本申请涉及视频处理，更具体的说，本申请涉及一种基于人工智能的视频处理方法及系统。
背景技术：
1、视频处理是指对视频数据进行获取、编码、压缩、存储、传输、编辑、分析和显示的一系列技术手段和方法，视频处理技术还涉及到视频采集、后期处理、特效制作、图像识别与分析等领域，视频处理技术在多媒体产业、通信领域、安防监控、医疗影像、虚拟现实等方面发挥着重要作用，为人们的生活和工作带来了诸多便利。
2、基于人工智能的视频处理是利用机器学习和深度学习技术来处理、分析和改善视频内容的方法，基于人工智能的视频处理方法融合了深度学习、计算机视觉和图像处理等技术，推动了视频处理领域的革新，视频压缩是通过减少视频文件中的数据量同时最大限度地保留视频的画质，以达到减小视频文件大小进而提高视频传输效率和节省存储空间的目的，视频压缩通常是消除视频中一些人眼不容易察觉的细节和冗余数据来减小视频文件的大小，然而，在视频压缩的过程中，由于存在视频的冗余数据，导致视频画质降低，影响用户的观看体验，因此，如何在视频压缩过程中减少视频的冗余数据，降低视频失真度是亟待解决的问题。
技术实现思路
1、本申请提供一种基于人工智能的视频处理方法及系统，可在视频压缩过程中减少视频的冗余数据，降低视频失真度。
2、第一方面，本申请提供一种基于人工智能的视频处理方法，包括如下步骤：
3、获取待处理视频，将所述待处理视频转换为图像帧时序集；
4、对所述图像帧时序集中的每对相似图像帧进行提取，得到相似图像域，由所述相似图像域确定基准图像域和冗余帧间变化率；
5、选取所述基准图像域中的一张基准图像，确定该张基准图像中局部区域的灰度极值，由所述灰度极值确定该张基准图像的局部对比量，继续确定所述基准图像域中剩余基准图像的局部对比量，通过所有的局部对比量确定所述基准图像域的基准模糊度；
6、通过所述冗余帧间变化率和所述基准模糊度确定所述图像帧时序集中图像帧的冗余界限；
7、按照所述冗余界限对所述待处理视频进行消冗。
8、在一些实施例中，对所述图像帧时序集中的每对相似图像帧进行提取，得到相似图像域具体包括：
9、设置所述图像帧时序集的图像相似决策值；
10、通过所述图像相似决策值从所述图像帧时序集中提取相似图像帧；
11、将所有的相似图像帧组成相似图像域。
12、在一些实施例中，由所述相似图像域确定基准图像域和冗余帧间变化率具体包括：
13、确定所述相似图像域中每对相似图像帧的基准图像；
14、将所有基准图像的集合作为基准图像域；
15、确定所述相似图像域中每对相似图像帧的冗余量；
16、根据所有的冗余量确定待处理视频的冗余帧间变化率。
17、在一些实施例中，确定该张基准图像中局部区域的灰度极值具体包括：
18、对该张基准图像进行平均划分，得到多个局部区域；
19、确定每个局部区域的内部灰度值；
20、由所有的内部灰度值确定该张基准图像中局部区域的灰度极值。
21、在一些实施例中，由所述灰度极值确定该张基准图像的局部对比量具体包括：
22、确定该张基准图像的亮度特征值；
23、通过所述亮度特征值和所述灰度极值确定该张基准图像的局部对比量。
24、在一些实施例中，通过所有的局部对比量确定所述基准图像域的基准模糊度具体包括：
25、获取所述基准图像域中每张基准图像对应的局部对比量；
26、根据所有的局部对比量确定所述基准图像域的亮度特征梯度；
27、确定所述基准图像域的基准差异因子；
28、根据所述基准图像域中每张基准图像对应的局部对比量、所述亮度特征梯度和所述基准差异因子确定所述基准图像域的基准模糊度。
29、在一些实施例中，将所述待处理视频中的一帧图像作为图像帧。
30、第二方面，本申请提供一种基于人工智能的视频处理系统，包括：
31、获取模块，用于获取待处理视频，将所述待处理视频转换为图像帧时序集；
