CN101789091A - 视频清晰度自动识别系统及其方法 - Google Patents
视频清晰度自动识别系统及其方法 Download PDFInfo
- Publication number
- CN101789091A CN101789091A CN201010106438A CN201010106438A CN101789091A CN 101789091 A CN101789091 A CN 101789091A CN 201010106438 A CN201010106438 A CN 201010106438A CN 201010106438 A CN201010106438 A CN 201010106438A CN 101789091 A CN101789091 A CN 101789091A
- Authority
- CN
- China
- Prior art keywords
- video
- sharpness
- definition
- module
- proper
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
视频清晰度自动识别系统及其方法,所述系统包括:视频收集模块,用于收集多个不同清晰度的视频文件或视频片段;人工评分模块,用于对所述视频文件或视频片段的清晰度进行人工评分,得到清晰度分值;清晰度特征向量计算模块,用于分别计算每个视频或视频片段的各种清晰度特征向量,并计算未知视频或视频片段的各种清晰度特征向量;支持向量回归模型训练模块,用于通过所述各种清晰度特征向量的样本集合来训练一个支持向量回归模型;视频清晰度识别模块,将未知视频或视频片段的各种清晰度特征向量输入所述支持向量回归模型中进行预测,将预测后的结果作为该未知视频的清晰度分值。本发明有效地解决了现有技术中视频的清晰度无法自动识别的问题。
Description
技术领域
本发明属于视频清晰度识别技术领域,特别涉及一种视频清晰度自动识别系统及其方法。
背景技术
随着视频网络的发展,视频节目呈海量增长之势,如何高效自动地识别出视频节目的清晰度成为一个重要的问题。这里的视频清晰度指的是视频的视觉内容方面的清晰度,也称为是视频质量。清晰度(质量)的决定因素,通常包括:模糊度、块状或称马赛克(Mosaic)的数量、噪声数量、光亮明暗程度、编码误差以及其他因素。这些因素通常是由于原始视频被压缩、传输、再拍摄、编辑等引起的。人类通过眼睛进行观看,可以非常准备地判断一部视频节目出是否清晰。但是,对于智能化程度不高的计算机来说,要自动识别出一个视频节目的清晰度,仍然十分困难。其原因在于:(1)影响视频清晰度的因素很多,而且每种因素都难以用数学定量地描述。例如:再拍摄的灯光因素,是引起视频模糊的一个重要因素,如何通过计算灯光产生的模糊度是一个难题;(2)计算机很难识别视频中哪些是真实模糊和哪些非真实模糊,例如摄像机拍摄的时候前景清晰,但背景是模糊,而这种模糊和上述由于编码和压缩所带来的模糊,人类可以快速识别此类模糊。其他的例如马赛克、噪声等,也存在同样的困难;(3)计算机智能系统是根据量化后的清晰度来识别未知视频的清晰度,而这种智能系统的实现还不能和人的智能相提并论。
通常的视频清晰度测量方法有三类:(1)全参考视频清晰度测量,主要通过一个对比参考视频和测试视频之间的差异进行测量的;(2)半参考视频清晰度测量,主要在通过在变换域上进行参考视频和测试视频比较的方式进行测量的;(3)无参考视频清晰度测量,这种测量方式不需要原始的参考视频,它直接通过对测试视频的清晰度进行测量,它的原理和人类观看视频的原理一样,首先得到清晰度的可量化的各种度量,然后分析和识别出清晰度的数值大小。举个例子,一种无参考的流视频质量评估方法(专利号:200810207695.5)通过分析丢包数据来进行无参考视频清晰度测量。但是丢包数据并不能全面反映视频的清晰度。正如本发明前面的分析,影响视频的清晰度的因素包括:模糊度、块状或称马赛克的数量、噪声数量、光亮明暗程度、编码误差以及其他因素。如何有效地对视频清晰度进行自动识别是本发明所有解决的技术问题。
发明内容
本发明的目的在于,提供一种视频清晰度自动识别系统及其方法,通过采用多种度量进行清晰度的测量,然后采用训练智能模型系统的原理进行学习和预报。
本发明采用如下技术方案:
一种视频清晰度自动识别系统,包括:
视频收集模块,用于收集多个不同清晰度的视频文件或视频片段;
人工评分模块,与所述视频收集模块相连接,用于对所述视频文件或视频片段的清晰度进行人工评分,得到清晰度分值;
