[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

说明书

本发明属于视频编码领域，公开了一种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。划分方法包括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；训练和测试深度卷积神经网络，得到深度卷积神经网络预测模型，通过深度卷积神经网络预测模型对编码单元预测划分情况；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。视频编码方法包括同时进行的编码树单元划分线程和编码线程；进行至编码树单元划分阶段时，利用编码树单元划分线程共享的划分结果进行编码树单元划分，有效降低确定编码单元划分情况的复杂度，降低视频整体编码时间。

技术领域

本发明属于视频编码领域，涉及一种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。

背景技术

新一代高效视频编码HEVC(High Efficiency Video Coding)是最新的视频编码标准。编码单元划分就是通过选择最佳的编码单元(Coding Unit，CU)划分方式，使视频编码后的编码失真最小。HEVC的CU划分算法由角度模式选择和编码树单元(Coding TreeUnit，CTU)四叉树递归算法两部分组成，其中，CTU的四叉树递归是CU划分算法的核心。

HEVC中，一幅视频图像首先被划分成若干个相互不重叠的CTU，然后对CTU做进一步划分。同一层的编码单元被标记为相同的深度，一个CTU可能包含一个或多个CU，CU最大尺寸为64×64，对应深度为0；最小尺寸为8×8，对应深度为3。对于编码单元CU_d，假设它的尺寸为2N×2N，深度为d，那么在进行四叉树划分后，就会得到4个独立的编码单元CU_d+1，编码单元CU_d+1的大小为N×N，深度为d+1；当CU划分到8×8停止划分。HEVC中采用Z扫描方法，可以很好地适应四叉树的递归结构，并通过CTU的四叉树遍历算法可以找到每个CTU的最佳划分方式，但同时引入了大量的计算，增加了复杂度。

当前的HEVC中CU划分算法主要通过梯度计算和Hadamard值对CU进行提前终止的划分算法，而不是直接确定当前CU的深度值。Xin Lu等人提出了一种快速帧内编码方案，他们通过使用自适应双阈值方案对视频内容的同质性进行分类以减少速率失真(RD)评估的数量，然后利用空间相邻CU的分区信息来进一步缩小深度范围，从而降低了HEVC帧内编码的计算复杂度。该虽然降低了帧内编码的复杂度，计算时间明显减少短，但在编码时只是通过减少角度预测模式的计算个数以及CU的部分提前终止，没有考虑通过深度学习直接获取当前深度，整个编码过程仍然很长。Y.Shan等人提出了一种基于机器学习和拉普拉斯透明复合模型(LPTCM)的速帧内编码算法，来减轻HEVC帧内编码的高计算复杂度，首先通过使用LPTCM从原始帧中提取称为二值化离群值系数(SBOC)向量的特征，然后将其馈送到在线训练的支持向量机(SVM)中，组合两个SVM以预测编码单元(CU)决策，从而加快编码过程。该方法虽然能通过机器学习方法对CU的划分进行预测，能减少编码时间，但是需要通过性能控制器以确保机器学习模型的稳健性，限制了该方法的使用。

发明内容

本发明的目的在于克服上述现有技术中HEVC中确定CU划分情况时复杂度高，整体编码时间长的缺点，提供一种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。

为达到上述目的，本发明采用以下技术方案予以实现：

本发明第一方面，一种编码树单元划分方法，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；