CN114979799A - 一种全景视频处理方法、装置、设备和存储介质 - Google Patents
一种全景视频处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114979799A CN114979799A CN202210555225.8A CN202210555225A CN114979799A CN 114979799 A CN114979799 A CN 114979799A CN 202210555225 A CN202210555225 A CN 202210555225A CN 114979799 A CN114979799 A CN 114979799A
- Authority
- CN
- China
- Prior art keywords
- fragment
- target
- information
- downloading
- downloaded
- 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 claims abstract description 33
- 239000012634 fragment Substances 0.000 claims abstract description 330
- 230000006870 function Effects 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000002787 reinforcement Effects 0.000 claims abstract description 34
- 230000000007 visual effect Effects 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000009471 action Effects 0.000 claims description 44
- 239000000523 sample Substances 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 31
- 239000000872 buffer Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 239000012723 sample buffer Substances 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 abstract description 5
- 230000015654 memory Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 239000003795 chemical substances by application Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000005192 partition Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 206010010904 Convulsion Diseases 0.000 description 1
- 208000003028 Stuttering Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000012464 large buffer Substances 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
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/27—Server based end-user applications
- H04N21/274—Storing end-user multimedia data in response to end-user request, e.g. network recorder
-
- 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 or rendering scenes according to encoded video stream scene graphs
-
- 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
- H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
- H04N21/845—Structuring of content, e.g. decomposing content into time segments
- H04N21/8456—Structuring of content, e.g. decomposing content into time segments by decomposing the content in the time domain, e.g. in time segments
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本公开实施例提供了一种全景视频处理方法、装置、设备和存储介质。该方法包括:获取目标全景视频中的当前已播放分片对应的分片下载信息;将分片下载信息输入至预设决策网络模型中,预设决策网络模型是预先基于目标奖励函数进行强化学习获得的,目标奖励函数是基于分片播放卡顿信息和分片视角预测准确度进行构建的;基于预设决策网络模型的输出,获得当前待下载分片对应的目标缓存区大小和目标码率,并基于目标缓存区大小和目标码率,对当前待下载分片进行下载。通过本公开实施例的技术方案,可以动态调整缓存长度,从而动态平衡卡顿风险与视角预测准确度,在保证不发生卡顿的情况下提高视角预测准确度,进而提升用户观看体验。
Description
技术领域
本公开实施例涉及计算机技术,尤其涉及一种全景视频处理方法、装置、设备和存储介质。
背景技术
随着计算机技术的快速发展,可以拍摄360度全方位的全景视频。播放器在播放全景视频时用户可以切换观看视角,从而观看不同视角下的视频画面。由于全景视频的视频数据量较大,从而需要一种合适的缓存下载方式,以降低播放卡顿风险,保证观看流畅度。
发明内容
本公开提供一种全景视频处理方法、装置、设备和存储介质,以动态调整缓存长度,从而动态平衡卡顿风险与视角预测准确度,在保证不发生卡顿的情况下提高视角预测准确度,进而提升用户观看体验。
第一方面,本公开实施例提供了一种全景视频处理方法,包括:
获取目标全景视频中的当前已播放分片对应的分片下载信息;
将所述分片下载信息输入至预设决策网络模型中,所述预设决策网络模型是预先基于目标奖励函数进行强化学习获得的,所述目标奖励函数是基于分片播放卡顿信息和分片视角预测准确度进行构建的;
