視頻數(shù)據(jù)壓縮處理方法、裝置和設(shè)備的制造方法
【技術(shù)領(lǐng)域】
[0001]本公開涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及一種視頻數(shù)據(jù)壓縮處理方法、裝置和設(shè)備。
【背景技術(shù)】
[0002]隨著智能手機等智能終端的普及程度越來越高，用戶可以隨時隨地的使用智能手機拍攝視頻，記錄生活中的點滴。
[0003]為了降低對智能手機等終端設(shè)備的存儲資源的占用，云端存儲的技術(shù)被廣泛采用。但是，隨著用戶拍攝的視頻數(shù)量的不斷增多，這些視頻數(shù)據(jù)所占用的存儲空間也越來越多，為此，服務(wù)器一會采用比如MPEG4等視頻壓縮技術(shù)對視頻數(shù)據(jù)進行壓縮處理，以降低所占用的存儲空間。

【發(fā)明內(nèi)容】

[0004]本公開提供一種視頻數(shù)據(jù)壓縮處理方法、裝置和設(shè)備，通過對視頻數(shù)據(jù)中不同類型的圖像幀進行不同的壓縮處理，使得在減少其占用存儲空間的同時，保證了視頻數(shù)據(jù)的質(zhì)量。
[0005]根據(jù)本公開實施例的第一方面，提供一種視頻數(shù)據(jù)壓縮處理方法，包括:
[0006]采用人物識別模型對視頻數(shù)據(jù)中的每一幀圖像進行人物識別，得到人物幀和非人物幀；
[0007]對所述非人物幀進行第一壓縮比壓縮；
[0008]對所述人物幀進行第二壓縮比壓縮，其中，所述第二壓縮比小于所述第一壓縮比。
[0009]進一步的，所述方法還包括:
[0010]采用視頻壓縮技術(shù)，對經(jīng)過所述壓縮處理后的每一幀圖像進行壓縮處理。
[0011 ] 進一步的，所述方法還包括:
[0012]若所述人物幀的數(shù)量大于預(yù)設(shè)數(shù)量，則執(zhí)行對所述非人物幀進行第一壓縮比壓縮的步驟；
[0013]若所述人物幀的數(shù)量不大于所述預(yù)設(shè)數(shù)量，則采用視頻壓縮技術(shù)，對所述視頻數(shù)據(jù)中的每一幀圖像進行壓縮處理。
[0014]上述技術(shù)方案可以包括以下有益效果:通過人物識別模型對視頻數(shù)據(jù)中包含的各圖像幀進行所屬不同類別的識別，將視頻數(shù)據(jù)中包含的各圖像幀劃分為人物幀和非人物幀。進而，針對不同類別的圖像幀進行不同的圖像壓縮處理，使得在更多地減少其占用存儲空間的同時，保證了視頻數(shù)據(jù)的質(zhì)量。
[0015]進一步的，所述方法還包括:
[0016]對所述人物幀進行人臉識別處理，獲得第一人物幀圖像集合和第二人物幀圖像集合，其中，第一人物幀圖像集合中包含的各人物幀中具有人臉圖像，第二人物幀圖像集合中包含的各人物幀中不具有人臉圖像。
[0017]進一步的，所述方法還包括:
[0018]對所述第一人物幀圖像集合中的各人物幀進行第三壓縮比壓縮；
[0019]對所述第二人物幀圖像集合中的各人物幀進行第二壓縮比壓縮，其中，所述第三壓縮比小于所述第二壓縮比。
[0020]上述技術(shù)方案可以包括以下有益效果:采用第二壓縮比的圖像壓縮技術(shù)，對第二人物幀圖像集合中的各人物幀進行圖像壓縮處理，采用小于第二壓縮比的第三壓縮比的圖像壓縮技術(shù)，對屬于第一人物幀圖像集合中的各人物幀進行圖像壓縮處理。從而在保證包含人臉圖像的各圖像幀的質(zhì)量的同時，進一步地降低了視頻數(shù)據(jù)對存儲空間的占用。
[0021]進一步的，所述方法還包括訓(xùn)練人物識別模型的步驟:
[0022]獲取訓(xùn)練樣本集，所述訓(xùn)練樣本集中包括多個人物訓(xùn)練樣本圖像和多個非人物訓(xùn)練樣本圖像；
[0023]分別將所述多個人物訓(xùn)練樣本圖像和所述多個非人物訓(xùn)練樣本圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中，對所述卷積神經(jīng)網(wǎng)絡(luò)中各層隱層節(jié)點之間的特征系數(shù)進行訓(xùn)練，得到所述人物識別模型。
