)
Other versions
CN106210727A (zh
Inventor
孙晓伟
卢京辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Vimicro Electronic Co ltd
Original Assignee
Guangdong Vimicro Electronic Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Vimicro Electronic Co ltd filed Critical Guangdong Vimicro Electronic Co ltd
Priority to CN201610674372.1A priority Critical patent/CN106210727B/zh
Publication of CN106210727A publication Critical patent/CN106210727A/zh
Application granted granted Critical
Publication of CN106210727B publication Critical patent/CN106210727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • H04N19/423—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation characterised by memory arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/30—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • H04N19/436—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation using parallelised computational arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

公开了一种基于神经网络处理器阵列的视频分级码流编码方法和系统，其中编码方法包括：获取同步视频，根据预置分析模型，形成同步视频中的视频对象；获取同步视频，根据预置优化模型，对同步视频中的图像进行优化，形成优化视频；获取视频对象、任务处理模型以及同步视频，将处理资源分配至相应任务处理模型的并行任务处理过程，对视频对象并行进行相应任务处理，形成相应的对象描述信息；对优化视频进行视频编码，将相应的对象描述信息编码并嵌入视频码流，形成源视频的分级码流。将优化的视频与各视频对象的分析和处理结果信息通过编码形式同步结合，使源视频形成包含视频内容和各视频对象相关信息的分级码流。

