基于运动向量相关性的运动估计搜索范围预测方法和系统

摘要

本发明提供了基于运动向量相关性的运动估计搜索范围预测方法和系统，该方法包括步骤：S1、预先设定最大搜索范围SR

说明书

技术领域

本发明涉及视频处理技术领域，尤其涉及基于运动向量相关性的 运动估计搜索范围预测方法和系统。

背景技术

随着技术的发展，高清晰度、高帧率的视频渐渐成为了人们新的 需求。高效率视频编码（HEVC,High Efficiency Video Coding）是由动 态图像专家组（MPEG，Moving Pictures Experts Group）和国际电信联 盟远程通信标准化组织（ITU-T，ITU-T for ITU Telecommunication  Standardization Sector）的视频编码专家组（VCEG，Video Coding Experts  Group）共同组成的视频编码联合组（JCT-VC，Joint Collaborative Team  on Video Coding）联合开发的新一代视频压缩标准。HEVC旨在保证视 频画质基本不下降的前提下能够将比特率压缩到上一代视频编码标准 H.264/MPEG-4AVC的50%。但是，比特率下降的代价则是编码复杂 度的急剧提高。尽管有许多的方法可以用来降低巨大的计算量，但是 还有需要许多的工作来进一步加快编码的速率。HEVC采用了编码树 单元（CTU，Coding Tree Unit）结构。每个CTU内部可以包含一个或 多个编码单元（CU，Coding Unit），而每一个CU都对应着预测单元（PU， Prediction Unit）和变换单元（TU，Transform Unit）。在运动估计（ME， Motion Estimation）时，当前的PU通过需要在已编码的参考帧中搜索 最匹配的部分。

目前，PU优化搜索过程的方式主要是在一个固定的搜索范围内 通过搜索获得较好的位置，这种方法存在的问题：

1、没有考虑当前PU本身的运动情况，也就不能根据当前PU的 运动情况合理的限制搜索的范围；

2、没有考虑当前PU和周围的CU的运动的一致性，也就不能自 适应的调整搜索范围；

发明内容

针对现有技术的不足，本发明提供基于模式预处理的帧内编码优 化方法和系统，使得在HEVC编码操作过程中能稳定地加快编码速度。

为实现上述目的，本发明通过以下技术方案予以实现：

基于运动向量相关性的运动估计搜索范围预测方法，包括以下步 骤：

S1、预先设定最大搜索范围SR_max和最小搜索范围SR_min；

S2、计算不同模式下预测单元PU的拟合系数ah_k,av_k和bh_k,bv_k， 其中预测单元PU的模式总数为Q，0≤k＜Q；

S3、根据当前PU的模式k，获取对应的拟合系数ah_k,av_k和bh_k,bv_k；

S4、根据当前PU的模式k，获取对应的运动向量预测子 (MVPh_k,MVPv_k)以及可用的空域和时域相关候选运动向量 (MVCh_ki,MVCv_ki)，其中，iCount_k表示可用的空域和时域相关候选运动 向量的总个数，0≤i＜iCount_k；

S5、计算运动向量预测子(MVPh_k,MVPv_k)和每个可用的空域和时域相 关候选运动向量(MVCh_ki,MVCv_ki)的累加差(ΔMVTh_k,ΔMVTv_k)；

S6、根据S2中的拟合系数ah_k,av_k和bh_k,bv_k，S4中的运动向量预 测子(MVPh_k,MVPv_k)，S5中的累加差(ΔMVTh_k,ΔMVTv_k)，计算基本搜索范围 SRBasic_k；

S7、根据S6中的基本搜索范围SRBasic_k和S1中的最大搜索范围 SR_max和最小搜索范围SR_min确定最终搜索范围SR_k。

进一步地，所述步骤S2包括：

S21、确定预测单元PU的所有模式；

S22、获取测试序列中PU_jk的可用的空域和时域运动相关的候选运 动向量(MVCh_ijk,MVCv_ijk)，0≤k＜Q，j表示第k种模式下的第j个PU， Q为预测单元的总模式数；

S23、获取PU_jk的运动向量预测子(MVPh_jk,MVPv_jk)和实际运动向量 (MVh_jk,MVv_jk)；

S24、计算运动向量预测子(MVPh_jk,MVPv_jk)和每一个可用的空域和时 域相关候选运动向量(MVCh_ijk,MVCv_ijk)的差，取绝对值后求和：

$\Delta {\mathrm{MVTh}}_{\mathrm{jk}}=\underset{i=0}{\overset{\mathrm{iCoun}{t}_{\mathrm{jk}}-1}{\Sigma }}|{\mathrm{MVCh}}_{\mathrm{ijk}}-{\mathrm{MVPh}}_{\mathrm{ijk}}|$

$\Delta {\mathrm{MVTv}}_{\mathrm{jk}}=\underset{i=0}{\overset{{\mathrm{iCount}}_{\mathrm{jk}}-1}{\Sigma }}|{\mathrm{MVCv}}_{\mathrm{ijk}}-{\mathrm{MVPv}}_{\mathrm{ijk}}|$

其中，iCount_jk表示可用的空域和时域相关候选运动向量的个数；

S25、计算PU_jk实际的运动向量(MVh_jk,MVv_jk)和运动向量预测子 (MVPh_jk,MVPv_jk)的差，并取绝对值：

ΔMVh_jk＝|MVh_jk-MVPh_jk|

ΔMVv_jk＝|MVv_jk-MVPv_jk|

S26、构造以下两个方程组：

ah_k×|MVPh_jk|+bh_k×ΔMVTh_jk＝ΔMVh_jk

av_k×|MVPv_jk|+bv_k×ΔMVTv_jk＝ΔMVv_jk

利用最小二乘拟合算法计算得到ah_k,av_k和bh_k,bv_k。

进一步地，所述步骤S5包括：

计算运动向量预测子(MVPh_k,MVPv_k)和每个可用的空域和时域相关 候选运动向量(MVCh_ki,MVCv_ki)的差，取绝对值后求和：

$\Delta {\mathrm{MVTh}}_k=\underset{i=0}{\overset{\mathrm{iCoun}{t}_k-1}{\Sigma }}|{\mathrm{MVCh}}_{\mathrm{ki}}-{\mathrm{MVPh}}_{\mathrm{ki}}|$

$\Delta {\mathrm{MVTv}}_k=\underset{i=0}{\overset{{\mathrm{iCount}}_k-1}{\Sigma }}|{\mathrm{MVCv}}_{\mathrm{ki}}-{\mathrm{MVPv}}_{\mathrm{ki}}|$

其中，iCount_k表示可用的空域和时域相关候选运动向量的个数。

进一步地，所述步骤S6包括：

根据S2中的拟合系数ah_k,av_k和bh_k,bv_k，S4中的运动向量预测子 (MVPh_k,MVPv_k)，S5中的累加差(ΔMVTh_k,ΔMVTv_k)，计算基本搜索范围：

SRh_k-basic＝|ah_k×ΔMVTh_k+bh_k×|MVPh_k||

SRv_k-basic＝|av_k×ΔMVTv_k+bv_k×|MVPv_k||。

SRBasic_k＝SRh_k-basic+SRv_k-basic

进一步地，所述步骤S7包括：

根据基本搜索范围SRBasic_k和预先设定的最大搜索范围SR_max和最 小搜索范围SR_min确定最终搜索范围SR_k为：

${\mathrm{SR}}_k=\left(\begin{array}{cc}{\mathrm{SR}}_{\min },& {\mathrm{SRBasic}}_k<{\mathrm{SR}}_{\min }\\ \mathrm{SRBasi}{c}_k,& {\mathrm{SR}}_{\min }\le {\mathrm{SRBasic}}_k\le {\mathrm{SR}}_{\max }\\ {\mathrm{SR}}_{\max },& {\mathrm{SRBasic}}_k>{\mathrm{SR}}_{\max }\end{array}\right).$

基于运动向量相关性的运动估计搜索范围预测系统，该系统包括：

预先搜索范围设定模块，用于预先设定最大搜索范围SR_max和最小搜 索范围SR_min；

拟合系数计算模块，用于计算不同模式下预测单元PU的拟合系数 ah_k,av_k和bh_k,bv_k，其中预测单元PU的模式总数为Q，0≤k＜Q；

对应模式的拟合系数获取模块，用于根据当前PU的模式k，获取 对应的拟合系数ah_k,av_k和bh_k,bv_k；

对应模式的预测子和相关运动向量获取模块，用于根据当前PU的 模式k，获取对应的运动向量预测子(MVPh_k,MVPv_k)以及可用的空域和时 域相关候选运动向量(MVCh_ki,MVCv_ki)，其中，iCount_k表示可用的空域和 时域相关候选运动向量的总个数，0≤i＜iCount_k；

相关性计算模块，用于计算运动向量预测子(MVPh_k,MVPv_k)和每个可 用的空域和时域相关候选运动向量(MVCh_ki,MVCv_ki)的累加差 (ΔMVTh_k,ΔMVTv_k；)

基本搜索范围计算模块，用于根据对应模式的拟合系数获取模块 中的拟合系数ah_k,av_k和bh_k,bv_k，对应模式的预测子和相关运动向量获 取模块中的运动向量预测子(MVPh_k,MVPv_k)，相关性计算模块中的累加差 (ΔMVTh_k,ΔMVTv_k)，计算基本搜索范围SRBasic_k；

最终搜索范围确定模块，用于根据基本搜索范围计算模块中的基 本搜索范围SRBasic_k和预先搜索范围设定模块中的最大搜索范围SR_max和最小搜索范围SR_min确定最终搜索范围SR_k。

进一步地，所述拟合系数计算模块包括：

PU模式确定单元，用于确定预测单元PU的所有模式；

相关运动向量获取单元，用于获取测试序列中PU_jk的可用的空域和 时域运动相关的候选运动向量(MVCh_ijk,MVCv_ijk)，0≤k＜Q，j表示第k 种模式下的第j个PU，k为当前预测单元的模式；

预测子和实际运动向量获取单元，用于获取PU_jk的运动向量预测子 (MVPh_jk,MVPv_jk)和实际运动向量(MVh_jk,MVv_jk)；

相关性计算单元，用于计算运动向量预测子(MVPh_jk,MVPv_jk)和每一 个可用的空域和时域相关候选运动向量(MVCh_ijk,MVCv_ijk)的差，取绝对值 后求和：

$\Delta {\mathrm{MVTh}}_{\mathrm{jk}}=\underset{i=0}{\overset{{\mathrm{iCount}}_{\mathrm{jk}}-1}{\Sigma }}|{\mathrm{MVCh}}_{\mathrm{ijk}}-{\mathrm{MVPh}}_{\mathrm{jk}}|$

$\Delta {\mathrm{MVTv}}_{\mathrm{jk}}=\underset{i=0}{\overset{{\mathrm{iCount}}_{\mathrm{jk}}-1}{\Sigma }}|{\mathrm{MVCv}}_{\mathrm{ijk}}-{\mathrm{MVPv}}_{\mathrm{jk}}|$

其中，iCount_jk表示可用的空域和时域相关候选运动向量的个数；

差值计算单元，用于计算PU_jk实际的运动向量(MVh_jk,MVv_jk)和运动 向量预测子(MVPh_jk,MVPv_jk)的差，并取绝对值：

ΔMVh_jk＝|MVh_jk-MVPh_jk|；

ΔMVv_jk＝|MVv_jk-MVPv_jk|

系数拟合单元，用于构造以下两个方程组：

ah_k×|MVPh_jk|+bh_k×ΔMVTh_jk＝ΔMVh_jk

av_k×|MVPv_jk|+bv_k×ΔMVTv_jk＝ΔMVv_jk

利用最小二乘拟合算法计算得到ah_k,av_k和bh_k,bv_k。

其中，所述相关性计算模块用于计算运动向量预测子(MVPh_k,MVPv_k) 和每个可用的空域和时域相关候选运动向量(MVCh_ki,MVCv_ki)的差，取绝 对值后求和：

$\Delta {\mathrm{MVTh}}_k=\underset{i=0}{\overset{\mathrm{iCoun}{t}_k-1}{\Sigma }}|{\mathrm{MVCh}}_{\mathrm{ki}}-{\mathrm{MVPh}}_k|$

$\Delta {\mathrm{MVTv}}_k=\underset{i=0}{\overset{{\mathrm{iCount}}_k-1}{\Sigma }}|{\mathrm{MVCv}}_{\mathrm{ki}}-{\mathrm{MVPv}}_k|$

其中，iCount_k表示可用的空域和时域相关候选运动向量的个数。

进一步地，所述基本搜索范围计算模块用于根据对应模式的拟合 系数获取模块中的拟合系数ah_k,av_k和bh_k,bv_k，对应模式的预测子和相 关运动向量获取模块中的运动向量预测子(MVPh_k,MVPv_k)，相关性计算模 块中的累加差(ΔMVTh_k,ΔMVTv_k)，计算基本搜索范围SRBasic_k：

SRh_k-basic＝|ah_k×ΔMVTh_k+bh_k×|MVPh_k||

SRv_k-basic＝|av_k×ΔMVTv_k+bv_k×|MVPv_k||。

SRBasic_k＝SRh_k-basic+SRv_k-basic

进一步地，所述最终搜索范围确定模块用于根据基本搜索范围 SRBasic_k和预先设定的最大搜索范围SR_max和最小搜索范围SR_min确定最 终搜索范围SR_k：

${\mathrm{SR}}_k=\left(\begin{array}{cc}{\mathrm{SR}}_{\min },& {\mathrm{SRBasic}}_k<{\mathrm{SR}}_{\min }\\ \mathrm{SRBasi}{c}_k,& {\mathrm{SR}}_{\min }\le {\mathrm{SRBasic}}_k\le {\mathrm{SR}}_{\max }\\ {\mathrm{SR}}_{\max },& {\mathrm{SRBasic}}_k>{\mathrm{SR}}_{\max }\end{array}\right).$

本发明具有如下的有益效果：

本发明通过利用当前PU的运动向量预测子(MVPh_k,MVPv_k)、可用的 空域和时域相关候选运动向量(MVCh_ki,MVCv_ki)、拟合系数ah_k,av_k和 bh_k,bv_k动态调整基本搜索范围SRBasic_k，最后由预先设定的最大搜索范 围SR_max、最小搜索范围SR_min和动态调整的基本搜索范围SRBasic_k共同确 定最终的搜索范围SR_k。由于本发明利用了空域和时域上相关候选运动 向量和当前PU的运动向量预测子联合来预测当前PU的运动估计搜索 范围，因此能够根据实际情况实时动态地调整搜索范围，从而减少计 算量，同时也减少了搜索时间。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面 将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而 易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通 技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图 获得其他的附图。

图1是本发明实施例1中基于运动向量相关性的运动估计搜索范 围预测方法的流程图；

图2是本发明实施例2中基于运动向量相关性的运动估计搜索范 围预测方法的流程图；

图3是本发明实施例2中所述的空域相关的候选运动向量的相对 位置示意图；

图4是本发明实施例2中所述的时域相关的候选运动向量的相对 位置示意图；

图5是本发明实施例3中基于运动向量相关性的运动估计搜索范 围预测系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结 合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、 完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有 作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护 的范围。

实施例1

本发明实施例1提出了基于运动向量相关性的运动估计搜索范围 预测方法，参见图1，包括如下步骤：

步骤101：预先设定最大搜索范围SR_max和最小搜索范围SR_min。

步骤102：计算不同模式下预测单元PU的拟合系数ah_k,av_k和 bh_k,bv_k，其中预测单元PU的模式总数为Q，0≤k＜Q。

步骤103：根据当前PU的模式k，获取对应的拟合系数ah_k,av_k和 bh_k,bv_k。

步骤104：根据当前PU的模式k，获取对应的运动向量预测子 (MVPh_k,MVPv_k)以及可用的空域和时域相关候选运动向量(MVCh_ki,MVCv_ki)， 其中，iCount_k表示可用的空域和时域相关候选运动向量的总个数， 0≤i＜iCount_k。

步骤105：计算运动向量预测子(MVPh_k,MVPv_k)和每个可用的空域和 时域相关候选运动向量(MVCh_ki,MVCv_ki)的累加差(ΔMVTh_k,ΔMVTv_k)。

步骤106：根据步骤102中的拟合系数ah_k,av_k和bh_k,bv_k，步骤104 中的运动向量预测子(MVPh_k,MVPv_k)，步骤105中的累加差 (ΔMVTh_k,ΔMVTv_k，)计算基本搜索范围SRBasic_k。

步骤107：根据基本搜索范围SRBasic_k和预先设定的最大搜索范围 SR_max和最小搜索范围SR_min确定最终搜索范围SR_k。

可见，本发明实施例通过利用当前PU的运动向量预测子 (MVPh_k,MVPv_k)、可用的空域和时域相关候选运动向量(MVCh_ki,MVCv_ki)、拟 合系数ah_k,av_k和bh_k,bv_k动态调整基本搜索范围SRBasic_k，最后由预先设 定的最大搜索范围SR_max、最小搜索范围SR_min和动态调整的基本搜索范围 SRBasic_k共同确定最终的搜索范围SR_k。综上描述可见，由于本发明实 施例利用了空域和时域上相关候选运动向量来预测当前PU的运动估 计搜索范围，因此能够根据实际情况实时动态地调整搜索范围，从而 达到了减少计算量的目的。

实施例2

下面通过实施例2来更为详细的说明本发明的一个较佳实施例的 实现过程。参见图2，该过程包括如下步骤：

步骤201：预先设定最大搜索范围SR_max和最小搜索范围SR_min。

在本步骤中，SR_max的取值可以参考现有技术的固定搜索范围，例 如，在没有使用本发明进行优化之前的固定搜索范围设置为64，那么 此处的SR_max也设置为64；由于在进行预测时有可能得到的搜索范围很 小接近于零，如果直接使用预测的搜索范围，搜索的结果可能不好， 此时使用限定一个最小的搜索范围SR_min，可以通过限定的SR_min来适当的 增大搜索范围获得一个较稳定的结果。一般SR_min取4是一个比较合适 的值。

步骤202：确定预测单元PU的所有模式。

在本步骤中，确定所有不同预测单元（PU，Prediction Unit）的模 式：参考HM软件，例如，对于64x64的CTU，PU的模式Q=20，分 别为：

4×8,4×16,4×8,8×8,8×16,

8×32,12×16,16×4,16×8,16×12,

16×16,16×32,24×32,32×8,32×16,

32×24,32×32,32×64,64×32,64×64。

由于不同模式的PU所包含的区域的运动情况不同，所以对于不同 模式的PU采用不同的拟合系数能够获得比较好的效果。

步骤203：获取测试序列中PU_jk的可用的空域和时域运动相关的候 选运动向量(MVCh_ijk,MVCv_ijk)，0≤k＜Q，j表示第k种模式下的第j个 PU，Q为预测单元的模式总数。

在本步骤中，确定合适的测试序列，获得测试序列中不同模式的 PU_jk可用的空域和时域运动相关的候选运动向量(MVCh_ijk,MVCv_ijk)，包括 当前PU_jk空域左边（L）、左下（LD）、上边（U）、右上（RU）以及左 上（LU）5个CU的运动向量（如图3所示）以及时域右下（RD）或 中心（C）两者中的1个CU的运动向量（如图4所示），其中时域运 动向量中右下的优先级高于中心的，并记录空域和时域运动相关的候 选运动向量的数目iCount_jk，其中j表示第j个PU，0≤k＜Q表示第 k种模式的PU。在实施过程中，由于PU所处的位置不同，实际可用 的候选运动向量的个数iCount_jk也不同。可用的候选运动向量获得后依 次存放在存储位置的前面，同时会记录最终可用的候选运动向量的个 数iCount_jk；而不可用的候选运动向量设置为(0,0)，存放在存储位置的 后面。在计算时由于只是使用前面iCount_jk个候选运动向量，没有使用 存储在后面的候选运动向量，所以不管实际获得几个运动向量，该方 法都能够正确的处理。

步骤204：获取PU_jk的运动向量预测子(MVPh_jk,MVPv_jk)和实际运动向 量(MVh_jk,MVv_jk)。

本步骤中，HEVC测试模型HM会以运动向量预测子为中心，在 SR_max范围内搜索得到最佳的匹配位置，这个最佳的位置就是实际运动 向量。这一步其实是运动估计的过程：在运动估计之前只知道运动向 量预测子，通过运动向量预测子得到实际的运动向量，记录下来这两 组值即可。

步骤205：计算运动向量预测子(MVPh_jk,MVPv_jk)和每一个可用的空域 和时域相关候选运动向量(MVCh_ijk,MVCv_ijk)的累加差。

在本步骤中，按照下面的方式求解：

$\Delta {\mathrm{MVTh}}_{\mathrm{jk}}=\underset{i=0}{\overset{\mathrm{iCoun}{t}_{\mathrm{jk}}-1}{\Sigma }}|{\mathrm{MVCh}}_{\mathrm{ijk}}-{\mathrm{MVPh}}_{\mathrm{jk}}|$

$\Delta {\mathrm{MVTv}}_{\mathrm{jk}}=\underset{i=0}{\overset{{\mathrm{iCount}}_{\mathrm{jk}}-1}{\Sigma }}|{\mathrm{MVCv}}_{\mathrm{ijk}}-{\mathrm{MVPv}}_{\mathrm{jk}}|$

步骤206：计算PU_jk实际的运动向量(MVh_jk,MVv_jk)和运动向量预测子 (MVPh_jk,MVPv_jk)的差，并取绝对值。

在本步骤中，按照下列方式求解：

ΔMVh_jk＝|MVh_jk-MVPh_jk|

ΔMVv_jk＝|MVv_jk-MVPv_jk|

步骤207：构造方程组，利用最小二乘拟合算法得到拟合系数 ah_k,av_k和bh_k,bv_k。

在本步骤中，构造以下两个方程组：

ah_k×|MVPh_jk|+bh_k×ΔMVTh_jk＝ΔMVh_jk

av_k×|MVPv_jk|+bv_k×ΔMVTv_jk＝ΔMVv_jk

其中k表示不同的PU模式，j表示所有属于模式k的值，利用最 小二乘拟合算法计算得到ah_k,av_k和bh_k,bv_k。

步骤208：根据当前PU的模式k，获取对应的运动向量预测子 (MVPh_k,MVPv_k)以及可用的空域和时域相关候选运动向量(MVCh_ki,MVCv_ki)， 其中，iCount_k表示可用的空域和时域相关候选运动向量的总个数， 0≤i＜iCount_k。

在本步骤中，获得当前PU的运动向量预测子(MVPh_k,MVPv_k)以及可 用的空域和时域相关候选运动向量(MVCh_ki,MVCv_ki)，包括当前PU空域 左边（L）、左下（LD）、上边（U）、右上（RU）以及左上（LU）5个 CU的运动向量（如图3所示）以及时域右下（RD）或中心（C）两者 中的1个CU的运动向量（如图4所示），其中时域运动向量中右下的 优先级高于中心的，其中i表示所有可用的空域和时域相关候选运动向 量中的一个，并记录运动向量的数目iCount_k；

步骤209：计算运动向量预测子(MVPh_k,MVPv_k)和每个可用的空域和 时域相关候选运动向量(MVCh_ki,MVCv_ki)的累加差(ΔMVTh_k,ΔMVTv_k)。

在本步骤中，按照以下方式求解累加差(ΔMVTh_k,ΔMVTv_k)：

$\Delta {\mathrm{MVTh}}_k=\underset{i=0}{\overset{\mathrm{iCoun}{t}_k-1}{\Sigma }}|{\mathrm{MVCh}}_{\mathrm{ki}}-{\mathrm{MVPh}}_k|$

$\Delta {\mathrm{MVTv}}_k=\underset{i=0}{\overset{{\mathrm{iCount}}_k-1}{\Sigma }}|{\mathrm{MVCv}}_{\mathrm{ki}}-{\mathrm{MVPv}}_k|$

步骤210：根据步骤207中的拟合系数ah_k,av_k和bh_k,bv_k，步骤208 中的运动向量预测子(MVPh_k,MVPv_k)，步骤209中的累加差 (ΔMVTh_k,ΔMVTv_k，)计算基本搜索范围SRBasic_k。

在本步骤中，按照以下方式求解基本搜索范围SRBasic_k：

SRh_k-basic＝|ah_k×ΔMVTh_k+bh_k×|MVPh_k||

SRv_k-basic＝|av_k×ΔMVTv_k+bv_k×|MVPv_k||

SRBasic_k＝SRh_k-basic+SRv_k-basic

(ΔMVTh_k,ΔMVTv_k)表示了当前PU与空域和时域相关的CU的运动相 关性：如果两个值都比较小，说明当前PU运动情况与空域和时域相关 的CU的比较一致，搜索范围应该较小；否则，说明它们运动情况不 一致，搜索范围应该变大。(MVPh_k,MVPv_k)表示了当前PU可能的运动情 况：两个值比较小，说明当前PU本身的运动比较平缓或是背景无运动， 那么搜索范围可以适当的减小；否则，说明当前PU本身的运动比较剧 烈，那么搜索范围应该较大。

步骤211：根据基本搜索范围SRBasic_k和预先设定的最大搜索范围 SR_max和最小搜索范围SR_min确定最终搜索范围SR_k。

在本步骤中，按照以下方式进行求解最终搜索范围SR_k：

${\mathrm{SR}}_k=\left(\begin{array}{cc}{\mathrm{SR}}_{\min },& {\mathrm{SRBasic}}_k<{\mathrm{SR}}_{\min }\\ \mathrm{SRBasi}{c}_k,& {\mathrm{SR}}_{\min }\le {\mathrm{SRBasic}}_k\le {\mathrm{SR}}_{\max }\\ {\mathrm{SR}}_{\max },& {\mathrm{SRBasic}}_k>{\mathrm{SR}}_{\max }\end{array}\right).$

通过实时的调整SR的大小，能够有效的减少整数点搜索的时间。 测试结果显示，该方法能够减少20%到55%的整数点搜索时间，同时 能够保证信号的失真率在0.08dB以下。

本发明实施例通过利用当前PU的运动向量预测子(MVPh_k,MVPv_k)、 可用的空域和时域相关候选运动向量(MVCh_ki,MVCv_ki)、拟合系数ah_k,av_k和bh_k,bv_k动态调整基本搜索范围SRBasic_k，最后由预先设定的最大搜索 范围SR_max、最小搜索范围SR_min和动态调整的基本搜索范围SRBasic_k共同 确定最终的搜索范围SR_k。综上描述可见，由于本发明实施例利用了空 域和时域上相关候选运动向量来预测当前PU的运动估计搜索范围，因 此能够根据实际情况实时动态地调整搜索范围，从而达到了减少计算 量和缩短搜索时间的目的。

实施例3

本发明实施例3还提出了基于运动向量相关性的运动估计搜索范 围预测系统，参见图5，该系统包括：

搜索范围预先设定模块501，用于预先设定最大搜索范围SR_max和最 小搜索范围SR_min；

拟合系数计算模块502，用于计算不同模式下预测单元PU的拟合 系数ah_k,av_k和bh_k,bv_k，其中预测单元PU的模式总数为Q，0≤k＜Q；

对应模式的拟合系数获取模块503，用于根据当前PU的模式k， 获取对应的拟合系数ah_k,av_k和bh_k,bv_k；

对应模式的预测子和相关运动向量获取模块504，用于根据当前 PU的模式k，获取对应的运动向量预测子(MVPh_k,MVPv_k)以及可用的空 域和时域相关候选运动向量(MVCh_ki,MVCv_ki)，其中，iCount_k表示可用的 空域和时域相关候选运动向量的总个数，0≤i＜iCount_k；

相关性计算模块505，用于计算运动向量预测子(MVPh_k,MVPv_k)和每 个可用的空域和时域相关候选运动向量(MVCh_ki,MVCv_ki)的累加差 (ΔMVTh_k,ΔMVTv_k)；

基本搜索范围计算模块506，用于根据对应模式的拟合系数获取模 块中的拟合系数ah_k,av_k和bh_k,bv_k，对应模式的预测子和相关运动向量 获取模块中的运动向量预测子(MVPh_k,MVPv_k)，相关性计算模块中的累加 差(ΔMVTh_k,ΔMVTv_k)，计算基本搜索范围SRBasic_k；

最终搜索范围确定模块507，用于根据基本搜索范围计算模块中的 基本搜索范围SRBasic_k和预先搜索范围设定模块中的最大搜索范围 SR_max和最小搜索范围SR_min确定最终搜索范围SR_k。

其中，所述拟合系数计算模块502包括：

PU模式确定单元5020，用于确定预测单元PU的所有模式：

在该单元中，参考HM软件，例如，对于64x64的CTU，PU的 模式Q=20，分别为：

4×8,4×16,4×8,8×8,8×16,

8×32,12×16,16×4,16×8,16×12,

16×16,16×32,24×32,32×8,32×16,

32×24,32×32,32×64,64×32,64×64。

由于不同模式的PU所包含的区域的运动情况不同，所以对于不同 模式的PU采用不同的拟合系数能够获得比较好的效果。

相关运动向量获取单元5021，用于获取测试序列中PU_jk的可用的 空域和时域运动相关的候选运动向量(MVCh_ijk,MVCv_ijk)，0≤k＜Q，j 表示第k种模式下的第j个PU，Q为预测单元的总模式数；

在该单元中，首先确定合适的测试序列，然后获得测试序列中不 同模式的PU_jk可用的空域和时域运动相关的候选运动向量 (MVCh_ijk,MVCv_ijk)，包括当前PU_jk空域左边（L）、左下（LD）、上边（U）、 右上（RU）以及左上（LU）5个CU的运动向量（如图3所示）以及 时域右下（RD）或中心（C）两者中的1个CU的运动向量（如图4 所示），其中时域运动向量中右下的优先级高于中心的，并记录空域和 时域运动相关的候选运动向量的数目iCount_jk，其中j表示第j个PU， 0≤k＜Q表示第k种模式的PU。在实施过程中，由于PU所处的位置 不同，实际可用的候选运动向量的个数iCount_jk也不同。可用的候选运 动向量获得后依次存放在存储位置的前面，同时会记录最终可用的候 选运动向量的个数iCount_jk；而不可用的候选运动向量设置为(0,0)， 存放在存储位置的后面。在计算时由于只是使用前面iCount_jk个候选运 动向量，没有使用存储在后面的候选运动向量，所以不管实际获得几 个运动向量，该方法都能够正确的处理。

预测子和实际运动向量获取单元5022，用于获取PU_jk的运动向量 预测子(MVPh_jk,MVPv_jk)和实际运动向量(MVh_jk,MVv_jk)；

相关性计算单元5023，用于计算运动向量预测子(MVPh_jk,MVPv_jk)和 每一个可用的空域和时域相关候选运动向量(MVCh_ijk,MVCv_ijk)的差，取绝 对值后求和：

$\Delta {\mathrm{MVTh}}_{\mathrm{jk}}=\underset{i=0}{\overset{{\mathrm{iCount}}_{\mathrm{jk}}-1}{\Sigma }}|{\mathrm{MVCh}}_{\mathrm{ijk}}-{\mathrm{MVPh}}_{\mathrm{jk}}|$

$\Delta {\mathrm{MVTv}}_{\mathrm{jk}}=\underset{i=0}{\overset{{\mathrm{iCount}}_{\mathrm{jk}}-1}{\Sigma }}|{\mathrm{MVCv}}_{\mathrm{ijk}}-{\mathrm{MVPv}}_{\mathrm{jk}}|$

其中，iCount_jk表示可用的空域和时域相关候选运动向量的个数；

差值计算单元5024，用于计算PU_jk实际的运动向量(MVh_jk,MVv_jk)和 运动向量预测子(MVPh_jk,MVPv_jk)的差，并取绝对值：

ΔMVh_jk＝|MVh_jk-MVPh_jk|；

ΔMVv_jk＝|MVv_jk-MVPv_jk|

系数拟合单元5025，用于构造以下两个方程组：

ah_k×|MVPh_jk|+bh_k×ΔMVTh_jk＝ΔMVh_jk

av_k×|MVPv_jk|+bv_k×ΔMVTv_jk＝ΔMVv_jk

利用最小二乘拟合算法计算得到ah_k,av_k和bh_k,bv_k。

其中，所述相关性计算模块505用于计算运动向量预测子 (MVPh_k,MVPv_k)和每个可用的空域和时域相关候选运动向量 (MVCh_ki,MVCv_ki)的差，取绝对值后求和：

$\Delta {\mathrm{MVTh}}_k=\underset{i=0}{\overset{\mathrm{iCoun}{t}_k-1}{\Sigma }}|{\mathrm{MVCh}}_{\mathrm{ki}}-{\mathrm{MVPh}}_k|$

$\Delta {\mathrm{MVTv}}_k=\underset{i=0}{\overset{{\mathrm{iCount}}_k-1}{\Sigma }}|{\mathrm{MVCv}}_{\mathrm{ki}}-{\mathrm{MVPv}}_k|$

其中，iCount_k表示可用的空域和时域相关候选运动向量的个数。

其中，所述基本搜索范围计算模块506用于根据对应模式的拟合系 数获取模块中的拟合系数ah_k,av_k和bh_k,bv_k，对应模式的预测子和相关 运动向量获取模块中的运动向量预测子(MVPh_k,MVPv_k)，相关性计算模块 中的累加差(ΔMVTh_k,ΔMVTv_k)，计算基本搜索范围SRBasic_k：

SRh_k-basic＝|ah_k×ΔMVTh_k+bh_k×|MVPh_k||

SRv_k-basic＝|av_k×ΔMVTv_k+bv_k×|MVPv_k||。

SRBasic_k＝SRh_k-basic+SRv_k-basic

其中，所述最终搜索范围确定模块507用于根据基本搜索范围 SRBasic_k和预先设定的最大搜索范围SR_max和最小搜索范围SR_min确定最 终搜索范围SR_k：

${\mathrm{SR}}_k=\left(\begin{array}{cc}{\mathrm{SR}}_{\min },& {\mathrm{SRBasic}}_k<{\mathrm{SR}}_{\min }\\ \mathrm{SRBasi}{c}_k,& {\mathrm{SR}}_{\min }\le {\mathrm{SRBasic}}_k\le {\mathrm{SR}}_{\max }\\ {\mathrm{SR}}_{\max },& {\mathrm{SRBasic}}_k>{\mathrm{SR}}_{\max }\end{array}\right).$

本发明实施例所述的系统，利用当前PU的运动向量预测子 (MVPh_k,MVPv_k)、可用的空域和时域相关候选运动向量(MVCh_ki,MVCv_ki)、拟 合系数ah_k,av_k和bh_k,bv_k动态调整基本搜索范围SRBasic_k，最后由预先设 定的最大搜索范围SR_max、最小搜索范围SR_min和动态调整的基本搜索范围 SRBasic_k共同确定最终的搜索范围SR_k。综上描述可见，由于利用了空 域和时域上相关候选运动向量来预测当前PU的运动估计搜索范围，因 此能够根据实际情况实时动态地调整搜索范围，从而减少计算量，同 时也意味着减少了搜索时间。

以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参 照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应 当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或 者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相 应技术方案的本质脱离本发明各实施例技术方案的精神和范围。