基于所述预设决策网络模型的输出,获得当前待下载分片对应的目标缓存区大小和目标码率,并基于所述目标缓存区大小和所述目标码率,对当前待下载分片进行下载。
第二方面,本公开实施例还提供了一种全景视频处理装置,包括:
分片下载信息获取模块,用于获取目标全景视频中的当前已播放分片对应的分片下载信息;
分片下载信息输入模块,用于将所述分片下载信息输入至预设决策网络模型中,所述预设决策网络模型是预先基于目标奖励函数进行强化学习获得的,所述目标奖励函数是基于分片播放卡顿信息和分片视角预测准确度进行构建的;
分片下载模块,用于基于所述预设决策网络模型的输出,获得当前待下载分片对应的目标缓存区大小和目标码率,并基于所述目标缓存区大小和所述目标码率,对当前待下载分片进行下载。
第三方面,本公开实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本公开实施例任一所述的全景视频处理方法。
第四方面,本公开实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的全景视频处理方法。
本公开实施例,通过预先基于分片播放卡顿信息和分片视角预测准确度进行构建获得目标奖励函数,并基于目标奖励函数进行强化学习获得预设决策网络模型,该预设决策网络模型可以针对不同的环境状态信息决策出最优的动作信息,以便在保证不发生卡顿的情况下,最大化视角预测准确度。在目标全景视频的播放过程中,通过获取当前已播放分片对应的分片下载信息,并将分片下载信息作为当前环境状态信息输入至预设决策网络模型中进行动作决策,从而基于预设决策网络模型的输出,可以获得决策出的当前最优动作信息,即当前待下载分片对应的目标缓存区大小和目标码率,并基于目标缓存区大小和目标码率,对当前待下载分片进行下载,从而基于目标缓存区大小和目标码率可以有效控制当前待下载分片下载时的缓存长度,进而在目标全景视频的下载过程中,可以基于预设决策网络模型实时动态地调整播放器的缓存长度,从而动态平衡卡顿风险与视角预测准确度,在保证不发生卡顿的情况下提高视角预测准确度,进而提升用户观看体验。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是本公开实施例所提供的一种全景视频处理方法流程示意图;
图2是本公开实施例所提供的另一种全景视频处理方法流程示意图;
图3是本公开实施例所涉及的一种预设决策网络模型的强化学习过程的示例;
图4是本公开实施例所提供的一种全景视频处理装置的结构示意图;
图5是本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
播放器通常需要缓存一定长度的视频数据,以降低播放卡顿风险,保证观看流畅度。同时,播放器也可以对用户未来的观看视角进行预测,从而可以仅请求下载该视角下的视频流,减少传输带宽。然而,播放器的缓存长度越长,虽然可以更加有效降低卡顿风险,但也会导致视角预测准确度越低,从而存在卡顿风险与视角预测准确度相互冲突的情况。针对于此,本公开实施例提供了一种可以有效平衡卡顿风险与视角预测准确度的方式。
图1为本公开实施例所提供的一种全景视频处理方法的流程示意图,本公开实施例适用于对全景视频进行分片下载播放的情况,该方法可以由全景视频处理装置来执行,该装置可以通过软件和/或硬件的形式实现,可选的,通过电子设备来实现,该电子设备可以是移动终端、PC端或服务器等。
如图1所示,全景视频处理方法具体包括以下步骤:
S110、获取目标全景视频中的当前已播放分片对应的分片下载信息。
其中,目标全景视频可以是指当前待下载播放的全景视频,也就是用户当前想要观看的全景视频。本实施例中的全景视频可以是但不限于VR(Virtual Reality)全景视频。目标全景视频可以是以视频分片的方式进行下载和播放的,也就是说,目标全景视频包括多个视频分片,通过逐个依次下载并播放各个视频分片,完成目标全景视频的下载和播放操作。当前已播放分片可以是指播放器当前时刻已经播放完成的视频分片。本实施例中的当前已播放分片可以是一个或多个。
其中,当前已播放分片对应的分片下载信息可以是指在下载当前已播放分片过程中的下载信息。示例性地,分片下载信息可以包括但不限于:当前已播放分片对应的分片下载带宽信息、分片码率信息、分片开始下载时的播放器缓存长度和分片视角预测准确度中的至少一个。其中,分片下载带宽信息可以是指在下载当前已播放分片的过程中的网络带宽信息(即下载速度信息),比如平均网络带宽(即平均下载速度)等。分片码率信息可以是指下载的当前已播放分片所对应的视频码率。分片开始下载时的播放器缓存长度可以是指在下载当前已播放分片时播放器当前缓存的视频长度。分片视角预测准确度可以是指下载当前已播放分片前所预测的视角的准确度,该准确度是基于当前已播放分片对应的分片预测视角和分片实际播放视角之间的视角偏差进行确定的。例如,视角偏差越小,当前已播放分片对应的分片视角预测准确度越大。需要说明的是,在分片被下载前会预测出需要下载的分片预测视角,在分片被播放时可以获得最终用户想要播放的分片实际视角,从而需要在分片被播放后基于该分片对应的分片预测视角和分片实际视角确定出分片视角预测准确度,无法在下载分片时获得分片视角预测准确度,从而存在分片视角预测准确度的延后获取。
具体地,播放器在需要播放目标全景视频时,可以响应于目标全景视频中的每个视频分片的下载操作,获取当前已播放分片对应的分片下载信息,以便在下载每个视频分片时触发一次本实施例中的下载操作,从而可以实时有效地控制每个视频分片下载过程中的播放器缓存长度,进而在目标全景视频的整个播放过程中可以动态平衡卡顿风险与视角预测准确度,在保证不发生卡顿的情况下尽可能地提高视角预测准确度。
在每次下载操作触发后,可以实时获得目标全景视频中的当前已播放的每个分片对应的分片下载信息,比如获取每个分片对应的分片下载带宽信息、分片码率信息、分片开始下载时的播放器缓存长度和分片视角预测准确度,以便后续基于这些信息可以更加有效地控制缓存长度。需要说明的是,在下载目标全景视频中的第一个视频分片时,当前不存在已播放的视频分片,此时可以获取的分片下载信息为空信息。
S120、将分片下载信息输入至预设决策网络模型中,预设决策网络模型是预先基于目标奖励函数进行强化学习获得的,目标奖励函数是基于分片播放卡顿信息和分片视角预测准确度进行构建的。
其中,强化学习可以由智能体(Agent)、环境(Environment)、状态(State)、动作(Action)和奖励(Reward)组成。智能体执行了某个动作后,环境将会转换到一个新的状态,对于该新的状态环境会给出奖励信息(正奖励或者负奖励),然后智能体根据新的状态和环境反馈的奖励信息,按照一定的策略执行新的动作。智能体通过强化学习,可以知道自己在什么状态下,应该采取什么样的动作使得自身获得最大奖励。本实施例中的预设决策网络模型可以是通过强化学习获得的智能体。分片下载信息可以是指当前环境状态信息。目标奖励函数可以是用于确定预设决策网络模型采取某个动作信息后获得的奖励值。分片播放卡顿信息可以是指在下载当前待下载分片的过程中播放器出现的卡顿信息。分片视角预测准确度可以是指当前待下载分片对应的视角预测准确度。本实施例可以通过对分片播放卡顿信息和分片视角预测准确度进行加权求和的方式构建出目标奖励函数,其中,分片播放卡顿信息与奖励值为负相关,分片视角预测准确度与奖励值均为正相关,此时可以将分片播放卡顿信息对应的权重设置为负值,分片视角预测准确度对应的权重设置为正值。
