视频的处理方法和模型的构建方法与流程

技术特征：
1.一种视频的处理方法，其特征在于，包括：接收客户端发送的服务调用请求，其中，所述服务调用请求中携带有满足第一预设条件的视频数据以及满足第二预设条件的视频序列；对满足所述第一预设条件的视频数据以及满足所述第二预设条件的视频序列通过机器学习训练；以及输出训练结果，其中，所述训练结果为模型参数集合。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：将所述模型参数集合进行打包并发送至所述客户端。3.一种模型的构建方法，其特征在于，包括：获取满足第一预设条件的视频数据；将所述视频数据中的视频序列进行对齐处理；将对齐处理后的视频序列进行处理，得到不同曝光时长下满足第二预设条件的视频序列；将所述满足第二预设条件的视频序列和所述满足第一预设条件的视频数据输入深度卷积神经网络模型进行训练，得到目标模型。4.根据权利要求3所述的方法，其特征在于，在得到不同曝光时长下满足第二预设条件的视频序列之后，所述方法还包括：从所述满足第二预设条件的视频序列中进行采样，得到训练样本数据；将所述满足第二预设条件的视频序列和所述满足第一预设条件的视频数据输入深度卷积神经网络模型进行训练，得到目标模型包括：将所述训练样本数据和所述满足第一预设条件的视频数据输入深度卷积神经网络模型进行训练，得到所述目标模型。5.根据权利要求4所述的方法，其特征在于，将所述训练样本数据和所述满足第一预设条件的视频数据输入深度卷积神经网络模型进行训练，得到所述目标模型包括：从所述训练样本数据中选取第一组相邻三帧图片输入所述深度卷积神经网络模型，得到中间帧的hdr图像一；将所述中间帧的hdr图像一与对应的满足所述第一预设条件的图像一进行对比，得到误差一；从所述训练样本数据中选取第二组相邻三帧图片输入所述深度卷积神经网络模型，得到中间帧的hdr图像二，其中，所述第一组相邻三帧图片的中间帧与所述第二组相邻三帧图片的中间帧相邻；将所述中间帧的hdr图像二与对应的满足所述第一预设条件的图像二进行对比，得到误差二；基于所述误差一和所述误差二确定损失函数；将所述损失函数计算出的估计误差通过反向传播算法传回所述深度卷积神经网络模型以梯度下降算法训练模型，得到所述目标模型。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：对所述中间帧的hdr图像一和所述中间帧的hdr图像二加入时序一致性的约束条件。7.根据权利要求5所述的方法，其特征在于，将所述视频数据集中的视频序列进行对齐处理包括：
对所述视频数据中的相邻三帧图像，提取每帧图像上的特征点，其中，所述相邻三帧图像中包括：第一帧图像、第二帧图像和第三帧图像，所述第二帧图像是所述相邻三帧图像中的中间帧；基于每帧图像上的特征点确定所述第一帧图像的变换矩阵和所述第三帧图像的变换矩阵；基于所述第一帧图像的变换矩阵对所述第一帧图像进行变换，以将所述第一帧图像和第二帧图像进行对齐，基于所述第三帧图像的变换矩阵对所述第三帧图像进行变换，以将所述第三帧图像和所述第二帧图像进行对齐。8.根据权利要求4所述的方法，其特征在于，从所述满足第二预设条件的视频序列中进行采样，得到训练样本数据包括：对满足所述第二预设条件的视频序列中相邻两帧图像序列之间光流大于预设光流的图像区域进行采样，得到训练样本数据。9.根据权利要求3所述的方法，其特征在于，将对齐处理后的视频序列进行处理，得到不同曝光时长下满足第二预设条件的视频序列包括：利用相机响应函数以及随机生成的曝光时间，对对齐处理后的视频序列进行重曝光处理，得到不同曝光时长下的满足所述第二预设条件的视频序列。10.根据权利要求8所述的方法，其特征在于，在得到不同曝光时长下的满足所述第二预设条件的视频序列之后，所述方法还包括：对所述不同曝光时长下的满足所述第二预设条件的视频序列加入噪声信号以及应用伽马颜色变化，以模拟真实的满足所述第二预设条件的视频序列。11.根据权利要求3所述的方法，其特征在于，在得到目标模型之后，所述方法还包括：获取满足所述第二预设条件的视频数据，其中，所述视频数据中包括不同曝光时长的视频序列；将所述视频序列进行对齐处理；将对齐处理后的视频序列输入目标模型，得到满足所述第一预设条件的视频数据。12.一种计算机可读的存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至11中任意一项所述的方法。13.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至11中任意一项所述的方法。

技术总结
本发明公开了一种视频的处理方法和模型的构建方法。其中，该模型的构建方法包括：获取满足第一预设条件的视频数据；将视频数据中的视频序列进行对齐处理；将对齐处理后的视频序列进行处理，得到不同曝光时长下满足第二预设条件的视频序列；将满足第二预设条件的视频序列和满足第一预设条件的视频数据输入深度卷积神经网络模型进行训练，得到目标模型。本发明解决了现有技术中重建高动态范围视频的效果不佳的技术问题。果不佳的技术问题。果不佳的技术问题。


技术研发人员：陈冠英
受保护的技术使用者：阿里巴巴集团控股有限公司
技术研发日：2020.07.09
技术公布日：2022/1/10