CN101557516A - 视频质量评估方法及装置 - Google Patents
视频质量评估方法及装置 Download PDFInfo
- Publication number
- CN101557516A CN101557516A CN 200810103640 CN200810103640A CN101557516A CN 101557516 A CN101557516 A CN 101557516A CN 200810103640 CN200810103640 CN 200810103640 CN 200810103640 A CN200810103640 A CN 200810103640A CN 101557516 A CN101557516 A CN 101557516A
- Authority
- CN
- China
- Prior art keywords
- video
- parameter
- motion vector
- background
- dynamic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种视频质量评估方法,包括:将视频帧分为多个数据块,计算每个数据块的运动矢量;利用计算出的各数据块的运动矢量区分视频中的背景和对象;分别计算背景动态性参数和对象动态性参数,由所述背景动态性参数和对象动态性参数确定所述视频帧的动态性参数;由所述动态性参数计算视频平滑度,以视频平滑度确定视频质量。本发明通过计算背景动态性参数和对象动态性参数,从而确定视频的动态性参数,利用视频动态性参数对视频质量进行评估,不论在背景或对象运动时,都可以得到准确的质量评估结果。与上述方法相对应,本发明还提供一种视频质量评估装置。
Description
技术领域
本发明涉及多媒体通信技术领域,尤其涉及一种视频质量评估方法及装置。
背景技术
视频质量评估在视频压缩、处理以及视频通信等领域有着非常重要的作用。最初的视频质量评估方法,通常是以单帧图像质量为基础,首先评价视频序列中每帧的质量,然后再对各帧质量取平均值,得到视频质量。这类最初的视频质量评估方法没有考虑视频的运动信息对视频质量的影响,因此,对运动信息较多的视频序列的评估结果与实际主观感知的质量并不能很好地相符。根据实际应用中发现,某些明显影响单帧图像质量感知的因素,如块效应,对整个视频序列质量的影响并不突出,因此,视频质量评估必须考虑运动信息对视觉感知的影响。
利用视频序列的运动信息评估视频质量的方法有多种,较为典型的包括运动矢量评估(MV)法和平均绝对差(MAD)法,概括而言,上述两种方法是利用运动矢量或平均绝对差描述视频序列的运动信息,计算出运动参数(MA),根据运动信息越多视频越不平滑的原理计算视频的平滑度,并结合静态图像质量评估中计算影像峰值信噪比(Peak Signal to Noise Ratios,PSNR)值的方法计算出视频序列的清晰度,最后,视频序列的视频质量由清晰度和平滑度加权获得。另外,还可以对上述方法进行优化,即使用相邻两帧的平均绝对差MAD的比值β作为运动参数,描述视频的运动信息,视频质量由视频序列的单帧图像质量加权衡量,权重由β计算得到。
本领域人员都了解,人眼视觉存在“视觉兴趣性”,即,人眼在观察一副图像时,存在视觉感兴趣区,只会对其中显著变化的区域发生兴趣,而对那些亮度均匀的平滑区域或空间频率相近的纹理区域则忽略掉,即人眼的兴趣点是视频中的运动体,当视频对象运动时,人眼兴趣点就集中在该运动的对象上,对于背景运动也是同理,当背景运动时,人眼会忽略掉大部分视频对象信息。
然而,上述现有利用视频序列的运动信息评估视频质量的方案都没有考虑视觉兴趣性,特别是没有针对背景运动而对视频质量进行评估,而是过于依赖静态图像质量计算结果,从而在背景运动时会引起视频质量评估不准确,不具有通用性。另外,对于利用相邻两帧的评估方法,由于相邻两帧的MAD算法是针对像素的灰度变化大小对视频质量的影响,适用于背景静止的情况,对于背景运动的视频序列的评估是不准确的。
发明内容
有鉴于此,本发明提供一种视频质量评估方法及装置,以解决现有方案没有考虑视觉兴趣性因素,特别是背景运动因素,而引起的评估不准确的问题。
为此,本发明实施例采用如下技术方案:
一种视频质量评估方法,包括以下步骤:
将视频帧分为多个数据块,计算每个数据块的运动矢量;
