[发明专利]一种基于神经网络和PCA-KNN的高效VR视频压缩方法在审
| 申请号： | 201810719999.3 | 申请日： | 2018-07-03 |
| 公开（公告）号： | CN108810547A | 公开（公告）日： | 2018-11-13 |
| 发明（设计）人： | 王文一;张梦;赵丽丽;张汝民 | 申请（专利权）人： | 电子科技大学 |
| 主分类号： | H04N19/42 | 分类号： | H04N19/42;G06N3/08;G06N3/04;G06K9/62 |
| 代理公司： | 成都弘毅天承知识产权代理有限公司 51230 | 代理人： | 马林中 |
| 地址： | 611731 四川省成*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 神经网络 映射模式 视频 高维特征向量 编码压缩 视频压缩 视频数据预处理 预处理 神经网络模型 视频压缩技术 图像纹理特征 方法分析 机器学习 视频数据 自适应 映射 降维 匹配 迁移 分类 | ||
1.一种基于神经网络和PCA-KNN的高效VR视频压缩方法，其特征在于，包括如下步骤：
S1、VR视频数据预处理；
S2、将预处理后的VR视频数据输入Res-CNN神经网络模型中，得到高维特征向量；
S3、利用PCA-KNN方法对高维特征向量进行降维分类，根据预测类别匹配最优映射模式。
2.根据权利要求1所述的一种基于神经网络和PCA-KNN的高效VR视频压缩方法，其特征在于，所述S1中对VR视频数据预处理，具体为：
S1.1、对VR视频进行插值处理，使VR视频图像的分辨率扩充为224的倍数，得到扩充视频；
S1.2、将扩充视频的每帧分割成大小为224×224的块；
S1.3、对每个块进行数据增广预处理。
3.根据权利要求2所述的一种基于神经网络和PCA-KNN的高效VR视频压缩方法，其特征在于，所述S1.3中的数据增广预处理包括如下步骤：
S1.3.1、对每个块进行随机水平翻转；
S1.3.2、对随机水平翻转后的块进行随机垂直翻转；
S1.3.3、对随机垂直翻转后的块进行颜色抖动处理；
S1.3.4、对颜色抖动处理后的块进行随机旋转。
4.根据权利要求1所述的一种基于神经网络和PCA-KNN的高效VR视频压缩方法，其特征在于，所述S2中，Res-CNN神经网络模型由包含1000类物体的ImageNet数据集进行预训练得到。
5.根据权利要求4所述的一种基于神经网络和PCA-KNN的高效VR视频压缩方法，其特征在于，所述Res-CNN神经网络模型包括卷积层、bottleneck层、池化层和全连接层，预处理后的VR视频数据依次经过所述卷积层、bottleneck层、池化层和全连接层后得到高维特征向量。
6.根据权利要求1所述的一种基于神经网络和PCA-KNN的高效VR视频压缩方法，其特征在于，所述S3中利用PCA-KNN方法对高维特征向量进行降维分类，包括如下步骤：
S3.1、对高维特征向量进行主成分分析，将高维特征向量的维度降到D维，得到低维特征向量，并对低维特征向量进行正则化处理；
S3.2、用KNN分类器对正则化后的低维特征向量进行分类。
7.根据权利要求6所述的一种基于神经网络和PCA-KNN的高效VR视频压缩方法，其特征在于，所述KNN分类器对低维特征向量分类包括如下步骤：
S3.2.1、计算低维特征向量与KNN分类器中各类的特征向量之间的距离；
S3.2.2、对计算得到的距离从小到大进行排序，选取排序后的前K个点；
S3.2.3、这K个点中出现频率最高的类别就是低维特征向量的预测类别。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于电子科技大学，未经电子科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201810719999.3/1.html，转载请声明来源钻瓜专利网。
- 上一篇：用于纹理解压缩的解码器单元
- 下一篇：一种二值图像的压缩和解压缩方法
