[发明专利]基于KNN分类器的虚拟现实视频CU划分算法

权利要求书

1.一种用于基于高效视频编码(HEVC)而对视频帧进行编码的方法，所述方法包括：

将一组帧序列划分为训练帧子集和预测帧子集，其中，训练帧子集中的训练帧被用于对预测帧子集中的预测帧的LCU(最大编码单元)的划分深度进行预测；

当当前帧是训练帧时，对当前LCU进行编码以获得当前LCU的划分深度特征和边缘密度特征，并且基于当前LCU的划分深度特征确定当前LCU的划分深度分类；

当当前帧是预测帧时，

提取当前LCU的边缘密度特征，

基于训练帧子集中的训练帧的边缘密度特征和划分深度分类以及当前CLU的边缘密度特征，预测当前LCU的划分深度分类，

基于所预测的当前LCU的划分深度分类，跳过针对特定CU大小的LCU划分，

其中，所述划分深度分类包括第一类、第二类和第三类，第一类是64x64和32x32的划分深度，第二类是16x16的划分深度、第三类是8x8的划分深度，

其中，所述边缘密度特征包括使用水平和垂直SOBEL算子对当前LCU进行滤波后的LCU所有像素的平均值。

2.如权利要求1所述的方法，其中，跳过针对特定CU大小的LCU划分包括：

如果所预测的当前LCU的划分深度分类是第一类，则跳过16*16和8*8的LCU划分；

如果所预测的当前LCU的划分深度分类是第二类，则跳过64*64和8*8的LCU划分；并且

如果所预测的当前LCU的划分深度分类是第三类，则跳过64*64的LCU划分。

3.如权利要求1-2中任一项所述的方法，其中，所述预测是使用KNN分类器进行的。

4.如权利要求1所述的方法，其中，所述视频帧为虚拟现实视频帧。

5.一种高效视频编码(HEVC)硬件编码器，所述编码器被配置为：

将一组帧序列划分为训练帧子集和预测帧子集，其中，训练帧子集中的训练帧被用于对预测帧子集中的预测帧的LCU(最大编码单元)的划分深度进行预测；

当当前帧是训练帧时，对当前LCU进行编码以获得当前LCU的划分深度特征和边缘密度特征，并且基于当前LCU的划分深度特征确定当前LCU的划分深度分类；

当当前帧是预测帧时，

提取当前LCU的边缘密度特征，

基于训练帧子集中的训练帧的边缘密度特征和划分深度分类以及当前CLU的边缘密度特征，预测当前LCU的划分深度分类，

基于所预测的当前LCU的划分深度分类，跳过针对特定CU大小的LCU划分，

其中，所述划分深度分类包括第一类、第二类和第三类，第一类是64x64和32x32的划分深度，第二类是16x16的划分深度、第三类是8x8的划分深度，

其中，所述边缘密度特征包括使用水平和垂直SOBEL算子对当前LCU进行滤波后的LCU所有像素的平均值。

6.一种对使用如权利要求1-4中任一项所述的方法或如权利要求5所述的编码器进行编码的360度视频流进行解码的解码器。

7.一种可用于视频编解码的设备，该设备包括：

一个或多个处理器；

存储器，其中存储有计算机代码，所述计算机代码当由所述处理器执行时，实现如权利要求1-4中任一项所述的方法。