[发明专利]基于深度学习的3D-HEVC深度图编码单元快速决策方法

摘要

本发明公开了一种基于深度学习的3D‑HEVC深度图编码单元尺寸快速决策方法。本发明首先利用官方传统方法，先统计测试序列前10帧的深度图编码单元的分割情况来建立数据库，再通过深度学习对这些数据集来进行训练，从而产生一个模型。最后利用该模型来判断测试序列完整帧的深度图编码单元是否需要继续分割。深度学习可以发现数据的分布式特征表示，利用深度学习训练出来的网络具有很强的判知能力，所以利用深度学习可以预知深度图编码单元是否需要继续分割。本发明可以降低编码过程中的计算复杂度，缩短编码时间，在视频重建上也有良好的效果。

主权项

1.基于深度学习的3D‑HEVC深度图编码单元快速决策方法，其特征在于包括如下步骤：步骤1：提取训练数据集官方提供分辨率为1920*1088的GTFly、PoznanHall2、UndoDancer、PoznanStreet、Shark与分辨率为1024*768的Balloon、Kendo、Newspaper共8个测试序列；将GTFly、PoznanHall2、UndoDancer、Ballon、Kendo作为训练集，PoznanStreet、Shark、Newspaper作为测试集；具体的：提取分辨率为1920*1088的GTFly、PoznanHall2、UndoDancer测试序列的前10帧图像组的64*64尺寸的深度图像素矩阵和分辨率为1024*768的Balloon、Kendo的测试序列的前26帧图像组的64*64尺寸的深度图像素矩阵作为训练集；训练集的深度图编码单元是否分割的标签通过逐级比较RD‑COST的大小得到，即若分割后的RD‑COST小于等于分割前的RD‑COST，则设置标签为1，表示分割；若分割后的RD‑COST大于分割前的RD‑COST，则设置标签为0，表示不分割；步骤2：训练集的预处理将采集的64*64的深度图像素矩阵复制为3份，对这三个矩阵分别做不同的预处理；分别得到三个不同归一化处理的64*64的矩阵，作为卷积神经网络的输入；步骤3：构建卷积神经网络，包括：构建深度卷积神经网络，并设计损失函数，将得到的不同归一化处理后的64*64的矩阵输入到卷积神经网络中，调整参数，从而得到深度图编码单元是否分割的特征模型；步骤4：卷积神经网络模型输出分类结果通过卷积神经网络模型的训练，可以得到尺寸为64*64、32*32、16*16的深度图编码单元是否分割的判断依据；将得到的判断依据模型加载到卷积神经网络模型,可作为判断深度图是否继续分割的标准。