面向人机混合的视频编码与解码方法、系统、设备及介质与流程

1.本公开涉及视频编码技术领域，尤其涉及一种面向人机混合的视频编码与解码方法、系统、设备及介质。


背景技术：

2.随着机器学习应用的增长，车联网、视频监控、智慧城市等领域已经采用了许多智能平台，这些平台与大量传感器之间产生了海量的数据通信。数据量的增长直接导致先前面向人类视觉的编码方法效率降低，在延时和规模上也难以满足现实，面向智能机器的特征编码提上议程。
3.在机器视觉任务中，解码端往往需要对输入机器视觉任务模型的视频图像进行维度、尺寸、对比度等方面的变换操作，这些变换操作统称为图像预处理。图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。
4.相关技术中，为了降低视频图像传输过程中数据量，编码端会对采集的视频图像进行压缩编码，在解码端解压缩恢复出原始尺寸信息的视频图像，为了满足机器视觉任务的需求，可能需要通过解码端的图像预处理对解码端的视频图像进行尺寸调整，若此时也是需要缩小视频图像的尺寸，则信源与下游视觉任务模型输入层之间的大小之差会带来冗余。为了消除这种冗余，可以考虑将解码端的图像预处理前移到编码端执行，从而实现消除冗余的同时尽可能保留后续机器视觉任务的精度。
5.这种将图像预处理前移的方案，虽然能够在消除冗余的尽可能保留后续机器视觉任务的精度，但对于解码端的人眼视觉任务来说，可能出现视频图像保真度比较低的问题。
6.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

7.本公开提供一种面向人机混合的视频编码与解码方法、系统、设备及介质，至少在一定程度上克服相关技术中将图像预处理前移到编码端的方案可能导致人眼视觉任务效果较差的技术问题。
8.本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
9.根据本公开的一个方面，提供了一种面向人机混合的视频编码方法，该方法包括：对采集的原始视频图像执行编码前图像预处理，得到第一视频图像；对第一视频图像进行编码，得到第一二进制码流；对第一二进制码流进行解码，得到第二视频图像；对第二视频图像执行编码前图像后处理，得到第三视频图像；根据第三视频图像和原始视频图像生成残差视频图像；对残差视频图像进行编码，得到第二二进制码流；将第一二进制码流和第二二进制码流分别传输至解码端，其中，解码端用于：对接收到的第一二进制码流进行解码得
到第四视频图像，并对第四视频图像执行图像后处理得到第五视频图像；对接收到的第二二进制码流进行解码得到第六视频图像；根据第五视频图像和第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。
10.在一些实施例中，对采集的原始视频图像执行编码前图像预处理，得到第一视频图像包括：在采集视频图像之前或在采集视频图像的过程中，向解码端请求待执行视觉任务信息；根据待执行视觉任务信息，判断原始视频图像是否满足编码前图像预处理条件；若原始视频图像满足编码前图像预处理条件，则对原始视频图像执行编码前图像预处理，得到第一视频图像。
11.在一些实施例中，采用传统编码器对第一视频图像或残差视频图像进行编码。
12.在一些实施例中，采用端到端神经网络编码器对第一视频图像或残差视频图像进行编码。
13.根据本公开的另一个方面，还提供了一种面向人机混合的视频解码方法，包括：接收到第一二进制码流，并对第一二进制码流进行解码得到第四视频图像，其中，第一二进制码流为编码端对第一视频图像进行编码得到的二进制码流，第一视频图像为对原始视频图像执行编码前图像预处理得到的视频图像；对第四视频图像执行图像后处理得到第五视频图像；接收到第二二进制码流，并对第二二进制码流进行解码得到第六视频图像，其中，第二二进制码流为编码端对残差视频图像进行编码得到的二进制码流，残差视频图像为编码端根据第三视频图像和原始视频图像生成的视频图像，第三视频图像为编码端对第二视频图像执行编码前图像后处理得到的视频图像，第二视频图像为编码端对第一二进制码流进行解码得到的视频图像；根据第五视频图像和第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。
14.在一些实施例中，在接收到第一二进制码流，并对第一二进制码流进行解码得到第四视频图像之后，方法还包括：根据待执行视觉任务信息，判断待执行视觉任务是否为机器视觉任务；若待执行视觉任务为人眼视觉任务，则将第四视频图像输入到人眼视觉任务模型；若待执行视觉任务为机器视觉任务，则将第四视频图像输入到机器视觉任务模型。
15.在一些实施例中，将第四视频图像输入到机器视觉任务模型：判断编码端对原始视频图像执行的编码前图像预处理模式与待执行机器视觉任务要求的图像预处理模式是否一致；当编码端对原始视频图像执行的编码前图像预处理模式与待执行机器视觉任务要求的图像预处理模式一致时，将第四视频图像直接输入到机器视觉任务模型；当编码端对原始视频图像执行的编码前图像预处理模式与待执行机器视觉任务要求的图像预处理模式不一致时，对第四视频图像执行图像预处理后输入到机器视觉任务模型。
16.在一些实施例中，采用传统解码器对第一二进制码流或第二二进制码流进行解码。
17.在一些实施例中，采用端到端神经网络解码器对第一二进制码流或第二二进制码流进行解码。
18.根据本公开的另一个方面，还提供了一种编码设备，包括：图像预处理模块，用于对采集的原始视频图像执行编码前图像预处理，得到第一视频图像；第一编码模块，用于对第一视频图像进行编码，得到第一二进制码流；第一解码模块，用于对第一二进制码流进行解码，得到第二视频图像；第一图像后处理模块，用于对第二视频图像执行编码前图像后处
理，得到第三视频图像；残差视频图像生成模块，用于根据第三视频图像和原始视频图像生成残差视频图像；第二编码模块，用于对残差视频图像进行编码，得到第二二进制码流；传输模块，用于将第一二进制码流和第二二进制码流分别传输至解码端，其中，解码端用于：对接收到的第一二进制码流进行解码得到第四视频图像，并对第四视频图像执行图像后处理得到第五视频图像；对接收到的第二二进制码流进行解码得到第六视频图像；根据第五视频图像和第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。
19.根据本公开的另一个方面，还提供了一种解码设备，包括：第二解码模块，用于接收到第一二进制码流，并对第一二进制码流进行解码得到第四视频图像，其中，第一二进制码流为编码端对第一视频图像进行编码得到的二进制码流，第一视频图像为对原始视频图像执行编码前图像预处理得到的视频图像；第二图像后处理模块，用于对第四视频图像执行图像后处理得到第五视频图像；第三解码模块，用于接收到第二二进制码流，并对第二二进制码流进行解码得到第六视频图像，其中，第二二进制码流为编码端对残差视频图像进行编码得到的二进制码流，残差视频图像为编码端根据第三视频图像和原始视频图像生成的视频图像，第三视频图像为编码端对第二视频图像执行编码前图像后处理得到的视频图像，第二视频图像为编码端对第一二进制码流进行解码得到的视频图像；图像合成模块，用于根据第五视频图像和第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。
