论文部分内容阅读
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,而由于网络带宽受限等原因,需要对原始视频数据进行压缩,因而出现了多种视频编码标准,包括MPEG-4、MPEG-2、H.264、AVS、HEVC等。由于存在多种多样的视频资源,不同的终端设备对视频码流的处理、显示和存储等方面的能力也不尽相同,用户在不同的场景下对视频的需求也会随之变化,因此需要视频转码技术来解决这些问题。HEVC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%,也将会得到越来越广泛的应用。而AVS是我国自主研发的标准,也在不断的向前发展,近期又颁布了AVS2标准,说明了AVS在国内具有重要的影响力。为了使国内视频标准与国际视频标准兼容,本文研究了AVS到HEVC的高效视频转码技术主要从结合视觉特性和基于SVM两个方面进行了研究。基于视觉特性的AVS到HEVC视频转码技术,考虑了人眼视觉特性,结合了感兴趣区域提取算法以保证转码后视频具有较好的视频效果。算法主要分为两部分:感兴趣区域提取算法和快速转码算法。首先,提取出AVS中码流中的运动向量、预测模式和变换系数等编码信息,根据这些信息将视频划分成了三种区域,即最感兴趣区域(mostROI)、感兴趣区域(ROI)和最不感兴趣区域(lessROI)。然后,将检测的结果用于指导后续HEVC中转码流程。对不同感兴趣程度的区域采取不同复杂度的编码算法,从而在保证转码质量的同时,大大降低了计算复杂度,通过实验证明该算法能够节省平均50%以上的转码时间,同时PSNR降低不超过0.05dB,且转码后的视频具有较好的视觉效果。基于支持向量机(SVM,Support Vector Machine)的转码算法,将机器学习应用于AVS到HEVC的转码中,它考虑到了每个序列自身的特性。该算法将转码过程分为了两个阶段,即训练阶段和转码阶段,首先从AVS码流中提取出预测模式、运动向量和变换系数等特征信息,对需要转码的码流前面k帧进行训练,得到AVS中特征向量和HEVC中深度为0和1时CU划分的关系,在转码阶段可以直接用该模型进行预测划分,减少了复杂的迭代计算过程,同时再结合模式映射算法,也能够在保证视频质量下降不多的情况下,使转码速度平均提高约60%~70%。