利用计算出的各数据块的运动矢量区分视频中的背景和对象;
分别计算背景动态性参数和对象动态性参数,由所述背景动态性参数和对象动态性参数确定所述视频帧的动态性参数;
由所述动态性参数计算视频平滑度,以视频平滑度确定视频质量。
所述由背景动态性参数和对象动态性参数确定视频帧的动态性参数的具体实现方式为:
VDk=WBG×VDk-BG+WOB×VFk-OB,
其中,VDk-BG和VD-OB分别表示背景动态性参数和对象动态性参数,WBG和WOB分别表示背景动态性参数权重和对象动态性参数权重,并且,WBG∈[0,1],WOB∈[0,1],且WBG+WOB=1。
优选地,上述方法还包括:设置所述对象动态性参数权重大于所述背景动态性参数。
计算背景动态性参数的具体实现方式为:
其中,[Δx(m,n),Δy(m,n)]表示背景块(m,n)的运动矢量,MVmax为视频序列中已播放图像中运动矢量的最大值。
计算背景动态性参数的具体实现方式为:
其中,[Δx(m,n),Δy(m,n)]表示对象块(m,n)的运动矢量,MVmax为视频序列中已播放图像中运动矢量的最大值。
上述方法还包括,
对于标记为未计算出运动矢量的数据块,设置其动态性参数为大于1的常数。
在所述由所述动态性参数计算视频平滑度的过程中,采用抽样方式获取视频动态性参数的值:每隔N帧取Nf帧计算视频的动态性参数,其中,所述N和Nf都为整数。
采用块匹配算法实现所述计算每个数据块的运动矢量,其中,搜索算法采用搜索次数比较少的四步搜索算法,块匹配准则采用绝对平均误差函数。
采用基于运动矢量场的全局运动估计迭代方法实现所述区分背景和对象。
一种视频质量评估装置,包括:
运动矢量计算单元,用于将视频帧分为多个数据块,计算每个数据块的运动矢量;
背景对象区分单元,利用计算出的各数据块的运动矢量区分视频中的背景和对象;
动态性参数计算单元,用于分别计算背景动态性参数和对象动态性参数,由所述背景动态性参数和对象动态性参数确定所述视频帧的动态性参数;
评估单元,用于由所述动态性参数计算视频平滑度,以视频平滑度确定视频质量。
优选地,上述装置还包括:
权重设置单元,用于为所述动态性参数计算单元计算出的背景动态性参数和对象动态性参数分别设置第一权重和第二权重,其中,第一权重和第二权重都为大于或等于0、小于或等于1的常数,且,第一权重与第二权重之和为1,第一权重小于第二权重。
优选地,上述装置还包括:
动态性参数设置单元,用于对于所述运动矢量计算单元未计算出运动矢量的数据块,设置其动态性参数为大于1的常数。
可见,本发明通过计算背景动态性参数和对象动态性参数,从而确定视频的动态性参数,利用视频动态性参数对视频质量进行评估,不论在背景或对象运动时,都可以得到准确的质量评估结果。
附图说明
图1为本发明方法实施例一流程图;
图2为本发明方法实施例二中计算运动矢量的流程图;
图3为本发明方法实施例二中区分背景和对象的流程图;
图4为本发明方法实施例二中计算动态性参数流程图;
图5为本发明装置实施例结构示意图。
具体实施方式
本发明通过评价视频动态性(VD)对视频质量的影响,其中,视频动态性又包括背景动态性和对象动态性两方面,从而可适应人眼的视觉兴趣性,不论在对象运动还是背景运动时,都可提供更为接近真实视频的质量估计结果。
由于镜头运动引起的背景动态性和物体运动引起的对象动态性对人类视觉影响并不相同,本发明综合考虑了这两种因素,提出了基于动态性的视频质量评价方法。
参见图1,为本发明方法实施例一流程图,包括:
S101:对输入图像的第k个视频帧分为若干数据块,计算每个数据块的运动矢量;
S102:利用计算出的运动矢量区分背景和对象;
S103:利用计算出的运动矢量分别计算出背景动态性参数和对象动态性参数,并取这两个参数的加权值作为第k帧的动态性参数;
S104:由第k帧的动态性参数计算视频平滑度,以视频平滑度确定视频质量。
由于本发明考虑了视觉兴趣性因素,采用运动速度和运动面积两个因素来描述运动信息,特别是考虑了背景运动的影响,由此可提供更接近真实的视频质量评估结果。
下面在方法实施例二中就图1涉及到的四步骤进行详细描述。
一、计算运动矢量
可采用现有多种算法实现,例如,可采用较常用的块匹配算法:首先把一帧分割为若干同样大小的数据块,再查找当前帧的每个数据块在前一帧的位置。
