CN113132757A - 数据处理方法和装置 - Google Patents

数据处理方法和装置 Download PDF

Info

Publication number
CN113132757A
CN113132757A CN202110432240.9A CN202110432240A CN113132757A CN 113132757 A CN113132757 A CN 113132757A CN 202110432240 A CN202110432240 A CN 202110432240A CN 113132757 A CN113132757 A CN 113132757A
Authority
CN
China
Prior art keywords
frame image
quantization parameter
target frame
target
video stream
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.)
Granted
Application number
CN202110432240.9A
Other languages
English (en)
Other versions
CN113132757B (zh
Inventor
张树军
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.)
Jingdong Technology Information Technology Co Ltd
Original Assignee
Beijing Huijun Technology 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 Beijing Huijun Technology Co ltd filed Critical Beijing Huijun Technology Co ltd
Priority to CN202110432240.9A priority Critical patent/CN113132757B/zh
Publication of CN113132757A publication Critical patent/CN113132757A/zh
Priority to JP2023540821A priority patent/JP2024506130A/ja
Priority to PCT/CN2022/085789 priority patent/WO2022222767A1/zh
Application granted granted Critical
Publication of CN113132757B publication Critical patent/CN113132757B/zh
Priority to US18/260,821 priority patent/US20240073420A1/en
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
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams, manipulating MPEG-4 scene graphs
    • H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams, manipulating MPEG-4 scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
    • H04N21/234309—Processing of video elementary streams, e.g. splicing of video streams, manipulating MPEG-4 scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements by transcoding between formats or standards, e.g. from MPEG-2 to MPEG-4 or from Quicktime to Realvideo
    • 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
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/124—Quantisation
    • 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
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/146—Data rate or code amount at the encoder output
    • H04N19/149—Data rate or code amount at the encoder output by estimating the code amount by means of a model, e.g. mathematical model or statistical model
    • 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
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion
    • 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
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
    • H04N19/172—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a picture, frame or field
    • 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
    • H04N19/40—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video transcoding, i.e. partial or full decoding of a coded input stream followed by re-encoding of the decoded output stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/266—Channel or content management, e.g. generation and management of keys and entitlement messages in a conditional access system, merging a VOD unicast channel into a multicast channel
    • H04N21/2662—Controlling the complexity of the video stream, e.g. by scaling the resolution or bitrate of the video stream based on the client capabilities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/472—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content
    • H04N21/47202—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content for requesting content on demand, e.g. video on demand

Abstract

本申请公开了数据处理方法和装置，具体实现方案为：对视频流的编码文件进行分析，得到编码文件对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，其中，目标量化参数为在目标帧图像满足质量评价指标时目标帧图像的量化参数；基于目标帧图像集对应的各个目标量化参数、编码文件和视频流的各帧图像的初始量化参数三者的比对结果，确定目标帧图像集中各个目标帧图像的新的量化参数和新的量化参数对应的各个目标帧图像的新的比特数；根据目标帧图像集中各个目标帧图像的新的量化参数和新的比特数，对视频流的各帧图像的初始量化参数和初始比特数进行更新。该方案实现了一种针对编码效率优化的数据处理方法。

