面向云计算环境的高效视频编码多粒度优化关键技术研究

With the rapid advancement of multimedia content sharing service and video display technologies, there are a vast amount of videos on the internet which are also proliferating in an exploding way, and a growing popularity is currently witnessed for the increasing demand of High Definition (HD) and even Ultra High Definition (UHD) video oriented multimedia services and applications. Therefore, the upcoming era of video big data poses great challenges to compress the vast amount of high-resolution videos. High Efficiency Video Coding (HEVC) as the newest video coding standard is designed to compress videos in a far superior rate-distortion manner, however, the requirement of huge amounts of computaitons for HEVC limits its application in real world. In this project, we are going to investigate multi-granular optimization techniques for HEVC under cloud computing environments to speed up HEVC encoding, specifically, from two optimization viewpoints including the Algorithm Granularity oriented Optimization (AGO) and the Resource Granularity oriented Optimization (RGO). Regarding AGO, we are planning to study multi-level decision making theory based methods to design fast encoding algorithms for HEVC. As far as RGO is concerned, we will explore multi-granular parallel computing models and the related scheduling algorithms, aiming to make a full use of computers, CPUs and GPUs to realize a joint parallel implementation at coarse-grained, medium-grained and fine-grained levels. This project will establish a framework of multi-granular optimization theory for HEVC and achieve the theoretical innovation and technological breakthroughs for HEVC, which will promote the development of cloud computing oriented multimedia big data processing related research fields.

随着多媒体内容分享服务的迅速发展和视频显示技术的不断推陈出新，互联网上的视频数量正呈现海量级爆炸式地增长，基于高清视频和超高清视频的多媒体服务和应用正日益普及。视频大数据时代的到来为海量视频数据压缩带来了巨大挑战。高效视频编码（HEVC）作为新的视频编码标准，能更有效地提高视频数据的压缩效率，但具有庞大的编码计算复杂度。本项目旨在研究面向云计算环境的HEVC多粒度编码优化技术，从算法粒度层和资源粒度层两方面提高HEVC编码速度。在算法粒度层，研究基于多层次目标决策优化理论的HEVC快速编码算法；在资源粒度层，研究适用于HEVC的多粒度并行计算模型和调度算法，通过云节点、CPU和GPU等计算资源实现基于粗、中、细三个粒度的视频编码并行计算。本项目探索面向云计算环境的HEVC多粒度优化编码理论体系，实现视频编码的理论创新与技术突破，促进基于云计算的多媒体大数据处理理论和技术体系的研究与发展。

视频大数据时代的到来为海量视频数据压缩带来了巨大挑战。高效视频编码（HEVC）作为新一代视频编码标准，能有效提升视频数据压缩效率，但具有庞大的编码计算复杂度。本项目针对HEVC编码计算复杂度高和海量视频数据冗余等问题，在HEVC编码计算多粒度优化以及大规模视频协同压缩等方面进行研究与探索。在算法粒度层，提出了基于最优停止理论的多层次目标决策优化理论与方法，对HEVC中编码单元层、预测单元层和变换单元层进行编码计算优化；提出了两步骤零系数预测算法，给出全零系数块预判充分条件，省却其变换和量化计算；提出了基于贝叶斯模型的预测方法，有效降低变换单元尺寸编码模式选择计算复杂度。在计算资源粒度层，提出了面向多核协同调度的视频编码理论与方法：针对HEVC中波前并行处理（WPP）范式，分析其并行计算依赖关系以及坡上失速与负载不均衡成因，依此设计了WPP并行性能仿真模型，提出了自适应并行模式决定算法用以解决负载不均衡问题，设计了帧级异步插值滤波器处理坡上失速问题，提出了多粒度并行任务调度算法，充分利用多核CPU计算资源，提高HEVC并行编码效率。在此基础上，提出了面向异构计算环境的视频编码理论与方法：提出了一种大规模并行运动估计算法，充分利用众核GPU计算能力，在细粒度层次并行优化HEVC 编码，与在CPU上执行的其他编码计算进行协同，在多个并行粒度上加速HEVC编码。在大规模视频协同压缩方面，提出了近似视频联合编码框架与方法：设计了基于图的视频相似性表征方法，并应用最小割图论方法对近似视频进行联合编码分组，利用分组中近似视频的相关关系和预处理策略进行跨视频参考帧预测，实现大规模视频的协同高效压缩。此外，在本项目资助下，课题组在图像质量评价与可感知编码、视觉特征表达学习等方面进行了扩展性研究。课题组完成了既定的计划任务，实现了预期的研究目标，在本项目执行期内，发表标注项目资助的期刊论文20篇、会议论文35篇，其中IEEE Transactions汇刊论文7篇，SCI收录18篇，EI收录35篇，国内发明专利授权9项/申请4项；根据Web of Science检索结果，截至2018年12月，本项目执行期内所发表的文章被引用总次数为137次。