[发明专利]视频的编、解码方法、装置、设备和存储介质

说明书

本申请实施例提供了一种视频的编、解码方法、装置、设备和存储介质，以简化编解码的网络结构，提高编解码效率。所述方法包括：将目标帧输入到编码网络中，获取所述目标帧的第一特征信息，其中，所述编码网络为关键帧的编码网络；获取参考帧通过编码网络处理的第二特征信息，其中，所述参考帧为目标帧的相邻N帧；依据所述第一特征信息和第二特征信息，确定待压缩的目标特征信息；对所述目标特征信息进行熵编码，得到目标帧的压缩信息。能够复用关键帧的编码网络对非关键帧进行编码，得到压缩信息，提高编码效率。

技术领域

本申请涉及计算机技术领域，特别是涉及一种视频的编码方法和装置、一种视频的解码方法和装置、一种视频传输方法和装置、一种视频播放方法和装置、一种视频的编码训练方法和装置、一种电子设备和一种存储介质。

背景技术

近年来，基于深度学习的图片/视频压缩已经成为压缩方向的热点问题，目前基于深度学习的图片压缩已超越传统的图片压缩算法，并且，基于深度学习的视频压缩算法还在快速发展中。

视频压缩包含帧内压缩和帧间压缩，帧内压缩利用的是空间冗余或称为帧内空间的重复数据来定义可以丢弃的数据，帧内压缩等同于图片压缩，因此经常使用视频压缩标准的帧内压缩来评估图片压缩；帧间压缩利用的是相邻帧间的运动相关性来进行压缩。

视频压缩中，每帧代表一幅静止的图像。而在实际传输视频流中，视频帧分为I帧(Intracoded frames)、P帧(Predicted pictures)、B帧(Bi-directional predictivepictures)。其中，I帧是关键帧，采用帧内压缩，而P帧、B帧是基于I帧来压缩数据，采用帧间压缩，P是向前搜索，B是双向搜索。其中，I帧的压缩率最低、P帧压缩率较高、B帧压缩率最高。Group Of Pictures(GOP，画面组)指的就是两个I帧之间的间隔，以P帧为例，一个GOP期间第一个P帧的压缩是需要参考I帧的恢复图，第2个P帧参考第一个P帧恢复图或者I帧恢复图，以此类推。

但是，由于P帧需要参考前面帧，会存在恢复质量不断累计下降的过程，虽然GOP越长压缩效率越大，但是相应的，P帧的恢复质量会下降，导致不能实现很长的GOP压缩。目前主流的深度学习的视频压缩方案就参考上述过程，其中，I帧和P帧采用不同的压缩网络进行压缩，且P帧的压缩网络包括运动信息压缩网络和残差压缩网络。这种方式导致视频压缩中，I帧和P帧总共需要3套编解码网络，网络结构复杂且数据量大。

发明内容

本申请实施例提供了一种视频的编码方法，以简化编解码的网络结构，提高编解码效率。

相应的，本申请实施例还提供了一种视频的编码装置、一种视频的解码方法和装置、一种视频传输方法和装置、一种视频播放方法和装置、一种视频的编码训练方法和装置、一种基于视频编、解码的处理方法和装置、一种电子设备和一种存储介质，用以保证上述方法的实现及应用。

为了解决上述问题，本申请实施例公开了一种视频的编码方法，所述方法包括：将目标帧输入到编码网络中，获取所述目标帧的第一特征信息，其中，所述编码网络为关键帧的编码网络；获取参考帧通过编码网络处理的第二特征信息，其中，所述参考帧为目标帧的相邻N帧；依据所述第一特征信息和第二特征信息，确定待压缩的目标特征信息；对所述目标特征信息进行熵编码，得到目标帧的压缩信息。

本申请实施例还公开了一种视频的解码方法，包括：获取目标帧的第一压缩信息；对所述第一压缩信息进行熵解码，获取目标特征信息；确定参考帧的第二特征信息，其中，所述参考帧为目标帧的相邻N帧，所述第一特征信息为参考帧的第二压缩信息通过熵解码获取的；采用所述目标特征信息和第二特征信息，确定所述目标帧的第一特征信息；将所述第一特征信息输入到解码网络中，得到对应的目标帧，所述解码网络为关键帧的解码网络。