Description

数据处理方法和装置
技术领域
本申请的实施例涉及计算机技术领域，具体涉及智能交通技术领域，尤其涉及数据处理方法和装置。
背景技术
随着流媒体技术的发展，因用户观看视频的设备和拥有的传输带宽存在巨大差异，为达到在主观质量不下降的前提下进一步降低码率的目的，采用将用户提供的内容分为不同的质量等级，质量等级可以理解为编码阶梯，并提出了为每个内容定制编码阶梯的编码效率优化(Per-Title)方法。目前的Per-Title方案还包括基于机器学习的Per-Title实现方案和Context Aware Encoding(CAE)实现方案。
然而，现有的Per-Title实现方案存在几点问题：第一，方案需要对同一内容进行大量重复编码，计算量庞大；第二，在点播应用场景中，我们为用户提供的转码模板是一个固定的编码阶梯，而非最优的；第三，方案主要针对长度范围在秒级的视频切片，难以推广至长视频；第四，方案的实现需要额外的第三方提供的用户设备信息和网络属性等信息，这些数据难以获取。
发明内容
本申请提供了一种数据处理方法、装置、设备以及存储介质。
根据本申请的第一方面，提供了一种数据处理方法，该方法包括：对视频流的编码文件进行分析，得到编码文件对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，其中，目标帧图像集中的各个目标帧图像基于质量评价指标和编码文件对视频流的各帧图像进行筛选而得到，目标量化参数为在目标帧图像满足质量评价指标时目标帧图像的量化参数，编码文件通过对视频流进行一次编码而生成；基于目标帧图像集对应的各个目标量化参数、编码文件和视频流的各帧图像的初始量化参数三者的比对结果，确定目标帧图像集中各个目标帧图像的新的量化参数和新的量化参数对应的各个目标帧图像的新的比特数；根据目标帧图像集中各个目标帧图像的新的量化参数和新的比特数，对视频流的各帧图像的初始量化参数和初始比特数进行更新，其中，更新基于目标帧图像集中各个目标帧图像与视频流的各帧图像的对应关系而完成，视频流的各帧图像的初始量化参数和初始比特数在二次编码时基于编码文件预先分配得到。
在一些实施例中，对视频流的编码文件进行分析，得到编码文件对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，包括：基于编码文件中的各帧图像的第一量化参数和各帧图像的第一量化误差，生成编码文件的第一曲线，其中，第一曲线用于表征各帧图像的第一量化参数与相应帧图像的第一量化误差之间的线性关系；对第一曲线进行分析，得到与第一曲线对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，其中，目标帧图像集的各个目标帧图像基于质量评价指标和第一曲线对视频流的各帧图像进行筛选而得到。
在一些实施例中，对视频流的编码文件进行分析，得到编码文件对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，包括：将编码文件和质量评价指标作为输入，利用预测模型输出与编码文件和质量评价指标对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，其中，预测模型用于表征基于编码文件中各帧图像的第一量化参数和/或各帧图像的第一量化误差与质量评价指标的比对结果，对编码文件中的各帧图像和编码文件中各帧图像的第一量化参数进行筛选，各帧图像的第一量化参数和各帧图像的第一量化误差基于码率控制模式对视频流的各帧图像进行编码而生成。
在一些实施例中，预测模型包括：筛选子模型和确定子模型；预测模型利用机器学习技术预先训练而得到；将编码文件和质量评价指标作为输入，利用预测模型输出与编码文件和质量评价指标对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，包括：将编码文件和质量评价指标输入至预先训练的筛选子模型，生成与编码文件和质量评价指标对应的目标帧图像集，其中，筛选子模型用于表征基于编码文件中各帧图像的第一量化参数和/或各帧图像的第一量化误差与质量评价指标的比对结果，对编码文件中的各帧图像进行筛选；将生成的目标帧图像集和质量评价指标输入至预先训练的确定子模型，生成与质量评价指标对应的目标帧图像集对应的各个目标量化参数，其中，确定子模型用于表征基于质量评价指标对目标帧图像集中各个目标帧图像的量化参数进行估算。
在一些实施例中，基于目标帧图像集对应的各个目标量化参数、编码文件和视频流的各帧图像的初始量化参数三者的比对结果，确定目标帧图像集中各个目标帧图像的新的量化参数和新的量化参数对应的各个目标帧图像的新的比特数，包括：基于目标帧图像集对应的各个目标量化参数与编码文件的比对结果和目标帧图像集对应的各个目标量化参数与视频流的各帧图像的初始量化参数的比对结果，确定目标帧图像集中各个目标帧图像的新的量化参数；基于各个新的量化参数，利用估算模型确定各个新的量化参数对应的目标帧图像集中各个目标帧图像的新的比特数，其中，估算模型用于表征根据编码文件中相应各个目标帧图像的第一量化参数和第一比特数，对目标帧图像集中各个目标帧图像在新的量化参数下的比特数进行计算。
在一些实施例中，在对视频流的编码文件进行分析，得到编码文件对应的目标帧图像集和目标帧图像集对应的各个目标量化参数之前，还包括：对视频流的编码文件中的数据进行筛选，得到筛选后的视频流的编码文件，其中，筛选用于表征根据编码文件中的帧类型对编码文件中的各帧图像的数据进行选取，帧类型用于指示视频流的各帧图像的压缩算法。
在一些实施例中，方法还包括：基于更新后的视频流的各帧图像的初始比特数，确定视频流的目标码率；和/或，基于目标码率，利用第二编码模式对视频流进行二次编码。
根据本申请的第二方面，提供了一种数据处理装置，装置包括：分析单元，被配置成对视频流的编码文件进行分析，得到编码文件对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，其中，目标帧图像集中的各个目标帧图像基于质量评价指标和编码文件对视频流的各帧图像进行筛选而得到，目标量化参数为在目标帧图像满足质量评价指标时目标帧图像的量化参数，编码文件通过对视频流进行一次编码而生成；确定单元，被配置成基于目标帧图像集对应的各个目标量化参数、编码文件和视频流的各帧图像的初始量化参数三者的比对结果，确定目标帧图像集中各个目标帧图像的新的量化参数和新的量化参数对应的各个目标帧图像的新的比特数；更新单元，被配置成根据目标帧图像集中各个目标帧图像的新的量化参数和新的比特数，对视频流的各帧图像的初始量化参数和初始比特数进行更新，其中，更新基于目标帧图像集中各个目标帧图像与视频流的各帧图像的对应关系而完成，视频流的各帧图像的初始量化参数和初始比特数在二次编码时基于编码文件预先分配得到。