本文选择大小为8×8像素的数据块,再以这些数据块为单位计算质量指标,目的是为了提高匹配的效率,而又能保证一定的精度。
搜索算法选择搜索次数比较少的四步搜索算法(4SS),块匹配准则采用绝对平均误差函数(MAE),其定义如下:
其中,Ik(x,y)表示第k帧图象在点(x,y)处的亮度值,(x+Δx,y+Δy)为点(x,y)在前一帧中的位置;m为数据块的左上顶点的横坐标,n为数据块的左上顶点的纵坐标,数据块大小为M×N。
参见图2,为本发明方法实施例二中采用4SS算法计算运动矢量的流程图,包括:
S201:将数据块的中心点(x,y)初始化为当前待搜索点的像素坐标,搜索匹配点组成一个菱形窗口;
具体地,初始的9个匹配点为菱形的四个顶点、四条边的中点以及菱形的中心点(x,y),计算对应的MAE值;
S202:如果当前A点MAE最小,转到S204,否则,以MAE最小的点的坐标作为下一次搜索窗的中心(x,y)的值,并转到S203;
S203:取搜索步长为2,计算以(x,y)为搜索中心点的菱形窗口上9个搜索点所各自对应的MAE,然后以MAE最小的点作为下一次搜索窗的中心(x,y)的值;
如果当前搜索窗的中心点为MAE最小的点或到达搜索域的边界,转到S204,否则取MAE最小的点为搜索中心点(x,y)并循环执行S203;
S204:搜索步长调整为1,计算以新的搜索中心点(x,y)为中心2×2搜索窗上的4个搜索点各自对应的MAE,以MAE最小的点作为最佳匹配点。
最后,以最佳匹配点代表的块计算运动矢量;如果其MAE值小于阈值TMAE,则的运动矢量为最佳匹配点的(Δx,Δy)值;否则,标记该块为未计算出运动矢量,即可能是背景暴露区或新出现的对象区。
计算出当前帧的每个块的运动矢量后,利用这些计算出的值区分背景和对象,并计算块的动态性。
二、区分背景和对象
由于视觉对运动的背景和对象的敏感程度并不完全相同,需要分别计算每帧的背景动态性和对象动态性,故此要区分每帧所有的数据块属于背景还是运动对象。
本发明采用基于运动矢量场的全局运动估计迭代的方法,把属于对象的块从当前帧中排除出去,获得了所有背景块的集合。相对于运动的前景,静止的背景通常占据场景的主要部分,因此全局运动又常常指摄像机运动带来的像素运动,所以又可将全局运动模型称为摄像机运动模型,符合摄像机运动模型的是背景,否则是前景。
摄像机运动模型有很多,本文采用四参数仿射模型。由下式表示:
其中,(Δx,Δy)为像素点(x,y)从当前帧到下一帧的运动矢量;四个模型参数的近似值可用最小二乘法来求解。
本发明实例中,以8×8像素大小的数据块为单位,像素点(x,y)取数据块的中心。以A初始化为整个帧的块集合,使用迭代的方法收敛到背景。由于对象和背景区分主要在于计算各部分对视频质量的影响,不需要太高的精度,为了提高运算效率,可限制迭代次数。
参见图3,为本发明方法实施例二中区分背景和对象的流程图,包括:
S301:初始化整个帧的数据块集合A;
S302:以集合A的运动矢量计算四个模型的参数值(a1′,a2′,a3′,a4′);
S303:由(a1′,a2′,a3′,a4′)计算出集合A中的数据块的运动矢量;
S304:判断运动矢量绝对误差和是否大于或等于预置的阈值,若是,执行S306,否则,执行S305;
S305:从集合A中排除该数据块,然后执行S306;
S306:判断是否所有数据块都计算完毕,若是,执行S307,否则,返回执行S303;
S307:判断迭代次数是否大于k或者集合A趋于稳定,若是,执行S308,返回执行S302;
S308:确定集合A为背景区域,迭代结束。
如图3所示,由当前帧的像素点(x,y)及摄像机模型参数(a1′,a2′,a3′,a4′)计算出下一帧中(x,y)运动矢量(Δx,Δy),若(Δx,Δy)与实际运动矢量相差很小,说明符合摄像机运动模型,确定是背景,否则是对象。
三、计算动态性参数
参见图4,为计算动态性参数流程图,包括:
S401:利用背景块的运动矢量计算背景动态性参数;
S402:利用对象块的运动矢量计算对象动态性参数;
其中,上述S401和S402的顺序可调换,即,可先计算对象动态性参数,然后再计算背景动态性参数。
S403:分别设置背景动态性参数和对象动态性参数的第一权重和第二权重;
S404:利用计算的背景动态性参数、对象动态性参数,以及设置的第一权重和第二权重,计算出动态性参数。
另外,对于标记为未计算出运动矢量的数据块,直接设置其动态性参数为大于1的常数。