20.根据本公开的另一个方面，还提供了一种面向人机混合的视频处理系统，包括：编码设备和解码设备；其中，编码设备用于：对采集的原始视频图像执行编码前图像预处理，得到第一视频图像；对第一视频图像进行编码，得到第一二进制码流；对第一二进制码流进行解码，得到第二视频图像；对第二视频图像执行编码前图像后处理，得到第三视频图像；根据第三视频图像和原始视频图像生成残差视频图像；对残差视频图像进行编码，得到第二二进制码流；将第一二进制码流和第二二进制码流分别传输至解码设备；解码设备用于：对接收到的第一二进制码流进行解码得到第四视频图像，并对第四视频图像执行图像后处理得到第五视频图像；对接收到的第二二进制码流进行解码得到第六视频图像；根据第五视频图像和第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。
21.根据本公开的另一个方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任一项的面向人机混合的视频编码方法，或上述任意一项的面向人机混合的视频解码方法。
22.根据本公开的另一个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意一项的面向人机混合的视频编码方法，或上述任意一项的面向人机混合的视频解码方法。
23.本公开的实施例所提供的面向人机混合的视频编码与解码方法、系统、设备及介质，在对采集的原始视频图像执行编码前预处理后，对预处理视频图像进行编码，一方面将预处理视频图像的编码后的二进制码流作为数据流传输到解码端，另一方面，在编码端对预处理视频图像的二进制码流进行解码、后处理，并将后处理后的视频图像与原始视频图像产生的残差进行编码，形成增强流传输到解码端，使得解码端根据数据流和增强流的解码结果合成高质量视频图像，能够在满足机器视觉任务的基础上，满足人眼视觉任务等高保真需求场景。
24.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不
能限制本公开。
附图说明
25.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
26.图1示出相关技术中一种传统视频编解码系统架构示意图；
27.图2示出本公开实施例中一种面向人机混合的视频编解码系统架构示意图；
28.图3示出本公开实施例中一种应用系统架构示意图；
29.图4示出本公开实施例中一种面向人机混合的视频编码方法流程图；
30.图5示出本公开实施例中一种编码前预处理方法流程图；
31.图6示出本公开实施例中一种面向人机混合的视频解码方法流程图；
32.图7示出本公开实施例中一种视觉任务执行方法流程图；
33.图8示出本公开实施例中一种面向人机混合的视频处理系统示意图；
34.图9示出本公开实施例中一种编码设备内部组成模块示意图；
35.图10示出本公开实施例中一种解码设备内部组成模块示意图；
36.图11示出本公开实施例中一种电子设备的结构框图；
37.图12示出本公开实施例中一种计算机可读存储介质示意图。
具体实施方式
38.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
39.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
40.为便于理解，在介绍本公开实施例之前，首先对本公开实施例中涉及到的几个名词进行解释如下：
41.机器视觉：是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分cmos和ccd两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
42.下面结合附图，对本公开实施例的具体实施方式进行详细说明。
43.视频编码技术是指通过压缩技术，将原始视频格式的文件转换成二进制码流的方
式，通过传输码流的方式，更高效的实现发送端和接收端之间的视频图像数据传输。视频图像数据具有很强的相关性，也即存在有大量的冗余信息。其中冗余信息可分为时域冗余信息和空域冗余信息。压缩技术就是将数据中的冗余信息去掉(去除数据之间的相关性)，压缩技术包含帧内图像数据压缩技术、帧间图像数据压缩技术和熵编码压缩技术。去空域冗余主要使用帧内编码技术和熵编码技术，主要包括变换编码、量化编码和熵编码等方法。去时域冗余可以使用帧间编码技术，主要包括运动补偿、运动表示、运动估计等方法。帧间编码利用视频时间域的相关性，使用时域相邻已编码图像像素预测当前图像的像素，以达到有效去除视频时域冗余的目的。
44.目前主流的视频编码标准都是采用基于块的运动补偿技术，原理是为当前图像的每个像素块在之前已编码图像中通过运动估计寻找一个最佳匹配块。用于预测的图像称为参考图像，参考块到当前像素块的位移称为运动矢量，当前块原始像素值与参考块进行运动补偿后的预测块的像素值之间的差值称为残差。帧间预测只需要将编码块的最优mv(motion vector，运动矢量)、参考帧索引和残差值经编码后写入码流传输给解码端。解码端根据最优mv和参考帧索引在参考帧找到对应的参考块，再加上解码后残差值，从而恢复出该解码块的原始像素值。
45.如本技术背景技术部分介绍的，不同的视觉任务对视频图像的要求不同，例如，人眼视觉任务可对任意尺寸大小的视频图像进行识别；但机器视觉任务往往要求输入固定尺寸大小的视频图像，因而，将采集的视频图像输入到机器视觉任务模型前，往往需要判断是否需要对输入的视频图形进行图像预处理，并当需要执行时，对输入到机器视觉任务模型的视频图像执行图像预处理，包括但不限于对视频图像的尺寸信息进行修改。
46.图1示出相关技术中一种传统视频编解码系统架构示意图，如图1所示，传统视频编码技术以人眼保真为编码目的，技术方案如图一所示，对于采集的视频图像v统一进入视频编码器，形成二进制码流，解码端采用对应的视频解码器进行解码生成解码视频图像v’。视频图像v’直接用于人眼视觉，对于机器视觉任务，视频图像v’需要首先进行图像预处理成机器视觉任务所需的统一形式，再进入机器视觉模型处理。
47.传统视频编码方案对图像的图像预处理操作是在解码端进行的。由于视频图像编码是为了降低视频图像传输时的数据量，在编码端对视频进行压缩；在解码端进行解压缩，以恢复出原始尺寸信息的视频图像。而为满足机器视觉任务需求，有时候也会涉及到通过图像预处理操作对视频图像进行缩小，以得到机器视觉任务模型所需的固定尺寸的视频图像，若在解码端执行图像预处理操作，可能会带来冗余问题。
48.图2示出本公开实施例中一种面向人机混合的视频编解码系统架构示意图，如图2所示，本公开实施例中，对于需要执行编码前图像预处理操作的视频图像，先执行图像预处理后再进行编码压缩，使得解码端解码得到的视频图像为执行图像预处理后的视频图像，可直接输入机器视觉任务模型，从而在尽可能保留后续机器视觉任务精度的情况下，消除原始信源于下游智能任务网络输入层之间的冗余，提高压缩比。
49.进一步地，为了防止解码端解码出的视频图像输入到人眼视觉任务模型，可能导致保真度下降的问题，本公开实施例中提供的面向人机混合的视频编解码方案，在编码端执行完编码前图像预处理后，对预处理视频图像进行编码，一方面将预处理视频图像的编码后的二进制码流作为数据流传输到解码端，另一方面，在编码端对预处理视频图像的二
进制码流进行解码、后处理，并将后处理后的视频图像与原始视频图像产生的残差进行编码，形成增强流传输到解码端，使得解码端根据数据流和增强流的解码结果合成高质量视频图像，能够在满足机器视觉任务的基础上，满足人眼视觉任务等高保真需求场景。