在一些实施例中，分析单元，包括：生成模块，被配置成基于编码文件中的各帧图像的第一量化参数和各帧图像的第一量化误差，生成编码文件的第一曲线，其中，第一曲线用于表征各帧图像的第一量化参数与相应帧图像的第一量化误差之间的线性关系；分析模块，被配置成对第一曲线进行分析，得到与第一曲线对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，其中，目标帧图像集的各个目标帧图像基于质量评价指标和第一曲线对视频流的各帧图像进行筛选而得到。
在一些实施例中，分析单元进一步被配置成将编码文件和质量评价指标作为输入，利用预测模型输出与编码文件和质量评价指标对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，其中，预测模型用于表征基于编码文件中各帧图像的第一量化参数和/或各帧图像的第一量化误差与质量评价指标的比对结果，对编码文件中的各帧图像和编码文件中各帧图像的第一量化参数进行筛选，各帧图像的第一量化参数和各帧图像的第一量化误差基于码率控制模式对视频流的各帧图像进行编码而生成。
在一些实施例中，分析单元中的预测模型包括：筛选子模型和确定子模型；分析单元中的预测模型利用机器学习技术预先训练而得到；分析单元，包括：筛选模块，被配置成将编码文件和质量评价指标输入至预先训练的筛选子模型，生成与编码文件和质量评价指标对应的目标帧图像集，其中，筛选子模型用于表征基于编码文件中各帧图像的第一量化参数和/或各帧图像的第一量化误差与质量评价指标的比对结果，对编码文件中的各帧图像进行筛选；确定模块，被配置成将生成的目标帧图像集和质量评价指标输入至预先训练的确定子模型，生成与质量评价指标对应的目标帧图像集对应的各个目标量化参数，其中，确定子模型用于表征基于质量评价指标对目标帧图像集中各个目标帧图像的量化参数进行估算。
在一些实施例中，确定单元，包括：第一确定模块，被配置成基于目标帧图像集对应的各个目标量化参数与编码文件的比对结果和目标帧图像集对应的各个目标量化参数与视频流的各帧图像的初始量化参数的比对结果，确定目标帧图像集中各个目标帧图像的新的量化参数；第二确定模块，被配置成基于各个新的量化参数，利用估算模型确定各个新的量化参数对应的目标帧图像集中各个目标帧图像的新的比特数，其中，估算模型用于表征根据编码文件中相应各个目标帧图像的第一量化参数和第一比特数，对目标帧图像集中各个目标帧图像在新的量化参数下的比特数进行计算。
在一些实施例中，装置还包括：选取单元，被配置成对视频流的编码文件中的数据进行筛选，得到筛选后的视频流的编码文件，其中，筛选用于表征根据编码文件中的帧类型对编码文件中的各帧图像的数据进行选取，帧类型用于指示视频流的各帧图像的压缩算法。
在一些实施例中，装置还包括：生成单元，被配置成基于更新后的视频流的各帧图像的初始比特数，生成视频流的目标码率；编码单元，被配置成基于目标码率，利用第二编码模式对视频流进行二次编码。
根据本申请的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
根据本申请的第四方面，本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
根据本申请的技术采用对视频流的编码文件进行分析，得到编码文件对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，其中，目标帧图像集中的各个目标帧图像基于质量评价指标和编码文件对视频流的各帧图像进行筛选而得到，目标量化参数为在目标帧图像满足质量评价指标时的目标帧图像的量化参数，编码文件对视频流进行一次编码而生成，基于目标帧图像集对应的各个目标量化参数、编码文件和视频流的各帧图像的初始量化参数三者的比对结果，确定目标帧图像集中各个目标帧图像的新的量化参数和新的比特数，根据目标帧图像集中各个目标帧图像的新的量化参数和新的比特数，对视频流的各帧图像的初始量化参数和初始比特数进行更新，其中，视频流的各帧图像的初始量化参数和初始比特数在二次编码时基于编码文件预先分配得到，解决了现有编码优化实现方案中需要对同一内容进行大量重复编码，导致计算量大、现有技术中主要针对长度范围在秒级的视频切片，难以推广至长视频以及现有技术难以获取第三方提供的用户设备信息和网络属性等信息的问题。实现了一种针对编码效率优化的数据处理方法，通过对一次编码结果进行分析，获取超过质量评价指标的目标帧图像的量化参数，用于在第二次编码时调节量化误差过高(即达到质量评价指标)的帧的量化参数和bit数，节省目标码率。相比现有编码阶梯，在不增加额外编码次数和不增加现有点播应用场景运算量的基础上，实现了一种保持主观质量不下降而能够适量降低码率的方法。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。
图1是根据本申请的数据处理方法的第一实施例的示意图；
图2是根据本申请的数据处理方法的新的量化参数的确定逻辑示例图；
图3是可以实现本申请实施例的数据处理方法的场景图；
图4是根据本申请的数据处理方法的第二实施例的示意图；
图5是根据本申请的数据处理装置的一个实施例的结构示意图；
图6是用来实现本申请实施例的数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请的数据处理方法的第一实施例的示意图100。该数据处理方法，包括以下步骤：
步骤101，对视频流的编码文件进行分析，得到编码文件对应的目标帧图像集和目标帧图像集对应的各个目标量化参数。
