一种转码视频流生成方法、系统、设备及存储介质

技术领域

本申请实施例涉及视频编解码技术领域，尤其涉及一种转码视频流生成方法、系统、设备及存储介质。

背景技术

目前，在直播场景中，对于主播端采集的视频会按照合适的编码分辨率和码率进行转码。直播转码功能的目的是为了适应不同网络带宽、不同终端处理能力和不同用户需求，将收到的主播端编码流转码为不同分辨率的视频并分发给各个观众端。由于主播端设备多种多样，质量参差不齐，因此在主播端设备性能较差的情况下，为了保证用户的观看流畅度体验，会以较低分辨率进行编码。同时对于同一主播会有很多观众同时观看，因此在观众端设备较好的情况下，会将接收到的较低分辨率的视频流进行解码，然后将分辨率提升到相应的播放分辨率进行渲染播放。

但是，由于观众端设备的计算资源限制，其分辨率提升处理的性能较差，以此对接收到的视频流进行分辨率提升处理，会降低观众端观看画质，影响观众的观看体验。

发明内容

本申请实施例提供一种转码视频流生成方法、系统、设备及存储介质，能够提升观众端接收的转码视频流的分辨率和画质，解决观众端接收的转码视频流分辨率偏低的技术问题。

在第一方面，本申请实施例提供了一种转码视频流生成方法，包括：

接收主播端源流，解码主播端源流得到解码图像；

在解码图像的分辨率小于分辨率阈值的情况下，将解码图像输入预先训练的超分辨率神经网络模型，输出对应的重建图像，重建图像的分辨率为解码图像的分辨率的设定倍数；

将重建图像作为输入，按照预构建的码表进行转码生成多路转码视频流，基于观众端信息分发对应的转码视频流至观众端。

在第二方面，本申请实施例提供了一种转码视频流生成系统，包括：

解码模块，配置为接收主播端源流，解码主播端源流得到解码图像；

超分模块，配置为在解码图像的分辨率小于分辨率阈值的情况下，将解码图像输入预先训练的超分辨率神经网络模型，输出对应的重建图像，重建图像的分辨率为解码图像的分辨率的设定倍数；

转码模块，配置为将重建图像作为输入，按照预构建的码表进行转码生成多路转码视频流，基于观众端信息分发对应的转码视频流至观众端。

在第三方面，本申请实施例提供了一种转码视频流生成设备，包括：

存储器以及一个或多个处理器；

所述存储器，配置为存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的转码视频流生成方法。

在第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在由计算机处理器执行时配置为执行如第一方面所述的转码视频流生成方法。

在第五方面，本申请实施例提供了一种计算机程序产品，所述计算机程序产品中包含有指令，当指令在计算机或处理器上运行时，使得计算机或处理器执行如第一方面所述的转码视频流生成方法。

本申请实施例通过接收主播端源流，解码主播端源流得到解码图像；在解码图像的分辨率小于分辨率阈值的情况下，将解码图像输入预先训练的超分辨率神经网络模型，输出对应的重建图像，重建图像的分辨率为解码图像的分辨率的设定倍数；将重建图像作为输入，按照预构建的码表进行转码生成多路转码视频流，基于观众端信息分发对应的转码视频流至观众端。采用上述技术手段，通过对主播端源流进行超分处理，使分辨率提升设定倍数，进而按照码表转码重建图像，分发对应的转码视频流至观众端，以此可以提升转码视频流的分辨率和画质，使得观众端无需进行分辨率提升处理，提升观众端的观看清晰度，进而提升观众的观看体验。

