CN113766313A - 视频数据处理方法及装置、电子设备和存储介质 - Google Patents
视频数据处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113766313A CN113766313A CN202111204872.6A CN202111204872A CN113766313A CN 113766313 A CN113766313 A CN 113766313A CN 202111204872 A CN202111204872 A CN 202111204872A CN 113766313 A CN113766313 A CN 113766313A
- Authority
- CN
- China
- Prior art keywords
- video
- frames
- data
- obtaining
- data 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
Links
- 238000003672 processing method Methods 0.000 title abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 173
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000003780 insertion Methods 0.000 claims abstract description 13
- 230000037431 insertion Effects 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 20
- 230000003287 optical effect Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs
- H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video 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]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/85—Assembly of content; Generation of multimedia applications
- H04N21/854—Content authoring
- H04N21/8547—Content authoring involving timestamps for synchronizing content
Abstract
本公开涉及一种视频数据处理方法及装置、电子设备和存储介质,其中,所述方法包括:获得第一帧率的第一视频数据流;根据第一视频数据流中连续两帧视频数据中间时刻的时间,得到连续两帧视频数据间所有事件的运动数据;利用视频插帧处理网络,对第一视频数据流和运动数据进行处理:对从第一视频数据流中获得的每两帧连续视频图像数据,以及从运动数据中获得的对应每两帧连续视频图像数据的多个事件图像数据分别进行特征提取,得到特征提取结果以及对应的卷积核;根据卷积核进行卷积处理并求和,得到中间帧数据;插入中间帧数据后得到第二帧率的第二视频数据流;第二帧率大于第一帧率。采用本公开,可以方便快捷的得到高帧率的视频数据流。
Description
本申请是在2019年02月26日提交中国专利局、申请号为201910142793.3、申请名称为“视频数据处理方法及装置、电子设备和存储介质”的中国专利申请的分案申请。
技术领域
本公开涉及计算机视觉技术领域,尤其涉及一种视频数据处理方法及装置、电子设备和存储介质。
背景技术
高帧率视频生产问题是计算机视觉领域的基本问题。高帧率视频在许多应用场景中有着重要的应用价值。例如,快速运动场景动作的识别与分析、高帧率的视频播放软件、短视频应用中的超慢动作播放,专业体育运动员技术细节分析等,在这些应用场景中都直接依赖于高帧率的视频数据流,目前可以通过专业高帧率相机来实现。使用专业高帧率相机不仅成本高且操作不便捷,如何方便快捷的得到高帧率的视频数据流,是要解决的问题。
发明内容
本公开提出了一种视频数据处理技术方案。
根据本公开的一方面,提供了一种视频数据处理方法,包括:
获得第一帧率的第一视频数据流;
获得所述第一视频数据流中连续两帧视频数据中间时刻的时间,根据所述时间得到连续两帧视频数据间所有事件的运动数据;
根据所述第一视频数据流和所述运动数据,得到第二帧率的第二视频数据流;
所述第二帧率大于所述第一帧率;
其中,所述根据所述第一视频数据流和所述运动数据,得到第二帧率的第二视频数据流,包括:
将所述第一视频数据流和所述运动数据输入视频插帧处理网络;
通过所述视频插帧处理网络对所述第一视频数据流和所述运动数据进行处理,输出得到第二帧率的第二视频数据流;
所述第一视频数据流由第一视频图像序列构成,所述运动数据由事件图像序列构成的情况下,所述通过所述视频插帧处理网络对所述第一视频数据流和所述运动数据进行处理,输出得到第二帧率的第二视频数据流,包括:
从所述第一视频图像序列中获得每两帧连续视频图像数据;
从所述事件图像序列中,获得对应所述每两帧连续视频图像数据的多个事件图像数据;
对所述每两帧连续视频图像数据和所述多个事件图像数据分别进行特征提取,得到特征提取结果;
根据所述特征提取结果对应的卷积核;
根据所述卷积核对所述每两帧连续视频图像数据分别进行卷积处理并求和,得到插入所述每两帧连续视频图像数据的中间帧数据;
在所述每两帧连续视频图像数据的中间时刻插入所述中间帧数据后,由所述每两帧连续视频图像数据和所述中间帧数据构成新的视频流,将所述新的视频流确定为所述第二视频数据流。
本公开一可能实现方式中,所述获得所述第一视频数据流中连续两帧视频数据中间时刻的时间,包括:
从所述第一视频数据流中解析出连续两帧视频图像及所述两帧视频图像分别对应的时间戳;
根据所述两帧视频图像分别对应的时间戳,得到所述时间。
本公开一可能实现方式中,所述根据所述时间得到连续两帧视频数据间所有事件的运动数据,包括:
获得在所述时间对应运动场景中运动光流的光强度变化情况;
根据所述光强度变化情况得到对应事件的运动数据,记录所有事件的运动数据。
本公开一可能实现方式中,所述运动数据包括:事件发生时的时间、事件发生时的位置、和/或事件发生时的属性;
所述事件发生时的属性,用于表征在所述两帧视频图像的中间时刻图像中像素亮度增加或像素亮度减小的属性。
本公开一可能实现方式中,所述根据所述第一视频数据流和所述运动数据,得到第二帧率的第二视频数据流,包括:
从所述第一视频数据流中的多帧视频图像中,得到每两帧连续视频图像;
从所述运动数据中的多个事件图像中,得到所述每两帧连续视频图像中间时刻的对应事件图像;
根据所述每两帧连续视频图像和对应事件图像,得到每两帧视频图像中间时刻的相对运动状态;
根据所述每两帧视频图像中间时刻的相对运动状态,对所述每两帧视频图像进行中间帧的视频插帧处理,得到所述第二视频数据流。
本公开一可能实现方式中,所述根据所述每两帧视频图像中间时刻的相对运动状态,对所述每两帧视频图像进行中间帧的视频插帧处理,得到所述第二视频数据流,包括:
根据所述每两帧视频图像中间时刻的相对运动状态,对所述每两帧视频图像进行卷积并求和,得到插入所述每两帧视频图像中间时刻的中间帧图像。
本公开一可能实现方式中,所述方法还包括:
在所述每两帧视频图像的中间时刻插入所述中间帧图像后,由所述每两帧视频图像和所述中间帧图像构成新的视频流,将所述新的视频流确定为所述第二视频数据流。
本公开一可能实现方式中,所述根据所述特征提取结果得到对应的卷积核,包括:
根据所述特征提取结果,得到所述连续两帧的视频图像数据中间时刻的相对运动状态,将所述相对运动状态以每个像素对应一个卷积核的形式进行保存,得到多个卷积核。
本公开一可能实现方式中,所述根据所述卷积核对所述连续两帧的视频图像数据分别进行卷积处理并求和,得到插入所述连续两帧的视频图像数据的中间帧数据,包括:
所述连续两帧的视频图像数据为第一视频图像数据和第二视频图像数据情况下,将第一卷积核对所述第一视频图像数据进行卷积处理,得到第一处理结果,将第二卷积核对所述第二视频图像数据进行卷积处理,得到第二处理结果;
对所述第一处理结果和所述第二处理结果进行求和处理,得到所述中间帧数据。
本公开一可能实现方式中,所述多个事件图像数据,为基于所述视频图像数据中间时刻的视频帧数量划分规则得到。
根据本公开的一方面,提供了一种视频数据处理装置,所述装置包括:
第一数据流获得模块,用于获得第一帧率的第一视频数据流;
