[发明专利]一种动态纹理视频生成方法、装置、服务器及存储介质

权利要求书

1.一种动态纹理视频生成方法，其特征在于，包括：

接收输入的纹理图像；

基于所述纹理图像和纹理图像生成模型生成纹理图像序列；所述纹理图像序列中的首个纹理图像是所接收的纹理图像，针对纹理图像序列中的任意两帧相邻的纹理图像，后一帧纹理图像是所述纹理图像生成模型对前一帧纹理图像的输出结果；所述纹理图像序列中纹理图像的个数为预设动态纹理视频生成条件包括的用于生成动态纹理视频的纹理图像的个数；

其中，所述纹理图像生成模型是以卷积神经网络对纹理图像样本的输出结果趋于视频流样本中与该纹理图像样本对应的下一帧纹理图像为目标，训练所述卷积神经网络得到的；所述纹理图像样本为所述视频流样本中的纹理图像或所述卷积神经网络对所述视频流样本中的纹理图像的输出结果。

2.根据权利要求1所述的方法，其特征在于，还包括：

获取视频流样本，所述视频流样本由至少一个依次排序的纹理图像构成；

确定纹理图像样本；

获取卷积神经网络对纹理图像样本的输出结果；

确定所述输出结果到所述视频流样本的欧式距离；

以最小化所述欧式距离为训练目标，更新所述卷积神经网络的参数，直至递归卷积神经网络达到收敛，得到纹理图像生成模型。

3.根据权利要求2所述的方法，其特征在于，还包括：

确定所述视频流样本中与所述输出结果对应的下一帧纹理图像；

确定所述输出结果到所确定的下一帧纹理图像的映射距离；

所述以最小化所述欧式距离为训练目标，更新所述卷积神经网络的参数，直至递归卷积神经网络达到收敛，得到纹理图像生成模型，包括：

以最小化所述欧氏距离和映射距离的总和为训练目标，更新所述卷积神经网络的参数，直至递归卷积神经网络达到收敛，得到纹理图像生成模型。

4.根据权利要求2所述的方法，其特征在于，所述确定所述输出结果到所述视频流样本的欧式距离，包括：

确定由所述纹理图像样本与所述输出结果构成的格拉姆矩阵；

确定用于表征所述视频流样本的平均格拉姆矩阵；

通过最小化所述平均格拉姆矩阵和所述格拉姆矩阵的欧氏距离，构造用于表征所述输出结果到所述视频流样本的欧式距离的第一损失函数。

5.根据权利要求3所述的方法，其特征在于，所述确定所述输出结果到所确定的下一帧纹理图像的映射距离，包括：

通过最小化所述输出结果到所确定的下一帧纹理图像的映射距离，构造用于表征所述输出结果到所确定的下一帧纹理图像的映射距离的第二损失函数。

6.根据权利要求2所述的方法，其特征在于，所述确定纹理图像样本包括确定至少两个纹理图像样本时，该方法还包括：

基于所确定的分别与每个纹理图像样本对应的欧式距离，确定平均欧式距离；

所述以最小化所述欧式距离为训练目标，更新所述卷积神经网络的参数，直至递归卷积神经网络达到收敛，得到纹理图像生成模型，包括：以最小化所述平均欧式距离为训练目标，更新所述卷积神经网络的参数，直至递归卷积神经网络达到收敛，得到纹理图像生成模型。

7.根据权利要求6所述的方法，其特征在于，还包括：

基于所确定的分别与每个所述纹理图像样本对应的映射距离，确定平均映射距离；

所述以最小化所述欧氏距离和映射距离的总和为训练目标，更新所述卷积神经网络的参数，直至递归卷积神经网络达到收敛，得到纹理图像生成模型，包括：

以最小化所述平均欧式距离和平均映射距离的总和为训练目标，更新所述卷积神经网络的参数，直至递归卷积神经网络达到收敛，得到纹理图像生成模型。

8.根据权利要求1-7任意一项所述的方法，其特征在于，所述卷积神经网络包括至少一个用于对视频流的时空信息进行捕获的控制门残差模块，所述控制门残差模块由并联的控制门支路、卷积层支路和加法层构成；所述控制门支路包括卷积模块，所述卷积层支路包括至少一个串联的卷积模块；所述卷积模块包括卷积层、实例化规一层和激活函数层。