在本实施例中，执行主体可以通过有线连接或无线连接的方式从本地或远端获取视频流的编码文件，然后对获取到的视频流的编码文件进行分析，得到编码文件对应的目标帧图像集和目标帧图像集对应的各个目标量化参数。目标帧图像集中的各个目标帧图像可以基于质量评价指标和编码文件对视频流的各帧图像进行筛选而得到，目标量化参数可以为在目标帧图像满足质量评价指标时目标帧图像的量化参数。视频流指流媒体传输过程中的一种传送方式，可以表示视频流、图像流、动画流中的一种或几种，视频流可以为切分后的视频片段，也可以为长视频，这里不对视频流的长度进行限定。编码文件可以利用第一编码模式对视频流进行一次编码而生成。第一编码模式指视频编码中的一种编码模式，例如1pass模式，第一编码模式可以表征基于码率控制模式对视频流的各帧图像进行编码，码率控制模式用于表征基于编码阶梯对各帧图像的码率进行选取。各帧图像的码率是指本帧图像文件在单位时间内使用的数据流量，比如，800kbps、1200kbps、1800kbps等。第一编码模式中可以采取各种算法进行视频压缩，比如，常采用的IPB算法，通过算法压缩后，编码文件中会记录相应帧图像(即单个内容)的帧类型，比如：I帧、P帧和B帧。质量评价指标可以根据量化误差即峰值信噪比而预先设定，也可以基于各种已有或新增的编码质量评价指标而预先设定，比如将质量评价指标设定为一个内容的峰值信噪比不得大于45db，也就是如果某个内容在我们的编码阶梯上得出了高于45db的编码结果，则认为编码阶梯对这个内容是码率过剩的。需要指出的是，上述无线连接方式可以包括但不限于3G、4G、5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。码率控制模式可以为VBR、CBR、ABR等，这里不对其进行限定。
在该实施例中，编码文件可以包括各帧图像的以下数据：帧编号、帧类型、帧历时、量化参数、反映本帧空间复杂度的比特数、反映本帧时间复杂度的比特数、其他比特数、量化误差(即峰值信噪比)和参考信息等，将反映本帧空间复杂度的比特数、反映本帧时间复杂度的比特数和其他比特数进行累加，得到本帧编码后的流量大小。
在本实施例的一些可选的实现方式中，对视频流的编码文件进行分析，得到编码文件对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，包括：将编码文件和质量评价指标作为输入，利用预测模型输出与编码文件和质量评价指标对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，其中，预测模型用于表征基于编码文件中各帧图像的第一量化参数和/或各帧图像的第一量化误差与质量评价指标的比对结果，对编码文件中的各帧图像和编码文件中各帧图像的第一量化参数进行筛选，各帧图像的第一量化参数和各帧图像的第一量化误差基于码率控制模式对视频流的各帧图像进行编码而生成。第一量化误差即第一峰值信噪比，第一量化误差用于表征在当前帧的第一量化参数下当前帧图像的编码质量。利用深度学习的方法获取目标量化参数，提升了系统处理的精度和效率。
在本实施例的一些可选的实现方式中，预测模型包括：筛选子模型和确定子模型；预测模型利用机器学习技术预先训练而得到；将编码文件和质量评价指标作为输入，利用预测模型输出与编码文件和质量评价指标对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，包括：将编码文件和质量评价指标输入至预先训练的筛选子模型，生成与编码文件和质量评价指标对应的目标帧图像集，其中，筛选子模型用于表征基于编码文件中各帧图像的第一量化参数和/或各帧图像的第一量化误差与质量评价指标的比对结果，对编码文件中的各帧图像进行筛选；将生成的目标帧图像集和质量评价指标输入至预先训练的确定子模型，生成与质量评价指标对应的目标帧图像集对应的各个目标量化参数，其中，确定子模型用于表征基于质量评价指标对目标帧图像集中各个目标帧图像的量化参数进行估算。通过分级获取目标量化参数，进一步提升系统处理效率。
步骤102，基于目标帧图像集对应的各个目标量化参数、编码文件和视频流的各帧图像的初始量化参数三者的比对结果，确定目标帧图像集中各个目标帧图像的新的量化参数和新的量化参数对应的各个目标帧图像的新的比特数。
在本实施例中，执行主体可以将步骤101得到的目标帧图像集对应的各个目标量化参数、编码文件中目标帧图像集对应的各帧图像的量化参数和视频流的各帧图像的初始量化参数三者进行比对，基于比对结果利用参数确定方法确定目标帧图像集中各个目标帧图像的新的量化参数和与新的量化参数对应的各个目标帧图像的新的比特数。这里的比特数可以指本帧空间复杂度的比特数，也可以指累加后得到本帧编码后的流量大小。
进一步举例说明，参数确定方法设定为：如果当前帧量化误差psnr>42db并且当前帧一次编码后的该帧的量化参数QP1pass>量化误差达到42db的该帧的量化参数QPpsnr42，当前帧预先分配的初始量化参数QPnew确定为QP1pass；如果当前帧psnr>42db且当前帧的初始量化参数QPnew<QPpsnr42，当前帧的初始量化参数QPnew确定为QPpsnr42，得到新的量化参数QPadj，具体参见图2。
在本实施例的一些可选的实现方式中，基于目标帧图像集对应的各个目标量化参数、编码文件和视频流的各帧图像的初始量化参数三者的比对结果，确定目标帧图像集中各个目标帧图像的新的量化参数和新的量化参数对应的各个目标帧图像的新的比特数，包括：基于目标帧图像集对应的各个目标量化参数与编码文件的比对结果和目标帧图像集对应的各个目标量化参数与视频流的各帧图像的初始量化参数的比对结果，确定目标帧图像集中各个目标帧图像的新的量化参数；基于各个新的量化参数，利用估算模型确定各个新的量化参数对应的目标帧图像集中各个目标帧图像的新的比特数，其中，估算模型用于表征根据编码文件中相应各个目标帧图像的第一量化参数和第一比特数，对目标帧图像集中各个目标帧图像在新的量化参数下的比特数进行计算。实现一种准确、快速确定量化参数和比特数的方法。
步骤103，根据目标帧图像集中各个目标帧图像的新的量化参数和新的比特数，对视频流的各帧图像的初始量化参数和初始比特数进行更新。
在本实施例中，执行主体可以根据步骤102中确定的目标帧图像集中各个目标帧图像的新的量化参数和新的比特数，对视频流的各帧图像的初始量化参数和初始比特数进行更新。更新基于目标帧图像集中各个目标帧图像与视频流的各帧图像的对应关系而完成，视频流的各帧图像的初始量化参数和初始比特数在二次编码时基于编码文件预先分配得到。二次编码可以表征利用第二编码模式对视频流进行再次编码，第二编码模式可以与第一编码模式相同，也可以与第一编码模式不同，比如，2pass模式。
在本实施例的一些可选的实现方式中，在对视频流的编码文件进行分析，得到编码文件对应的目标帧图像集和目标帧图像集对应的各个目标量化参数之前，还包括：对视频流的编码文件中的数据进行筛选，得到筛选后的视频流的编码文件，其中，筛选用于表征根据编码文件中的帧类型对编码文件中的各帧图像的数据进行选取，帧类型用于指示视频流的各帧图像的压缩算法。通过对编码数据进行过滤，过滤掉I帧和B帧，仅针对P帧图像进行数据处理，使数据处理更富有针对性、提升了系统处理的精准度。
在本实施例的一些可选的实现方式中，方法还包括：基于更新后的视频流的各帧图像的初始比特数，确定视频流的目标码率；和/或，基于目标码率，利用第二编码模式对视频流进行二次编码。解决了在点播应用场景中，我们为用户提供的转码模板仅是一个固定的编码阶梯，而不是最优的的问题，相比现有编码阶梯，在不增加额外编码次数和不增加现有点播应用场景运算量的基础上，实现了一种保持主观质量不下降而能够适量降低码率的方法。
需要说明的是，上述执行主体可以存储有预先训练的预测模型，该预测模型例如可以是数据表或计算公式等，本实施例不对此方面内容做任何限定。技术人员可以根据实际需求，自行设定上述预测模型的模型结构，本公开的实施例对此不做限定。
继续参见图3，本实施例的数据处理方法300运行于服务器301中。首先服务器301对视频流的编码文件进行分析，得到编码文件对应的目标帧图像集和目标帧图像集对应的各个目标量化参数302，然后服务器301基于目标帧图像集对应的各个目标量化参数、编码文件和视频流的各帧图像的初始量化参数三者的比对结果，确定目标帧图像集中各个目标帧图像的新的量化参数和新的量化参数对应的各个目标帧图像的新的比特数303，最后服务器301根据目标帧图像集中各个目标帧图像的新的量化参数和新的比特数，对视频流的各帧图像的初始量化参数和初始比特数进行更新304。
本申请的上述实施例提供的数据处理方法采用对视频流的编码文件进行分析，得到编码文件对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，其中，目标帧图像集中的各个目标帧图像基于质量评价指标和编码文件对视频流的各帧图像进行筛选而得到，目标量化参数为在目标帧图像满足质量评价指标时的目标帧图像的量化参数，编码文件对视频流进行一次编码而生成，基于目标帧图像集对应的各个目标量化参数、编码文件和视频流的各帧图像的初始量化参数三者的比对结果，确定目标帧图像集中各个目标帧图像的新的量化参数和新的比特数，根据目标帧图像集中各个目标帧图像的新的量化参数和新的比特数，对视频流的各帧图像的初始量化参数和初始比特数进行更新，其中，视频流的各帧图像的初始量化参数和初始比特数在二次编码时基于编码文件预先分配得到，解决了现有编码优化实现方案中需要对同一内容进行大量重复编码，导致计算量大、现有技术中主要针对长度范围在秒级的视频切片，难以推广至长视频以及现有技术难以获取第三方提供的用户设备信息和网络属性等信息的问题。实现了一种针对编码效率优化的数据处理方法，通过对一次编码结果进行分析，获取超过质量评价指标的目标帧图像的量化参数，用于在第二次编码时调节量化误差过高(即达到质量评价指标)的帧的量化参数和bit数，节省目标码率。相比现有编码阶梯，在不增加额外编码次数和不增加现有点播应用场景运算量的基础上，实现了一种保持主观质量不下降而能够适量降低码率的方法。
进一步参考图4，其示出了数据处理方法的第二实施例的示意图400。该方法的流程包括以下步骤：
步骤401，基于编码文件中的各帧图像的第一量化参数和各帧图像的第一量化误差，生成编码文件的第一曲线。
在本实施例中，执行主体可以基于编码文件中的各帧图像的第一量化参数和各帧图像的第一量化误差，利用最小二乘法拟合量化参数-量化误差直线，生成编码文件的第一曲线。各帧图像的第一量化参数和各帧图像的第一量化误差基于码率控制模式对视频流的各帧图像进行编码而生成。第一曲线为一条线性拟合曲线，第一曲线用于表征各帧图像的第一量化参数与相应帧图像的第一量化误差之间的线性关系。第一曲线以第一量化参数作为X轴，以第一量化误差作为Y轴。
步骤402，对第一曲线进行分析，得到与第一曲线对应的目标帧图像集和目标帧图像集对应的各个目标量化参数。
在本实施例中，执行主体可以对步骤401得到的第一曲线进行分析，得到与第一曲线对应的目标帧图像集和目标帧图像集对应的各个目标量化参数。目标帧图像集的各个目标帧图像基于质量评价指标和第一曲线对视频流的各帧图像进行筛选而得到。例如，在量化误差越大(>42db)和越小(<31db)的位置数据离散度较大，因此仅对量化误差在31db～42db之间的帧图像进行数据处理。
步骤403，基于目标帧图像集对应的各个目标量化参数、编码文件和视频流的各帧图像的初始量化参数三者的比对结果，确定目标帧图像集中各个目标帧图像的新的量化参数和新的量化参数对应的各个目标帧图像的新的比特数。
步骤404，根据目标帧图像集中各个目标帧图像的新的量化参数和新的比特数，对视频流的各帧图像的初始量化参数和初始比特数进行更新。
在本实施例中，步骤403和404的具体操作与图1所示的实施例中的步骤102和103的操作基本相同，在此不再赘述。
从图4中可以看出，与图1对应的实施例相比，本实施例中的数据处理方法的示意图400采用基于编码文件中的各帧图像的第一量化参数和各帧图像的第一量化误差，生成编码文件的第一曲线，对第一曲线进行分析，得到与第一曲线对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，通过对各帧图像(即视频流的不同内容)，探索其量化参数和量化误差之间的关系，在不增加额外编码次数和不增加现有点播应用场景运算量的基础上，实现了一种保持主观质量不下降而能够适量降低码率的方法。
进一步参考图5，作为对上述图1～4所示方法的实现，本申请提供了一种数据处理装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的数据处理装置500包括：分析单元501、确定单元502和更新单元503，其中，分析单元，被配置成对视频流的编码文件进行分析，得到编码文件对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，其中，目标帧图像集中的各个目标帧图像基于质量评价指标和编码文件对视频流的各帧图像进行筛选而得到，目标量化参数为在目标帧图像满足质量评价指标时目标帧图像的量化参数，编码文件通过对视频流进行一次编码而生成；确定单元，被配置成基于目标帧图像集对应的各个目标量化参数、编码文件和视频流的各帧图像的初始量化参数三者的比对结果，确定目标帧图像集中各个目标帧图像的新的量化参数和新的量化参数对应的各个目标帧图像的新的比特数；更新单元，被配置成根据目标帧图像集中各个目标帧图像的新的量化参数和新的比特数，对视频流的各帧图像的初始量化参数和初始比特数进行更新，其中，更新基于目标帧图像集中各个目标帧图像与视频流的各帧图像的对应关系而完成，视频流的各帧图像的初始量化参数和初始比特数在二次编码时基于编码文件预先分配得到。
