[发明专利]图像预测方法、装置、计算机设备和存储介质

权利要求书

1.一种图像预测方法，其特征在于，所述方法包括：

获取历史图像序列；所述历史图像序列中包括多帧按照时间顺序排列的历史图像；

按照预设规则对所述历史图像序列进行拆分，得到多个历史图像子序列；

将多个所述历史图像子序列分别输入到预先训练的多个预测模型中，得到各所述预测模型输出的候选图像序列；

根据多个所述候选图像序列得到预测的目标图像序列；

其中，所述根据多个所述候选图像序列得到预测的目标图像序列，包括：

分别对各所述候选图像序列进行插帧处理，得到各所述候选图像序列对应的中间图像序列；

分别对各所述中间图像序列进行消散度计算，得到各所述中间图像序列的消散度；所述消散度用于指示所述中间图像序列中各帧中间图像之间有效面积的变化；

将消散度最高的中间图像序列确定为所述目标图像序列；

所述分别对各所述中间图像序列进行消散度计算，得到各所述中间图像序列的消散度，包括：

针对每个中间图像序列，计算各帧中间图像的有效面积，查找出最小的有效面积和最大的有效面积，计算所述最小的有效面积与所述最大的有效面积之间的比值，得到所述中间图像序列的消散度。

2.根据权利要求1所述的方法，其特征在于，在所述将多个所述历史图像子序列分别输入到预先训练的多个预测模型中，得到各所述预测模型输出的候选图像序列之前，所述方法还包括：

获取训练图像集合；所述训练图像集合中包括多个训练图像序列，各所述训练图像序列中前m1帧训练图像组成的第一训练图像子序列作为模型输入，后m2帧训练图像组成的第二训练图像子序列作为监督；

基于所述训练图像集合进行深度学习模型的训练，得到多个所述预测模型。

3.根据权利要求2所述的方法，其特征在于，所述基于所述训练图像集合进行深度学习模型的训练，得到多个所述预测模型，包括：

针对各所述预测模型，以所述第一训练图像子序列作为输入，以所述第二训练图像子序列作为监督进行所述预测模型的训练；

以所述预测模型输出的预测图像序列作为输入，以所述第二训练图像子序列作为监督进行鉴别器的训练；

根据所述鉴别器输出的鉴别标签和所述第二训练图像子序列对所述预测模型进行优化；

当所述预测模型输出的预测图像序列与所述第二训练图像子序列之间的第一差异值小于第一预设阈值时，所述预测模型训练结束。

4.根据权利要求3所述的方法，其特征在于，所述以所述预测模型输出的预测图像序列作为输入，以所述第二训练图像子序列作为监督进行鉴别器的训练，包括：

将所述预测图像序列输入至所述鉴别器中，得到所述鉴别器输出的鉴别标签；

当所述鉴别标签与所述第二训练图像子序列对应的标签之间的第二差异值小于第二预设阈值时，所述鉴别器训练结束。

5.根据权利要求4所述的方法，其特征在于，所述根据所述鉴别器输出的鉴别标签和所述第二训练图像子序列对所述预测模型进行优化，包括：

计算所述第二训练图像子序列和所述预测图像序列的均方值误差，得到第三差异值；

根据所述第二差异值和所述第三差异值进行梯度计算，并采用反向传播算法对所述预测模型进行优化。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述按照预设规则对各所述历史图像序列进行拆分，得到多个历史图像子序列，包括：

将所述历史图像序列按照奇数帧和偶数帧拆分为奇数帧历史图像子序列和偶数帧历史图像子序列。