7月24日，以“新視界·連未來”為主題的2021全球互聯(lián)網通信云大會(以下簡稱WICC 2021)在北京成功落下帷幕。來自主辦方全球互聯(lián)網通信云領導廠商融云的視頻算法專家黃震坤在“RTC新技術與應用”技術分論壇中，分享了《基于人工智能的視頻編碼優(yōu)化》的演講。

圖1 WICC 現(xiàn)場融云視頻算法專家黃震坤發(fā)表演講

根據(jù)美國思科公司的相關研究報告，到2022年，全球移動數(shù)據(jù)流量將達到每年930艾字節(jié)，相當于通過全球網絡每5分鐘傳輸一遍有史以來所有電影的流量，視頻流量占移動數(shù)據(jù)流量的比例將飆升至79%。巨大的傳輸壓力下，視頻編碼壓縮技術就顯得尤其重要。因此，本屆 WICC黃震坤聚焦于視頻壓縮的前沿技術，針對不同場景需求，為開發(fā)者闡述了視頻編碼方向的最新研究成果、融云的探索實踐，以及該領域未來的發(fā)展前景。

融云在監(jiān)控場景的視頻壓縮技術及解決方案

WICC 2021上，黃震坤以交通監(jiān)控視頻場景為例，闡述了隨著智慧交通的快速發(fā)展，交通監(jiān)控視頻的數(shù)據(jù)量呈現(xiàn)爆炸式增長，給現(xiàn)有的傳輸和存儲系統(tǒng)帶來了巨大的壓力，因此，提高監(jiān)控場景視頻壓縮的壓縮效率顯得至關重要。

黃震坤認為，要對交通監(jiān)控視頻進行高效壓縮，就必須根據(jù)該場景特點，將背景區(qū)域和運動區(qū)域細致區(qū)分。典型的背景區(qū)域包括建筑、樹木等，在畫面中占比較大，且相對固化、變化不大;運動區(qū)域包括車輛、行人等，只占整個視頻區(qū)域的一小部分。典型的監(jiān)控視頻如圖2所示，運動的車輛即為前景區(qū)域。整體而言，視頻的相鄰幀之間的變化細微，應成為監(jiān)控視頻壓縮關注的重點。

圖2 典型的監(jiān)控場景

針對這些特點，業(yè)界早期的做法是在重建幀中選擇出長期參考幀，并與己有短期參考幀組合，一起供當前待編碼幀做幀間預測的參考。但是，選取的長期參考幀可能包含有前景物體，導致背景幀“不干凈”。

為了解決這個難點，融云采用 LaBGen-P 的方法提取背景幀，這是由于 LaBGen-P 采用了像素級中值濾波的機制，基于運動檢測的選擇機制，選擇運動最小的像素作為背景像素。通過幀間差的運算，可提取到純背景幀的視頻效果。

并且，用 LaBGen-P 的方法提取背景幀，將獲取的背景幀加入到長期參考幀列表，不但可以避免網損和解碼錯誤會導致解碼器出現(xiàn)錯誤，導致誤差擴散到后續(xù)的P幀，而且利用反饋機制與長期參考幀相結合，還有助于修復丟失的視頻數(shù)據(jù)。

實驗表明，和原始沒有加入背景幀的 OpenH264 編碼器相比，可將標準測試集中的測試視頻

CiscoVT2people_320x192_12fps.yuv，從原始的 56KB 減少到 54KB。

感興趣區(qū)域的視頻壓縮技術研究模型及實踐探索

不同的場景人們的關注重點會有所不同。仍以智慧交通為例，交警對于違章車輛的關注點是車牌號，車牌號是否清晰，將直接影響執(zhí)法證據(jù)的收集是否有效。因此，在帶寬有限的情況下，確保興趣關注區(qū)域的質量是視頻壓縮技術的關鍵。

傳統(tǒng)編碼方法致力于對圖像進行去相關處理，這種方法雖然可以達到去除信息冗余度的效果，但是忽略了視覺冗余。因此，在最新研究中，典型做法是，通過對視頻進行目標檢測來獲取感興趣區(qū)域，再對感興趣區(qū)域分配更多的碼率，從而提高該區(qū)域的編碼質量。圖3即為典型的采用目標檢測技術檢測到的感興趣區(qū)域，并進行碼率分配的效果，感興趣區(qū)域的編碼質量得到保證。