示例性地,预设决策网络模型的网络架构可以包括但不限于:长短期记忆网络LSTM(Long Short-Term Memory)、残差网络ResNet、深度神经网络DNN(Deep NeuralNetworks)、卷积神经网络CNN(Convolutional Neural Network)或者全连接网络FC(FullyConnection)中的至少一种。
具体地,可以基于预设强化学习方式,比如基于策略的强化学习方式或者基于价值的强化学习方式,利用目标奖励函数对待训练的预设决策网络模型进行强化学习,最大化全景视频下载过程中的奖励值,从而可以在保证不发生卡顿的情况下尽可能地提高视角预测准确度。本实施例可以利用强化学习后获得的预设决策网络模型对目标全景视频中的每个待下载视频分片进行动作决策,以保证不发生卡顿的情况下最大化视角预测准确度。具体地,可以将当前已播放分片对应的分片下载信息作为当前环境状态信息输入至预设决策网络模型中进行动作决策,以使预设决策网络模型在当前环境状态下输出需要采取的最优动作信息。
S130、基于预设决策网络模型的输出,获得当前待下载分片对应的目标缓存区大小和目标码率,并基于目标缓存区大小和目标码率,对当前待下载分片进行下载。
其中,目标缓存区大小可以用于限制当前待下载分片在下载过程中的最大缓存长度。例如,目标缓存区大小为2秒时,表明在下载当前待下载分片的过程中播放器最大只能缓存2秒的视频长度。目标码率可以是指当前待下载分片对应的视频码率。本实施例可以将待下载分片对应的缓存区大小和码率作为强化学习过程中的智能体采取的动作信息,即预设决策网络模型需要输出的动作信息。需要说明的是,针对目标全景视频中的每个视频分片而言,服务器中可以存储有不同视角和不同码率下的视频分片。
具体地,预设决策网络模型在当前环境状态(即当前已播放分片对应的分片下载信息组成的状态)下,将决策出的最优动作信息进行输出,从而可以获得当前待下载分片对应的目标缓存区大小和目标码率,并可以基于预测出的视角,下载该预测视角下的目标码率对应的当前待下载分片,从而基于目标码率可以控制视频数据的传输速度,并在下载该分片的过程中控制播放器的缓存数据量不能超过目标缓存区大小,从而限制了下载过程中的最大缓存长度,进而可以实时动态地调整播放器的缓存长度,避免因缓存长度过小而导致出现播放卡顿的情况,同时也避免因缓存长度过大而导致视角预测准确度降低的情况,从而在目标全景视频的整个下载过程中可以动态平衡卡顿风险与视角预测准确度。
本公开实施例的技术方案,通过预先基于分片播放卡顿信息和分片视角预测准确度进行构建获得目标奖励函数,并基于目标奖励函数进行强化学习获得预设决策网络模型,该预设决策网络模型可以针对不同的环境状态信息决策出最优的动作信息,以便在保证不发生卡顿的情况下,最大化视角预测准确度。在目标全景视频的播放过程中,通过获取当前已播放分片对应的分片下载信息,并将分片下载信息作为当前环境状态信息输入至预设决策网络模型中进行动作决策,从而基于预设决策网络模型的输出,可以获得决策出的当前最优动作信息,即当前待下载分片对应的目标缓存区大小和目标码率,并基于目标缓存区大小和目标码率,对当前待下载分片进行下载,从而基于目标缓存区大小和目标码率可以有效控制当前待下载分片下载时的缓存长度,进而在目标全景视频的下载过程中,可以基于预设决策网络模型实时动态地调整播放器的缓存长度,从而动态平衡卡顿风险与视角预测准确度,在保证不发生卡顿的情况下提高视角预测准确度,进而提升用户观看体验。
在上述技术方案的基础上,S110可以包括:若目标全景视频中的当前已播放分片的数量小于或等于预设分片数量,则获取当前已播放的各个已播放分片对应的各个分片下载信息;若目标全景视频中的当前已播放分片的数量大于预设分片数量,则获取距离当前最近的预设分片数量的已播放分片对应的各个分片下载信息。
其中,预设分片数量可以是预先设置的,需要获取的当前已播放分片的最大数量,其相当于一个时间窗口。具体地,在目标全景视频播放早期时,当前已播放分片的数量小于或等于预设分片数量,此时可以获取当前已播放的所有已播放分片对应的所有分片下载信息。在目标全景视频播放中期或后期时,当前已播放分片的数量大于预设分片数量,此时可以获取距离当前最近的预设分片数量的已播放分片对应的所有分片下载信息,例如,获取最近播放的4个分片对应的分片下载信息,从而可以保证获得的分片下载信息的有效性,进一步提高缓存控制的准确性。
在上述技术方案的基础上,S130可以包括:下载目标码率对应的当前待下载分片,并将下载的分片数据存储至播放器的预设缓存区中;基于目标缓存区大小,对下载的当前待下载分片进行缓存控制。
其中,预设缓存区可以是预先分配的,播放器中用于缓存视频数据的内存空间。具体地,播放器可以向服务器发送包含目标码率和预测视角的下载请求,以使服务器基于该下载请求,可以将该预测视角下的目标码率对应的当前待下载分片进行返回,从而播放器可以下载目标码率下的该分片,并在下载分片的过程中,实时检测播放器的预设缓存区的当前缓存长度或者当前大小,并基于目标缓存区大小,对下载的当前待下载分片进行缓存控制,从而可以动态调整播放器的缓存长度。
示例性地,基于目标缓存区大小,对下载的当前待下载分片进行缓存控制,可以包括:若预设缓存区的当前大小等于目标缓存区大小,且当前待下载分片还未下载完成,则停止当前待下载分片的下载操作;若预设缓存区的当前大小低于目标缓存区大小,则继续下载当前待下载分片。
具体地,在分片下载过程中,可以实时检测预设缓存区的当前大小是否等于目标缓存区大小,从而确定预设缓存区的当前缓存长度是否达到最大缓存长度。若当前大小等于目标缓存区大小并且当前待下载分片还未下载完成,则表明当前缓存长度达到最大缓存长度,无法继续缓存新的数据,此时可以停止当前待下载分片的下载操作。随着播放器播放预设缓存区中的视频数据,预设缓存区的大小随之减小,使得预设缓存区的当前大小再次低于目标缓存区大小,此时可以继续下载当前待下载分片,直到预设缓存区的当前大小再次等于目标缓存区大小或者当前待下载分片下载完成时为止。在分片下载过程中,若预设缓存区的当前大小始终小于目标缓存区大小,则可以持续下载当前待下载分片,直到下载完成。在当前待下载分片下载完成后,可以通过返回执行S110-S130的操作对下个待下载分片进行下载,直到目标全景视频中的所有视频分片下载完成为止。
图2为本公开实施例所提供的另一种全景视频处理方法的流程示意图,本公开实施例在上述公开实施例的基础上,对目标奖励函数的构建方式进行了详细描述。其中与上述各公开实施例相同或相应的术语的解释在此不再赘述。
如图2所示,全景视频处理方法具体包括以下步骤:
S210、基于分片播放卡顿信息、分片视角预测准确度和分片码率,构建目标奖励函数。
