[发明专利]一种视频处理方法、装置、计算设备和存储介质

说明书

本发明公开了一种视频处理方法、装置、计算设备和存储介质，该方法包括：获取待处理视频中的各个帧图像；从各个帧图像中提取对应的有效区域图像；对各个帧图像对应的有效区域图像进行排列组合，得到包含有多个组合图像的重组视频；对重组视频中的每个组合图像进行分析处理，得到重组视频分析结果；对重组视频分析结果进行还原处理，得到目标视频分析结果。本发明在不添加硬件的前提下，减少了视频处理过程中的计算次数，充分利用现有硬件资源，提升视频处理的效率；同时，通过对重组视频进行还原处理，得到目标视频分析结果，保证了视频处理精度。

技术领域

本发明涉及视频处理技术领域，具体涉及一种视频处理方法、装置、计算设备和存储介质。

背景技术

当前人工智能(Artificial Intelligence，AI)技术不断发展，机器学习的精度和性能也在不断提高，由机器学习引导的技术正在加速很多行业的变革并创造出很多新的商业机会和价值。其中人工智能目前在图像识别方面发展迅速，在视频分析方面可以极大提升处理速度和精度。一个视频处理业务通常需要多种算法和模型组合计算才能完成一个视频图像的分析处理。

基于AI的视频加速处理方式目前有四种方式：(1)通过云端图形处理器(GraphicsProcessing Unit，GPU)加速处理，即云端一般直接使用云服务提供商提供的物理的或者虚拟化的GPU虚拟机来提供统一计算设备架构平台(Compute Unified DeviceArchitecture，Cuda)的计算能力，需要将计算资源传输到云端主机，直接在云端进行AI推理任务。(2)通过边缘端处理，即边缘端考虑到部署的便利性和能耗等因素，一般处理多在移动端或者边缘设备上直接处理，基于延时的考虑，低延时的视觉识别处理一般放在边缘设备上，边缘设备一般以低功耗，小型化为主，提供有限的AI能力。(3)通过云边协同混合处理，即针对边缘端设备AI计算力不足的情况，可以在边缘端进行预处理，比如特征数据的提取，然后其它计算密集型的任务传输到云端服务器进行处理，这样云端和边缘端协同来加速整体AI作业计算的性能和效率。(4)通过软件加速，有些软件方案通过优化AI算法在硬件上的适配来加速神经网络计算的流程，比如通过软件加速卷积计算在多核中央处理器(Central Processing Unit，CPU)平台上的性能。

但是，由于目前AI计算主要是卷积神经网络(Convolutional Neural Networks,CNN)的计算，卷积神经网络计算比较耗费硬件资源，所以AI运算往往需要借助于硬件加速才能实现加速，而CNN的加速计算主要是依靠GPU，因此，在硬件方面主要通过增加Cuda核心的数量来实现硬件加速，软件方面的优化主要体现在模型上，通过对模型的删枝，剪枝，减少CNN的层数来实现优化，但是删枝剪枝通常会带来精度的损失，导致计算结果不准确。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种视频处理方法、装置、计算设备和存储介质。

根据本发明的一个方面，提供了一种视频处理方法，包括以下步骤：

获取待处理视频中的各个帧图像；

从各个帧图像中提取对应的有效区域图像；

对各个帧图像对应的有效区域图像进行排列组合，确定各个有效区域图像在组合图像中的坐标位置信息，得到包含有多个组合图像的重组视频；

利用神经网络分析模型对所述重组视频中的每个组合图像进行分析处理，得到重组视频分析结果；

根据各个有效区域图像在所述组合图像中的坐标位置信息以及各个有效区域图像在所述帧图像中的有效区域信息，对所述重组视频分析结果进行还原处理，得到目标视频分析结果。

根据本发明的另一方面，提供了一种视频处理装置，包括：

帧图像获取模块，用于获取待处理视频中的各个帧图像；