下面以公式具体介绍计算动态性参数的过程。
区分出背景和对象后,需要分别计算背景动态性参数VDk-BG和对象动态性参数VDk-OB,第k帧的动态性参数VDk取它们的加权值
VDk=WBG×VDk-BG+WOB×VDk-OB..................公式3
其中,WBG和WOB分别是背景动态性参数、对象动态性参数的权重,满足:WBG∈[0,1],WOB∈[0,1],且WBG+WOB=1,优选地,WOB>WBG。
因为人眼观察一幅图像时,存在“视觉兴趣区”,即只会对其中显著变化的区域发生兴趣,而对那些亮度均匀的平滑区域或空间频率相近的纹理区则忽略掉,即人眼的兴趣点是视频中的运动对象,其动态性对视觉感知的影响将更大,所以公式3一般满足WBG<WOB。
计算块的动态性的方法有两种:一种是基于运动矢量的计算方法,计算了每个块的运动距离的大小,即计算了运动速度对视频质量的影响;另一种是基于前后两帧亮度差值的算法,输出结果只描述了运动面积对视频质量的影响。
视频序列中,背景动态性和对象动态性都应该由运动面积、运动速度两个特征值共同体现。
本文优先采用运动矢量的方法计算背景块(m,n)的动态性参数VDk-BG(m,n),再把所有背景块的动态性平均值作为背景动态性,对象动态性的计算方法同理。
设NB为整个帧的块数,本发明设置第k帧的视频背景动态性参数VDk-BG为:
其中,VDk-BG(m,n)为当前帧的对象块(m,n)的背景动态性参数。
同理,定义第k帧的对象动态性参数VDk-OB为:
其中,VDk-OB(m,n)为当前帧的对象块(m,n)的对象动态性参数。
数据块的背景动态性参数计算公式可以由其运动速度推导出。运动速度Vk(m,n)如公式6所示:
其中,Tk为第k帧与第k-1帧的时间间隔,(Δx,Δy)为数据块(m,n)从上一帧运动到当前帧的运动矢量。
由于公式6中Tk在一个视频序列中是个恒定值,对公式6进行归一化处理,得出描述第k帧的背景块(m,n)的动态性参数VDk-BG(m,n)的表达式:
其中,[Δx(m,n),Δy(m,n)]表示背景块(m,n)的运动矢量,MVmax为该视频序列中已播放图像中运动矢量的最大值。
同理,第k帧的对象块(m,n)的动态性参数VDk-OB(m,n)为:
其中,[Δx(m,n),Δy(m,n)]表示对象块(m,n)的运动矢量,MVmax为该视频序列中已播放图像中运动矢量的最大值。
将公式7、8的值分别代入公式4、5中,便可计算得出第k帧的动态性参数。
对于标记为未计算出运动矢量的数据块,其动态性参数VDK取大于1的常数。
对于场景切换帧,由于大多数数据块都标记为未计算出运动矢量,其总的动态性参数值将会比较大,从而体现场景频繁切换对视频质量的影响。
四、视频质量的评估
当视频序列中的运动信息增多时,即动态性增大时,如果帧速率不变,视频的平滑度将会降低。本发明中用计算出的视频动态性代替现有方案中的运动性参数MA,计算视频的平滑度(Video Smoothness,VS),并且每次取Nf帧计算视频动态性,得出下式:
其中,第k帧的动态性参数VDk由公式3计算得出;FRk为第k帧的帧速率。
公式9表明,图像的动态性增加时,VS降低,视频质量将会变差。此时如果提高帧速率FRk,可以优化视频质量。
当图像静止时,VDk值为0,此时视频质量不再受动态性影响,可使除数为一极小值,以减小对VS值的影响。又由于帧速率FRk在一个视频序列中为一个恒定值,公式9可转化为:
其中,r为一个极小的常数,例如0.001。
另外,在利用公式9或公式10评估视频质量时,优选地,取Nf帧视频图像动态性参数的平均值,而不是取整个序列的平均值,采用抽样方法获取视频动态性参数的值,每隔N帧取Nf帧计算视频的动态性参数,其中,所述N和Nf都为整数。由此,不但提高运算效率,而且可以提高评估准确性。
由此可见,本发明采用运动速度和运动面积两个因素来描述运动信息,通过计算背景动态性参数和对象动态性参数,从而确定视频的动态性参数,利用视频动态性参数对视频质量进行评估,不论在背景或对象运动时,都可以得到准确的质量评估结果。
经实验证明,本发明提供的实施例较现有MV或MAD方案,更接近视频实际的动态特性,在背景或对象运动时,可进行准确的视频质量估计。
与上述方法相对应,本发明还提供一种视频质量评估装置,该装置可以由硬件实现,或者可由软件实现,当然也可以由软硬件结合实现,具体实现形式本发明不作限定。
