| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究背景及意义 | 第7页 |
| 1.2 视频转码技术简要介绍及研究现状 | 第7-11页 |
| 1.2.1 比特率转换 | 第8-9页 |
| 1.2.2 分辨率转换 | 第9-10页 |
| 1.2.3 不同视频标准转换 | 第10-11页 |
| 1.3 本文的主要工作和结构安排 | 第11-12页 |
| 2 视频编码标准HEVC相关内容介绍 | 第12-24页 |
| 2.1 HEVC编码框架 | 第12-13页 |
| 2.2 HEVC编码结构 | 第13-18页 |
| 2.2.1 片段层 | 第13-14页 |
| 2.2.2 Tile单元 | 第14-15页 |
| 2.2.3 树形编码块 | 第15-18页 |
| 2.3 率失真优化 | 第18-23页 |
| 2.3.1 率失真优化技术 | 第18-20页 |
| 2.3.2 HEVC编码器中的率失真优化方法 | 第20-22页 |
| 2.3.3 HEVC编码参考模型HM中的率失真优化流程 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 HEVC标准下基于深度值相关性的转码算法 | 第24-33页 |
| 3.1 传统转码方法 | 第24-25页 |
| 3.1.1 全解全编转码方法框架 | 第24页 |
| 3.1.2 reused算法框架 | 第24-25页 |
| 3.2 原始码流与输出码流深度值相关性研究 | 第25-27页 |
| 3.3 基于深度值相关性的转码算法 | 第27-29页 |
| 3.3.1 基于深度值相关性算法的转码框架 | 第27-28页 |
| 3.3.2 具体算法实现 | 第28-29页 |
| 3.4 实验结果与结论 | 第29-32页 |
| 3.5 本章小结 | 第32-33页 |
| 4 基于机器学习的HEVC标准快速转码算法 | 第33-53页 |
| 4.1 机器学习 | 第33-34页 |
| 4.1.1 机器学习简介 | 第33-34页 |
| 4.1.2 机器学习系统的基本结构 | 第34页 |
| 4.2 贝叶斯分类器 | 第34-37页 |
| 4.2.1 引言 | 第34-35页 |
| 4.2.2 概率论基础 | 第35页 |
| 4.2.3 朴素贝叶斯分类模型 | 第35-36页 |
| 4.2.4 朴素贝叶斯分类器的学习与分类 | 第36-37页 |
| 4.3 基于机器学习的视频转码框架 | 第37-38页 |
| 4.4 OTOC转码框架中的贝叶斯分类器 | 第38-43页 |
| 4.4.1 三个分类器 | 第38页 |
| 4.4.2 特征值和类别 | 第38-43页 |
| 4.5 训练帧训练流程 | 第43-44页 |
| 4.5.1 训练帧训练流程图 | 第43页 |
| 4.5.2 分类器训练算法 | 第43-44页 |
| 4.6 加速帧分类流程 | 第44-45页 |
| 4.6.1 加速帧分类流程图 | 第44-45页 |
| 4.6.2 分类器预测算法 | 第45页 |
| 4.7 实验结果与分析 | 第45-51页 |
| 4.7.1 分类器训练实验 | 第45-46页 |
| 4.7.2 分类器训练效果检验 | 第46-48页 |
| 4.7.3 加速帧转码结果与分析 | 第48-51页 |
| 4.8 扩展讨论 | 第51-52页 |
| 4.8.1 补充实验 | 第51页 |
| 4.8.2 场景变换判断 | 第51-52页 |
| 4.9 本章小结 | 第52-53页 |
| 5 总结与展望 | 第53-55页 |
| 5.1 工作总结 | 第53-54页 |
| 5.2 工作展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |