[发明专利]视频编码方法及编码树单元划分方法、系统、设备及可读存储介质

权利要求书

1.一种编码树单元划分方法，其特征在于，包括以下步骤：

S1：获取已确定划分情况的若干编码单元，并将其分为训练集和测试集；

S2：建立深度卷积神经网络，通过训练集训练深度卷积神经网络，并通过测试集测试深度卷积神经网络，得到深度卷积神经网络预测模型；

S3：获取待编码视频的所有编码树单元；

S4：针对每个编码树单元，获取编码树单元内的编码单元，对编码单元通过深度卷积神经网络预测模型预测划分情况；

S5：当预测的划分情况为划分时，对编码单元进行划分；

S6：当划分得到的编码单元大于预设最小编码单元尺寸时，对划分得到的编码单元通过深度卷积神经网络预测模型预测划分情况；

S7：重复S5和S6至编码树单元内部所有的编码单元均完成预测，根据每个编码树单元内部所有的编码单元的预测结果，得到每个编码树单元的划分结果。

2.根据权利要求1所述的编码树单元划分方法，其特征在于，所述S1的具体方法为：

采集现有HEVC视频编码过程中已确定划分情况的若干编码单元，将若干编码单元均设置对应的划分情况标签，其中，划分情况标签包括划分和不划分，然后将若干编码单元中80％的编码单元进行集合得到训练集，将若干编码单元中其余的编码单元进行集合得到测试集。

3.根据权利要求1所述的编码树单元划分方法，其特征在于，所述S2中深度卷积神经网络的具体结构为：

深度卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、连接层、第三池化层、全连接层以及输出层；第一卷积层和第二卷积层均设定为64个卷积核，卷积核大小均为5×5；第一池化层、第二池化层和第三池化层均设定为MaxPooling操作，池化窗口大小均为3×3；第三卷积层和第四卷积层均设定为64个卷积核，卷积核大小均为3×3；全连接层设定为64维神经元节点；输出层的输出设定为“0”和“1”，其中，0表示输入的编码单元的划分情况为不划分，1表示输入的编码单元的划分情况为划分。

4.根据权利要求1所述的编码树单元划分方法，其特征在于，所述S2中通过训练集训练深度卷积神经网络，并通过测试集测试深度卷积神经网络时；通过优化最小二乘法函数实现对深度卷积神经网络模型参数的更新与求解，通过反向传播BP算法计算损失函数及参数更新梯度，对深度卷积神经网络进行更新。

5.根据权利要求1所述的编码树单元划分方法，其特征在于，所述训练集内还包括均值编码单元，均值编码单元通过训练集内的所有编码单元相同位置像素值计算均值得到。

6.根据权利要求1所述的编码树单元划分方法，其特征在于，所述预设最小编码单元尺寸为8×8。

7.一种编码树单元划分系统，其特征在于，包括：

第一获取模块，用于获取已确定划分情况的若干编码单元，并将其分为训练集和测试集；

模型生成模块，用于建立深度卷积神经网络，通过训练集训练深度卷积神经网络，并通过测试集测试深度卷积神经网络，得到深度卷积神经网络预测模型；

第二获取模块，用于获取待编码视频的所有编码树单元；

预测模块，用于针对每个编码树单元，获取编码树单元内的编码单元，对编码单元通过深度卷积神经网络预测模型预测划分情况；还用于当划分得到的编码单元大于预设最小编码单元尺寸时，对划分得到的编码单元通过深度卷积神经网络预测模型预测划分情况；

划分模块，用于当预测的划分情况为划分时，对编码单元进行划分；以及

结果生成模块，用于根据每个编码树单元内部所有的编码单元的预测结果，得到每个编码树单元的划分结果。

8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述编码树单元划分方法的步骤。