附图说明

图1是本申请实施例提供的一种转码视频流生成方法的流程图；

图2是本申请实施例中超分处理流程图；

图3是本申请实施例中超分辨率神经网络模型的模型架构示意图；

图4是本申请实施例中转码视频流的生成流程图；

图5是申请实施例提供的一种转码视频流生成系统的结构示意图；

图6是申请实施例提供的一种转码视频流生成设备的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

本申请提供的转码视频流生成方法，旨在通过对主播端源流进行超分处理，使分辨率提升设定倍数，进而按照码表选择目标档位生成转码视频流，以提升转码视频流的分辨率和画质。

目前的移动视频直播技术主要分为音视频采集，美颜、滤镜和特效处理，编码，封包，推流，转码，分发，解码，渲染和播放等多个环节。在直播过程中，首先在主播端对主播设备进行性能探测，选择合适的采集分辨率和采集帧率进行视频采集。然后按照合适的编码分辨率和码率进行编码。直播转码功能的目的就是为了适应不同的网络带宽、不同的终端处理能力和不同的用户需求，将收到的主播端编码流转码为不同分辨率的视频。针对不同的分辨率设定一个码率阶梯，为每一组分辨率选择一个合适的输出码率，其中最高转码档分辨率与源流分辨率相同，码率为所有转码流中最高的，画质也为所有转码流中最优的。观众端收到分发的视频流后，先对视频流解码，然后将分辨率提升到播放分辨率渲染到观众端设备进行播放。由于主播端设备多种多样，质量参差不齐，因此在主播端设备性能较差的情况下，为了保证用户流畅度体验，会以较低分辨率进行编码。但是同一直播间会有很多观众同时观看，在观众端设备较好的情况下，需要将接收到的较低分辨率的视频流进行解码，然后将分辨率提升到播放分辨率进行渲染播放，以保证用户观看体验。然而，观众端由于缩放算法必然会引入画质损失，且由于观众端设备资源限制，很难应用性能足够好的超分辨率算法(如深度学习方法)到观众端设备，以此会进一步降低观众端观看画质，影响观众观看体验。基于此，提供本申请实施例的一种转码视频流生成方法，以解决观众端接收的转码视频流分辨率偏低的技术问题。

实施例：

图1给出了本申请实施例提供的一种转码视频流生成方法的流程图，本实施例中提供的转码视频流生成方法可以由转码视频流生成设备执行，该转码视频流生成设备可以通过软件和/或硬件的方式实现，该转码视频流生成设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该转码视频流生成设备可以是移动直播系统的服务端设备。

下述以服务端为执行转码视频流生成方法的主体为例，进行描述。参照图1，该转码视频流生成方法具体包括：

S110、接收主播端源流，解码主播端源流得到解码图像。

在直播场景中，通过服务端设备接收主播端采集的源流视频，定义为主播端源流。由于主播端设备在性能较差的情况下，主播端源流的分辨率相对较低，因此本申请实施例在服务端设置分辨率提升策略，以在直播端源流分辨率较低的情况下，进行分辨率提升处理，以提升转码视频流的分辨率和画质。同时由于分辨率提升处理操作应用在服务端转码侧，代替观众端的分辨率提升操作(如bilinear,bicubic等插值算法)，可以进一步提高观众端观看清晰度，给观众更好的观看体验。

其中，对于接收到的主播端源流，首先进行解码得到相应的解码图像，以用于后续的分辨率超分处理。服务端转码侧在收到主播端编码的主播端源流后，首先根据源流编码类型选择合适的解码器进行解码，得到解码图像decFrame。进而对解码图像decFrame执行降噪，锐化等前处理操作，以提高解码图像主观画质。

S120、在解码图像的分辨率小于分辨率阈值的情况下，将解码图像输入预先训练的超分辨率神经网络模型，输出对应的重建图像，重建图像的分辨率为解码图像的分辨率的设定倍数。

进一步地，基于主播端源流解码得到的解码图像，本申请实施例首先判断解码图像的分辨率是否需要进行超分辨率处理。可以理解的是，若主播端源流的分辨率相对较高，直接转码不会导致转码视频流的画质和分辨率偏低，能够满足不同观众端对转码视频流的分辨率和画质需求，则无需进行超分辨率处理，反之，则需要进行超分辨率处理。基于此，通过设置一个分辨率阈值，以判断是否进行解码图像的超分辨率处理操作。进而在解码图像的分辨率小于分辨率阈值的情况下，触发解码图像的超分辨率处理操作。若解码图像的分辨率大于或者等于分辨率阈值，则可以直接进行解码图像的转码，生成转码视频流。该分辨率阈值可以根据实际的画质和分辨率需求设置，本申请实施例对具体的分辨率阈值不做固定限制，在此不一一赘述。

其中，通过预先构建一个超分辨率神经网络模型，利用超分辨率神经网络模型进行解码图像的超分辨率处理，以将解码图像的分辨率提升设定倍数。通过将解码图像decFrame送入超分辨率神经网络模型，即可得到重建的高分辨率图像SRFrame，定义为重建图像。