在本实施例中，数据处理装置500的分析单元501、确定单元502和更新单元503的具体处理及其所带来的技术效果可分别参考图1对应的实施例中的步骤101到步骤103的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，分析单元，包括：生成模块，被配置成基于编码文件中的各帧图像的第一量化参数和各帧图像的第一量化误差，生成编码文件的第一曲线，其中，第一曲线用于表征各帧图像的第一量化参数与相应帧图像的第一量化误差之间的线性关系；分析模块，被配置成对第一曲线进行分析，得到与第一曲线对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，其中，目标帧图像集的各个目标帧图像基于质量评价指标和第一曲线对视频流的各帧图像进行筛选而得到。
在本实施例的一些可选的实现方式中，分析单元进一步被配置成将编码文件和质量评价指标作为输入，利用预测模型输出与编码文件和质量评价指标对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，其中，预测模型用于表征基于编码文件中各帧图像的第一量化参数和/或各帧图像的第一量化误差与质量评价指标的比对结果，对编码文件中的各帧图像和编码文件中各帧图像的第一量化参数进行筛选，各帧图像的第一量化参数和各帧图像的第一量化误差基于码率控制模式对视频流的各帧图像进行编码而生成。
在本实施例的一些可选的实现方式中，分析单元中的预测模型包括：筛选子模型和确定子模型；分析单元中的预测模型利用机器学习技术预先训练而得到；分析单元，包括：筛选模块，被配置成将编码文件和质量评价指标输入至预先训练的筛选子模型，生成与编码文件和质量评价指标对应的目标帧图像集，其中，筛选子模型用于表征基于编码文件中各帧图像的第一量化参数和/或各帧图像的第一量化误差与质量评价指标的比对结果，对编码文件中的各帧图像进行筛选；确定模块，被配置成将生成的目标帧图像集和质量评价指标输入至预先训练的确定子模型，生成与质量评价指标对应的目标帧图像集对应的各个目标量化参数，其中，确定子模型用于表征基于质量评价指标对目标帧图像集中各个目标帧图像的量化参数进行估算。
在本实施例的一些可选的实现方式中，确定单元，包括：第一确定模块，被配置成基于目标帧图像集对应的各个目标量化参数与编码文件的比对结果和目标帧图像集对应的各个目标量化参数与视频流的各帧图像的初始量化参数的比对结果，确定目标帧图像集中各个目标帧图像的新的量化参数；第二确定模块，被配置成基于各个新的量化参数，利用估算模型确定各个新的量化参数对应的目标帧图像集中各个目标帧图像的新的比特数，其中，估算模型用于表征根据编码文件中相应各个目标帧图像的第一量化参数和第一比特数，对目标帧图像集中各个目标帧图像在新的量化参数下的比特数进行计算。
在本实施例的一些可选的实现方式中，装置还包括：选取单元，被配置成对视频流的编码文件中的数据进行筛选，得到筛选后的视频流的编码文件，其中，筛选用于表征根据编码文件中的帧类型对编码文件中的各帧图像的数据进行选取，帧类型用于指示视频流的各帧图像的压缩算法。
在本实施例的一些可选的实现方式中，装置还包括：生成单元，被配置成基于更新后的视频流的各帧图像的初始比特数，生成视频流的目标码率；编码单元，被配置成基于目标码率，利用第二编码模式对视频流进行二次编码。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的数据处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的数据处理方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的数据处理方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的数据处理方法对应的程序指令/模块(例如，附图5所示的分析单元501、确定单元502和更新单元503)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的数据处理方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据数据处理电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至数据处理电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
数据处理方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与数据处理电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案采用对视频流的编码文件进行分析，得到编码文件对应的目标帧图像集和目标帧图像集对应的各个目标量化参数，其中，目标帧图像集中的各个目标帧图像基于质量评价指标和编码文件对视频流的各帧图像进行筛选而得到，目标量化参数为在目标帧图像满足质量评价指标时的目标帧图像的量化参数，编码文件对视频流进行一次编码而生成，基于目标帧图像集对应的各个目标量化参数、编码文件和视频流的各帧图像的初始量化参数三者的比对结果，确定目标帧图像集中各个目标帧图像的新的量化参数和新的比特数，根据目标帧图像集中各个目标帧图像的新的量化参数和新的比特数，对视频流的各帧图像的初始量化参数和初始比特数进行更新，其中，视频流的各帧图像的初始量化参数和初始比特数在二次编码时基于编码文件预先分配得到，解决了现有编码优化实现方案中需要对同一内容进行大量重复编码，导致计算量大、现有技术中主要针对长度范围在秒级的视频切片，难以推广至长视频以及现有技术难以获取第三方提供的用户设备信息和网络属性等信息的问题。实现了一种针对编码效率优化的数据处理方法，通过对一次编码结果进行分析，获取超过质量评价指标的目标帧图像的量化参数，用于在第二次编码时调节量化误差过高(即达到质量评价指标)的帧的量化参数和bit数，节省目标码率。相比现有编码阶梯，在不增加额外编码次数和不增加现有点播应用场景运算量的基础上，实现了一种保持主观质量不下降而能够适量降低码率的方法。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (11)