运动数据获得模块,用于获得所述第一视频数据流中连续两帧视频数据中间时刻的时间,根据所述时间得到连续两帧视频数据间所有事件的运动数据;
第二数据流获得模块,用于根据所述第一视频数据流和所述运动数据,得到第二帧率的第二视频数据流;
所述第二帧率大于所述第一帧率;
其中,所述第二数据流获得模块,包括:
第一处理子模块,用于将所述第一视频数据流和所述运动数据输入视频插帧处理网络;
第二处理子模块,用于通过所述视频插帧处理网络对所述第一视频数据流和所述运动数据进行处理,输出得到第二帧率的第二视频数据流;
所述第一视频数据流由第一视频图像序列构成,所述运动数据由事件图像序列构成的情况下,所述第二处理子模块,包括:
第一图像数据获得单元,用于从所述第一视频图像序列中获得每两帧连续视频图像数据;
第二图像数据获得单元,用于从所述事件图像序列中,获得对应所述每两帧连续视频图像数据的多个事件图像数据;
特征提取单元,用于对所述每两帧连续视频图像数据和所述多个事件图像数据分别进行特征提取,得到特征提取结果;
卷积获得单元,用于根据所述特征提取结果得到对应的卷积核;
卷积处理单元,用于根据所述卷积核对所述每两帧连续视频图像数据分别进行卷积处理并求和,得到插入所述每两帧连续视频图像数据的中间帧数据;
新数据流处理单元,用于在所述每两帧视频图像数据的中间时刻插入所述中间帧数据后,由所述每两帧视频图像数据和所述中间帧数据构成新的视频流,将所述新的视频流确定为所述第二视频数据流。
本公开一可能实现方式中,所述运动数据获得模块,进一步用于:
从所述第一视频数据流中解析出连续两帧视频图像及所述两帧视频图像分别对应的时间戳;
根据所述两帧视频图像分别对应的时间戳,得到所述时间。
本公开一可能实现方式中,所述运动数据获得模块,进一步用于:
获得在所述时间对应运动场景中运动光流的光强度变化情况;
根据所述光强度变化情况得到对应事件的运动数据,记录所有事件的运动数据。
本公开一可能实现方式中,所述运动数据包括:事件发生时的时间、事件发生时的位置、和/或事件发生时的属性;
所述事件发生时的属性,用于表征在所述两帧视频图像的中间时刻图像中像素亮度增加或像素亮度减小的属性。
本公开一可能实现方式中,所述第二数据流获得模块,包括:
第一获得子模块,用于从所述第一视频数据流中的多帧视频图像中,得到每两帧连续视频图像;
第二获得子模块,用于从所述运动数据中的多个事件图像中,得到所述每两帧连续视频图像中间时刻的对应事件图像;
第三获得子模块,用于根据所述每两帧连续视频图像和对应事件图像,得到每两帧视频图像中间时刻的相对运动状态;
插帧处理子模块,用于根据所述每两帧视频图像中间时刻的相对运动状态,对所述每两帧视频图像进行中间帧的视频插帧处理,得到所述第二视频数据流。
本公开一可能实现方式中,所述插帧处理子模块,进一步用于:
根据所述每两帧视频图像中间时刻的相对运动状态,对所述每两帧视频图像进行卷积并求和,得到插入所述每两帧视频图像中间时刻的中间帧图像。
本公开一可能实现方式中,所述装置还包括:
新数据流处理模块,用于在所述每两帧视频图像的中间时刻插入所述中间帧图像后,由所述每两帧视频图像和所述中间帧图像构成新的视频流,将所述新的视频流确定为所述第二视频数据流。
本公开一可能实现方式中,所述卷积获得单元,进一步用于:
根据所述特征提取结果,得到所述连续两帧的视频图像数据中间时刻的相对运动状态,将所述相对运动状态以每个像素对应一个卷积核的形式进行保存,得到多个卷积核。
本公开一可能实现方式中,所述卷积处理单元,进一步用于:
所述连续两帧的视频图像数据为第一视频图像数据和第二视频图像数据情况下,将第一卷积核对所述第一视频图像数据进行卷积处理,得到第一处理结果,将第二卷积核对所述第二视频图像数据进行卷积处理,得到第二处理结果;
对所述第一处理结果和所述第二处理结果进行求和处理,得到所述中间帧数据。
本公开一可能实现方式中,所述多个事件图像数据,为基于所述视频图像数据中间时刻的视频帧数量划分规则得到。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述视频数据处理方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述视频数据处理方法。
在本公开实施例中,获得第一帧率的第一视频数据流;获得所述第一视频数据流中连续两帧视频数据中间时刻的时间,根据所述时间得到连续两帧视频数据间所有事件的运动数据;根据所述第一视频数据流和所述运动数据,得到第二帧率的第二视频数据流;所述第二帧率大于所述第一帧率;所述根据所述第一视频数据流和所述运动数据,得到第二帧率的第二视频数据流,包括:将所述第一视频数据流和所述运动数据输入视频插帧处理网络;通过所述视频插帧处理网络对所述第一视频数据流和所述运动数据进行处理,输出得到第二帧率的第二视频数据流;所述第一视频数据流由第一视频图像序列构成,所述运动数据由事件图像序列构成的情况下,所述通过所述视频插帧处理网络对所述第一视频数据流和所述运动数据进行处理,输出得到第二帧率的第二视频数据流,包括:从所述第一视频图像序列中获得每两帧连续视频图像数据;从所述事件图像序列中,获得对应所述每两帧连续视频图像数据的多个事件图像数据;对所述每两帧连续视频图像数据和所述多个事件图像数据分别进行特征提取,得到特征提取结果;根据所述特征提取结果对应的卷积核;根据所述卷积核对所述每两帧连续视频图像数据分别进行卷积处理并求和,得到插入所述每两帧连续视频图像数据的中间帧数据;在所述每两帧连续视频图像数据的中间时刻插入所述中间帧数据后,由所述每两帧连续视频图像数据和所述中间帧数据构成新的视频流,将所述新的视频流确定为所述第二视频数据流。采用本公开,通过第一视频数据流(低帧率视频数据流)中连续两帧视频数据中间时刻的时间,可以得到连续两帧视频数据间所有事件的运动数据,根据第一视频数据流(低帧率视频数据流)和该运动数据,利用视频插帧处理网络,可以得到第二帧率的第二视频数据流(高帧率视频数据流),从而,可以方便快捷的得到高帧率的视频数据流,而不需要使用专业高帧率相机,降低了成本,且操作便捷。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的视频数据处理方法的流程图。
图2示出根据本公开实施例的视频数据处理方法的流程图。
图3示出根据本公开实施例的视频数据处理方法的流程图。
图4示出根据本公开实施例视频处理方法一网络结构的示意图。
图5示出根据本公开实施例的视频数据处理装置的框图。
图6示出根据本公开实施例的视频数据处理装置的框图。
图7示出根据本公开实施例的电子设备的框图。
图8示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
在快速运动场景动作的识别与分析、高帧率的视频播放软件、短视频应用中的超慢动作播放,专业体育运动员技术细节分析等应用场景中,对于视频图像的采集精确度,依赖于是否能得到高帧率的视频数据。而对于如何获取高帧率的视频数据,可以通过专业的高帧率相机直接采集得到,或者通过专业的高帧率相机间接地从低帧率视频数据中得到,比如,对低帧率视频数据通过插帧的方法生成高帧率的视频数据。但是,专业的高帧率相机存在硬件成本高,功耗高的缺点,因此,如何方便快捷地从低帧率视频数据中进行视频插帧,以生成高帧率的视频数据非常重要。
在卷积神经网络技术的发展驱动下,视频插帧的相关技术得到了快速发展。基于卷积神经网络的视频插帧方法从技术实现角度上讲主要分为两个步骤:首先从低帧率视频数据中分析出运动光流,然后利用两帧视频数据中的运动光流,通过某种插值方法去把中间帧计算出来。而视频插帧的质量基本上取决于估计的运动光流的质量。但是,在快速运动场景中,相关技术中的运动光流估计算法很难做到非常好,具体来说,基于卷积神经网络的视频插帧方法,由于低帧率输入视频数据中,连续两帧视频数据之间的运动状态可能存在多种情况,特别是对于快速运动场景,低帧率视频数据中连续两帧的运动估计存在很大的挑战,很难准确地估计出连续两帧视频数据之间的运动状态,一种方式:完全基于输入的低帧率的图像序列来估计运动光流,只能估计出两个时间点之间的线性运动光流,因此对于非线性运动过程,很难做到高质量地视频插帧效果。另一种方式:对于快速运动物体,由于低帧率视频数据在采集过程中存在长曝光时间的原因,视频数据中存在着运动模糊导致不清楚的问题,而基于运动模糊的视频数据,很难高质量地估计出运动物体的真实运动状态,从而影响到最后的视频插帧效果,也就是说,这些插帧处理都无法方便快捷地生成高帧率的视频数据。