50.图3示出了可以应用本公开实施例中面向人机混合的视频编码方法或视频解码方法的示例性应用系统架构示意图。如图3所示，该系统架构可以包括终端设备301、网络302和服务器303。
51.网络302用以在终端设备301和服务器303之间提供通信链路的介质，可以是有线网络，也可以是无线网络。
52.可选地，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(local area network，lan)、城域网(metropolitan area network，man)、广域网(wide area network，wan)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(hyper text mark-up language，html)、可扩展标记语言(extensible markuplanguage，xml)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(secure socket layer，ssl)、传输层安全(transport layer security，tls)、虚拟专用网络(virtual private network，vpn)、网际协议安全(internet protocolsecurity，ipsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
53.终端设备301可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、增强现实设备、虚拟现实设备等。
54.可选地，不同的终端设备301中安装的应用程序的客户端是相同的，或基于不同操作系统的同一类型应用程序的客户端。基于终端平台的不同，该应用程序的客户端的具体形态也可以不同，比如，该应用程序客户端可以是手机客户端、pc客户端等。
55.服务器303可以是提供各种服务的服务器，例如对用户利用终端设备301所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理，并将处理结果反馈给终端设备。
56.可选地，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。
57.本领域技术人员可以知晓，图3中的终端设备、网络和服务器的数量仅仅是示意性的，根据实际需要，可以具有任意数目的终端设备、网络和服务器。本公开实施例对此不作限定。
58.在上述系统架构下，本公开实施例中提供了一种面向人机混合的视频编码方法，该方法可以由任意具备计算处理能力的电子设备执行。在一些实施例中，本公开实施例中提供的面向人机混合的视频编码方法可以由图3中所示的终端设备来执行；在另外一些实施例中，本公开实施例中提供的面向人机混合的视频编码方法可以由图3中所示的服务器
来执行。
59.图4示出本公开实施例中一种面向人机混合的视频编码方法流程图，如图4所示，本公开实施例中提供的面向人机混合的视频编码方法包括如下步骤：
60.s402，对采集的原始视频图像执行编码前图像预处理，得到第一视频图像。
61.需要说明的是，上述s402中的编码前图像预处理是指为了满足机器视觉任务而在编码端对采集的原始视频图像进行的编码处理。通常，对于人眼视觉任务，大多数情况下不需要执行图像预处理，因而，若原始视频图像待执行的视觉任务为人眼视觉任务，则表明原始视频图像无需执行图像预处理；而对于机器视觉任务，往往要求输入固定尺寸信息的图像，在将图像输入到机器视觉任务模型之前，需要进行图像预处理(包括但不限于：图像高度和/或宽度的调整)，而图像编码过程往往也会涉及到图像大小的调整，因而，可以根据机器视觉任务所需的视频图像尺寸信息以及原始视频图像的尺寸信息，确定是否对原始视频图形执行编码前图像预处理。
62.在一些实施例中，可以在采集视频图像之前，向解码端请求待执行的视觉任务信息，以便根据待执行的视觉任务信息确定是否对采集的原始视频图像执行编码前预处理。通过该实施例，能够实现一次获取多次使用的目的，比较适用于机器视觉任务和人眼视觉任务按一定规律执行的场景。
63.在另外一些实施例中，在采集视频图像的过程中，向解码端请求待执行的视觉任务信息，以便根据待执行的视觉任务信息确定是否对采集的原始视频图像执行编码前预处理。通过该实施例，能够满足实时任务处理，尤其适用于机器视觉任务和人眼视觉任务交叉执行的场景。
64.s404，对第一视频图像进行编码，得到第一二进制码流。
65.需要说明的是，上述s404中的第一视频图像是对原始视频图像进行图像处理后得到的视频图像，在将第一视频图像传输到解码端之前，需要将第一视频图像编码为二进制码流(即第一二进制码流)。本公开实施例中，对视频图像的编码方式不作限定，本领域技术人员可根据实际需要，选择适合的编码方式。
66.在一些实施例中，可以采用vtm编码器(例如，vtm8.2编码器)或类似传统编码器对第一视频图像进行编码。在另外一些实施例中，可以采用端到端神经网络编码器(例如，mbt2018-mean编码器)对第一视频图像进行编码。
67.s406，对第一二进制码流进行解码，得到第二视频图像。
68.需要说明的是，上述s406中对第一二进制码流进行解码的过程与上述s404中对第一视频图像进行编码的过程对应，若采用传统编码器对第一视频图像进行编码，则采用传统解码器对第一二进制码流进行解码；若采用端到端神经网络编码器对第一视频图像进行编码，则采用端到端神经网络解码器对第一二进制码流进行解码。
69.s408，对第二视频图像执行编码前图像后处理，得到第三视频图像。
70.需要说明的是，本公开实施例中执行的编码前后处理与编码前预处理是对应的，若编码前预处理是将缩小图像尺寸，则编码前后处理是放大图像尺寸，放大和缩小的比例，可以灵活调整，不一定要将预处理后的图像放大到原始尺寸，在具体实施时，可根据解码端人眼视觉所需的图像保真度确定。
71.在一些实施例中，本公开实施例中提供的面向人机混合的视频编码方法还可以通
过如下步骤对第二视频图像执行编码前图像后处理：获取对原始视频图像执行编码前图像预处理的预处理信息；根据该预处理信息，对第二视频图像执行编码前图像后处理，得到第三视频图像。
72.s410，根据第三视频图像和原始视频图像生成残差视频图像。
73.需要说明的是，第三视频图像是对原始视频图像进行预处理、编码、解码、后处理后得到的视频图像，根据第三视频图像和原始视频图像生成残差视频图像，以便对残差图像进行编码得到数据增强流，传输到解码端，作为增强流对解码后的视频图像进行增强，能够得到满足人眼视觉任务的高质量视频图像。
74.s412，对残差视频图像进行编码，得到第二二进制码流。
75.在一些实施例中，可以采用传统编码器对第一视频图像进行编码。在另外一些实施例中，可以采用端到端神经网络编码器对第一视频图像进行编码。
76.s414，将第一二进制码流和第二二进制码流分别传输至解码端。
77.需要说明的是，上述解码端可用于对接收到的第一二进制码流进行解码得到第四视频图像，并对第四视频图像执行图像后处理得到第五视频图像；对接收到的第二二进制码流进行解码得到第六视频图像；根据第五视频图像和第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。
