1.一种基于HEVC-VPCC的帧内快速编码方法，其特征在于，包括以下步骤：获取视频帧序列；

以CU为编码单位，将所述视频帧序列中的块分为占用块Occu和未占用块Unoccu；

对所述占用块Occu进行划分，完成帧内快速编码；

对所述占用块Occu进行划分的方法包括：对所述占用块Occu中偶数层的划分和对所述占用块Occu中奇数层的划分；

对所述占用块Occu中偶数层的划分方法包括：

S1：获取当前偶数层CU纹理信息，根据所述当前偶数层CU纹理信息的特征分布规律，预测当前偶数层CU继续划分的概率；

S2：对当前偶数层CU进行帧内预测，得到当前偶数层CU各个类别预测模式概率值大小，根据所设阈值大小分层累加模式数；

S3：基于所述当前偶数层CU继续划分的概率，得到偶数层继续划分CU的子CU，将所述子CU依次执行所述S1和所述S2；

S4：利用优化深度3率失真列表候选模式数，完成对所述占用块Occu中偶数层的划分；

对当前偶数层CU进行帧内预测的过程包括：利用梯度对模式的影响，提取纹理相关的梯度特征信息以及邻块模式信息，建立决策树模型；得到各个类别预测模式的概率，通过概率值大小分层叠加模式数；

通过预测模式概率叠加模式数的过程包括：将编码过程中采用概率之和大于70％的[0,1,10,26]模式作为基础模式，当预测概率大于阈值P1时，选用基础模式以及基础模式邻近的6个模式作为候选模式；当预测概率值大于P2小于P1时，选用基础模式以及基础模式邻近的12个模式作为候选模式；当预测概率值大于P3小于P2时，选用基础模式以及基础模式邻近的18个模式作为候选模式；当预测概率值小于P3，则按原编码方式进行预测；

根据当前偶数层CU纹理信息预测当前偶数层CU是否继续划分的方法包括：统计当前偶数层CU不同量化参数QP的划分分布规律；

分析QP和率失真代价对划分的影响；

根据分析结果建立数据集，基于纹理输入设计第一卷积神经网络模型结构；

基于所述数据集，对所述第一卷积神经网络模型进行训练、调参，并优化损失函数；

基于训练好的所述第一卷积神经网络模型的输出，获取当前偶数层CU划分和不划分的概率；

对当前偶数层CU进行帧内预测的方法包括：

利用梯度对模式的影响，提取纹理相关的梯度特征信息以及邻块模式信息，建立决策树模型；

基于所述决策树模型，得到各个类别预测模式的概率；

通过概率值大小分层叠加模式数；

优化深度3率失真列表候选模式数的方法包括：

判断当前PU候选模式列表中率失真代价RDcost的值是否存在大于等于4个相同的情况，若有则直接删减当前PU粗选后的4个预测模式，形成新的粗选列表；

对所述占用块Occu中奇数层的划分方法包括：

S5：获取当前奇数层CU奇数层与偶数层纹理信息的绝对差值，按照绝对差值分布情况判断当前奇数层CU是否继续划分；

S6：对当前奇数层CU进行帧间预测，得到当前奇数层CU的最优预测模式；

S7：基于所述绝对差值分布情况，得到奇数层继续划分CU的子CU，将所述子CU依次执行所述S5和所述S6，完成对所述占用块Occu中奇数层的划分；

根据当前CU奇数层与偶数层纹理信息的绝对差值预测当前奇数层CU是否继续划分的方法包括：根据当前CU奇数层与偶数层的投影特性以及当前CU奇数层与偶数层的编码方式差异，以当前CU奇数层与偶数层像素绝对差值作为输入设计第二卷积神经网络模型；

对所述第二卷积神经网络模型进行训练、调参，并优化损失函数；

基于训练好的所述第二卷积神经网络模型的输出，获取当前奇数层CU划分和不划分的概率；

对当前奇数层CU进行帧间预测的方法包括：

利用父块对子块模式选择的影响，对奇数层模式建立标签为是否采用skip模式的决策树模型，当预测不采用skip模式时继续判断，再将剩余的几种模式分为三类建立一棵决策树进行预测，以2N×2N为基础模式，根据概率值的大小依次增加模式类别。

2.一种基于HEVC-VPCC的帧内快速编码系统，其特征在于，包括：获取模块、划分模块和编码模块；

所述获取模块用于获取视频帧序列；

所述划分模块用于以CU为编码单位，将所述视频帧序列中的块分为占用块Occu和未占用块Unoccu；

所述编码模块用于对所述占用块Occu进行划分，完成帧内快速编码；

对所述占用块Occu进行划分的过程包括：对所述占用块Occu中偶数层的划分和对所述占用块Occu中奇数层的划分；

对所述占用块Occu中偶数层的划分过程包括：

S1：获取当前偶数层CU纹理信息，根据所述当前偶数层CU纹理信息的特征分布规律，预测当前偶数层CU继续划分的概率；

S2：对当前偶数层CU进行帧内预测，得到当前偶数层CU各个类别预测模式概率值大小，根据所设阈值大小分层累加模式数；

S3：基于所述当前偶数层CU继续划分的概率，得到偶数层继续划分CU的子CU，将所述子CU依次执行所述S1和所述S2；

S4：利用优化深度3率失真列表候选模式数，完成对所述占用块Occu中偶数层的划分；

对当前偶数层CU进行帧内预测的过程包括：利用梯度对模式的影响，提取纹理相关的梯度特征信息以及邻块模式信息，建立决策树模型；得到各个类别预测模式的概率，通过概率值大小分层叠加模式数；

通过预测模式概率叠加模式数的过程包括：将编码过程中采用概率之和大于70％的[0,1,10,26]模式作为基础模式，当预测概率大于阈值P1时，选用基础模式以及基础模式邻近的6个模式作为候选模式；当预测概率值大于P2小于P1时，选用基础模式以及基础模式邻近的12个模式作为候选模式；当预测概率值大于P3小于P2时，选用基础模式以及基础模式邻近的18个模式作为候选模式；当预测概率值小于P3，则按原编码方式进行预测；

根据当前偶数层CU纹理信息预测当前偶数层CU是否继续划分的过程包括：统计当前偶数层CU不同量化参数QP的划分分布规律；

分析QP和率失真代价对划分的影响；

根据分析结果建立数据集，基于纹理输入设计第一卷积神经网络模型结构；

基于所述数据集，对所述第一卷积神经网络模型进行训练、调参，并优化损失函数；

基于训练好的所述第一卷积神经网络模型的输出，获取当前偶数层CU划分和不划分的概率；

对当前偶数层CU进行帧内预测的过程包括：

利用梯度对模式的影响，提取纹理相关的梯度特征信息以及邻块模式信息，建立决策树模型；

基于所述决策树模型，得到各个类别预测模式的概率；

通过概率值大小分层叠加模式数；

优化深度3率失真列表候选模式数的过程包括：

判断当前PU候选模式列表中率失真代价RDcost的值是否存在大于等于4个相同的情况，若有则直接删减当前PU粗选后的4个预测模式，形成新的粗选列表；

对所述占用块Occu中奇数层的划分过程包括：

S5：获取当前奇数层CU奇数层与偶数层纹理信息的绝对差值，按照绝对差值分布情况判断当前奇数层CU是否继续划分；

S6：对当前奇数层CU进行帧间预测，得到当前奇数层CU的最优预测模式；

S7：基于所述绝对差值分布情况，得到奇数层继续划分CU的子CU，将所述子CU依次执行所述S5和所述S6，完成对所述占用块Occu中奇数层的划分；

根据当前CU奇数层与偶数层纹理信息的绝对差值预测当前奇数层CU是否继续划分的过程包括：根据当前CU奇数层与偶数层的投影特性以及当前CU奇数层与偶数层的编码方式差异，以当前CU奇数层与偶数层像素绝对差值作为输入设计第二卷积神经网络模型；

对所述第二卷积神经网络模型进行训练、调参，并优化损失函数；

基于训练好的所述第二卷积神经网络模型的输出，获取当前奇数层CU划分和不划分的概率；

对当前奇数层CU进行帧间预测的过程包括：

利用父块对子块模式选择的影响，对奇数层模式建立标签为是否采用skip模式的决策树模型，当预测不采用skip模式时继续判断，再将剩余的几种模式分为三类建立一棵决策树进行预测，以2N×2N为基础模式，根据概率值的大小依次增加模式类别。