32、处理模块，用于对所述图像帧时序集中的每对相似图像帧进行提取，得到相似图像域，由所述相似图像域确定基准图像域和冗余帧间变化率；
33、所述处理模块，还用于选取所述基准图像域中的一张基准图像，确定该张基准图像中局部区域的灰度极值，由所述灰度极值确定该张基准图像的局部对比量，继续确定所述基准图像域中剩余基准图像的局部对比量，通过所有的局部对比量确定所述基准图像域的基准模糊度；
34、所述处理模块，还用于通过所述冗余帧间变化率和所述基准模糊度确定所述图像帧时序集中图像帧的冗余界限；
35、执行模块，用于按照所述冗余界限对所述待处理视频进行消冗。
36、第三方面，本申请提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于从所述存储器中调用并运行所述计算机程序，使得所述计算机设备执行上述的基于人工智能的视频处理方法。
37、第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令或代码，当指令或代码在计算机上运行时，使得计算机执行时实现上述的基于人工智能的视频处理方法。
38、本申请公开的实施例提供的技术方案具有以下有益效果：
39、本申请实施例中，通过所述冗余帧间变化率和所述基准模糊度确定所述图像帧时序集中图像帧的冗余界限，当所述冗余帧间变化率越小表示待处理视频中冗余帧的变化程度越小，则需要更低的冗余界限才能检测到待处理视频中图像帧之间的冗余数据，以此消除待处理视频中图像帧之间的冗余数据，当所述基准模糊度越高表明待处理视频中图像帧内的细节越少，则说明待处理视频中图像帧之间的差异越小，因而需要使用更低的冗余界限来检测待处理视频中图像帧之间的冗余数据，该冗余数据即为图像帧之间的具有相似或者相同颜色或亮度的像素，因此将该冗余数据进行消除不会对待处理视频的最终视觉质量产生明显的影响，通过确定所述冗余帧间变化率和所述基准模糊度确定冗余界限，进而采用所述冗余界限来提高对待处理视频中可被压缩或消除的冗余数据进行识别的准确性，当图像帧时序集中图像帧之间的差异程度小于所述冗余界限时，则说明图像帧时序集中的图像帧之间的冗余数据达到了可以消除的标准，即图像帧时序集中的图像帧存在很高的冗余率，通过所述冗余界限进一步反映了图像帧中可被压缩或消除的冗余数据，对待处理视频的图像帧时序集中图像帧的该冗余数据进行消除，从而在待处理视频压缩过程中减少待处理视频的冗余数据，降低视频失真度。
1.一种基于人工智能的视频处理方法，其特征在于，包括如下步骤：
2.如权利要求1所述的方法，其特征在于，对所述图像帧时序集中的每对相似图像帧进行提取，得到相似图像域具体包括：
3.如权利要求1所述的方法，其特征在于，由所述相似图像域确定基准图像域和冗余帧间变化率具体包括：
4.如权利要求1所述的方法，其特征在于，确定该张基准图像中局部区域的灰度极值具体包括：
5.如权利要求1所述的方法，其特征在于，由所述灰度极值确定该张基准图像的局部对比量具体包括：
6.如权利要求1所述的方法，其特征在于，通过所有的局部对比量确定所述基准图像域的基准模糊度具体包括：
7.如权利要求1所述的方法，其特征在于，将所述待处理视频中的一帧图像作为图像帧。
8.一种基于人工智能的视频处理系统，其特征在于，包括：
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于从所述存储器中调用并运行所述计算机程序，使得所述计算机设备执行权利要求1至7中任一项所述的基于人工智能的视频处理方法。
10.一种计算机可读存储介质，所述计算机可读存储介质中存储有指令或代码，当指令或代码在计算机上运行时，使得计算机执行时实现如权利要求1至7中任一项所述的基于人工智能的视频处理方法。
