1.一种基于深度神经网络的快速视频编码方法,其特征在于具体实现包括基于深度神经网络的CU划分模块、基于邻域相关性的PU模式选择模块；CU块在帧内编码时会先经过PU模式选择计算率失真代价，此时先利用基于邻域相关性的PU模式选择模块进行优化，通过轻量级HCT模型的预测结果来减少RDO计算的候选模式数量；PU模式选择结束后，编码器会进行CU块深度判决，判断该CU块是否进行划分，此时由基于深度神经网络的CU划分模块进行优化，从HCT模型获得预测结果来判断是否提前终止划分，否则继续向下划分子CU块的PU模式选择和CU块划分判决。

2.根据权利要求1所述的一种基于深度神经网络的快速视频编码方法,其特征在于所述的基于深度神经网络的CU划分模块，具体实现如下：步骤(Ⅰ)、构建HEVC帧内模式下用于网络模型训练的数据集：数据集来源于各种分辨率的YUV视频序列包括：CIF(352×288),480p(832×480),720p(1280×720),1080p(1920×

1080),WQXGA(2560×1600)；采用HEVC编码器HM16.9对所述数据集中的图像进行编码，获取CU块及其正负样本标签；数据集包括训练集、验证集和测试集，根据四个QP(22,27,32,37)又将每种数据集分为四个子集；

步骤(Ⅱ)、分别为64×64、32×32、16×16这三种CU块构建深度神经网络形成分层卷积网络HCT结构，分层卷积网络HCT由ViT和CNN构成，通过对应的训练集来训练HCT，并由验证集确定HCT模型并保存下来，由测试集判断HCT模型的泛化能力；HCT模型训练的目标函数为交叉熵损失函数：

其中output是HCT模型的输出向量，target为标签值,N为output向量的长度；

步骤(Ⅲ)、分层卷积网络HCT由卷积模块、Encoder模块、序列池化层以及全连接层组成；首先将CU块的亮度分量送入分层卷积网络HCT，通过卷积模块输出具有局部特征信息的特征图，卷积模块包含一个卷积层和一个最大池化层，每层均由线性整流函数激活以提高模型的非线性；随后将特征图展平成一维并与特征图数量进行交换，即展平翻转操作；假设C×H×W

输入图像x∈R ,其中C表示输入图像的数量，H为图像的高，W为图像的宽，经过卷积模块后的输出特征数据x0如下：

x0＝Transpose(Flatten(MaxPool(Conv2d(x))))   (2)接着特征数据x0和位置向量相加送入Encoder模块进行全局信息的提取，Encoder模块一共有7层，每层均由一个多头自注意力层和前馈卷积层组成,这两个子层前均有层归一化操作；特征数据x0先经过多头自注意力层，输出的数据与x0相加获得新的特征数据x1，x1又经过前馈卷积层，其输出值与x1相加获得特征数据x2，公式如下所示：x1＝x0+MSL(LayerNorm(x0))          (3)x2＝x1+FFL(LayerNorm(x1))          (4)b×n×d b×d

最后通过序列池化层获得分类向量，序列池化采用映射变换T:R →R ，b表示批量大小，n表示特征数据的数量，d表示每个特征数据的大小；该操作将整个Encoder输出特征数据x2直接变换成分类向量，其包含输入图像各个部分的相关信息，用来替代ViT中额外加入的分类向量；最后分类向量经全连接层和softmax输出二分类结果，最终的预测值为最大输出值所在的下标；

步骤(Ⅳ)、HCT模型采用随机梯度下降法进行训练，保存3种CU块在4种QP下共12种准确率最高的HCT模型，训练好的HCT模型采用提前终止机制，自上而下预测64×64,32×32,16×16块的划分结果，模型的预测结果为两类：0代表不划分，1代表划分；当某类块的预测结果为0，则编码时不继续往下进行四叉树划分；

用二分类向量间的对比值来作为阈值Thr，当Thr小于定值λ时，我们就可以采用原始编码的方式检查该CU块，这样就减少CU划分结果错判的情况从而提高编码性能，实现编码性能与复杂度之间的权衡，公式如下所示:

其中，outputi为i*i大小块的二分类输出向量,将定值λ按照块大小分成三类，且大小比例为4:2:1。

3.根据权利要求2所述的一种基于深度神经网络的快速视频编码方法,其特征在于基于邻域相关性的PU模式选择模块，具体实现如下：步骤(1)、通过HM编码获取每个PU块在帧内模式选择时的样本标签值label∈[0,1,2]，获取规则如下：对于64×64，32×32，16×16大小的PU块，其RMD粗选后的候选列表原始长度为3，如果PU块在模式选择时的最佳模式是RMD粗选后的候选列表中的第一位，则label＝0，对应RMD粗选后的候选列表长度变为1；如果PU块在模式选择时的最佳模式位于RMD粗选后的候选列表中的第二位，则label＝1，对应RMD粗选后的候选列表长度变为2；其他情况下label＝2，对应RMD粗选后的候选列表长度为3；而对于8×8，4×4的PU块来说，由于其候选列表原始长度为8，所以我们把它也分成了三个区间来对应label＝0，1，2，分别是：PU块在模式选择后的最佳模式位于RMD粗选后的候选列表中的第一或第二位，则label＝0，对应RMD粗选后的候选列表长度变为2；PU块在模式选择时的最佳模式位于RMD粗选后的候选列表中的第三或第四位，则label＝1，对应RMD粗选后的候选列表长度变为4；其他情况下label＝2，对应RMD粗选后的候选列表长度为8；

步骤(2)、PU模式选择模块的数据集同样来源于块划分模块中提到的视频序列，并在块划分数据集的基础上增加了8×8，4×4大小的PU块数据；64×64，32×32，16×16大小PU块的模型与块划分模块的模型类似，但是Encoder模块的层数变为1；8×8，4×4的PU块对应的模型在卷积模块也进行了更改，即不进行降维操作并去掉最大池化层以减小模型复杂度；

利用pytorch深度学习库构建轻量级HCT模型，即Light‑HCT模型，Light‑HCT将Encoder模块的层数从原来的7层降低为1层；模型的训练采用均方误差损失函数进行回归训练：其中output为模型输出向量，长度为3，value为output与label进行比较后得出的真实值向量，N为每一次训练时输入图像的数量；真实值向量获取规则如下：假设output＝[x,y,z]，label＝0的情况下，如果output中的最大值出现在下标为0的地方，则value＝output；

如果最大值出现在下标为1的地方，则value＝[y,x,z]；如果最大值出现在下标为2的地方，则value＝[z,y,x]；同理，label＝1的情况下，如果output中的最大值出现在下标为0的地方，则value＝[y,x,z]；如果最大值出现在下标为1的地方，则value＝output；如果最大值出现在下标为2的地方，则value＝[x,z,y]；label＝2的情况下，如果output中的最大值出现在下标为0的地方，则value＝[z,y,x]；如果最大值出现在下标为1的地方，则value＝[x,z,y]；如果最大值出现在下标为2的地方，则value＝output。