H.264在3G移动视频监控系统中的应用

H．264标准是ITU-T和ISO／IEC的联合视频组JVT）制定的新一代视频编码国际标准,在H．263等视频标准的基础上,采用多种新技术,提高了压缩性能、编码效率、网络适应能力及视频传输的可靠性等。文章针对3G信道固有的带宽有限,误码率高等特点,从压缩效率和网络适应性两个方面分析和讨论H．264在3G中的应用。     

基于H.264 SVC的IP网络视频传输系统的实现

可扩展视频编码已成为国际上视频技术研究的热点之一,联合视频组(JVT)也已标准化了H.264视频编码标准的扩展可扩展视频编码(H.264 SVC)。首先概述了H.264 SVC的基本编码框架,在此基础上,设计了一套基于H.264 SVC的IP网络视频传输系统。该系统实现了视频流在IP网络上的可靠传输,并且满足了不同用户对空间分辨率、帧率和视频质量的个性化需求等。     

基于H.264扩展的可伸缩编码技术最新进展

联合视频组(JVT)最近已经完成了基于H.264/AVC标准的可伸缩编码SVC(scalable video coding)标准的第一阶段的制订,并将其作为H.264的第三部分扩展的草稿[2]发布.本文简述了SVC的标准的最新发展和编码架构,重点讲述其中关键的技术.     

H.264/AVC视频编码技术研究

H.264是最新的视频编码标准.与以往的压缩标准相比,该标准具有更好的压缩性能和网络适应性能.文中分析和研究了H.264编码标准采用的一些新技术,并在此基础上实施了多组实验.实验采用JVT参考软件JM8.6作为测试模型,运用了Mother & Daughter、Foreman和Mobile三个测试序列.实验分别在运动补偿中不同块组合方式、多参考帧、Hadamard变换以及CABAC熵编码等的编码性能几个方面对H.264进行了验证.最后得出了实验结论并在此基础上提出了H.264编码器的优化方向.     

利用运动向量差值改善深度学习视频隐写分析

目的 针对现有深度学习视频隐写分析网络准确率不够高的问题,本文从视频压缩编码的原理出发,发掘嵌密编码参数与其他参数之间的关系,通过拓展检测空间,构造新的检测通道,改善现有深度学习视频隐写分析网络的检测性能。方法 以H. 265/HEVC(high efficiency video coding)压缩视频为例,首先通过分析运动向量的嵌密修改对运动向量差值的影响,指出可将运动向量差值作为新增的采样对象(或称检测对象);接着,提出一个构造运动向量差值检测矩阵的方法,解决了空域上采样样本稀疏、时域上样本空间位置无法对齐的问题;最后,将运动向量差值矩阵直接用于改善现有的VSRNet(video steganalysis residual network)、SCA-VSRNet(selection-channel-aware VSRNet)以及Q-VSRNet(quantitative VSRNet)等3个H. 265/HEVC深度学习视频隐写分析网络,分别得到IVSRNet(improved VSRNet)、SCA-IVSRNet(selection-channel-aware improved...     

H．264／觚忙视频编码技术研究

H．264是最新的视频编码标准。与以往的压缩标准相比,该标准具有更好的压缩性能和网络适应性能。文中分析和研究了H．264编码标准采用的一些新技术,并在此基础上实施了多组实验。实验采用JVT参考软件JM8．6作为测试模型,运用了Mother＆Daughter、Foreman和Mobile三个测试序列。实验分别在运动补偿中不同块组合方式、多参考帧、Hadamard变换以及CABAC熵编码等的编码性能几个方面对H．264进行了验证。最后得出了实验结论并在此基础上提出了H．264编码器的优化方向。     

基于H.264的低比特率视频水印算法分析

H.264标准是当前图像标准中压缩效率最高的,其码流结构对网络有很强的适应性,在此标准下进行水印技术的研究对于网络视频传输过程中的版权保护有着重要的意义。该文简要介绍了H.264与以往的编解码技术的不同,分析了在此编码中嵌入水印的难点,然后就目前基于H.264的视频水印算法进行分析比较,最后对未来低比特率视频水印技术发展的趋势进行了展望。     

一种改进的基于边缘信息的运动分割方法

1.前言 MPEG-4图像压缩标准的制定使得视频分割技术显得尤为重要.视频分割是指视频序列按一定的标准分割成区域,从而从视频序列里分离出有意义的实体.在MPEG-4标准的图像编码中,为了实现基于图像内容的交互功能,将视频序列的各帧图像按照不同的视频对象面(VOP)来表示,然后对视频对象分别进行编码,这样一方面提高了编码效率,一方面实现了用户与图像场景内容的交互性,所以在编码的过程中正确地划分视频对象(video object)和层次(1ayer)是必不可少的环节.这也正是视频分割的目的所在,实际上只要运用适当的分割技术就可以提取出符合实际的图像对象.     