本公开在算法层面结合应用层(事件相机)共同完成视频插帧处理。其中,事件相机可以在快速运动场景中更全面的采集到低帧率普通相机两帧之间的所有运动数据,从而,可以在一定程度减少了预测运动光流的不确定性,提高了插帧的准确度,最终提高了图像合成的精度。对于事件相机(传感器的事件相机)而言,通过事件相机可以辅助在快速运行场景下实现更高质量的视频插帧效果。事件相机不同于传统的感光相机,事件相机可以通过固定时间来进行光强累积,以生成视频数据(如视频图像数据),将其用于插帧处理,得更精准的插帧效果。而对于插帧处理,可以根据低帧率视频数据流和事件相机采集到的两帧视频数据中间时刻运动数据,得到高帧率视频数据流。由于该高帧率的视频数据流需要依靠插帧处理来得到,在插帧处理越精准的情况下,视频数据流的帧率越高。
图1示出根据本公开实施例的视频数据处理方法的流程图,该视频数据处理方法应用于视频数据处理装置,例如,视频数据处理装置可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(UE,User Equipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA,Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该视频数据处理可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示,该流程包括:
步骤S101、获得第一帧率的第一视频数据流。
该第一帧率的第一视频数据流可以为低帧率视频数据流。帧率是称为帧的位图图像连续出现在显示器上的频率(或速率)。例如,每秒有多少帧,帧是影像动画中最小单位的单幅影像画面,一帧就是一副静止的画面,连续的帧就形成动画,如电视图象等。帧数越高,画面越流畅。
一个示例中,视频数据流中视频数据,可以采用视频帧的形式存在,从而构成一个连续的视频帧序列。
步骤S102、获得第一视频数据流中连续两帧视频数据中间时刻的时间,根据时间得到连续两帧视频数据间所有事件的运动数据。
一个示例中,可以通过事件相机采集数据,即根据连续两帧视频数据中间时刻的时间所采集的数据,得到所有事件的运动数据。
步骤S103、根据第一视频数据流和运动数据,得到第二帧率的第二视频数据流,第二帧率大于第一帧率。
第二帧率的第二视频数据流可以为高帧率视频数据流。帧数越高,画面越流畅。
一个示例中,根据连续两帧的视频图像(如基于低帧率视频图像序列),以及该两帧视频图像之间的事件相机的数据(如对应场景的运动数据),得到两帧视频图像中间时刻的生成图像(如中间时刻对应的图像),该图像基本上就包含了两帧视频图像之间的所有事件的运动数据,将其作为中间帧,进行插帧处理,得到高帧率视频数据流。
采用本公开,算法层面(插帧处理)结合应用层(事件相机)共同完成视频插帧。可以通过第一视频数据流(低帧率视频数据流)中连续两帧视频数据中间时刻的时间,可以得到连续两帧视频数据间所有事件的运动数据,根据第一视频数据流(低帧率视频数据流)和该运动数据可以得到第二帧率的第二视频数据流(高帧率视频数据流),从而,可以方便快捷的得到高帧率的视频数据流,而不需要使用专业高帧率相机,降低了成本,且操作便捷。
本公开一可能实现方式中,获得第一视频数据流中连续两帧视频数据中间时刻的时间,包括:从第一视频数据流中解析出连续两帧视频图像及所述两帧视频图像分别对应的时间戳,根据两帧视频图像分别对应的时间戳,得到连续两帧视频数据中间时刻的时间。
本公开一可能实现方式中,根据时间得到连续两帧视频数据间所有事件的运动数据,包括:获得在时间对应运动场景中运动光流的光强度变化情况,根据该光强度变化情况得到对应事件的运动数据,记录所有事件的运动数据。其中,该运动数据包括:事件发生时的时间、事件发生时的位置、和/或事件发生时的属性。
由于当物体在运动时,它在图像上对应像素点的亮度模式也在运动,基于这个原理得到的运动光流算法,可以对运动图像进行图像分析。光流表达了图像的变化,由于它包含了图像上目标对象运动的信息,因此,可用来确定目标对象的运动情况。对于本公开的一可能实现方式中,对于事件发生时的属性而言,用于表征在所述两帧视频图像的中间时刻图像中像素亮度增加或像素亮度减小的属性。
一个示例中,连续两帧视频图像可以为第一视频图像和第二视频图像,分别对应的时间戳为第一时间戳和第二时间戳,则可以根据第一时间戳和第二时间戳,得到该连续两帧视频数据中间时刻的时间。获得在该时间对应运动场景中的光强度变化情况,根据该光强度变化情况得到对应事件的运动数据。采集与不同光强度变化情况对应的不同事件的运动数据,将采集得到的多个事件的运动数据记录下来,得到所有事件的运动数据。其中,该运动数据包括:事件发生时的时间、事件发生时的位置、和/或事件发生时的属性。对于事件发生时的属性而言,该事件发生时的属性用于表征在所述两帧视频图像的中间时刻图像中像素亮度增加或像素亮度减小的属性。
上述过程可以采用事件相机来采集得到,事件相机不同于传统的感光相机,在技术实现上,该事件相机是通过固定的时间进行光强累积以生成图像。事件相机只采集场景中那些光的强度发生一定变化的事件,可以异步地记录下该事件发生时的时间、该事件发生时的位置和该事件发生时的属性信息(如像素亮度增加或像素亮度减小的属性)。该事件相机具备超高时间分辨率,功耗低且可以在很亮或者很暗的场景中仍然可以发挥正常的工作优势。通过事件相机的超高时间分辨率优势,可以弥补传统低帧率相机的缺点,也不需要通过专业的高帧率相机来提高视频图像的分辨率,仍然可以达到高清分辨率。同时,结合本公开基于运动光流算法的插帧处理,可以根据普通的低帧视频图像得到高帧或者超高帧的视频图像,适用于快速运动场景动作的识别与分析、高帧率的视频播放软件、短视频应用中的超慢动作播放,专业体育运动员技术细节分析等应用场景。
图2示出根据本公开实施例的视频数据处理方法的流程图,该视频数据处理方法应用于视频数据处理装置,例如,视频数据处理装置可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(UE,User Equipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA,Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该视频数据处理可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图2所示,该流程包括:
步骤S201、获得第一帧率的第一视频数据流。
该第一帧率的第一视频数据流可以为低帧率视频数据流。帧率是称为帧的位图图像连续出现在显示器上的频率(或速率)。帧数越高,画面越流畅。
步骤S202、获得所述第一视频数据流中连续两帧视频数据中间时刻的时间,根据所述时间得到连续两帧视频数据间所有事件的运动数据。
一个示例中,可以通过事件相机采集数据,即根据连续两帧视频数据中间时刻的时间所采集的数据,得到所有事件的运动数据(或称为运动数据或事件运动数据)。
步骤S203、从第一视频数据流中的多帧视频图像中,得到每两帧连续视频图像。
步骤S204、从运动数据中的多个事件图像中,得到每两帧连续视频图像中间时刻的对应事件图像。
步骤S205、根据每两帧连续视频图像和对应事件图像,得到每两帧视频图像中间时刻的相对运动状态。
一个示例中,从连续两帧图像以及两帧之间的事件数据中,估计该时间段内的运动过程,并且生成相当于两帧图像的中间时刻的相对运动状态。
步骤S206、根据所述每两帧视频图像中间时刻的相对运动状态,对每两帧视频图像进行中间帧的视频插帧处理,得到第二视频数据流。
一个示例中,利用中间时刻的相对运动状态,对输入的两帧图像进行卷积并求和,就可以得到最终的插帧的图像。
通过上述步骤S203-步骤S206,可以实现根据第一视频数据流和运动数据,得到第二帧率的第二视频数据流,且第二帧率大于第一帧率,可以为高帧率视频数据流。帧数越高,画面越流畅。
本公开一可能实现方式中,根据每两帧视频图像中间时刻的相对运动状态,对每两帧视频图像进行中间帧的视频插帧处理,得到所述第二视频数据流,包括:根据每两帧视频图像中间时刻的相对运动状态,对所述每两帧视频图像进行卷积并求和,得到插入所述每两帧视频图像中间时刻的中间帧图像(最终的插帧图像)。
本公开一可能实现方式中,该视频数据处理方法还包括:在每两帧视频图像的中间时刻插入该中间帧图像后,由每两帧视频图像和中间帧图像构成新的视频流,将该新的视频流确定为第二视频数据流。
图3示出根据本公开实施例的视频数据处理方法的流程图,该视频数据处理方法应用于视频数据处理装置,例如,视频数据处理装置可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(UE,User Equipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA,Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该视频数据处理可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图3所示,根据第一视频数据流和运动数据,得到第二帧率的第二视频数据流,包括:
步骤S301、将第一视频数据流和运动数据输入视频插帧处理网络。
步骤S302、通过视频插帧处理网络对第一视频数据流和运动数据进行处理,输出得到第二帧率的第二视频数据流。
一个示例中,视频插帧处理网络为全连接网络结构,将该低帧率的视频数据和该对应场景的事件数据输入该全连接网络结构中,实现视频数据的插帧处理,得到高精度的视频数据流。
经过上述步骤S301-S302,将第一视频数据流(低帧率的视频数据)和通过事件相机采集该对应场景的事件数据输入该全连接网络结构中,实现视频数据的插帧处理,得到的第二视频数据流为高精度的视频数据流(高帧率的视频数据)。实现了从低帧率视频数据流,通过精准的插帧处理,最终得到高帧率的视频数据流。
本公开不限制该全连接网络的具体结构,只要以连续两帧视频图像和该时间段内的事件数据为输入的全连接网络结构,用于实现高精度的视频插帧的任意网络,都在本公开的保护范围之内。其中,事件相机可以在快速运动场景中更全面的采集到低帧率普通相机两帧视频图像之间的所有运动数据,基于运动数据从两帧真实图像合成中间帧图像,由于在一定程度减少了预测运动光流的不确定性,因此提高了中间帧图像的图像合成精度,可以实现更真实的图像合成效果。
本公开一可能实现方式中,第一视频数据流由第一视频图像序列构成,运动数据由事件图像序列构成的情况下,通过视频插帧处理网络对第一视频数据流和运动数据进行处理,输出得到第二帧率的第二视频数据流,包括:从第一视频图像序列中获得连续两帧的视频图像数据,从事件图像序列中,获得对应连续两帧的视频图像数据的多个事件图像数据。对连续两帧的视频图像数据和多个事件图像数据分别进行特征提取,得到特征提取结果。根据特征提取结果得到对应的卷积核,根据该卷积核对该连续两帧的视频图像数据分别进行卷积处理并求和,得到插入该连续两帧的视频图像数据的中间帧数据。其中,该多个事件图像数据,为基于视频图像数据中间时刻的视频帧数量划分规则得到。一个示例中,网络输入中的事件相机的运动数据是按着两帧视频图像之间的时间(由两帧视频图像中间间隔构成的时间),按照6份时间段平均划分,然后累积生成6帧的事件图像数据。这6帧事件图像数据基本上就包含了两帧视频图像之间的所有运动数据。
本公开一可能实现方式中,根据特征提取结果得到对应的卷积核,包括:根据特征提取结果,得到连续两帧的视频图像数据中间时刻的相对运动状态,将所述相对运动状态以每个像素对应一个卷积核的形式进行保存,得到多个卷积核。
本公开一可能实现方式中,根据卷积核对所述连续两帧的视频图像数据分别进行卷积处理并求和,得到插入连续两帧的视频图像数据的中间帧数据,包括:连续两帧的视频图像数据为第一视频图像数据和第二视频图像数据情况下,将第一卷积核对第一视频图像数据进行卷积处理,得到第一处理结果,将第二卷积核对第二视频图像数据进行卷积处理,得到第二处理结果。对第一处理结果和第二处理结果进行求和处理,得到中间帧数据(中间帧图像)。
一个示例中,在图像生成阶段里,利用代表相对运动状态的卷积核,采用如下公式(1)对输入的两帧图像分别进行卷积并求和,得到最终的生成图像。其中,表示在连续两帧视频图像中所插入的中间帧数据;Pk(x,y)和Rk+2(x,y)表示连续两帧的视频图像数据,Pk(x,y)为第一帧图像数据,Pk+2(x,y)为第二帧图像数据;K1(x,y)表示对应第一帧图像数据的卷积核,K2(x,y)表示对应第二帧图像数据的卷积核。
一个示例中,采用事件相机作为辅助设备,同时采集低帧率的视频数据和对应场景的事件数据。搭建以连续两帧视频图像,和该两帧视频图像中间时刻时间段内的所有事件的运动数据为输入数据的视频插帧处理网络,该网络可以为全连接网络结构。通过全连接网络结构对该输入数据的处理来实现高精度的视频插帧。该网络由如下两部分组成:
第一部分:从第一视频数据流得到任意连续两帧图像以及两帧之间所有事件的运动数据中,估计该两帧视频图像中间时刻时间段内的运动过程。可以根据该两帧视频图像中间时刻时间段内的运动过程,生成相当于两帧视频图像的中间时刻的相对运动状态。
第二部分:根据两帧视频图像的中间时刻的相对运动状态,对输入的两帧视频图像进行卷积并求和,就可以得到最终的插帧的图像,按照这种卷积求和的视频插帧方式,对每两帧连续视频图像的中间时刻插入对应的中间帧,插入中间帧后,由每两帧连续视频图像和在其中间时刻插入对应的中间帧构成新的视频流,即第二视频数据流。
采用本示例,第一视频数据流可以为低帧率视频图像序列,通过事件相机可以采集对应场景的所有事件的运动数据,利用两帧连续的视频图像以及两帧视频图像直接的全部运动数据来估计出中间时刻的运动数据,然后利用该运动数据来进行中间帧图像的生成,以完成高帧率视频的插帧任务。
采用本公开来实现高帧率视频的插帧任务,可应用于智能视频动作分析。以运动场景中的运动目标进行高精度的慢动作视频重建,比如运动员的动作姿势,通过估计的超慢动作视频,可以进一步分析该动作是否标准。还可以应用于高帧率视频源的生成。由于相关技术中的超高帧率相机存在着设备成本高、功耗高的问题,特别是在移动终端上,很难普及超高帧率相机芯片。而事件相机有着超低功耗的优点,因此,在现有低帧率相机基础上加上低功耗的事件相机,利用本公开就可以实现高精度、高帧率的视频生成及采集。
应用示例:
如图4所示为根据本公开实施例视频处理方法一网络结构的示意图,如图4所示,基于该网络结构和事件相机所采集的运动数据,对本公开的视频处理(视频插帧处理)流程描述如下:
输入:连续两帧的图像,以及两帧图像之间的事件相机的运动数据。
输出:两帧中间时刻的生成图像,即中间帧图像。
1、基于事件相机的视频插帧算法网络结构是一种全连接网络结构,主要包含编码模块(Encoder)、解码模块(Decoder)和图像合成模块,通过这三个模块来生成高质量的中间时刻对应的中间帧图像。其中,编码是将一组字符转换为一个字节序列的过程。解码是一个反向操作过程,即将一个编码字节序列转换为一组字符。
2、网络输入中的事件相机的运动数据是按着两帧图像之间的时间,按照6份时间段平均划分,然后累积生成6帧的事件图像,这样这6帧事件图像基本上就包含了两帧图像之间的所有运动数据。
3、通过Encoder模块和Decoder模块对输入的两帧图像以及两帧图像之间事件的运动数据进行特征提取并分析,最终可以准确地估计出两帧图像中间时刻的运动状态,而且这个相对运动状态以每个像素对应一个卷积核的形式保存下来。
4、在图像生成阶段里,利用上面估计出来的代表相对运动状态的卷积核,对输入的两帧图像分别进行卷积并求和,得到最终的生成图像。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了视频数据处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种视频数据处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图5示出根据本公开实施例的视频数据处理装置的框图,如图5所示,本公开实施例的视频数据处理装置,包括:第一数据流获得模块21,用于获得第一帧率的第一视频数据流。运动数据获得模块22,用于获得所述第一视频数据流中连续两帧视频数据中间时刻的时间,根据所述时间得到连续两帧视频数据间所有事件的运动数据。第二数据流获得模块23,用于根据所述第一视频数据流和所述运动数据,得到第二帧率的第二视频数据流,所述第二帧率大于所述第一帧率。
本公开一可能实现方式中,所述运动数据获得模块,进一步用于:从所述第一视频数据流中解析出连续两帧视频图像及所述两帧视频图像分别对应的时间戳。根据所述两帧视频图像分别对应的时间戳,得到所述时间。
本公开一可能实现方式中,所述运动数据获得模块,进一步用于:获得在所述时间对应运动场景中运动光流的光强度变化情况。根据所述光强度变化情况得到对应事件的运动数据,记录所有事件的运动数据。
本公开一可能实现方式中,所述运动数据包括:事件发生时的时间、事件发生时的位置、和/或事件发生时的属性。其中,所述事件发生时的属性,用于表征在所述两帧视频图像的中间时刻图像中像素亮度增加或像素亮度减小的属性。