清晰度特征向量计算模块,与所述人工评分模块相连接,用于分别计算每个视频或视频片段的各种清晰度特征向量,并计算未知视频或视频片段的各种清晰度特征向量;
支持向量回归模型训练模块,与所述清晰度特征向量计算模块相连接,用于通过所述各种清晰度特征向量的样本集合来训练一个支持向量回归模型;
视频清晰度识别模块,与所述清晰度特征向量计算模块和支持向量回归模型训练模块相连接,将未知视频或视频片段的各种清晰度特征向量输入所述支持向量回归模型中进行预测,将预测后的结果作为该未知视频的清晰度分值。
进一步地,所述清晰度特征向量计算模块中训练得到的支持向量回归模型为:
Model=(α1,X1,α2,X2,...,αM,XM,b)
参数α1,α2,...,αM为对应的各种清晰度特征向量X1,X2,...,XM在视频清晰度中的权重,b为修正值,X(X1,X2,...,XM)是一个清晰度未知的视频的清晰度特征向量;
所述视频清晰度识别模块中预测后的清晰度y的计算公式为:
其中,K(x,y)是支持向量机的核函数。
进一步地,所述清晰度特征向量计算模块中每个视频或视频片段的各种清晰度特征向量为对应以下清晰度特征中的一种或多种:
视频的模糊度、视频编码产生的块状特征、视频帧的色度和饱和度、色度和饱和度的比率、视频的锐化程度、模糊化程度、视频的编码比特率和视频的帧率。
本发明还提供一种视频清晰度自动识别方法,包括以下步骤:
1)收集多个不同清晰度的视频文件或视频片段;
2)采用人工评分的方式,得到所述视频文件或视频片段的清晰度的分值;
3)分别计算每个视频或视频片段的各种清晰度特征向量;
4)用到得的所述清晰度特征向量的样本集合来训练一个支持向量回归模型;
5)在预测未知视频或视频片段的清晰度时,采用步骤3)中相同的方法计算未知视频或视频片段的清晰度特征向量,将计算得到的清晰度特征向量输入步骤4)得到的支持向量回归模型中进行预测,将预测后的结果作为该未知视频的清晰度分值。
进一步地,所述步骤3)中训练得到的支持向量回归模型为:
Model=(α1,X1,α2,X2,...,αM,XM,b)
参数α1,α2,...,αM为对应的各种清晰度特征向量X1,X2,...,XM在视频清晰度中的权重,b为修正值,X(X1,X2,...,XM)是一个清晰度未知的视频的清晰度特征向量;
所述步骤5)中,预测后的清晰度y的计算公式如下:
其中,K(x,y)是支持向量机的核函数。
进一步地,所述步骤3)中每个视频或视频片段的各种清晰度特征向量为对应以下清晰度特征中的一种或多种:
视频的模糊度、视频编码产生的块状特征、视频帧的色度和饱和度、色度和饱和度的比率、视频的锐化程度、模糊化程度、视频的编码比特率和视频的帧率。
本发明通过人工评分的方式对已知不同清晰度的视频文件或视频片段进行评分,然后计算每个视频文件或视频片段的各种清晰度度量,分别得到特征向量;用这些清晰度特征向量的训练样本集合训练一个支持向量回归模型,用于对未知视频的清晰度进行预测,有效地解决了现有技术中视频的清晰度无法自动识别的问题。
附图说明
图1为本发明视频清晰度自动识别系统实施例的框图;
图2为本发明视频清晰度自动识别方法实施例的流程图。
具体实施方式
实施例一
如图1所示,一种视频清晰度自动识别系统,包括:
视频收集模块,用于收集多个不同清晰度(质量)的视频文件或视频片段;
人工评分模块,与所述视频收集模块相连接,用于对所述视频文件或视频片段的清晰度进行人工评分,得到清晰度分值;
清晰度特征向量计算模块,与所述人工评分模块相连接,用于分别计算每个视频或视频片段的各种清晰度特征向量,并计算未知视频或视频片段的各种清晰度特征向量;
支持向量回归模型训练模块,与所述清晰度特征向量计算模块相连接,用于通过所述各种清晰度特征向量的样本集合来训练一个支持向量回归模型(Support Vector RegressionModel);
视频清晰度识别模块,与所述清晰度特征向量计算模块和支持向量回归模型训练模块相连接,将未知视频或视频片段的各种清晰度特征向量输入所述支持向量回归模型中进行预测,将预测后的结果作为该未知视频的清晰度分值,从而实现自动识别视频清晰度的目的。
其中,所述清晰度特征向量计算模块中训练得到的支持向量回归模型为:
Model=(α1,X1,α2,X2,...,αM,XM,b)
参数α1,α2,...,αM为对应的各种清晰度特征向量X1,X2,...,XM在视频清晰度中的权重,b为修正值,X(X1,X2,...,XM)是一个清晰度未知的视频的清晰度特征向量;
所述视频清晰度识别模块中预测后的清晰度y的计算公式为:
K(x,y)是支持向量机的核函数。
实施例二
如图2所示,一种视频清晰度自动识别方法,包括以下步骤:
1)收集多个不同清晰度(质量)的视频文件或视频片段;
