1.一种SHVC空间可伸缩帧的视频编码方法，编码单元采用ILR编码模式或Intra编码模式，对0、1、2、3四个深度进行编码后选择最优深度，其特征在于，编码单元在编码时自主选择编码模式，在深度1或深度2时，预测当前编码单元的编码模式并判断当前编码单元是否提前终止编码，包括以下步骤：

S1.根据相邻编码单元和前一帧编码单元采用的编码模式判断当前编码单元是否采用ILR编码模式，若是，则执行步骤S3，否则执行步骤S2；

S2.当前编码单元在Intra编码模式的35种方向模式中选择最优模式作为当前编码单元的编码模式，并进入步骤S3；

S3.判断当前编码单元是否能够提前终止编码，若是，则结束编码，否则返回步骤S1进行下一深度编码。

2.根据权利要求1所述的一种SHVC空间可伸缩帧的视频编码方法，其特征在于，步骤S1判断当前编码单元是否采用ILR编码模式，包括：在当前深度下，根据相邻编码单元和前一帧编码单元采用ILR编码模式的概率值预测当前编码单元采用ILR编码模式的概率值Pi；

令在当前深度下ILR编码模式的概率阈值为Xi，若Pi≥Xi，则判定当前编码单元采用ILR编码模式；若Pi＝0，则判定当前编码单元采用Intra编码模式；

若0＜Pi＜Xi,采用相邻编码单元的率失真值计算当前编码单元采用ILR编码模式的概率Pilr，若Pilr≥Xj，则当前编码单元采用ILR编码模式，否则采用Intra编码模式，其中Xj是第二ILR编码模式概率阈值。

3.根据权利要求2所述的一种SHVC空间可伸缩帧的视频编码方法，其特征在于，在当前深度下，根据相邻编码单元和前一帧编码单元的编码模式计算当前编码单元采用ILR编码模式的概率值的公式为：

其中，M表示前一帧的编码单元个数与当前编码单元的相邻编码单元个数的总和，Ujilr表示第j个相邻编码单元采用的编码模式，若第j个编码单元采用ILR编码模式，则Ujilr＝1，第j个编码单元采用Intra编码模式，则Ujilr＝0，i表示编码深度，i＝0,1,2,3。

4.根据权利要求2所述的一种SHVC空间可伸缩帧的视频编码方法，其特征在于，采用相邻编码单元的率失真值计算当前编码单元采用ILR编码模式概率的概率公式为：其中，mILR表示当前编码单元采用ILR编码模式的条件下所有相邻编码单元采用ILR编码模式的概率的乘积，h1表示相邻编码单元都是ILR模式的时候，将当前编码单元判为ILR编码模式的概率，mIntra表示当前编码单元采用Intra编码模式的条件下所有相邻编码单元采用Intra编码模式的概率的乘积，h0表示相邻编码单元都是Intra模式的时候，将当前编码单元判为Intra的概率。

5.根据权利要求4所述的一种SHVC空间可伸缩帧的视频编码方法，其特征在于，mILR的计算公式为：

mIntra的计算公式为：

其中，nj＝ILR表示采用ILR编码模式的相邻编码单元，nj＝Intra表示采用Intra编码模式的相邻编码单元，x＝ILR表示当前编码单元采用ILR编码模式，x＝Intra表示当前编码单元采用ILR编码模式，P(nj＝ILR|x＝ILR)表示当前编码单元采用ILR编码模式下其相邻编码单元采用ILR编码模式的条件概率，P(nj＝Intra|x＝Intra)表示当前编码单元采用Intra编码模式下其相邻编码单元采用Intra编码模式的条件概率，J为相邻编码单元总数。

6.根据权利要求1所述的一种SHVC空间可伸缩帧的视频编码方法，其特征在于，判断是否提前终止编码包括：训练liblinear得到用于深度1的二分类模型和用于深度2的二分类模型，将两个二分类模型导入编码器，将当前编码单元构建的特征值输入编码器的二分类模型中，编码器通过二分类模型的返回值判断当前编码单元是否提前终止编码，若二分类模型返回值为1，则终止编码，若返回值是0，则继续下一深度的编码。

7.根据权利要求6所述的一种SHVC空间可伸缩帧的视频编码方法，其特征在于，当前编码单元构建特征值的流程包括：

获取当前编码单元编码完成后生成的残差图；

根据残差图分别计算该图左半部分和右半部分的期望及方差；

根据残差图分别计算该图上半部分和下半部分的期望及方差；

根据残差图计算该图的整体方差；

根据以上获取的数据建立特征值，并将特征值放入编码器判断当前编码单元是否提前终止编码。

8.根据权利要求7所述的一种SHVC空间可伸缩帧的视频编码方法，其特征在于，构建特征值所采用的的公式表示为：

左半部分期望：

左半部分方差：

右半部分期望：

右半部分方差：

上半部分期望：

上半部分方差：

下半部分期望：

下半部分方差：

整体方差；

其中，N为当前编码单元的大小，x[i][j]表示该残差图像素分布中第i行，第j列，即位置(i,j)处的残差。

9.根据权利要求6所述的一种SHVC空间可伸缩帧的视频编码方法，其特征在于，对liblinear进行训练，得到二分类模型的具体过程包括：构建并训练正则化回归模型，并在正则化回归模型中构建以ζ(w；xi,y)为损耗函数的目标函数

根据设置的目标函数，使用交叉验证方法获取模型的最优参数组；

利用训练数据集训练获取的最优参数组；

根据训练好的最优参数组生成二分类模型。