图6示出根据本公开实施例的视频数据处理装置的框图,如图6所示,本公开实施例的视频数据处理装置,包括:第一数据流获得模块21,用于获得第一帧率的第一视频数据流。运动数据获得模块22,用于获得所述第一视频数据流中连续两帧视频数据中间时刻的时间,根据所述时间得到连续两帧视频数据间所有事件的运动数据。第二数据流获得模块23,用于根据所述第一视频数据流和所述运动数据,得到第二帧率的第二视频数据流,所述第二帧率大于所述第一帧率。其中,第二数据流获得模块23,包括:第一获得子模块231,用于从所述第一视频数据流中的多帧视频图像中,得到每两帧连续视频图像。第二获得子模块232,用于从所述运动数据中的多个事件图像中,得到所述每两帧连续视频图像中间时刻的对应事件图像。第三获得子模块233,用于根据所述每两帧连续视频图像和对应事件图像,得到每两帧视频图像中间时刻的相对运动状态。插帧处理子模块234,用于根据所述每两帧视频图像中间时刻的相对运动状态,对所述每两帧视频图像进行中间帧的视频插帧处理,得到所述第二视频数据流。
本公开一可能实现方式中,所述插帧处理子模块,进一步用于:根据所述每两帧视频图像中间时刻的相对运动状态,对所述每两帧视频图像进行卷积并求和,得到插入所述每两帧视频图像中间时刻的中间帧图像。
本公开一可能实现方式中,所述装置还包括:新数据流处理模块,用于在所述每两帧视频图像的中间时刻插入所述中间帧图像后,由所述每两帧视频图像和所述中间帧图像构成新的视频流,将所述新的视频流确定为所述第二视频数据流。
本公开一可能实现方式中,所述第二数据流获得模块,包括:第一处理子模块,用于将所述第一视频数据流和所述运动数据输入视频插帧处理网络。第二处理子模块,用于通过所述视频插帧处理网络对所述第一视频数据流和所述运动数据进行处理,输出得到第二帧率的第二视频数据流。
本公开一可能实现方式中,所述第一视频数据流由第一视频图像序列构成,所述运动数据由事件图像序列构成的情况下,所述第二处理子模块,包括:第一图像数据获得单元,用于从所述第一视频图像序列中获得连续两帧的视频图像数据。第二图像数据获得单元,用于从所述事件图像序列中,获得对应所述连续两帧的视频图像数据的多个事件图像数据。特征提取单元,用于对所述连续两帧的视频图像数据和所述多个事件图像数据分别进行特征提取,得到特征提取结果。卷积获得单元,用于根据所述特征提取结果得到对应的卷积核。卷积处理单元,用于根据所述卷积核对所述连续两帧的视频图像数据分别进行卷积处理并求和,得到插入所述连续两帧的视频图像数据的中间帧数据。其中,所述多个事件图像数据,为基于所述视频图像数据中间时刻的视频帧数量划分规则得到。
本公开一可能实现方式中,所述卷积获得单元,进一步用于:根据所述特征提取结果,得到所述连续两帧的视频图像数据中间时刻的相对运动状态,将所述相对运动状态以每个像素对应一个卷积核的形式进行保存,得到多个卷积核。
本公开一可能实现方式中,所述卷积处理单元,进一步用于:连续两帧的视频图像数据为第一视频图像数据和第二视频图像数据情况下,将第一卷积核对第一视频图像数据进行卷积处理,得到第一处理结果,将第二卷积核对第二视频图像数据进行卷积处理,得到第二处理结果。对第一处理结果和第二处理结果进行求和处理,得到中间帧数据。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图7,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8是根据一示例性实施例示出的一种电子设备900的框图。例如,电子设备900可以被提供为一服务器。参照图8,电子设备900包括处理组件922,其进一步包括一个或多个处理器,以及由存储器932所代表的存储器资源,用于存储可由处理组件922的执行的指令,例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件922被配置为执行指令,以执行上述方法。
电子设备900还可以包括一个电源组件926被配置为执行电子设备900的电源管理,一个有线或无线网络接口950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口958。电子设备900可以操作基于存储在存储器932的操作系统,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器932,上述计算机程序指令可由电子设备900的处理组件922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (22)
1.一种视频数据处理方法,其特征在于,包括:
获得第一帧率的第一视频数据流;
获得所述第一视频数据流中连续两帧视频数据中间时刻的时间,根据所述时间得到连续两帧视频数据间所有事件的运动数据;
根据所述第一视频数据流和所述运动数据,得到第二帧率的第二视频数据流;
所述第二帧率大于所述第一帧率;
其中,所述根据所述第一视频数据流和所述运动数据,得到第二帧率的第二视频数据流,包括:
将所述第一视频数据流和所述运动数据输入视频插帧处理网络;
通过所述视频插帧处理网络对所述第一视频数据流和所述运动数据进行处理,输出得到第二帧率的第二视频数据流;
所述第一视频数据流由第一视频图像序列构成,所述运动数据由事件图像序列构成的情况下,所述通过所述视频插帧处理网络对所述第一视频数据流和所述运动数据进行处理,输出得到第二帧率的第二视频数据流,包括:
从所述第一视频图像序列中获得每两帧连续视频图像数据;
从所述事件图像序列中,获得对应所述每两帧连续视频图像数据的多个事件图像数据;
对所述每两帧连续视频图像数据和所述多个事件图像数据分别进行特征提取,得到特征提取结果;
根据所述特征提取结果对应的卷积核;
根据所述卷积核对所述每两帧连续视频图像数据分别进行卷积处理并求和,得到插入所述每两帧连续视频图像数据的中间帧数据;
在所述每两帧连续视频图像数据的中间时刻插入所述中间帧数据后,由所述每两帧连续视频图像数据和所述中间帧数据构成新的视频流,将所述新的视频流确定为所述第二视频数据流。
2.根据权利要求1所述的方法,其特征在于,所述获得所述第一视频数据流中连续两帧视频数据中间时刻的时间,包括:
从所述第一视频数据流中解析出连续两帧视频图像及所述两帧视频图像分别对应的时间戳;
根据所述两帧视频图像分别对应的时间戳,得到所述时间。
3.根据权利要求1所述的方法,其特征在于,所述根据所述时间得到连续两帧视频数据间所有事件的运动数据,包括:
获得在所述时间对应运动场景中运动光流的光强度变化情况;
根据所述光强度变化情况得到对应事件的运动数据,记录所有事件的运动数据。
4.根据权利要求3所述的方法,其特征在于,所述运动数据包括:事件发生时的时间、事件发生时的位置、和/或事件发生时的属性;
所述事件发生时的属性,用于表征在所述两帧视频图像的中间时刻图像中像素亮度增加或像素亮度减小的属性。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述根据所述第一视频数据流和所述运动数据,得到第二帧率的第二视频数据流,包括:
从所述第一视频数据流中的多帧视频图像中,得到每两帧连续视频图像;
从所述运动数据中的多个事件图像中,得到所述每两帧连续视频图像中间时刻的对应事件图像;
根据所述每两帧连续视频图像和对应事件图像,得到每两帧视频图像中间时刻的相对运动状态;
根据所述每两帧视频图像中间时刻的相对运动状态,对所述每两帧视频图像进行中间帧的视频插帧处理,得到所述第二视频数据流。
6.根据权利要求5所述的方法,其特征在于,所述根据所述每两帧视频图像中间时刻的相对运动状态,对所述每两帧视频图像进行中间帧的视频插帧处理,得到所述第二视频数据流,包括:
根据所述每两帧视频图像中间时刻的相对运动状态,对所述每两帧视频图像进行卷积并求和,得到插入所述每两帧视频图像中间时刻的中间帧图像。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
在所述每两帧视频图像的中间时刻插入所述中间帧图像后,由所述每两帧视频图像和所述中间帧图像构成新的视频流,将所述新的视频流确定为所述第二视频数据流。
8.根据权利要求1至7中任意一项所述的方法,其特征在于,所述根据所述特征提取结果得到对应的卷积核,包括:
根据所述特征提取结果,得到所述连续两帧的视频图像数据中间时刻的相对运动状态,将所述相对运动状态以每个像素对应一个卷积核的形式进行保存,得到多个卷积核。
9.根据权利要求8所述的方法,其特征在于,所述根据所述卷积核对所述连续两帧的视频图像数据分别进行卷积处理并求和,得到插入所述连续两帧的视频图像数据的中间帧数据,包括:
所述连续两帧的视频图像数据为第一视频图像数据和第二视频图像数据情况下,将第一卷积核对所述第一视频图像数据进行卷积处理,得到第一处理结果,将第二卷积核对所述第二视频图像数据进行卷积处理,得到第二处理结果;
对所述第一处理结果和所述第二处理结果进行求和处理,得到所述中间帧数据。
10.根据权利要求1至9中任一项所述的方法,其特征在于,所述多个事件图像数据,为基于所述视频图像数据中间时刻的视频帧数量划分规则得到。
11.一种视频数据处理装置,其特征在于,所述装置包括:
第一数据流获得模块,用于获得第一帧率的第一视频数据流;
运动数据获得模块,用于获得所述第一视频数据流中连续两帧视频数据中间时刻的时间,根据所述时间得到连续两帧视频数据间所有事件的运动数据;
第二数据流获得模块,用于根据所述第一视频数据流和所述运动数据,得到第二帧率的第二视频数据流;
所述第二帧率大于所述第一帧率;
其中,所述第二数据流获得模块,包括:
第一处理子模块,用于将所述第一视频数据流和所述运动数据输入视频插帧处理网络;
第二处理子模块,用于通过所述视频插帧处理网络对所述第一视频数据流和所述运动数据进行处理,输出得到第二帧率的第二视频数据流;
所述第一视频数据流由第一视频图像序列构成,所述运动数据由事件图像序列构成的情况下,所述第二处理子模块,包括:
第一图像数据获得单元,用于从所述第一视频图像序列中获得每两帧连续视频图像数据;
第二图像数据获得单元,用于从所述事件图像序列中,获得对应所述每两帧连续视频图像数据的多个事件图像数据;
特征提取单元,用于对所述每两帧连续视频图像数据和所述多个事件图像数据分别进行特征提取,得到特征提取结果;
卷积获得单元,用于根据所述特征提取结果得到对应的卷积核;
卷积处理单元,用于根据所述卷积核对所述每两帧连续视频图像数据分别进行卷积处理并求和,得到插入所述每两帧连续视频图像数据的中间帧数据;
新数据流处理单元,用于在所述每两帧视频图像数据的中间时刻插入所述中间帧数据后,由所述每两帧视频图像数据和所述中间帧数据构成新的视频流,将所述新的视频流确定为所述第二视频数据流。
12.根据权利要求11所述的装置,其特征在于,所述运动数据获得模块,进一步用于:
从所述第一视频数据流中解析出连续两帧视频图像及所述两帧视频图像分别对应的时间戳;
根据所述两帧视频图像分别对应的时间戳,得到所述时间。
13.根据权利要求11所述的装置,其特征在于,所述运动数据获得模块,进一步用于:
获得在所述时间对应运动场景中运动光流的光强度变化情况;
根据所述光强度变化情况得到对应事件的运动数据,记录所有事件的运动数据。
14.根据权利要求13所述的装置,其特征在于,所述运动数据包括:事件发生时的时间、事件发生时的位置、和/或事件发生时的属性;
所述事件发生时的属性,用于表征在所述两帧视频图像的中间时刻图像中像素亮度增加或像素亮度减小的属性。
15.根据权利要求11至14中任一项所述的装置,其特征在于,所述第二数据流获得模块,包括:
第一获得子模块,用于从所述第一视频数据流中的多帧视频图像中,得到每两帧连续视频图像;
第二获得子模块,用于从所述运动数据中的多个事件图像中,得到所述每两帧连续视频图像中间时刻的对应事件图像;
第三获得子模块,用于根据所述每两帧连续视频图像和对应事件图像,得到每两帧视频图像中间时刻的相对运动状态;
插帧处理子模块,用于根据所述每两帧视频图像中间时刻的相对运动状态,对所述每两帧视频图像进行中间帧的视频插帧处理,得到所述第二视频数据流。
16.根据权利要求15所述的装置,其特征在于,所述插帧处理子模块,进一步用于:
根据所述每两帧视频图像中间时刻的相对运动状态,对所述每两帧视频图像进行卷积并求和,得到插入所述每两帧视频图像中间时刻的中间帧图像。
17.根据权利要求16所述的装置,其特征在于,所述装置还包括:
新数据流处理模块,用于在所述每两帧视频图像的中间时刻插入所述中间帧图像后,由所述每两帧视频图像和所述中间帧图像构成新的视频流,将所述新的视频流确定为所述第二视频数据流。
18.根据权利要求11至17中任意一项所述的装置,其特征在于,所述卷积获得单元,进一步用于:
根据所述特征提取结果,得到所述连续两帧的视频图像数据中间时刻的相对运动状态,将所述相对运动状态以每个像素对应一个卷积核的形式进行保存,得到多个卷积核。
19.根据权利要求18所述的装置,其特征在于,所述卷积处理单元,进一步用于:
所述连续两帧的视频图像数据为第一视频图像数据和第二视频图像数据情况下,将第一卷积核对所述第一视频图像数据进行卷积处理,得到第一处理结果,将第二卷积核对所述第二视频图像数据进行卷积处理,得到第二处理结果;
对所述第一处理结果和所述第二处理结果进行求和处理,得到所述中间帧数据。
20.根据权利要求11至19中任一项所述的装置,其特征在于,所述多个事件图像数据,为基于所述视频图像数据中间时刻的视频帧数量划分规则得到。
21.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至10中任意一项所述的方法。
22.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至10中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111204872.6A CN113766313B (zh) | 2019-02-26 | 2019-02-26 | 视频数据处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910142793.3A CN109922372B (zh) | 2019-02-26 | 2019-02-26 | 视频数据处理方法及装置、电子设备和存储介质 |
CN202111204872.6A CN113766313B (zh) | 2019-02-26 | 2019-02-26 | 视频数据处理方法及装置、电子设备和存储介质 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910142793.3A Division CN109922372B (zh) | 2019-02-26 | 2019-02-26 | 视频数据处理方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113766313A true CN113766313A (zh) | 2021-12-07 |
CN113766313B CN113766313B (zh) | 2024-03-05 |
Family
ID=66962369
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111204872.6A Active CN113766313B (zh) | 2019-02-26 | 2019-02-26 | 视频数据处理方法及装置、电子设备和存储介质 |
CN201910142793.3A Active CN109922372B (zh) | 2019-02-26 | 2019-02-26 | 视频数据处理方法及装置、电子设备和存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910142793.3A Active CN109922372B (zh) | 2019-02-26 | 2019-02-26 | 视频数据处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113766313B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023050723A1 (zh) * | 2021-09-29 | 2023-04-06 | 深圳市慧鲤科技有限公司 | 视频插帧方法、装置、电子设备、存储介质、程序及程序产品 |
WO2024021057A1 (en) * | 2022-07-29 | 2024-02-01 | Qualcomm Incorporated | Dynamic image sensor configuration for improved image stabilization in an image capture device |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110267098B (zh) * | 2019-06-28 | 2022-05-20 | 连尚(新昌)网络科技有限公司 | 一种视频处理方法及终端 |
CN110636221A (zh) * | 2019-09-23 | 2019-12-31 | 天津天地人和企业管理咨询有限公司 | 一种基于FPGA的sensor超帧率的系统及方法 |
CN110798630B (zh) * | 2019-10-30 | 2020-12-29 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111147787B (zh) * | 2019-12-27 | 2021-05-04 | Oppo广东移动通信有限公司 | 插帧处理方法及相关设备 |