1.一种数据处理方法，所述方法包括：
对视频流的编码文件进行分析，得到所述编码文件对应的目标帧图像集和所述目标帧图像集对应的各个目标量化参数，其中，所述目标帧图像集中的各个目标帧图像基于质量评价指标和所述编码文件对所述视频流的各帧图像进行筛选而得到，所述目标量化参数为在所述目标帧图像满足所述质量评价指标时的所述目标帧图像的量化参数，所述编码文件通过对所述视频流进行一次编码而生成；
基于所述目标帧图像集对应的各个目标量化参数、所述编码文件和所述视频流的各帧图像的初始量化参数三者的比对结果，确定所述目标帧图像集中各个目标帧图像的新的量化参数和所述新的量化参数对应的各个所述目标帧图像的新的比特数；
根据所述目标帧图像集中各个目标帧图像的所述新的量化参数和所述新的比特数，对所述视频流的各帧图像的初始量化参数和初始比特数进行更新，其中，所述更新基于所述目标帧图像集中各个目标帧图像与所述视频流的各帧图像的对应关系而完成，所述视频流的各帧图像的初始量化参数和初始比特数在二次编码时基于所述编码文件预先分配得到。
2.根据权利要求1所述方法，其中，所述对视频流的编码文件进行分析，得到所述编码文件对应的目标帧图像集和所述目标帧图像集对应的各个目标量化参数，包括：
基于所述编码文件中的各帧图像的第一量化参数和所述各帧图像的第一量化误差，生成所述编码文件的第一曲线，其中，所述第一曲线用于表征所述各帧图像的第一量化参数与相应帧图像的第一量化误差之间的线性关系；
对所述第一曲线进行分析，得到与所述第一曲线对应的目标帧图像集和所述目标帧图像集对应的各个目标量化参数，其中，所述目标帧图像集的各个目标帧图像基于质量评价指标和第一曲线对视频流的各帧图像进行筛选而得到。
3.根据权利要求1所述方法，其中，所述对视频流的编码文件进行分析，得到所述编码文件对应的目标帧图像集和所述目标帧图像集对应的各个目标量化参数，包括：
将所述编码文件和所述质量评价指标作为输入，利用预测模型输出与所述编码文件和所述质量评价指标对应的目标帧图像集和所述目标帧图像集对应的各个目标量化参数，其中，所述预测模型用于表征基于所述编码文件中各帧图像的第一量化参数和/或各帧图像的第一量化误差与所述质量评价指标的比对结果，对所述编码文件中的各帧图像和所述编码文件中各帧图像的第一量化参数进行筛选，所述各帧图像的第一量化参数和所述各帧图像的第一量化误差基于码率控制模式对所述视频流的各帧图像进行编码而生成。
4.根据权利要求3所述方法，其中，所述预测模型包括：筛选子模型和确定子模型；所述预测模型利用机器学习技术预先训练而得到；所述将所述编码文件和所述质量评价指标作为输入，利用预测模型输出与所述编码文件和所述质量评价指标对应的目标帧图像集和所述目标帧图像集对应的各个目标量化参数，包括：
将所述编码文件和所述质量评价指标输入至预先训练的筛选子模型，生成与所述编码文件和所述质量评价指标对应的目标帧图像集，其中，所述筛选子模型用于表征基于所述编码文件中各帧图像的第一量化参数和/或各帧图像的第一量化误差与所述质量评价指标的比对结果，对所述编码文件中的各帧图像进行筛选；
将生成的所述目标帧图像集和所述质量评价指标输入至预先训练的确定子模型，生成所述目标帧图像集对应的各个目标量化参数，其中，所述确定子模型用于表征基于所述质量评价指标对所述目标帧图像集中各个目标帧图像的量化参数进行估算。
5.根据权利要求1所述方法，其中，所述基于所述目标帧图像集对应的各个目标量化参数、所述编码文件和所述视频流的各帧图像的初始量化参数三者的比对结果，确定所述目标帧图像集中各个目标帧图像的新的量化参数和所述新的量化参数对应的各个所述目标帧图像的新的比特数，包括：
基于所述目标帧图像集对应的各个目标量化参数与所述编码文件的比对结果和所述目标帧图像集对应的各个目标量化参数与所述视频流的各帧图像的初始量化参数的比对结果，确定所述目标帧图像集中各个目标帧图像的新的量化参数；
基于各个所述新的量化参数，利用估算模型确定各个所述新的量化参数对应的所述目标帧图像集中各个目标帧图像的新的比特数，其中，所述估算模型用于表征根据所述编码文件中相应各个目标帧图像的第一量化参数和第一比特数，对所述目标帧图像集中各个目标帧图像在新的量化参数下的比特数进行计算。
6.根据权利要求1所述方法，其中，在对视频流的编码文件进行分析，得到所述编码文件对应的目标帧图像集和所述目标帧图像集对应的各个目标量化参数之前，还包括：
对所述视频流的编码文件中的数据进行筛选，得到所述筛选后的所述视频流的编码文件，其中，所述筛选用于表征根据所述编码文件中的帧类型对所述编码文件中的各帧图像的数据进行选取，所述帧类型用于指示所述视频流的各帧图像的压缩算法。
7.根据权利要求1所述方法，还包括：
基于更新后的所述视频流的各帧图像的初始比特数，确定所述视频流的目标码率；和/或，
基于确定的所述目标码率，利用第二编码模式对所述视频流进行二次编码。
8.一种数据处理装置，所述装置包括：
分析单元，被配置成对视频流的编码文件进行分析，得到所述编码文件对应的目标帧图像集和所述目标帧图像集对应的各个目标量化参数，其中，所述目标帧图像集中的各个目标帧图像基于质量评价指标和所述编码文件对所述视频流的各帧图像进行筛选而得到，所述目标量化参数为在所述目标帧图像满足所述质量评价指标时所述目标帧图像的量化参数，所述编码文件通过对所述视频流进行一次编码而生成；
确定单元，被配置成基于所述目标帧图像集对应的各个目标量化参数、所述编码文件和所述视频流的各帧图像的初始量化参数三者的比对结果，确定所述目标帧图像集中各个目标帧图像的新的量化参数和所述新的量化参数对应的各个所述目标帧图像的新的比特数；
更新单元，被配置成根据所述目标帧图像集中各个目标帧图像的所述新的量化参数和所述新的比特数，对所述视频流的各帧图像的初始量化参数和初始比特数进行更新，其中，所述更新基于所述目标帧图像集中各个目标帧图像与所述视频流的各帧图像的对应关系而完成，所述视频流的各帧图像的初始量化参数和初始比特数在二次编码时基于所述编码文件预先分配得到。
9.根据权利要求8所述装置，其中，所述分析单元，包括：
生成模块，被配置成基于所述编码文件中的各帧图像的第一量化参数和所述各帧图像的第一量化误差，生成所述编码文件的第一曲线，其中，所述第一曲线用于表征所述各帧图像的第一量化参数与相应帧图像的第一量化误差之间的线性关系；
分析模块，被配置成对所述第一曲线进行分析，得到与所述第一曲线对应的目标帧图像集和所述目标帧图像集对应的各个目标量化参数，其中，所述目标帧图像集的各个目标帧图像基于质量评价指标和第一曲线对视频流的各帧图像进行筛选而得到。
10.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
CN202110432240.9A 2021-04-21 2021-04-21 数据处理方法和装置 Active CN113132757B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202110432240.9A CN113132757B (zh) 2021-04-21 2021-04-21 数据处理方法和装置
JP2023540821A JP2024506130A (ja) 2021-04-21 2022-04-08 データ処理方法、装置及びコンピュータプログラム。
PCT/CN2022/085789 WO2022222767A1 (zh) 2021-04-21 2022-04-08 数据处理方法和装置
US18/260,821 US20240073420A1 (en) 2021-04-21 2022-08-04 Data processing method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110432240.9A CN113132757B (zh) 2021-04-21 2021-04-21 数据处理方法和装置

