CN119299703A 一种基于深度学习的视频流采集方法 （江苏新讯智造科技有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN119299703A(43)申请公布日2025.01.10

(21)申请号202411438631.1

(22)申请日2024.10.15

(71)申请人江苏新讯智造科技有限公司

地址215100江苏省苏州市吴中区经济开

发区吴中大道2288号11幢F4

(72)发明人徐波方明

(74)专利代理机构深圳市康弘知识产权代理有限公司44247

专利代理师徐金杨

(51)Int.CI.

HO4N19/159(2014.01)

HO4N19/85(2014.01)

HO4N19/136(2014.01)

GO6T9/00(2006.01)

权利要求书3页说明书11页附图1页

(54)发明名称

一种基于深度学习的视频流采集方法

(57)摘要

CN119299703A本发明适用于视频采集技术领域，尤其涉及一种基于深度学习的视频流采集方法，所述方法包括：通过自适应策略进行视频采集，得到实时采集视频数据；通过边缘计算进行参数调节，得到预处理视频数据；对预处理视频数据进行关键帧选择，得到关键帧数据；通过优化的变分自编码器模型对关键帧数据进行帧间差异压缩，输出视频帧压缩数据；在需要恢复原视频时，对视频压缩数据进行解析，通过预训练的神经网络模型进行重构，得到重构视频序列，根据重构视频序列生成完整视频。本发明利用深度学习模型直接在解码过程中生成非关键帧，不仅能够显著提高

CN119299703A

性提升触现铺序列重收無模帽压[运助，我霜等)

性提升触

现铺序列重收

無模帽压

[运助，我霜等)

和率

立解率等

视境流采集视频流处理

CN119299703A权利要求书1/3页

2

1.一种基于深度学习的视频流采集方法，其特征在于，所述方法包括：

通过自适应策略进行视频采集，得到实时采集视频数据；

通过边缘计算对实时采集视频数据进行参数调节，得到预处理视频数据；

对预处理视频数据进行关键帧选择，得到关键帧数据；

通过优化的变分自编码器模型对关键帧数据进行帧间差异压缩，输出视频帧压缩数

据；

在需要恢复原视频时，对视频压缩数据进行解析，通过预训练的神经网络模型进行重构，得到重构视频序列，根据重构视频序列生成完整视频。

2.根据权利要求1所述的基于深度学习的视频流采集方法，其特征在于，所述通过自适应策略进行视频采集，得到实时采集视频数据的步骤中，进行视频采集时，实时检测视频内容，根据视频内容调整视频采集的参数，所述参数至少包括帧率和分辨率，在视频采集的过程中，对画面中的运动程度以及光照条件进行采集，通过图像处理算法对视频帧进行分析，计算帧间差异和亮度直方图，根据预设的阈值以及决策模型对视频参数进行调整，在光照变化超出预设值的范围时，调整曝光时间和感光度，并进行白平衡参数优化。

3.根据权利要求1所述的基于深度学习的视频流采集方法，其特征在于，所述通过边缘计算对实时采集视频数据进行参数调节，得到预处理视频数据的步骤，包括：调取实时采集视频数据，通过嵌入式AI算法进行数据处理，数据处理的过程包括进行运动检测、光照变化调整和场景识别，通过光流算法和帧差法识别画面中的运动目标，通过直方图进行画面均衡和伽马矫正，通过卷积神经网络进行场景分类，根据运动检测、光照变化调整和场景识别的结果对实时采集视频数据进行参数调节，得到预处理视频数据。

4.根据权利要求1所述的基于深度学习的视频流采集方法，其特征在于，对预处理视频数据进行关键帧选择，得到关键帧数据的步骤包括：通过场景变化检测算法和结构相似性索引确定场景切换点，对每一帧的视频进行颜色直方图和结构相似性索引SSIM进行计算，预设的参数模型根据计算结果，自动识别出关键帧；

关键帧选择的核心公式通过以下公式表示：

其中，K是选择的关键帧，S是候选帧集合，△H(i)是第i帧的颜色直方图变化量，SSIM(i)是与前一帧的结构相似性指数，w?和w?是权重参数，用于调整颜色直方图变化和SSIM在关键帧选择中的影响力。

5.根据权利要求4所述的基于深度学习的视频流采集方法，其特征在于，对预处理视频数据进行关键帧选择，得到关键帧数据的步骤包括进行视频预处理、特征提取、进行颜色直方图分析、进行结构相