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(wǎng)視頻數(shù)據(jù)的快速增長和相關(guān)新型應(yīng)用的涌現(xiàn)，視頻的高效壓縮和傳輸成為學(xué)術(shù)界和產(chǎn)業(yè)界深入研究的熱點(diǎn)問題。
　　 本文提出了一種新的視頻編碼和傳輸框架，該框架應(yīng)用多線性子空間技術(shù)對視頻數(shù)據(jù)進(jìn)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(guān)性，更能進(jìn)一步提取其中蘊(yùn)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(jìn)行壓縮的不足。在該框架的基礎(chǔ)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(hù)和錯誤隱藏等問題。
　　 當(dāng)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(nèi)容進(jìn)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(jī)制。該機(jī)制采用廣義主成分分析(Generalized Principal Component Analysis，GPCA)方法對視頻幀進(jìn)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(guān)的視覺對象，在各子空間中分別進(jìn)行變換編碼。由于同一子空間內(nèi)圖像塊之

3、間在統(tǒng)計(jì)意義上相關(guān)度更高，因此基于GPCA的視頻編碼可達(dá)到更好的去相關(guān)目的。與此同時，同一子空間內(nèi)的圖像塊在語義上彼此相關(guān)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(shù)只在水平和豎直兩個一維方向上分別獨(dú)立進(jìn)行去相關(guān)變換，忽略了圖像塊之間存在的高階相關(guān)性。作為理論上最優(yōu)的酉變換，KL變換(Karhunen Leove Transform)方法不儀復(fù)雜度高，還必須把圖像塊轉(zhuǎn)換成向量形式

4、處理，忽略圖像塊之間的空間結(jié)構(gòu)。針對這一問題，本文結(jié)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(fù)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(zhì)量上來劃分基本層和增強(qiáng)層，用戶一般希望基本層盡可能多地包含其感興趣的內(nèi)容。本文在多線性子空間視頻編碼的基礎(chǔ)上，提出基于視覺注意力模型的可伸縮編碼，結(jié)合語義來劃分基本層與增強(qiáng)層，使得基本層