阅读说明：本技术 一种面向vvc的快速帧内预测方法 (VVC-oriented fast intra-frame prediction method ) 是由 魏宏安 林桑 周彬倩 赵铁松 徐艺文 于 2020-07-07 设计创作，主要内容包括：本发明涉及一种面向VVC的快速帧内预测方法,包括以下步骤：步骤S1：构建HAD代价预测模型,预测每种预测模式的HAD代价,按从小到大的排序,并选择前若干个HAD代价的模式初始化CU候选模式列表；步骤S2:通过统计分析候选模式成为最佳模式的概率,优化CU候选模式列表；步骤S3:基于贝叶斯定理,在每个CU深度级别执行CU划分的提前终止,进一步进行VVC的下一步编码流程,从而加快编码时间。本发明实现在保证视频质量的前提下,有效地加快了视频的编码时间。(The invention relates to a VVC-oriented fast intra-frame prediction method, which comprises the following steps: step S1: building an HAD cost prediction model, predicting the HAD cost of each prediction mode, sequencing the HAD costs from small to large, and initializing a CU candidate mode list by selecting a plurality of modes with the HAD costs; step S2, optimizing a CU candidate mode list by statistically analyzing the probability that the candidate mode becomes the best mode; and step S3, based on Bayesian theorem, executing the early termination of CU partition at each CU depth level, and further performing the next encoding flow of VVC, thereby accelerating the encoding time. The invention effectively accelerates the video coding time on the premise of ensuring the video quality.)

一种面向VVC的快速帧内预测方法

技术领域

本发明涉及视频编码技术领域，具体涉及一种面向VVC的快速帧内预测方法。

背景技术

VVC是新一代视频编码标准，它具有较高的编码效率，在VVC测试模式中，已经采用了许多新颖的技术来提高压缩效率。其中，删除预测单元和转换单元的概念是最重大的变化之一，编码单元直接用于预测和变换进度，无需进一步划分；另一项关键创新是，划分方法采用具有嵌套多类型树编码块结构的四叉树，而不是传统的四叉树结构；此外，为了更好地捕获任意边缘方向，VVC还扩展了预测模式的数量，在原有35种模式基础上，新增了32种子模式。

发明内容

有鉴于此，本发明的目的在于提供一种面向VVC的快速帧内预测方法,能够有效的加快视频的编码时间。

为实现上述目的，本发明采用如下技术方案：

一种面向VVC的快速帧内预测方法，包括以下步骤：

步骤S1：构建HAD代价预测模型，预测每种预测模式的HAD代价，按从小到大的排序，并选择前若干个HAD代价的模式初始化CU候选模式列表；

步骤S2:通过统计分析候选模式成为最佳模式的概率，优化CU候选模式列表；

步骤S3:基于贝叶斯定理，在每个CU深度级别执行CU划分的提前终止，进一步进行VVC的下一步编码流程，从而加快编码时间。

进一步的，所述步骤S1采用全帧内配置来计算不同类型视频序列中CU的HAD代价，将相邻参考CU分为UCU，LCU和coCU。

进一步的，所述步骤S1具体为：

步骤S11:当前CU的HAD代价分布C(t)由相邻块代价分布来预测，估算模型为：

其中C_l(t)和C_u(t)分别是LCU和UCU的HAD代价，

是对应的权重，由coCU权重预测得到；

步骤S12：按从小到大的排序，并选择前N个预测模式来初始化候选列表，并加入平面模式、DC模式、水平模式和垂直模式一起进入粗粒度模式选择过程，将预测模式从35降低到N+4。

进一步的，所述在VVC帧内预测中仅在LCU和UCU同时存在的情况下采用步骤S1初始化方法，否则当前CU将由原始VVC编码器进行编码。

进一步的，所述步骤S2具体为：

步骤S21：在几种不同类型的序列中进行测试，统计不同CU尺寸的候选列表中每个候选模式被选为最佳模式的概率，通过统计结果，证明通过在列表中的前x模式即可以达到准确预测；

步骤S22：尝试若干种不同CU尺寸采用不同候选模式数量的组合，且这里的每个CU尺寸的候选模式数量不超过x，将它们与VVC编码器的原始候选模式方案进行比较，选择编码性能较好和计算复杂度较低的组合；

步骤S23：根据步骤S22得到的组合中列出的不同CU尺寸所需的候选模式数量进一步优化CU候选模式列表，从候选列表中选择所需的候选模式作为在连续模式决策过程中使用的最终候选模式。

进一步的，所述步骤S3具体为：

步骤S31：利用对数正态函数来拟合拆分和未拆分CU的RD代价概率密度分布曲线：

其中，r表示RD代价，f_i(r)是i情况下RD代价的概率密度分布，i有s,n两种情况，其中s表示继续拆分CU，n表示终止CU划分；μ是均值，σ²是方差；

步骤S32：计算CU划分的错误概率P_e：

其中，P(*)是s或n情况的先验概率，且P(s)+P(n)＝1；Th是RD代价的阈值，

步骤S33：计算P_e最小时Th的值，在拆分CU的概率密度分布曲线和未拆分CU的概率密度分布曲线两条曲线相交的情况下P_e最小，并且相交值就是最优阈值Th_opt；并设置CU划分的提前终止描述；

步骤S34：阈值Th_opt的偏移，将Th_opt重写为：

其中，Th_max是用于防止由阈值过大引起的错误判断的最大阈值，α是离线训练的偏移值，适应不同的量化参数和CU大小。

进一步的，所述CU划分的提前终止描述为：

其中，H_n表示终止CU划分的情况，H_s表示CU继续拆分，当RD代价r小于等于最优阈值Th_opt就终止CU划分。

本发明与现有技术相比具有以下有益效果：

本发明实现在保证视频质量的前提下，有效地加快了视频的编码时间。

附图说明

图1是本发明方法流程图；

图2是本发明一实施例中用于内部预测的相邻参考CU示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

请参照图1，本发明提供一种面向VVC的快速帧内预测方法，包括以下步骤：

步骤S1：构建HAD代价预测模型，预测每种预测模式的HAD代价，按从小到大的排序，并选择前若干个HAD代价的模式初始化CU候选模式列表；

步骤S2:通过统计分析候选模式成为最佳模式的概率，优化CU候选模式列表；

步骤S3:基于贝叶斯定理，在每个CU深度级别执行CU划分的提前终止，进一步进行VVC的下一步编码流程，从而加快编码时间。

在本实施例中，采用全帧内配置来计算不同类型视频序列中CU的HAD代价，将相邻参考CU分为上侧CU(UCU)，左侧CU(LCU)和同位CU(coCU)，如图2所示。

在本实施例中，所述步骤S1具体为：

步骤S11:当前CU的HAD代价分布C(t)由相邻块代价分布来预测，估算模型为：

其中C_l(t)和C_u(t)分别是LCU和UCU的HAD代价，是对应的权重，由coCU权重预测得到；

步骤S12：按从小到大的排序，并选择前10个预测模式来初始化候选列表，并加入平面模式、DC模式、水平模式和垂直模式一起进入粗粒度模式选择过程，将预测模式从35降低到14，降低了编码复杂度。

优选的，在VVC帧内预测中，有些块可能不存在相邻的块，这导致无法完全获得模型所需的参数，所以仅在LCU和UCU同时存在的情况下采用上述候选模式初始化方法，否则当前CU将由原始VVC编码器进行编码。

在本实施例中，所述步骤S2具体为：

步骤S21：在几种不同类型的序列中进行测试，统计不同CU尺寸的候选列表中每个候选模式被选为最佳模式的概率，通过统计结果，证明通过在列表中的前2模式即可以达到准确预测；

步骤S22：尝试若干种不同CU尺寸采用不同候选模式数量的组合，且这里的每个CU尺寸的候选模式数量为1-2，将它们与VVC编码器的原始候选模式方案进行比较，选择编码性能较好和计算复杂度较低的组合；

步骤S23：根据步骤S22得到的组合中列出的不同CU尺寸所需的候选模式数量进一步优化CU候选模式列表，从候选列表中选择所需的候选模式作为在连续模式决策过程中使用的最终候选模式。

在本实施例中，所述步骤S3具体为：

步骤S31：利用对数正态函数来拟合拆分和未拆分CU的RD代价概率密度分布曲线：

其中，r表示RD代价，f_i(r)是i情况下RD代价的概率密度分布，i有s,n两种情况，其中s表示继续拆分CU，n表示终止CU划分；μ是均值，σ²是方差，可以通过最大似然估计来计算。

步骤S32：计算CU划分的错误概率P_e：

其中，P(*)是s或n情况的先验概率，且P(s)+P(n)＝1；Th是RD代价的阈值，用于确定是否需要拆分CU。

步骤S33：计算P_e最小时Th的值，在拆分CU的概率密度分布曲线和未拆分CU的概率密度分布曲线两条曲线相交的情况下P_e最小，并且相交值就是最优阈值Th_opt；并设置CU划分的提前终止描述；因此CU划分的提前终止可以描述为：

其中，H_n表示终止CU划分的情况，H_s表示CU继续拆分，当RD代价r小于等于最优阈值Th_opt就终止CU划分。

步骤S34：阈值Th_opt的偏移，将Th_opt重写为：

其中，Th_max是用于防止由阈值过大引起的错误判断的最大阈值，α是离线训练的偏移值，适应不同的量化参数和CU大小。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。