78.由上可知，本公开实施例中，针对机器视觉任务，将图像预处理前移到编码端，在编码前执行图像预处理，能够针对机器视觉任务实际需要的图像进行编码，从而降低传输的数据量，提高压缩率；针对不同的编码前图像预处理，对预处理图像的编码结果进行解码，并在解码后进行相应的图像后处理，进而将后处理后的视频图像与采集的原始视频图像产生的残差进行编码，形成增强流，对解码端解码后的图像进行增强，最后合成高质量的图像以满足人眼视觉需求。
79.在一些实施例中，如图5所示，本公开实施例中提供的面向人机混合的视频编码方法可以通过如下步骤对采集的原始视频图像执行编码前图像预处理以得到第一视频图像包括：
80.s502，在采集视频图像之前或在采集视频图像的过程中，向解码端请求待执行视觉任务信息；
81.s504，根据待执行视觉任务信息，判断原始视频图像是否满足编码前图像预处理条件；
82.s506，若原始视频图像满足编码前图像预处理条件，则对原始视频图像执行编码前图像预处理，得到第一视频图像；
83.s508，若原始视频图像不满足编码前图像预处理条件，则不对原始视频图像执行编码前图像预处理。
84.需要说明的是，上述待执行视觉任务信息包括但不限于对采集的视频图像待执行的视觉任务的任务类型、执行相应任务类型视觉任务所需执行的图像预处理操作。在一些实施例中，可以在采集视频图像之前，向图像解码端请求待编码视频图像对应的视觉任务信息，实现一次获取多次使用的目的，比较适用于机器视觉任务和人眼视觉任务按一定规律执行的场景。在另外一些实施例中，在采集视频图像的过程中，向图像解码端请求待编码视频图像对应的视觉任务信息，以满足实时任务处理，尤其适用于机器视觉任务和人眼视
觉任务交叉执行的场景。
85.在获取到待执行视觉任务信息后，可以根据待执行视觉任务信息，判断待编码视频图像是否需要执行图像预处理操作，也即是否满足编码前图像预处理条件。对于人眼视觉任务，大多数情况下不需要执行图像预处理，因而，若待编码视频图像待执行的视觉任务为人眼视觉任务，则表明待编码视频图像无需执行图像预处理操作，因而判断结果为待编码视频图像不满足编码前图像预处理条件。而对于机器视觉任务，往往要求输入固定尺寸信息的图像，在将图像输入到机器视觉任务模型之前，需要进行图像预处理(包括但不限于：图像高度和/或宽度的调整)，而图像编码过程往往也会涉及到图像大小的调整，因而，在根据机器视觉任务信息判断待编码视频图像是否满足编码前图像处理条件的时候，可以根据机器视觉任务所需的视频图像尺寸信息以及编码前视频图像的尺寸信息，确定待编码视频图像是否满足编码前图像预处理条件。
86.基于同一发明构思，本公开实施例中还提供了一种面向人机混合的视频解码方法，该方法可以由任意具备计算处理能力的电子设备执行。在一些实施例中，本公开实施例中提供的面向人机混合的视频解码方法可以由图3中所示的终端设备来执行；在另外一些实施例中，本公开实施例中提供的面向人机混合的视频解码方法可以由图3中所示的服务器来执行。
87.需要说明的是，本公开实施例中提供的面向人机混合的视频编码方法和视频解码方法可以同时由图3中所示的终端设备来执行，也可以同时由图3中所示的服务器来执行；还可以是视频编码方法在终端设备上执行，而视频解码方法在服务器上执行；或者，视频编码方法在服务器上执行，而视频解码方法在终端设备上执行。
88.图6示出本公开实施例中一种面向人机混合的视频解码方法流程图，如图6所示，该方法可以包括如下步骤：
89.s602，接收到第一二进制码流，并对第一二进制码流进行解码得到第四视频图像，其中，第一二进制码流为编码端对第一视频图像进行编码得到的二进制码流，第一视频图像为对原始视频图像执行编码前图像预处理得到的视频图像；
90.s604，对第四视频图像执行图像后处理得到第五视频图像；
91.s606，接收到第二二进制码流，并对第二二进制码流进行解码得到第六视频图像，其中，第二二进制码流为编码端对残差视频图像进行编码得到的二进制码流，残差视频图像为编码端根据第三视频图像和原始视频图像生成的视频图像，第三视频图像为编码端对第二视频图像执行编码前图像后处理得到的视频图像，第二视频图像为编码端对第一二进制码流进行解码得到的视频图像；
92.s608，根据第五视频图像和第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。
93.由上可知，本公开的实施例中提供的面向人机混合的视频解码方法，对第一二进制码流解码后的视频图像执行图像后处理，并与第二二进制码流解码后的视频图像，合成待输入到人眼视觉任务模型的视频图像，由于第一二进制码流是数据流，第二二进制码流是增强流，因而，输入到人眼视觉任务模型的视频图像是高质量图像，可满足人眼视觉任务等高保真需求场景。
94.在一些实施例中，在接收到第一二进制码流，并对第一二进制码流进行解码得到
第四视频图像之后，如图7所示，本公开实施例中提供的面向人机混合的视频解码方法，还可以通过如下步骤来执行视觉任务：
95.s702，根据待执行视觉任务信息，判断待执行视觉任务是否为机器视觉任务；若待执行视觉任务为人眼视觉任务，则执行s704；若待执行视觉任务为机器视觉任务，则执行s706～s710；
96.s704，将第四视频图像输入到人眼视觉任务模型；
97.s706，判断编码端对原始视频图像执行的编码前图像预处理模式与待执行机器视觉任务要求的图像预处理模式是否一致；
98.s708，当编码端对原始视频图像执行的编码前图像预处理模式与待执行机器视觉任务要求的图像预处理模式一致时，将第四视频图像直接输入到机器视觉任务模型；
99.s710，当编码端对原始视频图像执行的编码前图像预处理模式与待执行机器视觉任务要求的图像预处理模式不一致时，对第四视频图像执行图像预处理后输入到机器视觉任务模型。
100.在一些实施例中，可以采用传统解码器对第一二进制码流或第二二进制码流进行解码；在另一些实施例中，可以采用端到端神经网络解码器对第一二进制码流或第二二进制码流进行解码。
101.本公开实施例中提供的面向人机混合的视频编解码方法，在具体实施时，可包括：
102.编码端在正式开始图像采集前，向解码端请求模式图像预处理模式mode、增强流等级q配置；也可图像采集开始后，在线向解码端请求图像预处理模式mode、增强流等级q配置。
103.1)对于采集的视频图像x进行图像预处理模式为mode的预处理，形成预处理后的视频图像x1，其中mode也可为空，表示不需要经过图像预处理；图像预处理模式可为下采样方法、机器视觉神经网络骨干网图像预处理方法等；
104.2)将视频图像x1经过编码器编码模块，形成文件y，编码文件经过码流模块形成二进制文件b，将输出的二进制文件和(mode，h，w)形成二进制码流；
105.3)解码端采用对应解码器对二进制码流进行解码得到解码视频图像x’和(mode，h，w)；其中，当mode为空时，不需要参数h和w；
106.4)对图像预处理模式mode进行判断，若mode与当前机器视觉图像预处理方式一致，直接进入机器视觉模型处理，其中h和w用于获取目标位置信息时在原图中的定位；若mode与当前机器视觉图像预处理方式不一致，对解码视频图像x’先进行图像预处理操作，再进入机器视觉模型处理。
107.5)对于解码视频图像x’，可直接进入人眼视觉，也可经过图像后处理/图像增强等形成原始尺寸视频图像x”处理后进入人眼视觉。
108.可选地，对于增强流等级配置q不为0的情况，需要进行残差视频编码，具体方法如下：
①
对视频图像x1形成的文件y经过解码模块、mode对应的图像后处理操作，形成视频图像x2，将采集视频图像x和视频图像x2形成残差视频图像δx；
②
将视频图像δx经过编码器编码模块和码流模块形成二进制文件δb码流；
③
解码端采用解码器对二进制码流进行解码得到解码残差视频图像δx’；
④
将解码残差视频图像δx’和视频图像x”进行合并形成视频图像x
”’
进入人眼视觉。
109.其中增强流等级配置q可与编码器中对视频图像x1进行编码的等级配置不同。此处的编码器为包含图像预处理功能和图像处理残差视频流编码功能的编码器。
110.下面列举几个实际的例子，来对本公开中提供的面向人机混合的视频编解码方法进行详细说明。
111.实施例一：
112.以采集的传统2k分辨率视频图像1920x1080x3用于目标检测任务为例，目标检测网络模型为faster r-cnn x101 fpn，具体实施如下：
113.编码端在正式开始图像采集前，向解码端请求模式图像预处理模式mode、增强流等级q配置，设置mode为resnetx101，q为0。
114.1)对于采集的视频图像x进行图像预处理模式为mode的预处理，形成预处理后的视频图像x1。
115.2)将视频图像x1经过编码器编码模块，形成文件y，编码文件经过码流模块形成二进制文件b，将输出的二进制文件和(mode，h，w)形成二进制码流，mode为resnetx101，h为采集图像的高度1920，w为采集图像的宽度1080。
116.3)解码端采用对应的解码器对二进制码流进行解码得到解码视频图像x’和(mode，h，w)。
117.4)对图像预处理模式mode进行判断，mode与当前机器视觉图像预处理方式一致，直接进入机器视觉模型处理，其中h和w用于获取目标位置信息时在原图中的定位。
118.5)对于解码视频图像x’，经过mode对应的图像后处理形成原始尺寸视频图像x”处理后进入人眼视觉。
119.由于增强流等级配置q为0，不需要进行残差视频编码。
120.实施例二
121.以采集的传统2k分辨率视频图像1920x1080x3用于目标检测任务为例，目标检测网络模型为mobilenet为例，具体实施如下：
122.编码端在正式开始图像采集前，向解码端请求模式图像预处理模式mode、增强流等级q配置，设置mode为mobilenet，q为27。
123.1)对于采集的视频图像x进行图像预处理模式为mode的预处理，形成预处理后的视频图像x1。
124.2)将视频图像x1经过编码器编码模块进行量化等级q为27的编码，形成文件y，编码文件经过码流模块形成二进制文件b，将输出的二进制文件和(mode，h，w)形成二进制码流，mode为mobilenet，h为采集图像的高度1920，w为采集图像的宽度1080。
125.3)解码端采用对应解码器对二进制码流进行解码得到解码视频图像x’和(mode，h，w)。
126.4)对图像预处理模式mode进行判断，mode与当前机器视觉图像预处理方式一致，直接进入机器视觉模型处理，其中h和w用于获取目标位置信息时在原图中的定位。
127.5)对于解码视频图像x’，经过mode对应的图像后处理形成原始尺寸视频图像x”处理后进入人眼视觉。
128.由于增强流等级配置q不为0，需要进行残差视频编码，具体实施方法如下：
①
对视频图像x1形成的文件y经过解码模块、mode对应的图像后处理操作，形成视频图像x2，将采
集视频图像x和视频图像x2形成残差视频图像δx；
②
将视频图像δx经过编码器编码模块和码流模块形成二进制文件δb码流；
③
解码端采用对应解码器对二进制码流进行解码得到解码残差视频图像δx’；
④
将解码残差视频图像δx’和视频图像x”进行合并形成视频图像x
”’
进入人眼视觉。
129.实施例三：
130.以采集的传统2k分辨率视频图像1920x1080x3用于目标检测任务为例，目标检测网络模型为mobilenet为例，具体实施如下：
131.编码端在正式开始图像采集前，向解码端请求模式图像预处理模式mode、增强流等级q配置，设置mode为下采样0.5，q为32。
132.1)对于采集的视频图像x进行图像预处理模式为mode的预处理，形成预处理后的视频图像x1。
133.2)将视频图像x1经过编码器编码模块进行量化等级q为32的编码，形成文件y，编码文件经过码流模块形成二进制文件b，将输出的二进制文件和(mode，h，w)形成二进制码流，mode为下采样0.5，h为采集图像的高度1920，w为采集图像的宽度1080。
134.3)解码端采用对应解码器对二进制码流进行解码得到解码视频图像x’和(mode，h，w)。
135.4)对图像预处理模式mode进行判断，mode与当前机器视觉图像预处理方式不同，对解码视频图像x’先进行图像预处理操作，再进入机器视觉模型处理，其中h和w用于获取目标位置信息时在原图中的定位。
136.5)对于解码视频图像x’，直接进入人眼视觉。
137.由于增强流等级配置q不为0，需要进行残差视频编码，具体实施方法如下：
①
对视频图像x1形成的文件y经过解码模块、mode对应的图像后处理操作，形成视频图像x2，将采集视频图像x和视频图像x2形成残差视频图像δx；
②
将视频图像δx经过编码器编码模块和码流模块形成二进制文件δb码流；
③
解码端采用对应解码器对二进制码流进行解码得到解码残差视频图像δx’；
④
将解码残差视频图像δx’和视频图像x”进行合并形成视频图像x
”’
进入人眼视觉。
138.实施例四：
139.以采集的传统2k分辨率视频图像1920x1080x3用于目标检测任务为例，目标检测网络模型为mobilenet为例，具体实施如下：
140.编码端在正式开始图像采集前，向解码端请求模式图像预处理模式mode、增强流等级q配置，设置mode为空，q为空。
141.1)对于采集的视频图像x输入vtm8.2编码器进行量化等级q为32的编码，将vtm8.2编码器的输出和(mode，h，w)形成二进制码流，mode为空，h为采集图像的高度1920，w为采集图像的宽度1080。
142.2)解码端采用vtm8.2解码器对二进制码流进行解码得到解码视频图像x’和(mode，h，w)。
143.3)对图像预处理模式mode进行判断，mode与当前机器视觉图像预处理方式不同，对解码视频图像x’先进行图像预处理操作，再进入机器视觉模型处理，其中h和w用于获取目标位置信息时在原图中的定位。
144.4)对于解码视频图像x’，直接进入人眼视觉。
145.由于增强流等级配置q为0，不需要进行残差视频编码。
146.本公开实施例中提供的面向人机混合的视频编码与解码方案，在智慧交通、智慧工业等视频高吞吐场景下，采用特征编码方式进行视频编码和传输等任务场景以及人机混合场景中具有广泛的应用前景。能够实现但不限于如下技术效果：
147.1)以机器视觉任务为主的人机混合编码方案，图像预处理有效融合在视频编码中，在编码前降低输入视频数据量，保证机器视觉任务同时提高视频压缩率，兼容不同图像处理方式。
148.2)对于不同保真度的人眼视觉需求，通过图像预处理、编码、解码、后处理残差视频流进行分级编码；同时对于预处理后的视频图像主码流和增强码流可根据需要采用不同压缩等级配置，框架灵活。
149.基于同一发明构思，本公开实施例中还提供了一种面向人机混合的视频处理系统，如下面的实施例所述。由于该系统实施例解决问题的原理与上述方法实施例相似，因此该系统实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。
150.图8示出本公开实施例中一种面向人机混合的视频处理系统示意图，如图8所示，该系统包括：编码设备801和解码设备802。
