AVS到HEVC高效视频转码技术

摘要

随着多媒体技术和互联网等的广泛应用和快速发展，在网络上传输各种视频数据已经成为现在网络技术发展的趋势，而由于网络带宽受限等原因，需要对原始视频数据进行压缩，因而出现了多种视频编码标准，包括MPEG-4、MPEG-2、H.264、AVS、HEVC等。由于存在多种多样的视频资源，不同的终端设备对视频码流的处理、显示和存储等方面的能力也不尽相同，用户在不同的场景下对视频的需求也会随之变化，因此需要视频转码技术来解决这些问题。
　　HEVC是目前最新的视频编码标准，压缩效率比H.264等标准提高了约50％，也将会得到越来越广泛的应用。而 AVS是我国自主研发的标准，也在不断的向前发展，近期又颁布了AVS2标准，说明了AVS在国内具有重要的影响力。为了使国内视频标准与国际视频标准兼容，本文研究了AVS到HEVC的高效视频转码技术主要从结合视觉特性和基于SVM两个方面进行了研究。
　　基于视觉特性的AVS到HEVC视频转码技术，考虑了人眼视觉特性，结合了感兴趣区域提取算法以保证转码后视频具有较好的视频效果。算法主要分为两部分：感兴趣区域提取算法和快速转码算法。首先，提取出AVS中码流中的运动向量、预测模式和变换系数等编码信息，根据这些信息将视频划分成了三种区域，即最感兴趣区域（mostROI）、感兴趣区域（ROI）和最不感兴趣区域（lessROI）。然后，将检测的结果用于指导后续HEVC中转码流程。对不同感兴趣程度的区域采取不同复杂度的编码算法，从而在保证转码质量的同时，大大降低了计算复杂度，通过实验证明该算法能够节省平均50%以上的转码时间，同时PSNR降低不超过0.05dB，且转码后的视频具有较好的视觉效果。
　　基于支持向量机（SVM，Support Vector Machine）的转码算法，将机器学习应用于AVS到HEVC的转码中，它考虑到了每个序列自身的特性。该算法将转码过程分为了两个阶段，即训练阶段和转码阶段，首先从AVS码流中提取出预测模式、运动向量和变换系数等特征信息，对需要转码的码流前面k帧进行训练，得到AVS中特征向量和HEVC中深度为0和1时CU划分的关系，在转码阶段可以直接用该模型进行预测划分，减少了复杂的迭代计算过程，同时再结合模式映射算法，也能够在保证视频质量下降不多的情况下，使转码速度平均提高约60%～70%。

目录

封面

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景

1.2国内外研究现状

1.3本文研究内容及论文结构

第二章 视频转码框架

2.1 AVS和HEVC标准比较

2.2视频转码框架结构

2.3改进转码框架

2.4本章小结

第三章 结合视觉特性的AVS到HEVC转码算法

3.1感兴趣区域提取

3.2快速转码算法

3.3实验结果及分析

3.4本章小结

第四章 基于SVM的AVS到HEVC转码算法

4.1 AVS到HEVC特征向量提取

4.2基于SVM的快速转码

4.3实验结果及分析

4.4本章小结

第五章 总结及展望

参考文献

致谢

攻读硕士研究生期间的主要研究成果

声明