具体地，参照图2，将解码图像输入预先训练的超分辨率神经网络模型，输出对应的重建图像，包括：

S1201、基于超分辨率神经网络模型对解码图像进行亮度超分处理和色度超分处理，得到色度超分图像和亮度超分图像；

S1202、将亮度超分图像和色度超分图像进行融合，得到重建图像。

对于输入超分辨率神经网络模型的解码图像，解码图像的格式为YUV格式的图像。其中解码图像包括亮度通道(Y通道)和颜色通道(UV通道)，Y表示图像的亮度分量，U和V表示图像的色度分量(色彩及饱和度)。通过按照亮度分量和色度分量拆分解码图像，即可分离解码图像的亮度通道和色度通道，从而将解码图像拆分为亮度分量图像和色度分量图像。例如，解码图像按照设定数据记录格式记录解码图像的亮度分量数据和色度分量数据，基于设定数据记录格式分离超分图像的亮度分量数据和色度分量数据，可得到解码图像对应的亮度分量图像和色度分量图像。

超分辨率神经网络模型配置有训练好的残差预测模型，残差预测模型用于对输入的低分辨率图像利用第一超分算法进行超分处理后，超分处理得到的图像与输入的低分辨率图像对应的高分辨率图像之间的残差进行预测。

在一个实施例中，本方案提供的超分算法(包括第一超分算法和第二超分算法)可以是传统超分算法，例如双线性插值算法(Bilinear Interpolation)、双三次插值算法(Bicubic Interpolation)、最近邻插值算法(Nearest Neighbor Interpolation)、边缘导向插值算法(Edge□Directed Interpolation)、边缘基准算法(Edge Prior)等，第一超分算法和第二超分算法可以相同，也可以不相同。

利用第一超分算法以及残差预测模型对上述获取的亮度分量图像进行超分处理，得到亮度超分图像。例如，利用第一超分算法对亮度分量图像进行超分处理，以及利用残差预测模型预测基于第一超分算法对亮度分量图像进行超分处理的残差，并利用预测到的残差修正第一超分算法对亮度分量图像的超分处理结果，得到亮度超分图像。其中，亮度超分图像的分辨率高于亮度分量图像的分辨率。

利用第二超分算法对上述获取的色度分量图像进行超分处理得到色度超分图像。其中，色度超分图像的分辨率高于色度分量图像的分辨率，并且色度超分图像的分辨率与亮度超分图像的分辨率相同。

在分别对亮度分量图像和色度分量图像进行超分处理得到亮度超分图像和色度超分图像后，将亮度超分图像和色度超分图像进行融合得到重建图像。例如，基于设定数据记录格式组合亮度超分图像和色度超分图像得到重建图像。本方案提供的重建图像的分辨率为解码图像的分辨率的设定倍数，具体可以为解码图像的两倍。

需要说明的是，对于一张YUV图像，人眼对YUV图像中的亮度通道的感知更敏感，而人眼对色度通道UV的感知敏感度低于对亮度通道Y的感知敏感度。本申请对解码图像的亮度通道及色度通道进行分开处理，对于人眼更加敏感的亮度通道，使用第一超分算法以及轻量化的残差预测模型对亮度分量图像进行超分预测，提高亮度通道超分后主观画质，而对于人眼敏感度相对较低的色度通道，使用第二超分算法以降低整体超分耗时，减少直接使用深度学习神经网络超分图像导致的难度较大、耗时较多的问题，本方案通过残差预测模型来预测经过第一超分算法超分后的亮度通道图像与原始输入图像的残差，有效提高图像超分效果。

在上述实施例的基础上，将亮度分量图像输入至预先配置并训练完成的残差预测模型中，利用至残差预测模型的输出结果对上述确定的初始亮度超分图像进行修正得到亮度超分图像，其中，亮度超分图像的分辨率与初始亮度超分图像的分辨率相同。本方案通过第一超分算法对亮度分量图像进行超分处理得到初始亮度超分图像，并利用残差预测模型对初始亮度超分图像进行修正得到亮度超分图像，有效提高亮度通道超分后主观画质，提高图像超分效果。