[0024]上述技術(shù)方案可以包括以下有益效果:通過對基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)進行分類訓(xùn)練，得到上述人物識別模型，使得該人物識別模型具有更好的識別準(zhǔn)確性，保證了后續(xù)視頻數(shù)據(jù)圖像幀識別結(jié)果的準(zhǔn)確性。
[0025]進一步的，所述方法還包括測試人物識別模型的步驟:
[0026]獲取測試樣本集，所述測試樣本集中包括多個人物測試樣本圖像和多個非人物測試樣本圖像；
[0027]采用所述人物識別模型分別對所述測試樣本集中的多個人物測試樣本圖像和多個非人物測試樣本圖像進行識別，得到各個測試樣本圖像對應(yīng)的分類結(jié)果；
[0028]根據(jù)所述各個測試樣本圖像對應(yīng)的分類結(jié)果，確定所述人物識別模型的分類正確率。
[0029]進一步的，所述方法還包括:
[0030]若所述分類正確率小于預(yù)設(shè)閾值，則迭代執(zhí)行如下處理，直到達到最大迭代次數(shù)或分類正確率大于預(yù)設(shè)閾值為止:
[0031]更新所述訓(xùn)練樣本集；
[0032]根據(jù)更新后的訓(xùn)練樣本集對前一次迭代對應(yīng)的人物識別模型中各層隱層節(jié)點之間的特征系數(shù)進行訓(xùn)練，得到本次迭代對應(yīng)的更新后人物識別模型；
[0033]根據(jù)更新后的測試樣本集對本次迭代對應(yīng)的更新后人物識別模型進行分類正確率測試，確定對應(yīng)的分類正確率。
[0034]進一步的，所述方法還包括:
[0035]確定各次迭代對應(yīng)的分類正確率中的最大分類正確率；
[0036]確定與所述最大分類正確率對應(yīng)的更新后人物識別模型為目標(biāo)人物識別模型。
[0037]上述技術(shù)方案可以包括以下有益效果:通過對人物識別模型的分類正確率的確定，以及在人物識別模型分類正確率低于預(yù)設(shè)閾值時，迭代訓(xùn)練、測試的過程，有效保證了最終獲得的人物識別模型的準(zhǔn)確、可靠。
[0038]根據(jù)本公開實施例的第二方面，提供一種視頻數(shù)據(jù)壓縮處理裝置，包括:
[0039]第一識別模塊，被配置為采用人物識別模型對視頻數(shù)據(jù)中的每一幀圖像進行人物識別，得到人物幀和非人物幀；；
[0040]第一處理模塊，被配置為對所述非人物幀進行第一壓縮比壓縮；
[0041]第二處理模塊，被配置為對所述人物幀進行第二壓縮比壓縮，其中，所述第二壓縮比小于所述第一壓縮比。
[0042]所述裝置還包括：第三處理模塊，被配置為采用視頻壓縮技術(shù)，對經(jīng)過所述壓縮處理后的每一幀圖像進行壓縮處理。
[0043]具體地，所述第一處理模塊，被配置為在所述人物幀的數(shù)量大于預(yù)設(shè)數(shù)量時，執(zhí)行對所述非人物幀進行第一壓縮比壓縮的步驟；
[0044]所述裝置還包括：
[0045]第四處理模塊，被配置為在所述人物幀的數(shù)量不大于所述預(yù)設(shè)數(shù)量時，采用視頻壓縮技術(shù)，對所述視頻數(shù)據(jù)中的每一幀圖像進行壓縮處理。
[0046]上述技術(shù)方案可以包括以下有益效果：視頻數(shù)據(jù)壓縮處理裝置通過采用人物識別模型對視頻數(shù)據(jù)中包含的各圖像幀進行所屬不同類別的識別，將視頻數(shù)據(jù)中包含的各圖像幀劃分為人物幀和非人物幀。進而，針對不同類別的圖像幀進行不同的圖像壓縮處理，使得在更多地減少其占用存儲空間的同時，保證了視頻數(shù)據(jù)的質(zhì)量。
[0047]進一步的，所述裝置還包括：
[0048]第二識別模塊，被配置為對所述人物幀進行人臉識別處理，獲得第一人物幀圖像集合和第二人物幀圖像集合，其中，第一人物幀圖像集合中包含的各人物幀中具有人臉圖像，第二人物幀圖像集合中包含的各人物幀中不具有人臉圖像。
[0049]所述裝置還包括：
[0050]第五處理模塊，被配置為對所述第一人物幀圖像集合中的各人物幀進行第三壓縮比壓縮；
[0051]所述第二處理模塊，被配置為對所述第二人物幀圖像集合中的各人物幀進行第二壓縮比壓縮，其中，所述第三壓縮比小于所述第二壓縮比。
[0052]上述技術(shù)方案可以包括以下有益效果：采用第二壓縮比的圖像壓縮技術(shù)，對第二人物幀圖像集合中的各圖像幀進行圖像壓縮處理，采用小于第二壓縮比的第三壓縮比的圖像壓縮技術(shù)，對屬于第一人物幀圖像集合中的各圖像幀進行圖像壓縮處理。從而在保證包含人臉圖像的各圖像幀的質(zhì)量的同時，進一步地降低了視頻數(shù)據(jù)對存儲空間的占用。
[0053]進一步的，所述裝置還包括：
[0054]第一獲取模塊，被配置為獲取訓(xùn)練樣本集，所述訓(xùn)練樣本集中包括多個人物訓(xùn)練樣本圖像和多個非人物訓(xùn)練樣本圖像；
[0055]訓(xùn)練模塊，被配置為分別將所述多個人物訓(xùn)練樣本圖像和所述多個非人物訓(xùn)練樣本圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中，對所述卷積神經(jīng)網(wǎng)絡(luò)中各層隱層節(jié)點之間的特征系數(shù)進行訓(xùn)練，得到所述人物識別模型。
[0056]上述技術(shù)方案可以包括以下有益效果：通過對基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)進行分類訓(xùn)練，得到上述人物識別模型，使得該人物識別模型具有更好的識別準(zhǔn)確性，保證了后續(xù)視頻數(shù)據(jù)圖像幀識別結(jié)果的準(zhǔn)確性。
[0057]進一步的，所述裝置還包括：
[0058]第二獲取模塊，被配置為獲取測試樣本集，所述測試樣本集中包括多個人物測試樣本圖像和多個非人物測試樣本圖像；
[0059]第三識別模塊，被配置為采用所述人物識別模型分別對所述測試樣本集中的多個人物測試樣本圖像和多個非人物測試樣本圖像進行識別，得到各個測試樣本圖像對應(yīng)的分類結(jié)果；
[0060]第一確定模塊，被配置為根據(jù)所述各個測試樣本圖像對應(yīng)的分類結(jié)果，確定所述人物識別模型的分類正確率。
[0061]進一步的，所述裝置還包括:
[0062]迭代處理模塊，被配置為在所述分類正確率小于預(yù)設(shè)閾值時，迭代執(zhí)行如下處理，直到達到最大迭代次數(shù)或分類正確率大于預(yù)設(shè)閾值為止:
[0063]更新所述訓(xùn)練樣本集；
[0064]根據(jù)更新后的訓(xùn)練樣本集對前一次迭代對應(yīng)的人物識別模型中各層隱層節(jié)點之間的特征系數(shù)進行訓(xùn)練，得到本次迭代對應(yīng)的更新后人物識別模型；
[0065]根據(jù)更新后的測試樣本集對本次迭代對應(yīng)的更新后人物識別模型進行分類正確率測試，確定對應(yīng)的分類正確率。
[0066]進一步的，所述裝置還包括:
[0067]第二確定模塊，被配置為確定各次迭代對應(yīng)的分類正確率中的最大分類正確率；
[0068]第三確定模塊，被配置為確定與所述最大分類正確率對應(yīng)的更新后人物識別模型為目標(biāo)人物識別模型。
[0069]上述技術(shù)方案可以包括以下有益效果:通過對人物識別模型的分類正確率的確定，以及在人物識別模型分類正確率低于預(yù)設(shè)閾值時，迭代訓(xùn)練、測試的過程，有效保證了最終獲得的人物識別模型的準(zhǔn)確、可靠。
[0070]根據(jù)本公開實施例的第三方面，提供一種視頻數(shù)據(jù)壓縮處理設(shè)備，包括:
[0071]處理器；
[0072]被配置為存儲處理器可執(zhí)行指令的存儲器；
[0073]其中，所述處理器被配置為:
[0074]采用人物識別模型對視頻數(shù)據(jù)中的每一幀圖像進行人物識別，得到人物幀和非人物幀；
[0075]對所述非人物幀進行第一壓縮比壓縮；
[0076]對所述人物幀進行第二壓縮比壓縮，其中，第二壓縮比小于第一壓縮比。
[0077]應(yīng)當(dāng)理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本公開。
【附圖說明】
[0078]此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本公開的實施例，并與說明書一起用于解釋本公開的原理。
[0079]圖1是根據(jù)一示例性實施例示出的一種視頻數(shù)據(jù)壓縮處理方法實施例一的流程圖；
[0080]圖2是根據(jù)