1.一种基于随机森林的VVC帧内编码快速CU划分决策方法，其特征在于：包括以下步骤：S1：根据纹理信息与上下文信息将CU分为三类，并为各类CU选取一系列具有代表性的特征；

S2：选取一系列具有不同分辨率与内容的视频序列进行编码，提取编码过程中各类CU的五类特征构建数据集；

S3：为不同种类的CU分别构建随机森林分类器，通过数据集对随机森林分类器进行训练；

S4：将训练好的随机森林分类器嵌入VVC原始编码流程中，预测各类CU的划分模式，替换原始递归的CU划分过程。

2.根据权利要求1所述的基于随机森林的VVC帧内编码快速CU划分决策方法，其特征在于：步骤S1具体包括：S11：对于CU分类，使用方差定义CU的全局纹理复杂度，计算当前CU与周围CU的全局纹理复杂度；如果当前CU的纹理复杂度小于其相邻CU的最小纹理复杂度，则将其分类为简单CU；如果当前CU的纹理复杂度大于其相邻CU的最大纹理复杂度，则将其分类为复杂CU；如果当前CU的纹理复杂度介于其相邻CU的最小、最大纹理复杂度之间，则将其分类为模糊CU；

S12：对于特征选取，对JVET26条标准视频序列在不同QP下进行编码，统计CU深度分布，分析划分模式与视频内容关系，据此选取五类特征，包括纹理复杂度、梯度信息、上下文信息、局部复杂度差异、块信息。

3.根据权利要求1所述的基于随机森林的VVC帧内编码快速CU划分决策方法，其特征在于：步骤S2具体包括：S21：提取纹理复杂度，包括全局纹理复杂度Var与局部纹理复杂度NMSE；

其中，W与H分别为当前CU的宽和高，P(i,j)为当前CU位置(i,j)处的像素值，Mean为当前CU像素的均值；

其中，MADP(i,j)为当前CU位置(i,j)处的像素值与其相邻像素值的平均差，从局部像素角度反映纹理变化趋势，MeanMADP为MADP矩阵的均值；

S22：提取梯度信息，包括水平、垂直、45°、135°四个方向上对应的梯度值GH、GV、G45、G135，CU的平均梯度值GAVG以及CU的最大梯度值GMAX；

GMAX＝max(Gmatrix)

其中，P表示当前CU的像素矩阵，Gmatrix表示由CU每个像素的梯度值构成的矩阵；

S23：提取上下文信息，包括相邻CU的纹理复杂度信息及深度信息，所述相邻CU为左下、左、左上、上、右上方的CU；相邻CU的纹理复杂度信息包括相邻CU全局纹理复杂度的最大值ACCmax、最小值ACCmin、平均值ACCavg；相邻CU的深度信息包括相邻CU四叉树深度的最大值ACDQT_max、最小值ACDQT_min、平均值ACDQT_avg；相邻CU多类型树深度的最大值ACDMT_max、最小值ACDMT_min、平均值ACDMT_avg；

S24：提取局部复杂度差异，包括五种划分类型对应子CU之间的全局纹理复杂度差异：SCCDQT、SCCDBH、SCCDBV、SCCDTH、SCCDTV，其定义为：其中vari为第i个子CU的方差， 为各子CU方差的

平均值；

S25：提取块信息，包括当前CU的宽W，高H，四叉树深度DQT，多类型树深度DMT。

4.根据权利要求1所述的基于随机森林的VVC帧内编码快速CU划分决策方法，其特征在于：步骤S3具体包括：复杂类型CU与简单类型CU对应的随机森林RFPM直接预测最优的划分模式，即分类数为

6，包括四叉树划分、水平二叉树划分、垂直二叉树划分、水平三叉树划分、垂直三叉树划分、不划分；模糊类型CU对应的随机森林RFET预测当前CU是否划分，即分类数为2，包括划分、不划分；两种随机森林均由10棵CART分类树构成，最大深度为15；CART分类树使用基尼系数为每个节点选择最优的特征与对应的值进行分割，基尼系数定义为：其中pk是当前样本属于类别k的概率，对于所提取的数据集D，其基尼系数定义为：其中，Ck表示数据集D中属于第k类的样本子集；数据集D根据特征A在某一取值i上进行分割，分割后样本集合的基尼系数定义为：其中，D1、D2表示数据集D经过分割后的两个子集；对于特征A，分别计算任意特征值将数据集划分为两部分之后的基尼系数，选取其中的最小值，作为特征A得到的最优划分方案；

然后对于数据集D，计算所有特征的最优划分方案，选取其中的最小值，作为数据集D的最优划分方案，定义为：其中F表示所有的特征，i表示特征A所取的值。

5.根据权利要求1所述的基于随机森林的VVC帧内编码快速CU划分决策方法，其特征在于：步骤S4具体包括：将训练好的随机森林分类器嵌入VVC参考软件中；输入CU时，计算当前CU的五类特征，并根据纹理信息与上下文信息对当前CU进行分类；对于复杂和简单类型CU，将其特征输入随机森林RFPM直接获取最优的划分模式；对于模糊类型CU，将其特征输入随机森林RFET，判断其是否需要继续划分。