CN112333397B (zh) * | 2020-03-26 | 2022-05-13 | 华为技术有限公司 | 图像处理方法和电子设备 |
CN111445414B (zh) * | 2020-03-27 | 2023-04-14 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111586321B (zh) * | 2020-05-08 | 2023-05-12 | Oppo广东移动通信有限公司 | 视频生成方法、装置、电子设备和计算机可读存储介质 |
CN113784014B (zh) * | 2020-06-04 | 2023-04-07 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置及设备 |
CN112911191B (zh) * | 2021-01-28 | 2023-03-24 | 联想(北京)有限公司 | 一种视频通话质量调整方法、装置、电子设备和存储介质 |
CN115580737A (zh) * | 2021-06-21 | 2023-01-06 | 华为技术有限公司 | 用于视频插帧的方法、装置及设备 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1961338A (zh) * | 2004-04-09 | 2007-05-09 | 索尼株式会社 | 图像处理设备和方法、记录介质以及程序 |
CN101145327A (zh) * | 2006-09-15 | 2008-03-19 | 株式会社半导体能源研究所 | 显示设备及其驱动方法 |
US20080231745A1 (en) * | 2007-03-19 | 2008-09-25 | Masahiro Ogino | Video Processing Apparatus and Video Display Apparatus |
US20100128169A1 (en) * | 2008-11-26 | 2010-05-27 | Samsung Electronics Co., Ltd. | Frame rate conversion apparatus and method for ultra definition image |
GB201320277D0 (en) * | 2013-11-18 | 2014-01-01 | Nokia Corp | Method apparatus and computer program product for capturing images |
US20140254951A1 (en) * | 2013-03-06 | 2014-09-11 | Thomson Licensing | Deblurring of an image from a sequence of images |
US20140294320A1 (en) * | 2013-03-29 | 2014-10-02 | Anil Kokaram | Pull frame interpolation |
CN106331723A (zh) * | 2016-08-18 | 2017-01-11 | 上海交通大学 | 一种基于运动区域分割的视频帧率上变换方法及系统 |
CN106686472A (zh) * | 2016-12-29 | 2017-05-17 | 华中科技大学 | 一种基于深度学习的高帧率视频生成方法及系统 |
CN106911930A (zh) * | 2017-03-03 | 2017-06-30 | 深圳市唯特视科技有限公司 | 一种基于递归卷积神经网络进行压缩感知视频重建的方法 |
US20180098082A1 (en) * | 2016-09-30 | 2018-04-05 | Intel Corporation | Motion estimation using hybrid video imaging system |
US20180098062A1 (en) * | 2016-09-30 | 2018-04-05 | Qualcomm Incorporated | Frame rate up-conversion coding mode |
CN108028902A (zh) * | 2015-07-16 | 2018-05-11 | 博拉斯特运动有限公司 | 集成传感器和视频运动分析方法 |
US20180275242A1 (en) * | 2017-03-24 | 2018-09-27 | Samsung Electronics Co., Ltd. | System and method for synchronizing tracking points |
CN108961318A (zh) * | 2018-05-04 | 2018-12-07 | 上海芯仑光电科技有限公司 | 一种数据处理方法及计算设备 |
CN108985443A (zh) * | 2018-07-04 | 2018-12-11 | 北京旷视科技有限公司 | 动作识别方法及其神经网络生成方法、装置和电子设备 |
CN109068174A (zh) * | 2018-09-12 | 2018-12-21 | 上海交通大学 | 基于循环卷积神经网络的视频帧率上变换方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4869049B2 (ja) * | 2006-12-08 | 2012-02-01 | 株式会社東芝 | 補間フレーム画像作成方法および補間フレーム画像作成装置 |
JP2012095048A (ja) * | 2010-10-26 | 2012-05-17 | Mitsubishi Electric Corp | 画像処理装置、画像処理方法、画像表示装置、及び画像表示方法 |
KR101738995B1 (ko) * | 2013-08-19 | 2017-05-23 | 젠텍스 코포레이션 | 에고 모션 검출을 구비한 촬상 시스템 및 방법 |
CN103871076B (zh) * | 2014-02-27 | 2017-07-28 | 西安电子科技大学 | 基于光流法和超像素分割的运动目标提取方法 |
CN104978750B (zh) * | 2014-04-04 | 2018-02-06 | 诺基亚技术有限公司 | 用于处理视频文件的方法和装置 |
US10198660B2 (en) * | 2016-01-27 | 2019-02-05 | Samsung Electronics Co. Ltd. | Method and apparatus for event sampling of dynamic vision sensor on image formation |
CN108040217B (zh) * | 2017-12-20 | 2020-01-24 | 深圳岚锋创视网络科技有限公司 | 一种视频解码的方法、装置及相机 |
CN108184165B (zh) * | 2017-12-28 | 2020-08-07 | Oppo广东移动通信有限公司 | 视频播放方法、电子装置和计算机可读存储介质 |
CN108182670B (zh) * | 2018-01-15 | 2020-11-10 | 清华大学 | 一种事件图像的分辨率增强方法及系统 |
-
2019
- 2019-02-26 CN CN202111204872.6A patent/CN113766313B/zh active Active
- 2019-02-26 CN CN201910142793.3A patent/CN109922372B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1961338A (zh) * | 2004-04-09 | 2007-05-09 | 索尼株式会社 | 图像处理设备和方法、记录介质以及程序 |
CN101145327A (zh) * | 2006-09-15 | 2008-03-19 | 株式会社半导体能源研究所 | 显示设备及其驱动方法 |
US20080231745A1 (en) * | 2007-03-19 | 2008-09-25 | Masahiro Ogino | Video Processing Apparatus and Video Display Apparatus |
US20100128169A1 (en) * | 2008-11-26 | 2010-05-27 | Samsung Electronics Co., Ltd. | Frame rate conversion apparatus and method for ultra definition image |
