1.通用视频编码中加速32×32编码单元划分选择方法，其特征在于，包括如下步骤：S1，以4×4编码单元作为特征提取的基元构成纹理特征的提取矩阵，以所述提取矩阵的极差Range、方差Var、绝对平均偏差MAD以及最大局部纹理强度作为判断编码单元继续划分的特征；最大局部纹理强度包括局部纹理最大方差MVar和局部纹理最大绝对平均偏差MMAD；

S2，用步骤S1得到的特征作为输入，构建用于判断编码单元是否需要继续划分的随机森林分类器模型以及划分类型的启发式选择模型；

S3，利用步骤S2得到随机森林分类器模型判断编码单元是否需要继续划分，若是，则采用步骤S2的启发式选择模型得到编码单元的划分类型；

步骤S3具体如下：

S31，采用以4×4编码单元作为特征提取的基元构成纹理特征的提取矩阵，计算当前32×32编码单元的5个特征；

S32，将步骤S31的5个特征输入给随机森林分类模型，根据随机森林分类模型的输出结果判断是否需要继续划分；

S33，对需要继续划分的32×32编码单元，先对编码单元进行预假设划分，计算在不同预划分类型下各个子编码块的MAD；

本步骤中，在进行预假设划分时，一共需要进行三类预假设划分，即水平划分、垂直划分和四叉树QT划分，当第一种划分无法跳出选择模型时，按顺序进行后续的预假设划分判断；经过所有的预假设划分计算得到所有子编码块的MAD：；

S34，将子编码块的MAD值与选择模型的阈值进行比较，判断该编码单元是否符合提前跳出判断过程；

S35，对于不符合选择模型的样本，将预假设划分得出的子编码块MAD相加，取最小值对应的划分类型作为最终的划分选择，表达式如下：其中，、、、 和 分别表示不同预假设划分后子编码块MAD相加的和，表示预假设水平二划分后两个子编码块的MAD，表示预假设垂直二划分后两个子编码块的MAD，表示预假设水平三划分后三个子编码块的MAD，表示预假设垂直三划分后三个子编码块的MAD，表示预假设四叉树QT划分后四个子编码块的MAD。

2.如权利要求1所述通用视频编码中加速32×32编码单元划分选择方法，其特征在于，步骤S1具体包括以下步骤：S11，将32×32的编码单元降维为8×8特征提取矩阵，即原编码单元中每个4×4的最小编码单元映射为一个基元，计算每个最小编码单元中16个像素点的亮度值均值作为基元的值，由此将32×32的输入矩阵降维为8×8的特征提取矩阵Ave；

具体表达式为：

其中，表示单个计算单元的值，表示计算单元在特征提取矩阵中的位置，代表原编码单元中处的亮度值；

S12，计算8×8特征提取矩阵Ave的统计学特征，包括极差Range、方差Var、绝对平均偏差MAD；

具体表达式如下：

其中，分别表示特征提取矩阵的宽度和高度，表示整个特征提取矩阵的平均值，表示计算差的绝对值；

S13，基于搜索框方法计算8×8特征提取矩阵Ave的最大局部纹理强度，即局部纹理最大方差MVar和局部纹理最大绝对平均偏差MMAD。

3.如权利要求2所述通用视频编码中加速32×32编码单元划分选择方法，其特征在于，步骤S13中，搜索框以特征提取矩阵的左上为起点，每次的移动步长为一个基元行或列，得到相互覆盖的25个搜索框，每个搜索框包含16个基元；搜索框的计算过程：先计算其内部的基元均值，然后计算Var和MAD，再分别取25个搜索框的Var值和MAD值中的最大值记为MVar和MMAD，最后，使用这两个特征值来表达最大的局部纹理；

具体表达式如下：

其中，、和分别是搜索框的均值、方差和绝对平均偏差，表示搜索框的位置。

4.如权利要求2或3所述通用视频编码中加速32×32编码单元划分选择方法，其特征在于，步骤S2中，所述的随机森林分类器模型构建方法具体如下：S21，选取VVC标准视频序列的部分帧采用标准编码方案进行划分编码，统计32×32编码单元的划分结果，并以4×4编码单元作为特征提取的基元构成纹理特征的提取矩阵，最后按<特征，划分结果>构建数据集；

S22，以下面的参数构建随机森林分类器模型；

森林数量：100

方法：分类

最大分裂次数：5

最小叶子节点数：1

分类原则：基尼系数

S23，将步骤S21的数据集分成训练集和测试集，利用训练集驱动构建的随机森林分类器模型进行训练，并利用测试集进行性能测试，直到结果收敛或达到最大的训练轮数。

5.如权利要求4所述通用视频编码中加速32×32编码单元划分选择方法，其特征在于，步骤S2中，所述的启发式选择模型构建方法具体如下：统计32×32编码单元划分后所产生的未划分的子编码块的MAD，确定选择模型中的阈值；统计的子编码块共有5个尺寸，即16×16、8×32、32×8、16×32和32×16；这5个尺寸按点数分为256和512两类，统计过程需要先转化为特征提取矩阵，再计算特征提取矩阵的MAD与记录划分结果。

6.如权利要求1所述通用视频编码中加速32×32编码单元划分选择方法，其特征在于，在启发式选择模型构建过程中，统计32×32编码单元划分后所产生的未划分的两种不同点数的子编码块的MAD和划分结果来确定选择模型中的阈值，具体如下：S241，按编码时的参数QP值进行分组，每组中将MAD值由小到大排序，计算排名在50%-75%部分的均值，作为该参数QP下所对应类型的子编码块是否需要进一步划分的阈值；

S242，不同的参数QP会产生对应的阈值，将阈值与参数联立为一元一次参数方程，从而推导出阈值与参数QP的关系，方程表达式如下：其中，对应的子编码块点数为512，对应的子编码块点数为256；

S243，推导出的参数=12.10，=6.38；=1.48，=16.95。

7.如权利要求6所述通用视频编码中加速32×32编码单元划分选择方法，其特征在于，步骤S33中，预假设划分需要对编码单元的子编码块的MAD进行计算，优先计算水平预假设划分和垂直预假设划分；在该步中计算得到的、、、对应预假设QT划分的四个子编码块的MAD；水平预假设划分产生的子编码块MAD具体计算表达式如下：其中，和分别表示特征提取矩阵的宽度和高度，分别表示预假设划分后不同子编码块的高度，、、、和分别表示预假设划分后不同子编码块内部计算单元的平均值。

8.如权利要求7所述通用视频编码中加速32×32编码单元划分选择方法，其特征在于，步骤S34具体过程如下：S341，通过与阈值、比较判断它们发生划分的概率；

S342，水平预假设划分提前跳出选择模型的条件为：

1)如果 且 成立，则执行水平二划分；

2)如果或，但是 , 则执行水平二划分；

3 )如果或 ，但是 , 则执行水平三划分；

4)如果且，且或或,则执行水平三划分；

S343，垂直预假设划分提前跳出选择模型的条件为：

1)如果 且 成立，则执行垂直二划分；

2)如果或，但是 , 则执行垂直二划分；

3)如果或 ，但是 , 则执行垂直三划分；

4)如果且且或或 ,则执行垂直三划分；

S344，QT预假设划分提前跳出选择模型的条件为：

如果、、、中的任何一个小于，则执行QT划分。

9.通用视频编码中加速32×32编码单元划分选择系统，用于执行如权利要求1-8任一项所述的方法，其特征在于，包括如下模块：特征提取模块：以4×4编码单元作为特征提取的基元构成纹理特征的提取矩阵，以所述提取矩阵的极差Range、方差Var、绝对平均偏差MAD以及最大局部纹理强度作为判断编码单元继续划分的特征；最大局部纹理强度包括局部纹理最大方差MVar和局部纹理最大绝对平均偏差MMAD；

模型构建模块：用得到的特征作为输入，构建用于判断编码单元是否需要继续划分的随机森林分类器模型以及划分类型的启发式选择模型；

编码单元划分模块：利用得到随机森林分类器模型判断编码单元是否需要继续划分，若是，则采用启发式选择模型得到编码单元的划分类型。