2)采用人工评分的方式,得到所述视频文件或视频片段的清晰度的分值;
3)分别计算每个视频或视频片段的各种清晰度特征向量;
4)用到得的所述清晰度特征向量的样本集合来训练一个支持向量回归模型(SupportVector Regression Model);
5)在预测未知视频或视频片段的清晰度时,采用步骤3)中相同的方法计算未知视频或视频片段的清晰度特征向量,将计算得到的清晰度特征向量输入步骤4)得到的支持向量回归模型中进行预测,将预测后的结果作为该未知视频的清晰度分值,从而实现自动识别视频清晰度的目的。
假设X(X1,X2,..,XM)是一个清晰度未知的视频的清晰度特征向量,步骤3)中训练得到的支持向量回归模型为:
Model=(α1,X1,α2,X2,...,αM,XM,b)
参数α1,α2,...,αM为对应的各种清晰度特征向量X1,X2,...,XM在视频清晰度中的权重,b为修正值。
K(x,y)是支持向量机的核函数,预测后的清晰度y的计算公式如下:
本发明中视频或视频片段的所述各种清晰度特征向量X1,X2,..,XM包含但不局限于:视频的模糊度、视频编码产生的块状特征、视频帧的色度和饱和度、色度和饱和度的比率、视频的锐化程度、模糊化程度、视频的编码比特率和视频的帧率等等。清晰度特征向量X包含其中的一种或者一种以上的上述清晰度特征作为特征向量。
以上所述的实施例仅用于说明本发明的技术思想及特点,其目的在使本领域内的技术人员能够了解本发明的内容并据以实施,当不能仅以本实施例来限定本发明的专利范围,即凡依本发明所揭示的精神所作的同等变化或修饰,仍落在本发明的专利范围内。
Claims (6)
1.一种视频清晰度自动识别系统,其特征在于包括:
视频收集模块,用于收集多个不同清晰度的视频文件或视频片段;
人工评分模块,与所述视频收集模块相连接,用于对所述视频文件或视频片段的清晰度进行人工评分,得到清晰度分值;
清晰度特征向量计算模块,与所述人工评分模块相连接,用于分别计算每个视频或视频片段的各种清晰度特征向量,并计算未知视频或视频片段的各种清晰度特征向量;
支持向量回归模型训练模块,与所述清晰度特征向量计算模块相连接,用于通过所述各种清晰度特征向量的样本集合来训练一个支持向量回归模型;
视频清晰度识别模块,与所述清晰度特征向量计算模块和支持向量回归模型训练模块相连接,将未知视频或视频片段的各种清晰度特征向量输入所述支持向量回归模型中进行预测,将预测后的结果作为该未知视频的清晰度分值。
2.根据权利要求1所述的视频清晰度自动识别系统,其特征在于:
所述清晰度特征向量计算模块中训练得到的支持向量回归模型为:
Model=(α1,X1,α2,X2,...,αM,XM,b)
参数α1,α2,...,αM为对应的各种清晰度特征向量X1,X2,...,XM在视频清晰度中的权重,b为修正值,X(X1,X2,...,XM)是一个清晰度未知的视频的清晰度特征向量;
所述视频清晰度识别模块中预测后的清晰度y的计算公式为:
其中,K(x,y)是支持向量机的核函数。
3.根据权利要求1或2所述的视频清晰度自动识别系统,其特征在于:
所述清晰度特征向量计算模块中每个视频或视频片段的各种清晰度特征向量为对应以下清晰度特征中的一种或多种:
视频的模糊度、视频编码产生的块状特征、视频帧的色度和饱和度、色度和饱和度的比率、视频的锐化程度、模糊化程度、视频的编码比特率和视频的帧率。
4.一种视频清晰度自动识别方法,其特征在于包括以下步骤:
1)收集多个不同清晰度的视频文件或视频片段;
2)采用人工评分的方式,得到所述视频文件或视频片段的清晰度的分值;
3)分别计算每个视频或视频片段的各种清晰度特征向量;
4)用到得的所述清晰度特征向量的样本集合来训练一个支持向量回归模型;
5)在预测未知视频或视频片段的清晰度时,采用步骤3)中相同的方法计算未知视频或视频片段的清晰度特征向量,将计算得到的清晰度特征向量输入步骤4)得到的支持向量回归模型中进行预测,将预测后的结果作为该未知视频的清晰度分值。
5.根据权利要求4所述的视频清晰度自动识别方法,其特征在于:
所述步骤3)中训练得到的支持向量回归模型为:
Model=(α1,X1,α2,X2,...,αM,XM,b)
参数α1,α2,...,αM为对应的各种清晰度特征向量X1,X2,...,XM在视频清晰度中的权重,b为修正值,X(X1,X2,...,XM)是一个清晰度未知的视频的清晰度特征向量;
所述步骤5)中,预测后的清晰度y的计算公式如下:
其中,K(x,y)是支持向量机的核函数。
6.根据权利要求5所述的视频清晰度自动识别方法,其特征在于:
所述步骤3)中每个视频或视频片段的各种清晰度特征向量为对应以下清晰度特征中的一种或多种:
视频的模糊度、视频编码产生的块状特征、视频帧的色度和饱和度、色度和饱和度的比率、视频的锐化程度、模糊化程度、视频的编码比特率和视频的帧率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010106438A CN101789091A (zh) | 2010-02-05 | 2010-02-05 | 视频清晰度自动识别系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010106438A CN101789091A (zh) | 2010-02-05 | 2010-02-05 | 视频清晰度自动识别系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101789091A true CN101789091A (zh) | 2010-07-28 |
Family
ID=42532295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010106438A Pending CN101789091A (zh) | 2010-02-05 | 2010-02-05 | 视频清晰度自动识别系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101789091A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103581662A (zh) * | 2012-07-26 | 2014-02-12 | 腾讯科技(深圳)有限公司 | 视频清晰度测量方法和系统 |
CN103778398A (zh) * | 2012-10-22 | 2014-05-07 | 无锡爱丁阁信息科技有限公司 | 图像模糊度估计方法 |
CN104834969A (zh) * | 2015-05-05 | 2015-08-12 | 东南大学 | 一种电影评价预测方法及其系统 |
CN107767358A (zh) * | 2016-08-23 | 2018-03-06 | 阿里巴巴集团控股有限公司 | 一种图像中物体模糊度确定方法和装置 |
CN109255796A (zh) * | 2018-09-07 | 2019-01-22 | 浙江大丰实业股份有限公司 | 舞台设备安全解析平台 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030219172A1 (en) * | 2002-05-24 | 2003-11-27 | Koninklijke Philips Electronics N.V. | Method and system for estimating sharpness metrics based on local edge kurtosis |
CN101282481A (zh) * | 2008-05-09 | 2008-10-08 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
-
2010
- 2010-02-05 CN CN201010106438A patent/CN101789091A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030219172A1 (en) * | 2002-05-24 | 2003-11-27 | Koninklijke Philips Electronics N.V. | Method and system for estimating sharpness metrics based on local edge kurtosis |
CN101282481A (zh) * | 2008-05-09 | 2008-10-08 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
Non-Patent Citations (2)
Title |
---|
HUICHENG LIAN: "No-reference video quality measurement with support vector regression", 《INTERNATIONAL JOURNAL OF NEURAL SYSTEMS》 * |
王维民等: "基于支持向量机的虹膜图像实时预评估算法", 《辽宁石油化工大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103581662A (zh) * | 2012-07-26 | 2014-02-12 | 腾讯科技(深圳)有限公司 | 视频清晰度测量方法和系统 |
CN103581662B (zh) * | 2012-07-26 | 2016-08-31 | 腾讯科技(深圳)有限公司 | 视频清晰度测量方法和系统 |
CN103778398A (zh) * | 2012-10-22 | 2014-05-07 | 无锡爱丁阁信息科技有限公司 | 图像模糊度估计方法 |
CN103778398B (zh) * | 2012-10-22 | 2016-12-07 | 无锡爱丁阁信息科技有限公司 | 图像模糊度估计方法 |
CN104834969A (zh) * | 2015-05-05 | 2015-08-12 | 东南大学 | 一种电影评价预测方法及其系统 |
CN107767358A (zh) * | 2016-08-23 | 2018-03-06 | 阿里巴巴集团控股有限公司 | 一种图像中物体模糊度确定方法和装置 |
CN107767358B (zh) * | 2016-08-23 | 2021-08-13 | 斑马智行网络(香港)有限公司 | 一种图像中物体模糊度确定方法和装置 |
CN109255796A (zh) * | 2018-09-07 | 2019-01-22 | 浙江大丰实业股份有限公司 | 舞台设备安全解析平台 |
CN109255796B (zh) * | 2018-09-07 | 2022-01-28 | 浙江大丰实业股份有限公司 | 舞台设备安全解析平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104392390B (zh) | 一种基于topsis模型的智能变电站二次设备评估方法 | |
CN111104981A (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
CN103458155B (zh) | 视频场景变换检测方法和系统及体验质量检测方法和系统 | |
CN103745454B (zh) | 一种基于排序学习的图像处理算法或系统的评价方法 | |
CN109271374A (zh) | 一种基于机器学习的数据库健康度打分方法和打分系统 | |
CN103281554B (zh) | 一种基于人眼视觉特性的视频客观质量评价方法 | |
CN101789091A (zh) | 视频清晰度自动识别系统及其方法 | |
CN102421007A (zh) | 基于多尺度结构相似度加权综合的图像质量评价方法 | |
CN103530347A (zh) | 一种基于大数据挖掘的互联网资源质量评估方法及系统 | |
CN101989355A (zh) | 一种针对jpeg图像二次压缩的检测方法 | |
CN106528417A (zh) | 软件缺陷智能检测方法和系统 | |
CN101616315A (zh) | 一种视频质量评价方法、装置和系统 | |
CN102490764A (zh) | 铁轨道岔缺口自动检测方法 | |
CN111130890A (zh) | 一种网络流量动态预测系统 | |
CN110580217B (zh) | 软件代码健康度的检测方法、处理方法、装置及电子设备 | |
CN103780901B (zh) | 基于视频空间和时间信息的视频质量及压缩码率估计方法 | |
CN108663501A (zh) | 一种变压器油中溶解气体浓度预测方法和系统 | |
CN103902798B (zh) | 数据预处理方法 | |
CN101895787B (zh) | 一种视频编码性能主观评价方法及系统 | |
CN111950605A (zh) | 表计识别模型的学习方法、装置、设备和表计识别方法 | |
CN105959685A (zh) | 一种基于视频内容及聚类分析的压缩码率预测方法 | |
CN104899893A (zh) | 基于视觉注意力的图像质量检测方法 | |
CN111967774B (zh) | 软件质量风险预测方法及装置 | |
CN115081485A (zh) | 一种基于ai的漏磁内检测数据自动分析方法 | |
CN115866235A (zh) | 视频质量评估方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20100728 |