参见图5,为本发明提供的装置结构示意图,该装置包括以下各单元:
运动矢量计算单元501,用于将视频帧分为多个数据块,计算每个数据块的运动矢量;
其中,采用块匹配算法实现所述计算每个数据块的运动矢量,其中,搜索算法采用搜索次数比较少的四步搜索算法,块匹配准则采用绝对平均误差函数。具体实现参见方法实施例二中图2以及对图2的描述,此处不再赘述。
背景对象区分单元502,利用计算出的各数据块的运动矢量区分视频中的背景和对象;
其中,采用基于运动矢量场的全局运动估计迭代方法实现所述区分背景和对象。具体实现参见方法实施例二中图3以及对图3的描述,此处不再赘述。
动态性参数计算单元503,用于分别计算背景动态性参数和对象动态性参数,由所述背景动态性参数和对象动态性参数确定所述视频帧的动态性参数;
其中,所述由背景动态性参数和对象动态性参数确定视频帧的动态性参数的具体实现方式为:VDk=WBG×VDk-BG+WOB×VDk-OB,其中,VDk-BG和VDk-OB分别表示背景动态性参数和对象动态性参数,WBG和WOB分别表示背景动态性参数权重和对象动态性参数权重,并且,WBG∈[0,1],WOB∈[0,1],且。计算背景
动态性参数的具体实现方式为:
其中,[Δx(m,n),Δy(m,n)]表示背景块(m,n)的运动矢量,MVmax为视频序列中已播放图像中运动矢量的最大值。
计算背景动态性参数的具体实现方式为:
其中,[Δx(m,n),Δy(m,n)]表示对象块(m,n)的运动矢量,MVmax为视频序列中已播放图像中运动矢量的最大值。
评估单元504,用于由所述动态性参数计算视频平滑度,以视频平滑度确定视频质量。
优选地,该装置还可包括权重设置单元505,用于为所述动态性参数计算单元计算出的背景动态性参数和对象动态性参数分别设置第一权重和第二权重,其中,第一权重和第二权重都为大于或等于0、小于或等于1的常数,且,第一权重与第二权重之和为1,第一权重小于第二权重。
进一步,该装置还可包括动态性参数设置单元506,用于对于标记为未计算出运动矢量的数据块,设置其动态性参数为大于1的常数。
可见,本发明提供的视频质量评估装置通过计算背景动态性参数和对象动态性参数,从而确定视频的动态性参数,利用视频动态性参数对视频质量进行评估,不论在背景或对象运动时,都可以得到准确的质量评估结果。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1、一种视频质量评估方法,其特征在于,包括:
将视频帧分为多个数据块,计算每个数据块的运动矢量;
利用计算出的各数据块的运动矢量区分视频中的背景和对象;
分别计算背景动态性参数和对象动态性参数,由所述背景动态性参数和对象动态性参数确定所述视频帧的动态性参数;
由所述动态性参数计算视频平滑度,以视频平滑度确定视频质量。
2、根据权利要求1所述方法,其特征在于,所述由背景动态性参数和对象动态性参数确定视频帧的动态性参数的具体实现方式为:
VDk=WBG×VDk-BG+WOB×VDk-OB,
其中,VDk-BG和VDk-OB分别表示背景动态性参数和对象动态性参数,WBG和WOB分别表示背景动态性参数权重和对象动态性参数权重,并且,WBG∈[0,1],WOB∈[0,1],且WBG+WOB=1。
3、根据权利要求2所述方法,其特征在于,还包括:设置所述对象动态性参数权重大于所述背景动态性参数。
4、根据权利要求1所述方法,其特征在于,计算背景动态性参数的具体实现方式为:
其中,[Δx(m,n),Δy(m,n)]表示背景块(m,n)的运动矢量,MVmax为视频序列中已播放图像中运动矢量的最大值。
5、根据权利要求1所述方法,其特征在于,计算背景动态性参数的具体实现方式为:
其中,[Δx(m,n),Δy(m,n)]表示对象块(m,n)的运动矢量,MVmax为视频序列中已播放图像中运动矢量的最大值。
6、根据权利要求1至5中任一项所述方法,其特征在于,还包括,
对于标记为未计算出运动矢量的数据块,设置其动态性参数为大于1的常数。
7、根据权利要求1至5中任一项所述方法,其特征在于,
在所述由所述动态性参数计算视频平滑度的过程中,采用抽样方式获取视频动态性参数的值:每隔N帧取Nf帧计算视频的动态性参数,其中,所述N和Nf都为整数。