Description

基于神经网络处理器阵列的视频分级码流编码方法和系统
技术领域
本发明涉及一种数据处理方法和处理装置，特别是涉及一种显示数据的处理方法和处理装置。
背景技术
视频传输需要消耗大量带宽，在视频监控领域，实时的高清码流消耗带宽和系统处理资源最大。因此在现有技术中，通常采用对源视频编码压缩处理分别形成适合实时传输的低速率码流和适合延时传输的高速率码流来解决带宽问题。但是仅利用码流速率适配带宽并不能保证视频中信息的实时可靠传输。当码流降低时视频中携带的信息质量也相应降低甚至无法使用。采用不同的编码方式将视频中的信息与相应的视频进行分别编码，并形成源视频的分级码流是可行的。但在编码过程中需要解决视频信息与相应视频的匹配，匹配过程的系统资源的调度平衡，视频分析与处理的实时性等技术问题。
卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
使计算机的能耗比至少提高了两三个数量级，特别擅长处理视频、图像类的海量多媒体数据，使得人工智能在嵌入式机器视觉应用中可以大显身手，有效识别位移、缩放及其他形式扭曲不变性的二维图形。
发明内容
有鉴于此，本发明实施例提供了一种基于神经网络处理器阵列的视频分级码流编码方法，解决了现有视频编码技术中无无法克服编码速率导致视频信息质量降低的技术问题。
本发明实施例还提供了一种基于神经网络处理器阵列的视频分级码流编码系统，解决了现有视频编码架构不合理，造成对视频中携带的信息处理无法进行实时负荷均衡的技术问题，实现了多个检测和识别任务的并行处理。
本发明的基于神经网络处理器阵列的视频分级码流编码方法，包括：
步骤10，获取同步视频，根据预置分析模型，形成同步视频中的视频对象；
步骤20，获取同步视频，根据预置优化模型，对同步视频中的图像进行优化，形成优化视频；
步骤30，获取视频对象、任务处理模型以及同步视频，将处理资源分配至相应任务处理模型的并行任务处理过程，对视频对象并行进行相应任务处理，形成相应的对象描述信息；
步骤40，对优化视频进行视频编码，将相应的对象描述信息编码并嵌入视频码流，形成源视频的分级码流。
还包括：
步骤12，将视频对象在同步视频中的范围形成对象坐标信息；
步骤22，根据对象坐标信息，对同步视频中的图像范围进行重点优化。
还包括：
步骤42，根据对象坐标信息，对优化视频相应范围进行视频优化编码。
所述优化与重点优化采用并行进行和/或串行进行，所述视频优化编码与视频编码采用并行进行和/或串行进行。
还包括：
步骤35，为视频对象分配对应的任务处理模型；
步骤37，将相应视频对象的任务处理过程，以及相应的同步视频内容，根据预置分配模型形成适配的并行任务处理序列，分配至相应的NPU；
步骤38，形成NPU的动态连接结构，适配获取的相应视频对象的任务处理序列，处理相应的同步视频内容，形成相应的对象描述信息。
还包括：
步骤36，根据视频对象的类型，调整相应任务处理模型。
本发明的基于神经网络处理器阵列的视频分级码流编码系统，包括NPU阵列处理装置、智能分析处理器、图像信号处理器和视频分级码流编码器，其中：
NPU阵列处理装置，用于获取视频对象、任务处理模型以及同步视频，将处理资源分配至相应任务处理模型的并行任务处理过程，对视频对象并行进行相应任务处理，形成相应的对象描述信息；
智能分析处理器，用于获取同步视频，根据预置分析模型，形成同步视频中的视频对象；
图像信号处理器，用于获取同步视频，根据预置优化模型，对同步视频中的图像进行优化，形成优化视频；
视频分级码流编码器，用于对优化视频进行视频编码，将相应的对象描述信息编码并嵌入视频码流，形成源视频的分级码流。
所述智能分析处理器还包括视频对象捕捉装置，用于将视频对象在同步视频中的范围形成对象坐标信息；
图像信号处理器还包括图像重点优化装置，用于根据对象坐标信息，对同步视频中的图像范围进行重点优化，和/或视频分级码流编码器还包括视频优化编码装置，用于根据对象坐标信息，对优化视频相应范围进行视频优化编码。
所述NPU阵列处理装置还包括模型分配单元、阵列控制单元和NPU阵列，其中：
模型分配单元，用于为视频对象分配对应的任务处理模型；
阵列控制单元，用于将相应视频对象的任务处理过程，以及相应的同步视频内容，根据预置分配模型形成适配的并行任务处理序列，分配至相应的NPU；
NPU阵列，用于形成NPU的动态连接结构，适配获取的相应视频对象的任务处理序列，处理相应的同步视频内容，形成相应的对象描述信息。
所述NPU阵列处理装置还包括模型调整单元，用于根据视频对象的类型，调整相应任务处理模型。
