[发明专利]基于卷积神经网络的VVC块划分快速预测方法及系统

权利要求书

1.一种基于卷积神经网络的VVC块划分快速预测方法，其特征在于，包括如下步骤：

步骤1、数据收集：选取不同的视频，每隔M帧选取1帧，每个视频共计选取N帧，在不同量化参数QP下用原始VVC编码器进行编码，并收集以下数据作为训练集：32×32大小的编码单元CU的像素值，量化参数QP作为输入信息，编码过程中该CU的最优划分方式所属类别作为对应的标签；所属类别包括水平划分、垂直划分、不划分、四叉树划分；

步骤2、数据训练：对于训练集中的CU，将CU的亮度值进行去均值预处理，作为卷积神经网络的输入，随后进行四次卷积计算，最终得到1×1的特征；将QP值作为先验输入全连接层，并将输出的特征与CU的特征叠加，经过softmax作为划分结果的输出，和标签对应；经过训练后得到一个用于VVC块划分快速预测的网络；

步骤3、模型部署：在VVC实际编码过程中，对于每一个32×32大小的CU，将CU亮度值、QP值输入到上述训练好的网络中，得到对当前CU的最优划分的预测，根据该预测进行后续编码。

2.如权利要求1所述的基于卷积神经网络的VVC块划分快速预测方法，其特征在于，步骤1的CU及其对应标签的标注，根据编码结果选取，将编码结果中包含32×H的CU块标为水平划分，将编码结果中包含W×32的CU块标为垂直划分，将编码结果中未继续划分的CU标为不划分，将编码结果中继续进行四叉树划分的CU标为复杂形式；其中H＜32，W＜32。

3.如权利要求1所述的基于卷积神经网络的VVC块划分快速预测方法，其特征在于，步骤2的四次卷积计算，卷积核大小与步长相等，每次卷积的卷积核不重叠。

4.如权利要求1所述的基于卷积神经网络的VVC块划分快速预测方法，其特征在于，步骤2将32×32大小的CU得到的特征与QP的特征通过全连接层连接在一起。

5.一种基于卷积神经网络的VVC块划分快速预测系统，其特征在于，包括：

数据收集模块，用于实现：选取不同的视频，每隔M帧选取1帧，每个视频共计选取N帧，在不同量化参数QP下用原始VVC编码器进行编码，并收集以下数据作为训练集：其中的32×32大小的编码单元CU，量化参数QP作为输入信息，编码过程中该CU的最优划分方式所属类别作为对应的标签；最优划分方式所属类别包括水平划分、垂直划分、不划分、四叉树划分；

数据训练模量，用于实现：对于训练集中的CU，将CU的亮度值进行去均值预处理，作为卷积神经网络的输入，随后进行四次卷积计算，最终得到1×1的特征；将QP值作为先验输入全连接层，并将输出的特征与CU的特征叠加，经过softmax作为划分结果的输出，和标签对应。经过训练后得到一个用于VVC块划分快速预测的网络；

模型部署模块，用于实现：在VVC实际编码过程中，对于每一个32×32大小的CU，将CU亮度值、QP值输入到上述训练好的网络中，得到对当前CU的最优划分的预测，根据该预测进行后续编码。

6.如权利要求5所述的基于卷积神经网络的VVC块划分快速预测系统，其特征在于，所述CU的最优划分方式所属类别作为对应的标签，具体为：根据编码结果选取，将编码结果中包含32×H的CU块标为水平划分，将编码结果中包含W×32的CU块标为垂直划分，将编码结果中未继续划分的CU标为不划分，将编码结果中继续进行四叉树划分的CU标为复杂形式；其中H＜32，W＜32。

7.如权利要求5所述的基于卷积神经网络的VVC块划分快速预测系统，其特征在于，所述的四次卷积计算，卷积核大小与步长相等，每次卷积的卷积核不重叠。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-4中任一所述的基于卷积神经网络的VVC块划分快速预测方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的基于卷积神经网络的VVC块划分快速预测方法。