8、根据权利要求1至5中任一项所述方法,其特征在于,采用块匹配算法实现所述计算每个数据块的运动矢量,其中,搜索算法采用搜索次数比较少的四步搜索算法,块匹配准则采用绝对平均误差函数。
9、根据权利要求1至5中任一项所述方法,其特征在于,
采用基于运动矢量场的全局运动估计迭代方法实现所述区分背景和对象。
10、一种视频质量评估装置,其特征在于,包括:
运动矢量计算单元,用于将视频帧分为多个数据块,计算每个数据块的运动矢量;
背景对象区分单元,利用计算出的各数据块的运动矢量区分视频中的背景和对象;
动态性参数计算单元,用于分别计算背景动态性参数和对象动态性参数,由所述背景动态性参数和对象动态性参数确定所述视频帧的动态性参数;
评估单元,用于由所述动态性参数计算视频平滑度,以视频平滑度确定视频质量。
11、根据权利要求10所述装置,其特征在于,还包括:
权重设置单元,用于为所述动态性参数计算单元计算出的背景动态性参数和对象动态性参数分别设置第一权重和第二权重,其中,第一权重和第二权重都为大于或等于0、小于或等于1的常数,且,第一权重与第二权重之和为1,第一权重小于第二权重。
12、根据权利要求10或11所述装置,其特征在于,还包括:
动态性参数设置单元,用于对于所述运动矢量计算单元未计算出运动矢量的数据块,设置其动态性参数为大于1的常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200810103640 CN101557516B (zh) | 2008-04-09 | 2008-04-09 | 视频质量评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200810103640 CN101557516B (zh) | 2008-04-09 | 2008-04-09 | 视频质量评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101557516A true CN101557516A (zh) | 2009-10-14 |
CN101557516B CN101557516B (zh) | 2011-04-06 |
Family
ID=41175428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200810103640 Expired - Fee Related CN101557516B (zh) | 2008-04-09 | 2008-04-09 | 视频质量评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101557516B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102421009A (zh) * | 2011-12-07 | 2012-04-18 | 中国航空无线电电子研究所 | 一种视频信号的自动测试方法 |
CN104317572A (zh) * | 2014-09-30 | 2015-01-28 | 南京大学 | 一种实时系统的循环边界内向分析方法 |
CN105828064A (zh) * | 2015-01-07 | 2016-08-03 | 中国人民解放军理工大学 | 融合局部和全局时空特性的无参考视频质量评估方法 |
CN106375695A (zh) * | 2016-08-30 | 2017-02-01 | 百味迹忆(厦门)网络科技有限公司 | 音视频评分并存储的方法及装置 |
CN106817619A (zh) * | 2016-12-26 | 2017-06-09 | 江苏省公用信息有限公司 | 一种识别视频暂停状态,提高ott视频质量监测精度的方法 |
CN107360417A (zh) * | 2017-08-30 | 2017-11-17 | 中国人民解放军国防科技大学 | 一种基于相机运动特征的互联网视频质量评估方法与装置 |
CN109584897A (zh) * | 2018-12-28 | 2019-04-05 | 努比亚技术有限公司 | 视频降噪方法、移动终端及计算机可读存储介质 |
CN109640138A (zh) * | 2013-07-23 | 2019-04-16 | 微软技术许可有限责任公司 | 用于视频稳定的自适应路径平滑 |