其中,分片播放卡顿信息可以包括:分片播放卡顿次数和分片播放卡顿时长。分片播放卡顿次数可以是指分片下载过程中出现的播放卡顿次数。分片播放卡顿时长可以是指分片下载过程中出现播放卡顿的时长,比如多次卡顿对应的平均卡顿时长或者卡顿总时长等。分片码率可以是指下载的分片对应的视频码率,也就是决策网络模型决策出的目标码率。
其中,分片播放卡顿信息与奖励值为负相关,分片视角预测准确度和分片码率均与奖励值为正相关。例如,在发生卡顿时,目标奖励函数的奖励值小于零(即为负奖励),并且卡顿越严重,比如卡顿次数越多或者卡顿时长越长,奖励值越小。在分片视角预测准确度和分片码率越高时,目标奖励函数的奖励值越大。
具体地,通过基于每个视频分片对应的分片播放卡顿信息、分片视角预测准确度和分片码率这些参数,可以更加准确地构建出一个目标奖励函数,并且该目标奖励函数可以随着卡顿越严重数值越小,且分片视角预测准确度和分片码率越高数值越大,从而利用该目标奖励函数可以更加准确地进行强化学习,尽可能地减少卡顿情况的发生,并且最大化视角预测的准确性,以便动态平衡卡顿风险与视角预测准确度。
示例性地,S210可以包括:对分片播放卡顿次数、分片播放卡顿时长、分片视角预测准确度和分片码率进行加权求和,构建出目标奖励函数;其中,分片播放卡顿次数和分片播放卡顿时长对应的权重均为负值,分片视角预测准确度和分片码率对应的权重均为正值。
具体地,可以通过对目标奖励函数中的各个参数的权重进行约束,并且基于加权求和的方式可以准确地构建出一个可实现强化学习目标(即尽可能地减少卡顿情况的发生,并且最大化视角预测的准确性)的目标奖励函数。
S220、基于样本全景视频和目标奖励函数进行强化学习,获得预设决策网络模型。
示例性地,预设决策网络模型的强化学习过程可以包括如下步骤S221-S224:
S221、将样本全景视频中的当前已播放分片对应的分片下载信息作为当前环境状态信息输入至待训练的预设决策网络模型中进行动作决策。
其中,样本全景视频可以是预先获取的用于强化学习的样本数据。可以基于与获取目标全景视频中的当前已播放分片对应的分片下载信息相同的方式,获取样本全景视频中的当前已播放分片对应的分片下载信息。图3给出了一种预设决策网络模型的强化学习过程的示例,如图3所示,可以获取样本全景视频中的当前已播放的最近4个分片中每个分片对应的分片下载信息,即分片码率信息、分片下载带宽信息、分片开始下载时的播放器缓存长度和分片视角预测准确度,并将这些信息作为当前环境状态信息输入至待训练的预设决策网络模型中进行动作决策。
S222、将基于待训练的预设决策网络模型输出的样本动作信息对样本全景视频中的当前待下载分片进行下载,其中,样本动作信息包括:样本缓存区大小和样本码率。
具体地,如图3所示,待训练的预设决策网络模型可以在当前环境状态下输出需要采取的样本动作信息,即当前待下载分片对应的样本缓存区大小和样本码率,并基于样本缓存区大小和样本码率,对样本全景视频中的当前待下载分片进行下载,并在下载过程中可以统计出分片播放卡顿信息。在当前待下载分片下载完成后,在播放该分片时可以基于播放的实际视角和预测视角确定出该分片对应的分片视角预测准确度。
S223、基于目标奖励函数,确定样本动作信息对应的目标奖励值。
具体地,针对样本全景视频中的当前待下载分片而言,可以基于目标奖励函数,根据该分片对应的分片播放卡顿信息、分片视角预测准确度和分片码率(即决策出的样本码率),确定出目标奖励函数对应的目标奖励值,即执行当次决策出的样本动作信息后获得的奖励大小。
S224、将基于目标奖励值,调整待训练的预设决策网络模型中的网络参数,直到满足预设收敛条件时训练结束,获得训练结束后的预设决策网络模型。
具体地,可以每隔预设决策次数,基于预设决策次数对应的目标奖励值总和,调整待训练的预设决策网络模型中的网络参数,使得样本全景视频的整个播放过程中的目标奖励值总和一步步增加,直到满足预设收敛条件为止。预设收敛条件可以是目标奖励值总和大于预设数值或者目标奖励值总和趋于不变等条件。例如,若目标奖励值小于零,则可以通过调整网络参数,降低当前输出的样本动作信息对应的概率或者价值。若目标奖励值大于零,则可以通过调整网络参数,增大当前输出的样本动作信息对应的概率或者价值。在满足预设收敛条件时,表明当前训练的决策网络模型已经可以决策出最优的动作信息,以尽可能地减少卡顿情况的发生,并且最大化视角预测的准确性,此时可以确定训练结束,将当前训练的决策网络模型作为预设决策网络模型。
S230、获取目标全景视频中的当前已播放分片对应的分片下载信息。
S240、将分片下载信息输入至预设决策网络模型中,预设决策网络模型是预先基于目标奖励函数进行强化学习获得的,目标奖励函数是基于分片播放卡顿信息和分片视角预测准确度进行构建的。
S250、基于预设决策网络模型的输出,获得当前待下载分片对应的目标缓存区大小和目标码率,并基于目标缓存区大小和目标码率,对当前待下载分片进行下载。
本公开实施例的技术方案,通过基于分片播放卡顿信息、分片视角预测准确度和分片码率这些参数,可以更加准确地构建出一个目标奖励函数,并且该目标奖励函数可以随着卡顿越严重数值越小,且分片视角预测准确度和分片码率越高数值越大,从而利用该目标奖励函数可以更加准确地进行强化学习,尽可能地减少卡顿情况的发生,并且最大化视角预测的准确性,以便更加有效地平衡卡顿风险与视角预测准确度。
图4为本公开实施例所提供的一种全景视频处理装置的结构示意图,如图4所示,该装置具体包括:分片下载信息获取模块410、分片下载信息输入模块420和分片下载模块430。
其中,分片下载信息获取模块410,用于获取目标全景视频中的当前已播放分片对应的分片下载信息;分片下载信息输入模块420,用于将分片下载信息输入至预设决策网络模型中,预设决策网络模型是预先基于目标奖励函数进行强化学习获得的,目标奖励函数是基于分片播放卡顿信息和分片视角预测准确度进行构建的;分片下载模块430,用于基于预设决策网络模型的输出,获得当前待下载分片对应的目标缓存区大小和目标码率,并基于目标缓存区大小和目标码率,对当前待下载分片进行下载。
本公开实施例所提供的技术方案,通过预先基于分片播放卡顿信息和分片视角预测准确度进行构建获得目标奖励函数,并基于目标奖励函数进行强化学习获得预设决策网络模型,该预设决策网络模型可以针对不同的环境状态信息决策出最优的动作信息,以便在保证不发生卡顿的情况下,最大化视角预测准确度。在目标全景视频的播放过程中,通过获取当前已播放分片对应的分片下载信息,并将分片下载信息作为当前环境状态信息输入至预设决策网络模型中进行动作决策,从而基于预设决策网络模型的输出,可以获得决策出的当前最优动作信息,即当前待下载分片对应的目标缓存区大小和目标码率,并基于目标缓存区大小和目标码率,对当前待下载分片进行下载,从而基于目标缓存区大小和目标码率可以有效控制当前待下载分片下载时的缓存长度,进而在目标全景视频的下载过程中,可以基于预设决策网络模型实时动态地调整播放器的缓存长度,从而动态平衡卡顿风险与视角预测准确度,在保证不发生卡顿的情况下提高视角预测准确度,进而提升用户观看体验。
在上述技术方案的基础上,分片下载信息包括:当前已播放分片对应的分片下载带宽信息、分片码率信息、分片开始下载时的播放器缓存长度和分片视角预测准确度中的至少一个。
在上述各技术方案的基础上,分片下载信息获取模块410,具体用于:
若目标全景视频中的当前已播放分片的数量小于或等于预设分片数量,则获取当前已播放的各个已播放分片对应的各个分片下载信息;若目标全景视频中的当前已播放分片的数量大于预设分片数量,则获取距离当前最近的预设分片数量的已播放分片对应的各个分片下载信息。
在上述各技术方案的基础上,分片下载模块430,包括:
分片下载单元,用于下载目标码率对应的当前待下载分片,并将下载的分片数据存储至播放器的预设缓存区中;
缓存控制单元,用于基于目标缓存区大小,对下载的当前待下载分片进行缓存控制。
在上述各技术方案的基础上,缓存控制单元,具体用于:
若预设缓存区的当前大小等于目标缓存区大小,且当前待下载分片还未下载完成,则停止当前待下载分片的下载操作;若预设缓存区的当前大小低于目标缓存区大小,则继续下载当前待下载分片。
在上述各技术方案的基础上,该装置还包括:
目标奖励函数构建模块,用于:基于分片播放卡顿信息、分片视角预测准确度和分片码率,构建目标奖励函数;
其中,分片播放卡顿信息与奖励值为负相关,分片视角预测准确度和分片码率均与奖励值为正相关。
在上述各技术方案的基础上,分片播放卡顿信息包括:分片播放卡顿次数和分片播放卡顿时长;
目标奖励函数构建模块,具体用于:对分片播放卡顿次数、分片播放卡顿时长、分片视角预测准确度和分片码率进行加权求和,构建出目标奖励函数;其中,分片播放卡顿次数和分片播放卡顿时长对应的权重均为负值,分片视角预测准确度和分片码率对应的权重均为正值。
在上述各技术方案的基础上,该装置还包括:
强化学习模块,用于:将样本全景视频中的当前已播放分片对应的分片下载信息作为当前环境状态信息输入至待训练的预设决策网络模型中进行动作决策;基于待训练的预设决策网络模型输出的样本动作信息对样本全景视频中的当前待下载分片进行下载,其中,样本动作信息包括:样本缓存区大小和样本码率;基于目标奖励函数,确定样本动作信息对应的目标奖励值;基于目标奖励值,调整待训练的预设决策网络模型中的网络参数,直到满足预设收敛条件时训练结束,获得训练结束后的预设决策网络模型。
在上述各技术方案的基础上,预设决策网络模型的网络架构包括:长短期记忆网络、残差网络、深度神经网络、卷积神经网络或者全连接网络中的至少一种。
本公开实施例所提供的XX装置可执行本公开任意实施例所提供的XX方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本公开实施例的保护范围。
图5为本公开实施例所提供的一种电子设备的结构示意图。下面参考图5,其示出了适于用来实现本公开实施例的电子设备(例如图5中的终端设备或服务器)500的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。编辑/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开实施例的方法中限定的上述功能。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本公开实施例提供的电子设备与上述实施例提供的全景视频处理方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例所提供的全景视频处理方法。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取目标全景视频中的当前已播放分片对应的分片下载信息;将所述分片下载信息输入至预设决策网络模型中,所述预设决策网络模型是预先基于目标奖励函数进行强化学习获得的,所述目标奖励函数是基于分片播放卡顿信息和分片视角预测准确度进行构建的;基于所述预设决策网络模型的输出,获得当前待下载分片对应的目标缓存区大小和目标码率,并基于所述目标缓存区大小和所述目标码率,对当前待下载分片进行下载。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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、或代码的一部分,该模块、程序段、或代码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。也应当注意,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,两个接连地表示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操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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,【示例一】提供了一种全景视频处理方法,包括:
获取目标全景视频中的当前已播放分片对应的分片下载信息;
将所述分片下载信息输入至预设决策网络模型中,所述预设决策网络模型是预先基于目标奖励函数进行强化学习获得的,所述目标奖励函数是基于分片播放卡顿信息和分片视角预测准确度进行构建的;
基于所述预设决策网络模型的输出,获得当前待下载分片对应的目标缓存区大小和目标码率,并基于所述目标缓存区大小和所述目标码率,对当前待下载分片进行下载。
根据本公开的一个或多个实施例,【示例二】提供了一种全景视频处理方法,还包括:
可选的,所述分片下载信息包括:当前已播放分片对应的分片下载带宽信息、分片码率信息、分片开始下载时的播放器缓存长度和分片视角预测准确度中的至少一个。
根据本公开的一个或多个实施例,【示例三】提供了一种全景视频处理方法,还包括:
可选的,所述获取目标全景视频中的当前已播放分片对应的分片下载信息,包括:
若目标全景视频中的当前已播放分片的数量小于或等于预设分片数量,则获取当前已播放的各个已播放分片对应的各个分片下载信息;
若目标全景视频中的当前已播放分片的数量大于预设分片数量,则获取距离当前最近的所述预设分片数量的已播放分片对应的各个分片下载信息。
根据本公开的一个或多个实施例,【示例四】提供了一种全景视频处理方法,还包括:
可选的,所述基于所述目标缓存区大小和所述目标码率,对当前待下载分片进行下载,包括:
下载所述目标码率对应的当前待下载分片,并将下载的分片数据存储至播放器的预设缓存区中;
基于所述目标缓存区大小,对下载的所述当前待下载分片进行缓存控制。
根据本公开的一个或多个实施例,【示例五】提供了一种全景视频处理方法,还包括:
可选的,所述基于所述目标缓存区大小,对下载的所述当前待下载分片进行缓存控制,包括:
若所述预设缓存区的当前大小等于所述目标缓存区大小,且所述当前待下载分片还未下载完成,则停止所述当前待下载分片的下载操作;
若所述预设缓存区的当前大小低于所述目标缓存区大小,则继续下载所述当前待下载分片。
根据本公开的一个或多个实施例,【示例六】提供了一种全景视频处理方法,还包括:
可选的,所述基于分片播放卡顿信息和分片视角预测准确度构建目标奖励函数,包括:
基于分片播放卡顿信息、分片视角预测准确度和分片码率,构建目标奖励函数;