151.其中，编码设备801用于：对采集的原始视频图像执行编码前图像预处理，得到第一视频图像；对第一视频图像进行编码，得到第一二进制码流；对第一二进制码流进行解码，得到第二视频图像；对第二视频图像执行编码前图像后处理，得到第三视频图像；根据第三视频图像和原始视频图像生成残差视频图像；对残差视频图像进行编码，得到第二二进制码流；将第一二进制码流和第二二进制码流分别传输至解码设备；解码设备802用于：对接收到的第一二进制码流进行解码得到第四视频图像，并对第四视频图像执行图像后处理得到第五视频图像；对接收到的第二二进制码流进行解码得到第六视频图像；根据第五视频图像和第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。
152.在一些实施例中，上述编码设备801还用于：在采集视频图像之前或在采集视频图像的过程中，向解码端请求待执行视觉任务信息；根据待执行视觉任务信息，判断原始视频图像是否满足编码前图像预处理条件；若原始视频图像满足编码前图像预处理条件，则对原始视频图像执行编码前图像预处理，得到第一视频图像。
153.在一些实施例中，上述编码设备801还用于采用传统编码器对第一视频图像或残差视频图像进行编码；上述解码设备802还用于采用传统解码器对第一二进制码流或第二二进制码流进行解码。
154.在一些实施例中，上述编码设备801还用于采用端到端神经网络编码器对第一视频图像或残差视频图像进行编码；上述解码设备802还用于采用端到端神经网络解码器对第一二进制码流或第二二进制码流进行解码。
155.在一些实施例中，上述解码设备802还用于：根据待执行视觉任务信息，判断待执行视觉任务是否为机器视觉任务；若待执行视觉任务为人眼视觉任务，则将第四视频图像输入到人眼视觉任务模型；若待执行视觉任务为机器视觉任务，则将第四视频图像输入到机器视觉任务模型。
156.在一些实施例中，上述解码设备802还用于：判断编码端对原始视频图像执行的编
码前图像预处理模式与待执行机器视觉任务要求的图像预处理模式是否一致；当编码端对原始视频图像执行的编码前图像预处理模式与待执行机器视觉任务要求的图像预处理模式一致时，将第四视频图像直接输入到机器视觉任务模型；当编码端对原始视频图像执行的编码前图像预处理模式与待执行机器视觉任务要求的图像预处理模式不一致时，对第四视频图像执行图像预处理后输入到机器视觉任务模型。
157.基于同一发明构思，本公开实施例中还提供了一种编码设备，如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。
158.图9示出本公开实施例中一种编码设备内部组成模块示意图，如图9所示，该编码设备包括：图像预处理模块901、第一编码模块902、第一解码模块903、第一图像后处理模块904、残差视频图像生成模块905、第二编码模块906和传输模块907。
159.其中，图像预处理模块901，用于对采集的原始视频图像执行编码前图像预处理，得到第一视频图像；第一编码模块902，用于对第一视频图像进行编码，得到第一二进制码流；第一解码模块903，用于对第一二进制码流进行解码，得到第二视频图像；第一图像后处理模块904，用于对第二视频图像执行编码前图像后处理，得到第三视频图像；残差视频图像生成模块905，用于根据第三视频图像和原始视频图像生成残差视频图像；第二编码模块906，用于对残差视频图像进行编码，得到第二二进制码流；传输模块907，用于将第一二进制码流和第二二进制码流分别传输至解码端，其中，解码端用于：对接收到的第一二进制码流进行解码得到第四视频图像，并对第四视频图像执行图像后处理得到第五视频图像；对接收到的第二二进制码流进行解码得到第六视频图像；根据第五视频图像和第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。
160.此处需要说明的是，上述图像预处理模块901、第一编码模块902、第一解码模块903、第一图像后处理模块904、残差视频图像生成模块905、第二编码模块906和传输模块907对应于方法实施例中的s402～s414，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述方法实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
161.在一些实施例中，上述图像预处理模块901用于：在采集视频图像之前或在采集视频图像的过程中，向解码端请求待执行视觉任务信息；根据待执行视觉任务信息，判断原始视频图像是否满足编码前图像预处理条件；若原始视频图像满足编码前图像预处理条件，则对原始视频图像执行编码前图像预处理，得到第一视频图像。
162.在一些实施例中，上述第一编码模块902还用于采用传统编码器对第一视频图像进行编码；上述第二编码模块906还用于采用传统编码器对残差视频图像进行编码。
163.在一些实施例中，上述第一编码模块902还用于采用端到端神经网络编码器对第一视频图像进行编码；上述上述第二编码模块906还用于采用端到端神经网络编码器对残差视频图像进行编码。
164.基于同一发明构思，本公开实施例中还提供了一种解码设备，如下面的实施例所述。由于该解码设备实施例解决问题的原理与上述方法实施例相似，因此该解码设备实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。
165.图10示出本公开实施例中一种解码设备内部组成模块示意图，如图10所示，该解
码设备包括：第二解码模块101、第二图像后处理模块102、第三解码模块103和图像合成模块104。
166.其中，第二解码模块101，用于接收到第一二进制码流，并对第一二进制码流进行解码得到第四视频图像，其中，第一二进制码流为编码端对第一视频图像进行编码得到的二进制码流，第一视频图像为对原始视频图像执行编码前图像预处理得到的视频图像；第二图像后处理模块102，用于对第四视频图像执行图像后处理得到第五视频图像；第三解码模块103，用于接收到第二二进制码流，并对第二二进制码流进行解码得到第六视频图像，其中，第二二进制码流为编码端对残差视频图像进行编码得到的二进制码流，残差视频图像为编码端根据第三视频图像和原始视频图像生成的视频图像，第三视频图像为编码端对第二视频图像执行编码前图像后处理得到的视频图像，第二视频图像为编码端对第一二进制码流进行解码得到的视频图像；图像合成模块104，用于根据第五视频图像和第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。
167.此处需要说明的是，上述第二解码模块101、第二图像后处理模块102、第三解码模块103和图像合成模块104对应于方法实施例中的s602～s608，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述方法实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
168.在一些实施例中，上述第二解码模块101还用于：根据待执行视觉任务信息，判断待执行视觉任务是否为机器视觉任务；若待执行视觉任务为人眼视觉任务，则将第四视频图像输入到人眼视觉任务模型；若待执行视觉任务为机器视觉任务，则将第四视频图像输入到机器视觉任务模型。