CN113724182A (zh) * | 2020-05-21 | 2021-11-30 | 无锡科美达医疗科技有限公司 | 基于扩张卷积与注意力机制的无参考视频质量评价方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1157059C (zh) * | 2002-01-29 | 2004-07-07 | 北京工业大学 | 一种结合运动特征的视频质量评价方法 |
CN100505895C (zh) * | 2005-01-17 | 2009-06-24 | 华为技术有限公司 | 一种视频质量评估方法 |
-
2008
- 2008-04-09 CN CN 200810103640 patent/CN101557516B/zh not_active Expired - Fee Related
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102421009A (zh) * | 2011-12-07 | 2012-04-18 | 中国航空无线电电子研究所 | 一种视频信号的自动测试方法 |
CN109640138B (zh) * | 2013-07-23 | 2021-08-24 | 微软技术许可有限责任公司 | 用于视频稳定的自适应路径平滑 |
CN109640138A (zh) * | 2013-07-23 | 2019-04-16 | 微软技术许可有限责任公司 | 用于视频稳定的自适应路径平滑 |
CN104317572B (zh) * | 2014-09-30 | 2017-05-24 | 南京大学 | 一种实时系统的循环边界内向分析方法 |
CN104317572A (zh) * | 2014-09-30 | 2015-01-28 | 南京大学 | 一种实时系统的循环边界内向分析方法 |
CN105828064B (zh) * | 2015-01-07 | 2017-12-12 | 中国人民解放军理工大学 | 融合局部和全局时空特性的无参考视频质量评估方法 |
CN105828064A (zh) * | 2015-01-07 | 2016-08-03 | 中国人民解放军理工大学 | 融合局部和全局时空特性的无参考视频质量评估方法 |
CN106375695A (zh) * | 2016-08-30 | 2017-02-01 | 百味迹忆(厦门)网络科技有限公司 | 音视频评分并存储的方法及装置 |
CN106375695B (zh) * | 2016-08-30 | 2019-03-05 | 百味迹忆(厦门)网络科技有限公司 | 音视频评分并存储的方法及装置 |
CN106817619A (zh) * | 2016-12-26 | 2017-06-09 | 江苏省公用信息有限公司 | 一种识别视频暂停状态,提高ott视频质量监测精度的方法 |
CN106817619B (zh) * | 2016-12-26 | 2019-04-12 | 天翼智慧家庭科技有限公司 | 一种识别视频暂停状态,提高ott视频质量监测精度的方法 |
CN107360417A (zh) * | 2017-08-30 | 2017-11-17 | 中国人民解放军国防科技大学 | 一种基于相机运动特征的互联网视频质量评估方法与装置 |
CN107360417B (zh) * | 2017-08-30 | 2019-02-19 | 中国人民解放军国防科技大学 | 一种基于相机运动特征的互联网视频质量评估方法与装置 |
CN109584897A (zh) * | 2018-12-28 | 2019-04-05 | 努比亚技术有限公司 | 视频降噪方法、移动终端及计算机可读存储介质 |
CN109584897B (zh) * | 2018-12-28 | 2023-11-10 | 西藏瀚灵科技有限公司 | 视频降噪方法、移动终端及计算机可读存储介质 |
CN113724182A (zh) * | 2020-05-21 | 2021-11-30 | 无锡科美达医疗科技有限公司 | 基于扩张卷积与注意力机制的无参考视频质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101557516B (zh) | 2011-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101557516B (zh) | 视频质量评估方法及装置 | |
CN100396087C (zh) | 能够检测滚动文本和图形数据的运动估计装置、方法及机器可读介质 | |
CN105488812A (zh) | 一种融合运动特征的时空显著性检测方法 | |
JPH0799660A (ja) | 動き補償予測装置 | |
Wang et al. | Novel spatio-temporal structural information based video quality metric | |
CN103702128B (zh) | 一种应用于视频帧速率上转换的插值帧生成方法 | |
CN106611427A (zh) | 基于候选区域融合的视频显著性检测方法 | |
CN1984240A (zh) | 运动估计设备和运动估计方法 | |
CN108615241B (zh) | 一种基于光流的快速人体姿态估计方法 | |
CN101945284A (zh) | 一种运动估计的装置和方法 | |
CN104537355A (zh) | 一种利用图像边界信息和区域连通性的显著对象检测方法 | |
CN102917220B (zh) | 基于六边形搜索及三帧背景对齐的动背景视频对象提取 | |
CN111598928B (zh) | 一种基于具有语义评估和区域建议的突变运动目标跟踪方法 | |
CN103093458A (zh) | 关键帧的检测方法及装置 | |
CN112561951A (zh) | 一种基于帧差绝对误差和sad的运动和亮度检测方法 | |
CN102447870A (zh) | 静止物体检测方法和运动补偿装置 | |
CN105763876A (zh) | 一种基于时域失真波动和感兴趣区域的视频质量评价方法 | |
CN101877135B (zh) | 一种基于背景重构的运动目标检测方法 | |
CN103096009B (zh) | 图像处理装置和方法以及图像显示装置和方法 | |
CN105118073A (zh) | 基于Xtion摄像机的人体头部目标识别方法 | |
CN107707916A (zh) | 一种基于场景切变检测的帧率转换算法 | |
US20140126639A1 (en) | Motion Estimation Method | |
WO2010070128A1 (en) | Method for multi-resolution motion estimation | |
CN106375773B (zh) | 基于动态阈值的帧复制粘贴篡改检测方法 | |
KR101777776B1 (ko) | 표본 프로파일 정보 기반 움직임 추정장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C53 | Correction of patent for invention or patent application | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Yongli Inventor after: Xu Ruifen Inventor after: Jia Lin Inventor after: Xing Ye Inventor before: Xing Ye Inventor before: Xu Ruifen |
|
COR | Change of bibliographic data |
Free format text: CORRECT: INVENTOR; FROM: XING YE XU RUIFEN TO: LI YONGLI XU RUIFEN JIA LIN XING YE |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110406 Termination date: 20170409 |
|
CF01 | Termination of patent right due to non-payment of annual fee |