HEVC对偶编码单元划分优化算法

为了解决视频数据量日益增长与用户享受高质量视频体验需求之间的矛盾,HEVC在H.264/AVC标准的基础上通过引入新型的编码结构和算法进一步将编码效率提升了50%,但是也极大地提升了编码复杂度。基于此,提出对偶编码单元(CU)划分网络DualNet,来降低HEVC中帧内编码复杂度。该网络由预测网络和目标网络2个部分组成,其中,预测网络通过分析图像统计特征实现编码单元划分决策,从而跳过四叉树的遍历搜索,提高编码单元划分决策的时间效率;目标网络基于率失真代价评价和优化决策模型提升编码单元划分性能,实现模型互补和最优率失真估计。实验结果表明:与HEVC标准对比,所提算法在实现相近的压缩效果的前提下能够节省64.06%的编码时间。      

面向鱼眼图像的人群密度估计

针对传统人群密度估计方法在鱼眼图像畸变下不适用的问题，提出了一个面向鱼眼图像的人群密度估计方法，实现了在鱼眼镜头场景下对人流量的监控。在模型结构方面，引入了可变形卷积，提高了模型对鱼眼畸变的适应能力。在生成目标数据方面，利用鱼眼图像的畸变特点，基于高斯变换，对人群标注转换的密度图进行符合鱼眼畸变的分布匹配。在训练方面，对损失函数的计算进行了优化，避免了模型在训练中陷入局部最优解的问题。由于鱼眼人群计数的数据集比较匮乏，采集并标注了相应的数据集。通过主客观实验与经典方法进行了对比，所提方法在测试集中的平均绝对误差达3.78，低于对比方法，证明了面向鱼眼图像的人群密度估计方法的优越性。