Publications (2)

Publication Number Publication Date
CN113132757A true CN113132757A (zh) 2021-07-16
CN113132757B CN113132757B (zh) 2022-07-05

Family

ID=76778962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110432240.9A Active CN113132757B (zh) 2021-04-21 2021-04-21 数据处理方法和装置

Country Status (4)

Country Link
US (1) US20240073420A1 (zh)
JP (1) JP2024506130A (zh)
CN (1) CN113132757B (zh)
WO (1) WO2022222767A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022222767A1 (zh) * 2021-04-21 2022-10-27 北京汇钧科技有限公司 数据处理方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008109471A1 (en) * 2007-03-02 2008-09-12 Qualcomm Incorporated Efficient video block mode changes in second pass video coding
CN101331773A (zh) * 2005-09-22 2008-12-24 高通股份有限公司 使用速率失真特性进行视频编码的两遍速率控制技术
US20110150094A1 (en) * 2009-12-23 2011-06-23 General Instrument Corporation Rate control for two-pass encoder
CN105992004A (zh) * 2015-02-13 2016-10-05 北京博雅华录视听技术研究院有限公司 基于视频编码标准的图像编码码率控制方法
CN110139168A (zh) * 2018-02-02 2019-08-16 中南大学 视频编码方法、装置、计算机设备及存储介质
WO2020044135A1 (en) * 2018-08-27 2020-03-05 Ati Technologies Ulc Benefit-based bitrate distribution for video encoding
CN112204970A (zh) * 2018-07-25 2021-01-08 深圳市大疆创新科技有限公司 图像的编码控制方法、装置、存储介质及无人机

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010057170A1 (en) * 2008-11-17 2010-05-20 Cernium Corporation Analytics-modulated coding of surveillance video
CN110324622B (zh) * 2018-03-28 2022-09-23 腾讯科技（深圳）有限公司 一种视频编码码率控制方法、装置、设备及存储介质
CN111314698A (zh) * 2020-02-27 2020-06-19 浙江大华技术股份有限公司 一种图像编码处理方法及装置
CN111479112B (zh) * 2020-06-23 2020-11-03 腾讯科技（深圳）有限公司 一种视频编码方法、装置、设备和存储介质
CN113132757B (zh) * 2021-04-21 2022-07-05 北京汇钧科技有限公司 数据处理方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101331773A (zh) * 2005-09-22 2008-12-24 高通股份有限公司 使用速率失真特性进行视频编码的两遍速率控制技术
WO2008109471A1 (en) * 2007-03-02 2008-09-12 Qualcomm Incorporated Efficient video block mode changes in second pass video coding
US20110150094A1 (en) * 2009-12-23 2011-06-23 General Instrument Corporation Rate control for two-pass encoder
CN105992004A (zh) * 2015-02-13 2016-10-05 北京博雅华录视听技术研究院有限公司 基于视频编码标准的图像编码码率控制方法
CN110139168A (zh) * 2018-02-02 2019-08-16 中南大学 视频编码方法、装置、计算机设备及存储介质
CN112204970A (zh) * 2018-07-25 2021-01-08 深圳市大疆创新科技有限公司 图像的编码控制方法、装置、存储介质及无人机
WO2020044135A1 (en) * 2018-08-27 2020-03-05 Ati Technologies Ulc Benefit-based bitrate distribution for video encoding

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022222767A1 (zh) * 2021-04-21 2022-10-27 北京汇钧科技有限公司 数据处理方法和装置

Also Published As

Publication number Publication date
US20240073420A1 (en) 2024-02-29
CN113132757B (zh) 2022-07-05
JP2024506130A (ja) 2024-02-09
WO2022222767A1 (zh) 2022-10-27

Similar Documents

Publication Publication Date Title
JP2018513604A (ja) 符号化中にビットレートおよび解像度を最適化する技術
CN111757107B (zh) 一种视频编码方法、装置、设备及介质
JP7145204B2 (ja) 誘導式エンコーダの適応品質レンダリングのためのシステムおよび方法
CN103999471A (zh) 由视频描述长度引导的视频编码的速率-失真-复杂性优化
US11463697B2 (en) Method and apparatus for coding video, electronic device and computer-readable storage medium
Katsenou et al. Efficient bitrate ladder construction for content-optimized adaptive video streaming
US20230050250A1 (en) Method and apparatus for encoding video, and storage medium
CN113132757B (zh) 数据处理方法和装置
CN113382242A (zh) 码率控制方法、装置、设备及计算机可读存储介质
CN111539948B (zh) 视频质量评估的方法、装置、电子设备及存储介质
WO2022000298A1 (en) Reinforcement learning based rate control
CN113382258B (zh) 视频编码方法、装置、设备和介质
CN112291559B (zh) 视频编码方法、装置、设备和介质
WO2022096503A1 (en) Rate control machine learning models with feedback control for video encoding
CN114245127A (zh) 一种云桌面编码器的参数调整方法、装置、设备及介质
CN114065904A (zh) 神经网络模型量化方法以及装置
CN113099216B (zh) 编码复杂度评估方法、装置、设备以及存储介质
CN112291560B (zh) 视频编码方法、装置、设备和介质
US20240007639A1 (en) Video Frame Processing Method, Training Method, Device, and Storage Medium
KR20230148252A (ko) 강화 학습을 통한 전송률 제어 신경망 트레이닝
CN117834879A (zh) 视频编码方法、装置、电子设备及存储介质
KR20230143429A (ko) 영상 세그먼트 단위의 최적 인코딩 프리셋을 이용한 동영상 인코딩 최적화 방법 및 시스템
CN112149829A (zh) 确定网络模型剪枝策略的方法、装置、设备以及存储介质

Legal Events

Date Code Title Description
PB01 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
TR01 Transfer of patent right

Effective date of registration: 20240108

Address after: 100176 601, 6th floor, building 2, No. 18, Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing

Patentee after: Jingdong Technology Information Technology Co.,Ltd.

Address before: 100176 room 1004, 10th floor, building 1, 18 Kechuang 11th Street, economic and Technological Development Zone, Daxing District, Beijing

Patentee before: Beijing Huijun Technology Co.,Ltd.

TR01 Transfer of patent right