基于机器学习的分布式视频编码研究

【摘要】：随着人们对视频业务使用的不断加,越来越多新的要求在实际生产被提出。移动视频设备、军用无源视频设备、监控设备等一系列应用场景要求视频编码系统具有码率尽可能的低,编码端尽可能的简单的特点。为了应对这些需求,分布式视频编码(Distributed Video Coding,DVC)应运而生。分布式视频编码是一种基于分布式信源编码(Distributed Source Cording,DCS)的编码方式,与传统视频编码MPGE、H.264不同的是分布式视频编码采用独立编码-联合解码的编解码方式,在编码端每一帧独立编码,把传统视频编码中复杂的运动估计从编码端转移到解码端,很大程度上降低了编码端的复杂性。而在解码端仅需要较少的非关键帧信息,便可以完成对运动估计生成的边信息优化,从而达到降低码率的目的。本文主要就分布式视频编码小波域高阶建模并结合机器学习技术进行研究,主要研究内容如下:1)在以往DVC研究的基础上,针对传统常用的DVC框架不能有效的利用视频中的高阶信息的问题,本文使用经典边信息生成算法,提出一种可以充分使用视频高阶信息,并能够方便的和机器学习算法相结合的改进框架。2)本文在研究过程中,针对当前分布式视频编码系统在非关键帧重构过程中只使用视频时域特征及空域特征等低阶的特征的问题。受JPEG2000的显著性传播传递(Signifificance Propagation Pass,SPP)和震级细化传递(Magnitude Refifinement Pass,MRP)思想所启发,研究要解码的当前系数与其相邻系数之间的位平面级相关性,使用AdaBoost集成学习方式,结合CART决策树,形成一种提升树算法,提出视频中的基于AdaBoost的高阶特征建模算法(High-Order Model Base AdaBoost,HOMBAB)。并结合基于小波域的DVC,选取四个不同运动强度的视频序列进行仿真,证明该方式的合理性。3)利用HOMBAB,使用本文提出DVC框架,提出新的DVC算法。该算法分利用了小波变换后视频在高阶域中的特征向量,通过使用AdaBoost算法完成分类器的构建,最终得到结果优于未对其高阶特征进行学习的方式。本文从主观视频质量和客观视频质量两个方面评估算法。实验结果表明本文所提出的HOBAB-DVC在主观视频质量上可以还原出更丰富的细节,在客观指标方面,码率平均节省15%,PSNR有0.3到1.5d B的提升。