CN109819252A - 一种不依赖gop结构的量化参数级联方法 - Google Patents

Abstract

本发明涉及一种不依赖GOP结构的量化参数级联方法，首先通过研究编码中帧与帧之间参考比重关系，构建不依赖GOP结构的帧间失真依赖模型；其次，选取适当的参数，使用神经网络获取失真依赖模型的系数；最后，基于编码总体率失真代价最小的原则，利用神经网络输出实现量化参数分配方案，给各个视频帧分配最佳量化参数。本发明能够实现在编码过程不依赖GOP结构的前提下，保证编码的性能。

Description

一种不依赖GOP结构的量化参数级联方法

技术领域

本发明涉及视频编码技术领域，特别是一种不依赖GOP结构的量化参数级联方法。

背景技术

视频编码方式就是指通过特定的压缩技术，将某个视频格式的文件转换成另一种视频格式文件的方式。视频压缩技术是计算机处理视频的前提。视频信号数字化后数据带宽很高，通常在20MB/秒以上，因此计算机很难对之进行保存和处理。采用压缩技术通常数据带宽降到1-10MB/秒，这样就可以将视频信号保存在计算机中并作相应的处理。

现有的大多数算法都依赖于GOP的分层编码结构，这导致对不同的结构需要重新设计算法，这使得编码器的灵活性很差。

发明内容

有鉴于此，本发明的目的是提出一种不依赖GOP结构的量化参数级联方法，能够实现在编码过程不依赖GOP结构的前提下，保证编码的性能。

本发明采用以下方案实现：一种不依赖GOP结构的量化参数级联方法，包括以下步骤：

步骤S1：构建不依赖GOP结构的帧间失真依赖模型；

步骤S2：获取神经网络输入信息，并将其输入神经网络获取编码GOP中第一帧所需的失真依赖模型的系数；

步骤S3：基于编码总体率失真代价最小的原则，利用神经网络输出实现量化参数分配方案，给各个视频帧分配最佳量化参数；

步骤S4：编码视频帧，更新神经网络输入信息；

步骤S5：判断是否当前GOP最后一帧，若是，则进入步骤S6，否则返回步骤S3；

步骤S6：判断是否最后一个GOP，若是，则结束，否则，返回步骤S3。

本发明首先通过研究编码中帧与帧之间参考比重关系，构建不依赖GOP结构的帧间失真依赖模型；其次，选取适当的参数，使用神经网络获取失真依赖模型的系数；最后，基于编码总体率失真代价最小的原则，利用神经网络输出实现量化参数分配方案，给各个视频帧分配最佳量化参数。

进一步地，步骤S1具体包括以下步骤：

步骤S11：获取不依赖GOP结构的帧间参考比重关系；

步骤S12：利用神经网络构建不依赖GOP结构的帧间失真依赖模型。

进一步地，步骤S11具体为：通过CU级别的参考关系从第j帧编码帧对第i帧参考帧的直接参考ω_ij的获取推导到全局参考Ω_ij的获取，计算过程采用下式：

式中，N_ij为编码帧中来自参考帧的CUs，N_j为编码帧的CU总数。

进一步地，步骤S1中，所述不依赖GOP结构的帧间失真依赖模型为：

ξ_ij＝f(p_mad,p_mse,p_bit,p_Gs,Q_init,Ω_ij)；

式中，ξ_ij为失真系数，p_mad、p_mse、p_bit分别为上一个GOP的平均绝对差、均方误差、比特，p_Gs和Q_init分别为编码器配置的GOP大小和QP值。

进一步地，步骤S3具体包括以下步骤：

步骤S31：获取上一个已编码的GOP参数；

步骤S32：获取神经网络输入信息，并将其输入神经网络，获取神经网络的输出系数；

步骤S33：通过神经网络的输出系数求解帧的量化参数。

进一步地，步骤S3中，为了在编码质量达到最好即编码总体率失真代价最小时分配量化参数，有：

式中，第n个GOP的第k帧量化步长偏移为Δq_n,k，K为GOP的总帧数，λ_n,k、μ_n,k、ν_n,k、m_n,k均为RD依赖关系系数，表示第n个GOP中帧的平均量化步长。

与现有技术相比，本发明有以下有益效果：本发明能在实现编码过程不依赖GOP结构的前提下，达到保证编码性能的目的。

附图说明

图1为本发明实施例的流程示意图。

图2为本发明实施例的不依赖GOP结构的帧间预测示意图(低阶参考)。

图3为本发明实施例的不依赖GOP结构的帧间预测示意图(高阶参考)。

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。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本实施例提供了一种不依赖GOP结构的量化参数级联方法，包括以下步骤：

步骤S1：构建不依赖GOP结构的帧间失真依赖模型；

步骤S2：获取神经网络输入信息，并将其输入神经网络获取编码GOP中第一帧所需的失真依赖模型的系数；

步骤S3：基于编码总体率失真代价最小的原则，利用神经网络输出实现量化参数分配方案，给各个视频帧分配最佳量化参数；

步骤S4：编码视频帧，更新神经网络输入信息；

步骤S5：判断是否当前GOP最后一帧，若是，则进入步骤S6，否则返回步骤S3；

步骤S6：判断是否最后一个GOP，若是，则结束，否则，返回步骤S3。

在本实施例中，步骤S1具体包括以下步骤：

步骤S11：获取不依赖GOP结构的帧间参考比重关系；

步骤S12：利用神经网络构建不依赖GOP结构的帧间失真依赖模型。

在本实施例中，步骤S11具体为：通过CU级别的参考关系从第j帧编码帧对第i帧参考帧的直接参考ω_ij的获取推导到全局参考Ω_ij的获取，计算过程采用下式：

式中，N_ij为编码帧中来自参考帧的CUs，N_j为编码帧的CU总数。

具体如图2、图3所示，图2与图3中描绘了不依赖GOP结构的帧间预测结构，根据帧内CUs对其他帧CUs的参考，可得当前帧对参考帧的参考比重为：

其中ω_ij为编码帧(第j帧)对参考帧(第i帧)的直接参考，N_ij为编码帧中来自参考帧的CUs，N_j为编码帧的CU总数。

进而得到全局参考比重：

其中，Ω_ij为编码帧(第j帧)对参考帧(第i帧)的全局参考。在不考虑高阶参考的情况下可以得到：

在本实施例中，步骤S1中，本实施例使用当前帧对参考帧的全局参考，结合编码过程中的一些重要信息，所述不依赖GOP结构的帧间失真依赖模型为：

ξ_ij＝f(p_mad,p_mse,p_bit,p_Gs,Q_init,Ω_ij)；

式中，ξ_ij为失真系数，p_mad、p_mse、p_bit分别为上一个GOP的平均绝对差、均方误差、比特，p_Gs和Q_init分别为编码器配置的GOP大小和QP值。

较佳的，在本实施例中，利用神经网络获取失真依赖模型的系数的方法为：设置第一个GOP的QP初始值为平均QP，然后编码。从第二个GOP开始，基于前一个GOP获取的神经网络输入，再通过神经网络获得输出系数ξ_ij。

在本实施例中，步骤S3具体包括以下步骤：

步骤S31：获取上一个已编码的GOP参数；

步骤S32：获取神经网络输入信息，并将其输入神经网络，获取神经网络的输出系数；

步骤S33：通过神经网络的输出系数求解帧的量化参数。

在本实施例中，步骤S3中，为了在编码质量达到最好即编码总体率失真代价最小时分配量化参数，有：

式中，第n个GOP的第k帧量化步长偏移为Δq_n,k，K为GOP的总帧数，λ_n,k、μ_n,k、ν_n,k、m_n,k均为RD依赖关系系数，表示第n个GOP中帧的平均量化步长。

具体的，上式的得到具体为：

本实施例在不增加总比特的情况下尽量减少失真的公式如下：

其中，ΔD_tot,n,k和ΔR_tot,n,k分别代表了第n个GOP中第k帧的失真和比特数变化。结合线性DQ模型和二次RQ模型有：

ΔD_tot,n,k＝α_n,kΔD_n,k；

ΔR_tot,n,k＝β_n,kΔR_n,k；

其中，α_n,k和β_n,k分别代表RQ模型和DQ模型参数。且神经网络的输出系数用于构建α_n,k，β_n,k因为零依赖关系设置为1：

β_n,k＝1；

构建不依赖GOP结构的帧间量化参数分配模型，结合上面几个式子可将其表示为

其中，第n个GOP的第k帧量化步长偏移为Δq_n,k，K为GOP的总帧数，λ_n,k、μ_n,k、ν_n,k、m_n,k均为RD依赖关系系数。该公式可以通过牛顿-拉夫逊方法求解得到，最后转化为相应的量化参数。

为了验证本实施例的有效性，本实施例分别在RA和LD结构下对JCT-VC提供的24个H.265/HEVC标准测试序列进行测试。实验结果分别如表1和表2所示。

表1 RA结构下的测试结果

表2 LD结构下的测试结果

由上表可得，本实施例的算法能在实现编码过程不依赖GOP结构的前提下，达到保证编码性能的目的。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (6)

1.一种不依赖GOP结构的量化参数级联方法，其特征在于：包括以下步骤：

步骤S1：构建不依赖GOP结构的帧间失真依赖模型；

步骤S2：获取神经网络输入信息，并将其输入神经网络获取编码GOP中第一帧所需的失真依赖模型的系数；

步骤S3：基于编码总体率失真代价最小的原则，利用神经网络输出实现量化参数分配方案，给各个视频帧分配最佳量化参数；

步骤S4：编码视频帧，更新神经网络输入信息；

步骤S5：判断是否当前GOP最后一帧，若是，则进入步骤S6，否则返回步骤S3；

步骤S6：判断是否最后一个GOP，若是，则结束，否则，返回步骤S3。

2.根据权利要求1所述的一种不依赖GOP结构的量化参数级联方法，其特征在于：步骤S1具体包括以下步骤：

步骤S11：获取不依赖GOP结构的帧间参考比重关系；

步骤S12：利用神经网络构建不依赖GOP结构的帧间失真依赖模型。

3.根据权利要求2所述的一种不依赖GOP结构的量化参数级联方法，其特征在于：步骤S11具体为：通过CU级别的参考关系从第j帧编码帧对第i帧参考帧的直接参考ω_ij的获取推导到全局参考Ω_ij的获取，计算过程采用下式：

式中，N_ij为编码帧中来自参考帧的CUs，N_j为编码帧的CU总数。

4.根据权利要求1所述的一种不依赖GOP结构的量化参数级联方法，其特征在于：步骤S1中，所述不依赖GOP结构的帧间失真依赖模型为：

ξ_ij＝f(p_mad,p_mse,p_bit,p_Gs,Q_init,Ω_ij)；

式中，ξ_ij为失真系数，p_mad、p_mse、p_bit分别为上一个GOP的平均绝对差、均方误差、比特，p_Gs和Q_init分别为编码器配置的GOP大小和QP值。

5.根据权利要求1所述的一种不依赖GOP结构的量化参数级联方法，其特征在于：步骤S3具体包括以下步骤：

步骤S31：获取上一个已编码的GOP参数；

步骤S32：获取神经网络输入信息，并将其输入神经网络，获取神经网络的输出系数；

步骤S33：通过神经网络的输出系数求解帧的量化参数。

6.根据权利要求1所述的一种不依赖GOP结构的量化参数级联方法，其特征在于：步骤S3中，为了在编码质量达到最好即编码总体率失真代价最小时分配量化参数，有：

式中，第n个GOP的第k帧量化步长偏移为Δq_n,k，K为GOP的总帧数，λ_n,k、μ_n,k、ν_n,k、m_n,k均为RD依赖关系系数，表示第n个GOP中帧的平均量化步长。