1、隨著信息化時代的到來，人類對信息的需求越來越豐富。作為諸多計算機研究中最為活躍領(lǐng)域之一的視頻編碼技術(shù)也隨著應(yīng)用要求的改變而不斷發(fā)展。傳統(tǒng)視頻壓縮編碼標(biāo)準(zhǔn)，如MPEG-X系列和H.26x系列，采用的都是不對稱的編碼結(jié)構(gòu)，即編碼端復(fù)雜、解碼端簡單。編碼端的復(fù)雜度往往是解碼端復(fù)雜度的5到10倍以上，主要包括變換、量化、熵編碼及運動估計和運動補償?shù)却罅康挠嬎?。這種不對稱的編碼方式在需編碼一次而解碼多次的系統(tǒng)，如廣播或流媒體點播等系統(tǒng)中是非常適合

2、的。而一些視頻應(yīng)用場合，如無線視頻監(jiān)控、無線相機、移動視頻電話等，需要低復(fù)雜度的編碼器，而解碼器可以相對具有高復(fù)雜度。因此，傳統(tǒng)的視頻編碼技術(shù)不再適用于這些應(yīng)用場合。
　　分布式視頻編碼(Distributed Video Coding,DVC)作為一種新的編碼方法，主要是在解碼端利用相鄰視頻幀間的相關(guān)性，具有低復(fù)雜度的編碼端和高復(fù)雜度的解碼端且編碼效率較高，因此，DVC較適合上述視頻場合，受到了越來越多的關(guān)注。而DVC的編碼效率

3、很大程度上取決于解碼端邊信息的生成質(zhì)量。因此，本文重點研究了如何在解碼端生成Wyner-Ziv幀的邊信息，以求減少編碼所需碼率，提高編碼性能。
　　傳統(tǒng)的邊信息生成方法都需在解碼端進行基于線性運動模型的運動估計，這種線性運動模型并不適合于運動劇烈的視頻序列，而自回歸(Auto-Regressive,AR)模型可以充分利用幀內(nèi)相鄰像素間的空間相關(guān)性，從而可以有效克服線性運動模型的缺點。因此，本文提出了基于AR模型的邊信息生成方法。邊

4、信息生成部分主要有外插模塊、前向推導(dǎo)模塊、后向推導(dǎo)模塊和融合模塊。實驗結(jié)果表明，本文方法可以生成高性能的邊信息，并能提高整體編碼效率。
　　本文還提出了基于棋盤模型的邊信息生成方法，對基于AR模型的邊信息生成方法作了改進，即將外插模塊改為內(nèi)插模塊、加入棋盤模型、將后向推導(dǎo)模塊改為相鄰?fù)茖?dǎo)模塊。實驗結(jié)果表明，這種基于棋盤模型的邊信息生成方法的性能，無論是邊信息的性能還是整個視頻序列的編碼性能，均高于運動補償內(nèi)插方法及重疊塊運動補償方