参照图3，提供本申请超分辨率神经网络模型的架构示意图，其中，超分辨率神经网络模型包括卷积层(conv)、线性整流函数层(relu)和像素重组层(像素重组pixelshuffle，可降低分辨的特征图，通过多通道间的重组得到高分辨率的特征图)，卷积层、线性整流函数层和像素重组层构成了该残差预测模型，其可用于数据重排并输出与超分后图像分辨率大小相同的残差图像。

残差预测模型可利用第二亮度样本图像以及利用第一超分算法对第二亮度样本图像进行超分处理的样本亮度残差进行训练。示例性的，获取收集的多个第一亮度样本图像，并对第一亮度样本图像进行下采样处理得到第二亮度样本图像，其中，第一亮度样本图像的分辨率高于对应的第二亮度样本图像的分辨率。可选的，本方案提供的第一亮度样本图像可从预先收集的分辨率达到设定清晰度要求的原始样本图像，并从原始样本的亮度通道中分离得到，也可以是直接收集分辨率达到设定清晰度要求的第一亮度样本图像。

在得到第二亮度样本图像后，利用第二亮度样本图像和第一亮度样本图像确定利用第一超分算法对第二亮度样本图像进行超分处理对应的样本亮度残差(例如分辨率与第一亮度样本图像的分辨率相同的残差图像)。在确定多个第二亮度样本图像以及对应的样本亮度残差后，利用第二亮度样本图像和样本亮度残差训练残差预测模型，直至残差预测模型的准确度达到设定准确度要求或达到设定训练次数。其中，在对残差预测模型进行训练时，第二亮度样本图像作为输入，对应的样本亮度残差作为输出对残差预测模型进行训练。本方案通过对第一亮度样本图像进行下采样处理得到第二亮度样本图像，根据第二亮度样本图像以及第一亮度样本图像确定第一超分算法对应的样本亮度残差，并利用第二亮度样本图像以及样本亮度残差训练残差预测模型，提高对亮度预测残差的预测准确度，提高图像超分处理效果。

通过利用第一超分算法分别对每个第二亮度样本图像进行超分处理，得到每个第二亮度样本图像对应的亮度超分样本图像。其中，亮度超分样本图像的分辨率高于第二亮度样本图像的分辨率。对于每一个第一亮度样本图像，根据第一亮度样本图像和对应的亮度超分样本图像确定第一超分算法对每一个第一亮度样本图像进行超分处理对应的样本亮度残差。可选的，样本亮度残差可基于第一亮度样本图像和对应的亮度超分样本图像的差进行确定。其中，样本亮度残差可以是分辨率与第一亮度样本图像的分辨率相同的残差图像。本方案通过第一超分算法对第二亮度样本图像进行超分处理得到亮度超分样本图像，并根据第一亮度样本图像和亮度超分样本图像准确确定第一超分算法对应的样本亮度残差，提高对亮度预测残差的预测准确度，提高图像超分处理效果。

以此，通过上述预先训练的超分辨率神经网络模型，即可将输入模型的低分辨率解码图像进行超分辨率处理，输出为分辨率放大至设定倍数的高分辨率图像，即重建图像。

可选地，超分辨率神经网络模型基于pytorch模型构建，并转换为基于openvino框架的IR模型。

openvino是一个用于优化和部署人工智能(AI)推理的开源工具平台，其可以提高计算机视觉、自动语音识别、自然语言处理和其他常见任务的深度学习性能。使用经过TensorFlow、PyTorch等流行框架训练的模型，可以减少资源需求。Openvino通过一个模型优化器进行模型的转换功能。模型优化器提供两个参数来(--input和--input_shape)覆盖原始模型输入形状以便转换模型。若需要切除模型中不需要的部分(如不支持的操作和训练子图)，可使用--input和--output参数定义转换的模型的新输入和输出，以此来实现模型的转换。

需要说明的是，由于深度学习方法的超分辨率神经网络在性能上远优于传统超分辨率算法，其生成的重建高分辨率图像质量更高，但是同时更复杂的模型也带来更大的计算量，更久的推理耗时。因此，本申请对超分辨率神经网络模型进行推理加速，将训练得到的pytorch模型转换为openvino框架的IR模型，以降低其推理耗时，保证观众观看流畅性。