US20140254951A1 (en) * | 2013-03-06 | 2014-09-11 | Thomson Licensing | Deblurring of an image from a sequence of images |
US20140294320A1 (en) * | 2013-03-29 | 2014-10-02 | Anil Kokaram | Pull frame interpolation |
GB201320277D0 (en) * | 2013-11-18 | 2014-01-01 | Nokia Corp | Method apparatus and computer program product for capturing images |
CN108028902A (zh) * | 2015-07-16 | 2018-05-11 | 博拉斯特运动有限公司 | 集成传感器和视频运动分析方法 |
CN106331723A (zh) * | 2016-08-18 | 2017-01-11 | 上海交通大学 | 一种基于运动区域分割的视频帧率上变换方法及系统 |
US20180098082A1 (en) * | 2016-09-30 | 2018-04-05 | Intel Corporation | Motion estimation using hybrid video imaging system |
US20180098062A1 (en) * | 2016-09-30 | 2018-04-05 | Qualcomm Incorporated | Frame rate up-conversion coding mode |
CN106686472A (zh) * | 2016-12-29 | 2017-05-17 | 华中科技大学 | 一种基于深度学习的高帧率视频生成方法及系统 |
CN106911930A (zh) * | 2017-03-03 | 2017-06-30 | 深圳市唯特视科技有限公司 | 一种基于递归卷积神经网络进行压缩感知视频重建的方法 |
US20180275242A1 (en) * | 2017-03-24 | 2018-09-27 | Samsung Electronics Co., Ltd. | System and method for synchronizing tracking points |
CN108961318A (zh) * | 2018-05-04 | 2018-12-07 | 上海芯仑光电科技有限公司 | 一种数据处理方法及计算设备 |
CN108985443A (zh) * | 2018-07-04 | 2018-12-11 | 北京旷视科技有限公司 | 动作识别方法及其神经网络生成方法、装置和电子设备 |
CN109068174A (zh) * | 2018-09-12 | 2018-12-21 | 上海交通大学 | 基于循环卷积神经网络的视频帧率上变换方法及系统 |
Non-Patent Citations (4)
Title |
---|
SANGCHUL KIM; DOOHEE OH; JONGHO NANG: "A new path based interpolation using object motion for frame rate up conversion", 2015 IEEE 5TH INTERNATIONAL CONFERENCE ON CONSUMER ELECTRONICS - BERLIN (ICCE-BERLIN), pages 1 - 5 * |
侯敬轩;赵耀;林春雨;刘美琴;白慧慧;: "基于卷积网络的帧率提升算法研究", 计算机应用研究, no. 02 * |
李珂等: "基于运动连续性的帧率上变换算法", 《电视技术》, pages 1 - 5 * |
邓慧萍;喻莉;钟刚;王超;熊玮;: "基于运动矢量处理的帧率上转换算法", 中国图象图形学报, no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023050723A1 (zh) * | 2021-09-29 | 2023-04-06 | 深圳市慧鲤科技有限公司 | 视频插帧方法、装置、电子设备、存储介质、程序及程序产品 |
WO2024021057A1 (en) * | 2022-07-29 | 2024-02-01 | Qualcomm Incorporated | Dynamic image sensor configuration for improved image stabilization in an image capture device |
Also Published As
Publication number | Publication date |
---|---|
CN109922372B (zh) | 2021-10-12 |
CN109922372A (zh) | 2019-06-21 |
CN113766313B (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109922372B (zh) | 视频数据处理方法及装置、电子设备和存储介质 | |
US20210326587A1 (en) | Human face and hand association detecting method and a device, and storage medium | |
CN110287874B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN109257645B (zh) | 视频封面生成方法及装置 | |
CN107944409B (zh) | 能够区分关键动作的视频分析方法及装置 | |
CN110798630B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110060215B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109118430B (zh) | 超分辨率图像重建方法及装置、电子设备及存储介质 | |
CN111340731B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111445414B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109784164B (zh) | 前景识别方法、装置、电子设备及存储介质 | |
US20220188982A1 (en) | Image reconstruction method and device, electronic device, and storage medium | |
CN112785672A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111583142A (zh) | 图像降噪方法及装置、电子设备和存储介质 | |
CN114202562A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN115512116B (zh) | 图像分割模型优化方法、装置、电子设备及可读存储介质 | |
CN109068138B (zh) | 视频图像的处理方法及装置、电子设备和存储介质 | |
CN110121115B (zh) | 精彩视频片段的确定方法及装置 | |
CN113506324B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113506325B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110858921A (zh) | 节目视频的处理方法及装置 | |
CN110896492B (zh) | 图像处理方法、装置及存储介质 | |
CN110019928B (zh) | 视频标题的优化方法及装置 | |
CN113506229B (zh) | 神经网络训练和图像生成方法及装置 | |
CN111369438B (zh) | 图像处理方法及装置、电子设备和存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40063944 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |