[发明专利]一种基于深度学习的提高视频压缩编码效率的方法

说明书

本发明公开了一种基于深度学习的提高视频压缩编码效率的方法。本发明具体步骤如下：步骤1获取由基本的运动估计和运动补偿组成的原始视频帧间预测的峰值信噪比PSNR1；步骤2引入SRCNN模型对帧间图片进行训练得到权重矩阵与偏差矩阵，对SRCNN模型的参数进行修改，并对网络进行调整从而，得到最优的训练参数；步骤3将训练得到的模型对测试图片进行测试，得出由SRCNN模型测试的结果PSNR2，对PSNR1与PSNR2进行比较，得出SRCNN模型应用于帧间预测编码的可行性；步骤4将SRCNN模型应用于最新编码标准HEVC提供的官方代码HM16.0中。本发明将深度学习应用在了帧间编码领域，能提高帧间运动剧烈块的编码效率。

技术领域

本发明属于多媒体视频编码领域，针对于最新的视频编码标准，具体涉及一种基于深度学习的提高视频压缩编码效率的方法。

背景技术

随着网络通信技术的发展，电脑端和移动端互联网观看视频的需求量不断增加，同时人们对于视频的质量要求也不断提升，这使得视频压缩技术不断得到发展。针对视频编码，国际标准化组织联合其他组织制定了一系列视频通信标准，包括H.261、H.262、H.263、H.264，MPEG-1、MPEG-2、MPEG-3，MPEG-4，AVS等。现如今最新视频编码标准是高效视频编码标准HEVC，也就是传统意义上的H.265，此标准是建立在H.264/AVS基础之上的，力求做到在保证相同重建视频图像质量的前提下，视频编码效率提高50％以上。HEVC作为现如今最优的视频编码标准，在帧内预测和帧间预测方面较之以前的编码标准都进行了优化，并引入了一种称为样本自适应补偿的新的编码工具，从而进一步提高解码图像的质量。虽然编码效率有所提高，但是在视频编码中的帧间预测部分还有很大的改善空间，包括提高帧间预测的编码速度、效率等等。近年来，深度学习得益于其优异的性能以及计算机运算速度的提高得到了突破性的发展，并广泛应用在模式识别等领域中。深度学习旨在使用深度卷积神经网络模型从数据中学习获得一系列参数，即学习训练获取参数，从而能广泛作用于实际应用中。深度学习是一种基于有监督或无监督的学习方法，在现如今的图像分类、语音识别、图像增强等领域发挥了很重要的作用，是现如今应用于各个领域中比较好的方法，往往高于其他的一些传统的方法。

现如今的视频压缩编码在帧内预测这块已经做的比较完善，同时帧内预测的时间也比较少，而编码所花费的大部分时间都是在帧间预测这块，要想更好的提高编码效率，必须着眼于帧间编码。从减少帧间压缩编码的时间角度和提高压缩编码效率的角度出发，将前沿的基于学习的深度学习方法引入视频压缩编码可以自适应的消除帧间预测中时间域与空间域的相关性，从而更好的提高视频压缩编码效率。因而，将深度学习应用在视频压缩编码领域已经势不可挡。

发明内容

本发明主要考虑了视频压缩编码的流程以及深度学习在视频编码领域的可应用性。如何将深度学习前沿的机器学习方法应用于视频压缩领域，从而提高视频压缩编码效率以及速度是值得探讨的问题。

本发明解决其技术问题所采用的技术方案步骤如下：

步骤1：获取由基本的运动估计和运动补偿组成的原始视频帧间预测的峰值信噪比PSNR1；

1-1.对相邻帧进行运动估计；

1-2.对相邻帧进行运动补偿；

1-3.计算原始视频帧间预测的PSNR值PSNR1；

步骤2：引入SRCNN模型对帧间图片进行训练得到权重矩阵与偏差矩阵，对SRCNN模型的参数进行修改，并对网络进行调整从而，得到最优的训练参数；

步骤3：将训练得到的模型对测试图片进行测试，得出由SRCNN模型测试的结果PSNR2，对PSNR1与PSNR2进行比较，得出SRCNN模型应用于帧间预测编码的可行性；

步骤4：将SRCNN模型应用于最新编码标准HEVC提供的官方代码HM16.0中；