169.在一些实施例中，上述第二解码模块101还用于：判断编码端对原始视频图像执行的编码前图像预处理模式与待执行机器视觉任务要求的图像预处理模式是否一致；当编码端对原始视频图像执行的编码前图像预处理模式与待执行机器视觉任务要求的图像预处理模式一致时，将第四视频图像直接输入到机器视觉任务模型；当编码端对原始视频图像执行的编码前图像预处理模式与待执行机器视觉任务要求的图像预处理模式不一致时，对第四视频图像执行图像预处理后输入到机器视觉任务模型。
170.在一些实施例中，上述第二解码模块101还用于采用传统解码器对第一二进制码流进行解码；上述第三解码模块103还用于采用传统解码器对第二二进制码流进行解码。
171.在一些实施例中，上述第二解码模块101还用于采用端到端神经网络解码器对第一二进制码流进行解码；上述第三解码模块103还用于采用端到端神经网络解码器对第二二进制码流进行解码。
172.所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
173.下面参照图11来描述根据本公开的这种实施方式的电子设备1100。图11显示的电子设备1100仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
174.如图11所示，电子设备1100以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于：上述至少一个处理单元1110、上述至少一个存储单元1120、连接不同系统
组件(包括存储单元1120和处理单元1110)的总线1130。
175.其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1110执行，使得所述处理单元1110执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
176.当本公开实施例中的电子设备为编码设备时，则上述处理单元1110可以执行上述方法实施例的如下步骤：对采集的原始视频图像执行编码前图像预处理，得到第一视频图像；对第一视频图像进行编码，得到第一二进制码流；对第一二进制码流进行解码，得到第二视频图像；对第二视频图像执行编码前图像后处理，得到第三视频图像；根据第三视频图像和原始视频图像生成残差视频图像；对残差视频图像进行编码，得到第二二进制码流；将第一二进制码流和第二二进制码流分别传输至解码端，其中，解码端用于：对接收到的第一二进制码流进行解码得到第四视频图像，并对第四视频图像执行图像后处理得到第五视频图像；对接收到的第二二进制码流进行解码得到第六视频图像；根据第五视频图像和第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。
177.当本公开实施例中的电子设备为解码设备时，则上述处理单元1110可以执行上述方法实施例的如下步骤：接收到第一二进制码流，并对第一二进制码流进行解码得到第四视频图像，其中，第一二进制码流为编码端对第一视频图像进行编码得到的二进制码流，第一视频图像为对原始视频图像执行编码前图像预处理得到的视频图像；对第四视频图像执行图像后处理得到第五视频图像；接收到第二二进制码流，并对第二二进制码流进行解码得到第六视频图像，其中，第二二进制码流为编码端对残差视频图像进行编码得到的二进制码流，残差视频图像为编码端根据第三视频图像和原始视频图像生成的视频图像，第三视频图像为编码端对第二视频图像执行编码前图像后处理得到的视频图像，第二视频图像为编码端对第一二进制码流进行解码得到的视频图像；根据第五视频图像和第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。
178.存储单元1120可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)11201和/或高速缓存存储单元11202，还可以进一步包括只读存储单元(rom)11203。
179.存储单元1120还可以包括具有一组(至少一个)程序模块11205的程序/实用工具11204，这样的程序模块11205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
180.总线1130可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
181.电子设备1100也可以与一个或多个外部设备1140(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1100交互的设备通信，和/或与使得该电子设备1100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1150进行。并且，电子设备1100还可以通过网络适配器1160与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1160通过总线1130与电子设备1100的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1100使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁
带驱动器以及数据备份存储系统等。
182.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
183.在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。图12示出本公开实施例中一种计算机可读存储介质示意图，如图12所示，该计算机可读存储介质1200上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
184.本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
185.在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
186.可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
187.在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
188.应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
189.此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现
期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
190.通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
191.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

技术特征：
