基于邏輯回規分類器的幀內編碼單元快速選擇方法
【技術領域】
[0001] 本發明屬于視頻編碼技術領域，基于新一代視頻編碼標準HighEfficiency VideoCoding(肥VC)，具體對肥VC的帖內預測的編碼單元進行快速選擇。
【背景技術】
[0002] 為了解決高清及超高清視頻急劇增長的數據率給網絡傳輸帶來的沖擊，國際電信 聯盟電信標準化部口（InternationalTelecommunicationUnion-Telecom,TU-T)的視頻 編碼專家組(VideoCodingExpertsGroup,VECG)和國際標準化組織/國際電工技術委員 會（InternstionslOrganizationforSt曰nd曰rdiz曰tion/Intern曰tion曰IElectro-technicalCommission,IS0/IEC)的動態圖像專家組（MovingPictureE邱ertsGroup, MPEG)于2010年I月成立了視頻編碼聯合工作組（JointCollaborativeTeamonVideo Coding，JCT-VC)，該工作組制定了具有更高的壓縮效率的新一代視頻壓縮標準肥VCWigh EfficiencyVideoCoding)。
[0003] 作為新一代視頻編碼標準，肥V(XH.265)仍然屬于預測加變換的混合編碼框架，并 對該框架的各個模塊進行了技術創新，包括靈活劃分方式、更加精細的帖內預測、全新的 Merge模式、基于競爭的運動矢量預測、基于離散余弦變換的亞像素插值、樣點自適應補償 濾波器(SampleAdaptiveOffset,SA0)、Tile和追趕編碼并行處理技術等。運些新的技術 使得皿VC編碼效率比H.264/AVC提高了一倍。然而，巨大而靈活的編碼參數集的優化選擇， 也使得肥VC的編碼器的復雜度急劇增加，運阻礙了皿VC標準的應用與推廣。因此，在保證視 頻圖像編碼質量的同時，研究肥VC的快速、高效的編碼優化算法至關重要。
【發明內容】
[0004]本發明的目的在于保證編碼性能的條件下，快速進行皿VC帖內編碼單元劃分的選 擇W減少編碼運算復雜度。基于此目的提供了一種基于邏輯回規分類器的帖內編碼單元快 速選擇方法，能夠極大地降低肥VC的編碼復雜度。
[0005]為實現上述的目的，本發明提供一種基于邏輯回規分類器的帖內編碼單元快速選 擇方法，將編碼單元的劃分建模為分類問題，通過直接分析輸入視頻數據的特征，用簡單而 高效的邏輯回規分類準則進行劃分的快速預測，從而避免了基于率失真優化的遍歷捜索算 法，降低了編碼器的計算復雜度。并挖掘與編碼單元劃分密切相關的輸入圖像數據特征，選 擇最優特征子集作為決策特征。
[0006]本發明主要包括兩部分，第一部分是離線學習得到邏輯回規分類器，第二部分是 將學習得到的邏輯回規分類器用于CU劃分選擇過程中。
[0007]所述方法包括如下步驟：
[000引步驟1:離線統計學習多個視頻序列，采用肥VC中標準過程編碼每個編碼單元 (CU),并記錄不同量化參數(QP)和不同編碼深度下最優CU劃分為"向下劃分"和"不向下劃 分"時候選特征的值；
[0009] 步驟2:邏輯回規分類器輸入特征的選擇，將步驟I離線統計得到的候選特征值進 行比較，選出最佳輸入特征；
[0010] 步驟3:根據步驟2得到的最佳輸入特征，運用梯度上升算法求得邏輯回規分類器 的最優邏輯回規系數；
[0011] 步驟4:將步驟3得到的邏輯回規分類器用到CU劃分選擇過程中；
[0012] 步驟5:對本層CU的所有預測模式進行編碼，并求得邏輯回規輸入特征的值；
[0013] 步驟6:將步驟5求得的輸入特征的值代入邏輯回規分類器中判定當前CU是否向下 劃分，如果判定當前CU為"不向下劃分"則轉步驟8，否則轉步驟7;
[0014] 步驟7:CU繼續向下劃分成4個相同的子CU;
[0015] 步驟8:結束當前編碼樹單元(CTU)的編碼，進行下一個CTU的編碼。
[0016] 與現有技術相比，本發明具有如下的有益效果：
[0017] 本發明為基于邏輯回規分類的CU切分選擇方法，將CU的劃分建模為兩類分類問題 良r向下劃分"和"不向下劃分"，通過直接分析輸入視頻數據的特征，用簡單而高效的邏輯 回規分類準則進行劃分的快速預測，在保證編碼質量的前提下，大大降低了帖內編碼的計 算復雜度。經驗證，在使用了該發明之后，在肥VC的參考編碼器HM16.0下，針對多個視頻序 列編碼器，編碼速度平均有55.5%的速度提升，而抓-rate(相同質量下的碼率)僅有1.29% 的增加。
【附圖說明】
[0018] 通過閱讀參照W下附圖對非限制性實施例所作的詳細描述，本發明的其它特征、 目的和優點將會變得更明顯：
[0019] 圖1是本發明一實施例的邏輯回規分類的結果示意圖；
[0020] 圖2是本發明一實施例的基于邏輯回規分類CU劃分提前判定流程圖；
[0021] 圖3是本發明一實施例與原始編碼器率失真(RD)性能曲線比較圖。
【具體實施方式】
[0022] 下面結合具體實施例對本發明進行詳細說明。W下實施例將有助于本領域的技術 人員進一步理解本發明，但不W任何形式限制本發明。應當指出的是，對本領域的普通技術 人員來說，在不脫離本發明構思的前提下，還可W做出若干變形和改進。運些都屬于本發明 的保護范圍。
[0023]本發明基于新一代視頻編碼標準化曲Efficien巧VideoCoding(皿VC)，提供一 種對肥VC的帖內預測的編碼單元進行快速選擇的方法。具體實施步驟如下：
[0024] 步驟1:離線統計學習3個視頻序列，并記錄各種參數，具體是：
[0025] 采用皿VC中標準過程編碼CU,并記錄不同量化參數(QP)和不同編碼深度下最優CU 劃分為"向下劃分"和"不向下劃分"時候選特征的值。其中候選的特征包括直接預測(DC)模 式的預測誤差的方差、當前層最優模式的預測誤差的方差、當前層最優模式的量化系數的 方差、當前層最優模式的率失真代價值、當前層最優模式編碼所需比特。
[0026] 本步驟中，離線統計學習3個視頻序列，在其他實施例中，也可W根據需要設定其 他的視頻序列數目，運對本發明的實現沒有本質性影響。
[0027]步驟2:邏輯回規分類器輸入特征的選擇，將步驟I離線統計得到的候選特征值進 行比較，選出最佳輸入特征，具體是：
[0028]因為輸入數據的特征選擇對分類器的設計至關重要，如果相關性不高甚至不相關 的輸入數據，不但不會幫助分類，反而會使得分類器不準確。相反，如果選擇出好的特征，可 W更好地理解數據，可W降低對于樣本的存儲開銷，可W減少訓練和預測的時間，可W提高 預測性能。因此，特征選擇對于基于邏輯回規分類器的帖內編碼單元快速選擇方法來說，顯 得更加重要。F-score是衡量兩個集合即"向下切分"和"不向下劃分"的數據差異性的評價 標準，它計算簡單，其定義如下：
[0030] 其中，而訂，杯分別是全部樣本、"不向下劃分"類樣本、"向下劃分"類樣本中輸 入矢量的第i個特征的均值，n+，rr分別是"不向下劃分"類樣本的總數、"向下劃分"類樣本的 總數，堿，堿分別是"不向下劃分"類、"向下劃分"類中第k個樣本的第i個特征。從上式可 得出，第i個特征在兩類中的均值與所有樣本的均值的差異越大，并且各自類別中第i個特 征的方差越小，F-score的值越大，那么第i個特征與類別的分離性越大，即該特征對分類有 很好的指導作用。分別計算候選特征的F-score值，然后選取值最大的兩個特征作為分類器 的輸入特征。<