[发明专利]一种基于多视频去重拼接的视频压缩方法

说明书

本发明提供一种基于多视频去重拼接的视频压缩方法，属于视频编解码、视频压缩技术领域，首先运用H.265编解码处理视频，利用FFmpeg提取视频关键帧和图像，运用深度学习判别图像相似性，相似值是一个0～1之间的数。然后进行对比去重，对视频单帧静态拼接，H.265编解码，动态压缩，生成文件。可以节省大量的压缩空间，节约客户的视频存储成本。

技术领域

本发明涉及视频编解码、视频压缩技术，尤其涉及一种基于多视频去重拼接的视频压缩方法。

背景技术

在数字媒体时代，随着抖音、快手、虎牙、斗鱼等短视频或直播行业的发展，视频的数据量越来越庞大，每天有成千上万的视频产生，每天都有海量的视频要处理。视频行业主要有两个来源，一个是以用户产生内容为主的视频网站，每天都能获取到用户上传的大量视频，用户上传的视频存在数量大、重复视频多等特点，导致视频网站存在大量重复视频，既影响了视频网站的运营效率，又增加了视频网站的运营成本；另一个是社区、工业、政府等城市安防行业，每天都会产生大量视频，这其中只有少部分是有效视频，有大量是重复且无效的视频，这使得相关部门在工作时作业量极大，严重影响了作业效率。

因此，需要对多段视频进行去重处理，然后进行视频压缩，这既能减少视频的存储量，节约存储空间，又能提高相关部门的作业效率。

现有的视频去重方法，最常见的方法是通过视频文件的md5值进行去重，该方法认为，如果两个视频的md5值是一样的，那么它们就是同一部视频。该方法的优点在于同一视频文件项目中，效率较高，能够快速准确的识别出大量的重复视频，但弊端也很明显，当视频被进行一定的处理后会改变md5值，比如转码、删减或植入广告等字幕，这使得采用md5值去重的视频去重方法工作量就很大。

另一种方法，是根据视频的内容去重。众所周知，视频是由很多连续变化的图像帧组成，而图像帧存在时间和空间上的冗余度，连续的关键帧反应了视频的主要内容。通过提取视频关键帧和图像，对其进行识别，进行分析视频的内容和特征。视频特征就是能够反应视频内容信息的视频本身所具有的物理性质，主要包括颜色、特征、纹理特征、运动特征以及声音和字幕等等。这样，利用关键帧的视频特征来对视频内容进行分析，就能比较容易的识别出相同视频。

现阶段，由于技术的不断发展，深度学习、图像挖掘等技术快速进步，通过视频内容进行去重的方法越来越受欢迎。

发明内容

为了解决以上技术问题，本发明提出了一种基于多视频去重拼接的视频压缩方法，对多段视频进行去重处理，然后进行视频压缩，这既能减少视频的存储量，节约存储空间，又能提高作业效率。

本发明的技术方案是：

一种基于多视频去重拼接的视频压缩方法，

利用深度学习技术，运用H.265编解码分别获取待处理的视频，利用FFmpeg提取其中的连续关键帧和图像，分析待处理图像的关键特征点信息，然后利用深度学习对两段不同来源的视频的关键特征点信息进行比对，判断是否存在视频内容相同的特征点信息，如果存在则进行去重处理，进而对去重后的视频单帧静态拼接，然后通过H.265对视频进行编解码、动态压缩，最终达到降低视频数据存储量和节省空间的目的。

运用FFmpeg提取待处理视频中的关键帧和图像，获取待处理图像关键特征点信息，为下一步分析关键帧和图像的关键特征点信息、对比图像相似性作准备。

H.265的编码单位选择从最小的8x8到最大的64x64。

进一步的，

运用深度学习判别对比图像相似性，比较两幅图片的相似水平，因此构建的卷积神经网络模型的输入就是：两幅图片，然后网络的输出是一个相似度数值；通过输出相似度数值，来判别两幅图片的相似度或两幅图片的匹配程度。

运用深度学习判别图像相似性，相似值是一个0～1之间的数。