1.面向智慧法院场景的多层次感知视频编码算法优化方法，其特征在于包括如下步骤：S1，构建多层次感知编码框架，通过结合内容自适应比特分配、时域感知量化控制和空域感知量化控制，实现感知码率控制，通过心理视觉率失真优化，实现有效帧内和帧间预测的模式决策，通过系数级心理视觉率失真优化量化，实现系数级感知量化；

所述内容自适应比特分配，通过结合基于滑动窗口的lookahead预分析和帧级感知复杂度测量实现，帧级感知复杂度测量是通过测量感知比特分配的感知模糊复杂度，采用感知复杂度量化模型，获得帧级量化参数Qpfrm；

所述时域感知量化控制，通过时域量化参数Qp级联，分析内容自适应比特分配，基于lookahead预分析的视频内容分析，获得用于时域精细量化控制的自适应调整Qp的ΔQpTemp；

所述空域感知量化控制，利用空间掩蔽效应，通过内容自适应比特分配，量化调整参数ΔQpVAQ，自适应调整Qp进行空域细粒度量化控制；

得到最终量化参数ΔQpfinal：

ΔQpfinal＝Qpfrm+ΔQpTemp+ΔQpVAQ  (1)所述心理视觉率失真优化，通过改进的感知失真度量DRDO代替传统的MSE；心理视觉率失真优化，将J'1＝DRDO+λ1×R1取代传统的RDO编码J1＝D1+λ1×R1，λ1表示心理视觉率失真优化的拉格朗日因子，R1表示心理视觉率失真优化的编码比特数；

在Psyrdo算法中，SSD被感知失真DRDO所代替，计算如下：

DRDO＝SSD+λpsy_rdo×psyrdo×psycost   (7)其中，λpsy_rdo是与量化参数相关的控制参数，psyrdo是心理视觉率失真优化的控制强度参数，psycost是原始块与重建块之间的能量差，定义如下：其中，SATD、SAD用于度量块复杂度失真，下标rec和ori分别表示重构块和原始块；

所述心理视觉率失真优化量化，通过感知失真度量Dquant代替传统的MSE；心理视觉率失真优化量化，将J’2＝Dquant+λ2×R2取代传统的RDO编码J2＝D2+λ2×R2，λ2表示心理视觉率失真优化量化的拉格朗日因子，R2表示心理视觉率失真优化量化的编码比特数；

基于RDOQ的感知失真Dquant计算如下：

Dquant＝diff×diff‑psyrdoq×|trec|   (9)其中，diff×diff是标准的SSD，psyrdoq×|trec|是心理视觉率失真优化量化的控制强度和DCT反变换后得到重构系数的乘积；

S2，模块间相关性分析，度量模块间相关性的定量参数，评估两个算法模块之间的影响程度，通过选择关键控制参数，将复杂的多模块优化转化为连续的单模块优化，确定多个可定制模块的算法决策顺序；所述模块间相关性分析，基于内容自适应比特分配、时域感知量化控制、空域感知量化控制、心理视觉率失真优化和心理视觉率失真优化量化的算法模块，通过算法模块的关键参数，定量测试算法模块之间的相互影响；

对于取值连续的参数，通过设置离散步长，将取值范围离散化为多个参数取值，两个算法模块修改导致的RD性能改变量分别为νi和νj，νi或νj是模块i或j开启时相对于所有感知编码工具都关闭时的平均BD‑VMAF差值，ν是模块i和j共同开启时相对于所有感知编码工具都关闭时的平均BD‑VMAF差值，定义两个算法模块之间的模块间相关性为：φij＝ν‑(νi+νj)   (11)

在获得每个算法模块的不同φij之后，定义单个模块的模块间相关性级别为：根据θi的大小来确定各算法模块决策的优先级别，按照优先级别从大到小来依次优化每个模块的相关参数；

S3，构建在线自适应参数模型，利用模块间的内在关联性构建内容自适应的参数计算模型。

2.如权利要求1所述的面向智慧法院场景的多层次感知视频编码算法优化方法，其特征在于所述内容自适应比特分配，是帧级比特分配和量化控制，使用qcomp域压缩模型测量

1‑qcomp

感知内容复杂度，原始的复杂度Cplx使用Cplx 模型进行压缩，qcomp是压缩常数，通过调整码率缩放因子Rfactor，动态地估计帧级缩放的量化步长qscale：量化参数Qp通过公式(3)映射到qscale：

其中，c是常数，根据公式(2)和(3)，得到帧级量化参数Qpfrm：

3.如权利要求1所述的面向智慧法院场景的多层次感知视频编码算法优化方法，其特征在于所述时域感知量化控制，是时域量化参数级联，根据参考重要性权重，自适应地在编码单元之间分配目标码率，参考重要性权重用于调整编码块的QP，ΔQpTemp计算公式为：其中，θTemp是量化控制算法的控制强度参数，ζintra是基于SATD的帧内预测代价，γpropagate是帧间传递代价，测量当前块对以它为参考的块的传递代价。

4.如权利要求1所述的面向智慧法院场景的多层次感知视频编码算法优化方法，其特征在于所述空域感知量化控制，是方差自适应量化，总体的ΔQpVAQ的计算如下：ΔQpVAQ＝θVAQ×(var‑varadjust)   (6)其中，θVAQ是方差自适应量化的控制强度参数，var和varadjust分别是当前块的方差和方差调整值。

5.如权利要求1所述的面向智慧法院场景的多层次感知视频编码算法优化方法，其特征在于所述时域感知量化控制的参数cutreestrength和所述内容自适应比特分配的参数qcomp之间的关系为：cutreestrength＝5×(1‑qcomp) (10)

其中，cutreestrength是量化控制算法的控制强度参数，qcomp是压缩常数。

6.如权利要求1所述的面向智慧法院场景的多层次感知视频编码算法优化方法，其特征在于内容自适应比特分配，是帧级比特分配和量化控制，使用qcomp域压缩模型测量感知内

1‑qcomp

容复杂度，原始的复杂度Cplx使用Cplx 模型进行压缩，qcomp是压缩常数，通过调整码率缩放因子Rfactor，动态地估计帧级缩放的量化步长qscale：时域感知量化控制，是时域量化参数级联，根据参考重要性权重，自适应地在编码单元之间分配目标码率，参考重要性权重用于调整编码块的QP，ΔQpTemp计算公式为：其中，θTemp是量化控制算法的控制强度参数，ζintra是基于SATD的帧内预测代价，γpropagate是帧间传递代价，测量当前块对以它为参考的块的传递代价；

空域感知量化控制，是方差自适应量化，总体的ΔQpVAQ的计算如下：ΔQpVAQ＝θVAQ×(var‑varadjust)   (6)其中，θVAQ是方差自适应量化的控制强度参数，var和varadjust分别是当前块的方差和方差调整值；

心理视觉率失真优化，将J'1＝DRDO+λ1×R1取代传统的RDO编码J1＝D1+λ1×R1，λ1表示心理视觉率失真优化的拉格朗日因子，R1表示心理视觉率失真优化的编码比特数；

所述心理视觉率失真优化，在Psyrdo算法中，SSD被感知失真DRDO所代替，计算如下：DRDO＝SSD+λpsy_rdo×psyrdo×psycost   (7)其中，λpsy_rdo是与量化参数相关的控制参数，psyrdo是心理视觉率失真优化的控制强度参数，psycost是原始块与重建块之间的能量差；

所述心理视觉率失真优化量化，基于RDOQ的感知失真Dquant计算如下：Dquant＝diff×diff‑psyrdoq×|trec|   (9)其中，diff×diff是标准的SSD，psyrdoq×|trec|是心理视觉率失真优化量化的控制强度和DCT反变换后得到重构系数的乘积；

所述构建在线自适应参数模型，通过表征图像内容的特征参数ωj，将公式(6)中的var作为ω1，将公式(5)中的γpropagate作为ω2，将公式(7)中的psycost作为ω3，将公式(9)中的|trec|作为ω4，将公式(2)中的Cplx作为ω5，在离线优化所得到的参数组合的基础上，为五个非离散参数构建内容自适应参数偏移模型，同时考虑φij、ωj、 h(ωj)的影响：其中，a和b是常量，φij是两个模块之间模块间相关性，βi是用于控制每个参数动态范围的参数，是描述Δpi与其对应的码率改变量ΔRi之间关系的函数，h(ωj)是描述Δωj与其对应的码率改变量ΔRj之间关系的函数。