CN115380306A - 视频编解码的方法和装置 - Google Patents

Abstract

本申请的各方面包括视频编码/解码的方法、装置和非易失性计算机可读存储介质。一种装置包括处理电路，所述处理电路接收与已编码视频码流相关联的元数据。元数据包括在被编码入已编码视频码流的第一图像中检测到的一个或多个对象的标记信息。处理电路对被编码入已编码视频码流的第一图像中的一个或多个对象的标记信息进行解码。处理电路将标记信息应用于第一图像中的一个或多个对象。

Description

视频编解码的方法和装置

引用并入

本申请要求于2021年8月27日提交的美国专利申请号17/459,753的“视频编解码的方法和装置(METHOD AND APPARATUS FOR VIDEO CODING)”的优先权，该美国专利申请要求于2021年1月8日提交的美国临时申请号63/135,530的“用于机器任务的对象的信令(SIGNALING OF OBJECTS FOR MACHINE TASKS)”的优先权。在先申请的全部公开内容通过引用整体并入本文。

技术领域

本申请描述的实施例总体上涉及视频编解码。

背景技术

本文提供的背景描述是为了呈现本申请的背景。记名的发明人的工作，在该背景部分描述的工作以及本说明书各实施例的范围内的内容，在递交时可能并不算作现有技术，均未被明示或暗示地承认作为不利于本申请的现有技术。

视频编码和解码可以使用具有运动补偿的图像间预测来进行。未压缩的数字视频可包括一系列图像，每个图像具有一定的空间维度，例如1920x1080的亮度样本和相关的色度样本。图像序列可具有固定或可变的图像速率(俗称帧率)，例如，每秒60张图像或60Hz。未压缩的视频具有较大的比特率需求。例如，每个样本为8比特的1080p604：2：0(60Hz帧率下的1920x1080亮度样本分辨率)的视频需要接近1.5G比特/秒的带宽。长度为一小时的这种视频需要600G字节以上的存储空间。

视频编码和解码的一个目的是，通过压缩来降低输入视频信号的冗余。在一些情况下，压缩可将带宽或存储器的需求减小至少两个数量级。可使用无损压缩、有损压缩，或其组合。无损压缩指可从经过压缩的原始信号中重建原始信号的准确副本的技术。当使用有损压缩时，重建信号可与原始信号不一致，但原始信号和重建信号之间的失真足够小，以使重建信号能够实现所期望的用途。视频领域中广泛采用有损压缩。容许的失真量取决于应用，例如，一些消费型直播应用的用户比电视节目应用的用户能容忍更大的失真。可实现的压缩比可以反映出：可允许/可容忍的失真越大，可产生的压缩比越高。

视频编码器和解码器可利用几个大类的技术，例如包括运动补偿、变换、量化和熵编码。

视频编解码技术可包括被称为帧内编码的技术。在帧内编码中，样本值的表示不需要参照先前已重建的参考图像中的样本或其他数据。在一些视频编解码器中，图像在空间上被细分为样本块。当在帧内模式下对所有样本块进行编码时，该图像可以为帧内图像。帧内图像及其派生(例如独立解码器刷新图像)可用于重置解码器状态，并从而可以用作编码视频码流和视频会话中的第一幅图像，或作为静止图像。帧内块的样本可接受转换，转换系数可以在熵编码前被量化。帧内预测可以是使预变换域中的样本值最小化的技术。一些情况中，转换后的DC值越小，AC系数就越小，熵编码后用于以给定的量化步长来表示块所需的比特数就越少。

(例如，从例如MPEG-2代编码技术所知的)传统的帧内编码不使用帧内预测。然而，一些较新的视频压缩技术包括尝试，例如，周围的样本数据和/或元数据的技术，可在对空间相邻的、以及解码顺序在前的块数据进行编码和/或解码的过程中获得上述周围的样本数据和/或元数据。这种技术从此被称为帧内预测摂技术。注意，在至少一些情况下，帧内预测仅使用来自正在重建的当前图像(而不是参考图像)的参考数据。

有许多不同形式的帧内预测。当在给定视频编码技术中可以使用多于一种这样的技术时，所使用的技术可以编码在帧内预测模式中。在某些情况下，模式可以具有子模式和/或参数，其可以单独编码或包括在模式码字中。给定模式、子模式，和/或参数组合使用哪个码字可以通过帧内预测对编码效率增益产生影响，并且用于将码字转换为比特流的熵编码技术也可以。

某种帧内预测模式是随H.264引入的，在H.265中得到完善，并且在例如联合探索模型(JEM)，通用视频编码(VVC)，及基准集(BMS)的新编码技术中被进一步完善。可以使用相邻样本值来形成预测块，相邻样本值属于已经可用的样本。根据方向将相邻样本的样本值复制到预测块中。所用的方向的信息可以编码在比特流中，或者可以自己预测。

参见图1A，在右下方描绘了H.265的33个可能的预测方向(对应于35个帧内模式的33个角度模式)中已知的九个预测方向的子集。箭头会聚的点(101)表示正在预测的样本。箭头表示正在预测的样本的方向。例如，箭头(102)表示样本(101)的预测方向是从一个样本或多个样本到右上角，与水平方向成45度角。类似地，箭头(103)表示样本(101)的预测方向是从一个样本或多个样本到样本(101)的左下方，与水平方向成22.5度角。

仍然参考图1A，在左上方示出了4×4个采样的正方形块(104)(由粗体虚线表示)。正方形块(104)包括16个样本，每个样本用“S”标记其在Y维中的位置(例如，行索引)和其在X维中的位置(例如，列索引)。例如，样本S21是Y维度中(从顶部开始)的第二个样本和X维度中(从左侧开始)的第一个样本。类似地，块(104)中的样本S44在Y和X维度中均为第四个样本。由于块的尺寸为4×4个样本，因此S44位于右下角。还示出了遵循类似编号方案的参考样本。参考样本用R、及其相对于块(104)的Y位置(例如，行索引)和X位置(列索引)进行标记。在H.264和H.265中，预测样本与正在重建的块相邻；因此不需要使用负值。

帧内图像预测通过从信号指示的预测方向所覆盖的相邻样本中复制参考样本值来发挥作用。例如，假设已编码视频比特流包括的信令指示该块的预测方向与箭头(102)一致—即，从一个或多个预测样本到右上角，与水平面成45度角，来对样本进行预测。在该情况下，样本S41，S32，S23和S14使用相同的参考样本R05进行预测。然后使用参考样本R08预测样本S44。

在某些情况下，为了计算参考样本，可以合并多个参考样本的值，例如通过插值；特别是当方向不能被45度整除时。

随着视频编码技术的发展，可能的方向的数量越来越多。在H.264(2003年)中，可以表示九个不同的方向。该数目在H.265(2013年)中增加到33个，并且JEM/VVC/BMS在发表时可以支持至多65个方向。已经进行了一些实验以识别最可能的方向，并且使用熵编码中的某些技术来以少量比特表示那些可能的方向，同时承担可能性较小的方向带来的不利结果。此外，这些方向本身有时可以从相邻的已解码的块所使用的相邻方向进行预测。

图1B示出了JEM的65个帧内预测方向的示意图(105)，以示出随时间增加的预测方向的数量。

已编码视频比特流中表示方向的帧内预测方向比特的映射方法，在不同的视频编码技术中可以不同；可以涵盖，例如，从预测方向到帧内预测模式或到码字的简单直接映射，到涉及大多数可能模式的复杂自适应方案，以及类似的技术。然而，在所有情况下，可能存在某些方向，在统计上相较其它方向，在视频内容中出现的可能性较小。由于视频压缩的目标是减少冗余，因此在运转良好的视频编码技术中，相比可能性更大的方向，那些可能性较小的方向将由更多的比特来表示。

运动补偿可以是有损压缩技术，并且可以涉及这样的技术：先前已重建的图像或其部分(参考图像)的样本数据块，在沿着运动矢量(motion vector，下文称为MV)指示的方向被空间移位之后，被用于预测新重建的图像或图像部分。在一些情况下，参考图像可以与当前重建中的图像相同。MV可以具有两个维度X和Y，或三个维度，第三个维度是使用中的参考图像的指示(后者间接地可以是时间维度)。

在一些视频压缩技术中，可应用于样本数据的某一区域的MV可利用其它MV预测得到，例如利用与空间上邻近当前正在重建的区域的另一区域的样本数据相关、并且解码顺序在该MV之前的那些MV预测得到。这样做可以实质上减少对MV进行编码所需的数据量，从而消除冗余并增加压缩力度。MV预测可以有效地工作，例如，因为在对从相机导出的输入视频信号(称为自然视频)进行编码时，存在比单个MV可应用的区域更大的区域在类似方向上移动的统计似然性，并且因此，在一些情况下可以使用从相邻区域的MV得出的类似运动矢量来预测。这导致对于给定区域找到的MV与从周围MV预测的MV类似或相同，并且在熵编解码之后，它又可以用比假如直接对MV进行编码所使用的比特数更少的比特数来表示。在一些情况下，MV预测可以是从原始信号(即：样本流)得出的信号(即：MV)的无损压缩的示例。在其它情况下，MV预测本身可能是有损的，例如，由于从若干周围MV计算预测值时产生的舍入误差。

H.265/HEVC(ITU-T H.265建议书，“高效视频编解码(High Efficiency VideoCoding)”，2016年12月)中描述了各种MV预测机制。在H.265提供的多种MV预测机制中，本申请描述的是下文称作“空间合并”的技术。

请参考图1C，当前块(111)可包括在运动搜索过程期间已由编码器发现的样本，根据已产生空间偏移的相同尺寸的先前块，可预测所述样本。另外，可从一个或多个参考图像相关联的元数据中导出所述MV，而非对MV直接编码。例如，使用关联于A0、A1和B0、B1、B2(分别对应112到116)五个周围样本中的任一样本的MV，(按解码次序)从最近的参考图像的元数据中导出所述MV。在H.265中，MV预测可使用相邻块也正在使用的相同参考图像的预测值。

发明内容

本申请的各方面提供了用于视频编码/解码的装置。一种装置包括接收与已编码视频码流相关联的元数据的处理电路。元数据包括在已编码视频码流中编码的第一图像中检测到的一个或多个对象的标记信息。处理电路对已编码视频码流中编码的第一图像中的一个或多个对象的标记信息进行解码。处理电路将标记信息应用于第一图像中的一个或多个对象。

在一个实施例中，元数据被包括在已编码视频码流中的补充增强信息(SEI)消息中。

在一个实施例中，元数据被包括在与已编码视频码流分离的文件中。

在一个实施例中，标记信息指示第一图像中的边界框的总数，并且包括每个边界框的位置信息和尺寸信息，每个边界框与第一图像中的一个或多个对象中的一个对象相关联。

在一个实施例中，标记信息包括指示一个或多个对象中的每一个的类别的类别信息。

在一个实施例中，标记信息包括识别视频序列中的一个或多个对象中的每个对象的标识信息。

在一个实施例中，边界框中的一个边界框的位置信息包括边界框中的一个边界框在第一图像与在视频码流中编码的第二图像之间的位置偏移。

在一个实施例中，边界框中的一个边界框的位置信息基于与边界框中的一个边界框相关联的对象不存在于第一图像中来指示边界框中的一个边界框的第一图像之外的位置。

在一个实施例中，处理电路发送接收与已编码视频码流相关联的元数据的请求。

本申请的各方面提供了用于视频编码/解码的方法。方法可以执行由用于视频编码/解码的装置执行的过程中的任一个或其组合。在该方法中，接收与已编码视频码流相关联的元数据。元数据包括在已编码视频码流中编码的第一图像中检测到的一个或多个对象的标记信息。对已编码视频码流中编码的第一图像中的一个或多个对象的标记信息进行解码。将标记信息应用于第一图像中的一个或多个对象。

本申请的各方面还提供了存储指令的非易失性计算机可读介质，这些指令在由至少一个处理器执行时致至少一个处理器执行用于视频编码/解码的方法中的任一个或其组合。

附图说明

根据以下具体实施方式和附图，所公开的主题的另外的特征、性质和各种优点将更加明显，在附图中：

图1A是帧内预测模式的示例性子集的示意图。

图1B是示例性帧内预测方向的图示。

图1C是一个示例中的当前块及其周围的空间合并候选的示意图。

图2是根据实施例的通信系统的简化框图的示意图；

图3是根据实施例的通信系统的简化框图的示意图；

图4是根据实施例的解码器的简化框图的示意图；

图5是根据实施例的编码器的简化框图的示意图；

图6示出了根据另一实施例的编码器的框图；

图7示出了根据另一实施例的解码器的框图；

图8示出了根据实施例的在用于机器的视频编解码(VCM)中使用的示例性架构；

图9示出了根据实施例的在通用视频编解码(VVC)中使用的示例性编码器；

图10示出了根据实施例的示例性流程图；以及

图11是根据实施例的计算机系统的示意图。

具体实施方式

I.视频解码器和编码器系统

图2是根据本申请公开的实施例的通信系统(200)的简化框图。通信系统(200)包括多个终端装置，所述终端装置可通过例如网络(250)彼此通信。举例来说，通信系统(200)包括通过网络(250)互连的第一终端装置(210)和第二终端装置(220)。在图3的实施例中，第一终端装置(210)和第二终端装置(220)执行单向数据传输。举例来说，第一终端装置(210)可对视频数据(例如由终端装置(210)采集的视频图像流)进行编码以通过网络(250)传输到另一终第二端装置(220)。已编码的视频数据以一个或多个已编码视频码流形式传输。第二终端装置(220)可从网络(250)接收已编码视频数据，对已编码视频数据进行解码以恢复视频数据，并根据恢复的视频数据显示视频图像。单向数据传输在媒体服务等应用中是较常见的。

在另一实施例中，通信系统(200)包括执行已编码视频数据的双向传输的第三终端装置(230)和第四终端装置(240)，所述双向传输可例如在视频会议期间发生。对于双向数据传输，第三终端装置(230)和第四终端装置(240)中的每个终端装置可对视频数据(例如由终端装置采集的视频图像流)进行编码，以通过网络(250)传输到第三终端装置(230)和第四终端装置(240)中的另一终端装置。第三终端装置(230)和第四终端装置(240)中的每个终端装置还可接收由第三终端装置(230)和第四终端装置(240)中的另一终端装置传输的已编码视频数据，且可对所述已编码视频数据进行解码以恢复视频数据，且可根据恢复的视频数据在可访问的显示装置上显示视频图像。

在图2的实施例中，第一终端装置(210)、第二终端装置(220)、第三终端装置(230)和第四终端装置(240)可为服务器、个人计算机和智能电话，但本申请公开的原理可不限于此。本申请公开的实施例适用于膝上型计算机、平板电脑、媒体播放器和/或专用视频会议设备。网络(250)表示在第一终端装置(210)、第二终端装置(220)、第三终端装置(230)和第四终端装置(240)之间传送已编码视频数据的任何数目的网络，包括例如有线(连线的)和/或无线通信网络。通信网络(250)可在电路交换和/或分组交换信道中交换数据。该网络可包括电信网络、局域网、广域网和/或互联网。出于本论述申请的目的，除非在下文中有所解释，否则网络(250)的架构和拓扑对于本申请公开的操作来说可能是无关紧要的。

作为实施例，图3示出视频编码器和视频解码器在流式传输环境中的放置方式。本申请所公开主题可同等地适用于其它支持视频的应用，包括例如视频会议、数字TV、在包括CD、DVD、存储棒等的数字介质上存储压缩视频等等。

流式传输系统可包括采集子系统(313)，所述采集子系统可包括数码相机等视频源(301)，所述视频源创建未压缩的视频图像流(302)。一个实施例中，视频图像流(302)包括由数码相机拍摄的样本。相较于已编码的视频数据(304)(或已编码的视频码流)，视频图像流(302)被描绘为粗线以强调高数据量的视频图像流，视频图像流(302)可由电子装置(320)处理，所述电子装置(320)包括耦接到视频源(301)的视频编码器(303)。视频编码器(303)可包括硬件、软件或软硬件组合以实现或实施如下文更详细地描述的所公开主题的各方面。相较于视频图像流(302)，已编码的视频数据(304)(或已编码的视频码流(304))被描绘为细线以强调较低数据量的已编码的视频数据(304)(或已编码的视频码流(304))，其可存储在流式传输服务器(305)上以供将来使用。一个或多个流式传输客户端子系统，例如图4中的客户端子系统(306)和客户端子系统(308)，可访问流式传输服务器(305)以检索已编码的视频数据(304)的副本(307)和副本(309)。客户端子系统(306)可包括例如电子装置(330)中的视频解码器(310)。视频解码器(310)对已编码的视频数据的传入副本(307)进行解码，且产生可在显示器(312)(例如显示屏)或另一呈现装置(未描绘)上呈现的输出视频图像流(311)。在一些流式传输系统中，可根据某些视频编码/压缩标准对已编码的视频数据(304)、视频数据(307)和视频数据(309)(例如视频码流)进行编码。该些标准的实施例包括ITU-T H.265。一个实施例中，正在开发的视频编码标准非正式地称为下一代视频编码(Versatile Video Coding，VVC)，本申请可用于VVC标准的上下文中。

应注意，电子装置(320)和电子装置(330)可包括其它组件(未示出)。举例来说，电子装置(320)可包括视频解码器(未示出)，且电子装置(330)还可包括视频编码器(未示出)。

图4是根据本申请公开的实施例的视频解码器(410)的框图。视频解码器(410)可设置在电子装置(430)中。电子装置(430)可包括接收器(431)(例如接收电路)。视频解码器(410)可用于代替图3实施例中的视频解码器(310)。

接收器(431)可接收将由视频解码器(410)解码的一个或多个已编码视频序列；在同一实施例或另一实施例中，一次接收一个已编码视频序列，其中每个已编码视频序列的解码独立于其它已编码视频序列。可从信道(401)接收已编码视频序列，所述信道可以是通向存储已编码的视频数据的存储装置的硬件/软件链路。接收器(431)可接收已编码的视频数据以及其它数据，例如，可转发到它们各自的使用实体(未标示)的已编码音频数据和/或辅助数据流。接收器(431)可将已编码视频序列与其它数据分开。为了防止网络抖动，缓冲存储器(415)可耦接在接收器(431)与熵解码器/解析器(420)(此后称为“解析器(420)”)之间。在某些应用中，缓冲存储器(415)是视频解码器(410)的一部分。在其它情况下，所述缓冲存储器(415)可设置在视频解码器(410)外部(未标示)。而在其它情况下，视频解码器(410)的外部设置缓冲存储器(未标示)以例如防止网络抖动，且在视频解码器(410)的内部可配置另一缓冲存储器(415)以例如处理播出定时。而当接收器(431)从具有足够带宽和可控性的存储/转发装置或从等时同步网络接收数据时，也可能不需要配置缓冲存储器(415)，或可以将所述缓冲存储器做得较小。当然，为了在互联网等业务分组网络上使用，也可能需要缓冲存储器(415)，所述缓冲存储器可相对较大且可具有自适应性尺寸，且可至少部分地实施于操作系统或视频解码器(410)外部的类似元件(未标示)中。

视频解码器(410)可包括解析器(420)以根据已编码视频序列重建符号(421)。这些符号的类别包括用于管理视频解码器(410)的操作的信息，以及用以控制显示装置(412)(例如，显示屏)等显示装置的潜在信息，所述显示装置不是电子装置(430)的组成部分，但可耦接到电子装置(430)，如图5中所示。用于显示装置的控制信息可以是辅助增强信息(Supplemental Enhancement Information，SEI消息)或视频可用性信息(VideoUsability Information，VUI)的参数集片段(未标示)。解析器(420)可对接收到的已编码视频序列进行解析/熵解码。已编码视频序列的编码可根据视频编码技术或标准进行，且可遵循各种原理，包括可变长度编码、霍夫曼编码(Huffman coding)、具有或不具有上下文灵敏度的算术编码等等。解析器(420)可基于对应于群组的至少一个参数，从已编码视频序列提取用于视频解码器中的像素的子群中的至少一个子群的子群参数集。子群可包括图像群组(Group of Pictures，GOP)、图像、图块、切片、宏块、编码单元(Coding Unit，CU)、块、变换单元(Transform Unit，TU)、预测单元(Prediction Unit，PU)等等。解析器(320)还可从已编码视频序列提取信息，例如变换系数、量化器参数值、运动矢量等等。

解析器(420)可对从缓冲存储器(415)接收的视频序列执行熵解码/解析操作，从而创建符号(421)。

取决于已编码视频图像或一部分已编码视频图像(例如：帧间图像和帧内图像、帧间块和帧内块)的类型以及其它因素，符号(421)的重建可涉及多个不同单元。涉及哪些单元以及涉及方式可由解析器(420)从已编码视频序列解析的子群控制信息控制。为了简洁起见，未描述解析器(420)与下文的多个单元之间的此类子群控制信息流。

除已经提及的功能块以外，视频解码器(410)可在概念上细分成如下文所描述的数个功能单元。在商业约束下运行的实际实施例中，这些单元中的许多单元彼此紧密交互并且可以彼此集成。然而，出于描述所公开主题的目的，概念上细分成下文的功能单元是适当的。

第一单元是缩放器/逆变换单元(451)。缩放器/逆变换单元(451)从解析器(420)接收作为符号(421)的量化变换系数以及控制信息，包括使用哪种变换方式、块尺寸、量化因子、量化缩放矩阵等。缩放器/逆变换单元(451)可输出包括样本值的块，所述样本值可输入到聚合器(455)中。

在一些情况下，缩放器/逆变换单元(451)的输出样本可属于帧内编码块；即：不使用来自先前重建的图像的预测性信息，但可使用来自当前图像的先前重建部分的预测性信息的块。此类预测性信息可由帧内图像预测单元(452)提供。在一些情况下，帧内图像预测单元(452)采用从当前图像缓冲器(458)提取的已重建信息生成尺寸和形状与正在重建的块相同的周围块。举例来说，当前图像缓冲器(458)缓冲部分重建的当前图像和/或完全重建的当前图像。在一些情况下，聚合器(455)基于每个样本，将帧内预测单元(452)生成的预测信息添加到由缩放器/逆变换单元(451)提供的输出样本信息中。

在其它情况下，缩放器/逆变换单元(451)的输出样本可属于帧间编码和潜在运动补偿块。在此情况下，运动补偿预测单元(453)可访问参考图像存储器(457)以提取用于预测的样本。在根据符号(421)对提取的样本进行运动补偿之后，这些样本可由聚合器(455)添加到缩放器/逆变换单元(451)的输出(在这种情况下被称作残差样本或残差信号)，从而生成输出样本信息。运动补偿预测单元(453)从参考图像存储器(457)内的地址获取预测样本可受到运动矢量控制，且所述运动矢量以所述符号(421)的形式而供运动补偿预测单元(453)使用，所述符号(421)例如是包括X、Y和参考图像分量。运动补偿还可包括在使用子样本精确运动矢量时，从参考图像存储器(457)提取的样本值的内插、运动矢量预测机制等等。

聚合器(455)的输出样本可在环路滤波器单元(456)中被各种环路滤波技术采用。视频压缩技术可包括环路内滤波器技术，所述环路内滤波器技术受控于包括在已编码视频序列(也称作已编码视频码流)中的参数，且所述参数作为来自解析器(420)的符号(421)可用于环路滤波器单元(456)。然而，在其他实施例中，视频压缩技术还可响应于在解码已编码图像或已编码视频序列的先前(按解码次序)部分期间获得的元信息，以及响应于先前重建且经过环路滤波的样本值。

环路滤波器单元(456)的输出可以是样本流，所述样本流可输出到显示装置(412)以及存储在参考图像存储器(457)，以用于后续的帧间图像预测。

一旦完全重建，某些已编码图像就可用作参考图像以用于将来预测。举例来说，一旦对应于当前图像的已编码图像被完全重建，且已编码图像(通过例如解析器(420))被识别为参考图像，则当前图像缓冲器(458)可变为参考图像存储器(457)的一部分，且可在开始重建后续已编码图像之前重新分配新的当前图像缓冲器。

视频解码器(410)可根据例如ITU-T H.265标准中的预定视频压缩技术执行解码操作。在已编码视频序列遵循视频压缩技术或标准的语法以及视频压缩技术或标准中记录的配置文件的意义上，已编码视频序列可符合所使用的视频压缩技术或标准指定的语法。具体地说，配置文件可从视频压缩技术或标准中可用的所有工具中选择某些工具作为在所述配置文件下可供使用的仅有工具。对于合规性，还要求已编码视频序列的复杂度处于视频压缩技术或标准的层级所限定的范围内。在一些情况下，层级限制最大图像尺寸、最大帧率、最大重建取样率(以例如每秒兆(mega)个样本为单位进行测量)、最大参考图像尺寸等。在一些情况下，由层级设定的限制可通过假想参考解码器(Hypothetical ReferenceDecoder，HRD)规范和在已编码视频序列中用信号表示的HRD缓冲器管理的元数据来进一步限定。

一个实施例中，接收器(431)可连同已编码视频一起接收附加(冗余)数据。所述附加数据可以是已编码视频序列的一部分。所述附加数据可由视频解码器(410)用以对数据进行适当解码和/或较准确地重建原始视频数据。附加数据可呈例如时间、空间或信噪比(signal noise ratio，SNR)增强层、冗余切片、冗余图像、前向纠错码等形式。

图5是根据本申请公开的实施例的视频编码器(503)的框图。视频编码器(503)设置于电子装置(520)中。电子装置(520)包括传输器(540)(例如传输电路)。视频编码器(503)可用于代替图3实施例中的视频编码器(303)。

视频编码器(503)可从视频源(501)(并非图5实施例中的电子装置(520)的一部分)接收视频样本，所述视频源可采集将由视频编码器(503)编码的视频图像。在另一实施例中，视频源(501)是电子装置(520)的一部分。

视频源(501)可提供将由视频编码器(503)编码的呈数字视频样本流形式的源视频序列，所述数字视频样本流可具有任何合适位深度(例如：8位、10位、12位……)、任何色彩空间(例如BT.601Y CrCB、RGB……)和任何合适取样结构(例如Y CrCb4:2:0、Y CrCb 4:4:4)。在媒体服务系统中，视频源(501)可以是存储先前已准备的视频的存储装置。在视频会议系统中，视频源(501)可以是采集本地图像信息作为视频序列的相机。可将视频数据提供为多个单独的图像，当按顺序观看时，这些图像被赋予运动。图像自身可构建为空间像素阵列，其中取决于所用的取样结构、色彩空间等，每个像素可包括一个或多个样本。所属领域的技术人员可以很容易理解像素与样本之间的关系。下文侧重于描述样本。

根据实施例，视频编码器(503)可实时或在由应用所要求的任何其它时间约束下，将源视频序列的图像编码且压缩成已编码视频序列(543)。施行适当的编码速度是控制器(550)的一个功能。在一些实施例中，控制器(550)控制如下文所描述的其它功能单元且在功能上耦接到这些单元。为了简洁起见，图中未标示耦接。由控制器(550)设置的参数可包括速率控制相关参数(图像跳过、量化器、率失真优化技术的λ值等)、图像尺寸、图像群组(group of pictures，GOP)布局，最大运动矢量允许参考范围等。控制器(550)可用于具有其它合适的功能，这些功能涉及针对某一系统设计优化的视频编码器(503)。

在一些实施例中，视频编码器(503)在编码环路中进行操作。作为简单的描述，一个实施例中，编码环路可包括源编码器(530)(例如，负责基于待编码的输入图像和参考图像创建符号，例如符号流)和嵌入于视频编码器(503)中的(本地)解码器(533)。解码器(533)以类似于(远程)解码器创建样本数据的方式重建符号以创建样本数据(因为在本申请所考虑的视频压缩技术中，符号与已编码视频码流之间的任何压缩是无损的)。将重建的样本流(样本数据)输入到参考图像存储器(534)。由于符号流的解码产生与解码器位置(本地或远程)无关的位精确结果，因此参考图像存储器(534)中的内容在本地编码器与远程编码器之间也是按比特位精确对应的。换句话说，编码器的预测部分“看到”的参考图像样本与解码器将在解码期间使用预测时所“看到”的样本值完全相同。这种参考图像同步性基本原理(以及在例如因信道误差而无法维持同步性的情况下产生的漂移)也用于一些相关技术。

“本地”解码器(533)的操作可与例如已在上文结合图4详细描述视频解码器(410)的“远程”解码器相同。然而，另外简要参考图4，当符号可用且熵编码器(545)和解析器(420)能够无损地将符号编码/解码为已编码视频序列时，包括缓冲存储器(415)和解析器(420)在内的视频解码器(410)的熵解码部分，可能无法完全在本地解码器(533)中实施。

此时可以观察到，除存在于解码器中的解析/熵解码之外的任何解码器技术，也必定以基本上相同的功能形式存在于对应的编码器中。出于此原因，本申请侧重于解码器操作。可简化编码器技术的描述，因为编码器技术与全面地描述的解码器技术互逆。仅在某些区域中需要更详细的描述，并且在下文提供。

在操作期间，在一些实施例中，源编码器(530)可执行运动补偿预测编码。参考来自视频序列中被指定为“参考图像”的一个或多个先前已编码图像，所述运动补偿预测编码对输入图像进行预测性编码。以此方式，编码引擎(532)对输入图像的像素块与参考图像的像素块之间的差异进行编码，所述参考图像可被选作所述输入图像的预测参考。

本地视频解码器(533)可基于源编码器(530)创建的符号，对可指定为参考图像的图像的已编码视频数据进行解码。编码引擎(532)的操作可为有损过程。当已编码视频数据可在视频解码器(图5中未示出)处被解码时，重建的视频序列通常可以是带有一些误差的源视频序列的副本。本地视频解码器(533)复制解码过程，所述解码过程可由视频解码器对参考图像执行，且可使重建的参考图像存储在参考图像高速缓存(534)中。以此方式，视频编码器(503)可在本地存储重建的参考图像的副本，所述副本与将由远端视频解码器获得的重建参考图像具有共同内容(不存在传输误差)。

预测器(535)可针对编码引擎(532)执行预测搜索。即，对于将要编码的新图像，预测器(535)可在参考图像存储器(534)中搜索可作为所述新图像的适当预测参考的样本数据(作为候选参考像素块)或某些元数据，例如参考图像运动矢量、块形状等。预测器(535)可基于样本块逐像素块操作，以找到合适的预测参考。在一些情况下，根据预测器(535)获得的搜索结果，可确定输入图像可具有从参考图像存储器(534)中存储的多个参考图像取得的预测参考。

控制器(550)可管理源编码器(530)的编码操作，包括例如设置用于对视频数据进行编码的参数和子群参数。

可在熵编码器(545)中对所有上述功能单元的输出进行熵编码。熵编码器(545)根据例如霍夫曼编码、可变长度编码、算术编码等技术对各种功能单元生成的符号进行无损压缩，从而将所述符号转换成已编码视频序列。

传输器(540)可缓冲由熵编码器(545)创建的一个或多个已编码视频序列，从而为通过通信信道(560)进行传输做准备，所述通信信道可以是通向将存储已编码的视频数据的存储装置的硬件/软件链路。传输器(540)可将来自视频编码器(503)的已编码视频数据与要传输的其它数据合并，所述其它数据例如是已编码音频数据和/或辅助数据流(未示出来源)。

控制器(550)可管理视频编码器(503)的操作。在编码期间，控制器(550)可以为每个已编码图像分配某一已编码图像类型，但这可能影响可应用于相应的图像的编码技术。例如，通常可将图像分配为以下任一种图像类型：

帧内图像(I图像)，其可以是不将序列中的任何其它图像用作预测源就可被编码和解码的图像。一些视频编解码器容许不同类型的帧内图像，包括例如独立解码器刷新(Independent Decoder Refresh，“IDR”)图像。所属领域的技术人员了解I图像的变体及其相应的应用和特征。

预测性图像(P图像)，其可以是可使用帧内预测或帧间预测进行编码和解码的图像，所述帧内预测或帧间预测使用至多一个运动矢量和参考索引来预测每个块的样本值。

双向预测性图像(B图像)，其可以是可使用帧内预测或帧间预测进行编码和解码的图像，所述帧内预测或帧间预测使用至多两个运动矢量和参考索引来预测每个块的样本值。类似地，多个预测性图像可使用多于两个参考图像和相关联元数据以用于重建单个块。

源图像通常可在空间上细分成多个样本块(例如，4×4、8×8、4×8或16×16个样本的块)，且逐块进行编码。这些块可参考其它(已编码)块进行预测编码，根据应用于块的相应图像的编码分配来确定所述其它块。举例来说，I图像的块可进行非预测编码，或所述块可参考同一图像的已经编码的块来进行预测编码(空间预测或帧内预测)。P图像的像素块可参考一个先前编码的参考图像通过空间预测或通过时域预测进行预测编码。B图像的块可参考一个或两个先前编码的参考图像通过空间预测或通过时域预测进行预测编码。

视频编码器(503)可根据例如ITU-T H.265建议书的预定视频编码技术或标准执行编码操作。在操作中，视频编码器(503)可执行各种压缩操作，包括利用输入视频序列中的时间和空间冗余的预测编码操作。因此，已编码视频数据可符合所用视频编码技术或标准指定的语法。

一个实施例中，传输器(540)可在传输已编码的视频时传输附加数据传输附加数据和已编码的视频。源编码器(530)可将此类数据作为可以是已编码视频序列的一部分。附加数据可包括时间/空间/SNR增强层、冗余图像和切片等其它形式的冗余数据、SEI消息、VUI参数集片段等。

采集到的视频可作为呈时间序列的多个源图像(视频图像)。帧内图像预测(常常简化为帧内预测)利用给定图像中的空间相关性，而帧间图像预测则利用图像之间的(时间或其它)相关性。一个实施例中，将正在编码/解码的特定图像分割成块，正在编码/解码的特定图像被称作当前图像。在当前图像中的块类似于视频中先前已编码且仍被缓冲的参考图像中的参考块时，可通过称作运动矢量的矢量对当前图像中的块进行编码。所述运动矢量指向参考图像中的参考块，且在使用多个参考图像的情况下，所述运动矢量可具有识别参考图像的第三维度。

在一些实施例中，双向预测技术可用于帧间图像预测中。根据双向预测技术，使用两个参考图像，例如按解码次序都在视频中的当前图像之前(但按显示次序可能分别是过去和将来)第一参考图像和第二参考图像。可通过指向第一参考图像中的第一参考块的第一运动矢量和指向第二参考图像中的第二参考块的第二运动矢量对当前图像中的块进行编码。具体来说，可通过第一参考块和第二参考块的组合来预测所述块。

此外，合并模式技术可用于帧间图像预测中以改善编码效率。

根据本申请公开的一些实施例，帧间图像预测和帧内图像预测等预测的执行以块为单位。举例来说，根据HEVC标准，将视频图像序列中的图像分割成编码树单元(codingtree unit，CTU)以用于压缩，图像中的CTU具有相同尺寸，例如64×64像素、32×32像素或16×16像素。一般来说，CTU包括三个编码树块(coding tree block，CTB)，所述三个编码树块是一个亮度CTB和两个色度CTB。更进一步的，还可将每个CTU以四叉树拆分为一个或多个编码单元(coding unit，CU)。举例来说，可将64×64像素的CTU拆分为一个64×64像素的CU，或4个32×32像素的CU，或16个16×16像素的CU。一个实施例中，分析每个CU以确定用于CU的预测类型，例如帧间预测类型或帧内预测类型。此外，取决于时间和/或空间可预测性，将CU拆分为一个或多个预测单元(prediction unit，PU)。通常，每个PU包括亮度预测块(prediction block，PB)和两个色度PB。一个实施例中，编码(编码/解码)中的预测操作以预测块为单位来执行。以亮度预测块作为预测块为例，预测块包括像素值(例如，亮度值)的矩阵，例如8×8像素、16×16像素、8×16像素、16×8像素等等。

图6是根据本申请公开的另一实施例的视频编码器(603)的图。视频编码器(603)用于接收视频图像序列中的当前视频图像内的样本值的处理块(例如预测块)，且将所述处理块编码到作为已编码视频序列的一部分的已编码图像中。在本实施例中，视频编码器(603)用于代替图3实施例中的视频编码器(303)。

在HEVC实施例中，视频编码器(603)接收用于处理块的样本值的矩阵，所述处理块为例如8×8样本的预测块等。视频编码器(603)使用例如率失真(rate-distortion，RD)优化来确定是否使用帧内模式、帧间模式或双向预测模式来编码所述处理块。当在帧内模式中编码处理块时，视频编码器(603)可使用帧内预测技术以将处理块编码到已编码图像中；且当在帧间模式或双向预测模式中编码处理块时，视频编码器(603)可分别使用帧间预测或双向预测技术将处理块编码到已编码图像中。在某些视频编码技术中，合并模式可以是帧间图像预测子模式，其中，在不借助预测值外部的已编码运动矢量分量的情况下，从一个或多个运动矢量预测值导出运动矢量。在某些其它视频编码技术中，可存在适用于主题块的运动矢量分量。一个实施例中，视频编码器(603)包括其它组件，例如用于确定处理块模式的模式决策模块(未示出)。

在图6的实施例中，视频编码器(603)包括如图6所示的耦接到一起的帧间编码器(630)、帧内编码器(622)、残差计算器(623)、开关(626)、残差编码器(624)、通用控制器(621)和熵编码器(625)。

帧间编码器(630)用于接收当前块(例如处理块)的样本、比较所述块与参考图像中的一个或多个参考块(例如先前图像和后来图像中的块)、生成帧间预测信息(例如根据帧间编码技术的冗余信息描述、运动矢量、合并模式信息)、以及基于帧间预测信息使用任何合适的技术计算帧间预测结果(例如已预测块)。在一些实施例中，参考图像是基于已编码的视频信息解码的已解码参考图像。

帧内编码器(622)用于接收当前块(例如处理块)的样本、在一些情况下比较所述块与同一图像中已编码的块、在变换之后生成量化系数、以及在一些情况下还(例如根据一个或多个帧内编码技术的帧内预测方向信息)生成帧内预测信息。一个实施例中，帧内编码器(622)还基于帧内预测信息和同一图像中的参考块计算帧内预测结果(例如已预测块)。

通用控制器(621)用于确定通用控制数据，且基于所述通用控制数据控制视频编码器(603)的其它组件。一个实施例中，通用控制器(621)确定块的模式，且基于所述模式将控制信号提供到开关(626)。举例来说，当所述模式是帧内模式时，通用控制器(621)控制开关(626)以选择供残差计算器(623)使用的帧内模式结果，且控制熵编码器(625)以选择帧内预测信息且将所述帧内预测信息添加在码流中；以及当所述模式是帧间模式时，通用控制器(621)控制开关(626)以选择供残差计算器(623)使用的帧间预测结果，且控制熵编码器(625)以选择帧间预测信息且将所述帧间预测信息添加在码流中。

残差计算器(623)用于计算所接收的块与选自帧内编码器(622)或帧间编码器(630)的预测结果之间的差(残差数据)。残差编码器(624)用于基于残差数据操作，以对残差数据进行编码以生成变换系数。一个实施例中，残差编码器(624)用于将残差数据从时域转换到频域，且生成变换系数。变换系数接着经由量化处理以获得量化的变换系数。在各种实施例中，视频编码器(603)还包括残差解码器(628)。残差解码器(628)用于执行逆变换，且生成已解码残差数据。已解码残差数据可适当地由帧内编码器(622)和帧间编码器(630)使用。举例来说，帧间编码器(630)可基于已解码残差数据和帧间预测信息生成已解码块，且帧内编码器(622)可基于已解码残差数据和帧内预测信息生成已解码块。适当处理已解码块以生成已解码图像，且在一些实施例中，所述已解码图像可在存储器电路(未示出)中缓冲并用作参考图像。

熵编码器(625)用于将码流格式化以产生已编码的块。熵编码器(625)根据HEVC等合适标准产生各种信息。一个实施例中，熵编码器(625)用于获得通用控制数据、所选预测信息(例如帧内预测信息或帧间预测信息)、残差信息和码流中的其它合适的信息。应注意，根据所公开的主题，当在帧间模式或双向预测模式的合并子模式中对块进行编码时，不存在残差信息。

图7是根据本申请公开的另一实施例的视频解码器(710)的图。视频解码器(710)用于接收作为已编码视频序列的一部分的已编码图像，且对所述已编码图像进行解码以生成重建的图像。一个实施例中，视频解码器(710)用于代替图3实施例中的视频解码器(310)。

在图7实施例中，视频解码器(710)包括如图7中所示耦接到一起的熵解码器(771)、帧间解码器(780)、残差解码器(773)、重建模块(774)和帧内解码器(772)。

熵解码器(771)可用于根据已编码图像来重建某些符号，这些符号表示构成所述已编码图像的语法元素。此类符号可包括例如用于对所述块进行编码的模式(例如帧内模式、帧间模式、双向预测模式、后两者的合并子模式或另一子模式)、可分别识别供帧内解码器(772)或帧间解码器(780)用以进行预测的某些样本或元数据的预测信息(例如帧内预测信息或帧间预测信息)、呈例如量化的变换系数形式的残差信息等等。一个实施例中，当预测模式是帧间或双向预测模式时，将帧间预测信息提供到帧间解码器(780)；以及当预测类型是帧内预测类型时，将帧内预测信息提供到帧内解码器(772)。残差信息可经由逆量化并提供到残差解码器(773)。

帧间解码器(780)用于接收帧间预测信息，且基于所述帧间预测信息生成帧间预测结果。

帧内解码器(772)用于接收帧内预测信息，且基于所述帧内预测信息生成预测结果。

残差解码器(773)用于执行逆量化以提取解量化的变换系数，且处理所述解量化的变换系数，以将残差从频域转换到空间域。残差解码器(773)还可能需要某些控制信息(用以获得量化器参数QP)，且所述信息可由熵解码器(771)提供(未标示数据路径，因为这仅仅是低量控制信息)。

重建模块(774)用于在空间域中合并由残差解码器(773)输出的残差与预测结果(可由帧间预测模块或帧内预测模块输出)以形成重建的块，所述重建的块可以是重建的图像的一部分，所述重建的图像继而可以是重建的视频的一部分。应注意，可执行解块操作等其它合适的操作来改善视觉质量。

应注意，可使用任何合适的技术来实施视频编码器(303)、视频编码器(503)和视频编码器(603)以及视频解码器(310)、视频解码器(410)和视频解码器(710)。一个实施例中，可使用一个或多个集成电路来实施视频编码器(303)、视频编码器(503)和视频编码器(603)以及视频解码器(310)、视频解码器(410)和视频解码器(710)。在另一实施例中，可使用执行软件指令的一个或多个处理器来实施视频编码器(303)、视频编码器(503)和视频编码器(603)以及视频解码器(310)、视频解码器(410)和视频解码器(710)。本申请的各方面提供了用于视频编码/解码的滤波技术。

II.用于机器的视频编解码

视频或图像可以由人类消费用于各种用途，例如娱乐、教育等。因此，视频编码或图像编码通常利用人类视觉系统的特性以获得更好的压缩效率，同时保持良好的主观质量。

近年来，随着机器学习应用的兴起以及大量传感器的配备，许多智能平台已经利用视频或图像用于机器视觉任务，例如对象检测、分段或追随(tracking)。如何对视频或图像进行编码以使其被机器视觉任务所利用，可能是令人感兴趣且具有挑战性的问题。这导致引入了用于机器的视频编解码(video coding for machines，VCM)的研究。为了实现这个目标，国际标准组MPEG创建了特设组“用于机器的视频编解码(VCM)”，以对相关技术进行标准化，从而在不同设备之间实现更好的互操作性。

图8示出了本申请实施例的示例性VCM架构。应注意，图8中的视频解码模块的输出主要由机器使用，即，机器视觉。然而，在一些情况下，视频解码模块的输出也可用于人类视觉，如图8中所指示。另外，用于神经网络(neural network，NN)模块的接口可以被包括在示例性VCM架构中。

来自客户端(或解码器)端的用于机器的视频编解码系统通常可以执行视频解码以首先获得样本域中的视频序列。然后，可以执行一个或多个机器任务以理解视频序列的视频内容。在一些情况下，一个或多个机器任务的输出可以是一个或多个目标对象的标记信息，例如，以已解码图像或视频序列内的矩形边界框的形式。

III.多功能视频编解码(Versatile Video Coding，VVC)

VVC是两个国际标准组织(即，ITU和ISO/IEC)在最近联合开发的。VVC的一个版本在2020年7月最终确定，并且是最先进的视频编码标准之一。

图9示出了本申请实施例的示例性VVC编码器。VVC编码器包括变换和量化(transform and quantization，TR+Q)模块、熵编码模块、运动估计(motion estimation，ME)模块和解码器。该解码器包括逆变换和逆量化(inverse transform and inversequantization，iTR+iQ)模块、帧内预测模块、帧间预测模块、组合预测模块、去块滤波器(deblocking filter，Deblk)模块、样本自适应偏移滤波器(sample adaptive offsetfilter，SAO)模块、自适应环路滤波器(adaptive loop filter，ALF)模块和缓冲器。编码器接收输入图像的编码块(coding block，CB)并输出已编码码流和已重建图像。变换和量化模块以及逆变换和逆量化模块都处理变换块(TB)。帧内预测模块和帧内预测模块都处理PB。组合预测模块将帧间预测和帧内预测进行组合。

对于帧内预测，可以包括各种编解码工具，例如，交叉分量线性模式(cross-component linear mode，CCLM)、多参考线预测(multiple reference line prediction，MRLP)、帧内子分区(intra sub-partitioning，ISP)、基于矩阵的帧内预测(matrix basedintra prediction，MIP)和/或类似工具。

对于帧间预测，可以包括一组编解码工具，例如，仿射运动模型(affine motionmodel，AFFINE)、基于子块的时间合并候选(subblock-based temporal mergingcandidates，SbTMC)、自适应运动矢量分辨率(adaptive motion vector resolution，AMVR)、几何分区模式(geometric partition mode，GPM)、组合式帧内/帧间预测(combinedintra/inter prediction，CIIP)、具有运动矢量差的合并模式(merge mode with motionvector difference，MMVD)、具有CU权重的双向预测(bi-predictive with CU weights，BCW)、解码器运动矢量修正(decoder motion vector refinement，DMVR)、双向光流(bi-directional optical flow，BDOF)和/或使用光流的预测修正(prediction refinementusing optical flow，PROF)等。

还可以包括其它工具，例如变换、量化和环路内滤波器等。这些工具可以例如，相关量化(dependent quantization，DQ)、多变换集(multiple transform set，MTS)、低频不可分离变换(low frequency non-separable transform，LFNST)、亮度映射和色度缩放(luma mapping and chroma scaling，LMCS)、交叉分量自适应环路滤波器(cross-component adaptive loop filter，CCALF)、自适应环路滤波器(adaptive loop filter，ALF)、样本自适应偏移滤波器(sample adaptive offset filter，SAO)和/或去块滤波器(deblocking filter，Deblk)等。

在视频编解码系统中，可以传输对于正确解码视频码流非必要的一些有用信息，例如可以通过一个或多个补充增强信息(supplementary enhancement information，SEI)消息来传输。解码器可以，例如，忽略这样的信息。或者，解码器可以对SEI消息进行解码以供在对视频序列进行解码之后使用。一个示例中，在虚拟现实(virtual reality，VR)360度视频流中，全向视频可以被打包成2-D传统视频以便压缩和传输。在对2-D视频进行解码之后，系统可能需要在若干处理步骤中处理打包的2-D视频，之后该视频才能够以3-D格式观看。例如，根据打包格式(例如等矩形投影(equi-rectangular projection，ERP)、立方体贴图投影(cube-map projection，CMP)等)将打包的2-D视频转换回球面域，利用假定中心视图显示球面信号，该假定中心视图包含视频内容的最相关信息。这些步骤与正确解码视频本身无关，但是对于视频内容的显示是有用的。可以通过SEI消息发送例如打包方法(ERP、CMP等)的信息或360度视频的建议观看中心的信息。通过接收该信息，VR客户端系统可以更有效地处理已解码的视频内容。

IV.对象的标记信息的信令

在一些相关视频编解码标准(例如H.264、HEVC或最近完成的VVC标准)中，输入视频信号(或序列)被视为波形，而不需要理解视频内容的含义，例如视频中有多少人或物体及其如何来回移动等。另一方面，机器视觉任务(例如对象检测、分段或追随)可以被设计成理解视频序列中这些类型的信息。在对视频序列进行解码后，客户端(或解码器)端可以执行机器任务以获得图像或视频序列中的一个或多个目标对象的标记信息。

在客户端(或解码器)侧执行机器任务不仅会导致消耗计算能力，而且会导致消耗时间以获得机器任务的结果。在一些系统中，这些成本(例如，计算能力和时间的消耗)是不需要的。

本申请包括将检测信息或标识信息(例如标记结果)发送到客户端(或解码器)端的方法。应注意，本申请包括的方法不限于VVC标准。这些方法的原理还可以应用于其它视频编解码标准，例如H.264、HEVC或由开放媒体联盟(Alliance for Open Media)开发的AV1。

根据本申请的各方面，可以在编码器端确定机器视觉目标的标记信息(例如对象的一个或多个边界框、类别和/或索引)，而不是在解码器端对已编码视频码流进行解码之后确定该信息。可以以各种方式对确定的标记信息进行编码并将其发送到解码器和/或客户端。在对标记信息进行解码之后，可以将标记结果直接应用于已解码的图像序列或视频序列，而无需进一步执行机器任务来理解视频内容。一个示例中，一个或多个边界框中的每个边界框可以被应用于已解码图像中的不同目标对象。另一示例中，每个目标对象的类别和/或索引可以显示在已解码图像中。这样，可以独立于一个或多个图像的分辨率来执行机器任务。

一个实施例中，编码器系统可以应用类似的机器视觉任务模块(例如图9中所示的模块)或使用不同的器视觉任务模块来获取相关的标记信息。例如，机器视觉任务的输出可以是以每个图像的一系列边界框的形式。每个边界框可以由相应边界框的位置和尺寸信息来表示。

根据本申请的各方面，可以通过已编码视频码流中的一些辅助信息(sideinformation)消息来传递标记信息，例如每个图像中的对象的边界框的信息。例如，标记信息可以通过已编码视频码流中的SEI消息来发送。在另一实施例中，还可以单独提供标记信息，例如在与已编码视频码流相关联的单独文件或插件文件中提供。

在一些实施例中，标记信息包括每个图像中的一个或多个边界框的位置信息。可以使用各种参考点和/或尺寸信息来指示边界框的位置。一个实施例中，边界框的位置信息可以包括边界框的左上位置和边界框的尺寸。

表1示出了示例性语法表，该示例性语法表可以用于用信号表示当前图像中的边界框的位置信息的标记信息。

表1

在表1中，语法元素num_boxes指示当前图像内的边界框的总数。语法元素box_loc_x[i]指示以亮度样本为单位的第i个边界框的左上角相对于当前图像的左上角的水平位置。语法元素box_loc_y[i]指示以亮度样本为单位的第i个边界框的左上角相对于当前图像的左上角的垂直位置。语法元素box_width[i]指示以亮度样本为单位的第i个边界框的宽度。语法元素box_height[i]指示以亮度样本为单位的第i个边界框的高度。

注意，边界框的表示可以不限于以上格式(左上位置+尺寸)。例如，左上位置+右下位置也可以描述边界框。

还要注意，边界框的位置可以由框的任何固定位置来表示。左上角是一个示例，也可以使用其它位置。例如，边界框的中心位置和边界框的宽度和高度可以用于表示边界框。

一个实施例中，标记信息可以包括当前图像中的每个对象的类别信息。类别信息指示边界框中的对象所属的类别。例如，类别可以是人、汽车和/或飞机等。表2示出了可以用于用信号表示标记信息的示例性语法表，该标记信息包括当前图像中的边界框的位置信息和当前图像中的对象的类别信息。

表2

在表2中，语法元素num_boxes指示当前图像内的边界框的总数。语法元素category_id指示第i个边界框中的对象所属的类别。语法元素box_loc_x[i]指示以亮度样本为单位的第i个边界框的左上角相对于当前图像的左上角的水平位置。语法元素box_loc_y[i]指示以亮度样本为单位的第i个边界框的左上角相对于当前图像的左上角的垂直位置。语法元素box_width[i]指示以亮度样本为单位的第i个边界框的宽度。语法元素box_height[i]指示以亮度样本为单位的第i个边界框的高度。

一个实施例中，除了类别信息之外，标记信息还可以包括当前图像中的一个或多个对象的标识信息。在一个示例中，标记信息可以包括当前图像中的每个对象的标识信息。标识信息可以用于标识视频序列中的对象。例如，在对象追随中，标识信息可以用于表示视频序列中的同一对象。表3示出了用于用信号表示标记信息的语法表，该标记信息包括当前图像中的边界框的位置信息以及当前图像中的对象的类别信息和标识信息。

表3

在表3中，语法元素num_boxes指示当前图像内的边界框的总数。语法元素category_id指示第i个边界框中的对象所属的类别。语法元素instance_id表示第i个边界框中的对象的标识号码。语法元素box_loc_x[i]指示以亮度样本为单位的第i个边界框的左上角相对于当前图像的左上角的水平位置。语法元素box_loc_y[i]指示以亮度样本为单位的第i个边界框的左上角相对于当前图像的左上角的垂直位置。语法元素box_width[i]指示以亮度样本为单位的第i个边界框的宽度。语法元素box_height[i]指示以亮度样本为单位的第i个边界框的高度。

在一些机器视觉任务(例如对象追随的相关任务)中，每个对象可以出现在不同的图像中。为了便于用信号表示不同图像中的同一边界框，可以使用相同的边界框ID来表示相同的对象。在随后的一个或多个图像中，可以用信号表示边界框的绝对位置和尺寸。在另一实施例中，可以使用相对其前一图像中的前一值的相对变换作为替代。表4示出了可以用于用信号表示标记信息的示例性语法表，该标记信息包括当前图像中的边界框的位置偏移信息。在表4中，通过用信号表示边界框的左上角位置和右下角位置来描述当前图像中的边界框。

表4

在表4中，语法元素num_boxes指示当前图像内的边界框的总数。语法元素sign_tl_x[i]指示以亮度样本为单位的第i个边界框相对于前一图像中的同一边界框的左上角水平位置差的正负号。语法元素sign_tl_y[i]指示以亮度样本为单位的第i个边界框相对于前一图像中的同一边界框的左上角垂直位置差的正负号。语法元素sign_br_x[i]指示以亮度样本为单位的第i个边界框相对于前一图像中的同一边界框的右下角水平位置差的正负号。语法元素sign_br_y[i]指示以亮度样本为单位的第i个边界框相对于前一图像中的同一边界框的右下角垂直位置差的正负号。语法元素delta_box_tl_loc_x[i]指示以亮度样本为单位的第i个边界框相对于前一图像中的同一边界框的左上角水平位置差的绝对值。语法元素delta_box_tl_loc_y[i]指示以亮度样本为单位的第i个边界框相对于前一图像中的同一边界框的左上角垂直位置差的绝对值。语法元素delta_box_br_loc_x[i]指示以亮度样本为单位的第i个边界框相对于前一图像中的同一边界框的右下角水平位置差的绝对值。语法元素delta_box_br_loc_y[i]指示以亮度样本为单位的第i个边界框相对于前一图像中的同一边界框的右下角垂直位置差的绝对值。

在当前图像之前不存在前一图像时，可以将语法元素sign_tl_x[i]、sign_tl_y[i]、sign_br_x[i]、sign_br_y[i]设置为等于0。或者，这些语法元素可以仅在当前图像存在解码顺序或显示顺序上的前一图像时才有条件地用信号表示。当没有用信号表示时，这些语法元素可以被推断为0。

变量PrevTopLeftBoxX[i]指示按照解码顺序或显示顺序在当前图像之前的前一图像中的第i个边界框的左上角的水平位置。变量TopLeftBoxX[i]指示当前图像中第i个边界框的左上角的水平位置。

TopLeftBoxX[i]＝PrevTopLeftBoxX[i]+sign_tl_x[i]*delta_box_tl_loc_x[i]。

变量PrevTopLeftBoxY[i]指示按照解码顺序或显示顺序在当前图像之前的前一图像中的第i个边界框的左上角垂直位置。变量TopLeftBoxY[i]指示当前图像中第i个边界框的左上角垂直位置。

TopLeftBoxY[i]＝PrevTopLeftBoxY[i]+sign_tl_y[i]*delta_box_tl_loc_y[i]。

变量PrevBotRightBoxX[i]指示按照解码顺序或显示顺序在当前图像之前的前一图像中的第i个边界框的右下角水平位置。变量BotRightBoxX[i]指示当前图像中第i个边界框的右下角水平位置。

BotRightBoxX[i]＝PrevBotRightBoxX[i]+sign_br_x[i]*delta_box_br_loc_x[i]。

变量PrevBotRightBoxY[i]指示按照解码顺序或显示顺序在当前图像之前的前一图像中的第i个边界框的右下角垂直位置。变量BotRightBoxY[i]指示当前图像中第i个边界框的右下角垂直位置。

BotRightBoxY[i]＝PrevBotRightBoxY[i]+sign_br_y[i]*delta_box_br_loc_y[i]。

当在当前图像之前不存在前一图像时，可以将变量PrevTopLeftBoxX[i]、PrevTopLeftBoxY[i]、PrevBotRightBoxX[i]、PrevBotRightBoxY[i]初始化为0。

在完成解码或显示当前图像之后，可以分别将变量PrevTopLeftBoxX[i]、PrevTopLeftBoxY[i]、PrevBotRightBoxX[i]、PrevBotRightBoxY[i]设置为等于TopLeftBoxX[i]、TopLeftBoxY[i]、BotRightBoxX[i]、BotRightBoxY[i]。

一个实施例中，用信号表示的语法结构类似于以上语法表，但当前图像中的边界框可以通过用信号表示其左上角位置加上其宽度和高度来描述。在这种情况下，要用信号表示的增量值可以是第i个边界框的左上角位置的增量值、第i个边界框的宽度和高度的增量值以及相应的正负号值。

一个实施例中，对象的类别信息(例如，category_id)和/或标识信息(例如，instance_id)可以被包括在表4中。

根据本申请的各方面，边界框的左上位置和右下位置可以放置在当前图像内。然而，在一些情况下，当对象不再出现在当前图像中时，边界框应不再显示在当前图像中。一个实施例中，对于不在当前图像中显示的第i个边界框，可以使用预定的位置值，例如在图像边界之外的位置值。例如，如果图像尺寸是1920×1080，则边界框的左上位置和右下位置可以被设置为2000(大于图像宽度和高度)，以指示对象不存在于当前图像中，并且不需要显示该对象的边界框。

根据本申请的各方面，除了被包括在已编码视频码流的元数据信息(例如，SEI消息)中之外，标记信息可以被包括在与已编码视频码流相独立的元数据文件(例如，插件文件)中。标记信息可以被认为是元数据信息，并且通过系统层手段(例如实时传输协议(real-time transport protocol，RTP)、ISO基本媒体格式文件和超文本传输协议上的动态自适应流(dynamic adaptive streaming over hypertext transport protocol，DASH))被传输到解码器和/或客户端。

当需要时，客户端(或解码器)端可以从系统层请求这样的信息，以启用一个或多个已解码图像中的标记信息。

一个实施例中，客户端(或解码器)端可以向编码器端发送请求消息以从系统层请求标记信息。

一个实施例中，客户端(或解码器)端可以从编码器端接收标记信息而不发送请求消息。

一个实施例中，客户端可以向解码器发送请求消息，以启用一个或多个已解码图像中的标记信息。

一个实施例中，解码器可以在不从客户端接收请求消息的情况下启用一个或多个解码器图像中的标记信息。

V.流程图

图10示出了本申请实施例的示例性过程(1000)的概述流程图。在各种实施例中，过程(1000)由处理电路执行，例如终端设备(210)、(220)、(230)和(240)中的处理电路、执行视频编码器(303)的功能的处理电路、执行视频解码器(310)的功能的处理电路、执行视频解码器(410)的功能的处理电路、执行帧内预测模块(452)的功能的处理电路、执行视频编码器(503)的功能的处理电路、执行预测器(535)的功能的处理电路、执行帧内编码器(622)的功能的处理电路、执行帧内解码器(772)的功能的处理电路等等。在一些实施例中，过程(1000)以软件指令实现，因此当处理电路执行软件指令时，处理电路执行过程(1000)。

过程(1000)通常可以在步骤(S1010)处开始，其中过程(1000)接收与已编码视频码流相关联的元数据。该元数据包括在被编码入已编码视频码流的第一图像中检测到的一个或多个对象的标记信息。然后，过程(1000)进行到步骤(S1020)。

在步骤(S1020)处，过程(1000)对被编码入已编码视频码流的第一图像中的一个或多个对象的标记信息进行解码。然后，过程(1000)进行到步骤(S1030)。

在步骤(S1030)，过程(1000)将标记信息应用于第一图像中的一个或多个对象。然后，过程(1000)结束。

一个示例中，可以将边界框应用于第一图像中的检测到的对象。在另一示例中，可以在第一图像中显示检测到的对象所属的类别。在另一示例中，可以在第一图像中显示检测到的对象的标识号码。

一个实施例中，该元数据被包括在已编码视频码流中的SEI消息中。

一个实施例中，该元数据被包括在与已编码视频码流相独立的文件中。

一个实施例中，该标记信息指示第一图像中的边界框的总数，并且包括每个边界框的位置信息和尺寸信息，每个边界框与第一图像中的一个或多个对象中的一个对象相关联。

一个实施例中，该标记信息包括类别信息，类别信息指示一个或多个对象中的每个对象的类别。

一个实施例中，标记信息包括标识信息，标识信息用于标识视频序列中的一个或多个对象中的每个对象。

一个实施例中，边界框中的一个边界框的位置信息包括各边界框中的一个边界框在第一图像中的位置与被编码入视频码流的第二图像中的位置之间的位置偏移。

一个实施例中，对于各边界框中的一个边界框，基于该边界框所关联的对象不存在于第一图像中的情况，该边界框的位置信息指示第一图像之外的位置。

一个实施例中，过程(1000)发送请求以接收与已编码视频码流相关联的元数据。

VI.计算机系统

以上描述的技术可以被实现为使用计算机可读指令并且物理地存储在一个或多个计算机可读介质中的计算机软件。例如，图11示出了适于实现所公开的主题的某些实施例的计算机系统(1100)。

可以使用任何合适的机器代码或计算机语言来编码计算机软件，该机器代码或计算机语言可以经过汇编、编译、链接或类似机制以创建代码，该代码包括可以由一个或多个计算机中央处理单元(CPU)、图形处理单元(GPU)等直接执行或通过解译、微代码执行等执行的指令。

这些指令可以在各种类型的计算机或其部件上执行，包括(例如)个人计算机、平板计算机、服务器、智能电话、游戏设备、物联网设备等。

图11中所示的用于计算机系统(1100)的部件本质上是示例性的，并且不旨在对实现本申请的实施例的计算机软件的使用范围或功能提出任何限制。部件的配置也不应被解释为对计算机系统(1100)的示例性实施例中图示的任何一个部件或其组合具有任何依赖性或要求。

计算机系统(1100)可以包括某些人机接口输入设备。这样的人机接口输入设备可以响应于一个或多个人类用户通过例如触觉输入(例如：击键、滑动、数据手套运动)、音频输入(例如：语音、拍打)、可视输入(例如：手势)、嗅觉输入(未描绘)。人机接口设备还可以被用于采集不一定与人的有意识输入直接相关的某些媒体，例如音频(例如：语音、音乐、环境声音)、图像(例如：扫描图像、从静止图像相机获得的摄影图像)、视频(例如二维视频、包括立体视频的三维视频)。

输入人机接口设备可以包括以下中的一个或多个(每种仅描绘了其中的一个)：键盘(1101)、鼠标(1102)、触控板(1103)、触摸屏(1110)、数据手套(未示出)、操纵杆(1105)、麦克风(1106)、扫描仪(1107)、相机(1108)。

计算机系统(1100)还可以包括某些人机接口输出设备。这样的人机接口输出设备可以通过例如触觉输出、声音、光和嗅觉/味觉来刺激一个或多个人类用户的感觉。这样的人机接口输出设备可以包括触觉输出设备(例如通过触摸屏(1110)、数据手套(未示出)或操纵杆(1105)的触觉反馈，但是也可以存在不用作输入设备的触觉反馈设备)、音频输出设备(例如：扬声器(1109)、耳机(未描绘))、视觉输出设备(例如用于包括CRT屏幕、LCD屏幕、等离子屏幕、OLED屏幕的屏幕(1110)，每个屏幕具有或不具有触摸屏输入能力，每个屏幕具有或不具有触觉反馈能力，其中一些屏幕能够通过例如立体输出的手段输出二维视觉输出或多于三维输出；虚拟现实眼镜(未描绘)、全息显示器和烟雾罐(未描绘)和打印机(未描绘)。这些视觉输出设备(例如屏幕(1110))可以通过图形适配器(1150)连接到系统总线(1148)。

计算机系统(1100)还可以包括人类可访问的存储设备及其相关联的介质，例如包括带有CD/DVD的CD/DVD ROM/RW(1120)等介质(1121)的光学介质、拇指驱动器(1122)、可移动硬盘驱动器或固态驱动器(1123)、例如磁带和软盘(未描绘)的传统磁性介质、例如安全软件狗(未描绘)的基于专用ROM/ASIC/PLD的设备等。

本领域技术人员还应该理解，结合当前公开的主题使用的术语“计算机可读介质”不包含传输介质、载波或其它易失性信号。

计算机系统(1100)还可以包括到一个或多个通信网络(1155)的接口(1154)。网络可以例如是无线的、有线的、光学的。一个或多个通信网络(1155)可以进一步是本地的、广域的、城域的、车载的以及工业的、实时的、延迟容忍的等等。一个或多个通信网络(1155)的示例包括局域网(例如以太网)、无线LAN、蜂窝网络(包括GSM、3G、4G、5G、LTE等)、电视有线或无线广域数字网络(包括有线电视、卫星电视和地面广播电视)、车辆和工业网络(包括CANBus)等。某些网络通常需要附接到某些通用数据端口或外围总线(1149)(例如，计算机系统(1100)的USB端口)的外部网络接口适配器；其它网络通常通过附接到如以下所描述的系统总线而集成到计算机系统(1100)的内核中(例如以太网接口集成到PC计算机系统中或蜂窝网络接口集成到智能电话计算机系统中)。使用这些网络中的任何一个，计算机系统(1100)可以与其它实体通信。这种通信可以是单向的、仅接收的(例如，广播TV)、仅单向发送的(例如，CANbus到某些CANbus设备)或双向的(例如到使用局域数字网络或广域数字网络的其它计算机系统)。可以在如以上描述的那些网络和网络接口中的每一个上使用某些协议和协议栈。

上述人机接口设备、人可访问的存储设备和网络接口可以附接到计算机系统(1100)的内核(1140)。

内核(1140)可以包括一个或多个中央处理单元(CPU)(1141)、图形处理单元(GPU)(1142)、现场可编程门区域(FPGA)形式的专用可编程处理单元(1143)、用于某些任务的硬件加速器(1144)、图形适配器(1150)等。这些设备连同只读存储器(ROM)(1145)、随机存取存储器(1146)、例如内部非用户可访问硬盘驱动器、SSD等内部大容量存储装置(1147)可以通过系统总线(1148)连接。在一些计算机系统中，系统总线(1148)可以以一个或多个物理插头的形式来访问，以实现由附加CPU、GPU等进行的扩展。外围设备可以直接附接到内核的系统总线(1148)，或通过外围总线(1149)附接到系统总线(1148)。一个示例中，屏幕(1110)可以连接到图形适配器(1150)。外围总线的架构包括PCI、USB等。

CPU(1141)、GPU(1142)、FPGA(1143)和加速器(1144)可以执行某些指令，这些指令的组合可以构成前述计算机代码。该计算机代码可以存储在ROM(1145)或RAM(1146)中。过渡数据也可以存储在RAM(1146)中，而永久数据可以存储在例如内部大容量存储装置(1147)中。可以通过使用高速缓冲存储器来启用对任何存储器设备的快速存储和检索，该高速缓冲存储器可以与一个或多个CPU(1141)、GPU(1142)、大容量存储装置(1147)、ROM(1145)、RAM(1146)等紧密相关联。

计算机可读介质上可以具有用于执行各种计算机实现的操作的计算机代码。介质和计算机代码可以是为了本申请的目的而专门设计和构建的那些，或者它们可以是计算机软件领域的技术人员公知和可用的类型。

作为示例而非作为限制，具有架构(1100)并且特别是内核(1140)的计算机系统可以提供作为执行在一个或多个有形的计算机可读介质中实施的软件的一个或多个处理器(包括CPU、GPU、FPGA、加速器等)的结果的功能。这样的计算机可读介质可以是与如以上所介绍的用户可访问大容量存储装置相关联的介质，以及具有非易失性性质的内核(1140)的某些存储装置(例如内核内部大容量存储装置(1147)或ROM(1145))。实现本申请的各种实施例的软件可以存储在这样的设备中并且由内核(1140)执行。根据特定需要，计算机可读介质可以包括一个或多个存储器设备或芯片。软件可以使内核(1140)并且特别是其中的处理器(包括CPU、GPU、FPGA等)执行本文中描述的特定过程或特定过程的特定部分，包括定义存储在RAM(1146)中的数据结构以及根据软件定义的过程修改这样的数据结构。此外或作为替代方案，该计算机系统可以提供作为逻辑硬连线或以其他方式在电路中实施的结果的功能(例如：加速器(1144))，其可以代替软件或与软件一起操作以执行本文中描述的特定过程或特定过程的特定部分。适当时，对软件的引用可以包含逻辑，反之亦然。适当时，对计算机可读介质的引用可以包含存储用于执行的软件的电路(例如集成电路(IC))、包含用于执行的逻辑的电路，或两者。本申请包含硬件和软件的任何合适的组合。

虽然本申请已对多个示例性实施例进行了描述，但实施例的各种变更、置换和各种替代属于本申请的范围内。因此应理解，本领域技术人员能够设计多种系统和方法，所述系统和方法虽然未在本文中明确展示或描述，但其体现了本申请的原则，因此属于本申请的精神和范围之内。

附录A：首字母缩略词

ALF：adaptive loop filter自适应环路滤波器

AMVP：advanced motion vector prediction高级运动矢量预测

APS：adaptive parameter set自适应参数集

ASIC：Application-Specific Integrated Circuit专用集成电路

ATMVP：alternative temporal motion vector prediction可选时间运动矢量预测

AV1：AOMedia视频1

AV2：AOMedia视频2

BMS：benchmark set基准集

BV：block vector块矢量

CANBus：Controller Area Network Bus控制器区域网络总线

CB：coding block编码块

CC-ALF：Cross-Component-ALF交叉分量自适应环路滤波器

CD：Compact Disc光盘

CDEF：Constrained Directional Enhanced Filter约束的定向增强滤波器

CPR：current picture reference当前图像参考

CPU：Central Processing Unit中央处理单元

CRT：Cathode Ray Tube阴极射线管

CTB：Coding Tree Block编码树块

CTU：Coding Tree Unit编码树单元

CU：Coding Unit编码单元

DPB：decoded picture buffer解码器图像缓冲器

DPCM：Differential Pulse Code Modulation差分脉码调制

DPS：decoding parameter set解码参数集

DVD：Digital Video Disc数字化视频光盘

FPGA：Field Programmable Gate Array现场可编程门区域

JCCR：coding of chroma residual联合CbCr残差编解码

JVET：joint video explore team联合视频探索小组

GOP：Groups of Pictures图像群组

GPU：Graphics Processing Unit图形处理单元

GSM：Global System for Mobile communication全球移动通信系统

HDR：High-Dynamic Range高动态范围

HEVC：High Efficiency Video Coding高效视频编解码

HRD：Hypothetical Reference Decoder假设参考解码器

IBC：Intra Block Copy帧内块复制

IC：Integrated Circuit集成电路

ISP：intra sub-partition帧内子分区

JEM：joint exploration model联合探索模型

LAN：Local Area Network局域网

LCD：Liquid-Crystal Display液晶显示器

LR：loop recovering环路恢复滤波器

LRU：loop recovering unit环路恢复单元

LTE：Long-Term Evolution长期演进

MPM：Most Probable Mode最可能模式

MV：motion vector运动矢量

OLED：Organic Light-Emitting Diode有机发光二极管

PB：Prediction Block预测块

PCI：Peripheral Component Interconnect外围设备互连

PDPC：Position Dependent Intra Prediction Combination位置相关预测组合

PLD：Programmable Logic Device可编程逻辑设备

PPS：picture parameter set图像参数集

PU：Prediction Unit预测单元

RAM：Random Access Memory随机存取存储器

ROM：Read-Only Memory只读存储器

SAO：sample adaptive offset样本自适应偏移

SCC：Screen Content Coding屏幕内容编码

SDR：Standard Dynamic Range标准动态范围

SEI：Supplementary Enhancement Information补充增强信息

SNR：Signal Noise Ratio信噪比

SPS：sequence parameter set序列参数集

SSD：solid-state drive固态驱动器

TU：Transform Unit变换单元

USB：Universal Serial Bus通用串行总线

VPS：video parameter set视频参数集

VUI：Video Usability Information视频可用性信息

VVC：versatile video coding通用视频编解码

WAIP：wide-angle intra prediction广角帧内预测

Claims (20)

1.一种解码器处的视频编解码方法，其特征在于，包括：

接收与已编码视频码流相关联的元数据，所述元数据包括在被编码入所述已编码视频码流的第一图像中检测到的一个或多个对象的标记信息；

对在编码入所述已编码视频码流的所述第一图像中的所述一个或多个对象的所述标记信息进行解码；及

将所述标记信息应用于所述第一图像中的所述一个或多个对象。

2.根据权利要求1所述的方法，其特征在于，所述元数据被包括在所述已编码视频码流中的补充增强信息(SEI)消息中。

3.根据权利要求1所述的方法，其特征在于，所述元数据被包括在与所述已编码视频码流相独立的文件中。

4.根据权利要求1所述的方法，其特征在于，所述标记信息指示所述第一图像中边界框的总数，并且包括每个边界框的位置信息和尺寸信息，每个边界框与所述第一图像中的所述一个或多个对象中的一个对象相关联。

5.根据权利要求1所述的方法，其特征在于，所述标记信息包括类别信息，所述类别信息指示所述一个或多个对象中的每个对象的类别。

6.根据权利要求1所述的方法，其特征在于，所述标记信息包括标识信息，所述标识信息标识视频序列中的所述一个或多个对象中的每个对象。

7.根据权利要求4所述的方法，其特征在于，所述边界框中的一个边界框的所述位置信息包括所述边界框中的所述一个边界框在所述第一图像中的位置与在被编码入所述视频码流的第二图像中的位置之间的位置偏移。

8.根据权利要求4所述的方法，其特征在于，基于所述边界框中的一个边界框所关联的对象不存在于所述第一图像中的情况，所述边界框中的所述一个边界框的所述位置信息指示所述边界框中的所述一个边界框在所述第一图像之外的位置。

9.根据权利要求1所述的方法，其特征在于，进一步包括：

发送请求以接收与所述已编码视频码流相关联的所述元数据。

10.一种装置，其特征在于，包括处理电路，所述处理电路被配置为：

接收与已编码视频码流相关联的元数据，所述元数据包括在被编码入所述已编码视频码流的第一图像中检测到的一个或多个对象的标记信息；

对在编码入所述已编码视频码流的所述第一图像中的所述一个或多个对象的所述标记信息进行解码；及

将所述标记信息应用于所述第一图像中的所述一个或多个对象。

11.根据权利要求1所述的装置，其特征在于，所述元数据被包括在所述已编码视频码流中的补充增强信息(SEI)消息中。

12.根据权利要求1所述的装置，其特征在于，所述元数据被包括在与所述已编码视频码流相独立的文件中。

13.根据权利要求1所述的装置，其特征在于，所述标记信息指示所述第一图像中的边界框的总数，并且包括每个边界框的位置信息和尺寸信息，每个边界框与所述第一图像中的所述一个或多个对象中的一个对象相关联。

14.根据权利要求1所述的装置，其特征在于，所述标记信息包括类别信息，所述类别信息指示所述一个或多个对象中的每个对象的类别。

15.根据权利要求1所述的装置，其特征在于，所述标记信息包括标识信息，所述标识信息标识视频序列中的所述一个或多个对象中的每个对象。

16.根据权利要求4所述的装置，其特征在于，所述边界框中的一个边界框的所述位置信息包括所述边界框中的所述一个边界框在所述第一图像中的位置与在被编码入所述视频码流的第二图像中的位置之间的位置偏移。

17.根据权利要求4所述的装置，其特征在于，基于所述边界框中的一个边界框所关联的对象不存在于所述第一图像中的情况，所述边界框中的所述一个边界框的所述位置信息指示所述边界框中的所述一个边界框在所述第一图像之外的位置。

18.根据权利要求1所述的装置，其特征在于，所述处理电路进一步被配置为：

发送请求以接收与所述已编码视频码流相关联的所述元数据。

19.一种存储指令的非易失性计算机可读存储介质，其特征在于，所述指令在由至少一个处理器执行时使所述至少一个处理器执行：

接收与已编码视频码流相关联的元数据，所述元数据包括在被编码入所述已编码视频码流的第一图像中检测到的一个或多个对象的标记信息；

对在编码入所述已编码视频码流的所述第一图像中的所述一个或多个对象的所述标记信息进行解码；及

将所述标记信息应用于所述第一图像中的所述一个或多个对象。

20.根据权利要求19所述的非易失性计算机可读存储介质，其特征在于，所述元数据被包括在所述已编码视频码流中的补充增强信息(SEI)消息中。

Images