多媒体网络:从内容分发网络到未来互联网

近年来,随着网络技术的飞速发展,互联网流量视频化的趋势日益明显,视频应用使互联网的可扩展性、可演进性、服务质量和网络安全面临诸多挑战.内容分发网络通过在应用与网络间构建覆盖网,为解决网络视频应用面临的分发难题提供了有力的支持,也成为当前网络视频产业中的关键技术.但是随着视频应用在移动性、交互性、异构性以及可扩展性方面需求的不断增长,现有内容分发网络技术面临重大挑战,学术界与工业界都试图从互联网体系架构入手解决网络视频应用中的问题.文中系统总结了内容分发技术面临的挑战以及现有互联网体系结构研究的思路与核心技术,提出了面向未来网络的多媒体网络设计思路.     

AVS视频编码标准技术回顾及最新进展

AVS(audio video coding standard)工作组是“数字音视频编解码技术标准”工作组的简称,由国家原信息产业部科学技术司于2002年6月批准成立.工作组的任务是制(修)订数字音视频的压缩、解压缩、处理和表示等共性技术标准,为数字音视频设备与系统提供高效经济的编解码技术.经过10多年的努力,AVS已经成功制定一系列标准,如AVS1,AVS+和AVS2.其中AVS1和AVS2的说法源于AVS第1阶段和第2阶段的工作或第1代、第2代标准.AVS+是工作组专门为高清数字电视广播制定的一个标准.目前AVS1和AVS+标准已经制定完成并成功应用于许多行业中,AVS2也即将完成.将对AVS的AVS视频标准12年来的技术发展过程给以概述,并简单介绍目前最新一代视频编码标准AVS2关键技术,最后对视频编码技术的未来发展方向予以展望.     

矿区分布式网络视频录像系统设计

针对传统集中式网络视频录像系统在多通道、大容量存储与多终端并发访问时,存在存储设备硬件处理能力不足和网络带宽局部拥塞现象,设计了一种分布式网络视频录像系统。该系统采用分布式IP架构,可实现视频数据的分布式物理存储和集中式逻辑管理;应用基于Socket的设备通信控制技术及基于应用层组播的回放控制技术,实现了设备管理和权限管理控制数据的交互及视频流的高效网络传输控制。测试结果表明,该系统较好地解决了矿区多通道、大容量的视频数据实时存储和远程回放问题。     

面向视频流媒体的应用层多播技术研究 *

主要关注面向视频流媒体的应用层多播（ALM）技术的研究近况。首先总结了ALM的研究概况和分 类,重点研究了几个针对视频流媒体应用而提出的ALM协议和框架,讨论其中用到的一些前沿技术,分析这些 协议的优缺点,同时给出一些改进思路。最后展望了ALM视频流媒体技术的未来研究方向。     

边缘加强的超高清视频质量评估

目的 随着网络和电视技术的飞速发展,观看4 K(3840×2160像素)超高清视频成为趋势。然而,由于超高清视频分辨率高、边缘与细节信息丰富、数据量巨大,在采集、压缩、传输和存储的过程中更容易引入失真。因此,超高清视频质量评估成为当今广播电视技术的重要研究内容。本文提出了一种边缘加强的超高清视频质量评估方法。方法 对输入视频的每一帧进行拆分处理,利用边缘检测算子对R、G、B三通道的图像分别进行边缘检测,合并R、G、B三通道的边缘信息得到视频帧的边缘图像。设计边缘掩蔽、内容依赖和时域记忆3个网络模块分别提取相应的特征,将特征输入到全连接层中进行降维处理后获得质量特征,基于质量特征计算输入视频的视频质量分数。由于超高清视频具有丰富的边缘,边缘细节清晰度极高,因此在边缘处引入的失真通常较为明显,而本文提出的边缘加强方法特别适用超高清视频的质量评估。同时由于提出的方法引入了内容依赖和时域迟滞特性,因此也同时适用其他野生视频的质量评估。结果 实验在包括超高清在内的4个视频质量评估数据集上进行,与5种主流方法进行比较,结果表明提出的方法性能优越。在KoNViD-1K、DVL2021、LIVE-Qualcomm、LSVQ据集上,与当前性能最好的方法相比,SROCC(Spearman rank-order correlation coefficient)指标分别提升了3.9%、4.2%、10.0%和0.6%,PLCC(Pearson’s linear correlation coefficient)指标分别提升了3.9%、2.2%、10.1%和0.1%。结论 本文方法结合超高清视频的特点,更好地拟合了人眼视觉特性,获得了当前最好的性能;同时由于未使用光流方法,大幅减少了计算量,获得了很好的泛化能力。     

Wyner-Ziv视频编码中边信息估计算法改进*

与传统视频编码方法相比,DVC（distributed video coding）在编码性能方面还存在着较大差距。边信息估计是其中的关键技术之一,在很大程度上决定着编码效率。为缩短性能差距,改善边信息估计效率,提出一种针对像素域Wyner-Ziv视频编码系统的改进算法,在解码端改善了关键帧之间的运动矢量获取以及采用重叠块运动补偿来生成边信息。通过对大量测试序列的实验,验证了改进算法的率失真性能得到改善。     

