一种视频编码单元分割方法、系统以及硬件实现方法技术方案

本发明专利技术实施例公开了一种视频编码单元分割方法、系统以及硬件实现方法，获取视频编码单元图像及其分割标签，构建训练集；构建基于卷积神经网络的二分类器模型；使用所述训练集训练所述二分类器模型；将待处理视频编码单元图像输入至训练好的二分类器模型获取分割结果。基于深度学习的二分类器进行编码单元分割，在保证分类器分类结果准确性的基础上，相比于HEVC原始四叉树结合RDO的方法，大大减少了运行时间，并设计出对应的硬件电路，硬件利用率高。

【技术实现步骤摘要】
一种视频编码单元分割方法、系统以及硬件实现方法
本专利技术实施例涉及视频编码
，具体涉及一种视频编码单元分割方法、系统以及硬件实现方法。
技术介绍
由于视频图像数据量比较大，在实际存储和传输过程中，需要对视频图像进行压缩编码，现有的高效率视频编码HEVC(HighEfficiencyVideoCoding)由于编码压缩效率高被广泛使用。HEVC是基于混合的基于块的运动补偿变换编码架构，用于视频数据压缩的基本单元称为编码树单元(CodingTreeUnit，CTU)，每个CTU可以包含一个编码单元(CodingUnit，CU)或递归地划分成四个较小的CU，每个CU可以进行子块划分。HEVC的编码单元大小默认采用四叉树的方法来划分，通过计算不同大小块的代价，并比较不同大小块的代价选择最优的划分模式。基于四叉树的逐个块大小比较的方法，耗时巨大，不利于硬件实现。改进块划分的方法是目前视频编码研究和应用的一个热门方向。目前，深度学习已经广泛应用于视频和图像处理的各个领域，实际效果一般优于各个领域的传统方法。本专利技术实施例采用基于CNN(Convo本文档来自技高网...

【技术保护点】
1.一种视频编码单元分割方法，其特征在于，所述方法包括：/n获取视频编码单元图像及其分割标签，构建训练集；/n构建基于卷积神经网络的二分类器模型；/n使用所述训练集训练所述二分类器模型；/n将待处理视频编码单元图像输入至训练好的二分类器模型获取分割结果。/n

【技术特征摘要】
1.一种视频编码单元分割方法，其特征在于，所述方法包括：
获取视频编码单元图像及其分割标签，构建训练集；
构建基于卷积神经网络的二分类器模型；
使用所述训练集训练所述二分类器模型；
将待处理视频编码单元图像输入至训练好的二分类器模型获取分割结果。


2.根据权利要求1所述的一种视频编码单元分割方法，其特征在于，基于卷积神经网络的二分类器模型具体包括三个并行的第一卷积层、第二卷积层和第三卷积层，所述第一卷积层、第二卷积层和第三卷积层分别连接一个池化层，三个所述池化层均连接至特征融合层，所述特征融合层连接有第四卷积层，所述第四卷积层连接有Softmax层。


3.根据权利要求2所述的一种视频编码单元分割方法，其特征在于，基于卷积神经网络的二分类器模型的输入图像大小为64*64或32*32或16*16，所述第一卷积层为7*3卷积层，所述第二卷积层为3*3卷积层，所述第三卷积层为3*7卷积层，所述第四卷积层为1*1卷积层。


4.根据权利要求1所述的一种视频编码单元分割方法，其特征在于，所述方法还包括：
基于TensorFlow框架采用python建立所述二分类器模型，并对二分类器模型进行训练直至收敛，获取模型参数。


5.根据权利要求1所述的一种视频...

【专利技术属性】
技术研发人员：黄震坤，
申请(专利权)人：核芯互联科技青岛有限公司，
类型：发明
国别省市：山东;37