此外，超分辨率神经网络模型预先进行INT8量化，并设置推理实例的线程并发数量。本申请使用Accuracy Aware Quantization(精度感知量化)量化方法将模型量化为低精度INT8，以牺牲少量的模型精度以换取推理性能的提升。并且，Openvino加载IR模型进行推理时，设置推理实例的线程并发数，实现多核并行加速。Accuracy Aware Quantization算法允许在执行量化的同时将精度保持在预定义的范围内。在进行模型量化时，通过准备数据集，定义优化过程中的控制精度，然后通过选择量化参数，运行量化，即可将模型量化为需求的精度，即INT8。

S130、将重建图像作为输入，按照预构建的码表进行转码生成多路转码视频流，基于观众端信息分发对应的转码视频流至观众端。

之后，基于上述确定的重建图像，本申请实施例通过预构建的码表进行重建图像的转码，生成符合观众端设备性能的高分辨率、高画质转码视频流。转码视频流发送至对应的观众端设备进行解码渲染。以此，通过提出一种用于直播场景中的转码档分辨率提升策略，在服务端转码侧根据源流分辨率决策是否开启转码档分辨率提升策略。如果源流分辨率较低，将源流分辨率提升至原分辨率两倍，以提高转码流分辨率以及画质。同时，由于深度学习方法的超分辨率神经网络在性能上远优于传统超分辨率算法，通过在服务端设置超分辨率神经网络模型，进一步提高转码流画质，从而实现提升观众观看清晰度的目的，给观众更好的观看体验。

其中，码表包括第一转码档位、第二转码档位和第三转码档位；

第一转码档位的分辨率等于重建图像的分辨率，第一转码档位的码率低于主播端源流的码率，且高于第二转码转码档位和第三转码档位的码率；

第二转码档位的分辨率介于第一转码档位的分辨率与第三转码档位的分辨率之间，第二转码档位的码率高于第三转码档位的码率；

第三转码档位的分辨率等于主播端源流的分辨率。

参照图4，服务端基于主播端源流进行超分辨率处理后，对于生成的重建图像，使用预构建的码表进行转码生成转码视频流。其中，码表共3个转码档FHD、HD、SD；FHD档编码分辨率为高分辨率图像分辨率，码率低于源流且高于其他转码档，画质优于源流；HD档编码分辨率为，码率低于FHD档且高于SD档，画质对齐源流；SD档编码分辨率为源流分辨率，码率低于其他转码档码率，主观画质无异常。通过设计转码分辨率-码率阶梯进行转码，基于重建图像转码得到上述不同转码档的多路转码视频流，进而即可选择合适的转码视频流分发给对应观众端。以此可以使得不同设备性能的观众端都可以得到适合自身设备性能的转码视频流，在满足分辨率和画质需求的同时，提升视频流流畅度。

可选地，观众端信息包括带宽信息；

基于观众端信息分发对应的转码视频流至观众端，包括：

基于带宽信息查询码表，确定码率信息和带宽信息满足设定条件的转码档位为目标档位，分发目标档位对应的转码视频流至观众端。

其中，基于该观众端带宽信息，通过观众端信息与码表中各个档位的码率作差，确定带宽与码率的差值。进而选择绝对差值最小的对应档位作为目标档位。

可选地，基于观众端信息从预构建的码表中选择目标档位时，目标档位需要同时满足以下条件：

min|CRm-BW|；

CDm≤ThresholdCD

其中CRm表示各个档位对应的码率，CDm表示各个档位对应的转码延时，BW表示当前带宽信息和历史带宽信息计算得到的平均带宽，ThresholdCD表示转码延时阈值。通过遍历码表中的各个档位，选取码率与目标带宽之差的绝对值最小，且转码延时小于转码延时阈值的对应档位，作为目标档位。需要说明的是，基于观众端信息从预构建的码表中选择目标档位的方式有很多，本申请实施例对具体的决策方式不做固定限制，在此不一一赘述。

上述，通过接收主播端源流，解码主播端源流得到解码图像；在解码图像的分辨率小于分辨率阈值的情况下，将解码图像输入预先训练的超分辨率神经网络模型，输出对应的重建图像，重建图像的分辨率为解码图像的分辨率的设定倍数；将重建图像作为输入，按照预构建的码表进行转码生成多路转码视频流，基于观众端信息分发对应的转码视频流至观众端。采用上述技术手段，通过对主播端源流进行超分处理，使分辨率提升设定倍数，进而按照码表转码重建图像，分发对应的转码视频流至观众端，，以此可以提升转码视频流的分辨率和画质，使得观众端无需进行分辨率提升处理，提升观众端的观看清晰度，进而提升观众的观看体验。