本发明实施例的基于神经网络处理器阵列的视频分级码流编码方法，将优化的视频与各视频对象的分析和处理结果信息通过编码形式同步结合，使源视频形成包含视频内容和各视频对象相关信息的分级码流。使得可以按需分发分级码流的部分或全部，在传输带宽和视频信息量上取得均衡。将视频优化过程和视频分析过程有机结合，实现任务处理模型的并行处理，在视频分析过程中将视频对象分析过程和视频对象处理过程分布处理，充分兼顾了分析、处理负荷的均衡，可以形成灵活高效的分析处理策略，大幅提高系统效率。
本发明实施例的基于神经网络处理器阵列的视频分级码流编码系统，形成了合理的编码分布式架构，将对象智能分析，对象处理和编码功能分布设置，避免了任务突发或数据处理负荷无法有效分担，无法形成可控的并行任务处理序列的高速编码缺陷。
附图说明
图1为本发明基于神经网络处理器阵列的视频分级码流编码方法实施例的流程图一；
图2为本发明基于神经网络处理器阵列的视频分级码流编码方法实施例的流程图二；
图3为本发明基于神经网络处理器阵列的视频分级码流编码系统实施例的结构示意图一；
图4为本发明基于神经网络处理器阵列的视频分级码流编码系统实施例的结构示意图二。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。图纸中的步骤编号仅用于作为该步骤的附图标记，不表示执行顺序。
如图1所示，本发明实施例的基于神经网络处理器阵列的视频分级码流编码方法，包括：
步骤05，将源视频形成多路同步视频；
步骤10，获取同步视频，根据预置分析模型，形成同步视频中的视频对象；
步骤20，获取同步视频，根据预置优化模型，对同步视频中的图像进行优化，形成优化视频；
步骤30，获取视频对象、任务处理模型以及同步视频，将处理资源分配至相应任务处理模型的并行任务处理过程，对视频对象并行进行相应任务处理，形成相应的对象描述信息；
步骤40，对优化视频进行视频编码，将相应的对象描述信息编码并嵌入视频码流，形成源视频的分级码流；
步骤45，分级码流按需输出。
本实施例的基于神经网络处理器阵列的视频分级码流编码方法，将视频优化过程和视频分析过程有机结合，在视频分析过程中将视频对象分析过程和视频对象处理过程分布处理，充分兼顾了分析、处理负荷的平衡。并将优化的视频与各视频对象的分析和处理结果信息通过编码形式同步结合，使源视频形成包含视频内容和各视频对象相关信息的分级码流。使得可以按需分发分级码流的部分或全部，在传输带宽和视频信息量上取得均衡。视频对象处理过程采用并行处理并发的视频对象，完成运算资源的灵活调配和任务处理模型对视频对象的类型适配。
采用本方式可以避免相应执行硬件在大量视频对象的差异化的任务处理过程中出现视频对象间的，或任务处理过程间的资源竞争或冲突，避免引入竞争机制导致的效率成本。
本实施例的基于神经网络处理器阵列的视频分级码流编码方法，还包括：
步骤12，将视频对象在同步视频中的范围形成对象坐标信息；
步骤22，根据对象坐标信息，对同步视频中的图像范围进行重点优化；
步骤42，根据对象坐标信息，对优化视频相应范围进行视频优化编码。
本实施例的基于神经网络处理器阵列的视频分级码流编码方法，根据预置分析模型形成的视频对象对同步视频中的图像的相应范围进行重点优化，使其可视效果发生显著变化，以适应后续的观察和分析，对优化视频中的相应范围视频进行优化编码，使得编码质量或编码速率发生显著变化，以适应后续的码流分发。
如图2所示，本实施例的基于神经网络处理器阵列的视频分级码流编码方法，针对步骤30，进一步还包括：
步骤35，为视频对象分配对应的任务处理模型；
步骤37，将相应视频对象的任务处理过程，以及相应的同步视频内容，根据预置分配模型形成适配的并行任务处理序列，分配至相应的NPU；
步骤38，形成NPU的动态连接结构，适配获取的相应视频对象的任务处理序列，处理相应的同步视频内容，形成相应的对象描述信息。
本实施例的基于神经网络处理器阵列的视频分级码流编码方法，还包括：
步骤32，缓存获取的任务处理模型；
步骤33，缓存获取的视频对象；
步骤34，缓存获取的同步视频；
本实施例的基于神经网络处理器阵列的视频分级码流编码方法，针对步骤35，还包括：
步骤36，根据视频对象的类型，调整相应任务处理模型。
本实施例的基于神经网络处理器阵列的视频分级码流编码方法，根据视频对象的类型形成任务处理模型在任务类型、配置参数、处理顺序和处理时长等方面的调整，针对众多视频对象的一系列任务处理的并行突发的处理负荷进行改善。
上述实施例的基于神经网络处理器阵列的视频分级码流编码方法中，将源视频形成多路同步视频，可以采用视频同步分配的方式，也可以采用视频缓存后，按需获取的方式。
上述实施例的基于神经网络处理器阵列的视频分级码流编码方法中，同步视频中的图像可以是视频中的(图像)帧，或形成帧的(部分图像)场。
上述实施例的基于神经网络处理器阵列的视频分级码流编码方法中，优化与重点优化采用并行进行和/或串行进行。同步可以加快优化速度，异步可以提高优化质量，两者结合可以平衡优化效果与运算负荷。
