基于支持向量机的avs到hevc优化视频转码方法
【技术领域】
[0001] 本发明设及的是一种视频信号处理领域的技术，具体是一种基于支持向量机的 AVS到肥VC优化视频转码方法。
【背景技术】
[0002] 视频转码技术，是将已压缩的码流通过解码再编码得到符合要求的目标码流。随 着多媒体技术和互联网等的广泛应用和快速发展，在网络上传输各种视频数据已经成为现 在网络技术发展的趋势，目前已出现了多种视频编码标准，包括MPEG- 4、MPEG- 2、H. 264、 AVS、肥VC等。由于视频资源多种多样，W及不同的终端设备的显示能力、存储能力、对码流 的处理能力存在差异，在不同情境下用户对视频的需求也不尽相同，因此，如何能够实现高 效的转码，使之适应于不同硬件设备W及网络传输环境中，一直广泛受到业界的关注。肥VC 是目前最新的视频编码标准，压缩效率比H. 264等标准提高了约50%，它将会得到越来越 广泛的应用。AVS是我国自主研发的标准，具有与H. 264相当的编码性能和更低的编码复杂 度，在视频应用领域具有重要的影响力。目前已有许多已压缩的AVS码流，它将于肥VC等 标准长期共存，因此实现AVS到肥VC标准间的视频转换成为重要的研究方向。
[0003] 机器学习应用于多个研究领域，包括人工智能、机器翻译、数据挖掘、文字识别W 及商业领域等，随着数字多媒体技术W及传输网络等的发展，它也不断的应用于视频捜索、 视频分析W及视频编转码等研究方向，目前将机器学习算法应用于视频转码领域的应用也 在不断增多。支持向量机是机器学习的一个重要的方法，从输入码流前面部分帖中提取出 解码信息等，利用支持向量机学习出AVS信息和肥VC编码模式之间的对应关系，在后面编 码的过程中，就直接根据解码出的AVS的信息，预测出肥VC编码的模式，而不需要进行完全 迭代遍历的过程，从而达到降低视频转换复杂度的目的。因此，通过利用支持向量机该种机 器学习方法，如何学习得到准确的训练模型，实现准确预测W降低视频转换的复杂度，提高 视频转码的速率成为当前研究的一个重要课题。
[0004] 经过对现有技术的检索发现，中国专利文献号CN104320667A公开（公告）日 2015. 01. 28,公开了一种多过程最优化编码系统，包括若干个并行编码器、前瞻缓冲器和二 次编码器，前瞻缓冲器的输入端与并行编码器的输出端连接，前瞻缓冲器的输出端与二次 编码器的输入端连接，并公开了其方法，包括第一编码阶段、最优化选择阶段和第二编码阶 段3个步骤，第一编码阶段由若干个并行编码器同时进行编码，前瞻缓冲器对第一编码阶 段所得到的结果进行最优化选择W获得最优编码路径，二次编码器根据最优化选择阶段所 获得的最优编码路径第二次编码，获得最终而最优的编码结果。该技术性能、质量、带宽效 率更高，编码/转码结果更好，非常易于配置并且非常灵活，既可用于高视频质量的4K和超 高清应用，也可用于超高效带宽的移动视频应用。但该技术的输入是原始码流，没有能够利 用输入为压缩码流时包含的编码信息，且对于肥VC比较复杂的编码器，编码路径多样，实 现复杂度也会相对比较高。
【发明内容】
[0005] 本发明针对现有技术存在的上述不足，提出一种基于支持向量机的AVS到肥VC优 化视频转码方法，采用了简化的视频转码框架，在训练阶段将从AVS码流提取出的特征向 量训练得到训练模型，然后在转码阶段利用该模型对肥VC中的编码单元划分情况进行区 域转码，同时结合快速模式选择算法，减少了重编码阶段编码单元划分W及模式选择的复 杂度，大大提高了视频转码速度，同时保证了有限了转码视频质量下降。
[0006] 本发明是通过W下技术方案实现的：
[0007] 本发明通过采集AVS码流的特征向量，并利用支持向量机对其进行学习并得到训 练模型，将提取出的AVS特征向量分为在肥VC中相应位置的CU划分或不划分两类，在转码 阶段W训练模型预测CU是否需要划分。
[000引所述的AVS特征向量采集自AVS码流，包括；宏块编码模式、运动向量和变换系数 等f目息。
[0009] 所述的宏块编码模式是指；AVS中每个宏块的模式信息。
[0010] 所述的运动向量是指；AVS中宏块的平均运动向量大小。
[0011] 所述的变换系数是指；AVS编码的离散余弦变换值CT)系数中非零系数的个数。
[0012] 所述的对应关系是指；AVS特征向量与肥VC中编码单元是否需要划分通过学习得 到的训练模型，也即映射关系。
[001引所述的预测，当得到当前CU需要划分时，再在当前肥VC的深度下分别进行2NX2N模式和SKIP模式计算，并从该两种模式中选择出最优预测模式，当预测得到当前CU不需要 进行划分，则按照肥VC标准编码过程进行最优模式选择。 技术效果
