基于交替背景模型的HEVC编码研究

在电影、电视剧中,由于拍摄手法的模式化导致了视频中存在大量的背景交替现象。这种背景交替过程中存在着类似监控视频的背景冗余。然而,目前并没有一个方法可以针对性的提高这一类视频的编码效率。针对该现象,提出了以交替背景模型为基础的HEVC编码方式。在编码过程中,自适应交替更新双重背景,并利用交替背景对CU进行分类后减少不必要的模式选择。实验结果表明,基于交替背景模型的HEVC编码方法成功提高了含有背景交替现象的影视作品的编码效率,并不影响不含背景交替现象的视频编码效率。

面向自适应码率视频直播的码率控制算法

在自适应码率视频直播过程中,传统码率控制方法不能有效控制切片码率,导致客户端播放器自适应判断失准,出现卡顿。为此,提出一种切片层级的码率控制算法。在切片内部使用基于帧类型的码率分配策略,提出关键P帧的概念,通过调整关键P帧的分布来优化不同视频内容下的码率分配。建立基于SATD和量化系数的线性预测模型,利用模型迭代调整每行的量化系数,进而控制整帧的编码大小。实验结果表明,该算法可以准确控制切片码率,保证视频质量。

X264多线程下码率控制算法的优化

X264编码器平均比特率(ABR)码率控制算法在单线程下,可以利用前面所有帧的实际偏差来调整量化参数(QP)。但在多线程下,当前帧之前仍有尚未编码完的帧,因此只能用部分已编码帧的实际偏差来调整QP,有可能使实际码率严重偏离目标码率。针对该问题,提出一种改进的ABR多线程码率控制方法。该方法通过当前帧之前已编码帧的实际偏差来估计未编码帧的偏差,得到类似单线程下当前帧之前所有帧的偏差,用以调整QP,达到提高多线程码率和控制精度的目的。实验结果表明,改进后视频流的实际码率更接近目标码率,码率误差最高可降低2.27%,平均码率曲线也更为平滑。

基于ARIMA-LSSVM混合模型的犯罪时间序列预测

对犯罪时间序列的预测对帮助公安部门更好地掌握犯罪动态,实现智能犯罪发现具有重大意义。针对犯罪时间序列预测的计算需求,结合真实犯罪数据集,提出了ARIMA-LSSVM混合模型。该模型通过ARIMA预测出时间序列的线性部分,通过PSO优化的LSSVM模型预测非线性部分,以对序列进行充分拟合,最后通过混合算法计算最终结果。使用此混合模型达到了精准的预测效果,证明了模型的有效性。

基于H.264的转码初始量化参数自适应选择

针对不同的视频内容造成编码前几帧质量低下的问题,提出一种基于I帧复杂度的初始量化参数(QP)选择算法。在编码前利用解码码流中得到的I帧宏块模式信息,运用宏块中的3种不同帧内预测模式判断I帧的复杂度,并采用目标码率和初始QP的关系重新拟合新的初始QP的选择方法。实验结果表明,在相同的码率下,该算法避免了传统码率控制中初始QP选择算法的弊端,可提高视频的客观质量,降低判断I帧的复杂度,客观峰值信噪比值比现有相关算法平均提高0.6 dB,最高提高1.69 dB。