何書前，余緒杭，鄧正杰

(1.海南師范大學(xué) 信息科學(xué)技術(shù)學(xué)院，海南 ?？?571158；2.海南師范大學(xué) 信息網(wǎng)絡(luò)與數(shù)據(jù)中心，海南 海口 571158)

0 引 言

相對(duì)于H.264/AVC，高效視頻編碼H.265/HEVC幀內(nèi)編碼采用了更加豐富的編碼單元結(jié)構(gòu)組合、變換單元大小組合和35種編碼模式等高計(jì)算復(fù)雜度的編碼工具，帶來50%以上率失真性能的提升；其中，計(jì)算復(fù)雜度占比重最大的模塊是率失真最優(yōu)化的編碼單元選擇，該部分計(jì)算復(fù)雜度占比達(dá)到了50%以上[1,2]。2020年7月7日下一代視頻編解碼標(biāo)準(zhǔn)H.266/VVC(versatile video coding)制定完成，相比于H.265/HEVC，針對(duì)4K/8K視頻應(yīng)用率失真性能進(jìn)一步提高一倍。當(dāng)前，因視覺技術(shù)的成熟與發(fā)展，視覺傳感器網(wǎng)絡(luò)得到了廣泛的應(yīng)用，節(jié)點(diǎn)數(shù)大，因此，急需投入成本低，消耗功率小，能夠達(dá)到實(shí)時(shí)高清視頻通信的具有一定產(chǎn)業(yè)基礎(chǔ)視覺終端?，F(xiàn)階段能夠滿足該需求的唯有H.265/HEVC能夠符合。如何降低H.265/HEVC預(yù)測(cè)編碼的計(jì)算復(fù)雜度，實(shí)現(xiàn)視覺傳感器網(wǎng)絡(luò)的實(shí)時(shí)視頻通信，已成為當(dāng)前視覺傳感器網(wǎng)絡(luò)大規(guī)模應(yīng)用的研究熱點(diǎn)問題。預(yù)測(cè)編碼中幀內(nèi)編碼方式在計(jì)算復(fù)雜度和降低功耗方面都比幀間編碼更有優(yōu)勢(shì)，本文針對(duì)以上應(yīng)用場(chǎng)景提出一種高效的幀內(nèi)編碼方法。

1 相關(guān)研究現(xiàn)狀

近年來，很多學(xué)者在H.265/HEVC和H.266/VVC幀內(nèi)優(yōu)化領(lǐng)域取得了大量成果[3-20]，提出了多種快速幀內(nèi)優(yōu)化方法，在保持率失真性能較小損失的同時(shí)大大降低計(jì)算復(fù)雜度[3-6]。其中，Zhang Y等[3]基于空間相鄰編碼單元的紋理和編碼單元深度遞歸預(yù)測(cè)當(dāng)前編碼單元的深度范圍，利用統(tǒng)計(jì)模型來優(yōu)化提前中止和提前跳過編碼單元決策。Zhang T等[4]分別提取了深度差、Hadamard變換代價(jià)與率失真代價(jià)為特征，用于線性支持向量機(jī)執(zhí)行CU拆分與中止決策。文獻(xiàn)[5]在每個(gè)編碼單元大小上設(shè)定提前終止條件，提出了一種基于分層方法的有效復(fù)雜度控制算法。Lim K等[6]利用圖像復(fù)雜度和自適應(yīng)深度預(yù)測(cè)來進(jìn)行早期分割CU決策，并在提前中止CU決策過程中使用了貝葉斯決策規(guī)則和二次判別分析。諸志龍等[7]分析了相鄰CU之間的統(tǒng)計(jì)相關(guān)性，融合已編碼幀率失真代價(jià)，用于更新CU決策算法參數(shù)，控制誤差傳播。Kim TS等[8]提出了一種使用分層和跳過方法的HEVC幀內(nèi)預(yù)測(cè)的自適應(yīng)快速模式?jīng)Q策算法。Tariq J等[9]使用Hadamard計(jì)算代價(jià)，并結(jié)合時(shí)空相關(guān)統(tǒng)計(jì)特性來改善初始模式范圍，也使用了最優(yōu)停止理論預(yù)測(cè)提前中止決策。Podder PK等[10]通過引入人的視覺特征，有效地選擇合適的塊劃分模式來降低HEVC編碼器的時(shí)間復(fù)雜度。Correa G等[11]基于HEVC編碼樹塊(coding tree block，CTB)的動(dòng)態(tài)約束，以解決權(quán)衡率失真性能條件下的計(jì)算復(fù)雜度控制問題。文獻(xiàn)[10-15]結(jié)合了編碼單元和模式選擇優(yōu)化，進(jìn)一步降低計(jì)算復(fù)雜度。最典型的方法是文獻(xiàn)[15]，結(jié)合了絕對(duì)變換差分低成本代價(jià)和Prewitt算子來估計(jì)率失真代價(jià)，減少預(yù)測(cè)幀內(nèi)模式處理，大大降低了幀內(nèi)模式選擇的計(jì)算復(fù)雜度。

近幾年，文獻(xiàn)[15-20]中引入機(jī)器學(xué)習(xí)方法，融合了多種解決方案。Xu M等[16]通過卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)和長短期記憶(long short-term memory，LSTM)網(wǎng)絡(luò)抽取特征向量，直接預(yù)測(cè)獲得最佳的幀內(nèi)與幀間編碼單元分塊結(jié)構(gòu)，從而極大降低了預(yù)測(cè)編碼非最優(yōu)模式的率失真計(jì)算復(fù)雜度。Sun HM等[17]則使用多種神經(jīng)網(wǎng)絡(luò)模式來映射相鄰參考信息與當(dāng)前傳統(tǒng)編碼模式的關(guān)系，以獲得更準(zhǔn)確的最佳模式集合，降低了幀內(nèi)編碼的比特率。Wang Y等[18]提出了一種用于幀內(nèi)角度預(yù)測(cè)的多尺度卷積神經(jīng)網(wǎng)絡(luò)，將角度預(yù)測(cè)信息與相鄰數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，得到更準(zhǔn)確的預(yù)測(cè)塊，平均節(jié)省3.4%比特率。Dong X等[19]針對(duì)H.266/VVC幀內(nèi)編碼環(huán)境，利用機(jī)器學(xué)習(xí)分類器針對(duì)集中特殊模式選擇進(jìn)行提前判決，并結(jié)合提前終止算法，節(jié)省了計(jì)算復(fù)雜度。Zhang Q等[20]基于隨機(jī)森林分類器(random forest classifier，RFC)模型的快速編碼單元分割和基于紋理區(qū)域特征的快速幀內(nèi)預(yù)測(cè)模式優(yōu)化，節(jié)省了54.91%的編碼時(shí)間，BDBR幾乎不變。這類方法因其需要配置更多的計(jì)算和存儲(chǔ)資源支持深度神經(jīng)網(wǎng)絡(luò)，無法在H.265/HEVC的視覺傳感器網(wǎng)絡(luò)推廣。

無論是編碼單元提前中止還是幀內(nèi)模式判決，幀內(nèi)預(yù)測(cè)編碼還有進(jìn)一步的優(yōu)化提升空間。本文利用不同編碼單元深度的非紋理(殘差編碼之外信息)代價(jià)和紋理(殘差編碼信息)率失真代價(jià)之間的關(guān)系，定義了一種編碼單元內(nèi)容復(fù)雜度的判定準(zhǔn)則。利用內(nèi)容復(fù)雜度與編碼單元判決條件之間的關(guān)系，提出了一種簡單高效的H.265/HEVC幀內(nèi)編碼單元提前中止閾值方法。同時(shí)，分析了最優(yōu)編碼單元結(jié)構(gòu)深度的統(tǒng)計(jì)特性和空間相關(guān)性，預(yù)測(cè)當(dāng)前編碼單元最佳的初始編碼深度，節(jié)省了非最佳深度范圍的處理。

2 編碼單元深度分布統(tǒng)計(jì)分析

H.265/HEVC幀內(nèi)預(yù)測(cè)過程是將待編碼幀分割為一序列相同大小的正方形編碼單元，每個(gè)編碼單元根據(jù)四叉樹的結(jié)構(gòu)進(jìn)行迭代分割，分割大小從64×64到8×8的尺寸，每個(gè)編碼單元再進(jìn)行35種編碼模式的代價(jià)計(jì)算，最終選擇代價(jià)最小的編碼分割組合作為最佳的預(yù)測(cè)編碼結(jié)果。下面主要從非紋理信息與紋理代價(jià)的角度分析最佳編碼單元選擇結(jié)果。對(duì)編碼內(nèi)容來說，包含不同對(duì)象的區(qū)域，選擇較大的編碼單元意味著較高的預(yù)測(cè)殘差，但編碼結(jié)構(gòu)、模式和變換等非紋理信息則較?。幌喾?，選擇較小的編碼單元和復(fù)雜的編碼分割結(jié)構(gòu)將獲得更高的預(yù)測(cè)殘差精度，但要求傳輸更多的非紋理參數(shù)信息。

每個(gè)編碼單元模式選擇由量化參數(shù)和視頻內(nèi)容決定。一般來說，小的編碼深度(大的編碼單元尺寸)更適合于平滑區(qū)域，而大的編碼深度(小的編碼單元尺寸)對(duì)高紋理復(fù)雜內(nèi)容更有效。為了驗(yàn)證以上的觀察結(jié)果，本文選擇3個(gè)紋理特征有明顯差異的視頻序列(BasketballDrill、Kimono和BQTerrace)進(jìn)行驗(yàn)證實(shí)驗(yàn)測(cè)試，采用原始HM編碼器的全搜索率失真最優(yōu)化幀內(nèi)編碼模式選擇，量化參數(shù)為22、27、32和37，編碼幀數(shù)為50幀。結(jié)果見表1，最佳的編碼單元深度“0”、“1”、“2”和“3”的平均占比分別為19.8%、33.7%、19.9%和26.6%。對(duì)不同紋理復(fù)雜度的視頻序列各種比例也不一樣，如高紋理復(fù)雜序列“BasketballDrill”中，“0”深度的比重較小，在0.6%～1.7%的范圍；而與平滑內(nèi)容的視頻序列“Kimono”比較，深度“0”為最佳編碼單元大小的比例較高(為25.6%～38.3%)。從以上數(shù)據(jù)可以得出：最佳編碼單元大小與視頻內(nèi)容紋理復(fù)雜度有明顯的對(duì)應(yīng)關(guān)系，可通過當(dāng)前編碼單元內(nèi)容復(fù)雜度預(yù)測(cè)最佳的編碼單元大小。另外，大多數(shù)編碼結(jié)果選擇前3個(gè)低深度最佳編碼單元，在高量化參數(shù)情況下更為明顯。以視頻序列“BQTerrace”為例，最佳深度“3”的比例變化較大，從量化參數(shù)22至37，占比差異達(dá)到了22%。根據(jù)H.265/HEVC編碼器中編碼單元編碼順序，即從“0”到“3”進(jìn)行順序迭代分割編碼，最佳編碼單元深度為非“3”時(shí)，省略后續(xù)的編碼單元處理對(duì)最佳編碼選擇并無影響。同時(shí)，最佳編碼單元深度為“2”或“3”時(shí)，可省略“0”和“1”深度的計(jì)算復(fù)雜度。因此，可選擇最佳編碼單元深度范圍預(yù)測(cè)和提前中止方法，將在不改變編碼性能的情況下節(jié)省大量的編碼計(jì)算復(fù)雜度。

表1 最優(yōu)編碼單元深度分布結(jié)果/%

3 幀內(nèi)預(yù)測(cè)編碼單元提前判決方法

根據(jù)以上分析，本節(jié)將介紹基于非紋理信息與紋理代價(jià)關(guān)系提出的編碼單元大小提前中止閾值算法，并融合空間率失真代價(jià)統(tǒng)計(jì)特性，提出初始編碼單元深度預(yù)測(cè)算法，通過分級(jí)簡化幀內(nèi)預(yù)測(cè)的四叉樹CU大小決策過程計(jì)算復(fù)雜度來加快編碼過程。

3.1 提前中止閾值方法

在幀內(nèi)預(yù)測(cè)編碼中，編碼單元從最大64×64尺寸，分割為最小8×8單元尺寸，每個(gè)編碼單元固定用35種模式進(jìn)行預(yù)測(cè)編碼，在編碼單元分割結(jié)構(gòu)和模式表示所用的比特?cái)?shù)與編碼結(jié)構(gòu)深度存在單調(diào)線性關(guān)系。本文通過分析紋理信號(hào)和非紋理信息之間的關(guān)系，推導(dǎo)出一種編碼單元深度之間存在穩(wěn)定關(guān)系的判別準(zhǔn)則。根據(jù)紋理殘差和非紋理信息的分類，每個(gè)最大的編碼單元比特率由非紋理信息和紋理信息組成

R=Rnontexture+Rtexture

(1)

式中：Rnontexture為非紋理信息，包括了殘差信息之外的頭信息和量化參數(shù)等，Rtexture為紋理殘差信號(hào)經(jīng)過變換量化和熵編碼得到的比特?cái)?shù)。將式(1)代入率失真代價(jià)函數(shù)JRD=SSE(Qp)+λ×R， 其中SSE為失真平方和，率失真代價(jià)則分解為兩個(gè)部分

(2)

式中：JRDtexture、JRDnontexture分別為紋理代價(jià)和非紋理代價(jià)，紋理代價(jià)包含了殘差的失真和碼率，非紋理代價(jià)包含了非紋理信息，信息與失真通過歸一化參數(shù)λ統(tǒng)一尺度。非紋理信息由編碼單元的分割結(jié)構(gòu)決定，即編碼單元深度越大，則編碼分割結(jié)構(gòu)越復(fù)雜，非紋理信息則越多；因此，當(dāng)前深度的非紋理信息小于下一層深度的非紋理信息，則非紋理代價(jià)深度間關(guān)系如下

JRDnontexture,dpi

(3)

(4)

從非紋理代價(jià)與編碼單元深度之間的關(guān)系，可以得到紋理代價(jià)與編碼單元深度之間的關(guān)系

JRDtexture,dpi>JRDtexture,dpi+1

(5)

其中， JRDtexture,dpi=SSEdpi(Qp)+λRtexture,dpi(Qp)， 由于JRDtexture,dpi

(6)

因此，存在一個(gè)確定最佳率失真代價(jià)的中止閾值TH，當(dāng)TOC小于該閾值時(shí)，后續(xù)深度編碼可被省略而不影響編碼率失真性能。當(dāng)然，也可以用計(jì)算復(fù)雜度換取一定的性能損失，為確定合適的TOC中止閾值，以最大限度降低CU編碼的計(jì)算復(fù)雜度的同時(shí)保證編碼性能不變。通過定義參數(shù)ω統(tǒng)一計(jì)算復(fù)雜度和編碼效率的尺度，將該優(yōu)化問題構(gòu)建為非約束的最優(yōu)化問題。

首先，定義最佳的中止代價(jià)

J(TH)=PA(TH)+ω×TR(TH)

(7)

其中，在中止閾值TH確定之后，TR為計(jì)算復(fù)雜度縮小率(%)

(8)

PA表示中止閾值結(jié)果的準(zhǔn)確率

(9)

一個(gè)合適的TOC閾值TH選擇，實(shí)現(xiàn)在較高的預(yù)測(cè)精度的情況下獲得較高的計(jì)算復(fù)雜度降低率。該最佳的優(yōu)化問題可表述為

(10)

ω為預(yù)測(cè)精度和計(jì)算復(fù)雜度之間的權(quán)衡因子。以上最優(yōu)函數(shù)的求解過程，可得

(11)

從式(11)，相對(duì)于TH、PA和TR之間存在耦合關(guān)系，即最佳中止閾值為PA增加率等于TR的降低率時(shí)的折中結(jié)果。在實(shí)際操作中，因PA和TR的取值范圍均為[0,1]，為簡化權(quán)重因子的選擇，將ω參數(shù)設(shè)置為1。式(11)則簡化為

(12)

如圖1所示，將TOC的分布取值與編碼結(jié)果統(tǒng)計(jì)PA、TR值對(duì)應(yīng)分析，為視頻序列“Kimono”量化參數(shù)為27采集的數(shù)據(jù)，選擇最低的TOC值0.5時(shí)，預(yù)測(cè)精度保證100%，計(jì)算復(fù)雜度降低了12%；在測(cè)試實(shí)驗(yàn)中保證預(yù)測(cè)精度80%以上，TOC的最佳中止閾值為0.6，以保證編碼性能。

圖1 PA和TR相對(duì)于TOC分布關(guān)系

3.2 初始最佳深度預(yù)測(cè)

幀內(nèi)編碼從64×64的編碼單元大小執(zhí)行率失真最優(yōu)化編碼，直至8×8的編碼單元大小，選擇最優(yōu)的編碼單元組合，存在最優(yōu)深度范圍 [dpimin_o,dpimax_o]， 其中， dpimin_o為初始最小深度級(jí)，當(dāng)深度級(jí)小于初始最小深度時(shí)，可省略當(dāng)前深度級(jí)的代價(jià)計(jì)算。這里討論如何確定dpimin_o。 因率失真最優(yōu)化選擇方法，該最優(yōu)的深度范圍與每一深度級(jí)率失真編碼代價(jià)具有高相關(guān)性。首先得到64×64深度級(jí)的率失真編碼代價(jià)RDdpi=0， 如RDdpi=0小于預(yù)選閾值TRD0=α×min(RDopt,i)， 則判定該單元為平滑紋理單元，即最佳深度級(jí)為“0”；其中， RDopt,i為空間相鄰(上、左、左上、右上)已編碼單元的最佳率失真代價(jià)；如RDdpi=0大于預(yù)選閾值，最佳深度dpimin_o>0。 定義當(dāng)前編碼單元深度為“0”時(shí)，以該“0”級(jí)代價(jià)區(qū)域分為4個(gè)編碼單元“0、1、2、3”，如圖2所示，第j個(gè)區(qū)域(j為0，1，2，3)的紋理復(fù)雜度為第j個(gè)“0”深度代價(jià)與該區(qū)域最佳代價(jià)比值： Cj=RDdpi=0,j/RDopt,j， 其中，因RDdpi=0,j≥RDopt， 則Cj≥1。 當(dāng)前編碼單元最佳率失真代價(jià)預(yù)測(cè)值為相鄰編碼單元的最小代價(jià)

RDopt_pre=min{RDopt,i}

(13)

則可得當(dāng)前單元的紋理復(fù)雜度預(yù)測(cè)值為： Cpre=RDdepth0,cur/RDopt_pre。 將相鄰編碼單元的紋理復(fù)雜度按升序排序： C1≤C2≤C3≤C4； 最優(yōu)初始深度級(jí)可按照下式確定

(14)

dpimax_o的確定是上一節(jié)中介紹的提前中止閾值算法來確定。

圖2 深度層級(jí)關(guān)系

3.3 本文算法整體流程

從第2節(jié)分析中可知，各類深度為最佳分割單元所占的比重較為均勻，可采用分類處理的辦法節(jié)省計(jì)算復(fù)雜度。對(duì)于最佳深度為“0”或“1”的編碼單元，可采用提前中止后續(xù)深度單元的計(jì)算；對(duì)于最佳深度為“2”和“3”的編碼單元，可省略“0”和“1”深度單元的計(jì)算；從而達(dá)到降低計(jì)算復(fù)雜度的同時(shí)保持最佳編碼性能不變。本文的編碼單元優(yōu)化算法具體流程如圖3所示，具體步驟如下：首先對(duì)“0”級(jí)深度進(jìn)行率失真最優(yōu)化代價(jià)計(jì)算，利用時(shí)空相鄰已編碼單元相關(guān)性信息，可提前確定“0”級(jí)最優(yōu)選擇閾值，根據(jù)該閾值判定該“0”級(jí)代價(jià)是否符合最佳編碼單元；其次，“0”級(jí)率失真編碼代價(jià)與最優(yōu)編碼單元分割存在相關(guān)性，利用該關(guān)系可準(zhǔn)確預(yù)測(cè)最佳深度范圍的初始最小深度級(jí)，如當(dāng)前編碼深度小于該最小深度級(jí)，則省略該編碼深度級(jí)的計(jì)算；最后，編碼深度級(jí)均未滿足以上2個(gè)條件，則進(jìn)入當(dāng)前深度級(jí)率失真最優(yōu)化處理，可利用深度級(jí)之間的非紋理和紋理代價(jià)比值之間的固有線性關(guān)系，在保證達(dá)到最佳編碼深度級(jí)的前提下，提前中止后續(xù)編碼深度級(jí)單元的處理。

圖3 整體算法流程

4 實(shí)驗(yàn)結(jié)果分析

本文中，選擇H.265/HEVC參考軟件平臺(tái)HM15，實(shí)驗(yàn)中選擇默認(rèn)的幀內(nèi)率失真最優(yōu)化預(yù)測(cè)編碼作為對(duì)比參考，并選擇H.265/HEVC幀內(nèi)編碼單元快速選擇算法[15]進(jìn)行比較。實(shí)驗(yàn)中，編碼環(huán)境選擇為：全部為幀內(nèi)編碼，最大編碼單元為64×64，最大的深度為4。采用JCT-VC推薦的5類視頻序列：A(4K×4K)，B(1080p)，C(WVGA)，D(QWVGA) 和E(720p)作為測(cè)試視頻。選擇4種量化參數(shù)22、27、32和37。編碼結(jié)果的對(duì)比參數(shù)指標(biāo)選擇平均比特率變化BDBR(%)，平均峰值信噪比BD-PSNR(dB)和默認(rèn)配置HM15的編碼時(shí)間縮小率

(15)

式中：TFast為快速算法得到的處理時(shí)間，THM為原始參考軟件模型得到的處理時(shí)間。

表2為本文方法中初始編碼單元深度預(yù)測(cè)和提前中止閾值方法的單獨(dú)比較。一方面，初始編碼單元深度預(yù)測(cè)實(shí)現(xiàn)了平均25%的編碼時(shí)間降低率，BDBR提高了0.34%，幾乎沒有損失編碼效率。對(duì)一些視頻序列，最佳編碼單元深度范圍比較集中，排除較多的非最佳深度編碼處理，帶來較大計(jì)算量的下降，如”Johnny”、“BQTerrace”、“Cacus”、“Kimono”和“ParkScene”視頻序列，降低計(jì)算量從17.7%至35.4%不等，最高1.14%的BD-Rate增加。以上數(shù)據(jù)表明，初始編碼單元深度預(yù)測(cè)有效預(yù)測(cè)當(dāng)前編碼單元初始深度，準(zhǔn)確判決最佳的“0”深度單元，在保證編碼性能不變的同時(shí)，降低了計(jì)算復(fù)雜度。另一方面，提前中止閾值實(shí)現(xiàn)40.28%的編碼時(shí)間降低率，BDBR增加了0.27%，損失相對(duì)初始編碼單元深度預(yù)測(cè)較少的編碼效率。對(duì)不同的視頻內(nèi)容，由于紋理內(nèi)容的特性不同，得到的結(jié)果也不一樣；如“PartyScene”、“Kimono”、“BasketballDrill”視頻序列包含較低的紋理復(fù)雜度，最大復(fù)雜度降低率達(dá)到了54.1%；而“BQTerrace”則包含較高的紋理信息，只獲得23.1%的計(jì)算復(fù)雜度減小率。對(duì)于大部分低紋理特性的視頻序列“Traffic”,“BasketballDrill”，“Cactus”，“PartyScene”，“Kimono”，“FourPeople”和“Johnny”，本文快速方法均實(shí)現(xiàn)了高于42%的計(jì)算復(fù)雜度降低率。而對(duì)于高紋理內(nèi)容的視頻序列“BQTerrace”，“RaceHorse”和“BQMall”，計(jì)算復(fù)雜度節(jié)省率的范圍在23.1%～37.5%之間。因此，從以上分析可以得到，本文方法對(duì)紋理內(nèi)容復(fù)雜度的準(zhǔn)確預(yù)測(cè)，并提前中止后續(xù)的計(jì)算代價(jià)，引起0.27%的性能損失。

表2 本文方法與HM的對(duì)比結(jié)果

表3為聯(lián)合初始編碼單元深度預(yù)測(cè)和提前中止閾值方法的判決算法得到的結(jié)果，并與近年同類典型的算法[15]進(jìn)行了比較。無論是編碼時(shí)間節(jié)省還是客觀的BDBR、BD-PSNR性能，本文方法均優(yōu)于文獻(xiàn)[15]。在各類編碼性能均優(yōu)于文獻(xiàn)[15]，相比于文獻(xiàn)[15]算法，編碼時(shí)間多節(jié)省了2.06%，BDBR節(jié)省了0.84%比特率，BD-PSNR提高了0.011 dB。對(duì)于各類(A，B，C，D和E)視頻測(cè)試序列，本文方法實(shí)現(xiàn)了34.5%～69.1%編碼時(shí)間的優(yōu)化，編碼性能損失BDBR平均增加了0.49%，BD-PSNR損失了-0.039。而文獻(xiàn)[15]降低了39.6%～49.7%的編碼時(shí)間，增加了1.33%的BDBR，BD-PSNR損失了0.05 dB。在各類視頻序列中，本文方法因引入了“0”深度最佳編碼單元判決，相比于文獻(xiàn)[15]方法，帶來了較高的編碼時(shí)間節(jié)省，最高達(dá)到了69.1%，而文獻(xiàn)[15]方法最高只達(dá)到49.7%。綜上所述，聯(lián)合初始編碼單元深度預(yù)測(cè)方法，本文方法實(shí)現(xiàn)較高計(jì)算復(fù)雜度降低的同時(shí)，達(dá)到了編碼率失真性能幾乎不變的目標(biāo)。

表3 本文方法與文獻(xiàn)[15]的對(duì)比結(jié)果

5 結(jié)束語

本文圍繞視覺傳感器網(wǎng)絡(luò)對(duì)視覺節(jié)點(diǎn)對(duì)視頻編碼器低成本、低功耗和低延時(shí)的需求，針對(duì)幀內(nèi)預(yù)測(cè)編碼計(jì)算復(fù)雜度的優(yōu)化問題，提出了一種高效的混合優(yōu)化編碼方案。其中，分析了H.265/HEVC標(biāo)準(zhǔn)編碼單元深度的統(tǒng)計(jì)分布與視頻編碼內(nèi)容之間的關(guān)系；采用省略非最優(yōu)深度級(jí)的計(jì)算復(fù)雜度而不影響編碼性能的策略，提出了一種高效的快速幀內(nèi)編碼算法。算法包括了兩個(gè)重要的編碼單元大小提前中止方法：①利用64×64編碼單元的率失真代價(jià)，提前判決64×64是否為最佳深度，并精確預(yù)測(cè)初始最小深度級(jí)；②以非紋理復(fù)雜度和紋理率失真復(fù)雜度的比重為基本判決準(zhǔn)則，推導(dǎo)出該準(zhǔn)則與編碼單元深度之間存在一種單調(diào)遞減關(guān)系。利用判決準(zhǔn)則與編碼單元深度之間的關(guān)系，提出了編碼單元最佳的提前中止閾值方法。實(shí)驗(yàn)結(jié)果顯示，對(duì)于各類不同的視頻內(nèi)容序列，本文方法在保持編碼性能不變的情況下，計(jì)算復(fù)雜度平均降低了48.74%。