本公开公开了一种视频质量评估模型训练方法、视频质量评价方法和装置，涉及视频通信领域。该方法包括：获取样本视频数据和样本视频数据的质量评分；提取样本视频数据中的与人眼视觉体验相关的视频特征参数；以及将样本视频数据的质量评分作为标注数据，基于视频特征参数训练神经网络模型，得到视频质量评估模型，以便根据视频质量评估模型对待评价视频数据进行质量评估。本公开能够提高视频质量评估的准确性。的准确性。的准确性。
【技术实现步骤摘要】
视频质量评估模型训练方法、视频质量评价方法和装置
[0001]本公开涉及视频通信领域，尤其涉及一种视频质量评估模型训练方法、视频质量评价方法和装置。
技术介绍
[0002]在5G技术发展及商用的背景下，高清视频类业务成为典型的5G应用，包括视频点播、直播、高清视频会议、VR直播及VR、AR游戏等。视频内容本身以及在网络环境下的传输失真都会对视频质量有着显著影响，视频质量的不断完善对于相关业务的发展变得尤为重要。
[0003]VQA(Video Quality Assessment，视频质量的评价)包括人工评价和客观量化评价两种。人工评价效率低、成本高且随机性强。客观评价包括FR(Full Reference，全参考)、RR(Reduced Reference，半参考)以及NR(None Reference，无参考)几种方式。全参考和半参考需要有参考标准，因此有条件限制，而无参考则无需标准辅助，在实际应用中，无参考评价方式应用灵活、范围广而受到重视。
[0004]传统的视频客观评估体系，如ITU在2012年发布G.1070视频质量无参考评估模型，主要通过均方误差MSE和峰值信噪比PSNR等客观参数进行评价，但评价效果不佳。
技术实现思路
[0005]本公开要解决的一个技术问题是，提供一种视频质量评估模型训练方法、视频质量评价方法和装置，能够视频质量评估的准确性。
[0006]根据本公开一方面，提出一种视频质量评估模型训练方法，包括：获取样本视频数据和样本视频数据的质量评分；提取样本视频数据中的与人眼视觉体验相关的视频特征参数；以及将样本视频数据的质量评分作为标注数据，基于视频特征参数训练神经网络模型，得到视频质量评估模型，以便根据视频质量评估模型对待评价视频数据进行质量评估。
[0007]在一些实施例中，视频特征参数包括：空域特征参数、时域特征参数和传输特征参数中的至少一种。
[0008]在一些实施例中，空域特征参数包括：图像亮度色度感知参数、图像对比度参数、图像模糊度参数和图像边缘能量参数中的至少一种。
[0009]在一些实施例中，时域特征参数包括：场景切换感知参数和帧间差参数中的至少一种。
[0010]在一些实施例中，传输特征参数包括：中断次数参数、乱序率参数、时延参数、丢包率参数和码率参数中的至少一种。
[0011]在一些实施例中，得到视频质量评估模型包括：将神经网络模型的输出结果与样本视频数据的质量评分进行比较；判断比较结果是否满足损失函数的要求，通过反复迭代，调整神经网络模型的参数；以及将比较结果满足损失函数的要求时的神经网络模型作为视频质量评估模型。
[0012]在一些实施例中，神经网络为反向传播算法BP神经网络。
[0013]根据本公开的另一方面，还提出一种视频质量评价方法，包括：获取待评价视频数据；提取待评价视频数据中的与人眼视觉体验相关的视频特征参数；以及将视频特征参数输入至视频质量评估模型，得到待评价视频数据的质量评分，其中，视频质量评估模型，基于样本视频数据中的视频特征参数和样本视频数据的质量评分训练得到。
[0014]在一些实施例中，视频特征参数包括空域特征参数、时域特征参数和传输特征参数中的至少一种。
[0015]根据本公开的另一方面，还提出一种视频质量评估模型训练装置，包括：样本信息获取单元，被配置为获取样本视频数据和样本视频数据的质量评分；特征参数提取单元，被配置为提取样本视频数据中的与人眼视觉体验相关的视频特征参数；以及模型训练单元，被配置为将样本视频数据的质量评分作为标注数据，基于视频特征参数训练神经网络模型，得到视频质量评估模型，以便根据视频质量评估模型对待评价视频数据进行质量评估。
[0016]在一些实施例中，视频特征参数包括空域特征参数、时域特征参数和传输特征参数中的至少一种。
[0017]根据本公开的另一方面，还提出一种视频质量评价装置，包括：实际信息获取单元，被配置为获取待评价视频数据；视频特征提取单元，被配置为提取待评价视频数据中的与人眼视觉体验相关的视频特征参数；以及视频质量评估单元，被配置为将视频特征参数输入至视频质量评估模型，得到待评价视频数据的质量评分，其中，视频质量评估模型，基于样本视频数据中的视频特征参数和样本视频数据的质量评分训练得到。
[0018]在一些实施例中，视频特征参数包括空域特征参数、时域特征参数和传输特征参数中的至少一种。
[0019]根据本公开的另一方面，还提出一种电子设备，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行如上述的视频质量评估模型训练方法，或，如上述的视频质量评价方法。
[0020]根据本公开的另一方面，还提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述的视频质量评估模型训练方法，或，如上述的视频质量评价方法。
[0021]本公开实施例中，通过与人眼视觉体验相关的视频特征参数和样本视频数据的质量评分，对神经网络模型进行训练，得到视频质量评估模型，能够对后续的实际采集到的视频数据进行更加客观、量化、准确且高效快速的质量评估，提高了视频质量评估的准确性。
[0022]通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
[0023]构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
[0024]参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
[0025]图1为本公开的视频质量评估模型训练方法的一些实施例的流程示意图。
[0026]图2为本公开的视频质量评估模型训练方法的另一些实施例的流程示意图。
[0027]图3为本公开的视频质量评价方法的一些实施例的流程示意图。
[0028]图4为本公开的视频质量评估模型训练装置的一些实施例的结构示意图。
[0029]图5为本公开的视频质量评估模型训练装置的另一些实施例的结构示意图。
[0030]图6为本公开的视频质量评价装置的一些实施例的结构示意图。
[0031]图7为本公开的电子设备的一些实施例的结构示意图。
具体实施方式
[0032]现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
[0033]同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
[0034]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
[0035]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
[0036]在这里示出本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种视频质量评估模型训练方法，包括：获取样本视频数据和所述样本视频数据的质量评分；提取所述样本视频数据中的与人眼视觉体验相关的视频特征参数；以及将所述样本视频数据的质量评分作为标注数据，基于所述视频特征参数训练神经网络模型，得到视频质量评估模型，以便根据所述视频质量评估模型对待评价视频数据进行质量评估。2.根据权利要求1所述的视频质量评估模型训练方法，其中，所述视频特征参数包括：空域特征参数、时域特征参数和传输特征参数中的至少一种。3.根据权利要求2所述的视频质量评估模型训练方法，其中，所述空域特征参数包括：图像亮度色度感知参数、图像对比度参数、图像模糊度参数和图像边缘能量参数中的至少一种。4.根据权利要求2所述的视频质量评估模型训练方法，其中，所述时域特征参数包括：场景切换感知参数和帧间差参数中的至少一种。5.根据权利要求2所述的视频质量评估模型训练方法，其中，所述传输特征参数包括：中断次数参数、乱序率参数、时延参数、丢包率参数和码率参数中的至少一种。6.根据权利要求1至5任一所述的视频质量评估模型训练方法，其中，得到视频质量评估模型包括：将所述神经网络模型的输出结果与所述样本视频数据的质量评分进行比较；判断比较结果是否满足损失函数的要求，通过反复迭代，调整所述神经网络模型的参数；以及将所述比较结果满足所述损失函数的要求时的神经网络模型作为所述视频质量评估模型。7.根据权利要求1至5任一所述的视频质量评估模型训练方法，其中，所述神经网络模型为反向传播算法BP神经网络模型。8.一种视频质量评价方法，包括：获取待评价视频数据；提取所述待评价视频数据中的与人眼视觉体验相关的视频特征参数；以及将所述视频特征参数输入至视频质量评估模型，得到所述待评价视频数据的质量评分，其中，所述视频质量评估模型，基于样本视频数据中的视频特征参数和样本视频数据的质量...
【专利技术属性】
技术研发人员：吕航，李佳聪，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。