圖3 典型的基于目標檢測碼率分配效果

如何向感興趣區(qū)域分配更多的碼率，黃震坤分別向開發(fā)者介紹了學術界代表武漢大學的理論研究和產業(yè)界代表融云的探索實踐。

武漢大學在2021年提出了基于博弈論的碼率分配方案模型，具體內容包括：

感興趣區(qū)域編碼質量為領導者，非感興趣區(qū)域的編碼質量為跟隨者;

在設定的目標碼率下，領導者決定感興趣區(qū)域分配的碼率，而跟隨者決定非感興趣區(qū)域的分配的碼率;

對于感興趣區(qū)域來說，它的效用不僅取決于自身，而且影響到整個圖像的編碼質量;

非感興趣區(qū)域只能利用余下的碼率達到最優(yōu)的效用。

而融云的感興趣區(qū)域的視頻編碼方案是，將運動區(qū)域檢測和基于博弈論碼率分配方案相結合，整合為基于場景的感興趣區(qū)域檢測和碼率分配方案。這一方案的特點主要體現(xiàn)在訓練不同的 yolo 模型，采用同一個預訓練模型 yolo，訓練不同的場景。

圖4 融云感興趣區(qū)域視頻編碼方案

具體地說，針對人的視頻采用訓練好的基于人的目標檢測模型，針對車的視頻采用訓練好的基于車的目標檢測模型。其中運動檢測的方法選用Vibe，為每個像素點建立一個樣本背景模型(背景模型中包含N 個樣本值)，計算待分類像素與背景模型的相似度，如果相似，則分類為背景。

圖5 目標和運動檢測結合的感興趣區(qū)域提取效果

通過實驗可以看出，提取了感興趣區(qū)域之后，采用基于博弈論的方法分配感興趣區(qū)域和非感興趣區(qū)域的碼率，最終在有限帶寬的情況下，使得感興趣區(qū)域的編碼質量獲得提高， 整體的編碼質量也損失不大。具體效果見圖6所示，人臉部分的量化系數(shù)比背景區(qū)域的量化系數(shù)要小，在帶寬受限的情況下，能夠保留人臉部分的細節(jié)。

圖6 基于感興趣區(qū)域的碼率分配效果

視頻壓縮技術的最新研究和應用前景

目前在視頻壓縮的研究方面，主要是基于人工智能的深度學習技術和端到端的視頻壓縮框架。

深度學習技術替換混合編碼框架模塊，可用于碼率分配、塊劃分以及幀內預測和幀間預測。以幀間預測為例，實驗結果表明，與 HEVC 相比，基于深度學習所提出的方法在low delay P配置下，能達到平均1.7%(最高為8.6%)的碼率減少。端到端的視頻壓縮框架最新研究成果是對現(xiàn)有深度學習視頻壓縮，只能利用少數(shù)的參考幀進行壓縮的問題, 研究人員提出了重復自編碼器和重復概率估計模型。

黃震坤介紹，這些技術目前都尚處于非常前沿的研究階段，但擁有著非常廣闊的應用前景：首先，采用深度學習網絡替換視頻壓縮的混合編碼框架，可以提高編碼效率，在 WebRTC 中具有重要的應用價值;其次，深度強化學習網絡對碼率進行分配，將改善在使用 WebRTC 視頻傳輸中的卡頓現(xiàn)象;第三，基于深度學習的帶寬估計模型也將比傳統(tǒng)的帶寬估計方法更有優(yōu)勢。

結語

在實時音視頻領域，視頻壓縮是非常重要的技術。隨著5G基礎設施的完善，新的視頻應用場景不斷涌現(xiàn)，視頻壓縮技術也在迭代。為了確保視頻高質量和高傳輸效率，視頻壓縮技術要考慮存儲、編解碼、算力和帶寬等因素在內的總成本，要在畫質、碼率和性能之間做平衡。隨著 5G 基礎設施的完善，新的視頻應用場景不斷涌現(xiàn)，視頻壓縮技術也會不斷迭代創(chuàng)新。而融云將深度參與其中，引領發(fā)展!

（免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現(xiàn)的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）