其中,所述分片播放卡顿信息与奖励值为负相关,所述分片视角预测准确度和分片码率均与奖励值为正相关。
根据本公开的一个或多个实施例,【示例七】提供了一种全景视频处理方法,还包括:
可选的,所述分片播放卡顿信息包括:分片播放卡顿次数和分片播放卡顿时长;
所述基于分片播放卡顿信息、分片视角预测准确度和分片码率,构建目标奖励函数,包括:
对所述分片播放卡顿次数、所述分片播放卡顿时长、分片视角预测准确度和分片码率进行加权求和,构建出目标奖励函数;
其中,所述分片播放卡顿次数和所述分片播放卡顿时长对应的权重均为负值,所述分片视角预测准确度和分片码率对应的权重均为正值。
根据本公开的一个或多个实施例,【示例八】提供了一种全景视频处理方法,还包括:
可选的,所述预设决策网络模型的强化学习过程,包括:
将样本全景视频中的当前已播放分片对应的分片下载信息作为当前环境状态信息输入至待训练的预设决策网络模型中进行动作决策;
基于待训练的预设决策网络模型输出的样本动作信息对所述样本全景视频中的当前待下载分片进行下载,其中,所述样本动作信息包括:样本缓存区大小和样本码率;
基于目标奖励函数,确定所述样本动作信息对应的目标奖励值;
基于所述目标奖励值,调整待训练的预设决策网络模型中的网络参数,直到满足预设收敛条件时训练结束,获得训练结束后的预设决策网络模型。
根据本公开的一个或多个实施例,【示例九】提供了一种全景视频处理方法,还包括:
可选的,所述预设决策网络模型的网络架构包括:长短期记忆网络、残差网络、深度神经网络、卷积神经网络或者全连接网络中的至少一种。
根据本公开的一个或多个实施例,【示例十】提供了一种全景视频处理装置,包括:
分片下载信息获取模块,用于获取目标全景视频中的当前已播放分片对应的分片下载信息;
分片下载信息输入模块,用于将所述分片下载信息输入至预设决策网络模型中,所述预设决策网络模型是预先基于目标奖励函数进行强化学习获得的,所述目标奖励函数是基于分片播放卡顿信息和分片视角预测准确度进行构建的;
分片下载模块,用于基于所述预设决策网络模型的输出,获得当前待下载分片对应的目标缓存区大小和目标码率,并基于所述目标缓存区大小和所述目标码率,对当前待下载分片进行下载。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (12)
1.一种全景视频处理方法,其特征在于,包括:
获取目标全景视频中的当前已播放分片对应的分片下载信息;
将所述分片下载信息输入至预设决策网络模型中,所述预设决策网络模型是预先基于目标奖励函数进行强化学习获得的,所述目标奖励函数是基于分片播放卡顿信息和分片视角预测准确度进行构建的;
基于所述预设决策网络模型的输出,获得当前待下载分片对应的目标缓存区大小和目标码率,并基于所述目标缓存区大小和所述目标码率,对当前待下载分片进行下载。
2.根据权利要求1所述的全景视频处理方法,其特征在于,所述分片下载信息包括:当前已播放分片对应的分片下载带宽信息、分片码率信息、分片开始下载时的播放器缓存长度和分片视角预测准确度中的至少一个。
3.根据权利要求1所述的全景视频处理方法,其特征在于,所述获取目标全景视频中的当前已播放分片对应的分片下载信息,包括:
若目标全景视频中的当前已播放分片的数量小于或等于预设分片数量,则获取当前已播放的各个已播放分片对应的各个分片下载信息;
若目标全景视频中的当前已播放分片的数量大于预设分片数量,则获取距离当前最近的所述预设分片数量的已播放分片对应的各个分片下载信息。
4.根据权利要求1所述的全景视频处理方法,其特征在于,所述基于所述目标缓存区大小和所述目标码率,对当前待下载分片进行下载,包括:
下载所述目标码率对应的当前待下载分片,并将下载的分片数据存储至播放器的预设缓存区中;
基于所述目标缓存区大小,对下载的所述当前待下载分片进行缓存控制。
5.根据权利要求4所述的全景视频处理方法,其特征在于,所述基于所述目标缓存区大小,对下载的所述当前待下载分片进行缓存控制,包括:
若所述预设缓存区的当前大小等于所述目标缓存区大小,且所述当前待下载分片还未下载完成,则停止所述当前待下载分片的下载操作;
若所述预设缓存区的当前大小低于所述目标缓存区大小,则继续下载所述当前待下载分片。
6.根据权利要求1所述的全景视频处理方法,其特征在于,所述基于分片播放卡顿信息和分片视角预测准确度构建目标奖励函数,包括:
基于分片播放卡顿信息、分片视角预测准确度和分片码率,构建目标奖励函数;
其中,所述分片播放卡顿信息与奖励值为负相关,所述分片视角预测准确度和分片码率均与奖励值为正相关。
7.根据权利要求6所述的全景视频处理方法,其特征在于,所述分片播放卡顿信息包括:分片播放卡顿次数和分片播放卡顿时长;
所述基于分片播放卡顿信息、分片视角预测准确度和分片码率,构建目标奖励函数,包括:
对所述分片播放卡顿次数、所述分片播放卡顿时长、分片视角预测准确度和分片码率进行加权求和,构建出目标奖励函数;
其中,所述分片播放卡顿次数和所述分片播放卡顿时长对应的权重均为负值,所述分片视角预测准确度和分片码率对应的权重均为正值。
8.根据权利要求1所述的全景视频处理方法,其特征在于,所述预设决策网络模型的强化学习过程,包括:
将样本全景视频中的当前已播放分片对应的分片下载信息作为当前环境状态信息输入至待训练的预设决策网络模型中进行动作决策;
基于待训练的预设决策网络模型输出的样本动作信息对所述样本全景视频中的当前待下载分片进行下载,其中,所述样本动作信息包括:样本缓存区大小和样本码率;
基于目标奖励函数,确定所述样本动作信息对应的目标奖励值;
基于所述目标奖励值,调整待训练的预设决策网络模型中的网络参数,直到满足预设收敛条件时训练结束,获得训练结束后的预设决策网络模型。
9.根据权利要求1-8任一项所述的全景视频处理方法,其特征在于,所述预设决策网络模型的网络架构包括:长短期记忆网络、残差网络、深度神经网络、卷积神经网络或者全连接网络中的至少一种。
10.一种全景视频处理装置,其特征在于,包括:
分片下载信息获取模块,用于获取目标全景视频中的当前已播放分片对应的分片下载信息;
分片下载信息输入模块,用于将所述分片下载信息输入至预设决策网络模型中,所述预设决策网络模型是预先基于目标奖励函数进行强化学习获得的,所述目标奖励函数是基于分片播放卡顿信息和分片视角预测准确度进行构建的;
分片下载模块,用于基于所述预设决策网络模型的输出,获得当前待下载分片对应的目标缓存区大小和目标码率,并基于所述目标缓存区大小和所述目标码率,对当前待下载分片进行下载。
11.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的全景视频处理方法。
12.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-9中任一所述的全景视频处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210555225.8A CN114979799B (zh) | 2022-05-20 | 2022-05-20 | 一种全景视频处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210555225.8A CN114979799B (zh) | 2022-05-20 | 2022-05-20 | 一种全景视频处理方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114979799A true CN114979799A (zh) | 2022-08-30 |
CN114979799B CN114979799B (zh) | 2024-07-26 |
Family
ID=82986043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210555225.8A Active CN114979799B (zh) | 2022-05-20 | 2022-05-20 | 一种全景视频处理方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114979799B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117939132A (zh) * | 2023-12-07 | 2024-04-26 | 北京唯云全景科技有限公司 | 一种vr全景视频信息处理方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016149863A1 (zh) * | 2015-03-20 | 2016-09-29 | 华为技术有限公司 | 流媒体资源的下载方法、装置和终端设备 |
WO2017181777A1 (zh) * | 2016-04-19 | 2017-10-26 | 北京金山安全软件有限公司 | 全景视频直播方法、装置和系统以及视频源控制设备 |
US20180191868A1 (en) * | 2017-01-03 | 2018-07-05 | Black Sails Technology Inc. | Method and System for Downloading Multiple Resolutions Bitrate for Virtual Reality (VR) Video Streaming Optimization |
CN109286855A (zh) * | 2017-07-19 | 2019-01-29 | 北京大学 | 全景视频的传输方法、传输装置和传输系统 |
CN109413448A (zh) * | 2018-11-05 | 2019-03-01 | 中山大学 | 基于深度强化学习的移动设备全景视频播放系统 |
CN109982159A (zh) * | 2017-12-27 | 2019-07-05 | 华为技术有限公司 | 在线播放流媒体的方法和终端 |
CN109982118A (zh) * | 2019-03-27 | 2019-07-05 | 北京奇艺世纪科技有限公司 | 一种视频码率自适应调整方法、装置及电子设备 |
CN110248247A (zh) * | 2019-06-12 | 2019-09-17 | 深圳市大数据研究院 | 基于网络吞吐量的嵌入式动态视频播放控制方法及装置 |
US20200076867A1 (en) * | 2018-09-05 | 2020-03-05 | At&T Intellectual Property I, L.P. | Priority-based tile transmission system and method for panoramic video streaming |
CN112291620A (zh) * | 2020-09-22 | 2021-01-29 | 北京邮电大学 | 视频播放方法、装置、电子设备及存储介质 |
CN112468828A (zh) * | 2020-11-25 | 2021-03-09 | 深圳大学 | 全景视频的码率分配方法、装置、移动终端及存储介质 |
CN112714315A (zh) * | 2019-10-24 | 2021-04-27 | 上海交通大学 | 基于全景视频的分层缓冲方法及系统 |
WO2021190090A1 (zh) * | 2020-03-27 | 2021-09-30 | 北京金山云网络技术有限公司 | 判断播放卡顿的方法、装置和电子终端 |
CN113747229A (zh) * | 2021-08-03 | 2021-12-03 | 上海交通大学 | 一种切片大小预测和自适应码率控制方法、系统及介质 |
CN113905221A (zh) * | 2021-09-30 | 2022-01-07 | 福州大学 | 一种立体全景视频非对称传输流自适应方法及系统 |
WO2022017149A1 (zh) * | 2020-07-20 | 2022-01-27 | 华为技术有限公司 | 一种虚拟现实vr场景的视频处理方法及相关设备 |
CN114040230A (zh) * | 2021-11-08 | 2022-02-11 | 北京达佳互联信息技术有限公司 | 视频码率确定方法、装置、电子设备及其存储介质 |
CN114401447A (zh) * | 2021-12-20 | 2022-04-26 | 北京字节跳动网络技术有限公司 | 一种视频卡顿预测方法、装置、设备和介质 |
-
2022
- 2022-05-20 CN CN202210555225.8A patent/CN114979799B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016149863A1 (zh) * | 2015-03-20 | 2016-09-29 | 华为技术有限公司 | 流媒体资源的下载方法、装置和终端设备 |
WO2017181777A1 (zh) * | 2016-04-19 | 2017-10-26 | 北京金山安全软件有限公司 | 全景视频直播方法、装置和系统以及视频源控制设备 |
US20180191868A1 (en) * | 2017-01-03 | 2018-07-05 | Black Sails Technology Inc. | Method and System for Downloading Multiple Resolutions Bitrate for Virtual Reality (VR) Video Streaming Optimization |
CN109286855A (zh) * | 2017-07-19 | 2019-01-29 | 北京大学 | 全景视频的传输方法、传输装置和传输系统 |
CN109982159A (zh) * | 2017-12-27 | 2019-07-05 | 华为技术有限公司 | 在线播放流媒体的方法和终端 |
US20200076867A1 (en) * | 2018-09-05 | 2020-03-05 | At&T Intellectual Property I, L.P. | Priority-based tile transmission system and method for panoramic video streaming |
CN109413448A (zh) * | 2018-11-05 | 2019-03-01 | 中山大学 | 基于深度强化学习的移动设备全景视频播放系统 |
CN109982118A (zh) * | 2019-03-27 | 2019-07-05 | 北京奇艺世纪科技有限公司 | 一种视频码率自适应调整方法、装置及电子设备 |
CN110248247A (zh) * | 2019-06-12 | 2019-09-17 | 深圳市大数据研究院 | 基于网络吞吐量的嵌入式动态视频播放控制方法及装置 |
CN112714315A (zh) * | 2019-10-24 | 2021-04-27 | 上海交通大学 | 基于全景视频的分层缓冲方法及系统 |
WO2021190090A1 (zh) * | 2020-03-27 | 2021-09-30 | 北京金山云网络技术有限公司 | 判断播放卡顿的方法、装置和电子终端 |
WO2022017149A1 (zh) * | 2020-07-20 | 2022-01-27 | 华为技术有限公司 | 一种虚拟现实vr场景的视频处理方法及相关设备 |
CN112291620A (zh) * | 2020-09-22 | 2021-01-29 | 北京邮电大学 | 视频播放方法、装置、电子设备及存储介质 |
CN112468828A (zh) * | 2020-11-25 | 2021-03-09 | 深圳大学 | 全景视频的码率分配方法、装置、移动终端及存储介质 |
CN113747229A (zh) * | 2021-08-03 | 2021-12-03 | 上海交通大学 | 一种切片大小预测和自适应码率控制方法、系统及介质 |
CN113905221A (zh) * | 2021-09-30 | 2022-01-07 | 福州大学 | 一种立体全景视频非对称传输流自适应方法及系统 |
CN114040230A (zh) * | 2021-11-08 | 2022-02-11 | 北京达佳互联信息技术有限公司 | 视频码率确定方法、装置、电子设备及其存储介质 |
CN114401447A (zh) * | 2021-12-20 | 2022-04-26 | 北京字节跳动网络技术有限公司 | 一种视频卡顿预测方法、装置、设备和介质 |
Non-Patent Citations (3)
Title |
---|
JIANG XIAOLAN ET AL: "Plato_Learning-based_Adaptive_Streaming_of_360-Degree_Videos", 2018 IEEE 43RD CONFERENCE ON LOCAL COMPUTER NETWORKS, 31 December 2018 (2018-12-31) * |
KAN NUOWEN: "Deep_Reinforcement_Learning-based_Rate_Adaptation_for_Adaptive_360-Degree_Video_Streaming", IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS,SPEECH AND SIGNAL PROCESSING, 31 December 2019 (2019-12-31) * |
兰成栋: "基于强化学习的立体全景视频自适应流", 《电子与信息学报》, 2 February 2022 (2022-02-02), pages 1461 - 1468 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117939132A (zh) * | 2023-12-07 | 2024-04-26 | 北京唯云全景科技有限公司 | 一种vr全景视频信息处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114979799B (zh) | 2024-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114401447B (zh) | 一种视频卡顿预测方法、装置、设备和介质 | |
CN112887795B (zh) | 视频播放方法、装置、设备和介质 | |
CN112235587B (zh) | 直播的开播方法及设备 | |
CN113710336B (zh) | 服务器负载预测和高级性能度量 | |
US20240108980A1 (en) | Method, apparatuses and systems directed to adapting user input in cloud gaming | |
CN111225209A (zh) | 视频数据推流方法、装置、终端及存储介质 | |
CN113569150A (zh) | 媒体内容预加载方法、模型构建方法及相关设备 | |
CN114979799B (zh) | 一种全景视频处理方法、装置、设备和存储介质 | |
CN114422482B (zh) | 消息的发送方法、装置、电子设备和存储介质 | |
CN113542856B (zh) | 在线录像的倒放方法、装置、设备和计算机可读介质 | |
CN112843677B (zh) | 一种系统延时确定方法、装置、设备和存储介质 | |
CN114584826A (zh) | 一种视频动态下载方法、装置、电子设备及存储介质 | |
CN113747245A (zh) | 多媒体资源上传方法、装置、电子设备以及可读存储介质 | |
CN113364767A (zh) | 一种流媒体数据显示方法、装置、电子设备及存储介质 | |
CN114979762B (zh) | 视频下载、传输方法、装置、终端设备、服务器及介质 | |
CN114979768B (zh) | 视频缓存方法、装置、设备及存储介质 | |
CN114630157B (zh) | 直播启播方法、设备及程序产品 | |
CN112949850B (zh) | 超参数确定方法、装置、深度强化学习框架、介质及设备 | |
CN114827750A (zh) | 视角的预测方法、装置、设备及存储介质 | |
CN114419201A (zh) | 动画的展示方法、装置、电子设备、介质和程序产品 | |
CN117201871A (zh) | 音视频处理方法、装置、电子设备及存储介质 | |
CN115103023B (zh) | 视频缓存方法、装置、设备及存储介质 | |
CN115604584A (zh) | 一种视角预测方法、装置、设备和存储介质 | |
CN115348460B (zh) | 视频的预加载方法、装置、设备及存储介质 | |
CN116208787A (zh) | 一种视频下载控制方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |