本发明公开了一种基于特征分类的高效视频编码方法。本发明首先选择一个视频序列的10帧作标准的HEVC编码，然后提取深度特征，梯度特征以及方差特征，将这些特征用SVM进行离线训练，得到SVM预测模型。然后对每一个视频序列进行编码，设置第1帧为在线学习帧；从第二帧开始作快速编码，先作边缘检测，判断当前CU是否为纹理复杂的CU。根据预测结果把当前CU分为三类：提前跳过划分的CU、提前终止划分的CU和不确定划分的CU。对不确定划分的CU再进行RDcost判断，若当前CU的RDcost小于同深度下的阈值RD_thrk，则提前终止CU划分，否则继续进行标准的率失真优化过程。本发明在保证比特率增加可忽略不计的情况下大大降低了编码复杂度。

本发明在保证比特率增加可忽略不计的情况下大大降低了编码复杂度。

本发明使用支持向量机(SVM)离线学习从HEVC编码器获得的特征，再利用这些特征实现HEVC的快速编码。SVM既可以处理非线性样本也可以处理线性样本，即使在高维模式识别中也能表现出显著优势的学习方法，其拥有较高的学习精度，又能无差别地识别任意样本，将其运用在HEVC中能够很好的解决CU的划分问题。通过提取HEVC编码的特征，并对特征加上标记后学习出SVM模型，再将其用于预测CU的划分，这样CU的划分变成一个可以利用SVM解决的二分类问题

，提出一种基于特征分类的高效视频编码，通过对CU划分过程的简化，在编码比特率增加可忽略不计的情况下降低编码复杂度，尤其适用于快速实时的视频编码应用。本发明在基于概率统计的基础上，其中的特征分类由基于离线学习编码和在线学习编码的方法实现。相比之下，本发明中获取的视频特征具有普适性，能做到对于各个测试视频都有很好的优化效果，不需要根据不同特点的视频更改算法参数。

本发明属于高效视频编码(HEVC)技术领域，主要涉及一种基于特征分类的高效视频编码方法。

首先选择一个视频序列的10帧作标准的HEVC编码，然后提取3种编码特征，包括深度、梯度和方差，将这些特征用SVM进行离线学习，得到SVM预测模型。然后开始对每一个视频序列进行编码，设置第一帧为在线学习帧，计算深度为0、1和2下CU的RDcost阈值RD_thrk(k＝0 ,1 ,2)。从第二帧开始作快速编码，先作边缘检测，判断当前CU是否为纹理复杂的CU。如果不是，则提前结束当前CU的划分。否则，提取纹理复杂的CU特征，包括深度，梯度和方差，输入SVM预测模型对当前CU作预测，根据预测结果把当前CU分为三类：提前跳过划分的CU、提前终止划分的CU和不确定划分的CU。对不确定划分的CU再进行RDcost判断，若小于同深度下的阈值RD_thrk，则提前终止CU划分，否则继续进行标准的RDO过程

周洋：2020年7月于吉林大学取得理学博士学位，同年9月进入温州大学化材学院，依托浙江省碳材料技术研究重点实验室，主要开展锂硫电池、硅碳负极，固态电解质，锌离子电池等新能源材料的合成、机理及应用研究。先后主持浙江省自然科学基金青年基金项目，广东省先进储能材料重点实验室开放课题等纵向课题，以第一作者或通讯者在***, Energy Storage Mater., Nano Energy, ACS Nano, Small, ***, ***, Nanoscale等国际权威期刊上发表SCI论文10余篇，其中影响因子>10以上6篇，热点论文1篇，高被引论文4篇，授权发明专利4项。

本发明的基本原理是通过离线学习和在线学习相结合的方法，根据视频特征将CU进行分类：提前终止划分的CU，提前跳过划分的CU，不确定划分的CU。提前终止CU不会再向下划分，最佳模式只会出现在当前深度及以上深度，从而减少遍历全部CU的复杂度；提前跳过CU不会计算当前CU的RDcost，从而降低编码复杂度。进过实验仿真测试，在视频编码比特率上升可忽略的情况下，使用本发明可以在编码时间上节省45％以上，大大提高了视频编码的效率。此外由于本发明的算法具有普适性，不需要根据视频特征修改参数，使得本发明能够灵活的运用于所有视频序列的编码。

技术合作，遣派学者专家到国外或者其他地区的高校，研究机构或者生产企业与对方的学者，专家合作进行研究设计，或者双方学者，专家轮流到对方学校，研究机构或者企业进行研究。