LIN应用层协议开发

LIN是一种低成蕾、高效率的汽车网络协议，作为CAN总线的辅助网络被大量使用。本文在分析LIN总线通讯模式的基础上，根据CAN、LIN网络的接口特点，以长安公司SC6350车型为对象，设计了一个简单、通用、高效的可用于CAN／LIN混合网的LIN应用层协议．给出了协议实现的框架结构，并通过实例说明了协议的实现过程。     

视频流传输中的网络编码综述

网络视频应用增长迅猛,利用网络编码（NC）来提高网络吞吐量和传输可靠性进而改善视频流传输质量成为研究热点。针对如何优化网络编码进行视频流传输这一问题,必须要结合视频流自身特性作出改进并综合考虑所处的网络环境,才能充分发挥网络编码的优势。首先回顾了网络编码的基本概念和方法;然后对网络编码应用于视频流传输时需要考虑的视频业务特性,包括进行不等差错保护以优先保障重要等级视频数据包、降低数据包传输延迟以满足视频流实时性需求、增强网络差错恢复策略以提升传输可靠性等作了分析和归纳;接着阐述了基于网络编码的视频流传输策略在包括P2P、多源协作及内容中心网络等典型场景中的应用;最后对网络编码应用于视频流传输的研究趋势进行展望。     

集散控制系统网络结构的研究

为了提高集散控制系统通信的可靠性、稳定性、抗干扰性和可扩展性,降低集散控制系统通信的故障率,提出了一种基于工业以太网的网络通信方式,并验证了该通信网络的可行性。该网络是一种采用分布式、冗余式、立体式的多层次网络结构。此结构使网络的负荷均匀分配,降低了网络的故障率,并使集散控制系统的网络向开放化、信息化的方向发展。     

类别敏感的全局时序关联视频动作检测

目的 视频动作检测是视频理解领域的重要问题,该任务旨在定位视频中动作片段的起止时刻并预测动作类别。动作检测的关键环节包括动作模式的识别和视频内部时序关联的建立。目前主流方法往往试图设计一种普适的检测算法以定位所有类别的动作,忽略了不同类别间动作模式的巨大差异,限制了检测精度。此外,视频内部时序关联的建立对于检测精度至关重要,图卷积常用于全局时序建模,但其计算量较大。针对当前方法的不足,本文提出动作片段的逐类检测方法,并借助门控循环单元以较低的计算代价有效建立了视频内部的全局时序关联。方法 动作模式识别方面,首先对视频动作进行粗略分类,然后借助多分支的逐类检测机制对每类动作进行针对性检测,通过识别视频局部特征的边界模式来定位动作边界,通过识别动作模式来评估锚框包含完整动作的概率;时序建模方面,构建了一个简洁有效的时序关联模块,利用门控循环单元建立了当前时刻与过去、未来时刻间的全局时序关联。上述创新点整合为类别敏感的全局时序关联视频动作检测方法。结果 为验证本文方法的有效性,使用多种视频特征在两个公开数据集上进行实验,并与其他先进方法进行比较。在ActivityNet-1.3数据集中,该方法在双流特征下的平均mAP(mean average precision)达到35.58%,优于其他现有方法;在THUMOS-14数据集中,该方法在多种特征下的指标均取得了最佳性能。实验结果表明,类别敏感的逐类检测思路和借助门控循环单元的时序建模方法有效提升了视频动作检测精度。此外,提出的时序关联模块计算量低于使用图卷积建模的其他主流模型,且具备一定的泛化能力。结论 提出了类别敏感的全局时序关联视频动作检测模型,实现了更为细化的逐类动作检测,同时借助门控循环单元设计了时序关联模块,提升了视频动作检测的精度。     

H.264实时视频数据的还原与视频帧提取研究

对因特网中某些不良的实时视频通信数据进行监听和还原,是保证网络应用健康发展和打击网络犯罪的一个重要方面.本文介绍了监听和还原因特网中H.264实时视频数据的一种处理方法和处理过程,实现了对被监听的视频通信数据的截获、还原和存储,并可进一步将存储的视频帧提取、转换为图像文件供特定需求使用.实践证明,该方法的处理效率和效果达到了预期目标,对识别因特网中的不良流媒体信息具有较大的实用价值.     

结合自注意力和残差的BiLSTM_CNN文本分类模型

双向长短期记忆网络（BiLSTM）和卷积神经网络（CNN）很难在文本的多分类任务中提取到足够的文本信息。提出了一种基于自注意力机制（self_attention）和残差网络（ResNet）的BiLSTM_CNN复合模型。通过自注意力赋予卷积运算后信息的权重,接着将池化后的特征信息层归一化并接入残差网络,让模型学习到残差信息,从而进一步提高模型的分类性能。在模型的运算过程中,使用了更加光滑的Mish非线性激活函数代替Relu。通过与深度学习模型对比,所提出的方法在准确率以及F1值评价指标上均优于现有模型,为文本分类问题提供了新的研究思路。