[发明专利]一种面向多场景的自适应决策树选择的帧间快速预测算法

权利要求书

1.一种面向多场景的自适应决策树选择的帧间快速预测算法，其特征在于，包括以下步骤：

（1）预备部分：输入一个视频测试序列，对该视频测试序列中CU帧间预测的各个PU模式进行概率统计，得到帧间预测各个PU模式MSM、2N×2N、N×2N、2N×N、N×N、nL×2N、nR×2N、2N×nU、2N×nD的概率情况；

（2）训练部分：分若干个场景类别输入视频测试序列，针对各个场景类别的视频测试序列收集其CU块的相关特征，将收集到的特征进一步进行筛选和优化，再针对各个场景类别基于优化后的特征生成针对4种8×8、16×16、32×32、64×64不同CU块的决策树；

（3）执行部分：输入一段由各个场景所组成的视频序列，对输入视频根据视频内场景的变换进行分割，收集各个分割后视频序列CU块的相关特征并进行优化；利用优化后的特征对分割后的视频序列进行场景类别判断并选择合适的决策树，若无合适的决策树则转入训练部分更新决策树；将优化后的特征数据传入针对该场景的决策树进行判断；判断完成，确定是否继续遍历之后的PU预测模式。

2.根据权利要求1所述的一种面向多场景的自适应决策树选择的帧间快速预测算法，其特征在于，所述步骤（2）包括以下步骤：

（2-1）选取一个标准视频测试序列输入，对帧间预测的各个模式进行概率统计；

（2-2）有着不同场景类别的标准视频测试测试序列，需依次输入，先选取一个场景类别的视频输入，记录标准视频测试序列中以CU为单位MSM、2Nx2N模式的一系列相关属性；

（2-3）测试（2）中MSM、2Nx2N模式的一系列相关属性与CU最佳划分模式的相关情况，筛选出相关性高的特征并对其进行归一化；

（2-4）根据筛选优化好的特征对当前CU的划分模式进行预测，选取机器学习中C4.5的算法使用机器学习软件WEKA来建立决策树，针对不同场景类别建立针对4种8×8、16×16、32×32、64×64不同CU块的决策树。

3.根据权利要求1所述的一种面向多场景的自适应决策树选择的帧间快速预测算法，其特征在于，其中步骤（3）执行部分包括以下步骤：

（3-1）输入一个由多种场景组成的视频序列；

（3-2）根据场景变化，将该视频序列分割为针对各个场景的若干小视频序列；

（3-3）帧间预测开始，若判断CU为8×8、16×16、32×32大小，则收集上层CU的划分模式，若判断CU为64×64大小，则跳过该步骤，最终8×8、16×16、32×32、64×64大小的CU都进入MSM以及2Nx2N模式收集CU的划分情况、残差、率失真值和运动矢量值，从而获得选取的特征：

abs_2Nx2N 即2Nx2N的率失真值， abs_MSM 即MSM的率失真值， abs_Ratio 即2Nx2N的率失真值/MSM的率失真值， abs_2Nx2N_var 即2Nx2N 的残差， abs_mv_MSM 即MSM的运动矢量， abs_mv_2Nx2N即2Nx2N的运动矢量， mv_ratio即2Nx2N的运动矢量/MSM的运动矢量，Nei_Depth 即CU的深度和Usplit 即上层CU的划分决定；

（3-4）针对每个分割好的小视频序列，确定该小视频序列场景最适合的决策树，如没有则转入训练部分，更新这一场景的决策树种类；

（3-5）将该小视频序列的特征传入决策树进行判断；若判断结果为不划分，则跳过之后的所有预测模式，将最佳预测模式判定为MSM和2Nx2N模式中率失真值较小的模式；若判断结果为继续划分，则按照HM原始计算顺序正常进行遍历帧间预测中剩余所有模式的步骤，遍历结束后得到率失真值最小的那个模式为最佳预测模式；

（3-6）输出结果，帧间预测结束。