优化包括将完整的帧或场的图像特征进行包括但不限于AEC(自动曝光控制)、AGC(自动增益控制)、AWB(自动白平衡)、色彩校正、Lens Shading、Gamma校正、祛除坏点、影像坏点修补、白平衡、锐利度调整、颜色插值、Auto Black Level、Auto White Level等优化处理，以及优化处理的组合。
重点优化包括将该(指定)范围内的图像特征突出或弱化的优化处理(例如包括优化的处理)。使得既可以通过突出视频对象的方式进行优化，也可以通过弱化背景对象的方式进行优化。
上述实施例的基于神经网络处理器阵列的视频分级码流编码方法中，视频优化编码与视频编码采用并行进行和/或串行进行。同步可以加快优化速度，异步可以提高优化质量，两者结合可以平衡优化效果与运算负荷。
视频编码包括根据预置的编码策略对完整视频进行编码压缩、编码优化、码流分级等过程，必然也包括编码压缩中的块在帧间的矢量运动计算等计算过程。
视频优化编码包括将该(指定)范围内的视频压缩变弱或变强的编码策略。使得既可以通过提高视频对象质量的方式进行优化，也可以通过弱化背景对象质量的方式进行优化。
上述的形成的视频对象，为预置分析模型中可以识别的视频场景中的界限、符号、范围、物体等，进一步包括但不限于车辆区域、车牌区域、人脸区域等，进一步包括但不限于具有移动、运动状态的上述对象。
上述的处理资源包括但不限于计算资源、存储资源、缓存资源、接口资源等软硬件资源。
上述的任务处理模型，包括但不限于面部识别任务处理、车辆识别任务处理、行为识别任务处理、符号识别任务处理等。任务处理模型包括处理过程(例如算法)和过程控制参数。
任务处理过程和过程控制参数与具体的视频对象配合，可以是一个视频对象经过多个任务处理过程处理，是多个视频对象经过一个任务处理过程处理。
形成的对象描述信息包括但不限于如车型、车牌、名字、尺寸、体积等信息。
上述对象坐标信息，包括至少一个视频对象的对象坐标信息。
上述调整相应任务处理，包括但不限于调整相应任务处理模型参数和权重表等，任务处理模型的加载顺序、加载时长和加载优先级等。用于调整的数据可以是预制也可以是获取的。将处理过程的序列化针对视频对象和任务处理过程的并发合理优化，充分利用运算设备的处理资源，平缓突发处理负荷。
上述并行任务处理序列，包括但不限于单一视频对象的一个或多个任务处理的序列，多个视频对象的一个或多个任务处理的序列，多个视频对象的同一个任务处理的序列等。
上述NPU，可以是神经网络处理器，或者是基于深度学习的神经网络处理单元。部署为阵列结构，使得受控的处理器间形成灵活信号传递结构，例如形成串联处理器结构或并联的串联处理器结构，实现多个处理任务的并行处理，或单一处理任务的同步处理，改进多个处理任务的实时处理效率，改善单一处理任务的实时处理速度。
如图3所示，本发明实施例的基于神经网络处理器阵列的视频分级码流编码系统，包括NPU阵列处理装置60、智能分析处理器70、图像信号处理器80和视频分级码流编码器90，其中：
NPU阵列处理装置60，用于获取视频对象、任务处理模型以及同步视频，将处理资源分配至相应任务处理模型的并行任务处理过程，对视频对象并行进行相应任务处理，形成相应的对象描述信息；
智能分析处理器70，用于获取同步视频，根据预置分析模型，形成同步视频中的视频对象；
图像信号处理器80，用于获取同步视频，根据预置优化模型，对同步视频中的图像进行优化，形成优化视频；
视频分级码流编码器90，用于对优化视频进行视频编码，将相应的对象描述信息编码并嵌入视频码流，形成源视频的分级码流。
将对象的智能分析、任务处理和图像优化与编码过程分离设置，可以利用NPU(神经网络处理器)阵列的硬件特性分布配置功能模块，使得硬件配置通用性高，功能配置伸缩性强，改善功能模块的并行处理数量和处理性能。
本发明实施例的基于神经网络处理器阵列的视频分级码流编码系统，还包括视频分配器50，将源视频形成多路同步视频。
本发明实施例的基于神经网络处理器阵列的视频分级码流编码系统中，智能分析处理器70还包括视频对象捕捉装置72，用于将视频对象在同步视频中的范围形成对象坐标信息；
图像信号处理器80还包括图像重点优化装置82，用于根据对象坐标信息，对同步视频中的图像范围进行重点优化；
视频分级码流编码器90还包括视频优化编码装置92，用于根据对象坐标信息，对优化视频相应范围进行视频优化编码。
如图4所示，本发明实施例的基于神经网络处理器阵列的视频分级码流编码系统中，NPU阵列处理装置60还包括模型分配单元65、阵列控制单元67和NPU阵列68，其中：
模型分配单元65，用于为视频对象分配对应的任务处理模型；
阵列控制单元67，用于将相应视频对象的任务处理过程，以及相应的同步视频内容，根据预置分配模型形成适配的并行任务处理序列，分配至相应的NPU；
NPU阵列68，用于形成NPU的动态连接结构，适配获取的相应视频对象的任务处理序列，处理相应的同步视频内容，形成相应的对象描述信息。
NPU阵列处理装置60还包括模型缓存单元62、对象缓存单元63和视频缓存单元64，其中：
模型缓存单元62，用于缓存获取的任务处理模型；
对象缓存单元63，用于缓存获取的视频对象；
视频缓存单元64，用于缓存获取的同步视频。
NPU阵列处理装置60还包括针对模型分配单元65的模型调整单元66，用于根据视频对象的类型，调整相应任务处理模型。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于神经网络处理器阵列的视频分级码流编码方法，包括：
步骤10，获取同步视频，根据预置分析模型，形成同步视频中的不同类型的视频对象；
步骤20，获取同步视频，根据预置优化模型，对同步视频中的图像进行优化，形成优化视频；
步骤35，为不同类型的视频对象分配对应的任务处理模型；
步骤37，将相应视频对象的任务处理过程，以及相应的同步视频内容，根据预置分配模型形成适配的并行任务处理序列，分配至相应的NPU；
步骤38，形成NPU的动态连接结构，适配获取的相应视频对象的任务处理序列，处理相应的同步视频内容，形成不同的对象描述信息；
步骤40，对优化视频进行视频编码，将不同的对象描述信息编码并嵌入视频码流，形成源视频的分级码流。
2.如权利要求1所述的基于神经网络处理器阵列的视频分级码流编码方法，还包括：
步骤12，将视频对象在同步视频中的范围形成对象坐标信息；
步骤22，根据对象坐标信息，对同步视频中的图像范围进行重点优化。
3.如权利要求1所述的基于神经网络处理器阵列的视频分级码流编码方法，还包括：
步骤12，将视频对象在同步视频中的范围形成对象坐标信息；
步骤42，根据对象坐标信息，对优化视频相应范围进行视频优化编码。
4.如权利要求2或3所述的基于神经网络处理器阵列的视频分级码流编码方法，其特征在于，所述优化与重点优化采用并行进行和/或串行进行，所述视频优化编码与视频编码采用并行进行和/或串行进行。
5.如权利要求1所述的基于神经网络处理器阵列的视频分级码流编码方法，还包括：
步骤36，根据视频对象的类型，调整相应任务处理模型。
6.一种基于神经网络处理器阵列的视频分级码流编码系统，包括NPU阵列处理装置(60)、智能分析处理器(70)、图像信号处理器(80)和视频分级码流编码器(90)，其中：
智能分析处理器(70)，用于获取同步视频，根据预置分析模型，形成同步视频中的不同类型的视频对象；
图像信号处理器(80)，用于获取同步视频，根据预置优化模型，对同步视频中的图像进行优化，形成优化视频；
模型分配单元(65)，用于为不同类型的视频对象分配对应的任务处理模型；
阵列控制单元(67)，用于将相应视频对象的任务处理过程，以及相应的同步视频内容，根据预置分配模型形成适配的并行任务处理序列，分配至相应的NPU；
NPU阵列(68)，用于形成NPU的动态连接结构，适配获取的相应视频对象的任务处理序列，处理相应的同步视频内容，形成不同的对象描述信息；
视频分级码流编码器(90)，用于对优化视频进行视频编码，将不同的对象描述信息编码并嵌入视频码流，形成源视频的分级码流。
7.如权利要求6所述的基于神经网络处理器阵列的视频分级码流编码系统，其特征在于，所述智能分析处理器(70)还包括视频对象捕捉装置(72)，用于将视频对象在同步视频中的范围形成对象坐标信息；
图像信号处理器(80)还包括图像重点优化装置(82)，用于根据对象坐标信息，对同步视频中的图像范围进行重点优化，和/或视频分级码流编码器(90)还包括视频优化编码装置(92)，用于根据对象坐标信息，对优化视频相应范围进行视频优化编码。
8.如权利要求6所述的基于神经网络处理器阵列的视频分级码流编码系统，其特征在于，所述NPU阵列处理装置(60)还包括模型调整单元(66)，用于根据视频对象的类型，调整相应任务处理模型。
CN201610674372.1A 2016-08-16 2016-08-16 基于神经网络处理器阵列的视频分级码流编码方法和系统 Active CN106210727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610674372.1A CN106210727B (zh) 2016-08-16 2016-08-16 基于神经网络处理器阵列的视频分级码流编码方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610674372.1A CN106210727B (zh) 2016-08-16 2016-08-16 基于神经网络处理器阵列的视频分级码流编码方法和系统