1.一种面向人机混合的视频编码方法，其特征在于，包括：对采集的原始视频图像执行编码前图像预处理，得到第一视频图像；对第一视频图像进行编码，得到第一二进制码流；对第一二进制码流进行解码，得到第二视频图像；对第二视频图像执行编码前图像后处理，得到第三视频图像；根据第三视频图像和原始视频图像生成残差视频图像；对残差视频图像进行编码，得到第二二进制码流；将所述第一二进制码流和所述第二二进制码流分别传输至解码端，其中，所述解码端用于：对接收到的第一二进制码流进行解码得到第四视频图像，并对所述第四视频图像执行图像后处理得到第五视频图像；对接收到的第二二进制码流进行解码得到第六视频图像；根据所述第五视频图像和所述第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。2.根据权利要求1所述的面向人机混合的视频编码方法，其特征在于，所述对采集的原始视频图像执行编码前图像预处理，得到第一视频图像包括：在采集视频图像之前或在采集视频图像的过程中，向解码端请求待执行视觉任务信息；根据所述待执行视觉任务信息，判断所述原始视频图像是否满足编码前图像预处理条件；若所述原始视频图像满足编码前图像预处理条件，则对所述原始视频图像执行编码前图像预处理，得到所述第一视频图像。3.根据权利要求1或2所述的面向人机混合的视频编码方法，其特征在于，采用传统编码器对第一视频图像或残差视频图像进行编码。4.根据权利要求1或2所述的面向人机混合的视频编码方法，其特征在于，采用端到端神经网络编码器对第一视频图像或残差视频图像进行编码。5.一种面向人机混合的视频解码方法，其特征在于，包括：接收到第一二进制码流，并对第一二进制码流进行解码得到第四视频图像，其中，所述第一二进制码流为编码端对第一视频图像进行编码得到的二进制码流，所述第一视频图像为对原始视频图像执行编码前图像预处理得到的视频图像；对所述第四视频图像执行图像后处理得到第五视频图像；接收到第二二进制码流，并对第二二进制码流进行解码得到第六视频图像，其中，所述第二二进制码流为编码端对残差视频图像进行编码得到的二进制码流，所述残差视频图像为编码端根据第三视频图像和原始视频图像生成的视频图像，所述第三视频图像为编码端对第二视频图像执行编码前图像后处理得到的视频图像，所述第二视频图像为编码端对第一二进制码流进行解码得到的视频图像；根据所述第五视频图像和所述第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。6.根据权利要求5所述的面向人机混合的视频解码方法，其特征在于，在接收到第一二进制码流，并对第一二进制码流进行解码得到第四视频图像之后，所述方法还包括：根据待执行视觉任务信息，判断待执行视觉任务是否为机器视觉任务；
若待执行视觉任务为人眼视觉任务，则将第四视频图像输入到人眼视觉任务模型；若待执行视觉任务为机器视觉任务，则将第四视频图像输入到机器视觉任务模型。7.根据权利要求6所述的面向人机混合的视频解码方法，其特征在于，所述将第四视频图像输入到机器视觉任务模型：判断编码端对原始视频图像执行的编码前图像预处理模式与待执行机器视觉任务要求的图像预处理模式是否一致；当编码端对原始视频图像执行的编码前图像预处理模式与待执行机器视觉任务要求的图像预处理模式一致时，将第四视频图像直接输入到机器视觉任务模型；当编码端对原始视频图像执行的编码前图像预处理模式与待执行机器视觉任务要求的图像预处理模式不一致时，对第四视频图像执行图像预处理后输入到机器视觉任务模型。8.根据权利要求5～7中任意一项所述的面向人机混合的视频解码方法，其特征在于，采用传统解码器对第一二进制码流或第二二进制码流进行解码。9.根据权利要求5～7中任意一项所述的面向人机混合的视频解码方法，其特征在于，采用端到端神经网络解码器对第一二进制码流或第二二进制码流进行解码。10.一种编码设备，其特征在于，包括：图像预处理模块，用于对采集的原始视频图像执行编码前图像预处理，得到第一视频图像；第一编码模块，用于对第一视频图像进行编码，得到第一二进制码流；第一解码模块，用于对第一二进制码流进行解码，得到第二视频图像；第一图像后处理模块，用于对第二视频图像执行编码前图像后处理，得到第三视频图像；残差视频图像生成模块，用于根据第三视频图像和原始视频图像生成残差视频图像；第二编码模块，用于对残差视频图像进行编码，得到第二二进制码流；传输模块，用于将所述第一二进制码流和所述第二二进制码流分别传输至解码端，其中，所述解码端用于：对接收到的第一二进制码流进行解码得到第四视频图像，并对所述第四视频图像执行图像后处理得到第五视频图像；对接收到的第二二进制码流进行解码得到第六视频图像；根据所述第五视频图像和所述第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。11.一种解码设备，其特征在于，包括：第二解码模块，用于接收到第一二进制码流，并对第一二进制码流进行解码得到第四视频图像，其中，所述第一二进制码流为编码端对第一视频图像进行编码得到的二进制码流，所述第一视频图像为对原始视频图像执行编码前图像预处理得到的视频图像；第二图像后处理模块，用于对所述第四视频图像执行图像后处理得到第五视频图像；第三解码模块，用于接收到第二二进制码流，并对第二二进制码流进行解码得到第六视频图像，其中，所述第二二进制码流为编码端对残差视频图像进行编码得到的二进制码流，所述残差视频图像为编码端根据第三视频图像和原始视频图像生成的视频图像，所述第三视频图像为编码端对第二视频图像执行编码前图像后处理得到的视频图像，所述第二视频图像为编码端对第一二进制码流进行解码得到的视频图像；
图像合成模块，用于根据所述第五视频图像和所述第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。12.一种面向人机混合的视频处理系统，其特征在于，包括：编码设备和解码设备；其中，所述编码设备用于：对采集的原始视频图像执行编码前图像预处理，得到第一视频图像；对第一视频图像进行编码，得到第一二进制码流；对第一二进制码流进行解码，得到第二视频图像；对第二视频图像执行编码前图像后处理，得到第三视频图像；根据第三视频图像和原始视频图像生成残差视频图像；对残差视频图像进行编码，得到第二二进制码流；将所述第一二进制码流和所述第二二进制码流分别传输至解码设备；所述解码设备用于：对接收到的第一二进制码流进行解码得到第四视频图像，并对所述第四视频图像执行图像后处理得到第五视频图像；对接收到的第二二进制码流进行解码得到第六视频图像；根据所述第五视频图像和所述第六视频图像，合成待输入到人眼视觉任务模型的第七视频图像。13.一种电子设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～4任一项所述的面向人机混合的视频编码方法，或权利要求5～9中任意一项所述的面向人机混合的视频解码方法。14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～4任一项所述的面向人机混合的视频编码方法，或权利要求5～9中任意一项所述的面向人机混合的视频解码方法。

技术总结
本公开提供了一种面向人机混合的视频编码与解码方法、系统、设备及介质，涉及视频编码技术领域。该方法在对采集的原始视频图像执行编码前预处理后，对预处理视频图像进行编码，一方面将预处理视频图像的编码后的二进制码流作为数据流传输到解码端，另一方面，在编码端对预处理视频图像的二进制码流进行解码、后处理，并将后处理后的视频图像与原始视频图像产生的残差进行编码，形成增强流传输到解码端，使得解码端根据数据流和增强流的解码结果合成高质量视频图像，能够在满足机器视觉任务的基础上，满足人眼视觉任务等高保真需求场景。景。景。


技术研发人员：王慧芬 张园 杨明川 韩韬 王翰铭
受保护的技术使用者：中国电信股份有限公司
技术研发日：2022.01.25
技术公布日：2023/8/4