在上述实施例的基础上，图5为本申请提供的一种转码视频流生成系统的结构示意图。参考图5，本实施例提供的转码视频流生成系统具体包括：解码模块21、超分模块22和转码模块23。

其中，解码模块21配置为接收主播端源流，解码主播端源流得到解码图像；

超分模块22配置为在解码图像的分辨率小于分辨率阈值的情况下，将解码图像输入预先训练的超分辨率神经网络模型，输出对应的重建图像，重建图像的分辨率为解码图像的分辨率的设定倍数；

转码模块23配置为将重建图像作为输入，按照预构建的码表进行转码生成多路转码视频流，基于观众端信息分发对应的转码视频流至观众端。

具体地，将解码图像输入预先训练的超分辨率神经网络模型，输出对应的重建图像，包括：

基于超分辨率神经网络模型对解码图像进行亮度超分处理和色度超分处理，得到色度超分图像和亮度超分图像；

将亮度超分图像和色度超分图像进行融合，得到重建图像。

其中，超分辨率神经网络模型基于pytorch模型构建，并转换为基于openvino框架的IR模型。

超分辨率神经网络模型预先进行INT8量化，并设置推理实例的线程并发数量。

具体地，观众端信息包括带宽信息；

基于观众端信息分发对应的转码视频流至观众端，包括：

基于带宽信息查询码表，确定码率信息和带宽信息满足设定条件的转码档位为目标档位，分发目标档位对应的转码视频流至观众端。

其中，码表包括第一转码档位、第二转码档位和第三转码档位；

第一转码档位的分辨率等于重建图像的分辨率，第一转码档位的码率低于主播端源流的码率，且高于第二转码转码档位和第三转码档位的码率；

第二转码档位的分辨率介于第一转码档位的分辨率与第三转码档位的分辨率之间，第二转码档位的码率高于第三转码档位的码率；

第三转码档位的分辨率等于主播端源流的分辨率。

上述，通过接收主播端源流，解码主播端源流得到解码图像；在解码图像的分辨率小于分辨率阈值的情况下，将解码图像输入预先训练的超分辨率神经网络模型，输出对应的重建图像，重建图像的分辨率为解码图像的分辨率的设定倍数；将重建图像作为输入，按照预构建的码表进行转码生成多路转码视频流，基于观众端信息分发对应的转码视频流至观众端。采用上述技术手段，通过对主播端源流进行超分处理，使分辨率提升设定倍数，进而按照码表转码重建图像，分发对应的转码视频流至观众端，以此可以提升转码视频流的分辨率和画质，使得观众端无需进行分辨率提升处理，提升观众端的观看清晰度，进而提升观众的观看体验。

本申请实施例提供的转码视频流生成系统可以配置为执行上述实施例提供的转码视频流生成方法，具备相应的功能和有益效果。

在上述实际上例的基础上，本申请实施例还提供了一种转码视频流生成设备，参照图6，该转码视频流生成设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。存储器作为一种计算机可读存储介质，可配置为存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的转码视频流生成方法对应的程序指令/模块(例如，转码视频流生成系统中的解码模块、超分模块和转码模块)。通信模块配置为进行数据传输。处理器通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的转码视频流生成方法。输入装置可配置为接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置可包括显示屏等显示设备。上述提供的转码视频流生成设备可配置为执行上述实施例提供的转码视频流生成方法，具备相应的功能和有益效果。

在上述实施例的基础上，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在由计算机处理器执行时配置为执行一种转码视频流生成方法，存储介质可以是任何的各种类型的存储器设备或存储设备。当然，本申请实施例所提供的一种计算机可读存储介质，其计算机可执行指令不限于如上所述的转码视频流生成方法，还可以执行本申请任意实施例所提供的转码视频流生成方法中的相关操作。

在上述实施例的基础上，本申请实施例还提供一种计算机程序产品，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机程序产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备、移动终端或其中的处理器执行本申请各个实施例所述转码视频流生成方法的全部或部分步骤。