Publications (2)

Publication Number Publication Date
CN106210727A CN106210727A (zh) 2016-12-07
CN106210727B true CN106210727B (zh) 2020-05-22

Family

ID=57521862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610674372.1A Active CN106210727B (zh) 2016-08-16 2016-08-16 基于神经网络处理器阵列的视频分级码流编码方法和系统

Country Status (1)

Country Link
CN (1) CN106210727B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197809B (zh) * 2017-12-28 2021-06-08 浙江工业大学 基于维度最优转换的权值共享深度网络的实时调度方法
CN110662080B (zh) * 2019-09-30 2021-10-01 中国科学技术大学 面向机器的通用编码方法
CN113744117A (zh) * 2020-05-29 2021-12-03 Oppo广东移动通信有限公司 多媒体处理芯片、电子设备及动态图像处理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101999231A (zh) * 2008-04-11 2011-03-30 汤姆逊许可证公司 利用基于模板的对象跟踪和增强的视频编码
CN102194320A (zh) * 2011-04-25 2011-09-21 杭州海康威视数字技术股份有限公司 高清网络智能摄像机及高清网络智能抓拍方法
CN103167265A (zh) * 2011-12-13 2013-06-19 中国电信股份有限公司 基于智能图像识别的视频处理方法及系统
CN103679139A (zh) * 2013-11-26 2014-03-26 闻泰通讯股份有限公司 基于粒子群优化bp网络的人脸识别方法
CN104156731A (zh) * 2014-07-31 2014-11-19 成都易默生汽车技术有限公司 基于人工神经网络的车牌识别系统与方法
CN105306945A (zh) * 2014-07-10 2016-02-03 北京创鑫汇智科技发展有限责任公司 一种监控视频的可伸缩浓缩编码方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101999231A (zh) * 2008-04-11 2011-03-30 汤姆逊许可证公司 利用基于模板的对象跟踪和增强的视频编码
CN102194320A (zh) * 2011-04-25 2011-09-21 杭州海康威视数字技术股份有限公司 高清网络智能摄像机及高清网络智能抓拍方法
CN103167265A (zh) * 2011-12-13 2013-06-19 中国电信股份有限公司 基于智能图像识别的视频处理方法及系统
CN103679139A (zh) * 2013-11-26 2014-03-26 闻泰通讯股份有限公司 基于粒子群优化bp网络的人脸识别方法
CN105306945A (zh) * 2014-07-10 2016-02-03 北京创鑫汇智科技发展有限责任公司 一种监控视频的可伸缩浓缩编码方法和装置
CN104156731A (zh) * 2014-07-31 2014-11-19 成都易默生汽车技术有限公司 基于人工神经网络的车牌识别系统与方法

Also Published As

Publication number Publication date
CN106210727A (zh) 2016-12-07

Similar Documents

Publication Publication Date Title
CN110300977B (zh) 用于图像处理和视频压缩的方法
CN108780499B (zh) 基于量化参数的视频处理的系统和方法
CN112102212B (zh) 一种视频修复方法、装置、设备及存储介质
CN111182303A (zh) 共享屏幕的编码方法、装置、计算机可读介质及电子设备
CN111047529B (zh) 一种基于机器学习的视频处理方法
CN106210727B (zh) 基于神经网络处理器阵列的视频分级码流编码方法和系统
CN113068034B (zh) 视频编码方法及装置、编码器、设备、存储介质
CN108875900A (zh) 视频图像处理方法和装置、神经网络训练方法、存储介质
CN106303527B (zh) 时分复用神经网络处理器的视频分级码流编码方法和系统
WO2021135702A1 (zh) 一种视频去噪方法和电子设备
CN113297937B (zh) 一种图像处理方法、装置、设备及介质
CN114627034A (zh) 一种图像增强方法、图像增强模型的训练方法及相关设备
WO2016153389A1 (en) Method for correction of the eyes image using machine learning and method for machine learning
CN111669595A (zh) 一种屏幕内容编码方法、装置、设备和介质
CN114761968B (zh) 用于频域静态通道滤波的方法、系统和存储介质
US11568251B1 (en) Dynamic quantization for models run on edge devices
Zhao et al. Adaptive compressed sensing for real-time video compression, transmission, and reconstruction
CN111369477A (zh) 一种针对视频恢复任务的预分析和工具自适应的方法
CN106303538B (zh) 一种支持多源数据融合的视频分级编码方法及装置
Wang et al. Region of interest oriented fast mode decision for depth map coding in DIBR
US11521300B2 (en) Edge preserving noise reduction algorithm using inverse exponential function optimization
CN112532938B (zh) 一种基于大数据技术的视频监控系统
CN114170082A (zh) 视频播放、图像处理和模型训练方法、装置以及电子设备
Xu et al. A new saliency based video coding method with hevc
CN106303567B (zh) 一种联合装置的视频编码方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant