基于多線性子空間分析的視頻編碼研究.pdf

1、隨著互聯(lián)網視頻數(shù)據的快速增長和相關新型應用的涌現(xiàn)，視頻的高效壓縮和傳輸成為學術界和產業(yè)界深入研究的熱點問題。
　　 本文提出了一種新的視頻編碼和傳輸框架，該框架應用多線性子空間技術對視頻數(shù)據進行分析，所得到的子空間劃分不僅有助于去除視頻中包含的冗余相關性，更能進一步提取其中蘊含的語義信息，從而部分克服了傳統(tǒng)編碼方法中僅從像素級別進行壓縮的不足。在該框架的基礎上，本文還研究了張量空間的變換編碼、基于視覺注意力模型的可伸縮視頻編碼以

2、及非平衡差錯保護和錯誤隱藏等問題。
　　 當前視頻編碼方法大多單純在像素級上去除冗余信息，難以在視覺對象級別對視頻內容進行概括。本文提出了一種基于多線性子空間分析的視頻編碼機制。該機制采用廣義主成分分析(Generalized Principal Component Analysis，GPCA)方法對視頻幀進行多線性子空間劃分，并將每個子空間近似地看作一組高度相關的視覺對象，在各子空間中分別進行變換編碼。由于同一子空間內圖像塊之

3、間在統(tǒng)計意義上相關度更高，因此基于GPCA的視頻編碼可達到更好的去相關目的。與此同時，同一子空間內的圖像塊在語義上彼此相關度較高，常常代表了同一組視覺對象，因此可有效用于后續(xù)的視頻語義分析。
　　 傳統(tǒng)的變換編碼技術只在水平和豎直兩個一維方向上分別獨立進行去相關變換，忽略了圖像塊之間存在的高階相關性。作為理論上最優(yōu)的酉變換，KL變換(Karhunen Leove Transform)方法不儀復雜度高，還必須把圖像塊轉換成向量形式

4、處理，忽略圖像塊之間的空間結構。針對這一問題，本文結合張量和矩陣代數(shù)等理論，提出了基于張量空間的KL變換方法。該方法的空間和時間復雜度比基于向量空間的KL變換大大降低，也取得了較好的視頻壓縮效果。
　　 現(xiàn)有的可伸縮編碼方法僅從時空分辨率和圖像質量上來劃分基本層和增強層，用戶一般希望基本層盡可能多地包含其感興趣的內容。本文在多線性子空間視頻編碼的基礎上，提出基于視覺注意力模型的可伸縮編碼，結合語義來劃分基本層與增強層，使得基本層