[0014] 与现有技术相比，本发明结合机器学习基本思想W及支持向量机学习方法，对视 频学习得到训练模型并预测后续转码过程中肥VC编码模式，从而降低了转码复杂度，提高 转码速度。整个转码过程分为两个阶段，即训练阶段和转码阶段。在训练阶段，提取出AVS 特征向量和肥VC中相应位置的CU划分信息，根据支持向量机算法和工具训练得到两者的 对应关系，即训练模型；在转码阶段，利用训练阶段得到的模型，根据AVS的特征向量，对深 度为0和1时肥VC相应位置CU是否划分进行预测，若预测得到当前CU需要划分，则对当 前深度的CU只进行SKIP和2化2N模式选择，若预测得到当前CU不需要划分，则按照肥VC 标准过程对最优模式进行选择。通过机器学习和快速模式选择方法结合，可W自适应的根 据每个序列自身的特征得到相应训练模型，在保证转码视频质量下降有限的情况下，大大 减少了转码过程中的计算复杂度，从而提高了转码速度，节省了转码时间。
【附图说明】
[0015] 图1是本发明转码框架图；
[0016] 图2是本发明流程图。
【具体实施方式】
[0017] 下面对本发明的实施例作详细说明，本实施例在W本发明技术方案为前提下进行 实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施 例。 实施例1
[001引如图2所示，本实施例分为W下四个步骤：
[0019] 步骤一、采集AVS码流的特征向量，具体为；采集AVS码流中与对应的肥VC中深度 为0和1时相应位置CU划分的信息。
[0020] 所述的AVS特征向量采集自AVS码流，包括；宏块编码模式、运动向量和变换系数 等信息。
[0021] 所述的宏块编码模式是指；在AVS对应的肥VC中深度为0时，每个CU中包含有16 个宏块，因此含有16个特征；在深度为1时，每个CU中包含有4个宏块，相应的有4个模式 特征。
[002引所述的运动向量是指；AVS中运动向量是W8X8为单位，一个宏块中包含4个运 动向量基本单元，每个运动向量分别取模，然后将一个宏块中四个运动向量模的平均值作 为一个特征。同样，深度为0时CU中含有16个运动特征，深度为1时含有4个运动特征。 运动向量模的平均值Vwg等于
【主权项】
1. 一种基于支持向量机的AVS到HEVC优化视频转码方法，其特征在于，通过采集AVS 码流的特征向量，并利用支持向量机对其进行学习并得到训练模型，将提取出的AVS特征 向量分为在HEVC中相应位置的CU划分或不划分两类，在转码阶段以训练模型预测CU是 否需要划分，当得到当前CU需要划分时，再在当前HEVC的深度下分别进行2NX2N模式和 SKIP模式计算，并从这两种模式中选择出最优预测模式，当预测得到当前CU不需要进行划 分，则按照HEVC标准编码过程进行最优模式选择。
2. 根据权利要求1所述的方法，其特征是，所述的AVS特征向量采集自AVS码流，包括： 宏块编码模式、运动向量和变换系数。
3. 根据权利要求2所述的方法，其特征是，所述的宏块编码模式是指：AVS中每个宏 块的模式信息；所述的运动向量是指：AVS中宏块的平均运动向量大小；所述的变换系数是 指：AVS编码的离散余弦变换系数中非零系数的个数。
4. 根据权利要求2或3所述的方法，其特征是，所述的宏块编码模式是指：在AVS对应 的HEVC中深度为O时，每个CU中包含有16个宏块，因此含有16个特征；在深度为1时，每 个CU中包含有4个宏块，相应的有4个模式特征；所述的运动向量是指：AVS中运动向量是 以8X8为单位，一个宏块中包含4个运动向量基本单元，每个运动向量分别取模，然后将一 个宏块中四个运动向量模的平均值作为一个特征，当深度为〇时CU中含有16个运动特征， 深度为1时含有4个运动特征；所述的变换系数是指：AVS中DCT也是以8X8块为单位，将 一个宏块内所有DCT系数中非零系数的个数作为一个特征，当深度为O时含有16个DCT系 数特征，深度为1时含有4个DCT系数特征。
5. 根据权利要求1所述的方法，其特征是，所述的最优预测模式是指：对2NX2N和 SKIP模式进行率失真比较，选择出的率失真代价最小的编码模式。
6. 根据权利要求1所述的方法，其特征是，所述的最优模式选择是指：对HEVC中所有 的编码模式进行率失真的比较，从而选择出率失真代价最小的过程。
【专利摘要】一种基于支持向量机的AVS到HEVC优化视频转码方法，通过采集AVS码流的特征向量，并利用支持向量机对其进行学习并得到训练模型，将提取出的AVS特征向量分为在HEVC中相应位置的CU划分或不划分两类，在转码阶段以训练模型预测CU是否需要划分，当得到当前CU需要划分时，再在当前HEVC的深度下分别进行2N×2N模式和SKIP模式计算，并从这两种模式中选择出最优预测模式，当预测得到当前CU不需要进行划分，则按照HEVC标准编码过程进行最优模式选择。本发明结合了机器学习基本思想，将整个转码过程分为了训练阶段和转码阶段，通过学习得到训练模型，预测HEVC中CU的划分，并结合快速模式选择算法，既提高了转码的速度，又保证了转码后视频的整体视频质量。
【IPC分类】H04N19-103, H04N19-147, H04N19-40
【公开号】CN104837019
【申请号】CN201510215888
【发明人】解蓉, 罗瑞, 张文军, 张良
【申请人】上海交通大学
【公开日】2015年8月12日
【申请日】2015年4月30日